⭐️ СТРАНЫ / КОМПАНИИ / СПУТНИКИ
Страны: #австралия #германия #индия #иран #испания #канада #китай #португалия #россия #США #япония и т. п.
Но:
#корея обозначает Северную и Южную Кореи
#РБ — Республика Беларусь
#UK — Великобритания
Компании: #planet #maxar
Спутники: #landsat #sentinel1 #sentinel2
⭐️ ДЗЗ
Методы и приборы
#альтиметр
#гиперспектр — гиперспектральная оптическая съемка
#лидар
#оптика — мультиспектральная оптическая съемка
#радиометр — микроволновой радиометр
#dnb — ночная съёмка (day / night band)
#SIF — солнечно-индуцированная флуоресценция хлорофилла
#ro — радиозатменный метод
#SAR — радарная съемка
#InSAR — радарная интерферометрия
#LST — съемка в тепловом инфракрасном диапазоне
#GNSSR — ГНСС-рефлектометрия
#sigint — радиоэлектронная разведка
Виды орбит: #ГСО — геостационарная, #VLEO — сверхнизкая
#основы — обучающие материалы по ДЗЗ
#обучение курсы, обучающие сервисы и т. п.
#история — в основном, история ДЗЗ
#индексы — спектральные индексы
#комбинация — комбинации каналов
Данные
#данные — коллекции данных ДЗЗ, наземных данных, карты и т.п.
#датасет — набор данных для машинного обучения
Дополнительные хештеги, описывающие данные:
#LULC — Land Use & Land Cover
#осадки
#SST — Sea Surface Temperature
#nrt — (near real time) изображения, получаемые в режиме, близком к реальном времени
#debris — космический мусор
#границы — административные границы
#DEM — цифровая модель рельефа (ЦМР)
#keyhole — рассекреченные снимки разведспутников
Литература, справочная информация
#справка — спектральные каналы, орбиты спутников, поиск данных и т.п.
#обзор
#книга — текст книги прикреплён к сообщению.
#журнал — статьи по ДЗЗ, опубликованные в выпуске журнала
Дополнительные хештеги:
#наблюдение — ресурсы для наблюдения спутников и орбиты спутников
#космодромы
#конференции — анонс конференций/семинаров/школ, посвященных ДЗЗ и анализ их материалов.
#конкурсы — анонс конкурсов/чемпионатов/олимпиад.
#МВК — материалы заседаний Межведомственной комиссии (МВК) по использованию результатов космической деятельности.
#снимки — поучительные (хоть в чем-то интересные) снимки, первые снимки
Программные инструменты / Языки
#нейронки #софт #GEE #R #tool #python #ГИС
#ИИ #FM — Foundation Model (Remote Sensing Foundation Model)
⭐️ ОТРАСЛИ / ТЕМАТИЧЕСКИЕ ЗАДАЧИ
#археология #атмосфера #вода #война #засуха #климат #лед #лес #нефть #океан #оползни #наводнение #пожары #почва #растительность #севморпуть #сельхоз #снег
#AGB — надземная биомасса
#ЧС — мониторинг стихийных бедствий и катастроф
#GHG — парниковые газы
Отдельные газы: #CO2 #NO2
#энергетика — космическая энергетика
#SSA — Space Situational Awareness
Страны: #австралия #германия #индия #иран #испания #канада #китай #португалия #россия #США #япония и т. п.
Но:
#корея обозначает Северную и Южную Кореи
#РБ — Республика Беларусь
#UK — Великобритания
Компании: #planet #maxar
Спутники: #landsat #sentinel1 #sentinel2
⭐️ ДЗЗ
Методы и приборы
#альтиметр
#гиперспектр — гиперспектральная оптическая съемка
#лидар
#оптика — мультиспектральная оптическая съемка
#радиометр — микроволновой радиометр
#dnb — ночная съёмка (day / night band)
#SIF — солнечно-индуцированная флуоресценция хлорофилла
#ro — радиозатменный метод
#SAR — радарная съемка
#InSAR — радарная интерферометрия
#LST — съемка в тепловом инфракрасном диапазоне
#GNSSR — ГНСС-рефлектометрия
#sigint — радиоэлектронная разведка
Виды орбит: #ГСО — геостационарная, #VLEO — сверхнизкая
#основы — обучающие материалы по ДЗЗ
#обучение курсы, обучающие сервисы и т. п.
