রিমোট সেন্সিং এবং স্যাটেলাইট ইমেজ শ্রেণীবিভাগ

লাভ:

• মাল্টিস্পেকট্রাল স্যাটেলাইট ডেটা, ব্যান্ড কম্বিনেশন এবং বর্ণালী সূচক (এনডিভিআই ইত্যাদি) কীভাবে এআই-এর সাথে ব্যবহার করা হয় তা ব্যাখ্যা করার ক্ষমতা
• এআই সমর্থনের সাথে তত্ত্বাবধানে/অনিয়ন্ত্রিত শ্রেণীবিভাগ এবং ল্যান্ড কভার ম্যাপিং ওয়ার্কফ্লো কনফিগার করার ক্ষমতা
• গ্রাউন্ড ট্রুথ এবং ত্রুটি ম্যাট্রিক্স/নির্ভুলতার মানদণ্ডের সাথে শ্রেণীবিভাগের আউটপুট পরীক্ষা করার ক্ষমতা

রিমোট সেন্সিং হল স্যাটেলাইট বা বায়বীয় প্ল্যাটফর্মে সেন্সর দিয়ে শারীরিক যোগাযোগ ছাড়াই পৃথিবীর পৃষ্ঠ পরিমাপ করার বিজ্ঞান। একটি স্যাটেলাইট চিত্র আসলে একটি ফটোগ্রাফ নয়, তবে একাধিক তরঙ্গদৈর্ঘ্যে রেকর্ড করা পরিমাপের স্তরগুলির একটি সংগ্রহ এবং বুদ্ধিমানের সাথে এই স্তরগুলিকে একত্রিত করে, ভূমি আবরণ (বন, জল, কৃষি, নির্মাণ) ম্যাপ করা যেতে পারে। এই ইউনিটে, আমরা কভার করি কিভাবে কৃত্রিম বুদ্ধিমত্তা এই কর্মপ্রবাহকে ত্বরান্বিত করে, মাল্টিস্পেকট্রাল ডেটা থেকে শুরু করে ল্যান্ড কভার শ্রেণীবিভাগ পর্যন্ত, এবং যেখানে বিশেষজ্ঞের রায় অপরিহার্য। নীতি: এআই শ্রেণীবিভাগ তৈরি করে বা কোড করে; মানচিত্রের নির্ভুলতা স্বাধীন স্থল সত্য এবং ত্রুটি ম্যাট্রিক্স দ্বারা প্রকৌশলী পরিমাপ করা হয়।

মৌলিক পদ। একটি মাল্টিস্পেকট্রাল ইমেজ হল একাধিক তরঙ্গদৈর্ঘ্যের ব্যান্ডে (নীল, সবুজ, লাল, কাছাকাছি ইনফ্রারেড, ইত্যাদি) রেকর্ড করা; প্রতিটি ব্যান্ড একটি স্তর। হাইপারস্পেকট্রাল অনেক বেশি সমৃদ্ধ কিন্তু ডেটা প্রক্রিয়া করা কঠিন, দশ থেকে শত শত সরু ব্যান্ড ধারণ করে। বর্ণালী সূচক হল সেই সংখ্যা যা ব্যান্ডগুলির গাণিতিক সংমিশ্রণের মাধ্যমে একটি ঘটনাকে হাইলাইট করে; সবচেয়ে সুপরিচিত, এনডিভিআই (নর্মালাইজড ডিফারেন্স ভেজিটেশন ইনডেক্স), কাছাকাছি ইনফ্রারেড এবং লাল ব্যান্ডের মধ্যে পার্থক্য ব্যবহার করে সবুজ উদ্ভিদের শক্তি পরিমাপ করে। তত্ত্বাবধানে থাকা শ্রেণীবিভাগে মডেলটিকে প্রাক-লেবেলযুক্ত নমুনা অঞ্চলগুলির সাথে প্রশিক্ষণ দেওয়া এবং সম্পূর্ণ চিত্রকে শ্রেণীবদ্ধ করা জড়িত। তত্ত্বাবধানহীন শ্রেণীবিভাগ হল লেবেল ছাড়াই মিলের উপর ভিত্তি করে ডেটা ক্লাস্টার করা এবং পরে তা ব্যাখ্যা করা।

রিমোট সেন্সিং এ এআই এর ভূমিকা

কৃত্রিম বুদ্ধিমত্তা এই ক্ষেত্রে তিনটি স্তরে অবদান রাখে:

