可解释的地球观测人工智能:现有方法、开放性挑战与机遇
近年来,黑盒机器学习方法已成为遥感领域知识提取的主要建模范式。本文通过系统回顾,总结了遥感应用中可解释人工智能方法的使用趋势、发现和挑战,并揭示了解释解析的常见模式,提供了该领域的最新综述和未来研究方向的基础。
Feb, 2024
本文介绍了地球观测所面临的机器学习等技术对于从原始数据到可用信息转化的必要工具和方法,并探讨了这些发展的挑战及其影响,包括计算机视觉、机器学习、高级处理和计算、以知识为基础的人工智能、可解释的人工智能和因果推断、物理感知模型、以用户为中心的方法以及与大规模使用机器学习技术相关的伦理和社会问题的讨论。
May, 2023
分析了深度学习用于遥感数据分析的挑战、近期进展及如何利用该技术应对包括气候变化和城市化等前所未有的大规模具有影响力的挑战,鼓励遥感科学家将自己的专业知识带入深度学习,并将其作为隐式通用模型。
Oct, 2017
本文探讨了地球科学、遥感和人工智能领域近年来趋近的发展情况,强调了这些交叉学科的研究方向和挑战,提出了人工智能在遥感和地球科学领域中的应用,以及年轻研究人员应该如何应对这些挑战,从而推动遥感和地球科学的发展。
Apr, 2021
本文通过量化评估解释性人工智能技术对遥感图像分类的影响,深入分析了不同类型模型选用 XAI 方法所获得的结果,提供了选择最合适的解释性方法来了解模型决策过程的建议和见解。
Jun, 2023
本文综述了 400 多个公共数据集,包括土地利用 / 覆盖、变化 / 灾害监测、场景理解、农业、气候变化和天气预报。通过对数据集进行系统分析,我们基于其属性提出了评估标准,并发布了用于评估深度学习方法的新平台 EarthNets,从而弥合了遥感和机器学习社区之间的差距。
Oct, 2022
基于深度学习的解释性可视化方法在人工智能领域日益被重视,本文总结了目前解释深度学习模型的最新发展,并提出两种解释预测的方法,并将这些方法用于三个分类任务中进行评估。
Aug, 2017
本文系统地介绍了 160 多篇文献中深度学习在遥感图像场景分类中的应用,包括自编码器、卷积神经网络和生成对抗网络等方面,总结了在三个常用数据集上的代表性算法的性能以及未来的研究前景。
May, 2020
地球科学进入大数据时代,人工智能不仅有可能解决地球科学问题,还在加速理解地球行为的复杂、交互和多尺度过程中起着关键作用。这项研究提出了一个可解释的地球科学人工智能 (XGeoS-AI) 框架,通过以计算机断层扫描 (CT) 影像识别为例展示了其有效性和多功能性。该框架受人类视觉机制的启发,从整个影像中生成一个阈值来完成识别。不同种类的人工智能方法,如支持向量回归 (SVR)、多层感知器 (MLP)、卷积神经网络 (CNN),可以被采用作为该框架的引擎,高效地完成地球科学影像识别任务。实验结果表明,该框架的有效性、多功能性和启发式具有解决地球科学影像识别问题的巨大潜力。在地球科学领域中需要更加重视可解释人工智能,这是促进人工智能在地球科学领域更加合理和广泛应用的关键。此外,这一提出的可解释框架可能是地球科学技术创新的先驱。
Nov, 2023