#история — в основном, история ДЗЗ
#индексы — спектральные индексы
#комбинация — комбинации каналов
Данные
#данные — коллекции данных ДЗЗ, наземных данных, карты и т.п.
#датасет — набор данных для машинного обучения
Дополнительные хештеги, описывающие данные:
#LULC — Land Use & Land Cover
#осадки
#SST — Sea Surface Temperature
#nrt — (near real time) изображения, получаемые в режиме, близком к реальном времени
#debris — космический мусор
#границы — административные границы
#DEM — цифровая модель рельефа (ЦМР)
#keyhole — рассекреченные снимки разведспутников
Литература, справочная информация
#справка — спектральные каналы, орбиты спутников, поиск данных и т.п.
#обзор
#книга — текст книги прикреплён к сообщению.
#журнал — статьи по ДЗЗ, опубликованные в выпуске журнала
Дополнительные хештеги:
#наблюдение — ресурсы для наблюдения спутников и орбиты спутников
#космодромы
#конференции — анонс конференций/семинаров/школ, посвященных ДЗЗ и анализ их материалов.
#конкурсы — анонс конкурсов/чемпионатов/олимпиад.
#МВК — материалы заседаний Межведомственной комиссии (МВК) по использованию результатов космической деятельности.
#снимки — поучительные (хоть в чем-то интересные) снимки, первые снимки
Программные инструменты / Языки
#нейронки #софт #GEE #R #tool #python #ГИС
#ИИ #FM — Foundation Model (Remote Sensing Foundation Model)
⭐️ ОТРАСЛИ / ТЕМАТИЧЕСКИЕ ЗАДАЧИ
#археология #атмосфера #вода #война #засуха #климат #лед #лес #нефть #океан #оползни #наводнение #пожары #почва #растительность #севморпуть #сельхоз #снег
#AGB — надземная биомасса
#ЧС — мониторинг стихийных бедствий и катастроф
#GHG — парниковые газы
Отдельные газы: #CO2 #NO2
#энергетика — космическая энергетика
#SSA — Space Situational Awareness
Базовые модели дистанционного зондирования
Технологии искусственного интеллекта (ИИ) коренным образом изменяют область дистанционного зондирования. Традиционно, дистанционное зондирование опиралось на ручную интерпретацию данных и модели, ориентированные на решение конкретных задач. Эти модели требовали обширных наборов размеченных данных и значительных вычислительных ресурсов. Комбинация ИИ и глубокого обучения позволила сделать шаг вперед — появились крупномасштабные, предварительно обученные модели ИИ, способные выполнять широкий спектр задач с беспрецедентной точностью и эффективностью. Эти новые модели назвали базовыми моделями — Foundation Models.
Базовые модели в дистанционном зондировании позволяют использовать огромные объемы неразмеченных данных с помощью методов self-supervised learning. Модели могут применяться для решения различных задач, позволяя переносить знания из одной ситуации на другую.
В статье 📖 AI Foundation Models in Remote Sensing: A Survey (🔗ссылка) представлен обзор базовых моделей в области дистанционного зондирования, охватывающий модели, выпущенные в период с июня 2021 года по июнь 2024 года. Приведена классификация моделей на основе их применения в компьютерном зрении и специфических задачах. Рассмотрена архитектура, наборы данных и методы для предварительного обучения. С помощью сравнений производительности моделей показаны возникающие тенденции и успехи, достигнутые базовыми моделями. Обсуждены технические проблемы, их практические последствия и будущие направления исследований.
📊 Некоторые известные базовые модели дистанционного зондирования, выпущенные с июня 2021 года по июнь 2024 года (источник).
#FM
Технологии искусственного интеллекта (ИИ) коренным образом изменяют область дистанционного зондирования. Традиционно, дистанционное зондирование опиралось на ручную интерпретацию данных и модели, ориентированные на решение конкретных задач. Эти модели требовали обширных наборов размеченных данных и значительных вычислительных ресурсов. Комбинация ИИ и глубокого обучения позволила сделать шаг вперед — появились крупномасштабные, предварительно обученные модели ИИ, способные выполнять широкий спектр задач с беспрецедентной точностью и эффективностью. Эти новые модели назвали базовыми моделями — Foundation Models.
