ഭൂമിശാസ്ത്രപരവും റിമോട്ട് സെൻസിംഗ് ഡാറ്റ വ്യാഖ്യാനവും

നേട്ടങ്ങൾ:

• GIS ലെയറുകൾ, NDVI, റിമോട്ട് സെൻസിംഗ് ബാൻഡ്/റിസല്യൂഷൻ ആശയങ്ങൾ എന്നിവ വ്യാഖ്യാനിക്കാനുള്ള കഴിവ്
• AI ഉപയോഗിച്ചുള്ള സൂചിക വ്യാഖ്യാനം, വിശകലനം മാറ്റുക, മാപ്പ് വിവരണ ഡ്രാഫ്റ്റിംഗ്
• ഗ്രൗണ്ട് സത്യവും മെറ്റാഡാറ്റയും ഉപയോഗിച്ച് AI-യുടെ ഉപഗ്രഹ/മാപ്പ് വ്യാഖ്യാനം പരിശോധിക്കാനുള്ള കഴിവ്

നിങ്ങൾ ഒരു തണ്ണീർത്തട സംരക്ഷണ പദ്ധതിയിൽ പ്രവർത്തിക്കുന്ന ഒരു പരിസ്ഥിതി എഞ്ചിനീയറാണ്. കഴിഞ്ഞ അഞ്ച് വർഷമായി തടാകതീരത്തെ ഞാങ്ങണ തടം ചുരുങ്ങിയെന്ന പരാതികൾ അന്വേഷിക്കണമെന്ന് കൗൺസിൽ ആവശ്യപ്പെടുന്നു. ഫീൽഡിലേക്ക് പോകുന്നതിനുമുമ്പ്, നിങ്ങളുടെ മേശപ്പുറത്ത് ഒരു പ്രാഥമിക വിലയിരുത്തൽ നടത്തേണ്ടതുണ്ട്: നിങ്ങൾക്ക് രണ്ട് വ്യത്യസ്ത വർഷങ്ങളിൽ നിന്നുള്ള ഉപഗ്രഹ ചിത്രങ്ങൾ, ഒരു ജിഐഎസ് (ജിയോഗ്രാഫിക് ഇൻഫർമേഷൻ സിസ്റ്റം) പ്രോജക്റ്റും ഒരു ഭാഷാ മോഡലും ഉണ്ട്. ചിത്രങ്ങളുടെ NDVI സംഗ്രഹം LLM വ്യാഖ്യാനിക്കുകയും മാറ്റ വിവരണത്തിൻ്റെ ഒരു ഡ്രാഫ്റ്റ് എഴുതുകയും ചെയ്യാം. എന്നിരുന്നാലും, ഒരു സാറ്റലൈറ്റ് പിക്സൽ 10 മീറ്റർ ചതുരത്തെ പ്രതിനിധീകരിക്കുന്നു, ആ സ്ക്വയറിൽ ഒരു മേഘ നിഴലുണ്ടോ, ഉണക്കുന്ന ഞാങ്ങണയാണോ അല്ലെങ്കിൽ കാലാനുസൃതമായ ജലനിരപ്പ് നിലവിലുണ്ടോ എന്ന് മാത്രമേ നിങ്ങൾക്ക് മനസ്സിലാക്കാൻ കഴിയൂ. ഈ യൂണിറ്റിൽ, റിമോട്ട് സെൻസിംഗ്, ജിഐഎസ് എന്നിവയുടെ ആശയങ്ങൾ, AI-യുമായുള്ള സൂചിക/മാറ്റ വ്യാഖ്യാനം, ഏറ്റവും പ്രധാനമായി, ഈ വ്യാഖ്യാനത്തിൻ്റെ പരിധികൾ എന്നിവ ഞങ്ങൾ ഉൾക്കൊള്ളുന്നു.

