Каждый день · проверено по первоисточникуВсе выпуски
Применяй ИИ
Новости ИИ и технологий каждый день
Технологии

ИИ для Лакхнау уступил прогнозу без перемен с точностью 91,9%

В исследовании на arXiv модели предсказывали изменения земель в индийском Лакхнау. По совпадению всей карты с реальностью победил прогноз без перемен: 91,9%.

Высокая общая точность ещё не означает, что модель хорошо предсказывает перемены. В этой проверке преимущество получил метод, который просто сохранял прежнюю карту.

Коротко

  • Модели обучали на материалах за 1990–2010 годы, затем проверяли на следующем десятилетии.
  • Среди дополнительных факторов полезнее всего оказались плотность населения и расстояние до делового центра.
  • Прогноз на 2030 год предполагает увеличение площади застройки на 22–35%, преимущественно по краям города.

Большая часть территории осталась прежней

Авторы использовали карты земного покрова с ячейками размером 30 метров. Нейросеть AttentionUNet-CA получала участок из 32 на 32 ячеек. По нему она предсказывала состояние каждой ячейки через десять лет.

Дополнительно модель учитывала высоту местности и расстояние до крупных дорог. Ей также передавали сведения о населении и удалённости от делового центра.

За проверяемое десятилетие изменилось лишь 8,1% площади. Поэтому ни один из изученных методов не превзошёл сохранение исходной карты по общей точности.

При оценке перемен нейросети вышли вперёд

Для качества предсказания изменений авторы использовали отдельный показатель. По нему лучшие результаты дали нейросети, обученные с разными весами классов. Так в работе обозначены варианты с разным учётом типов земного покрова при обучении.

У U-Net результат составил 22,0 ± 1,2%, у AttentionUNet-CA — 21,0 ± 1,4%. Это оценки прогноза перемен, а не доля совпадений по всей карте.

Другой метод сравнения показал 20,3%. Преимущество нейросетей было сопоставимо с разбросом между повторными запусками. При этом сети лучше оценивали объём изменений.

Версия AttentionUNet-CA не повысила точность

В этой работе переход от U-Net к AttentionUNet-CA не улучшил результат. Для проверки нейросетей авторы использовали три варианта запуска.

При выборе модели часть пространственных блоков оставляли вне обучения. Итоговую оценку на периоде 2010–2020 годов провели один раз.

Что это значит для вас

  • Общая точность карты и качество прогноза перемен отвечают на разные вопросы. По одной оценке нельзя судить о другой.
  • Рост застройки к 2030 году — расчёт моделей, а не уже измеренное изменение.

Что делать

  1. Сравните прогноз с вариантом, который сохраняет исходную карту.
  2. Проверьте, есть ли отдельная оценка качества предсказания перемен.
  3. Сопоставьте преимущество модели с разбросом результатов повторных запусков.

Редакция «Применяй ИИ» · Как мы готовим новости

Ещё по теме