Базовые модели в дистанционном зондировании позволяют использовать огромные объемы неразмеченных данных с помощью методов self-supervised learning. Модели могут применяться для решения различных задач, позволяя переносить знания из одной ситуации на другую.
В статье 📖 AI Foundation Models in Remote Sensing: A Survey (🔗ссылка) представлен обзор базовых моделей в области дистанционного зондирования, охватывающий модели, выпущенные в период с июня 2021 года по июнь 2024 года. Приведена классификация моделей на основе их применения в компьютерном зрении и специфических задачах. Рассмотрена архитектура, наборы данных и методы для предварительного обучения. С помощью сравнений производительности моделей показаны возникающие тенденции и успехи, достигнутые базовыми моделями. Обсуждены технические проблемы, их практические последствия и будущие направления исследований.
📊 Некоторые известные базовые модели дистанционного зондирования, выпущенные с июня 2021 года по июнь 2024 года (источник).
#FM
Awesome Remote Sensing Foundation Models
Коллекция статей, наборов данных, бенчмарков, кода и предварительно обученных весов для базовых моделей дистанционного зондирования (Remote Sensing Foundation Models, RSFM):
🖥 GitHub
Содержание:
🔹 Models
* Remote Sensing Vision Foundation Models
* Remote Sensing Vision-Language Foundation Models
* Remote Sensing Generative Foundation Models
* Remote Sensing Vision-Location Foundation Models
* Remote Sensing Vision-Audio Foundation Models
* Remote Sensing Task-specific Foundation Models
* Remote Sensing Agents
🔹 Datasets & Benchmarks
* Benchmarks for RSFMs
* (Large-scale) Pre-training Datasets
🔹 Others
* Relevant Projects
* Survey Papers
Данная коллекция ссылок создана во время работы над статьей:
📖 SkySense: A Multi-Modal Remote Sensing Foundation Model Towards Universal Interpretation for Earth Observation Imagery
В работе предложена SkySense — универсальная базовая модель, предварительно обученная на мультимодальном наборе оптических и радарных данных дистанционного зондирования.
#ИИ #FM
Коллекция статей, наборов данных, бенчмарков, кода и предварительно обученных весов для базовых моделей дистанционного зондирования (Remote Sensing Foundation Models, RSFM):
🖥 GitHub
Содержание:
🔹 Models
* Remote Sensing Vision Foundation Models
* Remote Sensing Vision-Language Foundation Models
* Remote Sensing Generative Foundation Models
* Remote Sensing Vision-Location Foundation Models
* Remote Sensing Vision-Audio Foundation Models
* Remote Sensing Task-specific Foundation Models
* Remote Sensing Agents
🔹 Datasets & Benchmarks
* Benchmarks for RSFMs
* (Large-scale) Pre-training Datasets
🔹 Others
* Relevant Projects
* Survey Papers
Данная коллекция ссылок создана во время работы над статьей:
📖 SkySense: A Multi-Modal Remote Sensing Foundation Model Towards Universal Interpretation for Earth Observation Imagery
В работе предложена SkySense — универсальная базовая модель, предварительно обученная на мультимодальном наборе оптических и радарных данных дистанционного зондирования.
#ИИ #FM
SpectralGPT — базовая модель для обработки спектральных данных
Большинство базовых моделей приспособлены к эффективной обработке RGB-изображений для различных визуальных задач, но существует пробел в исследованиях, ориентированных на спектральные данные, которые также дают ценную информацию для понимания сцены.
📖 SpectralGPT: Spectral Remote Sensing Foundation Model
Чтобы заполнить этот пробел, авторы ⬆️ создали универсальную базовую модель SpectralGPT, которая предназначена для обработки спектральных изображений дистанционного зондирования с помощью нового 3D-генеративного предварительно обученного трансформатора (generative pretrained transformer, GPT).
#FM
Большинство базовых моделей приспособлены к эффективной обработке RGB-изображений для различных визуальных задач, но существует пробел в исследованиях, ориентированных на спектральные данные, которые также дают ценную информацию для понимания сцены.
