8. Térinforrás Meetup

Várunk Titeket ismét 2024 évzáró Térinforrásán, az NJSZT TérTáv szakosztály térinformatikai és távérzékelési meetup sorozatán!

📅 Időpont: 2024. november 27. szerda 18:30
📍 Helyszín: EIT Digital Budapest CLC nagyterem
(1117 Budapest, Bogdánfy u. 10/a.)

👨‍🏫👩‍🏫Előadók és témák:

1. Dr. Burai Péter (Envirosense Hungary): Távérzékelés alkalmazása a városi mikroklíma vizsgálatban
2. Dr. Varga Zsófia (ELTE, Térképtudományi és Geoinformatikai Intézet): Mélytanulási modellek és a mesterséges intelligencia lehetőségei a távérzékelt adatfeldolgozás során
3. Dr. Csendes Bálint (KTI - Közlekedéstudományi és Logisztikai Intézet): Járművek és infrastruktúra: térinformatikai módszerek közlekedési elemzésekhez, becslésekhez
4. Szabady Zsolt (Datakart Kft.), Szentpéteri László (PlanetBlue 21 d.o.o.): Drón-innovációk és GPS-zavarás az orosz-ukrán háborúban

🎟️A meetupon a részvétel ingyenes, de regisztrációköteles a TicketTailor felületén.
🍺🥪 A meetup szünetében a regisztrált résztvevők vendégeink egy italra és némi sörkorcsolyára. A rendezvénynek az érdekes előadások mellett a networking, szakmai kapcsolatépítés is fontos része, így aki teheti, maradjon velünk az előadások utáni kötetlenebb beszélgetésen is!
💼 Szervező: NJSZT Térinformatikai és Távérzékelési Szakosztály (https://njszt.hu/)

*****

Absztraktok

Dr. Burai Péter (Envirosense Hungary): Távérzékelés alkalmazása a városi mikroklíma vizsgálatban
A napjainkban egyre gyakrabban előforduló hőhullámok a városi területek beépített területein éreztetik leginkább káros hatásukat Elsősorban a túlzott beépítettség és mesterséges felszínek hatásai miatt ún. városi hősziget jelenség alakul ki. A termális infravörös adatokból számított felszíni hőmérsékleti adatokból jól látszanak a városon belül kialakult hőmérséklet különbségek, az éjszakai és nappali időszak közötti változások is megfigyelhetőek. A műholdas felvételeből számított hőtérképek, vegetációs indexek illetve a nagy felbontású légi lézerszkennelt adatok alkalmazásával különböző a városon belül akár épület szinten is modellezhető a hőmérséklet változékonysága, ami a városi területek tervezéshez ad segítséget.

Dr. Csendes Bálint (KTI - Közlekedéstudományi és Logisztikai Intézet): Járművek és infrastruktúra: térinformatikai módszerek közlekedési elemzésekhez, becslésekhez
A Magyar Közlekedéstudományi és Logisztikai Intézet (KTI) 1938 óta foglalkozik közlekedéstudományi kutatásokkal, stratégiatervezéssel és forgalmi modellezéssel, elemzésekkel is. Az intézet munkáját több oldalról is támogatja a rendelkezésre álló térinformatikai eszköztár, a tanulmányok vizualizációján túl a nagy adatok gépi tanulása, a különféle becslések és hatásvizsgálatok számításai is sok esetben térképező szoftverek felhasználásával készülnek.
Az előadásban bemutatásra kerülnek a közlekedési elemzésekhez használt raszteres, vektoros térinformatikai módszerek és a járművek mozgásának becsléseken alapuló, big data jellegű adatfeldolgozásai is. A közlekedéstudományi vizsgálatok és stratégiaalkotások térinformatikai feladatrészeiben az adatfeldolgozáson túl a földrajzi szemlélet is megjelenik, mely a hálózatok fejlesztésének, a konnektivitás átalakulásának hosszútávú térszerkezeti, gazdasági, társadalmi következményeit is számba veszi.

