🦎Hengittää uutta eloa rasteridataan tekoälyupotuksilla ja FME:llä🦖

Paikkatietokuvat ja muut rasteriaineistot ovat usein alihyödynnettyinä arkistoissa, ja ne ovat täynnä potentiaalisia ja vaikeasti hyödynnettäviä tietoja. Nykyään tekoälymallien luokka, jota kutsutaan upotusmalleiksi , on muuttamassa tätä. Käyttämällä upotuksia, datan numeerisia esityksiä, jotka tallentavat sen olennaiset mallit, voimme avata nykyisistä ja vanhoista rasteridatoista tietoja, jotka aiemmin olivat saavuttamattomissa.

Aiemmin upotukset olivat enimmäkseen sisäinen vaihe luokittelumalleissa. Esimerkiksi neuroverkko saattoi oppia ominaisuuksia, jotka auttoivat erottamaan kissan koirasta, mutta näitä ominaisuuksia ei tyypillisesti käytetty suoraan. Paikkatietoalalla malli piti yleensä edelleen kouluttaa omalla merkityllä datalla käyttökelpoisten tulosten saamiseksi.

Geneeristen mallien, kuten DINOv3:n , avulla voit nyt laskea upotuksia suoraan omille kuvillesi, omilla koneillasi. Voit edelleen hienosäätää niitä tarvittaessa, mutta kuten näemme, voit tehdä paljon jo käyttämällä esikoulutettua mallia “sellaisenaan”. Tietenkin voit myös rakentaa niiden päälle, minkä vuoksi Meta kutsuu sitä vision perustamalliksi.

kuva on otettu osoitteesta https://ai.meta.com/dinov3/

Safe Softwaren FME :n (Feature Manipulation Engine) joustavuuden ja vähän koodia vaativan integraatioalustan ansiosta myös koodaamattomat voivat hyödyntää näitä edistyneitä tekoälyominaisuuksia. Tässä artikkelissa selitämme upotukset yksinkertaisesti ja käymme läpi kolme todellista käyttötapausta, joissa upotusmallin ja FME:n yhdistäminen antaa rasteriaineistoille uuden elämän. Jokainen skenaario on käytännöllinen, ja tiedot ja prosessit ovat lukijoiden käytettävissä kokeiltavaksi (katso latauslinkki lopussa).

Mitä upotukset ovat?

Koneoppimisen yhteydessä upotukset ovat tapa muuntaa monimutkaista dataa (kuten kuvaa tai tekstiä) numeroluetteloksi ( ominaisuusvektoriksi ), joka tallentaa kyseisen datan merkitykselliset ominaisuudet. Upotusta voidaan ajatella alkuperäisen sisällön tiiviinä yhteenvetona tai sormenjälkinä.

Kuvien tapauksessa upotus voi olla muutaman sadan tai tuhannen luvun vektori, jotka yhdessä edustavat esimerkiksi alueen muotoja, tekstuureja ja rakenteita – mutta eivät eksplisiittisellä ihmisluettavalla tavalla. Keskeinen ajatus on, että samankaltaisilla tiedoilla on samankaltaiset upotukset . Jos kahdessa kuva-alueella on molemmissa tiheää metsää, upotusmalli luo niille vektoreita, jotka ovat numeerisesti lähellä toisiaan. Malli ei tarkastele vain yksittäisiä pikseleitä, vaan myös kuvioita ja kontekstia.

Tämä tekniikka pakkaa valtavan määrän visuaalista tietoa pienemmäksi joukoksi ominaisuuksia, jotka edustavat datan merkityksellistä semantiikkaa. Upotusten teho piilee siinä, että ne helpottavat tietokoneiden sisällön vertailua ja hakemista. Raakojen pikseliarvojen vertaamisen sijaan (mikä on epäkäytännöllistä) vertaamme upotuksia. Tämä avaa toimintoja, kuten:

• kuvien hakeminen sisällön perusteella
• kohtausten ryhmittely ja luokittelu samankaltaisuuden perusteella
• poikkeavuuksien havaitseminen

Lyhyesti sanottuna upotukset muuttavat rikkaan, jäsentämättömän datan (kuten rasteripikselit) jäsenneltyyn muotoon, jota voimme indeksoida ja analysoida tehokkaasti.

Uusi elämä olemassa oleville rasteriaineistoille

Miten mallien upottaminen tuo rastereihin uutta eloa?

