Web Analytics

tessera

⭐ 491 stars Korean by ucam-eo

지구 표현 및 분석을 위한 표면 스펙트럼의 시간적 임베딩 (TESSERA) [CVPR2026]

Banner

버그 신고 🛠️   •   기능 요청 💡

PyPI 버전 라이선스

목차

TESSERA에 대해 배우기

소개

위성 원격 탐사는 서식지 지도 작성, 탄소 회계, 보존 및 지속 가능한 토지 이용 전략 등 다양한 하위 응용 분야를 가능하게 합니다. 그러나 위성 시계열 데이터는 방대하고 종종 구름에 의해 손상되어 사용하기 어렵습니다. 과학 커뮤니티가 실행 가능한 통찰력을 추출하는 능력은 종종 라벨이 지정된 학습 데이터셋의 부족과 시계열 데이터를 처리하는 계산 부담에 의해 제한됩니다. Dr. Clement Atzberger의 통찰력에 따르면, 두 개의 구름 없는 무작위 샘플에서 파생된 오토인코더 임베딩을 Barlow Twins를 사용해 정렬하도록 강제하면 누락된 관측값을 포함한 전체 시계열을 나타내는 임베딩이 생성됩니다.

이 아이디어는 전 세계 10미터 해상도에서 픽셀별 스펙트럼-시간 신호를 128차원 잠재 표현으로 보존하는 공개 기초 모델인 TESSERA의 핵심입니다. 이 모델은 자체 감독 학습을 사용하여 페타바이트 규모의 지구 관측 데이터를 요약합니다. 우리는 다섯 가지 다양한 하위 작업에서 최신 작업별 모델과 다른 기초 모델과 비교하여 TESSERA가 이들 기준 모델과 거의 동일하거나 더 우수한 성능을 보임을 발견했습니다. 기존 접근법에서 일반적으로 손실되는 시간적 생리학 신호를 보존함으로써 TESSERA는 생태계 역학, 농업 식품 시스템 및 환경 변화 탐지에 대한 새로운 통찰을 가능하게 합니다. 또한, 오픈 소스 구현은 재현성과 확장성을 지원하며, 개인정보 보호 설계는 연구자들이 데이터 주권을 유지할 수 있게 합니다.

우리가 알기로, TESSERA는 사용 용이성, 규모 및 정확성 면에서 전례가 없습니다: 다른 어떤 기초 모델도 분석 준비된 출력물을 제공하고, 공개되어 있으며, 픽셀 수준의 스펙트럼-시간 특성만을 사용하여 전 세계 연간 10미터 해상도 범위를 제공하지 않습니다.

다음은 TESSERA 표현 맵의 시각화 결과입니다(처음 세 채널을 RGB로 사용):

repr_demo

논문

다음은 TESSERA와 관련된 출판물 및 사전 인쇄물이며, 연대순으로 나열되어 있습니다:

발표

라이선스

TESSERA 소프트웨어는 표준 MIT 라이선스 하에 배포됩니다. 임베딩과 모델 가중치는 CC0 라이선스 하에 배포됩니다: 본질적으로, 상업적 및 비상업적 목적 모두에 자유롭게 사용할 수 있습니다. 법적으로 저작자 표시를 요구하지는 않지만, 저작자 표시는 요청합니다.

TESSERA 사용하기

GeoTessera를 사용한 임베딩 접근 (권장)

우리는 2024년 기준 10m 해상도로 전 세계 임베딩을 생성했습니다. 이들은 GeoTessera 라이브러리를 사용하여 다운받아 후속 응용 프로그램에 사용할 수 있으며, 상당한 계산 시간과 자원을 절약할 수 있습니다. 우리는 2017년까지 연도별로 점진적으로 적용 범위를 확장할 예정입니다. 현재 적용 범위 지도는 아래와 같습니다:

TESSERA 사용자 그룹

관심 있는 사용자는 Zulip 토론 그룹에 참여하시기 바랍니다.