GIS ലെയർ ലോജിക്കും റിമോട്ട് സെൻസിംഗ് അടിസ്ഥാനകാര്യങ്ങളും

ജിഐഎസ് ഭൂമിശാസ്ത്രപരമായ ഡാറ്റയെ ഓവർലാപ്പിംഗ് ലെയറുകളായി ക്രമീകരിക്കുന്നു: ഓരോ ലെയറും ഒരു തീം (ഭൂവിനിയോഗം, ജലാശയങ്ങൾ, എലവേഷൻ, റോഡുകൾ) വഹിക്കുകയും ഒരു പൊതു കോർഡിനേറ്റ് സിസ്റ്റത്തിൽ വിന്യസിക്കുകയും ചെയ്യുന്നു. ശരിയായ പ്രൊജക്ഷനിൽ ശരിയായ പാളികൾ ഓവർലാപ്പ് ചെയ്യുന്നതിലൂടെ ഒരു വിശകലനം ആരംഭിക്കുന്നു; തെറ്റായ കോർഡിനേറ്റ് സിസ്റ്റം വ്യവസ്ഥാപിതമായി പ്രദേശങ്ങളെയും ദൂരങ്ങളെയും പക്ഷപാതമാക്കുന്നു.

ഒരു റിമോട്ട് സെൻസിംഗ് ഇമേജ് വ്യാഖ്യാനിക്കുമ്പോൾ, നിങ്ങൾ മൂന്ന് തരം മിഴിവുകൾ വേർതിരിച്ചറിയണം:

റെസല്യൂഷൻ തരം

അത് എന്താണ് പറയുന്നത്?

ഉദാഹരണം

പരിമിതി

സ്പേഷ്യൽ

നിലത്ത് ഒരു പിക്സലിൻ്റെ വലിപ്പം

10മീ, 30മീ

ചെറിയ ഒബ്‌ജക്റ്റുകൾ സബ്-പിക്‌സലായി തുടരും

സ്പെക്ട്രൽ

എത്ര, ഏത് തരംഗദൈർഘ്യ ബാൻഡ്?

ചുവപ്പ്, NIR, SWIR

കുറവ് ബാൻഡ് = കുറവ് വിവേചന ശക്തി

താൽക്കാലിക

ഒരേ സ്ഥലം എത്ര തവണ കാണുന്നു

5 ദിവസം, 16 ദിവസം

മേഘാവൃതമായ ദിവസങ്ങളിൽ ഡാറ്റ നഷ്ടം

റേഡിയോമെട്രിക്

ലുമിനൻസ് സെൻസിറ്റിവിറ്റി (ബിറ്റ് ഡെപ്ത്)

8-ബിറ്റ്, 12-ബിറ്റ്

താഴ്ന്ന ആഴം = മോശം വിവേചനം

NDVI: ഫോർമുലയും വ്യാഖ്യാനവും

സസ്യങ്ങളുടെ ചൈതന്യം അളക്കുന്ന ഏറ്റവും സാധാരണമായ സൂചിക NDVI (നോർമലൈസ്ഡ് ഡിഫറൻസ് വെജിറ്റേഷൻ ഇൻഡക്സ്) ആണ്. ആരോഗ്യമുള്ള ഒരു സസ്യം ഇൻഫ്രാറെഡിന് സമീപം (NIR) ശക്തമായി പ്രതിഫലിക്കുകയും ചുവപ്പ് (RED) ആഗിരണം ചെയ്യുകയും ചെയ്യുന്നു:

NDVI = (NIR - RED) / (NIR + RED) മൂല്യ പരിധി: -1 ... +1 < 0 : വെള്ളം, മഞ്ഞ്, മേഘം 0.0 - 0.2 : നഗ്നമായ മണ്ണ്, പാറ, നിർമ്മിത പ്രദേശം 0.2 - 0.5 : വിരളമായ/സസ്യസസ്യങ്ങൾ, സമ്മർദപൂരിതമായ പച്ച കവർ 0.5 - 0.

# പിക്സലുകളുടെ ഒരു ചെറിയ സാമ്പിൾ ബ്ലോക്കിൻ്റെ NDVI, npnir = np.array ([[0.42, 0.38], [0.11, 0.45]]) # ഇൻഫ്രാറെഡ് പ്രതിഫലനത്തിന് സമീപം = np.array([[0.06, 0.09]], [0.15] nd) =0.10 ചുവപ്പ്) / (nir + red)print(np.round(ndvi, 2))# [[0.75 0.62]# [0.05 0.80] # താഴെ-ഇടത് പിക്സൽ (0.05): ഒരു ചെടിയല്ല — നഗ്നമായ നിലമോ വെള്ളമോ/നിഴലോ ആകാം