Ajatellaanpa vuosien varrella kerättyä suurta ilma- tai satelliittikuva-arkistoa. Perinteisesti, löytääksesi näistä kuvista jotain, esimerkiksi kaikki vesistöjä tai tiheää metsää sisältävät alueet, sinun olisi analysoitava jokainen kuva manuaalisesti tai koulutettava malli sen jälkeen, kun olet ensin merkinnyt useita kuvia. Upotusmalli muuttaa peliä avaamalla kuvien sisällön ilman lisätyötä . Suorittamalla jokaisen rasterikuvan (tai jopa jokaisen laatan tai pienen laastarin) mallin läpi saamme upotusvektorin, joka edustaa kyseisen kuvan sisältöä. Näitä upotuksia voidaan sitten käyttää luovasti:

• Sisältöpohjainen haku – löydä tarvitsemasi nopeasti.
  Koska samankaltaisilla kuvilla on samankaltaisia ​​upotuksia, voit hakea arkistosta kuvia, jotka vastaavat tiettyä esimerkkiä tai kuviota. Esimerkiksi yhdestä järveä esittävästä kuvalaikusta löydät kaikki muut laikut, joilla on samanlaiset veden tekstuurit. Tämä oli aiemmin lähes mahdotonta tehdä suuremmassa mittakaavassa; upotukset mahdollistavat “hakukoneen” rakentamisen kuville.
• Klusterit ja löytäminen – paljasta piilotettu rakenne.
  Ryhmittelyllä laikkuja niiden upotusvektorien mukaan voit automaattisesti löytää luokkia tietojoukostasi: kaupunki, metsä, vesi, paljas maaperä jne. Tämä valvomaton löytäminen voi paljastaa trendejä (kuten laajenevat rakennetut alueet tai metsäkadon), jotka antavat tietojoukolle uutta merkitystä.
• Analyysien parantaminen uusilla ominaisuuksilla – yhdistä muihin tietoihin.
  Kun kuvat on muunnettu upotustiedostoiksi (tai tislattu edelleen luokkiin tai pisteytykseen), voit ristiviitata näihin tietoihin muiden tietojoukkojen kanssa. Voit esimerkiksi linkittää kuva-

Koneoppimisen yhteydessä upotukset ovat tapa muuntaa monimutkaista dataa (kuten kuvaa tai jopa tekstiä) numeroluetteloksi (ominaisuusvektoriksi), joka tallentaa kyseisen datan merkitykselliset ominaisuudet. Upotusta voidaan ajatella alkuperäisen sisällön kompaktina yhteenvetona tai sormenjälkikuvana. Esimerkiksi kuvan upotus voi olla muutaman sadan numeron vektori, joka edustaa kuvassa olevia muotoja, värejä ja tekstuureja, mutta ei eksplisiittisellä ihmisen luettavalla tavalla. Keskeinen ajatus on, että samankaltaisilla tiedoilla on samankaltaiset upotukset. Jos kahdessa kuvassa on metsä, upotusmalli luo niille vektoreita, jotka ovat numeerisesti lähellä toisiaan. Tämä tekniikka pakkaa laajan tiedon pienemmäksi joukoksi ominaisuuksista, jotka edustavat datan merkityksellistä semantiikkaa. Upotusten teho on siinä, että ne helpottavat tietokoneiden sisällön vertailua ja hakemista. Raakojen pikseliarvojen vertaamisen sijaan (mikä on epäkäytännöllistä) vertaamme upotuksia. Tämä avaa kaikenlaisia ​​hyödyllisiä toimintoja: voit etsiä kuvia sisällön perusteella, ryhmitellä ja luokitella kohtauksia samankaltaisuuden perusteella, havaita poikkeavuuksia ja paljon muuta. Lyhyesti sanottuna upotukset muuttavat rikkaat strukturoimattomat tiedot (kuten rasteripikselit) strukturoituun muotoon, jota voimme indeksoida ja analysoida tehokkaasti.

Viitteenä, samaa konseptia käytettiin RAG-artikkelimme tekstissä .

FME + tekoäly: Vähäkoodinen integraatio kaikille

Saatat miettiä: “Tämä kuulostaa monimutkaiselta, täytyykö minun olla ohjelmoija tai tekoälyasiantuntija tehdäkseni tämän?” Onneksi ei.

