Gevinster:
- Evne til at fortolke GIS-lag, NDVI og remote sensing bånd/opløsningskoncepter
- Indeksfortolkning, forandringsanalyse og kortfortælling med AI
- Evne til at verificere AI's satellit-/kortfortolkning med grundsandhed og metadata
Du er miljøingeniør, der arbejder på et vådområdebevaringsprojekt. Rådet vil have dig til at undersøge klager over, at søbredden er skrumpet i løbet af de sidste fem år. Inden du går i marken, skal du lave en foreløbig vurdering ved dit skrivebord: du har satellitbilleder fra to forskellige år, et GIS-projekt (Geographic Information System) og en sprogmodel. Du kan få LLM til at fortolke NDVI-resuméet af billederne og skrive et udkast til ændringsfortællingen. En satellitpixel repræsenterer dog en firkant på 10 meter, og du kan kun forstå, om der er en skyskygge, udtørrende siv eller årstidens vandstand i den firkant med sandhed. I denne enhed dækker vi begreberne fjernmåling og GIS, indeks/ændre fortolkning med AI, og vigtigst af alt, grænserne for denne fortolkning.
GIS-lagslogik og fjernmåling grundlæggende
GIS organiserer geografiske data i overlappende lag: hvert lag bærer et tema (arealudnyttelse, vandområder, højde, veje) og er justeret i et fælles koordinatsystem. En analyse starter med at overlappe de korrekte lag i den korrekte projektion; det forkerte koordinatsystem fordrejer systematisk områder og afstande.
Når du fortolker et fjernmålingsbillede, skal du skelne mellem tre typer opløsning:
Opløsningstype
Hvad fortæller det?
eksempel
begrænsning
rumlige
Størrelse af en pixel på jorden
10m, 30m
Små objekter forbliver underpixel
spektral
Hvor mange og hvilket bølgelængdebånd?
Rød, NIR, SWIR
Mindre bånd = mindre diskriminationskraft
tidsmæssigt
Hvor ofte det samme sted ses
5 dage, 16 dage
Datatab på overskyede dage
Radiometrisk
Luminansfølsomhed (bitdybde)
8-bit, 12-bit
Lav dybde = dårlig diskrimination
NDVI: formel og fortolkning
Det mest almindelige indeks, der måler vegetationens vitalitet, er NDVI (Normalized Difference Vegetation Index). En sund plante reflekterer stærkt nær infrarød (NIR) og absorberer rød (RØD):
NDVI = (NIR − RØD) / (NIR + RØD)Værdiområde: −1 ... +1 < 0 : vand, sne, sky 0,0 - 0,2 : bar jord, sten, bebygget areal 0,2 - 0,5 : sparsom/urteagtig vegetation, stresset dækning 0,5 - 0,9 : sund grøn dækning:
# NDVI af en lille prøveblok af pixels importerer numpy som npnir = np.array([[0.42, 0.38], [0.11, 0.45]]) # near infrared reflectancered = np.array([[0.06, 0.09], [0.10, 0.05 redance]) #nir redance]ndvi red)print(np.round(ndvi, 2))# [[0.75 0.62]# [0.05 0.80]]# Nederste venstre pixel (0.05): ikke en plante — kunne være bar jord eller vand/skygge
Tip: NDVI er ikke et absolut mål for "sundhed", men en tilstandsafhængig indikator. Når du sammenligner to daterede NDVI'er fra det samme område, skal du sørge for, at billederne er taget under lignende årstider, lignende solvinkler og skyfrie forhold. Sammenligning af sensommerens udseende med foråret giver et uvirkeligt "plantetab".
Ændringsanalyse (ændringsdetektion)
Den enkle måde at finde forskellen mellem to datoer på er at tage NDVI-forskellen, men denne forskel er kun meningsfuld, hvis billederne kan sammenlignes.
ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0 : dækningstab muligt (tørring, skæring, konstruktion) ΔNDVI ≈ 0 : ingen ændring ΔNDVI >> 0 : dækningsforøgelse mulig (grønning, restaurering) BEMÆRK: Forskellen kan afspejle årstiden/skæringsforskellen/støjforskellen. Forskel = reel ændring + støj.
Forsigtig: Sky, skyskygge og sæsonbestemthed er de største fortalere for forandringsanalyse. Området under en skyskygge giver lav NDVI og ligner "vegetationstab". Når LLM udfører billedfortolkning, kan modellen forveksle disse artefakter med den virkelige begivenhed. Sørg for at tjekke billedmetadataene (dato, skyprocent, solvinkel).
Indeksfortolkning og kortfortælling med AI
LLM er nyttig til at oversætte numeriske indeksresuméer til almindelige fortællinger og producere udkast til rapporter. Giv den den rå NDVI-statistik og metadata, og bed den om at generere kommentaren, så du kan verificere den.
