AOI | 一般財団法人リモート・センシング技術センター
衛星画像検索の際に抽出対象とする範囲のこと。 範囲（AOI）を指定したKML/KMZファイルなどをGISソフトや衛星データプラットフォームなどで読み込むことで指定した範囲を含む衛星データが抽出される。なお、指定した範囲が一部しか含まれない画像も検索結果に含まれるため注意が必要。
JAXA Earth API
地球観測データは衛星やセンサー、配信システムごとに仕様が異なり、データを横断的に活用するためには専門的な知識を要します。 そこでJAXAが保有する複数の衛星データをAPI (Application Programming Interface) 経由で、プログラミング環境 (Python、JavaScript) 上から簡単に利用できるようにするための衛星データ配信サービス「JAXA Earth API」の開発をスタートしました。 JAXAが公開している地球観測データの一部に対応しており、順次追加予定です。 Python API 最新版 (英語のみ) Python API v0.1.2 (日本語) 2024/04/02 - JAXA Earth API for Python Version 0.1.3 を公開しました。 2024/04/01 - 南極の海氷密接度を追加しました。 2023/06
AIによってナスカ調査が加速したことで、既知の具象的な地上絵の数がほぼ倍増し、地上絵の目的が明らかになった｜国立大学法人 山形大学
ホーム > 新着情報：プレスリリース > 2024年09月 > AIによってナスカ調査が加速したことで、既知の具象的な地上絵の数がほぼ倍増し、地上絵の目的が明らかになった 掲載日：2024.09.24 本発表の主なポイント 山形大学ナスカ研究所とIBM研究所の共同研究プロジェクトの成果が、Proceedings of the National Academy of Sciences (PNAS) に掲載されることが決定した。 AIによって加速化された調査によって、6か月間の現地調査で新たに303個の新地上絵が特定された。これにより、ナスカ台地で確認済みの地上絵の数はほぼ倍増した。 巨大な線タイプの地上絵は、主に野生動物が描かれており、直線と台形の地上絵によって構成されるネットワークに沿って分布している。これらは、共同体レベルの儀礼活動に使用された。 小型の面タイプ（レリーフタイプ）の地上絵
ニーズとシーズの距離が限りなく0に近づく、生成AI×Tellusが実現する衛星データの未来 | 宙畑
本事業が必要な宇宙産業の未来と課題について紹介したうえで、本事業に関わる株式会社TellusのCOO牟田梓さん、株式会社New Space Intelligence（NSI）のCEO長井裕美子さん、また、生成AIによる検索機能などの実装に関わる株式会社SIGNATEのCEO齊藤秀さんに伺った本事業の詳細と今後の展望をまとめました。 2024年5月27日、Tellusは衛星データの社会実装の加速を目指し、基盤強化のための研究開発事業を本格始動したことを発表しました。本事業は令和4年度第2次補正予算「中小企業イノベーション創出推進事業（SBIR）」の応募テーマ「衛星リモートセンシングビジネス高度化実証」においてNew Space Intelligence（以下、NSI）とともに採択されたもので、衛星データ利活用の促進における様々な課題を解決するものとして期待されています。 本記事では、本事業が
「これ当たるんよ」「次はいつ？」山口県のキーマンに訊く、衛星データで品質向上を実現した小麦農家の生の声と展望 | 宙畑
「これ当たるんよ」「次はいつ？」山口県のキーマンに訊く、衛星データで品質向上を実現した小麦農家の生の声と展望 2年前に宙畑が取材をした山口県の小麦の生育に衛星データを利用するという事例は今どこまで進んでいるのか。その後と農家さんのリアルな声を知ることができました。 日本の農業従事者のうち65歳以上は全体の70%を占めており、高齢化に伴う引退により農業従事者が減少しています。そのため、少ない農業従事者で多くの農地を管理するために、技術を活用して省人化を進める必要があります。 そのようななかで、山口県は農業における省力化の取り組みとして衛星データの活用が積極的に推進されており、様々な先進事例があります。そのひとつが、本記事のテーマ「小麦の品質向上」です。 この実証では、基準値を超える小麦の割合が令和4年産では25%だったところ、実証後の令和5年産では56%に倍増。その結果、農家の方からは「当た
