Dobici:
- Sposobnost da se objasni kako se multispektralni satelitski podaci, kombinacije opsega i spektralni indeksi (NDVI itd.) koriste sa AI
- Sposobnost konfigurisanja nadzirane/nenadzirane klasifikacije i toka rada za mapiranje zemljišnog pokrivača uz podršku AI
- Sposobnost testiranja izlaza klasifikacije sa temeljnom istinom i matricom greške/kriterijuma tačnosti
Daljinska detekcija je nauka o merenju zemljine površine bez fizičkog kontakta, sa senzorima na satelitima ili vazdušnim platformama. Satelitski snimak zapravo nije fotografija, već skup slojeva mjerenja snimljenih na više valnih dužina, a inteligentnim kombinovanjem ovih slojeva može se mapirati zemljišni pokrivač (šuma, voda, poljoprivreda, građevinarstvo). U ovoj jedinici pokrivamo kako umjetna inteligencija ubrzava ovaj radni tok, od multispektralnih podataka do klasifikacije zemljišnog pokrivača, i gdje je stručna prosudba neophodna. Princip: AI generiše ili kodira klasifikaciju; Preciznost mape se meri u inženjeru nezavisnom prizemnom matricom istine i greške.
Osnovni pojmovi. Multispektralna slika je slika snimljena u nekoliko opsega talasnih dužina (plava, zelena, crvena, bliska infracrvena, itd.); svaka traka je sloj. Hiperspektralna je mnogo bogatija, ali teška za obradu podataka, sadrži desetine do stotine uskih traka. Spektralni indeks je broj koji naglašava fenomen kroz matematičku kombinaciju traka; najpoznatiji, NDVI (Normalized Difference Vegetation Index), mjeri snagu zelene vegetacije koristeći razliku između bliskog infracrvenog i crvenog pojasa. Nadzirana klasifikacija uključuje obuku modela s unaprijed označenim uzorcima i klasifikaciju cijele slike. Nenadzirana klasifikacija je grupisanje podataka na osnovu sličnosti bez oznaka i njihovo kasnije tumačenje.
Uloga AI u daljinskom otkrivanju
Umjetna inteligencija doprinosi ovoj oblasti na tri nivoa:
- Tok rada i odabir metode. "Koji su bendovi, koji indeks, koji klasifikator su prikladni za ovo pitanje?" vodi vas u vašoj odluci; proizvodi skelet koda.
- Sama klasifikacija. Moderni modeli dubokog učenja sortiraju milione piksela u klase zemljišnog pokrivača; Ovo je oblast srednjeg i visokog doprinosa u kojoj AI obavlja pravi posao.
- Tumačenje rezultata i izvještavanje. Transkribuje statistiku klase, analizu promena i izveštaj o tačnosti u čitljiv tekst.
Slepa tačka: model zavisi od podataka na kojima je obučen i primera koje dajete. Sjena oblaka i voda, gola zemlja i polje nakon žetve, plitka voda i mokro tlo se lako miješaju. Dakle, klasifikacijska mapa nije istinita samo zato što izgleda lijepo; tačnost se mora meriti.
Savjet: Razjasnite svoje pitanje prije nego počnete klasificirati. "Klasifikujte pokrivač zemljišta" je nejasno; „Mapiranje gubitka poljoprivrednog zemljišta u korist izgradnje između 2020.-2025.“ određuje i klasni skup i kriterijum verifikacije.
Korak po korak: Klasifikacija zemljišnog pokrivača
- Pripremite podatke i trake. Potvrdite pokrivenost oblaka slike, datum snimanja, rezoluciju (veličinu piksela) i redoslijed opsega. Različite klase promjene datuma/sezone.
- Definirajte skup klasa. Koliko klasa, kojih (voda, šuma, poljoprivreda, građevinarstvo, golo tlo)? Manje i više prepoznatljivih klasa su pouzdanije.
- Izračunajte indekse. Indeksi kao što su NDVI (biljka), NDWI (voda) razlikuju klase; postaje ulaz u klasifikator.
