Самые интересные фото со спутника Google Maps

10 необычных фотографий Google Maps

5 (100%) 2 votes

Если вы еще никогда не глядели на землю свысока, советую сделать это прямо сейчас на GMaps. Найдите свой дом, свою школу, место работы, берег реки, на котором вы веселились в детстве и т.д. Некоторые снимки будут размыты, но фотографии городов определенно будут в высоком качестве, можно даже разглядеть людей.

Следующие необычные фотографии не подвергались фотошопу, и эти места действительно существуют. В чем вы можете убедиться лично, открыв Google Maps.

10. Полковник Сандерс

Да, снова реклама, в этот раз для космонавтов и работников GMaps. Дэвид Сандерс был основателем ресторанов фаст-фуд KFC ну и стал главным лицом кампании.

9.  Бегущий олень

На этом фото GMaps – ничего особенного, просто бегущий олень… вверх ногами.

8. Голова краснолицего

Благодаря снимкам GMaps можно увидеть, что холмы в Канаде образуют профиль исконных жителей Северной Америки.

7. Наездник на лошади

Эту рукотворную инсталляцию при помощи снимков GMaps можно наблюдать на территории Великобритании. Всадник вырезан в меле на склоне горы.

6. Лес за деревьями

Надпись сформирована из деревьев и ее видно даже из Космоса, благодаря снимкам GMaps.

5. Мертвый кролик

Лежит себе мертвый кролик где-то в Италии, и никому нет дела до этого, пока его не запечатлел спутник GMaps.

4. Витрувианский человек Да Винчи

Этот человечек вырезан в поле недалеко от Мюнхена, Германия. Неизвестно сколько еще проживет это картина, поэтому бегом смотреть на фото в GMaps.

3. Кока-кола в пустыне

И опять реклама космических масштабов, увековеченная спутником GMaps. Логотип Кока-кола был создан из пустых бутылок в пустыне Чили.

2. Большой человек

Ничто не укроется от зоркого глаза GMaps. Похоже, великан упал с небес на землю, и на месте падения образовалось озеро.

1. Главный браузер

Теперь мы знаем, какой самый крутой браузер на планете Земля, благодаря снимкам GMaps. Его логотип расположен недалеко от Портленда.

Надеемся, мы достаточно вас заинтересовали, и информация была вам полезна. Будем рады, если вы поделитесь с нами своими мыслями в комментариях.

Вы можете сохранить понравившуюся статью или рассказать о ней друзьям, нажав на одну из кнопочек.

Анапа со спутника — фотографии с орбиты спутника Google

Главная

❱

Снимки курорта Анапа со спутника Google

Снимки курорта Анапа со спутника Google.

Взгляд на Анапу

Что должны знать все желающие посетить Анапу, особенно впервые? Какие сюрпризы и приятные впечатления останутся после нее?
Пейзаж. Первое, что ищет любой приехавший или прилетевший гость – это море. Голубое, манящее Черное море. Побережье хорошо просматривается, ведь Анапа – прибрежный, туристический город, имеющий просторный, городской пляж. Кроме моря окружающий пейзаж поразит разнообразием, ведь рядом виднеются грозные, Кавказские горы. Удивительный Краснодарский край, где горная гряда соседствует со степью, а та переходит в долину, потом в побережье! Здесь столько водопадов, живописных долин и горных склонов. Густые, реликтовые леса, чистые реки, несколько озер… это окружающая природа.

Современный, развивающийся город. Сама Анапа поражает яркими цветами. Кажется, что приехали куда-то в Европу или Мексику, насколько все яркое и разнообразное. Городских достопримечательностей и развлечений много, на любой возможный вкус. Есть музеи, дельфинарии, парки аттракционов, обычные парки, где приятно гулять. Множество гостиниц, санаториев, пансионатов.
Оздоровительная Анапа. Кажется, сам воздух обладает своими, лечебными свойствами. Дышится проще и свободней. Да, это доказали ученые, в воздухе находится миллиарды крошечных ионов, плюс морской бриз причудливо сочетается с горной свежестью и ароматом цветов. Кроме воздуха, Анапа известна лечебными грязями, минеральной водой и современными, специализированными здравницами.

Анапа – детям. Стоит сюда привозить детей? Конечно. Множество бассейнов, аквапарки, увлекательные, анимационные шоу, театры, уличные концерты, парки аттракционов, настоящий дельфинарий, музеи – лишь часть всех местных развлечений. Многие отели специально ориентированы для общего, семейного отдыха. Там есть отдельное, детское меню, предоставляются кроватки, детские стулья, оборудованы просторные детские площади, работают аниматоры. Вдобавок, свежий воздух, Солнце, беготня весь день на улице, купание и вкусная еда несомненно будут полезны и увлекательны любому ребенку.

Экскурсии можно организовывать самим или использовать специальные бюро. Желаете посетить какой-нибудь водопад, историческое место или соседний поселок? Легко.

