Modelos de aprendizaje profundo geoespacial listos para usar

comentarios

0

Con el torrente de imágenes que se transmiten diariamente desde una variedad de sensores, la necesidad de usar inteligencia artificial (AI) para automatizar la extracción de entidades está en constante aumento.

La capacidad de entrenar más de una docena de modelos de aprendizaje profundo en conjuntos de datos geoespaciales y derivar productos de información está disponible usando ArcGIS API for Python o ArcGIS Pro, y los usuarios pueden escalar el procesamiento usando ArcGIS Image Server.

Esri está llevando la AI al siguiente nivel con modelos de AI geoespacial listos para usar en ArcGIS Living Atlas of the World. Inicialmente, se han puesto a disposición tres modelos. Dos de los modelos utilizan imágenes de satélite. Un modelo extrae las huellas de los edificios y el otro realiza la clasificación de la cobertura del suelo. Un tercer modelo clasifica los puntos que representan árboles en conjuntos de datos de nubes de puntos.

Estos modelos recién lanzados han sido entrenados previamente por Esri en grandes volúmenes de datos y se pueden usar fácilmente, sin necesidad de capacitación, para automatizar la tediosa tarea de digitalizar y extraer entidades geográficas de imágenes satelitales y conjuntos de datos de nubes de puntos. Estos modelos no solo brindan el poder de la inteligencia artificial y el aprendizaje profundo a la comunidad de usuarios de Esri, sino que también son accesibles para cualquier persona con una suscripción a ArcGIS Online sin costo adicional.

Usando los modelos

Usar estos modelos es simple. Puede utilizar herramientas de geoprocesamiento, como la herramienta Detectar objetos mediante aprendizaje profundo en ArcGIS Pro, con los modelos de imágenes. Simplemente apunte la herramienta a las imágenes y el modelo descargado. Eso es todo. El aprendizaje profundo nunca ha sido tan fácil. Aunque no es necesario, una unidad de procesamiento de gráficos (GPU) puede ayudar a acelerar las cosas. Con ArcGIS Enterprise, puede ampliar la inferencia mediante ArcGIS Image Server.

En el futuro, podrá consumir el modelo directamente con ArcGIS Image for ArcGIS Online y ejecutarlo con sus imágenes cargadas en ArcGIS Online. La solución 3D Basemaps también se está mejorando para utilizar el modelo de clasificación de puntos de árbol y crear modelos de árbol 3D realistas a partir de nubes de puntos sin procesar.

Cómo beneficiarse de los modelos de aprendizaje profundo

Probablemente no hace falta decir que la extracción manual de entidades de las imágenes, como la digitalización de huellas o la generación de mapas de cobertura terrestre, requiere mucho tiempo. El aprendizaje profundo automatiza este proceso y minimiza significativamente la interacción manual necesaria. Sin embargo, entrenar su propio modelo de aprendizaje profundo puede resultar complicado. Requiere una gran cantidad de datos y amplios recursos informáticos, así como el conocimiento de cómo funciona el aprendizaje profundo.

Con los modelos listos para usar, ya no tiene que invertir tiempo y energía, ya sea extrayendo entidades manualmente o entrenando sus propios modelos de aprendizaje profundo. Estos modelos listos para usar han sido entrenados con datos de una variedad de geografías y funcionan bien. A medida que recibe nuevas imágenes, puede extraer entidades con solo hacer clic en un botón y producir capas GIS para mapeo, visualización y análisis.

Modelos listos para usar

Los tres modelos de aprendizaje profundo disponibles en ArcGIS Online como paquetes de aprendizaje profundo (DLPK) se pueden usar con ArcGIS Pro, ArcGIS Image Server y ArcGIS API for Python.

El Modelo de Extracción de Huellas de Edificios — USA se utiliza para extraer huellas de edificios a partir de imágenes satelitales de alta resolución. Si bien está diseñado para los Estados Unidos, funciona bastante bien en otras partes del mundo. Las capas de huellas de edificios son útiles para crear mapas base. También se utilizan en flujos de trabajo de análisis para planificación y desarrollo urbano, seguros, impuestos, detección de cambios y planificación de infraestructura.

 

El Modelo de Clasificación de Cobertura de Tierras (Landsat 8) se entrenó en NLCD 2016 con las mismas escenas Landsat 8 que se utilizaron para producir la base de datos.

 

El Modelo de Clasificación de Cobertura de Tierras (Landsat 8) utiliza imágenes de Landsat 8 para crear productos de cobertura terrestre que tienen las mismas clases que la Base de datos nacional de cobertura terrestre (NLCD). Los mapas de cobertura terrestre resultantes son útiles para la planificación urbana, la gestión de recursos, la detección de cambios y la agricultura.

Este modelo genérico ha sido entrenado en NLCD 2016 con las mismas escenas Landsat 8 que se utilizaron para producir la base de datos. Debido a que la clasificación de la cobertura del suelo es compleja, es difícil de capturar utilizando los medios tradicionales. Los modelos de aprendizaje profundo pueden aprender esta semántica compleja y dar resultados superiores.

El Modelo de Clasificación de Puntos de Árbol se puede utilizar para clasificar puntos que representan árboles en conjuntos de datos de nubes de puntos. La clasificación de puntos de árbol es útil para crear mapas base 3D, planos urbanos y flujos de trabajo forestales de alta calidad.

Pruebe estos modelos usted mismo

Las herramientas de aprendizaje profundo en ArcGIS tienen dependencias que requieren descargar e instalar paquetes de sitios de Python. Obtenga el instalador para agregar estos paquetes desde el repositorio de Esri GitHub. Descargue los DLPK de ArcGIS Living Atlas of the World. Obtenga más información sobre el uso de estos modelos en la página de la comunidad de imágenes y teledetección en GeoNet.

 

Vinay Viswambharan
Rohit Singh

Este artículo originalmente apareció en la edición global de ArcUser

Verano de 2021

 

comentarios

0