Apa data satelit menggelapkan dan mengapa mereka dibutuhkan
Citra satelit bukan hanya gambar, tapi data multidimensi: pita spektral, polarisasi, rangkaian waktu. Bekerja dengan mereka secara langsung sulit: model bisa hilang dalam kebisingan, dan analis perlu cepat membandingkan daerah besar. Di sinilah penggelapan datang - wakil vektor kompak yang mengompres esensi dari sebuah adegan ke dalam vektor numerik. Vektor tersebut dapat dibandingkan, berkelompok, dan digunakan sebagai fitur untuk pembelajaran mesin.
Penggelapan OlmoEarth dibangun oleh model fondasi yang dilatih pada data observasi Bumi. Fitur kunci mereka adalah bahwa kode sumber dan bobot tersedia secara publik - siapa pun dapat memverifikasi persis bagaimana vektor diproduksi dan, jika perlu, mereproduksi komputasi sendiri. Hal ini menambah kepercayaan dan fleksibel: hasilnya bukan "kotak hitam".
Bagaimana OlmoEarth menggelapkan pekerjaan
Apa itu OlmoEarth Studio
OlmoEarth Studio adalah layanan di mana Anda dapat menghitung penggelapan untuk area yang dipilih dari permukaan bumi dan mengekspor mereka sebagai siap-untuk-menggunakan file. Alih-alih sebuah arsip global vektor, studio menghitung penggelapan permintaan, disesuaikan dengan kondisi tertentu. Ini berarti Anda bisa mendapatkan citra untuk bulan atau musim tertentu daripada menetap untuk gambar rata-rata.
Parameter apa yang dapat diset
Ketika meluncurkan komputasi, pengguna menspesifikasikan beberapa parameter:
- Area yang menarik - poligon yang mendefinisikan wilayah untuk analisis.
- Jangkauan waktu - Dari satu sampai dua belas bulan.
- Varian Encoder - Model yang mengubah citra menjadi vektor. Tiga pilihan tersedia: Nano (128 dimensi, 1.4M parameter), Kecil (192 dimensi, 6,2M parameter), dan Dasar (768 dimensi, 89M parameter). Semakin besar model, semakin kaya representasi, tetapi juga semakin tinggi kebutuhan komputasional.
- Resolusi - 10, 20, 40, atau 80 meter per pixel. Pilihan tergantung pada skala tugas: setelan resolusi yang baik analisis titik-tingkat, sementara resolusi kasar bekerja untuk survei regional.
- Sumber gambar - Sentinel-2 L2A, Sentinel-1 RTC, atau keduanya. Mantan menyediakan data optik, data radar terakhir.
Semua pengaturan ini tersedia baik melalui antarmuka grafis dan melalui API, sehingga proses dapat dengan mudah diintegrasikan ke dalam jaringan pipa otomatis.
Cara mengekspor penggelapan dari Studio
Proses melakukan penggelapan di Studio OlmoEarth bekerja seperti perkiraan standar. Pertama, model dikonfigurasi dan dijalankan, maka hasil download. Tak ada langkah ekspor tambahan yang diperlukan.
Format data keluaran
Hasilnya disimpan sebagai Cloud- Optimated GeoTIFF (COG) - sebuah format dioptimalkan untuk penyimpanan awan dan streaming. Di dalam file, satu band sesuai dengan satu dimensi embedding. Sebagai contoh, untuk model Tiny ini berarti 192 band - masing-masing dengan nilai numerik sendiri.
Nilai tersebut disimpan dalam bentuk kompak - seperti signed 8- bit integer mulai dari 127 sampai + 127. Nilai khusus dari Koreber128 disediakan untuk data yang hilang (nodata). Encoding ini secara signifikan mengurangi ukuran berkas, tapi analisis mungkin memerlukan pemulihan vektor float asli. Untuk tujuan ini, dequantize_embeddings fungsi disediakan dalam olmoearth_pretrain paket - itu mengkonversi nilai integer kembali ke pecahan.
Akses ke layanan
Untuk mengekspor penggelapan kustom melalui Studio, Anda perlu meminta akses ke fitur ini. Bagi mereka yang ingin menghitung vektor sendiri tanpa menunggu akses, model publik tersedia - instruksi untuk menjalankannya diterbitkan dalam dokumentasi proyek.
Aplikasi analisis penggelapan
Nilai utama dari penggelapan adalah bahwa mereka mengubah data satelit mentah menjadi fitur yang nyaman yang dapat digunakan untuk memecahkan tugas praktis tanpa labelan data yang besar.
Pencarian kesamaan
Dengan membandingkan vektor dengan satu sama lain, Anda dapat menemukan daerah yang sama dengan referensi yang diberikan. Sebagai contoh, dalam kasus uji dengan OlmoEarth-V1-Tiny model (192 dimensi, resolusi 40 meter, Sentinel -2 L2A), perkembangan kota berhasil dipisahkan dari lahan pertanian tanpa satu sampel berlabel. Anda hanya mengatur vektor query, dan kosinus kesamaan menunjukkan daerah mana yang paling mirip dengannya dan yang pada dasarnya berbeda.
Pendekatan ini berguna untuk inventaris wilayah cepat: deteksi anomali, klasifikasi jenis lansekap terhadap referensi, dan memeriksa perubahan antara musim.
Segmentasi Few- shot
Embeddings juga melakukan tugas dengan label terbatas. Dalam sebuah eksperimen di Ca Mau (Vietnam), peneliti menggunakan klasifikasi linear yang dilatih hanya pada 60 piksel - 20 untuk setiap tiga kelas: hutan bakrove, air, dan lahan lainnya. Nilai F1 tertimbang mencapai 0.84, yang cukup terhormat untuk pelatihan sederhana seperti ini. Secara khusus, meningkatkan jumlah label dari 30 sampai 300 hampir tidak berubah akurasi - berarti penggelapan sudah berisi cukup informasi bagi model untuk dengan cepat mencapai sebuah dataran tinggi.
Hal ini membuat pendekatan menarik bagi proyek-proyek di mana keahlian yang mahal atau wilayah sulit diakses: bukannya ribuan piksel berlabel, puluhan cukup.
