Tunisia ra mắt dự án thí điểm sử dụng máy bay không người lái để thu thập dữ liệu trong lĩnh vực nông nghiệp

/in /by

Tunisia: Tunisia và Ngân hàng Phát triển châu Phi đã ký một thỏa thuận triển khai một dự án thí điểm sử dụng máy bay không người lái (UAV) để thu thập dữ liệu nhằm tăng cường quản lý các dự án nông nghiệp nước này.

Dự án sẽ được thực hiện trong vòng 10 tháng tới và sẽ nhận được sự quản lý và hỗ trợ kỹ thuật từ Hàn Quốc, theo Zied Laadhari, Bộ trưởng Bộ Phát triển, Đầu tư và Hợp tác quốc tế Tunisia, trong buổi lễ ký kết vào ngày 26 tháng 7.

Ngoài ông Laadhari, buổi lễ còn có sự tham gia của ông Park Jae-Min, Phó Thị trưởng thành phố Busan, ông Mohamed El Azizi, Tổng giám đốc văn phòng Bắc Phi của Ngân hàng, Bộ trưởng Bộ Nông nghiệp Samir Taïeb, và đại sứ Hàn Quốc tại Tunisia, Cho Koo-Rae.

Dự án thí điểm sẽ tập trung vào các hoạt động nông nghiệp ở Sidi Bouzid, miền trung Tunisia, dưới sự quản lý của Busan Techno Park, một cơ quan chính phủ Hàn Quốc có trụ sở tại Busan, Hàn Quốc. Laadhari cho biết cơ quan này sẽ cung cấp thiết bị – máy bay không người lái và đào tạo sử dụng hệ thống máy tính liên quan, cũng như chuyển giao công nghệ.

Cơ quan này đã kiểm tra tính hiệu quả của các máy bay không người lái trong việc quản lý các dự án đô thị tương tự. Hàn Quốc  là quốc gia dẫn đầu trong việc phát triển và sử dụng phương tiện bay không người lái để thu thập và xử lý dữ liệu theo thời gian thực. UAV đã được sử dụng trong nông nghiệp để cung cấp dữ liệu nhanh chóng và chính xác, giúp cải thiện việc ra quyết định ở tất cả các giai đoạn của một dự án, từ chuẩn bị đến thực hiện và đánh giá.

Laadhari cho biết dự án thí điểm được kỳ vọng sẽ mang lại lợi ích cho việc thí điểm giám sát các khu vực tưới tiêu, quản lý tài nguyên nước, mực nước cũng như ảnh hưởng của biến đổi khí hậu trong khu vực.

Là thành viên sáng lập của Ngân hàng Phát triển châu Phi, Tunisia là một trong những thành viên hưởng lợi đầu tiên vào năm 1967. Hiện tại, danh mục đầu tư của Ngân hàng này ở Tunisia có trị giá trên 2,3 tỷ USD bao gồm hơn 40 dự án và chương trình.

Sử dụng công nghệ kỹ thuật số và truyền hình vệ tinh hỗ trợ các hộ trồng Cacao Ghana

/in /by

Theo Ghana: SAT4Farming, một sáng kiến để tiếp cận các nhà sản xuất ca cao quy mô nhỏ, ứng dụng thông tin và dịch vụ để cải thiện năng suất và tính bền vững, đã được công bố ngày 30/07/2018. Chương trình Farm Development Plans (FDPs) được thiết kế để sử dụng công nghệ kỹ thuật số và hình ảnh vệ tinh để hỗ trợ nông dân trong thời gian bảy năm.

FDP cung cấp công cụ lập kế hoạch và giám sát cho các thiết bị di động. Tư vấn về thực hành nông nghiệp và đầu tư, thích ứng với khí hậu, đào tạo chứng nhận và giám sát liên tục cung cấp cho nông dân, bao gồm cả phụ nữ và thanh niên, và các đại lý hiện trường với hướng dẫn dựa trên dữ liệu chưa từng có cho một tương lai bền vững hơn.

