Millennium Space Systems изготовит еще 6 спутников для обнаружения и отслеживания ракет [ссылка]
Космические силы США заключили контракт на 386 миллионов долларов с Millennium Space Systems, дочерней компанией Boeing, на создание шести спутников, предназначенных для обнаружения и отслеживания ракет, которые могут угрожать США и их союзникам.
Данный контракт стал второй крупной сделкой для Millennium Space в рамках программы по обнаружению и отслеживанию ракетных угроз, после того как в декабре 2023 года компания заключила соглашение на 509 миллионов долларов на создание идентичного набора из шести спутников. Таким образом, всего Millennium Space изготовит 12 спутников для работы на средней околоземной орбите.
На спутниках будут установлены тепловые инфракрасные датчики, разработанные компанией Boeing, способные обнаруживать и отслеживать как традиционные баллистические ракеты, так и новые гиперзвуковые вооружения, которые особенно сложно отследить из-за их скорости и маневренности.
Спутники будут оснащены лазерными линиями связи, что позволит им оперативно обмениваться данными друг с другом. Эта функция, в сочетании с размещением спутников на средней околоземной орбите, обеспечит более широкую зону покрытия и более длительное время отслеживания потенциальных угроз.
Первые шесть спутников планируется вывести на орбиту в конце 2026 года, а вторую партию — в конце 2027 года.
Millennium Space создала специальное производство для изготовления этих спутников, что, по словам компании, позволило оптимизировать производственные процессы и снизить затраты.
Новая спутниковая сеть будет интегрирована с существующими системами предупреждения о ракетном нападении Космических сил США и создаст комплексную сеть противоракетной обороны, которая объединит спутники на разных орбитах, чтобы обеспечить более надежное отслеживание потенциальных угроз.
Самый востребованный вид ДЗЗ(
📸 Художественное изображение спутника слежения за ракетами.
#США #война
Космические силы США заключили контракт на 386 миллионов долларов с Millennium Space Systems, дочерней компанией Boeing, на создание шести спутников, предназначенных для обнаружения и отслеживания ракет, которые могут угрожать США и их союзникам.
Данный контракт стал второй крупной сделкой для Millennium Space в рамках программы по обнаружению и отслеживанию ракетных угроз, после того как в декабре 2023 года компания заключила соглашение на 509 миллионов долларов на создание идентичного набора из шести спутников. Таким образом, всего Millennium Space изготовит 12 спутников для работы на средней околоземной орбите.
На спутниках будут установлены тепловые инфракрасные датчики, разработанные компанией Boeing, способные обнаруживать и отслеживать как традиционные баллистические ракеты, так и новые гиперзвуковые вооружения, которые особенно сложно отследить из-за их скорости и маневренности.
Спутники будут оснащены лазерными линиями связи, что позволит им оперативно обмениваться данными друг с другом. Эта функция, в сочетании с размещением спутников на средней околоземной орбите, обеспечит более широкую зону покрытия и более длительное время отслеживания потенциальных угроз.
Первые шесть спутников планируется вывести на орбиту в конце 2026 года, а вторую партию — в конце 2027 года.
Millennium Space создала специальное производство для изготовления этих спутников, что, по словам компании, позволило оптимизировать производственные процессы и снизить затраты.
Новая спутниковая сеть будет интегрирована с существующими системами предупреждения о ракетном нападении Космических сил США и создаст комплексную сеть противоракетной обороны, которая объединит спутники на разных орбитах, чтобы обеспечить более надежное отслеживание потенциальных угроз.
Самый востребованный вид ДЗЗ(
📸 Художественное изображение спутника слежения за ракетами.
#США #война
Forwarded from Aerospace Capital 🛰🚀
СИСТЕМЫ ОТДЕЛЕНИЯ АЭРОСПЕЙС С 43 СПУТНИКАМИ КУБСАТ ГОТОВЫ К ПУСКУ РН «СОЮЗ-2»/ РБ «ФРЕГАТ» В РАМКАХ МИССИИ «ИОНОСФЕРА-М» № 1-2!
