سنجش از دور و طبقه بندی تصاویر ماهواره ای

سود:

• توانایی توضیح نحوه استفاده از داده های ماهواره ای چندطیفی، ترکیب باندها و شاخص های طیفی (NDVI و غیره) با هوش مصنوعی
• امکان پیکربندی طبقه بندی نظارت شده/بدون نظارت و گردش کار نقشه برداری پوشش زمین با پشتیبانی هوش مصنوعی
• امکان تست خروجی طبقه بندی با معیارهای صحت و ماتریس خطا/دقت زمین

سنجش از دور علم اندازه گیری سطح زمین بدون تماس فیزیکی، با حسگرهای روی ماهواره ها یا سکوهای هوایی است. یک تصویر ماهواره ای در واقع یک عکس نیست، بلکه مجموعه ای از لایه های اندازه گیری است که در طول موج های متعدد ثبت شده است و با ترکیب هوشمندانه این لایه ها، می توان پوشش زمین (جنگل، آب، کشاورزی، ساخت و ساز) را ترسیم کرد. در این بخش، چگونگی تسریع هوش مصنوعی این گردش کار، از داده‌های چند طیفی گرفته تا طبقه‌بندی پوشش زمین و جایی که قضاوت متخصص ضروری است را پوشش می‌دهیم. اصل: هوش مصنوعی طبقه بندی را تولید یا کدگذاری می کند. دقت نقشه در مهندس با استفاده از حقیقت زمینی مستقل و ماتریس خطا اندازه گیری می شود.

اصطلاحات اساسی یک تصویر چند طیفی تصویری است که در چندین باند طول موج (آبی، سبز، قرمز، نزدیک به فروسرخ و غیره) ثبت شده است. هر باند یک لایه است. فراطیفی بسیار غنی تر است، اما پردازش داده ها دشوار است و شامل ده ها تا صدها باند باریک است. شاخص طیفی عددی است که یک پدیده را از طریق ترکیب ریاضی باندها برجسته می کند. شناخته شده ترین، NDVI (شاخص تفاوت عادی شده گیاهی)، قدرت پوشش گیاهی سبز را با استفاده از تفاوت بین نوار مادون قرمز نزدیک و قرمز اندازه گیری می کند. طبقه بندی نظارت شده شامل آموزش مدل با مناطق نمونه از پیش برچسب گذاری شده و طبقه بندی کل تصویر است. طبقه‌بندی بدون نظارت، خوشه‌بندی داده‌ها بر اساس شباهت بدون برچسب و تفسیر آن در آینده است.

نقش هوش مصنوعی در سنجش از دور

هوش مصنوعی در این زمینه در سه سطح مشارکت دارد:

1. گردش کار و انتخاب روش "کدام باند، کدام شاخص، کدام طبقه بندی کننده برای این سوال مناسب است؟" شما را در تصمیم گیری راهنمایی می کند؛ اسکلت کد را تولید می کند.
2. خود طبقه بندی. مدل‌های یادگیری عمیق مدرن میلیون‌ها پیکسل را در کلاس‌های پوشش زمین مرتب می‌کنند. این حوزه سهم متوسط ​​و زیاد است که هوش مصنوعی کار واقعی را انجام می دهد.
3. تفسیر و گزارش نتایج این آمار کلاس، تجزیه و تحلیل تغییرات و گزارش دقت را به متن قابل خواندن رونویسی می کند.

نقطه کور: مدل به داده هایی که روی آن آموزش داده شده و نمونه هایی که ارائه می کنید بستگی دارد. سایه ابر و آب، خاک برهنه و مزرعه پس از برداشت، آب کم عمق و زمین مرطوب به راحتی مخلوط می شوند. بنابراین یک نقشه طبقه بندی درست نیست، فقط به این دلیل که زیبا به نظر می رسد. دقت باید اندازه گیری شود

نکته: قبل از شروع طبقه بندی سوال خود را روشن کنید. "طبقه بندی پوشش زمین" مبهم است. "نقشه از دست دادن زمین کشاورزی به نفع ساخت و ساز بین 2020-2025" هم مجموعه کلاس و هم معیار تأیید را تعیین می کند.

گام به گام: طبقه بندی پوشش زمین

1. داده ها و نوارها را آماده کنید. پوشش ابری تصویر، تاریخ عکسبرداری، وضوح (اندازه پیکسل) و ترتیب باند را تأیید کنید. کلاس های تغییر تاریخ/فصل مختلف.
2. مجموعه کلاس را تعریف کنید. چند کلاس، کدام یک (آب، جنگل، کشاورزی، ساختمان، زمین برهنه)؟ کلاس های کمتر و قابل تشخیص بیشتر قابل اعتمادتر هستند.
3. شاخص ها را محاسبه کنید. شاخص هایی مانند NDVI (گیاه)، NDWI (آب) طبقات را متمایز می کند. ورودی طبقه بندی کننده می شود.
4. جمع آوری نمونه های آموزشی (برای نظارت). چند ضلعی های نمونه با تأیید زمین برای هر کلاس تأیید شده است. کیفیت نمونه دقت را تعیین می کند.
5. طبقه بندی و تأیید کنید. مدل را آموزش دهید، سپس یک ماتریس خطا با نمونه های مستقل (آموزش نگرفته) بسازید و دقت کلی و کاپا را محاسبه کنید.

