Gewinne:
- Fähigkeit zur Interpretation von GIS-Ebenen, NDVI und Fernerkundungsband-/Auflösungskonzepten
- Indexinterpretation, Änderungsanalyse und Kartenerzählungsentwurf mit KI
- Möglichkeit, die Satelliten-/Karteninterpretation der KI anhand der Bodenwahrheit und Metadaten zu überprüfen
Sie sind Umweltingenieur und arbeiten an einem Projekt zum Schutz von Feuchtgebieten. Der Rat möchte, dass Sie Beschwerden nachgehen, dass das Schilfgebiet am Seeufer in den letzten fünf Jahren geschrumpft sei. Bevor Sie ins Feld gehen, müssen Sie am Schreibtisch eine vorläufige Auswertung vornehmen: Sie verfügen über Satellitenbilder aus zwei verschiedenen Jahren, ein GIS-Projekt (Geographic Information System) und ein Sprachmodell. Sie können LLM die NDVI-Zusammenfassung der Bilder interpretieren lassen und einen Entwurf der Änderungserzählung verfassen. Ein Satellitenpixel repräsentiert jedoch ein 10-Meter-Quadrat, und Sie können nur mit der Bodenwahrheit verstehen, ob sich in diesem Quadrat ein Wolkenschatten, trocknendes Schilf oder ein saisonaler Wasserstand befindet. In dieser Einheit behandeln wir die Konzepte der Fernerkundung und GIS, die Index-/Änderungsinterpretation mit KI und vor allem die Grenzen dieser Interpretation.
GIS-Layer-Logik und Grundlagen der Fernerkundung
GIS organisiert geografische Daten in überlappenden Schichten: Jede Schicht trägt ein Thema (Landnutzung, Gewässer, Höhe, Straßen) und ist in einem gemeinsamen Koordinatensystem ausgerichtet. Eine Analyse beginnt mit der Überlappung der richtigen Schichten in der richtigen Projektion; Das falsche Koordinatensystem verzerrt Flächen und Entfernungen systematisch.
Bei der Interpretation eines Fernerkundungsbildes müssen drei Arten der Auflösung unterschieden werden:
Auflösungstyp
Was sagt es?
Beispiel
Einschränkung
räumlich
Größe eines Pixels am Boden
10m, 30m
Kleine Objekte bleiben Subpixel
spektral
Wie viele und welches Wellenlängenband?
Rot, NIR, SWIR
Weniger Band = weniger Unterscheidungskraft
zeitlich
Wie oft wird derselbe Ort angesehen?
5 Tage, 16 Tage
Datenverlust an bewölkten Tagen
Radiometrisch
Luminanzempfindlichkeit (Bittiefe)
8-Bit, 12-Bit
Geringe Tiefe = schlechte Unterscheidung
NDVI: Formel und Interpretation
Der gebräuchlichste Index zur Messung der Vitalität der Vegetation ist der NDVI (Normalized Difference Vegetation Index). Eine gesunde Pflanze reflektiert stark nahes Infrarot (NIR) und absorbiert Rot (ROT):
NDVI = (NIR − RED) / (NIR + RED)Wertebereich: −1 ... +1 < 0: Wasser, Schnee, Wolke 0,0 - 0,2: nackter Boden, Fels, bebaute Fläche 0,2 - 0,5: spärliche/krautige Vegetation, beanspruchte Bedeckung 0,5 - 0,9: dichte, gesunde Grünbedeckung
# NDVI eines kleinen Beispielblocks von Pixeln importieren Numpy als npnir = np.array([[0.42, 0.38], [0.11, 0.45]]) # Nahinfrarot-Reflectancered = np.array([[0.06, 0.09], [0.10, 0.05]]) # Red Reflectancendvi = (nir - red) / (nir + red)print(np.round(ndvi, 2))# [[0.75 0.62]# [0.05 0.80]]# Pixel unten links (0.05): keine Pflanze – könnte kahler Boden oder Wasser/Schatten sein
Tipp: Der NDVI ist kein absolutes Maß für „Gesundheit“, sondern ein zustandsabhängiger Indikator. Stellen Sie beim Vergleich zweier datierter NDVIs desselben Gebiets sicher, dass die Bilder zu ähnlichen Jahreszeiten, ähnlichen Sonnenwinkeln und wolkenfreien Bedingungen aufgenommen wurden. Wenn man das Erscheinungsbild des Spätsommers mit dem Frühling vergleicht, kommt es zu einem unwirklichen „Pflanzenverlust“.