NECが被災状況を把握する実証実験、住民の投稿画像をLLM活用などで分析・可視化
NECは大規模言語モデル（LLM）と画像分析技術を活用し、被災状況の把握に向けた実証実験を2024年11月から茨城県つくば市で実施する。火災などの災害時を想定し、住民や消防団などが撮影・投稿した画像を、LLMや画像分析システムを活用して分析、可視化する。本実証により、災害時における状況把握や初動対応などへの有用性などを確認する予定だ。 本実証は、つくば市の情報提供アプリ「つくスマ」の開発環境を使う予定だ。実証エリア内の平時の状況を一部の住民と消防団員に投稿してもらい収集する。集めた投稿画像をLLMと画像技術による分析を通じ、アプリのダッシュボード上に表示したデジタルマップとして可視化・閲覧できるようにする。 画像の分析、可視化にはNECの2つの技術を活用する。位置推定技術と、言葉と画像のひも付けに用いるLLM活用技術だ。まず、地上で撮影された写真と衛星画像や航空写真を照合し、投稿画像の位置
Dynamic World - 10m global land cover dataset in Google Earth Engine
Beginning August 14, 2021, the Caldor Fire burned 221,775 acres in El Dorado County, California, destroying over 1,000 structures and displacing thousands of residents. Days after the start of the fire, land cover changed from “trees” to “shrub/scrub” in Dynamic World. Snow is nothing unusual to people living on the Northeast coast. As the saying goes, if you don’t like the weather in New England,
大規模災害時に最短で24時間以内に各種民間データを公開していく社会実験を行います！
近年、日本では激甚災害の種類や頻度が増えており、迅速な対応が必要とされています。同時に、情報技術の進歩により、ドローン、レーザー、高解像度衛星、スマートフォン、人工知能などを活用して、様々な支援が可能になっています。例えば、2016年11月にオープンしたG空間情報センターでは、民間企業のプローブカーによる通行実績データが災害対策本部に提供され、災害発生後1日以内に配信が開始されています。 しかし、災害時に役立つデータを持っている民間企業が多いにも関わらず、それらのデータを有効活用する仕組みはまだ整っていません。 そこで、東京大学空間情報科学研究センター（CSIS）と一般社団法人社会基盤情報流通推進協議会（AIGID）は、2019年から産官学連携で「民間事業者によるリアルタイム災害情報提供研究会」を立ち上げました。この研究会では、民間企業が持つリアルタイムあるいはそれに近いデータを迅速に収集
１歩目の衛星データの取得判読解析予測の基礎
本編 検証事象の紹介 衛星の撮像検索 衛星画像の取得 事象の判読 地理空間処理 画像解析 事象のモデリング 予測の可視化 山火事の影響 おまけ きっかけ モチベーション 作業処理フロー 参考 本編 よくやる簡単な衛星データの扱いや利用について記載しまーす！ 検証事象の紹介 今回は 山火事 を題材にします。 特に、長野県諏訪市と茅野市の境にある霧ヶ峰高原の山火事を検証事象に進めていきます。 ニュース記事 Youtube まずは地道に対象エリアの座標や時事関係を整理するためにニュースなどから調査します。 事象は 2023 5/4 ~ 5/5 場所は 36.103056, 138.196667 は最低限、撮像検索のために特定します 衛星の撮像検索 今回はSentinel Hub の EO Browserを使って検索していきます。 まず、右上の赤丸の部分に座標を打ち込んで場所検索します 今回使用す
OCEAN COLOR: (NASA の衛星オープンデータ) の Python での取得と可視化