Многие стараются объезжать достопримечательности самостоятельно, но с гидом интереснее. Ведь он может рассказать множество легенд и историю выбранного места.
Ночная Анапа увлекательна, полна огней. Кажется, город как Лос-Анджелес, никогда не затихает. Открыты городские ночные клубы, несколько ресторанов, ночные киносеансы. Приятно даже просто прогуляться, любуясь ночными огнями и пейзажем вокруг. Конечно, лучше всего гуляется именно по набережной. Над головой – бесконечное, черное небо, усыпанное мириадами звезд, светит Луна. Рядом – шумят прибрежные волны, под ногами – песок и галька пляжа.
Анапа – талисман. Многие захотят оставить что-нибудь себе как талисман или сувенир. На память об увлекательной веселой поездке. Почему нет? Собирайте ракушки, купите милые фигурки, магнитики или украшения. Вдобавок, альбом пополнится десятком красочных фотографий, а домашняя библиотека – видео.

Заметили ошибку или неактуальную информацию? Пожалуйста, сообщите нам об этом

Потрясающие фотографии городов и ландшафтов, сделанные со спутника

 

Рутцендорф, Австрия

 

Вашингтон, США

 

Пернамбуку, Бразилия

 

Кокель, Франция

 

Мертвое море, Неве Зоар, Израиль

 

Порт Сантандер, Сантандер, Испания

 

Поля для гольфа, Палм-Дезерт, Калифорния

 

Гибралтарский международный аэропорт

 

Буртанж, Нидерланды

 

Трассы А-3 и М-50, Мадрид, Испания

 

Венеция, Италия

 

Инман Двор, Атланта, Джорджия, США

 

Автодром Поль Рикар, Ле Кастелле, Франция

 

Палм-Айденд — остров Гибискус, Майами-Бич, Флорида, США

 

Аддис-Абеба, Эфиопия

 

Froster Soak City, Торонто, Канада

 

Завод по производству сахарной свеклы, Калифорния, США

 

Атомная станция, Флорида, США

 

Район Сансет, Сан-Франциско, Калифорния, США

 

Тагуатинга, Бразилия

 

Стоунхендж, графство Уилтшир, Англия, Великобритания

 

Виноградники, Уэльва, Испания

 

Пуэнте-де-Вальекас, Мадрид, Испания

 

Порт Лос-Анджелеса

 

Лебриха 1 Солнечная электростанция, Севилья, Испания

 

Амстердам, Нидерланды

 

Ла-Плата, Буэнос-Айрес, Аргентина

 

Хартсфилд-Джексон международный аэропорт Атланты, Джорджия, США

 

Venture Out RV Resort, Меса, штат Аризона, США

 

Строительство олимпийского стадиона Фишт, Сочи, Россия

 

Морской терминал, Ньюарк, Нью-Джерси, США

 

Дуррат Аль Бахрейн, Бахрейн

 

Теплицы, Альмерия, Испания

 

Манила, Филиппины

 

Орошение полей, Хаиль, Саудовская Аравия

 

Гора Whaleback, Пилбара, Западная Австралия, Австралия

 

Красный шлам, Дарроу, Луизиана, США

 

Изола-ди-Сан-Микеле, Венеция, Италия

 

Бока-Ратон, штат Флорида, США

 

Плавучие рыбные фермы, Тайваньский пролив

 

Драгор, Дания

 

Великая Китайская стена

 

Йеллоустонский национальный парк, штат Вайоминг, США

 

  

Курорт Four Seasons Bora Bora, Французская Полинезия

Дубай, Объединенные Арабские Эмираты

 

Солнечная электростанция Gemasolar, Севилья, Испания

 

309-ая группа по обслуживанию и ремонту аэрокосмической техники, Тусон, штат Аризона, США

Графические процессоры

помогают исследователям удалять облака со спутниковых изображений

Спутниковые изображения могут быть фантастическим инструментом гражданского строительства — по крайней мере, когда облака не мешают.

Теперь исследователи из Университета Осаки показали, как использовать глубокое обучение с ускорением на GPU для удаления этих облаков.

Ученые из университетского отделения устойчивой энергетики и экологической инженерии использовали «генеративную враждебную сеть» или GAN.

«Обучая генеративную сеть« обмануть »различающую сеть, заставляя думать, что изображение является реальным, мы получаем реконструированные изображения, которые являются более самосогласованными», — сказал первый автор Казуносукэ Икено в заявлении.

Создано в 2014 году Яном Гудфеллоу, в то время доктором философии. Студент Монреальского университета, GAN полагаются на пару конкурирующих сетей для создания реалистичных изображений. Эти конкурирующие сети позволяют разработчикам обучать ИИ с меньшим объемом данных.

Изображения облаков можно удалить вручную, но это требует много времени. Методы машинного обучения, напротив, требуют для работы большого количества обучающих изображений, а это не всегда практично.

Итак, исследователи из Университета Осаки обратились к GAN, основанным на двух алгоритмах.

Первая, известная как «генеративная сеть», восстанавливает изображения без облаков.

Вторая, «различающая сеть», использует сверточную нейронную сеть для выбора изображений, созданных первой сетью, и реальных фотографий.

