一名 EPFL 硕士生表明，人工智能可用于进一步自动化瑞士的土地利用分类过程，特别是对于迄今为止手动分类的稀有和复杂的土地类别。瓦莱州的一片土地作为她研究的样本。

瑞士定期绘制该国的土地利用图，以便更好地跟踪城市化进程、监测土壤渗透性并防止城市扩张。测量员每三年拍摄一次这片土地的航拍照片，但调查本身仅每六年发布一次，因为将图像分为大约 40 个不同的类别仍然主要是手工完成的。为了加快这一进程，瑞士邦统计局 (FSO) 开发了一种基于人工智能 (AI) 的算法，称为区域统计深度学习 (ADELE)，可以有效区分覆盖该国三分之一的森林和其他地区的森林。土地类型。

EPFL环境工程硕士生 Valérie Zermatten看到了进一步推进自动化的潜力，并在她的论文中开发了自己的机器学习算法。她训练她的算法来识别稀有和复杂的土地类别，例如河流、湖泊、露营地、运动场、墓地、净水站、公园、采石场、铁路区、机场和水坝。

减少误差幅度

“机器更难——就像人类一样——正确地对这些网站进行分类，因为用于训练算法的照片较少。因此，我们对算法进行了编程，为特定类型的图像分配权重，直到误差幅度变得足够小，”采尔马腾说。与 ADELE 不同的是，她的算法从一开始就设计为包含红外图像和彩色照片，并考虑高度数据，因此它可以识别不含植被的绿色空间以及既没有植被也没有建筑物的地表。她的程序生成的结果与 FSO 发布的官方数据相似，表明它可以用于未来的土地利用分类。AI 代码已在开源平台上提供。

她在家乡瓦莱州的一块 600 平方公里的土地上测试了她的程序，从查莫松到谢尔。该算法在 60,000 张航拍照片上进行了训练，其中包括 3,000 张葡萄园照片，拍摄面积超过 10,000 平方米。这些照片拍摄于 2020 年，但她使用了 2013-2018 年调查中的土地利用类别，因为新图像仍在分类中。

减轻手动工作量

“我们的目标不是用人工智能取代人类，”EPFL Valais Wallis 的副教授、采尔马滕的论文导师之一德维斯·图亚 (Devis Tuia) 说。“虽然 Valérie 的算法将减少必须手动完成的艰苦工作的数量，但对于超出机器范围的任务，仍然需要人类技能。” 他补充说，这些人工任务很丰富，例如输入区分公寓楼与学校或足球场与牧场所需的辅助数据。

对采尔马滕来说，这段经历很有启发性。“我真的很喜欢从头开始并自己开发所有东西。我还想从事具有实用实际应用程序的硕士项目。” Tuia 期待在今年秋天与瑞士邦地形办公室 (swisstopo) 合作，因为该办公室刚刚向公众开放其档案——这是研究人工智能和遥感系统的工程师的真正金矿。