Gazetecilerin Haberde Yapay Zeka ve Uydu Görüntülerini Kullanma Kılavuzu

Satellite imagery of the Amazon rainforest. Image: Shutterstock

Editörün Notu: Bu yazı Notion’da yayınlanmıştır. Yazardan izin alınarak tekrar GIJN’de yayınlanıyor. GIJN’in AI ve Araştırmacı Gazetecilik serisi olarak tekrar dolaşıma soktuğu içeriklerden.

Bu gazetecilerden ve veri meraklılarından oluşan ekibimizin 2021 JournalismAI Collab Challenges’den ortaya çıkan bir iş birliğinin ve  bir hikayeyi takip etmek için uydu görüntülerindeki görsel göstergeleri belirlemekde yapay zekayı nasıl kullandığının hikayesidir. Aracımızın, uzak bir bölgede inşa edilen yasa dışı uçak pistlerini veya bir ormandaki ormansızlaşmanın genişlemesini veya gerçekten halka açık bir yol inşa edilip edilmediğini tespit etmek için kullanılabileceğini düşündük.

Arazideki belirli bir değişikliğin görseli veya yukarıdan tuhaf bir altyapıyı tespit etmek bir araştırmacı gazetecilik konusuna dönüşebilir. Bir araştırma yapıyorsanız, uydu görüntülerinin bulguları doğrulamak veya yeni kanıtlar toplamak için iyi olup /olmadığını anlamaya çalışıyorsanız ve nereden başlayacağınız hakkında hiçbir fikriniz yoksa bu kılavuz sizin için hazırlanmış olabilir.

Ekibimiz (Bloomberg News, CLIP, DataCritica ve La Nación’dan üyelerle birlikte) haber yazımında uygulamalı hesaplama teknikleriyle birlikte uydu görüntülerinin kullanımını keşfetmeye hevesliydi. Uydu görüntülerinin gezegenimizin durumu hakkında birden çok detayı yakalayarak daha etkili, ikna eden ve potansiyelimizi arttıracak düzeyde bilgi sağlayabileceğini biliyorduk. Böyle bir araç çoğu gazeteci için karmaşık  ve ulaşılmaz gibi olabilr. Bu yüzden fikir vermesi için yapılabilir/tekrarlanabilir bir iş akışı yaratmak istedik.

Üst düzey adımlarla tek sayfalık uydu veri kılavuzu. Resim: Yukarıdan ekibin izniyle kullanıyoruz.

Ortak ilgi alanımız iklim krizine bu mercekten bakmaktı, bu yüzden herhangi bir hikayenin ilk, hayati adımıyla başladık yani ‘fikirler’ ile. Araştırmaları topladık ve grubumuz içinde ormanların, kıyı şeritlerinin ve diğer coğrafi unsurların görüntüleri kullanılarak tahmin edilebilecek çok sayıda hikaye fikri ortaya koyduk ve korunan ormanlar içinde yasadışı sığır çiftliğini tespit etmeye çalıştık.

Meksika’da: Data Crítica, Meksika’nın güneydoğusundaki korunan alanlarda ineklerin varlığı hakkında bilgi aldı. Bazıları Meksika ve Orta Amerika’daki en büyük nemli tropik ormanları temsil ettiğinden bu alanlar çok önemlidir. Bu bilgi, bir algoritmayı eğitmek için kaliteli veri getirme olasılığı yüksek olan görüntülerin elde edilmesi ve ardından bu algoritmayı yeni alanlara uygulayarak diğer benzer alanların tespit edilmesi ile ilgili. Bazı durumlarda bu; alıştırmadan önce göz ardı edilir.

