自建遥感AI模型 探索沙漠中的绿色怪圈

简介: 遥感大数据与人工智能深度融合的时代,利用遥感AI算法,一起寻找地球上有趣的地物。


遥感大数据与人工智能深度融合的时代

利用遥感AI算法,一起寻找地球上有趣的地物


AI Earth自训练功能

提供一站式、低门槛的免费模型生产平台

无需编写代码即可在线优化或自建全新模型

即使非AI专业人士也能快速上手


平台地址

https://engine-aiearth.aliyun.com

(请于PC端打开)


/ 即将消失的毛乌素沙地 /

我国有一片沙地正在逐步变成绿洲,也即将在陕西境内消失,这样听起来不太可能实现的奇迹确实出现了,就是号称“中国四大沙地”之一的毛乌素沙地。

毛乌素沙地地处陕西省榆林市和内蒙古鄂尔多斯之间,曾经也是土壤肥沃的草原,因人为原因在新中国成立之时,已成为一片茫茫沙海。1959年,国家正式启动了改造沙漠工程,选中的第一片改造的沙漠就是毛乌素沙漠。经过多年的努力,毛乌素沙地在2020年的土地治理率已经达到了93%。




利用MODIS植被指数产品,对比2001/2011/2021归一化植被指数(NDVI)变化,明显看到在毛乌素沙地上的绿色植被信息越来越明显。


/ 沙地上的怪圈 /

在毛乌素沙地这片土地上有一个个的怪圈,这其实是在治理沙漠过程中为了实现节约灌溉,引入的草原喷灌圈设备



/ AI Earth自训练实践—探寻沙地怪圈 /


01

进行草圈标注


利用AI Earth平台模型训练模块中提供的样本标注工具,对一景Sentinel-2影像进行草圈标注,标注完成创建的样本集共有300+样本切片,共计2000+草圈标注图斑

(草圈标注矢量可后台联系获取)


02

创建草圈提取模型

使用模型自训练模块创建草圈提取模型,耗时4小时左右,首个版本训练完成,查看准确率(mAcc)为0.8744,交并比(mioU)为 0.8246


03

查看草圈提取成果


训练完成的模型可以发布到线上进行测试,通过平台数据检索模块,在毛乌素沙地区域检索多景2021年9月的Sentinel-2影像,使用平台镶嵌工具完成拼接,然后进行草圈提取


04

进一步优化模型


对于初版模型提取出的矢量结果,可以作为预标注文件进一步补充训练数据,从而迭代训练模型,得到泛化性更好的优化版本


/ 期待更多有趣发现 /

我们希望有更多小伙伴一起来探寻中国大地上有趣的地物,如果你基于平台自主训练出有趣的特色AI模型,欢迎联系我们,有机会获得精美礼品喔!

阿里巴巴动物园的小公仔们等着大家领养

/ 用户福利 /

公测期间,平台为每个用户提供每月20小时的免费独享训练机器资源,规格为NVIDIA Tesla GPU T4 * 2。用户群(钉钉群号:32152986)将实时进行算法训练相关答疑,欢迎加入






平台公测进行中,扫码立即申请


相关文章
|
1月前
|
机器学习/深度学习 人工智能 并行计算
"震撼!CLIP模型:OpenAI的跨模态奇迹,让图像与文字共舞,解锁AI理解新纪元!"
【10月更文挑战第14天】CLIP是由OpenAI在2021年推出的一种图像和文本联合表示学习模型,通过对比学习方法预训练,能有效理解图像与文本的关系。该模型由图像编码器和文本编码器组成,分别处理图像和文本数据,通过共享向量空间实现信息融合。CLIP利用大规模图像-文本对数据集进行训练,能够实现zero-shot图像分类、文本-图像检索等多种任务,展现出强大的跨模态理解能力。
85 2
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
当语言遇见智慧火花:GPT家族历代模型大起底,带你见证从平凡到卓越的AI进化奇迹!
【10月更文挑战第6天】随着自然语言处理技术的进步,GPT系列模型(Generative Pre-trained Transformers)成为该领域的明星。从GPT-1的开创性工作,到GPT-2在规模与性能上的突破,再到拥有1750亿参数的GPT-3及其无需微调即可执行多种NLP任务的能力,以及社区驱动的GPT-NeoX,这些模型不断进化。虽然它们展现出强大的语言理解和生成能力,但也存在如生成错误信息或偏见等问题。本文将对比分析各代GPT模型的特点,并通过示例代码展示其部分功能。
111 2
|
23天前
|
人工智能
AI科学家太多,谁靠谱一试便知!普林斯顿新基准CORE-Bench:最强模型仅有21%准确率
【10月更文挑战第21天】普林斯顿大学研究人员提出了CORE-Bench,一个基于计算可重复性的AI代理基准,涵盖计算机科学、社会科学和医学领域的270个任务。该基准旨在评估AI代理在科学研究中的准确性,具有多样性、难度级别和现实相关性等特点,有助于推动AI代理的发展并提高计算可重复性。
41 4
|
1月前
|
人工智能 自然语言处理
从迷茫到精通:揭秘模型微调如何助你轻松驾驭AI新热点,解锁预训练模型的无限潜能!
【10月更文挑战第13天】本文通过简单的问题解答形式,结合示例代码,详细介绍了模型微调的全流程。从选择预训练模型、准备新任务数据集、设置微调参数,到进行微调训练和评估调优,帮助读者全面理解模型微调的技术细节和应用场景。
69 6
|
1月前
|
人工智能 自然语言处理 安全
【通义】AI视界|Adobe推出文生视频AI模型,迎战OpenAI和Meta
本文精选了过去24小时内的重要科技新闻,包括微软人工智能副总裁跳槽至OpenAI、Adobe推出文本生成视频的AI模型、Meta取消高端头显转而开发超轻量设备、谷歌与核能公司合作为数据中心供电,以及英伟达股价创下新高,市值接近3.4万亿美元。这些动态展示了科技行业的快速发展和激烈竞争。点击链接或扫描二维码获取更多资讯。
|
1月前
|
机器学习/深度学习 人工智能 TensorFlow
解锁AI潜力:让开源模型在私有环境绽放——手把手教你搭建专属智能服务,保障数据安全与性能优化的秘密攻略
【10月更文挑战第8天】本文介绍了如何将开源的机器学习模型(如TensorFlow下的MobileNet)进行私有化部署,包括环境准备、模型获取与转换、启动TensorFlow Serving服务及验证部署效果等步骤,适用于希望保护用户数据并优化服务性能的企业。
52 4
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
揭开模型微调Fine-Tuning的神秘面纱:如何在预训练基础上巧妙调整,解锁定制AI解决方案的秘密武器
【10月更文挑战第8天】模型微调是在预训练模型基础上,利用特定领域数据进一步训练,以优化模型在特定任务上的表现。此方法广泛应用于自然语言处理和计算机视觉等领域,通过调整预训练模型的部分或全部参数,结合适当的正则化手段,有效提升模型性能。例如,使用Hugging Face的Transformers库对BERT模型进行微调,以改善文本匹配任务的准确率。
57 1
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
【AI大模型】BERT模型:揭秘LLM主要类别架构(上)
【AI大模型】BERT模型:揭秘LLM主要类别架构(上)
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
【AI大模型】ChatGPT模型原理介绍(下)
【AI大模型】ChatGPT模型原理介绍(下)
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
【AI大模型】ChatGPT模型原理介绍(上)
【AI大模型】ChatGPT模型原理介绍(上)

热门文章

最新文章