تحليل التغير الحضري باستخدام الصور الفضائية والجوية

المكاسب:

• فهم منطق الكشف المدعوم بالذكاء الاصطناعي عن الزحف العمراني والبناء وتغير الغطاء الأرضي من خلال الاستشعار عن بعد وصور الأقمار الصناعية.
• القدرة على إجراء تقييم نقدي لتصنيف الصور وتغيير مخرجات الكشف بدقة ودقة ومعلومات التاريخ
• القدرة على فهم أن الحدود التي يستخرجها الذكاء الاصطناعي من الصورة يجب تأكيدها من خلال السجلات الميدانية والرسمية ولا يمكن أن تكون دليلاً قانونياً.

من المستحيل الذهاب إلى الميدان واحدًا تلو الآخر لمعرفة أين ومدى وسرعة نمو المدينة في العقد الماضي. وبدلاً من ذلك، يستخدم المخططون الاستشعار عن بعد (تصوير الأرض باستخدام الأقمار الصناعية والطائرات واستخراج البيانات). من خلال مقارنة صور الأقمار الصناعية من تواريخ مختلفة، يمكنك اكتشاف البناء الجديد أو الأراضي الزراعية المفقودة أو التوسع في البناء غير القانوني أو تقلص المساحات الخضراء. يعد الذكاء الاصطناعي بمثابة مُسرِّع قوي في تصنيف هذه الصور (تصنيف كل بكسل على أنه "بنية"، و"نبات"، و"ماء"، وما إلى ذلك) واكتشاف التغييرات بين تاريخين. لكن تحليل الصور مليء بالدقة والتاريخ والظل والسحابة وأخطاء التصنيف. "تغيير" أن أعلام الذكاء الاصطناعي يمكن أن تكون ظلًا أو اختلافًا موسميًا أو خطأ. ولذلك، لا يمكن استخدام أي استنتاج مستخرج من الصورة كأساس لاتخاذ إجراء قانوني دون إثباته بالسجلات الميدانية والرسمية.

المفاهيم الأساسية للاستشعار عن بعد

الدقة: المساحة التي يشغلها البكسل على الأرض. عند دقة 10 أمتار، يمثل البكسل الواحد 10×10 أمتار؛ مبنى خارجي صغير غير مرئي. الدقة العالية (على سبيل المثال 0.3-1 متر) تعني مزيدًا من التفاصيل ولكنها أكثر تكلفة وأقل تكرارًا.

النطاق الطيفي: تسجل الأقمار الصناعية أيضًا الضوء الذي لا تستطيع العين رؤيته (مثل الأشعة تحت الحمراء). تتوهج النباتات بالأشعة تحت الحمراء؛ وهذا يجعل من السهل فصل النبات عن الهيكل. تعد المؤشرات مثل NDVI (آلة حاسبة بسيطة تقيس قوة النبات) شائعة في تتبع الحقول الجديدة.

التاريخ والموسم: إذا كانت الصورتان في موسمين مختلفين، فقد لا يكون انخفاض اللون الأخضر "خسارة" بل قدوم الشتاء. يعد انسجام التاريخ والموسم ضروريًا بالمقارنة.

الدقة: القيمة التي تقيس مدى دقة التصنيف. "الدقة بنسبة 85 بالمائة" تعني أنه قد يتم تسمية بكسل واحد من كل ستة بكسل بشكل خاطئ؛ وهذا هامش كبير من الخطأ في عملية التدقيق.

تنبيه: الهيكل الذي اكتشفه الذكاء الاصطناعي من صورة القمر الصناعي لا يعد في حد ذاته دليلاً على وجود هيكل غير قانوني. ينتج عن الظل والدقة والتاريخ وخطأ التصنيف نتائج إيجابية كاذبة. يتطلب التفتيش والتنفيذ دائمًا مراقبة الموقع وتسجيل سند الملكية/الترخيص والقياس الرسمي.

إن القيمة الأكبر التي تجلبها بيانات الأقمار الصناعية المجانية والمفتوحة (مصادر مثل برنامج Sentinel الأوروبي وبرامج Landsat الأمريكية) للتخطيط هي السلسلة الزمنية التاريخية: حيث يمكنك الوصول إلى العشرات من الصور لنفس المنطقة الممتدة على مدار سنوات. يتيح لك ذلك تجاوز المقارنة الفردية "قبل/بعد" ورؤية معدل الزحف العمراني والتقلبات الموسمية والاتجاه. يعد الذكاء الاصطناعي مفيدًا في تلخيص هذه السلاسل الطويلة وفصل أنماط التغيير ذات المغزى عن الضوضاء. ولكن نفس القاعدة تنطبق في السلاسل الزمنية: بغض النظر عن مدى وضوح الاتجاه، فإن دقة الصور ومعدل السحب والموسمية هي التي تحدد النتيجة؛ لا يمكن اعتبار أي اتجاه موثوقًا به دون الإبلاغ عن هذه العوامل الثلاثة.

