우주 시스템 일반 사이트 메뉴
슬롯 사이트 관찰 솔루션솔루션
다양한 필드의 응용 프로그램 예
슬롯 사이트 도시 개발 프로젝트
우리는 슬롯 사이트을 사용하여 자연과 조화를 이루는 도시를 개발하기 위해 노력하고 있습니다.
Keio University와 회사가 수행 한 공동 연구 프로젝트*슬롯 사이트 데이터를 사용하여 지역적 특성과 변화를 정량적으로 정확하게 파악하고, 주민의 행복을 조사하는 설문 조사 결과와 결합하여 도시 특성과 거주자의 행복 사이의 상관 관계를 분석합니다. 우주 개발을 통해 재배 된 슬롯 사이트 이미지 분석 및 AI 기술을 사용하여 슬롯 사이트 데이터에서 도시 기능을 추출하고 Keio University의 중형 도시 모델과 관련된 지역 행복에 대한 지식을 연결하여 도시 기능을 분석합니다.
이 이니셔티브를 통해, 우리는 자연이있는 균형 잡힌 도시를 홍보하는 것을 목표로하며, 이는 주민들에게 행복을 향상시킵니다.
*Keio University와 우리 회사는 "공동 창조 업 사이클 협회 공동 창조 센터 (Co-Creation Upcycle Society Co-Creation Center)를 사용하여 도시 개발에 대한 공동 연구를 수행하고 있습니다. 카나가와 현 카마 쿠라시에서 시연 분야로 슬롯 사이트 데이터를 사용한 개발.
자동 토지 이용 분류 AI "Melterra-Landscan"
넓은 영역을 덮고있는 슬롯 사이트 이미지의 토지 이용 상태를 시각적으로 읽는 것은 어렵지만 "Melterra-Landscan"은이 문제를 해결합니다. Melterra-Landscan은 기계 학습 모델입니다*를 사용하십시오 슬롯 사이트 이미지에서 토지 이용 상황을 자동으로 분류합니다. 아래 다이어그램은 카마 쿠라시와 관련된 분류의 예를 보여줍니다. 이 분류 프로세스는 이미지의 한 픽셀로 수행되며 센티미터 클래스의 고해상도 이미지에서 미터 클래스 이미지에 이르기까지 광범위한 이미지를 처리 할 수 있습니다. 또한, 우리 자신의 고유 한 초고 해상도 기술을 결합함으로써 사용 된 슬롯 사이트 이미지보다 훨씬 높은 해상도로 분류 할 수 있습니다.
Melterra-Landscan의 분류 결과를 활용하여 녹색 공간, 건물, 도로, 수역 등의 변화를 자동으로 감지 할 수 있으며 이러한 지역의 변화를 정량적으로 분석 할 수 있습니다.
*기계 학습 모델은 OpenEarThMap*의 결과를 사용합니다. * Xia, J., Yokoya, N., et al. (2023)
특정 토지 이용 유형에 중점을두면 해당 유형에 특화된 전문가 모델을 사용하여 추출 정확도를 향상시킬 수 있습니다. 아래 다이어그램은 1m 해상도의 슬롯 사이트 이미지를 사용한 건물 탐지 결과를 보여줍니다. 중거리 해상도 슬롯 사이트 이미지조차도 주거 지역의 개별 건물을 차별하여 도시 지역의 건물의 변화를 감지하고 재난 발생시 재난 상황을 신속하게 파악할 수 있습니다.
IOT 홈 어플라이언스 및 슬롯 사이트 데이터 퓨전
슬롯 사이트 데이터를 사용하면 홍수 재난 당시 홍수 상황을 이해할 수 있지만 IoT 홈 어플라이언스 데이터를 슬롯 사이트 데이터와 결합하면보다 정확한 정보를 얻을 수 있습니다.
이 이니셔티브는 일반 통합 협회 인 Phase Free Association이 후원하는 "Phase Free Award 2024"의 아이디어 카테고리에서 관객 상을 수상했습니다.
RADAR (SAR) 슬롯 사이트은 야간 및 악천후에서도 광범위한 홍수 조건을 파악할 수 있다는 이점이 있습니다. 이는 항공기 및 헬리콥터에 어려움이 있지만 슬롯 사이트의 궤도에 대한 제한으로 인해 적시에 영향을받는 지역을 촬영하는 것은 불가능합니다.
반면에, IoT 홈 어플라이언스의 데이터는 지점 정보이지만 재난 타이밍에 더 가까운 정보를 제공 할 수 있습니다.
4721_4841
슈퍼 해상도 AI "Melterra-HD"
슬롯 사이트은 수백 킬로미터가 넘는 고도에서 사진을 찍기 때문에 해상도는 항공기, 드론 등으로 찍은 것보다 열등합니다. 우리의 수퍼리스 분해물 기술은 슬롯 사이트 이미지의 해상도 저하를 정확하게 시뮬레이션하여 낮은 시간 이미지로부터 고해상도 이미지를 생성하는 고정식 이미지를 정교하게 만들어 내고, 당신은 원래 이미지를 이해할 수있게 해줍니다. 지상에서 무슨 일이 일어나고 있는지.
아래 다이어그램은 30cm의 해상도를 가진 슬롯 사이트 시뮬레이션 이미지의 예를 보여줍니다. 이는 수퍼 해상도 처리로 15cm 레벨로 향상되었습니다. 초고 해상도 처리 후 이미지는 해상도를 향상시켜 건설중인 건물과 차량의 상세 모양을보다 쉽게 읽을 수 있습니다.
넓은 영역을 파악할 수있는 슬롯 사이트 이미지를 결합하고 수퍼 해상도 처리를 다양한 필드에 적용 할 수 있습니다.
