卫星虽被形象地称为“天眼”，事实上卫星数据的运用，却难以做到“尽收尽用”。

　　我国工程院院士杨小牛就早年标明，卫星在天上飞来飞去，效能其实并不高，每天只需几非常钟时段内搜集到的数据是地上需求的。

　　那些许多的被认为是无效数据的“废片”，有没有或许被运用起来？

　　近来，清华大学理学院院长、地球系统科学系主任宫鹏介绍，在高功用云预算的支持下，通过数据建模、人工智能算法等方法，清华大学地球系统科学系制作结束了首套我国30米逐日无缝遥感观测数据集，以及逐时节土地掩盖和逐年土地运用的数据集，让“拼图无解”的卫星“废片”能够成为高分辨率的地图资源。

　　人工智能深度“补片”

　　“传统的对地卫星观测，拍下来的相片是不同时间搜集的，拼在一起并不无缺，运用门槛很高。”宫鹏说明，卫星直接获得的图片不能拿来直接用，因为卫星图片不是天然连续的，很或许像100块的拼图，有时期是少了50块的效果，但也有或许相同的拼图来了好几块。

　　不止如此，卫星轨道的差错还会构成同一当地不同时间摄影的图片难以堆叠，云彩的遮挡、雾气不均匀的散射都会导致许多的卫星遥感数据难以反映地表的真实状况，而成为难用的“废片”。

　　依据此前结束10米分辨率全球地表掩盖制图数据处理进程中堆集的阅历，清华大学地球系统科学系团队自主研发了时空数据融合重建的技术。

　　“我们构建了人工智能需求的知识库，其间包括世界首套全球全时节普适样本库和相关领域知识。库中分为操练样本库和完全独立的验证样本库。”清华大学博士生刘涵介绍，团队规划了一套习气遥感大数据的深度遥感特征学习和分类模型，运用机器学习和数据建模对人工智能系统进行了操练，使其能够“了解”或许说“揣度”出缺失的图块，然后补缺。

　　“就好像现在一些APP身份验证时，会有一个补图的进程，通过操练的模型，也能够大规模分析现有的卫星图片，自动补图，且做到数据与真实状况相符合。”刘涵说。

　　通过操练，模型可结束高功用的推理，把不无缺的“拼图”重建成时空一起的图像库，建立起这一深度遥感制图模型的“超能力”，结束各种不合格“废片”的补片作业，然后生成与真实状况相匹配的遥感观测数据集。例如通过人工智能技术可辨认路面是沥青、土路仍是水泥路面等地表掩盖类型。

　　预算上云避免巨大资源损耗

　　“地球系统科学运用和发作的数据是极点巨大的，例如气候仿照和猜想会生成时间间隔在小时级、地上分辨率是3公里的气候数据，这些数据的数据量级往往相当于数百万集高清电影的量级。”宫鹏介绍，因此需求超强算力来结束。

　　假定为这些数据进行数据中心制作的话，需求三四百个机柜，占地本钱和时间本钱耗费巨大。对这些数据会合的数据进行AI处理时,假定不在云上进行而是搬运下载后再运算，那光是用来搬运的时间也或许需求几个月。

　　而通过云上高功用预算，则能够把算力安排在公共数据集周边，盘绕数据进行预算。据介绍，亚马逊云服务（AWS）为此次项目的结束供应了10万核左右的云上高功用预算资源。

　　此外，AWS上还供应一整套完善的人工智能和机器学习的套件和服务以及自动化多层堆叠集成技术，可用于对模型结构和参数进行深度调优，并进行分布式高功用推理。

　　“现在中学生、小学生想拿数据做点什么，从营生拉几条曲线，或许把一个区域拿出来做一些勘探、改动、趋势的分析，都现已变得非常简略。”宫鹏说，关于卫星公共数据的收拾、重建，让卫星遥感图的运用门槛大大下降，假定说之前只需专业用户能从数据中获得价值，那么往后更多的普通用户也能看懂和运用这些数据。