Zemes pārklājuma klasifikācija pēc satelītattēliem ir viens no galvenajiem Zemes novērošanas (EO) uzdevumiem, sākot ar pirmo EO satelītu palaišanu. To izmanto, lai sagatavotu zemes pārklājuma kartes, kurās parādītas mežu, lauksaimniecības platības, ūdens baseini, ceļi, ēkas un citas kategorijas, kas vajadzīgas zemes resursu uzskaitei. Mēs esam izveidojuši automatizētu klasifikācijas tehnoloģiju, kas ir nevadīta un ļoti stabila (turpmāk tekstā Dynland). Mūsu darba prototips ļauj lietotājiem klasificēt multispektrālos ģeotelpiskos attēlus zemes izmantošanai un zemes pārklājuma klasēs. Dynland tehnoloģija ļauj izmantot mašīnmācīšanās metodes lietojumprogrammās, kur tas agrāk nebija iespējams, jo trūka pietiekamu apmācības datu. Mazākas prasības attiecībā uz apmācības datiem lietotājiem nozīmē ievērojami zemākas izmaksas un ātrāku ģeotelpisko analīzes rezultātu piegādi.

Dynland nevadītā ģeotelpisko attēlu analīzes klasifikācijas tehnoloģija skar divas nozarēs: Zemes novērošanu (EO) un mašīnmācīšanos (ML). EO iespējas palielinās apstākļos, kad Zemes novērošanai tiek izmantoti jau 596 pavadoņi. EO dati ir kļuvuši plaši pieejami, izmantojot publiskās investīcijas ES (Copernicus programma) un privātās investīcijas ASV (190 satelīti tikai Planet Labs saimē). Pašlaik jau katru dienu ir pieejami jauni visas pasaules optiskie attēli. EO datu iegūšana, izmantojot bezpilota lidaparātus (UAV), piemēram, dronus, ir kļuvusi plaši izplatīta. UAV balstīti EO dati jau tiek izmantoti lauksaimniecībā un nonāks citās nozarēs ar UAV integrāciju kopīgā gaisa telpā.

Mēs esam veikuši mūsu klasterizācijas algoritma iekšējo un trešo pušu salīdzinājumu ar populārākajiem klasterizācijas un klasifikācijas algoritmiem. Testi tika veikti gan ar sintētiskiem, gan ar reāliem multispektrāliem satelītu datiem. Mūsu algoritms pārspēja citus klasterizācijas algoritmus precizitātes ziņā, veidojot pareizas spektrāli tuvu pikseļu kopas, kas saistītas ar vienu datu apakšklasi. Klasifikācija ar Dynland ir iespējama apstākļos, kad vadītos algoritmus neizdodas izmantot, jo nav pietiekama daudzuma apmācības datu.

Intervijas ar potenciālajiem EO datu lietotājiem atklāj problēmas, kuras mēs redzam kā iespējas:

  • ticamu apmācības datu apkopošana daudzās pielietojumos ir ne tikai dārga, bet bieži vien neiespējama;
  • lauka dati netiek kopīgoti starp projektiem pat tajos gadījumos, kad tas radītu pievienoto vērtību;
  • iekšējās kompetences veidošana, dārgu tālvadības programmatūras pakotņu, aparatūras un apmācības iegāde bieži pārsniedz ieguvumus;
  • komerciālo EO satelīta datu izcenojumi ir neefektīvi – minimālie pasūtījumu izmēri no 25 km2 līdz 100 km2 ar cenu 5-100 EUR / km2 bieži ir par daudz maziem, ģeogrāfiski vai laikā izkliedētiem EO uzdevumiem.

Mēs esam sākuši Dynland tehnoloģijas komercializāciju, lai risinātu identificētās tirgus problēmas. Mūsu tehnoloģija ir pietiekami vispārīga, lai pievienotu vērtību lielākajā daļā ģeotelpisko attēlu klasifikācijas uzdevumos. Mūsu prioritārie pielietojumi ir multispektrālo attēlu klasificēšana mežsaimniecībā, precīzā lauksaimniecībā, apdrošināšanā un zemes pārklājuma klasifikācija valsts iestādēm. Pastāv ievērojams pieprasījums pēc pilnībā automatizētiem pakalpojumiem ar pievienoto vērtību, kuriem nav nepieciešami apmācības dati. Pilnībā automatizēti EO pakalpojumi ir vieni no visstraujāk augošajiem EO nozares segmentiem ar 38% CAGR.

Mūsu tehnoloģija nodrošina ļoti precīzu attēlā esošo objektu klasifikāciju, neizmantojot apmācības datus. Tā uztver satelīta attēlu (1), sagrupē visus pikseļus klasteros, pēc tam klasteriem piešķir klases (2) un sniedz lietotājiem informāciju par klasēm un to izmēriem (3).

Ar detalizētu tehnoloģijas aprakstu var iepazīties šeit.

Projekti

Publikācijas

Patenti