منطق اكتشاف التغيير

هناك عدة طرق لمقارنة صورتين مؤرختين: تصنيف كلا التاريخين ومقارنة الفئات، أو الحصول على فرق المؤشر (على سبيل المثال فرق NDVI)، أو إنتاج خريطة "متغيرة/غير متغيرة" مباشرةً باستخدام نموذج الذكاء الاصطناعي. والنتيجة هي خريطة التغيير: أين الهيكل الجديد، أين فقد النبات. هذه الخريطة لا تقدر بثمن كفحص أولي - فهي تطلب من المخطط أن "ينظر هناك". ولكن يتم التحقق من كل علامة على حدة سواء كانت تغييرا حقيقيا أم خطأ.

خطوة بخطوة: تحليل التغيير المدعوم بالذكاء الاصطناعي

1. تحديد السؤال. "أين البناء الجديد في [المنطقة] بين عامي 2018 و2024؟"
2. حدد الصورة. موسم مشابه، دقة مقبولة، سحابة منخفضة.
3. المعالجة المسبقة. قم بإحضاره إلى نفس CRS، وقم بمحاذاة، وتطبيق قناع السحابة/الظل.
4. تصنيف/مقارنة. إنشاء فئة أو تغيير الخريطة باستخدام الذكاء الاصطناعي.
5. تقييم الدقة. قياس الدقة باستخدام نقاط مرجعية معروفة.
6. تأكيد الحقل والتسجيل. تحقق من التغييرات المميزة باستخدام سند الملكية/الترخيص والموقع إذا لزم الأمر.
7. حدود التقرير. اكتب بوضوح التاريخ والحل والدقة وهامش الخطأ.

موجه ضعيف / موجه قوي

المطالبة الضعيفة: "أخبرني ما الذي تغير في هاتين الصورتين."

ينتج الذكاء الاصطناعي قائمة جميلة المظهر ولكن دقيقة بشكل غير مؤكد؛ قد تعتقد أن الاختلاف في الظل والموسم هو تغيير حقيقي.

موجه قوي: "أقوم بمقارنة بيانات الغطاء الأرضي المصنفة من تاريخين (يوليو 2018 / يوليو 2024، نفس الموسم، دقة 10 أمتار). عند الإبلاغ عن تحليل التغيير، اذكر بوضوح: ما هي التغييرات التي قد تكون إيجابية كاذبة بسبب الظل / الموسم / الدقة، وأي التحديدات تتطلب التحقق الميداني، وكيف ينبغي قياس الدقة. لا تكن نهائيًا؛ لاحظ كل نتيجة مع "التأكيد الميداني مطلوب".

الموجه الثاني يجبر الذكاء الاصطناعي على توصيل عدم اليقين ومصادر الخطأ بوضوح.

أربعة قوالب قابلة للنسخ

المهمة: إجراء تقييم نقدي لمخرجات الكشف عن التغيير التالية. قم بإدراج مصادر الأخطاء المحتملة لكل اكتشاف: الظل، السحابة، الموسم، الدقة، خطأ التصنيف. أضف ملاحظة "تأكيد الحقل مطلوب". لا تصدر أحكاما نهائية. النتائج / التاريخ / القرار: [...]

المهمة: اكتب قائمة مرجعية لمعايير اختيار الصور لتحليل التغير الحضري: الموسمية، الدقة، معدل السحب، النطاق الزمني، CRS. قم بإنشاء أسئلة لطرح الأسئلة حول ما إذا كانت الصور التي لدي تستوفي هذه المعايير. معلومات الصورة: [...]

المهمة: صياغة تقرير من نتائج تحليل التغيير التالية. اذكر بوضوح الدقة والتاريخ والدقة وهامش الخطأ في كل نتيجة. تأطير النتائج على أنها "فحص مسبق"؛ التأكيد على أن تأكيد السجل الميداني والرسمي مطلوب للتفتيش/العقوبة. النتائج: [...]

المهمة: اقتراح طريقة بسيطة لتقييم دقة التصنيف: كم عدد النقاط المرجعية، وكيفية الاختيار، وكيفية حساب الدقة (شرح واضح). ما هي عبارة الحقيقة التي ينبغي كتابتها في التقرير، مثال.السياق: [...]

جدول: نوع البيانات واستخدامها

البيانات

القرار

نقطة قوية

الحد

قمر صناعي متوسط الدقة

10-30 م

منطقة مجانية ومتكررة وواسعة

يفتقد بنية صغيرة

قمر صناعي عالي الدقة

0.3-1 م

كشف هيكل مفصل

مخاطر سحابية باهظة الثمن ومتفرقة

صورة جوية / orthophoto

0.1-0.3 م

مفصلة للغاية، رسمية

تردد التحديث منخفض

الطائرات بدون طيار (بدون طيار)

مستوى سم

فورية، مفصلة للغاية

مساحة صغيرة، تصريح/تشريع

ثلاث حالات صغيرة

الحالة 1 - وهم الظل. إحدى البلديات ترى لافتات "البناء الجديد" في أحد الأحياء على خريطة التغيير بالذكاء الاصطناعي. يذهب الفريق الميداني. معظم العلامات عبارة عن ظلال بناء طويلة في صورة فترة ما بعد الظهر. العدد الفعلي للبنيات الجديدة هو نصف العلامات. لقد تم فحص الذكاء الاصطناعي مسبقًا، ولكن إذا تم استخدامه دون تأكيد، فسوف ينتج دقائق كاذبة.

الحالة 2 - الهروب من الهيكل الصغير. يحاول مخطط تتبع مستودعات صغيرة في حقل زراعي بواسطة قمر صناعي مجاني بدقة 10 أمتار. وبما أن مساحة المستودعات هي 6×8 أمتار، فإنها تظل أقل من بكسل واحد وغير مرئية. يتحول المخطط إلى صورة تقويمية عالية الدقة للتتبع الفعلي. القرار يحدد ما يمكن رؤيته.

الحالة 3 - تقرير شفاف. قام أحد الفرق بتحليل انتشار المنطقة على مدار 6 سنوات وكتب بوضوح في التقرير أن "الاكتشافات عبارة عن مسح أولي بدقة 82 بالمائة؛ و47 نقطة تنتظر التأكيد الميداني؛ وتم إرفاق تواريخ الصور ودقتها". ويقيم البرلمان النتيجة بالوزن الصحيح. إن الإبلاغ عن عدم اليقين بدلاً من إخفائه يجعل التحليل موثوقًا.

الأخطاء الشائعة

• خطأ في الكشف كدليل. تم مسح الصورة مسبقًا؛ يتطلب العقوبات والتسجيل الرسمي.
• عدم تطابق الموسم/التاريخ. تنتج الصور الموسمية المختلفة تباينًا خاطئًا.
• تجاهل القرار الهياكل الصغيرة غير مرئية بدقة منخفضة؛ انها ليست "لا شيء".
• عدم دقة التقرير. إخفاء هامش الخطأ يؤدي إلى اتخاذ قرارات خاطئة.
• نسيان الظل والسحاب. المصدران الأكثر شيوعًا للإيجابيات الكاذبة.
• عدم تطابق CRS. تتغير الصور غير المحاذاة في المكان الخطأ.

باختصار

تعد الصور الملتقطة عبر الأقمار الصناعية والصور الجوية من أقوى الطرق لرؤية التغير الحضري على نطاق واسع وسرعة؛ يعمل الذكاء الاصطناعي على تسريع عملية التصنيف واكتشاف التغيير. لكن الدقة تحدد ما يمكن رؤيته، والموسم والتاريخ يحددان ما هو حقيقي، والظل والسحاب يحددان ما هو إيجابي كاذب. يجب دائمًا قياس الدقة والإبلاغ عنها. والأهم من ذلك: أن الكشف من الصورة هو مسح مسبق؛ تعد المراقبة الميدانية وتسجيل سند الملكية/الترخيص والقياس الرسمي أمرًا ضروريًا للتفتيش والعقوبات. يعمل الذكاء الاصطناعي على تسريع الرؤية، وليس اتخاذ القرار.

مهمة التطبيق

فكر في زوج من الصور (أو السيناريوهات) بتاريخين مختلفين. (1) تحقق من معايير اختيار الصورة باستخدام القالب الثاني: الموسم، الدقة، هل السحابة مناسبة؟ (2) افترض قائمة باكتشافات التغيير واستخرج مصادر الخطأ المحتملة لكل اكتشاف باستخدام القالب الأولي. (3) قم بإعداد مسودة تقرير باستخدام القالب الثالث وأضف الدقة وهامش الخطأ. (4) اكتب التحديدات التي ستتطلب تأكيدًا ميدانيًا وكيف ستفعل ذلك.

قائمة مرجعية

• [ ] لقد تحققت من توافق الصور مع الموسم والتاريخ والدقة.
• [ ] قمت بمحاذاة الصور مع نفس CRS؛ لقد أخذت قناع السحابة/الظل بعين الاعتبار.
• [ ] لقد تعاملت مع اكتشافات التغيير كفحص أولي، وليس كدليل.
• [ ] لقد قمت بتقييم دقة التصنيف والإبلاغ عنها.
• لقد قمت بتأكيد التغييرات التي تم وضع علامة [ ] عليها بالسجلات الميدانية والرسمية.
• [ ] لقد لاحظت ما قد يفتقده حد الدقة.
• [ ] لقد كتبت التاريخ والحل وهامش الخطأ بوضوح في التقرير.