В МИКе космодрома Восточный техническая команда установила 12 пусковых контейнеров (ПК) Аэроспейс с КА Кубсат на раму РБ «Фрегат».
Форматы ПК Аэроспейс:
- 9 ПК формата 12U (4×3U);
- 2 ПК формата 12U (2×3U+6U);
- 1 ПК формата 12U(1×12U).
Спутники в ПК Аэроспейс:
- В 6 ПК в интересах частной космической компании «СПУТНИКС» (входит в Sitronics Group) интегрировано 24 гражданских спутника «SITRO-AIS» первой российской группировки для автоматической идентификации судов в Мировом океане.
- В рамках проекта «Space-π» Фонда содействия инновациям на орбите будут отделены 16 научно-образовательных МКА.
- Для российского коммерческого заказчика на орбиту будут выведены 3 гражданских КА Кубсат: 1 КА формата 12U и 2 КА формата 3U.
Подробнее о миссии на сайте.
Фото: Космический центр «Восточный».
В МИКе космодрома Восточный техническая команда установила 12 пусковых контейнеров (ПК) Аэроспейс с КА Кубсат на раму РБ «Фрегат».
Форматы ПК Аэроспейс:
- 9 ПК формата 12U (4×3U);
- 2 ПК формата 12U (2×3U+6U);
- 1 ПК формата 12U(1×12U).
Спутники в ПК Аэроспейс:
- В 6 ПК в интересах частной космической компании «СПУТНИКС» (входит в Sitronics Group) интегрировано 24 гражданских спутника «SITRO-AIS» первой российской группировки для автоматической идентификации судов в Мировом океане.
- В рамках проекта «Space-π» Фонда содействия инновациям на орбите будут отделены 16 научно-образовательных МКА.
- Для российского коммерческого заказчика на орбиту будут выведены 3 гражданских КА Кубсат: 1 КА формата 12U и 2 КА формата 3U.
Подробнее о миссии на сайте.
Фото: Космический центр «Восточный».
Forwarded from Госкорпорация «Роскосмос»
В понедельник специалисты Роскосмоса транспортировали «Кондор-ФКА» № 2 из монтажно-испытательного корпуса космических аппаратов в зал заправочной станции.
25 октября, завершилась заправка разгонного блока «Фрегат». В кратчайшие сроки подготовлено топливо и сжатые газы к следующей заправке.
После заправки совместный расчет проведет заключительные операции, а также совместные проверки с разгонным блоком «Фрегат» перед дальнейшей сборкой космической головной части.
Фото: Космический центр «Восточный»
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
Данные Global Land Cover Estimation (GLanCE) v1
Global Land Cover Estimation (GLanCE) — ежегодные глобальные данные о растительном покрове и его изменениях с 2001 по 2019 год, полученные с помощью снимков Landsat с пространственным разрешением 30 метров. Данные охватывают весь земной шар, кроме Антарктиды и включает 10 наборов научных данных (Science Data Sets, SDS). Для определения почвенно-растительного покрова и его изменений используется алгоритм Continuous Change Detection and Classification (CCDC).
SDS GLanCE разделены на три категории:
1️⃣ Почвенно-растительный покров и его изменения. Четыре набора данных содержат (1) класс почвенно-растительного покрова, (2) оценку качества классификации почвенно-растительного покрова, (3) предыдущий почвенно-растительный покров для тех мест, где произошли изменения и (4) приблизительный день года, когда произошли изменения (DOY).
2️⃣ Динамика озеленения (Greenness Dynamics). Четыре набора данных характеризуют годовую “озелененность” (greenness) с помощью Enhanced Vegetation Index (EVI2), включая (1) медиану, (2) амплитуду, (3) скорость изменения (если присутствует) и (4) величину изменения медианы EVI2 для тех пикселей, где произошли изменения.
3️⃣ Тип листьев и фенология. Два набора данных определяют тип листьев и фенологию для пикселей, покрытых деревьями.