1. কর্মপ্রবাহ এবং পদ্ধতি নির্বাচন। "কোন ব্যান্ড, কোন সূচক, কোন ক্লাসিফায়ার এই প্রশ্নের জন্য উপযুক্ত?" আপনার সিদ্ধান্তে আপনাকে গাইড করে; কোড কঙ্কাল তৈরি করে।
2. শ্রেণীবিভাগ নিজেই। আধুনিক গভীর শিক্ষার মডেলগুলি লক্ষ লক্ষ পিক্সেলকে ল্যান্ড কভার ক্লাসে সাজায়; এটি হল মাঝারি-উচ্চ অবদানের ক্ষেত্র যেখানে AI প্রকৃত কাজ করে।
3. ফলাফল ব্যাখ্যা এবং রিপোর্টিং. এটি পাঠযোগ্য পাঠ্যে শ্রেণি পরিসংখ্যান, বিশ্লেষণ এবং নির্ভুলতা প্রতিবেদন পরিবর্তন করে।

ব্লাইন্ড স্পট: মডেলটি যে ডেটাতে প্রশিক্ষিত এবং আপনি যে উদাহরণগুলি প্রদান করেন তার উপর নির্ভরশীল৷ মেঘের ছায়া এবং জল, খালি মাটি এবং ফসল তোলার পরে ক্ষেত, অগভীর জল এবং ভেজা মাটি সহজেই মিশে যায়। সুতরাং একটি শ্রেণীবিভাগ মানচিত্র সত্য নয় কারণ এটি সুন্দর দেখায়; নির্ভুলতা পরিমাপ করা আবশ্যক।

টিপ: আপনি শ্রেণীবিভাগ শুরু করার আগে আপনার প্রশ্ন স্পষ্ট করুন। "শ্রেণিবদ্ধ ভূমি আবরণ" অস্পষ্ট; "2020-2025 এর মধ্যে নির্মাণের অনুকূলে কৃষি জমির ক্ষতির মানচিত্র" শ্রেণী সেট এবং যাচাইকরণের মানদণ্ড উভয়ই নির্ধারণ করে।

ধাপে ধাপে: একটি ল্যান্ড কভার শ্রেণীবিভাগ

1. ডেটা এবং টেপ প্রস্তুত করুন। ছবির ক্লাউড কভার, শুটিং তারিখ, রেজোলিউশন (পিক্সেল সাইজ) এবং ব্যান্ড অর্ডার নিশ্চিত করুন। বিভিন্ন তারিখ/ঋতু পরিবর্তন ক্লাস.
2. ক্লাস সেট সংজ্ঞায়িত করুন। কয়টি শ্রেণী, কোনটি (জল, বন, কৃষি, নির্মাণ, খালি মাটি)? কম এবং আরও পার্থক্যযোগ্য শ্রেণীগুলি আরও নির্ভরযোগ্য।
3. সূচকগুলি গণনা করুন। সূচক যেমন NDVI (উদ্ভিদ), NDWI (জল) শ্রেণীগুলিকে আলাদা করে; ক্লাসিফায়ারে ইনপুট হয়ে যায়।
4. প্রশিক্ষণের নমুনা সংগ্রহ করুন (তত্ত্বাবধানের জন্য)। নমুনা বহুভুজ প্রতিটি শ্রেণীর জন্য ভূখণ্ড যাচাইকরণ দ্বারা নিশ্চিত করা হয়েছে৷ নমুনার গুণমান নির্ভুলতা নির্ধারণ করে।
5. শ্রেণীবিভাগ এবং যাচাই. মডেলকে প্রশিক্ষিত করুন, তারপর স্বাধীন (অপ্রশিক্ষিত) নমুনা সহ একটি ত্রুটি ম্যাট্রিক্স তৈরি করুন এবং সামগ্রিক নির্ভুলতা এবং কাপা গণনা করুন।

