发帖
雷达卡
卫星影像中的深度学习
在本文中，我希望启发您开始探索卫星图像数据集。最近，这项技术获得了巨大的发展，并且我们发现使用卫星图像分析会出现新的可能性。卫星数据改变了游戏规则，因为它使我们能够收集企业不容易获得的新信息。
为什么卫星图像是唯一的数据源？当前可用的是什么，选择使用哪些图像时必须考虑哪些属性？
卫星图像可让您从更广阔的角度观看地球。您可以指向地球上的任何位置，并获取该区域的最新卫星图像。而且，此信息易于访问。有免费资源允许您将映射的图像下载到计算机上，然后可以在本地播放。
使用卫星图像的最重要方面之一是，您还可以浏览某些位置的过去图像。这意味着您可以跟踪面积随时间的变化，并预测将来的变化。您所要做的就是定义与用例相关的属性。
为了让您了解卫星如何跟踪我们在地球上的进度，我们必须看一下上方的物体。
全球卫星
资料来源：欧洲航天局
目前，有超过四百五十颗人造卫星绕地球旋转。其中一些用于通讯或GPS，但其中有600多个定期在拍摄地球表面的照片。当前（截至2018年底），最佳可用分辨率为每像素25厘米，这意味着1像素覆盖25厘米x 25厘米的正方形。这意味着一个人在图像上占据了大约3个像素。
我们目前拥有的当前技术实际上可以使我们获得更好的分辨率，但是它不可用，因为出于安全原因，许多政府不允许我们拍摄更详细的图像。这意味着，除非获得安全检查，否则您将无法获得更好的质量。
卫星图像的可用来源
第一组是免费的公共图片。其中包括最受欢迎的免费图片American Landsat和European Sentinel。Landsat将为您提供在任何位置每14天每像素30m分辨率的图像。Sentinel将每7天为每像素提供10m分辨率的图像。
也有诸如DigitalGlobe之类的商业提供商，可以为您提供分辨率高达每像素25厘米的图像，每天可以提供两次图像。在所需的不同属性之间取得平衡很重要，因为最佳分辨率并不总是意味着您获得最频繁的图像。
而且，成本是重要的因素。最好的图像可能要花费数百美元，因此明智的做法是开始以较低质量的图像构建解决方案。只需确保针对特定用例使用了最佳的即可。当然，商业来源会提供订阅，这将降低图像的成本。
卫星图像的属性
让我们浏览选择图像源时必须平衡的属性。首先是空间分辨率。如您所见，技术一直在飞速发展，越来越多的资金投入到发射更好的卫星并使之可用上。
第二个因素是时间分辨率。这是您获得给定位置的图片的频率。这是一个重要方面，因为云可能会如何阻挡您的兴趣点。例如，如果您每7天仅获得1张图像，并且您的位置位于多云区域，那么一个月内所有图像可能都被云遮挡，从而使您无法收集该区域的数据。已经创建了一些算法来缓解此问题，但是，在浏览图像时仍然是一个大问题。在大多数情况下，最好获得尽可能高的频率，以提高在选定时间范围内对给定区域进行清晰拍摄的机会。
现在，第三个因素很有趣。它是光谱分辨率。考虑图像时，通常会想到三层：红色，绿色和蓝色；红色，绿色和蓝色。这些图层构成了该区域的视觉图像。这是因为我们的人眼具有三个对颜色敏感的锥体，它们对红色，绿色和蓝色有反应。
卫星提供的不仅仅是RGB照片
但是，卫星可以具有更多的传感器，使它们能够记录人眼看不到的光谱。卫星拍摄的图像可以具有12层或更多层，并且每一层都带来更多信息。通过组合各层，您可以创建指标，这些指标将使您对地面发生的事情有更多的了解。
令人着迷的指标是归一化植被指数（NDVI），该指数可用于估算植物的状况。当您查看田野的正常图片时，会看到不同的绿色阴影，但是并不能告诉您植被的健康程度。
我们可以根据叶绿素的数量，通过不同的方式查看植物群反射的近红外光，从而测量植被的健康状况。这使我们能够看到观察区域中植物的健康状况，而这是无法从RGB图像得出的。
另一个例子是土壤湿度，这意味着土地有多湿。在干旱期间，例如在洛杉矶，当局实行了用水限制。事实证明，较富裕的人没有遵守这些限制，而是继续使用大量的水。借助卫星图像，政府可以查看哪些田地土壤湿度高，从而帮助他们更好地执行这些限水法。
同样值得一提的是，雷达技术可以让您透视云层，但是它并不适合您可能想要应用的所有用例。
当前最先进的卫星具有25厘米的分辨率或每天两次的图像。这是标准图像的示例。
悉尼海滩
显然，您可以看到人，甚至可以算出餐厅外的桌子数目。
正如我之前说过的，您必须在这些属性之间取得良好的平衡以解决您的问题。空间分辨率可能不是您研究中最重要的因素。您还需要考虑时间和光谱分辨率，成本，可用性以及易于处理。
我们如何在我们的R项目中利用此数据源？
让我们从R中不应该做的事情开始。有两个主要类别：数据预处理和资源密集型操作。一幅图像重约1GB，将覆盖大片区域，例如华盛顿州的一半。
