بینایی رایانه ای به یافتن پارکینگ ها برای نجات حیات وحش کمک می کند

نوشته مایکل ایوانز ، مرکز دانشمندان ارشد حفاظت از داده ها برای حفاظت از نوآوری ، مدافعان حیات وحش

اگر در حال طوفان فکری برای کمک هستید حیات وحش با امنیت در محیط های شهری و حومه ما با انسان همکاری می کند ، "پارکینگ" ممکن است در لیست راه حل های شما بالا نباشد. اما پارکینگ ها برای دولت های محلی که سعی در حفظ تعادل حفاظت از زیستگاه حیات وحش با منابع انرژی تجدیدپذیر دارند ، کلیدی هستند. همانطور که پیداست ، پارکینگ ها مکان مناسبی برای صفحات انرژی خورشیدی هستند که در غیر این صورت ممکن است در فضاهای باز قرار بگیرند که حیات وحش برای زنده ماندن به آن احتیاج دارد. اگر پنل های خورشیدی را در پارکینگ ها قرار دهیم ، حیات وحش خانه های خود را حفظ می کند و ما از انرژی پاک بهره مند می شویم.

اما اگر می خواهید فضاهایی را پیدا کنید که جایگزین مناسبی برای پنل های خورشیدی باشند ، باید راهی کارآمد برای شناسایی پارکینگ هایی که شامل رانندگی در کل منطقه شهری نمی شوند. سازمان ما ، مدافعان حیات وحش ، یک سازمان غیرانتفاعی مستقر در ایالات متحده است که به حفاظت از حیات وحش بومی و زیستگاه آنها اختصاص داده شده است ، و یکی از زمینه های تمرکز ما پیشرفت منابع انرژی تجدیدپذیر مانند باد و خورشیدی به شیوه ای دوستدار حیات وحش است. این بدان معناست که هم سایت هایی با تأثیر کم-آنهایی که به حداقل تغییرات چشم اندازهای طبیعی نیاز دارند-برای تولید انرژی های تجدیدپذیر جدید و هم در مورد راه هایی که ممکن است از سایت های فعلی برای استفاده از حیات وحش استفاده شود ، فکر می کنند.

اخیراً ، مدافعان کار کردند با The Nature Conservancy (TNC) در دو پروژه از این قبیل که از Google Earth Engine و کتابخانه یادگیری عمیق TensorFlow برای تهیه نقشه های سفارشی از تصاویر ماهواره ای استفاده کردند.

یافتن سایتهای کم تأثیر برای تأسیسات خورشیدی

< p> نقشه راه خورشیدی لانگ آیلند ، همکاری Defenders و TNC در نیویورک ، با هدف پیشبرد سرعت تأسیسات انرژی خورشیدی در لانگ آیلند با شناسایی سایتهای کم تأثیر و کاهش درگیری در محل سکونت. یکی از مناطق اصلی هدف توسعه ، پارکینگ است. به طور مشابه ، بخش TNC در کارولینای شمالی در تلاش است تا مکان های خورشیدی کم ضربه را ترویج دهد و می خواست یک نقشه به روز از تمام آرایه های خورشیدی موجود در این ایالت تهیه کند. هر یک از این پروژه ها نیاز به نگاشت اشیاء خاص در منظره داشت: پارکینگ ها و آرایه های خورشیدی نصب شده روی زمین.

زمینه رو به رشد بینایی رایانه مستلزم شناسایی خودکار اشیاء در تصاویر است. این تکنیک ها از مدل های یادگیری عمیق برای آموزش رایانه ها برای تشخیص و مکان یابی چیزهایی مانند گربه ، ماشین و چهره در عکس ها استفاده می کنند. با ادغام Google Earth Engine و TensorFlow ، می توانیم از همین تکنیک ها برای تصاویر ماهواره ای استفاده کنیم و نقشه برداری از اشیاء خاص را در یک منظره به صورت خودکار انجام دهیم. علاقه ما نه تنها مکان یابی پارکینگ ها و آرایه های خورشیدی ، بلکه تعیین مرزهای این ویژگی ها بود - یک کار بینایی رایانه ای که به عنوان تقسیم بندی تصویر شناخته می شود. مدلهای تقسیم بندی تصویر با اختصاص هر پیکسل یک تصویر به یک دسته خاص ، شکل اجسام را تشخیص می دهند.