ماتریس حقیقت و خطا

دقت یک طبقه بندی با قضاوت چشم اندازه گیری نمی شود. حقیقت زمینی نمونه های مستقلی از کلاس واقعی شناخته شده در میدان یا در یک منبع قابل اعتماد با وضوح بالا است. با این مثال ها، یک ماتریس سردرگمی ایجاد می شود: شمارش می شود که هر کلاس چند بار درست است و چند بار با کدام کلاس اشتباه گرفته می شود. از این رو، دقت کلی (نسبت طبقه بندی شده به درستی) و کاپا (معیار توافقی که اثر شانس را تصحیح می کند) محاسبه می شود. علاوه بر این، دقت تولیدکننده (چه مقدار در آن کلاس کشف شد) و دقت کاربر (آن کلاس چقدر قابل اعتماد است) بر اساس کلاس گزارش می شود.

احتیاط: دقت را با مثال هایی که برای آموزش استفاده می کنید اندازه گیری نکنید. اگر همین نمونه ها آموزش ببینند و آزمایش کنند، دقت به طور مصنوعی بالا می رود. این یک توهم است. نمونه های اعتبار سنجی باید مستقل باشند.

سه مورد کوچک: با اعداد

مورد 1 - سایه ابر با آب اشتباه گرفته شد. در یک طبقه‌بندی، وقتی مدل سایه‌های ابر را «آب» نامید، ناحیه دریاچه در جایی رشد کرد که در واقع نبود. دقت کاربر کلاس آب به 70 درصد کاهش یافت. وقتی شاخص NDWI و ماسک ابر اضافه شد، تداخل سایه/آب کاهش یافت و دقت آب به بیش از 90 درصد افزایش یافت.

مورد 2 - گزارش بازیابی شده توسط حقیقت پایه. یک مطالعه موجودی کشاورزی 82 درصد دقت کلی طبقه‌بندی اولیه را گزارش کرد، اما این با نمونه‌های آموزشی اندازه‌گیری شد. هنگامی که با 120 نقطه حقیقت زمین مستقل دوباره اندازه گیری شد، دقت کلی واقعی 71٪ بود. کشاورزی و زمین برهنه به طور جدی تداخل داشتند. با مثال های آموزشی اضافی، طبقه بندی بهبود یافت و دقت به 84 درصد افزایش یافت. درس: دقت با نمونه مستقل اندازه گیری می شود.

مورد 3 - تله فصلی. هنگامی که تصاویر گرفته شده در دو تاریخ مختلف (بهار و اواخر تابستان) با هم مخلوط شدند، مزارع برداشت شده به طبقه "زمین برهنه" منتقل شدند و به نظر می رسید که منطقه کشاورزی 15٪ از بین رفته است. نتایج زمانی بهبود یافت که تصاویر از همان فصل انتخاب شدند و سازگاری فنولوژیکی به دست آمد.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

این تصویر ماهواره ای را طبقه بندی کنید.

اعلان قدرتمند:

وظیفه: ایجاد یک گردش کار طبقه‌بندی پوشش زمین (شامل Python/rasterio + اسکلت کد یادگیری scikit). زمینه: - حسگر: 4 باند (آبی، سبز، قرمز، NIR)، وضوح 10 متر - کلاس‌ها: آب، جنگل، کشاورزی، ساخت‌وساز، برهنه-زمین برهنه - هدف پوشش: گزارش دقیق زمین شاخص‌ها (NDVI، NDWI) برای اضافه کردن و چرا نوشتن. 2) مراحل طبقه‌بندی تحت نظارت را فهرست کنید. تاکید کنید که نمونه های آموزشی و اعتبارسنجی باید SEPARATE باشند. 3) ماتریس خطا + دقت کلی + محاسبه کاپا را در اسکلت کد قرار دهید. 4) به خطرات سردرگمی ابر/سایه و فصل توجه کنید.

اعلان قوی مجموعه کلاس، وضوح، منطق شاخص و تمایز اعتبار را مشخص می کند. خروجی قابل اندازه گیری می شود.

چهار قالب قابل کپی

1) انتخاب روش/شاخص:

چه روش شاخص طیفی و طبقه بندی را برای هدف [هدف] و حسگر [باند/رزولیشن] توصیه می کنید؟ برای هر انتخاب، منطق و خطر احتمالی سردرگمی را بنویسید (که کلاس‌ها شبیه یکدیگر هستند).

