AWS развивает возможности ИИ для анализа данных из космоса [ссылка]

Клинт Крозье (Clint Crosier) 📸, директор по аэрокосмическим и спутниковым технологиям Amazon Web Services, сообщил, что в прошлом году AWS создала команду, ориентированную на работу с космическими данными для изучения возможностей использования генеративного искусственного интеллекта, который в значительной степени развивает модели глубокого обучения.

По словам Крозье, если раньше приоритетом космической отрасли было увеличение разрешения снимков, то теперь внимание сместилось в сторону минимизации задержек предоставления данных и расширения возможностей обработки данных в режиме реального времени.

В ходе недавнего эксперимента с использованием облачных сервисов AWS и вычислительных технологий шведской компании Unibap, спутник итальянской компании D-Orbit почти вдвое увеличил доступную пропускную способность, используя искусственный интеллект для отправки на Землю с орбиты только релевантных гиперспектральных данных.

#ИИ #гиперспектр

❄️Антарктика с огромной скоростью «зеленеет», показывают спутниковые данные.
🌱Новое исследование показало, что за последние четыре десятилетия растительный покров Антарктического полуострова увеличился в 10 раз. Антарктический полуостров, так же как и многие полярные регионы, нагревается быстрее, чем в среднем по планете, а экстремальные тепловые явления становятся более частыми.
🛰В исследовании использовались спутниковые данные. Оказалось, что площадь растительного покрова увеличилась с менее чем одного квадратного километра в 1986 году до почти 12 к 2021 году. Причем в последние годы (2016-2021) этот тренд ускорился более чем на 30%, зеленая поверхность в это время увеличивалась более чем на 400 000 квадратных метров в год.
🌱☘🌲Почвы в Антарктиде в основном бедны или отсутствуют, но увеличение растительности добавит органического вещества и создаст почвообразование, а это проложит путь другим растениям. Это повышает риск появления инвазивных видов, возможно, завезенных туристами, учеными.
Новости НАУКИ паблик

Обнаружение болезней сельскохозяйственных культур на уровнях листа и поля: чего можно ожидать от искусственного интеллекта?

📖 Lebrini, Y., & Ayerdi Gotor, A. (2024). Crops Disease Detection, from Leaves to Field: What We Can Expect from Artificial Intelligence. Agronomy, 14(11), 2719. https://doi.org/10.3390/agronomy14112719

Сельское хозяйство решает многочисленные задачи по увеличению производительности при одновременном снижении количества используемых химикатов и удобрений. Обзор посвящен прогрессу, достигнутому в использовании машинного обучения и дистанционного зондирования для обнаружения и идентификации болезней сельскохозяйственных культур, что может помочь фермерам: (1) выбрать правильное лечение, наиболее подходящее к конкретной болезни, (2) лечить болезни на ранних стадиях заражения и, (3) возможно, в будущем проводить лечение только там, где это необходимо или экономически выгодно. Уровень техники показывает значительный прогресс в обнаружении и идентификации болезней на уровне листа у большинства культивируемых видов. Гораздо меньший прогресс достигнут в обнаружении болезней на уровне поля, где окружающая среда сложна, и который пока реализован лишь для некоторых полевых культур.

📸 Блок-схема методики сбора данных по идентификации болезней растений с помощью искусственного интеллекта и дистанционного зондирования.

#ИИ #сельхоз

🤖 Искусственный интеллект предсказал пик глобального потепления

🇺🇸 Учёные из Стэнфордского университета и университета штата Колорадо (США) использовали свёрточные нейронные сети для прогнозирования пикового глобального потепления на основе недавних наблюдений за температурными картами и будущих совокупных выбросов CO2. По их оценкам, для сценария декарбонизации SSP1-1.9 существует вероятность более 99%, что среднее глобальное потепление превысит 1,5°C, примерно такая же вероятность, что оно достигнет 2°C, и ∼90% вероятности, что самый жаркий год в мире превысит 2023 год как минимум на 0,5°C. Кроме того, для сценария декарбонизации SSP2-4.5 существует вероятность более 90%, что самая высокая годовая глобальная температурная аномалия будет в два раза выше аномалии 2023 года. 

