Sem categoria

IMAGENS SATELITAIS ABERTAS E GEOINT

Características dos principais satélites com sensores de média/alta resoluções com imagens disponíveis gratuitamente

NR ORDSATELITEPERIODO ATIVOSENSORRERTRRNBCOR REAL
01LANDSAT 51984-2011MULTI30m16 dias8 bits073-2-1
02SPOT 1/ 2/ 31986-1996MULTI20m26 dias8 bits032-1-3
 SPOT 1/ 2/ 31986-1996PAN10m26 dias6 bits01
03SPOT 41998-2013MULTI20m26 dias8 bits042-1-3
 SPOT 41998-2013PAN10m26 dias8 bits01
04LANDSAT 71999-hojeINFRA30m16 dias8 bits083-2-1
 LANDSAT 71999-hojePAN15m16 dias8 bits01
05SPOT 52002-2015MUNTI10m26 dias8 bits042-13
 SPOT 52002-2015PAN05m26 dias8 bits01
 SPOT 52002-2015Super Mode2,5m26 dias8 bits01
06LANDSAT 82013-hojeMULTI30m16 dias12 bits084-3-2
 LANDSAT 82013-hojePAN15m16 dias12 bits01
07SENTINEL 2A2015-hojeMULTI10m5 dias12 bits134-3-2
08SENTINEL 2B2017-hojeMULTI10m5 dias12 bits134-3-2
09 CBERS 4A2020-hojeMUX16,5m31 dias8 bits043-2-1
 CBERS 4A2020-hojeWPM/MULTI8m31 dias10 bits043-2-1
 CBERS 4A2020-hojeWPM/PAN2m31 dias10 bits01
10PLANETLABS2016-hojeMULTI5m30 diasMosaico  – —
RERESOLUÇÃO ESPACIAL
RTRESOLUÇÃO TEMPORAL
RRRESOLUÇÃO RADIOMÉTRICA
NBNÚMERO DE BANDAS

Autor: Evenuel Viana Veloza

Padrão
Sem categoria

O MUNDO DO SIG

Por: Revista digital GISGeography

Camadas GIS

O que é SIG?

Os Sistemas de Informações Geográficas (SIG) armazenam, analisam e visualizam dados de posições geográficas na superfície da Terra. SIG é uma ferramenta baseada em computador que examina relações espaciais, padrões e tendências. Ao conectar a geografia com os dados, o SIG entende melhor os dados usando um contexto geográfico.

As 4 ideias principais de Sistemas de Informação Geográfica (SIG) são:

  • Crie dados geográficos.
  • Gerencie em um banco de dados.
  • Analise e encontre padrões.
  • Visualize-o em um mapa.

Visto que visualizar e analisar dados em mapas afeta nossa compreensão dos dados, podemos tomar melhores decisões usando GIS. Isso nos ajuda a entender o que é onde . A análise se torna simples. As respostas ficam claras.Porque você não entende totalmente seus dados até ver como eles se relacionam com outras coisas em um contexto geográfico.

Todos os dias, os SIG comandam milhões de decisões em todo o mundo. Isso causa um grande impacto em nossa vida e você pode nem perceber. Por exemplo, usamos SIG para:

  • Identificar novos locais de loja
  • Relatório de quedas de energia
  • Analisando padrões de crime
  • Roteamento na navegação automotiva
  • Previsão e previsão do tempo

Visualize os dados dando vida às planilhas

Acho que você vai concordar:

É MUITO difícil visualizar coordenadas de latitudes e longitudes em uma planilha.

CidadeLatitudeLongitude
Seattle47.5°-122.3°
Nova york40.7-73.9°
Miami25.8°-80.2°
Os anjos33.9°-118.2°

Mas quando você adiciona essas posições em um mapa, é como mágica para o leitor.

Mapa de localizações

Isso porque os mapas tornam as informações geográficas mais fáceis de entender.

Quando você tem um contexto geográfico, não vê apenas onde eles estão no mapa. Mas você pode:

  • Calcule a que distância os pontos estão uns dos outros
  • Verifique se os pontos estão agrupados para padrões e tendências
  • Encontre a rota ideal entre as cidades

Componentes de Sistemas de Informação Geográfica

Os 3 componentes principais dos Sistemas de Informação Geográfica são:

1. DADOS: o GIS armazena dados de localização como camadas temáticas . Cada conjunto de dados possui uma tabela de atributos que armazena informações sobre o recurso. Os dois principais tipos de dados GIS são raster e vetoriais :

RASTER

Pixels Raster

Raster se parecem com grades porque armazenam dados em linhas e colunas. Eles podem ser discretos ou contínuos. Por exemplo, frequentemente representamos a cobertura do solo, dados de temperatura e imagens como dados raster.

VETOR

Editando Trace

Vetores são pontos, linhas e polígonos com vértices. Por exemplo, hidrantes, contornos e limites administrativos são frequentemente vetores.

2. HARDWARE: O hardware executa o software GIS. Pode ser qualquer coisa, desde servidores poderosos, telefones celulares ou uma estação de trabalho GIS pessoal . A CPU é o seu carro-chefe e o processamento de dados é o nome do jogo. Monitores duplos, armazenamento extra e placas de processamento gráfico nítidas também são indispensáveis ​​no GIS.

3. SOFTWARE: ArcGIS e QGIS são os líderes em software GIS. O software GIS é especializado em análise espacial usando matemática em mapas. Ele combina geografia com tecnologia moderna para medir, quantificar e compreender nosso mundo.

Impulsionar decisões com análise espacial

Nunca antes tivemos problemas mais urgentes com a necessidade de uma perspectiva geoespacial. Por exemplo, mudanças climáticas , desastres naturais e população são todos de natureza geográfica. Essas questões globais precisam de conhecimento baseado em localização que só pode vir de um GIS.

A maioria das pessoas pensa que o GIS trata apenas de “fazer mapas”. Mas aproveitamos o poder do GIS por causa dos insights da análise espacial . Usamos análise espacial por meio da matemática em mapas. A análise espacial é difícil com mapas de papel, por isso precisamos do GIS. Aqui estão alguns exemplos de análise espacial:

Amortecedor
IDW Power 2

AMORTECEDOR:

A ferramenta de buffer gera um polígono ao redor dos recursos a uma distância definida. Ao criar buffers, você pode localizar os recursos circundantes que estão dentro dos buffers.