গ্রাউন্ড ট্রুথ এবং এরর ম্যাট্রিক্স

একটি শ্রেণীবিভাগের নির্ভুলতা চোখের বিচার দ্বারা পরিমাপ করা হয় না। গ্রাউন্ড ট্রুথ হল ক্ষেত্র বা নির্ভরযোগ্য উচ্চ-রেজোলিউশন উৎসে পরিচিত সত্য শ্রেণীর স্বাধীন নমুনা। এই উদাহরণগুলির সাহায্যে, একটি বিভ্রান্তি ম্যাট্রিক্স প্রতিষ্ঠিত হয়েছে: প্রতিটি শ্রেণী কতবার সঠিক এবং কোন শ্রেণীর সাথে কতবার বিভ্রান্ত হয়েছে তা গণনা করা হয়। এটি থেকে, সামগ্রিক নির্ভুলতা (অনুপাত সঠিকভাবে শ্রেণীবদ্ধ) এবং কাপা (একটি চুক্তির পরিমাপ যা সুযোগের প্রভাবের জন্য সংশোধন করে) গণনা করা হয়। উপরন্তু, প্রযোজকের নির্ভুলতা (সেই শ্রেণীতে কতটা ধরা পড়েছিল) এবং ব্যবহারকারীর নির্ভুলতা (সেটি শ্রেণি কতটা নির্ভরযোগ্য) ক্লাসের ভিত্তিতে রিপোর্ট করা হয়।

সতর্কতা: আপনি প্রশিক্ষণের জন্য যে উদাহরণগুলি ব্যবহার করেন তা দিয়ে সঠিকতা পরিমাপ করবেন না। যদি একই উদাহরণ ট্রেন এবং পরীক্ষা, নির্ভুলতা কৃত্রিমভাবে উচ্চ হয়ে ওঠে; এটা একটা মায়া। বৈধতা নমুনা স্বাধীন হতে হবে.

তিনটি মিনি কেস: সংখ্যা দ্বারা

কেস 1 — মেঘের ছায়াকে জল বলে ভুল করা হয়েছিল। একটি শ্রেণীবিভাগে, যখন মডেলটি মেঘের ছায়াকে "জল" হিসাবে লেবেল করেছে, তখন হ্রদ এলাকাটি বেড়েছে যেখানে এটি আসলে ছিল না; জল শ্রেণীর ব্যবহারকারীর নির্ভুলতা 70% এ নেমে গেছে। যখন NDWI সূচক এবং ক্লাউড মাস্ক যোগ করা হয়, তখন ছায়া/জলের হস্তক্ষেপ কমে যায় এবং জলের নির্ভুলতা 90%-এর বেশি বেড়ে যায়।

কেস 2 - গ্রাউন্ড ট্রুথ দ্বারা রিপোর্ট পুনরুদ্ধার করা হয়েছে। একটি কৃষি জায় গবেষণা প্রাথমিক শ্রেণীবিভাগের 82% সামগ্রিক নির্ভুলতা রিপোর্ট করেছে, তবে এটি প্রশিক্ষণের নমুনা দিয়ে পরিমাপ করা হয়েছিল। যখন 120টি স্বাধীন গ্রাউন্ড ট্রুথ পয়েন্ট দিয়ে পুনরায় পরিমাপ করা হয়, তখন প্রকৃত সামগ্রিক নির্ভুলতা ছিল 71%; কৃষি এবং খালি জমি গুরুতরভাবে হস্তক্ষেপ করছিল। অতিরিক্ত প্রশিক্ষণের উদাহরণ সহ, শ্রেণিবিন্যাস উন্নত করা হয়েছে এবং নির্ভুলতা 84% বৃদ্ধি পেয়েছে। পাঠ: নির্ভুলতা স্বাধীন নমুনা দ্বারা পরিমাপ করা হয়।

কেস 3 - মৌসুমী ফাঁদ। যখন দুটি ভিন্ন তারিখে (বসন্ত এবং গ্রীষ্মের শেষের দিকে) তোলা ছবিগুলিকে একত্রে মিশ্রিত করা হয়, তখন ফসল তোলা ক্ষেত্রগুলি "বেয়ার গ্রাউন্ড" শ্রেণীতে স্থানান্তরিত হয় এবং কৃষি এলাকা 15% অনুপস্থিত বলে মনে হয়। একই ঋতু থেকে চিত্রগুলি নির্বাচন করা হলে এবং ফেনোলজিকাল ধারাবাহিকতা অর্জন করা হলে ফলাফলগুলি উন্নত হয়।

দুর্বল প্রম্পট / শক্তিশালী প্রম্পট

দুর্বল প্রম্পট:

এই স্যাটেলাইট ইমেজ শ্রেণীবদ্ধ করুন.

