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

1. Zanim zaczniesz

Dynamic World to globalny zbiór danych dotyczących użytkowania i pokrycia terenu, 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. Jest on tworzony za pomocą modelu deep learning, Vertex AI i Earth Engine, czyli platformy 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 rozwiązywanie kluczowych problemów związanych ze zrównoważonym rozwojem i klimatem, takich jak wylesianie, gospodarka wodna i zrównoważone użytkowanie gruntów.

Uwaga: jasność języka w odniesieniu do Dynamic World i Earth Engine jest powszechnym podejściem w zakresie odpowiedzialnej AI, które ma chronić przed potencjalnym wykorzystaniem tych narzędzi do celów innych niż zamierzone, czyli przynoszących korzyści społeczne.

W tym ćwiczeniu zastosujesz 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 zastanowić 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	Mangrowce 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 obejmują 10 pasm: 9 pasm z szacunkowymi prawdopodobieństwami dla każdej z 9 klas LULC oraz pasmo etykiet klas, które wskazuje klasę o największym szacunkowym prawdopodobieństwie. Te odrębne właściwości umożliwiają użytkownikom przeprowadzanie analiz wieloczasowych i tworzenie produktów niestandardowych dostosowanych do ich potrzeb.

Uwaga: to wykorzystanie prognoz w Dynamic World zostało poddane ocenie etycznej, w ramach której sprawdzono bezpieczeństwo, rzetelność naukową, sprawiedliwość, potencjalne nadużycia, korzyści społeczne oraz, w tym przypadku, zgodność z zasadami AI Google. W projekcie ML możesz skonfigurować punkty kontrolne, aby ocenić, w jaki sposób podejmowane przez Ciebie decyzje techniczne są zgodne z misją, wartościami lub kodeksem etycznym organizacji.

Aby otworzyć aplikację Dynamic World Earth Engine:

1. Otwórz inną kartę w przeglądarce.
2. Otwórz Dynamic World.

Mapa wyświetla mozaikę w trybie Top1 z cieniowaniem terenu przy dużych poziomach powiększenia.

3. Kliknij mapę, aby wyświetlić wykres przedstawiający prawdopodobieństwa klas w czasie.
4. Kliknij punkt danych na wykresie, aby wczytać konkretną prognozę i jej obraz z satelity Sentinel-2.
5. 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 wizualnie zinterpretujesz prognozy w przestrzeni i czasie.

Aby sprawdzić prognozy Dynamic World w Brazylii:

1. W przeglądarce otwórz aplikację Dynamic World EE.
2. 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.

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

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

Aby uzyskać szybszą reakcję, możesz bardziej powiększyć obraz.

5. 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 roku wykonano kolejne zdjęcie z satelity Sentinel-2, prognoza nie wskazywała już drzew, a sygnał stał się znacznie bardziej zaszumiony.

6. Aby powiększyć wykres, kliknij .

Uwaga: gdy chcesz w odpowiedzialny sposób wygenerować zbiór danych pochodzący z uczenia maszynowego, zaplanuj scenariusze, w których zbiór danych może zostać dostosowany do niezamierzonych, a nawet szkodliwych zastosowań. Zadawaj pytania takie jak „Czy w przypadku niektórych osób, rynków, regionów, segmentów użytkowników lub populacji istnieje większe ryzyko negatywnych konsekwencji korzystania z tego zbioru danych niż w przypadku innych zbiorów danych?”.

4. Gratulacje

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

Więcej informacji

• Odpowiedzialne działania w zakresie AI
• Wprowadzenie do Dynamic World (część 1): wizualizacja i tworzenie kompozycji