ML / AI

Google Earth Engine and TensorFlow, can we get these two to work together ?

Quickie

Abstract:

Satellite remote sensing is one of the most important and widely used tools for large geographical area mapping and global change detection. Coupled with data analysis techniques, it has many real world applications such as land use mapping, resource exploration and environmental studies.

The late advances in satellite imagery acquisition as well as their wide availability has made it possible for developers and data scientists to join in as well.

In this presentation, we are going to see how we can use Google Earth Engine’s datasets to train relatively new deep learning models in order to build new applications based on tensorflow object detection, land cover classifications etc.

Because Google Earth Engine does not yet support deep learning based analysis in its servers, we showcase our own open source based solution Rsbot to extract and sample the images, train predefined tensorflow models, and visualize the results.

We concentrate on two specific use cases: crop-specific land cover classification and renewable energy plant detection such as solar and wind power.

Résumé:

La télédétection par satellite est l’un des outils les plus importants et les plus largement utilisés pour la cartographie de zones géographiques et la détection des changements mondiaux. Couplée à des techniques d’analyse de données, elle englobe de nombreuses applications réelles telles que la cartographie de l’exploitation des terres, l’exploration des ressources et les études environnementales.

Les dernières avancées dans l’acquisition d’imagerie satellite ainsi que leur grande disponibilité ont permis aux développeurs, et les data scientistes d’intégrer ce domaine également.

Dans cette présentation, nous allons voir comment nous pouvons utiliser les jeux de données de Google Earth Engine pour former des modèles d’apprentissage profond afin de construire de nouvelles applications basées sur la détection d’objets ou la classification de la couverture terrestre avec tensorflow.

Étant donné que Earth Engine ne prend pas encore en charge l’analyse basée sur l’apprentissage profond (deep learning) sur ses serveurs, nous allons présenter notre propre solution open source Rsbot pour extraire et échantillonner les images, entraîner des modèles prédéfinis de tensorflow et visualiser les résultats.

Nous allons voir deux cas d’utilisation spécifiques: La classification des terres cultivées par type de culture et la détection des centrales d’énergie renouvelable telles que l’énergie solaire et éolienne.