In de snel evoluerende wereld van vandaag is het verzamelen en analyseren van grote hoeveelheden gegevens cruciaal voor geïnformeerde besluitvorming. Gegevens over aardobservatie (EO) spelen met hun opmerkelijke veelzijdigheid een cruciale rol bij het verschaffen van inzichten in meerdere sectoren: van milieumonitoring tot stadsplanning en daarbuiten. Zoals José Laffitte, hoofd engineering bij Cactus en auteur van dit artikel, uitlegt: “EO-gegevens zijn ongelooflijk veelzijdig en worden gebruikt om het begrip en de besluitvorming over verschillende domeinen en toepassingen te verbeteren.
” Wij nodigen u uit om meer te leren over de transformatieve impact van EO-gegevens en het brede scala aan toepassingen ervan.
Een van de meest impactvolle toepassingen van EO-gegevens is te zien in de landbouw, waar het landbouwpraktijken optimaliseert en de productiviteit verbetert. Door satellietbeelden en sensorgegevens te analyseren, kunnen boeren de gezondheid van gewassen monitoren, het bodemvochtgehalte beoordelen en potentiële bedreigingen zoals plagen of ziekten detecteren. Deze realtime informatie maakt een nauwkeuriger gebruik van water en meststoffen mogelijk, wat leidt tot hogere opbrengsten en een lagere impact op het milieu.
De afgelopen jaren heeft het vakgebied van EO een revolutie teweeggebracht in de manier waarop we monitoren en beheren infrastructuur. Door gebruik te maken van gegevens verzameld door satellieten, drones en sensoren op de grond, biedt EO een alomvattend en realtime perspectief op het aardoppervlak. Deze technologie is cruciaal voor het begrijpen van de toestand en prestaties van infrastructuursystemen zoals wegen, bruggen, pijpleidingen en kabellijnen.
Satellietgegevens omvatten verschillende soorten informatie, zoals beelden, radar- en spectrale gegevens, die kunnen worden geanalyseerd om waardevolle inzichten te verkrijgen over de fysieke en ecologische toestand van de aarde. Afhankelijk van de aard van het sensorinstrument (of het nu passief of actief is) en de golflengte van het elektromagnetische spectrum waarin de waarneming wordt gedaan, kunnen we de beeldvormingstypen categoriseren op basis van de vraag of het instrument de mogelijkheid nodig heeft om zowel een elektromagnetisch signaal te verzenden als te ontvangen, of alleen te ontvangen.
Passieve beelden
In passieve beeldsystemen zijn sensoren ontworpen om elektromagnetische emissies van het aardoppervlak en de componenten van de atmosfeer te detecteren. Deze emissies kunnen lokaal ontstaan, zoals straling van vegetatie tijdens het fotosyntheseproces, of het gevolg zijn van zonlicht dat wordt gereflecteerd in het zichtbare spectrum. Omdat passieve beelden afhankelijk zijn van natuurlijke lichtbronnen, zijn ze doorgaans afhankelijk van de dag-nachtcyclus en kunnen ze worden gehinderd door factoren zoals bewolking of andere atmosferische verstoringen, die de detectie van oppervlakte-emissies belemmeren. In passieve beeldsystemen kunnen verschillende soorten beelden worden gegenereerd op basis van onder meer de verschillende segmenten van het elektromagnetische spectrum:
- Panchromatische afbeeldingen: resultaat van de meting van de lichtintensiteit over een breed bereik van het elektromagnetische spectrum. Door licht van een breed golflengtebereik te verzamelen, kan meer energie worden verzameld en dus beelden met een hoge resolutie. Op deze manier kunnen we zichtbare spectrumbeelden genereren die worden weergegeven als grijstinten, of kunnen we met behulp van thermische infraroodsensoren gebieden meten waar de grond of de oceaan warm is, omdat deze de meest intense straling zullen uitzenden. Het biedt een betere resolutie dan multispectrale beelden.