Änderungsanalyse (Änderungserkennung)
Die einfache Möglichkeit, die Differenz zwischen zwei Daten zu ermitteln, besteht darin, die NDVI-Differenz zu ermitteln. Diese Differenz ist jedoch nur dann aussagekräftig, wenn die Bilder verglichen werden können.
ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0: Bedeckungsverlust möglich (Trocknung, Schnitt, Bau) ΔNDVI ≈ 0: keine Änderung ΔNDVI >> 0: Bedeckungszunahme möglich (Begrünung, Wiederherstellung) ACHTUNG: Der Unterschied kann tatsächliche Veränderungen sowie Jahreszeit-/Wolken-/Sonnenwinkel-/Kalibrierungsunterschiede widerspiegeln. Differenz = echte Veränderung + Rauschen.
Achtung: Wolken, Wolkenschatten und Saisonalität sind die größten Beeinträchtigungen der Änderungsanalyse. Der Bereich unter einem Wolkenschatten weist einen niedrigen NDVI auf und sieht aus wie ein „Vegetationsverlust“. Wenn LLM eine Bildinterpretation durchführt, verwechselt das Modell diese Artefakte möglicherweise mit dem tatsächlichen Ereignis. Überprüfen Sie unbedingt die Bildmetadaten (Datum, Wolkenanteil, Sonnenwinkel).
Indexinterpretation und Kartenerzählung mit KI
LLM ist hilfreich bei der Übersetzung numerischer Indexzusammenfassungen in einfache Erzählungen und bei der Erstellung von Berichtsentwürfen. Geben Sie ihm die rohen NDVI-Statistiken und Metadaten und bitten Sie ihn, den Kommentar zu generieren, damit Sie ihn überprüfen können.
SCHWACHE PROMPT: „Ist das Feuchtgebiet auf diesem Satellitenbild kleiner geworden?“ STARKE AUFFORDERUNG: „Ich gebe zwei datierte NDVI-Statistiken (gleiches Gebiet, gleicher Sensor): 2020-07-15 durchschnittlicher NDVI = 0,61 Wolke = 3 % Sonnenwinkel = 58°2025-07-12 durchschnittlicher NDVI = 0,42 Wolke = 22 % Sonnenwinkel = 55°Interessantes Gebiet: Seeufer-Schilfbett, ~40 Hektar. Ihre Aufgabe: 1) ΔNDVI berechnen und auflisten mögliche Interpretationen.2) Listen Sie auf, auf welche Gründe (Wolke, Schatten, Wasserstand, Jahreszeit, Kalibrierung) dieser Rückgang zurückzuführen sein könnte (Wolke, Schatten, Wasserstand, Jahreszeit, Kalibrierung) AUSSER dem TATSÄCHLICHEN Abdeckungsverlust.3) Schlagen Sie für jede mögliche Ursache einen VERIFIKATIONSschritt vor, um sie zu unterscheiden (z. B. wolkenfreie Bildauswahl, Feldbesuch, Wasserstandsaufzeichnung). es.“
Der starke Impuls führt das Modell nicht zu einer einzigen endgültigen Schlussfolgerung, sondern zu einem Plan alternativer Erklärungen und Überprüfungen. Die Tatsache, dass das Bild von 2025 22 % Wolken enthält, macht den Rückgang an sich schon verdächtig.
Überprüfung der Grundwahrheit
Der Goldstandard der Fernerkundungsinterpretation sind Verifizierungspunkte mit Beobachtungen und Messungen vor Ort. Sie erfassen die tatsächliche Landbedeckung mit GPS an mehreren Referenzpunkten und vergleichen diese mit der Bildklassifizierung. Wenn in dem Feld in dem Pixel „trockenes Schilf“ steht, wo die KI oder der Algorithmus „Wasser“ sagt, ist die Klassifizierung unzuverlässig.
