科学家们通过探测和记录反射能量的遥感卫星来观测地球和其他行星。然而，当阳光在太空中传播时，它会与各种大气成分相互作用，比如水蒸气、臭氧、湍流和温度变化。这些相互作用会扭曲卫星接收到的光谱数据。

地球观测科学家了解这一现象，并开发了几种校正方法来减轻大气相互作用的影响。然而，传统的校正方法，如暗物体减法或经验线校准，有局限性，可能无法完全捕捉大气相互作用的复杂性。

美国太平洋西北国家实验室(PNNL)的数据科学家James Koch开发了一种利用物理知识的机器学习来解决这个问题的新方法，利用人工智能来增强卫星的遥感能力。

新方法的开发得到了国家安全局实验室指导研究与开发组合的支持，旨在增强PNNL的远程勘探能力。上周，Koch在希腊雅典举行的国际地球科学与遥感研讨会上发表了一篇详细介绍这种创新方法的论文。

虽然科学家们具备了如何对传感器接收到的数据进行大气校正的工具和知识，但他们依赖于大气传输剖面。这张剖面图详细描述了光在不同高度与不同波长的大气相互作用的情况。

大气的复杂性和可变性使得获得这种剖面具有挑战性。然而，Koch的人工智能技术可以在不需要广泛的先验知识的情况下生成这种配置文件，这就是它有可能改变游戏规则的地方。

大多数大气校正应用程序都有现成的工具，使用通用的大气剖面。虽然这些可能足以满足紧急应用程序，例如灾难响应，但它们不能提供目标检测和其他高精度应用程序所需的精度。Koch说:“这里的关键好处是，我们可以用有限的数据获得良好的准确性，而不必依赖于传感器在哪里或太阳在哪里的大量先验知识。”“我们正在快速学习这些东西。”

根据Koch的说法，他使用了一种基于数据的方法来解决问题，将主题专家所做的结合到机器学习管道中。这使他能够自动化大气科学专家使用的复杂技术。

为了训练机器学习模型，Koch使用了来自蒙大拿州库克市的图像数据。该数据集包括几个光谱特征，包括车辆。机器学习模型经过训练，可以从任何光谱场景中提取像素来推断大气传输剖面，并自动执行所需的大气校正。

Koch将微分方程的约束称为他的模型的“秘密武器”，因为它允许预测受到潜在的基本定律和物理原理的指导。Koch模型的一个独特功能是它是双向的，这意味着它可以用于大气校正，也可以用于材料外观推断，以预测不同的大气条件如何影响材料或物体的观测特性。

人工智能能力的快速发展在加强科学研究和发现方面具有变革性。从证明稀有物质的存在到发现新药，人工智能彻底改变了科学突破的速度和准确性。Koch开发的方法在大气校正领域取得了重大进展。它在适应各种大气条件方面提供了更大的灵活性，同时减少了获得准确遥感数据所需的成本和资源。它还扩大了遥感技术的效用和影响，使它们在从环境监测到灾害管理等各种应用中更容易获得和更有效。