m (Aechave moved page Draft Echave-Sustaeta 447094553 to Echave-Sustaeta 2022p) |
|||
| (One intermediate revision by the same user not shown) | |||
| Line 1: | Line 1: | ||
| − | + | <nowiki>#</nowiki>M2022 | |
| − | |||
| − | #M2022 | ||
'''Direcció de projecte: '''Institut Cartogràfic i Geològic de Catalunya | '''Direcció de projecte: '''Institut Cartogràfic i Geològic de Catalunya | ||
| − | <span id= | + | <span id="_GoBack"></span><span style="text-align: center; font-size: 100%;">'''Període''': 01/01/2014-01/12/2022 </span> |
| − | + | ==Descripció== | |
Desenvolupament d'eines i aplicació de mètodes que permetin la creació i actualització de la informació geogràfica vectorial o ràster de forma més eficient i propera a les demandes externes. Dotar de versatilitat els models de dades i derivar-ne productes conformes als estàndards internacionals. | Desenvolupament d'eines i aplicació de mètodes que permetin la creació i actualització de la informació geogràfica vectorial o ràster de forma més eficient i propera a les demandes externes. Dotar de versatilitat els models de dades i derivar-ne productes conformes als estàndards internacionals. | ||
| Line 16: | Line 14: | ||
''A partir de les ortoimatges ICGC, imatges satèl.lit i informació adicional, a partir de tècniques d’intel·ligència artificial, es fa una detecciód e canvis pel mapa de cobertes. En la imatge, canvis detectats per Deep leraning a partir ortoimatges de difrents anys ICGC'' | ''A partir de les ortoimatges ICGC, imatges satèl.lit i informació adicional, a partir de tècniques d’intel·ligència artificial, es fa una detecciód e canvis pel mapa de cobertes. En la imatge, canvis detectats per Deep leraning a partir ortoimatges de difrents anys ICGC'' | ||
| − | + | ==Observacions== | |
Configuració d'arquitectures que, a partir de xarxes neuronals (intel·ligència artificial), permetin obtenir una detecció dels canvis més rellevants (actualització cartogràfica sobre el territori). | Configuració d'arquitectures que, a partir de xarxes neuronals (intel·ligència artificial), permetin obtenir una detecció dels canvis més rellevants (actualització cartogràfica sobre el territori). | ||
| − | + | ==Finalitat de l'acció== | |
Detecció automàtica o quasi automàtica de canvis en el territori per tal d'agilitzar el procés d'actualització de la informació cartogràfica. | Detecció automàtica o quasi automàtica de canvis en el territori per tal d'agilitzar el procés d'actualització de la informació cartogràfica. | ||
| − | + | ==Novetats que aporta l'acció== | |
Obtenció d'un MDS dens per tot el territori, adequat per a la detecció de canvis o per a la generació d'ortofoto vertadera o models de ciutats. Estudi de la complementarietat de les dades d'un MDS i de les dades òptiques: les primeres detecten canvis volumètrics (expansió urbana industrial, infraestructures viàries, talat de boscos), les segones detecten canvis superficials (canvis en l'asfalt, preparació de solars). Utilització de sèries estacionals satèl·lit Sentinel-2 i del SIGPAC per a la millora en la detecció de canvis i el seu marcatge per al mapa de cobertes MCSCV5. | Obtenció d'un MDS dens per tot el territori, adequat per a la detecció de canvis o per a la generació d'ortofoto vertadera o models de ciutats. Estudi de la complementarietat de les dades d'un MDS i de les dades òptiques: les primeres detecten canvis volumètrics (expansió urbana industrial, infraestructures viàries, talat de boscos), les segones detecten canvis superficials (canvis en l'asfalt, preparació de solars). Utilització de sèries estacionals satèl·lit Sentinel-2 i del SIGPAC per a la millora en la detecció de canvis i el seu marcatge per al mapa de cobertes MCSCV5. | ||
| − | + | ==Fonaments de la novetat== | |
Millora de l'ajust en l'aerotriangulació, desenvolupaments en millores radiomètriques, nous processos i anàlisi de nous programaris per la producció d'ortofotos. Implementació de sistemes de detecció automàtica de canvis. Canvis metodològics, tecnològics en els fluxos o cadenes productives i en el disseny de models de dades més rics i preparats per a la fusió, integració o intervenció en arquitectures d'intel·ligència artificial, entre d'altres per agilitzar el marcatge de xones a actualitzar en els productes del Mapa de Cobertes i Sòls de Catalunya. | Millora de l'ajust en l'aerotriangulació, desenvolupaments en millores radiomètriques, nous processos i anàlisi de nous programaris per la producció d'ortofotos. Implementació de sistemes de detecció automàtica de canvis. Canvis metodològics, tecnològics en els fluxos o cadenes productives i en el disseny de models de dades més rics i preparats per a la fusió, integració o intervenció en arquitectures d'intel·ligència artificial, entre d'altres per agilitzar el marcatge de xones a actualitzar en els productes del Mapa de Cobertes i Sòls de Catalunya. | ||
