ใช้หลักการ AI อย่างมีความรับผิดชอบเมื่อสร้างชุดข้อมูลการตรวจจับระยะไกล เช่น Dynamic World
เกี่ยวกับ Codelab นี้
1 ก่อนเริ่มต้น
Dynamic World เป็นชุดข้อมูลการใช้ที่ดิน (LULC) ที่ใช้ได้ทั่วโลก (LULC) ที่มีการอัปเดตเกือบเรียลไทม์ โดยใช้กลุ่มดาว Sentinel-2 ขององค์การอวกาศยุโรป (ESA) และโครงการโคเปอร์นิคัส ซึ่งจะสร้างภาพพื้นผิวโลกที่ได้รับการอัปเดตทุกๆ 2 ถึง 5 วัน ถูกผลิตขึ้นด้วยโมเดลการเรียนรู้เชิงลึก, Vertex AI และ Earth Engine ซึ่งเป็นแพลตฟอร์มการวิเคราะห์เชิงพื้นที่ ซึ่งช่วยให้นักวิทยาศาสตร์ นักวิจัย และนักพัฒนาซอฟต์แวร์สามารถตรวจจับการเปลี่ยนแปลง แนวโน้มในแผนที่ และวัดความแตกต่างบนพื้นผิวโลก
Earth Engine คือเครื่องมือที่มุ่งมั่นพัฒนาความรู้ทางวิทยาศาสตร์เกี่ยวกับกระบวนการของดาวเคราะห์เพื่อสร้างประโยชน์ต่อสิ่งแวดล้อมและสังคมให้ดียิ่งขึ้น การใช้งานเชิงพาณิชย์โดยตัวอย่างร่วมกับ Google Cloud ระบุว่าวัตถุประสงค์หลักคือเพื่อทำความเข้าใจและแก้ปัญหาด้านความยั่งยืนและสภาพภูมิอากาศที่สำคัญ เช่น การตัดไม้ทำลายป่า การบริหารจัดการน้ำ และการใช้ที่ดินอย่างยั่งยืน
ใน Codelab นี้ คุณจะใช้แนวทางปฏิบัติอย่างมีความรับผิดชอบในการสร้างชุดข้อมูลที่มาจากแมชชีนเลิร์นนิง เช่น Dynamic World
สิ่งที่คุณจะได้เรียนรู้
- วิธีใช้แนวทางปฏิบัติเกี่ยวกับ AI อย่างมีความรับผิดชอบในแอปเซ็นเซอร์ตรวจจับจากระยะไกล
- วิธีตีความการคาดการณ์โลกแบบไดนามิกเป็นภาพในอวกาศและเวลา
- วิธีทบทวนนัยยะทางจริยธรรมและนัยยะในสังคมที่เกิดขึ้นภายหลัง
สิ่งที่ต้องมี
- ความคุ้นเคยกับวิธีไปยังส่วนต่างๆ ของแอป Earth Engine
- Google Chrome ซึ่งทำงานได้ดีที่สุดกับแอป Earth Engine
2 เปิดแอป Earth Engine แบบไดนามิกทั่วโลก
ชุดข้อมูล Dynamic World มีการคาดการณ์ต่อพิกเซลของคลาส LULC 9 คลาสตามที่อธิบายไว้ในตารางนี้ การใช้ที่ดินอธิบายวิธีที่มนุษย์ใช้แผ่นดิน ในขณะที่สิ่งปกคลุมดินหมายถึงวัตถุทางกายภาพบนพื้นผิวโลก
ประเภท LULC | คำอธิบาย |
น้ำ | แหล่งน้ำถาวรและตามฤดูกาล |
ต้นไม้ | ป่าขั้นต้นและป่ารอง และพื้นที่เพาะปลูกขนาดใหญ่ |
หญ้า | ทุ่งหญ้าธรรมชาติ ทุ่งหญ้าปศุสัตว์ และอุทยาน |
ป่าไม้น้ำท่วม | ป่าชายเลนและระบบนิเวศน้ำท่วมอื่นๆ |
พืชผล | การครอบตัดแถวและการเพาะปลูก |
ไม้พุ่มและสครับ | พืชพันธุ์เปิดที่มีพุ่มไม้กระจัดกระจายถึงหนาแน่น |
พื้นที่ที่สร้างขึ้น | อาคาร ถนน และพื้นที่เปิดโล่งในเมืองที่มีความหนาแน่นต่ำและสูง |
