Печалби:
- Възможност за избор на сателитни (широка зона) и сензорни (локални) данни според въпроса и анализ на индекси като NDVI чрез прилагане на облачна маска
- Възможност за разграничаване на дрейфа и неизправността от реалния сигнал чрез предаване на IoT сензорни данни чрез калибриране и контрол на качеството
- Възможност за базиране на констатация от мониторинга на тенденция, а не на една дата и създаване на план за проверка с основна истина или независими данни
За да управлявате средата, е необходимо първо да я видите. Необходимо е да се знае колко малка е станала една гора, колко е замърсена една река или колко метан изпуска дадено съоръжение, не чрез предположения, а по данни. Мониторингът на околната среда е редовно и повтарящо се измерване на състоянието на околната среда. В тази част ще научите за два големи източника на данни — сателити, гледащи от космоса, и сензори в полето — и ролята на AI в осмислянето на тези масивни данни.
Първо концепциите. Дистанционното наблюдение е събиране на информация чрез измерване на светлината, отразена от разстояние (от сателит или самолет), без да се докосва обект. IoT сензор (Интернет на нещата) е малко устройство, поставено на полето и автоматично изпраща измерената стойност (температура, качество на въздуха, ниво на водата) по интернет. Заедно те предоставят както широка (сателитна), така и локална (сензорна) картина на околната среда.
Как да четем сателитни данни?
Сателитите не само правят снимки; измерва различни дължини на вълните ("ленти") на светлината. Математическата комбинация от тези ленти показва това, което е невидимо с просто око. Най-известният пример е NDVI (индекс на нормализирана разлика в растителността): той измерва гъстотата на растителността с число между 0 и 1, въз основа на принципа, че здравите растения отразяват силно инфрачервената светлина. Намаляването на NDVI може да означава обезлесяване, суша или щети.
Най-често срещаните безплатни и отворени сателитни източници са сателитите Sentinel (Европейска програма Коперник) и Landsat (САЩ). Те са достъпни чрез платформи като Google Earth Engine или в Python (с библиотеки като rasterio, xarray).
Съвет: Най-големият враг на сателитните данни е облакът. Дали падането на NDVI е истинска загуба на гора или този ден е имало облак над него? Винаги прилагайте облачна маска и сравнявайте няколко дати, преди да анализирате.
IoT сензорни данни и калибриране
Сензорите са евтини и често срещани, но не са перфектни. Евтин сензор за качество на въздуха ще се промени с течение на времето, ще бъде повлиян от влажността или ще се повреди. Следователно данните от сензора в необработената им форма са ненадеждни; калибрирането (корекция чрез сравняване с известно референтно устройство) и контролът на качеството са от съществено значение.
Тук AI; Той е много мощен при писане на код за обработка на големи изображения и данни от времеви серии, сканиране за аномалии (неочаквано отклонение), установяване на класификационен модел и обобщаване на констатациите. Но физическата реалност на измерването се свежда до решението за калибриране и въпроса "реален ли е този сигнал или е шум?" Тълкуването принадлежи на експерта.
Стъпка по стъпка: проследяващ анализ
1. Дефинирайте въпроса. „Как се е променила растителността в тази площ от 10 000 хектара между 2020 г. и 2024 г.?“ Ясен, пространствен и времеви въпрос като:
2. Изберете източника на данни. Сателит (широка област) или сензор (локален, непрекъснат)? Разделителната способност и честотата подходящи ли са за въпроса?
3. Предварителен процес. Облачна маска, калибриране, маркиране на липсващи данни. Ако тази стъпка бъде пропусната, резултатът е подвеждащ.
4. Изчислете индекс/метрика. NDVI, средна температура, концентрация на замърсители.
5. Намерете промяната и аномалията. Анализ на тенденцията, пресичане на праг, внезапен скок.
6. Проверете с поле. Ако е възможно, потвърдете с основна истина; Осигурете сателитен сигнал с данни от посещение на място или независими данни.
три мини калъфа
Случай 1 — Падане за облака. Екологична НПО се канеше да алармира за „внезапно обезлесяване“, когато видя, че NDVI в един регион е намалял с 40% за един месец. Когато анализаторът приложи облачна маска и погледна съседните дати, той видя, че по-голямата част от изображението този ден беше облачно, а в следващото безоблачно изображение NDVI се върна към нормалното. Предотвратена фалшива аларма. Загубено време: 20 минути, спечелена репутация: безценно.
Случай 2 — Некалибриран сензор. Една община подготвяше доклад за „прекалено замърсен въздух“ с данни от евтини сензори за PM2.5 (частици по-малки от 2,5 микрона — фин вдишван прах). Когато експертът сравни сензорите с референтна станция, той установи, че те надценяват стойността до два пъти при висока влажност. Когато се приложи корекция на влажността (калибриране), се появиха реалните стойности; Предотвратена паника.