Tässä kohtaa FME astuu kuvaan. FME on tehokas dataintegraatioalusta, joka tunnetaan joustavuudestaan ​​paikkatietojen käsittelyssä, ja se tarjoaa koodittoman/vähän koodia vaativan käyttöliittymän. Voit rakentaa työnkulkuja yhdistämällä graafisia komponentteja (muuntajia) koodin kirjoittamisen sijaan. FME:n avulla voit muodostaa yhteyden käytännössä mihin tahansa tietolähteeseen tai -muotoon, mukaan lukien suuret rasterit, tietokannat, verkkopalvelut ja nyt jopa tekoälymallit, kaikki ilman riviäkään koodia.

Meidän tapauksessamme upotukset lasketaan DINOv3:lla ja tallennetaan joko NumPy (.npy) -tiedostoina laattaa kohden tai tietokantataulukkoon (DuckDB), jossa on vektorisarake. FME:n vahvuus on siinä, miten niitä käytetään sekä ennen upotusvaihetta että sen jälkeen :

• Ennen:
  • Valitse kohteita tai kiinnostavia alueita.
  • Rakenna rasteriesi kanssa linjattuja paikkausruudukoita.
  • Orkestroi ruudutus ja rinnakkaiskäsittely tehokkaan laskennan saavuttamiseksi.
• Jälkeen:
  • Yhdistä upotustulokset vektorikerroksiin tai muihin ominaisuuksiin.
  • Käytä suodattimia ja kynnysarvoja, suorita spatiaalisia liitoksia ja ryhmittele monikulmioiden mukaan.
  • Automatisoi raportointi, visualisointi ja julkaisu FME Flow’ssa.

FME on tunnetusti formaatista riippumaton ja joustava. Siinä on kymmeniä rasterimuuntajia ja tuki sadoille datamuodoille, mikä tarkoittaa, että se voi lukea vanhoja dataasi (GeoTIFF, JPEG2000, suljetut formaatit) ja kirjoittaa tulokset haluamassasi muodossa. Sen kooditon käyttöliittymä madaltaa kynnystä, joten myös muut kuin kehittäjät voivat luoda monimutkaisia ​​dataputkia ymmärrettävällä ja luotettavalla tavalla. Haluatko ladata upotuksia paikkatietokantaan tai verrata niitä maa-alueiden muototiedostoon? Kyse on oikeiden muuntajien lisäämisestä.

FME toimii pohjimmiltaan liimana, joka yhdistää datan ja tekoälyn: se voi muodostaa yhteyden tietokantoihin tai API-rajapintoihin, käsitellä suuria datamääriä ja ajoittaa tai automatisoida tehtäviä FME Flow’ssa tuotantoa varten. Yksinkertaisen sovelluksen tai itsepalvelutyötilan tarjoaminen loppukäyttäjille näiden työnkulkujen päälle on suoraviivaista.

Tuloksena on, että edistynyt kuva-analyysi ei ole rajoitettu datatieteilijöihin: suunnittelijat, analyytikot tai kuka tahansa paikkatietoalan ammattilainen voi hyödyntää sitä FME:n kautta.

Tarkastellaan nyt kolmea konkreettista käyttötapausta, jotka osoittavat, miten upotusmalli + FME-työnkulku tarjoavat arvoa. Jokainen skenaario käyttää olemassa olevaa rasteriaineistoa ja yhdistää sen muihin FME-tietoihin ratkaistakseen todellisen ongelman.

Kysymys

Meillä on kaupunginlaajuisia ortokuvia ja haluamme kartoittaa aurinkopaneeleja . Ei ole nimettyä harjoitusdataa, emmekä halua rakentaa ja ylläpitää valvottua mallia. Voimmeko aloittaa yhdestä tunnetusta paneelista ja löytää samankaltaisia?

Idea

Koska DINOv3-upotukset tallentavat tekstuurin ja rakenteen, voimme:

1. Valitse yksi paikka, jossa on selvästi aurinkopaneeleja.
2. Etsi kaikki patchit, joiden upotus on lähimpänä kyseistä referenssiä 1024-ulotteisessa avaruudessa.
3. Tuo nuo laastarit takaisin karttakoordinaatteihin ja visualisoi ne.

Ei ohjattua koulutusta – vain samankaltaisuushakua upotustilassa.

