El mapa del futuro

comentarios

0

«El mapa del futuro es una imagen inteligente» es uno de mis dichos favoritos, acuñado hace unos años por el director de imágenes y teledetección de Esri, Lawrie Jordan.

Los datos de observación de la Tierra por teledetección, generalmente denominados imágenes, son la referencia visual definitiva en el corazón de los GIS. Además, la creciente disponibilidad de fuentes de datos temporales y de bajo costo hace que las imágenes sean fundamentales para una mayoría cada vez mayor de flujos de trabajo geoespaciales.

Las imágenes son una especie de piedra Rosetta geográfica, que descubre los misterios de cómo funciona el planeta. Como ha señalado Jordan, aunque la tecnología que impulsa esta piedra Rosetta es avanzada, podemos comprenderla en la práctica cuando comenzamos a comprender las imágenes.

De hecho, es más fácil comprender algo cuando podemos verlo. Pero el futuro está en lo que sucede analíticamente, entre bastidores, para producir esa imagen.

 

A graphic that describes ArcGIS Image for ArcGIS Online, which allows users to directly integrate imagery into geospatial workflows

ArcGIS Image for ArcGIS Online admite la gestión de imágenes completamente en la nube.

 

Como ocurre con la mayoría de las innovaciones tecnológicas, el futuro es ahora. Para echar un vistazo a este presente-futuro, vayamos detrás de escena y seamos técnicos.

¿Qué tiene de diferente este presente-futuro al que me refiero? Una frase: nativo de la nube.

El software nativo de la nube está diseñado específicamente para aprovechar la computación en la nube, incluidos sus considerables recursos bajo demanda, como el almacenamiento y la potencia informática. Es un enfoque de desarrollo de software en el que las aplicaciones escalables se crean y ejecutan en servicios proporcionados por Microsoft Azure, Servicios web de Amazon, y otros entornos dinámicos basados ​​en la nube.

Durante algún tiempo, Esri se ha estado moviendo hacia soluciones nativas de la nube, incluidas aquellas con múltiples tipos de imágenes de satélites, aviones, barcos, drones y otros sensores. Este movimiento es para garantizar que los GIS sean escalables a casi todo tipo de imagen y flujo de trabajo. Y todo se combina de manera conveniente y eficiente en todo tipo de nube (privada, pública o una combinación de las dos) a través de la arquitectura de red del servidor.

De manera similar a cómo existe la información en tiempo real en la nube (piense en los brotes de COVID-19 expresados ​​como puntos), Esri ahora proporciona una forma mucho más fácil de incorporar imágenes al entorno de ArcGIS. La suite de productos ArcGIS Image, compuesta por ArcGIS Image Server for ArcGIS Enterprise y ArcGIS Image Analyst for ArcGIS Pro, ahora está disponible como una extensión de ArcGIS Online y también como un sistema en la nube dedicado de un solo inquilino, en el que el servidor aloja a un solo usuario. ArcGIS Image for ArcGIS Online admite la administración de imágenes completamente en la nube y, lo que es más importante para los científicos, ofrece soporte completo para el procesamiento de imágenes altamente escalable y para el análisis ráster.

En términos de procesamiento y administración de imágenes, ArcGIS Image Online cambiará para mejorar la forma en que algunos usuarios manejan sus imágenes, especialmente aquellos que trabajan en agencias gubernamentales y universidades nacionales, regionales y estatales que adquieren grandes cantidades de datos. En lugar de tener que comprar la infraestructura o configurar sus propias instancias de almacenes de datos, estas personas y organizaciones pueden usar ArcGIS Image Online como un servicio y lograr los mismos resultados.

En ArcGIS Image Online, las imágenes se pueden transmitir como capas de imágenes en mosaico estáticas; imágenes inteligentes en mosaico, que mantienen los beneficios de rendimiento del mosaico al mismo tiempo que pueden realizar análisis a nivel de píxeles; o capas de imágenes dinámicas que admiten la creación de mosaicos y el procesamiento sobre la marcha del lado del servidor. Al utilizar la funcionalidad de arrastrar y soltar para archivos de imagen y sus metadatos, los usuarios pueden alojar instantáneamente sus capas de imágenes en ArcGIS Online. Desde la interfaz web, pueden seleccionar la configuración de la capa, elegir el tipo de datos y completar información adicional, tal como tipos de metadatos personalizados y plantillas de procesamiento.

En términos de análisis ráster, ArcGIS Image es especialmente atractivo para los miembros de la comunidad científica que desean realizar análisis de big data en grandes colecciones de imágenes directamente en la nube. Por ejemplo, en lugar de tener que traer datos a ArcGIS, los científicos (o sus organizaciones) pueden llevar el análisis directamente a sus datos. Si quieren implementar análisis ráster junto a grandes almacenes de datos o lagos de datos existentes, ese es un caso de uso perfecto para ArcGIS Image Dedicated, un conjunto de servicios ofrecidos a organizaciones que almacenan imágenes en sus propias nubes. Para algunos científicos, puede tener más sentido usar ArcGIS Image Online para aprovechar los servicios de imágenes listos para usar y los conjuntos de datos ráster que se almacenan en ArcGIS Living Atlas of the World, como Landsat, Sentinel, el Programa Nacional de Imágenes Agrícolas (NAIP) y el espectrorradiómetro de imágenes de resolución moderada (MODIS). ArcGIS ofrece a los usuarios herramientas listas para usar para realizar potentes funciones analíticas, como la detección de anomalías, el análisis predictivo y los flujos de trabajo de inteligencia artificial (IA), además de las capacidades de colaboración listas para usar.

