Si vous regardez de nombreux films d’espionnage ou de terrorisme se déroulant de nos jours, il y a généralement une scène où un employé du gouvernement améliore une image satellite pour montrer une image claire du visage du principal méchant. Les satellites espions modernes ont-ils ce genre de résolution? Nous ne savons pas, et si nous l’avons fait, nous ne pourrions pas vous le dire de toute façon. Mais nous savons que même avec une résolution non classifiée, les scientifiques utilisent l’imagerie satellitaire et l’apprentissage automatique pour compter des éléments comme les populations d’éléphants.

Quand on y pense, c’est un problème difficile de compter les populations d’animaux sauvages dans leur habitat. Premièrement, si vous y allez en personne, vous dérangez les animaux cibles. Même un drone va probablement bouleverser la faune timide. Ensuite, il y a le problème d’essayer de couvrir une grande surface et de déterminer si l’éléphant que vous voyez aujourd’hui est le même que celui que vous avez vu hier. Si vous vous trompez, vous sous-dénombrerez ou sur-dénombrerez.

Les scientifiques d’Oxford comptant les éléphants ont utilisé le satellite Worldview-3. Il recueille jusqu’à 680 000 kilomètres carrés chaque jour. Vous ne dérangez aucune des créatures observées, et comme chaque tir couvre une vaste étendue de territoire, votre problème de double comptage disparaît.

Pas unique

Apparemment, compter les animaux depuis l’espace n’a rien de nouveau. Force brute, vous demandez à un étudiant diplômé de compter à partir d’une image. Mais les méthodes automatisées fonctionnent dans certaines circonstances. Tout, des baleines aux pingouins, a été compté depuis l’orbite, mais en utilisant généralement l’eau ou la glace comme arrière-plan.

Des efforts ont même été faits pour déduire les populations animales à partir de données secondaires. Par exemple, le nombre de pingouins peut être estimé par les taches qu’ils laissent sur la glace. Ouais, ces taches.

Cependant, en comptant le nombre d’éléphants dans le parc national Addo Elephant en Afrique du Sud, il n’y avait pas de contexte clair. Le terrain est boisé et il pleut fréquemment. L’autre défi est que les éléphants ne se ressemblent pas toujours. Par exemple, ils se couvrent de boue pour se rafraîchir. Une machine peut-elle apprendre à reconnaître des éléphants distincts à partir de photos spatiales haute résolution?

À quelle hauteur?

Copyright de l’image DigitalGlobe / Lockheed Martin

Les satellites Worldview ont la résolution la plus élevée actuellement disponible pour les utilisateurs commerciaux. La résolution est descendue à 31 cm. Pour les Américains, cela suffit pour choisir quelque chose d’environ 1 pied de long. Cela peut ne pas sembler trop impressionnant jusqu’à ce que vous vous rendiez compte que le satellite est à environ 383 miles au-dessus de la surface de la Terre. C’est à peu près comme prendre une photo de New York et voir des choses à Newport News, en Virginie.

Les chercheurs n’ont pas spécifiquement chargé le satellite de regarder le parc. Au lieu de cela, ils ont tiré des images historiques des passages au-dessus du parc. Vous pouvez découvrir les données dont dispose le satellite, même si vous n’obtiendrez peut-être pas les données les meilleures ou les plus récentes sans abonnement. Mais même les données que vous pouvez obtenir sont assez impressionnantes.

Selon le journal, les images d’archives qu’ils utilisaient coûtaient 17,50 dollars le kilomètre carré. Demander des images fraîches fait monter le prix à 27,50 $ et vous deviez acheter au moins 100 kilomètres carrés, donc les données satellitaires ne sont pas bon marché.

Formation

Bien entendu, la formation est un élément nécessaire de l’apprentissage automatique. Un jeu de données de test avait 164 éléphants sur sept images satellites différentes. Les humains ont fait le comptage pour fournir la réponse supposée correcte pour la formation. En utilisant un algorithme de notation, les humains en moyenne environ 78% et l’algorithme d’apprentissage automatique en moyenne environ 75% – pas beaucoup de différence. Tout comme les humains, les algorithmes étaient meilleurs dans certaines situations que dans d’autres et pouvaient parfois atteindre 80% pour certains types de matchs.

Données gratuites

Vous voulez expérimenter avec votre propre œil dans le ciel? Toutes les données satellite ne coûtent pas cher, bien que les résolutions ne vous conviennent pas. Évidemment, Google Earth et Maps peuvent vous montrer des images satellite. L’USGS a également environ 40 ans de données en ligne et la NASA et la NOAA en ont aussi un peu, y compris la vision du monde haute résolution de la NASA. Landviewer vous offre des images gratuites, bien que vous deviez payer pour les données de la plus haute résolution. L’ESA exécute Copernicus qui dispose de plusieurs types d’images des satellites Sentinel, et vous pouvez également obtenir des données Sentinal à partir du navigateur EO ou de Sentinel Playground. Si les Portugais ne vous dérangent pas, les Brésiliens ont un joli portail pour les images de l’hémisphère sud. JAXA – l’analogue japonais de la NASA – possède également son propre site avec des données de résolution de 30 mètres. Ensuite, il y en a un de l’équivalent indien, ISRO.

Le V-2 a pris cette photo à 65 milles en 1946.

Si vous ne souhaitez pas vous connecter, [Vincent Sarago’s] Le site Pixel distant vous permet d’accéder aux données de Landsat 8, Sentinel-2 et CBERS-4 sans enregistrement. Il y en a d’autres aussi: UNAVCO, UoM, Zoom et VITO. Bien sûr, certaines de ces images ont une résolution assez basse (même jusqu’à 1 km / pixel), donc en fonction de ce que vous voulez faire avec les données, vous devrez peut-être vous tourner vers des sources payantes.

Il existe un large éventail de résolutions ainsi que le type de données, comme la lumière visible, l’infrarouge ou le radar. Cependant, tout surpasse l’état de l’art en 1946, lorsque la photo du V-2 à 65 miles de haut a été prise. Les choses ont parcouru un long chemin.

Ciel haut

Nous imaginons que ces mêmes techniques fonctionneraient avec la photographie aérienne que vous pourriez obtenir d’un drone ou même d’une caméra sur un poteau. Cela pourrait être plus rentable que d’acheter des images satellite. Cela nous a amenés à nous demander quels autres projets de vision par ordinateur n’ont pas encore éclaté sur la scène.

Peut-être que nos imprimantes 3D compareront un jour leur sortie en temps réel au modèle d’entrée pour détecter les problèmes d’impression. Ce serait le capteur ultime «sans filament» et pourrait également détecter la perte d’adhérence du lit et d’autres anomalies.

Les données électroniques issues de l’imagerie thermique ou de la stroboscopie par faisceau d’électrons pourraient fournir des pseudo images en entrée d’un algorithme comme celui-ci. Imaginez former un ordinateur sur ce à quoi ressemble une bonne carte, puis lui faire identifier les mauvaises cartes.

Bien sûr, vous pouvez toujours saisir vos propres images satellite. Nous l’avons vu plusieurs fois.

LAISSER UN COMMENTAIRE

Rédigez votre commentaire !
Entrez votre nom ici