Applicare i principi dell'IA responsabile nella creazione di set di dati per il rilevamento remoto, come Dynamic World

1. Prima di iniziare

Dynamic World è un set di dati globale sull'uso e la copertura del suolo (LULC) che viene aggiornato quasi in tempo reale. Fornisce una risoluzione di 10 metri perché utilizza la costellazione Sentinel-2 dell'Agenzia spaziale europea (ESA) e il programma Copernicus, che genera un'immagine globale aggiornata della superficie terrestre ogni 2-5 giorni. È prodotta con un modello di deep learning, Vertex AI ed Earth Engine, una piattaforma di analisi geospaziale. Aiuta scienziati, ricercatori e sviluppatori a rilevare i cambiamenti, mappare le tendenze e quantificare le variazioni della superficie terrestre.

Earth Engine è uno strumento che mira a far progredire le conoscenze scientifiche sui processi planetari per promuovere ulteriormente il beneficio ambientale e sociale. Il suo utilizzo commerciale, in anteprima con Google Cloud, afferma che il suo scopo principale è comprendere e affrontare problemi critici di sostenibilità e clima, come la deforestazione, la gestione dell'acqua e l'uso sostenibile del territorio.

Nota:la chiarezza del linguaggio su Dynamic World ed Earth Engine è un approccio comune di AI responsabile per salvaguardare il potenziale utilizzo per qualsiasi motivo diverso dallo scopo previsto di beneficio sociale.

In questo codelab, applichi pratiche responsabili nella generazione di set di dati derivati dal machine learning, come Dynamic World.

Obiettivi didattici

• Come applicare pratiche di AI responsabile nelle app di telerilevamento.
• Come interpretare visivamente le previsioni di Dynamic World nello spazio e nel tempo.
• Come riflettere sulle implicazioni etiche e sulle conseguenze sociali a valle.

Che cosa ti serve

• Familiarità con la navigazione nelle app Earth Engine.
• Google Chrome, che funziona al meglio con le app Earth Engine.

2. Apri l'app Dynamic World Earth Engine

Il set di dati Dynamic World contiene previsioni per pixel di nove classi LULC, come descritto in questa tabella. L'uso del suolo descrive il modo in cui gli esseri umani utilizzano la terra, mentre la copertura del suolo descrive il materiale fisico sulla superficie della Terra.

Tipo di LULC	Descrizione
Acqua	Corpi idrici permanenti e stagionali
Alberi	Foreste primarie e secondarie e piantagioni su larga scala
Erba	Praterie naturali, pascoli e parchi
Vegetazione inondata	Mangrovie e altri ecosistemi inondati
Colture agricole	Colture in fila e colture in risaia
Arbusti e macchia	Vegetazione aperta da rada a densa composta da arbusti
Area edificata	Edifici a bassa e alta densità, strade e spazi aperti urbani
Terreno nudo	Deserti e roccia a vista
Neve e ghiaccio	Copertura nevosa permanente e stagionale

Le immagini di questo set di dati includono 10 bande: nove bande con probabilità stimate per ciascuna delle nove classi LULC e una banda di etichette di classe che indica la classe con la probabilità stimata più elevata. Queste proprietà distinte consentono agli utenti di eseguire analisi multitemporali e creare prodotti personalizzati adatti alle loro esigenze.

Nota:questo utilizzo delle previsioni in Dynamic World è stato sottoposto a una revisione etica in cui è stato valutato in termini di sicurezza, rigore scientifico, equità, potenziale uso improprio, beneficio sociale e, in questo caso, allineamento ai principi di Google AI. Se applicabile, puoi configurare i checkpoint nel tuo progetto di ML per valutare in che modo le decisioni tecniche che prendi sono in linea con la mission, i valori o la carta etica della tua organizzazione.

Per aprire l'app Earth Engine Dynamic World:

1. Apri un'altra scheda nel browser.
2. Vai a Dynamic World.

La mappa mostra il mosaico della modalità Top1 con l'ombreggiatura a livelli di zoom elevati.

3. Fai clic sulla mappa per visualizzare un grafico che mostra le probabilità delle classi nel tempo.
4. Fai clic su un punto dati del grafico per caricare una previsione specifica e la relativa immagine Sentinel-2.
5. Nel riquadro Livelli, regola i livelli e la visibilità.

3. Esplorare le previsioni di Dynamic World in Brasile

Dynamic World include previsioni per tutte e nove le classi LULC e mostra una singola etichetta Top1 per ogni pixel. Il mondo reale è un mix di molte classi LULC a qualsiasi risoluzione spaziale. In questa sezione, interpreti visivamente le previsioni nello spazio e nel tempo.

Per esplorare le previsioni di Dynamic World in Brasile:

1. Nel browser, vai all'app Dynamic World EE.
2. Nel campo Cerca luoghi, inserisci Sete de Setembro, Brazil.

Dovresti visualizzare i dati di calcolo di Dynamic World per il territorio indigeno del popolo Paiter Surui, che vive nella regione di Sete de Setembro, in Rondônia, Brasile.

3. Nel riquadro Dynamic World, inserisci 2016-01-01 nel campo Data di inizio e 2022-01-01 nel campo Data di fine, quindi fai clic su Aggiorna.

Il caricamento della mappa potrebbe richiedere alcuni minuti perché viene calcolata in tempo reale.

4. Fai clic su un punto qualsiasi della mappa per generare un grafico in tempo reale.

Puoi aumentare ulteriormente lo zoom per una risposta più rapida.

5. Esamina il grafico in cui le probabilità di classe si trovano sull'asse Y e il tempo sull'asse X.

In questo esempio, la previsione della classe Top1 dal 1° gennaio 2016 al 27 luglio 2017 è alberi, che varia da una probabilità di 0, 684 a 0, 755. Quando la scena successiva di Sentinel-2 viene acquisita il 5 settembre 2017, la previsione non riguarda più gli alberi e il segnale diventa molto più rumoroso.

6. Fai clic su per ingrandire il grafico.

Nota:quando vuoi generare in modo responsabile un set di dati derivato dal ML, pianifica lo scenario in cui il set di dati potrebbe essere adattato per usi non intenzionali e persino dannosi. Poni domande come "Alcuni individui, mercati, regioni, segmenti di utenti o popolazioni sono più a rischio di conseguenze negative derivanti dall'utilizzo di questo set di dati rispetto ad altri?".

4. Complimenti

Hai imparato ad applicare i principi dell'AI responsabile nella generazione di set di dati derivati dal machine learning, come Dynamic World.

Scopri di più

• Pratiche di AI responsabile
• Introduzione a Dynamic World (parte 1): visualizzazione e creazione di composizioni