Qazanclar:
- Multispektral peyk məlumatlarının, zolaq birləşmələrinin və spektral indekslərin (NDVI və s.) AI ilə necə istifadə edildiyini izah etmək bacarığı
- Süni intellekt dəstəyi ilə nəzarət edilən/nəzarətsiz təsnifat və torpaq örtüyünün xəritələşdirilməsi iş prosesini konfiqurasiya etmək bacarığı
- Təsnifat çıxışını əsas həqiqət və səhv matrisi/dəqiqlik meyarları ilə yoxlamaq bacarığı
Uzaqdan zondlama peyklərdə və ya hava platformalarında olan sensorlarla fiziki təmas olmadan yer səthinin ölçülməsi elmidir. Peyk şəkli əslində fotoşəkil deyil, çoxlu dalğa uzunluqlarında qeydə alınan ölçmə qatlarının toplusudur və bu təbəqələri ağıllı şəkildə birləşdirərək torpaq örtüyünün (meşə, su, kənd təsərrüfatı, tikinti) xəritəsini çəkmək olar. Bu bölmədə biz süni intellektin multispektral məlumatlardan tutmuş torpaq örtüyünün təsnifatına qədər bu iş axınını necə sürətləndirdiyini və ekspert rəyinin zəruri olduğu yerləri əhatə edirik. Prinsip: AI təsnifatı yaradır və ya kodlaşdırır; Xəritənin dəqiqliyi mühəndisdə müstəqil yer həqiqəti və səhv matrisi ilə ölçülür.
Əsas şərtlər. Multispektral təsvir bir neçə dalğa uzunluğunda (mavi, yaşıl, qırmızı, infraqırmızıya yaxın və s.) qeydə alınmış təsvirdir; hər bant bir təbəqədir. Hiperspektral daha zəngindir, lakin onlarla və yüzlərlə dar zolaqdan ibarət məlumatları emal etmək çətindir. Spektral indeks zolaqların riyazi birləşməsi vasitəsilə fenomeni vurğulayan rəqəmdir; ən məşhur NDVI (Normallaşdırılmış Fərq Bitki örtüyü İndeksi), yaxın infraqırmızı və qırmızı zolaq arasındakı fərqdən istifadə edərək yaşıl bitkilərin canlılığını ölçür. Nəzarət olunan təsnifat əvvəlcədən etiketlənmiş nümunə sahələri ilə modeli öyrətməyi və bütün təsviri təsnif etməyi əhatə edir. Nəzarətsiz təsnifat, etiketsiz oxşarlığa əsaslanan məlumatların qruplaşdırılması və sonradan şərh edilməsidir.
Uzaqdan Zondlamada AI-nin Rolu
Süni intellekt bu sahədə üç səviyyədə öz töhfəsini verir:
- İş axını və metod seçimi. "Hansı lentlər, hansı indeks, hansı təsnifat bu suala uyğundur?" qərar verərkən sizə rəhbərlik edir; kod skeletini yaradır.
- Təsnifatın özü. Müasir dərin öyrənmə modelləri milyonlarla pikseli torpaq örtüyü siniflərinə ayırır; Bu, AI-nin real işi gördüyü orta-yüksək töhfə sahəsidir.
- Nəticələrin təfsiri və hesabatı. O, sinif statistikasını, dəyişiklik təhlilini və dəqiqlik hesabatını oxunaqlı mətnə köçürür.
Kor nöqtə: model onun öyrədildiyi məlumatdan və təqdim etdiyiniz nümunələrdən asılıdır. Bulud kölgəsi və su, çılpaq torpaq və məhsuldan sonrakı sahə, dayaz su və yaş torpaq asanlıqla qarışır. Beləliklə, təsnifat xəritəsi yalnız gözəl göründüyü üçün doğru deyil; dəqiqliyi ölçülməlidir.
İpucu: təsnifləşdirməyə başlamazdan əvvəl sualınızı aydınlaşdırın. “Torpaq örtüyünün təsnifatı” qeyri-müəyyəndir; “2020-2025-ci illər arasında kənd təsərrüfatı torpaqlarının tikinti xeyrinə itkisini xəritələşdirin” həm sinif toplusunu, həm də yoxlama meyarını müəyyən edir.
Addım-addım: Torpaq örtüyünün təsnifatı
- Məlumat və lentlər hazırlayın. Şəklin bulud örtüyünü, çəkiliş tarixini, həllini (piksel ölçüsü) və bant sırasını təsdiq edin. Fərqli tarix/mövsüm sinifləri dəyişir.
- Sinif dəstini müəyyənləşdirin. Neçə sinif, hansılar (su, meşə, əkinçilik, tikinti, boş torpaq)? Daha az və daha çox fərqlənən siniflər daha etibarlıdır.
- İndeksləri hesablayın. NDVI (bitki), NDWI (su) kimi indekslər sinifləri fərqləndirir; klassifikatorun girişinə çevrilir.
