Mais um incentivo ao uso do QGIS

Professores, pesquisadores e alunos da Universidade Federal do Paraná (UFPR), Universidade de Maryland (UMD) e Universidade da Flórida (UF), lançaram, nesta quarta-feira (21/10/20), o livro gratuito “Explorando o QGIS 3.X”. A obra foi elaborada para apoiar os alunos em seus estudos remotos e ficará à disposição da comunidade.

Para acesso ao livro em formato “.pdf” basta clicar no link a seguir:
https://lnkd.in/e_u4Yhj

25 plataformas para visualização da terra por meio de imagens satelitais [2020]

Se houver necessidade de se ter uma visão, muitas vezes com razoável atualização, de um determinado local da Terra, existem várias plataformas que podem ajudar e proporcionam este tipo de retorno.

Com elas, você ainda poderá explorar a Terra de novas maneiras que vocÊ talvez nunca pensou ser possível.

MAPAS SATELITAIS TRADICIONAIS

1 – Google Maps

google maps

O Google Maps é a ferramenta ULTIMATE para mapas de satélite. Tem crescido ao longo dos anos. Assim como seus recursos:

  • Como se fossem vistas panorâmicas da rua.
  • Suas perspectivas 3D são incrivelmente insanas.
  • E o favorito de quase todos: encontrar sua casa com seu sistema de endereçamento sólido.

Mas a melhor parte do Google Maps é que ele é atualizado regularmente. Na verdade, é difícil encontrar imagens com mais de 3 anos.

A única desvantagem em que consigo pensar é que você só consegue UM instantâneo a tempo. É aí que entra o Google Earth Pro …

2 – Google Earth Pro

google earth pro

O Google Maps e o Google Earth Pro compartilham as mesmas imagens? A resposta é: eles são completamente DIFERENTES um do outro.

O Google Earth Pro permite que você retroceda em sua linha do tempo histórica. Dessa forma, você pode visualizar mapas de satélite anteriores interativamente para qualquer lugar do mundo.

Há muito tempo, isso costumava ser um recurso pago. Mas agora, é totalmente gratuito. Portanto, se você deseja ver as imagens como cápsulas de tempo, o Google Earth Pro é um vencedor completo.

3 – NASA Worldview

na visão de mundo

Todos nós sabemos a aparência da Terra. Mas como é AGORA MESMO?

O Worldview da NASA visa a entrega de imagens em tempo real. Ou seja, a Terra como está “agora”. Mas tem mais:

Mostra mais de 800 camadas de imagens de satélite. E, normalmente, a maioria tem um atraso de apenas 3 horas.

4 – Mapbox

caixa de mapas

Este está rapidamente se tornando um dos meus mapas de satélite favoritos. É porque o Mapbox remove a desordem e visa a clareza.

Primeiro, vá para o Mapbox . Em seguida, vá para a visualização de satélite. Ao aumentar o zoom, você verá mapas de satélite de alta resolução.

Inclui imagens dos satélites comerciais mais icônicos, como DigitalGlobe.

5 – Imagens do Mundo da Esri

imagens do mundo esri

A Esri reúne imagens de mais de 300 colaboradores em todo o mundo. O resultado?

Uma camada de imagens do mundo que é um dos mapas de base mais poderosos e atualizados da atualidade.

De forma rápida e eficaz, você pode visualizar mapas de satélite de até 3 cm em pixels. Esse é o tamanho de uma pequena pedra!

6 – Esri Wayback Atlas

atlas esri wayback

O Way Back Atlas de Esri é como passar por uma máquina do tempo. Semelhante ao Google Earth Pro, você pode escolher seletivamente mapas de satélite no passado.

Mas este atlas contém uma riqueza secreta de informações. Por exemplo, Nova York tem mais de 100 mapas de satélite que datam de 2014.

A camada World Imagery da Esri (# 5) serve como o melhor disponível de todos os mapas de satélite … Mas o Way Back Atlas da Esri coloca você no assento do motorista para o que está “melhor disponível”.

7 – Bing Maps

mapas de bing

Se eu pudesse dar uma dica para mapas de satélite, seria não ignorar o Bing Maps .

Não me interpretem mal: as visualizações das ruas do Bing são esparsas e não tem visualizações oblíquas como o Google Maps.

Mas o Bing Maps ainda fornece mais de 10 TB de imagens. Embora algumas imagens possam estar desatualizadas há anos, as áreas povoadas ainda têm atualizações frequentes.

8 – Mapas HERE

aqui mapas

Como empresa, a HERE se concentra na navegação, padrões de tráfego e carros autônomos.

Mas, como parte de sua plataforma, ele fornece mapas de satélite para os motoristas. Estou me referindo ao seu mapa AQUI .

Quando você for para AQUI, primeiro notará sua interface totalmente limpa. Conforme você se movimenta, obtém uma variedade de mapas de satélite para explorar.

9 – Planet Explorer

explorador de planetas

O Planet Explorer é como a mina de ouro dos mapas de satélite. Aqui está o porquê:

Ele não mostra apenas mapas de satélite de mais de 120 microssatélites. Mas você recebe atualizações quase diárias com resolução de 2,5 m

Só há um problema: primeiro, você terá que registrar uma conta. É gratuito nos primeiros 15 dias. Mas depois disso, você terá que pagar.

10 – MapQuest

mapquest

Ao visitar o MapQuest , você terá uma sensação automática de nostalgia.

Claro, é um mapa que está tentando vender um hotel para você. Mas nem tudo é ruim: o MapQuest aproveita os serviços da TomTom, dando a você uma variedade de imagens.

O MapQuest já foi popular nos anos 90. Reconheço que ainda não é exatamente um mapa. A menos que esteja em uma “Busca” por um “Mapa” melhor. Apenas esperando aquele dia chegar.

11 – Yahoo! Mapas

mapas do yahoo

Yahoo! Mapas é como o Hall Mary dos mapas de satélite. Na verdade, está extinto desde 2015.

O Yahoo teve uma corrida legítima de 8 anos. No entanto, de alguma forma, eles ainda não desligaram.

Seus mapas de satélite estão atrás de seus concorrentes em vários aspectos. Por exemplo, falta 3D, vistas de rua e atualizações de imagens.

12 – MDA NaturalVue

mda natural view

Para uma visão aproximada da Terra, o MDA NaturalVue tem uma resolução de 15 metros. Só para lhe dar uma perspectiva sobre o que isso significa:

Primeiro, encontre um campo de futebol no mapa. Em seguida, conte o número de pixels. Se você contar 20 ou mais, é tão grosso que você nem será capaz de reconhecer o campo central.

Claro, NaturalVue é antigo. É até um pouco curinga. Mas é um sucesso genuíno se você está procurando imagens de mundo consistentes.

MAPAS ALÉM DO VISÍVEL

13 – Landsat Explorer

explorador de terras

O lançamento do Landsat-1 em 1972 foi um marco para os satélites espaciais. Foi um momento marcante que gerou mais de 40 anos de arquivamento da história do nosso planeta.

Centenas de satélites seguiram o caminho do Landsat para o espaço. Mas não foi apenas em cores.

No Landsat Explorer , você pode ver o mundo de novas maneiras, como infravermelho próximo, um índice espectral ou como nossos olhos o veem.

14 – Sentinel Playground

parque sentinela

Sentinel Playground faz jus ao seu nome. Porque a verdade é: os mapas de satélite não servem apenas para fotos bonitas.

Por exemplo, os 12 índices no Sentinel Playground caracterizam os recursos da Terra de maneira diferente.

