Спутник ДЗЗ
3.93K subscribers
3.09K photos
173 videos
222 files
2.84K links
Человеческим языком о дистанционном зондировании Земли.

Обратная связь: @sputnikDZZ_bot
加入频道
Курс “Spatial Data Management”

🔗 Сайт курса “Spatial Data Management” (https://geog-414.gishub.org/) (GEOG-414), который профессор Qiusheng Wu читает в Университете штата Теннесси, Ноксвилл.*

На курсе изучают основы Python для анализа пространственных данных, основы Google Earth Engine,** DuckDB и PostGIS.

Кроме полных материалов курса, на сайте есть лабораторные работы, а также идеи для итоговых проектов, защитой которых завершается освоение курса.

*Есть еще Университет штата Теннесси в Нашвилле — это совсем другой университет.

**Проф. Q. Wu известен как разработчик пакета geemap.

#python #wu
🔥18👍5
Сжатие спутниковых снимков

📝 Пост, в котором Марк Литвинчик (Mark Litwintschik) исследует сжатие WebP на примере снимка со спутника SkySat. Марку удалось сжать изображение с 877 МБ до 30 МБ.

📸 На снимке экрана показано окно QGIS для экспорта растрового слоя в файл GeoTIFF со сжатием WebP (ПКМ → Экспорт → Сохранить как).

❗️ WebP поддерживает как сжатие без потерь, так и сжатие с потерями. По умолчанию (а именно так работал Марк), осуществляется сжатие с потерями (качество 75 %). Подробнее о настройках драйвера GDAL для WebP читайте здесь.

💡 Марк обещает протестировать AVIF — алгоритм сжатия, конкурирующий с WebP — как только тот будет поддерживаться QGIS.

#python #софт
👍17🤔4
Новости R

🔹 Коллеги из канала Наука и данные рассказали о прогнозировании временных рядов с помощью пакета nixtlar (https://nixtla.github.io/nixtlar/index.html). В нем используется TimeGPT — базовая модель (foundation model) для прогнозирования временных рядов и обнаружения аномалий. Изначально TimeGPT был разработан на Python, но теперь, с помощью nixtlar, доступен пользователям R.

🔹 Нашли в открытом доступе новую книгу по R на русском языке:

📖 Поздняков И. Анализ данных и статистика в R (https://pozdniakov.github.io/tidy_stats/)

#R #python #FM #книга
👍62
Пример работы с открытыми спутниковыми данными Wyvern

В феврале канадская компания Wyvern запустила программу открытых данных своих гиперспектральных 🛰 спутников Dragonette. Эти спутники находятся на орбитах высотой 517–550 км над и имеют обеспечивают пространственное разрешение в надире (GSD) — 5,3 м.

Сейчас доступны данные Dragonette-1 в видимом и ближнем инфракрасном диапазонах — Standard VNIR (23 канала) и Extended VNIR (31 канал).

🔗 В этом посте Марк Литвинчик (Mark Litwintschik) экспериментирует с общедоступными данными Wyvern.

📸 Художественное изображение космического аппарата Dragonette.

#софт #python #гиперспектр
👍13👏1
openEO

Сейчас для автоматизированного сбора данных с портала Copernicus Data Space Ecosystem используется API openEO (https://openeo.org).

Основные элементы этого API можно посмотреть здесь.

Для использования API openEO есть готовые клиентские библиотеки на JavaScript, Python и 📸 R (библиотека openeo).

Кроме того, для пользователей не знакомых с программированием есть веб-редактор для openEO. Он поддерживает визуальное моделирование ваших алгоритмов и упрощенный доступ к рабочим процессам и провайдерам openEO на основе JavaScript.

При работе необходимо учитывать ограничения бесплатного доступа к данным — не более двух одновременных запросов.

#R #python #js #софт
👍4🔥4
Обнаружение объектов на снимках Maxar в пакете GeoDeep

В этом посте Марк Литвинчик (Mark Litwintschik) запускает встроенные в GeoDeep модели искусственного интеллекта на снимках Мьянмы и Бангкока (Таиланд), сделанных спутниками компании Maxar.

GeoDeepPython-пакет для обнаружения объектов на спутниковых снимках. Пакет насчитывает около 1000 строк кода и использует ONNX Runtime и Rasterio.

