Big Data from Space
Le Big Data et les satellites d’Observation de laTerre
Jérôme GASPERI Toulouse Data Science #11 -Toulo...
Doter l'Europe d'une capacité opérationnelle et autonome
d'observation de la Terre en tant que « services d’intérêt généra...
Land monitoring
Marine monitoring
Atmosphere monitoring
Security
Emergency
Climate Change
Sentinel-1
RADAR
S1A - April 2014
S1B mid 2016
Sentinel-2
OPTICAL
S2A - June 2015
S2B mid 2016
Sentinel-3
ALTIMETER / SEA ...
Sentinel 1Radar en bande C
Surveillance maritime,
Géophysique, Glaciologie, etc.
Orbite Héliosynchrone
Altitude 693 km
Observation Optique, Evolutions
des sols, Agriculture,
Cartographie, etc.
Orbite Héliosynchrone
Altitude 786 km
Sentinel 2
Sentinel 3
Hauteurs des océans, Couleur et température
de surface
Orbite Héliosynchrone
Altitude 814 km
Applications
https://www.theia-land.fr
AgricultureSuivi des cultures, sécurité alimentaire, variables biophysiques, etc.
BiomasseSuivi de la déforestation, estimation des puits de carbone, etc.
LittoralSuivi et quantification des évolutions
Surface enneigéeEvolutions du niveau des mers, réserves en eau, risques d’avalanches, etc.
Risques naturelsPrévention, réponse, post événement
SantéCartographie des risques de maladies infectieuses
etc.
BIG
2017
7 POVolume stocké au CNES Toulouse fin 2017
DVDs
Chercher dans des millions d’images ?
Trouver
ex. Dans le cadre d’une étude d’impact sur l’augmentation du niveau des océans,
je cherche des images sans nuage de villes...
Sven Sachsalber | http://www.palaisdetokyo.com/fr/events/sven-sachsalber
Sven Sachsalber | http://www.palaisdetokyo.com/fr/events/sven-sachsalber
17 hours 45 minutes
Brett Ryder - http://www.economist.com/node/15579717
Extraire l’information
Quand Où Comment
Contenu de l’image ?
Quoi
Du pixel...
Image satellitaire
...à l’information
Carte d’occupation du sol
Cultures
Bâtiment Forêt
Traiter les images
Solution 1
Orfeo Toolbox Remote sensing image library
Open Source
Developed by the French Space Agency
Solution 1
Orfeo Toolbox More than 70 high level processing chains
orthorectification
segmentation
classification
etc.
Solution 1
Solution 1
Orfeo Toolbox More than 70 high level processing chains
orthorectification
segmentation
classification
etc.
Sup...
Solution 1
https://vimeo.com/63320692
Deep learning
Solution 2
????
http://techcrunch.com/2014/08/15/google-buys-jetpac-to-give-context-to-visual-searches/
+ =
Deep learning
Solution 2
Deep learning
Solution 2
!!!!
Plutôt adapté à l’extraction d’objets (ex. aéroport, route, tank, etc.)
Quelle base de référ...
Solution 2
Solution 2
FOOTPRINT
Emprise de l’image
Bords de côtes
Toponymes
(Continents, Pays, Régions, Etats)
Densité de population
Occupation du sol
…et...
Métadonnées
« améliorées »
Métadonnées
« traditionnelles »
Recherche « sémantique »
github.com/jjrom/resto
resto
California
Coastal
town
spring
without clouds
github.com/jjrom/resto
resto
Comment voir tous les résultats de recherche ?
Problème
~201 300 produits
11/02/2016
~11000 produits
11/02/2016
« Pléiades les 15 derniers jours »
« Villes aux Etats-Unis les 15 derniers jours »
« Zones cultivées aux Etats-Unis »
Carte de référence pour comparaison
Merci !
mapshup.com
Prochain SlideShare
Chargement dans…5
×

2016.02.18 big data from space toulouse data science

1 122 vues

Publié le

Le programme européen Copernicus vise à doter l'Europe d'une capacité opérationnelle et autonome d'observation de la Terre en tant que « services d’intérêt général européen, à accès libre, plein et entier ». A cet effet, l’ESA développe 6 familles de satellites dédiés à l’observation de la Terre - Les Sentinels. D’ici 2020, le volume de données acquises par ces satellites sera de l’ordre de 20 Pétaoctets. Cette avalanche de données offre des opportunités importantes notamment dans les domaines de la recherche, des services et de l’innovation. Elle pose aussi des défis techniques - comment stocker ces données, et au delà, comment chercher, diffuser et traiter ces données afin de fournir aux utilisateurs le service ou l’information dont ils ont besoin.