Multispectrale beelden: de resultaat van teledetectie in een waargenomen scène waarbij verschillende smalle banden van het elektromagnetische spectrum worden gebruikt. Omdat het golflengtebereik dat bijdraagt aan de door de sensor gedetecteerde stralingsenergie wordt verkleind, zullen multispectrale beelden resulteren in een lagere resolutie dan panchromatische beelden. Een algemeen gebruik is de productie van “natuurlijke kleuren” door de metingen in 3 banden van het zichtbare spectrum te combineren (smalle banden gecentreerd rond blauwe, groene en rode golflengten).
” class=”wp-image-24752″ style=”aspect-ratio:1;object-fit:cover”/>
Hyperspectrale beelden: voor elke pixel registreert een hyperspectrale sensor de lichtintensiteit voor een groot aantal (meestal enkele tientallen tot enkele honderden) aaneengesloten smalle spectrale banden. Elke pixel in de afbeelding wordt vervolgens aan een vrijwel continu spectrum gekoppeld. De hoge spectrale resolutie van een hyperspectraal beeld maakt de detectie, identificatie en kwantificering van oppervlaktematerialen mogelijk, evenals het afleiden van biologische en chemische processen.
Actieve beelden
Bij actieve beeldsystemen bestaan instrumenten uit een zender that zendt een specifiek elektromagnetisch signaal uit en een sensor die de interactie van het verzonden signaal met het aardoppervlak ontvangt. Hierdoor zijn dergelijke waarnemingen niet afhankelijk van zonne-verlichting.
- SAR (synthetisch diafragmaradar): dit instrument zendt elektromagnetische pulsen uit naar het aardoppervlak, waar ze worden gereflecteerd of verstrooid door de oppervlaktekenmerken. De antenne kan de teruggestuurde pulsen detecteren en registreren. Hun intensiteit en de tijd die nodig is om terug te komen bij de antenne worden gebruikt om SAR-beelden te genereren. Het belangrijkste voordeel van SAR is dat het niet gevoelig is voor de dag/nacht-cyclus en de meeste meteorologische omstandigheden (hevige, intense regencellen kunnen dit verstoren). SAR-beelden kunnen bijvoorbeeld worden gebruikt voor scheepsdetectie, kritieke infrastructuur of detectie van olierampen.
- Lidar (lichtdetectie en bereik): gebruikt hetzelfde principe als SAR, maar werkt in de infrarode, zichtbare of ultraviolette golflengten. Lidars worden onder meer gebruikt voor het nauwkeurig meten van topografische kenmerken, het profileren van wolken en het meten van wind.
- Radarhoogtemeting: Radarhoogtemetrie is een actieve sensor die gebruik maakt van de bereikmogelijkheden van radars om het oppervlaktetopografieprofiel langs het satellietspoor te meten. Ze bieden nauwkeurige metingen van de hoogte van een satelliet boven de oceaan door het tijdsinterval te meten tussen de verzending en ontvangst van zeer korte elektromagnetische pulsen. Dit kan nuttig zijn om de oceaan- en landtopografie, de laterale omvang van zee-ijs of de hoogte van grote ijsbergen boven zeeniveau af te leiden.
- GNSS-R (GNSS-reflectometrie): het is een relatief nieuwe categorie satellietnavigatietoepassingen die bestaat uit een methode van teledetectie om microgolfsignalen te ontvangen en te verwerken die door verschillende oppervlakken worden gereflecteerd om er informatie over te verkrijgen. In dit proces fungeert de GNSS-satelliet als zender en een vliegtuig of Low Earth Orbit (LEO)-satelliet als ontvangstplatform. Het kan bijvoorbeeld worden gebruikt voor het verzamelen van zeewind en het meten van het zoutgehalte van zeewater of de dichtheid van ijslagen.
- Radar-scatterometrie: microgolfradarsensor die wordt gebruikt om het reflectie- of verstrooiingseffect te meten dat wordt geproduceerd tijdens het scannen van het aardoppervlak vanuit een vliegtuig of een satelliet, waardoor een maatstaf wordt geboden voor de windsnelheid en -richting nabij het zeeoppervlak. De radarverstrooiingsmeter meet de terugverstrooiing van kleine golven aan het zeeoppervlak onder scheve invalshoeken. Uit deze zeeruwheidsmetingen wordt de windvector op 10 m hoogte berekend. Deze kan ook worden gebruikt om informatie te verschaffen over de zee-ijsbedekking.
