Keil头文件路径错误解析：入门必看指南
2026/1/3 3:28:42
原文：
towardsdatascience.com/introduction-to-computer-vision-for-climate-change-81d888f471bd?source=collection_archive---------6-----------------------#2024-05-02
https://medium.com/@pazmid?source=post_page---byline--81d888f471bd--------------------------------https://towardsdatascience.com/?source=post_page---byline--81d888f471bd-------------------------------- Daniel Pazmiño Vernaza
·发表于 Towards Data Science ·7 分钟阅读·2024 年 5 月 2 日
–
https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/6a51c3894299ac1f4068268c094949dd.png
我的学生和我正在测量科托帕希冰川的退缩情况。
我出生并成长在厄瓜多尔。在这个国家，天气和气候塑造着我们的生活。例如，我们的能源供应依赖于充足的降雨来提供水力发电。小时候，我记得经常发生停电。不幸的是，厄瓜多尔的韧性不足。在我写这篇文章时，我们再次经历了停电。悖论的是，厄尔尼诺现象每年都会带来洪水。我喜欢徒步旅行，怀着极大的悲伤，我看到我们的冰川正在退缩。
十年前，我决定攻读气象学博士学位。气候变化及其影响让我感到忧虑。这是人类在本世纪面临的一项艰巨挑战。我们在科学理解这一问题方面取得了巨大进展，但仍然需要更多的行动。
当我开始攻读博士学位时，很少有研究人员使用人工智能（AI）技术。如今，人们普遍认同，利用人工智能的潜力能够带来改变，特别是在减缓和适应气候变化方面。
机器学习，特别是计算机视觉（CV）使我们能够理解大量可用数据。这种能力将使我们能够采取行动。揭示视觉数据（例如卫星数据）中隐藏的模式是应对气候变化的关键任务。
本文介绍了计算机视觉（CV）及其与气候变化的交集。这是该主题系列文章中的第一篇。文章共有五个部分。首先，它介绍了背景。接着，文章定义了一些与计算机视觉相关的基本概念。然后，文章通过案例研究探讨了计算机视觉在应对气候变化中的能力。之后，文章讨论了挑战和未来发展方向。最后，概括部分提供了总结。
理解计算机视觉
计算机视觉使用计算方法从图像中学习模式。地球观测（EO）主要依赖卫星图像。因此，计算机视觉是进行气候变化分析的一个非常合适的工具。为了从图像中理解气候模式，使用了多种技术。其中一些最重要的技术包括分类、目标检测和图像分割。
**分类：**涉及根据预定义的类别（单标签）对（单一）图像进行分类。火灾检测和烧毁区域映射使用图像分类技术对卫星图像进行处理。这些图像提供了与烧毁植被相关的光谱特征。通过这些独特的模式，研究人员可以追踪野火的影响。
**目标检测：**包括在感兴趣的区域内定位对象。飓风和气旋的追踪就使用了这一技术。检测其云层模式有助于减少其对沿海地区的影响。
**图像分割：**为图像中的每个像素分配一个类别。该技术有助于识别区域及其边界。图像分割也称为“语义分割”。由于每个区域（目标类别）都会收到一个标签，因此它的定义中包含“语义”。例如，追踪冰川的退缩就使用了这一技术。通过分割冰川的卫星图像，可以追踪其变化。例如，监测冰川的范围、面积和体积随时间的变化。
本节提供了一些关于计算机视觉（CV）在应对气候变化中的应用实例。接下来的章节将分析这些实例作为案例研究。
案例研究 1：野火检测
https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/f50a00d0eff74f504ecdbad5308fabf7.png
信用：Issy Bailey（Unsplash）
气候变化对野火有多个影响。例如，它增加了极端事件发生的可能性，还延长了火灾季节的持续时间。同样，它还会加剧火灾的强度。因此，投入资源开发创新的解决方案以预防灾难性野火是至关重要的。
这种类型的研究依赖于图像分析来进行野火的早期检测。一般来说，机器学习方法在预测这些事件方面被证明是有效的。
然而，先进的人工智能深度学习算法能产生最佳结果。一个这样的先进算法例子是神经网络（NNs）。神经网络是受人类认知启发的机器学习技术。该技术依赖一个或多个卷积层来检测特征。
卷积神经网络（CNN）在地球科学应用中非常流行。CNN 展现了提高火灾检测准确性的巨大潜力。多个模型使用了这一算法，例如 VGGNet、AlexNet 或 GoogleNet。这些模型在计算机视觉任务中展现了更高的准确性。
通过计算机视觉算法进行火灾检测需要图像分割。然而，在进行数据分割之前，需要进行预处理。例如，减少噪声、归一化值和调整图像大小。接下来，分析将标记出表示火灾的像素，从而将其与其他图像信息区分开来。
案例研究 2：气旋追踪
https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/53aa20ed1315e203ed0d31a204644c6a.png
