Изображения Земли из космоса — это большие данные. Работа с ними часто вызывала сложности у пользователей ГИС, которые были связаны с огромным объемом данных и недостаточными темпами сбора изображений. Не так давно, благодаря новым облачным вычислительным архитектурам, а также новым возможностям программного обеспечения ГИС, появились системы, способные в полной мере использовать огромный потенциал изображений. Сегодня петабайты наблюдений, измерений собираются, загружаются и задействуются в работе в виде изображений в ГИС-системах по всему миру. Новые принципы веб-ГИС-технологий позволяют работать с географической информацией, вместе со всеми другими географическими слоями, используя онлайн, облачную платформу.

иНСТРУМЕНТЫ АНАЛИЗА СПУТНИКОВЫХ СНИМКОВ

Для обработки и глубокого анализа спутниковых снимков, создания производных продуктов на основе данных дистанционного зондирования Земли используется различное программное обеспечение. В частности, для операции с изображениями используются нейронные сети. Помимо других задач, решаемых с помощью нейросетей, они помогают распознавать объекты на изображениях.

Группа исследователей из Университета Калифорнии в Мерседе под руководством Шона Ньюсэма (Shawn Newsam) предположила, что снимки с уровня Земли можно синтезировать искусственно на основе снимков той же местности, сделанных с орбиты. Для этого исследователи выбрали генеративно-состязательную нейросеть на основе сверточных нейросетей, состоящую из двух основных элементов — генератора и дискриминатора.

Генератор получает в качестве исходных данных вектор, созданный из небольшого фрагмента спутникового снимка, и дополнительный случайный вектор. После этого он создает на основе исходных данных изображение, которое отдается на проверку дискриминатору. Тот сравнивает это изображение с настоящими фотографиями из датасета, сделанными с уровня Земли, и определяет, настоящее оно или сгенерированное нейросетью. В результате обе сети постепенно обучаются — генератор, получая оценку от дискриминатора, начинает создавать все более правдоподобные изображения, а дискриминатор учится точнее распознавать синтетические изображения.