직접 임베딩 생성하기

소프트웨어를 사용하여 직접 임베딩을 생성하려면 아래 지침을 따르십시오. 이는 계산적으로 도전적인 작업이며, 상당한 컴퓨팅 및 저장 자원에 접근할 수 있어야 합니다.

하드웨어 요구사항

1. 저장 공간 요구사항

이 파이프라인을 실행하려면 상당한 저장 공간이 필요합니다. 파이프라인은 처리 후 일부 중간 파일을 정리하지만, 다운로드한 원시 Sentinel-2 및 Sentinel-1 파일은 여전히 많은 디스크 공간을 차지합니다. 예를 들어, 2022년 기준 100km×100km 영역을 처리하여 TESSERA 표현 지도(10m 해상도)를 출력하려면 최소 1TB의 저장 공간이 필요합니다.

2. 메모리 요구사항

우리는 처음에 Microsoft Planetary Computer에서 전처리된 데이터를 사용합니다. 그러나 차세대 임베딩은 ASF DAAC의 OPERA를 사용할 예정입니다. 어느 경우든, 대부분의 지리 전처리는 완료된 상태입니다. 그래도 최소 128GB의 RAM을 권장합니다.

3. CPU 및 GPU

파이프라인은 CPU 및 GPU에 대한 엄격한 요구사항이 없지만, 더 많은 CPU 코어와 더 강력한 GPU는 추론 속도를 크게 향상시킬 수 있습니다. 2022년 기준 110km×110km 영역을 처리할 때, 128코어 CPU와 단일 NVIDIA A30 GPU를 사용하여 추론(각각 CPU와 GPU가 추론의 50%씩 처리)한 테스트에서는 약 10시간이 소요되었습니다.

4. 운영 체제

데이터 전처리 파이프라인은 거의 모든 리눅스 시스템을 지원합니다. 윈도우의 경우 WSL 사용을 권장합니다. 현재로서는 MacOS는 지원하지 않습니다.

모델 추론 부분은 리눅스와 윈도우 WSL에서만 테스트되었으며 정상 작동합니다.

데이터 전처리

개요

_파이프라인을 실행하기 전에 전체 튜토리얼을 빠르게 검토할 것을 강력히 권장합니다._

이 단계에서는 Sentinel-1과 Sentinel-2 데이터를 1년치 시간 축을 따라 쌓아 합성 영상을 생성합니다. Sentinel-2의 경우 합성 영상의 형태는 (T,H,W,B)이며, 여기서 T는 해당 연도의 유효 관측치 수, B는 밴드 수(우리는 10개 밴드를 선택함)입니다. Sentinel-1은 상승궤도와 하강궤도 데이터를 모두 추출했습니다. 상승궤도를 예로 들면, 합성 영상의 형태는 (T',H,W,B')이며, T'는 해당 연도의 유효 상승 관측치 수, B'는 VV와 VH 밴드 2개이므로 2입니다.

초기에는 Sentinel-1과 Sentinel-2 데이터를 Microsoft의 Planetary Computer에서 가져왔습니다:

새로운 세대 임베딩은 ASF DAAC의 OPERA를 사용합니다: 현재 파이프라인은 TIFF 형식 입력만 받습니다. 입력 ROI TIFF의 해상도는 다양할 수 있으나(예: 30m), 파이프라인은 항상 구성된 RESOLUTION(기본 10m)에서 Sentinel-1과 Sentinel-2 출력을 생성하며, ROI 범위는 동일하게 유지합니다. TIFF 내 유효 ROI 영역은 값이 1이고, 그렇지 않으면 0입니다. 쉐이프파일만 있어도 괜찮으며, convert_shp_to_tiff.py 스크립트를 제공합니다.

