Nghiên cứu việc sử dụng sóng xung quanh để kết nối các thiết bị IoT

Nghiên cứu kết nối các thiết bị IoT sử dụng sóng xung quanh

Theo một nghiên cứu của mới đây Disney Research, các thiết bị IoT có thể kết nối với nhau bằng cách sử dụng các sóng xung quanh thay cho việc phát sóng vô tuyến chủ động.

Một nhóm các nhà nghiên cứu, đứng đầu là giám đốc phòng thí nghiệm liên kết và trưởng nhóm nghiên cứu các hệ thống không dây của Disney Systems, Alanson Sample, đã phát minh ra một hệ thống cảm biến siêu nhỏ cho phép truyền dữ liệu tới một máy thu trung tâm bằng cách phản xạ các sóng vô tuyến xung quanh từ các hệ thống phát sóng thương mại.

Ý tưởng là sử dụng lại tất cả các tín hiệu vô tuyến xung quanh như là một phương tiện để truyền dữ liệu, Sample cho biết.

Vì việc tạo ra sóng vô tuyến là tiêu hao năng lượng nhất nên cách tiếp cận này giảm đáng kể yêu cầu về năng lượng của các nút cảm biến (sensor node). Trong lần chạy thử nghiệm, các nhà nghiên cứu đã cung cấp đủ điện năng cho thiết bị chỉ bằng việc sử dụng một tấm pin năng lượng mặt trời trong điều kiện ánh sáng yếu.

Các thông tin chi tiết về hệ thống phản xạ sóng xung quanh từ băng thông rộng (UBW) đã được trình bày tại Hội nghị IEEE về Truyền thông Máy tính, INFOCOM 2017, hệ thống thử nghiệm sử dụng tín hiệu xung quanh từ 14 đài phát sóng vô tuyến cùng với 2 điện thoại di động trong môi trường trong nhà.

Theo Sample, cách tiếp cận sử dụng sóng băng thông rộng, có khả năng phản xạ lại tất cả các nguồn xung quanh, mang lại nhiều lợi ích quan trọng. Nhiều kênh phản xạ giảm thiểu độ nhiễu của tín hiệu, cải thiện đáng kể độ nhạy của đầu đọc phản xạ và giảm vùng chết. Điều này cho phép hệ thống hoạt động trên các nguồn sóng xung quanh và mở rộng phạm vi tới 22 mét khi sử dụng các tín hiệu xung quanh từ tháp phát sóng và 50 mét khi sử dụng các tín hiệu xung quanh do điện thoại di động phát ra.

Source:

Researchers determine ways to connect IoT sensors via ambient waves – https://www.iottechnews.com/news/2017/may/16/researchers-determine-ways-connect-iot-sensors-ambient-waves/

Đưa con người trở thành loài sống đa hành tinh

CEO SpaceX, Elon Musk gần đây xuất bản một bài báo ở tạp chí New Space với tiêu đề “Making Humans a Multi-Planetary Species”, trong đó trao đổi về tầm nhìn và kỹ thuật để đưa loài người định cư tại nhiều hành tinh. Bài viết này xin tóm lược một số nội dung chính.

1. Tại sao cần định cư trên nhiều hành tinh?

Chúng ta cần trở thành một loài sinh sống đa hành tinh vì trong tương lai rất có thể sẽ có ngày tận thế nếu chỉ định cư ở Trái đất. Trong quá khứ, Trái đất đã trải qua nhiều hơn 1 lần diệt chủng.

2. Tại sao chọn sao Hỏa?

Niềm tin hiện tại cho rằng sao Hỏa đã từng rất giống Trái đất. Sao Hỏa xa mặt trời gấp rưỡi Trái đất và lạnh hơn. Tuy nhiên, chúng ta có thể làm ấm nó. Khí quyển của sao Hỏa chứa chủ yếu CO2 và một số ít nitrogen, argon…. Điều này có nghĩa chúng ta có thể trồng cây trên sao Hỏa chỉ bằng cách nén bầu khí quyển. Ngoài ra, trọng lực của sao Hỏa bằng khoảng 37% Trái đất và độ dài ngày cũng rất gần Trái đất (Hình 1).