Además, el editor de funciones ráster en ArcGIS Image proporciona acceso a más de 150 funciones ráster listas para usar que se pueden unir para crear cadenas de procesamiento de imágenes personalizadas. Los usuarios pueden usar y compartir estas cadenas de procesamiento de imágenes como plantillas de funciones ráster en implementaciones de ArcGIS Online, ArcGIS Pro y ArcGIS Enterprise. Una vez que se carga una plantilla en Map Viewer o ArcGIS Pro, los usuarios pueden ajustar los parámetros y obtener una vista previa de los resultados del procesamiento, luego simplemente hacer clic en Ejecutar análisis para obtener resultados persistentes.

Los cuadernos de estilo Jupyter en ArcGIS Notebooks también se pueden implementar en la nube para crear herramientas de automatización, modelado y aprendizaje automático directamente en los flujos de trabajo científicos básicos, incluido un ecosistema de código abierto.

Esri también está llevando la inteligencia artificial geoespacial (GeoAI) al siguiente nivel con modelos listos para usar en ArcGIS Living Atlas que se pueden implementar fácilmente con ArcGIS Image. Estos modelos recién lanzados han sido entrenados previamente por Esri en grandes volúmenes de datos y se pueden usar, sin necesidad de entrenamiento, para automatizar las tediosas tareas de digitalizar y extraer entidades geográficas de imágenes satelitales y conjuntos de datos de nubes de puntos. Cualquiera que tenga una suscripción a ArcGIS Online puede acceder a éstos sin costo adicional.

 

A graphic that illustrates the many ways ArcGIS technology can be used for geospatial artificial intelligence, machine learning, and deep learning

Con la nueva inteligencia artificial geoespacial (GeoAI), el aprendizaje automático y las capacidades de aprendizaje profundo, todos ahora aprovisionados en la nube, ArcGIS ofrece muchas oportunidades nuevas para la innovación científica.

 

Entonces, por ejemplo, si está realizando un análisis de gravedad de quemaduras y necesita discernir cuántas estructuras de edificios podrían estar en el camino de un incendio forestal, ahora puede aprovechar las capacidades de aprendizaje profundo en ArcGIS Online para automatizar la extracción de entidades y extraer huellas de edificios en su área de estudio. Al seleccionar Herramientas de análisis ráster en ArcGIS Image, puede seleccionar Aprendizaje profundo y usar la herramienta Detectar objetos mediante aprendizaje profundo. Luego, puede especificar su fuente de imágenes de entrada, en este caso, imágenes de alta resolución proporcionadas por Maxar, y elegir el modelo relevante de una biblioteca de paquetes de aprendizaje profundo listos para usar, incluidos los que realizan la extracción de carreteras; detección de asentamientos humanos; clasificación de la cobertura del suelo; y, por supuesto, extracción de huellas de edificios. En este caso, elegiría el modelo de extracción de huellas de edificios. La ejecución de la herramienta con estas entradas extrae decenas de miles de huellas de edificios en cuestión de minutos, todo gracias a la nube.

Un último ejemplo es cortesía de la asociación en curso de Esri con el Servicio Forestal de EE. UU. y su Programa de Análisis e Inventario Forestal (FIA). Presentado por primera vez a la comunidad de usuarios de Esri en la Conferencia Federal de Usuarios Esri 2016, el Programa FIA tiene una amplia cartera de participación con una profusión de recursos. Los investigadores de la FIA Charles H. “Hobie” Perry y Christopher M. Oswalt, junto con su equipo, han estado trabajando con todas las imágenes Landsat de 30 metros que están disponibles para los Estados Unidos continentales durante una serie de tiempo de cinco años en lo que es esencialmente un cubo de datos multidimensionales. Estas imágenes se utilizan con frecuencia en estudios que examinan el poder predictivo relativo de los modelos de cobertura terrestre, en particular, los relacionados con la cobertura arbórea, utilizando la regresión armónica (HR) como variable de predicción principal. En sucesivas ejecuciones individuales que procesan HR para los Estados Unidos continentales (sin mosaicos ni mosaicos de múltiples ejecuciones), Esri ha reducido el tiempo de procesamiento de 31 días a 33 horas. ¡Esto significa que se pueden procesar 21,7 billones de píxeles en 33 horas! Desglosando eso aún más, cuando un investigador de la FIA inicia un trabajo, el análisis de trama procesa 15,8 billones de píxeles por día, 657,600 millones de píxeles por hora, 10,960 millones de píxeles por minuto o 182,7 millones de píxeles por segundo.

En el momento de redactar este artículo, la FIA solo utiliza cuatro máquinas de análisis ráster de nivel medio dedicadas y optimizadas para memoria, administradas por Esri Managed Cloud Services, como parte de esta colaboración. La FIA no necesita un grupo masivo de servidores o supercomputadoras de alta gama. Para muchos, este es un claro ejemplo del poder y la elegancia del software de análisis ráster de Esri.

De hecho, el mapa del futuro es una imagen inteligente que funciona con análisis raster. Como tal, este es un mapa que puede liberar a los científicos para que hagan su mejor ciencia.

 

Dawn Wright

Este artículo originalmente apareció en el Newsroom de Esri

Invierno de 2021

comentarios

0