- Prikupite uzorke obuke (za nadgledane). Uzorci poligona potvrđeni provjerom terena za svaku klasu. Kvalitet uzorka određuje tačnost.
- Klasificirajte i provjerite. Obučite model, zatim napravite matricu grešaka sa nezavisnim (neobučenim) uzorcima i izračunajte ukupnu tačnost i Kappa.
Osnovna matrica istine i grešaka
Tačnost klasifikacije se ne mjeri procjenom oka. Osnovna istina su nezavisni uzorci poznate prave klase na terenu ili u pouzdanom izvoru visoke rezolucije. Ovim primjerima se uspostavlja matrica zabune: broji se koliko puta je svaka klasa ispravna i koliko puta je pomiješana s kojom klasom. Iz ovoga se izračunava ukupna tačnost (proporcija ispravno klasifikovana) i Kappa (mera slaganja koja koriguje efekat slučajnosti). Pored toga, tačnost proizvođača (koliko je uhvaćeno u toj klasi) i tačnost korisnika (koliko je ta klasa pouzdana) se izvještavaju na bazi klase.
Oprez: Nemojte mjeriti tačnost primjerima koje koristite za obuku. Ako se isti primjeri treniraju i testiraju, preciznost postaje umjetno visoka; Ovo je iluzija. Uzorci za validaciju moraju biti nezavisni.
Tri mini slučaja: prema brojevima
Slučaj 1 — Sjena oblaka je pogrešno zamijenjena vodom. U jednoj klasifikaciji, kada je model označio sjene oblaka kao "vodu", područje jezera je raslo tamo gdje zapravo nije bilo; korisnička tačnost klase vode pala je na 70%. Kada su dodani NDWI indeks i maska oblaka, smetnje senke/vode su se smanjile i preciznost vode se povećala na preko 90%.
Slučaj 2 — Izvještaj otkriven temeljnom istinom. Studija poljoprivrednog inventara prijavila je 82% ukupne tačnosti početne klasifikacije, ali je to mjereno uz pomoć uzoraka za obuku. Kada se ponovo izmjeri sa 120 nezavisnih tačaka istinitosti, stvarna ukupna preciznost je bila 71%; Poljoprivreda i gola zemlja su ozbiljno smetali. Uz dodatne primjere obuke, klasifikacija je poboljšana, a preciznost povećana na 84%. Lekcija: tačnost se meri nezavisnim uzorkom.
Slučaj 3 — Sezonska zamka. Kada su slike snimljene na dva različita datuma (proleće i kasno leto) pomešane, požnjevene njive su prešle u klasu "gole zemlje" i činilo se da poljoprivredne površine nedostaje 15%. Rezultati su se poboljšali kada su slike odabrane iz iste sezone i postignuta je fenološka konzistencija.
Slaba prompt / jaka prompt
Slab upit:
Klasifikujte ovu satelitsku sliku.
Snažan upit:
Zadatak: izgraditi radni tok klasifikacije zemljišnog pokrivača (uključujući Python/rasterio + scikit-učiti skelet koda). Kontekst:- Senzor: 4 trake (plava, zelena, crvena, NIR), rezolucija 10 m- Klase: voda, šuma, poljoprivreda, izgradnja, golo tlo- Svrha: trenutni izvještaj o zemljišnom pokrivaču + Zahtjev: trenutna karta zemljišnog pokrivača + zahtjev za 1. (NDVI, NDWI) dodati i zašto napisati.2) Navesti nadzirane korake klasifikacije; Naglasite da uzorci obuke i VALIDACIJE trebaju biti ODVOJENI.3) Stavite matricu greške + ukupnu tačnost + izračun Kapa u kostur koda.4) Obratite pažnju na rizike od oblaka/sjene i sezonske konfuzije.
Jaki prompt specificira skup klasa, rezoluciju, obrazloženje indeksa i razlikovanje validacije; izlaz postaje mjerljiv.
Četiri predloška koji se mogu kopirati
1) Izbor metode/indeksa:
Koji spektralni indeks i metodu klasifikacije biste preporučili za cilj [cilj] i senzor [opsege/rezoluciju]? Za svaki izbor napišite obrazloženje i potencijalni rizik od zabune (koje su klase slične jedna drugoj).