Две конкурирующие сети улучшают друг друга без необходимости в большом количестве данных. Результат: очень реалистичные изображения без облаков.

Использование полученных данных в качестве текстур для 3D-моделей позволяет автоматически генерировать более точные наборы данных масок строительных изображений.

Используя изображения размером 400 на 400 пикселей, исследователи обучили модели на ПК с операционной системой с открытым исходным кодом Ubuntu и графическим процессором GeForce GTX 1060.

«Этот метод позволяет обнаруживать здания в областях без маркированных данных обучения», — говорится в заявлении ведущего автора Томохиро Фукуда.

В будущем исследователи смогут использовать эту технику для обнаружения других объектов, таких как дороги и реки, на аэрофотоснимках.

Похоже на солнечный прогноз.

Читать статью полностью: https://www.sciencedirect.com/science/article/pii/S1474034621001336?via%3Dihub

Обнаружение вырубки лесов по спутниковым снимкам | Андре Феррейра

План

Проектное предложение с первоначальным планом.

Чтобы начать работу над проектом, мы создали рабочую область управления проектом в Notion [16], где мы могли бы управлять нашими задачами и иметь централизованную базу знаний со всеми нашими заметками и соответствующими ссылками на наш проект (что пригодится в данный момент написать об этом статью 😁).Вы действительно можете проверить эти страницы [17], так как мы все сделали общедоступными.

Через эту платформу мы переходим к обсуждению наших мотивов, того, чего мы хотели достичь, и возможных проектных идей. Как видно из предыдущего раздела, тема вырубки лесов была для нас очень интересной, и, поскольку мы нашли высококачественные наборы данных для этой задачи (как вы увидите позже), это казалось осуществимым проектом. После чата и видеозвонков мы должны определить наш MVP (минимально жизнеспособный проект), т.е.основные черты того, чего мы хотели достичь, и некоторые дополнительные цели.

MVP

Для MVP мы выбрали следующие элементы:

• Обученная модель , которая имеет приемлемые характеристики по обнаружению вырубки лесов. (То, что будет «приемлемой производительностью», было определено путем сравнения с базовыми показателями)
• Информационная панель для отображения прогнозов по нашему набору данных.
• GitHub , пакет .
• Настройка гиперпараметров .(т.е. используйте инструменты оптимизации для улучшения нашей модели)
• Хранилище данных . (т. е. установить надежное решение для хранения данных для нужд нашего проекта)

Мы чувствовали, что эти минимальные цели уже удовлетворят наше желание работать над проектом машинного обучения на непрерывной основе, охватывая многие важные аспекты от кодирование, инженерия данных, моделирование и развертывание.

Бонусы

Что касается бонусов, как и вещей, которые было бы неплохо иметь, если бы позволяли время и доступность, мы определили их:

• Анализ смены распределения / вне домена — изучите наш производительность модели на данных, отличных от того, на чем она была обучена.
• Маховик данных — настройте систему, в которой регулярно собираются новые данные для улучшения модели, что может быть сделано с помощью пользователей.
• Интерпретируемость на панели инструментов — позволяет пользователям лучше понять, как модель выводит каждый результат.
• Тесты для нашего пакета.
• Модель с улучшила производительность по сравнению с моделью MVP.

Хотя все эти дополнительные этапы были для нас интересны, мы были особенно заинтересованы в проведении некоторого анализа производительности вне домена, учитывая хорошую проверку, которую он может дать нашей модели, и наличие нескольких наборов данных, связанных с вырубкой лесов, и маховик данных [18]. Позже об этом много говорилось в последнее время, в том числе от таких людей, как Андрей Карпати и его проектный отпуск [19], и, похоже, это путь вперед в ИИ, как своего рода автоматизация автоматизации, которая может помочь как на более позднем этапе машинного обучения, когда становится все труднее и труднее улучшать модели, и на начальном этапе, когда у нас может не хватить данных для обучения достаточно хороших моделей.

Наборы данных

Для обучения модели, которая может обнаруживать вырубку лесов из космоса, нам нужны помеченные данные, состоящие из спутниковых изображений и меток, которые должны быть связаны с наличием или отсутствием обезлесения.Хотя, как мы уже говорили, объем спутниковых снимков растет, помеченных данных все еще относительно мало. И если мы будем искать только набор данных, который выглядит точно так, как мы стремимся, например, где каждое изображение имеет одну двоичную метку deforestation , мы можем столкнуться с трудностями. Итак, прежде всего, чтобы расширить наши возможные решения, нам нужно определить, что такое вырубка лесов, по крайней мере, с точки зрения визуальных сигналов сверху. Сказав это, мы решили искать наборы данных, в которых есть какие-либо отметки о лесозаготовках или потенциально недавнем развитии человека в естественных экосистемах с такими видами деятельности, как сельское хозяйство, горнодобывающая промышленность и расширение городов.

