Печалби:
- Способност да се обясни как се използват мултиспектрални сателитни данни, комбинации от ленти и спектрални индекси (NDVI и т.н.) с AI
- Възможност за конфигуриране на контролирана/неконтролирана класификация и работен процес за картографиране на земното покритие с поддръжка на AI
- Възможност за тестване на класификационен изход с основна истина и матрица на грешки/критерии за точност
Дистанционното наблюдение е наука за измерване на земната повърхност без физически контакт, със сензори на сателити или въздушни платформи. Сателитното изображение всъщност не е снимка, а колекция от слоеве от измервания, записани на множество дължини на вълната, и чрез интелигентно комбиниране на тези слоеве земното покритие (гора, вода, селско стопанство, строителство) може да бъде картографирано. В този раздел ние разглеждаме как изкуственият интелект ускорява този работен процес, от мултиспектрални данни до класификация на земното покритие и където експертната преценка е незаменима. Принцип: AI генерира или кодира класификацията; Точността на картата се измерва в инженера чрез независима матрица на истината и грешката.
Основни термини. Мултиспектрално изображение е записано в няколко ленти с дължина на вълната (синьо, зелено, червено, близко до инфрачервения и т.н.); всяка лента е слой. Хиперспектралните са много по-богати, но трудни за обработка данни, съдържащи десетки до стотици тесни ленти. Спектрален индекс е числото, което подчертава дадено явление чрез математическата комбинация от ленти; най-известният, NDVI (индекс на нормализирана разлика в растителността), измерва жизнеността на зелената растителност, използвайки разликата между близката инфрачервена и червената лента. Контролираната класификация включва обучение на модела с предварително маркирани пробни области и класифициране на цялото изображение. Неконтролираната класификация е групиране на данни въз основа на сходство без етикети и тяхното интерпретиране по-късно.
Ролята на AI в дистанционното наблюдение
Изкуственият интелект допринася в тази област на три нива:
- Работен процес и избор на метод. „Кои ленти, кой индекс, кой класификатор са подходящи за този въпрос?“ напътства ви във вашето решение; произвежда кодовия скелет.
- Самата класификация. Съвременните модели за дълбоко обучение сортират милиони пиксели в класове земно покритие; Това е областта със средно-висок принос, където AI върши истинската работа.
- Тълкуване и докладване на резултатите. Той транскрибира класови статистики, анализ на промените и отчет за точност в четим текст.
Сляпо място: моделът зависи от данните, върху които се обучава, и примерите, които предоставяте. Облачна сянка и вода, гола почва и поле след прибиране на реколтата, плитка вода и влажна земя се смесват лесно. Така че класификационната карта не е вярна само защото изглежда добре; трябва да се измери точността.
Съвет: Изяснете въпроса си, преди да започнете да класифицирате. „Класифицирайте земното покритие“ е неясно; „Карта на загубата на земеделска земя в полза на строителството между 2020-2025 г.“ определя както набора от класове, така и критерия за проверка.
Стъпка по стъпка: Класификация на земното покритие
- Подгответе данни и ленти. Потвърдете облачната покривка на изображението, датата на заснемане, разделителната способност (размера на пикселите) и реда на лентите. Различни класове за промяна на дата/сезон.
- Дефинирайте набора от класове. Колко класа, кои (вода, гора, селско стопанство, строителство, гола земя)? По-малко и по-различими класове са по-надеждни.
- Изчислете индексите. Индекси като NDVI (растение), NDWI (вода) разграничават класовете; става вход за класификатора.
- Съберете тренировъчни проби (за контролирани). Примерни полигони, потвърдени чрез проверка на терена за всеки клас. Качеството на пробата определя точността.
- Класифицирайте и проверете. Обучете модела, след това изградете матрица за грешки с независими (необучени) проби и изчислете общата точност и Kappa.
Основна матрица на истината и грешката
Точността на една класификация не се измерва с очна преценка. Основната истина е независими образци от известен истински клас в полето или в надежден източник с висока разделителна способност. С тези примери се създава матрица на объркване: преброява се колко пъти всеки клас е правилен и колко пъти е объркан с кой клас. От това се изчисляват общата точност (правилно класифицираната пропорция) и Капа (мярка за съответствие, която коригира ефекта на случайността). В допълнение, точността на производителя (колко е уловено в този клас) и точността на потребителя (колко надежден е този клас) се отчитат на база клас.
Внимание: Не измервайте точността с примерите, които използвате за обучение. Ако едни и същи примери се обучават и тестват, точността става изкуствено висока; Това е илюзия. Пробите за валидиране трябва да са независими.
Три мини калъфа: с числата
Случай 1 — Сянката на облака беше сбъркана с вода. В една класификация, когато моделът обозначи сенките на облаците като „вода“, зоната на езерото се разрасна там, където всъщност не беше; потребителската точност на водния клас спадна до 70%. Когато индексът NDWI и облачната маска бяха добавени, смущенията сянка/вода намаляха и точността на водата се увеличи до над 90%.
Случай 2 — Доклад, възстановен чрез наземна истина. Проучване на селскостопански инвентар отчита 82% обща точност на първоначалната класификация, но това е измерено с проби за обучение. При повторно измерване със 120 независими наземни точки на истинност, действителната обща точност беше 71%; Земеделието и голата земя сериозно пречеха. С допълнителни примери за обучение класификацията беше подобрена и точността се увеличи до 84%. Урок: точността се измерва чрез независима проба.