PONTO DE ACESSO:

Os pontos de acesso destacam as áreas que possuem grupos de pontos. Já os pontos frios possuem uma pequena densidade de pontos.

Construa sua carreira em geomática

80% das necessidades de informação do governo local estão relacionadas à localização geográfica.

Percentual de GIS 80% 20%

Essa citação significa que se você pegar 80% de todos os dados do governo, 80% tem um contexto geográfico. Esta citação se originou de Robert Williams em seu artigo “Vendendo um sistema de informações geográficas para decisões governamentais.”

Mas recentemente, os pesquisadores cortaram esse percentual para 60% em 2012. De qualquer maneira, a geografia é um grande componente dos dados.

Desde o planejamento de um oleoduto até a navegação de navios, os problemas espaciais precisam de pensadores espaciais. É por isso que os Sistemas de Informações Geográficas se expandiram para inúmeras disciplinas. Carreiras em GIS estão crescendo para:

  • CARTÓGRAFOS criam mapas. Na verdade, a origem de “cartógrafo” vem de charta que significa “tablete ou folha de papel” e gráfico “desenhar”
  • DATABASE MANAGERS armazenam e extraem informações de conjuntos estruturados em bancos de dados espaciais .
  • PROGRAMADORES escrevem códigos e automatizam processos GIS redundantes. Por exemplo, as linguagens de programação GIS incluem Python, SQL, C ++, Visual Basic e JavaScript.
  • OS ESPECIALISTAS EM SENSORAMENTO REMOTO usam software aéreo, imagens de satélite e sensoriamento remoto .
  • ANALISTAS ESPACIAIS usam ferramentas de geoprocessamento para manipular, extrair, localizar e analisar dados geográficos.
  • PESQUISADORES DE TERRA medem as coordenadas tridimensionais na terra.

GIS tudo começou mapeando cólera

Mapa de cólera

Em 1854, a cólera atingiu a cidade de Londres, Inglaterra. Ninguém sabia onde a doença começou. Então, o médico britânico John Snow começou a mapear o surto. Não foi apenas a doença. Mas ele também mapeou estradas, limites de propriedades e linhas de água.

Quando ele adicionou esses recursos a um mapa, algo interessante aconteceu. Ele percebeu que os casos de cólera ocorriam em apenas uma linha de água. Este foi um avanço que conectou a geografia à segurança da saúde pública. Mas não foi apenas o início da análise espacial . Também marcou o início da epidemiologia, o estudo da propagação de doenças.

Em 1968, um homem chamado Roger Tomlinson começou a juntar a computação moderna com mapas. Na verdade, ele cunhou pela primeira vez o termo “GIS” (em inglês) em seu artigo “ Um Sistema de Informação Geográfica para Planejamento Regional “. Neste momento, o SIG se tornou verdadeiramente uma ferramenta baseada em computador para armazenar dados de mapas. Em 2014, Roger Tomlinson faleceu posteriormente e será sempre lembrado como o “pai do SIG”.

Roger Tomlinson

Grandes descobertas e melhorias envolvem invariavelmente a cooperação de muitas mentes. Posso receber o crédito por ter desbravado a trilha do GIS. Mas quando olho para o desenvolvimento subsequente, sinto que o crédito é devido a outros e não apenas a mim.
-Roger Tomlinson

Usos e aplicativos de GIS

Os Sistemas de Informações Geográficas estão repletos de exemplos de casos de uso. Por exemplo, encontramos mais de 1000 usos e aplicativos GIS . Aqui estão alguns exemplos abaixo.

MEIO AMBIENTE: De longe, os usuários mais pesados ​​são para o meio ambiente. Por exemplo, os conservacionistas usam GIS para mudanças climáticas, estudos de água subterrânea e avaliações de impacto.

Analista GIS

MILITAR E DEFESA: Militares são grandes usuários de GIS. Eles o usam para inteligência de localização, gerenciamento de logística e satélites espiões .

AGRICULTURA: Os agricultores o utilizam para a agricultura de precisão, mapeamento do solo e produtividade agrícola.

FLORESTA: Os silvicultores gerenciam a madeira, rastreiam o desmatamento e fazem o inventário dos povoamentos florestais com GIS.

NEGÓCIO: Mais no lado comercial das coisas, o GIS é para seleção de local , perfil de consumidor e prospecção de cliente.

BENS IMOBILIÁRIOS: Exemplos em bens imóveis incluem análise de mercado, avaliações de casas e zoneamento.

SEGURANÇA PÚBLICA: GIS mostra a propagação de doenças , resposta a desastres e saúde pública.

O que o GIS pode fazer por você?

Os Sistemas de Informações Geográficas respondem melhor a perguntas sobre localização, padrões e tendências. Por exemplo:

rota do telefone

1. Onde as características do terreno são encontradas? Se você precisar encontrar o posto de gasolina mais próximo, o GIS pode mostrar o caminho. O GIS pode encontrar a localização ideal conectando volumes de tráfego, informações de zoneamento e dados demográficos.

2. Que padrões geográficos existem? Na conservação, queremos conhecer o habitat animal usando coleiras GPS e cobertura do solo . Conhecendo a localização dos animais, podemos correlacionar os tipos de terreno preferidos com as localizações GPS. No final, temos um enorme banco de dados com todos os tipos de espécies de animais.

3. Que mudanças ocorreram em um determinado período de tempo? O tempo é o elemento que falta para estudar a mudança. Por exemplo, entendemos a mudança por meio de sensoriamento remoto do ambiente . Além disso, podemos prever melhor os desastres descobrindo mudanças ao longo do tempo.

4. Quais são as implicações espaciais? Se uma empresa deseja construir um novo projeto, o GIS se destaca no armazenamento de dados ambientais. A maioria das avaliações ambientais usa GIS para entender o impacto dos projetos na paisagem.

Nuvem de pontos de fotogrametria

O que é Ciência da Informação Geográfica (GISc)?

Ciência GIS
Enquanto os Sistemas de Informação Geográfica respondem “o quê” e “onde”, a Ciência da Informação Geográfica (GIScience) se preocupa com o “como” e seu desenvolvimento.

