⭐️ СТРАНЫ / КОМПАНИИ / СПУТНИКИ
Страны: #австралия #германия #индия #иран #испания #канада #китай #португалия #россия #США #япония и т. п.
Но:
#корея обозначает Северную и Южную Кореи
#РБ — Республика Беларусь
#UK — Великобритания
Компании: #planet #maxar
Спутники: #landsat #sentinel1 #sentinel2
⭐️ ДЗЗ
Методы и приборы
#альтиметр
#гиперспектр — гиперспектральная оптическая съемка
#лидар
#оптика — мультиспектральная оптическая съемка
#радиометр — микроволновой радиометр
#dnb — ночная съёмка (day / night band)
#SIF — солнечно-индуцированная флуоресценция хлорофилла
#ro — радиозатменный метод
#SAR — радарная съемка
#InSAR — радарная интерферометрия
#LST — съемка в тепловом инфракрасном диапазоне
#GNSSR — ГНСС-рефлектометрия
#sigint — радиоэлектронная разведка
Виды орбит: #ГСО — геостационарная, #VLEO — сверхнизкая
#основы — обучающие материалы по ДЗЗ
#обучение курсы, обучающие сервисы и т. п.
#история — в основном, история ДЗЗ
#индексы — спектральные индексы
#комбинация — комбинации каналов
Данные
#данные — коллекции данных ДЗЗ, наземных данных, карты и т.п.
#датасет — набор данных для машинного обучения
Дополнительные хештеги, описывающие данные:
#LULC — Land Use & Land Cover
#осадки
#SST — Sea Surface Temperature
#nrt — (near real time) изображения, получаемые в режиме, близком к реальном времени
#debris — космический мусор
#границы — административные границы
#DEM — цифровая модель рельефа (ЦМР)
#keyhole — рассекреченные снимки разведспутников
Литература, справочная информация
#справка — спектральные каналы, орбиты спутников, поиск данных и т.п.
#обзор
#книга — текст книги прикреплён к сообщению.
#журнал — статьи по ДЗЗ, опубликованные в выпуске журнала
Дополнительные хештеги:
#наблюдение — ресурсы для наблюдения спутников и орбиты спутников
#космодромы
#конференции — анонс конференций/семинаров/школ, посвященных ДЗЗ и анализ их материалов.
#конкурсы — анонс конкурсов/чемпионатов/олимпиад.
#МВК — материалы заседаний Межведомственной комиссии (МВК) по использованию результатов космической деятельности.
#снимки — поучительные (хоть в чем-то интересные) снимки, первые снимки
Программные инструменты / Языки
#нейронки #софт #GEE #R #tool #python #ГИС
#ИИ #FM — Foundation Model (Remote Sensing Foundation Model)
⭐️ ОТРАСЛИ / ТЕМАТИЧЕСКИЕ ЗАДАЧИ
#археология #атмосфера #вода #война #засуха #климат #лед #лес #нефть #океан #оползни #наводнение #пожары #почва #растительность #севморпуть #сельхоз #снег
#AGB — надземная биомасса
#ЧС — мониторинг стихийных бедствий и катастроф
#GHG — парниковые газы
Отдельные газы: #CO2 #NO2
#энергетика — космическая энергетика
#SSA — Space Situational Awareness
Страны: #австралия #германия #индия #иран #испания #канада #китай #португалия #россия #США #япония и т. п.
Но:
#корея обозначает Северную и Южную Кореи
#РБ — Республика Беларусь
#UK — Великобритания
Компании: #planet #maxar
Спутники: #landsat #sentinel1 #sentinel2
⭐️ ДЗЗ
Методы и приборы
#альтиметр
#гиперспектр — гиперспектральная оптическая съемка
#лидар
#оптика — мультиспектральная оптическая съемка
#радиометр — микроволновой радиометр
#dnb — ночная съёмка (day / night band)
#SIF — солнечно-индуцированная флуоресценция хлорофилла
#ro — радиозатменный метод
#SAR — радарная съемка
#InSAR — радарная интерферометрия
#LST — съемка в тепловом инфракрасном диапазоне
#GNSSR — ГНСС-рефлектометрия
#sigint — радиоэлектронная разведка
Виды орбит: #ГСО — геостационарная, #VLEO — сверхнизкая
#основы — обучающие материалы по ДЗЗ
#обучение курсы, обучающие сервисы и т. п.