🌐 https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2024GL111832

#ИИ #глобальноепотепление

Kayrros упрощает поиск источников выбросов метана

Компания Kayrros, занимающаяся мониторингом выбросов парниковых газов, внедряет большую языковую модель чтобы упростить поиск информации об источниках выбросов метана.

“Метановый GPT” KayrrosAI позволяет пользователям задавать вопросы на простом языке и бесплатно получать ответы об источниках выбросов метана, данные о которых содержит созданная компанией карта Methane Watch.

Источник

#CH4 #GHG #ИИ #данные

ICEYE и SATIM разработают информационные продукты на основе радарных снимков SAR и методов искусственного интеллекта

ICEYE и SATIM объявили о подписании партнерского соглашения. Компании объединят радарные снимки ICEYE и решения SATIM по анализу изображений на основе искусственного интеллекта в новые продукты, позволяющие обнаруживать и классифицировать суда, самолеты и наземные транспортные средства, а затем направятся с ними к военным.

📸 SATIM специализируется на автоматическом распознавании целей (Automatic Target Recognition, ATR) по радарным снимкам [источник].

#SAR #ИИ

Aitech представила IQSat — пикоспутник для приложений искусственного интеллекта

Aitech Systems (шт. Калифорния, США), известная своей электроникой для военных и аэрокосмических задач, объявила о планах запуска пикоспутника IQSat, предназначенного для приложений с использованием искусственного интеллекта (ИИ).

IQSat оснащен аналитической платформой Intuidex Watchman for Space, которая использует ИИ и алгоритмы машинного обучения для задач наземной разведки и наблюдения, а также ситуационной осведомленности в космическом пространстве.

По замыслу разработчиков, группировки спутников IQSat смогут, например, обнаруживать космический мусор, наблюдать за деятельностью на Земле или отслеживать радиосигналы.

Клиенты смогут начать проектировать миссии с использованием IQSat в четвертом квартале нынешнего года. В дополнение к стандартным компонентам COTS (commercial-off-the-shelf), предлагаются опции по электродвигательной установке и радиосвязи.

По словам Пратиша Шаха (Pratish Shah), генерального менеджера Aitech в США, к компании уже обратились клиенты, заинтересованные в использовании IQSat для военных, научных и коммерческих целей. До официального анонса некий неназванный заказчик начал совместную работу с Aitech над созданием группировки из сотен IQSat. Первые спутники, размером 10 × 10 × 30 см, должны быть запущены в первом квартале 2026 года.

📸 Художественное изображение спутника IQSat компании Aitech Systems.

Источник

#США #ИИ

Sidus Space и Little Place Labs представили новые возможности наблюдения за морским пространством спутниковой платформы LizzieSat

Компания Sidus Space (шт. Флорида, США) сообщила о возможностях своей космической платформы LizzieSat по обнаружению и классификации судов в режиме, близком к реальному времени.

LizzieSat теперь может обрабатывать данные непосредственно на борту с помощью своей вычислительной системы Orlaith AI Ecosystem, которая включает в себя аппаратное обеспечение FeatherEdge edge computing и программное обеспечение OrbitfyEdge от технологического партнера Little Place Labs (Великобритания).

“Благодаря обработке данных непосредственно на борту спутников LizzieSat, OrbitfyEdge, как ожидается, устранит задержки, традиционно связанные с передачей данных и наземным анализом”, — указано в заявлении Sidus Space. “Это решение не только обнаруживает и классифицирует суда, но и перекрестно сопоставляет данные бортовой системы автоматической идентификации (AIS), чтобы выявить или отметить “темные" суда, занимающиеся незаконной деятельностью, такой как пиратство или незаконный лов рыбы. Информация будет поступать практически в режиме реального времени, что позволит быстро реагировать на угрозы безопасности на море и нарушения цепочки поставок".

Соглашение о стратегическом партнерстве между Sidus и Little Place Labs было заключено в январе нынешнего года. С тех пор обе компании сотрудничают в разработке интегрированных спутниковых решений на основе граничных вычислений и приложений искусственного интеллекта.

