Zorientowane na przyszłość | Skalowalne | Modułowe_
Cześć! Jestem inżynierem gospodarki przestrzennej, a obecnie studiuję geoinformatykę na studiach magisterskich.
Na co dzień pracuję w biurze planistycznym przy dokumentach planistycznych gmin, więc znam dane przestrzenne nie tylko od strony technicznej, ale też wiem, co z nich wynika, gdzie szukać problemów i – przede wszystkim – po co robimy daną analizę.
Tam, gdzie inni widzą żmudne, powtarzalne klikanie w QGIS-ie, ja widzę proces do zautomatyzowania. Piszę skrypty w Pythonie i PyQGIS, które z godzin ręcznej roboty robią kilka minut, a przy okazji wyłapują błędy, które człowiek łatwo przeoczy.
Lubię, gdy technologia realnie odciąża ludzi w pracy – i właśnie takie narzędzia chcę tworzyć: proste w użyciu, ale solidne pod spodem.
Zaawansowane analizy danych geograficznych.
Tworzenie skryptów i wtyczek automatyzujących pracę.
Zarządzanie i optymalizacja danych przestrzennych (PostGIS).
Niektóre projekty tworzyłem na potrzeby pracy w biurze, inne na potrzeby studiów magisterskich z geoinformatyki. Wszystkie mają wspólny mianownik – przestrzeń.
Skrypt w Pythonie, który łączy działki z wniosków z ewidencją i generuje raport w Excelu – wyłapuje błędne numery i złe obręby.
Raport mówi, ile działek się połączyło i dlaczego pozostałe się nie połączyły, np. zostały podzielone albo źle przepisane z wniosku. Często wnioskodawcy nie podają obrębu lub podają zły – skrypt to wyłapuje i wskazuje, w którym obrębie działka faktycznie leży. Docelowo ma to być program z UI albo wtyczka do QGIS.
System informacji przestrzennej na własnym serwerze: PostGIS + GeoServer + mapa w przeglądarce.
Po tym, jak zrobiłem homelaba ze starego laptopa (na którym zresztą hostowana jest ta strona), wpadłem na pomysł zabawy z geoserwerami. Ten projekt powstał właśnie na potrzeby takich zabaw. Na razie mapa korzysta z usług GUGiK (ortofoto, działki, plany miejscowe), a moje własne warstwy z GeoServera są w drodze.
Sieć neuronowa wykrywająca nową zabudowę na zdjęciach satelitarnych z różnych lat.
Powstała na potrzeby przedmiotu „Uczenie maszynowe w analizie obrazów”. Mogłaby służyć do analizy, ile budynków przybyło w danych latach w gminie. Wymaga jeszcze poprawek – jest wrażliwa na zmiany oświetlenia i kąta wykonania zdjęcia.
TensorFlow doprowadzał mnie do łez, gdy nie widział rdzeni CUDA, ale po przejściu na PyTorch prace szły całkiem żwawo. Ograniczeniem jest (kto by się spodziewał?) moc obliczeniowa – mimo RTX 4060 Ti 16 GB przy większej liczbie warstw pojawiał się błąd OOM. Kolejny krok: lepsza augmentacja zamiast większej mocy, żeby sieć była mniej czuła na zmiany oświetlenia.
Stary laptop jako serwer: Debian, Docker, zdjęcia, pliki, DNS z blokowaniem reklam i ta strona – wystawiona przez Cloudflare Tunnel.
Na serwerze działają m.in. Immich (kopia zdjęć zamiast iCloud), File Browser i Samba, AdGuard Home, monitoring obciążenia (Beszel, Glances) i serwer Minecrafta. Zdalny dostęp przez Tailscale, nic poza tą stroną nie jest wystawione do internetu.
Aplikacja do wspólnego zarządzania zawartością lodówki: skan paragonu przez AI i podpowiedzi, co ugotować.
Kod na GitHubie