Fernerkundung und Satellitenbildklassifizierung

Gewinne:

• Fähigkeit zu erklären, wie multispektrale Satellitendaten, Bandkombinationen und Spektralindizes (NDVI usw.) mit KI verwendet werden
• Möglichkeit zur Konfiguration überwachter/unüberwachter Klassifizierungs- und Landbedeckungskartierungs-Workflows mit KI-Unterstützung
• Möglichkeit, die Klassifizierungsausgabe mit Grundwahrheits- und Fehlermatrix-/Genauigkeitskriterien zu testen

Unter der Fernerkundung versteht man die Wissenschaft der berührungslosen Vermessung der Erdoberfläche mit Sensoren auf Satelliten oder Luftplattformen. Ein Satellitenbild ist eigentlich kein Foto, sondern eine Sammlung von Messwertschichten, die bei mehreren Wellenlängen aufgezeichnet wurden. Durch die intelligente Kombination dieser Schichten kann die Landbedeckung (Wald, Wasser, Landwirtschaft, Bauwesen) kartiert werden. In dieser Einheit behandeln wir, wie künstliche Intelligenz diesen Arbeitsablauf beschleunigt, von multispektralen Daten bis hin zur Landbedeckungsklassifizierung, und wo Expertenmeinung unverzichtbar ist. Prinzip: KI generiert oder kodiert die Klassifizierung; Die Genauigkeit der Karte wird im Ingenieur anhand einer unabhängigen Grundwahrheits- und Fehlermatrix gemessen.

Grundbegriffe. Ein multispektrales Bild wird in mehreren Wellenlängenbändern (blau, grün, rot, nahes Infrarot usw.) aufgenommen; Jedes Band ist eine Schicht. Hyperspektrale Daten sind viel umfangreicher, aber schwer zu verarbeiten und enthalten Dutzende bis Hunderte von schmalen Bändern. Der Spektralindex ist die Zahl, die ein Phänomen durch die mathematische Kombination von Bändern hervorhebt. Der bekannteste, NDVI (Normalized Difference Vegetation Index), misst die Vitalität der grünen Vegetation anhand der Differenz zwischen dem nahen Infrarot- und dem roten Band. Bei der überwachten Klassifizierung wird das Modell mit vorbeschrifteten Beispielbereichen trainiert und das gesamte Bild klassifiziert. Bei der unbeaufsichtigten Klassifizierung werden Daten basierend auf Ähnlichkeit ohne Beschriftung geclustert und später interpretiert.

Die Rolle der KI in der Fernerkundung

Künstliche Intelligenz trägt in diesem Bereich auf drei Ebenen bei:

1. Workflow- und Methodenauswahl. „Welche Bänder, welcher Index, welcher Klassifikator sind für diese Fragestellung geeignet?“ leitet Sie bei Ihrer Entscheidung; erzeugt das Codegerüst.
2. Die Klassifizierung selbst. Moderne Deep-Learning-Modelle sortieren Millionen von Pixeln in Landbedeckungsklassen; Dies ist der Bereich mit mittlerem bis hohem Beitrag, in dem die KI die eigentliche Arbeit leistet.
3. Ergebnisinterpretation und Berichterstattung. Es überträgt Klassenstatistiken, Änderungsanalysen und Genauigkeitsberichte in lesbaren Text.

Blinder Fleck: Das Modell ist abhängig von den Daten, auf denen es trainiert wird, und den von Ihnen bereitgestellten Beispielen. Wolkenschatten und Wasser, kahle Erde und Nacherntefeld, seichtes Wasser und nasser Boden vermischen sich leicht. Eine Klassifizierungskarte ist also nicht nur deshalb wahr, weil sie gut aussieht; Genauigkeit muss gemessen werden.

Tipp: Klären Sie Ihre Frage, bevor Sie mit der Klassifizierung beginnen. „Landbedeckung klassifizieren“ ist vage; „Kartierung des Verlusts landwirtschaftlicher Flächen zugunsten des Baus zwischen 2020 und 2025“ legt sowohl den Klassensatz als auch das Überprüfungskriterium fest.

Schritt für Schritt: Eine Landbedeckungsklassifizierung

1. Bereiten Sie Daten und Bänder vor. Bestätigen Sie die Wolkendecke des Bildes, das Aufnahmedatum, die Auflösung (Pixelgröße) und die Bandreihenfolge. Verschiedene Termin-/Saisonwechselkurse.
2. Definieren Sie den Klassensatz. Wie viele Klassen, welche (Wasser, Wald, Landwirtschaft, Bau, unbebauter Boden)? Weniger und besser unterscheidbare Klassen sind zuverlässiger.
3. Berechnen Sie die Indizes. Indizes wie NDVI (Pflanze), NDWI (Wasser) unterscheiden die Klassen; wird zur Eingabe in den Klassifikator.
4. Sammeln Sie Trainingsproben (für beaufsichtigte Personen). Beispielpolygone, bestätigt durch Geländeüberprüfung für jede Klasse. Die Probenqualität bestimmt die Genauigkeit.
5. Klassifizieren und überprüfen. Trainieren Sie das Modell, erstellen Sie dann eine Fehlermatrix mit unabhängigen (ungeschulten) Stichproben und berechnen Sie die Gesamtgenauigkeit und den Kappa.