#onboard #ИИ

🌎Британия проведет эксперимент с распылением отражающих частиц в стратосфере

🌍Правительство Великобритании выделит 50 млн фунтов стерлингов на эксперимент в области геоинженерии. Идея такая: распылить аэрозольные частицы в стратосфере, чтобы отразить часть солнечного света и таким образом замедлить глобальное потепление. В ближайшие недели группа ученых планирует провести тестовые запуски, опираясь на знания об эффектах вулканических извержений. Это позволит получить реальные данные о безопасности и эффективности этого метода.
⚡️Новости НАУКИ паблик⚛

Earth Observation Training Data Lab (https://www.eotdl.com/), финансируемый лабораторией ESA Φ-lab, — это новый репозиторий для поиска наборов обучающих данных (датасетов) и моделей в области дистанционного зондирования Земли, использующих искусственный интеллект, глубокое и машинное обучение.

🖥 Github: https://github.com/earthpulse/eotdl

#датасет #ИИ #данные

TerraMind 1.0 base

TerraMind — ИИ-модель для анализа данных дистанционного зондирования Земли в режиме реального времени, разработанная корпорацией IBM совместно с Европейским космическим агентством и Forschungszentrum Jülich, опубликована в открытом доступе на Hugging Face.

TerraMind полностью интегрирована в пакет тонкой настройки TerraTorch. Это позволяет легко инициализировать предварительно обученную модель или произвести ее тонкую настройку с помощью PyTorch Lightning. Веса автоматически загружаются из Hugging Face.

TerraMind представляет новый подход Thinking-in-Modalities (TiM), при котором другие модальности предсказываются в качестве промежуточных шагов. Затем кодировщик, прошедший тонкую настройку, использует как исходные данные, так и сгенерированные модальности.

🔗 Репозиторий с примерами настройки модели: https://github.com/IBM/terramind

📖 Препринт о разработке TerraMind: https://arxiv.org/abs/2504.11171

📊 Архитектура TerraMind

#ИИ #датасет

Конкурс “SpaceNet 9: Cross-Modal Satellite Imagery Registration”

SpaceNet — это конкурс, направленный на ускорение прикладных исследований в области искусственного интеллекта для геопространственных приложений, в частности для определения контуров зданий и дорожной сети. Учредителем SpaceNet является компания Maxar. Партнерами выступают Amazon Web Services, Topcoder, Oak Ridge National Laboratory, Umbra и IEEE GRSS.

Участники конкурса должны разработать алгоритмы для вычисления попиксельных пространственных преобразований между оптическими и радарными снимками, в частности, в регионах, пострадавших от землетрясений. Эти алгоритмы будут оцениваться на предмет их способности выравнивать точки привязки между модальностями, что позволит улучшить последующий анализ, в частности, оценку ущерба и обнаружение изменений.

Для поддержки конкурса предоставлен набор данных, состоящий из оптических снимков высокого разрешения из программы открытых данных Maxar и радарных снимков UMBRA. Набор данных включает размеченные вручную точки привязки для оценки качества регистрации. Также предоставляется базовый алгоритм для определения эталона производительности.

📖 Подробнее о SpaceNet — в статье.

#конкурс #ИИ #датасет #SAR #fusion

Обнаружение объектов на снимках Maxar в пакете GeoDeep

В этом посте Марк Литвинчик (Mark Litwintschik) запускает встроенные в GeoDeep модели искусственного интеллекта на снимках Мьянмы и Бангкока (Таиланд), сделанных спутниками компании Maxar.

GeoDeep — Python-пакет для обнаружения объектов на спутниковых снимках. Пакет насчитывает около 1000 строк кода и использует ONNX Runtime и Rasterio.

Ниже приведены готовые модели из состава GeoDeep. Назначение их ясно их названий:

• aerovision
• birds
• buildings
• cars
• planes
• roads
• trees
• trees_yolov9

Спойлер: сколько-нибудь вменяемые результаты показала только модель buildings.

#софт #python #ИИ

"Найди мне все лесопилки…"

Сэмюель Барретт (Samuel Barrett) показывает здесь и здесь как использовать предварительно вычисленные эмбеддинги ДЗЗ из базовой модели Клэя (Clay) на снимках NAIP для быстрой идентификации лесопилок в штатах Вашингтон и Орегон.