Các hộ nông dân sản xuất nhỏ sản xuất phần lớn ca cao của thế giới, thành phần cơ bản cho sô cô la. Nông dân trồng cacao phải đối mặt với sản lượng thấp, đe doạ sâu bệnh và nghèo đói liên tục. Ngoài ra, nông dân hiếm khi được đào tạo và tư vấn kịp thời họ cần thay đổi hoàn cảnh của họ. Tại Ghana, 800.000 nông dân sản xuất quy mô nhỏ làm cho đất nước trở thành nước sản xuất ca cao lớn thứ hai thế giới.

Đối tác SAT4Farming bao gồm các tổ chức phi lợi nhuận toàn cầu Rainforest Alliance và Grameen Foundation; nhà kinh doanh ca cao toàn cầu Touton; Khoa kinh tế nông nghiệp và kinh doanh nông nghiệp của Đại học Ghana; các dự án Satelligence và WaterWatch Hà Lan.

Với việc ra mắt, Touton đã bắt đầu triển khai FDP kỹ thuật số SAT4Farming trong mạng lưới nông dân và nhà cung cấp cho Mars, Inc., một trong những nhà sản xuất sô cô la lớn nhất thế giới. Trong khi đó, Mars ở một số quốc gia đang áp dụng các phương pháp tương tự để hỗ trợ ngành cacao bền vững hơn bằng cách cải thiện sinh kế của các hộ sản xuất nhỏ và bảo vệ môi trường.

Tại Ghana, việc tích hợp hình ảnh vệ tinh dự kiến ​​sẽ hợp lý hóa chương trình FDP, tạo điều kiện giám sát và cung cấp thông tin chi tiết hơn về điều kiện môi trường năng động.

Tài trợ ban đầu đến từ chương trình Geodata for Agriculture and Water (G4AW) của VNetherlands Space Office (NSO).

Nguồn: GeoSpatialWorld

Không quân Pháp huấn luyện đại bàng để triệt tiêu máy bay không người lái trong khu vực nhạy cảm

/in /by

Không quân Pháp đang thực hiện huấn luyện đại bàng từ khi còn nhỏ để triệt tiêu những chiếc máy bay không người lái khi xâm nhập vào vùng nhạy cảm.

Đại bàng vàng được quay tại căn cứ không quân ở Mont-de-Marsan vào ngày 10 tháng 2 đang được huấn luyện quân sự để chiến đấu, hạ gục máy bay không người lái. Hiện nay, khi bất cứ ai cũng có thể mua ở một cửa hàng địa phương và bay vào các khu vực nhạy cảm về an ninh như cung điện tổng thống, khu vực quân sự .v.v.

Để chuẩn bị cho việc huấn luyện, đại bàng con được đặt trước khi sinh trên đỉnh máy bay không người lái trong khi vẫn còn bên trong trứng và sau khi nở, chúng được giữ ở đó trong thời gian cho ăn sớm.

Các đại bàng được huấn luyện để xem máy bay không người lái là con mồi và được thưởng bằng một miếng thịt sau mỗi lần triệt tiêu thành công.

Các chuyến bay Drone trên cung điện tổng thống Pháp Elysee vào đầu năm 2015 và một địa điểm quân sự nhạy cảm ở khu vực phía tây của Brittany đã gây ra những tiếng chuông báo động vào năm ngoái, thúc đẩy việc áp dụng pháp luật hạn chế sử dụng drone ở các khu vực đô thị và buộc người dùng phải thông báo và xin giấy phép.

Việc huấn luyện đại bàng để triệt tiêu, hạ gục máy bay không người lái cũng đã và đang được áp dụng rộng rãi ở một số nước như Hà Lan, Australia .v.v.

Nguồn: French Air Force training eagles to take down drones

Trung tâm vụ trũ Khrunichev của Nga phát triển hệ thông tên lửa tái sử dụng

/in /by

Nga: Trung tâm Nghiên cứu và Sản xuất Không gian Khrunichev của Nga đã hoàn thành việc xây dựng kế hoạch chi tiết cho tên lửa tái sử dụng của Nga và gửi tài liệu đến Viện Nghiên cứu Trung tâm Máy xây dựng (TsNIIMash) của Roscosmos để đánh giá, Sputnik đưa tin.

