4. Притхви—Сегментация ожоговых рубцов
Шрамы от ожогов представляют собой сложную задачу для оценки последствий лесных пожаров, поскольку проведение различия между сгоревшими и несгоревшими участками имеет решающее значение для эффективного восстановления и управления ландшафтом. Модель Prithvi, разработанная НАСА и IBM, решает эту проблему путем автоматизации обнаружения шрамов от ожогов на основе мультиспектральных спутниковых снимков, полученных с помощью датчиков Landsat или Sentinel-2. Он точно настроен на основе согласованного набора данных Landsat (HLS) о сценах ожоговых рубцов, что делает его высокоэффективным для выявления ожоговых рубцов в больших масштабах. Применение машинного обучения в модели позволяет составлять карту последствий лесных пожаров, что позволяет сотрудникам служб экстренного реагирования более эффективно оценивать ущерб и планировать восстановительные работы.
5. Сегментация Притхви—Флуда
Мониторинг наводнений и управление ими имеют решающее значение для смягчения последствий наводнений, особенно при ликвидации последствий стихийных бедствий. Использование модели Prithvi автоматизирует обнаружение районов, пострадавших от наводнений, с помощью мультиспектральных спутниковых изображений с высоким временным разрешением (Landsat и Sentinel-2). Доработанная с помощью набора данных о наводнениях Sen 1 за 11 месяцев, эта модель точно определяет затопленные регионы, позволяя службам реагирования и директивным органам более эффективно оценивать масштабы наводнений. Используя данные наблюдения Земли и глубокое обучение, Prithvi расширяет возможности мониторинга наводнений в режиме реального времени, предлагая ценную поддержку в планировании эвакуации, распределении ресурсов и усилиях по восстановлению после стихийных бедствий.
6. Классификатор CLIP Zero-Shot
Классификатор CLIP Zero-Shot, уникальная модель в своем классе, предлагает гибкое решение для классификации изображений без необходимости обучения решению конкретных задач. Эта модель основана на программе OpenAI по предварительной обработке контрастных языковых изображений (CLIP) и позволяет пользователям определять пользовательские категории, что делает ее идеальной для реагирования на стихийные бедствия, мониторинга городов и анализа окружающей среды. Эта модель работает как с отдельными изображениями, так и с большими коллекциями изображений, хорошо справляясь с различными условиями освещения и местоположениями. Он не только присваивает класс каждому изображению, но и предоставляет оценку вероятности, помогая пользователям более эффективно расставлять приоритеты в результатах.
Следующие шаги
Чтобы изучить предварительно разработанные Esri модели оценки ущерба и классификации, выполните следующие действия, чтобы опробовать их на своих собственных изображениях в ArcGIS Pro, ArcGIS Enterprise или ArcGIS Online:
Запустите веб-браузер и перейдите к ArcGIS Living Atlas of the World.
В верхней части страницы найдите “dlpk”, сокращение от deep learning packages.
Просмотрите результаты поиска, чтобы найти пакеты глубокого обучения, соответствующие вашим рабочим процессам.
Нажмите на любой пакет, чтобы просмотреть более подробную информацию, получить доступ к подробным инструкциям, просмотреть показатели модели и ознакомиться с руководствами, которые помогут вам начать работу с моделью.
Ознакомьтесь со страницами и руководствами (links.esri.com/pretrained-models), чтобы узнать, как интегрировать эти модели в ваши рабочие процессы.
Об авторах
Vinay Viswambharan
Vinay Viswambharan is the principal product manager on the imagery team at Esri, with a zeal for remote sensing, AI, and everything imagery.
Rohit Singh
Rohit Singh is the managing director of Esri's R&D Center in New Delhi and leads the development of data science, deep learning and geospatial AI solutions in the ArcGIS platform. He is passionate about deep learning and its intersection with geospatial data and satellite imagery and has been recognized as an Industry Distinguished Lecturer for the IEEE- Geoscience and Remote Sensing Society (GRSS). Rohit is a graduate of the Indian Institute of Technology, Kharagpur, and has worked at computer vision startups and IBM before joining Esri. He conceptualized, designed and developed the ArcGIS API for Python, ArcObjects Java, ArcGIS Engine Java API and ArcGIS Enterprise (Linux) while at Esri.
Priyanka Tuteja
Priyanka Tuteja is a senior product engineer on the GeoAI team at Esri R&D Center, New Delhi.