ಮೇಲಿನಿಂದ ಭೂಮಿಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವುದು ಗೊಂದಲಮಯ, ಅಸಮ ವ್ಯವಹಾರವಾಗಿದೆ. ಮೋಡಗಳು ಉಪಗ್ರಹ ವೀಕ್ಷಣೆಯನ್ನು ನಿರ್ಬಂಧಿಸಬಹುದು, ಸೂರ್ಯನ ಕೋನವು ದೊಡ್ಡ ನೆರಳುಗಳನ್ನು ರಚಿಸಬಹುದು ಮತ್ತು ಕಕ್ಷೀಯ ಮಾರ್ಗಗಳು ಒಂದೇ ಸಾಮಾನ್ಯ ಪ್ರದೇಶದಲ್ಲಿ ಹಲವಾರು ವಾರಗಳವರೆಗೆ ವ್ಯವಸ್ಥೆಯ ಮೂಲಕ ಹಾದುಹೋಗುವುದಿಲ್ಲ. ಸಾಂಪ್ರದಾಯಿಕ ಸಾಫ್ಟ್ವೇರ್ಗೆ ಆ ಅಸಮಂಜಸತೆಯು ವ್ಯವಹರಿಸಲು ಕಷ್ಟಕರವಾಗಿದೆ ಮತ್ತು ಪ್ರಮಾಣಿತ ಆಳವಾದ ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್ಗಳನ್ನು ಸಹ ಗೊಂದಲಗೊಳಿಸಬಹುದು. ಆದರೆ, ಕ್ಲೂಜ್-ನಪೋಕಾದ ತಾಂತ್ರಿಕ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಸಂಶೋಧಕರಾದ ರೌಲ್-ಅಲೆಕ್ಸಾಂಡ್ರು ಗೋರ್ಗಾನ್ ಮತ್ತು ಡೋರಿಯನ್ ಗೋರ್ಗಾನ್ ಅವರ ಪೂರ್ವ-ಮುದ್ರಣದಲ್ಲಿ ಲಭ್ಯವಿರುವ ಹೊಸ ವಿಮರ್ಶಾ ಪ್ರಬಂಧದ ಪ್ರಕಾರ, ಹೊಸ ರೀತಿಯ ಗಡಿನಾಡು AI ಸಹಾಯ ಮಾಡುತ್ತದೆ – ಜೈವಿಕ-ಪ್ರೇರಿತ ಲಿಕ್ವಿಡ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು.
ಆಧುನಿಕ ಸಮಾಜವು ಭೂಮಿಯ ವೀಕ್ಷಣೆಯ ಮೇಲೆ ಹೆಚ್ಚು ಅವಲಂಬಿತವಾಗಿದೆ, ಆದರೆ ಆಳವಾದ ಕಲಿಕೆಯ ವ್ಯವಸ್ಥೆಯು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಅರ್ಥಪೂರ್ಣ ರೀತಿಯಲ್ಲಿ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುವುದು ಸಂಕೀರ್ಣವಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, ಸ್ವಾಯತ್ತ ಕಾರುಗಳನ್ನು ಓಡಿಸುವಂತಹ ಹೆಚ್ಚಿನ ಆಳವಾದ ಕಲಿಕೆಯ ನೆಟ್ವರ್ಕ್ಗಳು ನಿಯಮಿತ ಮಧ್ಯಂತರಗಳಲ್ಲಿ ಬರುವ ಡೇಟಾ ಪಾಯಿಂಟ್ಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ ಮತ್ತು ಆಗಾಗ್ಗೆ ಆ ಮಧ್ಯಂತರಗಳು ತುಲನಾತ್ಮಕವಾಗಿ ಚಿಕ್ಕದಾಗಿರುತ್ತವೆ, ಇದರಿಂದ ಸಣ್ಣ ಬದಲಾವಣೆಗಳನ್ನು ಗುರುತಿಸಬಹುದು ಮತ್ತು ಮಾದರಿಯನ್ನು ತಿಳಿಸಲು ಬಳಸಬಹುದು.
