KTU mokslininkai sukūrė metodiką, kuri leidžia analizuoti ortografinių nuotraukų pokytį skirtingu laikotarpiu ir užtikrina, kad visų laikotarpių vertinimas būtų vienodas, tikslus. Ši prieiga leidžia objektyviai palyginti regiono kaitą skirtingu laikotarpiu ir suteikia metodologinę prieigą pokyčio prognozavimui – nuspėti kaip gali plėstis miestas ateityje.
Atlikti tyrimai buvo pristatyti tarptautinėje GIS konferencijoje „GISTAM 2021“, kurioje dalyvavo daugiau nei 27 šalių mokslininkai. Kauno technologijos universiteto (KTU) mokslininkų tyrimas buvo pripažintas atsižvelgiant į jo praktinio pritaikomumo galimybes ir išrinktas kaip geriausias konferencijos pranešimas.
KTU tyrėjai iš Informatikos fakulteto (KTU IF): Tautvydas Fyleris, Andrius Kriščiūnas ir Dalia Čalnerytė, bei Ekonomikos ir verslo fakulteto (KTU EVF) tyrėjas Valentas Gružauskas, atlieka tarpdisciplininius tyrimus siekiant sukurti įrankius skirtus regiono plėtrai analizuoti. Dar 2019 metais tyrėjų komanda pradėjo dirbti su orto nuotraukų analize, kurios metu vykdė KTU MTEPI fondo projektą „Vaizdų dekompozicijos ir dirbtinio intelekto sąjungos taikymas proceso evoliucijos nustatymui“.
Projekto metu buvo atliekami bandomieji tyrimai siekiant analizuoti orto nuotraukų pokytį ilgame laiko periode, kaip panaudojant duomenis „Nacionalinė žemės tarnyba prie Žemės ūkio ministerijos“ 2-3 metų laikotarpiu sudaromus ortografinius ORT10LT žemėlapius. Tyrimų metu pritaikius dirbtinį intelektą atliktas įvairių objektų, tokių kaip miškas, vanduo ir namai, identifikavimas Lietuvos mastu.
Dirbtinio intelekto panaudojimas – orto nuotraukų pokyčiams analizuoti
Taikant algoritmą tyrėjų komanda susidūrė su dviem pagrindinėmis problemomis. Pirmoji problema susijusi su orto nuotraukų kokybe. Analizės metu buvo naudoti trijų laikotarpių duomenys: 2009-2010, 2012-2013 ir 2015-2017. Jų kokybė skyrėsi priklausomai nuo periodo, o bendra duomenų apimtis sudarė 9 terabaitus.
Palyginimui, aukštos raiškos nuotrauka, daryta telefonu, užima iki 5 megabaitų. Taigi, analizuotas duomenų rinkinys sudarytų apie 1,9 mln. tokių nuotraukų. Dirbant su tokiu dideliu duomenų kiekiu reikia spręsti duomenų saugojimo ir jų greito apdorojimo problemą, todėl buvo pasitelkta KTU duomenų centro įranga. Tam, kad būtų išvengta situacijų, kai geresnės kokybės nuotraukose objektai atpažįstami tiksliau, visų periodų duomenys buvo atitinkamai normalizuoti.
Kita problema yra susijusi su duomenų, skirtų algoritmo apmokymui, kokybe. Lietuva – unikali savo sezoniškumu, todėl naudojant turimus administracinius geografinius duomenis susiduriama su duomenų patikimumo problema, pavyzdžiui, priklausomai nuo metų laiko, kada darytos nuotraukos, dėl sausros ar upių išsiliejimo, vaizdai gali smarkiai skirtis. Be to nuotraukoje matomas vaizdas neatitinka konkrečioje teritorijoje turimų administracinių duomenų.
Analogiška situacija yra ir dėl žmonių laiku nepateikiamų administracinių duomenų, pavyzdžiui, kai vaizde matomas kirtimas vietoje miško ar neregistruoti statiniai atsiranda vietoje pievos. Šios problemos sprendimui buvo pritaikyta „patirties perkėlimo“ prieiga (angl. transfer learning), kurios metu pirminis vaizdų apdorojimui skirtas neuroninis tinklas, apmokytas automatiškai sudaryta duomenų aibe administracinių duomenų pagrindu, modelio patikslinimas atliktas su santykinai nedidele, rankiniu būdu atrinkta ir patikrinta, duomenų imtimi. Būtent tokia prieiga leidžia pasiekti geresnį atpažinimo tikslumą, mažiau laiko praleidžiant rankiniam duomenų paruošimui.
Tyrimų panaudojimas praktikoje ir studijose
Tyrimų vystymo metu įgytos patirties dėka tyrėjai turėjo galimybę 2020 metais dalyvauti ir Mokslo, inovacijų, technologijų agentūros (MITA), „Govtech ir dirbtinio intelekto technologijų skatinimas ir populiarinimas Lietuvoje (Govtech Laboratorija)“, „Kaip turėti realiu laiku atsinaujinantį ir pilną Lietuvos palydovinį vaizdą?“ projekte, kurio metu įgautą patirtį taikė palydovų nuotraukų, skirtų sudaryti praktiškai realiu laiku matomą Lietuvos žemėlapį, analizei.
Šį žemėlapį ateityje planuoja panaudoti Statistikos departamentas žemės ūkio paskirties vietovių identifikavimui ir statistikos rinkimo automatizavimui. Ši įgauta mokslininkų patirtis yra toliau integruojama ir studijose – atskirų modulių apimtyje įtraukiamos užduotys, susijusios su ortografinių vaizdų analize, šia tema rengiami baigiamieji darbai.