소스 코드 다운로드

먼저 빈 작업 디렉터리를 생성합니다:

mkdir tessera_project
cd tessera_project
git clone https://github.com/ucam-eo/tessera.git
더 쉬운 파이프라인 운영을 위해, 데이터 출력 디렉토리를 tessera_infer와 tessera_preprocessing와 같은 레벨에 배치할 것을 권장합니다:

tessera_project
 ┣ tessera_infer
 ┣ tessera_preprocessing
 ┣ my_data
   ┣ roi.shp (your shapefile)
   ┗ roi.tiff (we recommend generating this using convert_shp_to_tiff.py)
roi.tiff 파일은 tessera_preprocessing/convert_shp_to_tiff.py에 위치한 convert_shp_to_tiff.py를 사용하여 생성할 수 있습니다. 사용하려면, 메인 함수에서 셰이프파일 경로를 지정하기만 하면 동일한 디렉토리에 같은 이름의 TIFF 파일이 출력됩니다.

⚠️알림: _만약 ROI가 상대적으로 크다면, 예를 들어 100 km × 100 km인 경우, TIFF를 20 km × 20 km를 넘지 않는 작은 구간으로 미리 분할하는 것을 강력히 권장합니다. 그런 다음 각 작은 TIFF 파일을 파이프라인에서 순차적으로 처리하세요. 너무 큰 ROI는 백엔드 타일 제공자에 문제를 일으킬 수 있습니다._

Python 환경

지리 처리 패키지가 필요합니다(다행히도 환경 설정이 매우 복잡한 GDAL은 사용하지 않습니다) 그리고 머신러닝 패키지(PyTorch)가 필요합니다만, 하드웨어가 컴퓨터마다 다르므로 직접 설치해야 합니다. 공통 패키지는 requirements.txt에 모아두었으며, 다음과 같이 설치할 수 있습니다:

pip install -r requirements.txt
참고: 관리되는 환경에 있는 경우 먼저 venv를 설치해야 할 수 있습니다, 사용하여 
python3 -m venv venv
source venv/bin/activate

스크립트 구성

먼저, tessera_preprocessing 폴더로 이동하세요:

cd tessera_preprocessing

그런 다음 s1_s2_downloader.sh 파일을 수정하여 ROI TIFF 파일, 출력 및 임시 디렉토리, 데이터 소스를 가리키도록 합니다:

# === Basic Configuration ===
INPUT_TIFF="/absolute/path/to/your/data_dir/roi.tiff"
OUT_DIR="/absolute/path/to/your/data_dir"
export TEMP_DIR="/absolute/path/to/your/temp_dir"     # Temporary file directory
mkdir -p "$OUT_DIR"
Python environment path

PYTHON_ENV="/absolute/path/to/your/python_env/bin/python"
=== Sentinel-1 & Sentinel-2 Processing Configuration ===

YEAR=2022 # Range [2017-2025]
RESOLUTION=10.0  # Output resolution (meters). ROI TIFF can be any resolution; extent is preserved.
=== Data Source Configuration ===


mpc: Microsoft Planetary Computer (sentinel-1-rtc, sentinel-2-l2a)


aws: AWS Open Data backends (S1=OPERA RTC-S1 via ASF/CMR + ASF Earthdata Cloud COGs, S2=Earth-search Sentinel-2 L2A COGs)

DATA_SOURCE="mpc"   # choices: mpc/aws
참고: RESOLUTION은 출력 픽셀 크기를 제어합니다. 파이프라인은 ROI 경계를 고정하고 ROI 마스크를 출력 그리드에 재샘플링합니다.

AWS 자격 증명 (DATA_SOURCE="aws"일 때만 필요)

Earth-search의 Sentinel-2는 공개되어 있으며 자격 증명이 필요하지 않습니다.

Sentinel-1 OPERA RTC-S1은 ASF Earthdata Cloud(COG over HTTPS)를 통해 접근합니다. Earthdata 로그인 토큰이 필요합니다:

권장 방법 (간단 + 명시적):

nano ~/.edl_bearer_token

paste token, save+exit (Ctrl-O Enter, then Ctrl-X)

chmod 600 ~/.edl_bearer_token
AWS S1 다운로더는 이 토큰을 사용하여 ASF Earthdata Cloud에서 COG를 읽습니다.

임시 S3 자격 증명(고급; 일반적으로 이 파이프라인에서는 필요하지 않음)을 가져오려면 ASF 지침을 참조하세요:

위 구성 아래에는 컴퓨터 성능에 따라 수정할 수 있는 추가 구성이 있습니다.

먼저, s1_s2_downloader.sh에 권한을 부여하세요:

chmod +x s1_s2_downloader.sh

그런 다음, 우리는 다음을 실행할 수 있습니다:

bash s1_s2_downloader.sh
네트워크 상태로 인해 일부 타일 처리 시간이 초과될 수 있습니다. 당사의 스크립트는 이러한 문제를 방지하기 위해 정교한 시간 초과 관리를 포함하고 있습니다. 그러나 때때로 일부 타일이 여전히 실패할 수 있습니다. 위 명령을 다시 실행하면 보통 해결됩니다.

모든 Sentinel-1 및 Sentinel-2 데이터가 올바르게 생성되면 시간 차원에 따라 쌓을 수 있습니다. 이 단계에서는 두 개의 Rust로 생성된 실행 파일을 사용하여 매우 빠르게 처리합니다. s1_s2_stacker.sh를 열어 다음을 편집할 수 있습니다:

# === Basic Configuration ===
BASE_DIR="/absolute/path/to/your/data_dir"
OUT_DIR="${BASE_DIR}/data_processed"
DOWNSAMPLE_RATE=1

보통, 우리는 스태킹 중에 다운샘플링을 수행하지 않도록 DOWNSAMPLE_RATE를 수정하지 않습니다. 위 코드에서 BASE_DIR은 s1_s2_downloader.sh에서 수정한 OUT_DIR과 동일합니다.

마찬가지로, s1_s2_stacker.sh에 권한을 부여하세요:

chmod +x s1_s2_stacker.sh
그런 다음 스태킹을 실행할 수 있습니다:

bash s1_s2_stacker.sh
성공하면 /absolute/path/to/your/data_dir/data_processed에 몇 개의 .npy 파일이 생성됩니다. 보통 이 .npy 파일들은 상당히 크기 때문에, 더 작고 관리하기 쉬운 단위로 패치화할 것입니다.

다음 명령을 실행하세요:

python dpixel_retiler.py \
    --tiff_path /absolute/path/to/your/data_dir/roi.tif \
    --d_pixel_dir /absolute/path/to/your/data_dir/data_processed \
    --patch_size 500 \
    --out_dir /absolute/path/to/your/data_dir/retiled_d_pixel \
    --num_workers 16 \
    --overwrite \
    --block_size 2000
위의 patch_size와 block_size는 직접 변경할 수 있습니다. 위의 구성은 (5000,5000) 크기와 10m 해상도를 가진 TIFF에 권장되는 구성입니다.

위 코드가 원활하게 실행되면 my_data/retiled_d_pixel에 일부 하위 폴더를 얻을 수 있습니다.

추론

개요

데이터 전처리가 완료되면 추론을 시작할 수 있습니다. 진행하기 전에 my_data/retiled_d_pixel 폴더에 다음과 같은 하위 폴더가 있는지 확인하세요:

retiled_d_pixel
 ┣ 0_3500_500_4000
 ┣ 0_4000_500_4500
 ┣ 0_4500_500_5000
 ┣ 0_5000_500_5500
 ┣ 0_5500_500_6000
 ┣ 0_6000_500_6500
각 하위 폴더에는 다음 파일이 포함되어야 합니다:

0_3500_500_4000
 ┣ bands.npy
 ┣ doys.npy
 ┣ masks.npy
 ┣ roi.tiff
 ┣ sar_ascending.npy
 ┣ sar_ascending_doy.npy
 ┣ sar_descending.npy
 ┗ sar_descending_doy.npy
만약 이 파일들이 존재한다면, 추론을 시작할 수 있습니다. 그렇지 않다면, 첫 번째 단계가 성공적으로 완료되었는지 확인하세요.