📖 SpectralGPT: Spectral Remote Sensing Foundation Model
Чтобы заполнить этот пробел, авторы ⬆️ создали универсальную базовую модель SpectralGPT, которая предназначена для обработки спектральных изображений дистанционного зондирования с помощью нового 3D-генеративного предварительно обученного трансформатора (generative pretrained transformer, GPT).
#FM
arXiv.org
SpectralGPT: Spectral Remote Sensing Foundation Model
The foundation model has recently garnered significant attention due to its potential to revolutionize the field of visual representation learning in a self-supervised manner. While most...
Prithvi-EO-2.0_Valencia_Flood.gif
12.7 MB
Выпущена фундаментальная модель с открытым исходным кодом Prithvi-EO-2.0
NASA, IBM и Forschungszentrum Julich выпустили расширенную версию базовой модели (foundation model) искусственного интеллекта (ИИ) Prithvi Geospatial с открытым исходным кодом — Prithvi-EO-2.0. Благодаря включению глобальных данных, Prithvi Geospatial может отслеживать изменения в землепользовании, выполнять мониторинг стихийных бедствий и прогнозировать урожайность по всему миру.
Первая версия Prithvi Geospatial, выпущенная NASA и IBM в августе 2023 года, была на тот момент самой большой в мире геопространственной моделью ИИ. Prithvi-EO-2.0 насчитывает 600 миллионов параметров и в шесть раз превосходит свою предшественницу. Она была предварительно обучена в сотрудничестве с Юлихским исследовательским центром в Германии (Forschungszentrum Julich) на более обширном географическом наборе данных, и включает в себя эмбеддинги (embedding), которые отражают богатые взаимосвязи в данных, распространяющиеся во времени и в пространстве.
“Теперь Prithvi 2.0 может лучше отражать длительные процессы, протекающие годами, а также ассимилировать информацию высокого разрешения”, — сообщил Паоло Фраккаро (Paolo Fraccaro), исследователь IBM, возглавлявший группу разработчиков Prithvi-EO-2.0.
Модель доступна на Hugging Face:
🔗 IBM-NASA Prithvi Models Family
🖥 Prithvi-EO-2.0
📖 Описание Prithvi-EO-1.0: Foundation Models for Generalist Geospatial Artificial Intelligence
📖 Новое в Prithvi-EO-2.0: Prithvi-EO-2.0: A Versatile Multi-Temporal Foundation Model for Earth Observation Applications
📸 Картографирование области затопления во время наводнения в Валенсии.
Источник
#FM
NASA, IBM и Forschungszentrum Julich выпустили расширенную версию базовой модели (foundation model) искусственного интеллекта (ИИ) Prithvi Geospatial с открытым исходным кодом — Prithvi-EO-2.0. Благодаря включению глобальных данных, Prithvi Geospatial может отслеживать изменения в землепользовании, выполнять мониторинг стихийных бедствий и прогнозировать урожайность по всему миру.
Первая версия Prithvi Geospatial, выпущенная NASA и IBM в августе 2023 года, была на тот момент самой большой в мире геопространственной моделью ИИ. Prithvi-EO-2.0 насчитывает 600 миллионов параметров и в шесть раз превосходит свою предшественницу. Она была предварительно обучена в сотрудничестве с Юлихским исследовательским центром в Германии (Forschungszentrum Julich) на более обширном географическом наборе данных, и включает в себя эмбеддинги (embedding), которые отражают богатые взаимосвязи в данных, распространяющиеся во времени и в пространстве.
“Теперь Prithvi 2.0 может лучше отражать длительные процессы, протекающие годами, а также ассимилировать информацию высокого разрешения”, — сообщил Паоло Фраккаро (Paolo Fraccaro), исследователь IBM, возглавлявший группу разработчиков Prithvi-EO-2.0.
Модель доступна на Hugging Face:
🔗 IBM-NASA Prithvi Models Family
🖥 Prithvi-EO-2.0
📖 Описание Prithvi-EO-1.0: Foundation Models for Generalist Geospatial Artificial Intelligence
📖 Новое в Prithvi-EO-2.0: Prithvi-EO-2.0: A Versatile Multi-Temporal Foundation Model for Earth Observation Applications
📸 Картографирование области затопления во время наводнения в Валенсии.