നുറുങ്ങ്: എൻഡിവിഐ "ആരോഗ്യത്തിൻ്റെ" ഒരു സമ്പൂർണ്ണ അളവുകോലല്ല, മറിച്ച് അവസ്ഥയെ ആശ്രയിച്ചിരിക്കുന്ന സൂചകമാണ്. ഒരേ പ്രദേശത്തെ രണ്ട് തീയതികളുള്ള NDVI-കൾ താരതമ്യം ചെയ്യുമ്പോൾ, ചിത്രങ്ങൾ എടുത്തത് സമാന സീസണുകളിലും സമാനമായ സൂര്യ കോണുകളിലും മേഘങ്ങളില്ലാത്ത അവസ്ഥയിലാണെന്നും ഉറപ്പാക്കുക. വേനൽക്കാലത്തിൻ്റെ അവസാനത്തെ വസന്തത്തെ വസന്തവുമായി താരതമ്യപ്പെടുത്തുന്നത് ഒരു അയഥാർത്ഥ "സസ്യനഷ്ടം" ഉണ്ടാക്കുന്നു.

വിശകലനം മാറ്റുക (കണ്ടെത്തൽ മാറ്റുക)

രണ്ട് തീയതികൾ തമ്മിലുള്ള വ്യത്യാസം കണ്ടെത്താനുള്ള ലളിതമായ മാർഗ്ഗം NDVI വ്യത്യാസം എടുക്കുക എന്നതാണ്, എന്നാൽ ചിത്രങ്ങൾ താരതമ്യം ചെയ്യാൻ കഴിയുമെങ്കിൽ മാത്രമേ ഈ വ്യത്യാസം അർത്ഥമുള്ളൂ.

ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0 : കവർ നഷ്ടം സാധ്യമാണ് (ഉണക്കൽ, മുറിക്കൽ, നിർമ്മാണം) ΔNDVI ≈ 0 : മാറ്റമില്ല ΔNDVI >> 0 : കവർ വർദ്ധന സാധ്യമാണ് (പച്ചയെടുപ്പ്, പുനഃസ്ഥാപിക്കൽ) കോണിലെ വ്യത്യാസം, സീസൺ വ്യത്യാസം പോലെ / യഥാർത്ഥ കോണിൽ വ്യത്യാസം പ്രതിഫലിച്ചേക്കാം. വ്യത്യാസം = യഥാർത്ഥ മാറ്റം + ശബ്ദം.

മുന്നറിയിപ്പ്: ക്ലൗഡ്, ക്ലൗഡ് ഷാഡോ, കാലാനുസൃതത എന്നിവയാണ് മാറ്റ വിശകലനത്തിൻ്റെ ഏറ്റവും വലിയ വിഘാതങ്ങൾ. മേഘ നിഴലിനു കീഴിലുള്ള പ്രദേശം താഴ്ന്ന NDVI നൽകുന്നു, കൂടാതെ "സസ്യനാശം" പോലെ കാണപ്പെടുന്നു. LLM ഇമേജ് വ്യാഖ്യാനം നടത്തുമ്പോൾ, മോഡൽ ഈ പുരാവസ്തുക്കളെ യഥാർത്ഥ സംഭവമായി തെറ്റിദ്ധരിച്ചേക്കാം. ഇമേജ് മെറ്റാഡാറ്റ (തീയതി, ക്ലൗഡ് ശതമാനം, സൺ ആംഗിൾ) പരിശോധിക്കുന്നത് ഉറപ്പാക്കുക.

AI ഉപയോഗിച്ചുള്ള സൂചിക വ്യാഖ്യാനവും മാപ്പ് വിവരണവും

സംഖ്യാ സൂചിക സംഗ്രഹങ്ങൾ പ്ലെയിൻ വിവരണത്തിലേക്ക് വിവർത്തനം ചെയ്യുന്നതിനും ഡ്രാഫ്റ്റ് റിപ്പോർട്ടുകൾ നിർമ്മിക്കുന്നതിനും LLM ഉപയോഗപ്രദമാണ്. ഇതിന് അസംസ്‌കൃത NDVI സ്ഥിതിവിവരക്കണക്കുകളും മെറ്റാഡാറ്റയും നൽകുകയും നിങ്ങൾക്ക് സ്ഥിരീകരിക്കുന്നതിന് അഭിപ്രായം സൃഷ്ടിക്കാൻ ആവശ്യപ്പെടുകയും ചെയ്യുക.

