Κέρδη:
- Δυνατότητα επιλογής δεδομένων δορυφόρου (ευρείας περιοχής) και αισθητήρων (τοπικά) σύμφωνα με την ερώτηση και ανάλυση δεικτών όπως NDVI με εφαρμογή μάσκας σύννεφου
- Δυνατότητα διάκρισης μετατόπισης και δυσλειτουργίας από το πραγματικό σήμα περνώντας δεδομένα αισθητήρα IoT μέσω βαθμονόμησης και ποιοτικού ελέγχου
- Δυνατότητα να βασιστεί ένα εύρημα παρακολούθησης σε μια τάση και όχι σε μια ενιαία ημερομηνία και να δημιουργήσει ένα σχέδιο επαλήθευσης με βασική αλήθεια ή ανεξάρτητα δεδομένα
Για να διαχειριστείτε το περιβάλλον, είναι απαραίτητο να το δείτε πρώτα. Είναι απαραίτητο να γνωρίζουμε πόσο μικρό έχει γίνει ένα δάσος, πόσο μολυσμένο είναι ένα ποτάμι ή πόσο μεθάνιο διαρρέει μια εγκατάσταση, όχι με εικασίες, αλλά με δεδομένα. Η παρακολούθηση του περιβάλλοντος είναι η τακτική και επαναλαμβανόμενη μέτρηση της κατάστασης του περιβάλλοντος. Σε αυτή την ενότητα, θα μάθετε για δύο μεγάλες πηγές δεδομένων - δορυφόρους που κοιτάζουν από το διάστημα και αισθητήρες στο πεδίο - και τον ρόλο της τεχνητής νοημοσύνης στην κατανόηση αυτών των τεράστιων δεδομένων.
Οι έννοιες πρώτα. Η τηλεπισκόπηση είναι η συλλογή πληροφοριών με τη μέτρηση του φωτός που ανακλάται από απόσταση (από δορυφόρο ή αεροσκάφος) χωρίς να αγγίξει ένα αντικείμενο. Ο αισθητήρας IoT (Internet of Things) είναι μια μικρή συσκευή που τοποθετείται στο χωράφι και στέλνει αυτόματα τη μετρούμενη τιμή (θερμοκρασία, ποιότητα αέρα, στάθμη νερού) μέσω του Διαδικτύου. Μαζί, παρέχουν τόσο ευρεία (δορυφορική) όσο και τοπική (αισθητήρα) εικόνα του περιβάλλοντος.
Πώς να διαβάσετε δορυφορικά δεδομένα;
Οι δορυφόροι δεν τραβούν απλώς φωτογραφίες. μετρά διαφορετικά μήκη κύματος («ζώνες») φωτός. Ο μαθηματικός συνδυασμός αυτών των ζωνών δείχνει τι είναι αόρατο με γυμνό μάτι. Το πιο γνωστό παράδειγμα είναι το NDVI (Normalized Difference Vegetation Index): μετρά την πυκνότητα της βλάστησης με έναν αριθμό μεταξύ 0 και 1, με βάση την αρχή ότι τα υγιή φυτά αντανακλούν πολύ το υπέρυθρο φως. Η μείωση του NDVI θα μπορούσε να σημαίνει αποψίλωση, ξηρασία ή ζημιά.
Οι πιο κοινές δωρεάν και ανοιχτές δορυφορικές πηγές είναι οι δορυφόροι Sentinel (Ευρωπαϊκό πρόγραμμα Copernicus) και Landsat (ΗΠΑ). Η πρόσβαση σε αυτά γίνεται μέσω πλατφορμών όπως το Google Earth Engine ή σε Python (με βιβλιοθήκες όπως rasterio, xarray).
Συμβουλή: Ο μεγαλύτερος εχθρός των δορυφορικών δεδομένων είναι το cloud. Είναι μια σταγόνα NDVI μια πραγματική απώλεια δάσους ή υπήρχε ένα σύννεφο πάνω της εκείνη την ημέρα; Εφαρμόζετε πάντα μια μάσκα cloud και συγκρίνετε πολλές ημερομηνίες πριν από την ανάλυση.
