ค้นหา

Excellent Map

GIS, GPS, Maps, and GeoDataScience

ผู้เขียน

pkgis

ตำแหน่ง : GeoSpatial Information System Developer อาชีพเสริม: Photographer ที่อยู่: Bangkok Thailand อีเมล: pk_a1977@hotmail.com

Geo Data Scientists

งาน GIS บ้านเรา เกือบ 80% หนักไปทาง การทำข้อมูล การเก็บข้อมูลำรวจ ทำแผนที่ ทำระบบสารสนเทศ ส่วนใหญ่ผู้ใช้งาน เป็นหน่วยงานของรัฐ ต่างๆ ปัจจุบัน เทคโนโลยีด้าน data science มีการพัฒนาไปมาก บทบาทในการนำ วิทยาศาสตร์ข้อมูล มาใช้ในงานด้านธุรกิจ ก็โตตามไปด้วย spatial data หรือ ข้อมูลเชิงพื้นที่ เป็นอีก งานที่กำลังมาแรง และเป็นส่วนหนึ่งบนกระแสงาน data science

บทความ Six categories of Data Scientists ของ  Vincent Granville แห่ง datasciencecentral.com เขียนถึงอีกหนึ่ง สาขาของ Data Scientists ที่เป็นที่ต้องการของตลาดและภาคธุรกิจ นั้นคือ GIS, spatial data

main-qimg-0ecc1f245ab94f3c946da945f712daf9การจัดทำข้อมูล การสร้างระบบฐานข้อมูล รวมไปถึงการประมวลผลข้อมูล เชิงพื้นที่ ทั้งแบบ geometry object และแบบ ข้อมูล imagery (ภาพถ่ายดาวเทียม ภาพจากโดรน) ล้วนเป็น งานที่ต้องการ นักวิทยาศาสตร์ข้อมูล ที่มีความรู้ด้าน GIS และ การแผนที่ เป็นอย่างดี เพราะคุณลักษณะพิเศษของข้อมูล ที่มีความแตกต่างมากกว่าข้อมูลเชิงเลข ทั่วไป

1-27-2017-1-50-23-pm

 

ในมหาวิทยาลัย ต่างประเทศเริ่มมีการสอน การสร้าง Data Scientists ที่เชียวชาญและเข้าใจงานด้านนี้ใน หมวดวิชาด้าน GIS  มากขึ้น เช่นเรื่อง Spatial database  การจัดทำฐานข้อมูลแบบต่างๆ รวมไปถึงการจัดการข้อมูลขนาดใหญ่ Big Data เช่นเดียวกัน ควบคู่ไปกับ การสอนเรื่องเกี่ยวข้อกับการ นำข้อมูล GIS ไปใช้ งานภาคธุรกิจ หรือแม้การใช้วิเคราะห์ แก้ปัญหาทางธุรกิจ ที่มีการโมเดลข้อมูลแบบ time series บนข้อมูลเชิงตำแหน่ง ซึ่งรองรับโมเดลการพยากรณ์ที่ซับซ้อนขึ้น เช่น พวก Machine learning หรือกลุ่ม AI เป็นต้น

csm_geodatascience_c3087feb03

Geo.X เป็นอีกที่ซึ่ง active มากในด้านนี้

1-27-2017-1-54-29-pm

ผมนำเรื่องนี้มาถ่ายทอด เพราะอยากบอกว่า มันเป็นช่องทาง เป็นโอกาสของ นัก GIS ที่ก้าวไปสู่โอกาสในสายงานใหม่ๆ ต่อไปในอนาคต ในโลกธุรกิจ ที่มีความต้องการใช้ข้อมูล “alternative data source” มากขึ้น

http://www.datasciencecentral.com/profiles/blogs/six-categories-of-data-scientists

http://www.geo-x.net/research-school/interdisciplinary-mission.html

 

