Arquivo da tag: ESA

likelihood dam

Podemos localizar barragens do espaço?

Milhões de barragens em todo o mundo têm impactos tremendos nas pessoas e no meio ambiente. Enquanto tentam entender e gerenciar esses impactos, os gerentes e pesquisadores da água lutam para encontrar conjuntos de dados de barragens. Agora que temos imagens de satélite diárias de todos os lugares do planeta, quão difícil seria mapear as represas do mundo?

A necessidade de conjuntos de dados de barragens georreferenciadas

Milhões de barragens em todo o mundo foram construídas para gerenciar recursos hídricos para benefício humano. Eles também têm imensos impactos ambientais: na biodiversidade de água doce (por exemplo, represas modificam habitats, bloqueiam a migração de peixes …), serviços ecossistêmicos hidrológicos e saúde humana . Apesar disso, apenas as maiores barragens foram mapeadas, mas são superadas em número por represas menores que têm impactos tremendos.

Os esforços de pesquisadores, ONGs e governos para entender e mitigar os impactos das barragens e gerenciar os ecossistemas hidrológicos de forma inteligente são restritos pelos conjuntos de dados disponíveis das barragens georreferenciadas.

De fato, Lisa Mandle, Cientista Sênior do Projeto Capital Natural, da Universidade de Stanford, estuda como as florestas de Mianmar contribuem para o abastecimento de água do país, mantendo as barragens livres de sedimentos. “Precisávamos saber onde essas barragens estavam localizadas. Esses dados acabaram sendo difíceis de serem obtidos. Ele foi distribuído em diferentes escritórios do governo e não está disponível publicamente de forma abrangente e digital ”, relata. “A melhor informação que conseguimos encontrar incluiu apenas 15 represas em Mianmar. Ao considerar apenas o maior número de barragens, sabemos que nossa análise subestima a importância da natureza ”.

Do outro lado do mundo, Marcia Macedo , cientista assistente do Woods Hole Research Center, enfrentou um desafio semelhante ao estudar os impactos de pequenas barragens agrícolas na Amazônia brasileira. “Nossos estudos de campo mostram claramente que pequenos reservatórios tiveram um grande impacto nos ecossistemas de água doce”, explica ela. “Um único reservatório pode aumentar a temperatura da água em até 4 ° C. Também muda fundamentalmente habitats aquáticos, ciclos de nutrientes e teias alimentares. ”Macedo já mapeou mais de 10.000 pequenas barragens no Brasil. “Sabemos que existem milhões dessas barragens por aí e que elas têm um enorme impacto cumulativo. Mas não podemos gerenciá-los se não pudermos mapeá-los – a baixo custo, em alta resolução e em áreas muito grandes ”, acrescenta.

Alguns (bons e ruins) impactos de barragens [ fonte ]

A solução: imagens de satélite + magias de aprendizado profundo

Com imagens de satélite cada vez mais acessíveis (graças a dados abertos de políticas, por exemplo, da Nasa ou da ESA e ferramentas como o Google Earth Engine ), além da mágica do aprendizado de máquina , parece que você pode fazer qualquer coisa! Mas, seriamente, os algoritmos de aprendizagem profunda diferenciam os gatos dos cães, detectam obstáculos na frente dos carros e classificam os pepinos entre muitas outras aplicações de classificações de imagens. Então parece razoável perguntar:

Podemos detectar represas de imagens de satélite?

No intervalo de uma maratona de 4 horas no GeoForGood 2018 , abordamos essa questão – e fizemos o protótipo de um pipeline usando o Google Earth Engine para criar os dados de treinamento e o Tensorflow para o modelo de classificação de barramento de aprendizagem profunda.

Parece que sim, podemos localizar represas de imagens de satélite . Então agora, a questão é:

O que seria necessário para localizar todas as barragens do planeta com imagens de satélite?