ಭೂಮಿಯನ್ನು ಗಮನಿಸುವುದರಲ್ಲಿ ಆ ಮಟ್ಟದ ಕ್ರಮಬದ್ಧತೆ ಕಂಡುಬರುವುದಿಲ್ಲ. ಅತ್ಯಂತ ಸ್ಪಷ್ಟವಾದ ಅಪರಾಧಿ ಮೋಡ. ಮೋಡಗಳು ಗ್ರಹದ ಮೇಲ್ಮೈಯಲ್ಲಿ ಕೆಲವು ಸ್ಥಳಗಳಲ್ಲಿ ಕಡಿಮೆ ಭೂಮಿಯ ಕಕ್ಷೆಯಲ್ಲಿ (LEO) ಉಪಗ್ರಹಗಳನ್ನು ನಿರ್ಬಂಧಿಸಬಹುದು – ಅನೇಕ ಸಂದರ್ಭಗಳಲ್ಲಿ ಪದೇ ಪದೇ. ಸ್ವಲ್ಪಮಟ್ಟಿಗೆ ಅನಿಯಮಿತ ಫ್ಲೈಓವರ್ ವೇಳಾಪಟ್ಟಿಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸಿ, ಮತ್ತು ಕೆಲವು ಉಪಗ್ರಹಗಳು ಪ್ರಪಂಚದ ಕೆಲವು ಭಾಗಗಳ ಚಿತ್ರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ನಡುವೆ ಒಂದು ತಿಂಗಳಿಗಿಂತ ಹೆಚ್ಚು ಕಾಲ ಹೋಗಬಹುದು.
ಭೂಮಿಯ ವೀಕ್ಷಣಾ ಉಪಗ್ರಹಗಳು ಬಾಹ್ಯಾಕಾಶದಿಂದ ನಿಮ್ಮನ್ನು ವೀಕ್ಷಿಸುತ್ತಿವೆಯೇ ಎಂಬುದರ ಕುರಿತು ಫ್ರೇಸರ್ ಮಾತನಾಡುತ್ತಾರೆ.
ಬೇಸಿಗೆಯಲ್ಲಿ ಬೆಳೆಯುವ ಹೊಲಗಳಂತಹ ಕ್ರಮೇಣ ಪ್ರಕ್ರಿಯೆಗಳ ಮೂಲಕ, ಆದರೆ ಫ್ಲಾಶ್ ಪ್ರವಾಹಗಳು ಅಥವಾ ಜ್ವಾಲಾಮುಖಿಗಳಂತಹ ದುರಂತದ ಘಟನೆಗಳ ಮೂಲಕವೂ ಒಂದು ತಿಂಗಳಲ್ಲಿ ಬಹಳಷ್ಟು ಬದಲಾಗಬಹುದು. ಕನ್ವಲ್ಯೂಷನಲ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು (ಸಿಎನ್ಎನ್ಗಳು) ಅಥವಾ ವಿಷುಯಲ್ ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ಗಳಂತಹ ಸಾಂಪ್ರದಾಯಿಕ ಸಂಸ್ಕರಣಾ ವಿಧಾನಗಳು, ಸಣ್ಣ, ಪ್ರಮಾಣೀಕರಿಸಬಹುದಾದ ಹಂತಗಳಲ್ಲಿ ಸಮಯವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಉತ್ತಮವಾಗಿದ್ದರೂ, ನಡುವೆ ಸಾಕಷ್ಟು ಸಂಭವಿಸಿದ ದೊಡ್ಡ ಅಂತರವನ್ನು ತುಂಬಲು ಉತ್ತಮವಾಗಿಲ್ಲ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಅವರು ಬೆಳೆ ಬೆಳವಣಿಗೆ ಅಥವಾ ಕಾಳ್ಗಿಚ್ಚಿನ ವಿಭಿನ್ನ ಗಡಿಯಿಂದ ಗೊಂದಲಕ್ಕೊಳಗಾಗಿದ್ದಾರೆ.
ಈ ಸಮಸ್ಯೆಯನ್ನು ನಿಭಾಯಿಸಲು ಮೇಜಿನ ಮೇಲೆ ಹಲವು ಪರಿಹಾರಗಳಿವೆ, ಮತ್ತು ವಿಮರ್ಶೆ ಪತ್ರಿಕೆಯು 2018 ಮತ್ತು 2026 ರ ನಡುವೆ ಪ್ರಕಟವಾದ 61 ವಿಭಿನ್ನ ಅಧ್ಯಯನಗಳನ್ನು ನೋಡುತ್ತದೆ, ಈ ಸವಾಲುಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಹೇಗೆ ಅಭಿವೃದ್ಧಿ ಹೊಂದುತ್ತಿದೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ. ಅನೇಕ ಹೊಂದಾಣಿಕೆಯ ವಿಧಾನಗಳು ಇಂದಿನ ಸಾಂಪ್ರದಾಯಿಕ ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ ಮಾದರಿಗಳ ವಿಸ್ತರಣೆಗಳನ್ನು ಬಳಸುತ್ತವೆ, ಗ್ರಾಫ್-ಆಧಾರಿತ ಮಾದರಿಗಳು ಅಥವಾ ಡೈನಾಮಿಕ್ ರಿಸೆಪ್ಟಿವ್ ಫೀಲ್ಡ್ಗಳನ್ನು ನಿರ್ಮಿಸುವ ಹೆಜ್ಜೆಗುರುತುಗಳನ್ನು ಅಥವಾ ಮಂಜಿನ ಪ್ರದೇಶಗಳನ್ನು ಡಿಹೇಸಿಂಗ್ ಮಾಡುವಲ್ಲಿ ಬದಲಾವಣೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಸೇರಿಸುತ್ತವೆ.