Sterrenbeelden
Als het over aardobservatie gaat, is er een verscheidenheid aan satellietconstellaties en dataplatforms beschikbaar, die elk unieke mogelijkheden en diensten bieden. Satellietconstellaties zoals Sentinel, Planeet, IJsoog, en Satellogic het exploiteren en beheren van verschillende constellaties die toegang bieden tot verschillende soorten beelden en gegevens.
Aan de andere kant zijn platforms zoals UP42, de ESA-gegevenscatalogus, en Google Earth-engine aggregeren en gestroomlijnde toegang bieden tot EO-gegevens, waardoor het gemakkelijker wordt om deze informatie te verzamelen en te analyseren.
Met zoveel opties kunnen gebruikers de constellatie en het platform selecteren dat het beste past bij hun specifieke behoeften voor het extraheren en analyseren van EO-gegevens. Hier is een overzicht van enkele opmerkelijke satellietoperatoren en constellaties:
Landsat
Landsat is een langlopend aardobservatieprogramma, gezamenlijk beheerd door NASA en de Amerikaanse geologische dienst (USGS), dat sinds 1972 satellietbeelden van het aardoppervlak vastlegt. De satellieten van het programma, uitgerust met geavanceerde beeldsensoren, monitoren en documenteren voortdurend veranderingen in landgebruik, ecosystemen en natuurlijke hulpbronnen.
Het Landsat-programma heeft in totaal 9 satellieten sinds de oprichting in 1972. Van deze 9 blijven Landsat 8 en Landsat 9 operationeel op het moment dat dit artikel wordt geschreven. Met deze consistente gegevensbron met hoge resolutie kunnen wetenschappers en beleidsmakers milieutrends op de lange termijn bestuderen, zoals ontbossing, verstedelijking en klimaatverandering. Door deze beelden vrij toegankelijk te maken, is Landsat een essentieel instrument geworden voor mondiaal milieuonderzoek, hulpbronnenbeheer en rampenbestrijding.
Sentinel
De Sentinel satellieten maken deel uit van het Copernicus-aardobservatieprogramma van de Europese Unie, beheerd door de European Space Agency (ESA). Deze constellatie biedt hoogwaardige, open toegankelijke gegevens aan gebruikers over de hele wereld, die een breed scala aan EO-toepassingen bestrijken.
- Sentinel-1: Deze satelliet maakt gebruik van Synthetic Aperture Radar (SAR)-technologie, waardoor hij beelden kan vastleggen ongeacht de weersomstandigheden of het daglicht. Het is essentieel voor het monitoren van landbewegingen, overstromingen en ontbossing, en voor het leveren van beelden voor alle weersomstandigheden, dag en nacht.
- Sentinel-2: Sentinel-2 is gericht op optische beelden met hoge resolutie en is van cruciaal belang voor landmonitoring, inclusief veranderingen in vegetatie, bodem en waterbedekking. Het wordt veel gebruikt in de landbouw, bosbouw en rampenbestrijding. Het wordt gevormd door Sentinel-2A en Sentinel-2B, beide in dezelfde baan maar 180 graden gescheiden om de tijd en dekking voor opnieuw bezoeken te optimaliseren. Sentinel-2C zal vervangen Sentinel-2A, wordt gelanceerd op 4 september 2024, en Sentinel-2D zal vervangen Sentinel-2B in 2028.
- Sentinel-3: Deze satelliet levert gegevens voor monitoring van de oceaan en de atmosfeer. Het meet de temperatuur van het zeeoppervlak, de kleur van de oceaan en de temperaturen van het landoppervlak en speelt een cruciale rol bij het monitoren van het milieu en het klimaat.
- Sentinel-5P: Gespecialiseerd in de samenstelling van de atmosfeer, bewaakt Sentinel-5P de luchtkwaliteit en volgt gassen zoals ozon en stikstofdioxide, waardoor wetenschappers inzicht krijgen in luchtvervuiling en de impact ervan op de gezondheid.
Sentinel-satellieten staan bekend om hun uitgebreide en gratis toegankelijke gegevens, waardoor ze op grote schaal worden gebruikt in wetenschappelijk onderzoek en door overheidsinstanties.