Työnkulku FME:ssä (käsitteellisesti)

1. Rakenna paikkausruudukko uudelleen
   • Käytä FME:tä luodaksesi rasteriruudukon kanssa kohdistetun ruudukon (8 m × 8 m:n solut – 16 × 16 pikselin laastarin fyysinen koko 0,5 m:n tarkkuudella).
   • Jokainen ruudukon solu vastaa DINOv3-korjaustiedostoa, joka tunnistetaan laatan nimellä ja korjaustiedoston indekseillä (rivi, sarake).
2. Valitse referenssipatch
   • Lataa ortokuvat taustaksi Data Inspectorissa.
   • Klikkaa ruudukkosolua, joka peittää aurinkopaneelit selvästi (hyvä suuntautuminen, selkeät paneelit, rajallinen varjo).
   • Pura sen laatta/rivi/sarake ja etsi sen upotus DuckDB-taulukosta.

3. Etsi samankaltaisia ​​​​laastareita

• • Lyhyessä SQL-vaiheessa (esimerkissä) lasketaan referenssiupotuksen ja kaikkien muiden upotusten välinen etäisyys (esim. kosini- tai euklidinen etäisyys).
  • Lajittele alueet etäisyyden mukaan ja pidä esimerkiksi 1000 lähimpänä olevaa ensimmäisenä lähtökohtana.
  • Valinnaisesti voit asettaa etäisyyskynnyksen (esim. pitää vain patchit, joiden etäisyys on viritetyn arvon alapuolella)

4. Takaisin kartalle

• • • Yhdistä valitut upotukset takaisin niiden paikkausruudukko-ominaisuuksiin FME:ssä.
    • Muunna jokainen paikka suorakulmioksi reaalimaailman koordinaateissa (käyttäen laattarajoja ja paikkaindeksejä).
    • Väritä alueet etäisyyden mukaan referenssiin (lähempänä = todennäköisemmin aurinkopaneeli).

Mitä näet?

Tietojen tarkastajassa näet:

• Ortokuva taustalla
• Ruudukko laikkuja
• Korostetut alueet, joita DINOv3 pitää esimerkkiaurinkopaneelin kaltaisina

Huomaat:

• Paljon todellisia positiivisia puolia (aurinkopaneeliryhmät katoilla)
• Joitakin vääriä positiivisia tuloksia (tummat kattoelementit, kattoikkunat, jotkut teollisuusrakennusten katot)

Voit tarkentaa tuloksia seuraavasti:

• Tiukemman etäisyyskynnyksen asettaminen
• Useiden referenssialueiden (eri paneelikoot, -suunnat, kattotyypit) käyttö ja tulosten yhdistäminen
• Rajoitus alueille, joilla on rakennuksia, vektoripohjaisen rakennusjalanjäljen avulla

Lopputuloksena on aurinkopaneelien ehdokaskerros, joka luodaan hyvin vähällä manuaalisella vaivalla.

Tilanne vuosina 2014 vs. 2020 (muuttuneet alueet punaisella)

Kysymys

Meillä on ortokuvia vuosilta 2014 ja 2020 samalla resoluutiolla ja peittoalueella. Haluaisimme nähdä:

• Missä uusia rakennuksia ilmestyi
• Missä tapahtui suuria maanpeitteen muutoksia
• Vertailematta kahta mosaiikkia manuaalisesti, paikka paikalta

Idea

Jokaiselle korjaustiedoston sijainnille (sama laatta, sama rivi/sarake) vertaamme:

• Upotus vuonna 2014
• Upotus vuonna 2020

Jos sijainti ei muuttunut paljon (samat rakennukset, samanlainen kasvillisuus), upotetut kasvit ovat lähellä toisiaan. Jos se muuttui paljon (uudisrakentaminen, laaja raivaus), upotetut kasvit ovat kaukana toisistaan.

Joten määrittelemme muutospistemäärän :

muutos = etäisyys(embedding_2014, embedding_2020) ja käytä FME:tä kyseisen pistemäärän kartoittamiseen ja suodattamiseen.

