Zeitview
ပြန်လည်ပြည့်ဖြိုးမြဲစွမ်းအင်နှင့် အမိုးအကာပိုင်ဆိုင်မှုများအတွက် လေကြောင်းမှ ဓာတ်ပုံရိုက်ကူးစစ်ဆေးခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်း ပလပ်ဖောင်း
Zeitview (ယခင် DroneBase) သည် ကမ္ဘာတစ်ဝှမ်းရှိ ဒရုန်းလေယာဉ်မှူးကွန်ရက်ကို အသုံးပြု၍ လေကြောင်းမှ ဓာတ်ပုံများနှင့် အပူခံပုံရိပ် (Thermal images) များကို စုဆောင်းကာ ဆိုလာပြားများ၊ လေအားလျှပ်စစ်ទိုင်ဘိုင်ဓါးသွားများနှင့် အမိုးအကာများ၏ ချို့ယွင်းချက်များကို AI ဖြင့် စစ်ဆေးပေးပြီး ပြုပြင်ရမည့်အဆင့်အလိုက် စီစဉ်ပေးထားသော စာရင်းကို ထုတ်ပေးပါသည်။ ၎င်းသည် ဒရုန်းကို ရောင်းချခြင်းမဟုတ်ဘဲ "ပိုင်ဆိုင်မှုအခြေအနေ အစီရင်ခံစာ" ကို ရောင်းချခြင်း ဖြစ်ပါသည်။
အဓိက အင်္ဂါရပ်များ
- ဆိုလာပြား အပူခံပုံရိပ် ချို့ယွင်းချက် সন့်စစ်ခြင်း
- လေအားလျှပ်စစ်ទိုင်ဘိုင်ဓါးသွား မြင့်မားသော ရုပ်ထွက်ဖြင့် စစ်ဆေးခြင်း
- အမိုးအကာနှင့် အဆောက်အအုံ ထိခိုက်ပျက်စီးမှု ဆန်းစစ်ခြင်း
- ချို့ယွင်းချက် ပြင်းထန်မှုအလိုက် စီစဉ်ခြင်းနှင့် တည်နေရာပြသခြင်း
- ကမ္ဘာတစ်ဝှမ်း လေယာဉ်မှူးများ စုဆောင်းရေး ကွန်ရက်
အားသာချက်များ
- ရလဒ်များသည် ပြုပြင်ရေးလုပ်ငန်းခွင်သို့ တိုက်ရိုက်ဆက်စပ်သဖြင့် လက်တွေ့အသုံးဝင်မှု မြင့်မားခြင်း
- ဆိုလာ၊ လေအားလျှပ်စစ်နှင့် အိမ်ခြံမြေ စသည့် ပိုင်ဆိုင်မှုအမျိုးမျိုးကို လွှမ်းခြုံနိုင်ခြင်း
- ဒရုန်းအဖွဲ့ ကိုယ်တိုင်တည်ဆောက်ရန် မလိုတော့ခြင်း
အားနည်းချက်များ
- ဝန်ဆောင်မှုကွန်ရက်သည် ဥရောပနှင့် အမေရိကကို အဓိကထားသဖြင့် အာရှဒေသတွင်း လွှမ်းခြုံမှုကို အတည်ပြုရန် လိုအပ်ခြင်း
- ပိုင်ဆိုင်မှု ပမာဏအပေါ်မူတည်၍ အခကြေးငွေကောက်ခံသဖြင့် စီမံကိန်းငယ်များအတွက် ကုန်ကျစရိတ် ကြီးမားနိုင်ခြင်း
- ခွဲခြမ်းစိတ်ဖြာမှု တိကျမှုသည် ရိုက်ကူးသည့် အခြေအနေများအပေါ် မူတည်ခြင်း
အသုံးပြုမှုများ
- ဆိုလာဓာတ်အားပေးစက်ရုံ နှစ်ပတ်လည် စစ်ဆေးခြင်း
- လေအားလျှပ်စစ်ទိုင်ဘိုင်ဓါးသွား ကင်းလှည့်စစ်ဆေးခြင်း
- လုပ်ငန်းသုံး အမိုးအကာများ ထိန်းသိမ်းမှု ဆန်းစစ်ခြင်း
- သဘာဝဘေးအပြီး အာမခံ ဆုံးရှုံးမှု ဆန်းစစ်ခြင်း
