Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
衛星データ X 機械学習
Search
tellus
December 05, 2019
Technology
0
120
衛星データ X 機械学習
12/5開催のTellus Satellite Cafeの資料となります。
※2次配布禁止
tellus
December 05, 2019
Tweet
Share
More Decks by tellus
See All by tellus
Tellusに搭載の衛星データについて
xdp
0
440
Tellusを使った衛星データ解析事例紹介
xdp
0
84
衛星データの基礎_20190930
xdp
0
270
衛星データの基礎_20190801
xdp
0
200
Other Decks in Technology
See All in Technology
制約理論(ToC)入門
recruitengineers
PRO
7
3.2k
Browser
recruitengineers
PRO
5
1.7k
AIエージェントの活用に重要な「MCP (Model Context Protocol)」とは何か
masayamoriofficial
0
190
Backboneとしてのtimm2025
yu4u
5
1.7k
アジャイルテストで高品質のスプリントレビューを
takesection
0
140
「守る」から「進化させる」セキュリティへ ~AWS re:Inforce 2025参加報告~ / AWS re:Inforce 2025 Participation Report
yuj1osm
1
160
『FailNet~やらかし共有SNS~』エレベーターピッチ
yokomachi
1
170
実践アプリケーション設計 ③ドメイン駆動設計
recruitengineers
PRO
11
2.9k
モダンフロントエンド 開発研修
recruitengineers
PRO
6
4.2k
JOAI発表資料 @ 関東kaggler会
joai_committee
1
480
人と組織に偏重したEMへのアンチテーゼ──なぜ、EMに設計力が必要なのか/An antithesis to the overemphasis of people and organizations in EM
dskst
6
690
Jaws-ug名古屋_LT資料_20250829
azoo2024
3
180
Featured
See All Featured
Sharpening the Axe: The Primacy of Toolmaking
bcantrill
44
2.5k
Being A Developer After 40
akosma
90
590k
The Illustrated Children's Guide to Kubernetes
chrisshort
48
50k
How to Create Impact in a Changing Tech Landscape [PerfNow 2023]
tammyeverts
53
2.9k
How to train your dragon (web standard)
notwaldorf
96
6.2k
[RailsConf 2023] Rails as a piece of cake
palkan
56
5.8k
VelocityConf: Rendering Performance Case Studies
addyosmani
332
24k
Navigating Team Friction
lara
189
15k
Building Better People: How to give real-time feedback that sticks.
wjessup
368
19k
Build your cross-platform service in a week with App Engine
jlugia
231
18k
The Pragmatic Product Professional
lauravandoore
36
6.8k
Evolution of real-time – Irina Nazarova, EuRuKo, 2024
irinanazarova
8
900
Transcript
自己紹介 養王田 一尚 (よおだ かずひさ) Tellusのエンジニア 兼 宙畑のライター 主に「ゼロからのTellusの使い方」シリーズを執筆
衛星データ X 機械学習
Pythonを書いた経験がある
機械学習やったことある
お仕事で機械学習を使っている
せっかく取得したタイルが 雲ばかりで地上が見えない
雲の有無でタイルを分類する clear cloudy
事前準備1 AVNIR-2のTile画像を取得しよう コードは後日Slackで共有いたします
搭載衛星データ ALOS (AVNIR-2) 光学 10m 4band
範囲を緯度経度で指定 トークンを設定(マイページで確認) Jupyter LabでAVNIR-2のシーン情報を取得しよう
rspId, productIdは画像を呼び出す際に必要 OS上でも「メタデータ詳細」で確認することができる
バンド選択 トークンを設定 Jupyter LabでAVNIR-2のタイル画像を取得しよう 地図タイルの座標
ズーム率 タイル枚数 座標サンプル タイル座標(x, y) タイルの左上の経度緯度 0 1 (0, 0)
=> (-180, 85.0511) 1 4 (0, 1) => (-180, 0) (1, 0) => (0, 85.0511) (1, 1) => (0, 0) 2 16 (0, 1) => (-180, 66.5133) (0, 2) => (-180, 0) (0, 3) => (-180, -66.5133) (2, 1) => (0, 66.5133) ... 12 16777216 (3638, 1613) => (139.7461, 35.3890) Webメルカトル地図を256×256ピクセルの正方形に切 り分けたものです。 座標(x, y)とズーム率(z)により指定します。 タイル地図とは
指定した緯度経度を含むタイル座標を返す 緯度経度からタイル座標を求める
指定したシーンからタイル画像が切り出される
事前準備2 教師データを作ろう
1. 大量にタイルを取得する。 今回は約3000枚用意 2.「晴れ」「曇り」「判別が難しい」の3種類に画像を人の目で(!)分類する。 今回は晴れが600枚、曇が1000枚でした。 3. 分類した「晴れ」と「曇り」の画像を 「学習用」「訓練時検証用」「評価用」に分ける。 dataset ┣
train (学習用) ┃ ┣ clear ┃ ┗ cloudy ┃ ┣ validation (訓練時検証用) ┃ ┣ clear ┃ ┗ cloudy ┃ ┗ test (評価用) ┣ clear ┗ cloudy clear cloudy ng
TensorFlow(+Keras)で機械学習
モデルの作成 畳み込みニューラルネットワーク 画像サイズ
WARNINGが出ますが問題ありません。 層の数や次元の数は試行錯誤のしどころ 畳み込みニューラルネットワークについてもっと勉強したい人には 以下の記事がおすすめ https://kenyu-life.com/2019/03/07/convolutional_neural_network/ https://www.analyticsvidhya.com/blog/2016/04/deep-learning-computer- vision-introduction-convolution-neural-networks/
学習データの読込み 回転や拡大縮小によりデータを水増し 2 classes以外の結果が出た場合、不要なディレクトリが含まれている可能性があります。 詳しくはKerasのチュートリアルを参照 https://keras.io/ja/
学習実行 モデル一時保存 1回あたりの試行回数と繰り返し回数 いざ実行
約6時間かかりました
正解率85%! 結果 繰り返し回数は半分の 10回程度でよかったかも
評価用データでも約88%の正解率を達成!
晴れ判定(0.5未満)
曇り判定(0.5以上)
薄曇りも正しく判定
雪があっても正しく判定
やや自信なし?
たまに誤判定も?
雲の有無でタイルを分類する clear cloudy 8割を超える精度で達成! パラメータを試行錯誤して目指せ9割超え
衛星データであそぼう 本日のコードはSlackで後日共有します