ಆದರೆ ಬಹುಶಃ ಅತ್ಯಂತ ಆಸಕ್ತಿದಾಯಕ ವಿಧಾನವೆಂದರೆ ಲಿಕ್ವಿಡ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಸ್. ಅವುಗಳು ಕೇವಲ 302 ಒಟ್ಟು ನ್ಯೂರಾನ್ಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಜೈವಿಕ ಅಧ್ಯಯನಗಳಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸುವ ಸೂಕ್ಷ್ಮದರ್ಶಕ ದುಂಡು ಹುಳುವಾದ C. ಎಲೆಗನ್ಸ್ನ ಸರಳವಾದ, ಕಾಂಪ್ಯಾಕ್ಟ್ ನರಮಂಡಲದಿಂದ ಸ್ಫೂರ್ತಿ ಪಡೆದಿವೆ. ಸಾಂಪ್ರದಾಯಿಕ ಸಾಫ್ಟ್ವೇರ್ ಮಾದರಿಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ, LNN ಗಳು ಸಾಮಾನ್ಯ ಡಿಫರೆನ್ಷಿಯಲ್ ಈಕ್ವೇಶನ್ (ODE) ಎಂದು ಕರೆಯಲ್ಪಡುವ ಒಂದು ರೀತಿಯ ಕಲನಶಾಸ್ತ್ರದ ಸಮೀಕರಣವನ್ನು ಬಳಸುತ್ತವೆ, ಇದು ದತ್ತಾಂಶದ ದೊಡ್ಡ ಭಾಗಗಳನ್ನು ಕಳೆದುಕೊಂಡಿದ್ದರೂ ಸಹ ಸಮಯದ ನಿರಂತರ ಹರಿವಿಗೆ ಹೊಂದಿಕೊಳ್ಳಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
ಫ್ರೇಸರ್ ಮತ್ತು ಪಮೇಲಾ ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ಬಗ್ಗೆ ಮಾತನಾಡುತ್ತಾರೆ ಮತ್ತು ನಮಗೆ ತಿಳಿದಿರುವಂತೆ ಅದು ಜೀವನಕ್ಕೆ ಎಷ್ಟು ಮುಖ್ಯವಾಗಿದೆ.
ಕ್ಲೌಡ್ ಕವರ್ನಿಂದಾಗಿ ಉಪಗ್ರಹವು ಫಾರ್ಮ್ನಲ್ಲಿ ಸತತ ಮೂರು ಪಾಸ್ಗಳನ್ನು ಕಳೆದುಕೊಂಡರೆ, LNN ಆ ಸಮಯದ ಮಧ್ಯಂತರವನ್ನು ಗಣಿತದಲ್ಲಿ ಸುಲಭವಾಗಿ ಸೇರಿಸಬಹುದು, ಇದು ಸಿಸ್ಟಮ್ ಡೇಟಾ ಪಾಯಿಂಟ್ಗಳನ್ನು ಎಂದಿಗೂ ತಪ್ಪಿಸಿಕೊಂಡಿಲ್ಲ ಎಂದು ತೋರುತ್ತದೆ. ಅವರು ನಾಟಕೀಯ ಬದಲಾವಣೆಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳುತ್ತಾರೆ ಮತ್ತು ಜ್ವಾಲಾಮುಖಿ ಸ್ಫೋಟಗಳು ಅಥವಾ ಕಾಡ್ಗಿಚ್ಚುಗಳಂತಹ ಗಮನಾರ್ಹ ಘಟನೆಗಳಿಂದ ಗೊಂದಲಕ್ಕೊಳಗಾಗುತ್ತಾರೆ. ಮತ್ತು ಅವರು ಒಡಿಇ ಅನ್ನು ಬಳಸುವುದರಿಂದ, ಇದು ಬ್ರೂಟ್ ಫೋರ್ಸ್ ಕೋಡ್ನಂತೆ ಕಂಪ್ಯೂಟೇಶನಲ್ ಆಗಿ ತೀವ್ರವಾಗಿರುವುದಿಲ್ಲ, ಅವು ಚಿಕ್ಕದಾದ, ಕಡಿಮೆ-ಶಕ್ತಿಯ ಕಂಪ್ಯೂಟರ್ ಚಿಪ್ಗಳಲ್ಲಿ ಚಲಿಸಬಹುದು – ನೇರವಾಗಿ ವೀಕ್ಷಿಸುವ ಕೆಲವು ಉಪಗ್ರಹಗಳ ಮೇಲೆ ಸಹ.
