የአካባቢ ቁጥጥር፡ የሳተላይት ምስል፣ የርቀት ዳሳሽ እና አይኦቲ ዳሳሾች

ትርፍ፡

• በጥያቄው መሰረት የሳተላይት (ሰፊ ቦታ) እና ዳሳሽ (አካባቢያዊ) መረጃን የመምረጥ እና የደመና ጭንብል በመተግበር እንደ NDVI ያሉ ኢንዴክሶችን የመተንተን ችሎታ
• የ IoT ዳሳሽ መረጃን በማስተካከል እና በጥራት ቁጥጥር በማለፍ ከእውነተኛው ምልክት ተንሸራታች እና ብልሽትን የመለየት ችሎታ።
• የክትትል ግኝትን ከአንድ ቀን ይልቅ አዝማሚያ ላይ የመመስረት እና የማረጋገጫ እቅድን ከመሠረታዊ እውነት ወይም ከገለልተኛ ውሂብ ጋር የማቋቋም ችሎታ

አካባቢን ለማስተዳደር በመጀመሪያ ማየት ያስፈልጋል. ደን ምን ያህል ትንሽ እንደ ሆነ፣ ወንዝ ምን ያህል እንደተበከለ ወይም ምን ያህል ሚቴን እንደሚፈስ ለማወቅ በመረጃ እንጂ በመገመት እንዳልሆነ ማወቅ ያስፈልጋል። የአካባቢ ቁጥጥር የአካባቢን ሁኔታ መደበኛ እና ሊደገም የሚችል መለኪያ ነው. በዚህ ክፍል ውስጥ፣ ስለ ሁለት ትላልቅ የመረጃ ምንጮች - ሳተላይቶች ከጠፈር እና በመስክ ውስጥ ያሉ ዳሳሾች - እና ይህን ትልቅ መረጃ በማስተዋል ረገድ AI ስላለው ሚና ይማራሉ ።

በመጀመሪያ ጽንሰ-ሀሳቦች. የርቀት ዳሳሽ ከርቀት የሚንፀባረቀውን ብርሃን (ከሳተላይት ወይም አውሮፕላን) አንድን ነገር ሳይነካ በመለካት መረጃ መሰብሰብ ነው። IoT ሴንሰር (ኢንተርኔት ኦፍ ነገሮች) በሜዳው ላይ የተቀመጠ ትንሽ መሳሪያ ሲሆን የሚለካውን እሴት (የሙቀት መጠን፣ የአየር ጥራት፣ የውሃ ደረጃ) በራስ ሰር ወደ ኢንተርኔት ይልካል። አንድ ላይ ሆነው ሁለቱንም ሰፊ (ሳተላይት) እና የአካባቢ (ዳሳሽ) የአካባቢን ምስል ይሰጣሉ።

የሳተላይት መረጃን እንዴት ማንበብ ይቻላል?

ሳተላይቶች ፎቶ ብቻ አይነሱም; የተለያዩ የብርሃን ሞገድ ርዝመቶችን ("ባንዶች") ይለካል. የእነዚህ ባንዶች የሂሳብ ጥምረት ለዓይን የማይታየውን ያሳያል. በጣም የታወቀው ምሳሌ NDVI (Normalized Difference Vegetation Index) ነው፡ የዕፅዋትን ጥግግት በ0 እና 1 መካከል ባለው ቁጥር ይለካል፣ ይህም ጤናማ ተክሎች የኢንፍራሬድ ብርሃንን በጣም ያንፀባርቃሉ በሚለው መርህ ነው። የ NDVI መቀነስ ማለት የደን መጨፍጨፍ፣ ድርቅ ወይም ጉዳት ሊሆን ይችላል።

በጣም የተለመዱት ነፃ እና ክፍት የሳተላይት ምንጮች ሴንቲነል (የአውሮፓ ኮፐርኒከስ ፕሮግራም) እና ላንድሳት (አሜሪካ) ሳተላይቶች ናቸው። እነዚህ እንደ ጎግል ኢፈርት ሞተር ወይም በፓይዘን (እንደ ራስቴሪዮ ፣ ሐራይ ያሉ ቤተ-መጻሕፍት ያሉ) መድረኮች ይገኛሉ።

ጠቃሚ ምክር፡ የሳተላይት መረጃ ትልቁ ጠላት ደመና ነው። የ NDVI ጠብታ እውነተኛ የደን መጥፋት ነው ወይስ በዚያ ቀን ደመና ነበር? ሁልጊዜ የደመና ጭንብል ይተግብሩ እና ብዙ ቀኖችን ከመተንተንዎ በፊት ያወዳድሩ።