Pleiaden
De Pleiaden constellation is een aardobservatiesatellietsysteem met hoge resolutie dat wordt beheerd door Airbus-defensie en ruimtevaart. Het maakt deel uit van de familie van Airbus-satellieten voor optische beeldvorming en staat bekend om zijn vermogen om zeer gedetailleerde beelden vast te leggen met een resolutie van minder dan een meter. Het Pleaides-sterrenbeeld bestaat uit 2 identieke satellieten, Pleiades 1A en Pleiades 1B, die samenwerken om zeer nauwkeurige en frequente beelden van het aardoppervlak te leveren.
Ze staan bekend om hun hoge ruimtelijke resolutie, waarbij ze zowel panchromatische als multispectrale beelden vastleggen met een resolutie van 50 cm. Pleiades-satellieten kunnen ook stereoscopische beelden vastleggen, wat betekent dat ze vanuit enigszins verschillende hoeken foto’s van hetzelfde gebied kunnen maken, waardoor 3D-modellen kunnen worden gemaakt en georthorecteerd afbeeldingen.
Ze zitten ook in een zonsynchrone baan, wat betekent dat ze dezelfde locatie in dezelfde zonnetijd passeren, waardoor consistente lichtomstandigheden worden gegarandeerd. Samen bieden de twee satellieten de mogelijkheid om dagelijks elk punt op aarde te bezoeken. Ze zijn ook zeer wendbaar en kunnen zichzelf heroriënteren om beelden van specifieke locaties vast te leggen.
IJsoog
IJsoog is een Fins bedrijf dat zich richt op Synthetic Aperture Radar (SAR)-technologie, vergelijkbaar met Sentinel-1, maar met een duidelijke nadruk op snelle data-acquisitie en hoge herbezoekpercentages. Iceeye exploiteert een commerciële SAR-satellietconstellatie die regelmatig beelden met hoge resolutie van de aarde levert.
Vanaf 2024 exploiteert ICEYE de grootste SAR-satellietconstellatie ter wereld, met meer dan 34 satellieten gelanceerd sinds 2018. Het bedrijf is van plan zijn constellatie verder uit te breiden door in 2024 tot 13 nieuwe satellieten te lanceren en in de daaropvolgende jaren nog eens 10 tot 15 per jaar.
De gegevens van Iceye zijn met name waardevol voor industrieën en overheden die bijna realtime inzichten nodig hebben in uitdagende omgevingen, zoals maritieme monitoring, verzekeringen en beveiliging.
Planeet
Planeet Labs is een toonaangevende particuliere EO-aanbieder die bekend staat om zijn “Dove”-constellatie, die bestaat uit kleine, goedkope satellieten die zijn ontworpen om dagelijks optische beelden met hoge resolutie van de aarde vast te leggen.
Vanaf 2024 heeft Planet Labs ongeveer 200 actieve satellieten in een baan om de aarde, inclusief hun Duif en Skyza sterrenbeelden. Deze vloot legt dagelijks ruim 25 terabytes aan beelden vast.
Skyza satellieten zijn ongeveer zo groot als een kleine koelkast en leveren beelden met een resolutie van minder dan een meter (ongeveer 50 cm per pixel). Ze richten zich op het vastleggen van beelden en video met hoge resolutie voor toepassingen die gedetailleerde beelden vereisen, zoals kaarten, infrastructuurmonitoring en het verzamelen van inlichtingen.
Duif satellieten zijn CubeSats, die klein en lichtgewicht zijn (zo groot als een schoenendoos). Ze leggen beelden vast met een resolutie van ongeveer 3-5 meter per pixel, niet zo hoog als SkySat, maar ze maken hoogfrequente aardobservatie mogelijk en worden voornamelijk gebruikt voor het monitoren van veranderingen in het milieu, landbouwtoepassingen en rampenbestrijding.
Het vermogen van Planet om continue monitoring met een hoge herhalingsfrequentie aan te bieden, maakt het een populaire keuze voor commerciële toepassingen waarbij actuele gegevens cruciaal zijn.
