Готови машинно обучени модели правят сложния анализ лесен и достъпен дори за неспециалисти
Всеки един анализ обикновено започва с въпрос, на който се надявате анализът ви да отговори. Това обикновено изисква преглеждане на целия обем данни и прилагане на определени алгоритми върху тях, за да бъде извлечена, в годен за употреба вид, от тях необходимата ви информация. При цялата условност на понятието „геопространствени данни“ с тях не е по-различно. Често се налага да прегледате голяма площ в изображения или пък да извлечете и подредите информация от големи обеми текст, така че да е подходяща за последващо моделиране на процеси или проследяване на тенденции… Или пък се налага да прогнозирате развитието на определени процеси на дадена територия. Впрочем, вероятно се чудите за каква условност става въпрос, но 98% от всички данни в световен мащаб, съдържат в себе си пространствен компонент и спокойно могат да намерят своето място в различни ГИС работни потоци, като този, за който ще разкажа.
Обикновено в помощ на решаването на такива аналитични задачи идват компютърното зрение и изкуственият интелект. Точно за една част на изкуствения интелект искам да ви разкажа – геопространствения изкуствен интелект или GeoAI, както ще го наричаме нататък. Не знам какво си представяте, когато стане въпрос за изкуствен интелект, но аз лично, особено преди да се запозная с ArcGIS Pro и въобще с цялата ArcGIS платформа, си представях множество редове код – като тази част от модел за откриване на неравности по пътната настилка. И честно казано, работата с машинно обучени модели и въобще с изкуствен интелект ми изглеждаше като нещо, което не е за мен.
Какво представлява GeoAI?
Най-общо казано, GeoAI събира в едно геопространствените данни и изкуствения интелект, за да ни помогне да получим по-добра представа за околния свят и да извлечем максимално много информация от големи обеми данни. Без значение дали става въпрос за извличане на обекти от изображения, класифициране на отделни пиксели или точки от облаци от LIDAR заснемания, или пък четене на текст и подреждане на информацията от него по определени категории, или пък проследяване на обекти във видео и автоматично очертаване на маршрутите им върху карта – подходящи GeoAI инструменти за всяка една от тези и още други задачи се предлагат от Esri ArcGIS платформата. Заинтригува ли ви идеята да пробвате GeoAI?
Aко е така и не сте факир в писането на код, а обикновен ГИС експерт като мен, вероятно се чудите къде да намерите подходящ за вашата задача машинно обучен модел. Най-добрата отправна точка за вашето търсене е най-голямата колекция от пространствени данни и инструменти в света, поддържана от Esri.
ArcGIS Living Atlas of the World
Атласът на Еsri съдържа постоянно увеличаваща се колекция от машинно обучени модели, базирани на всички известни алгоритми за машинно обучение, които можете да използвате както директно, за конкретни задачи (като моделите за извличане на обекти от изображения или на информация от текст), така и за да „задавате въпроси“ на данните като TextSAM. Но да надникнем в колекцията от модели.
Пред нас е една малка част от моделите за извличане на информация от изображения. Без значение дали данните, с които разполагате са от спътниково заснемане (включително свободно достъпни данни от Copernicus Sentinel-2 a/b или Landsat-8), заснемане от пилотирана платформа или от безпилотна система, или пък данни от спътников радар със синтезирана апертура – тук ще намерите подходящ модел за задачата си, който можете или да използвате директно или да поставите в основата на ваш собствен модел, който да обучите със средствата на ArcGIS платформата. Как да разберете дали моделът, който сте избрали, е това, което търсите? Всеки модел в атласа има собствена страничка.
Тук ще намерите информация за това как да го използвате в ArcGIS платформата, на какви данни е обучен, къде ще работи най-добре и може ли да бъде подобрен с инструментите на ArcGIS платформата и как точно, в случай, че това е възможно. Също можете да видите и резултати от работата на модела. Не се отчайвайте, ако географията или данните не са точно вашите. Важно уточнение – всички модели тук са безплатни, така че обезателно пробвайте този, който сте си харесали. Това ще направим и ние и то с няколко модела. Първо ще се опитаме да потърсим автомобилите, видими в данни от безпилотно заснемане, с помощта на базовия софтуер на платформата – ArcGIS Pro. Важно е да отбележим, че приложението на машинно обучените модели е мащабируемо и не се налага да карате компютъра да „претърси“ например голяма ортомозайка или спътникова сцена, за да извлече група от обекти, концентрирани в част от изображението. Все пак използването на машинно обучени модели е ресурсоемък процес, и бързината му зависи от ресурсите на видео картата, които можете да му отделите.