下载100张图像并将其剪切在计算机上非常耗费资源，因此不应在R中本地进行。有可用的平台可以进行预处理，并向您发送所需的shapefile的小片段。其中包括Google Earth Engine和Amazon Web Services（AWS），可让您简单地查询API。他们已经有可用的公共图像集，您可以上传自己的图像集。所有这些都唾手可得。您只是说：“ Google，我想要一组包含包含Loews Hotel的小方块的Sentinel图像的日期，”然后您就设置好了。从那里，您选择一个或多个日期，并要求API向您发送已裁剪的图像，从而将图像大小减小了数百千字节。
当您使用庞大的分布式基础结构进行计算时，这一切都很快发生。此外，您实际上可以在那里进行计算并接收指标。例如，您可以接收NDVI指示器，它是近红外和红色通道的简单数学组合。
R卫星假想的闪亮仪表板
现在，当您构建仪表板以呈现数据时，R会发光。您可以分析和预测已建立的指标。在小型图像上运行，使您可以利用许多有用的R包来试验此数据并获得宝贵的见解。当然，您也可以构建神经网络，以帮助您指示这些图像上的对象。
这是您可以使用R构建的仪表板示例。
通过合并宗地shapefile的公共可用地理空间数据，您可以在地图上绘制任何宗地，并请求该宗地的可用图像日期。然后，您可以分析图像，指出作物被销毁的地方或不健康的地方。
这是可视化NDVI指示器的示例。
如上所示，有些分区的作物健康，而其他分区的植物不健康。另外，这里的云使结果失真，应予以考虑。
将深度学习应用于我可以共享的预处理图像的一个示例是我们使用Kaggle数据指示图像中是否有船只的示例。如果没有可用的数据集，则必须合并其他数据源。
我们可以使用一个称为AIS的系统，它要求船舶定期报告其位置。从那里，我们得到了海洋的卫星图像，并将其与当时的船只位置相结合，并切出图像以准备数据集。
在海运业中，重要的是要知道船在哪里，因为那里有一些禁区。例如，在某些地区禁止渔民捕鱼。他们中的一些人会关闭AIS，然后去那里钓鱼。扫描卫星图像可以使我们识别其中一些非法行为。
同样，R可以很好地扩充您的数据集并提供更多示例。
这是我们用来识别这些船只的网络。
它由两个卷积层组成，一个最大池，两个卷积层，再次最大池，然后是softmax函数。我们还使用辍学以避免过度拟合。使用Keras可以简化这样定义网络的过程。
在这个问题上，我们达到了98％的准确性，如果您对详细信息感兴趣，可以在Micha?Maj的博客上查看此文章。
完整的卫星影像解决方案的架构
现在，让我们分解一个完整的解决方案体系结构，您可以构建该解决方案来分析卫星图像并显示结果。
首先，您需要一个数据源。它可以是平台，也可以从提供商那里获得。
您必须对其进行预处理，并且这里需要大量资源，因此在云中构建自己的解决方案或利用现有平台非常有用。您可以一次批处理许多图像并将其存储。您还可以使用API??来按需获取预处理图像。
使用准备好的图像，您可以训练网络并保存模型。然后，您可以运行批处理来标记图像并存储它们。最后，您可以构建将使用它们的仪表板，或使用API??来请求图像，在其上运行模型并呈现结果。
尽管介绍的体系结构基于R＆Shiny，但Python也适合此工作，我们在商业项目中对其进行了测试。
卫星影像的商业应用
让我们看一下不同业务领域中的一些新兴应用程序。这些只是一些示例，但是我们每天看到越来越多的不同用例。
首先是农业。农民可以实时了解自己的农作物，以显示其健康状况和危害。使用这项技术，他们可以快速估算干旱，洪水或飓风造成的损失。最近也用于施肥过程。
其次是房地产。例如，建筑公司可以使用该技术来查看竞争对手的表现并比较其性能。此外，他们可以看到哪些区域正在扩展，以了解在哪些位置进行投资可能是不错的选择。此外，屋顶本身也可以提供有关给定建筑物状态的信息，这对于建筑商而言非常有价值。
第三是金融和保险。贸易商可以根据从特定区域发货的集装箱数量来预测商品供应。这给了他们巨大的优势。例如，他们可以预测，如果供应短缺，则给定商品的价格将来会上涨。使用更好的时空分辨率，您可以了解有关某个区域的更多详细信息。例如，您可以使用此技术来识别不同社区中的汽车并评估某个地区是否富裕。甚至在一些用例中，公司会计算停车场中的汽车数量，以查看给定超市的经营状况。请注意，对于此类工作，您需要使用更频繁的数据。
概要
技术越来越好。如果您现在开始尝试这些图像，那么您很快就会处于这一浪潮的顶端。必须意识到这些技术与技术无关，这意味着它们不仅适用于卫星图片。
将来，甚至有可能将这些技术应用于无人驾驶飞机或飞艇。这个行业正在兴起，如果您能很快开始，那么将来您将获得丰厚的回报。使用图像，与社区分享您的结果，最重要的是，玩得开心。播放这些图像虽然有价值，但也非常令人兴奋。
1
京公网安备 11010802022788号
