Pieredze

Pieredze

Pieredze un demonstrāciju piemēri


Daļa no automatizēti sagatavotajiem datu produktiem ir pieejami vietnē talizpete.venta.lv.

Pētījumu rezultāti populārzinātniskā veidā demonstrēti youtube.com kanālā VIRAC Remote Sensing  -šeit.


Nodaļas pieredze datu apstrādē un dažādu uzdevumu realizācijā apkopota tabulā.

Apstrādātie dati


  • valsts mēroga ortofotokartes
  • valsts mēroga LiDAR dati
  • Copernicus programmas dati
  • Landsat programmas dati

Izstrādes un datu analīzes vides,

tehniskais nodrošinājums


  • Python (ar dažādu bibliotēku atbalstu: gdal, keras, tensorflow, opencv, scikit-image, scikit-learn)
  • QGIS
  • Angular, JavaScript, Node.js, Cesium



  • CPU: 2 x Intel Xeon Gold 6240 (18 cores each),
  • RAM: 384GB DDR4 2933Mhz, 
  • 2 x 256GB SSD,
  • GPU: 2 x NVIDIA,Tesla V100, 16GB HBM2.

Realizētie uzdevumi

  • Zemes pārseguma/lietojuma kartēšana dažādu avotu tālizpētes datos
  • Ēku kartēšana
  • Ēku 3D modeļu rekonstruēšana
  • Atsevišķu koku detektēšana
  • Ēnu kartēšana
  • Koku sugu noteikšana
  • Mežaudzes krājas un biomasas novērtējumi

Izstrādātās metodes un darbplūsmas


Ēku 3D modeļu rekonstrukcija, izmantojot valsts mēroga datus


Ēku 3D modeļu veidošana, izmantojot bezpilota lidaparātu datus ir laikietilpīgs un finansiāli dārgs process. Valsts mēroga LiDAR dati ir brīvi pieejami, taču to zemais punktu blīvums rada daudz izaicinājumu metožu realizācijā. Automatizēto metožu mērķis ir atpazīt atsevišķas jumtu plaknes LiDAR punktu mākonī un noformēt ēkas 3D modeli tā, lai tas būtu savietojams ar citiem risinājumiem, piemēram, OpenStreetMap. 

Tālizpētes nodaļā izstrādāta darbplūsma, kas rekonstruē dažādas sarežģītības ēku 3D modeļus un piemērus iespējams apskatīt šeit.



Ēku kontūru noteikšana


Tālizpētes dati, kuri ir pieejami valsts mērogā un to apstrādes metodes ļauj automatizēti veidot ēku kontūru kartes kas,  gan ļauj detektēt izmaiņas apbūvē, gan atvieglo kartes atjaunošanas procesu. Ēku kontūru iegūšana var tikt realizēta, pielietojot dažādas metodes, taču, sekojot mūsdienu tendencēm attēlapstrādes jomā, uzdevuma realizācijai tika pielietoti konvolūcijas neironu tīkli. Konvolūcijas neironu tīkli ir salīdzinoši jauna koncepcija, kura prasa specifisku datu sagatavošanu un specializētu datortehniku kā augstas veiktspējas skaitļošanas klastera mezglu, kurš, neironu tīklu apmācībai, tipiski ir aprīkots ar vairākiem augstas veiktspējas GPU (graphics processing unit).

Ēnu kartēšana



Pasaulē arvien lielāks uzsvars tiek likts uz ”zaļo domāšanu”, kas elektroenerģijas ieguves kontekstā nozīmē alternatīvo enerģijas avotu izmantošanu. Saules bateriju sistēmas jau tiek plaši lietotas, taču šo sistēmu efektivitātes rādītājus būtiski var ietekmēt noēnojums. LiDAR datu atvasinātie produkti tālizpētē tiek plaši lietoti tieši ēnu projekciju aprēķinos. Ēnas projekcijas aprēķins tiek veikts, izmantojot precīzu Saules pozīcijas noteikšanu apvienojumā ar digitālo virsmas modeli, kurš iegūts no LiDAR datiem. Ēnu projekciju kartes ir noderīgas, ne tikai optimālas saules paneļu uzstādīšanas vietas meklēšanai, bet arī pilsētvides plānošanai kopumā. Ēnu karšu piemērus skatīt šeit. 

Share by: