الاستشعار عن بعد وتصنيف الصور الفضائية

المكاسب:

• القدرة على شرح كيفية استخدام بيانات الأقمار الصناعية متعددة الأطياف ومجموعات النطاقات والمؤشرات الطيفية (NDVI وما إلى ذلك) مع الذكاء الاصطناعي
• القدرة على تكوين سير عمل التصنيف الخاضع للإشراف/غير الخاضع للإشراف ورسم خرائط الغطاء الأرضي بدعم من الذكاء الاصطناعي
• القدرة على اختبار مخرجات التصنيف باستخدام معايير الحقيقة ومصفوفة الخطأ/الدقة

الاستشعار عن بعد هو علم قياس سطح الأرض دون اتصال مادي، وذلك باستخدام أجهزة الاستشعار الموجودة على الأقمار الصناعية أو المنصات الجوية. صورة القمر الصناعي ليست في الواقع صورة فوتوغرافية، ولكنها مجموعة من طبقات القياسات المسجلة بأطوال موجية متعددة، ومن خلال الجمع بين هذه الطبقات بذكاء، يمكن رسم خرائط الغطاء الأرضي (الغابات والمياه والزراعة والبناء). في هذه الوحدة، نغطي كيفية تسريع الذكاء الاصطناعي لسير العمل هذا، بدءًا من البيانات متعددة الأطياف وحتى تصنيف الغطاء الأرضي، وحيث لا غنى عن حكم الخبراء. المبدأ: يقوم الذكاء الاصطناعي بإنشاء التصنيف أو ترميزه؛ يتم قياس دقة الخريطة من قبل المهندس بواسطة مصفوفة الحقيقة والخطأ الأرضية المستقلة.

المصطلحات الأساسية. الصورة متعددة الأطياف هي تلك المسجلة في عدة نطاقات من الطول الموجي (الأزرق والأخضر والأحمر والأشعة تحت الحمراء القريبة، وما إلى ذلك)؛ كل فرقة عبارة عن طبقة. يعد Hyperspectral أكثر ثراءً ولكن من الصعب معالجة البيانات، حيث يحتوي على عشرات إلى مئات النطاقات الضيقة. المؤشر الطيفي هو الرقم الذي يسلط الضوء على ظاهرة ما من خلال الجمع الرياضي للنطاقات؛ الأكثر شهرة، NDVI (مؤشر الاختلاف الطبيعي للغطاء النباتي)، يقيس قوة النباتات الخضراء باستخدام الفرق بين الأشعة تحت الحمراء القريبة والنطاق الأحمر. يتضمن التصنيف الخاضع للإشراف تدريب النموذج باستخدام مناطق عينة تم تصنيفها مسبقًا وتصنيف الصورة بأكملها. التصنيف غير الخاضع للرقابة هو تجميع البيانات على أساس التشابه دون تسميات وتفسيرها لاحقًا.

دور الذكاء الاصطناعي في الاستشعار عن بعد

ويساهم الذكاء الاصطناعي في هذا المجال على ثلاثة مستويات:

1. سير العمل واختيار الطريقة. "ما هي النطاقات، أي فهرس، أي مصنف مناسب لهذا السؤال؟" يرشدك في قرارك؛ ينتج الهيكل العظمي للكود.
2. التصنيف نفسه. تقوم نماذج التعلم العميق الحديثة بفرز ملايين البكسلات إلى فئات الغطاء الأرضي؛ هذه هي منطقة المساهمة المتوسطة إلى العالية حيث يقوم الذكاء الاصطناعي بالعمل الحقيقي.
3. تفسير النتائج وإعداد التقارير. يقوم بنسخ إحصائيات الفصل وتحليل التغيير وتقرير الدقة إلى نص قابل للقراءة.

النقطة العمياء: يعتمد النموذج على البيانات التي تم تدريبه عليها والأمثلة التي تقدمها. يختلط الظل السحابي والماء والتربة العارية وحقول ما بعد الحصاد والمياه الضحلة والأرض الرطبة بسهولة. لذا فإن خريطة التصنيف ليست صحيحة لمجرد أنها تبدو جميلة؛ يجب قياس الدقة.

نصيحة: وضح سؤالك قبل البدء في التصنيف. "تصنيف الغطاء الأرضي" غامض. "خريطة فقدان الأراضي الزراعية لصالح البناء بين 2020-2025" تحدد كلا من الفئة ومعيار التحقق.