Hình 1. Đặc tính của Trái đất và sao Hỏa

3. Vấn đề chi phí đưa người lên sao Hỏa.

Với công nghệ truyền thống, để đưa 1 người lên sao Hỏa sẽ tiêu tốn 10 tỷ đô la Mỹ. Do vậy số người có thể chi trả chỉ đếm được trên đầu ngón tay. Việc giảm chi phí là vô cùng quan trọng. Chi phí ước tính để việc định cư ở sao Hỏa khả thi là tương đương với giá nhà trung bình ở Mỹ (khoảng 200.000 USD).

4. Các vấn đề kỹ thuật.

Các vấn đề chính cần giải quyết được để hiện thực hóa:

I. Công nghệ tái sử dụng phương tiện hoàn toàn: cũng giống như ô tô, máy bay hiện tại. Để có thể định cư ở nhiều hành tinh, phương tiện vận chuyển cần phải có khả năng tái sử dụng hoàn toàn.

II. Tiếp nhiên liệu trên quỹ đạo: giúp giảm chi phí vận chuyển do nhiên liệu.

III. Sản xuất nhiên liệu tên lửa tại sao Hỏa: việc có thể tiếp nhiên liệu tại sao Hỏa cũng giúp giảm chi phí vận chuyển đáng kể. Hơn nữa, sản xuất nhiên liệu trên sao Hỏa có vẻ khả thi vì nó chứa CO2, nước-băng từ đó có thể tạo ra CH4 và O2. Bên cạnh đó là chọn đúng loại nhiên liệu tên lửa.

5. Kiến trúc hệ thống.

Hình 2. Kiến trúc hệ thống. Ước tính lượng sử dụng lại: 1000 lần/tên lửa, 100 lần/tàu tiếp nhiên liệu, 12 lần/tàu sao Hỏa.

Kịch bản lên sao Hỏa là: đầu tiên tên lửa sẽ đưa tàu sao Hỏa lên quỹ đạo Trái đất, sau đó tên lửa sẽ tách ra và trở về Trái đất trong 20 phút. Tiếp theo tên lửa đó sẽ được sử dụng để đưa tàu tiếp liệu (giống với tàu sao Hỏa) lên quỹ đạo để tiếp liệu cho tàu sao Hỏa. Một khi được tiếp liệu đầy, tàu sao Hỏa sẽ bay thẳng đến sao Hỏa, dự kiến thời gian là 26 tháng. Khi trở về Trái đất, tàu sao Hỏa sẽ được tiếp liệu tại chỗ và khởi hành về(Hình 2).

Hình 3. So sánh tên lửa lên sao Hỏa và các tên lửa trước đó

Để thực hiện được nhiệm vụ này, tên lửa thực hiện nhiệm vụ sao Hỏa cũng cần được thiết kế với nhiều điểm vượt trội so với các thế hệ tên lửa trước đây (Hình 3).

6. Lịch trình dự kiến.

Elon Musk và cộng sự đã đưa ra lịch trình dự kiến thực hiện nhiệm vụ sao Hỏa, trong đó các chuyến bay sao Hỏa sẽ được thực hiện bắt đầu từ năm 2022 (Hình 4).

Hình 4. Lịch trình chinh phục sao Hỏa

Một số cột mốc của SpaceX:

Các mốc phát triển của SpaceX

Source:
Musk Elon. New Space. June 2017, 5(2): 46-61. https://doi.org/10.1089/space.2017.29009.emu

Phát hành PlanetSAT Global phiên bản 2017

    Công ty PlanetObserver của Pháp, nhà cung cấp dữ liệu không gian địa lý cho các ứng dụng mô phỏng và mô hình hoá áp dụng nền tảng GIS, đã công bố phiên bản PlanetSAT Global # 2017. Theo nhà cung cấp, PlanetSAT Global là bản đồ nền dạng ảnh màu phạm vi toàn cầu ở độ phân giải 15m, không có mây và được xây dựng từ dữ liệu vệ tinh đa nguồn.

