Item


Complemento de QGIS para el proceso de datos ráster en remoto

Los avances conseguidos en los últimos años en los campos de la visión por computador y el análisis de imágenes se sustentan principalmente en las técnicas de aprendizaje profundo desarrolladas en el área de la inteligencia artificial. La posibilidad de disponer de datos masivos y de hardware de proceso paralelo capaz de procesarlos en un tiempo razonable ha posibilitado la generación de nuevos modelos o sistemas que ofrecen grandes prestaciones en el análisis automático de imágenes. Las técnicas de aprendizaje profundo han sido rápidamente adoptadas para desarrollar sistemas de teledetección. En su paradigma basado en el aprendizaje supervisado, se parte de un conjunto de imágenes emparejado con la salida del sistema deseada y de un diseño prefijado de red neuronal profunda. En un proceso de entrenamiento, un optimizador ajusta los numerosos parámetros de la red neuronal para que, dada una imagen, se obtenga como resultado la salida deseada. Si el conjunto de entrenamiento es amplio, estos sistemas generalizan bien y son de gran aplicabilidad práctica. Su principal inconveniente es que se requiere de hardware de proceso en paralelo (unidades de procesamiento gráfico (GPUs) o de tensores (TPUs)) para obtener resultados en corto tiempo. En este trabajo proponemos una vía para aplicar sistemas basados en aprendizaje profundo desde QGIS. QGIS ofrece un mecanismo de complementos (plugins) que posibilita integrar estos sistemas, desarrollados habitualmente en Python, dentro de sus opciones de proceso de datos. Lamentablemente esta aproximación requiere disponer de capacidad de proceso paralelo en el ordenador que ejecuta QGIS, lo cual puede ser limitante si los sistemas desarrollados se quieren usar desde múltiples estaciones de trabajo. Para atender a esta situación, hemos desarrollado un complemento de QGIS que permite conectar este sistema de información geográfica con un servidor de cómputo remoto, el cual procesa los datos usando hardware paralelo y retorna su resultado de vuelta. Nuestra aproximación implementa una arquitectura de servicios web basada en la aproximación de transferencia de estado representacional (REST). Al iniciar el complemento QGIS este se conecta con una REST API para obtener un catálogo de servicios de proceso en remoto, junto con su descripción. A continuación, el usuario puede seleccionar un servicio de proceso y la capa de QGIS que quiere procesar, y solicitar su proceso. Esta información es recibida por la REST API, la cual registra los datos a procesar por un servidor de cálculo y retorna el resultado al plugin QGIS, que lo presenta al usuario como una nueva capa. El sistema se ha desarrollado en Python usando el framework Flask. Los servicios de proceso se mantienen en contenedores Docker, que son ejecutados bajo demanda. La encapsulación de cada servicio en un contenedor es muy ventajosa, dado que permite evitar las incompatibilidades que pudieran existir entre las librerías usadas por los distintos servicios. Además, la centralización de los servicios permite ofrecer nuevos tipos de proceso o actualizar los existentes, sin necesidad de actualizar el complemento de QGIS en las estaciones de trabajo

Universitat de Girona. Servei de Sistemes d’Informació Geogràfica i Teledetecció

Author: Ponsa Mussarra, Daniel
Lumbreras Ruiz, Felipe
Benavente Vidal, Robert
Date: 2022 June 8
Abstract: Los avances conseguidos en los últimos años en los campos de la visión por computador y el análisis de imágenes se sustentan principalmente en las técnicas de aprendizaje profundo desarrolladas en el área de la inteligencia artificial. La posibilidad de disponer de datos masivos y de hardware de proceso paralelo capaz de procesarlos en un tiempo razonable ha posibilitado la generación de nuevos modelos o sistemas que ofrecen grandes prestaciones en el análisis automático de imágenes. Las técnicas de aprendizaje profundo han sido rápidamente adoptadas para desarrollar sistemas de teledetección. En su paradigma basado en el aprendizaje supervisado, se parte de un conjunto de imágenes emparejado con la salida del sistema deseada y de un diseño prefijado de red neuronal profunda. En un proceso de entrenamiento, un optimizador ajusta los numerosos parámetros de la red neuronal para que, dada una imagen, se obtenga como resultado la salida deseada. Si el conjunto de entrenamiento es amplio, estos sistemas generalizan bien y son de gran aplicabilidad práctica. Su principal inconveniente es que se requiere de hardware de proceso en paralelo (unidades de procesamiento gráfico (GPUs) o de tensores (TPUs)) para obtener resultados en corto tiempo. En este trabajo proponemos una vía para aplicar sistemas basados en aprendizaje profundo desde QGIS. QGIS ofrece un mecanismo de complementos (plugins) que posibilita integrar estos sistemas, desarrollados habitualmente en Python, dentro de sus opciones de proceso de datos. Lamentablemente esta aproximación requiere disponer de capacidad de proceso paralelo en el ordenador que ejecuta QGIS, lo cual puede ser limitante si los sistemas desarrollados se quieren usar desde múltiples estaciones de trabajo. Para atender a esta situación, hemos desarrollado un complemento de QGIS que permite conectar este sistema de información geográfica con un servidor de cómputo remoto, el cual procesa los datos usando hardware paralelo y retorna su resultado de vuelta. Nuestra aproximación implementa una arquitectura de servicios web basada en la aproximación de transferencia de estado representacional (REST). Al iniciar el complemento QGIS este se conecta con una REST API para obtener un catálogo de servicios de proceso en remoto, junto con su descripción. A continuación, el usuario puede seleccionar un servicio de proceso y la capa de QGIS que quiere procesar, y solicitar su proceso. Esta información es recibida por la REST API, la cual registra los datos a procesar por un servidor de cálculo y retorna el resultado al plugin QGIS, que lo presenta al usuario como una nueva capa. El sistema se ha desarrollado en Python usando el framework Flask. Los servicios de proceso se mantienen en contenedores Docker, que son ejecutados bajo demanda. La encapsulación de cada servicio en un contenedor es muy ventajosa, dado que permite evitar las incompatibilidades que pudieran existir entre las librerías usadas por los distintos servicios. Además, la centralización de los servicios permite ofrecer nuevos tipos de proceso o actualizar los existentes, sin necesidad de actualizar el complemento de QGIS en las estaciones de trabajo
Format: application/pdf
Citation: info:eu-repo/semantics/reference/hdl/10256.1/6781
Document access: http://hdl.handle.net/10256/21415
Language: spa
Publisher: Universitat de Girona. Servei de Sistemes d’Informació Geogràfica i Teledetecció
Rights: Tots els drets reservats
Subject: Sistemes d’informació geogràfica -- Congressos
Geographic information systems -- Congresses
Informació -- Sistemes d’emmagatzematge i recuperació -- Geografia -- Congressos
Information storage and retrieval systems -- Geography -- Congresses
Title: Complemento de QGIS para el proceso de datos ráster en remoto
Type: slide
Repository: DUGiDocs

Subjects

Authors


Warning: Unknown: write failed: No space left on device (28) in Unknown on line 0

Warning: Unknown: Failed to write session data (files). Please verify that the current setting of session.save_path is correct (/var/lib/php5) in Unknown on line 0