É como aquelas pequenas bonecas russas: você vê camadas sobre camadas. Cada um é uma forma comprovada que pode ajudá-lo a chegar ao fundo da distinção.

15 – USGS Earth Explorer

usgs earth explorer hyperion

O USGS Earth Explorer oferece aos usuários mais de 45 plataformas de satélite para navegar. Mas você não precisa baixar dados. Você pode simplesmente visualizar QUALQUER COISA.

Por exemplo, é a única fonte onde você pode visualizar imagens hiperespectrais instantaneamente. Não só isso, mas você pode desbloquear satélites espiões como o CORONA dos anos 1960.

No geral, o USGS Earth Explorer reconecta a forma como você vê os mapas de satélite. Porque ver para crer, faça um teste.

16 – Folheto

folheto

O folheto permite que qualquer pessoa crie mapas da web leves que podem chamar de seus.

Como parte do Folheto , ele tem uma variedade de fornecedores de blocos gratuitos. Por exemplo, Esri, Geoportal France e CartoDB estão todos lá.

Um recurso interessante é que, quando você faz uma panorâmica, ele atualiza interativamente o mapa de cada provedor.

17 – Cesium

césio

Semelhante ao folheto, o Cesium permite que os usuários criem seus próprios webmaps personalizados.

Mas, como o césio é totalmente em 3D, a visualização é extraordinária.

Cesium Viewer é acompanhado por mapas de satélite como Bing, Esri e Mapbox.

MAPS HUMANITÁRIOS

18 – Tomnod / GeoHIVE

monte

Tomnod aproveita o poder do crowdsourcing em tempos de crise. Por exemplo, Tomnod é mais conhecido por sua plataforma de pesquisa para o voo MH370.

Independentemente da campanha, Tomnod pode ser um tesouro para mapas de satélite. Qualquer um que duvide deve olhar para suas campanhas anteriores Tomnod prova que não precisamos de MacGyver no caso. Em vez disso, precisamos do poder do crowdsourcing.

Após 9 anos e quilômetros de imagens de satélite, a DigitalGlobe está mudando a plataforma Tomnod para o GeoHIVE .

19 – DigitalGlobe Open Data

digitalglobe open data

DigitalGlobe tem dois tipos de dados abertos:

Em primeiro lugar, seu Programa de Dados Abertos oferece suporte a grandes eventos de crise global, como terremotos, furacões e incêndios florestais. Dessa forma, quem precisa pode obter o suporte de que precisa. Durante esses eventos humanitários, eles liberam cada foto em domínio público sob a licença Creative Commons 4.0.

Em segundo lugar, a DigitalGlobe tem amostras de produtos disponíveis para todo o mundo. Por exemplo, produtos de imagem de amostra estão disponíveis para o Rio de Janeiro (Brasil), Estocolmo (Suécia) e Washington DC (EUA).

MAPAS CLIMÁTICOS

20 – NOAA Weather Radar

clima noaa

O mapa 3D da NOAA é o primeiro out-of-the-gate. O truque deste aqui é como ele fornece um clima quase em tempo real.

Neste mapa global, você pode ver o clima do espaço, como seria de nossos olhos.

Como alternativa, o infravermelho próximo permite enfrentar o desafio por meio de uma lente diferente.

21 – Visualizador GOES

vai visualizador

GOES conhece o clima. Esses satélites geoestacionários atualizam nosso clima a cada 5 minutos. Mas como você vê isso?

Primeiro, vá para o Visualizador de imagens GOES . Em seguida, selecione sua região de destino.

Isso o levará a mapas de satélite para o clima. Por fim, escolha sua visualização e obtenha um instantâneo atualizado do tempo por satélite.

22 – Últimos 24

tempo 24

Conforme os satélites NOAA circulam silenciosamente a Terra, temos uma prévia do nosso planeta do espaço.

Em vez de uma perspectiva 3D, a NOAA construiu um conjunto de mapas de satélite que visam o clima com uma visão de cima para baixo.

Na verdade, você pode avançar e retroceder interativamente o clima das últimas 24 horas de cada dia.

MAPAS ESPECIALIZADOS

23 – Visão noturna

visão noturna

Como é a Terra à noite? E qual é a extensão do assentamento humano na paisagem?

Ao juntar mais de 400 imagens do espaço, a NASA compilou a visão noturna mais abrangente em seu mapa de mármore preto .

Conforme visto neste mapa de visão noturna, as principais cidades iluminam mais o céu. No geral, isso nos dá um valor aproximado de quanta humanidade habitou a terra.

24 – Mapa Florestal Global

relógio de floresta global

Quando uma árvore cai na floresta, os satélites ouvem o impacto. Quem duvida da gravidade do desmatamento pode conferir no Global Forest Watch .

Primeiro, vá para o Global Forest Watch. Por padrão, as florestas desmatadas estão ativadas. Países como Indonésia, Brasil e Peru se iluminam.

Se você aumentar o zoom, terá mapas de satélite como a constelação de mais de 120 do planeta – o pago (# 9) que mencionei acima.

25 – Sistema de Informação de Incêndio para Gerenciamento de Recursos da NASA (FIRMS)

firmas

Quando os incêndios florestais rugem, os satélites rastreiam onde eles queimam. Especificamente, eles capturam incêndios florestais à medida que acontecem e os transmitem por meio de mapas de incêndio ativos, como FIRMS .

No entanto, de alguma forma, há uma desconexão curiosa entre aqueles que lutam contra incêndios no solo.

Sensores de satélites como MODIS e VIIRS fazem uso de infravermelho térmico. Só então, podemos detectar incêndios tão pequenos quanto um ponto quente … todo o caminho até a erupção vulcânica.

Por: Geografia GIS · (Última atualização: 24 de setembro de 2020)

Imagem em destaque: alexis84/Thinkstock

Geração de dados sintéticos para sensoriamento remoto

A muito percebi que não a caminho de volta para um emprego cada vez mais massivo da classificação automática de alvos, no futuro da Inteligência de Imagens e suas aplicações. Tal situação passa obrigatoriamente pela criação de uma biblioteca espectral de alvos, ampla e eficiente, para que possa ter sua utilidade posta em prática de forma mais plena.

A publicação a seguir, apesar de, em alguns momentos, se ater a quesitos bastantes técnicos da computação e das redes neurais, consegue abordar vários pontos desse desafio e suas possíveis soluções, no que tange ao Estado da Arte sensoriamento remoto e a IMINT.

Aproveitando todo o potencial das redes neurais profundas para interpretação e análise de imagens 

A maior parte da interpretação e análise de imagens modernas depende de redes neurais profundas (DNNs) devido à sua precisão incomparável, grande capacidade de diferenciar várias classes de objetos distintos, generalização e relativa simplicidade para desenvolver e aplicar novas ferramentas, quando comparados aos métodos tradicionais de visão por computador. 

Nos últimos anos, a pesquisa de DNN resultou em uma classificação de prateleira, com a detecção e algoritmos de segmentação semântica que, quando devidamente treinados, aproximam-se do nível humano ou até o superam no desempenho em muitos domínios de imagens. No entanto, são necessárias grandes quantidades de dados de treinamento rotulados para tarefas específicas de maneira a obter esses benefícios. 

Esses dados devem exibir a extensão e a variabilidade do domínio de destino. Como outros modelos estatísticos, DNNs não extrapolam bem em ambientes fora do seu domínio, sem cuidados especiais. Por exemplo, treinar um modelo para segmentar estradas usando imagens de cidades norte-americanas e, em seguida, implantar esses modelos em imagens de cidades europeias produzirá um resultado aquém do ideal. Um obstáculo básico à generalização para DNNs é que as variações que parecem obviamente irrelevantes para os humanos (por exemplo, marcações de pista diferentes ou práticas agrícolas) são percebidas como sendo completamente estranhas a um DNN, levando a resultados imprevisíveis. 