T้heos Map Serveice

สััปดาห์นี้มีโอกาสได้ลอง WMS ของ GISTDA เปิดบริการข้อมูลภาพถ่ายดาวเทียม ไทยโชต หรือ THEOS ทั่วประเทศ โดย GISTDA Tile Server ปล่อย service เป็น WMS 1.1.1 บน EPSG 4326 เข้าใจว่าเป็นชุด  Pan-Sharpend 2.0 เมตร แต่น่าจะจำกัด tile layer ชั้นล่าง เพราะ zoom เข้าไปไม่แสดงภาพ

ผมเอามารีวิวเก็บไว้เพราะ โดยรวม งานวางแผนก็มีประโยชน์ อย่างงานนี้ลองเอาภาพมาใช้กับ QGIS เพื่อวางแผน โซนการใช้ที่ดิน สร้าง layer ประเภท vector จาก WMS ของ Theos ก็พอใช้วางแผนภาพรวมได้ เรียกใช้งานจาก
http://go-tiles1.gistda.or.th

การเรียกใข้งาน Get Capability

1-22-2017-6-47-58-pm

 

 add ตัว WMS URL ใน QGIS 

1-22-2017-6-55-41-pm

 

ตัวอย่างข้อมูลภาพ ในสเกลระดับอาคาร

1-22-2017-7-01-17-pm

ติดตามรถเมล์กึ่งเรียลไทม์ด้วย Traffy Transit

มีโอกาสได้ลองใช้ ระบบติดตามตำแหน่ง รถเมล์ แบบเรียลไทม์ ของ Traffy บอกได้คำเดียวเลยว่า ถูกใจมาก ส่วนตัวผมว่า มันมีประโยชน์มาก ในการวางแผนการเดินทางโดยเฉพาะคนกรุง ที่ต้องอาศัยการนั่งรถเมล์ สาธารณะ ไปทำงาน หรือติดต่อธุระ

โดย Traffy เขาทำ app ให้พวกเราสามารถเลือก สายรถเมล์ ทั้งขาเข้าขาออก เพื่อดูตำแหน่งของรถ แบบเรียลไทม์ ประโยชน์ ว่าตอนนี้ รถเมล์ สายที่เรารอ อยู่จุดไหน หรือ บริเวณ ที่เราอยู่ มีรถเมล์ สายใดวิ่งผ่านบ้าง

16105863_10155040121507033_881496620251458829_n

16003140_10155040122102033_7612696161339927307_n

GPS เป็น Ubox ส่งข้อมูลผ่าน 3G ของ AIS

โครงการนี้ เป็นโปรเจคร่วม ของ NECTEC + ขสมก. + AIS พัฒนาระบบการติดตามรถยนต์ Traffy ใช้ GPS ติดตั้งบน รถเมล์ สายต่างๆ ส่งข้อมูลทุกๆ 10 วินาที ไปที่ server จากนั้นแสดงข้อมูลบนระบบบริการแผนที่ออนไลน์ ของ Traffy ปัจจุบัน นอกจากนี้ยังระบุ รายละเอียดของรถ ชื่อ พนักงานขับรถ ที่น่าเสียดายคือปัจจุบัน ยังมีไม่ครบทุกสาย แต่คิดว่าอนาคตคงมีเพิ่มขึ้น

1-21-2017-8-33-17-pm

และคงเห็น  ขสมก. บังคับให้มีระบบ GPS ติดตั้ง ในรถเมล์มากขึ้น หรืออาจจะเอาอย่างกรมขนส่งทางบก ที่ให้รถสาธารณะจดทะเบียนใหม่ และต่อทะเบียนต้องติด GPS

ประโยชน์มันตาม มาจากนี้ เช่น การพัฒนาระบบ ติดตามพฤติกรรมการขับขี่ เพื่อความปลอดภัยของรถโดยสารสาธาณะ ตอนนี้ใน app ก็แสดงให้เห็นแล้ว เช่น