| − | + | ==Any 2021== | |
Durant el 2021 s'ha realitzat el desenvolupament de la detecció, el més automatitzada possible, de grans canvis espaials o radiomètrics per a la generació de cartografies temàtiques de paràmetres ambientals, a partir de capes de Geoinformació pròpies o de sèries temporals de satèl·lit, òptiques i radar, algoritmes d'intel·ligència artificial i en particular Deep learning. | Durant el 2021 s'ha realitzat el desenvolupament de la detecció, el més automatitzada possible, de grans canvis espaials o radiomètrics per a la generació de cartografies temàtiques de paràmetres ambientals, a partir de capes de Geoinformació pròpies o de sèries temporals de satèl·lit, òptiques i radar, algoritmes d'intel·ligència artificial i en particular Deep learning. | ||
| − | + | ==Any 2022== | |
Durant el 2022 s'ha realitzat el desenvolupament de la detecció, el més automatitzada possible, de grans canvis espacials o radiomètrics per a la generació de candidats a conreus il·legals a partir de les variacions en CHM (canopy high model). | Durant el 2022 s'ha realitzat el desenvolupament de la detecció, el més automatitzada possible, de grans canvis espacials o radiomètrics per a la generació de candidats a conreus il·legals a partir de les variacions en CHM (canopy high model). | ||
Latest revision as of 10:24, 1 June 2023
#M2022
Direcció de projecte: Institut Cartogràfic i Geològic de Catalunya
Període: 01/01/2014-01/12/2022
Contents
Descripció
Desenvolupament d'eines i aplicació de mètodes que permetin la creació i actualització de la informació geogràfica vectorial o ràster de forma més eficient i propera a les demandes externes. Dotar de versatilitat els models de dades i derivar-ne productes conformes als estàndards internacionals.
A partir de les ortoimatges ICGC, imatges satèl.lit i informació adicional, a partir de tècniques d’intel·ligència artificial, es fa una detecciód e canvis pel mapa de cobertes. En la imatge, canvis detectats per Deep leraning a partir ortoimatges de difrents anys ICGC
Observacions
Configuració d'arquitectures que, a partir de xarxes neuronals (intel·ligència artificial), permetin obtenir una detecció dels canvis més rellevants (actualització cartogràfica sobre el territori).
Finalitat de l'acció
Detecció automàtica o quasi automàtica de canvis en el territori per tal d'agilitzar el procés d'actualització de la informació cartogràfica.
Novetats que aporta l'acció
Obtenció d'un MDS dens per tot el territori, adequat per a la detecció de canvis o per a la generació d'ortofoto vertadera o models de ciutats. Estudi de la complementarietat de les dades d'un MDS i de les dades òptiques: les primeres detecten canvis volumètrics (expansió urbana industrial, infraestructures viàries, talat de boscos), les segones detecten canvis superficials (canvis en l'asfalt, preparació de solars). Utilització de sèries estacionals satèl·lit Sentinel-2 i del SIGPAC per a la millora en la detecció de canvis i el seu marcatge per al mapa de cobertes MCSCV5.
Fonaments de la novetat
Millora de l'ajust en l'aerotriangulació, desenvolupaments en millores radiomètriques, nous processos i anàlisi de nous programaris per la producció d'ortofotos. Implementació de sistemes de detecció automàtica de canvis. Canvis metodològics, tecnològics en els fluxos o cadenes productives i en el disseny de models de dades més rics i preparats per a la fusió, integració o intervenció en arquitectures d'intel·ligència artificial, entre d'altres per agilitzar el marcatge de xones a actualitzar en els productes del Mapa de Cobertes i Sòls de Catalunya.
Any 2021
Durant el 2021 s'ha realitzat el desenvolupament de la detecció, el més automatitzada possible, de grans canvis espaials o radiomètrics per a la generació de cartografies temàtiques de paràmetres ambientals, a partir de capes de Geoinformació pròpies o de sèries temporals de satèl·lit, òptiques i radar, algoritmes d'intel·ligència artificial i en particular Deep learning.
Any 2022
Durant el 2022 s'ha realitzat el desenvolupament de la detecció, el més automatitzada possible, de grans canvis espacials o radiomètrics per a la generació de candidats a conreus il·legals a partir de les variacions en CHM (canopy high model).