O aumento de dados durante o treinamento (por exemplo, espelhamento aleatório, rotação, alterações de contraste e brilho, equilíbrio de cores, escala, etc.) pode aliviar parcialmente esses problemas; no entanto, métodos mais avançados são necessários para que os DNNs possam generalizar bem novos ambientes. Um obstáculo básico à generalização para DNNs é que as variações que parecem obviamente irrelevantes para os humanos (por exemplo, marcações de pista diferentes ou práticas agrícolas) são percebidas como completamente estranhas a um DNN, levando a resultados imprevisíveis. 

Para combater a generalização deficiente, vários métodos criam conjuntos de dados rotulados para fins de treinamento, mas fazer isso de forma eficiente, em escala e com extensibilidade em mente requer uma reflexão cuidadosa. O desenvolvimento de um sistema usando metodologias ativas de aprendizagem implantadas em ambientes colaborativos pode ajudar os anotadores a rotular dados rapidamente e criar uma capacidade operacional, começando com apenas uma pequena quantidade de dados rotulados. [1] Muitos desses insights foram feitos em outros campos, particularmente com direção autônoma e cuidados de saúde, que requerem fatores extras, como segurança e interoperabilidade. [2,3]

Além de rotulagem robusta, treinamento e um ambiente de validação e implantação, técnicas mais avançadas podem maximizar a precisão do modelo em escalas de tempo curtas e com dados de treinamento limitados. Por exemplo, a modelagem semi-supervisionada e não supervisionada pode ajudar nas tarefas de rotulagem, enquanto os ambientes simulados podem substituir ou complementar os conjuntos de dados de treinamento e validação. Este artigo se concentra na última abordagem: criar fluxos de trabalho de dados sintéticos para aumentar a precisão do modelo quando os dados rotulados são escassos.

Métodos de Simulação

O artigo de Geoffrey Hinton de 2007 “Para reconhecer formas, primeiro aprenda a gerar imagens,” [4]  teve um grande impacto no assunto rede neural e na comunidade de pesquisa estatística. O artigo apresenta as etapas para desenvolver uma rede neural de várias camadas, métodos para definir funções de perda e o cálculo para atualizar os parâmetros do modelo para maximizar a precisão do modelo (conhecido como retropropagação). Além dessa receita de treinamento de modelo altamente popular, o trabalho de Hinton discute a geração de imagens de modelagem para aumentar ainda mais a precisão da detecção ou classificação. Em essência, entender como criar imagens beneficia muito a interpretação e análise de imagens (e vice-versa).

Existem duas abordagens principais para simular dados, cada uma com vantagens e desvantagens: gráficos de computador tradicionais e modelos generativos baseados em dados. Gráficos de computador usam traçado de raio e rasterização para renderizar cenas simuladas. Isso funciona particularmente bem em casos de uso de sensoriamento remoto e veículos autônomos, onde os primitivos básicos (edifícios, estradas, veículos) e as condições espectrais (geometrias de visualização, ângulos de iluminação, conteúdo espectral, atenuação atmosférica) são relativamente simples e fáceis de modelar. 

Por exemplo, a ferramenta de modelagem Digital Imaging and Remote Sensing Image Generation (DIRSIG), desenvolvida no Rochester Institute of Technology, fornece métodos para criar imagens sintéticas baseadas na física para desenvolvimento de sensores e para auxiliar no treinamento de modelos DNN. [5,6]Métodos semelhantes foram estudados para renderizar embarcações marítimas, colocando-as em imagens reais para melhorar amplamente as métricas de detecção de objetos. [7] 

Veículos autônomos e indústrias de saúde usam métodos de renderização para gerar conjuntos de dados simulados para melhorar a precisão do modelo, especialmente quando conjuntos de dados rotulados são escassos. [8,9] No entanto, a composição das cenas a serem renderizadas pode levar tempo, principalmente se o domínio de destino for diverso. Em comparação com a abordagem ingênua de reunir e rotular dados adicionais, esta abordagem troca o trabalho do anotador humano pelo trabalho do ilustrador. Em alguns casos, pode não ser possível realizar este exercício sem um investimento significativo.

Alternativamente, a abordagem generativa para dados sintéticos vê um conjunto existente de dados reais como uma coleção de amostras da distribuição real de dados reais e tenta construir um modelo que extrai amostras adicionais dessa distribuição. As amostras (ou imagens) geradas lembram o conjunto de dados e, se o modelo for treinado corretamente, podem ter níveis muito altos de fidelidade visual. Isso reduz a necessidade de usar a abordagem de computação gráfica para construir e renderizar objetos de interesse em cenas com condições espectrais realistas. 

No entanto, se esses parâmetros forem conhecidos e estiverem disponíveis no momento do treinamento, eles também podem ser usados ​​para condicionar o modelo a controlar a saída gerada. Os principais exemplos de modelagem generativa, especificamente usando redes adversárias generativas (GANs), incluem os trabalhos de Karras et al.[10] e Wang et al. para condicionar a saída GAN no nível do pixel usando rótulos semânticos. [11]

Ilustração da estrutura GAN: D (Discriminador) é apresentado alternadamente com imagens de G (Gerador) e do conjunto de dados. D é solicitado a distinguir entre as duas fontes. O problema é formulado como um jogo minimax: D está tentando minimizar o número de erros que comete. G está tentando maximizar o número de erros que D comete nas amostras geradas. As setas curvas representam a retropropagação de gradientes no conjunto de parâmetros de destino.

Modelagem Generativa vis GANs

Um GAN consiste em um par de redes que, como o nome sugere, competem entre si durante a fase de treinamento. A rede de geradores G toma como entrada um vetor aleatório denominado vetor latente. Se outros metadados estiverem disponíveis (ângulo de iluminação, etc.), esses valores podem ser concatenados com o vetor latente para condicionar a saída. Ao gerar novos dados, a rede pode ser controlada por meio dos metadados para criar imagens com parâmetros específicos. Este vetor latente é alimentado em uma série de camadas de remodelagem e deconvoluição para reconstruir e transformar o vetor em uma imagem gerada. 

A segunda rede, o discriminador D, obtém imagens do conjunto de dados real (os dados que estamos tentando modelar) e do conjunto de dados gerado e os passa por uma série de camadas convolucionais e de remodelagem em uma imagem quase espelhada da rede do gerador. Ele tenta prever corretamente quais imagens foram geradas por G e quais são reais. Estas redes competir em um jogo minimax de dois jogadores: onde D tem por objetivo adivinhar corretamente o que foi gerado, contra imagens reais, enquanto G tem por objetivo enganar D. No resultado ideal, G gera imagens sintéticas convincentes e D não pode determinar se as imagens de G são reais ou não. Durante a implantação, G recebe vetores latentes aleatórios com metadados de condicionamento (se disponíveis) para criar novas imagens plausíveis. O discriminador normalmente é descartado. [12]

Os GANs têm sido usados ​​com sucesso no setor de saúde, que apresenta um grande desequilíbrio entre imagens médicas saudáveis ​​e aquelas que contêm tecidos ou tumores prejudiciais. Os GANs podem ajudar a reduzir esse desequilíbrio por meio da modelagem e criação de dados adicionais. [13] Além disso, quando as preocupações com a privacidade são um problema, os GANs têm sido usados ​​para aplicar o anonimato, criando dados sintéticos que carecem de informações pessoais e ainda exibem os detalhes do exame dos pacientes. [14]

Usando GANs para aplicações de sensoriamento remoto

Para treinar DNNs de sensoriamento remoto usando modelos generativos para aumento de dados, deve-se modelar as imagens e os rótulos associados com um alto grau de precisão e fidelidade. Os pesquisadores fizeram progressos nessa direção transferindo estatísticas de imagem de um domínio, onde há uma abundância de dados, para o domínio de destino que é semelhante em aparência e conteúdo, mas com muito menos exemplos.

