Découvrez comment les analyses de données alimentées par l'IA peuvent aider à améliorer la gestion de la végétation

Améliorez votre stratégie de gestion de la végétation grâce à des prévisions plus précises

Pour de nombreuses entreprises, la gestion de la végétation est le coût d'exploitation le plus élevé non lié au carburant. Pour hiérarchiser le travail de gestion de la végétation, les entreprises doivent capturer et fusionner des données provenant de plusieurs sources, notamment des images, des données de systèmes de gestion du travail, des normes réglementaires, des informations météorologiques, des modèles de risque et des données géospatiales. Elles doivent ensuite utiliser ces données pour planifier et prévoir avec précision la distance entre les actifs et la végétation en enregistrant et en combinant soigneusement les modèles 3D du réseau et de sa végétation environnante. En tirant parti des données des enquêtes topographiques et des analyses (par exemple, les indices de santé des plantes), les services publics peuvent optimiser leurs ressources de maintenance de la végétation, leurs budgets et leurs routines de travail.

Réduisez vos coûts et améliorez vos stratégies de gestion de la végétation grâce à des techniques de traitement d'image avancées

L'évaluation de la hauteur du couvert forestier, et plus généralement de la hauteur de tout type de végétation, dans le cadre d'un plan de gestion de la végétation, est l'une des applications les plus connues de la détection et mesure de distance par onde lumineuse (LiDAR) et de la photogrammétrie. Ces deux techniques, souvent combinées, nécessitent des algorithmes de classification et de filtrage avancés pour déterminer avec précision la hauteur et l'état de la végétation. Les gestionnaires de réseaux utilisent ces techniques pour identifier les arbres structurellement instables, analyser les plantes grimpantes qui pourraient avoir un impact sur les câbles et le réseau, et gérer la végétation qui pourrait attirer la faune indésirable près d'équipements critiques.

L'architecture suivante montre comment utiliser Oracle Modern Data Platform en conjonction avec des techniques avancées de machine learning/IA et des GPU NVIDIA pour non seulement obtenir une image bidimensionnelle de la végétation, mais également ajouter une troisième dimension pour plus de détails. Ce détail nous permet de déterminer plus précisément le type d'arbre, sa croissance et sa distance par rapport à l'infrastructure, ainsi que d'autres détails.

Cette image montre comment utiliser Oracle Data Platform for energy and water pour prendre en charge un cas d'utilisation de la gestion de la végétation. La plateforme comprend les cinq piliers suivants :

1. 1. Sources de données et repérage
2. 2. Ingestion et transformation
3. 3. Sauvegarde, tri et création
4. 4. Analyses, apprentissage et prévision
5. 5. Mesures et réactions

Le pilier « Sources de données et repérage » inclut trois catégories de données.

1. 1. Les données internes sont constituées de métadonnées de ressource, de données SIG, d'images LiDAR et d'images satellite.
2. 2. Les applications incluent des systèmes de gestion des pannes et de la maintenance.
3. 3. Les données tierces incluent des données provenant de sources météorologiques.

Le pilier « Ingestion et transformation » comprend deux fonctionnalités.

1. 1. L'ingestion par lots utilise Oracle Integration Cloud, Spatial Studio, OCI Data Integration et Data Studio.
2. 2. La capture des données de modification utilise OCI GoldenGate et Oracle Data Integrator.

Ces deux fonctionnalités se connectent de manière unidirectionnelle au dépôt de données et au stockage cloud de service dans le pilier « Sauvegarde, tri et création ».

Le pilier « Sauvegarde, tri et création » comprend quatre fonctionnalités.

1. 1. Le dépôt de données de service utilise Autonomous Data Warehouse.
2. 2. Le stockage cloud utilise OCI Object Storage.
3. 3. Le traitement par lots utilise OCI Data Integration, Functions et Data Flow.
4. 4. La gouvernance utilise OCI Data Catalog.

Ces fonctionnalités sont connectées au sein du pilier. Le stockage cloud est connecté de manière unidirectionnelle au dépôt de données de service. Il est également connecté de manière bidirectionnelle au traitement par lots.

Les lignes de métadonnées se connectent de manière unidirectionnelle du dépôt de données de service et du stockage cloud à la gouvernance.

