遥感卫星收集的数据是航空测绘、天气预报、森林监测等许多关键活动的基础。目前，大多数卫星只能被动地收集数据，无法作出决定或检测变化，数据必须中继到地球进行处理，而...
遥感卫星收集的数据是航空测绘、天气预报、森林监测等许多关键活动的基础。目前，大多数卫星只能被动地收集数据，无法作出决定或检测变化，数据必须中继到地球进行处理，而这通常需要数小时甚至数天时间，从而限制了人们识别自然灾害等事件、迅速应对的能力。
在最新研究中，研究团队在卫星上训练了一个简单的模型RaVAEn，以从卫星直接拍摄的空中图像中检测出云层的变化。该模型基于“小样本学习”方法，当模型只有几个样本可供训练时，该方法使模型能够学习最重要的特征，其关键优点是可将数据压缩成更小的代表数据，使模型得以更高效运行。
通常，开发一个机器学习模型需要几轮训练，而新模型在约1.5秒内就完成了训练阶段。当团队利用新数据测试该模型的性能时，其会在约1/10秒内自动检测到云是否存在。
研究人员表示，该模型可很好地适应不同的任务，并使用其他形式的数据。他们目前打算开发更先进的模型，以自动区别对人类产生重大影响的变化和自然变化(如不同季节树叶颜色的变化)。另一个目标是为更复杂的数据，如高光谱卫星拍摄的图像开发模型，以检测甲烷泄漏，并应对气候变化。
此外，传统机载卫星传感器容易受到恶劣环境条件影响，因此需要定期校准，而在外层空间使用机器学习有助于克服这一难题。
