Uwolnienie potencjału danych z obserwacji Ziemi
Zbiory danych z obserwacji Ziemi (EO) rosną w tempie wykładniczym dzięki wykorzystaniu satelitów, czujników in situ i wielu innych metod zbierania danych, jak na przykład nauka obywatelska. Jedynym problemem nie jest jednak istnienie tak wielu źródeł danych, ale również fakt, że są one gromadzone w wielu różnych formatach czasowych i przestrzennych, co sprawia, że nawet ekspertom technicznym coraz trudniej jest analizować kluczowe informacje w sposób szybki, skuteczny i ekonomiczny. Z tego względu celem finansowanego ze środków UE projektu EO4EU jest stworzenie kompleksowego podejścia ułatwiającego wyszukiwanie i przetwarzanie danych EO. Konsolidując ogromne ilości informacji pochodzących od dostawców danych EO, modele uczenia maszynowego potrafią w sposób dynamiczny wyodrębniać wzorce i wyniki, do których użytkownicy mają łatwy dostęp dzięki ulepszonym interfejsom i zastosowaniu rzeczywistości rozszerzonej (XR).
Ekosystem danych EO4EU
Platforma EO4EU umożliwia konsolidację danych historycznych z ogólnodostępnych zbiorów danych, danych w czasie rzeczywistym, w tym zbieranych przez inteligentne urządzenia noszone na ciele, aplikacje mobilne i czujniki IoT, a także danych i usług z międzynarodowych i europejskich platform opartych na chmurze. Do tych ostatnich należą Copernicus, Galileo/EGNOS, GEOSS (Globalna Sieć Systemów Obserwacji Ziemi), DestinE (inicjatywa „Kierunek Ziemia”) i Europejskie Centrum Prognoz Średnioterminowych (ECMWF). Użytkownicy mogą uzyskać dostęp do nieprzetworzonych danych EO, przesłać zapytanie w języku naturalnym dotyczące źródeł i przeglądać dostępne zbiory danych według opisu. „Platforma EO4EU umożliwia użytkownikom dostęp do precyzyjnych informacji, których potrzebują do swoich badań, analiz i decyzji”, wyjaśnia Efstathios Chadjiefthymiadis z Uniwersytetu Narodowego im. Kapodistriasa w Atenach, koordynator projektu.
Holistyczne przetwarzanie danych EO dzięki uczeniu maszynowemu i grafom wiedzy
Zaletą wykorzystania uczenia maszynowego jest możliwość dodawania dynamicznych adnotacji i kompresji ogromnych ilości danych EO, co znacznie skraca czas i obniża koszty ręcznej adnotacji. Oparta na najnowszych metodach uczenia się maszyn bez nadzoru, platforma EO4EU jest w stanie wydobywać przydatne informacje nawet z dużych zbiorów danych bez etykiet. Reprezentacje te są wykorzystywane w zadaniach na dalszym etapie do uczenia się modeli specyficznych dla danego zadania. W rozwiązaniu EO4EU wykorzystano też grafy wiedzy umożliwiające integrację heterogenicznych i rozproszonych źródeł danych EO, ograniczając konieczność złożonego przetwarzania danych i skracając czas opracowywania nowych aplikacji EO. Dzięki silnikowi fuzji danych użytkownik będzie mógł łączyć zbiory z różnych migawek przestrzenno-czasowych. „Ogólny charakter platformy nie byłby możliwy do uzyskania bez abstrakcji danych i ich jednolitego przetwarzania dzięki grafom wiedzy. Łącząc różnorodne zbiory danych, teorie i modele, grafy wiedzy ułatwiają analizę danych z różnych dziedzin i uzyskanie całościowego wglądu w system Ziemi i jego wzajemnie powiązane procesy”, wyjaśnia Chadjiefthymiadis.
Rzeczywistość rozszerzona i jej zalety
Platforma EO4EU posiada prosty w obsłudze interfejs, złożony między innymi ze spersonalizowanych pulpitów nawigacyjnych, inteligentnej wyszukiwarki oraz funkcji wizualizacji, analizy i interpretacji danych. Użytkownicy mogą również napisać własny kod i wykonywać go w wygodny, bezserwerowy sposób. Wreszcie, usługa EO4EU zapewnia użytkownikom wciągające doświadczenia dzięki interfejsowi rzeczywistości rozszerzonej. Wszystko to jest dostępne bezpłatnie po przejściu prostego procesu rejestracji. Co ważne, działanie platformy zostało przetestowane w siedmiu przypadkach użycia. Przykładem może być przypadek użycia dotyczący monitorowania oceanów, w którym wykorzystano proces integracji danych „ekstrakcja-transformacja-ładowanie (ang. Extract, Transform, Load, ETL) – pozwala on na stałe zbieranie danych pogodowych i ich integrację z danymi operacyjnymi ze statków, co pomaga w optymalizacji zużycia paliwa i planowaniu tras. „Proces ETL pomaga szkolić modele, które potrafią dokładnie przewidywać zużycie paliwa. Prognozy te są wykorzystywane w czasie rzeczywistym do wskazywania alternatywnych, przyjaznych dla środowiska tras, zapewniając zgodność z normami przewidzianymi w przepisach. Ponadto opracowaliśmy konwolucyjną sieć neuronową umożliwiającą monitorowanie warunków oceanicznych i przewidywanie zjawisk pogodowych w czasie rzeczywistym”, wyjaśnia Chadjiefthymiadis. Projekt EO4EU wnosi nieoceniony wkład w zapewnienie zgodności danych EO z zasadami FAIR – wszystko to za sprawą utworzenia punktu kompleksowej obsługi, który ułatwia znajdowanie, dostęp i ponowne wykorzystywanie danych i analiz EO. Dzięki temu w znaczący sposób przyczyni się do pogłębienia naszej wiedzy na temat stanu środowiska na poziomie lokalnym i unijnym.
Słowa kluczowe
EO4EU, grafy wiedzy, obserwacja Ziemi, rzeczywistość rozszerzona, uczenie maszynowe, AI, fuzja danych, openEO