Deux fonctionnalités se connectent au pilier « Analyses, apprentissage et prévision » : le dépôt de données de service et le stockage cloud se connectent de manière unidirectionnelle aux services d'analyse et de visualisation, de développement low-code, de prévision, d'apprentissage et d'IA.

Le pilier « Analyses, apprentissage et prévision » comprend six fonctionnalités.

1. 1. L'analyse et la visualisation utilisent Spatial Studio, Oracle Analytics Cloud et des ISV.
2. 2. Les produits de données et les API utilisent OCI API Gateway, Oracle Integration Cloud et OCI Functions.
3. 3. Le développement low code utilise APEX et Oracle Visual Builder.
4. 4. La prévision utilise les services OCI Data Science et Oracle Machine Learning.
5. 5. L'apprentissage utilise OCI Data Science et les blocs-notes Oracle Machine Learning.
6. 6. Les services d'IA utilisent OCI Vision, OCI Language et des services tiers.

Les produits de données et la fonctionnalité d'API sont connectés de manière unidirectionnelle à la fonctionnalité de prévision.

La banque de données de services et le stockage d'objets fournissent des métadonnées à OCI Data Catalog.

Le pilier « Mesures et réactions » saisit comment l'analyse des données peut être appliquée pour prendre en charge un modèle de prestation de soins reposant sur la valeur et suivre les performances. Ces applications sont divisées en deux groupes.

1. 1. Le premier groupe « Collaborateurs et partenaires » comprend l'équipe de gestion de la végétation, la fiabilité du système, ainsi que les opérations et la maintenance.
2. 2. Le deuxième groupe « Applications » comprend Oracle Field Service, Oracle Utilities Work and Asset Management, la gestion des actifs d'entreprise, le système de gestion du travail et la gestion des interventions terrain.

Les trois piliers centraux (« Ingestion et transformation », « Sauvegarde, tri et création », et « Analyses, apprentissage et prévision ») sont pris en charge par l'infrastructure, le réseau, la sécurité et IAM.

Architecture logique de gestion de la végétation

Il existe deux façons principales d'injecter des données dans une architecture pour permettre aux services publics de développer efficacement une stratégie de gestion de la végétation.

• Nous utiliserons l'ingestion par lots pour importer des données à partir de systèmes qui ne prennent pas en charge la diffusion en continu (par exemple, d'anciens systèmes SCADA ou de gestion de la maintenance). Dans ce cas d'utilisation, les images haute résolution, les données météorologiques et les données du GPS, de la maintenance et des systèmes de gestion des pannes seront ingérées à des intervalles variables. Nous utiliserons Oracle Integration Cloud pour charger ces ensembles de données dans Oracle Cloud Infrastructure (OCI) Object Storage ou directement dans Oracle Autonomous Data Warehouse (ADW). Nous capturerons également des données LiDAR et d'autres images de l'infrastructure pertinente et de la végétation environnante, et les chargerons dans OCI Object Storage, généralement via une API ou l'interface de ligne de commande OCI.
• En outre, nous utiliserons Oracle Cloud Infrastructure GoldenGate pour ingérer des données provenant de systèmes opérationnels, tels que des systèmes d'indisponibilité, des systèmes de gestion de la maintenance et des systèmes de planification des ressources, via la capture des données de modification.

La persistance et le traitement des données reposent sur trois composants.

• Les données brutes ingérées à partir de toutes les sources sont stockées dans le cloud. Nous allons initialement étiqueter ou annoter les images directement à l'aide d'OCI Vision ou d'une option tierce. Au cours du processus d'annotation, différentes zones de chaque image seront classées par type de végétation, ligne de transmission, ligne de distribution, poteau, etc. Dans ce cas d'utilisation, nous utilisons une combinaison d'OCI Data Science et de la plateforme et des bibliothèques NVIDIA pour fournir une image tridimensionnelle. Nous utiliserons ensuite OCI Data Integration ou OCI Data Flow pour le traitement par lots afin de consolider, de conserver ou d'améliorer les données collectées si nécessaire. OCI Data Integration est l'endroit où les pipelines de données sont construits et gérés. Bien qu'OCI Data Integration soit fourni avec un large éventail de connecteurs pour diverses ressources de données (bases de données, applications, stockage d'objets, API REST, etc.), il peut ne pas répondre à tous vos besoins. Si tel est le cas, vous pouvez créer une application OCI Data Flow pour tirer parti de tous les connecteurs disponibles via Spark. Dans cet exemple, les résultats du traitement d'image, du GPS, des pannes historiques et des données de maintenance sont combinés pour créer un modèle permettant d'identifier les emplacements d'actifs physiques nécessitant une attention particulière, qui peuvent être utilisés dans le cadre d'une solution de gestion de la végétation.
• Nous avons créé des jeux de données traitées prêts à être persistés sous forme relationnelle optimisée pour le traitement et les performances des requêtes dans le dépôt de données de service fourni par ADW. Cette approche nous permet de visualiser les résultats des prédictions de modèle. Nous pouvons même utiliser les capacités spatiales intégrées pour visualiser les points susceptibles de nécessiter une attention immédiate.