Ниже приведены готовые модели из состава GeoDeep. Назначение их ясно их названий:

• aerovision
• birds
• buildings
• cars
• planes
• roads
• trees
• trees_yolov9

Спойлер: сколько-нибудь вменяемые результаты показала только модель buildings.

#софт #python #ИИ
😁11👍6
"Найди мне все лесопилки…"

Сэмюель Барретт (Samuel Barrett) показывает здесь и здесь как использовать предварительно вычисленные эмбеддинги ДЗЗ из базовой модели Клэя (Clay) на снимках NAIP для быстрой идентификации лесопилок в штатах Вашингтон и Орегон.

🛢 NAIP data embedded with Clay v1.5 (rev2)
🖥 Репозиторий кода на GitHub

Эксперимент показывает как эмбеддинги позволяют быстро отвечать на вопросы вроде "Что где находится?" в больших географических масштабах.

#ИИ #python
👍11
geocompx — ресурсы по геовычислениям на R, Python и Julia

Проект geocompx (https://geocompx.org) — это онлайн-площадка для сбора информации о методах анализа пространственных данных, моделирования и визуализации, а также о преподавании геовычислений с помощью программного обеспечения с открытым исходным кодом на нескольких языках программирования — R, Python, Julia и других.

Проект начался с онлайн-публикации книги “Geocomputation with R”, которая помогла создать сообщество студентов и специалистов. По мере роста интереса к другим языкам и кроссплатформенным подходам стала очевидной необходимость в более широком, не зависящем от языка подходе. Так и появился geocompx.

Среди участников сообщества — Robin Lovelace, Jakub Nowosad и Jannes Muenchow — все авторы “Geocomputation with R”

Благодарим за наводку Евгения Матерова, ведущего тг-канал “Наука и данные”.

#R #python #julia
7👍2🔥1
GeoAI: Искусственный интеллект для пространственных данных

GeoAIпакет Python для применения методов искусственного интеллекта в анализе и визуализации пространственных данных.

🤖 GeoAI содержит инструменты для обработки, анализа и визуализации пространственных данных с помощью передовых методов машинного обучения. Как сказано в документации: “Независимо от того, работаете ли вы со спутниковыми снимками, облаками точек лидара или векторными данными, GeoAI предлагает интуитивно понятные интерфейс для применения передовых моделей ИИ.”

📖 Документация GeoAI

Среди возможностей GeoAI:

📊 Визуализация пространственных данных

● Интерактивная многослойная визуализация векторных, растровых и облачных данных
● Настраиваемые стили и символика
● Возможности визуализации временных рядов данных

🛠 Подготовка и обработка данных

● Упрощенный доступ к спутниковым и аэрофотоснимкам Sentinel, Landsat, NAIP и другим открытым данных
● Инструменты для загрузки, создания мозаик и предварительной обработки данных дистанционного зондирования
● Автоматизированная генерация обучающих датасетов с чипами изображений (image chips) и соответствующими метками
● Утилиты преобразования векторных данных в растровые и наоборот, оптимизированные для рабочих процессов ИИ
● Методы дополнения (augmentation) данных, специфичные для пространственных данных
● Поддержка интеграции данных Overture Maps и других открытых данных для обучения и проверки

🖼 Сегментация изображений

● Интеграция с моделью Segment Anything Model (SAM) компании Meta для автоматического извлечения признаков
● Специализированные алгоритмы сегментации, оптимизированные для спутниковых и аэрофотоснимков
● Оптимизированные рабочие процессы для сегментации зданий, дорог, растительности и водных объектов
● Возможность экспорта в стандартные форматы геоданных: GeoJSON, Shapefile, GeoPackage, GeoParquet

🔍 Классификация изображений

● Предварительно обученные модели для классификации земного покрова и землепользования (land cover & land use)
● Утилиты трансферного обучения (transfer learning) для тонкой настройки моделей на основе собственных данных
● Поддержка разновременной классификации для обнаружения изменений (change detection)
● Инструменты оценки точности и валидации

🌍 Дополнительные возможности

● Анализ рельефа с извлечением признаков при помощи ИИ
● Классификация и сегментация облаков точек
● Обнаружение объектов на авиационных и спутниковых снимках
● Утилиты геопривязки для результатов ИИ-моделей

Пакет разработан профессором Q. Wu. Для него мы завели на канале именной хештег: #wu

📹 Руководства по GeoAI на YouTube

#python #wu #софт #ИИ
👍953🔥3