基于感知物理的神经器网络训练免费地球观测变检测

来自低轨道卫星的地球观测数据为决策者提供了宝贵信息，以便更好地管理诸如自然灾害等时间敏感事件。为使数据对应急人员最为有效，数据捕获与抵达之间需要低延迟。主要瓶颈之一是卫星数据向地面站传输的带宽受限。一种解决方法是对至少部分数据进行 onboard 处理，并优先传输相关数据。在本工作中，我们提出了一种感知物理的神经器网络（PANN）来检测来自多光谱卫星图像序列的自然灾害引起的变更，并生成变更图，从而实现相关数据优先传输。PANN 的设计灵感来自由纳米电子器件（称为“忆性器”）构成的物理神经网络——这是一种具有记忆性的非线性电阻器。网络中的权重是动态的，根据忆性器的状态方程和电路守恒定律对输入信号作出响应。因此，PANN 生成受物理约束的动态输出特征，用于应用距离度量方法检测自然灾害检测任务中的变更。重要的是，这使整个模型训练免费，可实现最小计算资源。PANN 经与最先进 AI 模型基准测试，在每类自然灾害中均实现了可比或更好的结果。它因此为资源受限的 onboard 处理挑战提供了有前景的解决方案。