Trois technologies facilitent l'analyse, l'apprentissage et la prévision.

• Les services d'analyse et de visualisation tels qu'Oracle Analytics Cloud, Spatial Studio et Oracle APEX peuvent fournir des tableaux de bord interactifs que nous pouvons utiliser pour visualiser les informations des images et prévoir l'impact de la végétation sur des ressources de transmission ou de transfert spécifiques. Ces services fournissent
  • Analyses descriptives, que nous pouvons utiliser pour illustrer la croissance actuelle et les taux d'empiétement avec des histogrammes et des graphiques pour aider à identifier les domaines nécessitant une maintenance immédiate
  • Analyses prédictives, que nous pouvons utiliser pour planifier et déterminer les besoins de maintenance à long terme en prédisant la croissance et l'empiétement futurs, en identifiant les tendances et en déterminant la probabilité de résultats incertains
  • Analyse prescriptive, qui peut proposer des actions appropriées pour aider à optimiser la prise de décision stratégique en matière de gestion de la végétation
• Outre l'utilisation d'analyses avancées, des modèles de machine learning sont développés, entraînés et déployés à l'aide d'OCI Data Science. Ces modèles utilisent l'intelligence artificielle pour analyser de grandes quantités de données d'image LiDAR afin de développer des images en trois dimensions qui nous permettront de connaître la distance exacte entre la végétation et l'infrastructure critique. Grâce à cette mesure détaillée, combinée aux exigences réglementaires, aux données météorologiques, aux calendriers de maintenance et à d'autres données précieuses, les services publics peuvent hiérarchiser en permanence le travail à effectuer et les équipes requises pour le faire de la manière la plus efficace et la plus rentable possible. Une fois ces modèles entraînés, ils peuvent être déployés de plusieurs manières selon les préférences de l'utilisateur. Les modèles peuvent être appelés via des adresses REST à l'aide de la plateforme OCI Data Science ou de l'API REST Oracle Machine Learning Services dans la base de données. En outre, l'utilisateur peut packager ces modèles au format ONNX (Open Neural Network Exchange) et les déployer au sein d'une application.
• Nos règles et politiques d'administration peuvent être appliquées à l'aide d'OCI Data Catalog en combinaison avec d'autres services et peuvent être exposées en tant que « produit de données » (API) au sein d'une architecture de maillage de données à des fins de distribution dans l'ensemble de l'entreprise.

Améliorez votre stratégie de gestion de la végétation avec Oracle Modern Data Platform

Une gestion efficace et rapide des actifs est toujours essentielle, mais elle s'avère encore plus critique lorsque la croissance excessive de la végétation aux abords de lignes électriques pourrait déclencher un incendie ou une panne. Pour les gestionnaires de réseaux électriques aux États-Unis, la gestion de la végétation représente la plus importante dépense d'entretien préventif, dépassant 100 millions de dollars par an pour les acteurs principaux du secteur. Cependant, la gestion de la végétation constitue également le plus grand facteur de la fiabilité du système de services publics et de la gestion efficace des pannes. Avec Oracle Modern Data Platform, vous pouvez collecter des détails détaillés sur votre infrastructure et sa végétation environnante, et utiliser ces données pour améliorer votre stratégie et vos résultats en matière de la gestion de la végétation de l'une des manières suivantes :

• Réduire la végétation sur les lignes électriques
• Valider les taux de croissance attendus de la végétation
• Favoriser une planification et une surveillance efficaces de la végétation
• Réduire les pertes de revenus dues aux pannes de courant
• Réduire votre budget annuel de gestion de la végétation
• Augmenter la satisfaction de vos clients et la sécurité de vos collaborateurs