“Các tài liệu về các chủ đề tái sử dụng được gửi đến TsNIIMash. Họ cần nghiên cứu và cung cấp các ý kiến ​​chuyên gia của họ, ”một phát ngôn viên của trung tâm không gian cho biết.

Trước đây,  Trung tâm Khrunichev đã được báo cáo rằng đang thực hiện các công trình nghiên cứu thiết kế trên các tên lửa mang với giai đoạn tái sử dụng đầu tiên. Nhiều đề án tái sử dụng tên lửa đang được nghĩ tới, bao gồm cả hạ cánh thẳng đứng, hệ thống cứu hộ dù bay và sơ đồ có cánh của phần có thể tái sử dụng của tên lửa.

Đây không phải là dự án đầu tiên trong lĩnh vực tên lửa tái sử dụng được phát triển ở Nga. Ngày 4 tháng 6, Phó Tổng Giám đốc Quản lý Dự án của Ilyushin Aviation Complex Dmitry Gerasimov cho biết các nhà sản xuất Nga đã phát triển một số cấu hình cho tên lửa không gian tái sử dụng quốc gia đầu tiên.

Nguồn

Bốn vệ tinh Galileo được phóng thành công từ Guiane thuộc Pháp

/in /by

Pháp:  Bốn vệ tinh Galileo 23, 24, 25, 26 đã được phóng thành công từ tên lửa Ariane 5 ES vào thứ Tư 25/07 lúc 11:25 GMT từ bãi phóng Spaceport của châu Âu ở Kourou, Guiana thuộc Pháp. Sự kiện này đánh dấu việc hoàn thành chu kỳ xây dựng đầu tiên cho nhóm vệ tinh Galileo, hiện tại đã có 26 vệ tinh. Đây cũng là sứ mệnh thứ 99 và là cuối cùng của tên lửa Ariane 5 sẽ được thay thế bởi tên lửa Ariane 6 mới hơn.

Hệ thống Galileo bắt đầu hoạt động vào ngày 15/12/2016 và kể từ đó một số lượng lớn các thiết bị thương mại sử dụng Galileo đến nay. Hoàn thiện giúp Galileo cải thiện đáng kể độ chính xác định vị.

Sau sự kiện phóng này, vẫn sẽ có bốn vệ tinh được triển khai cho đến năm 2021 để đạt được 30 vệ tinh (24 hoạt động và 6 thay thế cho thế hệ vệ tinh đầu tiên). Tại thời điểm này, hệ thống định vị sẽ hoàn toàn tự động.

Công bố thuật toán học sâu mới giúp giải quyết khối Rubik lập phương

/in /by

Khối Rubik lập phương được phát minh bởi nhà điêu khắc và kiến ​​trúc sư người Hungary Erno Rubik nằm 1974.  Nhóm các nhà nghiên cứu của UC Irvine đã phát triển thuật toán có khả năng giải khối Rubik mà không đến sự hỗ trợ của con người. Đây là một bước tiến của học sâu tăng cường (DRL) – là sự kết hợp của học sâu và Monte Carlo Tree Search (MCTS). Kết quả nghiên cứu đã được công bố trong bài báo “Solving the Rubik’s Cube Without Human Knowledge” xuất bản trên arXiv.

“Các thuật toán của chúng tôi có thể giải quyết 100% các khối ngẫu nhiên trong khi đạt được độ phân giải trung bình 30 di chuyển – nhỏ hơn hoặc bằng các giải pháp sử dụng kiến ​​thức của con người” theo kết luận của bài báo.