🌍 GLanCE на GEE
Руководство пользователя с подробной информацией о каждом слое данных: 🔗 ссылка.
❗️В первой версии GLanCE есть 7 из 10 обещанных SDS. Оценка качества классификации почвенно-растительного покрова, а также данные о типах листьях и фенологии будут добавлены в следующих версиях. Кроме того, текущий набор данных включает данные по Северной и Южной Америке, Европе и Океании, а Африка и Азия будут добавлены в начале 2025 года.
Описание методики создания данных:
📖 Friedl M.A. et al. 2022. Medium Spatial Resolution Mapping of Global Land Cover and Land Cover Change Across Multiple Decades From Landsat. Frontiers in Remote Sensing 3. https://doi.org/10.3389/frsen.2022.894571
#данные #GEE #LULC
Global Land Cover Estimation (GLanCE) — ежегодные глобальные данные о растительном покрове и его изменениях с 2001 по 2019 год, полученные с помощью снимков Landsat с пространственным разрешением 30 метров. Данные охватывают весь земной шар, кроме Антарктиды и включает 10 наборов научных данных (Science Data Sets, SDS). Для определения почвенно-растительного покрова и его изменений используется алгоритм Continuous Change Detection and Classification (CCDC).
SDS GLanCE разделены на три категории:
1️⃣ Почвенно-растительный покров и его изменения. Четыре набора данных содержат (1) класс почвенно-растительного покрова, (2) оценку качества классификации почвенно-растительного покрова, (3) предыдущий почвенно-растительный покров для тех мест, где произошли изменения и (4) приблизительный день года, когда произошли изменения (DOY).
2️⃣ Динамика озеленения (Greenness Dynamics). Четыре набора данных характеризуют годовую “озелененность” (greenness) с помощью Enhanced Vegetation Index (EVI2), включая (1) медиану, (2) амплитуду, (3) скорость изменения (если присутствует) и (4) величину изменения медианы EVI2 для тех пикселей, где произошли изменения.
3️⃣ Тип листьев и фенология. Два набора данных определяют тип листьев и фенологию для пикселей, покрытых деревьями.
🌍 GLanCE на GEE
Руководство пользователя с подробной информацией о каждом слое данных: 🔗 ссылка.
❗️В первой версии GLanCE есть 7 из 10 обещанных SDS. Оценка качества классификации почвенно-растительного покрова, а также данные о типах листьях и фенологии будут добавлены в следующих версиях. Кроме того, текущий набор данных включает данные по Северной и Южной Америке, Европе и Океании, а Африка и Азия будут добавлены в начале 2025 года.
Описание методики создания данных:
📖 Friedl M.A. et al. 2022. Medium Spatial Resolution Mapping of Global Land Cover and Land Cover Change Across Multiple Decades From Landsat. Frontiers in Remote Sensing 3. https://doi.org/10.3389/frsen.2022.894571
#данные #GEE #LULC
🙏Благодарим, расположив в календарном порядке, телеграм-каналы, делавшие репосты и цитировавшие наши публикации в октябре 2024 года:
* @gis_proxima
* @sergeyshakhmatov
* @IngeniumNotes
* @ykuthydromet
* @control_space_channel
* @rscc_rscc
* @dobriy_ovchinnikov
* @space78125
* @twrussia
* @UzbekistanTtransparentWorld
* @grishkafilippov
* @realprocosmos
* @igce01
* @newspacecorp
* @Cosmonaut_without_a_spacesuit
* @solar_lunar
* @SCANEX_news
Спасибо, коллеги!