خطوة بخطوة: تصنيف الغطاء الأرضي

1. إعداد البيانات والأشرطة. تأكد من الغلاف السحابي للصورة وتاريخ التصوير والدقة (حجم البكسل) وترتيب النطاق. تاريخ/موسم مختلف يغير الفصول الدراسية.
2. تحديد مجموعة الصف. كم عدد الطبقات، أي منها (المياه، الغابات، الزراعة، البناء، الأرض الجرداء)؟ تعتبر الفئات الأقل والأكثر تميزًا أكثر موثوقية.
3. حساب المؤشرات. مؤشرات مثل NDVI (النبات)، NDWI (المياه) تميز الفئات؛ يصبح مدخلا إلى المصنف.
4. جمع عينات التدريب (للإشراف). عينة من المضلعات التي تم تأكيدها عن طريق التحقق من التضاريس لكل فئة. جودة العينة تحدد الدقة.
5. التصنيف والتحقق. قم بتدريب النموذج، ثم قم ببناء مصفوفة خطأ باستخدام عينات مستقلة (غير مدربة) واحسب الدقة الإجمالية وKappa.

مصفوفة الحقيقة والخطأ الأرضية

لا يتم قياس دقة التصنيف بحكم العين. الحقيقة الأرضية هي عينات مستقلة من الفئة الحقيقية المعروفة في المجال أو في مصدر موثوق عالي الدقة. باستخدام هذه الأمثلة، يتم إنشاء مصفوفة ارتباك: يتم حساب عدد المرات التي يكون فيها كل فئة صحيحًا وعدد مرات الخلط بينه وبين أي فئة. ومن هنا، يتم حساب الدقة الإجمالية (النسبة المصنفة بشكل صحيح) وكابا (مقياس الاتفاق الذي يصحح تأثير الصدفة). بالإضافة إلى ذلك، يتم الإبلاغ عن دقة المنتج (كم تم اكتشافه في تلك الفئة) ودقة المستخدم (مدى موثوقية تلك الفئة) على أساس الفئة.

تحذير: لا تقيس الدقة بالأمثلة التي تستخدمها للتدريب. إذا تم تدريب واختبار نفس الأمثلة، تصبح الدقة عالية بشكل مصطنع؛ هذا وهم. يجب أن تكون عينات التحقق مستقلة.

ثلاث حالات صغيرة: بالأرقام

الحالة 1 - ظل السحابة مخطئًا في أنه ماء. في أحد التصنيفات، عندما وصف النموذج ظلال السحاب بأنها "ماء"، نمت منطقة البحيرة حيث لم تكن موجودة بالفعل؛ انخفضت دقة المستخدم في فئة المياه إلى 70٪. عند إضافة مؤشر NDWI وقناع السحاب، انخفض تداخل الظل/الماء وزادت دقة المياه إلى أكثر من 90%.

الحالة 2 - تم استرداد التقرير من خلال الحقيقة الأرضية. أفادت دراسة المخزون الزراعي عن دقة إجمالية قدرها 82% للتصنيف الأولي، ولكن تم قياس ذلك باستخدام عينات التدريب. وعند إعادة القياس باستخدام 120 نقطة حقيقة أرضية مستقلة، كانت الدقة الإجمالية الفعلية 71%؛ وكانت الزراعة والأرض الجرداء تتدخل بشكل خطير. مع أمثلة التدريب الإضافية، تم تحسين التصنيف وزيادة الدقة إلى 84٪. الدرس المستفاد: يتم قياس الدقة بالعينة المستقلة.

الحالة 3 - المصيدة الموسمية. عندما تم مزج الصور الملتقطة في تاريخين مختلفين (الربيع وأواخر الصيف) معًا، تحولت الحقول المحصودة إلى فئة "الأرض الجرداء" وبدا أن المساحة الزراعية مفقودة بنسبة 15٪. تحسنت النتائج عندما تم اختيار الصور من نفس الموسم وتم تحقيق الاتساق الفينولوجي.

موجه ضعيف / موجه قوي

حث ضعيف:

تصنيف هذه الصورة الفضائية.

مطالبة قوية:

المهمة: إنشاء سير عمل لتصنيف الغطاء الأرضي (بما في ذلك Python/rasterio + هيكل كود scikit-Learn). السياق: - المستشعر: 4 نطاقات (أزرق، أخضر، أحمر، NIR)، دقة 10 أمتار - الفئات: المياه، الغابات، الزراعة، البناء، الأرض العارية - الغرض: خريطة الغطاء الأرضي الحالية + تقرير الدقةالطلبات: 1) ما هي المؤشرات الطيفية (NDVI، NDWI) التي يجب إضافتها وسبب الكتابة.2) قم بإدراج خطوات التصنيف الخاضعة للإشراف؛ أكد على أن عينات التدريب والتحقق يجب أن تكون منفصلة. 3) ضع مصفوفة الأخطاء + الدقة الإجمالية + حساب Kappa في الهيكل العظمي للكود. 4) لاحظ مخاطر السحابة/الظل والارتباك الموسمي.

تحدد المطالبة القوية مجموعة الفئات والدقة والأساس المنطقي للفهرس وتمييز التحقق من الصحة؛ يصبح الناتج قابلاً للقياس.

أربعة قوالب قابلة للنسخ

1) اختيار الطريقة/الفهرس:

ما هو الفهرس الطيفي وطريقة التصنيف التي توصي بها للهدف [الهدف] والمستشعر [النطاقات/الدقة]؟ لكل خيار، اكتب الأساس المنطقي والمخاطر المحتملة للارتباك (ما هي الفئات المتشابهة مع بعضها البعض).

