编者按：来自加州大学默塞德分校的邓薛庆和他的同事们研究出一项新技术，能根据卫星图像描绘出该地区的地面视图，这将大大减轻地理学家的工作强度。本文经授权译自MIT Technology Review原标题为" GIVEN A SATELLITE IMAGE, MACHINE LEARNING CREATES THE VIEW ON THE GROUND"的文章。

达芬奇著名的绘画作品展示了意大利某些地区的鸟瞰图，其中的一些细节在摄影和飞行器被发明出来之前是不可能完成的。事实上，许多评论家都想知道他是如何想象出这些细节的。

但是现在，研究人员正在研究一个逆问题：若给出地球表面的卫星图像，那么这个区域从地面看起来会是什么样呢？这样一个人为构造出的图像能有多准确？

如今，随着来自加州大学默塞德分校的邓薛庆和他的同事们的研究出的成果，我们得到了答案。他们训练了一种机器学习算法，可以通过观察卫星图片，来描绘出地面视角的图像。

这项技术是基于一种被称为“生成对抗网络”的机器智能。它包括两个神经网络，分别称为生成器和鉴别器。

生成器生成的图像，然后鉴别器根据一些学习的标准进行评估，比如评估它们与giraffes的相似程度。通过使用鉴别器输出的内容，生成器逐渐学会产生像giraffes一样的图像。

在这个实验中，邓薛庆和他的同事使用了地面的真实图像和相应位置的卫星图像来训练鉴别器。因此，这项技术学习了如何将地面图像与它的俯视图关联起来。

当然，训练所使用的数据集的质量很重要。该小组使用的是LCM2015地面覆盖图，它涵盖整个英国精确到每千米的土地。然而，该团队只运用了包括伦敦和周边乡村在内的71x71公里的网格上的数据。针对这个网格中的每个位置，他们从一个叫做Geograph的在线数据库下载了相应的地面视图。

接下来，研究小组用16000对俯视图和地面视图对鉴别器进行了训练。

训练完毕后，接下来开始生成地面图像。他们把一组特定位置的4000个卫星图像输入生成器，结合来自鉴别器的反馈，生成器为每个卫星图像创建了相应的地面视图。该团队用4000张俯视图对系统进行了测试，并将其产生的地面视图与地面实况图像进行了比较。

其结果非常有趣。如果对图像质量要求相对较低，网络会产生看似合理的图像。所生成的图像捕捉到了地面的基本特征，比如它显示了道路，能够区分土地是农村还是城市地区等等。邓薛庆和他的同事们表示：“生成的地面图像看起来很自然，尽管正如预期的那样，它们缺乏真实图像的细节”。

这个功能很巧妙，但它有多大用处呢？地理学家的一项重要任务是根据土地的用途对土地进行分类，例如，某片土地是农村还是城市。

地面图像对土地分类很关键。然而，现有的相关数据库很稀少，特别是在农村地区，所以地理学家必须在图像之间进行人为插值，这比纯猜测好一些。

现在，邓薛庆和他的同事们生成的对抗网络提供了一种全新的方式来划分土地用途。当地理学家想要知道一些地点的地面视图时，他们可以简单地用基于卫星图像的神经网络来创建地面视图。

邓薛庆和他的同事们甚至比较了这两种方法——人为插值与图像生成。图像生成技术最终正确确定了73%的土地使用情况，而人为插值方法的正确率只有65%。

这是一项很有趣的工作，并且可以让地理学家的工作更轻松。但邓薛庆和他的同事们有更大的野心。他们希望改进图像生成过程，以便将来在地面图像中产生更多的细节。届时，达芬奇肯定会被折服。