* @gis_proxima
* @sergeyshakhmatov
* @IngeniumNotes
* @ykuthydromet
* @control_space_channel
* @rscc_rscc
* @dobriy_ovchinnikov
* @space78125
* @twrussia
* @UzbekistanTtransparentWorld
* @grishkafilippov
* @realprocosmos
* @igce01
* @newspacecorp
* @Cosmonaut_without_a_spacesuit
* @solar_lunar
* @SCANEX_news
Спасибо, коллеги!
launches_2024__01-10.csv
97.9 KB
Космические и суборбитальные запуски с января по октябрь 2024 года
Обзор методов машинного обучения для оценки урожайности сельскохозяйственных культур по данным Sentinel-2
В 📖 статье рассматриваются исследования последних пяти лет, в которых использовались снимки Sentinel-2 и методы машинного обучения для оценки урожайности пшеницы, кукурузы, риса и других культур. Обсуждается применение различных методов, таких как “случайный лес”, SVM, CNN, а также ансамблей методов, для уточнения прогнозов урожайности.
Результаты показывают рост числа применений данных Sentinel-2 для прогноза урожайности, а также тенденцию к применению более продвинутых методов машинного обучения (переход от случайного леса к нейронкам). Отмечено, что разные исследователи используют различные комбинации спутниковых данных, вегетационных индексов и методов машинного обучения для схожих культур, что приводит к разным результатам, которые зачастую не удается сравнить между собой.
📖 Aslan, M. F., Sabanci, K., & Aslan, B. (2024). Artificial Intelligence Techniques in Crop Yield Estimation Based on Sentinel-2 Data: A Comprehensive Survey. Sustainability, 16(18), 8277. https://doi.org/10.3390/su16188277
📊 Количество исследований, связанных с Sentinel-2, в базе Web of Science по годам.
#сельхоз #sentinel2
В 📖 статье рассматриваются исследования последних пяти лет, в которых использовались снимки Sentinel-2 и методы машинного обучения для оценки урожайности пшеницы, кукурузы, риса и других культур. Обсуждается применение различных методов, таких как “случайный лес”, SVM, CNN, а также ансамблей методов, для уточнения прогнозов урожайности.
Результаты показывают рост числа применений данных Sentinel-2 для прогноза урожайности, а также тенденцию к применению более продвинутых методов машинного обучения (переход от случайного леса к нейронкам). Отмечено, что разные исследователи используют различные комбинации спутниковых данных, вегетационных индексов и методов машинного обучения для схожих культур, что приводит к разным результатам, которые зачастую не удается сравнить между собой.
📖 Aslan, M. F., Sabanci, K., & Aslan, B. (2024). Artificial Intelligence Techniques in Crop Yield Estimation Based on Sentinel-2 Data: A Comprehensive Survey. Sustainability, 16(18), 8277. https://doi.org/10.3390/su16188277
📊 Количество исследований, связанных с Sentinel-2, в базе Web of Science по годам.
#сельхоз #sentinel2
В начале октября вышло большое интервью гендиректора “Агата” Никиты Казинского, где затрагиваются вопросы государственно-частного партнерства в космосе. Вот фрагмент интервью, касающийся формирования рынка данных ДЗЗ.
________
— С 1 января будущего года ожидается вступление в силу закон о коммерциализации рынка космических услуг. Как вы оцениваете перспективы появления в России рынка спутниковых данных? Можно, хотя бы приблизительно, оценить его объемы в деньгах?
— Появление такого закона оцениваю очень положительно. Речь идет о монетизации данных дистанционного зондирования Земли и платности сервисов на их основе. Пока что данные ДЗЗ у нас бесплатные, и обмен продуктом космической деятельности происходит между создателями за бюджетные средства спутников и бюджетными же потребителями спутниковой информации. Рынок замкнут. Частный инвестор не может вкладываться в систему ДЗЗ или в космический спутник мониторинга Земли, потому что рынка не существует.
В этом смысле монетизация данных ДЗЗ — это очень хорошая мера. Она позволяет не только Роскосмосу по-другому взглянуть на потребности, спрос и на орбитальную группировку, но и привлечь частные инвестиции. А потребители в лице федеральных и региональных органов исполнительной власти, когда данные становятся платными, станут генерировать адекватный, не завышенный спрос на них.