Случай 3 — Сезонен капан. Когато изображенията, направени на две различни дати (пролет и късно лято), бяха смесени заедно, ожънатите полета се изместиха към класа „гола земя“ и изглеждаше, че земеделската площ липсва 15%. Резултатите се подобриха, когато бяха избрани изображения от същия сезон и беше постигната фенологична последователност.
Слаба подкана / Силна подкана
Слаба подкана:
Класифицирайте това сателитно изображение.
Мощна подкана:
Задача: изграждане на работен процес за класификация на земното покритие (включително Python/rasterio + scikit-learn кодов скелет). Контекст: - Сензор: 4 ленти (синьо, зелено, червено, NIR), 10 m разделителна способност - Класове: вода, гора, селско стопанство, строителство, гола_земя - Цел: текуща карта на земното покритие + отчет за точност Заявки: 1) Кои спектрални индекси (NDVI, NDWI), за да добавите и защо да напишете. 2) Избройте контролираните стъпки за класифициране; Подчертайте, че пробите за обучение и ВАЛИДАЦИЯ трябва да бъдат ОТДЕЛНИ. 3) Поставете матрицата на грешките + общата точност + изчислението на Капа в скелета на кода. 4) Обърнете внимание на рисковете от облак/сянка и объркване на сезона.
Силната подкана указва набора от класове, разделителната способност, обосновката на индекса и разграничението за валидиране; изходът става измерим.
Четири копируеми шаблона
1) Избор на метод/индекс:
Какъв спектрален индекс и метод за класификация бихте препоръчали за обектива [мишена] и сензора [ленти/разделителна способност]? За всеки избор напишете обосновката и потенциалния риск от объркване (кои класове са подобни един на друг).
2) Скелет на класификационния код:
Напишете контролирана класификационна рамка с Rasterio + scikit-learn: четене на лента, изчисляване на индекс, РАЗДЕЛЯНЕ на образци за обучение/валидиране, класификация, матрица на грешките и изход за точност. Поддържайте CRS; обясни.
3) Настройка за оценка на точността:
Напишете план за оценка на точността на класификацията: независим дизайн на извадка от основата на истината, матрица на грешките, обща точност, Kappa, точност на производител/потребител по клас. Обяснете какво казва всеки показател.
4) Диагностика на смущения:
Интерпретирайте матрицата на грешките по-долу: кои класове си пречат, каква е възможната спектрална/сезонна причина, какви допълнителни данни (индекс, маска, дата) биха намалили объркването? Матрица: [матрица на грешка]
Сравнение на понятията за класификация
концепция
Значение
когато
контролиран
Обучение с надписан пример
Класовете са предварително определени
Без надзор
Групиране без етикети
Откритие, без примери
NDVI
Индекс на жизненост на растенията
Разделяне на растение/голо/вода
NDWI
воден индекс
разделяне на водното тяло
Матрица на грешките
Брой вярно/невярно
измерване на точност
капа
Случайно коригирано прилягане
Стандартен отчет за точност
Често срещани грешки
- Точност на измерване с примери за обучение. Независимото тестване дава изкуствено висока точност.
- Предаването на картата без изобщо да е измерена точността. „Изглежда добре“ не е доказателство за точност.
- Пропускане на маската на облак/сянка. Сянката се смесва с вода, облакът се смесва със сняг/структура.
- Смесване на различни изображения за сезон/дата. Фенологичните разлики изместват класовете.
- Дефиниране на твърде много и подобни класове. Неразличимите класове намаляват точността.
- Игнориране на резолюцията. Малките обекти не могат да бъдат класифицирани, ако са по-малки от един пиксел.
В обобщение
При дистанционното наблюдение AI ускорява работния процес от мултиспектрални данни до картографиране на земното покритие и може да поеме голяма част от класификацията. Но класификационната карта е полезна само ако нейната точност е измерена: стандартно е да се конструира матрица на грешката с независими наземни проби за истина и да се изчисли общата точност и Капа. Облак/сянка, сезонни колебания и подобни класове са типични източници на смущения; Управлявайте ги с последователност на индекси, маски и дати. Никога не смесвайте проби за обучение и валидиране.
Задача за приложение
Изберете въпрос за земното покритие (напр. „карта на градските зелени площи“). Запишете набора от класове, обхватите и индексите, които ще използвате (поне NDVI). Накарайте AI да създаде контролиран работен процес за класификация; уверете се, че образците за обучение и валидиране са отделни и че матрицата на грешките + изчислението на Kappa е включена в изхода. След това направете списък с „риск от объркване“: кои два класа са подобни и как ги различавате.
контролен списък
- [ ] Поддържах набора от класове малък и различим.
- [ ] Добавих подходящи за целта спектрални индекси (NDVI/NDWI).
- [ ] Разделих примерите за обучение и валидиране.
- [ ] Проверих маската на облак/сянка и консистенцията на сезона.
- [ ] Измерих точността с независима основна истина.
- [ ] Докладвах матрицата на грешките, общата точност и Капа.
- [ ] Диагностицирах и излекувах объркване в клас.
- [ ] Подложих я на одобрение от инженер, че картата е точна за предназначението.