Печалби:
- Способност за интерпретиране на ГИС слоеве, NDVI и концепции за лента/резолюция за дистанционно наблюдение
- Тълкуване на индекси, анализ на промените и изготвяне на разказ на карта с AI
- Възможност за проверка на интерпретацията на сателит/карта на AI с наземна истина и метаданни
Вие сте инженер по околна среда и работите по проект за опазване на влажните зони. Съветът иска да проучите оплакванията, че тръстиковото легло на брега на езерото се е свило през последните пет години. Преди да отидете на терен, трябва да направите предварителна оценка на бюрото си: имате сателитни изображения от две различни години, ГИС (Географска информационна система) проект и езиков модел. Можете да накарате LLM да интерпретира резюмето на NDVI на изображенията и да напишете чернова на разказа за промяната. Сателитен пиксел обаче представлява 10-метров квадрат и можете да разберете само дали има облачна сянка, изсъхваща тръстика или сезонно ниво на водата в този квадрат с наземната истина. В този модул ние обхващаме концепциите за дистанционно наблюдение и ГИС, интерпретация на индекс/промяна с AI и най-важното, границите на тази интерпретация.
Логиката на ГИС слоя и основите на дистанционното наблюдение
ГИС организира географските данни в припокриващи се слоеве: всеки слой носи тема (използване на земята, водни тела, надморска височина, пътища) и е подравнен в обща координатна система. Анализът започва с припокриване на правилните слоеве в правилната проекция; грешната координатна система систематично променя площите и разстоянията.
Когато интерпретирате изображение от дистанционно наблюдение, трябва да разграничите три типа разделителна способност:
Тип резолюция
Какво разказва?
пример
ограничение
пространствен
Размер на пиксел на земята
10м, 30м
Малките обекти остават подпиксели
спектрален
Колко и коя лента с дължина на вълната?
Червено, NIR, SWIR
По-малко лента = по-малко мощност на дискриминация
времеви
Колко често се разглежда едно и също място
5 дни, 16 дни
Загуба на данни в облачни дни
Радиометричен
Чувствителност към осветеност (битова дълбочина)
8-битов, 12-битов
Ниска дълбочина = лоша дискриминация
NDVI: формула и тълкуване
Най-разпространеният индекс, измерващ жизнеността на растителността, е NDVI (индекс на нормалната разлика в растителността). Здравото растение силно отразява близката инфрачервена (NIR) и абсорбира червеното (RED):
NDVI = (NIR − RED) / (NIR + RED) Диапазон на стойността: −1 ... +1 < 0 : вода, сняг, облак 0,0 - 0,2 : гола почва, скала, застроена площ 0,2 - 0,5 : рядка/тревиста растителност, напрегната покривка 0,5 - 0,9 : гъста, здрава зелена покривка
# NDVI на малък примерен блок от пиксели импортира numpy като npnir = np.array([[0.42, 0.38], [0.11, 0.45]]) # near infrared reflectancered = np.array([[0.06, 0.09], [0.10, 0.05]]) # red reflectancendvi = (nir - червено) / (nir + red)print(np.round(ndvi, 2))# [[0.75 0.62]# [0.05 0.80]]# Долен ляв пиксел (0.05): не е растение — може да е гола земя или вода/сянка
Съвет: NDVI не е абсолютна мярка за „здраве“, а индикатор, зависим от състоянието. Когато сравнявате два датирани NDVI от една и съща област, уверете се, че изображенията са направени в подобни сезони, подобни ъгли на слънцето и условия без облаци. Сравняването на външния вид на късното лято с пролетта води до нереална „загуба на растения“.
Анализ на промяната (откриване на промяна)
Лесният начин да намерите разликата между две дати е да вземете разликата в NDVI, но тази разлика е значима само ако изображенията могат да бъдат сравнени.
ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0 : възможна загуба на покритие (сушене, рязане, изграждане) ΔNDVI ≈ 0 : без промяна ΔNDVI >> 0 : възможно увеличаване на покритието (озеленяване, възстановяване) ВНИМАНИЕ: Разликата може да отразява действителната промяна, както и разликите в сезон/облак/слънчев ъгъл/калибриране. Разлика = реална промяна + шум.
Внимание: Облакът, облачната сянка и сезонността са най-големите пречки за анализа на промените. Областта под облачна сянка дава нисък NDVI и изглежда като „загуба на растителност“. Когато LLM извършва интерпретация на изображението, моделът може да сбърка тези артефакти с истинското събитие. Не забравяйте да проверите метаданните на изображението (дата, процент на облаците, слънчев ъгъл).
Интерпретация на индекси и разказ на карта с AI
LLM е полезен при превода на обобщенията на цифровите индекси в обикновен разказ и изготвянето на чернови на доклади. Дайте му необработената статистика и метаданни на NDVI и го помолете да генерира коментара, който да проверите.