Δεδομένα και βαθμονόμηση αισθητήρων IoT
Οι αισθητήρες είναι φθηνοί και συνηθισμένοι, αλλά όχι τέλειοι. Ένας χαμηλού κόστους αισθητήρας ποιότητας αέρα θα μετατοπιστεί με την πάροδο του χρόνου, θα επηρεαστεί από την υγρασία ή θα αποτύχει. Επομένως, τα δεδομένα αισθητήρων στην ακατέργαστη μορφή τους είναι αναξιόπιστα. Η βαθμονόμηση (διόρθωση με σύγκριση με γνωστή συσκευή αναφοράς) και ο ποιοτικός έλεγχος είναι απαραίτητα.
Εδώ AI? Είναι πολύ ισχυρό στη σύνταξη κώδικα για την επεξεργασία δεδομένων μεγάλων εικόνων και χρονοσειρών, τη σάρωση για ανωμαλίες (απροσδόκητη απόκλιση), τη δημιουργία ενός μοντέλου ταξινόμησης και τη σύνοψη των ευρημάτων. Αλλά η φυσική πραγματικότητα της μέτρησης καταλήγει στην απόφαση βαθμονόμησης και στο ερώτημα "είναι πραγματικό αυτό το σήμα ή είναι θόρυβος;" Η ερμηνεία ανήκει στον ειδικό.
Βήμα προς βήμα: ανάλυση παρακολούθησης
1. Καθορίστε την ερώτηση. «Πώς άλλαξε η βλάστηση σε αυτή την έκταση 10.000 εκταρίων μεταξύ 2020 και 2024;» Ένα σαφές, χωρικό και χρονικό ερώτημα όπως:
2. Επιλέξτε την πηγή δεδομένων. Δορυφόρος (ευρείας περιοχής) ή αισθητήρας (τοπικός, συνεχής); Είναι η ανάλυση και η συχνότητα κατάλληλες για την ερώτηση;
3. Προεργασία. Μάσκα σύννεφο, βαθμονόμηση, λείπουν δεδομένα σημαίας. Εάν παραλειφθεί αυτό το βήμα, το αποτέλεσμα είναι παραπλανητικό.
4. Υπολογίστε δείκτη/μετρική. NDVI, μέση θερμοκρασία, συγκέντρωση ρύπων.
5. Βρείτε την αλλαγή και την ανωμαλία. Ανάλυση τάσης, πέρασμα κατωφλίου, ξαφνικό άλμα.
6. Επαλήθευση με πεδίο. Εάν είναι δυνατόν, επιβεβαιώστε με βάση την αλήθεια. Παρέχετε δορυφορικό σήμα με επιτόπια επίσκεψη ή ανεξάρτητα δεδομένα.
τρεις μίνι θήκες
Περίπτωση 1 — Πέφτω στο σύννεφο. Μια περιβαλλοντική ΜΚΟ επρόκειτο να κρούει τον κώδωνα του κινδύνου για «αιφνίδια αποψίλωση των δασών» όταν είδε ότι το NDVI σε μια περιοχή είχε μειωθεί κατά 40% μέσα σε ένα μήνα. Όταν ο αναλυτής εφάρμοσε μια μάσκα σύννεφο και κοίταξε τις γειτονικές ημερομηνίες, είδε ότι το μεγαλύτερο μέρος της εικόνας εκείνη την ημέρα ήταν θολό και στην επόμενη χωρίς σύννεφα εικόνα, το NDVI επέστρεψε στο κανονικό. Αποτράπηκε ο ψευδής συναγερμός. Χρόνος που χάθηκε: 20 λεπτά, κερδισμένη φήμη: ανεκτίμητη.
Περίπτωση 2 — Μη βαθμονομημένος αισθητήρας. Ένας δήμος ετοίμαζε μια έκθεση «πολύ μολυσμένος αέρας» με δεδομένα από χαμηλού κόστους αισθητήρες PM2.5 (σωματίδιο μικρότερο από 2,5 μικρά — λεπτή αναπνεύσιμη σκόνη). Όταν ο ειδικός συνέκρινε τους αισθητήρες με έναν σταθμό αναφοράς, διαπίστωσε ότι υπερεκτίμησαν την τιμή έως και δύο φορές σε υψηλή υγρασία. Όταν εφαρμόστηκε διόρθωση υγρασίας (βαθμονόμηση), εμφανίστηκαν οι πραγματικές τιμές. Ο πανικός αποφεύχθηκε.
