Ich lebe in Milwaukee WI (hatte in letzter Zeit eine wilde Menge an Niederschlägen) und hatte in meiner Freizeit einige verwandte Datensätze aufgebaut.

Eine von ihnen ist eine Echtzeit-Aggregation von NOAA MRMS-Radarpässen, wo ich ständig die neueste ziehe und dann in den letzten 48 Stunden jeden halben Stunde Pass halte. Gleichzeitig führe ich Morphing -Algorithmen zwischen ihnen durch und erstelle im Wesentlichen ein Radar "Abstrich".

Demo: https://demo.sherpa-map.com (überhaupt keine bezahlte Sache, nur eine Dev -Demo, die ich dachte, diese Community könnte interessant sein).

Die Färbung und das Verblassen der "Abstrich" basiert darauf, wie "nass" Der Boden ist wahrscheinlich in diesen Bereichen. Der Service "Trocknen" Der angenommene Niederschlag über die Zeit, wobei der anfängliche Niederschlag mit anfänglicher Intensität langsamer als anfängliche geringere Intensität trocknet.

Für eine höhere Genauigkeit habe ich eine Weltschicht aus Bodensandgehalt, Tongehalt, Forstation/Ackerland/Beton/usw. gemischt. Landtypdaten und Höhendaten + eine massive Strömungssimation, die ich durchführte, um festzustellen, wo sich Wasser für eine Weile aus dem Fasten oder dem Pool bewegt.

Also, hohe Neigung, exponierte Kämme, hohen Sand, niedrige Bäume, trocknen schneller als tief bewaldet, Feuchtgebiete, Täler usw.

Die andere Sache auf der Demo ist nicht wetterbezogen. Es handelt sich um asphaltierte gegen nicht genannte Straßen, die ich Millionen von Roard-Oberflächen mit Vision AI-Modellen + Transformator, kontextbasierte Modelle, klassifiziert habe.

Dies ist WIP und ich habe dies in der Vergangenheit bereits für meine Fahrradrouting -Site gemacht, aber diesmal rechnete ich es und verwende ein völlig aktualisiertes System an jedem Ort, den ich finden kann $ kostenlos und Policy Fine to Extract Merkmale mit ML Satilite -Bildern (im Moment staatlich nach Staat, Dowloading NAIP -Geotiffs, diente sie lokal, bauen staatliche spezifische AI -Modelle auf, trainieren sie, verwenden sie und starten Sie dann für jeden Staat neu).

Einige Staaten sind besser als andere (ich habe es in Kalifornien durcheinander gebracht und muss es wiederholen), und andere habe ich eine Reihe von Klassifikationen korrigiert und Verstärkungslernen und Umstände durchlaufen.

Ich hoffe, dass ich irgendwann Zugang zu einem Maxxar -Profi oder einer Lizenz erhalten kann, damit ich leichter erweitert und mit höherwertigen Bildern wiederholen kann. Für ein Heimprojekt auf einem Heimcomputer bin ich jedoch ziemlich zufrieden mit den bisherigen Fortschritten.

Diese Datensätze stammen aus meiner Leidenschaft für das Radfahren, sowohl Kies -Radfahren als auch Mountainbiken. In Bezug auf Mountainbiken wollte ich nur wissen, welcher Kurs die besten Bodenbedingungen hatte. In Bezug auf Kiesradfahren ist es nur schwer, in einigen Regionen Kiesstraßen zu finden.

Ich habe eine Vielzahl von Leidenschaftsprojekten, an denen ich arbeite, um diese in und mehrere andere Datensätze auf dem Weg zu machen.

Ich dachte, es würde Spaß machen, sie zu teilen, und ich beabsichtige, beide Projekte weltweit zu erweitern, da ich daran arbeite, Dienste und Pipelines für das Ziehen und Verwalten von mehr Daten einzurichten.

Verwendete Datensätze:
OpenStreetmap (OSM)
Sentinel-2 L2A (10 m)
NAIP (~ 1 m)
Landsat 8/9 (30 m)
In nein !!
Srtm

Eingebaut in meiner Freizeit und Laufen auf Home Workstation (4090, 128 GB RAM, 64 Thread 5GHz Threadripper, 42 TB Speicher).