其他行业 · AI应用
地球生命体征的AI监测
NASA Ames研究中心需要一套强大的系统来监测影响碳水平和气候的土地表面变化。为此，他们开发了DeepSat，这是一个利用NVIDIA Tesla GPU进行卫星图像分类和分割的深度学习框架。通过单次训练处理近65 TB数据，DeepSat实现了97.95%的分类准确率，比三个领先的目标识别算法高出11%。这一创新方法不仅增强了对碳封存和气候变量的理解，还提供了对城市热效应的关键洞察，最终有助于更明智的环境决策。
分类准确率
97.95%
来源披露
训练时间
减少
来源披露
01
业务背景
NASA Ames研究中心需要一套强大的系统来监测影响碳水平和气候的土地表面变化。为此，他们开发了DeepSat，这是一个利用NVIDIA Tesla GPU进行卫星图像分类和分割的深度学习框架。通过单次训练处理近65 TB数据，DeepSat实现了97.95%的分类准确率，比三个领先的目标识别算法高出11%。这一创新方法不仅增强了对碳封存和气候变量的理解，还提供了对城市热效应的关键洞察，最终有助于更明智的环境决策。
02
遇到的问题
需要高效监测全球土地表面变化以评估碳封存和气候影响，但卫星图像自动分类面临数据高变异性、训练数据不足、传统方法难以扩展至全球且计算与内存密集、成本高昂的挑战。
03
AI 解决方案
NASA开发了DeepSat深度学习框架，集成深度神经网络于地球科学与碳监测系统，利用NVIDIA GPU集群在约65 TB的美国大陆330,000个卫星图像场景上训练，构建了人工标注多边形训练库SATnet，使用NVIDIA DIGITS DevBox训练CNN模型，并在配备217,088个CUDA核心的NVIDIA Tesla GPU超级计算机上部署，实现高分辨率景观分类与分割，用于碳封存量化、气候变量降尺度及城市热岛效应分析。
- 1从美国大陆收集330,000个卫星图像场景，构建包含人工标注多边形的地表覆盖类型训练数据库SATnet
- 2在NVIDIA DIGITS DevBox上使用CNN模型进行训练
- 3将训练好的模型部署到NASA Ames Pleiades超级计算机GPU集群（配备NVIDIA Tesla GPU）上，对全部图像场景运行分类与分割
04
实施结果
分类准确率：97.95%（优于三个最先进目标识别算法11个百分点）
训练时间：减少（未披露具体数值）
05
风险与边界
未披露
“Our best network dataset produced a classification accuracy of 97.95% and outperformed three state-of-the-art object recognition algorithms by 11%.”
Sangram Ganguly · Senior Research Scientist, NASA Ames Research Center
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。