zisky:
- Schopnost vysvětlit, jak se používají multispektrální satelitní data, kombinace pásem a spektrální indexy (NDVI atd.) s AI
- Možnost konfigurovat pracovní postup klasifikace pod dohledem/bez dozoru a mapování krajinného pokryvu s podporou AI
- Schopnost testovat výstup klasifikace s kritérii základní pravdivosti a chybové matice/přesnosti
Dálkový průzkum Země je věda o měření zemského povrchu bez fyzického kontaktu, pomocí senzorů na satelitech nebo na leteckých platformách. Satelitní snímek ve skutečnosti není fotografie, ale soubor vrstev měření zaznamenaných na více vlnových délkách a inteligentním spojením těchto vrstev lze mapovat krajinný pokryv (les, voda, zemědělství, stavebnictví). V této části se zabýváme tím, jak umělá inteligence urychluje tento pracovní postup, od multispektrálních dat po klasifikaci krajinného pokryvu, a kde je nepostradatelný odborný úsudek. Princip: AI generuje nebo kóduje klasifikaci; Přesnost mapy je měřena v inženýrovi nezávislou základní maticí pravdy a chyb.
Základní pojmy. Multispektrální snímek je snímek zaznamenaný v několika pásmech vlnových délek (modré, zelené, červené, blízké infračervené atd.); každý pás je vrstva. Hyperspektrální jsou mnohem bohatší, ale obtížně zpracovatelná data, obsahují desítky až stovky úzkých pásem. Spektrální index je číslo, které zvýrazňuje jev prostřednictvím matematické kombinace pásem; nejznámější, NDVI (Normalized Difference Vegetation Index), měří vitalitu zelené vegetace pomocí rozdílu mezi blízkým infračerveným a červeným pásem. Kontrolovaná klasifikace zahrnuje trénování modelu s předem označenými oblastmi vzorku a klasifikaci celého snímku. Klasifikace bez dozoru je shlukování dat na základě podobnosti bez štítků a jejich pozdější interpretace.
Role AI v dálkovém průzkumu Země
Umělá inteligence přispívá v této oblasti na třech úrovních:
- Pracovní postup a výběr metod. "Která pásma, který index, který klasifikátor jsou vhodné pro tuto otázku?" vede vás ve vašem rozhodování; vytváří kostru kódu.
- Klasifikace samotná. Moderní modely hlubokého učení třídí miliony pixelů do tříd krajinného pokryvu; Toto je oblast se středně vysokým přínosem, kde AI dělá skutečnou práci.
- Interpretace a reportování výsledků. Přepisuje statistiky třídy, analýzu změn a zprávu o přesnosti do čitelného textu.
Slepý úhel: model závisí na datech, na kterých je trénován, a příkladech, které poskytnete. Oblačný stín a voda, holá půda a pole po sklizni, mělká voda a mokrá půda se snadno mísí. Takže klasifikační mapa není pravdivá jen proto, že vypadá hezky; přesnost se musí měřit.
Tip: Než začnete třídit, ujasněte si svou otázku. "Klasifikace krajinného pokryvu" je vágní; „Zmapovat úbytek zemědělské půdy ve prospěch výstavby v letech 2020-2025“ určuje jak třídní sadu, tak ověřovací kritérium.
Krok za krokem: Klasifikace krajinného pokryvu
- Připravte data a pásky. Potvrďte oblačnost obrázku, datum pořízení, rozlišení (velikost pixelu) a pořadí pásem. Jiné datum/sezóna mění třídy.
- Definujte sadu tříd. Kolik tříd, kterých (voda, les, zemědělství, stavebnictví, holá půda)? Méně a více rozlišitelných tříd je spolehlivějších.
- Vypočítejte indexy. Indexy jako NDVI (rostlina), NDWI (voda) rozlišují třídy; se stane vstupem do klasifikátoru.