Ето ги и нашите сурови данни, заредени в ArcGIS Pro.
Целта ни е да открием и отбележим всички автомобили в частта от изображението, която виждаме на екрана. Необходим ни е машинно обучен модел и както казахме по-горе, ще го потърсим първо в Living Atlas. Там има подходящ за целите ни модел, който обаче не е обучен за района, върху който ще го ползваме (покрайнините на Синеморец).
Въпреки това, ще опитаме да го пуснем, тъй като не разполагаме с обучителен материал, за да го използваме за обучаване на наш модел. А така изглежда паркинга в горната част на изображението, след като пуснахме нашият модел за откриване на автомобили да претърси видимата на екрана част от заснемането ни.
Добре се е справил нали? Същите стъпки бихме могли да следваме и ако например искаме бързо да картографираме земното покритие в интересуващ ни район и имаме нужда да определим какво представлява всеки пиксел от изображението, с което разполагаме.
Моделите за класификация на пиксели ни позволяват бързо да се справим и с тази задача. Събудих ли любопитството ви да пробвате машинно обучен модел? А може би имате по-различна задача? Включваща например облак от точки, от LIDAR? Използването на машинно обучени модели в класификацията на облаци от точки се налага като спестяващ време и машинни ресурси подход, който позволява директно да се премине към анализ на облака и към моделиране на различни обекти от реалността с помощта например на ArcGIS Pro или на City Engine. Или искате да създадете цифров двойник на населено място, подобен на този?
В този случай на помощ идват машинно обучените модели за класификация на облаци от точки. Те значително скъсяват времето за извличане на необходимата ви информация от облака от точки. При необходимост едновременно да класифицирате няколко облака от точки, моделите могат да работят и с LAS набори от данни, което ви спестява доста време и тежка обработка, за да сглобите един голям облак от точки. Така направихме и ние, работейки едновременно с 12 облака от точки, за да създадем модела на изображението по-горе.
A така изглежда работата на модел за класификация на растителността, в LIDAR заснемане.
Тук моделът е подбрал всички точки, представляващи растителност и им е присвоил класов код. Това позволява отделно визуализиране, моделиране и извличане на растителната покривка от облака от точки.
А какво би могъл да направи за вас GeoAI, ако нямате задача да извлечете конкретен тип обекти, но разполагате с голямо по обем заснемане, на което бихте искали да зададете въпрос? И тук имаме за вас набор от модели, които бихте могли да използвате. Такъв е TextSAM, на който можете буквално да зададете въпрос посредством текстов израз. Ето какво се случва, когато поискаме от модела да ни покаже всички самолети.
Възможностите на GeoAI не се ограничават само до изображения или облаци от точки. Видео клиповете, чиито метаданни носят необходимата информация, за траекторията на заснелата ги платформа и локацията на заснемане, е един от източниците на данни в ArcGIS Pro. Какво можете да правите с видео е тема на отделен разказ, но замисляли ли сте се какво е необходимо, за да проследите обект (например превозно средство) във видео и да начертаете маршрута му върху карта? Нужен е машинно обучен модел, който да го направи за вас. Като този. Вашата задача е само да го настроите и да го пуснете.
Сред основните източници на данни в световен мащаб обикновено са и различни текстове. Текстове често съдържат разнообразни геопространствени данни, но обикновено са в неструктуриран вид и не могат да се използват директно в ГИС. Освен ако… с тях не се заеме машинно обучен модел, който да ги „прочете“ и да структурира информацията в табличен вид, който е удобен за функционалностите за геокодиране на ArcGIS Pro.
Естествено благодарение на интеграцията на ArcGIS Pro и Jupiter Notebook, възможността да обучавате и пускате модели посредством скриптове на Python също е налична.
Успях ли да ви заинтригувам? Ако съм, желая ви успех в намирането на подходящото GeoAI решение за вашата задача!
Автор: Александър Янакиев, Експерт ГИС и дистанционни изследвания в Есри България
###