天文技術：機器視覺

原標題：天文技術：機器視覺

翻譯：陳艷玲

校譯：田程偲 汪榮鑫 陸寅楓

編排：胡暖暖

原文鏈接:

https://www.nasa.gov/feature/goddard/2018/nasa-researchers-teach-machines-to-see

當在你光顧一家不常去的零售店或花錢超過平均數額時，你是否有收到信用卡公司的致電，詢問你是否是本人操作？讓人類來分辨異常交易記錄是比較困難的，然而機器則可以輕易通過內置的固定演算法從你的交易記錄中篩選出潛在的非法交易並加以提醒。

NASA戈達德航天飛行中心的科學家們認為，這種稱為機器學習或神經網路的技術，也同樣可以應用於航天領域。

作為人工智慧的關鍵技術，機器學習和神經網路目前均為科技領域的先驅者。機器學習的核心並不在於將每一件任務都用代碼編好錄入計算機，而是要讓他們擁有像人類一樣從數據中學習，找到規律和趨勢的能力，但同時又能做到比人類更加迅速、精準並且沒有偏差。

組圖1：下圖是俄勒岡州晴天時的衛星圖像，上圖是俄勒岡州起火時的衛星圖像。科學家用這兩張圖像教會演算法鑒別火災。

Credits: Joshua Stevens, NASA Earth Observatory

廣泛的應用領域

機器學習可以用於幫助NASA處理在過去收集的數據，並在這些數據中挖掘出以前從未發現的數據模式和數據之間的相關性，看是否能夠從已有的數據中挖掘出新的科學發現；機器學習也可以用於監管航天器的工作狀態，在發生重大故障時及時修正錯誤從而減少航天器撞毀。

機器學習還可以協助工程師從過去的工程項目中汲取經驗，並將這些經驗知識用於新的工程建造。另外，機器學習還可以應用於實時天氣預報、火災洪水災難定位報警、幫助著陸器選擇著陸地點等各個方面。

成功的案例

MacKinnon是活躍在機器學習研究領域的頂尖科學家，他在幾年前加入美國宇航局哥達德航天飛行中心（NASA』s Goddard Space Flight Center）。他利用從Terra衛星的中解析度成像光譜儀設備得到的數據（如組圖1所示）來訓練模型，用此神經網路演算法來識別火災的正確率高達99%。隨後，他繼續深入研究，希望利用可見紅外成像輻射計套件（VIIRS）提供的數據來進一步優化模型。

他的終極理想是發射若干顆微小衛星，使這些衛星組成一個信號可以覆蓋整個地球的星座，並在每一顆微小衛星（CubeSat）上都裝載機器學習演算法的計算機和感測器。通過大數據分析，衛星可以立即識別出火災和洪水以方便搶險人員及時趕到現場，並運用實時動態的災情信息大大提高救援效率。

同時，他也正在研製能探測單粒子事件（會引起數據異常）的機器學習演算法，並正在編譯機器學習電腦模型的圖書館、數據集生成工具和可視化輔助工具以便於更多需要機器學習技術的項目使用。

過濾雜訊

哥達德航太飛行中心的科學家Matt McGill正在利用激光雷達技術來測量霧霾、灰塵、煙霧、空氣污染物中的氣體和粒子，他將搜集到的測量結果為雲霧檢測系統

（Cloud-Aerosol Transport System）的機器學習演算法提供數據。這個系統於去年年底退役，它曾在國際空間站工作33個月，並成功測量了地球上的雲霧垂直結構（一般由火山爆發或人為燃燒而產生）。

激光雷達的測量中，雜訊是非常常見的。儘管人類可以處理雜訊，但是處理過程通常要持續好幾天，並且達不到實時測量的要求。然而機器學習演算法在短短几小時時間內就可以迅速完成任務。因此當前最重要的任務是儘可能減小雲霧檢測系統的體積，使其能夠被裝載在微小衛星里。但是，收集信號的口徑會隨著設備體積的減小而減小，這會導致雜訊會隨之變大。因此，這將對機器學習演算法過濾雜訊的能力提出更高的要求。

切斷星地通訊鏈路

在11月OSIRIS-REx預定將經過數次變軌靠近Bennu小行星拍攝多個角度的近景高解析度圖像傳回地球分析，以尋找最佳的著陸採樣點。這意味著科學家需要處理上千張高解析度圖像。

科學家們資助了一個機器學習研製小組，想要儘可能加快處理數據的進度。當前，這個研製小組正在研究一種能使星載感測器自己處理圖像並能夠決定小行星的形狀和特徵的演算法。這種演算法能力不僅有利於未來小行星的相關任務，還可以進一步拓展到其他例如火星、土星和金星等深空項目中。

在8月17號OSIRIS-REx在距離Bennu約6個地月距離的地方拍攝了一張照片。Bennu是圖中綠圈中的小光點。Credits: NASA/ University of Arizona

吃豆人

來自Antonio Paris推特

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！