Gevinster:
- Evne til at forklare, hvordan multispektrale satellitdata, båndkombinationer og spektrale indekser (NDVI osv.) bruges med AI
- Evne til at konfigurere overvåget/uovervåget klassificering og arbejdsgang til kortlægning af landdække med AI-understøttelse
- Evne til at teste klassifikationsoutput med grundsandhed og fejlmatrix/nøjagtighedskriterier
Fjernmåling er videnskaben om at måle jordens overflade uden fysisk kontakt med sensorer på satellitter eller luftplatforme. Et satellitbillede er faktisk ikke et fotografi, men en samling af lag af målinger optaget ved flere bølgelængder, og ved intelligent at kombinere disse lag kan landdækning (skov, vand, landbrug, byggeri) kortlægges. I denne enhed dækker vi, hvordan kunstig intelligens accelererer denne arbejdsgang, fra multispektrale data til klassificering af landdække, og hvor ekspertvurdering er uundværlig. Princip: AI genererer eller koder klassifikationen; Nøjagtigheden af kortet måles i ingeniøren ved hjælp af uafhængig grundsandhed og fejlmatrix.
Grundlæggende vilkår. Et multispektralt billede er et billede optaget i flere bølgelængdebånd (blå, grøn, rød, nær infrarød osv.); hvert bånd er et lag. Hyperspektral er meget rigere, men vanskeligt at behandle data, der indeholder titusinder til hundredvis af smalle bånd. Spektralindeks er det tal, der fremhæver et fænomen gennem den matematiske kombination af bånd; den mest kendte, NDVI (Normalized Difference Vegetation Index), måler grøn vegetationskraft ved at bruge forskellen mellem det nær-infrarøde og det røde bånd. Overvåget klassificering involverer træning af modellen med præ-mærkede prøveområder og klassificering af hele billedet. Uovervåget klassificering er at gruppere data baseret på lighed uden etiketter og fortolke dem senere.
AI's rolle i fjernmåling
Kunstig intelligens bidrager på dette område på tre niveauer:
- Arbejdsgang og metodevalg. "Hvilke bånd, hvilket indeks, hvilken klassificering er egnet til dette spørgsmål?" vejleder dig i din beslutning; producerer kodeskelettet.
- Selve klassificeringen. Moderne deep learning-modeller sorterer millioner af pixels i landdækningsklasser; Dette er området med mellemhøjt bidrag, hvor AI gør det rigtige arbejde.
- Resultatfortolkning og rapportering. Den transskriberer klassestatistikker, ændringsanalyse og nøjagtighedsrapport til læsbar tekst.
Blind vinkel: Modellen er afhængig af de data, den er trænet på, og de eksempler, du giver. Skyskygge og vand, bar jord og mark efter høst, lavt vand og våd jord blandes let. Så et klassifikationskort er ikke sandt, bare fordi det ser pænt ud; nøjagtighed skal måles.
Tip: Afklar dit spørgsmål, før du begynder at klassificere. "Klassificer landdækning" er vagt; "Kortlæg tabet af landbrugsjord til fordel for byggeri mellem 2020-2025" bestemmer både klassesættet og verifikationskriteriet.
Trin for trin: En jorddækningsklassificering
- Forbered data og bånd. Bekræft billedets skydække, optagelsesdato, opløsning (pixelstørrelse) og båndrækkefølge. Forskellige dato/sæsonskifter klasser.
- Definer klassesættet. Hvor mange klasser, hvilke (vand, skov, landbrug, byggeri, bar jord)? Færre og mere skelnelige klasser er mere pålidelige.
- Beregn indeksene. Indekser såsom NDVI (plante), NDWI (vand) adskiller klasserne; bliver input til klassificereren.
- Indsaml træningsprøver (til overvåget). Prøvepolygoner bekræftet ved terrænverifikation for hver klasse. Prøvekvalitet bestemmer nøjagtigheden.
