anvendelsen af data fra rummet - censec · introduktion 16/02/2018 page 23 ... gomspace (main...
TRANSCRIPT
AFSLUTNINGSKONFERENCE"VÆKST I RUMERHVERVET”
ANVENDELSEN AF DATA FRA RUMMET
Karsten Østergaard Noe
Kristian Tølbøl Sørensen
Tejs Scharling
Nikolaj Volgushev
ANVENDELSEN AF DATA FRA RUMMET
• Automatiseret analyse og web-baseret visualisering af jordobservationsdata
• Machine learning til at genkende handlinger/mønstre i GNSS spor
• Cybersikkerhed i nano-satellitter
18-12-2018 Side 2
AUTOMATISERET ANALYSE OG WEB-BASERET
VISUALISERING AF JORDOBSERVATIONSDATA
Karsten Østergaard Noe
Principal Visual Computing Specialist, Alexandra Instituttet
RK: UDNYTTELSE AF RUMSYSTEMER TIL ØGET VÆKST
• Udnyttelse af satellitbaserede data
• Automatiserede visuelle analyser
• Web baserede data-services
• Fire cases:
– Segmentering af markgrænser (FieldSense)
– Bygningssegmentering (Styrelsen for Effektivitet og Forsyning)
– Geovisuel søgning (DHI-GRAS)
– 3D-visualisering af Danmarks nye skråfotos (Styrelsen for Effektivitet og Forsyning)
18-12-2018 Side 4
• FieldSense: Portal for præcisionslandbrug
– NDVI baseret markovervågning
• Vil gerne ind på nye (udenlandske) markeder
– Ingen markpolygoner som i Danmark
• Alexandra Instituttet har hjulpet med at segmentere marker (sentinel-2)
MARKSEGMENTERING
• Tre skridt vha. maskinlæringstilgangen deep learning
– Lokalisere grænser mellem marker
– Beregne “mark-sandsynlighedskort”
– Forfining af segmentering
• Brug af offentligt tilgængelige mark-polygoner (kortdata.fvm.dk)
• Trænings-eksempler (5 gange opskaleret ift. sentinel-2 opløsning):
MARKSEGMENTERING: TILGANG
18-12-2018 Side 7
NEURALT NETVÆRK
MARKGRÆNSE-GENKENDELSE
MARKGRÆNSER: OVERSIGT
• Træning med fyldte polygoner i stedet for konturer
MARK-SANDSYNLIGHEDSKORT
• Connected component analyse
• Polygonisering
RASTERKORT TIL POLYGONER
• Endnu et neuralt netværk. Trænet på hver mark individuelt.
• Ind: optisk billede + resultater fra de forrige slides. Mål: Ground truth polygon
18-12-2018 Side 12
SEGMENTERINGS-FORFINING
PILOTPROJEKT: BYGNINGSSEGMENTERING
• Formål: træne et netværk, der kan segmentere bygninger
• Samarbejde med SDFE
• Trænet på 50 quick-ortofotos (forår 2017) – RGB+NIR
• Ground truth fra GeoDanmark polygoner (kortforsyningen.dk)
BYGNINGSDETEKTOR: RESULTATEKSEMPEL
Resultat:
Ground truth:
18-12-2018 Side 14
FORFINING: BYGNINGER
• Mulig anden anvendelse: Interaktiv segmentering på webinterface.
GEOVISUAL SEARCH
• Samarbejde med DHI-GRAS
• Kraftigt inspireret af Descartes Labs’ geovisual search
(http://search.descarteslabs.com)
• So ein Ding müssen wir auch haben!
• Udviklet egen version af teknologien
• Tilpasset danske datasæt
– Sentinel-2 satellitbilleder
– Offentligt tilgængelige flyfotos (kortforsyningen.dk)
18-12-2018 Side 16
GEOVISUAL SEARCH: TEKNOLOGIEN BAG
• Flyfotos over Danmark deles ind i 48 millioner udsnit af 224*224 pixels (20 cm/pixel)
• Et neuralt netværk bruges til reduktion af billeddata til 2048 tal per udsnit (393 GB)
– Dette kaldes en descriptor
– Et andet netværk (autoencoder) reducerer hver descriptor til 512 bit. (3 GB)
• Når man klikker på et område søges de 48 mio descriptors igennem og de
descriptors, der ligner mest, returneres. Søgningen tager 300 ms.
18-12-2018 Side 17
GEOVISUAL SEARCH: EKSEMPLER
Prøv det på denmark3d.alexandra.dk/geosearch
• Kombineret visualisering af
højdekort og skråfoto.
• Viser et skråfoto af gangen.
– Downloader selv det mest
relevante skråfoto.
• Ortofoto vises udenfor
skråfotoets footprint.
• Arbitrær synsvinkel og zoom
• Fri og gratis adgang for alle!