SVAG SPØRGSMÅL: "Er vådområdet blevet mindre på dette satellitbillede?" STÆRK SPØRGSMÅL: "Jeg giver to daterede NDVI-statistikker (samme område, samme sensor): 2020-07-15 gns. NDVI=0,61 sky=3% solvinkel=58°2025-07-12 gns. NDVI=0,42 sky=22% solvinkel=55°Areal af interesse: søbredde: ~40 bakke. ΔNDVI og angiv mulige fortolkninger.2) Angiv hvilke årsager (sky, skygge, vandstand, årstid, kalibrering) dette fald kan skyldes (sky, skygge, vandstand, årstid, kalibrering) ANDRE END FAKTISKE dækningstab.3) For hver mulig årsag, foreslå et VERIFIKATIONStrin for at skelne det (f.eks. registrering af markbesøg, vandstandsfrit valg af vandstand 4) har en korrekt markering af markbesøg. krympet med X%' INDSTIL IKKE, at dette kun kan siges, hvis grundsandheden bekræfter det."
Den stærke prompt leder modellen ikke til en enkelt endelig konklusion, men til en plan med alternative forklaringer og verifikation. Det faktum, at 2025-billedet indeholder 22 % skyer, gør tilbagegangen i sig selv mistænkelig.
Grundlig sandhedsbekræftelse
Guldstandarden for fjernmålingsfortolkning er verifikationspunkter med observationer og målinger foretaget i felten. Du registrerer selve landdækket med GPS ved flere referencepunkter og sammenligner det med billedklassificeringen. Hvis feltet siger "tørre siv" i pixlen, hvor AI eller algoritmen siger "vand", er klassificeringen upålidelig.
mini etui
I miljøpåvirkningsovervågning af et minested udarbejdede holdet "15 hektar skovtab på grund af minedrift" baseret på NDVI-reduktionen beregnet ud fra satellitbilledet og fik fortolkningen udvidet til en LLM; modellen producerede en flydende, overbevisende fortælling. Men da rapporten blev tjekket af holdet på marken, så man, at en del af området med lav NDVI faktisk var en høstet landbrugsparcel, og en del af det var en skyskygge, der faldt sammen med dagen for billedoptagelsen. Det faktiske skovtab var omkring 4 hektar, ikke 15. Hvis metadata (skymaske) og arealanvendelseslaget var blevet kontrolleret på forhånd, ville fejlen være forhindret i første omgang. LLMs pæne sætninger lavede ikke forkert input rigtigt.
Almindelige fejl
- Sammenligning af forskellige sæson-/solvinkelbilleder og forveksler sæsonforskellen med "ændring".
- Fortolkning af sky og skyskygge som faktisk dækningstab; omgå skymaske.
- Foretage nøjagtige vurderinger fra pixeldata om små objekter, der overstiger rumlig opløsning.
- Fejlberegning af arealer og afstande på grund af uoverensstemmelse mellem koordinatsystem/projektion.
- Tænker, at NDVI er et absolut mål for sundhed og behandler vand og skyggepixel, som om de var planter.
- At sætte LLM's flydende kortfortælling ind i rapporten som et endeligt fund uden grundsandhed.
- Rapportering af resultater uden at dokumentere metadata (dato, sensor, sky %, behandlingsniveau).
Sammenfattende
- GIS-analyser er bygget på lag, der er justeret i et fælles koordinatsystem; Projektionsfejl forvrænger resultatet.
- Rumlig, spektral, tidsmæssig og radiometrisk opløsning begrænser, hvad et billede kan vise.
- NDVI = (NIR−RED)/(NIR+RED) er en betinget indikator for plantestyrke, ikke et absolut mål for sundhed.
- I forandringsanalyse er forskel = sand forandring + støj; Sky, skygge og årstid er de største bedragere.
- LLM'en producerer indeksfortolkningen og kortfortællingens omrids, men "ser" ikke satellitbilledet; Kommentarer i henhold til det tal du giver.
- AI-fortolkning og automatisk klassificering kan ikke oversættes til endelige miljøresultater uden verifikation med grundsandhed og metadata.
Ansøgningsopgave
Opret eller antag to daterede NDVI-resuméer for et felt (enten efter eget valg eller en prøve); Bemærk metadataene (dato, skyprocent, solvinkel, sensor) for hver dato. Beregn ΔNDVI. Skriv en stærk prompt, og få LLM'en til at bede ikke kun om det faktiske dækskifte, men om alternative forklaringer (sky, skygge, årstid, vandstand, kalibrering) og et verifikationstrin for hver. Udarbejd derefter en "ground truth verification plan": mindst tre referencepunkter, hvad der vil blive målt i marken, og hvordan det vil sammenligne med billedfortolkningen. Marker til sidst, hvilket udsagn i fortællingen produceret af LLM, der "kan ikke indgå i rapporten uden verifikation", og skriv årsagen.