Печалби:
- Разбиране на логиката на поддържаното от AI откриване на разрастването на градовете, строителството и промяната на земното покритие чрез дистанционно наблюдение и сателитни изображения.
- Възможност за критична оценка на класификацията на изображението и изходите за откриване на промени с информация за точност, разделителна способност и дата
- Способност да се разбере, че границите, които AI извлича от изображението, трябва да бъдат потвърдени от полеви и официални записи и не могат да бъдат правно доказателство.
Невъзможно е да отидете на терен един по един, за да видите къде, колко и колко бързо се е разраснал един град през последното десетилетие. Вместо това планиращите използват дистанционно наблюдение (изобразяване на Земята с помощта на сателити и самолети и извличане на данни). Чрез сравняване на сателитни изображения от различни дати можете да откриете ново строителство, загубена земеделска земя, разширяващо се незаконно строителство или свиващо се зелено пространство. AI е мощен ускорител при класифицирането на тези изображения (маркиране на всеки пиксел като „структура“, „растение“, „вода“ и т.н.) и откриване на промени между две дати. Но анализът на изображения е пълен с резолюция, дата, сянка, облак и грешка в класификацията. „Промяна“, че AI флаговете могат да бъдат сянка, сезонна разлика или грешка. Следователно нито едно заключение, направено от изображението, не може да се използва като основа за правни действия, без да бъде потвърдено от полеви и официални записи.
Основни понятия на дистанционното наблюдение
Разделителна способност: Площта, заета от пиксел на земята. При резолюция 10 метра един пиксел представлява 10x10 метра; Малка стопанска постройка не се вижда. Високата разделителна способност (напр. 0,3-1 метър) означава повече детайли, но по-скъпи и по-редки данни.
Спектрален диапазон: Сателитите също записват светлина, която окото не може да види (като инфрачервена). Растителността свети в инфрачервения лъч; това улеснява отделянето на растението от конструкцията. Индекси като NDVI (прост калкулатор, който измерва жизнеността на растенията) са често срещани при проследяване на зелено.
Дата и сезон: Ако две изображения са в различни сезони, намаляването на зеленото може да не е „загуба“, а пристигането на зимата. Хармонията на датата и сезона е важна в сравнението.
Точност: Стойността, която измерва колко точна е класификацията. „85 процента точност“ означава, че един на всеки шест пиксела може да бъде неправилно етикетиран; Това е значителна граница на грешка за един одитен процес.
Внимание: Структура, открита от AI от сателитно изображение, сама по себе си не е доказателство за незаконна структура. Сянката, резолюцията, датата и грешката в класификацията дават фалшиви положителни резултати. Инспекцията и правоприлагането винаги изискват контрол на обекта, регистрация на документ за собственост/лиценз и официално измерване.
Най-голямата стойност, която безплатните и отворени сателитни данни (източници като европейската програма Sentinel и американската програма Landsat) носят за планирането, са историческите времеви редове: имате достъп до десетки изображения на една и съща област, обхващащи години. Това ви позволява да отидете отвъд едно сравнение „преди/след“ и да видите степента на разрастване на квартала, сезонните колебания и тенденцията. AI е полезен при обобщаването на тези дълги серии и отделянето на значими модели на промяна от шума. Но същото правило важи и за времевите редове: колкото и ясна да изглежда тенденцията, разделителната способност на изображенията, скоростта на облачността и сезонността определят резултата; Нито една тенденция не може да се счита за надеждна, без да се отчетат тези три фактора.
Логика на откриване на промяна
Има няколко начина за сравняване на две датирани изображения: класифициране на двете дати и сравняване на класове, получаване на разлика в индекса (напр. разлика в NDVI) или директно създаване на карта „променена/непроменена“ с AI модела. Резултатът е карта на промяната: къде е новата структура, къде е загубено растението. Тази карта е безценна като предварителен преглед - тя казва на проектанта да "погледне там." Но всеки знак се проверява отделно дали е реална промяна или грешка.
Стъпка по стъпка: Анализ на промените, задвижван от AI
- Дефинирайте въпроса. „Къде е новото строителство в [района] между 2018 г. и 2024 г.?“
- Изберете изображение. Подобен сезон, приемлива резолюция, ниска облачност.
- Предварителна обработка. Доведете го до същия CRS, подравнете, приложете маска за облак/сянка.
- Класифицирайте/сравнете. Генерирайте клас или променете карта с AI.
- Оценявайте точността. Измервайте точността с известни референтни точки.
- Поле и потвърждение за регистрация. Проверете отбелязаните промени с документ за собственост/лиценз и сайт, ако е необходимо.
- Докладвайте граници. Напишете ясно датата, резолюцията, точността и допустимата грешка.
Слаба подкана / Силна подкана
Слаба подкана: „Кажете ми какво се е променило от тези две изображения.“
AI създава добре изглеждащ, но несигурно точен списък; Може да мислите, че разликата в сянката и сезона е истинска промяна.
Силна подкана: „Сравнявам класифицирани данни за земното покритие от две дати (юли 2018 г. / юли 2024 г., същия сезон, разделителна способност 10 m). Когато докладвате анализ на промяната, посочете ясно: кои промени може да са фалшиви положителни резултати поради сянка/сезон/разделителна способност, кои определения изискват проверка на място и как трябва да се измерва точността. Не бъдете окончателни; отбележете всяка констатация с „изисква се потвърждение на място“.“
Втората подкана принуждава AI да съобщи ясно несигурността и източниците на грешки.
