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 per 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. Viene prodotto con un modello di deep learning, Vertex AI e Earth Engine, una piattaforma di analisi geospaziale. Aiuta scienziati, ricercatori e sviluppatori a rilevare cambiamenti, mappare le tendenze e quantificare le differenze sulla superficie terrestre.

Earth Engine è uno strumento che mira a far progredire la conoscenza scientifica dei processi planetari per apportare ulteriori benefici ambientali e sociali. 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 delle risorse idriche e l'uso sostenibile del suolo.

Nota: la chiarezza del linguaggio di Dynamic World e Earth Engine è un approccio comune all'IA responsabile che tutela l'IA da potenziali utilizzi per qualsiasi motivo diverso dallo scopo previsto di beneficio sociale.

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

Obiettivi didattici

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

Che cosa ti serve

• Familiarità con la navigazione nelle app Earth Engine.
• Google Chrome, che funziona al meglio con le app di 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 LULC	Descrizione
Acqua	Corpi d'acqua permanenti e stagionali
Alberi	Foreste primarie e secondarie e piantagioni su vasta scala
Erba	Praterie naturali, pascoli per bestiame e parchi
Vegetazione inondata	Mangrovie e altri ecosistemi inondati
Colture agricole	Colture a righe e risaie
Arbusti e scrub	Vegetazione aperta da scarsa a densa composta da arbusti
Area edificata	Edifici a bassa e alta densità, strade e spazi aperti urbani
Terreno nudo	Deserti e rocce esposte
Neve e ghiaccio	Manto nevoso permanente e stagionale

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

Nota:questo utilizzo delle previsioni in Dynamic World è stato sottoposto a una revisione etica in cui è stato valutato i risultati relativi a sicurezza, rigore scientifico, equità, potenziale uso improprio, beneficio sociale e, in questo caso, in linea con i principi dell'IA di Google. Se applicabile, puoi configurare dei punti di controllo nel progetto ML per valutare in che modo le decisioni tecniche che prendi sono in linea con la dichiarazione di missione, i valori o la carta etica della tua organizzazione.

Per aprire l'app Dynamic World Earth Engine:

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

La mappa mostra il mosaico in modalità Top1 con collinetta ad alti livelli di zoom.

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. Esplora le previsioni di Dynamic World in Brasile

Dynamic World include previsioni per tutte e nove le classi LULC e visualizza una singola etichetta Top1 per ogni pixel. Il mondo reale è una combinazione di molte classi LULC a qualsiasi risoluzione spaziale. In questa sezione devi interpretare 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 vedere i dati di calcolo di Dynamic World relativi al territorio indigeno del popolo Paiter Surui, che vive nella regione Sete de Setembro di Rondônia, in Brasile.

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

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

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

Puoi aumentare lo zoom per una risposta più rapida.

5. Esamina il grafico in cui le probabilità delle classi sono sull'asse y e il tempo è sull'asse x.

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

6. Fai clic su per ingrandire il grafico.

Nota:se vuoi generare in modo responsabile un set di dati derivato dall'ML, pianifica lo scenario per adattare il set di dati 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'uso di questo set di dati rispetto ad altri?".

4. Complimenti

Hai imparato ad applicare i principi dell'IA responsabile nella generazione di set di dati derivati dall'ML, come Dynamic World.

Scopri di più

• Pratiche di IA responsabile
• Introduction to Dynamic World (Parte 1): visualizzazione e creazione di componenti compositi