Por exemplo, Yun et al. use redes adversárias geradoras de ciclo consistente para converter dados de banda visível em dados infravermelhos. [15] Da mesma forma, Benjdira et al. usou a saída de CycleGANs entre a banda visível e os dados infravermelhos para aumentar significativamente a precisão da segmentação de conjuntos de dados de sensoriamento remoto. [16] Seo et al. transferiu estatísticas de imagens de imagens reais em imagens renderizadas sinteticamente contendo veículos militares para aumentar a fidelidade geral da imagem. [17] Em cada um desses trabalhos, dados reais são usados ​​para aumentar os dados sintéticos para a detecção de objetos ou treinamento do modelo de segmentação.

Em nosso trabalho recente (Howe et al.), as imagens e os rótulos são modelados juntos para criar imagens rotuladas completamente novas, que foram usadas para treinar um detector de objetos. [18] Para nosso conhecimento, esta é a primeira vez que tal modelagem foi tentada usando métodos GAN para qualquer área de aplicação. Aqui, usamos o Concurso de Rotulagem Semântica 2D da Sociedade Internacional de Fotogrametria e Sensoriamento Remoto (ISPRS) – conjunto de dados de Potsdam. 

Este conjunto de dados consiste em 24 segmentação rotulada de imagens de 6.000 × 6.000 pixels coletadas a uma distância de amostra do solo de 5 cm com seis categorias de tipos de uso da terra: superfícies impermeáveis ​​(branco), edifícios (azul), vegetação rasteira (ciano), árvores (verde) , veículos (amarelo) e desordem (vermelho). Usamos os métodos de Karras et al. (ProgressiveGAN) e Wang et al. (Pix2PixHD) para modelar os espaços de máscaras de segmentação e imagens condicionadas a tais máscaras, respectivamente. [19,20] A Figura 1 apresenta exemplos de imagem real e sintética e pares de rótulos.

Figura 1. Imagem real ISPRS Potsdam e pares de rótulos (à esquerda) e pares de rótulos de imagens gerados sinteticamente (à direita). As máscaras de segmentação sintética foram geradas via ProgressiveGAN, e as imagens sintéticas foram geradas via Pix2PixHD condicionadas na máscara gerada.

De uma perspectiva qualitativa, é difícil diferenciar conjuntos de dados reais de sintéticos. A métrica Fréchet Inception Distance (FID) é comumente usada para medir quantitativamente o quão bem os dados gerados correspondem à distribuição dos dados reais. Informalmente, o FID tenta medir como as imagens são diferentes das imagens reais quando processadas por meio de um DNN específico treinado no conjunto de dados ImageNet. Observamos que aumentar a quantidade de dados de treinamento para os GANs resultou em um aumento na pontuação do FID, o que significa que as imagens geradas se tornaram menos semelhantes às imagens reais quando a quantidade de dados de treinamento foi aumentada. Isso faz sentido à medida que os GANs aprendem a interpolar entre as imagens de treinamento, o que se torna mais difícil à medida que o número e a diversidade das imagens de treinamento aumentam.

Ao usar dados gerados por GAN para aumentar conjuntos de dados de treinamento reais, uma tendência semelhante é encontrada. Se apenas uma pequena quantidade de dados estiver disponível para treinar os GANs e um detector de objetos, neste caso, RetinaNet, [21]o aumento relativo na precisão média média (mAP) pode aumentar em mais de 10 por cento, em comparação com o treinamento com dados reais sozinhos usando metodologias de aumento de dados padrão. Para uma comparação prática, essa melhoria é cerca de 40 por cento do benefício obtido ao rotular exaustivamente uma imagem adicional de 6.000 × 6.000 pixels. 

À medida que o número de imagens de treinamento aumenta, a melhoria relativa no mAP diminui; até que eventualmente este método de aumento GAN se torne prejudicial. Este pipeline é eficaz, mas apenas quando muito poucos dados rotulados estão disponíveis. Se os dados rotulados forem abundantes, podem não oferecer um benefício e possivelmente prejudicar o desempenho. No entanto, para pequenas quantidades de dados de treinamento, esses métodos podem fornecer um impulso adicional no desempenho além das técnicas tradicionais de aumento.

Resumo e trabalho futuro

Em alguns domínios de imagens, as tarefas de visão computacional de classificação, detecção e segmentação podem ser vistas como problemas resolvidos no sentido de que, com dados abundantes, diversos e bem rotulados, as técnicas de prateleira agora podem se aproximar ou mesmo exceder desempenho de nível humano. Infelizmente, na prática, esses requisitos de dados geralmente excedem em muito o volume, a diversidade e a fidelidade da maioria dos conjuntos de dados rotulados. Além disso, essas técnicas de prateleira normalmente não se aplicam bem aos conjuntos de dados altamente desequilibrados que costumam ser a norma em muitas aplicações. Esses problemas são agravados pelo fato de que as técnicas de transferência de informações de dados rotulados em um domínio para outro (geralmente chamadas de adaptação de domínio) não abordam remotamente o desempenho de nível humano, mas são uma área ativa de pesquisa.

Além de rotular mais dados, o que pode ser caro ou mesmo impossível em alguns cenários, as duas principais abordagens para aumentar os dados escassos são a síntese de dados por gráficos de computador e modelos generativos. Ambas as técnicas se mostraram promissoras em imagens de sensoriamento remoto, mas têm uma deficiência comum: elas otimizam para fotorrealismo em vez de otimizar a sua utilidade como dados de treinamento. Além de hiperparâmetros de mudança de feedback humano, nenhuma das abordagens tenta usar a precisão da previsão como um sinal de treinamento para melhorar a simulação. 

A situação é semelhante à de alunos se preparando para um exame, mas o professor ignora completamente o desempenho no exame para trabalhar o desenvolvimento do currículo posterior. Na instrução adequada, o currículo é ajustado dinamicamente com base no desempenho do aluno. No aprendizado de máquina (ML), esse ciclo de feedback, conectado por meio de gradiente descendente, é referido como meta-aprendizagem. Antecipamos que os avanços futuros na síntese de dados para ML virão da unificação de gráficos e abordagens geradoras em uma construção de meta-aprendizado para otimizar diretamente para a tarefa de visão computacional desejada, em vez de fotorrealismo.


Este artigo foi aprovado para divulgação pública pela National Geospatial-Intelligence Agency # 20-084.

