web analytics

Демистификация GeoAI

Smart City

В современном быстро развивающемся технологическом ландшафте конвергенция искусственного интеллекта (ИИ) и определения местоположения привела к появлению революционной технологии: геопространственного искусственного интеллекта (GeoAI).


GeoAI объединяет искусственный интеллект с геопространственными данными, наукой и технологиями для ускорения рабочих процессов, получения ценной информации и решения пространственных проблем. Благодаря способности оперативно отслеживать и анализировать события оно позволяет пользователям идти в ногу с меняющейся технологической средой и принимать обоснованные решения быстрее, чем они могли раньше. Эта повышенная ситуационная осведомленность в сочетании с богатым пониманием и прогнозами, которые GeoAI может генерировать на основе пространственных моделей, дает ценные результаты для бизнеса, государственных учреждений и других организаций.

Геопространственный искусственный интеллект (GeoAI) возникает на стыке искусственного интеллекта (ИИ) и определения местоположения.

У ИИ есть два ключевых компонента: машинное обучение и глубокое обучение. Машинное обучение предполагает обучение компьютера изучать закономерности в данных и прогнозировать результаты без получения явных инструкций для этого. Глубокое обучение — разновидность машинного обучения — использует алгоритмические структуры, называемые нейронными сетями, которые основаны на том, как человеческий мозг работает над изучением сложных закономерностей в данных путем объединения более простых концепций.

В рамках GeoAI машинное обучение может использоваться для анализа пространственных данных и решения пространственных задач с использованием методов классификации, кластеризации, прогнозирования и прогнозирования. С другой стороны, глубокое обучение чаще всего используется в GeoAI для создания обширных пространственных данных путем автоматизации извлечения, классификации и обнаружения геопространственной информации из изображений, видео, облаков точек и текста. Его также можно использовать для анализа пространственных данных для прогнозирования и прогнозирования.

Многие организации модернизируют свою деятельность, используя GeoAI для принятия решений на основе данных и принятия упреждающих мер, направленных на решение проблем и возможностей в пространственной области. GeoAI поддерживает ряд приложений, таких как обнаружение и классификация изменений земного покрова, прогнозирование роста городов и оценка экологических рисков. Существует широкий спектр решений GeoAI, включая готовые предварительно обученные модели, модели, которые можно настроить для решения конкретных задач, а также пользовательские модели, которые отвечают различным потребностям организации.

Читайте дальше, чтобы узнать, как GeoAI может помочь организациям, сталкивающимся с различными сценариями, извлекать значимую информацию из данных и решать пространственные проблемы с беспрецедентной скоростью, точностью и эффективностью.

Улучшение содержания дорог с помощью предварительно обученной модели

Выполнение работ по содержанию дорог представляет собой множество проблем для транспортных ведомств. Дорожные сети обширны, и дорожные трещины и дефекты необходимо быстро выявлять. Традиционные методы ручного осмотра трудоемки и могут не выявить участки, критически нуждающиеся в ремонте.

Существуют предварительно обученные модели GeoAI, которые могут автоматизировать обнаружение трещин на дорогах и позволить транспортным отделам проводить дальнейший анализ в ключевых точках. Имея под рукой эту информацию, транспортные департаменты могут затем разработать эффективные и упреждающие планы технического обслуживания, чтобы поддерживать автомагистрали в хорошем состоянии.

Предварительно обученные модели GeoAI могут автоматически обнаруживать трещины на дорогах.

Как использовать предварительно обученную модель обнаружения дорожных трещин

Департамент содержания дорог может улучшить свои процедуры оценки состояния дорог с помощью GeoAI, используя предварительно обученную модель глубокого обучения, специально обученную для обнаружения трещин и аномалий на дорогах.

Процесс начинается с того, что группа ГИС транспортного отдела использует дроны и камеры, установленные на транспортных средствах, для получения изображений дорог в интересующей ее области с высоким разрешением. Затем группа ГИС может применить к изображениям готовую к использованию, предварительно обученную модель обнаружения дорожных трещин. Обрабатывая изображения, модель эффективно выявляет трещины и дефекты на дорогах.

Затем департамент может использовать эти извлеченные характеристики в качестве входных данных для алгоритма машинного обучения, который использует регрессионный анализ для моделирования дорожных условий на основе характеристик дорожного движения, таких как высокая плотность грузовиков на определенных маршрутах; свойства дорожного материала, такие как возраст и толщина дорожного покрытия; и другие измерения качества дорожного движения. Это дает команде лучшее понимание влияния этих переменных на уже существующие трещины и дефекты дороги.

Имея под рукой всю эту информацию, команда может предсказать, где может потребоваться обслуживание дорог. Это позволяет транспортному отделу расставлять приоритеты в ремонтных работах, проводить профилактическое обслуживание и оптимизировать ресурсы на содержание дорог. Такой подход существенно ускоряет процесс проверки и ремонта дорог, а также позволяет ведомству сделать дороги более ровными и безопасными для водителей.

Оптимизация распределения городских ресурсов путем доработки существующих моделей

Во многих регионах мира люди живут в неформальных поселениях, где жилая единица может существовать сегодня и переезжать завтра. Большинство стран проводят опросы населения посредством переписи населения каждые десять лет, но, поскольку неформальные поселения динамичны, подсчеты населения в местном масштабе могут устареть к моменту публикации данных переписи.