Szabady Zsolt (Datakart Kft.), Szentpéteri László (PlanetBlue 21 d.o.o.): Drón-innovációk és GPS-zavarás az orosz-ukrán háborúban
A 2022 februárjában indított teljes körű orosz intervenció egy olyan Ukrajnát érintett, amely mind gazdasági erejében, mind lakosság számában, mind fegyverzetében összehasonlíthatatlanul kisebb erőt képviselt a támadónál. Ennek kompenzálására már a háború első napjától széles körben alkalmaztak (a csúcstechnikás nyugati páncéltörő és kismagasságú légvédelmi eszközökön kívül) különféle légi-drónokat (UAV). Az első meglepetés és újdonság az FPV ("first-person view") drónok felderítésre való alkalmazása volt, - amelyet gyakorlatilag “amatőrök”, sokszor kamaszok ajánlottak a hadsereg számára.
Mára már mindkét oldal kiterjedten használ nem csak légi (UAV), de vízfelszíni (USV) és szárazföldi (GSV) drónokat mind a védekezésben, mind a támadásban. De megjelentek a drón elhárító eszközök, a drónvadász drónok, és persze a kiterjedt rádióelektronikai ellentevékenység (pl. GPS zavarás) is. Előadásunkban igyekszünk bemutatni néhány innovációt a felderítő, támadó és védekező eszközök és módszerek közül, - egyben betekintést nyújtani néhány várható fejlesztési irányba.

Dr. Varga Zsófia (ELTE, Térképtudományi és Geoinformatikai Intézet): Mélytanulási modellek és a mesterséges intelligencia lehetőségei a távérzékelt adatfeldolgozás során
Napjainkban a drónokon alkalmazott különböző távérzékelési szenzorok növekvő felbontásuk révén, különösen multiszenzorikát alkalmazó felmérések során, egyre nagyobb adatmennyiséget generálnak. Ezért fontos, hogy olyan adatfeldolgozási módszereket fejlesszünk, amelyek támogatják a gyors és hatékony adatelemzést különféle alkalmazási területeken, kihasználva a gépi tanulás és a mesterséges intelligencia lehetőségeit. Számos alkalmazási helyzet modellezésével vizsgáltuk a távérzékelési szenzorok (köztük Zenmuse L1 LiDAR szenzor, Zenmuse H20T termális kamera, Zenmuse P1 RGB kamera és Micasense Altum multispektrális kamera) adatainak felhasználását, bevonva a gépi tanulási modellek közül a Random Forest, Spectral Angel Mapper, Mesterséges Neurális Hálózat (ANN), illetve Konvolúciós Neurális Hálózat (CNN) modelljeit.

A modellezés során különféle terepi felmérés adatait alkalmaztuk, melyek eltérő felszínborítású, eltérő magassági felvételezéssel, eltérő időjárási körülmény között, kombinált szenzorikával lettek felvételezve. A felvételezett adatokat szenzortípusonként, terepfelszín elemek szerint, a felvételezési körülményekhez kapcsolódó attribútumokkal kiértékeltük. Mivel az eltérő szenzorok eltérő adatformátumot és információt nyújtanak, így külön-külön vizsgáltuk és optimalizáltuk az egyes szenzoradatok feldolgozását. Majd elkezdtük ezen modellek olyan irányú felépítését és mélytanulási integrálását, mely idővel képes lehet rugalmasan kezelni a különböző körülményeket. Először egy időbeli modellspecifikus tanulást alakítottunk ki. Az eltérő időpontokban gyűjtött adatokat elemezve ezen modell megtanulja az évszakok, napszakok vagy különböző időjárási körülmények hatásait. Ezáltal képes lehet felismerni ugyanazt az objektumot (pl. növényzet, vízfelületek, építmények, egyéb tereptárgyak) különböző időpontokban, az évszakokhoz igazodva. Másik megközelítésben egy szenzorspecifikus betanítású modellt alakítottunk ki, mely ugyanazon terepelemek eltérő szenzorfelvételeit integrálva idővel komplexebb és pontosabb felismerést tehet lehetővé, szemben egyetlen szenzor felvételével (például a LiDAR adatok multispektrális vagy termális adatok együttes alkalmazásával pontosabban felismerik a növényzetet, illetve a terepelemeket). Harmadik megközelítésben az eltérő helyszínek hatásait vizsgáltuk, azaz egy korábbi, más terepviszonyokon betanított tudás új helyzetek melletti pontosságát. Ezzel fejleszteni szeretnénk az adaptáció készségét, különösen ha az új terepi viszonyok hasonlítanak a korábban tanultakra.