برای آموزش مدل تقسیم بندی تصویر ، به تصاویری نمونه نیاز داریم که در آن اشیایی که می خواهیم ترسیم کنیم برچسب گذاری شده اند. مارگارت فیلدز ، مدیر GIS TNC در کارولینای شمالی ، 663 چند ضلعی را به ما ارائه داد که ردپای آرایه های خورشیدی زمینی را در کارولینای شمالی تا سال 2016 مشخص می کردند. ما 645 دستگاه دیجیتالی دستی دریافت کردیممحدوده پارکینگ در شهر هانتینگتون ، نیویورک از کارن لو ، متخصص GIS با TNC در نیویورک.

ما با هم از این چند ضلعی ها برای برچسب زدن پیکسل های تصاویر ماهواره ای مختلف که نشان دهنده آرایه های خورشیدی یا پارکینگ ها هستند استفاده کردیم. ، دادن اطلاعات به مدلها برای پیش بینی (داده های طیفی در تصاویر) و برچسب هایی برای تعیین صحت این پیش بینی ها.

ما از دو رویکرد تقسیم بندی تصویر متفاوت اما مرتبط و منابع مختلف تصویر برای هر کار استفاده کردیم. برای ترسیم آرایه های خورشیدی موجود ، ما یک مدل U-Net را با استفاده از تصاویر چند طیفی از سیستم ماهواره ای Sentinel-2 آموزش دادیم. گردش کار ما عمدتا بر اساس نسخه نمایشی ارائه شده در Google Earth Engine GipHub بود.

ما از Earth Engine برای ایجاد موزاییک یک ماهه بدون ابر از تصاویر Sentinel-2 که کارولینای شمالی را در ژانویه 2016 پوشش می دهد ، استفاده کردیم. حاوی نوارهای آبی ، سبز ، قرمز ، نزدیک مادون قرمز و موج کوتاه مادون قرمز 1 و 2. ما موزاییک Sentinel-2 را استاندارد کردیم به طوری که هر نوار در مقیاس 0-1 قرار داشت و از صدک 99 هر باند به عنوان حداکثر مقدار استفاده شد. این تصویر ، همراه با برچسب های آرایه خورشیدی ، سپس به عنوان تراشه های تصویری 256 در 256 پیکسل نمونه برداری شد که در مدل U-Net قرار داده شد. برای آموزش یک مدل تقسیم بندی مفید تصویر ما از تصاویر برنامه ملی تصویربرداری کشاورزی (NAIP) ، که شامل 1 متر مربع پیکسل است ، برای ترسیم دقیق پارکینگ ها در لانگ آیلند استفاده کردیم. وضوح فضایی دقیق داده های NAIP با یک مبادله در وضوح اخیر و طیفی همراه بود. تصاویر NAIP هر دو سال یکبار در هر ایالت جمع آوری می شوند و جدیدترین تصویری که لانگ آیلند را پوشش می دهد مربوط به سال 2016 است. علاوه بر این ، تصاویر NAIP تنها قسمت های آبی ، سبز ، قرمز و مادون قرمز نزدیک طیف الکترومغناطیسی را ثبت می کنند. اگرچه این چهار باند اطلاعات طیفی کمتری نسبت به Sentinel-2 ارائه می دهند ، ساختار داده ها به ما اجازه می دهد از مدلی استفاده کنیم که از قبل بر روی میلیون ها عکس از مجموعه ImageNet آموزش دیده است.

DeepLab v3 یکی از پیشرفته ترین مدل های تقسیم بندی تصویر برای ترسیم اشیاء در عکس ها ایجاد شده است. مدل ها دارای ورودی 3 باند (معمولاً RGB) و تراشه های تصویر 512 5 512 پیکسل هستند. عکسها معمولاً مقادیر قرمز ، سبز و آبی را در مقیاس 0 تا 256 ثبت می کنند که همان NAIP است ، بنابراین نیازی به تجدید تصویر این تصاویر نداریم.