Como o GIS crescerá nos próximos anos? Esta é uma questão que a Ciência da Informação Geográfica entende melhor.

A Ciência da Informação Geográfica fornece todos os blocos de construção para Sistemas de Informação Geográfica. Ele se baseia na ciência da computação, matemática, geografia, estatística, cartografia e geodésia .

GIScience incorpora o conhecimento dessas áreas em Sistemas de Informação Geográfica.

  • Os Sistemas de Informação Geográfica conectam o quê com o onde .
  • A Ciência da Informação Geográfica descobre como .

Resumo: O que são Sistemas de Informação Geográfica?

Você pode se perguntar: os geógrafos não respondem a essas perguntas há séculos? Sim. Mas os geógrafos podem responder a essas perguntas muito melhor com os Sistemas de Informações Geográficas.

infográfico de sistemas de informação geográfica - o que é gis

Quando começamos a registrar os inventários em mapas de papel, foi um processo bastante tedioso. Mas o que realmente precisamos? Precisávamos de um GIS para registrar e armazenar observações. Além disso, precisávamos de uma tabela para armazenar atributos sobre os dados.

Qual é o resultado final? Os sistemas de informações geográficas (GIS) nos permitem interpretar as relações, padrões e tendências de compreensão dos dados. Então, visualizar e analisar dados geograficamente afeta nossa compreensão do mundo em que vivemos.

Referências:

1. Williams, Robert (1987), Selling a geographic information system to governamental policymakers. Artigos da Conferência Anual de 1987 da Urban and Regional Information Systems Association.

2. Stefan Hahmann e Dirk Burghardt. Quanta informação é geoespacialmente referenciada? Redes e cognição (páginas 1171-1189). Recebido em 27 de junho de 2012, aceito em 21 de outubro de 2012, publicado online: 23 de novembro de 2012.

3. RF Tomlinson. Um Sistema de Informação Geográfica para o Planejamento Regional. Departamento de Silvicultura e Desenvolvimento Rural. Governo do Canadá, publicado em 1969.

TRADUÇÃO: Evenuel Viana Veloza

Padrão
Sem categoria

Mais um incentivo ao uso do QGIS

Professores, pesquisadores e alunos da Universidade Federal do Paraná (UFPR), Universidade de Maryland (UMD) e Universidade da Flórida (UF), lançaram, nesta quarta-feira (21/10/20), o livro gratuito “Explorando o QGIS 3.X”. A obra foi elaborada para apoiar os alunos em seus estudos remotos e ficará à disposição da comunidade.

Para acesso ao livro em formato “.pdf” basta clicar no link a seguir:
https://lnkd.in/e_u4Yhj

Padrão
Sem categoria

25 plataformas para visualização da terra por meio de imagens satelitais [2020]

Se houver necessidade de se ter uma visão, muitas vezes com razoável atualização, de um determinado local da Terra, existem várias plataformas que podem ajudar e proporcionam este tipo de retorno.

Com elas, você ainda poderá explorar a Terra de novas maneiras que vocÊ talvez nunca pensou ser possível.

MAPAS SATELITAIS TRADICIONAIS

1 – Google Maps

google maps

O Google Maps é a ferramenta ULTIMATE para mapas de satélite. Tem crescido ao longo dos anos. Assim como seus recursos:

  • Como se fossem vistas panorâmicas da rua.
  • Suas perspectivas 3D são incrivelmente insanas.
  • E o favorito de quase todos: encontrar sua casa com seu sistema de endereçamento sólido.

Mas a melhor parte do Google Maps é que ele é atualizado regularmente. Na verdade, é difícil encontrar imagens com mais de 3 anos.

A única desvantagem em que consigo pensar é que você só consegue UM instantâneo a tempo. É aí que entra o Google Earth Pro …

2 – Google Earth Pro

google earth pro

O Google Maps e o Google Earth Pro compartilham as mesmas imagens? A resposta é: eles são completamente DIFERENTES um do outro.

O Google Earth Pro permite que você retroceda em sua linha do tempo histórica. Dessa forma, você pode visualizar mapas de satélite anteriores interativamente para qualquer lugar do mundo.

Há muito tempo, isso costumava ser um recurso pago. Mas agora, é totalmente gratuito. Portanto, se você deseja ver as imagens como cápsulas de tempo, o Google Earth Pro é um vencedor completo.

3 – NASA Worldview

na visão de mundo

Todos nós sabemos a aparência da Terra. Mas como é AGORA MESMO?

O Worldview da NASA visa a entrega de imagens em tempo real. Ou seja, a Terra como está “agora”. Mas tem mais:

Mostra mais de 800 camadas de imagens de satélite. E, normalmente, a maioria tem um atraso de apenas 3 horas.

4 – Mapbox

caixa de mapas

Este está rapidamente se tornando um dos meus mapas de satélite favoritos. É porque o Mapbox remove a desordem e visa a clareza.

Primeiro, vá para o Mapbox . Em seguida, vá para a visualização de satélite. Ao aumentar o zoom, você verá mapas de satélite de alta resolução.

Inclui imagens dos satélites comerciais mais icônicos, como DigitalGlobe.

5 – Imagens do Mundo da Esri

imagens do mundo esri

A Esri reúne imagens de mais de 300 colaboradores em todo o mundo. O resultado?

Uma camada de imagens do mundo que é um dos mapas de base mais poderosos e atualizados da atualidade.

De forma rápida e eficaz, você pode visualizar mapas de satélite de até 3 cm em pixels. Esse é o tamanho de uma pequena pedra!

6 – Esri Wayback Atlas

atlas esri wayback

O Way Back Atlas de Esri é como passar por uma máquina do tempo. Semelhante ao Google Earth Pro, você pode escolher seletivamente mapas de satélite no passado.

Mas este atlas contém uma riqueza secreta de informações. Por exemplo, Nova York tem mais de 100 mapas de satélite que datam de 2014.

A camada World Imagery da Esri (# 5) serve como o melhor disponível de todos os mapas de satélite … Mas o Way Back Atlas da Esri coloca você no assento do motorista para o que está “melhor disponível”.

7 – Bing Maps

mapas de bing

Se eu pudesse dar uma dica para mapas de satélite, seria não ignorar o Bing Maps .