Khối Rubik lập phương có một không gian trạng thái lớn, với khoảng 4.3 × 10^19 trạng thái. Rubik đã dành một tháng để tìm ra thuật toán đầu tiên để giải quyết khối lập phương. “Kể từ đó, Cube của Rubik đã trở nên phổ biến trên toàn thế giới và nhiều thuật toán định hướng con người để giải quyết nó đã được phát hiện. Các thuật toán này rất đơn giản để ghi nhớ và dạy cho con người cách giải quyết khối lập phương theo cách có cấu trúc, từng bước”. Tuy nhiên, việc giải bài toán này bằng máy là vô cùng phức tạp vì không gian trạng thái lớn và số lượng trạng thái phần thưởng rất nhỏ. Dưới đây là mô tả ngắn gọn về cách các nhà nghiên cứu tấn công vấn đề được trích từ bài báo:

To overcome a sparse reward in a model-based environment with a large state space, we introduce Autodidactic Iteration (ADI): an algorithm inspired by policy iteration for training a joint value and policy network. ADI trains the value function through an iterative supervised learning process. In each iteration, the inputs to the neural network are created by starting from the goal state and randomly taking actions. The targets seek to estimate the optimal value function by performing a breadth-first search from each input state and using the current network to estimate the value of each of the leaves in the tree. Updated value estimates for the root nodes are obtained by recursively backing up the values for each node using a max operator. The policy network is similarly trained by constructing targets from the move that maximizes the value. After the network is trained, it is combined with MCTS to efficiently solve the Rubik’s Cube.

Mạng đào tạo sử dụng phương pháp ADI vói 2.000.000 lần lặp. Số lượng dữ liệu đào khoảng 8 tỷ trường hợp (bao gồm các trương lặp lại) và được huấn luyện trong 44 giờ. Nhóm nghiên cứu đã sử dụng một máy chủ với Intel Xeon E5-2620 (32 nhân) và 3 GPU NVIDIA Titan XP.

Thông qua nghiên cứu này, nhóm tác giả đã chứng minh mạng học sâu có thể được đào tạo để hiểu các khái niệm toán học. Từ đó, các nhà khoa học có thẻ hiểu rõ hơn và tối ưu phương pháp này.

Nguồn: hpcwire

Theo dõi lở đất gần thời gian thực do các cơn mưa lớn gây ra

/in /by

Mới đây các nhà khoa học có thể xem xét các mối đe dọa lở đất bất cứ nơi nào trên thế giới gần thời gian thực, nhờ vào dữ liệu vệ tinh và mô hình mới do NASA phát triển.

Mô hình này, được phát triển tại Trung tâm bay không gian Goddard của NASA ở Greenbelt, Maryland, ước tính hoạt động lở đất có thể xảy ra do lượng mưa. Lượng mưa là sự kích hoạt phổ biến nhất của lở đất trên khắp thế giới. Nếu các điều kiện bên dưới bề mặt Trái đất đã không ổn định, mưa lớn hoạt động như rơm cuối cùng gây bùn, đá hoặc mảnh vụn – hoặc tất cả kết hợp – sat lở và trôi xuống núi và sườn đồi.

Một mô hình mới đã được phát triển để xem xét hoạt động sạt lở tiềm năng đang thay đổi trên thế giới như thế nào. Một mô hình đánh giá nguy cơ trượt lở đất toàn cầu (LHASA –  Landslide Hazard Assessment model for Situational Awareness) đã được phát triển để cung cấp một dấu hiệu cho thấy nơi và khi sạt lở đất có thể có khả năng trên khắp thế giới mỗi 30 phút.

Mô hình này được thiết kế để nâng cao hiểu biết của chúng ta về nơi và khi có nguy cơ xảy ra hiện tượng lở đất và cải thiện các ước tính về các mô hình dài hạn. Một phân tích toàn cầu về lở đất trong 15 năm qua bằng cách sử dụng Đánh giá nguy cơ trượt lở đất là một trong những mô hình mới chonhận thức tình huống đã được công bố trực tuyến vào ngày 22 tháng 3 trên tạp chí Earth’s Future.