С установленными критериями наш поиск привел нас к следующим трем наборам данных:

• Понимание Амазонки из космоса [20] — набор данных с несколькими ярлыками для отслеживания человеческого следа в тропических лесах Амазонки; в основном мы будем называть его набором данных Amazon .
• WiDS Datathon 2019 [21] — двоичный набор данных для обнаружения плантаций масличных пальм на Борнео; в основном мы будем называть его набором данных масличной пальмы .
• На пути к обнаружению обезлесения [22] — двоичный набор данных для обнаружения кофейных плантаций в тропических лесах Амазонки; в основном мы будем называть его набором данных coffee .

Наше основное внимание было уделено набору данных Amazon, но вы узнаете почему в следующем разделе.

EDA и обработка данных

Как обычно в науке о данных, прежде чем углубляться в моделирование, мы начали с исследовательского анализа данных (EDA), который может помочь нам определить проблему, возможные решения, а также шаги предварительной обработки, которые мы нужно перед обучением модели. Итак, давайте проанализируем здесь каждый из трех потенциальных наборов данных и то, что мы решили делать с каким из них.

Набор данных Amazon сразу же выделился для нас, учитывая его размер и качество. Не считая тестового набора, для которого Kaggle не предоставляет ярлыки, здесь представлено более 40 тысяч образцов с 17 независимыми ярлыками, от сельского хозяйства до горнодобывающей промышленности, городской инфраструктуры, природных ландшафтов и погоды. Размер и контекстно-зависимые метки делают этот набор данных хорошим кандидатом для обучения модели.

Он содержит образцы со всех тропических лесов Амазонки, включая Бразилию, Перу, Уругвай, Колумбию, Венесуэлу, Гайану, Боливию и Эквадор, собранные в период с января 2016 года по февраль 2017 года. Все изображения поступают со спутников Planet с пространственным разрешением 3 метра (каждый пиксель соответствует 3 метрам на земле). Эта информация актуальна не только потому, что она дает нам ощущение разнообразия в наборе данных, как в пространственном, так и во временном отношении, но также потому, что она может оказаться полезной, если мы хотим сравнить модель, обученную на ней, с данными вне домена (потенциально в другое время и / или место и / или спутник).

Изображения представлены в двух форматах: стандартные изображения RGB и файлы TIFF с дополнительным ближним инфракрасным диапазоном.Хотя файлы TIFF могут быть полезны, учитывая дополнительную полосу, мы решили придерживаться изображений RGB, учитывая их простоту (все изображения уже предварительно обработаны, чтобы иметь значения пикселей от 0 до 255) и для гибкости в обработке других изображений, как из других наборы данных и от пользователей. В любом случае, еще одна упрощающая функция этого набора данных заключается в том, что все изображения имеют одинаковый размер 256 x 256.

Приблизительное распределение значений пикселей в наборе данных Amazon.

Поскольку маловероятно, что в других наборах данных будет использоваться такой же подход к маркировке, и поскольку мы заинтересованы в освещении событий и рисков, связанных с обезлесением, мы сопоставили соответствующие теги как связанные с обезлесением, как вы можете видеть ниже.

Все теги набора данных Amazon и сопоставление тегов, связанных с обезлесением.

Наверное, не стоит рассматривать жилье как знак вырубки леса. Образцы с этой меткой, по-видимому, в основном представляют собой города или деревни, которые существуют некоторое время назад, поэтому они могут не иметь отношения к обнаружению текущей вырубки лесов.

Распределение меток в наборе данных Amazon. Помните, что каждая метка не зависит от других, кроме метки погоды.

Большинство ярлыков, связанных с обезлесением (за исключением сельское хозяйство , дорога и культивирование ), кажутся редкими (т. е. <1к образцов). Но объединив их все вместе, мы все равно могли получить изрядное количество положительных образцов, в результате чего было получено 15719 образцов с сигналами вырубки, что составляет около 38,83% от помеченных данных → несколько сбалансированный набор данных

Набор данных масличной пальмы был для нас любопытным. . Он имеет довольно много общего с Amazon, включая использование того же спутника, того же формата изображения и разрешения, а также аналогичную цель обнаружения вырубки лесов. Но у него также были некоторые существенные различия, в основном в том смысле, что он имеет более узкую направленность, с одной меткой для обнаружения плантаций масличных пальм, и он находится в другой части мира, со всеми изображениями, полученными с острова Борнео в Юго-Восточной Азии. вместо тропических лесов Амазонки в Южной Америке.Также в настоящее время в нем всего около 2 тыс. Помеченных изображений, что значительно меньше, чем 40 тыс. Данных в наборе данных Amazon, в основном из-за существующей проблемы с несоответствием между метками и файлами изображений [23].

Приблизительное распределение значений пикселей в наборе данных масличной пальмы. Обратите внимание, как здесь пики графиков смещены влево в сторону более низких значений пикселей по сравнению с набором данных Amazon.

Несмотря на проблемы, сходство изображений и различия в распределении данных делают набор данных масличной пальмы хорошим вариантом для набора тестов вне домена.Кроме того, метка набора данных has_oilpalm идеально сбалансирована при 1089: 1089 на выборках.