Четири копируеми шаблона
Задача: Критично оценете следния изход за откриване на промяна. Избройте възможните източници на ГРЕШКИ за всяко откриване: сянка, облак, сезон, разделителна способност, грешка в класификацията. Добавете бележка „Изисква се потвърждение на полето“. Не правете окончателни присъди. Констатации / дата / решение: [...]
Задача: Напишете контролен списък с критерии за избор на изображения за анализ на градската промяна: сезонност, разделителна способност, степен на облачност, период от време, CRS. Създайте въпроси, за да попитате дали изображенията, които имам, отговарят на тези критерии. Информация за изображението: [...]
Задача: ИЗГОТВЕТЕ доклад от следните констатации на анализа на промените. Ясно посочете разделителна способност, дата, точност и граница на грешка във всяка констатация. Оформете резултатите като „предварителен преглед“; Подчертайте, че за проверка/санкция се изисква потвърждение на поле и официален запис. Констатации: [...]
Задача: Предложете прост начин за оценка на точността на класификацията: колко референтни точки, как да изберете, как да изчислите точността (просто обяснение). Кое твърдение за истина трябва да бъде написано в доклада, пример. Контекст: [...]
Таблица: тип данни и използване
данни
резолюция
силна страна
лимит
сателит със средна разделителна способност
10-30м
Свободен, често срещан, широк район
Липсва малка структура
сателит с висока резолюция
0,3-1м
Детайлно откриване на структурата
Скъп, рядък, облачен риск
Въздушна снимка / ортофото
0,1-0,3м
Много подробно, официално
Честотата на актуализиране е ниска
UAV (дрон)
см ниво
Мигновено, много подробно
Малко пространство, разрешение/закон
три мини калъфа
Случай 1 — Илюзия на сянка. Община вижда знаци „ново строителство“ в квартал на картата за промяна на AI. Полевият екип отива; Повечето от знаците са дълги градивни сенки в следобедното изображение. Действителният брой на новите сгради е половината от знаците. AI беше предварително прегледан, но ако се използва без потвърждение, щеше да произведе фалшиви минути.
Случай 2 — Бягство от малка структура. Плановик се опитва да проследи малки складове в селскостопанско поле със свободен сателит с 10-метрова резолюция. Тъй като складовете са 6х8 метра, те остават под един пиксел и не се виждат. Планировчикът превключва към ортофото с висока разделителна способност за реално проследяване. Разделителната способност определя какво може да се види.
Случай 3 — Прозрачен отчет. Един екип анализира 6-годишното разпространение на даден регион и ясно пише в доклада, че „засичанията са предварително сканиране с 82 процента точност; 47 точки чакат потвърждение на полето; датите и разделителната способност на изображенията са приложени.“ Парламентът оценява резултата с точната тежест. Докладването на несигурността, вместо да се крие, прави анализа надежден.
Често срещани грешки
- Грешно откриване като доказателство. Изображението е предварително сканирано; Изисква санкции и официална регистрация.
- Несъответствие сезон/дата. Различните сезонни изображения създават фалшиви вариации.
- Игнориране на резолюцията. Малките структури не се виждат при ниска резолюция; Не е "няма".
- Недокладване на точност. Скриването на границата на грешка води до грешни решения.
- Забравяйки сянката и облака. Двата най-чести източника на фалшиви положителни резултати.
- CRS несъответствие. Неподравнените изображения се променят на грешното място.
В обобщение
Сателитните и въздушните изображения са най-мощните начини да видите градската промяна в мащаб и скорост; AI ускорява класификацията и откриването на промени. Но разделителната способност определя какво може да се види, сезонът и датата определят какво е реално, сянката и облакът определят какво е фалшиво положително. Точността винаги трябва да се измерва и докладва. Най-важното: откриването от изображението е предварително сканиране; Полевият контрол, регистрацията на документ за собственост/лиценз и официалното измерване са от съществено значение за проверката и санкцията. AI ускорява зрението, а не вземането на решения.
Задача за приложение
Помислете за двойка изображения (или сценарии) с две различни дати. (1) Проверете критериите за избор на изображение с втория шаблон: сезон, разделителна способност, пасва ли облакът? (2) Приемете списък с откривания на промени и извлечете възможни източници на грешка за всяко откриване с първоначалния шаблон. (3) Създайте чернова на отчет с третия шаблон и добавете точност и допустима грешка. (4) Запишете кои определяния ще изискват полево потвърждение и как ще направите това.
контролен списък
- [ ] Проверих сезона, датата и съвместимостта на разделителната способност на изображенията.
- [ ] Подравних изображенията към същия CRS; Взех под внимание маската облак/сянка.
- [ ] Отнасях се към откриването на промени като предварителен скрининг, а не като доказателство.
- [ ] Оцених и докладвах точността на класификацията.
- Потвърдих промените, отбелязани с [ ] с полеви и официални записи.
- [ ] Забелязах какво може да пропусне ограничението на разделителната способност.
- [ ] Написах ясно датата, резолюцията и границата на грешка в доклада.