Kolombiya’da: CLIP, Pulitzer Kriz Raporlama Merkezi tarafından desteklenen yerel ortaĞI 360 ile birlikte, inek aşılama verileri aracılığıyla Amazon ormanını korumak için kilit geçiş ekosistemleri olan dört milli parkın sınırında yüksek yoğunlukta inek tespit etti. İnekleri haritaya daha iyi yerleştirmek için, bu bölgelerdeki coğrafi şekiller için kaynaklar farklı olduğundan, bu ormanlar hakkında geniş, yerinde bilgi sahibi Fundación para la Conservación y el Desarrollo Sostenible (Fcds) ile de iş birliği yaptık. Mevcut en güncel veri 2020 verisiydi. Uydu görüntülerinde inekleri belirlemek, mevcut durumu değerlendirmemize ve sığırların ve bununla birlikte gelen ormansızlaşmanın genişlemeye devam edip etmediğini belirlememize olanak sağlayacaktır.

Uydu Görüntülerini Alma, Saklama ve İşleme

Amazon’un korunan ormanlarında yasadışı sığır çiftliği olduğuna dair herhangi bir işaretin peşine düştüğümüzde, bir sonraki adımımız bizi destekleyebilecek görüntüler elde etmekti. Bu, denemek ve eğitmek istediğimiz bilgisayarlı görü algoritmalarının ana bileşeni olacaktır. Başlangıçta, ilgili haber kuruluşlarının haber yaptığı dört Güney Amerika ülkesini (Meksika, Kolombiya, Brezilya ve Arjantin) hedeflemek için iddialı bir hedefle yola çıktık, ancak kısa süre sonra ilgi alanlarımızı daraltmamız gerektiğini fark ettik, çünkü bu adım beklediğimizden çok daha karmaşıktı.

Uydu görüntülerine erişim her zamankinden daha yaygın ancak daha yüksek kaliteli görüntüler elde etmek  nesne algılamanın mümkün olduğu yerlerde çözünürlükler  yüksek bir maliyetle geliyor. Maxar, Planet, Sentinel, Google Earth gibi en büyük sağlayıcılarla iletişim kurmaya çalışmamıza rağmen, bir ortak çalışma veya küçük bir projeyle ilgilendiğinizde sorgularınıza yanıt almakta zorlandık. Ancak çok geçmeden, belirli hedefler peşinde koşan kuruluşlara ve gazetecilere uydu görüntülerine ücretsiz erişime ve/veya indirmeye izin veren ve bir kaynak olarak buna odaklanan artan sayıda program olduğunu gördük.

Planet’in biyoçeşitliliğin korunmasına yönelik NICFI programını kullandık. Bu görüntüler piksel başına 4,7 metre çözünürlüğe sahip, Landsat görüntülerinden daha yüksek, ancak daha az bant ilişkili.

Bu aşamada akılda tutulması gereken iki kriter:

Görüntünün maliyeti ve kullanılabilirliği: Maliyet kaliteye, kalite ise hikayeniz için ihtiyaç duyduğunuz algılama türüne bağlıdır. Örneğin, bizim durumumuzda inekleri tespit etmek, geniş bir alanda yamaların varlığını tespit etmekten çok daha ayrıntılı bir iştir. Veya daha genel olarak, görüntü etiketleme.

Görüntülerin saklanması ve işlenmesi: Kaliteli uydu görüntüleri 100 kilometre kare başına yaklaşık 0,3 GB gerektirir. Bu, Teksas büyüklüğünde bir alanı kaplayacak kabaca iki terabaytlık, Brezilya büyüklüğünde bir alanı kapsayacak şekilde 26 terabayta kadar görüntü anlamına gelir. Alanı sınırlı tutmak, gerçekçi depolama ve işleme yeteneklerine izin verecektir. Herhangi bir değişiklik tespiti yapmak istiyorsak (örneğin, bir alanı bir yıl önce nasıl göründüğüyle karşılaştırarak), bu, gereken depolama kapasitesini iki katına çıkarır.