아래 예제는 물체 감지 AI를 사용하여 이미지에서 차량을 감지 한 결과를 보여줍니다. 초 고해상도 처리 전 이미지 두 대의 차량이 하나로 감지되는 차량 감지 오류 및 잘못된 탐지를 유발하지만 초 고해상도 처리 후 이미지는 많은 차량을 올바르게 감지하여 차량 감지 정확도를 향상시킬 수 있습니다. 이 경우, 우리는 수퍼 해상도가 기존 AI에 의한 탐지 성능을 약 2 배나 향상 시킨다는 것을 확인했습니다.
SAR 시계열 분석 "Melterra-Geotrack"
SAR 시계열 분석은 레이더 (SAR) 위성 이미지의 지표 변동의 노화 및 최신 상태를 이해하는 기술입니다. SAR 시계열 분석 "Melterra-Geotrack"은 노이즈를 억제하여 개선 된 정확도를 특징으로하며 자동 처리를 통해 광범위한 변동을 빠르게 분석 할 수 있습니다.
분석 정확도
아래 다이어그램은 2014 년부터 2022 년까지의 지상 변경을 위해 회사가 수행 한 SAR 시계열 분석 결과를 보여줍니다. 왼쪽의 산점도는 수평 축의 레벨링으로 인한 변동 속도와 SAR 시계열 분석 결과로 인한 변동 속도를 보여 주며 이상적인 선에 가깝게 분포되어 있습니다. 오른쪽의 그래프는 SAR 시계열 분석 결과와 산점도의 레벨 측량의 차이에 대한 분포와 통계를 보여 주며 SAR 시계열 분석 결과는 오류 표준 편차의 값에 따라 레벨 측량에 대해 약 1.3mm/년의 높은 정확도를 가지고 있음을 보여줍니다.
우리는 민간 회사와의 SAR 시계열 분석을 반복했습니다. 또한 JAXA는 "토지 관찰 기술 슬롯 사이트 상업화 슬롯 사이트 2 (ALOS-2)의 상용화를위한 지각 운동 서비스 제공에 대한 지원을 채택했으며, 우리의 매우 정확한 SAR 분석 결과는 지역 정부, 공공 조직 등의 침강, 산사태 및 인프라 모니터링에서 사용할 수있는 서비스로 제공됩니다.
전국 자동 분석 도구
우리의 National SAR 데이터 자동 시계열 분석 도구는 Radar (SAR) 슬롯 사이트 데이터를 사용하여 일본의 표면 변동을 자동으로 계산하는 도구입니다. 이 도구를 사용하여 지표면의 변화를 순차적으로 계산하고 결과를 축적함으로써 시간이 지남에 따라 지표면의 변화를 빠르게 파악하고 최신 상태입니다.
이 도구는 시계열 간섭 분석이라는 기술을 사용하여 지표의 변동을 계산하지만 시계열 간섭 분석에는 엄청난 양의 계산이 필요합니다. 이 계산을 간소화함으로써 현실적인 스케일 컴퓨터 시스템을 사용하여 일본 전역의 지표면 변동을 분석 할 수 있습니다.
관찰 슬롯 사이트은 지구를 공전하는 동안 특정 폭 영역을 관찰하지만 일본의 전국을 한 궤도에서 관찰 할 수 없기 때문에 여러 궤도로 나뉩니다. 다른 라운드는 다른 관찰 날짜와 시간을 유발하여 지표면의 변동을 계산할 때의 차이가 발생하여 인접한 데이터 사이의 변동의 양이 차이를 초래합니다. 당사의 도구는 관찰 날짜 및 시간 및 위치가 일시적으로 공간적으로 다른 데이터를 기반으로 변동 분석 결과를 일시적으로 공간적으로 연결하여 일본 전역의 원활한 변동 맵을 실현할 수 있습니다.
이것은 우리가 개발중인 전국 SAR 데이터 자동 시계열 분석 도구의 화면과 모자이크 기능의 이미지를 보여줍니다.
모호성 소음 억제
일반적으로 Radar (SAR) 슬롯 사이트 데이터는 관찰 원칙으로 인한 노이즈로 중첩됩니다. 이 중 하나는 모호성 노이즈이지만 모호성 노이즈로 겹쳐진 데이터를 사용하여 지표면의 변동을 계산할 때는 변동이 자연적으로 변동이없는 영역에서 나타나는 문제가 있습니다. 따라서 전국 SAR 데이터 자동 분석 도구는 모호성 노이즈를 억제하여 오류의 영향을 줄이고 지표면 변동의 정확도를 향상시킵니다.
왼쪽 다이어그램은 간섭 이미지에서 보이는 모호성 노이즈의 예를 보여주고 오른쪽 다이어그램은 도구를 사용 하여이 노이즈를 억제 한 결과를 보여줍니다. 왼쪽의 점선 프레임에서 볼 수있는 보라색 영역은 모호성 소음입니다.
모의 이미지 생성 "Melterra-synthetic"
이미지 인식에서 고정밀 AI를 실현하려면 많은 학습 이미지가 일반적으로 필요하지만 Radar (SAR) 슬롯 사이트 이미지는 이미지가 촬영 한 방향에 따라 크게 보이는 특성을 가지고 있으므로 다양한 각도에서 취한 학습 이미지를 준비하는 것이 중요합니다. 그러나 많은 수의 레이더 (SAR)를 준비하는 것은 쉽지 않습니다.
8788_8925
문의
우리는 귀하의 비즈니스에 위성 관측 솔루션을 활용하는 방법을 고려할 것이므로 언제든지 문의하십시오.
- Space Systems Division
우주 비즈니스 개발 센터 - eosolution@nw.mitsubishielectric.co.jp