ПО CO2
Программное обеспечение для оценки углеродного баланса территории
Искусственный интеллект для оптимизации управленческих решений в целях снижения углеродного следа
Задачи
Кратное повышение эффективности, надежности и масштабирование системы оценки углеродного баланса территории
В рамках сотрудничества будет разработано программное обеспечение (ПО) оценки баланса углерода по данным дистанционного зондирования Земли (ДЗЗ). Данное ПО позволит осуществлять комплексный анализ для принятия эффективных управленческих решений в области декарбонизации, формирования стратегий снижения углеродного следа.
Применение технологий искусственного интеллекта позволит повысить точность получаемых результатов и ускорить процесс получения аналитики на больших территориях за счет разработки новых нейросетевых моделей для оценки целевых характеристик объектов на земной поверхности, которые оказывают основной вклад в оценку углеродного баланса территорий.
Специфика использования мультимодальных данных ДЗЗ для оценки углеродного баланса территорий и решения сопутствующих задач (требует разработки новых подходов на основе ИИ, в том числе, новых архитектур и подходов к обучению глубоких нейросетевых моделей, а также методик работы с такими данными). Будут использованы технологии искусственного интеллекта для автоматического построения многомерных пространств признаков, а использование нескольких модальностей входных данных позволит объединить информацию о спектрально-отражательных свойствах объектов и их геометрических характеристиках и высокоточные наземные измерения для обучения глубоких нейросетей.
Учитывая, что снижение углеродного следа является ключевым вызовом как для российской, так и для всей мировой экономики, разработку и испытания программного обеспечения планируется завершить до конца 2024 года.
Применение технологий искусственного интеллекта позволит повысить точность получаемых результатов и ускорить процесс получения аналитики на больших территориях за счет разработки новых нейросетевых моделей для оценки целевых характеристик объектов на земной поверхности, которые оказывают основной вклад в оценку углеродного баланса территорий.
Специфика использования мультимодальных данных ДЗЗ для оценки углеродного баланса территорий и решения сопутствующих задач (требует разработки новых подходов на основе ИИ, в том числе, новых архитектур и подходов к обучению глубоких нейросетевых моделей, а также методик работы с такими данными). Будут использованы технологии искусственного интеллекта для автоматического построения многомерных пространств признаков, а использование нескольких модальностей входных данных позволит объединить информацию о спектрально-отражательных свойствах объектов и их геометрических характеристиках и высокоточные наземные измерения для обучения глубоких нейросетей.
Учитывая, что снижение углеродного следа является ключевым вызовом как для российской, так и для всей мировой экономики, разработку и испытания программного обеспечения планируется завершить до конца 2024 года.
В рамках проекта в 2021 году команда Сколтеха совместно с научными партнёрами проекта (ИКИ РАН, ИО РАН им. Ширшова, ИГКЭ им. Израэля) собрала набор актуальных данных по источникам и поглотителям углеродсодержащих парниковых газов и разработала концепцию ПО. Это первый шаг для дальнейшей разработки и адаптации методов ИИ к предметной области углеродного бюджета. Был определен перечень пилотных регионов для апробации и пилотирования разрабатываемого ПО.
Качество обучающих наборов данных очень важно для обеспечения точности и робастности (устойчивости, воспроизводимости) алгоритмов ИИ, поэтому на территории пилотных регионов были собраны датасеты для определения баланса лесных территорий пилотных регионов на основе данных ДЗЗ общей площадью более 6,5 млн га и статистическую информацию с 2010-го по 2020-й годы.
На основе собранных данных были получены оценки запасов и потоков углерода лесных территорий с помощью процессных биохимических моделей полного углеродного цикла для лесных территорий. Разработаны гибридные подходы для оценки баланса углерода лесных территорий на основе моделирования углеродного цикла и глубоких нейронных сетей для анализа данных ДЗЗ.
Качество обучающих наборов данных очень важно для обеспечения точности и робастности (устойчивости, воспроизводимости) алгоритмов ИИ, поэтому на территории пилотных регионов были собраны датасеты для определения баланса лесных территорий пилотных регионов на основе данных ДЗЗ общей площадью более 6,5 млн га и статистическую информацию с 2010-го по 2020-й годы.
На основе собранных данных были получены оценки запасов и потоков углерода лесных территорий с помощью процессных биохимических моделей полного углеродного цикла для лесных территорий. Разработаны гибридные подходы для оценки баланса углерода лесных территорий на основе моделирования углеродного цикла и глубоких нейронных сетей для анализа данных ДЗЗ.
Публикации
An Automated Approach to Groundwater Quality Monitoring—Geospatial Mapping Based on Combined Application of Gaussian Process Regression and Bayesian Information Criterion.
Shadrin, D., Nikitin, A., Tregubova, P., Terekhova, V., Jana, R., Matveev, S., & Pukalchik, M. (2021). Water, 13(4), 400.
Generation of the nir spectral band for satellite images with convolutional neural networks.
Illarionova, S., Shadrin, D., Trekin, A., Ignatiev, V., & Oseledets, I. (2021). Sensors, 21(16), 5646.
Enabling precision agriculture through embedded sensing with artificial intelligence.
Shadrin, D., Menshchikov, A., Somov, A., Bornemann, G., Hauslage, J., & Fedorov, M. (2019). IEEE Transactions on Instrumentation and Measurement, 69(7), 4103-4113.
MixChannel: Advanced Augmentation for Multispectral Satellite Images.
Illarionova, S., Nesteruk, S., Shadrin, D., Ignatiev, V., Pukalchik, M., & Oseledets, I. (2021). Remote Sensing, 13(11), 2181.
XtremeAugment: Getting More from Your Data Through Combination of Image Collection and Image Augmentation.
Nesteruk, S., Illarionova, S., Akhtyamov, T., Shadrin, D., Somov, A., Pukalchik, M., & Oseledets, I. (2022) IEEE Access.
Regulation-based probabilistic substance quality index and automated geo-spatial modeling for water quality assessment.
Nikitin, A., Tregubova, P., Shadrin, D., Matveev, S., Oseledets, I., & Pukalchik, M. (2021). Scientific reports, 11(1), 1-14.
Object-Based Augmentation for Building Semantic Segmentation: Ventura and Santa Rosa Case Study.
Illarionova, S., Nesteruk, S., Shadrin, D., Ignatiev, V., Pukalchik, M., & Oseledets, I. (2021). In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 1659-1668).
Optimization of Water Quality Monitoring Networks Using Metaheuristic Approaches: Moscow Region Use Case.
Yudina, E., Petrovskaia, A., Shadrin, D., Tregubova, P., Chernova, E., Pukalchik, M., & Oseledets, I. (2021). Water, 13(7), 888.
Real-time detection of hogweed: Uav platform empowered by deep learning.
Menshchikov, A., Shadrin, D., Prutyanov, V., Lopatkin, D., Sosnin, S., Tsykunov, E., ... & Somov, A. (2021). IEEE Transactions on Computers, 70(8), 1175-1188.
Machine learning methods for estimation the indicators of phosphogypsum influence in soil.
Pukalchik, M. A., Katrutsa, A. M., Shadrin, D., Terekhova, V. A., & Oseledets, I. V. (2019). Journal of Soils and Sediments, 19(5), 2265-2276.
Команда
Партнеры
Научные партнеры
Другие проекты