Mevcut Yapay Zeka Tekniklerini Anlama

Uydu görüntülerinden yerdeki değişiklikleri, fenomenleri veya hayvanları tespit etmek için akıllı algoritmalar geliştirmeye kimin çalıştığını bularak sonuçlar çıkardık. Bu şu anlama geliyordu:

– Deneyimli kişilerle konuşmak ve tekniklerini belgelemek.

– Görüntüleri işlemek için uygun bir yapay zeka/bilgisayar görme tekniği bulma.

Ayrıca uydu görüntülerini makine öğrenimi teknikleriyle birlikte kullanan projelerde çalışmış kişilerle de konuşmak istedik.

İşte röportajlarımızdan ve araştırmalarımızdan çıkarımlar:

Görüntüleri, içerdiği bilgileri ayrıştırmak ve ardından ek bilgileri tespit etmek için yeni ilişkilendirmeler oluşturmak ve işlemek için birçok AI tekniği mevcut.

Örneğin, görüntülerden çiftlik hayvanlarını tespit etmek için bir nesne tanımlama algoritması eğitmemiz gerekiyordu  ancak orman bölgelerindeki değişiklikleri tespit etmek için birden fazla görüntü üzerinde zaman serisi analizi kullanmamız gerekiyordu. Bu, hesaplama zorluklarını artırdı ve ilk prototip aşamasında teknik bir boru hattı formüle etmemize yardımcı oldu.

Ukrayna’da bir veri gazeteciliği ajansı olan Texty.org.ua’nın uydu görüntülerinde kehribar madenciliğini tespit etmek için bir makine modeli uygulayan Leprosy of the Land’de benzer bir proje yaptığını ve bunun nasıl ay benzeri bir manzara yarattığını bulduk 70.000 kilometrekare üzerinde. Texty’den Anatoly Bondarenko ile röportaj yaptık. Counting Cows projesinden Alfredo Kalaitzis ile de konuştuk. (Bu projedeki verileri GitHub’da görüntüleyebilirsiniz.)

İnekler sabit bir şey olmadığı için piksel başına 0,5 metreden daha düşük tanımlı herhangi bir görüntü yalnızca en altta (gözlemcinin doğrudan altındaki nokta) alınırsa çalışacaktır. 10 derecelik bir açıyla çekilen görüntüler bile çözünürlüğü etkileyecektir. Bununla birlikte, amaç inekleri saymak değil, varlığı veya yokluğu belirlemekse, çevre çitler, ahırlar, tarım arazileri, su delikleri gibi sığırlar için bir vekil olarak çalışabilir. Sonunda gerçek inek sayımı yerine vekiller için gittiğimiz için, bu bizim için Yukarıdan’da anahtardı.

Projeleri yüksek çözünürlüklü görüntüleri, onları kitle kaynaklı fonlarla Maxar’dan satın alan ortakları Global Witness’tan aldı. Belirli bir alanın fotoğraflarını çekmek için bir uyduya ödeme yapabilirsiniz, ancak başka birinin daha önce görevlendirdiği bazı görüntülerin lisansını da satın alabilirsiniz. Orijinal görüntülerin anlık görüntüleriyle projeyi yayınlamalarına izin verildi. Bu öneriden yola çıkarak ekibimiz, görsellere sahip olabilecek bir ortak aradı. La Nación, piksel başına 0,3 metrelik yalnızca bir yüksek çözünürlüklü görüntü için fon aldı. Algoritma çalıştırmak için yeterli olmadığı için reddettiler.

Projeleri, açıklama eklemek için görüntüleri 100’e 100 karoya böldü. Ve toplu olarak açıklama eklemeleri birkaç saat ve daha fazla tutarlılık aldı. Örneklerini takip ettik ve toplu olarak açıklama ekledik ve hız ve tutarlılık için çok faydalı bulduk.

