ใช้หลักการ AI อย่างมีความรับผิดชอบเมื่อสร้างชุดข้อมูลการตรวจจับระยะไกล เช่น Dynamic World

1. ก่อนเริ่มต้น

Dynamic World คือชุดข้อมูลการใช้ประโยชน์ที่ดินและสิ่งปกคลุมดิน (LULC) ทั่วโลกซึ่งได้รับการอัปเดตแบบเกือบเรียลไทม์ โดยมีความละเอียด 10 เมตรเนื่องจากใช้กลุ่มดาวเทียม Sentinel-2 ของ European Space Agency (ESA) และโปรแกรม Copernicus ซึ่งสร้างภาพพื้นผิวโลกที่อัปเดตแล้วทั่วโลกทุกๆ 2-5 วัน โดยสร้างขึ้นด้วยโมเดลการเรียนรู้เชิงลึก Vertex AI และ Earth Engine ซึ่งเป็นแพลตฟอร์มการวิเคราะห์เชิงพื้นที่ ซึ่งช่วยให้นักวิทยาศาสตร์ นักวิจัย และนักพัฒนาซอฟต์แวร์ตรวจหาความเปลี่ยนแปลง ศึกษาแนวโน้ม และวัดปริมาณการเปลี่ยนแปลงของพื้นผิวโลกได้

Earth Engine เป็นเครื่องมือที่มุ่งมั่นที่จะพัฒนาความรู้ทางวิทยาศาสตร์เกี่ยวกับกระบวนการต่างๆ บนโลกเพื่อประโยชน์ด้านสิ่งแวดล้อมและสังคมต่อไป การใช้งานเชิงพาณิชย์ในเวอร์ชันตัวอย่างกับ Google Cloud ระบุว่าวัตถุประสงค์หลักของเครื่องมือนี้คือการทำความเข้าใจและจัดการปัญหาด้านความยั่งยืนและสภาพอากาศที่สำคัญ เช่น การตัดไม้ทำลายป่า การจัดการน้ำ และการใช้ที่ดินอย่างยั่งยืน

ในโค้ดแล็บนี้ คุณจะได้ใช้แนวทางปฏิบัติที่รับผิดชอบในการสร้างชุดข้อมูลที่ได้จากแมชชีนเลิร์นนิง เช่น Dynamic World

สิ่งที่คุณจะได้เรียนรู้

วิธีใช้แนวทางปฏิบัติสำหรับการใช้ AI อย่างมีความรับผิดชอบในแอปการรับรู้จากระยะไกล
วิธีตีความภาพการคาดการณ์ของ Dynamic World ในพื้นที่และเวลา
วิธีพิจารณาผลกระทบด้านจริยธรรมและผลกระทบต่อสังคมในวงกว้าง

สิ่งที่คุณต้องมี

คุ้นเคยกับวิธีไปยังส่วนต่างๆ ของ Earth Engine Apps
Google Chrome ซึ่งทำงานได้ดีที่สุดกับแอป Earth Engine

2. เปิดแอป Dynamic World Earth Engine

ชุดข้อมูล Dynamic World มีการคาดการณ์ต่อพิกเซลของคลาส LULC 9 คลาสตามที่อธิบายไว้ในตารางนี้ การใช้ที่ดินอธิบายถึงวิธีที่มนุษย์ใช้ที่ดิน ในขณะที่การปกคลุมของดินอธิบายถึงวัสดุทางกายภาพบนพื้นผิวโลก

ประเภท LULC	คำอธิบาย
น้ำ	แหล่งน้ำถาวรและแหล่งน้ำตามฤดูกาล
เกสรจากต้นไม้	ป่าหลักและป่ารอง รวมถึงไร่ขนาดใหญ่
หญ้า	ทุ่งหญ้าธรรมชาติ ทุ่งเลี้ยงปศุสัตว์ และสวนสาธารณะ
พืชพันธุ์ที่น้ำท่วม	ป่าชายเลนและระบบนิเวศอื่นๆ ที่ถูกน้ำท่วม
พืชผล	พืชไร่และพืชในนา
พุ่มไม้และพุ่มไม้เตี้ย	พืชพรรณแบบเปิดที่โปร่งบางถึงหนาแน่นซึ่งประกอบด้วยพุ่มไม้
พื้นที่ที่สร้างขึ้น	อาคาร ถนน และพื้นที่เปิดโล่งในเมืองที่มีความหนาแน่นต่ำและสูง
พื้นดินเปล่า	ทะเลทรายและหินที่โผล่พ้นดิน
หิมะและน้ำแข็ง	หิมะปกคลุมถาวรและตามฤดูกาล

รูปภาพในชุดข้อมูลนี้มี 10 แถบ ได้แก่ 9 แถบที่มีความน่าจะเป็นโดยประมาณสำหรับคลาส LULC ทั้ง 9 คลาส และแถบป้ายกำกับคลาสที่ระบุคลาสที่มีความน่าจะเป็นโดยประมาณมากที่สุด พร็อพเพอร์ตี้ที่แตกต่างกันเหล่านี้ช่วยให้ผู้ใช้ทำการวิเคราะห์แบบหลายช่วงเวลาและสร้างผลิตภัณฑ์ที่กำหนดเองซึ่งเหมาะกับความต้องการของตนได้