ദുർബലമായ നിർദ്ദേശം: "ഈ ഉപഗ്രഹ ചിത്രത്തിൽ തണ്ണീർത്തടം ചെറുതായിട്ടുണ്ടോ?" ശക്തമായ നിർദ്ദേശം: "ഞാൻ രണ്ട് തീയതികളുള്ള NDVI സ്ഥിതിവിവരക്കണക്കുകൾ നൽകുന്നു (ഒരേ പ്രദേശം, ഒരേ സെൻസർ): 2020-07-15 ശരാശരി NDVI=0.61 മേഘം=3% സൂര്യൻ ആംഗിൾ=58°2025-07-12 ശരാശരി NDVI=0.42 മേഘം=22% സൂര്യൻ കോണും=55°0 അവൻ താൽപ്പര്യമുള്ള തടാകമാണ് ടാസ്ക്:1) ΔNDVI കണക്കാക്കുക, സാധ്യമായ വ്യാഖ്യാനങ്ങൾ പട്ടികപ്പെടുത്തുക.2) ഈ ഇടിവ് (മേഘം, നിഴൽ, ജലനിരപ്പ്, സീസൺ, കാലിബ്രേഷൻ) കാരണമായേക്കാവുന്ന കാരണങ്ങൾ പട്ടികപ്പെടുത്തുക (മേഘം, നിഴൽ, ജലനിരപ്പ്, സീസൺ, കാലിബ്രേഷൻ) യഥാർത്ഥ കവർ നഷ്ടത്തിന് പുറമെ. 'റീഡ്‌ബെഡ് X% ചുരുങ്ങി' എന്ന കൃത്യമായ ക്ലെയിം സജ്ജീകരിക്കരുത്, അടിസ്ഥാന സത്യം സ്ഥിരീകരിച്ചാൽ മാത്രമേ ഇത് പറയാൻ കഴിയൂ.

ശക്തമായ പ്രോംപ്റ്റ് മോഡലിനെ ഒരു കൃത്യമായ നിഗമനത്തിലേക്കല്ല, മറിച്ച് ബദൽ വിശദീകരണങ്ങളുടെയും സ്ഥിരീകരണത്തിൻ്റെയും ഒരു പദ്ധതിയിലേക്കാണ് നയിക്കുന്നത്. 2025-ലെ ചിത്രത്തിൽ 22% മേഘങ്ങൾ അടങ്ങിയിരിക്കുന്നു എന്നത് തകർച്ചയെ തന്നെ സംശയാസ്പദമാക്കുന്നു.

അടിസ്ഥാന സത്യ പരിശോധന

റിമോട്ട് സെൻസിംഗ് വ്യാഖ്യാനത്തിൻ്റെ ഗോൾഡ് സ്റ്റാൻഡേർഡ് ഫീൽഡിൽ നടത്തിയ നിരീക്ഷണങ്ങളും അളവുകളും ഉള്ള സ്ഥിരീകരണ പോയിൻ്റുകളാണ്. നിങ്ങൾ യഥാർത്ഥ ലാൻഡ് കവർ നിരവധി റഫറൻസ് പോയിൻ്റുകളിൽ ജിപിഎസ് ഉപയോഗിച്ച് റെക്കോർഡ് ചെയ്യുകയും ചിത്ര വർഗ്ഗീകരണവുമായി താരതമ്യം ചെയ്യുകയും ചെയ്യുന്നു. AI അല്ലെങ്കിൽ അൽഗോരിതം "വെള്ളം" എന്ന് പറയുന്ന പിക്സലിൽ ഫീൽഡ് "ഡ്രൈ റീഡ്സ്" എന്ന് പറഞ്ഞാൽ, വർഗ്ഗീകരണം വിശ്വസനീയമല്ല.