Görüntülerin saklanması, bizimki gibi bazı durumlarda çok büyük bir sorun değildir. Belirli alanlara bakarken, oluşturduğumuz işlemi normal bir bilgisayar kullanarak çalıştırabilirsiniz – en az 16 GB RAM, ne kadar fazla RAM o kadar iyi – ve standart 1 TB sabit disk, alıştırma yaparken ve algoritmaları tek bir döşemede uygularken (düzinelerce kilometre uzunluğunda) bir seferde. Bununla birlikte bu uydu kutularından birkaçını aynı anda depolamak ve işlemek ya da süreci başka bir şekilde yükseltmek istiyorsanız  örneğin, tüm ülkeler alanına bakmak için  bulut bilişim hizmetleri gerekli hale gelebilir.

“Bu tür uygulamalar için ana sınırlayıcı faktörün, sayma algoritmalarının geliştirilmesi değil, yüksek çözünürlüklü görüntülere erişim olduğuna inanıyoruz. Ayrıca, belirli bir bireyin kimliğinin belirlenmesi, henüz ticari uydularda bulunmayan çözünürlükleri gerektirir” — Counting Cows projesinden Alfredo Kalaitzis

Meksika nemli tropikal ormanlarında İlgi Alanı. Resim: From Above ekibinin izniyle.

Çabalarımızı Yönlendirmek ve Odaklamak

En büyük uydu görüntüsü sağlayıcılarıyla iletişim kurmaya çalışmamıza rağmen, bir işbirliği veya küçük proje sorgularına yanıt almakta zorlandık. Ancak çok geçmeden, belirli hedefler peşinde koşan kuruluşlara ve gazetecilere uydu görüntülerine ücretsiz erişime ve/veya indirmeye izin veren ve bir kaynak olarak buna odaklanan artan sayıda program olduğunu gördük.

Piksel başına 0,4 metreye kadar HD görüntülere erişemezsek inekleri tespit edemeyecektik.

“Umarım en azından ülkelerden biri için alabilir ve tüm sürecin ilerlediğini görebiliriz. Mümkün değilse, daha geniş nesne algılamalı başka bir araştırma adımına geçebiliriz, böylece ücretsiz olarak erişilebilen görüntülerden yararlanabiliriz.” — Flor Coelho, Yukarıdan ekip üyesi

Arjantin, Meksika ve Kolombiya’da veri kaynaklarımız vardı ve bunlardan kaynaklanan sorunlar hakkında iyi bir fikrimiz vardı: teknik, görüntü maliyeti, bulutlar, tarihsel yüksek çözünürlüklü görüntüleme ve diğerleri. Tek tek inekleri tanımlamaktan vazgeçtik. Ahırlar, çitler, yollar, çiftlik sınırlarındaki düz çizgiler ve insan yapımı su kuyuları gibi diğer unsurların korunan bir alanda inekleri ortaya çıkarabileceğini keşfettik.

İşbirliğinde daha önce bahsettiğimiz arazi kullanımı yaklaşımını geliştirmeye karar verdik. Sığırları tespit etmek için gerekenlerden daha düşük çözünürlüklü görüntüler kullanarak çiftçiliği tanımlardık. RGB – kırmızı, yeşil, mavi – ve kızılötesi lenslerin nesne algılamayı analiz etmeye nasıl yardımcı olduğunu inceledik. Uydular, farklı şeyleri daha iyi tanımlamak için RGB lensleri veya kızılötesini kullanabilir.

Bu bilgilerle, Arjantin, Brezilya, Kolombiya ve Meksika’da ya korunan ya da daha önce ormanlarla kaplı alanlardaki çiftlik hayvanlarını (sığırları) tespit etmemizi sağlayacak bir araç geliştirmeye odaklandık.

Ayrıca Planet’in NICFI programını kullanmaya karar verdik.

