zisky:
- Schopnost nastavit a spustit automatizaci pracovních postupů s podporou AI s PyQGIS a návrhářem modelů
- Schopnost spravovat ochranu osobních údajů, autorská práva, licence a omezení odpovědnosti inženýrů v rámci projektu typu end-to-end
- Schopnost navrhnout geomatický projekt v toku s podporou umělé inteligence, ale zaměřeným na ověřování od sběru dat až po dodání
Modulová zkouška
1. Která z následujících věcí je základním principem, který určuje riziko výstupu AI v průzkumu?
- A) Riziko výstupu se rovná poškození, které by způsobilo, kdyby byl výstup vadný; validační stupnice odpovídajícím způsobem ✔
- B) Výstup AI je obecně bezpečný, protože je psán plynule a sebejistě
- C) Při použití nejaktuálnějšího modelu není ověření nutné
- D) Pokud se výstup vztahuje k normě, není nutná žádná další kontrola
Vysvětlení: Riziko výstupu se rovná poškození, které způsobí, pokud je výstup vadný. Zatímco drobná chyba v přehledu literatury je z velké části neškodná, chyba v katastrální hranici nebo výškopisné hodnotě může vést k porušení majetku, nesprávné aplikaci stavby a poškození majetku; takže intenzita ověřování se škáluje s potenciální škodou.
2. Který úkol je nejbezpečněji a nejvhodněji přiřazen AI při kontrole kvality sady měření GNSS?
- A) Konečně přijmout přesnost souřadnic bodů a prohlásit je za připravené k registraci
- B) Editace hrubých pozorovacích tabulek a označení možných odlehlých hodnot/nesrovnalostí ✔
- C) Potvrzení aplikačních hodnot přímo bez ohledu na principy měření
- D) Považovat výsledek za platný bez výpočtu jakýchkoli chyb uzávěrky
Vysvětlení: Nejbezpečnějším přínosem umělé inteligence jsou pomocné úkoly, které může technik ovládat, jako je organizace rozptýlených nezpracovaných dat a anotací, označování nekonzistencí a odlehlých hodnot. Konečné převzetí přesnosti bodové souřadnice zůstává se souhlasem inženýra, včetně závěrových chyb a zásad měření; Umělá inteligence, která říká, že „to je naprosto správné“, není důkaz.
3. Které informace musí být AI jasně uvedeny v žádosti o transformaci souřadnic?
- A) Pouze názvy bodů
- B) Pouze název cílové projekce, datum není důležité
- C) Zdrojový a cílový souřadnicový systém (datum + projekce/EPSG) a transformační parametry ✔
- D) Jméno osoby provádějící měření
Vysvětlení: Transformace souřadnic má smysl pouze tehdy, jsou-li specifikovány zdrojový systém, cílový systém (datum + projekce, např. kód EPSG) a požadované parametry transformace. Pouhým vyslovením 'převést na UTM' není jasné, který počátek se z kterého počátku přesouvá a může způsobit posun nuly o metry.
4. Který z následujících způsobů je nejpraktičtější pro ověření výstupu transformace?
- A) Pohled na počet desetinných míst ve výstupu
- B) Podívejte se, jak rychle model dává odpověď
- C) Přenesení výsledku do CAD bez jeho kontroly
- D) Vložení kontrolního bodu, jehož souřadnice jsou známé, prostřednictvím stejné transformace a jeho porovnání s očekávanou hodnotou ✔
Vysvětlení: Projetí jednoho nebo několika řídicích bodů, jejichž souřadnice jsou známé, prostřednictvím stejné transformace a jejich porovnání s očekávanou hodnotou rychle odhalí chyby parametrů i vztažných bodů. Systematický rozdíl v desítkách metrů je typicky nesprávným znakem data/parametru. Skutečnost, že výstup vypadá hladce, není důkazem správnosti.
5. Co je nejkritičtějším předpokladem pro správné výpočty vyrovnávací paměti a plochy v GIS?
- A) Vrstva je v příslušném metrickém (promítacím) souřadnicovém systému ✔
- B) Barva vrstvy
- C) Pořadí sloupců v atributové tabulce
- D) Název souboru vrstvy by měl být krátký
Vysvětlení: Výpočty vzdálenosti a plochy mají smysl pouze v metrickém (projektovaném) souřadnicovém systému. Přímé ukládání do vyrovnávací paměti v zeměpisných souřadnicích (zeměpisná šířka/délka ve stupních) poskytuje nepřesné výsledky kvůli záměně stupňů a metrů. Proto musí být vrstva před analýzou umístěna do příslušné projekce.
6. Jaký je standardní způsob měření přesnosti mapy krajinného pokryvu v klasifikaci satelitních snímků?
- A) Podívejte se, jak zářivé jsou barvy mapy
- B) Vytvoření matice chyb s nezávislými vzorky základní pravdy a výpočet celkové přesnosti/Kappa ✔
- C) Spoléhání na velký počet tříd
- D) Při pohledu na rozlišení obrazu a za předpokladu přesnosti
Popis: Přesnost klasifikace je vyhodnocena vytvořením matoucí matice s nezávislými vzorky základní pravdy a jejím vykazováním s metrikami, jako je celková přesnost a Kappa. „Dobrý vzhled“ mapy nebo živost barev třídy nejsou důkazem přesnosti.
7. Co je základním prvkem, který zajišťuje polohovou přesnost při fotogrammetrické ortofoto a výrobě DSM?
- A) Stačí udělat spoustu fotek
- B) UAV je drahý model
- C) Kontrola přesnosti s přesně změřenými pozemními kontrolními body a nezávislými kontrolními body ✔
- D) Let by měl být proveden za oblačného dne
Popis: Pozemní kontrolní body (GCP) propojují fotogrammetrický model s reálným souřadnicovým systémem a určují přesnost měřítka/umístění. Přesnost je navíc testována výpočtem RMSE s nezávislými kontrolními body, které nevstupují do modelu. Pouhé zvýšení počtu snímků nebo zdražení UAV nezaručuje přesnost.
