![Esplorare spazi reali e virtuali con i dati | di TDS Editori | Aprile 2024
| Intelligenza-Artificiale Esplorare spazi reali e virtuali con i dati | di TDS Editori | Aprile 2024
| Intelligenza-Artificiale](https://intelligenza-artificiale.eu/wp-content/uploads/2024/04/Esplorare-spazi-reali-e-virtuali-con-i-dati-di.jpeg)
C'è sempre un terreno nuovo ed entusiasmante da scoprire nel campo dei dati geospaziali: dalle applicazioni pratiche che ci aiutano a comprendere meglio la topografia fisica e le infrastrutture sociali, agli approcci teorici che ci consentono di navigare negli spazi astratti.
È passato un po' di tempo dall'ultima volta che abbiamo trattato questo argomento in Variable, quindi questa settimana siamo lieti di condividere una selezione di articoli recenti che offrono scorci affascinanti sul lavoro nell'ampia gamma di casi d'uso che i dati geospaziali comprendono. Dai tutorial per principianti alle domande teoriche più avanzate, siamo certi che qui troverai molto per suscitare il tuo interesse, indipendentemente dal tuo background e dal livello di esperienza.
- Esplorazione dei dati sulla posizione utilizzando una griglia esagonale
Sfruttando i versatili dati del programma city bike di Helsinki, Sara Tahtinen fornisce un'introduzione dettagliata alla potenza del sistema globale a griglia esagonale H3 di Uber, che è sia “uno strumento pratico e intuitivo per l'analisi dei dati spaziali” sia un metodo pratico “per rendere anonimi i dati sulla posizione aggregando informazioni geografiche in regioni esagonali”. - Profondità Qualunque: un modello di base per la stima della profondità monoculare
In un documento dettagliato e dettagliatamente spiegato, Sasha Kirch svela le complessità della stima della profondità monoculare, “la previsione della distanza nello spazio 3D da un'immagine 2D”, un problema che richiede ai professionisti di applicare le proprie capacità geospaziali, di visione artificiale e di apprendimento profondo e che un nuovo modello di base mira a risolvere.
- Ridimensionamento di un'immagine termica satellitare da 1000 ma 10 m (Python)
Esistono numerosi modi per generare potenti informazioni ambientali basate su immagini satellitari, ma lavorare con questo tipo di dati comporta una serie di sfide. Mahyar Aboutalebi, Ph.D. pubblica frequentemente su questo argomento; uno dei suoi ultimi tutorial si concentra su un approccio basato su Python per ridimensionare le immagini termiche catturate dai satelliti Sentinel-2 e Sentinel-3. - Come ritrovare te stesso in un mondo digitale
Curioso del mondo in continua evoluzione della robotica? Eden B.L'articolo di debutto di TDS si è concentrato sulla questione della capacità dei robot di autolocalizzarsi, un requisito cruciale per molti prodotti comuni (si pensi alle auto autonome e ai robot per le consegne); il loro post prosegue delineando come possiamo utilizzare strumenti probabilistici per calcolare la localizzazione. - Dove vanno i finanziamenti dell’UE per Orizzonte H2020?
L’analisi geospaziale può essere un utile primo passo nel percorso verso la risposta a domande che vanno ben oltre la geografia. Caso in questione: Milano JanosovIl nuovo tutorial di, che riunisce analisi dei dati, scienza delle reti e una buona dose di Python per mappare migliaia di progetti di ricerca e innovazione finanziati dall'UE.
Fonte: towardsdatascience.com