#история — в основном, история ДЗЗ
#индексы — спектральные индексы
#комбинация — комбинации каналов
Данные
#данные — коллекции данных ДЗЗ, наземных данных, карты и т.п.
#датасет — набор данных для машинного обучения
Дополнительные хештеги, описывающие данные:
#LULC — Land Use & Land Cover
#осадки
#SST — Sea Surface Temperature
#nrt — (near real time) изображения, получаемые в режиме, близком к реальном времени
#debris — космический мусор
#границы — административные границы
#DEM — цифровая модель рельефа (ЦМР)
#keyhole — рассекреченные снимки разведспутников
Литература, справочная информация
#справка — спектральные каналы, орбиты спутников, поиск данных и т.п.
#обзор
#книга — текст книги прикреплён к сообщению.
#журнал — статьи по ДЗЗ, опубликованные в выпуске журнала
Дополнительные хештеги:
#наблюдение — ресурсы для наблюдения спутников и орбиты спутников
#космодромы
#конференции — анонс конференций/семинаров/школ, посвященных ДЗЗ и анализ их материалов.
#конкурсы — анонс конкурсов/чемпионатов/олимпиад.
#МВК — материалы заседаний Межведомственной комиссии (МВК) по использованию результатов космической деятельности.
#снимки — поучительные (хоть в чем-то интересные) снимки, первые снимки
Программные инструменты / Языки
#нейронки #софт #GEE #R #tool #python #ГИС
#ИИ #FM — Foundation Model (Remote Sensing Foundation Model)
⭐️ ОТРАСЛИ / ТЕМАТИЧЕСКИЕ ЗАДАЧИ
#археология #атмосфера #вода #война #засуха #климат #лед #лес #нефть #океан #оползни #наводнение #пожары #почва #растительность #севморпуть #сельхоз #снег
#AGB — надземная биомасса
#ЧС — мониторинг стихийных бедствий и катастроф
#GHG — парниковые газы
Отдельные газы: #CO2 #NO2
#энергетика — космическая энергетика
#SSA — Space Situational Awareness
Базовые модели дистанционного зондирования
Технологии искусственного интеллекта (ИИ) коренным образом изменяют область дистанционного зондирования. Традиционно, дистанционное зондирование опиралось на ручную интерпретацию данных и модели, ориентированные на решение конкретных задач. Эти модели требовали обширных наборов размеченных данных и значительных вычислительных ресурсов. Комбинация ИИ и глубокого обучения позволила сделать шаг вперед — появились крупномасштабные, предварительно обученные модели ИИ, способные выполнять широкий спектр задач с беспрецедентной точностью и эффективностью. Эти новые модели назвали базовыми моделями — Foundation Models.
Базовые модели в дистанционном зондировании позволяют использовать огромные объемы неразмеченных данных с помощью методов self-supervised learning. Модели могут применяться для решения различных задач, позволяя переносить знания из одной ситуации на другую.
В статье 📖 AI Foundation Models in Remote Sensing: A Survey (🔗ссылка) представлен обзор базовых моделей в области дистанционного зондирования, охватывающий модели, выпущенные в период с июня 2021 года по июнь 2024 года. Приведена классификация моделей на основе их применения в компьютерном зрении и специфических задачах. Рассмотрена архитектура, наборы данных и методы для предварительного обучения. С помощью сравнений производительности моделей показаны возникающие тенденции и успехи, достигнутые базовыми моделями. Обсуждены технические проблемы, их практические последствия и будущие направления исследований.
📊 Некоторые известные базовые модели дистанционного зондирования, выпущенные с июня 2021 года по июнь 2024 года (источник).
#FM
Технологии искусственного интеллекта (ИИ) коренным образом изменяют область дистанционного зондирования. Традиционно, дистанционное зондирование опиралось на ручную интерпретацию данных и модели, ориентированные на решение конкретных задач. Эти модели требовали обширных наборов размеченных данных и значительных вычислительных ресурсов. Комбинация ИИ и глубокого обучения позволила сделать шаг вперед — появились крупномасштабные, предварительно обученные модели ИИ, способные выполнять широкий спектр задач с беспрецедентной точностью и эффективностью. Эти новые модели назвали базовыми моделями — Foundation Models.