พื้นเปล่า | ทะเลทรายและหินเปลือย |
หิมะและน้ำแข็ง | มีหิมะตกถาวรและตามฤดูกาล |
รูปภาพในชุดข้อมูลนี้รวมถึง 10 ย่านความถี่ ได้แก่ 9 ย่านความถี่โดยประมาณของ LULC คลาส 9 คลาส และ Class Label Band ที่แสดงถึงคลาสที่มีความน่าจะเป็นโดยประมาณมากที่สุด พร็อพเพอร์ตี้ที่แตกต่างกันเหล่านี้ช่วยให้ผู้ใช้ทําการวิเคราะห์แบบหลายเวลา และสร้างผลิตภัณฑ์ที่กําหนดเองได้ตามความต้องการ
วิธีเปิดแอป Earth Engine แบบไดนามิกทั่วโลก
- เปิดแท็บอื่นในเบราว์เซอร์
- ไปที่ Dynamic World
แผนที่แสดงภาพโมเสคของโหมด Top1
พร้อมแนวเขาที่ระดับการซูมสูง
- คลิกแผนที่เพื่อดูแผนภูมิที่แสดงความน่าจะเป็นของชั้นเรียนในช่วงเวลาหนึ่ง
- คลิกจุดข้อมูลในแผนภูมิเพื่อโหลดการคาดการณ์ที่เฉพาะเจาะจงและรูปภาพ Sentinel-2
- ในแผงเลเยอร์ ให้ปรับเลเยอร์และการมองเห็น
3 สำรวจการคาดการณ์โลกแบบไดนามิกในบราซิล
Dynamic World จะมีการคาดการณ์ในคลาส LULC ทั้ง 9 คลาสและแสดงป้ายกำกับ Top1
รายการเดียวสำหรับแต่ละพิกเซล โลกแห่งความเป็นจริงคือการผสมผสานชั้นเรียน LULC มากมายที่ตอบสนองเชิงพื้นที่ได้ทุกรูปแบบ ในส่วนนี้ คุณจะได้ตีความการคาดคะเนในพื้นที่และเวลา
วิธีสํารวจการคาดการณ์โลกแบบไดนามิกในบราซิล
- ไปที่แอป Dynamic World EE ในเบราว์เซอร์
- ในช่องค้นหาสถานที่ ให้ป้อน
Sete de Setembro, Brazil
คุณจะเห็นข้อมูลการประมวลผล Dynamic World สำหรับเขตแดนของชนพื้นเมือง Paiter Surui ที่อาศัยอยู่ในภูมิภาค Sete de Setembro ของรอนโดเนีย บราซิล
- ในแผง Dynamic World ให้ป้อน
2016-01-01
ในช่องวันที่เริ่มต้น และ2022-01-01
ในช่องวันที่สิ้นสุด แล้วคลิกอัปเดต
แผนที่อาจใช้เวลาสักครู่ในการโหลดเนื่องจากคำนวณแบบเรียลไทม์
- คลิกที่ใดก็ได้บนแผนที่เพื่อสร้างแผนภูมิแบบเรียลไทม์
คุณซูมเข้าอีกเพื่อรับคำตอบได้เร็วขึ้น
- ตรวจสอบแผนภูมิที่ความน่าจะเป็นของคลาสอยู่ในแกน y และเวลาอยู่ในแกน x
ในตัวอย่างนี้ การคาดการณ์คลาส Top1
ตั้งแต่วันที่ 1 ม.ค. 2016 ถึง 27 ก.ค. 2017 คือต้นไม้ซึ่งแตกต่างกันไปจากความน่าจะเป็นที่ 0.684 ถึง 0.755 เมื่อระบบบันทึกฉาก Sentinel-2 ครั้งต่อไปในวันที่ 5 กันยายน 2017 การคาดคะเนจะไม่ใช่ต้นไม้อีกต่อไปและสัญญาณจะมีเสียงดังขึ้นมาก
- คลิก
เพื่อขยายแผนภูมิ
4 ขอแสดงความยินดี
คุณได้เรียนรู้วิธีประยุกต์ใช้หลักการเกี่ยวกับ AI อย่างมีความรับผิดชอบเพื่อสร้างชุดข้อมูลที่มาจาก ML เช่น Dynamic World