- Sbírejte tréninkové vzorky (pro dozor). Vzorové polygony potvrzené ověřením terénu pro každou třídu. Kvalita vzorku určuje přesnost.
- Klasifikujte a ověřujte. Trénujte model, poté vytvořte chybovou matici s nezávislými (necvičenými) vzorky a vypočítejte celkovou přesnost a kappa.
Ground Truth and Error Matrix
Přesnost klasifikace se neměří úsudkem očí. Pozemní pravda jsou nezávislé vzorky známé skutečné třídy v terénu nebo ve spolehlivém zdroji s vysokým rozlišením. S těmito příklady je vytvořena matice zmatků: počítá se, kolikrát je každá třída správná a kolikrát je zaměněna s kterou třídou. Z toho se vypočítá celková přesnost (proporce správně klasifikovaná) a Kappa (míra shody, která koriguje účinek náhody). Kromě toho se na základě tříd uvádí přesnost výrobce (kolik bylo chyceno v této třídě) a uživatelská přesnost (jak spolehlivá je tato třída).
Upozornění: Neměřte přesnost s příklady, které používáte pro trénink. Pokud se stejné příklady trénují a testují, přesnost se uměle zvyšuje; To je iluze. Ověřovací vzorky musí být nezávislé.
Tři mini případy: Podle čísel
Případ 1 – Cloud shadow byl zaměněn za vodu. V jedné klasifikaci, kdy model označil stíny mraků jako „voda“, plocha jezera rostla tam, kde ve skutečnosti nebyla; uživatelská přesnost vodní třídy klesla na 70 %. Když byly přidány index NDWI a maska mraků, interference stín/voda se snížila a přesnost vody se zvýšila na více než 90 %.
Případ 2 – Zpráva obnovena základní pravdou. Studie zemědělské inventarizace uvedla 82% celkovou přesnost počáteční klasifikace, ale tato byla měřena s tréninkovými vzorky. Při přeměření pomocí 120 nezávislých bodů pozemní pravdy byla skutečná celková přesnost 71 %; Zemědělství a holá půda vážně překážely. S dalšími tréninkovými příklady se klasifikace zlepšila a přesnost se zvýšila na 84 %. Poučení: přesnost se měří nezávislým vzorkem.
Případ 3 – Sezónní past. Když byly snímky pořízené ve dvou různých datech (jaro a pozdní léto) smíchány, sklizená pole se přesunula do třídy „holé půdy“ a zdálo se, že zemědělská plocha chybí 15 %. Výsledky se zlepšily, když byly snímky vybrány ze stejné sezóny a bylo dosaženo fenologické konzistence.
Slabá výzva / Silná výzva
Slabá výzva:
Klasifikujte tento satelitní snímek.
Výkonná výzva:
Úkol: sestavte pracovní postup klasifikace krajinného pokryvu (včetně kostry kódu Python/rasterio + scikit-learn). Kontext:- Senzor: 4 pásma (modrá, zelená, červená, NIR), rozlišení 10 m- Třídy: voda, les, zemědělství, stavebnictví, holá_země- Účel: současná mapa krajinného pokryvu + zpráva o přesnosti NDWINDPožadavky na přidání a proč:1) Jaké napište.2) Vyjmenujte kontrolované klasifikační kroky; Zdůrazněte, že trénovací a VALIDAČNÍ vzorky by měly být ODDĚLENÉ.3) Vložte matici chyb + celkovou přesnost + výpočet kappa do kostry kódu.4) Všimněte si rizika záměny oblačnosti/stínu a ročního období.
Silná výzva specifikuje sadu tříd, rozlišení, zdůvodnění indexu a rozlišení ověření; výstup se stává měřitelným.
Čtyři kopírovatelné šablony
1) Výběr metody/indexu:
Jaký spektrální index a klasifikační metodu byste doporučili pro objektiv [cíl] a senzor [pásma/rozlišení]? U každé volby napište zdůvodnění a potenciální riziko záměny (které třídy jsou si navzájem podobné).
