Недавние инновации в динамичной аэрокосмической отрасли создали уникальные предложения для высокочастотных спутниковых изображений. Хотя это представляет огромный интерес для аналитиков изображений, значительная часть специалистов по ГИС и специалистов по геоданным работает меньше с растровыми данными (изображениями AKA) и больше с точечными и векторными данными. Планета управляет крупнейшей в мире группировкой спутников наблюдения Земли, обеспечивающих почти ежедневное покрытие всей суши Земли. В течение последних нескольких лет мы работали над выводом на рынок компьютерного зрения и пространственно-временного анализа, чтобы обеспечить доступ и преобразование данных в этом богатом архиве изображений. Недавно мы объявили об общедоступности наших аналитических каналов и о запуске нашей аналитики обнаружения изменений в закрытом бета-тестировании.
В этой статье я опишу процесс использования машинного обучения и автоматизации для перехода от спутниковых снимков (растров) к векторным данным. Это приводит к тому, что ученые, занимающиеся геоданными, могут использовать данные для изучения и предоставления бизнес-идеи. Я также постараюсь продемонстрировать несколько конкретных технических возможностей, которые в настоящее время реализуют этот процесс на практике.
Преобразования данных: переход к векторным данным
Дороги и здания представляют собой класс объектов на спутниковых снимках, которые эффективно разрешаются и различимы при разрешении 3–6 м. Используя современные достижения в обучении с учителем и имея доступ к архивным глобальным изображениям, можно создавать возможности извлечения данных из зданий, которые работают в различных условиях местности, окружающей среды и контекста поверхности. Одной из таких возможностей продукта является обнаружение дорог и зданий как услуга, ежемесячно предоставляемая компанией Planet под названием Planet Analytics Feeds. Ранее в этом году мы нанесли на карту все дороги и здания мира, используя эту возможность. Подробнее об усилиях можно прочитать здесь.
Выше показана карта всех дорог и зданий на Земле. Насколько нам известно, это наиболее полная и актуальная карта этих объектов из когда-либо созданных. Он раскрывает детали, недоступные в популярных картографических инструментах, как в промышленно развитых городах, так и в сельских поселениях. Созданная на основе разнообразного обучающего набора, модель дает качественные результаты для самых разных ландшафтов, плотностей и типов земного покрова. // Авторы и права: Линн Абрахам, Planet
Временные ряды ежемесячных растров контура зданий обнаруживают шумовую составляющую, возникающую из-за теней и изменчивости атмосферы. Изучая обнаружение изменений зданий в быстрорастущих городах Африки в начале этого года (см. исследование здесь), мы столкнулись с этой изменчивостью в течение периода исследования. Это ограничивало временную частоту, в которой обнаружение изменений в здании могло быть обнаружено с достаточной степенью уверенности. Мы работали над созданием возможности обнаружения изменений в зданиях, которая обеспечивает плавный последовательный временной анализ растров контуров зданий Planet, проще говоря, шумоподавления растров. Мы также конвертируем обнаружения изменений с высокой достоверностью в полигоны.
Процесс обработки от фида изображений к фиду изменений конструкции здания // Предоставлено: Analytics Engineering, Planet
Выше показан поток обработки, идущий от изображений к изменению здания. Ежемесячная базовая карта позволяет нам ежемесячно генерировать растры обнаружения зданий. Мы удаляем шум из этих растров, запуская модель временного вывода для ряда, чтобы создать согласованный канал состояния. Последовательные растры из фида состояния можно дифференцировать, чтобы создать растр фида изменений, который можно обрабатывать посредством упрощения векторов для обслуживания векторов изменений. Это позволяет нам обнаруживать крупномасштабные изменения, отображая рост зданий по всей стране и определяя рост зданий в конкретных городах с течением времени. Вот некоторые примеры:
Переход от масштаба страны к городской зоне: [Вверху слева] Здесь показано изменение плотности застройки во всем городе Китая. [В центре слева] Обнаружение изменений застройки на восточном побережье Китая, где расположены большие города. [Внизу слева] ] Изображение быстрорастущего города Хэфэй, Китай, указывающее на его расширение за счет накопленной площади, которая была застроена; застроенная территория показана желтым цветом на визуальной базовой карте [Вверху справа] Вид базовой карты Хэфэя за сентябрь 2018 года [В центре справа] Вид базовой карты Хэфэя за сентябрь 2019 года [Внизу справа] Обнаружено изменение полигонов // Кредит: Analytics Engineering, Planet
Нажмите на это изображение, чтобы увидеть анимацию, показывающую ежемесячный рост числа зданий в городе Янчжоу, Китай, с сентября 2018 года по сентябрь 2019 года // Фото: Analytics Engineering, Planet
Переход от пространственных каналов к анализу местоположений
Вышеупомянутые методы переводят нас от изображений к векторизованной ленте изменений, предоставляя информацию о геопространственных изменениях, агрегированную с регулярной частотой. Это одна из коллекций коммерческих и общедоступных каналов, используемых учеными в области геоданных для получения практических идей. Эти данные можно легко импортировать в базу данных geopandas и анализировать с помощью инструментов анализа данных с открытым исходным кодом на Python и R. Канал изменений обнаружения зданий можно использовать для мониторинга макроэкономических тенденций в деревнях, городах и странах. Его можно использовать для отслеживания устойчивого развития с помощью измерителей скорости землепользования.
Гопал Эринджиппурат руководит командой инженеров-аналитиков в Planet, интегрированной аэрокосмической компании и компании по анализу данных, которая управляет крупнейшим в истории коммерческим парком спутников. Его опыт связан с разработкой основополагающих технологий, лежащих в основе продуктов в области обработки изображений и машинного обучения. Он известен гибким инженерным исполнением от концепции до масштабируемых высококачественных продуктов. Недавний опыт Гопала связан с ведущими в отрасли аналитическими продуктами, начиная с демонстраций ранних концепций и заканчивая многочисленными клиентами в Captricity and Harvesting, где он консультировал генерального директора. Ранее он руководил разработкой алгоритмов первого продукта отображения изображения Dolby, профессионального эталонного монитора Dolby, удостоенного премии «Эмми», и технологий воспроизведения видео с расширенным динамическим диапазоном в Dolby Vision, которые теперь используются в iPhone X. Гопал имеет степень магистра электротехники Университета Южная Калифорния и завершила программу Ignite, объединяющую технологов с новыми коммерческими предприятиями, в Высшей школе бизнеса Стэнфорда.
Читайте другие статьи по науке о данных на OpenDataScience.com, включая учебные пособия и руководства от начального до продвинутого уровня! Подпишитесь на нашу еженедельную рассылку здесь и получайте последние новости каждый четверг.
