Dronebeelden: Van Vastleggen naar Geautomatiseerde GeoAI-analyse

Reality mapping wordt gedefinieerd als een proces van het creëren van een ruimtelijk nauwkeurige 2D en 3D digitale representatie van de fysieke wereld met behulp van afbeeldingen of lidar. Het is erg nuttig om geografische informatiesysteem (GIS) technologie te gebruiken voor het vaststellen van fundamentele content - waar deze nog niet beschikbaar is - om een ​​realistisch beeld te krijgen van kritieke locaties en te beginnen met probleemoplossing. Dus door drones te gebruiken om huidige beelden vast te leggen, krijgen we real-world context voor ruimtelijke data. We kunnen dan extra datapunten over de digitale representatie leggen voor diepere analyse en om een ​​holistisch beeld te vergemakkelijken voor een breed scala aan belanghebbenden.

Geospatiale kunstmatige intelligentie (GeoAI) is de integratie van kunstmatige intelligentie (AI) met ruimtelijke gegevens, wetenschap en technologie om het begrip te vergroten, ruimtelijke problemen op te lossen en de extractie van informatie te automatiseren.

Met ArcGIS kun je een breed scala aan beelden analyseren—van een puntenwolk tot georiënteerde beelden tot video. Voer verschillende taken uit met beelden, waaronder wijzigingsdetectie, geschiktheid van locaties, vegetatiemonitoring, objectdetectie, beeldredactie of feature-extractie en classificatie.

Voor het beheer van openbare en commerciële eigendommen kunnen organisaties stilstaande of bewegende beelden gebruiken om voertuigen te detecteren, te classificeren en te tellen, om te leren wanneer parkeerterreinen hun capaciteit bereiken. Voor het monitoren van nutsvoorzieningen langs de rechten van way kunnen puntenwolken worden gebruikt om nutsvoorzieningen te classificeren en vegetatie-inbreuken in het netwerk te identificeren om bosbranden te helpen voorkomen. In milieukundig onderzoek kunnen ortho-beelden of videobeelden en classificatie-algoritmen veranderingen in dierenpopulaties in de loop van de tijd detecteren om te begrijpen hoe ze zich ontwikkelen.

De tijdsbesparing: vooraf getrainde AI-modellen

Esri biedt nu meer dan 40 vooraf getrainde deep learning-modellen die klaar zijn voor gebruik in ArcGIS Living Atlas of the World. Deze vooraf getrainde deep learning-modellen elimineren de noodzaak voor enorme hoeveelheden trainingsgegevens, enorme rekenbronnen en uitgebreide kennis van kunstmatige intelligentie (AI). Ze stellen u in staat om uw geospatiale workflows te versnellen met ingebouwde expertise en bronnen die speciaal zijn ontworpen voor het extraheren van beeldkenmerken, landbedekkingclassificatie, beeldredactie en objectdetectie. Automatiseer de manier waarop u zinvolle inzichten uit beelden, puntenwolken en video haalt.

Vooraf getrainde deep learning-modellen van Esri omvatten autodetectie, gebouwdetectie, landbedekkingclassificatie, detectie van elektriciteitsleidingen en detectie van scheuren in het wegdek. Pak gewoon een vooraf getraind model naar keuze en voer het uit op uw beelden met ArcGIS Image for ArcGIS Online of ArcGIS Pro. U kunt het vervolgens afstemmen op uw behoeften en locatie. Er is geen training nodig.

Bekijk de volgende demovideo's om te zien hoe AI en dronebeelden in verschillende sectoren worden gebruikt om complexe problemen op te lossen.

De San Bernardino International Airport vliegt drones vanaf zijn nieuwe Unmanned Aircraft Systems Center. De kilometerslange betonnen taxibanen en landingsbanen van de luchthaven moeten regelmatig worden geëvalueerd op veiligheid. Terwijl dit historisch gezien ter plaatse werd gedaan, wat honderden uren veldwerk vereiste, kan de luchthaven vandaag de dag drones en kunstmatige-intelligentieg algoritmen gebruiken om het proces te versnellen. Bekijk deze demo om te zien hoe AI en deep learning worden gebruikt om wegdekfouten te identificeren en snel landingsbanen en taxibanen op scheuren te onderzoeken.

Kustgebieden in Belize bevinden zich op laaggelegen terrein, wat het risico op overstromingen vergroot. Met behulp van dronebeelden en vooraf getrainde deep learning-modellen kunnen we de kwetsbaarheid van structuren beoordelen—niet alleen hun nabijheid tot de oceaan, maar ook hun hoogte, bouwmaterialen en een verscheidenheid aan andere kenmerken. Deze demo gebruikt Belize als voorbeeld en doorloopt het proces van het uploaden van beelden naar ArcGIS Online, waarbij gebruik wordt gemaakt van nieuwe mogelijkheden binnen ArcGIS Image voor ArcGIS Online om snel analyses in de cloud te starten—zonder dat er codering nodig is.

In 2018 verwoestte de Woolsey Fire bijna 97.000 acres land rondom Los Angeles, Californië, in 15 dagen. Het in kaart brengen van de omvang van de schade was essentieel voor de rampenbestrijding. Voorheen zou het dagen duren om luchtbeelden handmatig te classificeren, maar nu duurt het slechts enkele uren dankzij vooraf getrainde machine learning-modellen en geautomatiseerde AI. Met het voorbeeld van de Woolsey Fire doorloopt deze demo het proces voor het trainen, maken en toepassen van je eigen deep learning-model.