  1. Ksenia Konyushkova, Raphael Sznitman e Pascal Fua. “Aprendendo Aprendizado Ativo com Dados.” Em Advances in Neural Information Processing Systems, pp. 4225-4235. 2017.
  2. https://blogs.nvidia.com/blog/2018/09/13/how-maglev-speeds-autonomous-vehicles-to-superhuman-levels-of-safety/
  3. https://developer.nvidia.com/clara
  4. Geoffrey Hinton. “Para reconhecer formas, primeiro aprenda a gerar imagens.” Progress in Brain Research. 2007. não. 165: 535-547. https://doi.org/10.1016/S0079-6123(06)65034-6
  5. http://www.dirsig.org
  6. Sanghui Han ,, Alex Fafard, John Kerekes, Michael Gartley, Emmett Ientilucci, Andreas Savakis, Charles Law et al. “Efficient Generation of Image Chips for Training Deep Learning Algorithms.” Em reconhecimento automático de alvo XXVII. 2017. vol. 10202, pág. 1020203. Sociedade Internacional de Óptica e Fotônica.
  7. Yiming Yan, Zhichao Tan e Nan Su. “A Data Augmentation Strategy Based on Simulated Samples for Ship Detection in RGB Remote Sensing Images.” ISPRS International Journal of Geo-Information 2019: 8 (6): 276.
  8. Josh Tobin, Rachel Fong, Alex Ray, Jonas Schneider, Wojciech Zaremba e Pieter Abbeel. “Domain Randomization for Transferring Deep Neural Networks from Simulation to the Real World.” Em 2017 IEEE / RSJ International Conference on Intelligent Robots and Systems (IROS). pp. 23-30. IEEE. 2017.
  9. AF Frangi, SA Tsaftaris e JL Prince. “Simulation and Synthesis in Medical Imaging.” IEEE Transactions on Medical Imaging. 2018: 37 (3): 673-679. doi: 10.1109 / TMI.2018.2800298.
  10. Tero Karras, Timo Aila, Samuli Laine e Jaakko Lehtinen. “Progressive Growing of GANs for Improved Quality, Stability, and Variation.” 2017. pré-impressão de arXiv arXiv: 1710.10196.
  11. Ting-Chun Wang, Ming-Yu Liu, Jun-Yan Zhu, Andrew Tao, Jan Kautz e Bryan Catanzaro. “High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs.” Em Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018. pp. 8798-8807.
  12. Ian Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville e Yoshua Bengio. “Generative Adversarial Nets.” In Advances in Neural Information Processing Systems. 2014. pp. 2672-2680.
  13. Felix Lau, Tom Hendriks, Jesse Lieman-Sifry, Sean Sall e Dan Golden. “Scargan: Chained Generative Adversarial Networks to Simulate Pathological Tissue on Cardiovascular MR Scans.” Em Deep Learning em Medical Image Analysis e Multimodal Learning for Clinical Decision Support. 2018. Springer, Cham. pp. 343-350.
  14. Edward Choi, Siddharth Biswal, Bradley Malin, Jon Duke e Walter F. Stewart, Jimeng Sun. “Generating Multi-label Discrete Patient Records Using Generative Adversarial Networks.” In Proceedings of the 2nd Machine Learning for Healthcare Conference.2017. PMLR 68: 286-305.
  15. Kyongsik Yun, Kevin Yu, Joseph Osborne, Sarah Eldin, Luan Nguyen, Alexander Huyen e Thomas Lu. “Melhor Visível para Transformação de Imagem IR Usando Aumento de Dados Sintéticos com Redes Adversariais Consistentes em Ciclo.” Em reconhecimento e rastreamento de padrões. 2019. XXX, vol. 10995. p. 1099502. International Society for Optics and Photonics.
  16. Bilel Benjdira, Yakoub Bazi, Anis Koubaa e Kais Ouni. “Adaptação de Domínio Não Supervisionado Usando Redes Adversariais Generativas para Segmentação Semântica de Imagens Aéreas.” Sensoriamento remoto. 2019: 11 (11): 1369.
  17. Junghoon Seo, Seunghyun Jeon e Taegyun Jeon. “Domain Adaptive Generation of Aircraft on Satellite Imagery via Simulated and Unsupervised Learning.” 2018. pré-impressão de arXiv arXiv: 1806.03002.
  18. Jonathan Howe, Kyle Pula e Aaron A. Reite. “Conditional Generative Adversarial Networks for Data Augmentation and Adaptation in Remotely Sensed Imagery.” 2019. arXiv preprint arXiv: 1908.03809.
  19. Tero Karras, Timo Aila, Samuli Laine e Jaakko Lehtinen. “Progressive Growing of GANs for Improved Quality, Stability, and Variation.” 2017. pré-impressão de arXiv arXiv: 1710.10196.
  20. Ting-Chun Wang, Ming-Yu Liu, Jun-Yan Zhu, Andrew Tao, Jan Kautz e Bryan Catanzaro. “High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs.” Em Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018. pp. 8798-8807.
  21. Tsung-Yi Lin, Priya Goyal, Ross Girshick, Kaiming He e Piotr Dollár. “Perda Focal para Detecção de Objeto Denso.” Em Proceedings of the IEEE International Conference on Computer Vision. 2017. pp. 2980.2988.

USGIF em 28 de abril de 2020

Autores: Dr. Jonathan Howe, NVIDIA; Dr. Aaron Reite, NGA; Dr. Kyle Pula, CACI; e Dr. Jonathan Von Stroh, CACI

Tradução e comentários: Evenuel Viana Veloza

Mapeamento do ambiente operacional em 3D

Destinado a sistemas de armas modernos e também a combatentes individuais, o mapeamento 3D é tanto uma ferramenta de ação quanto um auxílio para a compreensão do ambiente operacional de primeira linha . As questões relativas à qualidade, precisão e nível de atualização dos dados de mapas 3D vêm regularmente à tona, pois têm um impacto direto na capacidade das forças armadas de planejar e conduzir operações militares em boas condições. condições.

Iconem
Maquete 3D da cidade de Aleppo © Images Iconem

Quer se destinem a visualizar o ambiente operacional em três dimensões, a analisar a praticabilidade dos eixos de comunicação, a detectar mudanças, a identificar potenciais obstáculos ao tráfego, a facilitar a identificação de zonas de aterragem de aeronaves, ou mesmo para definir zonas de observação adequadas para forças terrestres, os dados cartográficos 3D contribuem para a superioridade informacional dos exércitos e hoje são considerados essenciais para o bom andamento das operações.

O campo de batalha não é um espaço fixo, ele está em constante mudança e interagindo continuamente com os atores presentes , os perigos e os vários eventos sucessivos que acontecem lá fora. Alguns desses espaços, como ambientes urbanos, estão particularmente sujeitos a mudanças quando estão no centro do combate (veja abaixo). A atualização de dados é, portanto, uma necessidade constante para garantir um melhor entendimento do ambiente operacional.

ALEP timelapse
Destruição da cidade de Aleppo entre 2010 e 2015 © Images Maxar via Google

No entanto, o desafio é considerável, porque as mudanças às vezes acontecem muito rapidamente, a cadeia geográfica é desafiada a se adaptar constantemente para fornecer forças com dados cartográficos 2D e 3D “novos” . Embora alguns satélites de observação hoje tenham a capacidade de produzir imagens estereoscópicas (como Pléïades e CSO) permitindo o desenvolvimento de produtos 3D, o processo de produção desses dados e sua disseminação ainda é insuficientemente flexível e inadequado para ritmo das operações. Essa simples observação tem facilitado o surgimento de novas abordagens para a produção cartográfica 3D, mais flexíveis e mais fáceis de usar , e principalmente pela mão de unidades implantadas nas operações.

O programa Soldier-Deployab le Geospatial Technologies (SDGT)

Impulsionado por necessidades operacionais cada vez mais urgentes sobre o assunto, o Laboratório de Pesquisa Geoespacial (componente do Centro de Pesquisa e Desenvolvimento de Engenheiros, ERDC) do Exército dos EUA decidiu subir uma marcha estudando soluções táticas que podem ser implantado diretamente pelos combatentes para realizar facilmente missões de modelagem 3D de seu ambiente. Esta abordagem se encaixa mais amplamente em uma lógica de desenvolvimento de uma capacidade de mapeamento rápido autônomo com base em drones militares e comerciais, bem como em meios de coleta de terras, como sistemas LiDAR ( mais informação aqui) montado em veículos. 