Что касается будущих объемов рынка, то мировой рынок данных ДЗЗ, по большому счету, сформирован американскими операторами. Самый известный — Maxar. Он к 2040 году прогнозирует свои продажи на уровне $4 млрд в год. Это не очень много. Мировой рынок геоинформационных услуг, построенный на данных ДЗЗ, в два-три раза больше. Европейцы, например, пошли по пути создания программы «Коперник» — предоставления данных бесплатно только ради развития рынка геоинформационных услуг. Если у нас закон о платности данных ДЗЗ охватит все категории потребителей, то его годовой объем может достигнуть 200 млрд рублей. Если не будет охватывать всех, и заработает, условно говоря, американская модель (у них скорее гибрид между бесплатным государственным потреблением по фьючерсным контрактам и частного потребления), то российский рынок будет в районе 20–40 млрд рублей в год.
— Вы выступаете за то, чтобы все потребители, включая государственных, платили за спутниковые данные?
— Конечно. Платность — это не только про деньги. Одновременно вводится прозрачность оборота спутниковых данных. Мне кажется, это очень хорошо.
— Какое время займет становление рынка данных ДЗЗ, когда он заработает?
— Это займет не десятки лет, 3-4 года может занять, максимум пять. <…>
— Что касается закона о коммерциализации спутниковых данных. Частные игроки уже высказывают опасения, не станет ли Роскосмос монополистом на этом рынке и будет диктовать всем прочим условия по цене. Можете их успокоить?
— Когда общаемся с частными компаниями, выходящими с инициативой создания спутников и монетизации данных, там два обычно вопроса возникает. Первое, что Роскосмос им будет не доплачивать. Здесь надо отдать должное руководству Роскосмоса: Юрий Иванович Борисов жестко сказал, что мы будем идти от рынка, и вся методология ценообразования будет построена от рыночной стоимости данных, не от традиционных расчетных калькуляционных материалов. Этот механизм отвергнут.
Второй вопрос, что Роскосмос станет монополистом — он достаточно специфичный. Речь на самом деле не о монополии, а о боязни конкуренции со стороны предприятий Роскосмоса. Было бы странно, если бы частники говорили: «Вы не имеете права делать то же самое, что мы». Мне кажется, что как раз это тезис не проходит антимонопольную проверку. Есть, конечно, вероятность того, что госкорпорация будет делать те же спутники ДЗЗ лучше, дешевле и быстрее. Так это же хорошо для страны! А если частники будут делать лучше и быстрее, то тоже для страны хорошо. Не конкурировать с другими производителями Роскосмос не может.
Спасибо коллеге за наводку!
#россия
________
— С 1 января будущего года ожидается вступление в силу закон о коммерциализации рынка космических услуг. Как вы оцениваете перспективы появления в России рынка спутниковых данных? Можно, хотя бы приблизительно, оценить его объемы в деньгах?
— Появление такого закона оцениваю очень положительно. Речь идет о монетизации данных дистанционного зондирования Земли и платности сервисов на их основе. Пока что данные ДЗЗ у нас бесплатные, и обмен продуктом космической деятельности происходит между создателями за бюджетные средства спутников и бюджетными же потребителями спутниковой информации. Рынок замкнут. Частный инвестор не может вкладываться в систему ДЗЗ или в космический спутник мониторинга Земли, потому что рынка не существует.
В этом смысле монетизация данных ДЗЗ — это очень хорошая мера. Она позволяет не только Роскосмосу по-другому взглянуть на потребности, спрос и на орбитальную группировку, но и привлечь частные инвестиции. А потребители в лице федеральных и региональных органов исполнительной власти, когда данные становятся платными, станут генерировать адекватный, не завышенный спрос на них.
Что касается будущих объемов рынка, то мировой рынок данных ДЗЗ, по большому счету, сформирован американскими операторами. Самый известный — Maxar. Он к 2040 году прогнозирует свои продажи на уровне $4 млрд в год. Это не очень много. Мировой рынок геоинформационных услуг, построенный на данных ДЗЗ, в два-три раза больше. Европейцы, например, пошли по пути создания программы «Коперник» — предоставления данных бесплатно только ради развития рынка геоинформационных услуг. Если у нас закон о платности данных ДЗЗ охватит все категории потребителей, то его годовой объем может достигнуть 200 млрд рублей. Если не будет охватывать всех, и заработает, условно говоря, американская модель (у них скорее гибрид между бесплатным государственным потреблением по фьючерсным контрактам и частного потребления), то российский рынок будет в районе 20–40 млрд рублей в год.