2) Kostra klasifikačního kódu:
Vytvořte kontrolovaný klasifikační rámec pomocí Rasterio + scikit-learn: čtení pásky, výpočet indexu, SEPARACE trénovacích/validačních vzorků, klasifikace, matice chyb a výstup přesnosti. udržovat CRS; vysvětlit.
3) Nastavení hodnocení přesnosti:
Napište plán hodnocení přesnosti klasifikace: nezávislý návrh vzorku základní pravdy, matice chyb, celková přesnost, Kappa, přesnost výrobce/uživatele podle třídy. Vysvětlete, co jednotlivé metriky říkají.
4) Diagnostika rušení:
Interpretujte níže uvedenou matici chyb: které třídy se vzájemně ruší, jaký je možný spektrální/sezónní důvod, jaká další data (index, maska, datum) by snížila zmatek? Matice: [matice chyb]
Porovnání klasifikačních konceptů
koncepce
Význam
kdy
pod dohledem
Školení s označeným příkladem
Třídy jsou předem dané
Bez dozoru
Shlukování bez štítků
Objev, žádné příklady
NDVI
index vitality rostlin
Oddělení rostlin/holé/vody
NDWI
vodní index
oddělení vodního útvaru
Chybová matice
Pravda/nepravda počet
měření přesnosti
kappa
Náhodou opravený fit
Standardní zpráva o přesnosti
Časté chyby
- Přesnost měření s tréninkovými příklady. Nezávislé testování poskytuje uměle vysokou přesnost.
- Předání mapy bez přesnosti měření. "Vypadá pěkně" není důkazem přesnosti.
- Vynechání masky mraku/stínu. Stín se mísí s vodou, mrak se sněhem/strukturou.
- Míchání různých obrázků období/datum. Fenologické rozdíly posouvají třídy.
- Definování příliš mnoha a podobných tříd. Nerozlišitelné třídy snižují přesnost.
- Ignorování rozlišení. Malé objekty nelze klasifikovat, pokud jsou menší než jeden pixel.
V souhrnu
Při dálkovém průzkumu urychluje AI pracovní postup od multispektrálních dat po mapování krajinného pokryvu a může převzít velkou část klasifikace. Klasifikační mapa je však užitečná pouze tehdy, je-li měřena její přesnost: je standardní vytvořit chybovou matici s nezávislými vzorky pozemní pravdy a vypočítat celkovou přesnost a kappa. Oblačnost/stín, sezónní variace a podobné třídy jsou typickými zdroji interference; Spravujte je s konzistencí indexu, masky a data. Nikdy nemíchejte tréninkové a validační vzorky.
Aplikační úkol
Vyberte otázku krajinného pokryvu (např. „mapa městské zeleně“). Zapište si sadu tříd, pásma a indexy, které budete používat (alespoň NDVI). Nechte AI vytvořit kontrolovaný klasifikační pracovní postup; ujistěte se, že trénovací a ověřovací vzorky jsou oddělené a ve výstupu je zahrnuta matice chyb + výpočet kappa. Poté si vytvořte seznam „nebezpečí záměny“: které dvě třídy jsou podobné a jak je rozlišíte.
kontrolní seznam
- [ ] Ponechal jsem sadu tříd malou a rozlišitelnou.
- [ ] Přidal jsem spektrální indexy (NDVI/NDWI) vhodné pro tento účel.
- [ ] Oddělil jsem příklady školení a ověřování.
- [ ] Zkontroloval jsem masku mraků/stínů a konzistenci sezóny.
- [ ] Měřil jsem přesnost s nezávislou pozemní pravdou.
- [ ] Nahlásil jsem matici chyb, celkovou přesnost a Kappa.
- [ ] Diagnostikoval jsem a vyléčil záměny třídy.
- [ ] Podrobil jsem ji inženýrskému schválení, že mapa je přesná pro zamýšlené použití.