Esta abordagem é duplamente benéfica, deve, antes de mais nada, permitir às unidades combatentes produzirem rapidamente uma cartografia 3D adaptada às necessidades das forças, em plena autonomia . Em segundo lugar, cada produção contribui para enriquecer a base de dados do teatro de operações centralizando todos os dados cartográficos 3D disponíveis. O conjunto permitindo constituir uma verdadeira abordagem ascendente com uma rede de produtores identificados mais próximos dos problemas do campo e um processo de produção controlado.

Transforme streams de vídeo de drones em modelos 3D quase em tempo real

Outro desafio assumido pelo Laboratório de Pesquisa Geoespacial do Exército é aprimorar os fluxos FMV ( Full Motion Video ) recebidos em tempo real por drones e outros sistemas ISR usados ​​pelos militares dos EUA para produzir dados cartográficos 3D em tempo real, no próximo tempo real , a partir  do teatro de operações. Um recurso abundante hoje nos modernos teatros de operações.

O método fotogramétrico utilizado no âmbito deste projeto permite reconstruir rapidamente um modelo 3D correlacionando séries de imagens ( para saber mais ). Agora amplamente utilizada, esta técnica torna possível usar com eficiência as imagens de fluxos de vídeo FMV, bem como seus metadados para desenvolver diferentes tipos de produtos (ortomosaicos 2D, nuvens de pontos 3D, modelos MNS de superfície digital) úteis para a equipe operacional.

Somente este processo exigia até agora perícia humana para selecionar as imagens mais adequadas , desprovidas por exemplo de alterações visuais ou objetos (veículos, pedestres, etc.) suscetíveis de afetar a qualidade da renderização 3D final, um trabalho preliminar tedioso. mas essencial para obter o melhor resultado possível.

Mapeamento FMV para 3D
Crédito da imagem © Laboratório de Pesquisa Geoespacial

É justamente nesse ponto que intervém a tecnologia desenvolvida pela equipe de pesquisa do Dr. Ricky Massaro do GRL. Um algoritmo seleciona automaticamente as imagens mais adequadas entre os milhares de quadros de vídeo coletados, antes de iniciar a produção de um modelo de superfície digital preciso (MDS) em apenas alguns minutos, mesmo que o drone ainda esteja em vôo . Não exigindo hardware especial, a ferramenta seria capaz de funcionar em qualquer laptop comercial com desempenho adequado.

De acordo com o Exército dos EUA, esse processo pretende ser complementar e não substituir os sistemas Lidar e outros sistemas de mapeamento terrestre usados ​​atualmente por algumas unidades. O sistema já foi testado pela 101ª Divisão Aerotransportada para mapear um campo de treinamento localizado em Fort Campbell. E também foi implantado no Iraque para uma nova campanha de avaliação.

Jogue na complementaridade dos sensores

Cada sensor tem vantagens e desvantagens, por isso o Laboratório de Pesquisa Geoespacial também realiza pesquisas no uso combinado dos diversos sensores usados ​​pelo Exército dos Estados Unidos para aproveitar sua complementaridade para refinar a qualidade dos modelos 3D. produtos.

A varredura a laser terrestre com base na tecnologia LiDAR permite, por exemplo, capturar espaços complexos com muita precisão, como fachadas externas de edifícios ou ambientes internos, enquanto as fotos aéreas nem sempre permitem uma renderização tão precisa de fachadas. A unificação das nuvens de pontos desses dois produtos em um mesmo repositório possibilita a criação de um modelo 3D muito mais preciso.

Na França o 3D também desperta interesse renovado

Esta busca de autonomia tática também desperta o interesse de algumas unidades francesas, que estão fazendo o possível para preencher suas lacunas em termos de dados 3D para atender às suas necessidades. Se os vídeos FMV ainda são pouco valorizados até à data, vários experimentos têm sido realizados nos últimos anos dentro das forças especiais (em particular no CPA10 e no comando Kieffer), bem como dentro do 28º grupo geográfico para produzir ou adquirir modelos rapidamente. Sistemas digitais de superfície precisos no teatro.

Nesse sentido, essas iniciativas deram origem a várias abordagens, algumas unidades adquiriram drones comerciais, como os drones Ebee, enquanto outras unidades buscaram reduzir o ciclo de produção do MNS, visando estabelecer um processo de produção e distribuição adaptado, em relação direta com as organizações de apoio geográfico das Forças Armadas.

Uma plataforma dedicada à produção 3D

Lançado em 10 de dezembro de 2019, o projeto AI4GEO exibe as ambições francesas em termos de produção de mapeamento 3D e visa desenvolver uma solução de produção de dados 3D totalmente automatizada, contando em particular com inteligência artificial para otimizar o processo e os custos de produção.

O consórcio reúne 9 organizações e empresas francesas, incluindo em particular o Grupo CS (que coordena o projeto), IGN, CNES, Onera, Qwant, Airbus DS, CLS, Quantcube e Geosat) com a ambição de criar uma plataforma dedicada à área de Informações geoespaciais 3D. Embora alguns dos participantes do grupo já tenham capacidade para produzir modelos 3D, o custo e o tempo de processamento necessários para desenvolver esses produtos 3D (imagens de satélite, aéreas) costumam ser demorados. Essa simples observação justifica o uso combinado de novas tecnologias, como IA e a implementação de infraestruturas de computação em nuvem para otimizar o tempo de processamento de dados e, por fim, automatizar toda a cadeia de produção.

3d paris
Mapeamento 3D da cidade de Paris. Crédito da imagem © Google

Este projeto visa acima de tudo estimular a pesquisa, bem como o ecossistema industrial francês no campo do 3D para desenvolver os tijolos tecnológicos necessários para o desenvolvimento de produtos cartográficos 3D qualificados inicialmente, depois em um segundo para desenvolver serviços de valor agregado em diferentes setores ( Smart City , agricultura, gestão da água, automóveis autônomos, etc.).

Explore um recurso cada vez mais abundante

A plataforma deve ser capaz de processar facilmente as muitas imagens que são geradas hoje pelos vários sensores ópticos e radares existentes (drones, satélites, Lidar, etc.), cujo número continua a crescer dia a dia, e que são para alguns exclusivamente destinados à produção 3D.

O projeto AI4GEO também parece fazer parte da continuidade do 3D Optical Constellation (CO3D), uma constelação de satélites de observação encomendados pelo CNES e DGA da Airbus DS alguns meses antes, em maio de 2019. Composto de quatro satélites em uma órbita sincronizada com o sol, esta constelação fornecerá imagens estereoscópicas submétricas (50cm) dedicadas à produção cartográfica 3D em todo o mundo.

Erbil
Modelagem 3D da cidade de Erbil. Crédito da imagem: Plain Archaeological Survey

Enquanto os dados fornecidos pela constelação CO3D serão essencialmente imagens ópticas, a plataforma do projeto AI4GEO pretende ser acima de tudo generalista e deve ser capaz de tirar partido de imagens de outros sistemas, como imagens de radar ou levantamentos Lidar (terrestres e / ou no ar). Uma abordagem que deve ser comparada com o surgimento do Novo Espaço e a explosão do número de constelações de satélites de observação, que não deixa de sublinhar as muitas oportunidades que se encontram, e que também não vai falhar. mais para exércitos de interesse em todo o mundo.