Não me interpretem mal: as visualizações das ruas do Bing são esparsas e não tem visualizações oblíquas como o Google Maps.

Mas o Bing Maps ainda fornece mais de 10 TB de imagens. Embora algumas imagens possam estar desatualizadas há anos, as áreas povoadas ainda têm atualizações frequentes.

8 – Mapas HERE

aqui mapas

Como empresa, a HERE se concentra na navegação, padrões de tráfego e carros autônomos.

Mas, como parte de sua plataforma, ele fornece mapas de satélite para os motoristas. Estou me referindo ao seu mapa AQUI .

Quando você for para AQUI, primeiro notará sua interface totalmente limpa. Conforme você se movimenta, obtém uma variedade de mapas de satélite para explorar.

9 – Planet Explorer

explorador de planetas

O Planet Explorer é como a mina de ouro dos mapas de satélite. Aqui está o porquê:

Ele não mostra apenas mapas de satélite de mais de 120 microssatélites. Mas você recebe atualizações quase diárias com resolução de 2,5 m

Só há um problema: primeiro, você terá que registrar uma conta. É gratuito nos primeiros 15 dias. Mas depois disso, você terá que pagar.

10 – MapQuest

mapquest

Ao visitar o MapQuest , você terá uma sensação automática de nostalgia.

Claro, é um mapa que está tentando vender um hotel para você. Mas nem tudo é ruim: o MapQuest aproveita os serviços da TomTom, dando a você uma variedade de imagens.

O MapQuest já foi popular nos anos 90. Reconheço que ainda não é exatamente um mapa. A menos que esteja em uma “Busca” por um “Mapa” melhor. Apenas esperando aquele dia chegar.

11 – Yahoo! Mapas

mapas do yahoo

Yahoo! Mapas é como o Hall Mary dos mapas de satélite. Na verdade, está extinto desde 2015.

O Yahoo teve uma corrida legítima de 8 anos. No entanto, de alguma forma, eles ainda não desligaram.

Seus mapas de satélite estão atrás de seus concorrentes em vários aspectos. Por exemplo, falta 3D, vistas de rua e atualizações de imagens.

12 – MDA NaturalVue

mda natural view

Para uma visão aproximada da Terra, o MDA NaturalVue tem uma resolução de 15 metros. Só para lhe dar uma perspectiva sobre o que isso significa:

Primeiro, encontre um campo de futebol no mapa. Em seguida, conte o número de pixels. Se você contar 20 ou mais, é tão grosso que você nem será capaz de reconhecer o campo central.

Claro, NaturalVue é antigo. É até um pouco curinga. Mas é um sucesso genuíno se você está procurando imagens de mundo consistentes.

MAPAS ALÉM DO VISÍVEL

13 – Landsat Explorer

explorador de terras

O lançamento do Landsat-1 em 1972 foi um marco para os satélites espaciais. Foi um momento marcante que gerou mais de 40 anos de arquivamento da história do nosso planeta.

Centenas de satélites seguiram o caminho do Landsat para o espaço. Mas não foi apenas em cores.

No Landsat Explorer , você pode ver o mundo de novas maneiras, como infravermelho próximo, um índice espectral ou como nossos olhos o veem.

14 – Sentinel Playground

parque sentinela

Sentinel Playground faz jus ao seu nome. Porque a verdade é: os mapas de satélite não servem apenas para fotos bonitas.

Por exemplo, os 12 índices no Sentinel Playground caracterizam os recursos da Terra de maneira diferente.

É como aquelas pequenas bonecas russas: você vê camadas sobre camadas. Cada um é uma forma comprovada que pode ajudá-lo a chegar ao fundo da distinção.

15 – USGS Earth Explorer

usgs earth explorer hyperion

O USGS Earth Explorer oferece aos usuários mais de 45 plataformas de satélite para navegar. Mas você não precisa baixar dados. Você pode simplesmente visualizar QUALQUER COISA.

Por exemplo, é a única fonte onde você pode visualizar imagens hiperespectrais instantaneamente. Não só isso, mas você pode desbloquear satélites espiões como o CORONA dos anos 1960.

No geral, o USGS Earth Explorer reconecta a forma como você vê os mapas de satélite. Porque ver para crer, faça um teste.

16 – Folheto

folheto

O folheto permite que qualquer pessoa crie mapas da web leves que podem chamar de seus.

Como parte do Folheto , ele tem uma variedade de fornecedores de blocos gratuitos. Por exemplo, Esri, Geoportal France e CartoDB estão todos lá.

Um recurso interessante é que, quando você faz uma panorâmica, ele atualiza interativamente o mapa de cada provedor.

17 – Cesium

césio

Semelhante ao folheto, o Cesium permite que os usuários criem seus próprios webmaps personalizados.

Mas, como o césio é totalmente em 3D, a visualização é extraordinária.

Cesium Viewer é acompanhado por mapas de satélite como Bing, Esri e Mapbox.

MAPS HUMANITÁRIOS

18 – Tomnod / GeoHIVE

monte

Tomnod aproveita o poder do crowdsourcing em tempos de crise. Por exemplo, Tomnod é mais conhecido por sua plataforma de pesquisa para o voo MH370.

Independentemente da campanha, Tomnod pode ser um tesouro para mapas de satélite. Qualquer um que duvide deve olhar para suas campanhas anteriores Tomnod prova que não precisamos de MacGyver no caso. Em vez disso, precisamos do poder do crowdsourcing.

Após 9 anos e quilômetros de imagens de satélite, a DigitalGlobe está mudando a plataforma Tomnod para o GeoHIVE .

19 – DigitalGlobe Open Data

digitalglobe open data

DigitalGlobe tem dois tipos de dados abertos:

Em primeiro lugar, seu Programa de Dados Abertos oferece suporte a grandes eventos de crise global, como terremotos, furacões e incêndios florestais. Dessa forma, quem precisa pode obter o suporte de que precisa. Durante esses eventos humanitários, eles liberam cada foto em domínio público sob a licença Creative Commons 4.0.

Em segundo lugar, a DigitalGlobe tem amostras de produtos disponíveis para todo o mundo. Por exemplo, produtos de imagem de amostra estão disponíveis para o Rio de Janeiro (Brasil), Estocolmo (Suécia) e Washington DC (EUA).