  • การแจ้งเตือนเมื่อ ความเร็วเกินกำหนด
  • การจอดแช่
  • การจอด รถไม่ตรงป้ายจุดจอด
  • การขับขี่อันตราย ประมาท เช่นการแย่งชิงผู้โดยสาร การเร่งทำเวลาทำรอบ

การมีข้อมูล การเคลื่อนที่ของ รถเมล์ หรือรถโดยสารสาธารณะ ถ้าเข้าสู่ระบบแล้ว อาจจะใช้ machine learning มาวิเคราะห์ พฤติกรรม การขับขี่ ของรถเมล์โดยสาร ที่ไม่ปกติ มันจะช่วย เพิ่มมาตรฐานความปลอดภัย ของ ผู้คนที่ต้องใช้บริการได้มากครับ

การพัฒนาระบบ แบบนี้ อยากเห็นบ้านเรามีการพัฒนาแล้ว นำไปใช้จริงจัง เพื่อคุณภาพชีวิตที่ดีขึ้น
ขอเป็นกำลังใจ และสนับสนุนโครงการดีๆแบบนี้ครับ

ลองเข้าไปใช้งานได้ที่

https://transit.traffy.in.th/
http://dash.traffy.in.th/

ติดตามทีมวิจัย
https://www.facebook.com/traffy.in.th/

 

 

Tencent invests in mapping company to serve driverless cars

มีโอกาสได้สนทนากับ ชาวจีนท่านหนึ่ง ที่ทำงานด้าน system development ให้กับ google เขาเล่าให้ฟังว่า อนาคต ข้อมูลแผนที่ น่าจะเป็นข้อมูลฐาน ที่เอกชน เข้ามาพัฒนาและกลายเป็นข้อมูลสำคัญ ในการทำธุรกิจ

เขาพูดถึงเทคโนโลยี ที่เขามาปฏิวัติวงการ รถยนต์อย่าง auto car หรือ เรียกว่า  driverless car รถไฟฟ้า ที่ขับเคลื่อนเองอัตโนมัติ ตอนนี้ได้เริ่มเปลี่ยนวงการรถยนต์โลกแล้ว ทั้งของ Tesla และอีกหลายเจ้าคู่แข่งเช่น Google , Apple รวมไปถึง บริษัทผลิตรถยนต์เดิม ก็เริ่มมาวิจัยพัฒนา ด้านนี้มากขึ้นเรื่อยๆ

ยังไม่นับรวม third party อย่าง Uber บริษัท Startup มูลค่าหลายพันล้านเหรียญที่เดิบโตและเข้ามามีบทบาทต่อวงการรถยนต์ ที่ตอนนี้เริ่มทดลองบริการ รถแท็กซี่แบบไร้คนขับ Uber car แล้วในสหรัฐ

โยงมาถึงเรื่องเกี่ยวกับ Map และ GIS บ้าง ซึ่งตอนนี้กลายเป็นว่า งานด้านข้อมูลถนน กลายเป็น ข้อมูลสำคัญในการขับเคลื่อน ธุรกิจและบริการ มูลค่าหมื่นล้าน นี่

อย่างข่าวล่าสุด Tencent บริษัทเทคโนโลยีจีน ก็เข้าซื้อบริษัท navigation systems & mapping services  ของเยอรมัน ที่มีระบบสำรวจและสร้างข้อมูลถนน ความถูกต้องสูงระดับ 10 เมตร เพื่อรองรับระบบนำร่องใน  driverless cars  โดยดีลนี้เป็นการร่วมมือกันกับอีกสองพาร์ทเนอร์ ได้แ่ก่ บริษัทผลิตแผนที่ในจีน ชื่อ NavInfo และกองทุน GIC (Singapore’s sovereign wealth fund) โดยดีลนี้ มูลค่า €241m