IoT ዳሳሽ ውሂብ እና ልኬት

ዳሳሾች ርካሽ እና የተለመዱ ናቸው, ግን ፍጹም አይደሉም. አነስተኛ ዋጋ ያለው የአየር ጥራት ዳሳሽ በጊዜ ሂደት ይንሸራተታል፣ በእርጥበት ይጎዳል ወይም አይሳካም። ስለዚህ, በጥሬው ውስጥ ያለው አነፍናፊ መረጃ አስተማማኝ አይደለም; ማስተካከል (ከታወቀ የማጣቀሻ መሳሪያ ጋር በማነፃፀር ማስተካከል) እና የጥራት ቁጥጥር አስፈላጊ ናቸው.

እዚህ AI; ትልቅ የምስል እና የጊዜ ተከታታይ መረጃዎችን ለማስኬድ፣ ያልተለመዱ ነገሮችን ለመቃኘት (ያልተጠበቀ ልዩነት)፣ የምደባ ሞዴልን በማቋቋም እና ግኝቶቹን ለማጠቃለል ኮድ በመፃፍ በጣም ኃይለኛ ነው። ነገር ግን የመለኪያው አካላዊ እውነታ ወደ የካሊብሬሽን ውሳኔ እና ጥያቄው "ይህ ምልክት እውነት ነው ወይንስ ጫጫታ ነው?" ትርጓሜውም የባለሙያው ነው።

ደረጃ በደረጃ፡ የመከታተያ ትንተና

1. ጥያቄውን ይግለጹ. "በዚህ 10,000 ሄክታር ቦታ ላይ እፅዋት በ2020 እና 2024 መካከል እንዴት ተለውጠዋል?" ግልጽ፣ የቦታ እና ጊዜያዊ ጥያቄ እንደ፡-

2. የውሂብ ምንጭን ይምረጡ. ሳተላይት (ሰፊ አካባቢ) ወይስ ዳሳሽ (አካባቢያዊ፣ ቀጣይ)? መፍትሄው እና ድግግሞሽ ለጥያቄው ተስማሚ ናቸው?

3. ቅድመ-ሂደት. የደመና ጭንብል፣ መለካት፣ የሚጎድል ውሂብ። ይህ እርምጃ ከተዘለለ ውጤቱ አሳሳች ነው.

4. ኢንዴክስ/ሜትሪክ አስላ። NDVI፣ የሙቀት አማካኝ፣ የተበከለ ትኩረት።

5. ለውጡን እና ያልተለመዱ ነገሮችን ያግኙ. የአዝማሚያ ትንተና፣ ደፍ መሻገር፣ ድንገተኛ ዝላይ።

6. በመስክ ያረጋግጡ. ከተቻለ በመሠረታዊ እውነት ያረጋግጡ; የመስክ ጉብኝት ወይም ገለልተኛ ውሂብ ያለው የሳተላይት ምልክት ያቅርቡ።

ሶስት ጥቃቅን ጉዳዮች

ጉዳይ 1 - ለደመናው መውደቅ. የአካባቢ ጥበቃ መንግሥታዊ ያልሆነ ድርጅት በአንድ ወር ውስጥ NDVI በ 40% መውረዱን ሲመለከት ስለ "ድንገት የደን ጭፍጨፋ" ማስጠንቀቂያ ሊያሰማ ነበር። ተንታኙ የደመና ጭንብል ሲተገበር እና የአጎራባች ቀኖችን ሲመለከት፣ የዚያን ቀን አብዛኛው ምስል ደመናማ እንደነበር አይቷል፣ እና በሚቀጥለው ደመና አልባ ምስል NDVI ወደ መደበኛው ተመለሰ። የውሸት ማንቂያ ተከልክሏል። የጠፋበት ጊዜ፡ 20 ደቂቃ፡ ዝና አገኘ፡ በዋጋ ሊተመን የማይችል።

ጉዳይ 2 - ያልተስተካከለ ዳሳሽ. አንድ ማዘጋጃ ቤት ዝቅተኛ ዋጋ ካለው PM2.5 (ከ2.5 ማይክሮን ያነሰ ቅንጣት - ጥሩ መተንፈሻ አቧራ) ዳሳሾች ያለው "አየር በጣም የተበከለ" ሪፖርት እያዘጋጀ ነበር። ኤክስፐርቱ ሴንሰሮችን ከማጣቀሻ ጣቢያ ጋር ሲያወዳድሩ በከፍተኛ እርጥበት ውስጥ እስከ ሁለት ጊዜ ዋጋውን እንደገመቱት ተረድቷል. የእርጥበት እርማት (መለኪያ) ሲተገበር እውነተኛ እሴቶቹ ታዩ; ድንጋጤ ተወገደ።

