京公网安备 11010802034615号
经营许可证编号:京B2-20210330
CDA数据分析师 出品
编译:Mika
【导读】
你是否想搜索地球表面的实时影像?Marshall和他在Planet的团队将使用世界上最大的卫星群每天拍摄整个地球的图像。现在他们正在进行一个新的项目:使用人工智能对地球上所有的物体进行索引——这可以使船只、树木、房屋和地球上的一切东西都可以搜索,就像谷歌等搜索引擎一样。
4年前就在TED的讲台上,我公布了地球任务1号:
发射一系列卫星,从而能每天拍摄地球全貌,并让大众能获得这些信息。
我们要解决的问题很简单。在网上,你能找到的卫星图片很旧了,甚至早就过时了。但是人类活动每时每刻、每天、每周、每月都在发生。
我们不能解决自己看不见的问题,我们想要给人们工具去看见变化,并且采取行动。
阿波罗17号的宇航员在1972年照下了美丽的蓝色星球图片,这帮助人们了解到我们生活在一个脆弱的星球上。
因此我们想要继续这项事业,为人们提供保护地球的工具。
在完成了多个我们自己的阿波罗任务,发射了人类历史上数量最多的一组卫星后,我们完成了既定目标。
今天,Planet每天都在记录着地球的全貌,任务完成!
这个任务完成了21次火箭发射。这个图让整个过程看起来很轻松,但事实并非如此。
现在我们有超过200个卫星在轨道上环绕运行,将搜集到的数据发送到31个全球站点。
每天,我们总计得到150万张,共计29兆像素的地球表面图片。并且,在地球表面任意一点,我们现在拥有平均超过500张图片。
这些巨大的数据记录着巨大的改变,很多人在使用这些图片。
农业企业用他们来提高农民的产量;商业地图公司用他们来提高地图的精度;政府用他们来监管边疆安全,或是应对自然灾害,比如洪水、火灾或地震;很多非政府组织也在用它们,去追踪并阻止森林砍伐,帮助找到逃离缅甸的难民,或追踪叙利亚危机中的活动,以令各方势力负责。
今天我有幸能够宣布Planet stories的上线,任何人都可以登陆planet.com,创建一个账户,就能在网上看到所有的图片。
这相当于一个实时版的Google Earth,你还可以看到历史数据。你可以比较任何两天,然后发现我们的星球发生的巨大改变。或者你可以用这500张照片创造一个延时视频,去显示该地点随着时间发生的巨大变化。你还可以把它们分享到社交网络上,这很酷。
我们最初为新闻工作者创造了这个工具,为了让他们得到对于世界不带偏见的信息。但现在我们把它向公众开放,用于非盈利或个人用途。
我们希望这个工具能够让人们发现地球发生的变化,并做出改变。
那么人类现在有了这个不断变化的地球数据库,我们的下一个任务是什么呢?
简而言之,就是空间加上人工智能。
我们利用人工智能检索卫星图片中的事物。网上用来在视频中标记猫狗的AI工具,同样可以用来处理我们的照片。
想象这里有艘船,这里有棵树,这是辆车,这是条路,这是个大楼,这是个卡车。
如果你能够对每天产生的几百万张图片,这样处理就基本上创造出了一个数据库。当中包含了地球上每天存在的有形事物,并且这个数据库是可以被搜索的。
这就是我们在做的事。这是一个使用了我们API的原型。
这是北京,如果我们想要统计机场的飞机数量,只需要选择机场,程序就会检索出今天照片中的飞机和以前所有照片中的飞机。然后它生成了这张标记了北京机场飞机的统计图。当然,你可以对世界上任何一个机场这样操作。
让我们来看看温哥华的一个港口,我们用同样的流程来统计船只。放大并选中温和华,搜索这片区域,然后我们搜索船只,就会得到船只的情况。
想象一下这将为负责追踪并组织非法捕鱼的海岸保卫人员提供多么大的帮助。合法的捕鱼船只,用AIS灯塔传达他们的位置。但我们经常发现违反规则的船只,图片不会撒谎。所以海岸保卫人员可以利用这个信息来发现非法船只。
我们将会很快加入不局限于飞机、船只的其他对象,并且我们可以生成这些地点的对象数据流。
从人们的工作流程中进行数字化集成,未来我们还可以建立一个更复杂的浏览器,让人们放入不同来源的信息。
但是最终,我们可以把图像完全抽象化,产生一个可检索的地球表面界面。
想象一下我们可以这样问:
“巴基斯坦有多少栋楼房?对时间做个统计图。” “亚马逊有多少树?还有从上周到这周倒下的树的地点?”
这不是很棒吗?这就是我们想要达到的目标,我们叫它“可检索地球”。
地球任务1号负责每天记录地球表面的图像,并对大众开放。
地球任务2号负责对地球上所有事物编码,生成检索信息。
不妨这样类比,Google把互联网上的事物编码,建立了搜索引擎。我们要将地球上所有事物编码,同样方便大家查询。
非常感谢!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07在数据分析与统计推断中,p值是衡量假设检验结果显著性的核心指标,其本质是在原假设(通常为“无效应”“无差异”)成立的前提 ...
2026-04-07在数字经济深度渗透的今天,数据已成为企业生存发展的核心资产,企业的竞争本质已转变为数据利用能力的竞争。然而,大量来自生产 ...
2026-04-07Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27