mtk0odu0mq

น่าจะเป็นอีกก้าว ที่  Tencent กำลังเพิ่มศักยภาพของระบบบริการข้อมูลแผนที่ เพื่อมาแข่งขันกับ คู่แข่งเจ้าอื่นๆโดยเฉพาะตลาดในจีน เช่น Baidu และ Alibaba’s maps ปัจจุบันให้บริการข้อมูลแผนที่ มีคนใช้งาน 200 ล้านรายต่อเดือน ถ้ารวมจาก application ด้าน location base service จาก social media ด้วยก็มากถึง 850 ล้านรายต่อเดือนเลยที เดียว

volvo-stepping-up-to-rival-google-in-autonomous-car-technology

ระบบบริการข้อมูลแผนที่และถนน ของจีน ปัจจุบัน ซึ่งระบบบริการข้อมูลแผนที่และถนนของ Baidu รองรับ navigation systems ใน autonomous car ที่ออกจำหน่ายในปี 2018 -2019

https://www.ft.com/content/c090b4d2-cbeb-11e6-864f-20dcb35cede2 

Self driving car

นักวิจัยด้าน ITS ของ Seoul National University ประเทศเกาหลีใต้ ทำ self driving car สำเร็จแล้ว โดยสาธิตรถอัจฉริยะไร้คนขับ ในการรับส่งคนแบบ taxi ที่สามารถเรียกบริการผ่าน app บนมือถือ

ความน่าสนใจคือ นักวิจัยเกาหลีใต้ เลือกใช้ laser scanners(LIDAR) เก็บข้อมูลวัตถุ เรียลไทม์ แล้วประมวลผลสำหรับการขับเคลื่อน โดยทีมวิจัยเขาเคลมว่าการทดสอบ 6 เดือนรถสามารถวิ่งในถนนจริง ไม่เกิดอุบัติเหตุใดๆ เชื่อว่า อนาคตอีกไม่ถึง 30 ปีสถิติความปลอดภัยจากรถประเภทนี้จะมากกว่า มนุษย์ขับเอง

รถอัจริยะของ Seoul National University ต่างจาก auto car ของ Tesla ที่ Elon musk ไม่เอาเทคโนโลยี LIDAR แต่เลือกใช้ image processing อย่างเดียว เหตุผลด้านวิศวกรรม รวมถึงต้นทุนและการประมวลผลข้อมูล

f-soko-auto-car-a-20160106-870x578


นอกจากนี้จะเห็นว่า self-driving technology กลายเป็นกระแสหลักที่หลายบริษัทกำลังเข้ามาพัฒนา เช่น Hyundai Motor Co. และ Samsung Electronics ที่ประกาศตัวออกมาแล้ว หรือบริษัทอย่าง General Motors Co ที่ลงทุนใน Lyft Inc(บริษัทคล้าย uber) ก็กำลังพัฒนาเทคโนโลยีด้านนี้ อยู่เหมือนกัน

http://www.japantimes.co.jp/news/2016/01/05/asia-pacific/driverless-taxi-south-korean-entry-race-develop-hands-free-auto

opentopography & mongo DB

มีโอกาสเข้าไปเล่นที่ opentopography.org ไปลองโหลดฐานข้อมูล lidar และ dem ของพื้นที่สำรวจในสหรัฐมาดู เป้าหมายอยากทดลองการทำงานกับ machine learning ด้วย

mongodb

อีกประการที่ลองแล้ว วันนี้คือการแปลง point could เข้าไปใน NoSQL Database อย่าง mongo DB  ลองไป แสน Document ยังพอได้อยู่ ไอเดียของ Mongo DB กับข้อมูล GIS ไม่ใช่เรื่องใหม่อะไร เพราะถ้าเคยใช้ Geojson หรือ WKT มาน่าจะพอเข้าใจไอเดียของ open-source document database

12-23-2016-3-12-05-pm

แต่เชิงของการ implement แง่การพัฒนาระบบ Mongo DB ดูได้เปรียบกว่า WKT มาก โดยเฉพาะการ Query ข้อมูล อีกอันที่ชอบคือการเก็บข้อมูล Geometries object ประเภท Multiple features