Хотя набор данных о кофе потенциально может быть как минимум еще одним набором данных вне домена, например, с масличной пальмой, также использующий те же спутники и представляющий бинарную задачу обнаружения плантаций, у него слишком много проблем, чтобы быть практичным в нашем проекте. Авторы снизили разрешение изображений и преобразовали их в оттенки серого, что является ограничением, несовместимым, как и с другими наборами данных, и нам, вероятно, придется сильно пожертвовать производительностью модели, чтобы стандартизировать все изображения в соответствии с этими ограничениями. Таким образом, мы отказались от этого набора данных о кофе.

Итак, напомним, мы используем набор данных Amazon в качестве основного, на котором мы обучаем наши модели, и набор данных масличной пальмы в качестве дополнительного набора тестов с данными вне домена.

Моделирование

Как предлагается на всем протяжении курса Full Stack Deep Learning, важно иметь исходные данные, чтобы знать, чего ожидать и с чем сравнивать при разработке наших моделей. В нашем случае найти базовые показатели легко, поскольку мы обучаем нашу модель на наборе данных, который использовался в соревновании Kaggle, т.е.е. у нас есть несколько материалов для сравнения. Зная это, важно прежде всего убедиться, что мы рассчитываем ту же метрику производительности, которая использовалась в конкурсе, чтобы мы могли адекватно сравнить наше решение с таблицей лидеров. Метрика, которая используется в наборе данных Amazon, — это оценка F2 , метрика, сочетающая точность и отзывчивость, но при этом присваивающая более высокий вес отзыву. Это означает, что для того, чтобы наша модель имела хорошие оценки, одним из основных критериев является наличие у нее нескольких ложноотрицательных результатов.Учитывая нашу заинтересованность в обнаружении обезлесения, низкий риск ложных срабатываний и тот факт, что образцы с обезлесением встречаются реже, чем образцы без него, этот показатель также имеет смысл.

Оценка F2, при которой больший вес придается отзыву, т. Е. Наличию небольшого количества ложноотрицательных результатов.

Чтобы разработать модель, когда мы работали в группе, мы начали с двух разных подходов. Один из нас пробовал обучить модель на TensorFlow [24], а другой — на FastAI [25]. Для подхода TensorFlow мы попробовали более надежный конвейер с ноутбуком, чтобы сначала протестировать модель на переоснащение до мини-партии (как предлагается в ходе курса, что кажется хорошей идеей для подтверждения того, что модель работает, как ожидалось, на заданных данных), отслеживание моделей с помощью весов и смещений, варианты использования моделей, которые были предварительно обучены на других наборах данных дистанционного зондирования [26], ранняя остановка и автоматическое снижение скорости обучения на основе производительности проверки, среди других функций, вложенных в аккуратный сценарий обучения . Однако FastAI доказал, что мы добиваемся лучших результатов, даже без всяких наворотов противоположного направления. Таким образом, мы сосредоточились на использовании модели FastAI .

Иногда более простое решение оказывается лучшим решением.

Итак, что мы сделали для модели FastAI? Для этого потребовалось выполнить следующие простые шаги:

1. Установите загрузчики данных FastAI с размером пакета 256, изменение размера изображения до 128 на 128 и несколько простых дополнений данных, состоящих из переворотов изображения, яркости, масштабирования и поворота.
2. Задайте точность и оценку F2 в качестве показателей.
3. Определите модель ResNet50.
4. Поиск оптимальной начальной скорости обучения.
5. Обучите модель, начиная с наилучшей скорости обучения, установленной для 4 эпох, затем обучите еще 6 эпох с уменьшающейся скоростью обучения.

Основная часть обучения нашей модели FastAI. Вы можете увидеть остальную часть кода и попробовать его самостоятельно в Colab [28].

Как видите, большинство шагов моделирования выполняется FastAI, что делает наш код коротким, а процесс разработки быстрым (интересно, откуда они получили свое название 🤔).У этого есть свои недостатки, поскольку он ограничивает некоторую гибкость и настройку, которые предоставляют другие, менее абстрактные структуры. Но пока этого хватит.

Обратите внимание, как мы выбрали модель ResNet50 . Хотя эта архитектура относится к 2015 году, и в современном быстро меняющемся мире исследований уже можно считать устаревшей, ее эффективность и широкая поддержка сообщества сделали ее очень практичной в использовании, по крайней мере, в качестве начальной итерации в задачах компьютерного зрения. Более поздние модели, такие как ViT [27] и * , вставляют любую современную модель *, демонстрируют лучшую производительность на больших наборах данных, но их очень большой размер может сделать их непригодными для небольших наборов данных и / или персонального оборудования, кроме иногда просто отсутствие общедоступных весов моделей и / или кода.

Как вы можете видеть в нашем ноутбуке [28], наша модель достигла показателя F2 92,7%, и точности 95,6% на наборе для проверки . Эти результаты выглядят хорошо сами по себе, но нас также порадовало, когда мы видим, что вершина таблицы лидеров Kaggle набрала 93,3% F2. Он по-прежнему выше, чем у нас, и на немного другом наборе, поскольку он рассчитан на тестовом наборе Kaggle (мы не отправляли заявку). Но все же этого выступления показалось достаточно хорошим, чтобы мы могли отказаться от моделирования.