Autor: Jean-philippe Morisseau

Imagem de destaque: Marina Stancampiano Moreira | 3D artist and Graphic designer | everis Brasil

Tradução: Evenuel Viana Veloza

Bibliografia

15 FONTES OFICIAIS DE DADOS DE IMAGENS DE SATÉLITES GRATUITAS

O segredo que não quer calar, é que existem dezenas de fontes confiáveis ​​com imagens de satélite de alta qualidade. Mas espere, tem mais…você não só pode baixar as melhores e mais recentes imagens de satélite, mas é tudo GRATUITO.

Tudo que você precisa saber é onde encontrá-los. Leia o conteúdo abaixo para ver uma lista bem interessante de fontes gratuitas de imagens de satélite.

1. USGS Earth Explorer

Descubra o poder do Landsat e muito mais. Não importa onde você more, o USGS Earth Explorer tem uma abundância de imagens de satélite para oferecer:

  • LANDSAT: Imagine ser capaz de olhar para mais de 40 anos atrás em qualquer lugar. A qualquer momento, você pode ver o quanto tudo mudou. Quanto isso valeria? Este é o legado das imagens do satélite Landsat. Sua história de quase 40 anos é incomparável com qualquer outra imagem de satélite. Baixe a história do nosso planeta através do Landsat no USGS Earth Explorer.
  • ELEVAÇÃO: se você precisa de elevação, ASTER e SRTM são modelos de elevação digital mundialmente conhecidos. Por meio do USGS Explorer, encontre sua peça em qualquer lugar do planeta.
  • HIPERSPECTRAL: Explore as imagens hiperespectrais do Hyperion. É somente por meio dessa plataforma que você pode ter uma oportunidade tão rara.

USGS Earth Explorer é uma fonte de classe mundial para imagens de satélite gratuitas. Não importa onde você more, você PRECISA olhar para o USGS Earth Explorer. Aqui está um guia sobre como baixar imagens gratuitas do Landsat do USGS Earth Explorer para ajudá-lo a começar.

2. Sentinel Open Access Hub

Sentinel-2 é o início de uma nova e emocionante era em imagens abertas de satélite. Não é apenas porque a cobertura abrange todo o globo. Mas também porque o Sentinel-2 é a imagem de satélite gratuita mais nítida disponível para download hoje.

O Sentinels Open Access Hub é a sede oficial para baixar imagens do Sentinel. É um pouco estranho se acostumar, então verifique nosso guia para saber como baixar imagens do Sentinel-2 .

  • SENTINEL-2: Dois satélites formam o Sentinel-2. Devido à sua popularidade, haverá mais 2 satélites nos próximos anos. O Sentinel-2 tem resolução de 10 metros em vermelho, verde, azul e infravermelho próximo. Suas 12 bandas espectrais variam de bandas costeiras a SWIR. Já se passaram 5 anos desde o seu lançamento. Mas a demanda disparou, tornando-se uma das imagens de satélite gratuitas mais populares disponíveis.
  • SENTINEL-1: Se você precisa de imagens de radar de abertura sintética (SAR), Sentinel-1 é banda C. O potencial para SAR é infinito. Mas você não consegue uma imagem bonita como o Sentinel-2.

Depois de baixar as imagens do Sentinel, como você as usa? Baixe o software livre Sentinel-2 Toolbox do ESA . Todas as caixas de ferramentas fornecem a estrutura para abraçar um rico conjunto de ferramentas de análise, visualização e processamento.

3. NASA Earthdata Search

Há muito o que gostar sobre o Earthdata Search da NASA . Especialmente, depois de seu novo facelift. Ele tem um novo visual e design para descobrir dados das Ciências da Terra. Em primeiro lugar, as opções de dados de satélite são incríveis.

  • DADOS DERIVADOS: A maioria dos Dados da Terra da NASA é um produto de análise para o estudo das Ciências da Terra. Por exemplo, é qualquer coisa da biosfera, criosfera, hidrosfera ou atmosfera. A maioria dos produtos vem de um centro de dados e aplicativos (DAAC).
  • COBERTURA DA TERRA: NASA Earthdata também é uma excelente fonte de uso e cobertura global da terra. Mas não são apenas as classes típicas de cobertura do solo. Possui dados especializados derivados de satélite, como permafrost e tipos de zonas úmidas.

Nossa sugestão é começar com uma pesquisa simples. Em seguida, altere os critérios de intervalo de tempo para restringir sua pesquisa. Finalmente, baixe suas imagens de satélite gratuitas. Você vai pegar o jeito depois de algumas tentativas. Este tutorial de uso da pesquisa EarthData da NASA ajudará.

4. Visualizador de acesso a dados NOAA

A NOAA substituiu seu sistema de pedido de fotografia aérea pelo NOAA Data Access Viewer . Agora, é onde você descobre conjuntos de dados confiáveis ​​ao longo das costas. Mas não é apenas para imagens de satélite. Você pode baixar:

  • IMAGENS AÉREAS / SATÉLITES: O NOAA Data Access Viewer contém imagens de satélite, aéreas e LiDAR. Primeiro, entre na sua área de interesse. Depois de fazer isso, todos os conjuntos de dados disponíveis aparecerão no painel do lado direito. A partir daqui, tudo que você precisa fazer é fazer o download.

NOAA Data Access Viewer está fora do modo beta agora. Mas as velocidades de download ainda são lentas e lentas. No geral, esta é uma ótima opção para áreas costeiras como Califórnia, Flórida e Nova York.

5. Programa de Dados Abertos DigitalGlobe

Se você deseja as imagens de satélite mais nítidas do mundo, experimente aproveitar o poder do DigitalGlobe. Na verdade, é tão nítido que quase dá para ver as placas dos carros.

De forma alguma, você pode baixar toda a biblioteca DigitalGlobe de imagens de 30 cm gratuitamente. Em vez disso, você pode baixar imagens de satélite gratuitas da DigitalGlobe de duas maneiras:

  • OPEN DATA PROGRAM: Para qualquer desastre natural, o Open Data Program da DigitalGlobe fornece imagens de satélite para alívio. Por exemplo, incêndios, inundações, furacões, tufões e terremotos fazem parte desta lista. Eles liberam dados para o domínio público sob uma licença Creative Commons 4.0. Dê uma olhada em qualquer desastre natural recente e aposto que está lá.
  • DADOS DE AMOSTRA: Se você deseja simplesmente experimentar, tente fazer o download de suas imagens de amostra . Por exemplo, possui pegadas de construção, elevação, estéreo e imagens em cores reais.

Estes são exemplos de imagens de satélite de alta resolução. Se você não conseguiu encontrar o que estava procurando aqui, a próxima opção é sua segunda melhor escolha.

6. Defesa Geo-Airbus

Assim como o DigitalGlobe, o Geo-Airbus Defense é um fornecedor comercial. De satélites como SPOT, Pleiades, RapidEye, estes são alguns dos melhores da classe. Geo-Airbus Defense também possui uma coleção de imagens de amostra. Mas, infelizmente, sua seleção gratuita de imagens de satélite é bastante limitada.

  • AMOSTRA DE IMAGENS: Geo Airbus Defense Systems oferece mais de 140 imagens de amostra para experimentação. Para imagens ópticas, fica mais fino quanto 1,5 metros com o SPOT. As imagens de radar do TerraSAR-X têm até 3 metros de nitidez. Finalmente, você pode obter uma amostra do incomparável WorldDEM de 12 metros. Isso é muito mais refinado e preciso do que os DEMs globais ASTER e SRTM.

7. NASA Worldview

NASA Worldview não é muito bom para baixar dados brutos. Por exemplo, você não pode nem mesmo baixar o famoso Blue Marble aqui. Mas você pode fazer isso no NASA NEO . Ele serve para fornecer acesso a uma variedade de produtos científicos.