Базовые модели в дистанционном зондировании позволяют использовать огромные объемы неразмеченных данных с помощью методов self-supervised learning. Модели могут применяться для решения различных задач, позволяя переносить знания из одной ситуации на другую.
В статье 📖 AI Foundation Models in Remote Sensing: A Survey (🔗ссылка) представлен обзор базовых моделей в области дистанционного зондирования, охватывающий модели, выпущенные в период с июня 2021 года по июнь 2024 года. Приведена классификация моделей на основе их применения в компьютерном зрении и специфических задачах. Рассмотрена архитектура, наборы данных и методы для предварительного обучения. С помощью сравнений производительности моделей показаны возникающие тенденции и успехи, достигнутые базовыми моделями. Обсуждены технические проблемы, их практические последствия и будущие направления исследований.
📊 Некоторые известные базовые модели дистанционного зондирования, выпущенные с июня 2021 года по июнь 2024 года (источник).
#FM
Awesome Remote Sensing Foundation Models
Коллекция статей, наборов данных, бенчмарков, кода и предварительно обученных весов для базовых моделей дистанционного зондирования (Remote Sensing Foundation Models, RSFM):
🖥 GitHub
Содержание:
🔹 Models
* Remote Sensing Vision Foundation Models
* Remote Sensing Vision-Language Foundation Models
* Remote Sensing Generative Foundation Models
* Remote Sensing Vision-Location Foundation Models
* Remote Sensing Vision-Audio Foundation Models
* Remote Sensing Task-specific Foundation Models
* Remote Sensing Agents
🔹 Datasets & Benchmarks
* Benchmarks for RSFMs
* (Large-scale) Pre-training Datasets
🔹 Others
* Relevant Projects
* Survey Papers
Данная коллекция ссылок создана во время работы над статьей:
📖 SkySense: A Multi-Modal Remote Sensing Foundation Model Towards Universal Interpretation for Earth Observation Imagery
В работе предложена SkySense — универсальная базовая модель, предварительно обученная на мультимодальном наборе оптических и радарных данных дистанционного зондирования.
#ИИ #FM
Коллекция статей, наборов данных, бенчмарков, кода и предварительно обученных весов для базовых моделей дистанционного зондирования (Remote Sensing Foundation Models, RSFM):
🖥 GitHub
Содержание:
🔹 Models
* Remote Sensing Vision Foundation Models
* Remote Sensing Vision-Language Foundation Models
* Remote Sensing Generative Foundation Models
* Remote Sensing Vision-Location Foundation Models
* Remote Sensing Vision-Audio Foundation Models
* Remote Sensing Task-specific Foundation Models
* Remote Sensing Agents
🔹 Datasets & Benchmarks
* Benchmarks for RSFMs
* (Large-scale) Pre-training Datasets
🔹 Others
* Relevant Projects
* Survey Papers
Данная коллекция ссылок создана во время работы над статьей:
📖 SkySense: A Multi-Modal Remote Sensing Foundation Model Towards Universal Interpretation for Earth Observation Imagery
В работе предложена SkySense — универсальная базовая модель, предварительно обученная на мультимодальном наборе оптических и радарных данных дистанционного зондирования.
#ИИ #FM
SpectralGPT — базовая модель для обработки спектральных данных
Большинство базовых моделей приспособлены к эффективной обработке RGB-изображений для различных визуальных задач, но существует пробел в исследованиях, ориентированных на спектральные данные, которые также дают ценную информацию для понимания сцены.
📖 SpectralGPT: Spectral Remote Sensing Foundation Model
Чтобы заполнить этот пробел, авторы ⬆️ создали универсальную базовую модель SpectralGPT, которая предназначена для обработки спектральных изображений дистанционного зондирования с помощью нового 3D-генеративного предварительно обученного трансформатора (generative pretrained transformer, GPT).
#FM
Большинство базовых моделей приспособлены к эффективной обработке RGB-изображений для различных визуальных задач, но существует пробел в исследованиях, ориентированных на спектральные данные, которые также дают ценную информацию для понимания сцены.
