首次，研究人员在太空中的一颗卫星上训练了一种机器学习模型。这一成就可以实现从灾害管理到森林砍伐的各种应用的实时监测和决策。

这个项目已经在预印版服务器arXiv上总结成一篇名为《Satellites板上的快速模型推理和训练》的文章。该工作也在2023年7月21日的国际地球科学和遥感研讨会(IGARSS)上进行了演示。

通过遥感卫星收集的数据对于许多关键活动至关重要，包括航空制图、天气预测和森林砍伐监测。目前，由于卫星没有配备决策或变化检测功能，大多数卫星只能被动地收集数据。相反，数据必须传送到地球进行处理，通常需要几个小时甚至几天的时间。这限制了识别和应对迅速出现的事件（如自然灾害）的能力。

为了克服这些限制，由牛津大学计算机科学系的哲学博士生Vít Růžička领导的一组研究人员接受了在太空中训练第一个机器学习程序的挑战。

在2022年，该团队成功向“穿越星空”任务提出了他们的想法，该任务发出了一个公开呼叫，要求在于2022年1月发射的ION SCV004卫星上进行项目提案的实施。在2022年秋季，该团队将该程序的代码上传到已经进入轨道的卫星上。

研究人员在卫星上直接训练了一个简单的模型，用于检测来自航空图像的云覆盖变化，与在地面上训练相对应。该模型基于一种称为少样本学习的方法，该方法能够使模型在只有少数样本可供训练时学习最重要的特征。一个关键优势是，数据可以压缩成更小的表示形式，使模型更快捷高效。

Vít Růžička说：“我们开发的模型名为RaVAEn，首先将大型图像文件压缩成128个数字的向量。在训练阶段，模型学会只保留与它试图检测的变化相关的信息值，也就是在这种情况下是否存在云。这样由于只需要训练一个非常小的分类模型，训练过程非常快速。”

虽然模型的第一部分，压缩新出现的图像，是在地面上训练的，但第二部分（决定图像是否包含云）是在卫星上直接训练的。

通常，开发一个机器学习模型需要通过一组联网的计算机进行多轮训练。相比之下，该团队的小模型在约1.5秒的时间内完成了训练阶段（使用超过1300个图像）。

当该团队在新数据上测试模型的性能时，它在大约0.1秒的时间内自动检测出图像是否存在云。这涉及对一个相当于大约4.8 x 4.8平方公里的场景进行编码和分析（相当于将近450个足球场的面积）。

研究人员表示，该模型可以轻松地适应执行不同任务并使用其他形式的数据。Vít Růžička补充说：“在实现了这个演示之后，我们现在打算开发更先进的模型，可以自动区分感兴趣的变化（例如洪灾、火灾和森林砍伐）和自然变化（例如季节性的叶色自然变化）。”

“另一个目标是为更复杂的数据开发模型，包括高光谱卫星的图像。这将可以允许，例如，检测甲烷泄漏，并对应对气候变化产生重要影响。”

在太空中进行机器学习还可以帮助解决卫星传感器受到恶劣环境条件的影响而需要定期校准的问题。

Vít Růžička说：“我们提出的系统可以用于不均匀卫星星座，其中可靠的来自一个卫星的信息可以用来训练星座中的其他卫星。这可以用于重新校准随时间降解或在环境中经历快速变化的传感器。”