Työnkulku FME:ssä

1. Suorita DINOv3 molempina vuosina
   • Käytä identtistä laatoitusta (sama ruudukko, samat paikkaindeksit) vuosina 2014 ja 2020.
   • Jokaiselle laatta- ja paikkausindeksille meillä on nyt kaksi upotusta: yksi vuodelta 2014 ja yksi vuodelta 2020.
2. Laske muutos korjauspäivitystä kohden
   • Laske DuckDB:ssä kunkin korjauspäivityksen vuosien 2014 ja 2020 upotusten välinen etäisyys.
   • Tallenna tämä arvo taulukon mukaisesti (“delta_2014”).
3. Valitse muuttuneet laastarit
   • Lue FME:ssä taulukko ja käytä ensimmäistä suodatinta, kuten delta_2014> 0.25, poistaaksesi hyvin pienet muutokset ja kohinan.
   • Käytä sitten Tester- muuntajaa pitääksesi vain voimakkaat muutokset, esim. delta_2014> 0.80.
   • Nämä kynnysarvot valitaan empiirisesti tarkastelemalla etäisyyksien jakaumaa ja tarkastelemalla tuloksia visuaalisesti; niitä voidaan säätää kullekin tietojoukolle erikseen.
4. Visualisoi polygoneina tai rasterina

Kaksi vaihtoehtoa:

1. • Monikulmiot : kuvaa kutakin aluetta suorakulmiona ja aseta ne päällekkäin vuoden 2020 ortokuvan kanssa. Tummempi väri = suurempi muutospistemäärä.
   • Muuta rasteria : käytä ImageRasterizeria muuntaaksesi muuttuneet laastarit rasterikerrokseksi, antaaksesi sille puoliläpinäkyvän värin ja sekoittaaksesi sen vuoden 2020 kuviin RasterMosaickerilla.

Mitä näet

Tyypillisiä esiin ponnahtavia kuvioita ovat:

• Uusia asuinalueita kaupungin laitamilla
• Uudet tiet tai levennetyt tiekäytävät
• Teollisuuskehitys ja suuret raivaukset

Mielenkiintoista kyllä, jotkut luonnolliset muutokset (kuten kasvillisuuden kausivaihtelu) voivat silti olla suhteellisen pieniä etäisyyksiä, jos yleinen rakenne pysyy samana. Tämä on hyödyllistä: menetelmä pyrkii korostamaan rakenteellisia muutoksia enemmän kuin pieniä spektrieroja.

Tästä työnkulusta tulee uudelleenkäytettävä muutosten havaitsemistyökalu . Kun uusia kuvia saapuu, ajat samaa prosessia ja näet heti, missä merkittävimmät muutokset ovat.

Kysymys

Helsingin kaupunki tarjoaa erilaisia ​​kaavoitus- ja maankäyttökerroksia. Oletetaan, että otamme kasvillisuus- tai viheraluepolygonikerroksen . Sen tarkoituksena on edustaa puistoja, viherkäytäviä ja vastaavia tiloja.

Haluamme tietää:

• Onko näissä polygoneissa osia, jotka näyttävät visuaalisesti hyvin erilaisilta kuin muut?
• Päällystettiinkö tai rakennettiinko jotkin alueet päälle, mutta niitä ei koskaan päivitetty vektoridataan?
• Onko vihreiksi luokiteltujen alueiden sisällä ”reikiä” – teitä, pysäköintialueita, rakennuksia?

Idea

Tietyn polygonin sisällä useimpien laikkujen tulisi näyttää suurin piirtein samanlaisilta (puut, ruoho, polut). Voimme:

1. Kerää kaikkien monikulmion sisälle jäävien laastarien upotukset.
2. Laske kyseisen monikulmion mediaaniupotus (eräänlainen “tyypillinen” alue kyseiselle alueelle).
3. Mittaa, kuinka kaukana kukin paikka on tästä mediaanin upotuksesta.
4. Lippualueet, jotka ovat paljon tyypillistä etäisyyttä kauempana.

Nuo läiskät ovat poikkeamia monikulmion sisällä , ja ne voivat viitata virheelliseen luokitteluun, uudisrakennuksiin tai yksinkertaisesti mielenkiintoisiin poikkeavuuksiin.

Työnkulku FME:ssä

1. Leikkaa monikulmiot paikkaruudukolla
   • Käytä FME:tä luodaksesi saman alueruudukon kuin aiemmin (8 m × 8 m solut).
   • Leikkaa tämä ruudukko kasvillisuuspolyonien kanssa.
   • Säilytä vain ne laastarit, jotka osuvat kunkin polygonin sisälle ja jotka säilyttävät polygonin tunnuksen.