Grundwahrheits- und Fehlermatrix

Die Genauigkeit einer Klassifizierung wird nicht durch Augenurteil gemessen. Bei der Grundwahrheit handelt es sich um unabhängige Proben bekannter wahrer Klasse im Feld oder in einer zuverlässigen hochauflösenden Quelle. Mit diesen Beispielen wird eine Verwechslungsmatrix erstellt: Es wird gezählt, wie oft jede Klasse richtig ist und wie oft sie mit welcher Klasse verwechselt wird. Daraus werden die Gesamtgenauigkeit (der korrekt klassifizierte Anteil) und Kappa (ein Maß für die Übereinstimmung, das den Effekt des Zufalls korrigiert) berechnet. Darüber hinaus werden die Herstellergenauigkeit (wie viel wurde in dieser Klasse gefangen) und die Benutzergenauigkeit (wie zuverlässig ist diese Klasse) auf Klassenbasis gemeldet.

Achtung: Messen Sie die Genauigkeit nicht anhand der Beispiele, die Sie für das Training verwenden. Wenn dieselben Beispiele trainiert und getestet werden, wird die Genauigkeit künstlich hoch; Das ist eine Illusion. Validierungsproben müssen unabhängig sein.

Drei Mini-Hüllen: In Zahlen

Fall 1 – Wolkenschatten wurde mit Wasser verwechselt. In einer Klassifizierung, als das Modell Wolkenschatten als „Wasser“ bezeichnete, wuchs die Seefläche dort, wo sie eigentlich nicht war; Die Benutzergenauigkeit der Wasserklasse sank auf 70 %. Als der NDWI-Index und die Wolkenmaske hinzugefügt wurden, verringerte sich die Schatten-/Wasserinterferenz und die Wassergenauigkeit stieg auf über 90 %.

Fall 2 – Bericht durch Ground Truth wiederhergestellt. Eine landwirtschaftliche Inventarstudie ergab eine Gesamtgenauigkeit der anfänglichen Klassifizierung von 82 %, diese wurde jedoch anhand von Trainingsstichproben gemessen. Bei einer erneuten Messung mit 120 unabhängigen Ground-Truth-Punkten betrug die tatsächliche Gesamtgenauigkeit 71 %; Landwirtschaft und unbebauter Boden störten ernsthaft. Durch zusätzliche Trainingsbeispiele wurde die Klassifizierung verbessert und die Genauigkeit auf 84 % erhöht. Lektion: Die Genauigkeit wird anhand einer unabhängigen Stichprobe gemessen.

Fall 3 – Saisonale Falle. Als Bilder, die zu zwei unterschiedlichen Zeitpunkten (Frühling und Spätsommer) aufgenommen wurden, zusammengemischt wurden, verlagerten sich die abgeernteten Felder in die Klasse „nackter Boden“ und es schien, als ob die landwirtschaftliche Fläche um 15 % fehlte. Die Ergebnisse verbesserten sich, wenn Bilder aus derselben Saison ausgewählt wurden und eine phänologische Konsistenz erreicht wurde.

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwache Eingabeaufforderung:

Klassifizieren Sie dieses Satellitenbild.

Kraftvolle Aufforderung:

Aufgabe: Erstellen Sie einen Landbedeckungsklassifizierungsworkflow (einschließlich Python/Rasterio + Scikit-Learn-Codeskelett). Kontext: – Sensor: 4 Bänder (blau, grün, rot, NIR), 10 m Auflösung – Klassen: Wasser, Wald, Landwirtschaft, Bau, nackter Boden – Zweck: aktuelle Landbedeckungskarte + Genauigkeitsbericht. Anfragen: 1) Welche Spektralindizes (NDVI, NDWI) hinzugefügt werden sollen und warum geschrieben werden. 2) Listen Sie die überwachten Klassifizierungsschritte auf; Betonen Sie, dass Trainings- und VALIDIERUNGSproben GETRENNT sein sollten.3) Fügen Sie die Fehlermatrix + Gesamtgenauigkeit + Kappa-Berechnung in das Codegerüst ein.4) Beachten Sie die Risiken von Wolken-/Schatten- und Jahreszeitenverwechslungen.

Die starke Eingabeaufforderung gibt den Klassensatz, die Auflösung, das Indexprinzip und die Validierungsunterscheidung an. Der Output wird messbar.

Vier kopierbare Vorlagen

1) Methoden-/Indexauswahl:

Welchen Spektralindex und welche Klassifizierungsmethode würden Sie für das Objektiv [Ziel] und den Sensor [Bänder/Auflösung] empfehlen? Schreiben Sie für jede Auswahl den Grund und die potenzielle Verwechslungsgefahr auf (welche Klassen einander ähnlich sind).