2) اسکلت کد طبقه بندی:

یک چارچوب طبقه‌بندی نظارت شده با Rasterio + scikit-learn بنویسید: خواندن نوار، محاسبه شاخص، جداسازی نمونه‌های آموزشی/ اعتبارسنجی، طبقه‌بندی، ماتریس خطا و خروجی دقت. حفظ CRS؛ توضیح دهید

3) تنظیم ارزیابی دقت:

طرحی برای ارزیابی دقت طبقه‌بندی بنویسید: طراحی نمونه حقیقت پایه مستقل، ماتریس خطا، دقت کلی، کاپا، دقت تولیدکننده/کاربر بر اساس کلاس. توضیح دهید که هر متریک چه می گوید.

4) تشخیص تداخل:

ماتریس خطای زیر را تفسیر کنید: کدام کلاس ها با یکدیگر تداخل دارند، دلیل طیفی/فصلی احتمالی چیست، چه داده های اضافی (شاخص، ماسک، تاریخ) سردرگمی را کاهش می دهد؟ ماتریس: [ماتریس خطا]

مقایسه مفاهیم طبقه بندی

مفهوم

معنی

چه زمانی

تحت نظارت

آموزش با مثال برچسب زده شده

کلاس ها از قبل تعیین شده است

بدون نظارت

خوشه بندی بدون برچسب

کشف، بدون مثال

NDVI

شاخص سرزندگی گیاه

جداسازی گیاه/لخت/آب

NDWI

شاخص آب

جداسازی بدن آب

ماتریس خطا

شمارش درست/نادرست

اندازه گیری دقت

کاپا

تناسب تصحیح شده با شانس

گزارش دقت استاندارد

اشتباهات رایج

• اندازه گیری دقت با مثال های آموزشی تست غیر مستقل به طور مصنوعی دقت بالایی می دهد.
• تحویل نقشه بدون اندازه گیری دقت. "به نظر خوب است" دلیلی برای صحت نیست.
• رد شدن از ماسک ابر/سایه. سایه با آب مخلوط می شود، ابر با برف/ساختار مخلوط می شود.
• ترکیب تصاویر فصل/تاریخ مختلف. تفاوت های فنولوژیکی کلاس ها را تغییر می دهد.
• تعریف کلاس های بسیار زیاد و مشابه. کلاس های غیر قابل تشخیص دقت را کاهش می دهد.
• نادیده گرفتن وضوح اجسام کوچک اگر کوچکتر از یک پیکسل باشند نمی توانند طبقه بندی شوند.

به طور خلاصه

در سنجش از دور، هوش مصنوعی جریان کار از داده‌های چندطیفی تا نقشه‌برداری پوشش زمین را سرعت می‌بخشد و می‌تواند بخش زیادی از طبقه‌بندی را در اختیار بگیرد. اما نقشه طبقه‌بندی تنها زمانی مفید است که دقت آن اندازه‌گیری شود: ساخت ماتریس خطا با نمونه‌های مستقل از حقیقت زمین و محاسبه دقت کلی و کاپا استاندارد است. ابر/سایه، تغییرات فصلی، و کلاس های مشابه منابع معمولی تداخل هستند. آنها را با هماهنگی فهرست، ماسک و تاریخ مدیریت کنید. هرگز نمونه های آموزشی و اعتبار سنجی را با هم ترکیب نکنید.

وظیفه کاربردی

یک سوال پوشش زمین (به عنوان مثال "نقشه فضای سبز شهری") را انتخاب کنید. مجموعه کلاس ها، باندها و شاخص هایی که استفاده می کنید (حداقل NDVI) را یادداشت کنید. آیا هوش مصنوعی یک گردش کار طبقه بندی نظارت شده ایجاد کند. اطمینان حاصل کنید که نمونه های آموزشی و اعتبار سنجی جدا هستند و ماتریس خطا + محاسبه کاپا در خروجی گنجانده شده است. سپس یک لیست "خطر سردرگمی" تهیه کنید: کدام دو کلاس شبیه هم هستند و چگونه آنها را از هم جدا می کنید.

چک لیست

• [ ] من مجموعه کلاس را کوچک و قابل تشخیص نگه داشتم.
• [ ] من شاخص های طیفی (NDVI/NDWI) را برای این هدف مناسب اضافه کردم.
• [ ] من نمونه های آموزشی و اعتبار سنجی را جدا کردم.
• [ ] ماسک ابر/سایه و ثبات فصل را بررسی کردم.
• [ ] من دقت را با حقیقت زمینی مستقل اندازه گرفتم.
• [ ] من ماتریس خطا، دقت کلی و کاپا را گزارش کردم.
• [ ] من اختلالات کلاس را تشخیص دادم و درمان کردم.
• [ ] من آن را در معرض تایید مهندس قرار داده ام که نقشه برای استفاده مورد نظر دقیق است.