শক্তিশালী প্রম্পট:

টাস্ক: একটি ল্যান্ড কভার ক্লাসিফিকেশন ওয়ার্কফ্লো তৈরি করুন (পাইথন/রাস্টেরিও + স্কিট-লার্ন কোড কঙ্কাল সহ)। প্রসঙ্গ:- সেন্সর: 4 ব্যান্ড (নীল, সবুজ, লাল, এনআইআর), 10 মিটার রেজোলিউশন- ক্লাস: জল, বন, কৃষি, নির্মাণ, বেয়ার_গ্রাউন্ড- উদ্দেশ্য: বর্তমান ভূমি কভারের 1 রিপোর্ট: বর্তমান ভূমির কভারের মানচিত্র (NDVI, NDWI) যোগ করতে এবং কেন লিখুন। 2) তত্ত্বাবধানে শ্রেণীবিভাগের ধাপগুলি তালিকাভুক্ত করুন; জোর দিন যে প্রশিক্ষণ এবং যাচাইকরণের নমুনাগুলি আলাদা হওয়া উচিত। 3) কোড কঙ্কালে ত্রুটি ম্যাট্রিক্স + সামগ্রিক নির্ভুলতা + কাপ্পা গণনা রাখুন। 4) মেঘ/ছায়া এবং ঋতু বিভ্রান্তির ঝুঁকিগুলি নোট করুন।

শক্তিশালী প্রম্পট ক্লাস সেট, রেজোলিউশন, সূচক যুক্তি, এবং বৈধতা পার্থক্য নির্দিষ্ট করে; আউটপুট পরিমাপযোগ্য হয়ে ওঠে।

চারটি অনুলিপিযোগ্য টেমপ্লেট

1) পদ্ধতি/সূচী নির্বাচন:

উদ্দেশ্য [লক্ষ্য] এবং সেন্সর [ব্যান্ড/রেজোলিউশন] এর জন্য আপনি কোন বর্ণালী সূচক এবং শ্রেণিবিন্যাস পদ্ধতির সুপারিশ করবেন? প্রতিটি পছন্দের জন্য, যুক্তি এবং বিভ্রান্তির সম্ভাব্য ঝুঁকি লিখুন (যা ক্লাস একে অপরের মতো)।

2) শ্রেণিবিন্যাস কোড কঙ্কাল:

রাস্টেরিও + স্কিট-লার্ন সহ একটি তত্ত্বাবধানে শ্রেণিবদ্ধকরণ কাঠামো লিখুন: টেপ পড়া, সূচক গণনা, প্রশিক্ষণ/বৈধকরণ নমুনাগুলির পৃথকীকরণ, শ্রেণিবিন্যাস, ত্রুটি ম্যাট্রিক্স এবং নির্ভুলতা আউটপুট। CRS বজায় রাখা; ব্যাখ্যা

3) নির্ভুলতা মূল্যায়ন সেটআপ:

শ্রেণিবিন্যাস নির্ভুলতা মূল্যায়ন করার জন্য একটি পরিকল্পনা লিখুন: স্বাধীন গ্রাউন্ডট্রুথ নমুনা নকশা, ত্রুটি ম্যাট্রিক্স, সামগ্রিক নির্ভুলতা, কাপ্পা, শ্রেণী অনুসারে প্রযোজক/ব্যবহারকারীর নির্ভুলতা। প্রতিটি মেট্রিক কী বলে তা ব্যাখ্যা করুন।

4) হস্তক্ষেপ নির্ণয়:

নীচের ত্রুটি ম্যাট্রিক্স ব্যাখ্যা করুন: কোন ক্লাস একে অপরের সাথে হস্তক্ষেপ করছে, সম্ভাব্য বর্ণালী/মৌসুমী কারণ কি, কোন অতিরিক্ত ডেটা (সূচক, মুখোশ, তারিখ) বিভ্রান্তি হ্রাস করবে? ম্যাট্রিক্স: [ত্রুটি ম্যাট্রিক্স]