และที่ผมกำลัง develop ตอนนี้พวกเป็น multi temporal spatial data เช่นพวก ข้อมูลหลายช่วงเวลา หรือพวกเป็น moving object พวก document database จะได้เปรียบแง่โครงสร้าง และการพัฒนาระบบการ Query ที่ซับซ้อนกว่า relational database แบบเดิมๆ

 

 

Use machine learning to map poverty

งานวิจัยนี้ เป็นอีกตัวอย่างของ Geoinformatic สมัยใหม่ ที่ใช้เรื่อง data science และ machine learning มาใช้ ได้เป็นอย่างดี

ทีมวิจัยของ Stanford ได้แก่  Neal Jean, Marshall Burke, Michael Xie,W. Matthew Davis,David B. Lobell, Stefano Ermon ได้พัฒนาระบบ พยากรณ์และสร้างแผนที่ติดตามความยากจน (poverty map) ขึ้นมา

โดยโจทย์ ต้องการติดตาม การพัฒนาเศรษฐกิจ ความเป็นอยู่ของสังคม ชุมชนในประเทศด้อยพัฒนา เพื่อให้ได้ information สำหรับใช้ติดตามการแก้ปัญหาความยากจน การสนับสนุน หลักการก็คือ ทีมวิจัย ใช้ ข้อมูลจาก ภาพถ่ายดาวเทียม เพื่อประมวลผล หาพื้นที่โซน ชุมชนยากจน โดยเทียบภาพถ่ายดาวเทียม high-resolution daytime กับ nightlight image ภาพกลางวัน รายละเอียดสูง

12-16-2016-7-06-38-pm

ทำให้จำแนกเขต ชุมชน เมือง ได้ จากอาคาร ถนน และรูปทรงของพื้นที่การทำเกษตร จากนั้น ติดตาม กิจกรรมกลางคืน จากแสงสว่างด้วยภาพถ่ายดาวเทียม เพื่อเปรียบเทียบ พื้นที่ยากจน หรือขาดแคน ส่วนมากจะ ไม่มีไฟฟ้า และชุมชน จะไม่มีกิจกรรม ในตอนกลางคืน เหมือนเมืองที่เจริญ

transferlearning2-795x634
ทีมวิจัย ใช้ข้อมูลเศรษฐกิจ และการสำรวจอื่นๆ เช่น ฐานข้อมูล The Living Standards Measurement Study – Integrated Surveys on Agriculture (LSMS-ISA) ของ world bank เป็น feature ร่วม ในการ training ตัว  machine learning ด้วยเทคนิคการจำแนกแบบ convolutional neural network เพื่อให้มันสามารถจำแนกโซน พื้นที่ขาดแคลน เพื่อทำแผนที่ชุมชนที่ยากจน ออกมาอัตโนมัติ รวมถึงพยากรณ์ตัวเลขกิจกรรมทางเศรษฐกิจ จากข้อมูลภาพถ่ายดาวเทียม และข้อมูลประกอบอีกด้วย

ลองเข้าไปอ่าน paper ฉบับเต็มได้ จะเห็นแนวทางการพัฒนาระบบ GIS และ remote sensing ยุคใหม่ ที่ใช้ machine learning มาเพิ่มความสามารถในการ พัฒนาระบบ การวิเคราะห์ขั้นสูง(มากกว่าคนทั่วไปแปลความเองได้)

maxresdefault

link ตัวอย่าง Vdo อธิบายโครงการ
https://www.youtube.com/watch?v=DafZSeIGLNE

 

อ้างอิงบทความเต็ม

http://news.stanford.edu/2016/08/18/combining-satellite-data-machine-learning-to-map-poverty/

ดาวน์โหลด paper
http://science.sciencemag.org/content/353/6301/790

บลอกที่ WordPress.com .

Up ↑