— Вы выступаете за то, чтобы все потребители, включая государственных, платили за спутниковые данные?
— Конечно. Платность — это не только про деньги. Одновременно вводится прозрачность оборота спутниковых данных. Мне кажется, это очень хорошо.
— Какое время займет становление рынка данных ДЗЗ, когда он заработает?
— Это займет не десятки лет, 3-4 года может занять, максимум пять. <…>
— Что касается закона о коммерциализации спутниковых данных. Частные игроки уже высказывают опасения, не станет ли Роскосмос монополистом на этом рынке и будет диктовать всем прочим условия по цене. Можете их успокоить?
— Когда общаемся с частными компаниями, выходящими с инициативой создания спутников и монетизации данных, там два обычно вопроса возникает. Первое, что Роскосмос им будет не доплачивать. Здесь надо отдать должное руководству Роскосмоса: Юрий Иванович Борисов жестко сказал, что мы будем идти от рынка, и вся методология ценообразования будет построена от рыночной стоимости данных, не от традиционных расчетных калькуляционных материалов. Этот механизм отвергнут.
Второй вопрос, что Роскосмос станет монополистом — он достаточно специфичный. Речь на самом деле не о монополии, а о боязни конкуренции со стороны предприятий Роскосмоса. Было бы странно, если бы частники говорили: «Вы не имеете права делать то же самое, что мы». Мне кажется, что как раз это тезис не проходит антимонопольную проверку. Есть, конечно, вероятность того, что госкорпорация будет делать те же спутники ДЗЗ лучше, дешевле и быстрее. Так это же хорошо для страны! А если частники будут делать лучше и быстрее, то тоже для страны хорошо. Не конкурировать с другими производителями Роскосмос не может.
Спасибо коллеге за наводку!
#россия
Наводнение в Валенсии [ссылка]
Масштабное наводнение в городе Валенсия (Испания) и его окрестностях показано на 1️⃣ снимке спутника Landsat 8, сделанном 30 октября. В некоторых районах провинции Валенсия за сутки выпало более 300 миллиметров осадков. Паводковые воды заполнили русло реки Турия (Turia), впадающей в Балеарское море (часть Средиземного), и прибрежные водно-болотные угодья Л'Альбуфера (L’Albufera) к югу от города.
Для сравнения, на снимке 2️⃣ (Landsat 8, 25 октября 2022 года) показан тот же район в обычном для этого времени года состоянии.
#снимки #наводнение
Масштабное наводнение в городе Валенсия (Испания) и его окрестностях показано на 1️⃣ снимке спутника Landsat 8, сделанном 30 октября. В некоторых районах провинции Валенсия за сутки выпало более 300 миллиметров осадков. Паводковые воды заполнили русло реки Турия (Turia), впадающей в Балеарское море (часть Средиземного), и прибрежные водно-болотные угодья Л'Альбуфера (L’Albufera) к югу от города.
Для сравнения, на снимке 2️⃣ (Landsat 8, 25 октября 2022 года) показан тот же район в обычном для этого времени года состоянии.
#снимки #наводнение
This media is not supported in your browser
VIEW IN TELEGRAM
ИИ-поиск
⚛️ SearchGPT. OpenAI объявила о полномасштабном запуске 📹 веб-поиска в ChatGPT. Сейчас поиск доступен для Plus и Team пользователей, но постепенно круг пользователей будет расширяться.