추론에는 PyTorch가 필요합니다. 각 시스템마다 CUDA 버전이 약간씩 다를 수 있기 때문에, 데이터 전처리 때처럼 Docker로 캡슐화된 Python 환경을 제공할 수 없습니다. 다행히도 추론을 위한 Python 환경은 GDAL이나 SNAP과 같은 지리 처리 패키지를 사용하지 않기 때문에 데이터 전처리보다 훨씬 간단하게 구성할 수 있습니다.

Pytorch 준비

만약 Pytorch를 설치하지 않았다면, 아래 단계를 참고하세요. 그렇지 않으면 이 섹션을 무시하셔도 됩니다.

먼저, 시스템의 CUDA 버전을 확인하세요:

nvidia-smi

그런 다음 https://pytorch.org/ 를 방문하여 CUDA 버전에 따라 설치할 적절한 버전을 선택하십시오, 예를 들어:

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128

모델 가중치

다음으로, Google Drive에서 모델 가중치를 다운로드하고 .pt 파일을 tessera_infer/checkpoints 디렉토리에 위치시킵니다:

tessera_infer
 ┗ checkpoints
     ┗ best_model_fsdp_20250427_084307.pt
 ┗ configs
 ┗ src

_위에서 언급한 체크포인트는 초기 단계 모델로, 기본적으로 float32 임베딩을 생성합니다. 따라서 이 모델은 geotessera 라이브러리에서 int8 임베딩을 생성하는 데 사용된 모델이 아닙니다. 곧 geotessera 임베딩을 생성하는 데 사용된 특정 체크포인트를 전체 파이프라인에 배포할 예정입니다._

Bash 스크립트 구성

추론 구성을 간소화하기 위해 tessera_infer/infer_all_tiles.sh를 제공합니다. 몇 가지 매개변수만 수정하면 됩니다:

a. 기본 데이터 디렉터리: 

BASE_DATA_DIR="your_data_directory"
이것은 데이터 저장 폴더로, 이전 bash의 BASE_DATA_DIR와 동일하며 예를 들어 /maps/usr/tessera_project/my_data입니다.

b. 파이썬 환경: 

export PYTHON_ENV="your_python_path"
여기에 Python 환경의 절대 경로를 작성하세요. 예: /home/user/anaconda3/envs/tessera_env/bin/python

c. CPU/GPU 분할: 

CPU_GPU_SPLIT="1:1"  # Format: CPU:GPU ratio
이 스크립트는 CPU와 GPU를 동시에 사용한 추론을 지원합니다. 이 비율은 각 장치가 처리할 retiled_patches의 비율을 지정합니다. 기본값은 1:1(균등 분할)입니다. GPU 전용 추론의 경우 0:1로 설정하세요.

d. CPU 관련 설정

MAX_CONCURRENT_PROCESSES_CPU=20
타일 추론을 위한 최대 CPU 프로세스 수입니다. 예를 들어 20으로 설정하면 20개의 타일을 동시에 처리합니다.

AVAILABLE_CORES=$((TOTAL_CPU_CORES / 2)) # Use 50% of the cores
사용할 CPU 코어 수입니다. 너무 많은 CPU 자원을 소비하지 않도록 필요에 따라 이 값을 수정하세요!

e. GPU 관련 설정: 

MAX_CONCURRENT_PROCESSES_GPU=1
추론을 위한 최대 GPU 프로세스 수입니다. 시스템에 GPU가 1개만 있으면 이 값을 1로 설정하세요.

