本文图片

今天是灾年 ， 全球各地频发蝗灾、火灾、洪灾、旱灾……全球变暖长期累积的风险 ， 仿佛在2020年撕开了一道口子 。
然而 ， 你看得见加州山林大火 ， 却看不见无数场被提前扑灭的小火；你看得见非洲之角的沙漠蝗灾 ， 却看不见无数个成灾前就被提前扑灭的蝗群……

本文图片

非洲治理蝗灾的工作人员
你看到的每一场灾害 ， 其实已经是全球防灾体系筛选之后的结果 ， 而防灾体系中的关键一环 ， 就是卫星 。
此时此刻 ， 数以千计的卫星正在你的头顶巡梭 ， 它们时刻睁大眼睛紧盯地球 ， 助力人类防灾消灾减灾 。

本文图片

地球上空的卫星很多
今天 ， 卫星服务已成为全球经济基础 ， 卫星提供的通讯、导航和遥感服务 ， 从根本上影响着全球经济发展 。
特别是持续的卫星遥感对地观测 ， 有助于人类了解和解决一些全球范围的挑战 ， 比如贫困、城市化、水安全、气候变化和流行病风险等 。

本文图片

卫星提供的各类服务
随着技术快速发展 ， 对地观测越来越便捷 ， 卫星观测数据也迅速增加 ， 尴尬的是 ， 人工判读却跟不上这些数据增长的速度 ， 不仅效率低下 ， 精度也难以保证 。
智能化数据分析方法被认为是提升效率的最优解 ， 今天的2020云栖大会上 ， 达摩院便推出了首个泛自然行业AI引擎AI EARTH ， 它通过对多源数据的融合分析 ， 让我们及时掌握地球上的资源分布、利用现状和发展变化情况 ， 让AI看懂地球 ， 让技术发挥最大价值 。

本文图片

AI EARTH
防灾减灾离不开卫星遥感图像
这张动图 ， 来自美国国家航空航天局（NASA）和美国国家海洋与大气管理局（NOAA） 。

本文图片

美国西部大火产生的大量烟雾和细小颗粒 ， 正随着风向变化往东穿越整个美国 ， 还飘到了加拿大首都渥太华 ， 空气污染几乎笼罩了整个北美 。
这样的发现 ， 完全有赖于卫星观测 。

本文图片

也正是依靠卫星遥感照片 ， NASA还能为前线消防员及时提供全局态势指导 。

本文图片

GOES East和GOES West运行示意图
除了火灾 ， 卫星还可以监测海啸、洪水、雪灾、地震等自然灾害 ， 在全球变暖导致的气候危机中 ， 卫星观测能力变得尤为重要 。
如果没有卫星 ， 欧盟哥白尼气候变化服务机构不会发现 ， 近两年北极大火异常增多；

本文图片

卫星观测到的北极地区起火点
如果没有卫星 ， 科学家也不会知道 ， 格陵兰岛冰盖在2019年减少了5300亿吨 ， 将全球海平面抬高了1.5毫米；分页标题#e#

本文图片

今年8月卫星发现格陵兰79N冰架融化分裂
如果没有卫星 ， 科学家也不会监测到美国二叠纪盆地10个月的甲烷排放量 ， 可以满足德克萨斯州700万户家庭一整年的能源需求 。

本文图片

卫星观测全球不同类型的甲烷排放
没有卫星持续跟踪海洋和极地的异常气旋 ， 科学家恐怕也无法解释 ， 为什么南半球的智利、澳大利亚会在4月持续干旱 ， 北半球的美国、加拿大却在5月迎来降雪……
当然 ， 卫星观测也存在短板 ， 比如容易受到云层干扰 ， 无法持续覆盖一些区域 ， 因此在分析卫星遥感图像时 ， 很多时候还要借助飞机或地面现场采集数据作为补充 。

本文图片

卫星图像会被云层遮挡
比如联合国粮农组织（FAO）协调组织的蝗虫防控预警网络 。
在东非与印度之间12个蝗灾前线国家 ， 每天都有人坐着车辆搜寻蝗虫影踪 ， 用平板电脑记录下相关数据 ， 与地面坐标打包 ， 再通过卫星连接传输给FAO 。

本文图片

联合国工作人员追踪治理蝗虫
据此 ， FAO再结合卫星拍摄的植被数据综合研判 ， 指导各国用飞机低空喷洒农药 ， 在蝗虫成灾前精确消灭大群 。
卫星观测能力越来越强大
面对气候危机 ， 卫星观测发挥的作用越来越重要 ， 与此同时 ， 卫星功能也变得越来越强大 ， 数量也越来越多 。

