Анализ космических снимков

  • география
  • информатика

«Анализ космических снимков и геопространственных данных» — это новый профиль Олимпиады НТИ на стыке анализа Больших данных и географии. Участникам нужно будет написать алгоритм, который бы на основе огромного массива спутниковых снимков смог решать задачи вроде таких:

  • Определение возраста и оценка запасов древесины на плантациях в какой-либо тропической стране или регионе (для оценки достаточности данных объёмов для работы нового целлюлозно-бумажного предприятия).
  • Первичное картографирование древесных плантаций по тропическим и субтропическим странам.
  • Мониторинг лова рыбы и выявление случаев нарушений действующих нормативов.
  • Мониторинг загрязнения рек при добыче россыпного золота.

Количество участников — 3-4 человека:

  • информатик-программист (прежде всего, обработка растровых изображений, классификация, работа с пространственными данными и геоинформационными системами);
  • математик, специалист по статистике (первые две позиции могут совмещаться);
  • географ (работа с геоинформационными системами, дешифрирование космических снимков, экономическая география, география ландшафтов);
  • биолог / специалист по лесному и сельскому хозяйству (дешифрирование космических снимков, понимание экологии лесных экосистем и агроценозов).

Разработчики профиля

ООО «LoReTT», АНО «Прозрачный мир», ООО «Экобюро GREENS»

Отборочные этапы

Второй отборочный этап будет  ориентирован на решение командами участников задач по интерпретации космических снимков, работе с пространственными данными и по умению связать результаты анализа снимков с данными из других источников, с теми или иными процессами и проблемами «на земле».

Работа с космическими снимками и загрузка результатов участников будет организована через геопортал. Однако, от участников также потребуются навыки самостоятельного поиска и привлечения дополнительной информации, а также навыки обработки пространственных данных в настольных ГИС-приложениях.

Заключительный этап

На заключительном этапе 2018-19 гг. участникам будет предложено решить задачу по обновлению по космическим снимкам цифровой карты древесных плантаций в тропиках и мониторингу изменений на них и в естественных лесах того же региона.

Сегодня ни один алгоритм анализа не позволяет быстро и надёжно отделить естественные леса от древесных плантаций (масличной пальмы, каучукового дерева, быстрорастущих пород для производства целлюлозы, плодовых деревьев и др.), на которые приходится большая часть исчезновения и восстановления древесного полога в тропиках, наблюдаемого со спутников. Глобальных и регулярно обновляемых карт древесных плантаций сегодня не существует.

При этом древесные плантации, особенно тропические, являются одной из ведущих причин уничтожения естественных лесов, важнейшим источником пожаров и иных экологических проблем. Одновременно они играют всё возрастающую роль в производстве продуктов для глобального рынка и в экономике многих стран.

 

Всем командам будет предложено обновить карту древесных плантаций (создать карту изменения за период в несколько лет) по одной и той же территории (стране/региону) в тропической зоне. При этом территория будет достаточно велика, чтобы обновление путем простого визуального дешифрирования космоснимков с отрисовкой изменений «вручную» на цифровых картах в отведенные сроки этапа было бы сделать затруднительно.

Каждой команде будет дана исходная цифровая карта плантаций разных типов и разных пород деревьев по состоянию на несколько лет назад, созданная коллективом экспертов и прошедшая независимую верификацию (точность и ошибка исходной карты известны). Необходимо будет составить обновленную карту плантаций по космическим снимкам, наиболее актуальным для данной территории на момент проведения этапа.

Материалы для участников

При подготовке к решению заданий по этому профилю вам пригодятся:

Hard Skills:

  • Знание английского языка или умение использовать онлайн-переводчики
  • Умение и навыки работы с пространственными данными и геоинформационными системами (на примере Quantum GIS).
  • Знакомство с основными источниками пространственных данных в интернете, навыки работы с геопорталами. В частности (но не ограничиваясь этим):
    https://www.openstreetmap.org/
    https://gptl.ru/
    https://www.ngdc.noaa.gov/
    https://eros.usgs.gov/
    https://earthexplorer.usgs.gov/
    https://worldview.earthdata.nasa.gov/
    http://apps.sentinel-hub.com/eo-browser
    https://scihub.copernicus.eu/dhus/
    http://kosmosnimki.ru/
    https://www.globalforestwatch.org/map.
  • Знание основ статистики, умение проводит простейшие статистические расчеты и оценивать статистическую погрешность полученных результатов, понимание пространственной статистики.
  • Программирование на одном или нескольких языках программирования.
  • Знакомство с наиболее распространенными алгоритмами классификации космических снимков и умение их применить к конкретным растровым изображениям.
  • Хорошее знание физической географии в целом и изучаемых регионов, особенно в части природных зон, растительности и ландшафтов, распределение и характер растительности в зависимости от различных физических факторов: рельефа, гидрологии, геологии, климата и пр.
  • Хорошее знание экономической географии и основных видов природопользования изучаемых регионов, воздействия деятельности человека на природные экосистемы и ландшафты.
  • Знание основных экологических закономерностей и функционирования экосистем и растительных сообществ, основных принципов строения лесных экосистем, первичных и вторичных сукцессий, лимитирующих факторов, воздействия человека на окружающую среду и природные экосистемы.

Soft Skills:

  • умение работать в команде;
  • умение распределить работу между членами команды;
  • умение сформулировать задачу для другого члена команды, исходя из специфических знаний по своей специализации;
  • умение искать и пользоваться информацией в сети Интернет;
  • умение оценивать результаты работы, своей и других членов команды, и вносить коррективы для их улучшения.

Рынки НТИ

  • AeroNet
  • AutoNet
  • EnergyNet
  • MariNet
  • NeuroNet