OpenAI заключило партнерские соглашения с ведущими СМИ (AP, Reuters, FT и др.) и обещает:
• Интегрирование в SearchGPT поиска по актуальным данным
• Автоматическое определение необходимости поиска
• Сохранение контекста беседы при поиске
• Визуально обогащенные ответы для погоды, спорта, акций
⚛️ Perplexity (https://www.perplexity.ai). Первопроходец в ИИ-поиске. Сервис обещает:
* Ответы вместо ссылок: вместо списка страниц пользователь получает связный текст, написанный повседневным языком.
* Знания в реальном времени: поиск в Интернете в режиме реального времени, чтобы предоставить самую свежую информацию.
* Надежные источники . Ответы содержат ссылки на источники, из которых взята информация.
Выглядит это красиво. На деле:
* для поиска информации на английском языке нужно задавать вопрос на этом языке (deepl.com в помощь);
* трудно найти свежую информацию. Проблемы с ограничением запроса по времени + система просто не возвращает ссылки на публикации последних суток/недель.
На данный момент эта штука ничем не лучше ⚛️ Яндекс с нейро.
Кстати, интересно попросить ИИ-сервисы поиска порекомендовать “коллег” (Какие сервисы ИИ-поиска в интернете посоветуешь?/What AI-search services do you recommend?).
⚛️ Consensus (https://consensus.app/) Эта ИИ-система выдает результаты только из научных источников. Каждый тезис сопровождается ссылкой на источник. Кликнув на него можно получить краткий пересказ работы или посмотреть оригинал.
Для поиска наиболее релевантных статей Consensus использует гибридный подход, сочетающий машинное обучение с классическим поиском по ключевым словам. Consensus также использует ИИ для оценки качественных характеристик научных работ, которые затем применяются для ранжирования поиска.
В Consensus есть хорошая система фильтрации поиска.
Команды вроде "make a table of..." или "...in a table" в поиске (режим Pro) генерируют результаты поиска в табличном виде. Их можно скопировать вместе со ссылками на источники информации.
#справка #ИИ
⚛️ SearchGPT. OpenAI объявила о полномасштабном запуске 📹 веб-поиска в ChatGPT. Сейчас поиск доступен для Plus и Team пользователей, но постепенно круг пользователей будет расширяться.
OpenAI заключило партнерские соглашения с ведущими СМИ (AP, Reuters, FT и др.) и обещает:
• Интегрирование в SearchGPT поиска по актуальным данным
• Автоматическое определение необходимости поиска
• Сохранение контекста беседы при поиске
• Визуально обогащенные ответы для погоды, спорта, акций
⚛️ Perplexity (https://www.perplexity.ai). Первопроходец в ИИ-поиске. Сервис обещает:
* Ответы вместо ссылок: вместо списка страниц пользователь получает связный текст, написанный повседневным языком.
* Знания в реальном времени: поиск в Интернете в режиме реального времени, чтобы предоставить самую свежую информацию.
* Надежные источники . Ответы содержат ссылки на источники, из которых взята информация.
Выглядит это красиво. На деле:
* для поиска информации на английском языке нужно задавать вопрос на этом языке (deepl.com в помощь);
* трудно найти свежую информацию. Проблемы с ограничением запроса по времени + система просто не возвращает ссылки на публикации последних суток/недель.
На данный момент эта штука ничем не лучше ⚛️ Яндекс с нейро.
Кстати, интересно попросить ИИ-сервисы поиска порекомендовать “коллег” (Какие сервисы ИИ-поиска в интернете посоветуешь?/What AI-search services do you recommend?).
⚛️ Consensus (https://consensus.app/) Эта ИИ-система выдает результаты только из научных источников. Каждый тезис сопровождается ссылкой на источник. Кликнув на него можно получить краткий пересказ работы или посмотреть оригинал.
Для поиска наиболее релевантных статей Consensus использует гибридный подход, сочетающий машинное обучение с классическим поиском по ключевым словам. Consensus также использует ИИ для оценки качественных характеристик научных работ, которые затем применяются для ранжирования поиска.
В Consensus есть хорошая система фильтрации поиска.