အယ်ဒီတာမှတ်ချက်
ဆိုလာဓာတ်အားပေးစက်ရုံများအတွက် အကြောက်ဆုံးအရာမှာ ပျက်စီးသွားခြင်းမဟုတ်ဘဲ၊ ပျက်စီးနေသည်ကို လပေါင်းများစွာကြာ تر်တိုင်အောင် မသိရှိရခြင်းပင် ဖြစ်သည်။ အပူခံပုံရိပ် စစ်ဆေးခြင်းသည် ဤ "မသိရှိရခြင်း" ပြဿနာကို ဖြေရှင်းပေးပါသည်။
မေးလေ့ရှိသောမေးခွန်းများ
အပူခံပုံရိပ် (Thermal) စစ်ဆေးခြင်းကို မည်သည့်အခြေအနေတွင် ရိုက်ကူးရမည်နည်း။
ဆိုလာအပူခံပုံရိပ်များအတွက် အပူချိန်ကွာခြားချက်ကို ဖော်ပြရန် လုံလောက်သော နေရောင်ခြည်ပြင်းအား လိုအပ်ပါသည်။ တိမ်ထူသောနေ့ သို့မဟုတ် နံနက်စောစောတွင် ရိုက်ကူးထားသော ရလဒ်များသည် ကိုးကားရန် တန်ဖိုးနည်းပါးပါသည်။ ဤသည်မှာ ခွဲခြမ်းစိတ်ဖြာသည့်ဆော့ဖ်ဝဲနှင့် မဆိုင်ဘဲ ရူပဗေဒဆိုင်ရာ ကန့်သတ်ချက် တစ်ခု ဖြစ်ပါသည်။
ဒေသတွင်း စီမံကိန်းခွဲများတွင် အသုံးပြုနိုင်ပါသလား။
ဒေသတွင်းတွင် ပူးပေါင်းဆောင်ရွက်နေသော ပျံသန်းရေးဝန်ဆောင်မှု ကွန်ရက် ရှိမရှိ အတည်ပြုရန် လိုအပ်ပါသည်။ အကယ်၍ မရှိပါက အခြားနည်းလမ်းတစ်ခုမှာ ရုပ်ပုံများကို ကိုယ်တိုင်စုဆောင်းပြီး ၎င်းတို့၏ ပလပ်ဖောင်းပေါ်တွင် တင်ვიဲ၍ ခွဲခြမ်းစိတ်ဖြာနိုင်ခြင်း ရှိမရှိ ညှိနှိုင်းဆောင်ရွက်ရမည် ဖြစ်ပါသည်။
သက်ဆိုင်ရာ AI ကိရိယာများ
Waste Robotics
ZenRobotics
ကမ္ဘာ့ပထမဆုံး စွန့်ပစ်ပစ္စည်း အမျိုးအစား ၅၀၀ ကျော်ကို ခွဲခြားနိုင်သည့် စွန့်ပစ်ပစ္စည်း ခွဲထုတ်ရေး စက်ရုပ်စနစ်
Glacier
အမှိုက်ပုံသန့်စင်စက်ရုံများအတွက် AI ရွေးချယ်ခွဲခြားပေးသည့် စက်ရوبော့ဖြစ်ပြီး၊ အမှိုက်စီးဆင်းမှုကိုပါ ခွဲခြမ်းစိတ်ဖြာနိုင်သော အချက်အလက်များအဖြစ် ပြောင်းလဲပေးသည်
Wildlife Insights
အင်ဖ្រారెတ်ကင်မရာ ဓာတ်ပုံများရှိ တောရိုင်းတိရစ္ဆာန်များကို အလိုအလျောက် မှတ်သားပေးပြီး မိနစ်ပိုင်းအတွင်း ဓာတ်ပုံထောင်ပေါင်းများစွာကို စီမံပေးသည့် ပလပ်ဖောင်း
BirdWeather
ချိတ်ဆက်ထားသော BirdNET AI ကွန်ရက်ဖြင့် ကမ္ဘာတစ်ဝှမ်း ငှက်အော်သံများကို အလိုအလျောက် မှတ်တမ်းတင်ပေးသည့် စနစ်
Rainforest Connection
မိုးသစ်တောများတွင် လွှစက်သံကြားသည်နှင့် သတိပေးချက်ထုတ်ကာ ဇီဝေဝသံ AI ဖြင့် ဂေဟစနစ်ကို ကာကွယ်ပေးသည်