ತಂತ್ರಜ್ಞಾನಕ್ಕೆ ಇದು ಇನ್ನೂ ಆರಂಭಿಕ ದಿನಗಳು. ವಿಮರ್ಶಾ ಲೇಖನದಲ್ಲಿನ 61 ಅಧ್ಯಯನಗಳಲ್ಲಿ, ಅವುಗಳಲ್ಲಿ ಸುಮಾರು 16% ಮಾತ್ರ LNN ಗಳನ್ನು ಬಳಸಿದವು. ಆದರೆ ಹೆಚ್ಚು ವಿಮರ್ಶಾತ್ಮಕವಾಗಿ, ಅನೇಕ ಅಧ್ಯಯನಗಳು ತಮ್ಮ ಕೋಡ್ ಅನ್ನು ಒಂದೇ ಪ್ರದೇಶದಲ್ಲಿ ಮಾತ್ರ ಪರೀಕ್ಷಿಸಿವೆ ಅಥವಾ ಅವರ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಎಷ್ಟು ಕಂಪ್ಯೂಟಿಂಗ್ ಶಕ್ತಿಯನ್ನು ಬಳಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ನಿರ್ಲಕ್ಷಿಸಿದೆ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಈ ವೀಕ್ಷಣಾ ಸಮಸ್ಯೆಗಳಲ್ಲಿ ಇದು ಒಂದು ವಿಶಿಷ್ಟ ಪ್ರಯೋಜನವನ್ನು ನೀಡುತ್ತದೆ ಎಂದು ವಾಸ್ತವವಾಗಿ ಸಾಬೀತುಪಡಿಸುವವರೆಗೆ ಸಂಶೋಧಕರು ಈ ಹೊಸ ತಂತ್ರಜ್ಞಾನದ ಬಗ್ಗೆ ತಮ್ಮ ಉತ್ಸಾಹವನ್ನು ತಗ್ಗಿಸಬೇಕು.
ಶೀಘ್ರದಲ್ಲೇ ಅದು ತನ್ನನ್ನು ತಾನು ಸಾಬೀತುಪಡಿಸಲು ಅನೇಕ ಅವಕಾಶಗಳನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಬಾಹ್ಯಾಕಾಶ ಸಂಸ್ಥೆಗಳು ಮತ್ತು ಖಾಸಗಿ ಕಂಪನಿಗಳು ಹೊಸ ಭೂ ವೀಕ್ಷಣಾ ಉಪಗ್ರಹಗಳನ್ನು ನಿಯಮಿತವಾಗಿ ಉಡಾವಣೆ ಮಾಡುವುದನ್ನು ಮುಂದುವರೆಸುತ್ತವೆ, ಹೆಚ್ಚಿನ ತರಬೇತಿ ಡೇಟಾವನ್ನು ಒದಗಿಸುತ್ತವೆ. ಯಾವ ವಿಧಾನವು ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂದು ಸಂಶೋಧಕರು ಕೆಲಸ ಮಾಡುವಾಗ, ನಮ್ಮದೇ ಗ್ರಹವು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದರ ಕುರಿತು ನಮ್ಮ ತಿಳುವಳಿಕೆಯು ಸುಧಾರಿಸುತ್ತಲೇ ಇರುತ್ತದೆ.
ಇನ್ನಷ್ಟು ತಿಳಿಯಿರಿ:
ಆರ್.-ಎ. ಗೊರ್ಗಾನ್ & ಡಿ. ಗೊರನ್ – ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ಚಿತ್ರಣಕ್ಕಾಗಿ ಅಡಾಪ್ಟಿವ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು: ಎ ಸಿಸ್ಟಮ್ಯಾಟಿಕ್ ರಿವ್ಯೂ
UT – ಆಂಟೆನಾಗಳ ವಿಶಿಷ್ಟ ಸಂಯೋಜನೆಯು ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ಅನ್ನು ಕ್ರಾಂತಿಗೊಳಿಸಬಹುದು
UT – ಭೂಮಿಯ ವೀಕ್ಷಣಾ ಉಪಗ್ರಹಗಳು ಪ್ರಸ್ತುತ ಎತ್ತರಕ್ಕಿಂತ ಕಡಿಮೆ ಹಾರಬಲ್ಲವು ಮತ್ತು ಉತ್ತಮ ವಿಜ್ಞಾನ
UT – ಭೂಮಿಯು ಏಲಿಯನ್ಸ್ನಲ್ಲಿ ಒಂದು ಎಕ್ಸೋಪ್ಲಾನೆಟ್ ಆಗಿದೆ. ಇದನ್ನೇ ಅವರು ನೋಡುತ್ತಾರೆ