Isso tudo soa maravilhoso, mas realmente, essa precisão de 94% demonstrou que o pipeline funcionou. Não representa um resultado confiável. Então vamos nos aprofundar e discutir o que fizemos, alguns desafios e como poderíamos fazer melhor.

Fluxo de trabalho

1. Dados de treinamento

Para imagens de represas, usamos o conjunto de dados GRanD para exportar imagens rasterizadas de áreas vizinhas a tomadas de barragens, como TFRecords. Estes incluem 5 bandas: RGB e NDWI do Sentinel 2 (15m), bem como elevação (dados DEM: ALOS DSM 30m).

Para imagens não represas, priorizamos áreas na borda de corpos d’água que são facilmente confundidas com reservatórios de barragens. Caso contrário, o algoritmo se classificaria entre a borda da água e todo o resto, em vez de localizar a saída da represa (daí os 94,4%!). Utilizando o conjunto de dados do JRC Global Surface Water no GEE, amostramos aleatoriamente pontos na borda dos corpos de água junto com pontos não aquáticos (para que o algoritmo não ficasse confuso, por exemplo, na linha reta de uma estrada …) e seguiu o mesmo procedimento para exportar rasters de 300m * 300m como TFRecords.

2. Classificação da aprendizagem profunda

Você estava se perguntando o que eram os TFRecords, agora tudo vai começar a fazer sentido: um TFRecord é um formato de dados (armazenamento binário) otimizado para uso com o Tensorflow , uma biblioteca open source particularmente útil para aplicações de aprendizado profundo como… classificação de imagens!

Tivemos a sorte de encontrar um notebook desenvolvido por Chris Brown que treinou uma rede neural totalmente convolucional (FCNN) para detectar carros em imagens de estacionamentos. Um FCNN permite fazer previsões em imagens de qualquer dimensão, para que possamos treinar o modelo em nossas imagens de 300m * 300m e fazer predicições mais tarde em imagens de qualquer dimensão (yay!)

3. Resultados

Os quadrados vermelhos nesta imagem são onde o algoritmo localiza barragens. Isso é encorajador: identifica as duas represas, mas não classifica erroneamente a pequena massa de água à esquerda.

A última iteração foi treinada em uma fusão de cerca de mil pontos de dados de treinamento e resultou em uma precisão de 92% em um conjunto de testes de 600 pontos, com 50.000 etapas.

Usando a área da baía como uma zona de teste, várias represas reais destacam-se aqui em azul-púrpura (por exemplo, a que está circulada em branco).

Os resultados são muito promissores, mas a abordagem ainda precisa ser ajustada. Nathan Pavlovic, que interpretou o especialista em Aprendizado de Máquina com virtude para este Hackathon, levanta os olhos do computador, aparentemente satisfeito. Mas ele ainda nota alguns problemas, por exemplo, que o algoritmo ainda parece algumas vezes confundir floresta densa com água, como visto no centro inferior da imagem. Nenhum dos problemas é insuperável. Na verdade, este é provavelmente devido ao fato de que a floresta densa era uma classe sub-representada no conjunto de treinamento não-barragem que montamos rapidamente. Com mais tempo, várias melhorias poderiam ser feitas nos dados de treinamento para aumentar o desempenho.

Por isso, parece muito possível localizar todas as barragens do planeta, com imagens de satélite!

O que agora?

E quanto a soluções comerciais para reconhecimento de objetos a partir de imagens de satélite? Eles não são úteis nesta questão, até agora (e nós amamos o código aberto de qualquer maneira). O Descartes Lab possui uma ferramenta de busca geovisual impressionante, embora limitada (para uma área de pesquisa fixa e um único conjunto de dados de satélite global), seus aplicativos apresentados parecem bastante promissores. Mas faz um trabalho muito terrível na localização de barragens (provavelmente porque é apenas usando bandas RGB, onde a elevação e o NDWI são fundamentais aqui). Vamos ver o que o Planet Queryable Earth irá oferecer no futuro, com sua missão de “indexar e tornar acessível o que está na Terra, assim como o Google indexou e tornou acessível o que está na internet” … Por enquanto, esses algoritmos permanecem proprietários de qualquer forma.