🛢 NAIP data embedded with Clay v1.5 (rev2)
🖥 Репозиторий кода на GitHub

Эксперимент показывает как эмбеддинги позволяют быстро отвечать на вопросы вроде "Что где находится?" в больших географических масштабах.

#ИИ #python

PiLogic получила 4 млн долларов на разработку искусственного интеллекта для диагностики состояния спутников

Компания PiLogic (шт. Калифорния, США) объявила о привлечении 4 млн долларов инвестиций на разработку средств диагностики спутников и других инструментов искусственного интеллекта, предназначенных для использования в космосе.

По словам Йоханнеса Вальдштейна (Johannes Waldstein), основателя и генерального директора PiLogic, первый спутник, оснащенный разработанной компанией моделью диагностики системы электропитания, планируется запустить в этом году.

Программное обеспечение будет объединять данные бортовых датчиков с подробным знанием инженерных принципов и деталей спутника, позволяя оператору прогнозировать состояние компонентов и, возможно, устранять проблемы автономно.

Диагностируя и устраняя неисправности непосредственно на борту, ИИ дает операторам шанс предотвратить каскадные сбои. “Он переходит на резервный аккумулятор или автоматически меняет датчики”, — продолжил Вальдштейн. ИИ свяжется с операторами и скажет: “Я сделал это, я думаю, что в этом датчике произошел сбой, я думаю, что в него попал космический мусор, и теперь эта часть спутника не работает — мы должны изменить маршрут в обход этого”.

Модель разработана таким образом, чтобы эффективно работать без массивных наборов данных или графических процессоров, требуя минимальной бортовой вычислительной мощности. По словам Вальдштейна, это делает ее пригодной даже для кубсатов.

Источник

#ИИ

Применение искусственного интеллекта для анализа данных MODIS

Исследователи из Центра космических полетов Годдарда обучили модель SatVision Top-of-Atmosphere восстанавливать зашумленные изображения, сделанные прибором MODIS.

Модель генеративного искусственного интеллекта SatVision-TOA (Top-of-Atmosphere) имеет широкий спектр применений, включая определение свойств облаков, картографирование земного покрова, мониторинг наводнений и катастроф, городское планирование и экологический анализ. Модель потенциально может быть применена к снимкам, сделанным другими аналогичными приборами дистанционного зондирования.

📸 Слева, на оригинальном снимке MODIS, видны серые и белые облака на фиолетовом фоне. Второй слева снимок (маскированное изображение) представляет собой то же самое изображение, большая часть которого закрыта компьютерно-сгенерированными пикселями розового цвета. Третий снимок — это попытка восстановить оригинальный снимок версией SatVision-TOA с меньшим числом параметров (Huge Model). Снимок справа — результат восстановления исходного снимка моделью SatVision-TOA с максимальным числом параметров (Giant Model, 3 млрд. параметров) [источник].

SatVision-TOA основана на архитектуре искусственного интеллекта с трансформерной нейронной сетью, изначально разработанной Google, которая позже стала основой для больших языковых моделей (LLM). Архитектура SwinV2, использованная в SatVision-TOA, позволяет компьютерам обучаться распознавать "узоры" на спутниковых снимках и присваивать им значения.

Для обучения модели команда использовала 100 миллионов случайно выбранных образцов из данных MODIS уровня 1B (MOD021KM v6.1) за последние 25 лет, полученных спутником Terra. Они выбрали изображения из 14 спектральных каналов, общих для MODIS и аналогичного инструмента Advance Baseline Imager (ABI) на метеорологических спутниках GOES-R, чтобы расширить возможности использования модели.

Теперь, когда SatVision-TOA доказала свою способность распознавать особенности в данных MODIS, ее пытаются использовать для характеристики аэрозолей под облаками, таких как пыльные бури, переносимые тропическими штормами, и для измерения свойств облаков, включая высоту верхней границы облаков и оптическую плотность.

🖥 Архитектура SatVision-TOA и веса модели доступны на GitHub и Hugging Face соответственно.

📖 Руководство пользователя см. в SatVision-TOA: A Geospatial Foundation Model for Coarse-Resolution All-Sky Remote Sensing Imagery.