ایجاد مثالهای مثبت برای یادگیری تصویر

از آنجا که آرایه های خورشیدی و پارکینگ ها نسبت به چشم اندازهای مربوطه نسبتاً پراکنده هستند ، ما دو مرحله را برای اطمینان از مدل های خود به عنوان مثال های مثبت کافی برای یادگیری تشخیص این ویژگی ها انجام دادیم. اول ، ما محدوده فضایی نمونه برداری را در مناطق 5 کیلومتری ویژگی های دیجیتالی محدود کردیم. ثانیاً ، ما مرکزهای چند ضلعی های دیجیتالی را به مجموعه نقاط نمونه برداری اضافه کردیم. سپس از این نقاط برای ایجاد تراشه های تصویری استفاده می شود که برای آموزش مدل های U-Net و DeepLab استفاده می شود. اندکی بیش از 600 نمونه در بهترین حالت مجموعه داده های آموزشی اندک را نشان می دهد ، بنابراین پیاده سازی تصویر برای افزایش مصنوعی تغییرپذیری تصاویری که این مدلها بر روی آنها آموزش دیده اند بسیار مهم بود.

آرایه خورشیدی فوتوولتائیک با پوشش گیاهی بومی درلانگ آیلند. [اعتبار عکس: جسیکا قیمت]

ما هر دو مدل U-Net و DeepLab را با استفاده از نوت بوک های Colaboratory آموزش دادیم. این یک محیط محاسباتی پایتون مبتنی بر ابر را فراهم کرد که قبلاً برای اجرای TensorFlow پیکربندی شده است. با نصب API Earth Engine Python در نوت بوک ، ما قادر به پردازش تصاویر ، نمونه داده های آموزش و شروع مدلهای آموزشی به سرعت و به آسانی بودیم.

ما به هر مدل 50 دوره داده های آموزشی نشان دادیم و از TensorBoard برای معیارهای ضرر و دقت را در پایان هر دوره تجسم کنید. با استفاده از فراخوان های Keras ، وزن ها را از مدلی که در طول تمرین بهترین عملکرد را از نظر تقاطع روی اتحاد (IoU) داشت ، که میزان همپوشانی بین دو مجموعه شکل را اندازه گیری می کند ، ذخیره کردیم. هر دو مدل حداکثر IoU 80 درصد در مجموعه داده های اعتبارسنجی به دست آوردند ، در آن زمان ما برای اطمینان از پیش بینی و بررسی خروجی اطمینان کافی داشتیم. کد مورد استفاده برای این تجزیه و تحلیل ها در اینجا موجود است.

مثال پیش بینی آرایه های خورشیدی زمینی در کارولینای شمالی توسط مدل آموزش دیده U-Net [چپ] | پارکینگ های مدل آموزش دیده DeepLab v3 در هانتینگتون ، نیویورک [راست]

خروجی های ما 55 آرایه خورشیدی جدید تأیید شده در کارولینای شمالی و 2942 پارکینگ در شهر هانتینگتون را به همراه داشت. شما می توانید نتایج این مدلها را از طریق برنامه Google Earth Engine ما بررسی کنید.

گام بعدی ما این است که این مدلها را در جاهای دیگر اعمال کنیم. نقشه راه خورشیدی از نقشه دیجیتالی شده پارکینگ ها در لانگ آیلند برای نشستن استفاده می کند و مدل آموزش دیده DeepLab اکنون در کل ایالت نیویورک به کار گرفته می شود تا سریعاً پارکینگ ها را برای توسعه خورشیدی کم اثر در سراسر کشور ترسیم کند. ما همچنین پروژه ای را آغاز می کنیم تا بفهمیم چگونه احیای پوشش گیاهی بومی در سایت های خورشیدی می تواند به نفع گرده افشان در ایالت های مختلف باشد - به این معنی که ما باید مکان های خورشیدی موجود در این مکان ها را ترسیم کنیم.

در حالی که این دو مورد از مدافعان هستند. "پروژه های اولیه با استفاده از بینایی رایانه ای ، ما هیجان زده هستیم که هر دو می توانند درهای بیشتری را برای کمک به توسعه توسعه انرژی های تجدیدپذیر کم اثر باز کنند.