MAPAS CLIMÁTICOS

20 – NOAA Weather Radar

clima noaa

O mapa 3D da NOAA é o primeiro out-of-the-gate. O truque deste aqui é como ele fornece um clima quase em tempo real.

Neste mapa global, você pode ver o clima do espaço, como seria de nossos olhos.

Como alternativa, o infravermelho próximo permite enfrentar o desafio por meio de uma lente diferente.

21 – Visualizador GOES

vai visualizador

GOES conhece o clima. Esses satélites geoestacionários atualizam nosso clima a cada 5 minutos. Mas como você vê isso?

Primeiro, vá para o Visualizador de imagens GOES . Em seguida, selecione sua região de destino.

Isso o levará a mapas de satélite para o clima. Por fim, escolha sua visualização e obtenha um instantâneo atualizado do tempo por satélite.

22 – Últimos 24

tempo 24

Conforme os satélites NOAA circulam silenciosamente a Terra, temos uma prévia do nosso planeta do espaço.

Em vez de uma perspectiva 3D, a NOAA construiu um conjunto de mapas de satélite que visam o clima com uma visão de cima para baixo.

Na verdade, você pode avançar e retroceder interativamente o clima das últimas 24 horas de cada dia.

MAPAS ESPECIALIZADOS

23 – Visão noturna

visão noturna

Como é a Terra à noite? E qual é a extensão do assentamento humano na paisagem?

Ao juntar mais de 400 imagens do espaço, a NASA compilou a visão noturna mais abrangente em seu mapa de mármore preto .

Conforme visto neste mapa de visão noturna, as principais cidades iluminam mais o céu. No geral, isso nos dá um valor aproximado de quanta humanidade habitou a terra.

24 – Mapa Florestal Global

relógio de floresta global

Quando uma árvore cai na floresta, os satélites ouvem o impacto. Quem duvida da gravidade do desmatamento pode conferir no Global Forest Watch .

Primeiro, vá para o Global Forest Watch. Por padrão, as florestas desmatadas estão ativadas. Países como Indonésia, Brasil e Peru se iluminam.

Se você aumentar o zoom, terá mapas de satélite como a constelação de mais de 120 do planeta – o pago (# 9) que mencionei acima.

25 – Sistema de Informação de Incêndio para Gerenciamento de Recursos da NASA (FIRMS)

firmas

Quando os incêndios florestais rugem, os satélites rastreiam onde eles queimam. Especificamente, eles capturam incêndios florestais à medida que acontecem e os transmitem por meio de mapas de incêndio ativos, como FIRMS .

No entanto, de alguma forma, há uma desconexão curiosa entre aqueles que lutam contra incêndios no solo.

Sensores de satélites como MODIS e VIIRS fazem uso de infravermelho térmico. Só então, podemos detectar incêndios tão pequenos quanto um ponto quente … todo o caminho até a erupção vulcânica.

Por: Geografia GIS · (Última atualização: 24 de setembro de 2020)

Imagem em destaque: alexis84/Thinkstock

Padrão
GEOINTELIGÊNCIA, SENSORIAMENTO REMOTO

Geração de dados sintéticos para sensoriamento remoto

A muito percebi que não a caminho de volta para um emprego cada vez mais massivo da classificação automática de alvos, no futuro da Inteligência de Imagens e suas aplicações. Tal situação passa obrigatoriamente pela criação de uma biblioteca espectral de alvos, ampla e eficiente, para que possa ter sua utilidade posta em prática de forma mais plena.

A publicação a seguir, apesar de, em alguns momentos, se ater a quesitos bastantes técnicos da computação e das redes neurais, consegue abordar vários pontos desse desafio e suas possíveis soluções, no que tange ao Estado da Arte sensoriamento remoto e a IMINT.

Aproveitando todo o potencial das redes neurais profundas para interpretação e análise de imagens 

A maior parte da interpretação e análise de imagens modernas depende de redes neurais profundas (DNNs) devido à sua precisão incomparável, grande capacidade de diferenciar várias classes de objetos distintos, generalização e relativa simplicidade para desenvolver e aplicar novas ferramentas, quando comparados aos métodos tradicionais de visão por computador. 

Nos últimos anos, a pesquisa de DNN resultou em uma classificação de prateleira, com a detecção e algoritmos de segmentação semântica que, quando devidamente treinados, aproximam-se do nível humano ou até o superam no desempenho em muitos domínios de imagens. No entanto, são necessárias grandes quantidades de dados de treinamento rotulados para tarefas específicas de maneira a obter esses benefícios. 

Esses dados devem exibir a extensão e a variabilidade do domínio de destino. Como outros modelos estatísticos, DNNs não extrapolam bem em ambientes fora do seu domínio, sem cuidados especiais. Por exemplo, treinar um modelo para segmentar estradas usando imagens de cidades norte-americanas e, em seguida, implantar esses modelos em imagens de cidades europeias produzirá um resultado aquém do ideal. Um obstáculo básico à generalização para DNNs é que as variações que parecem obviamente irrelevantes para os humanos (por exemplo, marcações de pista diferentes ou práticas agrícolas) são percebidas como sendo completamente estranhas a um DNN, levando a resultados imprevisíveis. 

O aumento de dados durante o treinamento (por exemplo, espelhamento aleatório, rotação, alterações de contraste e brilho, equilíbrio de cores, escala, etc.) pode aliviar parcialmente esses problemas; no entanto, métodos mais avançados são necessários para que os DNNs possam generalizar bem novos ambientes. Um obstáculo básico à generalização para DNNs é que as variações que parecem obviamente irrelevantes para os humanos (por exemplo, marcações de pista diferentes ou práticas agrícolas) são percebidas como completamente estranhas a um DNN, levando a resultados imprevisíveis. 

