[논문 리뷰] Artificial intelligence to advance Earth observation: : A review of models, recent trends, and pathways forward

Devis Tuia, Konrad Schindler외 12명|arXiv (Cornell University)|2023. 05. 15.

Computational Physics and Python Applications인용 수 38

한 줄 요약

AI/ML, 컴퓨터 비전, 및 고급 처리 기술이 지구 관측을 어떻게 변형시키고 있는지에 대한 관점 리뷰로, 하이브리드 물리-ML, 지식 기반 AI, 윤리적/사용자 중심 고려사항에 중점을 둔다.

ABSTRACT

Earth observation (EO) is a prime instrument for monitoring land and ocean processes, studying the dynamics at work, and taking the pulse of our planet. This article gives a bird's eye view of the essential scientific tools and approaches informing and supporting the transition from raw EO data to usable EO-based information. The promises, as well as the current challenges of these developments, are highlighted under dedicated sections. Specifically, we cover the impact of (i) Computer vision; (ii) Machine learning; (iii) Advanced processing and computing; (iv) Knowledge-based AI; (v) Explainable AI and causal inference; (vi) Physics-aware models; (vii) User-centric approaches; and (viii) the much-needed discussion of ethical and societal issues related to the massive use of ML technologies in EO.

연구 동기 및 목표

• AI 방법이 모델링, 이해, 커뮤니케이션 전반에 걸쳐 지구 관측을 어떻게 변형시키고 있는지 설명한다.
• 데이터 융합, 지상 진실의 희소성, 노이즈 레이블, 규모 등 EO 데이터에 고유한 도전과제와 잠재적 AI 솔루션에 대해 논의한다.
• EO에서의 AI를 위한 시스템 아키텍처, 상호운용성, 윤리/신뢰 고려사항을 강조한다.

제안 방법

• 다중 센서 맥락에서 번역, 분할, 검색 등 EO 과제에 적용된 컴퓨터 비전 및 ML 기법에 대한 조사를 다룬다.
• 감독 학습(supervised), 자기지도 학습(self-supervised), 반지도 학습(semi-supervised), 능동 학습(active learning) 등을 포함한 EO를 위한 학습 패러다임에 대한 논의.
• 시공간 EO 데이터에 맞춘 AutoML, NAS, 도메인 적응/적응 방법에 대한 검토.
• 대규모 EO AI를 가능하게 하는 고급 처리 아키텍처(EO 에코시스템, 연합학습, 상호운용성, 확장 가능한 처리)에 대한 고찰.
• 해석가능성과 신뢰성을 향상시키기 위한 지식 기반 AI, 인과 추론, 물리 인식 ML의 통합.
• AI-대-EO 워크플로우에서의 사용자 중심 설계, 신뢰, 윤리 및 데이터 거버넌스에 대한 고려.

Figure 1: Conceptual overview of this perspective paper: (a) different levels of algorithms emerge from the areas of machine learning (ML) and interact with computer vision (CV), computer science, and statistics to learn patterns and associations from observational data. The models must integrate do

실험 결과

연구 질문

• RQ1 센서와 해상도에 걸쳐 EO 데이터를 처리하고 이해하는 데 가장 효과적인 ML 및 CV 접근법은 무엇인가?
• RQ2 하이브리드 물리 기반 모델과 데이터 기반 모델의 하이브리드가 EO 작업을 어떻게 개선하고 데이터 요구를 줄일 수 있는가?
• RQ3 대규모 확장 가능하고 상호운용 가능하며 신뢰할 수 있는 AI를 지원하는 최적의 아키텍처와 학습 패러다임은 무엇인가?
• RQ4 AutoML, 도메인 적응, 지속적 학습이 EO의 데이터 희소성, 노이즈, 분포 변화에 어떻게 대응할 수 있는가?
• RQ5 지구 관찰에서 AI 도입을 이끄는 윤리적이고 사용자 중심의 고려사항은 무엇인가?

주요 결과

• EO는 다양한 센서 데이터를 통합하기 위해 데이터 융합 및 표현 학습의 이점을 얻는다.
• 물리적 지식과 ML의 혼합 모델링은 EO에서 로버스트성 및 데이터 효율성을 향상시킬 수 있다.
• AutoML 및 NAS는 특히 시공간 데이터에 대해 작업별/데이터별 모델을 찾는 데 가능성을 제시한다.
• 도메인 적응과 지속적 학습은 분포 변화와 증가하는 EO 아카이브를 다루는 데 필수적이며, 오픈월드 및 메모리 기반 전략이 관련된다.
• 연합학습은 개인정보 보호 중심의 분산 학습을 제공하지만 EO에서 일반적인 비동질(non-iid) 데이터 문제에 직면한다.