8. Který krok je povinný pro generování digitálního modelu terénu (DTM) z mračna bodů LiDAR?
- A) Převedení všech bodů na plochu tak, jak je
- B) Použití pouze nejvyšších bodů
- C) Vymazání hodnot hustoty
- D) Oddělení nepozemních (budova, strom) bodů s pozemní filtrací ✔
Popis: DTM představuje holý povrch země; Proto je třeba oddělit nepozemní body, jako jsou budovy, stromy, vozidla (pozemní filtrování/klasifikace). Pokud tento krok přeskočíte, získá se horní povrch (DSM), nikoli DTM. AI může klasifikaci urychlit, ale výsledek musí být ověřen pomocí průřezů profilu.
9. Jaká je jedna z nejčastějších a nejrizikovějších chyb při automatickém generování map pomocí AI?
- A) Vynechání povinných prvků, jako je měřítko, legenda, souřadnicový systém a hodnocení přesnosti ✔
- B) Používání příliš mnoha kontrolních bodů
- C) Seskupování vrstev
- D) Přidání názvu k listu
Vysvětlení: Automatická symbolizace a označování je rychlé, ale pokud chybí základní kartografické prvky jako měřítko, legenda, severní šipka, souřadnicový systém a poznámka o přesnosti, stává se mapa zavádějící a oficiálně nepoužitelná. Vizuální přitažlivost tyto základní prvky nenahrazuje.
10. Jaký by měl být stav výstupu AI při práci s údaji katastru a katastru nemovitostí?
- A) Považuje se za definitivní údaj, který lze přímo zapsat do listu vlastnictví.
- B) bráno jako předběžná kontrola/návrh; Konečná platnost závisí na měření, legislativě a schválení úřadem ✔
- C) Majetkové spory řešte sami
- D) Stává se úředním dokumentem bez nutnosti jakékoli kontroly.
Vysvětlení: Údaje o katastrální hranici, ploše a vlastnictví mají právní důsledky; Umělá inteligence produkuje nejvíce preflights, nekonzistentních skenů a konceptů. Konečná platnost závisí na měření, legislativě a schválení autorizovaným inženýrem/institucí. Prohlášení výstupu umělé inteligence za „konečný“ vytváří právní a profesionální riziko.
11. Jakou nejdůležitější kontrolu je třeba provést před použitím skriptu GeoPandas/PyProj generovaného umělou inteligencí?
- A) Za předpokladu, že je to správné, protože kód je dlouhý
- B) Vzhledem k tomu, že stačí, aby fungoval bez chyb
- C) Spusťte jej s malými, známými testovacími daty a ověřte CRS a ohodnoťte ✔
- D) Schvalování názvů proměnných jako pěkné
Vysvětlení: Vytvořený kód by měl být spuštěn s malými testovacími daty, jejichž výsledek je znám, a měl by být zkontrolován očekávaný výstup a pořadí. Kritickou chybou je zejména to, zda je správně přiřazena definice CRS (souřadnicového systému); false CRS tiše produkuje metry driftu. To, že kód „funguje“, ještě neznamená, že je správný.
12. Jaký je správný přístup při poskytování datového souboru katastru/adres obsahujícího lokalizační údaje a osobní informace společnosti AI?
- A) Odešlete všechny informace o skutečném vlastníkovi a identitě tak, jak jsou
- B) Ignorování soukromí, protože by to bylo prospěšné
- C) Vkládání dat do veřejného fóra
- D) Anonymizace osobních údajů nebo práce s reprezentativními hodnotami/schváleným prostředím ✔
Vysvětlení: Údaje obsahující osobní údaje (jméno vlastníka, TR ID, citlivá poloha) by neměly být odesílány externímu modelu v rozporu s firemní politikou a legislativou. Data by měla být anonymizována, měly by být použity vzorky/reprezentativní hodnoty nebo by mělo být použito schválené/interní prostředí. Odůvodnění „stejně užitečné“ neodstraňuje povinnost důvěrnosti.
13. Jaký je hlavní účel použití indexu NDVI v klasifikaci krajinného pokryvu?
- A) Měření životaschopnosti/hustoty vegetace z blízkých infračervených a červených pásem ✔
- B) Měření výšky pozemku v metrech
- C) Určení vlastníka parcely
- D) Transformace souřadnicového systému
Popis: NDVI (Normalized Difference Vegetation Index) měří intenzitu/hustotu zelené vegetace pomocí rozdílu infračerveného a červeného pásma. Vegetace je mocným ukazatelem při rozlišování mezi vodou a holou zemí. Samotná výška neměří ani neurčuje vlastnictví.
14. Který výrok je nejpřesnější pro roli výstupu umělé inteligence v aplikacích nebo katastrálních úlohách kritických z hlediska bezpečnosti?
- A) Pokud je výstup AI dostatečně plynulý, není potřeba schválení inženýra
- B) AI je urychlovač; Nenahrazuje schválení a odpovědnost kompetentního technika ✔
- C) Odpovědnost přechází na společnost, která model vyrábí
- D) Při použití nejdražšího modelu není vyžadováno žádné schválení
Prohlášení: Ve strojírenství a tvorbě map nenahrazuje výstup AI kontrolu a schválení kompetentního odborníka v práci, která má bezpečnostní a právní důsledky; Je to pouze akcelerátor a nástroj pro generování návrhu. Konečná odpovědnost a podpis zůstává na autorizovaném inženýrovi.