图片来源：NASA（Unsplash）
气候变化将增加气旋的频率和强度。在这种情况下，实时应用无法处理大量的数据。例如，来自模型、卫星、雷达和地面气象站的数据。计算机视觉（CV）在处理这些数据时显示出高效性。它还减少了与人为干预相关的偏差和错误。
例如，数值天气预测模型仅使用了 3%–7%的数据。在这种情况下，使用的是来自静止轨道环境卫星（GOES）的观测数据。数据同化过程使用的数据甚至更少。CNN 模型从这大量的图像中选择最相关的观测数据。这些观测数据涉及到气旋活跃（或即将活跃）的兴趣区域（ROI）。
确定这个兴趣区域（ROI）是一个分割任务。地球科学中使用了多种模型来处理这一问题。然而，U-Net CNN 是最受欢迎的选择之一。该模型设计与医学分割任务相关，但也已证明在解决气象问题上非常有效。
案例研究 3：追踪冰川后退
https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/2edd5b0c894e95ad37d68ea8a64051d3.png
图片来源：Ryan Stone（Unsplash）
冰川是气候变化的温度计。气候变化对冰川的影响是直观的（如冰川轮廓的后退）。因此，它们象征着气候变异和变化的后果。除了视觉影响外，冰川后退还带来了其他后果。例如，对水资源可持续性的负面影响；水电发电的不稳定；饮用水质量的影响；农业生产的减少；生态系统的失衡。从全球范围来看，甚至海平面上升也威胁到沿海地区。
监测冰川的过程曾经非常耗时。卫星图像的解读需要专家进行数字化和分析。计算机视觉（CV）可以帮助自动化这一过程。此外，计算机视觉还可以提高过程的效率。例如，允许将更多数据纳入建模中。像 GlacierNet 这样的 CNN 模型利用深度学习的力量来追踪冰川。
有多种技术可以用来检测冰川边界。例如，图像分割、目标检测以及边缘检测。计算机视觉还可以执行更复杂的任务。例如，比较冰川图像随时间变化的情况。还可以确定冰川的移动速度，甚至是冰川的厚度。这些都是跟踪冰川动态的强大工具。这些过程能够为适应性措施提供有价值的信息。
挑战与未来方向
采用计算机视觉（CV）应对气候变化面临着一些特定的挑战。讨论每一个挑战可能需要一本书的篇幅。然而，这里的目标较为 modest。我将尝试将这些挑战列举出来，供参考。
数据复杂性：使用多种数据源的需求及其固有的复杂性。例如，卫星和航拍图像、激光雷达数据以及地面传感器。数据融合是一项正在发展的技术，旨在解决这一挑战性问题。
模型可解释性：当前的挑战之一是开发混合模型。这意味着将统计数据驱动模型与物理模型相结合。将我们对气候系统的知识融入计算机视觉算法，可以提高其可解释性。因此，这些模型在拟合复杂函数时表现出色，但也应能提供对基础因果关系的理解。
标注样本：高质量标注样本的可用性。这些样本应当针对遥感（EO）问题，用于训练计算机视觉模型。生成这些样本是一个费时且昂贵的任务。解决这个挑战是当前的一个活跃研究领域。
伦理：在人工智能（AI）开发中融入伦理考量是一个挑战。隐私、公平性和问责制在确保与利益相关者的信任中发挥着关键作用。在气候变化背景下，考虑环境正义也是一种明智的策略。
总结
计算机视觉是应对气候变化的强大工具。从检测野火到追踪气旋形成和冰川退缩，计算机视觉正在改变监测、预测和预示气候影响的方式。这些影响的研究依赖于计算机视觉技术。例如，分类、目标检测和图像分割。最终，在计算机视觉与气候变化的交集处会出现若干挑战。例如，如何管理多源数据、提升机器学习模型的可解释性、生成高质量标注样本以训练计算机视觉模型，以及在设计人工智能系统时考虑伦理问题。后一篇文章将介绍如何收集和整理图像数据集，尤其是那些与气候变化相关的数据集。
参考文献
Kumler-Bonfanti, C., Stewart, J., Hall, D., & Govett, M. (2020). 使用深度学习进行热带和温带气旋检测。应用气象学与气候学期刊，59(12)，1971–1985。
Maslov, K. A., Persello, C., Schellenberger, T., & Stein, A. (2024). 通过深度学习和开放地球观测数据实现全球冰川制图。arXiv 预印本 arXiv:2401.15113.
Moumgiakmas, S. S., Samatas, G. G., & Papakostas, G. A. (2021). 无人机上的火灾检测计算机视觉 — 从软件到硬件。未来互联网,13(8), 200.
Rolnick, D., Donti, P. L., Kaack, L. H., Kochanski, K., Lacoste, A., Sankaran, K., … & Bengio, Y. (2022). 用机器学习应对气候变化。ACM 计算调查 (CSUR),55(2), 1–96.
Tuia, D., Schindler, K., Demir, B., Camps-Valls, G., Zhu, X. X., Kochupillai, M., … & Schneider, R. (2023). 人工智能推动地球观测发展：一个展望。arXiv 预印本 arXiv:2305.08413.