Satellogic
Satellogic is een Argentijns bedrijf dat een constellatie van kleine aardobservatiesatellieten met hoge resolutie exploiteert. Het bedrijfsmodel richt zich op het leveren van betaalbare EO-gegevens met een hoge ruimtelijke resolutie, gericht op een breed scala aan industrieën.
Satellogic heeft sinds mei 2024 meer dan 40 satellieten gelanceerd. Deze satellieten maken deel uit van haar Nieuwza(Alef-1) constellatie, dat tot doel heeft hoogfrequente beelden met hoge resolutie van de aarde te leveren. Het bedrijf breidt zijn constellatie actief uit en is van plan het aantal satellieten in een baan om de aarde de komende jaren aanzienlijk te vergroten.
Satellogic-satellieten leggen multispectrale en hyperspectrale beelden vast, wat een gedetailleerde analyse van het aardoppervlak mogelijk maakt. Deze gegevens worden onder meer gebruikt in de landbouw, energie, bosbouw en stedelijke monitoring.
Satellogic heeft tot doel de toegang tot satellietbeelden te democratiseren, waardoor gebruikers in ontwikkelingsmarkten EO-gegevens kunnen gebruiken voor besluitvorming en probleemoplossing.
EO-dataplatforms
Data-aggregators voor aardobservatie spelen een cruciale rol bij het toegankelijk en bruikbaar maken van aardobservatiegegevens voor een breed scala aan toepassingen. EO-gegevensaggregators zoals de Copernicus Contributing Mission en platforms zoals UP42 verzamelen, verwerken en distribueren gegevens uit verschillende satellietbronnen, terwijl constellaties zoals Copernicus en Pleiades de onbewerkte satellietbeelden leveren
Elk van deze EO-aanbieders heeft zijn eigen sterke punten en komt tegemoet aan verschillende behoeften op basis van het type gegevens, de frequentie van updates en de specifieke uitdagingen waarvoor ze zijn ontworpen.
UP42
UP42 is een georuimtelijk gegevens- en analyseplatform waarmee gebruikers EO-gegevens uit meerdere bronnen kunnen openen en analyseren. Het functioneert als een marktplaats en een platform-as-a-service (Paas), waardoor bedrijven, onderzoekers en ontwikkelaars op maat gemaakte georuimtelijke oplossingen kunnen creëren door verschillende gegevensbronnen en algoritmen te combineren.
Bijdragend missieprogramma van Copernicus
De Copernicussprogrammam is een groot aardobservatie-initiatief onder leiding van de Europese Unie in samenwerking met de European Space Agency (ESA). Het primaire doel is het verstrekken van nauwkeurige, tijdige en gemakkelijk toegankelijke informatie over de toestand van het milieu.
Het biedt verschillende platforms en hulpmiddelen, waarvan sommige;
Copernicus Open Access Hub: dit is het hoofdportaal voor toegang tot Sentinel-gegevens. Hiermee kunnen gebruikers datasets zoeken en downloaden, inclusief beelden en andere milieugegevens.
Copernicus-diensten: Deze diensten bieden op maat gemaakte informatie en analyses afgeleid van Sentinel-satellietgegevens en ondersteunen een breed scala aan toepassingen. Copernicus biedt bijvoorbeeld gedetailleerde gegevens over klimaatvariabelen en -trends, waardoor het monitoren van veranderingen in temperatuur, neerslag en andere belangrijke klimaatindicatoren mogelijk wordt. Het levert ook waardevolle inzichten op over landgebruik en landbedekking, waardoor ontbossing, stadsuitbreiding en landbouwactiviteiten kunnen worden gevolgd. Daarnaast ondersteunt Copernicus diensten op het gebied van mariene monitoring, analyse van de atmosferische samenstelling en respons op noodsituaties, en biedt het cruciale informatie voor rampenbeheer, milieubescherming en beleidsvorming in Europa en wereldwijd.
Copernicus-diensten voor gegevens- en informatietoegang (DIAS): Deze platforms bieden cloudgebaseerde toegang tot Copernicus-gegevens en -verwerkingstools. Ze vergemakkelijken gegevensbeheer en -analyse door schaalbare opslag- en computerbronnen te bieden.