Περίπτωση 3 — Αυτοματοποίηση κωδικών. Μια ερευνητική ομάδα σχεδίαζε να αφιερώσει εβδομάδες δουλεύοντας χειροκίνητα για να εξάγει τάσεις NDVI από 200 δορυφορικές εικόνες. Έβαλαν το AI να γράψει μια αυτοματοποιημένη ροή εργασίας με το Google Earth Engine και τον κώδικα Python (μάσκα cloud + μηνιαίος μέσος όρος NDVI + γράφημα τάσεων). Η ανάλυση διήρκεσε λίγα λεπτά για 200 εικόνες. Η ομάδα αφιέρωσε τον χρόνο της για να ερμηνεύσει το αποτέλεσμα. Έλεγξαν κάθε βήμα του κώδικα ούτως ή άλλως.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Βρείτε την αποψίλωση των δασών από δορυφορικά δεδομένα.
Γιατί είναι αδύναμο: Δεν υπάρχει τομέας, εύρος ημερομηνιών, πηγή δεδομένων, ανάλυση και επεξεργασία cloud. Το AI παρέχει ένα γενικό κείμενο, όχι μια εκτελέσιμη ανάλυση.
Ισχυρή προτροπή:
Ο ρόλος σας: αναλυτής τηλεπισκόπησης. Γράψτε κώδικα Python (Earth Engine) που υπολογίζει τη μηνιαία τάση NDVI 2020-2024 για το [όριο ΠΕΡΙΟΧΗΣ] με δεδομένα Sentinel-2. Βήματα: (1) εφαρμόστε μάσκα cloud, (2) μέσο μηνιαίο NDVI, (3) σχεδίαση γραφήματος τάσεων, (4) μαρκάρετε μήνες με πτώση άνω του 20%. Αφήστε τον κώδικα να είναι εκτελέσιμος. Σχολιάστε κάθε βήμα. Σημειώστε επίσης τα όρια των δεδομένων (ανάλυση, σύννεφο).
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Ανάλυση δορυφορικού ευρετηρίου (με κωδικό):
Ο ρόλος σας: αναλυτής τηλεπισκόπησης. Γράψτε εκτελέσιμο κώδικα Python που υπολογίζει [NDVI/NDWI/άλλο ευρετήριο] σε [εύρος DATE] για [ΠΕΡΙΟΧΗ] με δεδομένα [Sentinel-2/Landsat]. Φροντίστε να προσθέσετε μια μάσκα σύννεφου. Σημειώστε την τάση και τις ανωμαλίες. Καθορίστε την ανάλυση και τα όρια του cloud των δεδομένων στα σχόλια.
2) Έλεγχος ποιότητας χρονοσειράς αισθητήρων:
Αναζητήστε ζητήματα ποιότητας στις ακόλουθες χρονοσειρές αισθητήρων με την Python: δεδομένα που λείπουν, κολλημένη τιμή, ξαφνικό άλμα, μετατόπιση, ακραίο. Σημειώστε κάθε τεύχος με μια χρονική σήμανση. Μην αλλάζετε τα δεδομένα, απλώς αναφέρετε. Προσθέστε μια απλή πρόταση βαθμονόμησης εάν είναι δυνατόν. Δεδομένα: [εδώ]
3) Σχέδιο επαλήθευσης βασικής αλήθειας:
Προτείνετε ένα σχέδιο για το πώς μπορώ να επαληθεύσω το ακόλουθο εύρημα βάσει δορυφόρου (π.χ. πτώση NDVI) στο πεδίο: ποια σημεία, ποια μέτρηση, ποια ανεξάρτητη πηγή δεδομένων. Μετρήστε επίσης τις καταστάσεις όπου το εύρημα μπορεί να είναι ψευδές (σύννεφο, εποχή, σκιά). Εύρεση: [εδώ]
4) Περίληψη ανωμαλίας:
Συνοψίστε τις ανωμαλίες που βρέθηκαν από τα δεδομένα παρακολούθησης παρακάτω σε απλή γλώσσα για έναν περιβαλλοντικό διαχειριστή. Για κάθε ανωμαλία: πού, πότε, πόση απόκλιση, πιθανές αιτίες και σημείωση "χρειάζεται επαλήθευση". Σίγουρα γιατί ΤΑΙΡΙΑΖΕΙ? το παρουσιάζουν ως πιθανότητα. Δεδομένα: [εδώ]
Συνήθη λάθη
- Χωρίς εφαρμογή μάσκας σύννεφου. Το σύννεφο είναι το πιο κοινό ψευδές σήμα.