Planet’in NICFI hesabına sahip olduğunuzda, Planet’s Basemaps Viewer ile Planet’s Explorer arasındaki farkı çevrimiçi olarak not alın. İlki, daha önce bahsedilen birkaç katmanla “analitik” görüntüleri indirmenize izin verir. Planet’in Temel Haritasına (veya başka bir uydu görüntüsü kaynağına) girdikten sonra, indirilebilir “görsel” bileşimler ile “analitik” bileşimler arasında net bir ayrım yapmalısınız. İkinci küme, daha önce bahsettiğimiz birkaç bantla kodlanmıştır. Görsel olarak, Gezgin ve Temel Haritalar neredeyse aynı görünüyor, ancak yalnızca ikincisi görüntülerin işlenmesi ve veri çıkarma/modelleme için indirilmesine izin veriyor.

Ek Açıklama Kriterleri ve Yönergeleri

Eldeki görüntü segmentasyonu görevi için etiketler toplamaya karar verdik ve zorluğun veri ve zaman kısıtlamalarını dengelerken ekibimizin çalışma tercihlerine uygun bir araç (GroundWork) seçtik. Grup olarak, İlgi Alanımız (AOI) için resimlere açıklama eklediğimiz yönergeleri belirlemek ve üzerinde anlaşmak da bizim için önemliydi.

Resimler: Yukarıdan ekibin izniyle

Açıklama eklemek için görsel bileşimi (daha az katmana sahip olanı) kullanabilirsiniz. Açıklama sürecinden sonra elde ettiğiniz şey, karada tanımlamaya çalıştığınız her bir öğe (ve bunların enlem ve boylamlardaki referansları) için çizdiğiniz çokgenler veya noktalardır. Daha sonra, bu bilgiyi uydu görüntüsünde kodlanmış yansıma bilgisiyle eşleştireceksiniz.

Spesifik göreviniz için temsil ettiği avantaj ve dezavantajlara dayalı bir açıklama aracı seçmelisiniz. Açıklama için çevrimiçi olarak OpenCV veya Cvat gibi harika araçlar var , ancak bunları tam olarak test edemedik.

Örneğin, bazı araçlar kesintisiz çevrimiçi işbirliğine izin verir, ancak Planet’ten (piksel başına 4,7 metre) daha yüksek çözünürlüklü görüntüler yüklemenizi engelleyebilir. Bu durumda, kendi bilgisayar sisteminizde QGIS veya R gibi programları kullanmak gibi çevrimdışı bir işlem kullanabilirsiniz.

Ancak, tutarlılık ve hız sağlamak için toplu olarak açıklama eklemek istedik ve çevrimdışı çalışmak, işbirliğini biraz daha hantal hale getirebilir.

Toplu açıklama eklemek için kullanımı oldukça kolay olan GroundWork’u kullanmaya karar verdik.

Gazetecilik açık kaynak uzmanları Bellingcat , bizimle birlikte çalıştı ve bize Planet’in araçlarını yönetmek için eğitim vermekle kalmadı, aynı zamanda Kolombiya’da inekleri gördüğümüz park alanında çok yüksek çözünürlüklü görüntüler de verdi. Bunlar, Bellingcat’in ücretli bir hesap aracılığıyla erişebildiği, Planet tarafından yürütülen önceki görevler tarafından çekilen görüntülerdi.

From Above ekibi, ilgi alanlarını incelerken yedi farklı dönüm noktası sınıflandırması belirlemeyi seçti. Resim: Yukarıdan ekibin izniyle

Denetimli algoritmamızda kullanmak üzere yedi etiket (su, orman, tarım arazisi, su kuyusu olan tarım arazisi, altyapı, yol ve tanımlanamayan) seçtik.

Resim:Ekibin izniyle kullanılmaktadır.

Bu görüntü, döşemeye döşemeye açıklama eklediğimiz daha küçük döşemelere bölündü. Renkli döşemelere açıklama eklendi, ancak geri kalanı bu ekran görüntüsü sırasında hala işaretlenmemiş durumdaydı.

Örneğin, Bellingcat , uygulamalarında bir aksaklık nedeniyle GroundWork’a yükleyemediğimiz çok yüksek çözünürlüklü bazı görüntüler sağladı. Bu bizi, Google Earth gibi çevrimiçi olarak sunulan bazı yüksek çözünürlüklü haritalarla ek açıklamalarımızı sürekli doğrulamaya zorladı.