മിനി കേസ്

ഒരു മൈനിംഗ് സൈറ്റിൻ്റെ പാരിസ്ഥിതിക ആഘാത നിരീക്ഷണത്തിൽ, സാറ്റലൈറ്റ് ഇമേജിൽ നിന്ന് കണക്കാക്കിയ എൻഡിവിഐ റിഡക്ഷൻ അടിസ്ഥാനമാക്കി ടീം "ഖനന പ്രവർത്തനങ്ങൾ കാരണം 15 ഹെക്ടർ വനനഷ്ടം" തയ്യാറാക്കുകയും വ്യാഖ്യാനം ഒരു എൽഎൽഎമ്മിലേക്ക് വിപുലീകരിക്കുകയും ചെയ്തു; മോഡൽ ഒരു ദ്രാവകവും ബോധ്യപ്പെടുത്തുന്നതുമായ വിവരണം സൃഷ്ടിച്ചു. എന്നാൽ, റിപ്പോർട്ട് സംഘം മൈതാനത്ത് പരിശോധിച്ചപ്പോൾ, എൻഡിവിഐ കുറവുള്ള പ്രദേശത്തിൻ്റെ ഒരു ഭാഗം യഥാർത്ഥത്തിൽ വിളവെടുത്ത കാർഷിക പാഴ്സലാണെന്നും അതിൻ്റെ ഒരു ഭാഗം ഇമേജ് ഷൂട്ടിംഗ് ദിവസത്തോട് ചേർന്ന് മേഘ നിഴലാണെന്നും കണ്ടെത്തി. യഥാർത്ഥ വനനഷ്ടം ഏകദേശം 4 ഹെക്ടറാണ്, 15 അല്ല. മെറ്റാഡാറ്റയും (ക്ലൗഡ് മാസ്‌ക്) ഭൂവിനിയോഗ പാളിയും നേരത്തെ പരിശോധിച്ചിരുന്നെങ്കിൽ, പിശക് ആദ്യം തടയാമായിരുന്നു. LLM-ൻ്റെ വൃത്തിയുള്ള വാക്യങ്ങൾ തെറ്റായ ഇൻപുട്ട് ശരിയാക്കുന്നില്ല.

സാധാരണ തെറ്റുകൾ

• വ്യത്യസ്‌ത സീസൺ/സൺ ആംഗിൾ ഇമേജുകൾ താരതമ്യം ചെയ്യുകയും സീസണൽ വ്യത്യാസം "മാറ്റം" എന്ന് തെറ്റിദ്ധരിക്കുകയും ചെയ്യുന്നു.
• ക്ലൗഡും ക്ലൗഡ് ഷാഡോയും യഥാർത്ഥ കവർ നഷ്ടമായി വ്യാഖ്യാനിക്കുന്നു; ബൈപാസ് ചെയ്യുന്ന ക്ലൗഡ് മാസ്ക്.
• സ്പേഷ്യൽ റെസല്യൂഷനിൽ കൂടുതലായ ചെറിയ ഒബ്‌ജക്റ്റുകളെ കുറിച്ച് പിക്സൽ ഡാറ്റയിൽ നിന്ന് കൃത്യമായ വിലയിരുത്തലുകൾ നടത്തുന്നു.
• കോർഡിനേറ്റ് സിസ്റ്റം/പ്രൊജക്ഷൻ പൊരുത്തക്കേട് കാരണം ഏരിയകളും ദൂരങ്ങളും തെറ്റായി കണക്കാക്കുന്നു.
• എൻഡിവിഐ ആരോഗ്യത്തിൻ്റെ കേവല അളവുകോലാണെന്ന് കരുതുകയും വെള്ളവും നിഴൽ പിക്സലുകളും സസ്യങ്ങളെപ്പോലെ പരിഗണിക്കുകയും ചെയ്യുന്നു.
• LLM-ൻ്റെ ഫ്ലൂയിഡ് മാപ്പ് വിവരണം അടിസ്ഥാനപരമായ സത്യമില്ലാതെ അന്തിമ കണ്ടെത്തലായി റിപ്പോർട്ടിൽ ഉൾപ്പെടുത്തുന്നു.
• മെറ്റാഡാറ്റ രേഖപ്പെടുത്താതെ ഫലങ്ങൾ റിപ്പോർട്ടുചെയ്യുന്നു (തീയതി, സെൻസർ, ക്ലൗഡ്%, പ്രോസസ്സിംഗ് നില).

