Vide, lauksaimniecība un mežsaimniecība
Augsnes īpašību noteikšana, zemes lietojuma veida klasifikācija, veģetācijas monitorings, slimību noteikšana, sugu izplatības kartēšana, stāvokļa, izmaiņu noteikšana u.c.
Objektu identifikācija, monitorings, klasifikācija, apsekošana, izmaiņu noteikšana, modelēšana ir tikai daži no procesiem, kuros var izmantot tālizpētes datus.
Satelītattēlu izmantošana ļauj:
Apvienojot ĢIS, mašīnmācīšanās un mākslīgā intelekta (MI) rīku sniegtās iespējas, var optimizēt patērēto laiku, finansiālos un/vai cilvēkresursus darba uzdevumu veikšanai.
Tehnoloģijām attīstoties, arvien paplašinās to nozaru loks, kurās telpiskie dati var tikt izmantoti organizācijas mērķu sasniegšanai.
Kā oficiālais Esri pārstāvis Latvijā, pilnvērtīgam darbam ar tālizpētes datiem Envirotech piedāvā:
Esri programmatūru
ArcGIS Pro, ArcGIS Online, ArcGIS Enterprise, specializētie paplašinājumi, rīki, deep learning modeļi.
Piekļuvi satelītattēliem
Datu atlants Living Atlas of the World, tematiskās lietotnes Sentinel un Landsat datu skatīšanai, datu arhīvs augstas izšķirtspējas datu skatīšanai.
Papildus Esri nodrošinātajam, Envirotech sadarbojas ar komerciālo datu nodrošinātājiem:
Airbus
Augstas izšķirtspējas attēli, attēlu pasūtīšana (tasking) un piekļuve datu arhīvam
Planet
Augstas izšķirtspējas attēli, regulāri dati monitoringam un piekļuve arhīvam
Izmantojiet Esri lietotnes un datu atlantu
Izmantojot Living Atlas of the World, caur kartēm, lietotnēm un datu kopām no autoritatīviem datu avotiem un komerciāliem izplatītājiem, ArcGIS lietotāji savam saturam var pievienot virkni dažādu datu.
Ikvienam ArcGIS lietotājam ir piekļuve šim datu atlantam – izmantojot pārlūku un sadaļu Imagery, var meklēt interesējošos satelītattēlu slāņus. Datu atlantā ir iekļauti arī laikrindu un multispektrālie attēli, slāņi ar MI algoritma apstrādi (piem., Sentinel-2 Zemes lietojuma slānis), gatavi Deep learning modeļi tālākai datu analīzei, slāņi ar gatavām apstrādes veidnēm (processing templates).
Šī lietotne ir digitāls atlants, kas nodrošina piekļuvi iepriekšējām Esri pasaules satelītattēlu pamatkaršu versijām. Lietotnē apkopoti dažādu avotu dati, tostarp komerciālie (Maxar, Vantor, BlackSky u.c.), ar izšķirtspēju līdz 30 cm.
Datu pārklājums atšķiras – Latvijā atsevišķām teritorijām pieejami arhīva attēli jau no 2007. gada, savukārt, piemēram, Rīgai – arī augstas izšķirtspējas dati no 2025. gada. Lietotāji var pievienot šos datus savam ArcGIS saturam un izmantot vizualizācijas rīkus, piemēram, salīdzināšanu un animāciju veidošanu.
Bezmaksas piekļuve arhīvam un jaunākajiem attēliem ļauj analizēt un verificēt izmaiņas mežsaimniecībā, pilsētplānošanā un infrastruktūras attīstībā. Attēlus iespējams izmantot kā pamatkarti vai datu avotu karšu, lietotņu un MI risinājumu vajadzībām.
Piemērs: Rail Baltica posma būvniecība Lietuvā.
Living Atlas sadaļā Apps ir pieejamas specializētas lietotnes Landsat Explorer un Sentinel Explorer (Sentinel-1, Sentinel-2, Sentinel-2 Land Cover), kas nodrošina ērtu piekļuvi satelītattēlu arhīviem.
Sentinel dati pieejami no 2015. gada, bet Landsat – jau no 1982. gada. Meklēšanas rīki ļauj atlasīt interesējošo laika periodu, izvēlēties konkrētas misijas un noteikt kvalitātes kritērijus, piemēram, pieļaujamo mākoņainību.
Lietotnes piedāvā plašas analīzes un vizualizācijas iespējas bez papildu attēlu apstrādes – animāciju veidošanu, indeksu aprēķinus, profilu attēlošanu, pārmaiņu noteikšanu un gatavas apstrādes veidnes (piem., NDVI, lauksaimniecības teritorijas, virsmas temperatūra). Atlasītos datus var saglabāt un pievienot savam ArcGIS saturam turpmākai analīzei.
Aplūkot Explorer lietotnes.
Informācija par Sentinel-2 Explorer lietošanu.
ArcGIS GeoAI un iepriekš apmācīti dziļās mācīšanās modeļi
ArcGIS GeoAI iespējas ļauj izgūt datus ar padziļinātās mašīnmācīšanās (deep learning) metodēm un veikt analīzi ar mašīnmācīšanās (machine learning) palīdzību. Lai atvieglotu darba uzsākšanu, ir pieejami dažādi iepriekš apmācītie dziļās mācīšanās modeļi (pre-trained models) – objektu izgūšanai vai noteikšanai, pikseļu klasifikācijai, punktu mākoņa klasifikācijai, objektu noteikšanai, attēla detaļu aizklāšanai.
Plašāks ieskats modeļos (angļu val.): Pretrained Deep Learning Models