2) الهيكل العظمي لرمز التصنيف:

اكتب إطار تصنيف خاضع للإشراف باستخدام Rasterio + scikit-Learn: قراءة الشريط، وحساب الفهرس، وفصل عينات التدريب/التحقق من الصحة، والتصنيف، ومصفوفة الأخطاء، ومخرجات الدقة. الحفاظ على CRS؛ يشرح.

3) إعداد تقييم الدقة:

اكتب خطة لتقييم دقة التصنيف: تصميم عينة مستقلة عن الحقيقة الأساسية، مصفوفة الأخطاء، الدقة الإجمالية، كابا، دقة المنتج/المستخدم حسب الفئة. اشرح ما يقوله كل مقياس.

4) تشخيص التداخل:

قم بتفسير مصفوفة الأخطاء أدناه: ما هي الفئات التي تتداخل مع بعضها البعض، ما هو السبب الطيفي/الموسمي المحتمل، ما هي البيانات الإضافية (الفهرس، القناع، التاريخ) التي من شأنها تقليل الارتباك؟ المصفوفة: [مصفوفة الخطأ]

مقارنة مفاهيم التصنيف

مفهوم

معنى

متى

تحت الإشراف

التدريب مع المثال المسمى

يتم تحديد الطبقات مسبقا

غير خاضعة للرقابة

مجموعات خالية من الملصقات

الاكتشاف، لا توجد أمثلة

NDVI

مؤشر حيوية النبات

فصل النبات / العارية / الماء

NDWI

مؤشر المياه

فصل الجسم المائي

مصفوفة الخطأ

عدد صحيح/خطأ

قياس الدقة

كابا

تناسب مصحح بالصدفة

تقرير الدقة القياسية

الأخطاء الشائعة

• قياس الدقة مع أمثلة التدريب. يعطي الاختبار غير المستقل دقة عالية بشكل مصطنع.
• تسليم الخريطة دون قياس الدقة على الإطلاق. "تبدو جميلة" ليست دليلاً على الدقة.
• تخطي قناع السحابة/الظل. يمتزج الظل بالماء، وتختلط السحابة بالثلج/الهيكل.
• خلط صور الموسم/التاريخ المختلفة. الاختلافات الفينولوجية تحول الطبقات.
• تحديد عدد كبير جدًا من الفئات المشابهة. الطبقات التي لا يمكن تمييزها تقلل من الدقة.
• تجاهل القرار لا يمكن تصنيف الكائنات الصغيرة إذا كانت أصغر من بكسل واحد.

في ملخص

في الاستشعار عن بعد، يعمل الذكاء الاصطناعي على تسريع سير العمل من البيانات متعددة الأطياف إلى رسم خرائط الغطاء الأرضي ويمكن أن يتولى الكثير من التصنيف. لكن خريطة التصنيف تكون مفيدة فقط إذا تم قياس دقتها: فمن المعتاد إنشاء مصفوفة خطأ باستخدام عينات الحقيقة الأرضية المستقلة وحساب الدقة الإجمالية وكابا. تعتبر السحابة/الظل، والتغير الموسمي، والفئات المماثلة مصادر نموذجية للتداخل؛ قم بإدارتها باستخدام الفهرس والقناع واتساق التاريخ. لا تخلط أبدًا بين عينات التدريب والتحقق من الصحة.

مهمة التطبيق

حدد سؤالاً يتعلق بالغطاء الأرضي (على سبيل المثال، "خريطة المساحة الخضراء الحضرية"). قم بتدوين مجموعة الفئات والنطاقات والمؤشرات التي ستستخدمها (على الأقل NDVI). اطلب من الذكاء الاصطناعي إنتاج سير عمل تصنيف خاضع للإشراف؛ تأكد من أن عينات التدريب والتحقق منفصلة وأن مصفوفة الأخطاء + حساب Kappa مدرجة في الإخراج. ثم قم بإعداد قائمة "خطر الارتباك": أي الفئتين متشابهتان وكيف يمكنك التمييز بينهما.

قائمة مرجعية

• [ ] أبقيت مجموعة الفصل صغيرة ومميزة.
• [ ] أضفت مؤشرات طيفية (NDVI/NDWI) مناسبة لهذا الغرض.
• [ ] قمت بفصل أمثلة التدريب والتحقق من الصحة.
• [ ] لقد قمت بفحص قناع السحابة/الظل واتساق الموسم.
• [ ] لقد قمت بقياس الدقة بالحقيقة الأرضية المستقلة.
• [ ] لقد أبلغت عن مصفوفة الأخطاء والدقة الشاملة وكابا.
• [ ] لقد قمت بتشخيص حالات الاختلاط في الفصل ومعالجتها.
• [ ] لقد أخضعتها لموافقة المهندس بأن الخريطة دقيقة للاستخدام المقصود منها.