Slide background

Các điểm cập nhật dữ liệu mới (phiên bản 2017)

    Bản đồ nền này được xây dựng với dữ liệu từ Landsat 8 và Landsat 7. Trong đó, dữ liệu từ Landsat 8 bao phủ 40% diện tích toàn cầu bao gồm 300 thành phố/khu độ đô thị lớn cho các thông tin địa lý hoàn hảo ở bản đồ tỷ lệ 1:50.000

Slide background

Longkou Harbor, Shandong, China

Thông số kỹ thuật:

Độ phân giải: 15m Hệ tham chiếu: WGS 84
Độ phủ: toàn cầu Định dạng: GeoTiff, JPEG 2000
Mode: natural colours (RGB) Tiling structure : 2°x2° tiles
Nguồn: ảnh vệ tinh  Landsat 8,  Landsat 7 Dung lượng: 4.4TB với GeoTiff, 138GB với JPEG
Thời gian thu dữ liệu: 2013-2016 Chuyển dữ liệu: FTP hoặc hard drive

Bản đồ nền hình ảnh này không miễn phí. 

Nguồngim-internationalplanetobserver

Theo dõi sự phát triển của thành phố sử dụng 4D Point Cloud Data

 

Các nhà nghiên cứu từ Đại học Công nghệ Munich – Đức (Technical University of Munich – TUM) đã thành công trong việc sử dụng 4D Point Cloud để tạo nên các bản ghi theo dõi sự thay đổi và phát triển của các thành phố lớn như Berlin, Las Vegas, Paris và Washington, D.C. từ ảnh vệ tinh TerraSar-X.

Để làm được điều này, Giáo sư Xiaoxiang Zhu và đội nghiên cứu đã phải ghi lại hơn ba triệu điểm trong đối với mỗi km2. Ngày nay, gần một nửa dân số trên thế giới đang sinh sống và làm việc ở các thành phố. Với các sự tăng trưởng được dự đoán thì vào năm 2050, thì khả năng số lượng dân số sẽ đạt đến mốc hai phần ba dân số thế giới sẽ định cư tại các thành phố.

Giáo sư Xiaoxiang Zhu nói: “Sự tăng trưởng dân số này sẽ đặt ra các yêu cầu cao về về độ an toàn của các tòa nhà nói riêng và sự an toàn về cơ sở hạ tầng nói chung. Vì nếu có thiệt hại xảy ra, hàng ngàn người có thể bị nguy hiểm đến tính mạng “.

Cùng với đội ngũ vủa mình, Giáo sư Xiaxiang Zhu đã phát triển thuật toán giúp tái tạo lại các mô hình 3D và thậm chí là 4D có độ chính xác cao từ dữ liệu Point Cloud với mật độ ba triệu điểm trên mỗi km2 để dự đoán sớm về các mối hiểm họa tiềm ẩn: ví dụ như hiện tượng lún ngầm bên trong mặt đất có thể gây sập nhà cửa, cầu đường. Phương pháp mới này cho phép phát hiện và hiển thị những thay đổi này với sự chi tiết mỗi milimiet mỗi năm. Dữ liệu dùng cho nghiên cứu được lấy từ vệ tinh TerrSar-X của Đức, đây là vệ tinh radar dân dụng có độ phân giải cao nhất trên thế giới hiện nay. Vì các hình ảnh được chụp ở những thời điểm khác nhau cho nên chúng có thể ước tính được sự thay đổi theo chiều thời gian (chiều thứ tư) đối với một khu vực thành phố.

Kết quả mô hình 4D cho thấy những thay đổi dù chỉ là rất nhỏ với độ chính xác cỡ khoảng một milimet môt năm. Ví dụ như sự giãn nở do ảnh hưởng từ nhiệt độ của các tòa nhà vào mùa hè hay sự biến dạng do sự sụt lún xảy ra bên dưới bề mặt trái đất.

