超过四分之三的阿拉斯加社区没有高速公路或公路。在这些偏远地区，小型飞机是城镇的公共汽车、救护车和食物运送工具，是运送人和物进出的唯一途径。

 

日常飞行可能会很危险。这些小型(或通用航空)飞机的飞行通常是目视的，飞行员从驾驶舱窗户向外看。如果突然出现风暴或大雾，飞行员可能无法看到跑道、附近的飞机或上升的地形。2018年，美国联邦航空管理局(FAA)报告称，阿拉斯加发生了95起航空事故，其中包括几起发生在偏远地区的致命空难，这些地区的低能见度可能是造成事故的原因之一。这证明了量子计算机所预期的性能提升中的一小部分，但是使用现有电子行业的硬件来实现，利用这些大只500下载安卓版的自然行为来解决实际问题将为下一个计算时代的发展提供一个非常引人注目的替代方案。”

 

麻省理工学院林肯实验室(MIT Lincoln Laboratory)的气象学家迈克尔•马修斯(Michael Matthews)表示:“阿拉斯加的通用航空(General aviation)飞行员需要在飞行前计划期间了解预测的情况，同时也需要了解飞行过程中任何迅速变化的情况。”“有一些规定，比如你不能在能见度低于3英里的情况下飞行。如果情况更糟，飞行员需要使用仪器飞行，但他们需要通过相关认证。”

 

飞行员在飞行前会检查当前或预测的天气状况，但由于整个阿拉斯加丛林地区都没有自动化的天气观测站，因此很难确切地知道将会发生什么。为了提供帮助，联邦航空局最近在跑道和山口附近安装了221个网络摄像头。飞行员可以通过在线查看图像来规划路线。晶体取向不良会在晶粒结构中产生小规模的缺陷，这些金牌大只500缺陷会中断电子在太阳能电池中的传输，并通过称为非辐射复合的过程导致热量损失。尽管如此，要浏览数以百计的图片并估计一个人能看多远还是很困难的。

 

因此，马修斯一直在与联邦航空局合作，将这些网络摄像头转变成可视传感器。他开发了一种算法，称为“通过图像分析的可见性估计”(VEIA)，它使用摄像机的图像馈送来自动确定该区域的可见性。这些预测可以在预报员和飞行员之间实时共享。

 

训练有素的眼睛

 

在概念上，VEIA算法决定可见性的方式与人类相同。它寻找固定的“边”。对于人类观察者来说，这些边缘是已知距离机场的地标，比如塔或山顶。他们被训练去解释与晴天相比，他们能多好地看到每一个标记。

 

同样地，算法首先被告知在清晰的条件下，边是什么样的。该系统会查看过去10天的图像，这是一个最佳的时间框架，因为任何较短的时间框架都可能受到恶劣天气的影响，而任何较长的时间框架都可能受到季节变化的影响，马修斯说。使用这些10天的图像，系统创建一个复合的“清除”图像。此图像将成为与当前图像进行比较的参考。

 

为了进行比较，对参考图像和当前图像都应用了边缘检测算法(称为Sobel过滤器)。这个算法识别出持续存在的边缘——地平线、建筑物、山侧——并去除像汽车和云这样的稍瞬即逝的边缘。然后，系统比较总体优势强度，并得出一个比率。这个比率转换为能见度(以英里为单位)。

 

马修斯说，开发一种适用于任何网络相机图像的算法是一项挑战。根据它们被放置的位置，一些相机可以看到100英里，而另一些只能看到100英尺。其他的问题来自于固定的物体，这些物体离相机很近，占据了视野，比如一个大的天线。该算法必须被设计成越过这些近距离的物体。

 

他说:“如果你是华盛顿山上的观察员，你有一双经过训练的眼睛来寻找非常具体的东西，从而得到能见度估计。比方说，滑雪板在巴那什山升起，等等。我们不想做一个训练得如此特别的算法;我们希望同样的算法适用于任何地方，跨越所有类型的边界。

 

为了验证其估计，对VEIA算法进行了测试，数据来自自动地面观测站(ASOS)。阿拉斯加有将近50个这样的观测站，它们都配备了传感器，可以估计每小时的能见度。VEIA算法每10分钟提供一次估计，与同处一地的ASOS数据相比，它在探测低能见度条件方面的准确率超过90%。

 

通知飞行员

 

美国联邦航空局计划在2020年夏天在一个实验网站上测试VEIA算法。在测试期间，飞行员可以访问实验网站，看到实时的能见度估计，以及相机图像本身。

 

联邦航空局天花板和能见度研究项目负责人Jenny Colavito说:“此外，VEIA的估计可以被纳入天气预报模型，以改进预报。”“所有这些都能让飞行员更好地了解天气情况，从而避免飞行时遇到危险。”