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

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

Informacje o tym ćwiczeniu (w Codelabs)

subjectOstatnia aktualizacja: mar 25, 2022
account_circleAutorzy: Unni Nair, Darryl-Mason Robinson, Tanya Birch

1. Zanim zaczniesz

Dynamic World to globalny zbiór danych o powierzchniach ziemi (LULC), który jest aktualizowany niemal w czasie rzeczywistym. Zapewnia rozdzielczość 10 metrów, ponieważ wykorzystuje konstelację Sentinel-2 przez Europejską Agencję Kosmiczną (ESA) oraz program Kopernik, który co 2–5 dni generuje zaktualizowany globalny obraz powierzchni Ziemi. Są tworzone z użyciem modelu deep learning, Vertex AI i Earth Engine, czyli platformy do analizy geoprzestrzennej. Pomaga naukowcom, badaczom i programistom wykrywać zmiany, określać trendy i oceniać różnice na powierzchni Ziemi.

Earth Engine to narzędzie, które służy pogłębianiu wiedzy naukowej o procesach planetarnych w celu osiągnięcia dalszych korzyści środowiskowych i społecznych. Jego komercyjne wykorzystanie, w wersji przedpremierowej w Google Cloud, wskazuje, że jego głównym celem jest zrozumienie i rozwiązywanie krytycznych problemów dotyczących zrównoważonego rozwoju i klimatu, takich jak wylesianie, gospodarka wodna i zrównoważone wykorzystanie gruntów.

W ramach tego ćwiczenia w Codelabs dowiesz się, jak stosować odpowiedzialne metody dotyczące generowania zbiorów danych, które pochodzą z systemów uczących się, takich jak Dynamic World.

2088c1250570b581.png

36e148bb2dee7e47.png

Czego się nauczysz

  • Stosowanie metod odpowiedzialnej AI w aplikacjach do zdalnego wykrywania.
  • Jak wizualnie interpretować prognozy komponentu Dynamic World w przestrzeni i czasie.
  • Jak analizować konsekwencje etyczne i konsekwencje społeczne.

Czego potrzebujesz

  • Znajomość sposobu poruszania się po aplikacjach Earth Engine.
  • Google Chrome, który najlepiej działa z aplikacjami Earth Engine.

2. Otwórz aplikację Dynamic World Earth Engine

Zbiór danych Dynamic World zawiera prognozy na piksel w dziewięciu klasach LULC, jak opisano w tej tabeli. Przeznaczenie gruntów opisuje sposób, w jaki ludzie korzystają z lądów, a pokrywa terenu opisuje fizyczne materiały znajdujące się na powierzchni Ziemi.

Typ LULC

Opis

Woda

Stałe i sezonowe zbiorniki wodne

Drzewa

Lasy pierwotne i wtórne oraz duże plantacje

Trawa

Naturalne łąki, pastwiska i parki

Zalane rośliny

Namorzyny i inne zalane ekosystemy

Uprawy zbożowe

Uprawy wierszowe i pola ryżowe

Krzewy i zarośla

Rozległa do gęstej, otwarta roślinność składająca się z krzewów

Obszar zabudowany

Budynki, drogi i otwarte przestrzenie miejskie o niskiej i dużej gęstości

Na gołym poziomie

Pustynie i odsłonięte skały

Śnieg i lód

Trwała i sezonowa pokrywa śnieżna

59f3307e44102fa1.png

Obrazy w tym zbiorze danych obejmują 10 pasm: 9 pasm z szacowanym prawdopodobieństwem dla każdej z 9 klas LULC oraz pasmo etykiet klasy wskazujące klasę o największym szacowanym prawdopodobieństwie. Te wyjątkowe właściwości pozwalają użytkownikom przeprowadzać wieloczasową analizę i tworzyć produkty niestandardowe odpowiadające ich potrzebom.

Aby otworzyć aplikację Dynamic World Earth Engine:

  1. Otwórz inną kartę w przeglądarce.
  2. Otwórz Dynamic World (Dynamiczny świat).

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

64e61170e4b4b27a.gif

  1. Kliknij mapę, aby wyświetlić wykres, który przedstawia prawdopodobieństwa klas w czasie.
  2. Kliknij punkt danych na wykresie, aby wczytać konkretną prognozę i jej obraz Sentinel-2.
  3. W panelu Warstwy dostosuj warstwy i widoczność.

3. Poznaj prognozy Dynamic World w Brazylii

Dynamic World zawiera prognozy dla wszystkich 9 klas LULC i wyświetla 1 etykietę Top1 dla każdego piksela. Świat rzeczywisty łączy wiele klas LULC w dowolnej rozdzielczości przestrzennej. W tej sekcji możesz wizualnie interpretować prognozy w czasie i przestrzeni.

Aby przeglądać prognozy Dynamic World w Brazylii:

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

Zobaczysz dane obliczeniowe komponentu Dynamic World dla rdzennych terytoriów ludu Paiter Surui, który mieszka w regionie Sete de Setembro w Rondônia w Brazylii.

  1. 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 zająć kilka minut, ponieważ jest ona obliczana w czasie rzeczywistym.

3bf4f71e86f14c3a.png

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

Aby szybciej odpowiedzieć, możesz powiększyć widok.

2D54236b6c4a69b4.png

  1. Sprawdź wykres, na którym prawdopodobieństwo klasowe jest na osi y, a czas na osi x.

W tym przykładzie prognoza klasy Top1 od 1 stycznia do 27 lipca 2017 roku dotyczy drzew, których prawdopodobieństwo różni się od 0,684 do 0,755. Gdy 5 września 2017 roku zostanie zarejestrowana kolejna scena z Sentinel-2, sygnał nie będzie już drzewem, a sygnał stanie się znacznie głośniejszy.

  1. Aby powiększyć wykres, kliknij f01f62bf4be1e38a.png.

944eb17c0c483e43.png

4. Gratulacje

Wiesz już, jak stosować zasady odpowiedzialnej AI podczas generowania zbiorów danych pochodzących z systemów uczących się, takich jak Dynamic World.

Więcej informacji