Yararlı etiketler üzerinde anlaştıktan ve orman, su, tarım arazisi vb. üzerinde bir miktar tutarlılık sağladıktan sonra, yaklaşık üç saati birlikte açıklama ekledik ve 15 saat daha bireysel açıklama ekledik. Her kareye dört görüntünün açıklamasını ekledik: ikisi Kolombiya parklarından, ve ikisi Meksika’nın ayrılmış alanından.

Teknik Boru Hattı — Adım Adım

Üzerinde çalışacağımız iki temel veri veya bilgi vardı :

• Orijinal uydu görüntüsü — tarama görüntüsünün katmanlarından elde edilen veriler (tiff dosya biçiminde).
• Açıklamalı görüntü — açıklama sürecinde etiketlenen veriler ( GeoJSON dosya biçiminde).

Bu dizide, analitik görüntünün beş katmana indirildiğini görebilirsiniz: kırmızı, yeşil, mavi, yakın kızılötesi ve ek bir “alfa” katmanı. Bunun gibi bazı programlar, bu farklı renkleri gri tonlamalı olarak işler. Resim: Yukarıdan ekibin izniyle

Aşağıdaki adımlar, insan gözünün göremediği bilgileri çıkarmamıza ve ilk prototipimizi oluşturmak için katmanlar ile etiketler arasındaki ilişkileri öğrenmemize yardımcı oldu:

1. Uydu görüntülerinin katmanlarına (bantlarına) gömülü bilgileri çıkarın. Katmanların farklı düzenlemeleri, farklı bilgileri daha belirgin hale getirir. İlk görüntüde gözle görülebilen bir “gerçek renk” bileşimi; sağda, bitki örtüsünü vurgulayan kırmızı ve yakın kızılötesi kombinasyonu (kırmızı).Resim: Yukarıdan ekibin izniyle
2. Etiketli görüntüden bilgi ayıklayın.
   1. Alanla ilgili görsel incelemeye ve bağlamsal bilgiye dayalı bir veri kümesi oluşturun (diğer bir deyişle görüntüye açıklama ekleme).
3. Açıklamalı veri kümesinin ve uydu görüntüsünün kapsam, referans sistem projeksiyonu ve çözünürlük açısından uyumlu olduğundan emin olun. Bu durumda, uyumlu dosyalarımız olması için aynı görüntüye açıklama ekledik, ancak örneğin, açıklama aracı orijinal görüntüye bazı bilgiler ekler veya kaldırır, böylece gerekli öğelere sahip olmanızı sağlar.
   1. Kapsam — Enlem ve boylam, iki dosyaya ait olan şekille aynı olmalıdır.
   2. Sistem projeksiyonu — Aynı koordinat referans sistemine sahip olmalıdırlar.
   3. Çözünürlük — Her ikisi de piksel çözünürlüğü başına aynı metreye sahip olmalıdır.
4. Uydu bilgilerini ve açıklama bilgilerini bir araya getirin. ‘Denetlenen’ model eğitiminde, modelin bilinçli olarak öğrenmesini sağladığınız sınıflandırmaları sağlarsınız. ‘Denetlenmeyen’ bir yöntemde, bilgisayarın karar verdiğiniz sınıflandırma sayısını otomatik olarak algılamasına izin verirsiniz. Bu, açıklama eklemekten çok daha hızlı olabilir, ancak yalnızca insan gözünün görebildiği kritik bağlamdan yoksun olabilirsiniz.Resim: Yukarıdan ekibin izniyle
5. Makineden tüm bilgi katmanları arasındaki doğal ilişkileri öğrenmesini isteyin (algoritmayı eğitin). İlişkilendirme öğrenmeleri için farklı yöntemler arasından seçim yapabilirsiniz. Örneğin, Rastgele Orman algoritmasını seçtik, ancak Denetimli Vektör Makineleri algoritmasını veya başka herhangi bir algoritmayı da kullanabilirsiniz.
   • Kategoriler ve içsel bilgiler arasındaki ilişkiler, uydu görüntüsündeki her katmanın piksellerinde kodlanmıştır. Örneğin, sınıflandırma çalışmamız ve her katman arasındaki ilişkilerin gücü aşağıda gösterilmiştir. Sınıflandırmanızın belirli kategorilerini tahmin etmede diğerlerinden daha iyi olacak bazı bilgi katmanları vardır.
6. Görüntü bölütleme algoritmasının nihai sonucu. Resim: Yukarıdan ekibin izniyle
7. Görünmeyen uydu verileriyle test edin. Umarım şimdi, bir hikayeyi yedeklemek veya daha derinlemesine raporlamayı teşvik etmek için görüntülerden ve hesaplama tekniklerinden bazı ilginç görsel bilgiler görmüşsünüzdür.