GPU_BATCH_SIZE=1024  # Larger for GPU, if this takes too much memory, reduce it
PyTorch 추론 중 한 번에 처리할 샘플 수입니다. 이 값이 너무 많은 GPU 메모리를 사용하거나 GPU에서 OOM 오류를 발생시키면 적절히 줄이십시오.

f. 기타 설정 구성할 수 있는 다른 매개변수도 있습니다. 필요에 따라 조정하십시오.

추론 시작

모든 준비가 완료되면 tessera_infer 폴더로 이동하십시오:

cd tessera_infer

그런 다음 infer_all_tiles.sh에 권한을 부여하십시오:

chmod +x infer_all_tiles.sh

그런 다음 실행하세요:

bash infer_all_tiles.sh

성공하면 다음과 같은 로그를 볼 수 있습니다:

(base) zf281@daintree:/scratch/zf281/tessera_project/tessera_infer$ bash infer_all_tiles.sh
[INFO] Total CPU cores: 256, Using: 192
[INFO] CPU:GPU split ratio = 1:1 (total: 2)
==== SETUP DIRECTORIES ====
[SUCCESS] Created necessary directories
==== SCANNING TILES ====
[INFO] Tile directory: /scratch/zf281/jovana/retiled_d_pixel
[INFO] Output directory: /scratch/zf281/jovana/representation_retiled
[SUCCESS] Found 226 tiles total
[INFO] Sample tiles:
  
  • 0_3500_500_4000
    • 
  
  • 0_4000_500_4500
    • 
  
  • 0_4500_500_5000
    • 
  
  • ...
동시에, tessera_infer 폴더 내에 각 CPU 및 GPU 프로세스에 대한 보다 자세한 로깅이 포함된 logs 폴더가 생성됩니다.

최종 표현 맵 병합

추론은 일반적으로 ROI 크기와 하드웨어 성능에 따라 오래 걸립니다. 완료되면 my_data/representation_retiled에서 여러 .npy 파일을 찾을 수 있습니다:

representation_retiled
 ┣ 0_3500_500_4000.npy
 ┣ 0_4000_500_4500.npy
 ┣ 0_4500_500_5000.npy
 ┣ 0_5000_500_5500.npy
 ┣ 0_5500_500_6000.npy
 ┣ 0_6000_500_6500.npy
 ┣ 0_6500_500_7000.npy
 ┣ 0_7000_500_7500.npy
 ┣ 1000_0_1500_500.npy
 ┣ 1000_1000_1500_1500.npy
 ┣ 1000_1500_1500_2000.npy
 ┣ 1000_2000_1500_2500.npy
마지막 단계는 tessera_infer/stitch_tiled_representation.py를 사용하여 이들을 함께 연결하는 것입니다:

python stitch_tiled_representation.py \
--d_pixel_retiled_path /path/to/d_pixel_retiled \
--representation_retiled_path /path/to/representation_retiled \
--downstream_tiff /path/to/downstream.tiff \
--out_dir /path/to/output_directory
예를 들어:

python stitch_tiled_representation.py \
--d_pixel_retiled_path /maps/usr/tessera_project/my_data/d_pixel_retiled \
--representation_retiled_path /maps/usr/tessera_project/my_data/representation_retiled \
--downstream_tiff /maps/usr/tessera_project/my_data/downstream.tiff \
--out_dir /maps/usr/tessera_project/my_data

마지막으로, 초기 roi.tiff와 동일한 크기 (H,W,128)를 가진 표현 맵이 my_data 디렉토리에 생성됩니다. 표현 맵은 NumPy 배열입니다. QGIS와 같은 소프트웨어에서 보기 위해 TIFF로 변환하려면 tessera_infer/convert_npy2tiff.py 스크립트를 사용할 수 있습니다. 메인 함수를 다음과 같이 수정하세요:

npy_path = "/maps/usr/tessera_project/my_data/stitched_representation.npy"  # Change to the actual npy file path
ref_tiff_path = "/maps/usr/tessera_project/my_data/roi.tiff"  # Change to the actual reference tiff file path
out_dir = "/maps/usr/tessera_project/my_data/"  # Change to the actual output directory

다운스트림 작업

논문에 있는 다운스트림 작업을 재현하고 싶다면 https://github.com/ucam-eo/tessera-downstream-task 를 방문할 수 있습니다. 거기에는 많은 예제가 제공되어 있습니다.