শ্রেণিবিন্যাস ধারণার তুলনা

ধারণা

অর্থ

যখন

তত্ত্বাবধানে

লেবেলযুক্ত উদাহরণ সহ প্রশিক্ষণ

ক্লাস পূর্বনির্ধারিত

তত্ত্বাবধানহীন

লেবেল-মুক্ত ক্লাস্টারিং

আবিষ্কার, কোন উদাহরণ নেই

এনডিভিআই

উদ্ভিদ জীবনীশক্তি সূচক

উদ্ভিদ/বেয়ার/জল বিচ্ছেদ

NDWI

জল সূচক

জল দেহ বিচ্ছেদ

ত্রুটি ম্যাট্রিক্স

সত্য/মিথ্যা গণনা

নির্ভুলতা পরিমাপ

কাপ্পা

সুযোগ-সংশোধিত ফিট

স্ট্যান্ডার্ড নির্ভুলতা রিপোর্ট

সাধারণ ভুল

• প্রশিক্ষণ উদাহরণ সহ নির্ভুলতা পরিমাপ. অ-স্বাধীন পরীক্ষা কৃত্রিমভাবে উচ্চ নির্ভুলতা দেয়।
• নির্ভুলতা পরিমাপ না করেই মানচিত্র হস্তান্তর করা। "সুন্দর দেখাচ্ছে" সঠিকতার প্রমাণ নয়।
• ক্লাউড/শ্যাডো মাস্ক এড়িয়ে যাওয়া। ছায়া মিশে যায় জলের সাথে, মেঘ মিশে যায় তুষার/কাঠামোর সাথে।
• বিভিন্ন ঋতু/তারিখের ছবি মেশানো। Phenological পার্থক্য ক্লাস স্থানান্তর.
• অনেকগুলি এবং অনুরূপ ক্লাস সংজ্ঞায়িত করা। অভেদযোগ্য শ্রেণী নির্ভুলতা হ্রাস করে।
• রেজোলিউশন উপেক্ষা করা। ছোট বস্তু এক পিক্সেলের চেয়ে ছোট হলে শ্রেণীবদ্ধ করা যাবে না।

সংক্ষেপে

রিমোট সেন্সিং-এ, এআই মাল্টিস্পেকট্রাল ডেটা থেকে ল্যান্ড কভার ম্যাপিং পর্যন্ত কর্মপ্রবাহের গতি বাড়ায় এবং শ্রেণীবিভাগের অনেকটাই দখল করতে পারে। কিন্তু একটি শ্রেণীবিন্যাস মানচিত্র শুধুমাত্র উপযোগী যদি এর সঠিকতা পরিমাপ করা হয়: স্বাধীন গ্রাউন্ড ট্রুথ নমুনা সহ একটি ত্রুটি ম্যাট্রিক্স তৈরি করা এবং সামগ্রিক নির্ভুলতা এবং কাপা গণনা করা মানক। মেঘ/ছায়া, ঋতু পরিবর্তন, এবং অনুরূপ শ্রেণী হস্তক্ষেপের সাধারণ উৎস; সূচী, মুখোশ এবং তারিখের সামঞ্জস্য দিয়ে তাদের পরিচালনা করুন। প্রশিক্ষণ এবং বৈধতা নমুনা মিশ্রিত করবেন না.

আবেদন টাস্ক

একটি ল্যান্ড কভার প্রশ্ন নির্বাচন করুন (যেমন "শহুরে সবুজ স্থান মানচিত্র")। ক্লাস সেট, আপনি যে ব্যান্ড এবং সূচকগুলি ব্যবহার করবেন তা লিখুন (অন্তত NDVI)। AI একটি তত্ত্বাবধানে শ্রেণীবিভাগের কর্মপ্রবাহ তৈরি করুন; নিশ্চিত করুন যে প্রশিক্ষণ এবং যাচাইকরণের নমুনাগুলি আলাদা এবং ত্রুটি ম্যাট্রিক্স + কাপ্পা গণনা আউটপুটে অন্তর্ভুক্ত করা হয়েছে। তারপরে একটি "বিভ্রান্তির ঝুঁকি" তালিকা তৈরি করুন: কোন দুটি শ্রেণী একই রকম এবং আপনি কীভাবে তাদের আলাদা করবেন।

চেকলিস্ট

• [ ] আমি ক্লাস সেট ছোট এবং আলাদা রাখা.
• [ ] আমি এই উদ্দেশ্যে উপযুক্ত বর্ণালী সূচক (NDVI/NDWI) যোগ করেছি।
• [ ] আমি প্রশিক্ষণ এবং বৈধতার উদাহরণ আলাদা করেছি৷
• [ ] আমি ক্লাউড/শ্যাডো মাস্ক এবং সিজনের ধারাবাহিকতা পরীক্ষা করেছি।
• আমি স্বাধীন স্থল সত্যের সাথে নির্ভুলতা পরিমাপ করেছি।
• [ ] আমি ত্রুটি ম্যাট্রিক্স, সামগ্রিক নির্ভুলতা, এবং Kappa রিপোর্ট করেছি।
• আমি ক্লাস মিক্স-আপগুলি নির্ণয় এবং নিরাময় করেছি।
• [ ] আমি এটিকে প্রকৌশলী অনুমোদনের অধীন করেছি যে মানচিত্রটি তার উদ্দেশ্যমূলক ব্যবহারের জন্য সঠিক।