- Klassificer og verificer. Træn modellen, opbyg derefter en fejlmatrix med uafhængige (utrænede) prøver og beregn den samlede nøjagtighed og Kappa.
Grund sandhed og fejl Matrix
Nøjagtigheden af en klassifikation måles ikke ved øjenvurdering. Ground truth er uafhængige prøver af kendt sand klasse i marken eller i en pålidelig højopløsningskilde. Med disse eksempler etableres en forvekslingsmatrix: det tælles hvor mange gange hver klasse er korrekt, og hvor mange gange den forveksles med hvilken klasse. Ud fra dette beregnes den samlede nøjagtighed (andelen korrekt klassificeret) og Kappa (et mål for overensstemmelse, der korrigerer for virkningen af tilfældigheder). Derudover rapporteres producentnøjagtighed (hvor meget der blev fanget i den klasse) og brugernøjagtighed (hvor pålidelig er den klasse) på klassebasis.
Forsigtig: Mål ikke nøjagtigheden med de eksempler, du bruger til træning. Hvis de samme eksempler træner og tester, bliver nøjagtigheden kunstigt høj; Dette er en illusion. Valideringsprøver skal være uafhængige.
Tre minietuier: Efter numrene
Tilfælde 1 - Skyskygge blev forvekslet med vand. I en klassificering, når modellen mærkede skyskygger som "vand", voksede søområdet, hvor det faktisk ikke var; brugernøjagtigheden af vandklassen faldt til 70 %. Da NDWI-indekset og skymasken blev tilføjet, faldt skygge-/vandinterferensen, og vandnøjagtigheden steg til over 90 %.
Sag 2 — Rapport genfundet ved sandheden. En landbrugsopgørelsesundersøgelse rapporterede 82 % overordnet nøjagtighed af den indledende klassificering, men dette blev målt med træningsprøver. Når den blev genmålt med 120 uafhængige sandhedspunkter, var den faktiske samlede nøjagtighed 71 %; Landbrug og bar jord blandede sig alvorligt. Med yderligere træningseksempler blev klassificeringen forbedret, og nøjagtigheden øget til 84 %. Lektion: nøjagtighed måles ved uafhængig stikprøve.
Case 3 — Sæsonfælde. Når billeder taget på to forskellige datoer (forår og sensommer) blev blandet sammen, skiftede de høstede marker til klassen "barjord", og landbrugsarealet så ud til at mangle 15 %. Resultaterne blev forbedret, når billeder blev udvalgt fra samme sæson, og fænologisk konsistens blev opnået.
Svag prompt / stærk prompt
Svag prompt:
Klassificer dette satellitbillede.
Kraftig prompt:
Opgave: opbygge et jorddækningsklassifikationsworkflow (inklusive Python/rasterio + scikit-lær kodeskelet).Kontekst:- Sensor: 4 bånd (blå, grøn, rød, NIR), 10 m opløsning- Klasser: vand, skov, landbrug, byggeri, bar_ground- Formål: nuværende landdækningskort ind: 1) (NDVI) føje spektralt ind: 1) (NDVI) og hvorfor skrive.2) Angiv de overvågede klassifikationstrin; Understreg, at trænings- og VALIDERINGSprøver skal være SEPARAT.3) Indsæt fejlmatricen + overordnet nøjagtighed + Kappa-beregning i kodeskelettet.4) Bemærk risikoen for sky/skygge og sæsonforvirring.
Den stærke prompt specificerer klassesættet, opløsning, indeksrationale og valideringsforskel; outputtet bliver målbart.
Fire kopierbare skabeloner
1) Valg af metode/indeks:
Hvilket spektralindeks og klassificeringsmetode vil du anbefale for objektivet [mål] og sensor [bånd/opløsning]? For hvert valg skal du skrive begrundelsen og den potentielle risiko for forveksling (hvilke klasser ligner hinanden).