- Təlim nümunələrini toplayın (nəzarət üçün). Hər bir sinif üçün ərazinin yoxlanılması ilə təsdiqlənmiş nümunə çoxbucaqlıları. Nümunə keyfiyyəti dəqiqliyi müəyyən edir.
- Təsnifat edin və yoxlayın. Modeli öyrədin, sonra müstəqil (təlim olunmamış) nümunələrlə səhv matrisi qurun və ümumi dəqiqliyi və Kappa hesablayın.
Əsas həqiqət və səhv matrisi
Təsnifatın dəqiqliyi göz mühakiməsi ilə ölçülmür. Əsas həqiqət, sahədə və ya etibarlı yüksək ayırdetməli mənbədə məlum olan həqiqi sinifin müstəqil nümunələridir. Bu nümunələrlə bir qarışıqlıq matrisi qurulur: hər bir sinifin neçə dəfə düzgün olduğu və neçə dəfə hansı siniflə qarışdırıldığı hesablanır. Buradan ümumi dəqiqlik (düzgün təsnif edilən nisbət) və Kappa (təsadüfün təsirini düzəldən razılaşma ölçüsü) hesablanır. Bundan əlavə, istehsalçı dəqiqliyi (həmin sinifdə nə qədər tutuldu) və istifadəçi dəqiqliyi (bu sinifin nə qədər etibarlı olduğu) sinif əsasında bildirilir.
Diqqət: Təlim üçün istifadə etdiyiniz nümunələrlə dəqiqliyi ölçməyin. Eyni nümunələr məşq edir və sınaqdan keçirirsə, dəqiqlik süni şəkildə yüksək olur; Bu illüziyadır. Doğrulama nümunələri müstəqil olmalıdır.
Üç Mini Case: Rəqəmlərə görə
1-ci hal - Bulud kölgəsi su ilə səhv salındı. Bir təsnifatda, model bulud kölgələrini "su" kimi etiketlədikdə, göl sahəsi əslində olmadığı yerdə böyüdü; su sinifinin istifadəçi dəqiqliyi 70%-ə düşüb. NDWI indeksi və bulud maskası əlavə edildikdə, kölgə/su müdaxiləsi azaldı və suyun dəqiqliyi 90%-dən yuxarı qalxdı.
2-ci hal – Hesabat əsaslı həqiqətlə əldə edilmişdir. Kənd təsərrüfatı inventarının öyrənilməsi ilkin təsnifatın 82% ümumi dəqiqliyini bildirdi, lakin bu, təlim nümunələri ilə ölçüldü. 120 müstəqil yer həqiqət nöqtəsi ilə yenidən ölçüldükdə, faktiki ümumi dəqiqlik 71% idi; Kənd təsərrüfatı və boş torpaq ciddi şəkildə müdaxilə edirdi. Əlavə təlim nümunələri ilə təsnifat təkmilləşdirildi və dəqiqlik 84%-ə yüksəldi. Dərs: dəqiqlik müstəqil nümunə ilə ölçülür.
3-cü hal - Mövsümi tələ. İki fərqli tarixdə (yaz və yazın sonu) çəkilmiş şəkillər bir-birinə qarışdıqda, biçilmiş tarlalar "çılpaq torpaq" sinfinə keçdi və əkinçilik sahəsi 15% itkin göründü. Şəkillər eyni mövsümdən seçildikdə və fenoloji uyğunluq əldə edildikdə nəticələr yaxşılaşdı.
Zəif Tələb / Güclü Tələb
Zəif çağırış:
Bu peyk şəklini təsnif edin.
Güclü göstəriş:
Tapşırıq: torpaq örtüyünün təsnifatı üzrə iş axını qurun (Python/rasterio + scikit-learn kodu skeleti daxil olmaqla). Kontekst:- Sensor: 4 zolaq (mavi, yaşıl, qırmızı, NIR), 10 m ayırdetmə- Siniflər: su, meşə, kənd təsərrüfatı, tikinti, çılpaq yer- Məqsəd: cari torpaq örtüyü xəritəsi: indiki dəqiqlik1) (NDVI, NDWI) əlavə etmək və niyə yazmaq. 2) Nəzarət olunan təsnifat mərhələlərini sadalayın; Təlim və QEYDİYYƏT nümunələrinin AYRI-AYRI olması lazım olduğunu vurğulayın.3) Kod skeletinə xəta matrisi + ümumi dəqiqlik + Kappa hesablamasını qoyun.4) Bulud/kölgə və mövsüm qarışıqlığı risklərini qeyd edin.
Güclü sorğu sinif dəstini, ayırdetmə qabiliyyətini, indeks əsaslandırmasını və doğrulama fərqini müəyyən edir; çıxış ölçülə bilən olur.
Dörd Kopyalana bilən Şablon
1) Metod/indeks seçimi:
Obyektiv [hədəf] və sensor [zolaqlar/qətnamə] üçün hansı spektral indeks və təsnifat metodunu tövsiyə edərdiniz? Hər seçim üçün məntiqi və potensial qarışıqlıq riskini yazın (hansı siniflər bir-birinə bənzəyir).