Источник
#FM
Новости R
🔹 Коллеги из канала Наука и данные рассказали о прогнозировании временных рядов с помощью пакета nixtlar (https://nixtla.github.io/nixtlar/index.html). В нем используется TimeGPT — базовая модель (foundation model) для прогнозирования временных рядов и обнаружения аномалий. Изначально TimeGPT был разработан на Python, но теперь, с помощью nixtlar, доступен пользователям R.
🔹 Нашли в открытом доступе новую книгу по R на русском языке:
📖 Поздняков И. Анализ данных и статистика в R (https://pozdniakov.github.io/tidy_stats/)
#R #python #FM #книга
🔹 Коллеги из канала Наука и данные рассказали о прогнозировании временных рядов с помощью пакета nixtlar (https://nixtla.github.io/nixtlar/index.html). В нем используется TimeGPT — базовая модель (foundation model) для прогнозирования временных рядов и обнаружения аномалий. Изначально TimeGPT был разработан на Python, но теперь, с помощью nixtlar, доступен пользователям R.
🔹 Нашли в открытом доступе новую книгу по R на русском языке:
📖 Поздняков И. Анализ данных и статистика в R (https://pozdniakov.github.io/tidy_stats/)
#R #python #FM #книга
Обнаружение изменений с помощью запросов на естественном языке
Исследователи из компании Element84 (шт. Виргиния, США) на конференции Американского геофизического союза представили новый подход к анализу временных изменений на снимках дистанционного зондирования Земли (ДЗЗ).
Подход использует векторные эмбеддинги (vector embeddings), созданные на основе снимков ДЗЗ, чтобы передать семантическое содержание географических объектов. Сравнивая эмбеддинги в разные моменты времени, можно обнаружить значительные изменения в окружающей среде. Обнаружение изменений дополнено интерфейсом на естественном языке, использующим большие языковые модели (Large Language Models, LLM) для облегчения взаимодействия с пользователем.
Подход позволяет:
• определять все типы изменений в заданном районе;
• искать конкретные изменения по запросу на естественном языке, например, “Найти районы, где леса были заменены зданиями/сооружениями”;
• указывать временные и пространственные границы с помощью естественного языка. Например, “в течение последних 2 лет на западной половине шт. Джорджия”;
• создавать текстовые сводки об изменениях на территории. Например: “Опишите все изменения энергетической инфраструктуры в радиусе 5 миль от Бостона за последние 3 года”.
Полезные статьи в блоге Element84:
• Finding Changes on the Earth with Natural Language
• Building a queryable Earth with vision-language foundation models
• Exploring unsupervised change detection with Sentinel-2 vector embeddings
📸 Снимок экрана Element84 Queryable Earth
#FM
Исследователи из компании Element84 (шт. Виргиния, США) на конференции Американского геофизического союза представили новый подход к анализу временных изменений на снимках дистанционного зондирования Земли (ДЗЗ).
Подход использует векторные эмбеддинги (vector embeddings), созданные на основе снимков ДЗЗ, чтобы передать семантическое содержание географических объектов. Сравнивая эмбеддинги в разные моменты времени, можно обнаружить значительные изменения в окружающей среде. Обнаружение изменений дополнено интерфейсом на естественном языке, использующим большие языковые модели (Large Language Models, LLM) для облегчения взаимодействия с пользователем.
Подход позволяет:
• определять все типы изменений в заданном районе;
• искать конкретные изменения по запросу на естественном языке, например, “Найти районы, где леса были заменены зданиями/сооружениями”;
• указывать временные и пространственные границы с помощью естественного языка. Например, “в течение последних 2 лет на западной половине шт. Джорджия”;
• создавать текстовые сводки об изменениях на территории. Например: “Опишите все изменения энергетической инфраструктуры в радиусе 5 миль от Бостона за последние 3 года”.
Полезные статьи в блоге Element84:
• Finding Changes on the Earth with Natural Language
• Building a queryable Earth with vision-language foundation models
• Exploring unsupervised change detection with Sentinel-2 vector embeddings
📸 Снимок экрана Element84 Queryable Earth
#FM
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
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