Случай 3 — Автоматизация на кода. Един изследователски екип планира да прекара седмици в ръчна работа, за да извлече NDVI тенденции от 200 сателитни изображения. Те накараха изкуствения интелект да напише автоматизиран работен процес с Google Earth Engine и код на Python (облачна маска + месечна средна NDVI + графика на тенденции). Анализът отне няколко минути за 200 изображения; Екипът отдели време за тълкуване на резултата. Те така или иначе провериха всяка стъпка от кода.
Слаба подкана / Силна подкана
Слаба подкана:
Намерете обезлесяването от сателитни данни.
Защо е слаб: Няма домейн, период от време, източник на данни, резолюция и обработка в облак. AI предоставя общ текст, а не изпълним анализ.
Мощна подкана:
Вашата роля: анализатор на дистанционно наблюдение. Напишете код на Python (Earth Engine), който изчислява месечната тенденция на NDVI за 2020-2024 г. за [граница на AREA] с данни от Sentinel-2. Стъпки: (1) приложете облачна маска, (2) среден месечен NDVI, (3) изчертайте диаграма на тенденцията, (4) маркирайте месеци с повече от 20% спад. Нека кодът е изпълним; Коментирайте всяка стъпка. Обърнете внимание и на ограниченията на данните (резолюция, облак).
Четири копируеми шаблона
1) Анализ на сателитен индекс (с код):
Вашата роля: анализатор на дистанционно наблюдение. Напишете изпълним код на Python, който изчислява [NDVI/NDWI/друг индекс] за [диапазон от ДАТИ] за [ОБЛАСТ] с данни от [Sentinel-2/Landsat]. Не забравяйте да добавите облачна маска. Маркирайте тенденцията и аномалиите. Посочете разделителната способност и облачните граници на данните в коментарите.
2) Контрол на качеството на времевите серии на сензора:
Потърсете проблеми с качеството в следните времеви серии на сензора с Python: липсващи данни, блокирана стойност, внезапен скок, дрейф, екстремни стойности. Маркирайте всеки проблем с клеймо за време. Не променяйте данните, просто докладвайте. Добавете просто предложение за калибриране, ако е възможно. Данни: [тук]
3) Схема за проверка на истината на земята:
Предложете план за това как мога да проверя следната сателитна констатация (напр. спад на NDVI) в полето: кои точки, кое измерване, кой независим източник на данни. Пребройте и ситуациите, при които констатацията може да е грешна (облак, сезон, сянка). Находка: [тук]
4) Резюме на аномалиите:
Обобщете аномалиите, открити от данните от мониторинга по-долу, на разбираем език за мениджър по околната среда. За всяка аномалия: къде, кога, колко отклонение, възможни причини и бележка „трябва да се провери“. Със сигурност защо е ПОДХОДЯЩО; представи го като възможност. Данни: [тук]
Често срещани грешки
- Без прилагане на облачна маска. Облакът е най-често срещаният фалшив сигнал.
- Доверете се на сензора, без да го калибрирате. Евтините сензори се плъзгат и се влияят от влагата.
- Просто погледнете историята. Необходими са множество дати и тенденции, за да се иска промяна.
- Заобикаляйки земната истина. Сателитният сигнал трябва да бъде потвърден с полеви или независими данни, ако е възможно.
- Падане по твърдението на AI за „точната причина“. Данни за проследяване корелират; Потвърждаването на причината е друг въпрос.
Внимание: Сателитни и дрон изображения с висока разделителна способност може да съдържат частна собственост, хора или чувствителни съоръжения. Спазвайте поверителност и законови ограничения (особено лични данни и сигурност), когато споделяте данни за проследяване.
В обобщение
Мониторингът на околната среда съчетава сателитни (широк) и сензорни (локални) данни. AI; Това е мощен ускорител за писане на код, който обработва масивни изображения и данни от времеви серии, сканиране на аномалии и обобщаване. Но облачната маска, калибрирането на сензора, сравнението с множество дати и наземната проверка на истината принадлежат на експерта. Доверете се на изчистения и потвърден сигнал, а не на необработения сигнал.
Задача за приложение
Изберете поле и период от време (реален или хипотетичен). 1. Отпечатайте кода на работен поток за анализ на NDVI към AI с шаблона и проверете дали съществува стъпката за маска на облак. След това прекарайте сензорна времева серия, която имате (или проба), през контрол на качеството с втория шаблон. И накрая, с шаблон 3 изгответе план за това как ще потвърдите промяна, която намерите в полето.
контролен списък
- [ ] Определих анализа с ясен пространствен и времеви въпрос.
- [ ] Приложих облачна маска върху сателитните данни.
- [ ] Прекарах данните от сензора през калибриране и контрол на качеството.
- [ ] Базирах твърдението за промяна на тенденцията, а не на една дата.
- [ ] Направих план да проверя находката с основна истина или независими данни.
- [ ] Спазих поверителност и законови ограничения.