OCEAN COLOR WEB について NASA は海洋観測のために、幾つかの衛星や装置でセンサーを保有しています。 これらのデータを統合して過去から現在までのアーカイブデータをオープンデータとして公開しています。 OCEAN COLOR とは そのままではありますが、主に海洋での色のことです。 基本的には、海は太陽光の反射や散乱によってその色彩を変化させます。 しかしながら、それだけではなく海では様々な影響によってその色合い、色調を変えてゆきます。 例えば、プランクトンや含有金属、微生物などです。これらは自然の化学現象や人間の活動による結果だったりと地球規模での移り変わりを観測するための重要な指標の１つになっています。 海洋や気象にも密接に関係しているデータがこんなにも長期で獲得できるなんて素晴らしすぎますね。 今回は、身近な日本周辺のデータを取得して解析するために可視化したりして実際
【初心者向け】Google Earth Engineを用いた衛星データ解析入門 ~タイムラプスを作成し地球の環境変動を観察~
【初心者向け】Google Earth Engineを用いた衛星データ解析入門 ~タイムラプスを作成し地球の環境変動を観察~ 衛星データを使って地球環境の変動について観察したいと考えたり、自身の研究に地球規模のマクロな視点を取り入れたいと考えたことはありますか。 本書はプログラミングの経験があまりない人でも衛星データを使った解析が始められるように、Google Earth Engineというツールを中心に簡単な衛星データの取り扱い方を解説しています。 この機会に是非、衛星データ解析を始めてみませんか。 【対象とする読者】 ・衛星データ解析を扱ったことがないが興味がある人 ・地球環境の変動に興味がある人 ・自分の研究に地球規模のマクロな視点を取り入れたい人 【販売価格】 期間限定で ¥2500→¥800 (約70% OFF!!)で販売しております！ 【直近のアップデート情報】 2024/02
低い解像度の衛星画像から車を検出できるのか？ - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 【注意】本記事は適宜更新します． 概要 衛星画像には30cmの高分解能のものから，Copernicusで無料で提供されている10mの中分解能のものと，解像度がそれぞれ異なります．高い解像度のものを使いたいのですが，高価なため入手するのは難しいです．でも，目的によってはそれほどの解像度は不要なのではと考え，車を検出することをターゲット として実験しました． (credit: Cars Overhead With Context (COWC)) ここで用いたコードは近々整理し，Githubにてシェアします． 1. 衛星画像の分解能と物体検知
【GEE】ランダムフォレストで土地被覆分類を行う【衛星データ解析】 - LabCode
土地被覆分類とは？ 衛星画像や航空写真などのリモートセンシングデータを分析し、地表のさまざまなカバータイプ（例えば、森林、農地、水域、都市地域など）を識別するプロセスです。土地被覆分類は地球環境のモニタリング、土地利用計画、生態系の管理、気候変動の研究など、多くの応用分野で利用されます。 以前の記事で利用した環境省生物多様性センターの植生図をはじめ、国土地理院の地理院地図、産総研のシームレス地質図などが作成され公開されています。 GEEには土地被覆分類を行うためのオブジェクトとしてee.Classifierというものが用意されています。これを利用することで機械学習を利用した土地被覆分類を行うことができます。 ee.Classifierが対応している主要な機械学習モデルは以下の通りです。 決定木(Decision Tree)：条件分岐によってグループに分けられる木の構造をしたものです。回帰に
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
151 dataset explorer - geemap
Sentinel-2 Cloud-Optimized GeoTIFFs - Registry of Open Data on AWS
STAC からはじめる地球観測衛星データの利活用
TinyGSではじめるOSSな衛星通信と地理空間情報
Leveraging LLMs for advanced spatial decision support: The case of SATGPT
ガザでの破壊を衛星画像で分析したら…イスラエル軍の「言行不一致」が見えた 東大教授ら「マップ」公開：東京新聞デジタル
Commercial – Google Earth Engine