Kubsatelliten som kommer att behandla komplexa bilder ombord, vilket möjliggör mycket snabbare upptäckt av bränder från rymden. Kredit: SmartSatCRC, redigerad
Kubsatelliter med AI revolutionerar upptäckt av skogsbränder i Australien genom att bearbeta bilder från rymden snabbt och effektivt. Tekniken ska vara i drift 2025 och kan kommersialiseras för att förbättra tidig brand- och katastrofinsatser.
Australiska forskare närmar sig att upptäcka skogsbränder på rekordtid, tack vare kubsatelliter med inbyggd AI. De kan nu upptäcka bränder från rymden 500 gånger snabbare än traditionell bearbetning av bilder på marken.
Forskare inom fjärranalys och datavetenskap har övervunnit begränsningarna med att bearbeta och komprimera stora mängder hyperspektrala bilder ombord på de mindre, mer kostnadseffektiva kubsatelliterna innan de skickas till marken för analys, vilket sparar dyrbar tid och energi.
AI-driven branddetektering
Genombrottet, med hjälp av artificiell intelligens, innebär att skogsbränder kommer att upptäckas tidigare från rymden, även innan de tar fäste och genererar stora mängder värme, vilket gör att besättningar på marken kan reagera snabbare och förhindra förlust av liv och egendom.
Ett projekt som finansieras av SmartSat CRC och som leds av University of South Australia (UniSA) har använt banbrytande AI-teknik för att utveckla ett energieffektivt system för tidig brandrök för South Australias första kubsatellit, Kanyini.
Lanserar Kanyini-uppdraget
Kanyini-uppdraget är ett samarbete mellan SA-regeringen, SmartSat CRC och industripartners för att skjuta upp en 6 U CubeSat-satellit i låg omloppsbana om jorden för att upptäcka skogsbränder samt övervaka vattenkvaliteten i inlandet och vid kusten.
Utrustad med en hyperspektral bildkamera, fångar satellitsensorn reflekterat ljus från jorden i olika våglängder för att generera detaljerade ytkartor för olika applikationer, inklusive övervakning av skogsbränder, vattenkvalitetsbedömning och markförvaltning.
Förbättra satellitbilder och bearbetning
Huvudforskaren UniSA geospatial forskare Dr. Stefan Peters säger att traditionellt sett har jordobservationssatelliter inte haft bearbetningsförmåga ombord för att analysera komplexa bilder av jorden som tagits från rymden i realtid.
Hans team, som inkluderar forskare från UniSA, Swinburne University of Technology och Geoscience Australia, har övervunnit detta genom att bygga en lätt AI-modell som kan upptäcka rök inom de tillgängliga bearbetnings-, energiförbruknings- och datalagringsbegränsningarna för kubsatelliter.
Effektivitet och hastighet för AI-modeller
Jämfört med den markbaserade bearbetningen av hyperspektrala satellitbilder för att upptäcka bränder, minskade AI-modellen ombord datavolymen nedlänkad till 16 % av sin ursprungliga storlek, samtidigt som den förbrukade 69 % mindre energi.
AI-modellen ombord upptäckte också brandrök 500 gånger snabbare än traditionell bearbetning på marken.
”Rök är vanligtvis det första du kan se från rymden innan elden blir varm och tillräckligt stor för att sensorer ska kunna identifiera den, så tidig upptäckt är avgörande”, säger Dr Peters.
Simulering och träning av AI-modeller
För att demonstrera AI-modellen använde de simulerade satellitbilder av de senaste australiska skogsbränderna med hjälp av maskininlärning att träna modellen att upptäcka rök i en bild.
”För de flesta sensorsystem innehåller endast en bråkdel av den insamlade informationen kritisk information relaterad till syftet med ett uppdrag. Eftersom data inte kan bearbetas ombord på stora satelliter, är allt nedlänkat till marken där det analyseras, vilket tar upp mycket utrymme och energi. Vi har övervunnit detta genom att träna modellen för att skilja rök från moln, vilket gör den mycket snabbare och effektivare.”
Med hjälp av en tidigare brandhändelse i Coorong som fallstudie tog den simulerade Kanyini AI-inflygningen ombord mindre än 14 minuter att upptäcka röken och skicka data till sydpolens markstation.
Framtidsutsikter och kommersialisering
”Denna forskning visar att det finns betydande fördelar med ombord AI jämfört med traditionell markbearbetning”, säger Dr Peters. ”Detta kommer inte bara att visa sig ovärderligt i händelse av skogsbränder utan också fungera som ett system för tidig varning för andra naturkatastrofer.”
Forskargruppen hoppas kunna demonstrera det inbyggda AI-branddetekteringssystemet i omloppsbana 2025 när Kanyini-uppdraget är i drift.
”När vi har åtgärdat eventuella problem hoppas vi kunna kommersialisera tekniken och använda den i en CubeSat-konstellation, som syftar till att bidra till tidig branddetektering inom en timme.”
Forskarna har publicerat detaljer om deras experiment i det senaste numret av IEEE Journal of Selected Topics in Applied Earth and Remote Sensing.