추가 정보

팀

케임브리지 교수진

박사후 연구원

박사과정

학부생

인턴

협력자

방문 연구원

연락처

기술적인 질문은 Frank Feng (zf281@cam.ac.uk)에게 문의하시거나 Zulip 포럼에 질문해 주세요. 비기술적인 질문은 Prof. S. Keshav (sk818@cam.ac.uk)에게 보내실 수 있습니다.

인용

연구에 TESSERA를 사용하셨다면, arXiv 논문을 인용해 주세요:

@misc{feng2025tesseratemporalembeddingssurface,
      title={TESSERA: Temporal Embeddings of Surface Spectra for Earth Representation and Analysis}, 
      author={Zhengpeng Feng et al.},
      year={2025},
      eprint={2506.20380},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2506.20380}, 
}

감사의 말

우리는 이 프로젝트에 대한 관대한 지원에 대해 UKRI와 케임브리지의 DAWN 슈퍼컴퓨터 팀에 감사를 표합니다. 또한 AMD, Vultr, Dirac 고성능 컴퓨팅 시설, Microsoft AI For Good Lab, Dr. Robert Sansom, dClimate, 그리고 AWS Open Data 프로그램(https://opendata.aws/) 하에 있는 Amazon Web Services (AWS)의 지원도 인정합니다. 이 작업은 그들의 지원, 계산 자원 및 기술 지원 없이는 불가능했을 것입니다.

스타 히스토리

Star History Chart

AUP

TESSERA 이용 약관 및 윤리 지침

라이선스

TESSERA 데이터 및 임베딩은 Creative Commons 0 국제 라이선스 CC-0 하에 제공됩니다. 이는 다음이 자유롭다는 것을 의미합니다:

목적 및 의도된 사용

TESSERA는 과학 연구를 진전시키고 환경 모니터링, 보존, 지속 가능한 농업 및 지구 시스템 이해를 지원하기 위해 개발되었습니다. 이 도구는 다음을 가능하게 하도록 설계되었습니다:

윤리 지침

CC0 라이선스가 광범위한 사용을 허용하지만, 사용자가 작업의 윤리적 함의를 고려할 것을 강력히 권고합니다. 이 윤리 지침은 자문적이며 법적 구속력을 갖는 제한을 부과하지 않습니다. 사용자에게 다음을 요청합니다:

책임감 있게 행동하십시오:

투명성을 유지하십시오:

긍정적 영향 지원:

데이터 특성

사용자는 TESSERA가 다음을 제공한다는 점을 이해해야 합니다:

이 특성들을 작업에 정확하게 반영해 주십시오.

커뮤니티 기준

책임감 있는 사용을 권장하며 커뮤니티 피드백을 환영합니다. 잠재적 응용에 대한 우려나 지침 개선 제안이 있으면 연락해 주십시오.

우리는 커뮤니티 의견 및 새로운 고려 사항에 따라 이 지침을 업데이트할 권리를 보유하지만, 이러한 업데이트는 데이터가 배포된 CC-0 라이선스에 소급 적용되지 않습니다.

연락처

질문이나 피드백: 이메일 sk818@cam.ac.uk

---

최종 업데이트: 2026년 2월 25일

--- Tranlated By Open Ai Tx | Last indexed: 2026-03-09 ---

Original README: View on GitHub

Translated by OpenAiTx | Last updated: 2026-03-09