📖 SpectralGPT: Spectral Remote Sensing Foundation Model
Чтобы заполнить этот пробел, авторы ⬆️ создали универсальную базовую модель SpectralGPT, которая предназначена для обработки спектральных изображений дистанционного зондирования с помощью нового 3D-генеративного предварительно обученного трансформатора (generative pretrained transformer, GPT).
#FM
arXiv.org
SpectralGPT: Spectral Remote Sensing Foundation Model
The foundation model has recently garnered significant attention due to its potential to revolutionize the field of visual representation learning in a self-supervised manner. While most...
Prithvi-EO-2.0_Valencia_Flood.gif
12.7 MB
Выпущена фундаментальная модель с открытым исходным кодом Prithvi-EO-2.0
NASA, IBM и Forschungszentrum Julich выпустили расширенную версию базовой модели (foundation model) искусственного интеллекта (ИИ) Prithvi Geospatial с открытым исходным кодом — Prithvi-EO-2.0. Благодаря включению глобальных данных, Prithvi Geospatial может отслеживать изменения в землепользовании, выполнять мониторинг стихийных бедствий и прогнозировать урожайность по всему миру.
Первая версия Prithvi Geospatial, выпущенная NASA и IBM в августе 2023 года, была на тот момент самой большой в мире геопространственной моделью ИИ. Prithvi-EO-2.0 насчитывает 600 миллионов параметров и в шесть раз превосходит свою предшественницу. Она была предварительно обучена в сотрудничестве с Юлихским исследовательским центром в Германии (Forschungszentrum Julich) на более обширном географическом наборе данных, и включает в себя эмбеддинги (embedding), которые отражают богатые взаимосвязи в данных, распространяющиеся во времени и в пространстве.
“Теперь Prithvi 2.0 может лучше отражать длительные процессы, протекающие годами, а также ассимилировать информацию высокого разрешения”, — сообщил Паоло Фраккаро (Paolo Fraccaro), исследователь IBM, возглавлявший группу разработчиков Prithvi-EO-2.0.
Модель доступна на Hugging Face:
🔗 IBM-NASA Prithvi Models Family
🖥 Prithvi-EO-2.0
📖 Описание Prithvi-EO-1.0: Foundation Models for Generalist Geospatial Artificial Intelligence
📖 Новое в Prithvi-EO-2.0: Prithvi-EO-2.0: A Versatile Multi-Temporal Foundation Model for Earth Observation Applications
📸 Картографирование области затопления во время наводнения в Валенсии.
Источник
#FM
NASA, IBM и Forschungszentrum Julich выпустили расширенную версию базовой модели (foundation model) искусственного интеллекта (ИИ) Prithvi Geospatial с открытым исходным кодом — Prithvi-EO-2.0. Благодаря включению глобальных данных, Prithvi Geospatial может отслеживать изменения в землепользовании, выполнять мониторинг стихийных бедствий и прогнозировать урожайность по всему миру.
Первая версия Prithvi Geospatial, выпущенная NASA и IBM в августе 2023 года, была на тот момент самой большой в мире геопространственной моделью ИИ. Prithvi-EO-2.0 насчитывает 600 миллионов параметров и в шесть раз превосходит свою предшественницу. Она была предварительно обучена в сотрудничестве с Юлихским исследовательским центром в Германии (Forschungszentrum Julich) на более обширном географическом наборе данных, и включает в себя эмбеддинги (embedding), которые отражают богатые взаимосвязи в данных, распространяющиеся во времени и в пространстве.
“Теперь Prithvi 2.0 может лучше отражать длительные процессы, протекающие годами, а также ассимилировать информацию высокого разрешения”, — сообщил Паоло Фраккаро (Paolo Fraccaro), исследователь IBM, возглавлявший группу разработчиков Prithvi-EO-2.0.
Модель доступна на Hugging Face:
🔗 IBM-NASA Prithvi Models Family
🖥 Prithvi-EO-2.0
📖 Описание Prithvi-EO-1.0: Foundation Models for Generalist Geospatial Artificial Intelligence
📖 Новое в Prithvi-EO-2.0: Prithvi-EO-2.0: A Versatile Multi-Temporal Foundation Model for Earth Observation Applications
📸 Картографирование области затопления во время наводнения в Валенсии.
Источник
#FM