Κέρδη:
- Ικανότητα να εξηγήσει πώς χρησιμοποιούνται πολυφασματικά δορυφορικά δεδομένα, συνδυασμοί ζωνών και φασματικοί δείκτες (NDVI κ.λπ.) με την τεχνητή νοημοσύνη
- Δυνατότητα διαμόρφωσης εποπτευόμενης/μη εποπτευόμενης ταξινόμησης και ροής εργασίας χαρτογράφησης κάλυψης γης με υποστήριξη τεχνητής νοημοσύνης
- Δυνατότητα δοκιμής εξόδου ταξινόμησης με κριτήρια εδαφικής αλήθειας και μήτρας σφάλματος/ακρίβεια
Η τηλεπισκόπηση είναι η επιστήμη της μέτρησης της επιφάνειας της γης χωρίς φυσική επαφή, με αισθητήρες σε δορυφόρους ή εναέριες πλατφόρμες. Μια δορυφορική εικόνα δεν είναι στην πραγματικότητα μια φωτογραφία, αλλά μια συλλογή στρωμάτων μετρήσεων που καταγράφονται σε πολλαπλά μήκη κύματος και με έξυπνο συνδυασμό αυτών των στρωμάτων, μπορεί να χαρτογραφηθεί η κάλυψη γης (δάσος, νερό, γεωργία, κατασκευές). Σε αυτή την ενότητα, καλύπτουμε τον τρόπο με τον οποίο η τεχνητή νοημοσύνη επιταχύνει αυτή τη ροή εργασίας, από τα πολυφασματικά δεδομένα έως την ταξινόμηση της κάλυψης γης και όπου η κρίση των ειδικών είναι απαραίτητη. Αρχή: Η τεχνητή νοημοσύνη δημιουργεί ή κωδικοποιεί την ταξινόμηση. Η ακρίβεια του χάρτη μετριέται στον μηχανικό με ανεξάρτητο πίνακα αληθείας και λάθους.
Βασικοί όροι. Μια πολυφασματική εικόνα είναι αυτή που καταγράφεται σε πολλές ζώνες μήκους κύματος (μπλε, πράσινο, κόκκινο, κοντά στο υπέρυθρο, κ.λπ.). κάθε ζώνη είναι ένα στρώμα. Το υπερφασματικό είναι πολύ πιο πλούσιο αλλά δύσκολο στην επεξεργασία δεδομένων, που περιέχει δεκάδες έως εκατοντάδες στενές ζώνες. Φασματικός δείκτης είναι ο αριθμός που αναδεικνύει ένα φαινόμενο μέσω του μαθηματικού συνδυασμού ζωνών. το πιο γνωστό, NDVI (Normalized Difference Vegetation Index), μετρά το σφρίγος της πράσινης βλάστησης χρησιμοποιώντας τη διαφορά μεταξύ της εγγύς υπέρυθρης και της κόκκινης ζώνης. Η εποπτευόμενη ταξινόμηση περιλαμβάνει εκπαίδευση του μοντέλου με προεπισημασμένες περιοχές δειγμάτων και ταξινόμηση ολόκληρης της εικόνας. Η μη εποπτευόμενη ταξινόμηση είναι η ομαδοποίηση δεδομένων με βάση την ομοιότητα χωρίς ετικέτες και η ερμηνεία τους αργότερα.
Ο ρόλος της τεχνητής νοημοσύνης στην τηλεπισκόπηση
Η τεχνητή νοημοσύνη συμβάλλει σε αυτόν τον τομέα σε τρία επίπεδα:
- Ροή εργασίας και επιλογή μεθόδου. "Ποιες ζώνες, ποιος δείκτης, ποιος ταξινομητής είναι κατάλληλος για αυτήν την ερώτηση;" σας καθοδηγεί στην απόφασή σας. παράγει τον σκελετό κώδικα.
- Η ίδια η ταξινόμηση. Τα σύγχρονα μοντέλα βαθιάς μάθησης ταξινομούν εκατομμύρια pixel σε κατηγορίες κάλυψης γης. Αυτή είναι η περιοχή μεσαίας-υψηλής συνεισφοράς όπου η τεχνητή νοημοσύνη κάνει την πραγματική δουλειά.
- Ερμηνεία και αναφορά αποτελεσμάτων. Μεταγράφει τα στατιστικά στοιχεία της τάξης, την ανάλυση αλλαγών και την αναφορά ακρίβειας σε ευανάγνωστο κείμενο.
Τυφλό σημείο: το μοντέλο εξαρτάται από τα δεδομένα στα οποία έχει εκπαιδευτεί και τα παραδείγματα που παρέχετε. Σύννεφο σκιά και νερό, γυμνό έδαφος και χωράφι μετά τη συγκομιδή, ρηχά νερά και υγρό έδαφος αναμειγνύονται εύκολα. Έτσι, ένας χάρτης ταξινόμησης δεν είναι αληθινός μόνο και μόνο επειδή φαίνεται ωραίος. πρέπει να μετρηθεί η ακρίβεια.
Συμβουλή: Διευκρινίστε την ερώτησή σας πριν ξεκινήσετε την ταξινόμηση. Η "Ταξινόμηση κάλυψης γης" είναι ασαφής. Η "Χαρτογράφηση της απώλειας γεωργικής γης υπέρ της κατασκευής μεταξύ 2020-2025" καθορίζει τόσο το σύνολο κλάσεων όσο και το κριτήριο επαλήθευσης.