  • PRODUTOS CIENTÍFICOS: O objetivo da NASA Worldview é apresentar produtos científicos em todas as disciplinas. Por exemplo, há uma seção para perigos e desastres. Além disso, você pode filetar produtos derivados de satélite por disciplina científica.

Se você deseja baixar imagens de satélite gratuitas, você deve adicionar a camada ao mapa. Em seguida, você deve escolher a data no controle deslizante de madeira abaixo. Por fim, clique na guia de dados na legenda e clique no botão “Baixar dados”.

8. NOAA CLASS

Camada intermediária    Dados Mundiais    Administração Oceânica e Atmosférica Nacional    Registro requerido

Da terra aos nossos céus e oceanos, é hora de zarpar com a NOAA CLASS. A biblioteca de imagens de satélite da NOAA é o Comprehensive Large Array-data Stewardship System (CLASS) .

Para acessá-lo, você deve se registrar para uma conta. Então, você pode fazer o login e começar a baixar imagens de satélite. NOAA CLASS é um pouco bagunçado. Mas você pode categorizar NOAA CLASS em 3 seções:

  • IMAGENS OCEÂNICAS: NOAA gerencia e protege as linhas costeiras com CoastWatch. CoastWatch é uma coleção de medidas como vento, temperatura e cor. Tudo vem de satélites como POES, JASON e GOES.
  • IMAGENS ATMOSFÉRICAS: Quando se trata de nosso clima, GOES conhece o clima. Na verdade, o GOES-R é a frota mais avançada de satélites meteorológicos até hoje. Portanto, essas cenas de imagens de satélite capturam tudo, de furacões a tornados.
  • MEIO AMBIENTE E CLIMA: Esses produtos abrangem tudo, desde ozônio até aerossol.

Mesmo que NOAA CLASS não seja tão intuitivo quanto o resto, você ainda consegue mergulhar fundo em nossos oceanos e atmosfera. E isso é muito bom.

9. National Institute for Space Research (INPE)

O Instituto Nacional de Pesquisas Espaciais (INPE) é o braço brasileiro de pesquisas espaciais. Eles desenvolveram o Catálogo de Imagens do INPE que é uma espécie de biblioteca para baixar gratuitamente imagens de satélite. Grande parte deste catálogo são imagens de satélite do CBERS.

  • CBERS: A parceria entre Brasil e China tem uma missão conjunta própria. O conjunto de dados chave neste catálogo são Recursos Terrestres China – Brasil (CBERS 2). De acordo com o INPE, serão incluídos também CBERS 4, ResourceSat e UK-DMC 2.

A única ressalva é que os dados são específicos para a América do Sul e África . Se você estiver de acordo, pode traduzir o site do português para o inglês. Depois de fazer isso, você terá que criar uma conta. Porque a cada solicitação que você faz, o INPE envia os dados do download para o seu e-mail.

Em seguida, selecione seu satélite e sensor. Em seguida, escolha um país da América do Sul e da África. Por fim, adicione-o ao seu carrinho e clique em “Vá em frente”. A partir daqui, você pode baixar gratuitamente suas imagens de satélite do site FTP do INPE.

10. Geo-plataforma indiana de Bhuvan da ISRO

A Índia fez grandes avanços na tecnologia de sensoriamento remoto por satélite. Na verdade, o lançamento do satélite Indiano de Sensoriamento Remoto (IRS 1A) remonta a 1998. Desde então, os dados estão disponíveis na Geo-plataforma indiana de Bhuvan .

A plataforma é bem construída. Mas a maioria dos dados é apenas para a Índia. Isso inclui IMS-1 (Hyperspectral), Cartosat, OceanSat e ResourceSat. Todos são satélites indianos. Os seguintes produtos também estão disponíveis para download fora da Índia:

  • NDVI : Cobertura Global do Índice de Vegetação por Diferença Normalizada.
  • CARTODEM : Este modelo de elevação de 30 metros usa imagens estéreo de imagens Cartosat-1 sobrepostas.

11. Global ALOS 3D World da JAXA

ALOS World 3d é um modelo de superfície digital (DSM) com resolução espacial de 30 metros. A JAXA o construiu e recentemente o lançou ao público. O interessante é que são os dados de elevação em escala global mais precisos no momento.

Ele usa o Satélite Avançado de Observação Terrestre “DAICHI” (ALOS), que é um tipo de radar de banda-L. Se você deseja fazer o download do ALOS 3D, vá para o portal JAXA Global ALOS . Em seguida, você terá que se registrar para uma conta. Após a aprovação, você pode baixá-lo através do portal de download.

12. VITO Vision

O site VITO Vision oferece PROBA-V, SPOT-Vegetation e METOP como imagens de satélite gratuitas. Esses satélites de resolução grosseira esculpem padrões de vegetação na superfície da Terra.

Leva algum tempo e esforço para criar uma conta para o VITO Vision. A interface é intuitiva e oferece dados de satélite de baixa resolução gratuitos ao seu alcance. Esse tipo de dado é bom para aplicativos de grande escala que não precisam de detalhes mais finos.

13. NOAA Digital Coast

Quando você está explorando os dados da Costa Digital da NOAA, tudo gira em torno da bela costa . Os dados costeiros são tudo o que você obterá nesta plataforma de imagens.

Para baixar os dados, selecione sua área de interesse. Defina seu conjunto de dados para download. E peneire os resultados. Você tem dados bênticos, de elevação, imagens, cobertura do solo e dados socioeconômicos. Você obtém uma variedade de imagens de satélite gratuitas para escolher, como radar, infravermelho e composições de cores reais.

14. Cobertura do Solo por Satélite

Nunca tivemos uma perspectiva tão boa de nosso planeta em mudança por causa das imagens de satélite. Alguns dos maiores desafios que enfrentamos hoje são mais bem compreendidos por meio da cobertura do solo por satélite. Isso ocorre porque o sensoriamento remoto cobre muito mais terreno.

  • COBERTURA DA TERRA: Listamos as melhores fontes de dados globais de cobertura da terra do Landsat, MODIS e AVHRR. A cobertura global da terra quantifica as mudanças na cobertura da terra em todo o mundo. Isso inclui vegetação, áreas geológicas, agrícolas, hidrológicas e urbanas.

15. UNAVCO

Vamos encerrar as coisas com UNAVCO. University NAVSTAR Consortium (UNAVCO) é uma organização de universidades. Se você não sabe quem é UNAVCO, aqui está UNAVCO explicado em 3 minutos .

Seu principal objetivo é apoiar a pesquisa científica utilizando a tecnologia de geodésia. Porque nosso mundo está totalmente conectado, UNAVCO fornece acesso aos dados de geodésia. Por exemplo, pense em inundações, placas tectônicas e terremotos.

  • RADAR DE ABERTURA SINTÉTICA: Sua plataforma é a Interface do Usuário de Pesquisa de Arquivo SAR da UNAVCO . Este site está inundado com radar de abertura sintética de fontes de satélites. Mas primeiro, você precisará de um nome de usuário e senha. Então, você pode finalmente colocar as mãos nos dados.

Por fim

Os dados de satélite abriram novos canais sobre como vemos o planeta. Em vez de passar dias procurando um bom mapa de base, você pode acessar esta lista de dados de imagens de satélite gratuitos. Você aprendeu alguns dos principais data centers para coletar imagens de satélite gratuitas de todo o mundo.

Fonte: GIS Geography ·(Última atualização: 7 de agosto de 2020)