2) Klassifikationskodeskelet:
Skriv en overvåget klassifikationsramme med Rasterio + scikit-learn: båndlæsning, indeksberegning, SEPARATION af trænings-/valideringsprøver, klassificering, fejlmatrix og nøjagtighedsoutput. Vedligeholde CRS; forklare.
3) Opsætning af nøjagtighedsevaluering:
Skriv en plan for at evaluere klassifikationsnøjagtigheden: uafhængigt grundsandhedseksempeldesign, fejlmatrix, overordnet nøjagtighed, Kappa, producent/brugers nøjagtighed efter klasse. Forklar, hvad hver metrik siger.
4) Interferensdiagnose:
Fortolk fejlmatricen nedenfor: hvilke klasser interfererer med hinanden, hvad er den mulige spektrale/sæsonmæssige årsag, hvilke yderligere data (indeks, maske, dato) ville reducere forvirring? Matrix: [fejlmatrix]
Sammenligning af klassifikationsbegreber
koncept
Betydning
hvornår
overvåget
Træning med mærket eksempel
Klasser er forudbestemt
Uden opsyn
Etiketfri klyngedannelse
Opdagelse, ingen eksempler
NDVI
plantevitalitetsindeks
Plante-/bar-/vandadskillelse
NDWI
vandindeks
adskillelse af vandlegemer
Fejlmatrix
Sandt/falsk tal
nøjagtighedsmåling
kappa
Chance-korrigeret pasform
Standard nøjagtighedsrapport
Almindelige fejl
- Måling af nøjagtighed med træningseksempler. Ikke-uafhængig test giver kunstigt høj nøjagtighed.
- Overdragelse af kortet uden nogensinde at måle nøjagtighed. "Ser pænt ud" er ikke bevis på nøjagtighed.
- Springer over sky-/skyggemasken. Skygge blandes med vand, sky blandes med sne/struktur.
- Blanding af forskellige sæson-/datobilleder. Fænologiske forskelle skifter klasser.
- At definere for mange og lignende klasser. Uadskillelige klasser reducerer nøjagtigheden.
- Ignorerer opløsning. Små objekter kan ikke klassificeres, hvis de er mindre end en enkelt pixel.
Sammenfattende
I fjernmåling fremskynder AI arbejdsgangen fra multispektrale data til landdækningskortlægning og kan overtage meget af klassificeringen. Men et klassifikationskort er kun nyttigt, hvis dets nøjagtighed måles: det er standard at konstruere en fejlmatrix med uafhængige grundsandhedsprøver og beregne den samlede nøjagtighed og Kappa. Sky/skygge, årstidsvariationer og lignende klasser er typiske kilder til interferens; Administrer dem med indeks, maske og datokonsistens. Bland aldrig trænings- og valideringsprøver.
Ansøgningsopgave
Vælg et spørgsmål om landdækning (f.eks. "kort over byområder"). Skriv klassesættet, de bånd og indekser ned, du vil bruge (mindst NDVI). Få AI til at producere en overvåget klassificeringsworkflow; sørg for, at trænings- og valideringseksemplerne er adskilte, og at fejlmatricen + Kappa-beregningen er inkluderet i outputtet. Lav derefter en "risiko for forveksling"-liste: hvilke to klasser der ligner hinanden, og hvordan du adskiller dem.
tjekliste
- [ ] Jeg holdt klassesættet lille og tydeligt.
- [ ] Jeg tilføjede spektrale indekser (NDVI/NDWI) egnede til formålet.
- [ ] Jeg adskilte trænings- og valideringseksempler.
- [ ] Jeg tjekkede sky/skyggemaske og sæsonkonsistens.
- [ ] Jeg målte nøjagtighed med uafhængig grundsandhed.
- [ ] Jeg rapporterede fejlmatricen, overordnet nøjagtighed og Kappa.
- [ ] Jeg diagnosticerede og kurerede klasseforvekslinger.
- [ ] Jeg har underkastet det ingeniørgodkendelse, at kortet er nøjagtigt til dets tilsigtede brug.