Dalia Kirschbaum, chuyên gia lở đất tại Goddard và là đồng tác giả của video tư liệu, cho biết: “Lở đất có thể gây ra sự tàn phá và tử vong trên diện rộng, nhưng chúng tôi thực sự không hiểu được nơi nào và khi nào có thể xảy ra hiện tượng lở đất. “Mô hình này giúp xác định thời gian, địa điểm và mức độ nghiêm trọng của các hiểm họa lở đất tiềm ẩn trong thời gian thực gần như trên toàn cầu. Chưa từng có mô hình thực hiện như thế này trước đây”.

Mô hình ước lượng hoạt động lở đất tiềm năng bằng cách xác định các khu vực đầu tiên có lượng mưa lớn, dai dẳng và gần đây. Ước tính lượng mưa được cung cấp bởi một sản phẩm đa vệ tinh được NASA phát triển bằng cách sử dữ liệu đo lường lượng mưa toàn cầu của Cơ quan thăm dò vũ trụ của NASA và Nhật Bản, cung cấp ước tính lượng mưa trên toàn thế giới cứ 30 phút một lần. Mô hình xem xét khi dữ liệu GPM vượt quá ngưỡng mưa và đối chiếu với các dữ liệu quan trọng trong bảy ngày qua.

Ở những nơi có lượng mưa cao bất thường, mô hình sau đó sử dụng bản đồ độ nhạy để xác định xem khu vực có dễ bị sạt lở đất hay không. Bản đồ nhạy cảm toàn cầu này được phát triển dựa trên 5 yếu tố đóng vai trò quan trọng trong hoạt động lở đất:

  • Các con đường đã được xây dựng gần đó
  • Cây cối bị loại bỏ hoặc đốt cháy
  • Lỗi kiến ​​tạo lớn ở gần
  • Nền địa chất yếu
  • Sườn đồi dốc.

 

Nếu bản đồ nhạy cảm cho thấy khu vực có lượng mưa lớn là dễ bị tổn thương, mô hình sẽ tạo ra một “nowcast” xác định khu vực là có khả năng xảy ra lở đất cao hoặc trung bình. Mô hình tạo ra các bản tin mới mỗi 30 phút.

Nghiên cứu này cho thấy xu hướng dài hạn khi sản lượng của mô hình được so sánh với cơ sở dữ liệu trượt lở có niên đại từ năm 2007. Phân tích của nhóm cho thấy “mùa lở đất” toàn cầu với mức cao nhất về số lở đất trong tháng 7 và tháng 8. Mùa gió mùa và gió mùa nhiệt đới ở Đại Tây Dương và Thái Bình Dương.

 

Nguồn: NASA

ESA ra mắt dự án trường học để với chủ đề về bảo vệ khí hậu của trái đất

/in /by

ESA đã công bố một dự án trường học mới cho học sinh trong độ tuổi từ 8 đến 15, sẽ bắt đầu vào đầu tháng 10 năm 2018 và được tổ chức trong suốt năm học. Học sinh sẽ được thử thách để ‘tạo sự khác biệt’. Các học sẽ xác định một vấn đề khí hậu bằng cách quan sát môi trường địa phương của họ và được giao nhiệm vụ điều tra với tư cách như là ‘Các thám tử khí hậu’ bằng cách sử dụng các hình ảnh vệ tinh hoặc các phép đo mặt đất. Dựa trên kết quả của này, các nhóm có thể đề xuất các cách để theo dõi hoặc nâng cao nhận thức về vấn đề có thể ảnh hưởng đến khí hậu của trái đất. Các học sinh sẽ tìm hiểu về khí hậu trên Trái đất như một hệ thống phức tạp và luôn thay đổi và hiểu được tầm quan trọng của việc tôn trọng môi trường của chúng ta.

