Big data from space - Module Big Data ISAE 2017
0 j'aime328 vues
Le document discute de l'importance du big data, en particulier des données satellites pour l'observation de la Terre, mettant en avant le programme Copernicus qui vise à fournir des services d'intérêt général en matière d'environnement et de sécurité. Il présente également des défis liés à la quantité massive de données générées, ainsi que des exemples d'applications de cette technologie dans la surveillance et la recherche. Enfin, le document aborde des outils et méthodologies utilisés pour le traitement et l'analyse des images satellitaires.
![Emprise de l’image
Bords de côtes
Toponymes
(Continents, Pays, Régions, Etats)
Densité de population
Occupation du sol
…etc…
Couches d’informations
github.com/jjrom/itag
iTag
[…etc…]
{
"name":"Europe",
"id":"continent:europe",
"countries":[
{
"name":"Italy",
"id":"country:italy",
"pcover":37.02,
"regions":[
{
"name":"Valle d'Aosta",
"id":"region:valle-d-aosta",
"states":[
{
"name":"Aoste",
"id":"state:aoste",
"pcover":37.02,
"toponyms":[]
}
]
}
]
},
[…etc…]
Temps de traitement < 1 seconde](https://image.slidesharecdn.com/2017-170406075640/85/Big-data-from-space-Module-Big-Data-ISAE-2017-64-320.jpg)
![[…] je cherche des images sans nuage de villes côtières situées en Asie](https://image.slidesharecdn.com/2017-170406075640/85/Big-data-from-space-Module-Big-Data-ISAE-2017-74-320.jpg)
Big data from space - Module Big Data ISAE 2017
- 1. Big Data from Space Le Big Data et les satellites d’Observation de laTerre Jérôme GASPERI
- 2. IQu’est ce q ue le Big Dat a
- 3. BIG
- 6. Volume
- 7. 1 octet
- 8. 1 Ko
- 9. 1 Mo
- 10. 1 Go x3
- 11. 1 To x2
- 12. 1 Po
- 13. 1 Eo
- 14. 1 Zo etc.
- 15. 1 Yo
- 16. Variété Vitesse
- 18. €Valeur
- 19. Brett Ryder - http://www.economist.com/node/15579717 Extraire l’information
- 20. OCEANOuverture - Libéral & artistique vs conservateur Conscienciosité - organisation vs spontanéité Extraversion - émotions positives vs timide et réservé Agréabilité - coopératif vs compétitif Neuroticisme - émotions désagréables vs calme et relax
- 21. http://fivethirtyeight.com/datalab/this-algorithm-knows-you-better-than-your-facebook-friends-do/
- 22. Big Data...Big Problem ?
- 24. 1 milliard de milliard d’opér at ions par seconde en 2 0 24 1,000,000,000,000,000,000
- 25. vs ~ 30W ~ 30MW 1x 3x
- 26. 9%Part de la consommation française d’électricité due au data centers http://www.latribune.fr/entreprises-finance/industrie/energie-environnement/efficacite-energetique-les-data-centers-encore-defaillants-619895.html
- 27. Your Online World: Green IRL, or #dirty? Amazon Web Services Digital Realty Dupont Fabros Ebay Google Facebook Oracle HP Yahoo IBM Microsoft Apple Salesforce Rackspace Equinix Telecity http://www.greenpeace.org/usa/clickclean/#report 2014
- 28. IIBig D a t a f rom s pa ce Vo l u m e
- 29. Doter l'Europe d'une capacité opérationnelle et autonome d'observation de la Terre en tant que « services d’intérêt général européen, à accès libre, plein et entier » Le programme Copernicus
- 30. Coordination technique Missions Sentinels Missions Contributrices Atmosphère Climat Marine Sécurité Terre Urgences Coordination Etats membres ESPACE SERVICES IN SITU Plateformes d’accès Applications avals
- 31. Coordination technique Missions Sentinels Missions Contributrices Atmosphère Climat Marine Sécurité Terre Urgences Coordination Etats membres ESPACE SERVICES IN SITU Plateformes d’accès Applications avals 0.9 Mds €3.4 Mds €
- 33. Climate Change
- 34. Emergency
- 35. Land monitoring
- 37. Security