2) Kostur klasifikacijskog koda:
Napišite nadzirani klasifikacioni okvir sa Rasterio + scikit-learn: čitanje trake, izračunavanje indeksa, RAZVOJ uzoraka obuke/validacije, klasifikacija, matrica grešaka i izlaz tačnosti. Održavati CRS; objasniti.
3) Podešavanje procjene tačnosti:
Napišite plan za procjenu tačnosti klasifikacije: nezavisni dizajn uzorka temeljne istine, matrica grešaka, ukupna tačnost, Kappa, tačnost proizvođača/korisnika po klasi. Objasnite šta svaka metrika kaže.
4) Dijagnoza smetnji:
Protumačite matricu grešaka u nastavku: koje klase ometaju jedna drugu, koji je mogući spektralni/sezonski razlog, koji dodatni podaci (indeks, maska, datum) bi smanjili zabunu? Matrica: [matrica grešaka]
Poređenje pojmova klasifikacije
koncept
Značenje
kada
pod nadzorom
Trening sa označenim primjerom
Klase su unapred određene
Bez nadzora
Grupiranje bez oznaka
Otkriće, bez primjera
NDVI
indeks vitalnosti biljaka
Odvajanje biljke/gole/vode
NDWI
indeks vode
odvajanje vodnog tijela
Matrica grešaka
Tačno/netačno broj
merenje tačnosti
kappa
Pristajanje ispravljeno za slučajeve
Standardni izvještaj o preciznosti
Uobičajene greške
- Mjerenje tačnosti sa primjerima obuke. Nezavisno testiranje daje umjetno visoku točnost.
- Predajem mapu bez tačnosti mjerenja. "Izgleda lijepo" nije dokaz tačnosti.
- Preskakanje maske oblaka/sjene. Senka se meša sa vodom, oblak se meša sa snegom/strukturom.
- Miješanje različitih godišnjih doba/datum slika. Fenološke razlike mijenjaju klase.
- Definiranje previše i sličnih klasa. Nerazlučive klase smanjuju preciznost.
- Ignoriranje rezolucije. Mali objekti se ne mogu klasificirati ako su manji od jednog piksela.
Ukratko
U daljinskom otkrivanju, AI ubrzava tok posla od multispektralnih podataka do mapiranja zemljišnog pokrivača i može preuzeti veći dio klasifikacije. Ali mapa klasifikacije je korisna samo ako se meri njena tačnost: standardno je konstruisati matricu grešaka sa nezavisnim uzorcima istinitosti i izračunati ukupnu tačnost i kapu. Oblak/sjena, sezonske varijacije i slične klase su tipični izvori smetnji; Upravljajte njima pomoću indeksa, maske i konzistentnosti datuma. Nikada nemojte miješati uzorke za obuku i validaciju.
Zadatak aplikacije
Odaberite pitanje o zemljištu (npr. "karta urbanih zelenih površina"). Zapišite skup klasa, opsege i indekse koje ćete koristiti (barem NDVI). Neka AI proizvede tok rada klasifikacije pod nadzorom; pobrinite se da su uzorci obuke i validacije odvojeni i da je matrica greške + izračun Kappa uključena u izlaz. Zatim napravite listu "rizika od zabune": koje dvije klase su slične i kako ih razlikujete.
kontrolna lista
- [ ] Držao sam razrede malim i prepoznatljivim.
- [ ] Dodao sam spektralne indekse (NDVI/NDWI) pogodne za tu svrhu.
- [ ] Odvojio sam primjere obuke i validacije.
- [ ] Provjerio sam masku oblaka/sjene i konzistenciju sezone.
- [ ] Izmjerio sam tačnost nezavisnom temeljnom istinom.
- [ ] Prijavio sam matricu grešaka, ukupnu tačnost i Kappa.
- [ ] Ja sam dijagnosticirao i izliječio zabune u razredu.
- [ ] Podvrgao sam ga inženjerskom odobrenju da je karta tačna za namjeravanu upotrebu.