18-12-2018 Side 19
SKRÅFOTO I 3D: DENMARK3D.ALEXANDRA.DK/SKRAAFOTO
• Prøv det på https://denmark3d.alexandra.dk/skraafoto/
MACHINE LEARNING TIL AT GENKENDE
HANDLINGER/MØNSTRE I GNSS SPOR
Tejs Scharling
Principal Solution Architect, Alexandra Instituttet
FORMÅL OG MOTIVATION BAG CASES
• Anvendelse af state-of-the-art deep learning på GNSS data
• Afdækning af GNSS opsamling på almindelige mobiltelefoner
– Præcision
– Batteri
– API’er
• Udvilking af GDPR-acceptable sporings og registreringsmekanismer
18-12-2018 Side 21
18-12-2018 Side 22
INTRODUKTION
INTRODUKTION
16/02/2018 Page 23
“Making hard-to-follow sports engaging with real time GPS tracking”
VISUALISERING
16/02/2018 Page 24
16/02/2018 Page 25
VISUALISERING
DEEP LEARNING
16/02/2018 Page 26
Kilde: U-Net: Convolutional Networks for Biomedical Image Segmentation, O. Ronneberger, P. Fischer, and T. Brox, 2015, arXiv:1505.04597
16/02/2018 Page 27
Kilde: U-Net: Convolutional Networks for Biomedical Image Segmentation, O. Ronneberger, P. Fischer, and T. Brox, 2015, arXiv:1505.04597
DEEP LEARNING
16/02/2018 Page 28
Kilde: U-Net: Convolutional Networks for Biomedical Image Segmentation, O. Ronneberger, P. Fischer, and T. Brox, 2015, arXiv:1505.04597
DEEP LEARNING
RESULTAT
16/02/2018 Page 29
Input “Ground truth” “Prediction”
Konklusionen er at deep learning er en meget interessant teknik at anvende på GNSS-data
AUTOMATISK AKTIVITETSREGISTRERING HOS
KOMMUNALE ENTREPRENØRER
Græsslåning, Åbyhøj Park
Græsslåning, Åby Skole
Vedligehold træ, Åbyhøj Park
KARAKTERISTIKA VED AKTIVITETER
Hækklipning
• Hastighed næsten 0
• Mange omkringliggende målinger men
ikke i alle retninger
Græsslåning
• Jævn, lav hastighed
• Mange omkringliggende målinger i alle
retninger
• Nærliggende målinger forskudt i tid
• Område dækket
Transport
• Jævn, høj(ere) hastighed
• Få omkringliggende målinger
DEN OPTIMALE AKTIVITETSPLAN
18-12-201832
Aktivitet X
Aktivitet Y
Aktivitet Z
Aktivitet W
X Y Z Y ZOptimal
Algoritme: Find den optimale kombination af ikke-overlappende aktiviteter
GRÆSSLÅNING 27. NOV. 2018
Filter 1
18-12-201833
12.48 –
12.52
12.55 –
12.59
13.04 –
13.08
Filter 2
Slå græs? Transport? Slå græs? Transport?
13.00 –
13.03
GPS
Slog græs:
Ground truth
12.52 –
12.59
og
13.02 –
13.11
18-12-201834AUTOMATISK AKTIVITETSREGISTRERING HOS
PRIVATE SERVICEVIRKSOMHEDER
PLANER VS VIRKELIGHEDEN
18-12-2018 Side 35
GNSS SPOR → BESØGSTIDER
18-12-201836
GNSS SPOR → BESØGSTIDER
18-12-201837
GNSS SPOR → BESØGSTIDER
18-12-201838
Aktivitetsgenkendelsen afvikles på mobiltelefonen
De genkendte aktiviteter, besøgstider, etc. godkendes af
medarbejder inden de sendes til kontoret
GNSS præcision og batteriforbrug er acceptable
EVALUERING AF PLANER
18-12-201839
CYBERSECURITY IN SPACE
Nikolaj Volgushev
Cryptography Engineer, Security Lab
RK RUMMET INITIATIVES @SECURITY LAB
• Security Evaluation of a Satellite Communication Protocol
– Worked with GOMSpace to assess and improve security of their nanosatellite
communication
• EU Horizon 2020 Proposal on IoT Security
– Risk management in space sector
– Joint proposal with University of Luxembourg, Scalian, Brit, GomSpace (main coordinator)
– Hope to resubmit to more space-related call in the future
18-12-2018 Side 41
SECURING NANOSATELLITE COMMUNICATION
18-12-2018 Side 42
• Nanosatellites communicate with base and (optionally) with each other
• Channel for commands, coordination and (sensitive) data retrieval security is paramount!
• Three common communication security goals– Confidentiality (messages private)
– Integrity (message sent is message received)
– Availability (messages delivered)
• IoT security (in space) still a new frontier
CUBESAT SPACE PROTOCOL SECURITY REVIEW
• Light-weight protocol used for communication in GOMSpace nanosatellites
– Developed by AAU
– Maintained by AAU and GOMSpace
• Optional security capabilities built-in
– Encryption using XTEA cipher
– Authentication via HMAC-SHA1
18-12-2018 Side 43
CUBESAT SPACE PROTOCOL SECURITY REVIEW
• Of overall protocol design and concrete open source implementation
• Discovered couple of security pitfalls (all non-severe)
– Choice/ application of cryptographic primitives
– Implementation issues
• Developed mitigations
– Break in backwards compatibility
• Plan to make details available once cleared with GOMSpace
• Future work on more general security model and system for satellite
communication
18-12-2018 Side 44