Het mogelijk maken van bruikbare inzichten uit aardobservatiegegevens
We voorzien een belangrijke groei in satellietcapaciteiten en grotere mogelijkheden om toegang te krijgen tot aardobservatiegegevens en deze te exploderen om deze om te zetten in tastbare en bruikbare informatie. Als gevolg hiervan moedigt de hoeveelheid gebruiksscenario’s en opties ontwikkelaars aan om softwareoplossingen te creëren voor taken die, zonder EO-gegevens, tijdrovend, duur of eenvoudigweg onmogelijk kunnen zijn.
Met de komst van AI en de beschikbaarheid van EO-gegevens in platvormen zoals ESA-gegevenscatalogus kan iedereen machine learning-modellen, bijvoorbeeld een neuraal netwerk, trainen om te monitoren, analyseren, volgen en verschillende andere taken die nog moeten worden ontdekt zonder speciale apparatuur. Gezien de Universele stelling van benadering, waarin wordt beschreven hoe de output van een specifiek neuraal netwerk dicht is in de functieruimte (er bestaat een neuraal netwerk met de noodzakelijke voorwaarden om elke gewenste prestatie te beschrijven), elk proces kan worden geautomatiseerd.
Verschillende aardobservatieprojecten zijn momenteel in ontwikkeling, waaronder enkele NASA’s Earth System Observatory (ESO), die meerdere missies omvat, zoals het Atmosphere Observing System (AOS), Surface Biology and Geology, en GRACE-Continuity (Mass Change), om wetenschappelijke en maatschappelijke vragen te beantwoorden . En ook, ESA’s FutureEO-programma, inclusief missies die zijn ontworpen om oceanen, ijs, land en atmosfeer te bestuderen.
Zoals bij elke andere technologische vooruitgang is het potentiële nut ervan niet vanaf het begin gedefinieerd. Het hebben van toegang tot constante informatie van over de hele wereld maakt de ontwikkeling van talloze toepassingen mogelijk, theoretisch gezien, en als de satelliettechnologie zich blijft ontwikkelen, zou het ons in staat kunnen stellen alle voertuigen in zicht te volgen als ze een identificatiemiddel boven zich hadden, met drone-zwermen zou je elke persoon in een buitenzone binnen enkele minuten kunnen identificeren, en nog veel meer potentiële gebruiksscenario’s.
Hoe aardobservatie kan worden gebruikt om infrastructuur te monitoren
In de onderling verbonden wereld van vandaag zijn de integriteit en veerkracht van de infrastructuur van cruciaal belang om het soepel functioneren van samenlevingen en economieën te garanderen. Er zijn steeds meer kritische activa die voortdurend worden blootgesteld aan natuurlijke en door de mens veroorzaakte gevaren, en vanwege het belang van elektriciteits-, energie- en transportinfrastructuur heeft het monitoren ervan een hoge prioriteit.
Met de snelle groei van AI zijn de mogelijkheden die het gebruik van EO-gegevens biedt eindeloos en veranderen ze elke week snel. Laten we veelvoorkomende gebruiksscenario’s bekijken:
Machine Learning om objecten te identificeren en afwijkingen op te sporen
Het meest voorkomende neurale netwerk dat wordt gebruikt bij het analyseren van EO-gegevens is een CNN (ConvolutioneelNeuraal netwerk) aangezien de gegevens meestal uit afbeeldingen bestaan, zal dit bij taken als monitoren of detecteren het neurale netwerk zijn waar we ons op zullen concentreren. Afhankelijk van de taak die we implementeren zullen we nu naar verschillende modellen en algoritmen kijken;
- Als we een bomentelsysteem in een gespecificeerde zone, waarin wij wellicht geïnteresseerd zijn YOLO, een populair algoritme voor objectdetectie dat ook menselijke lichamen kan detecteren en kan bepalen of deze zich binnen beperkte gebieden bevinden.
- Als we geïnteresseerd zouden zijn in het identificeren van door mensen gebouwde zones in een groot gebied, zouden we onder andere een ResNet implementeren. We kunnen ook aanvullende informatie gebruiken die is verzameld door satellietgegevens, die niet alleen informatie over het zichtbare spectrum opslaan, om het type vegetatie in een zone te identificeren met behulp van zowel de VIS- als de NIR-spectra (zichtbaar en nabij-infrarood).