Nghiên cứu được tập trung thực hiện vào các quốc gia công nghiệp hóa, nơi mà các khu vực đô thị đều tăng trưởng và phát triển rất nhanh. Giáo sư Zhu có kế hoạch sử dụng nhiều nguồn dữ liệu lớn (Big Data) vào nghiên cứu của nhóm như: các dữ liệu đo đạc được từ vệ tinh kết hợp với các thông tin bản đồ của Open Street Map và các nguồn hình ảnh, văn bản cũng như các mô hình hoạt động được cung cấp từ mạng xã hội.

Nguồn: Geospatial Word

 

 

 

Bản đồ ô nhiễm không khí có độ phân giải cao với xe Google Street View: Ứng dụng từ khai thác dữ liệu lớn

Ô nhiễm không khí hiện đang ảnh hưởng tới hàng tỷ người trên thế giới nhưng các giải pháp về quan trắc và đo đạc ô nhiễm không khí còn rất hạn chế. Đặc biệt ở đô thị, nồng độ chất ô nhiễm không khí có biến động lớn ngay cả trên khoảng cách nhỏ ( << 1 km) do các nguồn phát thải không đều, pha loãng, và các biến đổi hóa lý. Ngày nay, các phương pháp quan trắc ô nhiễm truyền thống tại các trạm cố định thiếu đi độ chi tiết (độ phân giải không gian thấp) để phân tích được điểm nóng và sự phơi nhiễm của cư dân với ô nhiễm không khí.

 

Nhóm nghiên cứu tại Trường Đại học Texas tại Austin đã phát triển một kỹ thuật mới để tạo ra các bản đồ ô nhiễm với độ phân giải không gian cao hơn 4-5 lần trạm cố định truyền thống  cho các đô thị lớn. Thiết bị được đặt trên các xe Google Street View với khả năng đo nhanh các chất ô nhiễm không khí tại từng tuyến phố trên một vùng 30 km2 tại Oakland, CA và cung cấp một tập dữ liệu ô nhiễm không khí đô thị có chất lượng và dung lượng cực lớn. Kết quả là các bản đồ hàng ngày của các chất NO, NO2, và BC tại độ phân giải 30 m được cung cấp. Các mẫu ô nhiễm liên tục thay đổi đáng kể trên quy mô nhỏ do các nguồn phát thải địa phương, lên đến 5-8 mẫu trong một tòa nhà. Vì sự khác nhau về chất lượng không khí địa phương ảnh hưởng sâu sắc đến sức khoẻ cộng đồng và môi trường, kết quả này có ý nghĩa quan trọng đối với cách đo và quản lý ô nhiễm không khí. Nếu được kiểm định chất lượng ở những nơi khác, cách tiếp cận đo lường này có thể dễ dàng mở rộng để giải quyết những thiếu sót về số liệu chất lượng không khí trên toàn thế giới….

Nguồn: http://pubs.acs.org/doi/abs/10.1021/acs.est.7b00891

Esri CityEngine 2017 giúp công tác quy hoạch đô thị hiệu quả hơn

Esri, công ty hàng đầu thế giới trong lĩnh vực phân tích không gian, vừa công bố phiên bản mới nhất của phần mềm Esri CityEngine 2017. Phiên bản mới của phần mềm mô hình 3D này giúp các chuyên gia thiết kế thành phố nhanh hơn và dễ dàng hơn.

Phiên bản này cung cấp các tính năng mới cho phép các nhà lập kế hoạch và kiến trúc sư so sánh các kịch bản khác nhau và trực quan hóa  bằng bảng điều khiển để xem cách mỗi kịch bản ảnh hưởng đến cùng một khu vực địa lý trong thời gian thực như thế nào.

Với các bản cập nhật trong phiên bản mới của CityEngine, người dùng có thể thực hiện các thay đổi đối với các tính năng cụ thể-chẳng hạn như điều chỉnh kích thước cửa sổ hoặc thêm ban công-trong mô hình mà không ảnh hưởng đến toàn bộ cấu trúc của tòa nhà. Trước đó, các nhà quy hoạch phải tạo ra hai dự án hoàn toàn khác nhau để hiểu được ảnh hưởng của những thay đổi thiết kế của tòa nhà đề xuất.