Команды вроде "make a table of..." или "...in a table" в поиске (режим Pro) генерируют результаты поиска в табличном виде. Их можно скопировать вместе со ссылками на источники информации.
#справка #ИИ
This media is not supported in your browser
VIEW IN TELEGRAM
rsi — загрузка данных из STAC и расчет спектральных индексов [ссылка]
Пакет rsi (от repeated spatial infelicities) предоставляет пользователю:
- Интерфейс к проекту Awesome Spectral Indices project, который содержит список спектральных индексов в виде таблицы tibble.
- Метод эффективного вычисления этих спектральных индексов.
- Метод загрузки данных с любого сервера STAC, с дополнительными настройками для загрузки популярных данных Landsat, Sentinel-1 и Sentinel-2 с бесплатных и публичных серверов STAC.
- Метод объединения нескольких растров, содержащих различные наборы данных, в единый растровый стек.
Функция
Функция
Для популярных данных, например для снимков Landsat, есть отдельные функции, где большинство параметров настроено по умолчанию:
По умолчанию, данные загружаются из Microsoft's Planetary Computer API.
Теперь на основе полученных каналов снимков Landsat рассчитаем спектральные индексы при помощи
Наконец, в rsi есть утилита для эффективного объединения растров, содержащих различные данные об одном и том же месте, в VRT, что позволяет программам типа GDAL рассматривать эти отдельные источники данных как единый файл.
Например, мы можем объединить наши снимки Landsat с полученными индексами:
#R #индексы
Пакет rsi (от repeated spatial infelicities) предоставляет пользователю:
- Интерфейс к проекту Awesome Spectral Indices project, который содержит список спектральных индексов в виде таблицы tibble.
- Метод эффективного вычисления этих спектральных индексов.
- Метод загрузки данных с любого сервера STAC, с дополнительными настройками для загрузки популярных данных Landsat, Sentinel-1 и Sentinel-2 с бесплатных и публичных серверов STAC.
- Метод объединения нескольких растров, содержащих различные наборы данных, в единый растровый стек.
Функция
spectral_indices() возвращает таблицу спектральных индексов.Функция
get_stac_data() позволяет загружать изображения из любого доступного каталога STAC. Например, можно загрузить композит каналов Landsat с маской облачности:aoi <- sf::st_point(c(-74.912131, 44.080410))
aoi <- sf::st_set_crs(sf::st_sfc(aoi), 4326)
aoi <- sf::st_buffer(sf::st_transform(aoi, 5070), 1000)
landsat_image <- get_stac_data(
aoi,
start_date = "2022-06-01",
end_date = "2022-06-30",
pixel_x_size = 30,
pixel_y_size = 30,
asset_names = c("red", "blue", "green"),
stac_source = "https://planetarycomputer.microsoft.com/api/stac/v1/",
collection = "landsat-c2-l2",
mask_band = "qa_pixel",
mask_function = landsat_mask_function,
output_filename = tempfile(fileext = ".tif"),
item_filter_function = landsat_platform_filter,
platforms = c("landsat-9", "landsat-8")
)
Для популярных данных, например для снимков Landsat, есть отдельные функции, где большинство параметров настроено по умолчанию:
landsat_image <- get_landsat_imagery(
aoi,
start_date = "2022-06-01",
end_date = "2022-06-30",
output_filename = tempfile(fileext = ".tif")
)
По умолчанию, данные загружаются из Microsoft's Planetary Computer API.
Теперь на основе полученных каналов снимков Landsat рассчитаем спектральные индексы при помощи
calculate_indices():indices <- calculate_indices(
landsat_image,
available_indices,
output_filename = tempfile(fileext = ".tif")
)
Наконец, в rsi есть утилита для эффективного объединения растров, содержащих различные данные об одном и том же месте, в VRT, что позволяет программам типа GDAL рассматривать эти отдельные источники данных как единый файл.
Например, мы можем объединить наши снимки Landsat с полученными индексами:
raster_stack <- stack_rasters(
c(landsat_image, indices),
tempfile(fileext = ".vrt")
)
#R #индексы