Trong quá trình phối hợp với Văn phòng Khí hậu ESA và Văn phòng Nguồn lực Giáo dục Không gian Châu Âu (ESERO), tại các giai đoạn quan trọng của dự án, các chuyên gia trong lĩnh vực quan sát trái đất và khí hậu sẽ hỗ trợ các nhóm bằng cách đưa ra phản hồi bằng văn bản về kế hoạch dự án của họ. Các sự kiện trực tuyến có sự tham gia với một nhà khoa học cũng sẽ được tổ chức để cung cấp cho đội cảm hứng và hướng dẫn cho công việc thực tế của họ. Tất cả các đội tham gia sẽ chia sẻ kết quả nghiên cứu của họ thông qua một trang web dự án chuyên dụng.

Sự tham gia dành cho các nhóm học sinh, từ 8-15 tuổi, từ một nước thành viên của ESA. Các đội phải được dẫn dắt bởi một giáo viên và phải bao gồm ít nhất 6 học sinh trở lên.

Công tác chuẩn bị cho dự án đang được gấp rút hoàn thành. Các chủ đề nghiên cứu, tìm hiểu bao gồm thời tiết và khí hậu, mùa, trái đất và khí quyển, và các thảm họa tự nhiên và nhân tạo.

 

Nguồn: ESA launches school project to protect earth’s climate

Ra mắt chip siêu nhỏ: Google đặt cược lớn vào IoT

/in /by

Google đã công bố một con chip và bộ phần mềm có thể giúp cho các doanh nghiệp ứng dụng IoT và đặt nó trên nền tảng tốt hơn so với các đối thủ cạnh tranh Amazon và Microsoft.

Google đang thực hiện hai bước – một phần cứng và một phần mềm – mang khả năng phân tích và học máy của mình tới các thiết bị IoT để giải quyết tốt hơn với dữ liệu được tạo bởi số thiết bị IoT ngày càng tăng , công ty cho biết tại hội nghị công nghệ Cloud Next.

Bước đầu tiên là Google mở rộng các tính năng của nền tảng phần mềm Cloud IoT của nó để kết nối mạng. Thứ hai là một chip nhỏ có thể được tích hợp trong các thiết bị IoT và xử lý dữ liệu mà chúng thu thập được trước khi truyền nó.

Edge computing – mô tả một kiến trúc nơi một máy tính chuyên dụng ngồi rất gần các điểm cuối IoT để thực hiện phân tích và xử lý dữ liệu từ các điểm cuối đó, trái ngược với việc gửi thông tin đó trở lại trung tâm dữ liệu – và mô hình sắp tới để triển khai IoT, đặc biệt trong các trường hợp sử dụng có các yêu cầu nghiêm ngặt về độ trễ.

 

Google đứng trong số các đối thủ cạnh tranh của nó có thể được trợ giúp bởi chip mà nó công bố tại Cloud Next gọi là Edge TPU giúp tăng tốc độ học máy thông qua phần mềm TensorFlow AI của công ty.

“Tùy thuộc vào hiệu quả của Edge TPU, điều này có thể đã không chỉ bắt chúng lên, nhưng cho phép họ để kéo về phía trước của cuộc thi về mặt kỹ thuật,” Renaud nói.

Edge TPU, một chip tùy chỉnh chỉ bằng một phần nhỏ kích thước của một xu được thiết kế đặc biệt để chạy các mô hình học máy của TensorFlow Lite của Google trên các thiết bị đầu cuối. Ý tưởng là sử dụng các thiết bị IoT để tạo ra các dự đoán và hiểu biết có ý nghĩa.

Google cho biết trên trang web của mình rằng chip có thể được sử dụng để cho phép đưa ra các dự đoán, phát hiện bất thường, thị giác máy, rô bốt và nhận dạng giọng nói, trong số những thứ khác.

Nguồn: Google’s tiny chip represents a big bet on IoT

Phòng thí nghiệm Descartes mang hệ thống theo dõi @WildfireSignal trực tiếp lên Twitter

/in /by

Một bức ảnh có sức mạnh hơn cả ngàn lời nói. Việc theo dõi các sự kiện thiên nhiên theo thời gian thực đang trở lên thú vị hơn bao giờ hết nhờ việc đăng tải những hình ảnh vệ tinh trên các phương tiện truyền thông.