Ông Pascal Mueller, Giám đốc Trung tâm R & D Esri R & D Zurich AG –  nơi CityEngine được phát triển, phát biểu: “Với việc phát hành phiên bản CityEngine này, chúng tôi tập trung vào nhu cầu của các nhà quy hoạch đô thị, nhà thiết kế và kiến trúc sư. Chúng tôi tự hào giới thiệu một công cụ có đột phát mới cho việc lập kế hoạch dựa trên kịch bản trong một ứng dụng 3D. Ngoài ra, chúng tôi đã phát trieeren các công cụ mà người dùng yêu cầu đã lâu như các công cụ đo lường và tự động tạo ra các mô hình kiến trúc. Chúng tôi cải tiến hoàn toàn giao diện đồ họa người dùng, mang lại sự tươi mới, hiện đại của CityEngine và dễ sử dụng hơn. ”

CityEngine mới cũng giới thiệu việc tự động sinh theo quy trình các nội dung của 3D content. Điều này có nghĩa là các nhà lập kế hoạch có thể tự động tạo ra các tính năng thiết kế độc đáo trên các tòa nhà mà không cần thực hiện bằng tay. Tính năng này tiết kiệm thời gian mà các nhà quy hoạch và kiến trúc sư đô thị sẽ chi tiêu cho việc tạo ra chi tiết.

Dominik Tarolli, Giám đốc kinh doanh mảng thiết kế 3D của Esri cho biết: “Các thành phố thông minh của tương lai sẽ được thiết kế minh bạch hơn, và quá trình thiết kế sẽ gắn chặt với công dân. Với CityEngine 2017, các cảnh thành phố thông minh có thể được tạo ra trong vài phút và chia sẻ qua web hoặc ứng dụng ArcGIS 360 VR của Esri c chỉ bằng một cú nhấp chuột.”

Phiên bản mới nhất của CityEngine có trên các nền tảng Windows, Mac và Linux. Bản thử nghiệm miễn phí 30 ngày có thể được tải xuống tại go.esri.com/CE2017.

(nguồn BusinessWire)

 

RESTEC and PADECO had a visit to FIMO

 

On 5th July 2017, RESTEC and PADECO had a visit to FIMO.

RESTEC https://www.restec.or.jp/en/ (Remote Sensing Technology Center of Japan) is a leading remote sensing technology corporation in Japan.

PADECO Co., Ltd. is an well-known Japanese consulting company

Three partners had a meeting to share technologies and collaborating chances.

 

 

 

FIP – FIMO Internship Program

FIP – FIMO INTERNSHIP PROGRAM

Từ năm 2017, FIMO sẽ tổ chức chương trình thực tập tại FIMO có tên là FIP – FIMO Internship Program. Chương trình chạy liên tục trong năm, bạn có thể đăng ký tham gia chương trình tại bất cứ thời điểm nào. Để tham gia chương trình, xin gửi đơn đăng ký tới email của chương trình: [email protected]  Mẫu đơn đăng ký download tại đây Letter of Interest for FIP

Chi tiết về chương trình FIP như sau:

  • Đối tượng:
    • Sinh viên ngành CNTT năm 2, 3, 4 từ các trường đại học Việt Nam
    • Sinh viên năm 4 các ngành Tài nguyên, Môi trường, Địa chất, Địa lý, Khí tượng Thủy văn từ các trường đại học Việt Nam
  • Mục tiêu:
    • Tạo điều kiện cho các bạn sinh viên hoàn thiện về năng lực công nghệ, năng lực nghiên cứu khoa học và các kỹ năng trong công việc, cuộc sống.
    • Xây dựng nguồn lực nghiên cứu phát triển trong lĩnh vực công nghệ tích hợp liên ngành giám sát hiện trường ( Big Data, Ubiqutious, Cloud Computing, Spatial Data Infrastructure, Satellite, Sensor, Security)
  • Quyền lợi của các bạn sinh viên thực tập:
    • Được đào tạo công nghệ và kỹ năng phát triển phần mềm và hệ thống thông tin gắn liền với thực tế
    • Được đào tạo kỹ năng làm việc nhóm, làm việc trong dự án thực tế
    • Được đào tạo kỹ năng quản lý  công việc, quản lý dự án
    • Được hỗ trợ kinh phí tham gia hội thảo và hội nghị khoa học trong ngoài nước
    • Có cơ hội xin học bổng học tập và nghiên cứu sau đại học ở nước ngoài thông qua các dự án hợp tác của FIMO và đối tác nước ngoài
  • Chương trình  đào tạo:
    • Phần 1: IoT Programing:
      • Sensors
      • MCU
      • OGC SWE standards for IoT systems
    • Phần 2: Distributed Computing:
      • Spark
      • Hadoop
      • Scala programming
    • Phần 3: Image Processing & Satellite Image Processing
      • Fundamentals of Image Processing
      • Introduction of Remote Sensing
      • Download and use satellite images from Internet (NASA, ESA …) and MODIS/VIIRS Ground Station at FIMO, VNU-UET
      • The usage of commercial software for satellite image processing
      • Programming for remote sensing using PostGRE, GDAL, Python
      •  Case studies
    • Phần 4: Web Programing
      • Javascipt and HTML5
      • Node.js and Meteor
    • Phần 5: Soft skills and Mangement Skills
      • Time Management Skills
      • Communication Skills
      • Project Management
      • Software Project Managegement
  • Nếu bạn có thắc mắc cần giải đáp, xin hãy liên hệ với chúng tôi:

Dưới đây là một số hình ảnh về hoạt động trong khuôn khổ chương trình FIP.

  • Anh Lưu Việt Hưng đào tạo công nghệ xử lý ảnh

Anh Lưu Quang Thắng đào tạo lập trình Scala , Hadoop, và Spark

 

Anh Phạm Tuấn Vinh hướng dẫn công nghệ xử lý và phân tích ảnh viễn thám trong bài toán tính toán chất lượng không khí

 

Anh Hà Đức Văn trao giải thưởng The best demonstration of the week cho bạn Nguyễn Ngọc Đức

Từ thông tin không gian đến hạ tầng kiến thức không gian

Trong 20 năm qua, một trong những mối quan tâm cơ bản của ngành khoa học không gian là tạo ra một hạ tầng cơ sở dữ liệu thông tin không gian. Vậy nó có quá dễ để thực hiện?  

Không! Dữ liệu không gian tốn kém lượng lớn tài nguyên để thu thập và lưu trữ.  Nhìn vào tương lai, những chuyên gia trong ngành đang bắt đầu lo lắng rằng một SDI không đủ để trích xuất toàn bộ giá trị dữ liệu. Dữ liệu và phương pháp được quản lý là một trong những chủ đề cơ bản trong cuộc họp gần đây của Trung tâm Nghiên cứu Hợp tác Thông tin Không gian ( CRCSI ). Tổ chức đang phát triển một “White Paper” đề xuất một thế hệ cơ sở hạ tầng không gian mới dựa trên giả thuyết rằng chúng ta không cần thông tin; Chúng ta cần kiến ​​thức. Sự khác biệt tinh tế giữa hai khái niệm này có thể là một trong những động lực chính của thế hệ tiếp theo.

“A new way of looking at datasets may be fundamental to the next step change in productivity.”

Hiện nay, các hạ tầng thông tin không gian luôn phải đối mặt với các yêu cầu phần cứng ngày một lớn hơn. Ổ đĩa cứng lớn hơn, bộ vi xử lý nhanh hơn,… Điều gì sẽ tạo ra sự khác biệt? Có lẽ một cách tiếp cận khác như quản lý tri thức không gian có thể là giải pháp. Ý tưởng về kiến trúc hạ tầng kiến thức không gian (SKI) mong muốn tối ưu khả năng sử dụng dữ liệu của SDI hiện tại. Kiến trúc SKI hướng tới các tập dữ liệu được chuẩn hóa với các tiêu chuẩn chung, dễ dàng sử dụng và tích hợp vào các ứng dụng hoặc hạ tầng không gian khác. Từ đó cho phép các mối quan hệ phức tạp tồn tại giữa bộ dữ liệu. Ý tưởng này tăng cường sự tin tưởng, đầy đủ của dữ liệu, giúp kiến thức không bị giới hạn nhờ xây dựng một cộng đồng chia sẻ dữ liệu.