本文图片

围绕地球的卫星
欧盟“哥白尼”计划 ， 致力于用遥感技术观测陆地、水体（海洋、河流、湖泊）和大气 。
将于今年11月发射的哥白尼哨兵-6A海洋卫星 ， 可以对全球90%的海洋表面地形 ， 开展厘米级高精度测量 ， 并以每10天一次的频率循环制图 ， 缓解卫星资料空间、时间分辨率不足的难题 。

本文图片

哥白尼哨兵-6A海洋卫星
中国的对地观测卫星系统同样先进 ， 最新的“风云四号”卫星 ， 其分辨率相当于在100米外看清一个芝麻点大的东西 ， 而且还能知道芝麻的温度 ， 偏差不超过0.7℃ 。

本文图片

风云四号A星
过去 ， 一枚典型的气象卫星 ， 造价高达2.9亿美元 。
最近20年 ， 随着微型立方体卫星技术发展成熟 ， 一些民营卫星公司开始尝试 ， 用廉价的立方体遥感卫星组成卫星星座 ， 以远低于传统中大型遥感卫星的成本捕捉和传输更多遥感图像 。
前NASA科学家创立的PlanetLabs公司 ， 就旨在建立最廉价、快捷、适用性更强的遥感卫星数据获取系统 ， 并建设起全世界最大的遥感卫星群Flock-1 。

本文图片

在140多颗立方体遥感卫星的协同工作下 ， Flock-1能够以3米的分辨率 ， 每天更新一次全球影像数据 ， 其覆盖的广度和更新程度无与伦比 ， 这也让Flock-1成为全世界唯一具有全球高分辨率、高频次、全覆盖能力的遥感卫星系统 。分页标题#e#

本文图片

随着近年来一箭多星技术和可回收火箭技术的进步 ， 卫星发射成本也大幅降低 。
过去 ， 将一磅（0.45千克）有效载荷送入太空的成本长期徘徊在10000美元左右 。
如今 ， SpaceX的发射价格已经低至1930美元/千克 。

本文图片

Space X一次就发射60颗Starlink卫星
这是什么概念？PlanetLabs的立方体遥感卫星 ， 通常只有鞋盒大小 ， 重量不过5千克 ， 这意味着人类能够以前所未有的低成本观测地球 ， 获取数据 。

本文图片

此前 ， PlanetLabs展示准备发射的28个Flock-1卫星照片
正因如此 ， 近年来发射升空的绕地球飞行卫星数量显著增加 ， 截至今年3月底 ， 在轨卫星数量比2019年初增长了约16% 。
卫星这么强大 ， 为什么预测还会出错
卫星功能越来越强大 ， 数量越来越多 ， 为地面输送回海量的对地观测数据 ， 令人尴尬的是 ， 如何解读这些数据 ， 却严重困扰着各国科学家 。

本文图片

传统的人工判读 ， 既无法保证效率 ， 也无法保证精度 ， 影响了科学家预测极端气候和事件的准确性 。
今年3月 ， 斯坦福大学气候科学家诺亚·迪芬博教授公布了一项研究 。 他重新审查了极端气候事件的历史论文 ， 将2006年-2017年极端气候事件的实际数据 ， 与1961年-2005年的预测数据进行对比 ， 发现现有天气研究系统和模型的预测结果存在严重偏差 ， 不仅低估了欧洲和东亚极端高温的实际天数 ， 在预测美国、欧洲和东亚的极端潮湿天数时 ， 偏差甚至高达50% 。

本文图片

美国《科学日报》刊登了迪芬博教授的这项研究
“当我看到这个结果 ， 内心是崩溃的 ， 因为这表明我们此前分析极端气候事件的方法 ， 存在缺陷甚至完全错误 。 ”迪芬博教授说 。
究其原因 ， 就是各类预测模型中引入了过多主观因素 。
现代卫星每隔几个小时就能产生PB级别（1个PB等于1024个TB）数据 ， 涵盖温度、降水、天气系统变化等维度 ， 人工判读这些数据 ， 难以平衡效率与精度 。

本文图片

气候模型众多 ， 各个模型还涉及到不同维度数据
因此 ， 许多主流气候预测模型中 ， 部分参数只能依靠权威科学家依经验定义 ， 但经验往往并不可靠 。
奥地利气候专家道格拉斯·马拉恩博士就曾吐槽 ， “模型中存在一种人为的力量 ， 将模型拉向人为观察 ， 而这种力量甚至可能会改变模拟的气候变化 。 ”

本文图片

根据卫星遥感制作出的北极海冰变化图
国际泛自然资源行业寻求AI分析数据
为了解决海量数据和人工判读的矛盾 ， 各国都在尝试向AI求助 。
美国哥伦比亚大学使用AI判读对云的观测数据 ， 预测云加热、辐射、温度等特征 ， 通过AI消除云层带来的误差之后 ， 全球气候变化、温室气体排放等模型预测效果大幅提升 。分页标题#e#