Mini-Koffer
Bei der Überwachung der Umweltauswirkungen eines Bergbaustandorts entwarf das Team „15 Hektar Waldverlust aufgrund von Bergbauaktivitäten“ auf der Grundlage der aus dem Satellitenbild berechneten NDVI-Reduktion und erweiterte die Interpretation zu einem LLM; Das Modell erzeugte eine flüssige, überzeugende Erzählung. Als der Bericht jedoch vom Team vor Ort überprüft wurde, stellte sich heraus, dass ein Teil des Gebiets mit niedrigem NDVI tatsächlich eine abgeerntete landwirtschaftliche Parzelle war und ein Teil davon ein Wolkenschatten war, der mit dem Tag der Bildaufnahme zusammenfiel. Der tatsächliche Waldverlust betrug etwa 4 Hektar, nicht 15. Wenn die Metadaten (Wolkenmaske) und der Landnutzungs-Layer zuvor überprüft worden wären, wäre der Fehler von vornherein verhindert worden. Die klaren Sätze von LLM machten falsche Eingaben nicht richtig.
Häufige Fehler
- Vergleichen Sie Bilder verschiedener Jahreszeiten/Sonnenwinkel und verwechseln Sie den saisonalen Unterschied mit „Veränderung“.
- Interpretation von Wolken und Wolkenschatten als tatsächlichen Deckungsverlust; Umgehung der Wolkenmaske.
- Treffen präziser Urteile anhand von Pixeldaten über kleine Objekte, die die räumliche Auflösung überschreiten.
- Falsche Berechnung von Flächen und Entfernungen aufgrund einer Nichtübereinstimmung von Koordinatensystem und Projektion.
- Ich denke, dass NDVI ein absolutes Maß für die Gesundheit ist und behandelt Wasser- und Schattenpixel, als wären sie Pflanzen.
- Die fließende Kartenerzählung von LLM wird als endgültige Feststellung ohne grundlegende Wahrheit in den Bericht aufgenommen.
- Ergebnisberichte ohne Dokumentation von Metadaten (Datum, Sensor, Wolke %, Verarbeitungsebene).
Zusammenfassend
- GIS-Analysen basieren auf Ebenen, die in einem gemeinsamen Koordinatensystem ausgerichtet sind. Projektionsfehler verfälschen das Ergebnis.
- Die räumliche, spektrale, zeitliche und radiometrische Auflösung begrenzt die Darstellungsmöglichkeiten eines Bildes.
- NDVI = (NIR−RED)/(NIR+RED) ist ein bedingter Indikator für die Pflanzenvitalität, kein absolutes Maß für die Gesundheit.
- Bei der Änderungsanalyse ist Differenz = wahre Änderung + Rauschen; Wolken, Schatten und Jahreszeit sind die größten Betrüger.
- Das LLM erstellt die Indexinterpretation und den Kartenerzählentwurf, „sieht“ jedoch nicht das Satellitenbild; Kommentare entsprechend der von Ihnen angegebenen Nummer.
- KI-Interpretation und automatische Klassifizierung können ohne Verifizierung mit Ground Truth und Metadaten nicht in endgültige Umweltergebnisse umgesetzt werden.
Anwendungsaufgabe
Erstellen oder übernehmen Sie zwei datierte NDVI-Zusammenfassungen für ein Feld (entweder Ihrer Wahl oder eine Stichprobe); Notieren Sie sich die Metadaten (Datum, Wolkenanteil, Sonnenwinkel, Sensor) für jedes Datum. Berechnen Sie ΔNDVI. Schreiben Sie eine aussagekräftige Aufforderung und lassen Sie den LLM nicht nur nach der tatsächlichen Abdeckungsänderung fragen, sondern auch nach alternativen Erklärungen (Wolke, Schatten, Jahreszeit, Wasserstand, Kalibrierung) und jeweils einem Überprüfungsschritt. Erstellen Sie dann einen „Grundwahrheitsüberprüfungsplan“: mindestens drei Referenzpunkte, was vor Ort gemessen wird und wie es mit der Bildinterpretation verglichen wird. Markieren Sie abschließend, welche Aussage in der von LLM erstellten Darstellung „nicht ohne Überprüfung in den Bericht aufgenommen werden kann“ und begründen Sie dies.