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 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.

Uwaga: jasny język na temat usług Dynamic World i Earth Engine to powszechna odpowiedzialna AI, która służy do ochrony przed potencjalnym wykorzystaniem z powodu niezwiązanego z celem osiągnięcia korzyści społecznych.

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.

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

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.

Uwaga: to wykorzystanie prognoz w usłudze Dynamic World przeszły weryfikację etyki, w ramach której oceniono je pod kątem bezpieczeństwa, naukowych zasad, uczciwości, potencjalnych nadużyć i korzyści społecznych, a w tym przypadku zgodności z zasadami Google dotyczącymi AI. W razie potrzeby możesz skonfigurować punkty kontrolne w projekcie ML, aby oceniać, jak podejmowane przez Ciebie decyzje techniczne są zgodne z misją, wartościami lub kartami etycznymi Twojej organizacji.

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.

3. Kliknij mapę, aby wyświetlić wykres, który przedstawia prawdopodobieństwa klas w czasie.
4. Kliknij punkt danych na wykresie, aby wczytać konkretną prognozę i jej obraz Sentinel-2.
5. 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.

3. 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.

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

Aby szybciej odpowiedzieć, możesz powiększyć widok.

5. 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.

6. Aby powiększyć wykres, kliknij .

Uwaga: jeśli chcesz odpowiedzialnie generować zbiór danych wygenerowany przez systemy uczące się, zaplanuj scenariusz dotyczący tego, jak można go dostosować do niezamierzonego, a nawet szkodliwego użycia. Zadaj sobie pytania, np. „Czy w porównaniu z innymi osobami, rynki, regiony, segmenty użytkowników lub populacje są bardziej narażone na negatywne konsekwencje wynikające z używania tego zbioru danych?”.

4. Gratulacje

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

Więcej informacji

• Praktyki z zakresu odpowiedzialnej AI
• Wprowadzenie do dynamicznego świata (część 1). Wizualizacja i tworzenie elementów złożonych