本文图片

受加州大火启发 ， 美国萨罗科学公司正在结合AI和卫星遥感技术 ， 绘制加州地图 ， 以防止森林特大火灾再次发生 。
萨罗科学从PlanetLabs获取了Flock-1卫星星座提供的遥感数据 ， 每个像素大约3米 ， 可以清楚加州每棵树的位置 。

本文图片

萨罗科学利用卫星数据和AI绘制的加州地图
萨罗科学再利用飞机装载激光雷达扫描森林 ， 测量树高 ， 最后将卫星遥感图和激光雷达图都输入到深度学习算法中 ， 用AI创建出了加州森林的超详细视图 。
绘制地图还需要飞机协助
现在 ， 在加利福尼亚森林天文台地图工具上 ， 可以看到加州森林是由一个个绿点组成的绿色区域 ， 每一个绿点 ， 就代表一棵真实独立的树木 。
这款地图工具未来将在每年火灾季节结束后更新一次 ， 可以帮助森林管理人员和消防员更好地预测火势蔓延的速度和方向 ， 提前清除潜在危险 ， 防止大火再次发生 。

本文图片

地图上有密密麻麻的绿点
不只是遥感 ， AI助力天空地一体化观测
在中国 ， 卫星遥感技术与AI也在加速融合 。
去年12月 ， 阿里云利用达摩院AI技术发布了遥感AI农业解决方案 。
农作物在不同生长阶段 ， 会发生一系列周期性微小变化 ， 通过高频遥感卫星图像、高光谱图像等数据源 ， 可以有效监测农作物的生长状况 ， 但人力解读卫星影像耗时长不说 ， 解读水平也存在高低之分 。

本文图片

达摩院遥感AI核心能力
而基于阿里云和达摩院的AI方案 ， 农作物品种、长势、收获基本情况的分析准确率 ， 提升至90%以上 ， 极大助力了稳定农业生产 。
今年7月汛期 ， AI加持的卫星影像分析再立奇功 。
原本 ， 抗汛与河道治理 ， 都是通过人工识别卫星遥感图像中的水体、耕地、房屋、堤坝、养殖设施 ， 不利于快速评估灾情 。
达摩院在1周内紧急升级遥感AI技术 ， 开发出应用于防汛的水体识别算法 ， 将图像分析时长缩短到小时级 ， 有力支持了专家迅速判断灾害程度、划定安全范围并组织有序撤离 。

本文图片

鄱阳湖汛期水体变化影像分析 ， 红色为汛期上涨水域
7月以来 ， 达摩院遥感AI已协助相关部门完成262个临河房屋识别任务、149个水体识别任务 ， 大大提升防汛工作智能化水平 。
有了这些积累和铺垫 ， 2020云栖大会上 ， 达摩院终于推出了重磅产品——泛自然资源行业AI引擎AI EARTH 。
AI EARTH的全称是Analytical Insight of Earth ， 含义就是对地球的洞察与分析 。
AI EARTH综合运用达摩院视觉AI和深度学习技术 ， 是业界首个实现多源对地观测数据的智能分析的解决方案 。

本文图片

AI EARTH对无人机影像的分析
和传统遥感AI不同 ， 它能融合包括卫星影像、无人机影像、多光谱影像、高光谱影像、实时视频流、气象数据、IoT数据多源地球观测数据 ， 可快速提取地表覆盖现状信息和时空动态变化信息 ， 实现天空地多源数据的智能解译分析 ， 并且拥有比传统遥感方案更高的精度 。 为自然资源监管、水利河道保护、生态环境监测和农业估产等多个领域提供高效解决方案 。分页标题#e#

本文图片

AI EARTH运用领域
以大棚监测为例 ， 北京市规划和自然资源委员会使用阿里遥感技术 ， 违章大棚房监测准确率达到90％ 。
此外 ， 遥感应用场景极为丰富和多样 ， 同一解译对象在不同空间、时间维度下差异巨大 ， AI EARTH通过域自适应等迁移学习技术 ， 大幅提升了AI算法在不同场景下的精度及泛化能力 。

本文图片

AI EARTH对合成孔径雷达SAR影像的分析
国家卫星气象中心主任杨军等国内卫星遥感行业的专家们曾公开表示 ， 天地空一体化的观测体系是大势所趋 。
而达摩院这次推出的AI EARTH ， 恰恰契合了未来对地观测新体系的建设思路 ， 这也意味着人类对地观测的发展已经踏上了新的征程 。
文｜张超
关注敲黑板（ID：qiaoheiban8） ，
【卫星|你永远不知道，卫星帮我们挡了多少灾】看我们每天为你准备的知识干货

来源：(敲黑板)

【】网址：/a/2020/0918/kd523645.html

标题：卫星|你永远不知道，卫星帮我们挡了多少灾