EK
Тест этого подхода на временном ряду данных об уровне моря - хорошо оправдался (зеленые - реальные, фиолетовые - восстановленные)
Size: a a a
2021 July 12
EK
Географические данные дают нам дополнительное измерение - мы можем использовать не только временной ряд в самой точке наблюдений, но и в точках рядом (географически), т.е. у нас потенциально оказывается гораздо больше данных!
EK
Собираем цепочку из нескольких рядов сразу, географически связанных
EK
И ещё становится важным понятие "Иерархических временных рядов", когда ряды зависимы (описывают связанные явления, или вложенные).
EK
Также у рядов геоданных есть свойственные им компоненты - тренды, сезонность и т.д.
EK
Резюме по простым и нелинейным методам
EK
А вот что касается подхода на базе автоматического ML (с построением цепочек эволюционными алгоритмами)
EK
Авторы реализовали цельный подход к автоматическому ML для заполнения пропусков во временных рядах в фреймворке FEDOT
EK
Михаил рассказывает про пример применения федота для прогнозирования паводков на р. Лена: https://github.com/ITMO-NSS-team/emergency_datahack_nss
EK
Следующий доклад от @geoalert про автоматическое выделение границ сельскохозяйственных полей по ддзз
EK
Эта тема многим интересна, и не только в агрокомплексе
EK
Задача - выделить границы полей без смешения разных культур
EK
Сейчас в большей части кейсов разметка выполняется вручную, а это очень много работы
EK
человеко-годы, много
EK
Поэтому хотим автоматизировать этот процесс, максимально
EK
Большой вызов - размечать поля разных культур, самых разных стран и особенностей ведения с/х
EK
Исходные материалы:
- Sentinel 2 (самые популярные для таких задач, бесплатные)
- Maxar (коммерческие данные сверхвысокого разрешения)
- Sentinel 2 (самые популярные для таких задач, бесплатные)
- Maxar (коммерческие данные сверхвысокого разрешения)
EK
И для полей часто S2 недостаточно
EK
Высокое разрешение даёт возможность точной инвентаризации и аналитки, иметь существенно большую степень конкретики