Stosuj zasady odpowiedzialnej AI podczas tworzenia zbiorów danych do zdalnego wykrywania, takich jak Dynamic World

1. Zanim zaczniesz

Dynamic World to globalny zbiór danych o zagospodarowaniu i pokryciu terenu (LULC), który jest aktualizowany niemal w czasie rzeczywistym. Ma rozdzielczość 10 m, ponieważ korzysta z konstelacji satelitów Sentinel-2 Europejskiej Agencji Kosmicznej (ESA) i programu Copernicus, które co 2–5 dni generują aktualny globalny obraz powierzchni Ziemi. Została ona wygenerowana za pomocą modelu uczenia głębokiego Vertex AI i platformy Earth Engine do analizy geoprzestrzennej. Pomaga naukowcom, badaczom i programistom wykrywać zmiany, obserwować trendy i określać ilościowo różnice na powierzchni Ziemi.

Earth Engine to narzędzie, które ma na celu poszerzanie wiedzy naukowej o procesach zachodzących na naszej planecie, aby przynosić korzyści środowiskowe i społeczne. Jego zastosowanie komercyjne, w wersji podglądowej w Google Cloud, polega na tym, że jego głównym celem jest zrozumienie i rozwiązanie kluczowych problemów związanych ze zrównoważonym rozwojem i klimatem, takich jak wylesianie, gospodarka wodna i zrównoważone użytkowanie gruntów.

W tym module dowiesz się, jak stosować odpowiedzialne praktyki podczas generowania zbiorów danych pochodzących z uczenia maszynowego, takich jak Dynamic World.

Czego się nauczysz

Jak stosować odpowiedzialne działania w zakresie AI w aplikacjach do teledetekcji.
Jak wizualnie interpretować prognozy Dynamic World w przestrzeni i czasie.
Jak zastanawiać się nad implikacjami etycznymi i społecznymi.

Czego potrzebujesz

Znajomość aplikacji Earth Engine.
Google Chrome, która najlepiej współpracuje z aplikacjami Earth Engine.

2. Otwórz aplikację Dynamic World Earth Engine

Zbiór danych Dynamic World zawiera prognozy dla każdego piksela dotyczące 9 klas pokrycia terenu, które opisano w tej tabeli. Użytkowanie terenu opisuje, jak ludzie wykorzystują ziemię, a pokrycie terenu opisuje materiał fizyczny na powierzchni Ziemi.

Typ LULC	Opis
Woda	Stałe i sezonowe zbiorniki wodne
drzewa,	lasy pierwotne i wtórne oraz plantacje na dużą skalę;
trawa,	naturalne łąki, pastwiska i parki;
Zalana roślinność	Namorzyny i inne zalewowe ekosystemy
Uprawy zbożowe	Uprawy rzędowe i ryżowe
Krzewy i zarośla	Rzadka lub gęsta otwarta roślinność składająca się z krzewów
Obszar zabudowany	Budynki o niskiej i wysokiej gęstości, drogi i miejskie przestrzenie otwarte
niezarośnięty teren,	Pustynie i odsłonięte skały
Śnieg i lód	Stała i sezonowa pokrywa śnieżna

Obrazy w tym zbiorze danych zawierają 10 pasm: 9 pasm z szacunkowymi prawdopodobieństwami dla każdej z 9 klas pokrycia terenu i użytkowania gruntów oraz pasmo etykiet klas, które wskazuje klasę o największym szacunkowym prawdopodobieństwie. Te odrębne właściwości umożliwiają użytkownikom przeprowadzanie analizy wieloczasowej i tworzenie produktów niestandardowych dostosowanych do ich potrzeb.

Aby otworzyć aplikację Dynamic World Earth Engine:

Otwórz inną kartę w przeglądarce.
Otwórz Dynamic World.

Mapa wyświetla mozaikę w trybie Top1 z cieniowaniem terenu przy dużym powiększeniu.

Kliknij mapę, aby wyświetlić wykres przedstawiający prawdopodobieństwa klas w czasie.
Kliknij punkt danych na wykresie, aby wczytać konkretną prognozę i odpowiadający jej obraz z satelity Sentinel-2.
W panelu Warstwy dostosuj warstwy i widoczność.

3. Sprawdzanie prognoz Dynamic World w Brazylii

Dynamic World zawiera prognozy dotyczące wszystkich 9 klas LULC i wyświetla pojedynczą etykietę Top1 dla każdego piksela. Świat rzeczywisty to mieszanka wielu klas pokrycia terenu w dowolnej rozdzielczości przestrzennej. W tej sekcji możesz wizualnie interpretować prognozy w przestrzeni i czasie.

Aby sprawdzić prognozy Dynamic World w Brazylii:

W przeglądarce otwórz aplikację Dynamic World EE.
W polu Wyszukaj miejsca wpisz Sete de Setembro, Brazil.

Powinny być widoczne dane obliczeniowe Dynamic World dotyczące terytorium rdzennej ludności Paiter Surui, która mieszka w regionie Sete de Setembro w stanie Rondônia w Brazylii.

W panelu Dynamic World wpisz 2016-01-01 w polu Data rozpoczęcia i 2022-01-01 w polu Data zakończenia, a następnie kliknij Aktualizuj.

Wczytanie mapy może potrwać kilka minut, ponieważ jest ona obliczana w czasie rzeczywistym.

Kliknij dowolne miejsce na mapie, aby wygenerować wykres w czasie rzeczywistym.

Możesz bardziej powiększyć obraz, aby uzyskać szybszą odpowiedź.

Sprawdź wykres, na którym prawdopodobieństwa klas znajdują się na osi y, a czas na osi x.

W tym przykładzie prognoza klasy Top1 od 1 stycznia 2016 r.do 27 lipca 2017 r.to drzewa, a prawdopodobieństwo wynosi od 0,684 do 0,755. Gdy 5 września 2017 r. satelita Sentinel-2 wykonał kolejne zdjęcie, prognoza nie wskazywała już na drzewa, a sygnał stał się znacznie bardziej zaszumiony.

Aby powiększyć wykres, kliknij .

4. Gratulacje

Dowiedzieliśmy się, jak stosować zasady odpowiedzialnej AI podczas generowania zbiorów danych pochodzących z uczenia maszynowego, takich jak Dynamic World.