ጉዳይ 3 - ኮድ አውቶማቲክ. አንድ የምርምር ቡድን የNDVI አዝማሚያዎችን ከ200 የሳተላይት ምስሎች ለማውጣት በእጅ በመስራት ሳምንታትን ለማሳለፍ አቅዷል። በGoogle Earth Engine እና Python ኮድ (የደመና ጭንብል + ወርሃዊ NDVI አማካይ + አዝማሚያ ግራፍ) ጋር AI አውቶማቲክ የስራ ፍሰት እንዲጽፍ ያደርጉ ነበር። ትንታኔ ለ 200 ምስሎች ጥቂት ደቂቃዎችን ወስዷል; ቡድኑ ውጤቱን ለመተርጎም ጊዜውን አሳልፏል። ለማንኛውም የኮዱን እያንዳንዱን ደረጃ አረጋግጠዋል።

ደካማ ጥያቄ / ጠንካራ ጥያቄ

ደካማ ጥያቄ፡

የደን ጭፍጨፋን ከሳተላይት መረጃ ያግኙ።

ለምን ደካማ ነው፡ ምንም ጎራ፣ የቀን ክልል፣ የውሂብ ምንጭ፣ ጥራት እና የደመና ሂደት የለም። AI አጠቃላይ ፅሑፍ ያቀርባል እንጂ ሊተገበር የሚችል ትንታኔ አይደለም።

ኃይለኛ ጥያቄ፡-

የእርስዎ ሚና፡ የርቀት ዳሳሽ ተንታኝ የ2020-2024 ወርሃዊ የNDVI አዝማሚያን ለ[AREA ወሰን] በሴንቲነል-2 ውሂብ የሚያሰላ Python (Earth Engine) ኮድ ይፃፉ። ደረጃዎች፡ (1) የደመና ጭንብልን ተግብር፣ (2) አማካኝ ወርሃዊ NDVI፣ (3) የአዝማሚያ ገበታ ይሳሉ፣ (4) ከ20% በላይ የሚቀንስ ወራትን ምልክት ያድርጉ። ኮዱ ተፈፃሚ ይሁን; በእያንዳንዱ ደረጃ አስተያየት ይስጡ. እንዲሁም የውሂብ ገደቦችን (ጥራት, ደመና) ያስተውሉ.

አራት ሊገለበጡ የሚችሉ አብነቶች

1) የሳተላይት መረጃ ጠቋሚ ትንተና (ከኮድ ጋር)

የእርስዎ ሚና፡ የርቀት ዳሳሽ ተንታኝ [NDVI/NDWI/ሌላ ኢንዴክስ] በ[DATE ክልል] ለ[AREA] በ[Sentinel-2/Landsat] መረጃ የሚያሰላ የፓይዘን ኮድ ይፃፉ። የደመና ጭንብል ማከልዎን ያረጋግጡ። አዝማሚያውን እና ያልተለመዱ ነገሮችን ምልክት ያድርጉ. በአስተያየቶቹ ውስጥ የውሂብ ጥራት እና የደመና ገደቦችን ይግለጹ።

2) የዳሳሽ ጊዜ ተከታታይ የጥራት ቁጥጥር;

በሚከተለው የዳሳሽ ጊዜ ተከታታይ የጥራት ጉዳዮችን በ Python ፈልግ፡ የጠፋ ውሂብ፣ የተቀረቀረ እሴት፣ ድንገተኛ ዝላይ፣ ተንሸራታች፣ ጽንፍ። እያንዳንዱን እትም በጊዜ ማህተም ምልክት አድርግበት። ውሂቡን አይቀይሩ ፣ ሪፖርት ያድርጉ። ከተቻለ ቀላል የመለኪያ ጥቆማ ያክሉ። መረጃ፡ [እዚህ]

3) የመሬት እውነት ማረጋገጫ ዘዴ፡-

በመስኩ ላይ የሚከተለውን በሳተላይት ላይ የተመሰረተ ግኝትን (ለምሳሌ NDVI drop) እንዴት ማረጋገጥ እንደምችል እቅድ ጠቁሙ፡ የትኞቹ ነጥቦች፣ የትኛው መለኪያ፣ የትኛው ገለልተኛ የውሂብ ምንጭ። እንዲሁም ግኝቱ ሐሰት ሊሆን የሚችልባቸውን ሁኔታዎች ይቁጠሩ (ደመና, ወቅት, ጥላ). ማግኘት: [እዚህ]