Bạn nghĩ gì về ý tưởng này ?

Nguồn: Jon Fairall’s article on Spatial Knowledge Infrastructure, which first appeared in issue #87 of Position magazine.

Rezatech cung cấp công cụ nông nghiệp thông minh tới các trang trại sữa ở Harwell

Công ty dịch vụ truyền thông vệ tinh Rezatec hợp tác cùng với Đại học Reading, UK hiện tại đang cho ra mắt dịch vụ PASQUAL phục vụ giám sát và dự đoán chất lượng và năng suất đồng cỏ từ vệ tinh. Dự án PASQUAL nhằm phát triển một công cụ nông nghiệp thông minh dựa trên vệ tinh quan sát Trái đất.

Giám sát đồng cỏ từ vệ tinh

Công cụ này sẽ cho phép các trang trại sữa giám sát và dự đoán năng suất và chất lượng đồng cỏ. Việc dự đoán được cung cấp thông qua phân tích nhiều nguồn dữ liệu cảm biến từ xa bao gồm dữ liệu kênh nhìn thấy, radar và dữ liệu khí tượng, kết hợp với các kỹ thuật mô hình hóa và đồng hóa dữ liệu được phát triển tại Đại học Reading.

Các thử nghiệm hiện tại đang được thực hiện bởi Đại học Reading trong khoảng thời gian dự kiến 2 năm tại các khu vực nghiên cứu. Công cụ sẽ được cung cấp tới người dùng qua nền tảng địa không gian web của Rezatec. Nền tảng này sẽ được nâng cấp và mở rộng để hỗ trợ luồng dữ liệu stream và cài đặt các mô hình tăng trưởng theo kích thước của cỏ nhằm tạo ra một công cụ hỗ trợ ra quyết định cho các trang trại sữa.

Các nghiên cứu hoặc công nghệ hiện tại trong lĩnh vực này là hiếm. Đa số hiện tại đều tập trung vào chỉ số thực vật và có thể dẫn tới kết quả không tin cậy và không chính xác. Phương pháp đề xuất nhằm để cung cấp sản phẩm có độ tin cậy hơn nhiều. Hơn nữa, đa số đối thủ cạnh tranh sử dụng chỉ số thực vật đều tập trung vào cây lương thực mà không phải đồng cỏ, bất kể năng suất sữa toàn cầu đạt 700 triệu tấn.

Dự án này chứa đựng sáng tạo về cả hai mặt thương mại và công nghệ. Nó phát triển các công nghệ và kỹ thuật hiện đại để dự đoán năng suất và chất lượng cỏ ở gần thời gian thực. Đại học Reading sẽ phát triển một mô hình mới để dự đoán năng suất và sản lượng cỏ. Bên cạnh dữ liệu cục bộ thu thập từ trang trại, thực địa và dữ liệu thời tiết, mô hình mới cũng truy cập trực tiếp đến nhiều nguồn dữ liệu cảm biến từ xa, trong đó có dữ liệu radar thích hợp cho nhiệm vụ giám sát ở các khu vực thường xuyên bị che phủ bởi mây như Anh.

Nền tảng của Rezatec được thiết kế để cung cấp các dịch vụ trực quan hóa dữ liệu hiệu năng cao, phân tích và hỗ trợ ra quyết định đến người dùng cuối và có khả năng mở rộng cao. Nó sẽ hỗ trợ nhiều mục đích sử dụng tại Anh, Châu Âu và trên toàn cầu.

Nguồn: http://geospatialworld.net