หมายเหตุ: การใช้การคาดการณ์ในโลกไดนามิกนี้ผ่านการตรวจสอบด้านจริยธรรม ซึ่งมีการประเมินความปลอดภัย ความเข้มงวดทางวิทยาศาสตร์ ความเป็นธรรม การละเมิดที่อาจเกิดขึ้น ประโยชน์ทางสังคม และในกรณีนี้คือการสอดคล้องกับหลักการด้าน AI ของ Google หากเกี่ยวข้อง คุณสามารถตั้งค่าจุดตรวจสอบในโปรเจ็กต์ ML เพื่อประเมินว่าการตัดสินใจด้านเทคนิคที่คุณทำสอดคล้องกับพันธกิจ ค่านิยม หรือกฎบัตรด้านจริยธรรมขององค์กรอย่างไร

วิธีเปิดแอป Dynamic World Earth Engine

เปิดอีกแท็บในเบราว์เซอร์
ไปที่ Dynamic World

แผนที่จะแสดงภาพโมเสกในTop1โหมดที่มีการแรเงาเนินเขาที่ระดับการซูมสูง

คลิกแผนที่เพื่อดูแผนภูมิที่แสดงความน่าจะเป็นของคลาสในช่วงระยะเวลาหนึ่ง
คลิกจุดข้อมูลในแผนภูมิเพื่อโหลดการคาดการณ์ที่เฉพาะเจาะจงและรูปภาพ Sentinel-2
ในบานหน้าต่างเลเยอร์ ให้ปรับเลเยอร์และการมองเห็น

3. สำรวจการคาดการณ์ของ Dynamic World ในบราซิล

Dynamic World มีการคาดการณ์ในคลาส LULC ทั้ง 9 คลาส และแสดงTop1ป้ายกำกับเดียวสำหรับแต่ละพิกเซล โลกแห่งความเป็นจริงประกอบด้วยคลาส LULC หลายคลาสที่ความละเอียดเชิงพื้นที่ใดก็ได้ ในส่วนนี้ คุณจะตีความการคาดการณ์ในเชิงภาพตามพื้นที่และเวลา

วิธีสำรวจการคาดการณ์ของ Dynamic World ในบราซิล

ในเบราว์เซอร์ ให้ไปที่แอป Dynamic World EE
ป้อน Sete de Setembro, Brazil ในช่องค้นหาสถานที่

คุณควรเห็นข้อมูลการประมวลผล Dynamic World สำหรับเขตแดนของชนพื้นเมืองปาอิเตร์ซูรูอี ซึ่งอาศัยอยู่ในเขตเซเตเดเซเตมโบรในรัฐรอนโดเนีย ประเทศบราซิล

ในบานหน้าต่างโลกไดนามิก ให้ป้อน 2016-01-01 ในช่องวันที่เริ่มต้น และ 2022-01-01 ในช่องวันที่สิ้นสุด แล้วคลิกอัปเดต

แผนที่อาจใช้เวลา 2-3 นาทีในการโหลดเนื่องจากจะคำนวณแบบเรียลไทม์

คลิกที่ใดก็ได้บนแผนที่เพื่อสร้างแผนภูมิแบบเรียลไทม์

คุณซูมเข้าเพิ่มเติมเพื่อการตอบสนองที่เร็วขึ้นได้

ดูแผนภูมิที่มีความน่าจะเป็นของคลาสบนแกน y และเวลาบนแกน x

ในตัวอย่างนี้ Top1การคาดการณ์คลาสตั้งแต่วันที่ 1 ม.ค. 2016 ถึง 27 ก.ค. 2017 คือต้นไม้ ซึ่งมีความน่าจะเป็นตั้งแต่ 0.684 ถึง 0.755 เมื่อถึงเวลาที่ Sentinel-2 ถ่ายภาพฉากถัดไปในวันที่ 5 กันยายน 2017 การคาดการณ์จะไม่ใช่ต้นไม้แล้ว และสัญญาณจะมีความผันผวนมากขึ้น

คลิก เพื่อขยายแผนภูมิ

หมายเหตุ: เมื่อต้องการสร้างชุดข้อมูลที่ได้จาก ML อย่างมีความรับผิดชอบ ให้วางแผนสถานการณ์ว่าชุดข้อมูลจะปรับให้เหมาะกับการใช้งานที่ไม่พึงประสงค์และเป็นอันตรายได้อย่างไร ถามคำถาม เช่น "บุคคล ตลาด ภูมิภาค กลุ่มผู้ใช้ หรือประชากรบางกลุ่มมีความเสี่ยงสูงที่จะได้รับผลกระทบด้านลบจากการใช้ชุดข้อมูลนี้มากกว่าชุดข้อมูลอื่นๆ หรือไม่"

4. ขอแสดงความยินดี

คุณได้เรียนรู้วิธีใช้หลักการเกี่ยวกับ AI อย่างมีความรับผิดชอบในการสร้างชุดข้อมูลที่ได้จาก ML เช่น Dynamic World