2) Təsnifat kodu skeleti:
Rasterio + scikit-learn ilə nəzarət edilən təsnifat çərçivəsini yazın: lentin oxunması, indekslərin hesablanması, təlim/təsdiqləmə nümunələrinin AYRILMASI, təsnifat, səhv matrisi və dəqiqlik çıxışı. CRS-i saxlamaq; izah edin.
3) Dəqiqliyin qiymətləndirilməsinin qurulması:
Təsnifat dəqiqliyini qiymətləndirmək üçün bir plan yazın: müstəqil əsas həqiqət nümunəsi dizaynı, səhv matrisi, ümumi dəqiqlik, Kappa, sinif üzrə istehsalçı/istifadəçi dəqiqliyi. Hər bir metrikanın nə dediyini izah edin.
4) Müdaxilə diaqnozu:
Aşağıdakı səhv matrisini şərh edin: hansı siniflər bir-birinə müdaxilə edir, mümkün spektral/mövsümi səbəb nədir, hansı əlavə məlumatlar (indeks, maska, tarix) çaşqınlığı azaldır? Matris: [xəta matrisi]
Təsnifat anlayışlarının müqayisəsi
anlayış
Mənası
nə vaxt
nəzarət edir
Etiketli nümunə ilə təlim
Dərslər əvvəlcədən təyin olunur
Nəzarətsiz
Etiketsiz klasterləşmə
Kəşf, nümunə yoxdur
NDVI
bitki canlılıq indeksi
Bitki/çılpaq/suyun ayrılması
NDWI
su indeksi
su cisimlərinin ayrılması
Səhv matrisi
Doğru/yalan sayı
dəqiqliyin ölçülməsi
kappa
Şansla düzəldilmiş uyğunluq
Standart dəqiqlik hesabatı
Ümumi səhvlər
- Təlim nümunələri ilə ölçmə dəqiqliyi. Qeyri-müstəqil sınaq süni yüksək dəqiqlik verir.
- Heç vaxt dəqiqliyi ölçmədən xəritənin təhvil verilməsi. "Gözəl görünür" dəqiqliyin sübutu deyil.
- Bulud/kölgə maskasının atlanması. Kölgə su ilə, bulud qar/quruluşla qarışır.
- Fərqli mövsüm/tarix şəkillərinin qarışdırılması. Fenoloji fərqlər sinifləri dəyişir.
- Həddindən artıq və oxşar siniflərin müəyyən edilməsi. Ayrılmayan siniflər dəqiqliyi azaldır.
- Qətnaməyə məhəl qoymamaq. Kiçik obyektlər bir pikseldən kiçik olduqda təsnif edilə bilməz.
Xülasə
Uzaqdan zondlamada süni intellekt çoxspektral məlumatlardan torpaq örtüyünün xəritələşdirilməsinə qədər iş prosesini sürətləndirir və təsnifatın böyük hissəsini öz üzərinə götürə bilər. Lakin təsnifat xəritəsi yalnız onun dəqiqliyi ölçüldükdə faydalıdır: müstəqil yerüstü həqiqət nümunələri ilə səhv matrisi qurmaq və ümumi dəqiqliyi və Kappa hesablamaq standartdır. Bulud/kölgə, mövsümi dəyişkənlik və oxşar siniflər tipik müdaxilə mənbələridir; Onları indeks, maska və tarix ardıcıllığı ilə idarə edin. Heç vaxt təlim və yoxlama nümunələrini qarışdırmayın.
Tətbiq tapşırığı
Torpaq örtüyü sualını seçin (məsələn, "şəhər yaşıl məkan xəritəsi"). Sinif dəstini, istifadə edəcəyiniz zolaqları və indeksləri yazın (ən azı NDVI). Süni intellektə nəzarət edilən təsnifat iş axını yaratsın; təlim və doğrulama nümunələrinin ayrı olduğundan və səhv matrisi + Kappa hesablamasının çıxışa daxil olduğundan əmin olun. Sonra "qarışıqlıq riski" siyahısını hazırlayın: hansı iki sinif oxşardır və onları necə ayırırsınız.
yoxlama siyahısı
- [ ] Mən sinif dəstini kiçik və fərqləndirici saxladım.
- [ ] Mən məqsədə uyğun spektral indeksləri (NDVI/NDWI) əlavə etdim.
- [ ] Təlim və doğrulama nümunələrini ayırdım.
- [ ] Mən bulud/kölgə maskası və mövsüm ardıcıllığını yoxladım.
- [ ] Mən müstəqil yer həqiqəti ilə dəqiqliyi ölçdüm.
- [ ] Mən xəta matrisini, ümumi dəqiqliyi və Kappa haqqında məlumat verdim.
- [ ] Mən sinif qarışıqlıqlarını diaqnoz etdim və müalicə etdim.
- [ ] Mən xəritənin təyinatı üzrə dəqiq olduğunu mühəndis təsdiqinə məruz qoymuşam.