ചുരുക്കത്തിൽ

• GIS വിശകലനങ്ങൾ ഒരു പൊതു കോർഡിനേറ്റ് സിസ്റ്റത്തിൽ വിന്യസിച്ചിരിക്കുന്ന പാളികളിലാണ് നിർമ്മിച്ചിരിക്കുന്നത്; പ്രൊജക്ഷൻ പിശക് ഫലത്തെ വികലമാക്കുന്നു.
• സ്പേഷ്യൽ, സ്പെക്ട്രൽ, ടെമ്പറൽ, റേഡിയോമെട്രിക് റെസലൂഷൻ എന്നിവ ഒരു ചിത്രത്തിന് കാണിക്കാനാകുന്നതിനെ പരിമിതപ്പെടുത്തുന്നു.
• NDVI = (NIR−RED)/(NIR+RED) എന്നത് സസ്യശക്തിയുടെ ഒരു സോപാധിക സൂചകമാണ്, ആരോഗ്യത്തിൻ്റെ കേവല അളവുകോലല്ല.
• മാറ്റ വിശകലനത്തിൽ, വ്യത്യാസം = യഥാർത്ഥ മാറ്റം + ശബ്ദം; മേഘം, നിഴൽ, ഋതു എന്നിവയാണ് ഏറ്റവും വലിയ വഞ്ചകർ.
• LLM സൂചിക വ്യാഖ്യാനവും മാപ്പ് വിവരണ രൂപരേഖയും നിർമ്മിക്കുന്നു, പക്ഷേ ഉപഗ്രഹ ചിത്രം "കാണുന്നില്ല"; നിങ്ങൾ നൽകുന്ന നമ്പർ അനുസരിച്ച് കമൻ്റുകൾ.
• ഗ്രൗണ്ട് സത്യവും മെറ്റാഡാറ്റയും ഉപയോഗിച്ച് പരിശോധിച്ചുറപ്പിക്കാതെ AI വ്യാഖ്യാനവും സ്വയമേവയുള്ള വർഗ്ഗീകരണവും അന്തിമ പരിസ്ഥിതി കണ്ടെത്തലുകളിലേക്ക് വിവർത്തനം ചെയ്യാൻ കഴിയില്ല.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു ഫീൽഡിനായി രണ്ട് തീയതികളുള്ള NDVI സംഗ്രഹങ്ങൾ സൃഷ്‌ടിക്കുക അല്ലെങ്കിൽ അനുമാനിക്കുക (നിങ്ങളുടെ ഇഷ്ടം അല്ലെങ്കിൽ ഒരു മാതൃക); ഓരോ തീയതിക്കുമുള്ള മെറ്റാഡാറ്റ (തീയതി, ക്ലൗഡ് ശതമാനം, സൺ ആംഗിൾ, സെൻസർ) ശ്രദ്ധിക്കുക. ΔNDVI കണക്കാക്കുക. ശക്തമായ ഒരു നിർദ്ദേശം എഴുതുക, കൂടാതെ യഥാർത്ഥ കവർ മാറ്റത്തിന് മാത്രമല്ല, ബദൽ വിശദീകരണങ്ങൾക്കും (മേഘം, നിഴൽ, സീസൺ, ജലനിരപ്പ്, കാലിബ്രേഷൻ) ഓരോന്നിനും ഒരു സ്ഥിരീകരണ ഘട്ടം എന്നിവയ്ക്കായി LLM ആവശ്യപ്പെടുക. തുടർന്ന് ഒരു "ഗ്രൗണ്ട് ട്രൂട്ട് വെരിഫിക്കേഷൻ പ്ലാൻ" തയ്യാറാക്കുക: കുറഞ്ഞത് മൂന്ന് റഫറൻസ് പോയിൻ്റുകൾ, ഫീൽഡിൽ എന്താണ് അളക്കുക, ചിത്ര വ്യാഖ്യാനവുമായി അത് എങ്ങനെ താരതമ്യം ചെയ്യും. അവസാനമായി, LLM തയ്യാറാക്കിയ വിവരണത്തിലെ ഏത് പ്രസ്താവനയാണ് "പരിശോധന കൂടാതെ റിപ്പോർട്ടിൽ ഉൾപ്പെടുത്താൻ കഴിയില്ല" എന്ന് അടയാളപ്പെടുത്തി കാരണം എഴുതുക.