2) Klassifizierungscode-Skelett:

Schreiben Sie ein überwachtes Klassifizierungsframework mit Rasterio + scikit-learn: Bandlesen, Indexberechnung, TRENNUNG von Trainings-/Validierungsstichproben, Klassifizierung, Fehlermatrix und Genauigkeitsausgabe. CRS pflegen; erklären.

3) Einrichtung der Genauigkeitsbewertung:

Schreiben Sie einen Plan zur Bewertung der Klassifizierungsgenauigkeit: unabhängiges Groundtruth-Stichprobendesign, Fehlermatrix, Gesamtgenauigkeit, Kappa, Hersteller-/Benutzergenauigkeit nach Klasse. Erklären Sie, was jede Metrik aussagt.

4) Störungsdiagnose:

Interpretieren Sie die folgende Fehlermatrix: Welche Klassen stören sich gegenseitig, was ist der mögliche spektrale/saisonale Grund, welche zusätzlichen Daten (Index, Maske, Datum) würden Verwirrung reduzieren? Matrix: [Fehlermatrix]

Vergleich von Klassifizierungskonzepten

Konzept

Bedeutung

wann

betreut

Training mit beschriftetem Beispiel

Der Unterricht ist vorgegeben

Unbeaufsichtigt

Etikettenfreies Clustering

Entdeckung, keine Beispiele

NDVI

Pflanzenvitalitätsindex

Trennung von Pflanze/Nahe/Wasser

NDWI

Wasserindex

Gewässertrennung

Fehlermatrix

Wahr/Falsch-Anzahl

Genauigkeitsmessung

kappa

Zufallskorrigierte Passform

Standard-Genauigkeitsbericht

Häufige Fehler

• Messgenauigkeit anhand von Trainingsbeispielen. Nicht unabhängige Tests führen zu einer künstlich hohen Genauigkeit.
• Übergabe der Karte, ohne jemals die Genauigkeit zu messen. „Sieht gut aus“ ist kein Beweis für die Richtigkeit.
• Überspringen der Wolken-/Schattenmaske. Schatten vermischt sich mit Wasser, Wolke vermischt sich mit Schnee/Struktur.
• Mischen verschiedener Jahreszeiten-/Datumsbilder. Phänologische Unterschiede verschieben Klassen.
• Zu viele und ähnliche Klassen definieren. Nicht unterscheidbare Klassen verringern die Genauigkeit.
• Auflösung ignorieren. Kleine Objekte können nicht klassifiziert werden, wenn sie kleiner als ein einzelner Pixel sind.

Zusammenfassend

In der Fernerkundung beschleunigt KI den Arbeitsablauf von multispektralen Daten bis zur Kartierung der Landbedeckung und kann einen Großteil der Klassifizierung übernehmen. Eine Klassifizierungskarte ist jedoch nur dann nützlich, wenn ihre Genauigkeit gemessen wird: Es ist Standard, eine Fehlermatrix mit unabhängigen Grundwahrheitsstichproben zu erstellen und die Gesamtgenauigkeit und Kappa zu berechnen. Wolken/Schatten, saisonale Schwankungen und ähnliche Klassen sind typische Störquellen; Verwalten Sie sie mit Index-, Masken- und Datumskonsistenz. Mischen Sie niemals Trainings- und Validierungsproben.

Anwendungsaufgabe

Wählen Sie eine Landbedeckungsfrage aus (z. B. „Stadtgrünflächenkarte“). Notieren Sie sich den Klassensatz, die Bänder und Indizes, die Sie verwenden werden (mindestens NDVI). Lassen Sie die KI einen überwachten Klassifizierungsworkflow erstellen. Stellen Sie sicher, dass die Trainings- und Validierungsbeispiele getrennt sind und die Fehlermatrix + Kappa-Berechnung in der Ausgabe enthalten ist. Erstellen Sie dann eine „Verwechslungsgefahr“-Liste: Welche zwei Klassen sind ähnlich und wie unterscheiden Sie sie?

Checkliste

• [ ] Ich habe die Klassengröße klein und unterscheidbar gehalten.
• [ ] Ich habe für diesen Zweck geeignete Spektralindizes (NDVI/NDWI) hinzugefügt.
• [ ] Ich habe Trainings- und Validierungsbeispiele getrennt.
• [ ] Ich habe die Wolken-/Schattenmaske und die Jahreszeitenkonsistenz überprüft.
• [ ] Ich habe die Genauigkeit mit unabhängiger Grundwahrheit gemessen.
• [ ] Ich habe die Fehlermatrix, die Gesamtgenauigkeit und Kappa angegeben.
• [ ] Ich habe Klassenverwechslungen diagnostiziert und behoben.
• [ ] Ich habe die Genehmigung eines Ingenieurs eingeholt, um sicherzustellen, dass die Karte für den vorgesehenen Verwendungszweck korrekt ist.