- Εμπιστευτείτε τον αισθητήρα χωρίς να τον βαθμονομήσετε. Οι αισθητήρες χαμηλού κόστους γλιστρούν και επηρεάζονται από την υγρασία.
- Απλά κοιτάξτε την ιστορία. Απαιτούνται πολλές ημερομηνίες και τάσεις για να διεκδικήσετε αλλαγές.
- Παράκαμψη της επίγειας αλήθειας. Το δορυφορικό σήμα θα πρέπει να επιβεβαιώνεται με δεδομένα πεδίου ή ανεξάρτητα εάν είναι δυνατόν.
- Πέφτουμε στον ισχυρισμό της «ακριβούς αιτίας» της AI. Τα δεδομένα παρακολούθησης συσχετίζονται. Η επιβεβαίωση του λόγου είναι άλλο θέμα.
Προσοχή: Οι εικόνες υψηλής ανάλυσης από δορυφόρους και drone ενδέχεται να περιέχουν ιδιωτική ιδιοκτησία, άτομα ή ευαίσθητες εγκαταστάσεις. Τηρείτε το απόρρητο και τους νομικούς περιορισμούς (ιδιαίτερα προσωπικά δεδομένα και ασφάλεια) κατά την κοινή χρήση δεδομένων παρακολούθησης.
Συνοπτικά
Η περιβαλλοντική παρακολούθηση συνδυάζει δορυφορικά (ευρεία) και αισθητήρια (τοπικά) δεδομένα. ΟΛΑ ΣΥΜΠΕΡΙΛΑΜΒΑΝΟΝΤΑΙ; Είναι ένας ισχυρός επιταχυντής για τη σύνταξη κώδικα που επεξεργάζεται μαζικά δεδομένα εικόνων και χρονοσειρών, σάρωση ανωμαλιών και σύνοψη. Αλλά η μάσκα σύννεφο, η βαθμονόμηση αισθητήρα, η σύγκριση πολλών ημερομηνιών και η επαλήθευση της αλήθειας εδάφους ανήκουν στον ειδικό. Εμπιστευτείτε το καθαρισμένο και επιβεβαιωμένο σήμα, όχι το πρωτογενές σήμα.
Εργασία εφαρμογής
Επιλέξτε πεδίο και εύρος ημερομηνιών (πραγματικό ή υποθετικό). 1. Εκτυπώστε τον κώδικα μιας ροής εργασιών ανάλυσης NDVI σε AI με το πρότυπο και βεβαιωθείτε ότι υπάρχει το βήμα μάσκας νέφους. Στη συνέχεια, περάστε μια χρονοσειρά αισθητήρα που έχετε (ή ένα δείγμα) μέσω του ποιοτικού ελέγχου με το 2ο πρότυπο. Τέλος, με το πρότυπο 3, δημιουργήστε ένα σχέδιο για το πώς θα επικυρώσετε μια αλλαγή που θα βρείτε στο πεδίο.
λίστα ελέγχου
- [ ] Όρισα την ανάλυση με μια σαφή χωρική και χρονική ερώτηση.
- [ ] Εφάρμοσα μια μάσκα σύννεφου στα δορυφορικά δεδομένα.
- [ ] Πέρασα τα δεδομένα του αισθητήρα μέσω βαθμονόμησης και ποιοτικού ελέγχου.
- [ ] Στήριξα την αξίωση αλλαγής στην τάση, όχι σε μία μόνο ημερομηνία.
- [ ] Έκανα ένα σχέδιο για να επαληθεύσω το εύρημα με βάση την αλήθεια ή ανεξάρτητα δεδομένα.
- [ ] Έχω τηρήσει το απόρρητο και τους νομικούς περιορισμούς.