Hệ thống theo dõi @WildfireSignal của Descartes Labs khám phá khả năng này. Công cụ GOES-16 cùng với bot giúp người dân và những người liên quan trực tiếp theo dõi các vụ cháy rừng ở địa phương bằng các hình ảnh vệ tinh thông qua Twitter. Trong một bài đăng blog gần đây của Descartes Labs, công ty giải thích cách công cụ hoạt động, “Được nhúng trong mỗi tweet, và được phân phát qua hệ thống, là các video time-lapse sử dụng dữ liệu RGB và cận hồng ngoại. Dấu hiệu một đám cháy đang hoạt động xuất hiện dưới dạng một tập hợp các điểm ảnh có màu đỏ và trắng sáng. Các cột khói có thể nhìn thấy trong ảnh quang học. ”

Sự hiệu quả của hệ thống có thể được chứng minh với sự kiện cháy rừng ở Ute Park Fire, phía bắc Santa Fe gần thị trấn Taos, Mỹ, nơi cháy rừng xảy ra vào tháng Năm. Ở đây hình ảnh quang học ở bên trái cho thấy sự phát triển của cột khói, và bên phải ngọn lửa màu đỏ tươi xuất hiện trong ảnh hồng ngoại.

Điều này cũng cho chúng ta một bức tranh rõ ràng về tầm quan trọng của hình ảnh vệ tinh trong quản lý thiên tai. Trước khi nghiên cứu sâu hơn về cách công cụ này hoạt động, hãy cùng tìm hiểu rõ hơn về vai trò của hình ảnh vệ tinh trong quản lý thiên tai

Hình ảnh vệ tinh quan trọng như thế nào trong việc quản lý thiên tai

Việc sử dụng hình ảnh vệ tinh để theo dõi hậu quả của thiên tai được xem là một bước quan trọng trong việc hỗ trợ các nỗ lực phục hồi lâu dài. Bất cứ lúc nào, hơn hai nghìn vệ tinh nhân tạo đang vòng quanh hành tinh của chúng ta. Chúng giúp chúng ta liên lạc, định vị, quan sát và thu thập dữ liệu.

Việc bắt giữ khu vực bị ngập lụt do thiên tai có thể giúp các chính phủ và nhà cung cấp dịch vụ khẩn cấp đánh giá tốt hơn nguy cơ và khả năng dễ bị tổn thương của khu vực của họ. Thông tin này sẽ cho phép ưu tiên các hoạt động giảm thiểu và chuẩn bị mục tiêu cho khu vực của họ.

GOES-16 hoạt động như thế nào

Hy vọng rằng công cụ này có thể cung cấp một cách mới để hình dung và theo dõi cháy rừng, Descartes Labs giải thích cách công cụ hoạt động trên blog của mình, “Chúng tôi lấy danh sách active-fire từ Inciweb, nền tảng quản lý sự cố liên ngành của chính phủ và sử dụng hình ảnh từ vệ tinh GOES-16 để tạo video time-lapse của tất cả các vụ cháy rừng đang diễn ra ở Hoa Kỳ ”

GOES-16 cung cấp nguồn cấp dữ liệu trực tiếp của Hoa Kỳ (cập nhật 5 phút một lần) và công ty có thể thu nhận, xử lý và phân tích dữ liệu trong vòng bốn phút kể từ khi chụp ảnh. Điều này cho phép hiểu biết nhanh chóng về các chuyển động của cháy rừng và khói của chúng. Công ty cũng cung cấp hình ảnh có độ phân giải cao hơn hai lần một tuần từ Landsat 8 và Sentinel 2 được sử dụng để xác nhận “đốt sẹo” khi đám cháy di chuyển (được hiển thị bên dưới).

Tài khoản Twitter cập nhật sáu giờ một lần và tự động tạo video mới trong sáu giờ trước đó, tất cả được kết nối với hashtag (ví dụ #UteParkFire), để cho phép mọi người dễ dàng tìm kiếm và theo dõi đám cháy.

Nguồn