Présenté au Toulouse Data Science le 18.02.2016 - http://www.meetup.com/fr-FR/Tlse-Data-Science/events/228423095/

Publié dans : Technologie
0 commentaire
2 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

Aucun téléchargement
Vues
Nombre de vues
1 122
Sur SlideShare
0
Issues des intégrations
0
Intégrations
39
Actions
Partages
0
Téléchargements
25
Commentaires
0
J’aime
2
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

2016.02.18 big data from space toulouse data science

  1. 1. Big Data from Space Le Big Data et les satellites d’Observation de laTerre Jérôme GASPERI Toulouse Data Science #11 -Toulouse, France - 18 février 2016
  2. 2. Doter l'Europe d'une capacité opérationnelle et autonome d'observation de la Terre en tant que « services d’intérêt général européen, à accès libre, plein et entier » Le programme Copernicus
  3. 3. Land monitoring
  4. 4. Marine monitoring
  5. 5. Atmosphere monitoring
  6. 6. Security
  7. 7. Emergency
  8. 8. Climate Change
  9. 9. Sentinel-1 RADAR S1A - April 2014 S1B mid 2016 Sentinel-2 OPTICAL S2A - June 2015 S2B mid 2016 Sentinel-3 ALTIMETER / SEA SURFACE S3A - Summer 2015 S3B mid 2016 Sentinel-4 ATMOSPHERE 2018 Sentinel-5P ATMOSPHERE End 2015Sentinel-5 ATMOSPHERE 2020 Sentinel-6 ? Sentinel Le volet spatial du programme Copernicus
  10. 10. Sentinel 1Radar en bande C Surveillance maritime, Géophysique, Glaciologie, etc. Orbite Héliosynchrone Altitude 693 km
  11. 11. Observation Optique, Evolutions des sols, Agriculture, Cartographie, etc. Orbite Héliosynchrone Altitude 786 km Sentinel 2
  12. 12. Sentinel 3 Hauteurs des océans, Couleur et température de surface Orbite Héliosynchrone Altitude 814 km
  13. 13. Applications https://www.theia-land.fr
  14. 14. AgricultureSuivi des cultures, sécurité alimentaire, variables biophysiques, etc.
  15. 15. BiomasseSuivi de la déforestation, estimation des puits de carbone, etc.
  16. 16. LittoralSuivi et quantification des évolutions
  17. 17. Surface enneigéeEvolutions du niveau des mers, réserves en eau, risques d’avalanches, etc.
  18. 18. Risques naturelsPrévention, réponse, post événement
  19. 19. SantéCartographie des risques de maladies infectieuses
  20. 20. etc.
  21. 21. BIG
  22. 22. 2017 7 POVolume stocké au CNES Toulouse fin 2017 DVDs
  23. 23. Chercher dans des millions d’images ? Trouver
  24. 24. ex. Dans le cadre d’une étude d’impact sur l’augmentation du niveau des océans, je cherche des images sans nuage de villes côtières situées en Asie
  25. 25. Sven Sachsalber | http://www.palaisdetokyo.com/fr/events/sven-sachsalber
  26. 26. Sven Sachsalber | http://www.palaisdetokyo.com/fr/events/sven-sachsalber 17 hours 45 minutes
  27. 27. Brett Ryder - http://www.economist.com/node/15579717 Extraire l’information
  28. 28. Quand Où Comment
  29. 29. Contenu de l’image ? Quoi
  30. 30. Du pixel... Image satellitaire ...à l’information Carte d’occupation du sol Cultures Bâtiment Forêt
  31. 31. Traiter les images Solution 1
  32. 32. Orfeo Toolbox Remote sensing image library Open Source Developed by the French Space Agency Solution 1
  33. 33. Orfeo Toolbox More than 70 high level processing chains orthorectification segmentation classification etc. Solution 1
  34. 34. Solution 1 Orfeo Toolbox More than 70 high level processing chains orthorectification segmentation classification etc. Supervised learning (land cover is computed from a set of "well known areas" given by user) Based on SVM (http://en.wikipedia.org/wiki/Support_vector_machine)
  35. 35. Solution 1 https://vimeo.com/63320692
  36. 36. Deep learning Solution 2 ????
  37. 37. http://techcrunch.com/2014/08/15/google-buys-jetpac-to-give-context-to-visual-searches/ + = Deep learning Solution 2
  38. 38. Deep learning Solution 2 !!!! Plutôt adapté à l’extraction d’objets (ex. aéroport, route, tank, etc.) Quelle base de référence d’images ?
  39. 39. Solution 2
  40. 40. Solution 2 FOOTPRINT
  41. 41. Emprise de l’image Bords de côtes Toponymes (Continents, Pays, Régions, Etats) Densité de population Occupation du sol …etc… Couches d’informations […etc…] { "name":"Europe", "id":"continent:europe", "countries":[ { "name":"Italy", "id":"country:italy", "pcover":37.02, "regions":[ { "name":"Valle d'Aosta", "id":"region:valle-d-aosta", "states":[ { "name":"Aoste", "id":"state:aoste", "pcover":37.02, "toponyms":[] } ] } ] }, […etc…] github.com/jjrom/itag iTag
  42. 42. Métadonnées « améliorées » Métadonnées « traditionnelles »
  43. 43. Recherche « sémantique » github.com/jjrom/resto resto
  44. 44. California Coastal town spring without clouds github.com/jjrom/resto resto
  45. 45. Comment voir tous les résultats de recherche ? Problème
  46. 46. ~201 300 produits 11/02/2016
  47. 47. ~11000 produits 11/02/2016
  48. 48. « Pléiades les 15 derniers jours »
  49. 49. « Villes aux Etats-Unis les 15 derniers jours »
  50. 50. « Zones cultivées aux Etats-Unis » Carte de référence pour comparaison
  51. 51. Merci ! mapshup.com

×