zisky:
- Schopnost interpretovat GIS vrstvy, NDVI a koncepty pásma/rozlišení vzdáleného průzkumu
- Interpretace indexů, analýza změn a navrhování narativních map pomocí AI
- Schopnost ověřit satelitní/mapovou interpretaci AI s pozemní pravdou a metadaty
Jste environmentální inženýr a pracujete na projektu ochrany mokřadů. Rada chce, abyste prošetřil stížnosti, že se rákosové dno na břehu jezera za posledních pět let zmenšilo. Než půjdete do terénu, musíte u svého stolu provést předběžné hodnocení: máte satelitní snímky ze dvou různých let, projekt GIS (Geographic Information System) a jazykový model. Můžete nechat LLM interpretovat NDVI souhrn obrázků a napsat návrh příběhu o změně. Satelitní pixel však představuje 10metrový čtverec a zda je na tomto čtverci stín mraků, vysychající rákos nebo sezónní hladina vody, pochopíte pouze s přízemní pravdou. V této jednotce pokrýváme koncepty dálkového průzkumu Země a GIS, interpretaci indexů/změn pomocí AI a co je nejdůležitější, limity této interpretace.
Základy logiky vrstvy GIS a dálkového průzkumu Země
GIS organizuje geografická data do překrývajících se vrstev: každá vrstva nese téma (využití území, vodní útvary, nadmořská výška, silnice) a je zarovnána ve společném souřadnicovém systému. Analýza začíná překrýváním správných vrstev ve správné projekci; špatný souřadnicový systém systematicky zkresluje oblasti a vzdálenosti.
Při interpretaci obrazu dálkového průzkumu musíte rozlišovat tři typy rozlišení:
Typ rozlišení
co to říká?
příklad
omezení
prostorové
Velikost pixelu na zemi
10m, 30m
Malé objekty zůstávají sub-pixelové
spektrální
Kolik a jaké vlnové pásmo?
Červená, NIR, SWIR
Méně pásma = menší rozlišovací schopnost
časové
Jak často je prohlíženo stejné místo
5 dní, 16 dní
Ztráta dat v zatažených dnech
Radiometrické
Citlivost jasu (bitová hloubka)
8bitové, 12bitové
Nízká hloubka = špatná diskriminace
NDVI: vzorec a výklad
Nejběžnějším indexem měřícím vitalitu vegetace je NDVI (Normalized Difference Vegetation Index). Zdravá rostlina silně odráží blízké infračervené (NIR) a absorbuje červenou (RED):
NDVI = (NIR − RED) / (NIR + RED)Rozsah hodnot: −1 ... +1 < 0 : voda, sníh, mrak 0,0 - 0,2 : holá půda, skála, zastavěná plocha 0,2 - 0,5 : řídká/bylinná vegetace, stresovaný pokryv 0,5 - 0,9 : hustý
# NDVI malého ukázkového bloku pixelů importovaných numpy jako npnir = np.array([[0,42, 0,38], [0,11, 0,45]]) # blízké infračervené reflektance = np.array([[0,06, 0,09], [0,10] červená reflektovaná / 0. = (0,10], červená) / 0. (nir + red)print(np.round(ndvi, 2))# [[0,75 0,62]# [0,05 0,80]]# pixel vlevo dole (0,05): ne rostlina – může to být holá zem nebo voda/stín
Tip: NDVI není absolutní míra „zdraví“, ale indikátor závislý na stavu. Při porovnávání dvou datovaných NDVI stejné oblasti se ujistěte, že snímky byly pořízeny v podobných ročních obdobích, podobných úhlech slunce a bez mraků. Srovnání vzhledu pozdního léta a jara vytváří neskutečnou „úbytek rostlin“.
Analýza změn (detekce změn)
Jednoduchý způsob, jak najít rozdíl mezi dvěma daty, je vzít rozdíl NDVI, ale tento rozdíl má smysl pouze tehdy, pokud lze snímky porovnat.
ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0 : ztráta krytí možná (sušení, řezání, konstrukce) ΔNDVI ≈ 0 : žádná změna ΔNDVI >> 0 : zvýšení krytí možné (zelenání, obnova) POZOR: Rozdíl může odrážet skutečnou změnu a také rozdíly slunečního úhlu/kalibrace. Rozdíl = skutečná změna + šum.
Pozor: Cloud, cloud shadow a sezónnost jsou největšími kritiky analýzy změn. Oblast pod stínem mraků dává nízké NDVI a vypadá jako „úbytek vegetace“. Když LLM provádí interpretaci obrazu, model může tyto artefakty zaměnit za skutečnou událost. Nezapomeňte zkontrolovat metadata obrázku (datum, procento oblačnosti, úhel slunce).
Interpretace indexu a vyprávění mapy pomocí AI
LLM je užitečná při převodu souhrnů číselných indexů do jednoduchého příběhu a vytváření návrhů zpráv. Poskytněte mu nezpracované statistiky a metadata NDVI a požádejte ho, aby vygeneroval komentář, který si můžete ověřit.
