Subventions et contributions gouvernementales

L’objectif de ce projet est de créer un processus de traitement automatisé des données et de fournir un accès à ces données par l’intermédiaire d’une plateforme de visualisation en ligne qui permet de surveiller des infrastructures s’étendant sur des milliers de kilomètres, tout en mettant en évidence des zones de déplacement pouvant faire seulement quelques dizaines de mètres carrés. 3vGeomatics mettra au point des techniques efficaces pour capturer les caractéristiques de déplacement à toutes les échelles, les mettre en évidence et les filtrer, ce qui permettra aux utilisateurs finaux de se concentrer rapidement sur les zones d’importance critique. Le projet contribuera donc à accroître la qualité, à réduire le poids numérique et à améliorer la facilité d’utilisation des produits de données pour la surveillance des infrastructures à l’échelle du réseau.

Le projet vise le développement d’un système de gestion des incendies de forêt en collaboration avec INO, conformément aux exigences de la SOPFEU et de Ressources naturelles Canada, afin de produire une cartographie thermique à haute résolution, en temps quasi réel, des incendies de forêt actifs à l’aide d’images satellitaires et aériennes. À l’aide d’un jeu de données pseudo-images, Lux Aerobot sera en mesure d’entraîner des modèles à apprentissage profond de vision par ordinateur conçus expressément pour extraire les points chauds à l’échelle du pixel. Pour pallier les limites potentielles de la bande passante de télécommunication, le modèle sera également adapté pour pouvoir fonctionner directement à bord des plateformes satellitaires, sous réserve de diverses contraintes telles que l’alimentation électrique limitée, la dissipation de la chaleur et la puissance limitée de calcul.

Kepler Space a créé un produit qui permet la surveillance à grande échelle de la déformation du sol à l’aide des séries chronologiques de données du satellite Sentinel-1 de l’Agence spatiale européenne par l’application de la technique d’interférométrie par réflecteurs permanents (PSInSAR) ainsi que la détection et la cartographie des déplacements du sol. Les travaux proposés contribueront à simplifier et à valider ces données pour les besoins des systèmes de surveillance des infrastructures ferroviaires et des ponts. La principale innovation est l’élargissement de la capacité de couverture régionale, provinciale ou nationale grâce aux données de Sentinel-1 et à la simplification de l’analyse des mégadonnées (big data). Une composante d’intelligence artificielle capable de modéliser de manière prédictive l’état des infrastructures en se fondant sur les données sera ajoutée au service.

Le projet vise à élaborer une méthode pour quantifier de manière systématique et méthodique le niveau de dioxyde de carbone (CO2) présent à la surface du sol en utilisant des données hyperspectrales. Les données hyperspectrales capturent la totalité du spectre par pixel, ce qui fournit une grande quantité d’informations. En combinant les données de CO2 captées à la surface du sol en tant qu’informations de réalité sur le terrain, on mettra au point un modèle d’apprentissage automatique capable de prendre les données hyperspectrales du satellite comme données d’entrée et de prédire le niveau de CO2 sous-jacent. Ce projet vise à fournir les informations dont les gouvernements et les entités privées, comme les agriculteurs, ont besoin pour suivre leur empreinte carbone et profiter des avantages économiques connexes.

Pour les missions de longue durée dans l'espace, le recyclage de la nourriture est un élément critique de la mission. Notre technologie utilise les larves de la mouche soldat noire et le microbiote pour composter les matières organiques dans un système automatisé, produisant un compost riche en nutriments, des protéines animales, des excréments d'insectes fertiles, de la chaleur et du dioxyde de carbone. Ces produits peuvent être utilisés dans d'autres systèmes de production alimentaire : le compost et les excréments comme engrais, la chaleur et le dioxyde de carbone dans le processus de croissance des plantes, et les insectes pour la consommation du bétail (ou des humains).

PeaPod est un environnement de croissance végétale automatisé de précision pour la production alimentaire modulaire à faible maintenance et la recherche décentralisée. PeaPod est capable de générer l'environnement souhaité pour faire pousser n'importe quelle culture, tout en collectant des données sur la croissance des plantes pour optimiser les produits alimentaires au fil du temps grâce à l'apprentissage automatique (machine learning). L'environnement de croissance isolé est extensible et modulaire, et s'adapte facilement à la sélection des plantes et aux exigences de la mission. PeaPod utilise un ensemble de systèmes de contrôle automatisés pour générer l'environnement souhaité, notamment la thermorégulation de l'air, l'humidification, la déshumidification, l'éclairage et l'aéroponie.

Les candidats ayant élaboré un concept de technologie de soins de santé pour les régions éloignées étaient invités à s’inscrire au Défi. Le Bénéficiaire a participé au Défi et a été choisi par l'ASC pour l'étape 1 du Défi, pour un prix en espèces de 30 000 $.

Les candidats ayant élaboré un concept de technologie de soins de santé pour les régions éloignées étaient invités à s’inscrire au Défi. Le Bénéficiaire a participé au Défi et a été choisi par l'ASC pour l'étape 1 du Défi, pour un prix en espèces de 30 000 $.

Les candidats ayant élaboré un concept de technologie de soins de santé pour les régions éloignées étaient invités à s’inscrire au Défi. Le Bénéficiaire a participé au Défi et a été choisi par l'ASC pour l'étape 1 du Défi, pour un prix en espèces de 30 000 $.

Les candidats ayant élaboré un concept de technologie de soins de santé pour les régions éloignées étaient invités à s’inscrire au Défi. Le Bénéficiaire a participé au Défi et a été choisi par l'ASC pour l'étape 1 du Défi, pour un prix en espèces de 30 000 $.