- 38. Sentinel-1 RADAR S1A - April 2014 S1B mid 2016 Sentinel-2 OPTICAL S2A - June 2015 S2B mid 2016 Sentinel-3 ALTIMETER / SEA SURFACE S3A - Summer 2015 S3B mid 2016 Sentinel-4 ATMOSPHERE 2018 Sentinel-5P ATMOSPHERE End 2015Sentinel-5 ATMOSPHERE 2020 Sentinel-6 ALTIMETER 2020 Sentinel Le volet spatial du programme Copernicus
- 39. Sentinel-1 RADAR S1A - April 2014 S1B mid 2015 Sentinel-2 OPTICAL S2A - June 2015 S2B mid 2016 Sentinel-3 ALTIMETER / SEA SURFACE S3A - Summer 2015 S3B mid 2016 PEPS Plateforme d’Exploitation des Produits Sentinel 2015-2017 Phase 1
- 40. Sentinel 1Radar en bande C Surveillance maritime, Géophysique, Glaciologie, etc. Orbite Héliosynchrone Altitude 693 km
- 41. Observation Optique, Evolutions des sols, Agriculture, Cartographie, etc. Orbite Héliosynchrone Altitude 786 km Sentinel 2
- 42. Sentinel 3 Hauteurs des océans, Couleur et température de surface Orbite Héliosynchrone Altitude 814 km
- 44. 2017 7 POVolume stocké au CNES Toulouse fin 2017 DVDs
- 45. Bull HPSS 2 PO 7 PO Disques durs Stockage Bandes Migration automatique Récupération « transparente » Montage NFS CNES data center - Toulouse, France
- 47. IIIBig D a t a f rom s pa ce
- 48. Chercher dans des millions d’images ? Trouver
- 49. Quand Où Comment
- 50. Contenu de l’image ? Quoi
- 51. ex. Dans le cadre d’une étude d’impact sur l’augmentation du niveau des océans, je cherche des images sans nuage de villes côtières situées en Asie :) :) :(
- 52. Sven Sachsalber | http://www.palaisdetokyo.com/fr/events/sven-sachsalber
- 53. Sven Sachsalber | http://www.palaisdetokyo.com/fr/events/sven-sachsalber 17 hours 45 minutes
- 55. Du pixel... Image satellitaire ...à l’information Carte d’occupation du sol Cultures Bâtiment Forêt
- 56. Orfeo Toolbox Remote sensing image library Open Source Developed by the French Space Agency Exemple 1
- 57. Orfeo Toolbox More than 70 high level processing chains orthorectification segmentation classification etc.
- 58. Orfeo Toolbox More than 70 high level processing chains orthorectification segmentation classification etc. Supervised learning (land cover is computed from a set of "well known areas" given by user) Based on SVM (http://en.wikipedia.org/wiki/Support_vector_machine)
- 62. Deep learning !!!! Plutôt adapté à l’extraction d’objets (ex. aéroport, route, tank, etc.) Quelle base de référence d’images ?
- 64. Emprise de l’image Bords de côtes Toponymes (Continents, Pays, Régions, Etats) Densité de population Occupation du sol …etc… Couches d’informations github.com/jjrom/itag iTag […etc…] { "name":"Europe", "id":"continent:europe", "countries":[ { "name":"Italy", "id":"country:italy", "pcover":37.02, "regions":[ { "name":"Valle d'Aosta", "id":"region:valle-d-aosta", "states":[ { "name":"Aoste", "id":"state:aoste", "pcover":37.02, "toponyms":[] } ] } ] }, […etc…] Temps de traitement < 1 seconde
- 65. Métadonnées « améliorées » Métadonnées « traditionnelles »
- 67. Brett Ryder - http://www.economist.com/node/15579717 Extraire l’information
- 68. Heatmaps Visualiser tous les résultats de recherche ? Problème
- 71. « Pléiades les 15 derniers jours »
- 72. « Villes aux Etats-Unis les 15 derniers jours »
- 73. « Zones cultivées aux Etats-Unis » Carte de référence pour comparaison
- 74. […] je cherche des images sans nuage de villes côtières situées en Asie
- 75. IVO ne m ore t hing
- 76. Extraire l’information« We create as much information in two days now as we did from the dawn of man through 2003 » Eric Schmidt
- 77. Avant 2003 Après 2003
- 78. 1 gramme = 455 Exaoctet
- 79. Merci !