Bu adımların ayrıntılı bir sürümü, GitHub  burada  veya burada tam tekrarlanabilirlik için Yukarıdan deposunda geliştirilmiştir .

Kaynaklar:

Bu, yararlandığımız ve başkalarına tavsiye edeceğimiz derlenmiş kaynakların bir listesidir:

1. Veri kaynakları:
   1. Gezegen API’si
   2. Gezegen NICFI
   3. Maxar’ın haber bürosunda , Planet’in  haber bölümünde çevrimiçi bilgi bulabilirsiniz ve Skytruth da projelerini anlatıyor . Descartes Laboratuvarı var . Ayrıca , Norveç hükümeti tarafından finanse edilen Sentinel’den alınan görüntülere dayanan Amazon yağmur ormanı görüntüleri için MAAP projesine ulaşmaya çalıştık.
2. Bize ilham veren hikayeler ve makaleler:
   1. Maxar’dan (Oxford) Worldview 3 ile filleri tespit etmek. Olası sinerjileri aramak için Filleri Tespit Eden Araştırma Makalelerine baktık .
   2. Palmiye plantasyonlarını tespit etmek için WiDS datathon . (Stanford)
   3. Açık kaynak çöp tespiti.
   4. İnekleri saymak için görüntü kalitesiyle ilgili Counting Cows akademik makale araştırmasının bağlantısı .

Ek kaynaklar

Verileri Yorumlama: Rakamları Nasıl Okuyacağınızı Bildiğinizden Emin Olmak İçin İpuçları

Bir Meksikalı Veri Ekibi 4.000 Kayıp Kadının Hikayesini Nasıl Ortaya Çıkardı?

Bellingcat ve Adli Mimarlık, Polis Şiddetini Haritalamak İçin Kolombiyalı Cerosetenta ile Nasıl Bir Takım Oluşturdu?

Beş veri gazetecisinden oluşan  From Above ekibi (Kuzey ve Güney Amerika’ya yayılmış) , London School of Economics’te bir medya düşünce kuruluşu olan POLIS tarafından 2020’de düzenlenen altı aylık bir Gazetecilik Yapay Zeka işbirliğinin parçası olarak bir araya geldi. uydu görüntüleri aracılığıyla gözlem yoluyla iklim krizinde ve bilgisayarlı görme teknikleriyle deneyler yaptı. Bu kılavuzu ve ilgili açık kaynak prototipini (github’da) daha derin raporlama için bir basamak olarak hizmet etmesi umuduyla yayınladı. Ekip üyeleri ve biyografik bilgilerine bağlantılar  aşağıdaki  gibidir: 

• CLIP’ten Maria Teresa Ronderos  (Kolombiya’da)
• LaNacion’dan Flor Coelho (Arjantin’de)
• Data Critica’dan Gibran Mena  (Meksika’da)
• Bloomberg News’den David Ingold ve Shreya Vaidyanathan (ABD’de)