Alguns desafios identificados até agora incluem a extrema variabilidade no tamanho das barragens e no armazenamento da água do reservatório. Para abordá-los, a escala temporal e a resolução espacial dos dados de entrada precisariam ser adaptadas, por exemplo, podemos precisar de imagens de vários pontos no tempo, de diferentes estações ou anos, para capturar represas que secam sazonalmente ou durante as secas. E as pequenas represas escondidas em uma floresta?

Comparação de resolução: barragem californiana com resolução de 3m vs 10m (© Planet 2018)

Se fizéssemos melhor , os dados de treinamento poderiam ser aumentados e melhorados, afinados para evitar os artefatos que identificamos: mais pontos de treinamento, mas também imagens de maior resolução, especialmente para represas menores – por exemplo, Planetscope captura imagens de 3m, livremente disponível em escala ou facilmente integrado (ainda?) no Google Earth Engine.

Por:

Share This:

images

Sentinel Application Platform (SNAP) para as caixas de ferramentas ESA .

que é o SNAP?

O SNAP é uma arquitetura comum de código aberto para as caixas de ferramentas ESA, ideal para a exploração de dados de observação da Terra.

O que significa o acrônimo SNAP?

O SNAP é a plataforma de aplicativos do SeNtinel.

Como o SNAP é licenciado?

O SNAP está licenciado sob a GNU GPL v3

Qual é o hardware mínimo necessário para executar o SNAP em um laptop ou desktop?

Recomenda-se ter pelo menos 4 GB de memória. Para executar o 3D WorldWind View, recomenda-se ter uma placa gráfica 3D com drivers atualizados. O SNAP funcionará em Windows de 32 e 64 bits, Mac OS X e Linux.

Uma arquitetura comum para todas as caixas de ferramentas Sentinel está sendo desenvolvida em conjunto pela Brockmann Consult, pela Array Systems Computing e pela CS, denominada Sentinel Application Platform (SNAP).

A arquitetura SNAP é ideal para o processamento e análise do Earth Observation devido às seguintes inovações tecnológicas: Extensibilidade, Portabilidade, Plataforma Rich Client Modular, Abstração de Dados Generic EO, Gerenciamento de Memória em Mosaicos e uma Estrutura de Processamento Gráfico.

Destaques dos recursos

  • Arquitetura comum para todas as caixas de ferramentas
  • Exibição de imagem e navegação muito rápidas até mesmo de imagens de giga-pixel
  • Graph Processing Framework (GPF): para criar cadeias de processamento definidas pelo usuário
  • gerenciamento avançado de camadas permite adicionar e manipular novas sobreposições, como imagens de outras bandas, imagens de servidores WMS ou arquivos de formas ESRI.
  • Definições ricas de região de interesse para estatísticas e vários gráficos
  • Definição e sobreposição de bitmask fáceis
  • Aritmética de banda flexível usando expressões matemáticas arbitrárias
  • Rejeição precisa e orto-retificação para projeções comuns de mapas,
  • Geocodificação e retificação usando pontos de controle de solo
  • Download automático do SRTM DEM e seleção de blocos
  • Biblioteca de produtos para digitalização e catalogação de arquivos grandes eficientemente
  • Suporte a processadores multithreading e multi-core
  • Visualização integrada da WorldWind

Perguntas Freqüentemente Feitas pelo SNAP

 

O SNAP está usando as seguintes tecnologias

  • Plataforma NetBeans – estrutura de aplicativo de desktop
  • Install4J – construtor de instalação multi-plataforma
  • GeoTools – biblioteca de ferramentas geoespaciais
  • GDAL – leitura / gravação de formatos de dados geoespaciais raster e vetoriais
  • Jira – rastreador de problemas
  • Git – sistema de controle de versão, hospedado pelo GitHub

Fonte: http://step.esa.int/main/toolboxes/snap/

 

Share This: