ARCNEWS
BẢN ĐỒ ĐẤT PHỦ VỚI DEEP LEARNING TRONG ARCGIS LIVING ATLAS OF THE WORLD
Điều gì sẽ xảy ra nếu như bạn kết hợp dữ liệu lớn, hình ảnh vệ tinh và AI? Có rất nhiều câu trả lời cho câu hỏi này, và một trong số đó là bộ sưu tập các mô hình lớp phủ bề mặt đất chất lượng cao đang ngày càng được mở rộng trong ArcGIS Living Atlas of the World.
Bản đồ lớp phủ bề mặt đất được tạo ra bởi các mô hình này có thể được sử dụng cho giám sát môi trường, quản lý tài nguyên, quy hoạch đô thị và nhiều mục đích khác. Người dùng ArcGIS Living Atlas không cần đào tạo chuyên sâu, tài nguyên tính toán mạnh mẽ, hay chuyên môn về AI để sử dụng các mô hình này. Họ có thể tạo ra các bản đồ lớp phủ bề mặt đất chất lượng cao, phân loại lớp chân công trình, đánh giá thiệt hại và xác định một loạt các loại dữ liệu phủ bề mặt đất khác nhau với nhiều độ phân giải không gian và chu kỳ lặp lại khác nhau.
Dải độ phân giải
Mô hình Phân loại lớp phủ bề mặt đất (Landsat 8) là một nguồn tài nguyên quan trọng với độ phân giải thấp để tạo ra các bản đồ lớp phủ bề mặt đất. Dựa trên hình ảnh từ Landsat 8 với độ phân giải 30m, những bản đồ này lý tưởng cho việc phân tích dài hạn về sự thay đổi lớp phủ bề mặt đất nhằm nghiên cứu biến đổi khí hậu và giúp quản lý các tài nguyên rừng, các nguồn nước và khu vực nông nghiệp. Các bản đồ này có thể được sử dụng để định lượng sự thay đổi trong lưu trữ carbon, phản xạ ánh sáng bề mặt và nhiệt độ bề mặt đất.
Đối với hình ảnh dộ phân giải trung bình, mô hình Phân loại lớp phủ bề mặt đất (Sentinel-2) cung cấp độ phân giải 10m. Những hình ảnh tạo ra từ mô hình này hữu ích cho việc giám sát môi trường như theo dõi thảm thực vật, kiểm tra các nguồn nước, phát hiện các mối nguy hiểm để quản lý thảm họa và hỗ trợ quy hoạch sử dụng đất bằng cách cung cấp cái nhìn sâu sắc vào sự thay đổi lớp phủ bề mặt đất và sự mở rộng đô thị.
Hình ảnh vệ tinh có thể giúp chỉ ra các đặc điểm bề mặt như khả năng thấm nước.
Một số mô hình, bao gồm Phân loại lớp phủ bề mặt đất Độ phân giải cao – USA và Phân loại lớp phủ bề mặt đất (Hình ảnh trên không), được thiết kế cho dữ liệu độ phân giải cao. Những mô hình này có thể được sử dụng để tạ ra các bản đồ cho việc giám sát các loại cây, đánh giá điều kiện thảm thực vật và giám sát tài nguyên thiên nhiên.
Việc chọn lựa các nguồn hình ảnh vệ tinh và các mô hình Deep-learning được huấn luyện trước phù hợp nhất có thể giúp điều chỉnh các ứng dụng bản đồ lớp phủ bề mặt đất theo yêu cầu của tổ chức. Bằng cách này, các bản đồ lớp phủ bề mặt đất, được bổ sung bởi các lớp dữ liệu bổ sung có sẵn trong ArcGIS Living Atlas, có thể cung cấp một bức tranh tổng thể về dấu chân của con người và tự nhiên trên toàn cầu.
Những bổ sung gần đây vào Bộ Sưu Tập
Một trong những mô hình mới được thêm vào ArcGIS Living Atlas có tên là Text SAM. Được tạo ra vào tháng Hai, Text SAM là một mô hình mẫu mã nguồn mở cho phép người dùng sử dụng các văn bản tự do để yêu cầu mô hình chỉ ra các đặc điểm bề mặt như ô tô, bể bơi, tàu thuyền, máy bay và pin mặt trời.
Một mô hình được huấn luyện trước mới khác trong ArcGIS Living Atlas, được tạo ra vào tháng Một, có thể được sử dụng để phân loại cây trồng qua hình ảnh vệ tinh đa phổ. Được gọi là Prithvi – Crop Classification, mô hình này được phát triển bởi IBM và Cơ quan Hàng không Vũ trụ Quốc gia (NASA) để hỗ trợ các nhiệm vụ như giám sát cây trồng và quản lý tưới tiêu nước.
Bước Tiếp Theo
Khám phá những mô hình này và các mô hình học sâu được huấn luyện trước khác trong ArcGIS Living Atlas of the World. Sau đó, học cách sử dụng chúng trong ArcGIS.