Поскольку местные органы власти полагаются на данные о населении для распределения важнейших общественных услуг, таких как медицинское обслуживание, школы и банковское дело, крайне важно, чтобы они собирали и поддерживали точные данные о населении на местном уровне, особенно в районах, где наблюдается постоянная активная миграция.

Использование модели глубокого обучения площади здания, точно настроенной с учетом географии региона, может помочь местным правительственным организациям вести более последовательный подсчет населения.

Модель глубокого обучения по площади здания можно точно настроить с учетом географии региона.

Как использовать точно настроенную модель глубокого обучения

Чтобы точно настроить готовую модель глубокого обучения по контуру здания, чтобы она могла обнаруживать неформальные поселения в определенном географическом регионе, сотрудники местных органов власти могут начать со съемки аэрофотоснимков местного неформального поселения. Сотрудники могут использовать эти изображения для получения обучающих данных, сначала выбрав выборочные территории и вручную выявив неформальные поселения. Затем они могут оцифровать эти данные и использовать их в качестве входных данных для повторного обучения модели. Затем сотрудники могут настроить модель в соответствии с желаемыми параметрами, такими как степень обучения или точность модели, и использовать ее для извлечения следов зданий в более крупном регионе.

После этого сотрудники могут использовать методы машинного обучения, такие как регрессионный анализ, для моделирования колебаний численности населения неформальных поселений на основе таких факторов, как демографические характеристики домохозяйств; геопространственные ковариаты, включая высоту местности, близость к дорогам и ночное освещение; и конкретные атрибуты самих производных контуров зданий, такие как их площадь и плотность. Это позволяет пользователям прогнозировать оценки численности населения на уровне домохозяйств в более крупном регионе. Эти оценки впоследствии могут быть агрегированы для обоснования решений местных органов власти.

Этот метод избавляет пользователей от необходимости вручную обучать модель с нуля. Вместо этого они могут использовать готовую к использованию модель и переобучить ее до желаемых параметров. Это ускоряет процесс сбора данных и помогает местным органам власти предоставлять необходимые удобства и услуги своим избирателям, чтобы способствовать росту и процветанию сообщества.

Улучшение результатов реагирования на стихийные бедствия за счет создания индивидуальных моделей

После урагана местные органы власти и гуманитарные организации должны оценить ущерб, нанесенный строительным конструкциям в наиболее пострадавших районах. Быстрое проведение оценки ущерба сразу после стихийного бедствия позволяет ускорить восстановление и восстановление.

Эти организации могут взять исторические снимки местности и использовать их для обучения специально созданной модели глубокого обучения, которая может быстро и безопасно идентифицировать поврежденные здания и другие представляющие интерес особенности.

Специально созданные модели глубокого обучения можно обучить находить поврежденные здания после стихийного бедствия.

Как создать собственную модель обнаружения повреждений

Чтобы разработать собственную модель глубокого обучения, которая определяет масштабы ущерба после урагана, группа ГИС в организации по оказанию помощи при стихийных бедствиях может начать с сбора архива исторических данных изображений, на которых показана местность после нескольких стихийных бедствий. Затем с использованием этих изображений можно обучить пользовательскую модель глубокого обучения, чтобы научиться идентифицировать поврежденные здания и другие важные объекты.

Когда в будущем произойдут стихийные бедствия, команда может применить эту модель к новым изображениям после события, чтобы она автоматически извлекала поврежденные объекты. Это облегчает службам быстрого реагирования выделение ресурсов, а страховым компаниям — начало обработки претензий жителей.

Как только модель определит и нанесет на карту структуры, поврежденные последним ураганом, команда сможет загрузить их в рабочие процессы машинного обучения. Отсюда команда может быстро выполнить кластерный анализ поврежденных зданий, чтобы определить приоритетные зоны для временного жилья. Команда также может использовать прогнозирующую модель, чтобы оценить количество мусора, образовавшегося в результате урагана, и выяснить совокупное воздействие урагана на местные водоразделы.

Используя модели глубокого обучения, оценщики, которые раньше проводили, скажем, 100 ручных оценок ущерба в час, теперь могут выполнить сотни тысяч автоматических оценок за тот же промежуток времени. Это позволяет федеральным агентствам и страховым компаниям своевременно принимать меры по отправке помощи нуждающимся.

Начните работу с GeoAI в ArcGIS

Все это яркие примеры того, как GeoAI может работать в различных ситуациях, но они лишь поверхностно затрагивают возможности. Существует множество способов использования GeoAI в ArcGIS, которые различаются по сложности и уровням настройки.

Чтобы начать работу с этой революционной геопространственной технологией, пользователи могут сначала изучить более 50 предварительно обученных моделей глубокого обучения Esri и посмотреть, подходит ли одна из них для их ситуации. Эти модели представляют собой готовое решение, поэтому пользователи могут начать извлекать, классифицировать и обнаруживать данные, не тратя время и ресурсы на обучение модели. Пользователи также имеют возможность точно настроить эти предварительно обученные модели в соответствии со своими конкретными потребностями. Кроме того, пользователи, у которых есть собственные рабочие процессы, могут просмотреть обширный список доступных моделей глубокого обучения и использовать их для обучения своих моделей с использованием собственных данных.

Узнайте больше о GeoAI и изучите весь потенциал этой мощной технологии в системе ArcGIS, посетив страницу возможностей GeoAI .

Источник:
https://www.esri.com/about/newsroom/arcnews/demystifying-geoai/

Оцените статью
( Пока оценок нет )

Добавить комментарий