Я также хотел бы отметить, что при выполнении вывода по набору данных масличной пальмы и вычислении оценок как бинарной задаче обезлесения (с использованием сопоставления обезлесения, которое мы обсуждали ранее), мы получили точность 66,8% и F2. оценка 86,7%. Мы действительно ожидали худшей производительности, чем в наборе данных, где была обучена модель, но это все же дает некоторые интересные выводы. Во-первых, у модели должно быть очень мало ложных негативов, чтобы иметь такой высокий балл F2 с более низкой точностью, что означает, что она, вероятно, все еще может указывать на события вырубки лесов. С другой стороны, эти результаты также говорят нам о том, что модель имеет много ложных срабатываний. Это может быть вызвано несколькими факторами, в том числе региональными различиями между наборами данных и, возможно, немного другой предварительной обработкой изображений. Мы также уже видели, как изображения этого набора данных масличной пальмы, как правило, имеют более низкие значения пикселей, чем в наборе данных Amazon, что потенциально может обмануть нашу модель, заставив думать, что образцы положительны. Мы могли бы попробовать несколько вариантов повышения производительности нашей модели для этого набора данных, например, стандартизацию распределения пикселей в обоих наборах данных или включение некоторых образцов из этого набора данных в обучение, но пока мы оставим все как есть.

Информационная панель

Мы хотели иметь информационную панель к концу проекта, чтобы у нас была интерактивная демонстрация, объединяющая все части и служащая в качестве простого шага развертывания в нашем сквозном проекте. Мы решили использовать Streamlit для разработки панели инструментов, учитывая ее простоту использования и нашу заинтересованность в ее изучении. Но прежде чем погрузиться в кодирование, нам нужно было взглянуть на полную картину и подумать о том, какой мы хотели бы видеть нашу панель инструментов. Для его основных функций мы хотели включить:

• Пользовательский ввод — возможность для пользователей запускать нашу модель на своих изображениях.
• Совокупная производительность — покажите глобальные результаты нашей модели в наборе данных Amazon.
• Исследование образца — покажите результаты модели для каждого образца.
• Производительность вне домена — показать результаты модели в наборе данных масличных пальм.
• (бонус) Маховик данных — сбор пользовательских данных, которые могут помочь нам улучшить нашу модель.

Поскольку мы разрабатываем информационную панель, которая должна быть интуитивно понятной и визуально привлекательной, мы также должны заранее подумать о самом пользовательском интерфейсе. Итак, мы придумали две страницы и набросали их наброски:

• Playground — это начальная страница, созданная специально для того, чтобы пользователи могли опробовать модель на своих изображениях; мы также можем использовать эту страницу для хранения загруженных изображений пользователей и их отзывов.
• Обзор — страница для обзора производительности нашей модели и характеристик данных в наших наборах данных.

«Подмена местоположения» создает глубокие подделки спутниковых изображений — GCN

«Спуфинг местоположения» создает глубокие подделки спутниковых изображений

• Автор Ким Эккарт
• 29 апреля 2021 г.

Исследования показывают, что «глубокая фальшивая география» или реалистичные, но фальшивые изображения реальных мест могут стать растущей проблемой.

Например, на спутниковом снимке пожар в Центральном парке выглядит как шлейф дыма и линия пламени. На другом изображении яркие огни в ночь на Дивали в Индии, видимые из космоса, по-видимому, показывают широко распространенные фейерверки.

Оба изображения иллюстрируют то, что в новом исследовании называется «спуфингом местоположения». Фотографии, созданные разными людьми для разных целей, являются поддельными, но выглядят как подлинные изображения реальных мест.

Итак, используя спутниковые фотографии трех городов и методы, используемые для обработки видео- и аудиофайлов, группа исследователей намеревалась определить новые способы обнаружения поддельных спутниковых фотографий, предупредить об опасности фальсифицированных геопространственных данных и призвать система географической проверки фактов.

«Это не просто фотошопинг. Благодаря этому данные выглядят невероятно реалистичными », — говорит Бо Чжао, доцент кафедры географии Вашингтонского университета и ведущий автор исследования, опубликованного в журнале« Картография и географическая информатика ». «Техники уже есть. Мы просто пытаемся выявить возможность использования тех же техник и необходимость разработки стратегии преодоления этого.”

Нанесение лжи на карту

Как отмечают Чжао и его соавторы, поддельные местоположения и другие неточности использовались при создании карт с древних времен. Отчасти это связано с самой природой преобразования реальных местоположений в форму карты, поскольку никакая карта не может отобразить место в точности таким, какое оно есть. Но некоторые неточности в картах — это подделка, созданная картографами. Термин «бумажные города» описывает скрытно размещенные поддельные города, горы, реки или другие объекты на карте для предотвращения нарушения авторских прав.

Например, на более беззаботном конце спектра официальная карта автомагистралей Министерства транспорта штата Мичиган в 1970-х годах включала вымышленные города «Беатосу и Гоблу», пьесу о «Beat OSU» и «Go Blue», потому что тогдашний глава отдела хотел отдать должное своей альма-матер, защищая авторские права на карту.