#MODIS #ИИ #FM

Псевдоспутник MAPS Skydweller будет оснащен интеллектуальной радарной системой от Thales

Американская компания Skydweller Aero и французская Thales создали беспилотник, способный летать месяцами без дозаправки. Устройство использует солнечные батареи и оснащено радаром с искусственным интеллектом (ИИ).

Беспилотник MAPS (medium-altitude pseudo-satellite) от Skydweller Aero оснащен радарной системой AirMaster S SMART RADAR, разработанной Thales. Этот легкий комплекс X-диапазона с активной фазированной решеткой (Active Electronically Scanned Array Antenna) и алгоритмами ИИ распознает цели и анализирует обстановку в реальном времени. Радар также обладает возможностями автоматической настройки в зависимости от условий полета и миссии, что идеально подходит для длительных полетов MAPS. Функция классификации целей на основе ИИ позволяет выявлять точки интереса среди большого объема данных и сокращать объем информации, передаваемой на землю.

Благодаря способности находится в воздухе непрерывно от недель до месяцев, беспилотник MAPS Skydweller обеспечивает постоянное присутствие в зонах интереса. Он дополняет уже имеющиеся ресурсы (спутники, другие типы дронов, самолеты и т.д.) и позволяет перераспределять ресурсы в зависимости от миссий.

AirMaster S SMART RADAR прошел испытания на борту патрульного самолета ATL2. Кроме того, им оборудован тяжелый французский беспилотник AAROK.

Источник

#псевдоспутник #SAR #ИИ

Planet Labs использует ИИ-модель Claude

Planet Labs сотрудничает с Anthropic, используя разработанную последней большую языковую модель Claude для анализа данных дистанционного зондирования Земли.

Источник

#planet #ИИ

GeoAI: Искусственный интеллект для пространственных данных

GeoAI — пакет Python для применения методов искусственного интеллекта в анализе и визуализации пространственных данных.

🤖 GeoAI содержит инструменты для обработки, анализа и визуализации пространственных данных с помощью передовых методов машинного обучения. Как сказано в документации: “Независимо от того, работаете ли вы со спутниковыми снимками, облаками точек лидара или векторными данными, GeoAI предлагает интуитивно понятные интерфейс для применения передовых моделей ИИ.”

📖 Документация GeoAI

Среди возможностей GeoAI:

📊 Визуализация пространственных данных

● Интерактивная многослойная визуализация векторных, растровых и облачных данных
● Настраиваемые стили и символика
● Возможности визуализации временных рядов данных

🛠 Подготовка и обработка данных

● Упрощенный доступ к спутниковым и аэрофотоснимкам Sentinel, Landsat, NAIP и другим открытым данных
● Инструменты для загрузки, создания мозаик и предварительной обработки данных дистанционного зондирования
● Автоматизированная генерация обучающих датасетов с чипами изображений (image chips) и соответствующими метками
● Утилиты преобразования векторных данных в растровые и наоборот, оптимизированные для рабочих процессов ИИ
● Методы дополнения (augmentation) данных, специфичные для пространственных данных
● Поддержка интеграции данных Overture Maps и других открытых данных для обучения и проверки

🖼 Сегментация изображений

● Интеграция с моделью Segment Anything Model (SAM) компании Meta для автоматического извлечения признаков
● Специализированные алгоритмы сегментации, оптимизированные для спутниковых и аэрофотоснимков
● Оптимизированные рабочие процессы для сегментации зданий, дорог, растительности и водных объектов
● Возможность экспорта в стандартные форматы геоданных: GeoJSON, Shapefile, GeoPackage, GeoParquet

🔍 Классификация изображений

● Предварительно обученные модели для классификации земного покрова и землепользования (land cover & land use)
● Утилиты трансферного обучения (transfer learning) для тонкой настройки моделей на основе собственных данных
● Поддержка разновременной классификации для обнаружения изменений (change detection)
● Инструменты оценки точности и валидации

🌍 Дополнительные возможности

● Анализ рельефа с извлечением признаков при помощи ИИ
● Классификация и сегментация облаков точек
● Обнаружение объектов на авиационных и спутниковых снимках
● Утилиты геопривязки для результатов ИИ-моделей

Пакет разработан профессором Q. Wu. Для него мы завели на канале именной хештег: #wu

📹 Руководства по GeoAI на YouTube

#python #wu #софт #ИИ