SLABÁ VÝZVA: "Zmenšil se mokřad na tomto satelitním snímku?" DŮRAZNÁ VÝZVA: "Dávám dvě datované statistiky NDVI (stejná oblast, stejný senzor): 2020-07-15 prům. NDVI=0,61 oblačnost=3% úhel slunce=58°2025-07-12 prům. NDVI=0,42 oblačnost=22% úhel slunce=55°Oblast zájmu:resa.40 břeh jezera ΔNDVI a uveďte možné interpretace.2) Uveďte, jaké důvody (oblačnost, stín, hladina vody, roční období, kalibrace) může být tento pokles způsoben (oblačnost, stín, hladina vody, roční období, kalibrace) JINÉ NEŽ SKUTEČNÁ ztráta krytí.3) Pro každou možnou příčinu navrhněte krok OVĚŘENÍ, abyste ji odlišili (např. nárokování bezoblačno-výběrem snímku hladiny, shrunk, návštěva v terénu). X%' NENASTAVUJTE, že to lze říci pouze tehdy, pokud to potvrdí základní pravda.
Silná výzva směruje model nikoli k jedinému definitivnímu závěru, ale k plánu alternativních vysvětlení a ověření. Skutečnost, že snímek z roku 2025 obsahuje 22 % oblačnosti, činí pokles sám o sobě podezřelým.
Pozemní ověření pravdy
Zlatým standardem interpretace dálkového průzkumu Země jsou ověřovací body s pozorováními a měřeními prováděnými v terénu. Skutečný krajinný pokryv zaznamenáte pomocí GPS v několika referenčních bodech a porovnáte jej s klasifikací snímků. Pokud pole říká „suché rákosí“ v pixelu, kde AI nebo algoritmus říká „voda“, klasifikace je nespolehlivá.
mini pouzdro
Při monitorování vlivu těžebního místa na životní prostředí tým navrhl „15 hektarů ztráty lesa v důsledku těžební činnosti“ na základě snížení NDVI vypočítaného ze satelitního snímku a nechal interpretaci rozšířit do LLM; model vytvořil plynulé, přesvědčivé vyprávění. Když však tým na poli zprávu zkontroloval, bylo vidět, že část oblasti s nízkou hodnotou NDVI byla ve skutečnosti sklizená zemědělská parcela a její část byl stínem mraků, který se shodoval s dnem pořízení snímku. Skutečná ztráta lesa byla asi 4 hektary, nikoli 15. Pokud by byla předem zkontrolována metadata (maska mraků) a vrstva využití půdy, bylo by v první řadě zabráněno chybě. Úhledné věty LLM nezpůsobily správný vstup.
Časté chyby
- Porovnávání snímků různých ročních období/úhlů slunce a zaměňování sezónního rozdílu za „změnu“.
- Interpretace oblačnosti a stínu oblačnosti jako skutečné ztráty krytí; obcházení masky mraků.
- Vytváření přesných úsudků z pixelových dat o malých objektech přesahujících prostorové rozlišení.
- Špatný výpočet oblastí a vzdáleností kvůli nesouladu souřadnicového systému/projekce.
- Myslet si, že NDVI je absolutní měřítko zdraví a zacházet s vodou a stínovými pixely, jako by to byly rostliny.
- Vložení vyprávění o tekuté mapě LLM do zprávy jako konečné zjištění bez základní pravdy.
- Hlášení výsledků bez dokumentování metadat (datum, senzor, cloud %, úroveň zpracování).
V souhrnu
- GIS analýzy jsou postaveny na vrstvách zarovnaných ve společném souřadnicovém systému; Chyba projekce zkresluje výsledek.
- Prostorové, spektrální, časové a radiometrické rozlišení omezuje to, co může obrázek zobrazit.
- NDVI = (NIR−RED)/(NIR+RED) je podmíněným ukazatelem vitality rostliny, nikoli absolutní mírou zdraví.
- V analýze změn rozdíl = skutečná změna + šum; Mrak, stín a roční období jsou největší podvodníci.
- LLM vytváří interpretaci indexu a narativní obrys mapy, ale „nevidí“ satelitní snímek; Komentáře podle vámi uvedeného čísla.
- Interpretaci umělé inteligence a automatickou klasifikaci nelze převést do konečných environmentálních zjištění bez ověření se základní pravdou a metadaty.
Aplikační úkol
Vytvořte nebo předpokládejte dva datované souhrny NDVI pro pole (buď podle vašeho výběru nebo vzorek); Poznamenejte si metadata (datum, procento oblačnosti, úhel slunce, senzor) pro každé datum. Vypočítejte ΔNDVI. Napište důraznou výzvu a nechte LLM požádat nejen o skutečnou změnu krytu, ale také o alternativní vysvětlení (oblačnost, stín, roční období, hladina vody, kalibrace) a ověřovací krok pro každou z nich. Poté navrhněte „plán ověření základní pravdy“: alespoň tři referenční body, co bude měřeno v terénu a jak to bude ve srovnání s interpretací obrazu. Nakonec označte, které tvrzení ve vyprávění vytvořeném LLM „nelze zahrnout do zprávy bez ověření“ a napište důvod.