Para combater a generalização deficiente, vários métodos criam conjuntos de dados rotulados para fins de treinamento, mas fazer isso de forma eficiente, em escala e com extensibilidade em mente requer uma reflexão cuidadosa. O desenvolvimento de um sistema usando metodologias ativas de aprendizagem implantadas em ambientes colaborativos pode ajudar os anotadores a rotular dados rapidamente e criar uma capacidade operacional, começando com apenas uma pequena quantidade de dados rotulados. [1] Muitos desses insights foram feitos em outros campos, particularmente com direção autônoma e cuidados de saúde, que requerem fatores extras, como segurança e interoperabilidade. [2,3]

Além de rotulagem robusta, treinamento e um ambiente de validação e implantação, técnicas mais avançadas podem maximizar a precisão do modelo em escalas de tempo curtas e com dados de treinamento limitados. Por exemplo, a modelagem semi-supervisionada e não supervisionada pode ajudar nas tarefas de rotulagem, enquanto os ambientes simulados podem substituir ou complementar os conjuntos de dados de treinamento e validação. Este artigo se concentra na última abordagem: criar fluxos de trabalho de dados sintéticos para aumentar a precisão do modelo quando os dados rotulados são escassos.

Métodos de Simulação

O artigo de Geoffrey Hinton de 2007 “Para reconhecer formas, primeiro aprenda a gerar imagens,” [4]  teve um grande impacto no assunto rede neural e na comunidade de pesquisa estatística. O artigo apresenta as etapas para desenvolver uma rede neural de várias camadas, métodos para definir funções de perda e o cálculo para atualizar os parâmetros do modelo para maximizar a precisão do modelo (conhecido como retropropagação). Além dessa receita de treinamento de modelo altamente popular, o trabalho de Hinton discute a geração de imagens de modelagem para aumentar ainda mais a precisão da detecção ou classificação. Em essência, entender como criar imagens beneficia muito a interpretação e análise de imagens (e vice-versa).

Existem duas abordagens principais para simular dados, cada uma com vantagens e desvantagens: gráficos de computador tradicionais e modelos generativos baseados em dados. Gráficos de computador usam traçado de raio e rasterização para renderizar cenas simuladas. Isso funciona particularmente bem em casos de uso de sensoriamento remoto e veículos autônomos, onde os primitivos básicos (edifícios, estradas, veículos) e as condições espectrais (geometrias de visualização, ângulos de iluminação, conteúdo espectral, atenuação atmosférica) são relativamente simples e fáceis de modelar. 

Por exemplo, a ferramenta de modelagem Digital Imaging and Remote Sensing Image Generation (DIRSIG), desenvolvida no Rochester Institute of Technology, fornece métodos para criar imagens sintéticas baseadas na física para desenvolvimento de sensores e para auxiliar no treinamento de modelos DNN. [5,6]Métodos semelhantes foram estudados para renderizar embarcações marítimas, colocando-as em imagens reais para melhorar amplamente as métricas de detecção de objetos. [7] 

Veículos autônomos e indústrias de saúde usam métodos de renderização para gerar conjuntos de dados simulados para melhorar a precisão do modelo, especialmente quando conjuntos de dados rotulados são escassos. [8,9] No entanto, a composição das cenas a serem renderizadas pode levar tempo, principalmente se o domínio de destino for diverso. Em comparação com a abordagem ingênua de reunir e rotular dados adicionais, esta abordagem troca o trabalho do anotador humano pelo trabalho do ilustrador. Em alguns casos, pode não ser possível realizar este exercício sem um investimento significativo.

Alternativamente, a abordagem generativa para dados sintéticos vê um conjunto existente de dados reais como uma coleção de amostras da distribuição real de dados reais e tenta construir um modelo que extrai amostras adicionais dessa distribuição. As amostras (ou imagens) geradas lembram o conjunto de dados e, se o modelo for treinado corretamente, podem ter níveis muito altos de fidelidade visual. Isso reduz a necessidade de usar a abordagem de computação gráfica para construir e renderizar objetos de interesse em cenas com condições espectrais realistas. 

No entanto, se esses parâmetros forem conhecidos e estiverem disponíveis no momento do treinamento, eles também podem ser usados ​​para condicionar o modelo a controlar a saída gerada. Os principais exemplos de modelagem generativa, especificamente usando redes adversárias generativas (GANs), incluem os trabalhos de Karras et al.[10] e Wang et al. para condicionar a saída GAN no nível do pixel usando rótulos semânticos. [11]

Ilustração da estrutura GAN: D (Discriminador) é apresentado alternadamente com imagens de G (Gerador) e do conjunto de dados. D é solicitado a distinguir entre as duas fontes. O problema é formulado como um jogo minimax: D está tentando minimizar o número de erros que comete. G está tentando maximizar o número de erros que D comete nas amostras geradas. As setas curvas representam a retropropagação de gradientes no conjunto de parâmetros de destino.

Modelagem Generativa vis GANs

Um GAN consiste em um par de redes que, como o nome sugere, competem entre si durante a fase de treinamento. A rede de geradores G toma como entrada um vetor aleatório denominado vetor latente. Se outros metadados estiverem disponíveis (ângulo de iluminação, etc.), esses valores podem ser concatenados com o vetor latente para condicionar a saída. Ao gerar novos dados, a rede pode ser controlada por meio dos metadados para criar imagens com parâmetros específicos. Este vetor latente é alimentado em uma série de camadas de remodelagem e deconvoluição para reconstruir e transformar o vetor em uma imagem gerada. 

A segunda rede, o discriminador D, obtém imagens do conjunto de dados real (os dados que estamos tentando modelar) e do conjunto de dados gerado e os passa por uma série de camadas convolucionais e de remodelagem em uma imagem quase espelhada da rede do gerador. Ele tenta prever corretamente quais imagens foram geradas por G e quais são reais. Estas redes competir em um jogo minimax de dois jogadores: onde D tem por objetivo adivinhar corretamente o que foi gerado, contra imagens reais, enquanto G tem por objetivo enganar D. No resultado ideal, G gera imagens sintéticas convincentes e D não pode determinar se as imagens de G são reais ou não. Durante a implantação, G recebe vetores latentes aleatórios com metadados de condicionamento (se disponíveis) para criar novas imagens plausíveis. O discriminador normalmente é descartado. [12]

Os GANs têm sido usados ​​com sucesso no setor de saúde, que apresenta um grande desequilíbrio entre imagens médicas saudáveis ​​e aquelas que contêm tecidos ou tumores prejudiciais. Os GANs podem ajudar a reduzir esse desequilíbrio por meio da modelagem e criação de dados adicionais. [13] Além disso, quando as preocupações com a privacidade são um problema, os GANs têm sido usados ​​para aplicar o anonimato, criando dados sintéticos que carecem de informações pessoais e ainda exibem os detalhes do exame dos pacientes. [14]

Usando GANs para aplicações de sensoriamento remoto

Para treinar DNNs de sensoriamento remoto usando modelos generativos para aumento de dados, deve-se modelar as imagens e os rótulos associados com um alto grau de precisão e fidelidade. Os pesquisadores fizeram progressos nessa direção transferindo estatísticas de imagem de um domínio, onde há uma abundância de dados, para o domínio de destino que é semelhante em aparência e conteúdo, mas com muito menos exemplos.

