Katastroa eta Lurraldea
Eraikinetan aldaketak detektatu eta katastro-omisioak automatizatzen ditugu
Tracasa Globalek, soluzio geoespazial berritzaileen garapenean erreferentea denak, informazio geografikoari buruzko aplikazio adimendunak diseinatzen eta sortzen lan egiten du, besteak beste, ortoargazkiak eta sateliteko irudiak. Arlo horretan, gure enpresak, I+Gko lantalde propio batekin, adimen artifizialean oinarritutako soluzioak ditu, katastro-omisioak detektatzeko eta aldaketen monitorizazioa egiteko, bai hiri-inguruneetan, bai landa-inguruneetan.
Ortoargazkiak eta Katastroarekin alderatzea
Lehenengo soluzioa ikaskuntza-eredu sakon bat da (deep learning), PNOA (Aireko Ortoargazkigintzaren Plan Nazionala) irudien segmentazioaren bidez eraikuntzetan aldaketak detektatzean eta emaitzak Katastroan erregistratutako informazioarekin modu optimizatuan alderatzean oinarritua.
Eredu honi esker, modu automatikoan koka daitezke eraikinen aldaketa fisikoak, bai eraikuntza berrien agerpenean, bai lehendik daudenetan antzemandako aldaketetan. Lan-prozesuaren faseetan urrats hauek barne hartzen dira, besteak beste: eraikinak segmentatzea, eraikinen maskara Katastroarekin automatikoki eta modu adimentsuan alderatzea eta emaitzan antzemandako aldaketa-motak sailkatzea.
PNOA ortoargazkia
Katastroaren informazioa
Elementuak segmentatzea
Eraikin berriak detektatzea
Sateliteen irudiak: SENX4 superbereizmena
Ildo beretik, baina monitorizazio-eremu zabalagoetan edo maiztasun handiagoarekin jardun behar den egoeretan, Tracasa Globalek garatutako beste soluzio batek ikaskuntza sakoneko algoritmo bat (deep learning) aplikatzen du eraikinen eta errepideen segmentazio automatikorako, Sentinel-1 eta Sentinel-2 sateliteen irudien analisi konbinatu batetik abiatuta.
Metodo hau gure SENX4 superbereizmen-algoritmoak aberasten du, Sentinel-2 irudien bereizmen espaziala laukoiztea lortzen baitu, doan eta 5 egunetik behin eskuratuta. SENX4k sateliteko irudien bereizmena hobetzen du, 10 metrotik 2,5era igaroz eta erradiometriaren kontserbazioa bermatuz. Horrela, algoritmo horiek gauzatzearen ondorioz, lurzoruan aldaketak izateko probabilitate handia duten eremuak identifika daitezke.