Но с преобладанием географических информационных систем, Google Планета Земля и других систем спутниковой съемки, подмена местоположения требует гораздо большей изощренности, говорят исследователи, и сопряжена с большим риском.В 2019 году директор Национального агентства геопространственной разведки, организации, отвечающей за предоставление карт и анализ спутниковых изображений для Министерства обороны США, предположил, что спутниковые изображения, управляемые ИИ, могут представлять серьезную угрозу национальной безопасности.

Tacoma, Сиэтл, Пекин

Чтобы изучить, как можно подделать спутниковые изображения, Чжао и его команда обратились к системе искусственного интеллекта, которая использовалась для манипулирования другими типами цифровых файлов. Применительно к области картографии алгоритм по существу изучает характеристики спутниковых изображений из городской местности, а затем генерирует глубокое фальшивое изображение, передавая характеристики изученных характеристик спутникового изображения на другую базовую карту — аналогично тому, как популярные фильтры изображений может отобразить черты человеческого лица на кошке.

Затем исследователи объединили карты и спутниковые изображения из трех городов — Такомы, Сиэтла и Пекина — чтобы сравнить особенности и создать новые изображения одного города, взятые из характеристик двух других. Они назначили Такому своей «базовой картой» города, а затем исследовали, как географические особенности и городские структуры Сиэтла (сходные по топографии и землепользованию) и Пекина (разные в обоих) могут быть объединены для создания дип-фейковых изображений Такомы.

В приведенном ниже примере район Такомы показан в картографической программе (вверху слева) и на спутниковом снимке (вверху справа).Последующие дипфейк-спутниковые снимки того же района отражают визуальные паттерны Сиэтла и Пекина. Низкие здания и зелень отмечают «сиэтлскую» версию Такомы в левом нижнем углу, в то время как более высокие здания Пекина, которые ИИ сопоставил со строительными конструкциями на изображении Такомы, отбрасывают тени — отсюда темный вид построек на изображение в правом нижнем углу. Однако в обоих случаях дорожная сеть и расположение зданий схожи.

Это карты и спутниковые изображения, настоящие и поддельные, одного квартала Такома.В левом верхнем углу показано изображение из картографической программы, а в правом верхнем углу — фактический спутниковый снимок района. Две нижние панели представляют собой смоделированные спутниковые изображения района, созданные на основе геопространственных данных Сиэтла (внизу слева) и Пекина (внизу справа). (Источник: Чжао и др., 2021, Картография и географическая информатика)

Исследователи отмечают, что неподготовленному глазу может быть сложно определить разницу между настоящим и фальшивым. Случайный зритель может списать цвета и тени просто на низкое качество изображения.Чтобы попытаться идентифицировать «подделку», исследователи сосредоточились на более технических аспектах обработки изображений, таких как цветовые гистограммы, частотные и пространственные области.

Может ли быть полезно доказательство «подмены местоположения»?

Некоторые смоделированные спутниковые изображения могут служить определенной цели, говорит Чжао, особенно когда они представляют географические области за периоды времени, например, для понимания разрастания городов или изменения климата. Может быть место, для которого нет изображений в течение определенного периода времени в прошлом или при прогнозировании будущего, поэтому создание новых изображений на основе существующих — и четкое определение их как моделирования — может заполнить пробелы. и помогают обеспечить перспективу.

Целью исследования не было показать возможность фальсификации геопространственных данных, говорит Чжао. Авторы скорее надеются научиться обнаруживать поддельные изображения, чтобы географы могли начать разработку инструментов грамотности данных, подобных сегодняшним сервисам проверки фактов, для общественного блага.

«Поскольку технологии продолжают развиваться, это исследование направлено на поощрение более целостного понимания географических данных и информации, чтобы мы могли прояснить вопрос об абсолютной надежности спутниковых изображений или других геопространственных данных», — говорит Чжао.«Мы также хотим развить более ориентированное на будущее мышление, чтобы при необходимости принимать контрмеры, такие как проверка фактов», — говорит он.

Соавторы исследования из Вашингтонского университета, Университета штата Орегон и Бингемтонского университета.

Эта статья размещена на сайте Futurity.

Об авторе

Ким Эккарт — сотрудник по общественной информации Вашингтонского университета.

Найдите точную дату, когда было сделано изображение Google Maps

Найдите точную дату, когда автомобили Google Street View сделали эти изображения вашего района. Или когда спутники и самолеты сделали эти аэрофотоснимки любого места на Google Maps

Опубликовано в: Google Maps

Любопытно узнать точную дату, когда камеры Google сделали эти аэрофотоснимки и фотографии вашего дома (или любого другого адреса) с воздуха и улиц на нашей прекрасной планета? Что ж, вы можете легко найти даты как в Google Maps, так и в Google Earth.

Найдите дату захвата спутниковых изображений

Если вы хотите узнать дату, когда спутники сделали те аэрофотоснимки, которые вы видите на Google Maps, вам придется использовать для этого Google Earth. По неизвестной причине Google не отображает эти даты на веб-сайте Google Maps или в веб-приложении Google Earth.