Por exemplo, Yun et al. use redes adversárias geradoras de ciclo consistente para converter dados de banda visível em dados infravermelhos. [15] Da mesma forma, Benjdira et al. usou a saída de CycleGANs entre a banda visível e os dados infravermelhos para aumentar significativamente a precisão da segmentação de conjuntos de dados de sensoriamento remoto. [16] Seo et al. transferiu estatísticas de imagens de imagens reais em imagens renderizadas sinteticamente contendo veículos militares para aumentar a fidelidade geral da imagem. [17] Em cada um desses trabalhos, dados reais são usados ​​para aumentar os dados sintéticos para a detecção de objetos ou treinamento do modelo de segmentação.

Em nosso trabalho recente (Howe et al.), as imagens e os rótulos são modelados juntos para criar imagens rotuladas completamente novas, que foram usadas para treinar um detector de objetos. [18] Para nosso conhecimento, esta é a primeira vez que tal modelagem foi tentada usando métodos GAN para qualquer área de aplicação. Aqui, usamos o Concurso de Rotulagem Semântica 2D da Sociedade Internacional de Fotogrametria e Sensoriamento Remoto (ISPRS) – conjunto de dados de Potsdam. 

Este conjunto de dados consiste em 24 segmentação rotulada de imagens de 6.000 × 6.000 pixels coletadas a uma distância de amostra do solo de 5 cm com seis categorias de tipos de uso da terra: superfícies impermeáveis ​​(branco), edifícios (azul), vegetação rasteira (ciano), árvores (verde) , veículos (amarelo) e desordem (vermelho). Usamos os métodos de Karras et al. (ProgressiveGAN) e Wang et al. (Pix2PixHD) para modelar os espaços de máscaras de segmentação e imagens condicionadas a tais máscaras, respectivamente. [19,20] A Figura 1 apresenta exemplos de imagem real e sintética e pares de rótulos.

Figura 1. Imagem real ISPRS Potsdam e pares de rótulos (à esquerda) e pares de rótulos de imagens gerados sinteticamente (à direita). As máscaras de segmentação sintética foram geradas via ProgressiveGAN, e as imagens sintéticas foram geradas via Pix2PixHD condicionadas na máscara gerada.

De uma perspectiva qualitativa, é difícil diferenciar conjuntos de dados reais de sintéticos. A métrica Fréchet Inception Distance (FID) é comumente usada para medir quantitativamente o quão bem os dados gerados correspondem à distribuição dos dados reais. Informalmente, o FID tenta medir como as imagens são diferentes das imagens reais quando processadas por meio de um DNN específico treinado no conjunto de dados ImageNet. Observamos que aumentar a quantidade de dados de treinamento para os GANs resultou em um aumento na pontuação do FID, o que significa que as imagens geradas se tornaram menos semelhantes às imagens reais quando a quantidade de dados de treinamento foi aumentada. Isso faz sentido à medida que os GANs aprendem a interpolar entre as imagens de treinamento, o que se torna mais difícil à medida que o número e a diversidade das imagens de treinamento aumentam.

Ao usar dados gerados por GAN para aumentar conjuntos de dados de treinamento reais, uma tendência semelhante é encontrada. Se apenas uma pequena quantidade de dados estiver disponível para treinar os GANs e um detector de objetos, neste caso, RetinaNet, [21]o aumento relativo na precisão média média (mAP) pode aumentar em mais de 10 por cento, em comparação com o treinamento com dados reais sozinhos usando metodologias de aumento de dados padrão. Para uma comparação prática, essa melhoria é cerca de 40 por cento do benefício obtido ao rotular exaustivamente uma imagem adicional de 6.000 × 6.000 pixels. 

À medida que o número de imagens de treinamento aumenta, a melhoria relativa no mAP diminui; até que eventualmente este método de aumento GAN se torne prejudicial. Este pipeline é eficaz, mas apenas quando muito poucos dados rotulados estão disponíveis. Se os dados rotulados forem abundantes, podem não oferecer um benefício e possivelmente prejudicar o desempenho. No entanto, para pequenas quantidades de dados de treinamento, esses métodos podem fornecer um impulso adicional no desempenho além das técnicas tradicionais de aumento.

Resumo e trabalho futuro

Em alguns domínios de imagens, as tarefas de visão computacional de classificação, detecção e segmentação podem ser vistas como problemas resolvidos no sentido de que, com dados abundantes, diversos e bem rotulados, as técnicas de prateleira agora podem se aproximar ou mesmo exceder desempenho de nível humano. Infelizmente, na prática, esses requisitos de dados geralmente excedem em muito o volume, a diversidade e a fidelidade da maioria dos conjuntos de dados rotulados. Além disso, essas técnicas de prateleira normalmente não se aplicam bem aos conjuntos de dados altamente desequilibrados que costumam ser a norma em muitas aplicações. Esses problemas são agravados pelo fato de que as técnicas de transferência de informações de dados rotulados em um domínio para outro (geralmente chamadas de adaptação de domínio) não abordam remotamente o desempenho de nível humano, mas são uma área ativa de pesquisa.

Além de rotular mais dados, o que pode ser caro ou mesmo impossível em alguns cenários, as duas principais abordagens para aumentar os dados escassos são a síntese de dados por gráficos de computador e modelos generativos. Ambas as técnicas se mostraram promissoras em imagens de sensoriamento remoto, mas têm uma deficiência comum: elas otimizam para fotorrealismo em vez de otimizar a sua utilidade como dados de treinamento. Além de hiperparâmetros de mudança de feedback humano, nenhuma das abordagens tenta usar a precisão da previsão como um sinal de treinamento para melhorar a simulação. 