4) ያልተለመደ ማጠቃለያ፡-

ከታች ካለው የክትትል መረጃ የተገኙትን ያልተለመዱ ነገሮችን ለአካባቢ አስተዳዳሪ ግልጽ በሆነ ቋንቋ ያጠቃሉ። ለእያንዳንዱ ያልተለመደ ሁኔታ፡ የት፣ መቼ፣ ምን ያህል ልዩነት፣ ሊሆኑ የሚችሉ ምክንያቶች እና "መረጋገጥ ያለበት" ማስታወሻ። ለምን ተስማሚ እንደሆነ በእርግጠኝነት; በተቻለ መጠን ያቅርቡ. መረጃ፡ [እዚህ]

የተለመዱ ስህተቶች

• የደመና ጭንብል አለመተግበር። ክላውድ በጣም የተለመደው አስመሳይ ምልክት ነው።
• ዳሳሹን ሳያስተካክሉት ማመን። አነስተኛ ዋጋ ያላቸው ዳሳሾች ይንሸራተቱ እና በእርጥበት ይጎዳሉ.
• ታሪክን ብቻ ተመልከት። ለውጥ ለመጠየቅ ብዙ ቀናት እና አዝማሚያዎች ያስፈልጋሉ።
• የመሬት እውነትን ማለፍ። የሳተላይት ምልክቱ ከተቻለ በመስክ ወይም በገለልተኛ መረጃ መረጋገጥ አለበት።
• ለ AI “ትክክለኛ ምክንያት” የይገባኛል ጥያቄ መውደቅ። የመከታተያ ውሂብ ይዛመዳል; ምክንያቱን ማረጋገጥ ሌላ ጉዳይ ነው።

ጥንቃቄ፡ ከፍተኛ ጥራት ያለው የሳተላይት እና የድሮን ምስሎች የግል ንብረት፣ ሰዎች ወይም ሚስጥራዊነት ያላቸው መገልገያዎችን ሊይዙ ይችላሉ። የመከታተያ ውሂብ ሲያጋሩ የግላዊነት እና ህጋዊ ገደቦችን (በተለይ የግል ውሂብ እና ደህንነት) ያክብሩ።

በማጠቃለያው

የአካባቢ ቁጥጥር ሳተላይት (ሰፊ) እና ሴንሰር (አካባቢያዊ) ውሂብ ያጣምራል። AI; ትልቅ ምስል እና የጊዜ ተከታታይ ውሂብን፣ ያልተለመደ ፍተሻን እና ማጠቃለያን የሚያስኬድ ኮድ ለመፃፍ ኃይለኛ አፋጣኝ ነው። ነገር ግን የደመና ጭንብል፣ ሴንሰር መለካት፣ ባለብዙ ቀን ንጽጽር እና የመሬት እውነት ማረጋገጫ የባለሙያው ነው። የጸዳውን እና የተረጋገጠውን ሲግናል እንጂ ጥሬውን ምልክት አትመኑ።

የመተግበሪያ ተግባር

የመስክ እና የቀን ክልል ይምረጡ (እውነተኛ ወይም መላምታዊ)። 1. የNDVI ትንተና የስራ ፍሰት ኮድ ከአብነት ጋር ወደ AI ያትሙ እና የደመና ጭንብል ደረጃ መኖሩን ያረጋግጡ። ከዚያ፣ ያለዎትን የሴንሰር ጊዜ ተከታታይ (ወይም ናሙና) በጥራት ቁጥጥር ከ2ኛ አብነት ጋር ያስተላልፉ። በመጨረሻም፣ አብነት 3፣ በመስክ ላይ ያገኙትን ለውጥ እንዴት እንደሚያረጋግጡ እቅድ አውጡ።

የማረጋገጫ ዝርዝር

• [ ] ትንታኔውን የገለጽኩት ግልጽ በሆነ የቦታ እና ጊዜያዊ ጥያቄ ነው።
• [ ] የሳተላይት መረጃ ላይ የደመና ጭንብል ተጠቀምኩ።
• [] የዳሳሽ ዳታውን በካሊብሬሽን እና በጥራት ቁጥጥር አልፌዋለሁ።
• [ ] የለውጡን ጥያቄ በአንድ ቀን ላይ ሳይሆን በአዝማሚያው ላይ መሰረት አድርጌያለሁ።
• [ ] ግኝቱን ከመሠረታዊ እውነት ወይም ከገለልተኛ መረጃ ጋር ለማረጋገጥ እቅድ አውጥቻለሁ።
• [ ] ሚስጥራዊነትን እና የህግ ገደቦችን ተመልክቻለሁ።