- Een ander nuttig neuraal netwerk voor het opsporen van afwijkingen is de autoencoder, die is getraind om de invoergegevens te reconstrueren. Door een autoencoder te trainen op normale beelden, heeft hij moeite met het reconstrueren van afwijkingen. Op deze manier kunnen we ze detecteren op basis van reconstructiefouten. Dit is erg handig als we een zone willen monitoren en afwijkingen daarin willen detecteren.
- Als we een computer vision-algoritme ontwikkelen om voertuigen te volgen op bijvoorbeeld een snelweggedeelte, waar de richting vrijwel constant is, zouden we ook een SIFT (Schaal-invariante kenmerktransformatie), een algoritme om belangrijke kenmerken uit een bepaald beeld te halen. Daarna zouden we ook een Kalman-filter om te voorkomen dat we onze tracking verliezen wanneer het objectieve zicht wordt geblokkeerd.
Machine learning-modellen om natuurrampen te voorspellen
Machine learning-modellen kunnen worden gebruikt om natuurrampen te voorspellen na het verzamelen van informatie uit verschillende bronnen. De combinatie van EO-informatie die uit alle bronnen wordt ontvangen, kan helpen bij het verfijnen van de voorspellende modellen, van eenvoudige logistische regressies tot machine learning-modellen zoals Pangu-Weer, een AI-model van Huawei Cloud dat het weer nauwkeuriger kan voorspellen dan de modernste numerieke weervoorspellingsmodellen, met een snelheid die 10.000 keer sneller is.
Een geschikt neuraal netwerk voor naHet voorspellen van een ramp is een RNN (terugkerend neuraal netwerk) omdat ze worden gebruikt om tijdreeksgegevens te modelleren, waardoor nauwkeurigere voorspellingen of klimaattrends mogelijk zijn. Dit kan worden gebruikt om de infrastructuur te beschermen om verdere schade te voorkomen of om evacuatieplannen op te stellen om de veiligheid van de bewoner te garanderen.
Conclusie
Nadat we alle verschillende soorten beelden en het typische gebruik ervan hebben bekeken, kunnen we de grote veelzijdigheid zien die EO-gegevens bieden. Al deze gegevens die door de verschillende constellaties worden verzameld en door aanbieders van EO-gegevens worden verspreid, maken het gebruik ervan op grotere schaal mogelijk. Dit, toegevoegd aan de vooruitgang van AI, zal de creatie van verschillende projecten mogelijk maken die de vooruitgang op verschillende gebieden wereldwijd zullen versnellen.
De groei van EO-data zal naar verwachting de komende jaren aanzienlijk versnellen, gedreven door de vooruitgang in satelliettechnologie, dataverwerkingsmogelijkheden en de toenemende vraag naar realtime informatie met hoge resolutie over de omgeving van de aarde.
In onze technische noot, we zullen meer inzicht geven in enkele van de innovatieve toepassingen die we ontwikkelen bij Cactus om de uitdagingen aan te pakken die worden veroorzaakt door bomen in de buurt van elektriciteitsleidingen. Deze oplossingen zijn ontworpen om de veiligheid te vergroten, de efficiëntie van het vegetatiebeheer te verbeteren en de milieu-impact van het handhaven van vrije ruimte rond de energie-infrastructuur te verminderen. Blijf op de hoogte terwijl we onderzoeken hoe deze ontwikkelingen kunnen bijdragen aan een betrouwbaarder en duurzamer energienetwerk.
Over Cactus
Het Cactai-team, een team van ruimtegeeks, staat klaar om uw gebruiksscenario verder te verkennen en oplossingen op basis van EO aan te passen aan uw specifieke behoeften. Of u nu processen wilt optimaliseren, geavanceerde technologieën wilt integreren of binnen uw branche wilt innoveren: wij zijn er om bij elke stap met u samen te werken. Ons doel is ervoor te zorgen dat uw doelstellingen met precisie en uitmuntendheid worden bereikt, waarbij we de expertise en ondersteuning bieden die nodig zijn om succes te behalen.