A situação é semelhante à de alunos se preparando para um exame, mas o professor ignora completamente o desempenho no exame para trabalhar o desenvolvimento do currículo posterior. Na instrução adequada, o currículo é ajustado dinamicamente com base no desempenho do aluno. No aprendizado de máquina (ML), esse ciclo de feedback, conectado por meio de gradiente descendente, é referido como meta-aprendizagem. Antecipamos que os avanços futuros na síntese de dados para ML virão da unificação de gráficos e abordagens geradoras em uma construção de meta-aprendizado para otimizar diretamente para a tarefa de visão computacional desejada, em vez de fotorrealismo.


Este artigo foi aprovado para divulgação pública pela National Geospatial-Intelligence Agency # 20-084.

  1. Ksenia Konyushkova, Raphael Sznitman e Pascal Fua. “Aprendendo Aprendizado Ativo com Dados.” Em Advances in Neural Information Processing Systems, pp. 4225-4235. 2017.
  2. https://blogs.nvidia.com/blog/2018/09/13/how-maglev-speeds-autonomous-vehicles-to-superhuman-levels-of-safety/
  3. https://developer.nvidia.com/clara
  4. Geoffrey Hinton. “Para reconhecer formas, primeiro aprenda a gerar imagens.” Progress in Brain Research. 2007. não. 165: 535-547. https://doi.org/10.1016/S0079-6123(06)65034-6
  5. http://www.dirsig.org
  6. Sanghui Han ,, Alex Fafard, John Kerekes, Michael Gartley, Emmett Ientilucci, Andreas Savakis, Charles Law et al. “Efficient Generation of Image Chips for Training Deep Learning Algorithms.” Em reconhecimento automático de alvo XXVII. 2017. vol. 10202, pág. 1020203. Sociedade Internacional de Óptica e Fotônica.
  7. Yiming Yan, Zhichao Tan e Nan Su. “A Data Augmentation Strategy Based on Simulated Samples for Ship Detection in RGB Remote Sensing Images.” ISPRS International Journal of Geo-Information 2019: 8 (6): 276.
  8. Josh Tobin, Rachel Fong, Alex Ray, Jonas Schneider, Wojciech Zaremba e Pieter Abbeel. “Domain Randomization for Transferring Deep Neural Networks from Simulation to the Real World.” Em 2017 IEEE / RSJ International Conference on Intelligent Robots and Systems (IROS). pp. 23-30. IEEE. 2017.
  9. AF Frangi, SA Tsaftaris e JL Prince. “Simulation and Synthesis in Medical Imaging.” IEEE Transactions on Medical Imaging. 2018: 37 (3): 673-679. doi: 10.1109 / TMI.2018.2800298.
  10. Tero Karras, Timo Aila, Samuli Laine e Jaakko Lehtinen. “Progressive Growing of GANs for Improved Quality, Stability, and Variation.” 2017. pré-impressão de arXiv arXiv: 1710.10196.
  11. Ting-Chun Wang, Ming-Yu Liu, Jun-Yan Zhu, Andrew Tao, Jan Kautz e Bryan Catanzaro. “High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs.” Em Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018. pp. 8798-8807.
  12. Ian Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville e Yoshua Bengio. “Generative Adversarial Nets.” In Advances in Neural Information Processing Systems. 2014. pp. 2672-2680.
  13. Felix Lau, Tom Hendriks, Jesse Lieman-Sifry, Sean Sall e Dan Golden. “Scargan: Chained Generative Adversarial Networks to Simulate Pathological Tissue on Cardiovascular MR Scans.” Em Deep Learning em Medical Image Analysis e Multimodal Learning for Clinical Decision Support. 2018. Springer, Cham. pp. 343-350.
  14. Edward Choi, Siddharth Biswal, Bradley Malin, Jon Duke e Walter F. Stewart, Jimeng Sun. “Generating Multi-label Discrete Patient Records Using Generative Adversarial Networks.” In Proceedings of the 2nd Machine Learning for Healthcare Conference.2017. PMLR 68: 286-305.
  15. Kyongsik Yun, Kevin Yu, Joseph Osborne, Sarah Eldin, Luan Nguyen, Alexander Huyen e Thomas Lu. “Melhor Visível para Transformação de Imagem IR Usando Aumento de Dados Sintéticos com Redes Adversariais Consistentes em Ciclo.” Em reconhecimento e rastreamento de padrões. 2019. XXX, vol. 10995. p. 1099502. International Society for Optics and Photonics.
  16. Bilel Benjdira, Yakoub Bazi, Anis Koubaa e Kais Ouni. “Adaptação de Domínio Não Supervisionado Usando Redes Adversariais Generativas para Segmentação Semântica de Imagens Aéreas.” Sensoriamento remoto. 2019: 11 (11): 1369.
  17. Junghoon Seo, Seunghyun Jeon e Taegyun Jeon. “Domain Adaptive Generation of Aircraft on Satellite Imagery via Simulated and Unsupervised Learning.” 2018. pré-impressão de arXiv arXiv: 1806.03002.
  18. Jonathan Howe, Kyle Pula e Aaron A. Reite. “Conditional Generative Adversarial Networks for Data Augmentation and Adaptation in Remotely Sensed Imagery.” 2019. arXiv preprint arXiv: 1908.03809.
  19. Tero Karras, Timo Aila, Samuli Laine e Jaakko Lehtinen. “Progressive Growing of GANs for Improved Quality, Stability, and Variation.” 2017. pré-impressão de arXiv arXiv: 1710.10196.
  20. Ting-Chun Wang, Ming-Yu Liu, Jun-Yan Zhu, Andrew Tao, Jan Kautz e Bryan Catanzaro. “High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs.” Em Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018. pp. 8798-8807.
  21. Tsung-Yi Lin, Priya Goyal, Ross Girshick, Kaiming He e Piotr Dollár. “Perda Focal para Detecção de Objeto Denso.” Em Proceedings of the IEEE International Conference on Computer Vision. 2017. pp. 2980.2988.

USGIF em 28 de abril de 2020

Autores: Dr. Jonathan Howe, NVIDIA; Dr. Aaron Reite, NGA; Dr. Kyle Pula, CACI; e Dr. Jonathan Von Stroh, CACI

Tradução e comentários: Evenuel Viana Veloza

Padrão