Запустите приложение Google Планета Земля на рабочем столе, найдите любое место на боковой панели и, что важно, максимально увеличьте масштаб.Теперь наведите указатель мыши на карту, и вы должны увидеть дату съемки этого спутникового изображения в строке состояния, как показано на скриншоте выше.

Определение даты съемки изображений Street View

Если вы живете в стране, где доступен Google Street View, вы можете использовать сам веб-сайт Google Maps, чтобы определить дату, когда автомобили Google Street View находились в вашем районе, делая снимки. района.

Перейдите на maps.google.com и найдите адрес. Затем перетащите желтый значок «Человека» в любую область на карте Google, чтобы переключиться с вида с воздуха на вид на улицу. Дата захвата изображения будет мгновенно отображаться в строке состояния, как показано на скриншоте ниже.

В отличие от Google Планета Земля, даты съемки, доступные в изображениях Street View, показывают только месяц и год изображения, но не точную дату.

См. Также: Найдите место, где была сделана фотография.

Подводя итог, вам необходимо использовать Google Планета Земля (настольное приложение) для определения даты съемки аэрофотоснимков и Google Maps для поиска даты изображений Street View.

Спутниковые фотографии показывают скрытый алфавит на поверхности Земли

Все началось с облака дыма в форме буквы «V» на снимке Земли, сделанном одним из спутников НАСА. Вскоре это переросло в захватывающую охоту за новыми буквами, сделанными из ледников, штормов, озер и кратеров.

В течение многих лет научный писатель НАСА Адам Войланд следил за естественными явлениями в форме букв, просматривая тысячи спутниковых изображений, медленно собирая весь алфавит и записывая его в онлайн-галерею. Это был хит, и вскоре Войланд вернулся ко второму раунду, собрав еще один весь алфавит, на этот раз заглавные буквы, для новой детской книги « азбуки из космоса ».

Чтобы найти алфавит Земли, нужно было много раз пролистывать страницы NASA Worldview или Google Maps в спутниковом режиме до поздней ночи. Попутно Войланд узнал, где с большей вероятностью прячутся некоторые буквы. Например, фьорды, ледники и морской лед — хорошие места для поиска персонажей с множеством прямых линий, таких как A, X, E и W.

Самое трудное письмо найти? «R, конечно», — говорит Войланд. «Оказывается, природа не любит располагать изогнутые, прямые и диагональные линии рядом друг с другом».

Хотя это могло быть утомительно, охота также была полезной, особенно когда спутник случайно поймал облака, когда они сформировали идеальную форму. «Что касается H, есть что-то в том, как ветер немного разогнал эти трековые облака корабля и придал им нужное количество текстуры, что совершенно потрясающе», — говорит он (см. Ниже).

Следы кораблей, образованные выхлопными газами судов в Тихом океане возле Нижней Калифорнии, Мексика, имеют желтовато-белый цвет на этом изображении в искусственных цветах, сделанном спутником Terra 27 июня 2013 года.

Фотография Адама Войанда / спутника NASA Terra

Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.

Некоторые буквы более экзотичны, например, буква «О», образованная африканской структурой Ричат (см. Изображение NAT GEO в верхней части сообщения). Эта загадочная круглая форма в Мавритании, также известная как Глаз Сахары, сбила с толку геологов.Некоторые думали, что такой идеальный круг должен быть ударным кратером, образовавшимся, когда астероид врезался в Землю. Другие утверждали, что это остатки потухшего вулкана. Сегодня популярная теория состоит в том, что это эродированный геологический купол.

Буква «G» в «NAT GEO» — это тропический шторм Дуглас, снятый 4 июля 2014 года спутником НАСА Terra. Многие буквы, в том числе и эта, представляют собой «искусственные» изображения, которые создаются световыми волнами, которые люди не могут видеть невооруженным глазом. Ученые используют эти длины волн для изучения таких вещей, как изменения в растительности, которые выглядят ярко-красными при просмотре в ближнем инфракрасном свете.

Коротковолновый инфракрасный свет помогает различать снег (который отображается оранжевым), лед (красный) и облака (персиковый). На спутниковых снимках в истинном цвете все три являются белыми, и их трудно отличить друг от друга. На изображении Дугласа коротковолновый инфракрасный свет заставляет облака с кристаллами льда отображаться оранжевым цветом, а облака, полностью состоящие из жидкой воды, становятся белыми. Фальшивый цвет имеет дополнительное преимущество, создавая очень красивые и потусторонние изображения.

Если читатели хотят узнать больше о изображениях, заметки в конце книги объясняют все различные природные особенности, из которых состоят буквы.Также есть карта, на которой на Земле были найдены все буквы. Войланд надеется, что азбука из космоса подогреет интерес детей к Земле. «Я думаю, было бы действительно круто, если бы люди вдохновились на проведение собственной спутниковой ABC-охоты со своими детьми», — говорит он.

Leave a comment Cancel reply