2016.02.18 big data from space toulouse data science
51
Big Data from Space Le Big Data et les satellites d’Observation de la Terre Jérôme GASPERI Toulouse Data Science #11 - Toulouse, France - 18 février 2016
-
Upload
gasperi-jerome -
Category
Technology
-
view
1.251 -
download
0
Transcript of 2016.02.18 big data from space toulouse data science
Big Data from SpaceLe Big Data et les satellites d’Observation de la Terre
Jérôme GASPERI Toulouse Data Science #11 - Toulouse, France - 18 février 2016
Doter l'Europe d'une capacité opérationnelle et autonome d'observation de la Terre en tant que « services d’intérêt général européen, à accès libre, plein et entier »
Le programme Copernicus
Land monitoring
Marine monitoring
Atmosphere monitoring
Security
Emergency
Climate Change
Sentinel-1RADAR
S1A - April 2014 S1B mid 2016
Sentinel-2OPTICAL
S2A - June 2015 S2B mid 2016
Sentinel-3ALTIMETER / SEA SURFACE
S3A - Summer 2015 S3B mid 2016
Sentinel-4ATMOSPHERE
2018
Sentinel-5PATMOSPHERE
End 2015Sentinel-5ATMOSPHERE
2020
Sentinel-6?
SentinelLe volet spatial du programme
Copernicus
Sentinel 1Radar en bande C
Surveillance maritime, Géophysique, Glaciologie, etc.
Orbite Héliosynchrone Altitude 693 km
Observation Optique, Evolutions des sols, Agriculture, Cartographie, etc.
Orbite Héliosynchrone Altitude 786 km
Sentinel 2
Sentinel 3Hauteurs des océans, Couleur et température de surface
Orbite Héliosynchrone Altitude 814 km
AgricultureSuivi des cultures, sécurité alimentaire, variables biophysiques, etc.
BiomasseSuivi de la déforestation, estimation des puits de carbone, etc.
LittoralSuivi et quantification des évolutions
Surface enneigéeEvolutions du niveau des mers, réserves en eau, risques d’avalanches, etc.
Risques naturelsPrévention, réponse, post événement
SantéCartographie des risques de maladies infectieuses
etc.
BIGD A T A
20177 PO
Volume stocké au CNES Toulouse fin 2017
DV
Ds
Chercher dans des millions d’images ?Trouver
ex. Dans le cadre d’une étude d’impact sur l’augmentation du niveau des océans, je cherche des images sans nuage de villes côtières situées en Asie
Sven Sachsalber | http://www.palaisdetokyo.com/fr/events/sven-sachsalber
Sven Sachsalber | http://www.palaisdetokyo.com/fr/events/sven-sachsalber
17 hours 45 minutes
Brett Ryder - http://www.economist.com/node/15579717
Extraire l’information
Quand Où Comment
Contenu de l’image ?
Quoi
Du pixel...Image satellitaire
...à l’informationCarte d’occupation du sol
Cultures
Bâtiment Forêt
Traiter les images
Solution 1
Orfeo Toolbox Remote sensing image library Open Source Developed by the French Space Agency
Solution 1
Orfeo Toolbox More than 70 high level processing chains orthorectification segmentation classification etc.
Solution 1
Solution 1
Orfeo Toolbox More than 70 high level processing chains orthorectification segmentation classification etc.
Supervised learning
(land cover is computed from a set of "well known areas" given by user)
Based on SVM (http://en.wikipedia.org/wiki/Support_vector_machine)
Solution 1
https://vimeo.com/63320692
Deep learning
Solution 2
????
http://techcrunch.com/2014/08/15/google-buys-jetpac-to-give-context-to-visual-searches/
+ =Deep learning
Solution 2
Deep learning
Solution 2
!!!!Plutôt adapté à l’extraction d’objets (ex. aéroport, route, tank, etc.) Quelle base de référence d’images ?
Solution 2
Solution 2
FOOTPRINT
Emprise de l’image
Bords de côtes
Toponymes(Continents, Pays, Régions, Etats)
Densité de population
Occupation du sol
…etc…
Couches d’informations
[…etc…] { "name":"Europe", "id":"continent:europe",
"countries":[ {
"name":"Italy", "id":"country:italy", "pcover":37.02,
"regions":[ {
"name":"Valle d'Aosta", "id":"region:valle-d-aosta",
"states":[ {
"name":"Aoste", "id":"state:aoste",
"pcover":37.02, "toponyms":[] } ] } ] }, […etc…]
github.com/jjrom/itag
iTag
Métadonnées « améliorées »
Métadonnées « traditionnelles »
California
Coastal
town
spring
without clouds
github.com/jjrom/restoresto
Comment voir tous les résultats de recherche ?
Problème
~201 300 produits 11/02/2016
~11000 produits 11/02/2016
Merci !mapshup.com
