|
|
|
Video by Marian Croitoru from Pexel
|
|
Télédétection et apprentissage machine
Précis, répétable, rapide et efficace. horoma utilise de l'apprentissage automatique de pointe pour l'analyse et la classification des données de télédétection. Ce processus offre des résultats précis, reproductibles et cohérents qui peuvent être adaptés aux besoins spécifiques de chaque client.
horoma AI a également développé une expertise enviable en télédétection dans les domaines de l'agriculture, de la foresterie et de la classification des écosystèmes. Dans le contexte de changements climatiques, ces outils permettent d’observer et mesurer les effets du climat et planifier des réponses appropriées. Bénéfices clés de l'utilisation de l'IA de horoma en télédétection:
Voici quelques exemples de nos travaux. |
Remote sensing and machine learning
Precise, repeatable, fast & efficient. horoma uses leading edge machine learning for the analysis and classification of remote sensing data. This process yields precise, repeatable fast and efficient results.
In addition to machine learning, horoma AI has developed enviable remote sensing expertise in the fields of agriculture, forestry and ecosystem classification. Given the current global climate crisis, these tools represent important sources of data and information for observing and measuring the effects of climate and planning appropriate responses. Key benefits of using horoma's AI in remote sensing:
Following are a few examples of our work. |
|
Agriculture
Détection d'anomalies |
Anomaly Detection
|
Captures
Original Biomasse/Biomass Humidité/Moisture
Original Biomasse/Biomass Humidité/Moisture
|
|
|
|
À chaque capture de données satellitaires, tous les indices de végétation sont calculés. L'image capturée ainsi que la biomasse et l'humidité sont automatiquement chargés dans l'application du client.
|
At each satellite data capture, all vegetation indexes are computed. The captured image along with biomass and moisture are automatically loaded in the client application.
|
Anomalies
Précédentes/Previous Courantes/Current Variation
Anomalies
Précédentes/Previous Courantes/Current Variation
|
|
|
|
Les anomalies sont détectées en comparant les indices de végétation d'un champ donné à ceux des champs de même culture dans la même région. Le réseau neuronal détecte automatiquement la culture des champs qui ne sont pas parti de la base de données du client.
|
The anomalies are defined by comparing the vegetation indexes of a specific field to those with the same crop in the region. The neural network can automatically detect the crops of fields that are not part of the client's database.
|
Outils/Tools
Profil de champ de culture/Crop field profile Statistiques anomalies/Anomaly stats. Annotations
|
|
|
|
Les données de culture de chacun des champs sont enregistrées dans la base de données de chaque client. Il est possible pour le client de modifier ou de mettre à niveau ces données directement à partir de l'application.
Les statistiques d'anomalies sont également disponibles pour chacune des dates de capture. Ceci permet un suivi rapide sur l'évolution d'enjeux de culture. Il est également possible d'ajouter annotations, documents et images à partager directement à partir de l'application. |
The cultural data of all crop fields is recorded in each client's database. This data can be augmented, edited or updated directly from the application.
All anomaly statistics are also available for each of the capture dates. This allows for a very efficient follow-up on any cultural issue. Ths aplication also allows to add annotations, documents and images chat can be shared with other users of the application. |
|
•Gestion de la végétation
La détection d'espèces est effectuée à partir de la portion images de la capture par LiDAR mobile. Cette segmentation par espèce est ensuite transférée dans le nuage de points. À partir de ce nuage de points segmenté, il est possible de calculer la densité et l'espèce de végétation dans des tunnels d'exclusion autour à la ligne basse ou moyenne tension du réseau de distribution. |
•Vegetation management
The tree specie identification is performed from the image data of the mobile LiDAR capture. This segmentation is then transferred to the point cloud. From the segmented LiDAR point cloud, it is possible to calculate the density and species of vegetation within the exclusion tunnels around the live wires of the distribution network. |
|
Co-développement avec Co-development with |
|
|
Classification d'espèces à risque reportée dans le nuage de points LiDAR. La classification et la hauteur de canopée géoréférencées sont ensuite reportées dans un document standard de système d'information géographique (SIG/GIS). |
AI Deep Lerning classification of tree species reported in the LiDAR point cloud. The georeferenced classification and canopy height are then used to generate standard geographic information system (GIS) documents. |
|
•Utilisation du territoire
Le réseau neuronal développé par horoma a servi a classifier plus de 7 500 km carrés de territoire urbain et rural au fil de la dernière année. À gauche, modèle focalisé sur les caractéristiques rurales. À droite, modèle focalisé sur les caractéristiques urbaines. |
•Land use
The neural network developed by horoma has been used to classify more than 7 500 sq. km over the course of the last year. Left, model focused on rural features. Right, model focused on urban features. |
|
Inventaire forestier
Basé sur la norme NAIPF du Ministère de la faune, des forêts et des parcs du Québec (MFFP).
|
Forest Inventory
Based on the Quebec Ministry of faulna, forests and parcs. (MFFP)
|