Viheralueiden objektit monikulmioina ja ruudukkona

• 1. Lataa näiden korjaustiedostojen upotukset
  • Etsi vastaavat upotukset .npy-tiedostoista käyttämällä tile/row/col-attribuutteja.
  • PythonCaller lukee upotukset ja liittää ne kuhunkin korjaustiedoston ominaisuuteen.
• 2. Laske polygonikohtainen mediaani ja poikkeavat arvot

PythonCallerin sisällä (tai ulkoisessa FME:n laukaisemassa komentosarjassa):

• • Ryhmittele laastarit monikulmiotunnuksen mukaan.
  • Pinoa jokaisen ryhmän kaikki upotukset taulukkoon.
  • Laske kyseisen ryhmän mediaaniupotus.
  • Laske etäisyys kunkin laastarin upotuksesta tähän mediaaniin.
  • Määritä kynnysarvo jakauman perusteella (esimerkiksi merkitse 5 % kaukaisimmista alueista poikkeaviksi havainnoiksi).
  • Palauta FME:lle kaksi attribuuttia:
    • etäisyyden_mediaaniin
    • on_poikkeava (0/1)

• 3. Tarkasta ja toimi

  • Käytä FME:n testaajaa suodattaaksesi is_outlier = 1:een.
  • Visualisoi nuo laastarit ortokuvan ja polygonirajojen päällä Data Inspectorissa.

Mitä näet?

Poikkeavat laastarit vastaavat usein:

• Rakennukset tunkeutuvat viheralueille
• Monikulmioiden sisällä olevat pysäköintialueet, tiet tai rakennustyömaat luokitellaan edelleen kasvillisuudeksi
• Paljaat maaperä- tai vesiläiskät, jotka eivät vastaa suurinta osaa polygonista

Tämä antaa sinulle laadunvalvontatyökalun vektorikuville, joita ohjaavat suoraan alla olevat kuvat. Et nimeä mitään, vaan käytät yksinkertaisesti upotusten luontaista rakennetta.

Miksi tämä yhdistelmä toimii niin hyvin?

Kaikissa kolmessa käyttötapauksessa kaava on sama:

• DINOv3 tarjoaa yleisen, uudelleenkäytettävän esityksen jokaisesta kuvakorjauksesta.
• Emme kouluta uusia malleja; käytämme näitä upotuksia uudelleen eri kysymyksiin.
• FME tarjoaa datan putkityöt, spatiaalisen logiikan ja käyttäjäystävällisen käyttöliittymän seuraaviin tarkoituksiin:
  • yhdistää upotukset laattoihin, rastereihin ja vektoridataan
  • suorittaa valintoja, koosteita ja laadunvarmistusta
  • tuottaa tuotoksia, jotka päätöksentekijät ymmärtävät (kartat, tasot, taulukot)

Tämä antaa olemassa oleville ortokuva-arkistoille toisen elämän:

• haettavana sisältötietokantana (samankaltaisuushaku)
• ajan kuluessa tapahtuvan muutoksen havaitsejana ( erojen upottaminen)
• muiden paikkatietotasojen (poikkeamien polygonien sisällä) johdonmukaisuuden tarkistajana

Koska kaikki on rakennettu FME:llä, myös koodaamattomat voivat suorittaa, mukauttaa ja laajentaa näitä työnkulkuja ryhtymättä koneoppimisinsinööreiksi.

Oletko valmis kokeilemaan itse?

Nämä tekniikat eivät ole vain teoreettisia, voit alkaa kokeilla omaa dataasi tai kokeilla esimerkkejämme.

Koska asennus vaatii hieman dataa ja myös jonkin Micromamban kaltaisen osan asentamista sekä SQL-esikäsittelyä, emme voineet noin vain julkaista FME Hubiin. Olemme laatineet esimerkkimallin, joka sisältää FME-työtilan välimuistissa olevine tietoineen kolmea edellä kuvattua käyttötapausta varten. Voit ladata sen alla olevasta linkistä tai ottaa meihin yhteyttä saadaksesi lisätietoja.

Lataa

Lataa työtila FME:hen, seuraa upotettuja merkintöjä, niin voit toistaa tulokset tai muokata työnkulkuja omiin tarpeisiisi.

Hyödyntämällä moderneja upotusmalleja ja FME:n vähäkoodaisen alustan tehokkuutta voit helposti poimia uusia oivalluksia vanhoista rasteriaineistoista. Mitä löydät kuvistasi?