СЛАБА ПОДСКАЗКА: „Влажната зона по-малка ли е на това сателитно изображение?“ СИЛНА ПОДСКАЗКА: „Давам две датирани NDVI статистики (една и съща област, един и същ сензор): 2020-07-15 ср. NDVI=0,61 облак=3% слънчев ъгъл=58°2025-07-12 ср. NDVI=0,42 облак=22% слънчев ъгъл=55°Зона на интерес: тръстиково легло на брега на езерото, ~40 хектара. задача:1) Изчислете ΔNDVI и избройте възможните интерпретации.2) Избройте на какви причини (облак, сянка, ниво на водата, сезон, калибриране) може да се дължи този спад (облак, сянка, ниво на водата, сезон, калибриране), РАЗЛИЧНИ ОТ ДЕЙСТВИТЕЛНАТА загуба на покритие.3) За всяка възможна причина предложете стъпка ПРОВЕРКА, за да я разграничите (напр. избор на изображение без облак, посещение на място, ниво на водата запис).4) Точно твърдение „тръстиковото легло се е свило с X%“ НЕ НАСТРОЙВАЙТЕ, че това може да се каже само ако истината на земята го потвърждава.“
Силната подкана насочва модела не към едно окончателно заключение, а към план от алтернативни обяснения и проверка. Фактът, че изображението от 2025 г. съдържа 22% облаци, прави спада подозрителен сам по себе си.
Наземна проверка на истината
Златният стандарт за интерпретация на дистанционното наблюдение са точките за проверка с наблюдения и измервания, направени на място. Записвате действителното земно покритие с GPS в няколко референтни точки и го сравнявате с класификацията на изображението. Ако полето казва „суха тръстика“ в пиксела, където AI или алгоритъмът казва „вода“, класификацията е ненадеждна.
мини калъф
При мониторинга на въздействието върху околната среда на обект за добив, екипът изготви „15 хектара загуба на гора поради минна дейност“ въз основа на намалението на NDVI, изчислено от сателитното изображение, и разшири интерпретацията в LLM; моделът създаде течен, убедителен разказ. Въпреки това, когато докладът беше проверен от екипа на терена, се видя, че част от площта с нисък NDVI всъщност е ожънат земеделски парцел, а част от него е облачна сянка, която съвпада с деня на заснемане на изображението. Действителната загуба на гора беше около 4 хектара, а не 15. Ако метаданните (облачната маска) и слоят за използване на земята бяха проверени предварително, грешката щеше да бъде предотвратена на първо място. Кокетните изречения на LLM не направиха правилния грешен вход.
Често срещани грешки
- Сравняване на различни изображения от сезон/слънчев ъгъл и погрешно приемане на сезонната разлика за „промяна“.
- Тълкуване на облака и сянката на облака като действителна загуба на покритие; заобикаляйки облачната маска.
- Правене на точни преценки от пикселни данни за малки обекти, превишаващи пространствената разделителна способност.
- Неправилно изчисляване на площи и разстояния поради несъответствие на координатна система/проекция.
- Мислейки, че NDVI е абсолютна мярка за здраве и третира водата и сенчестите пиксели, сякаш са растения.
- Поставяне на разказа на флуидната карта на LLM в доклада като окончателно откритие без основна истина.
- Отчитане на резултати без документиране на метаданни (дата, сензор, облак %, ниво на обработка).
В обобщение
- ГИС анализите са изградени върху слоеве, подравнени в обща координатна система; Грешката в проекцията изкривява резултата.
- Пространствената, спектралната, времевата и радиометричната разделителна способност ограничават това, което едно изображение може да покаже.
- NDVI = (NIR−RED)/(NIR+RED) е условен индикатор за жизненост на растенията, а не абсолютна мярка за здраве.
- В анализа на промените разлика = истинска промяна + шум; Облакът, сянката и сезонът са най-големите измамници.
- LLM създава интерпретацията на индекса и описанието на картата, но не „вижда“ сателитното изображение; Коментари според дадената от вас бройка.
- Тълкуването на AI и автоматичната класификация не могат да бъдат преведени в окончателни екологични констатации без проверка с основна истина и метаданни.
Задача за приложение
Създайте или приемете две датирани обобщения на NDVI за поле (по ваш избор или извадка); Обърнете внимание на метаданните (дата, процент на облаците, слънчев ъгъл, сензор) за всяка дата. Изчислете ΔNDVI. Напишете силна подкана и накарайте LLM да поиска не само действителната промяна на покритието, но и алтернативни обяснения (облак, сянка, сезон, ниво на водата, калибриране) и стъпка за проверка за всяко. След това начертайте „план за проверка на истината на земята“: поне три референтни точки, какво ще бъде измерено на полето и как ще се сравни с интерпретацията на изображението. И накрая, маркирайте кое твърдение в разказа, изготвен от LLM, е „не може да бъде включено в доклада без проверка“ и напишете причината.