Βήμα προς βήμα: Ταξινόμηση κάλυψης γης
- Προετοιμάστε δεδομένα και κασέτες. Επιβεβαιώστε το κάλυμμα cloud της εικόνας, την ημερομηνία λήψης, την ανάλυση (μέγεθος pixel) και τη σειρά της ζώνης. Διαφορετική ημερομηνία/εποχή αλλάζει κατηγορίες.
- Καθορίστε το σύνολο της τάξης. Πόσες τάξεις, ποιες (νερό, δάσος, γεωργία, κατασκευές, γυμνό έδαφος); Λιγότερες και πιο διακριτές κατηγορίες είναι πιο αξιόπιστες.
- Υπολογίστε τους δείκτες. Δείκτες όπως NDVI (φυτό), NDWI (νερό) διακρίνουν τις κατηγορίες. γίνεται είσοδος στον ταξινομητή.
- Συλλέξτε δείγματα εκπαίδευσης (για υπό επίβλεψη). Δείγματα πολυγώνων που επιβεβαιώνονται με επαλήθευση εδάφους για κάθε τάξη. Η ποιότητα του δείγματος καθορίζει την ακρίβεια.
- Ταξινόμηση και επαλήθευση. Εκπαιδεύστε το μοντέλο και, στη συνέχεια, δημιουργήστε έναν πίνακα σφαλμάτων με ανεξάρτητα (μη εκπαιδευμένα) δείγματα και υπολογίστε τη συνολική ακρίβεια και το Kappa.
Βασικός Πίνακας Αλήθειας και Σφάλματος
Η ακρίβεια μιας ταξινόμησης δεν μετριέται με την κρίση των ματιών. Η βασική αλήθεια είναι ανεξάρτητα δείγματα γνωστής αληθινής τάξης στο πεδίο ή σε μια αξιόπιστη πηγή υψηλής ανάλυσης. Με αυτά τα παραδείγματα, δημιουργείται ένας πίνακας σύγχυσης: μετράται πόσες φορές κάθε κλάση είναι σωστή και πόσες φορές συγχέεται με ποια κλάση. Από αυτό, υπολογίζεται η συνολική ακρίβεια (η αναλογία σωστά ταξινομημένη) και η Κάπα (ένα μέτρο συμφωνίας που διορθώνει την επίδραση της τύχης). Επιπλέον, η ακρίβεια του παραγωγού (πόσο καταγράφηκε σε αυτήν την κατηγορία) και η ακρίβεια του χρήστη (πόσο αξιόπιστη είναι αυτή η κατηγορία) αναφέρονται σε βάση κλάσης.
Προσοχή: Μην μετράτε την ακρίβεια με τα παραδείγματα που χρησιμοποιείτε για προπόνηση. Εάν τα ίδια παραδείγματα εξασκηθούν και δοκιμάσουν, η ακρίβεια γίνεται τεχνητά υψηλή. Αυτό είναι μια ψευδαίσθηση. Τα δείγματα επικύρωσης πρέπει να είναι ανεξάρτητα.
Three Mini Cases: By the Numbers
Περίπτωση 1 — Η σκιά του σύννεφου παρερμηνεύτηκε με νερό. Σε μια ταξινόμηση, όταν το μοντέλο χαρακτήρισε τις σκιές των νεφών ως «νερό», η περιοχή της λίμνης μεγάλωσε εκεί που στην πραγματικότητα δεν ήταν. Η ακρίβεια χρήστη της κατηγορίας νερού μειώθηκε στο 70%. Όταν προστέθηκε ο δείκτης NDWI και η μάσκα σύννεφων, η παρεμβολή σκιάς/νερού μειώθηκε και η ακρίβεια νερού αυξήθηκε σε πάνω από 90%.
Περίπτωση 2 — Έκθεση που ανακτήθηκε με βάση την αλήθεια. Μια μελέτη γεωργικής απογραφής ανέφερε 82% συνολική ακρίβεια της αρχικής ταξινόμησης, αλλά αυτό μετρήθηκε με δείγματα εκπαίδευσης. Όταν μετρήθηκε εκ νέου με 120 ανεξάρτητα σημεία αληθείας εδάφους, η πραγματική συνολική ακρίβεια ήταν 71%. Η γεωργία και το γυμνό έδαφος επενέβαιναν σοβαρά. Με πρόσθετα παραδείγματα εκπαίδευσης, η ταξινόμηση βελτιώθηκε και η ακρίβεια αυξήθηκε στο 84%. Μάθημα: η ακρίβεια μετριέται με ανεξάρτητο δείγμα.
Περίπτωση 3 — Εποχιακή παγίδα. Όταν οι εικόνες που τραβήχτηκαν σε δύο διαφορετικές ημερομηνίες (άνοιξη και τέλη καλοκαιριού) αναμίχθηκαν μεταξύ τους, τα χωράφια που συγκομίστηκαν μεταφέρθηκαν στην κατηγορία "γυμνό έδαφος" και η γεωργική έκταση φάνηκε να λείπει κατά 15%. Τα αποτελέσματα βελτιώθηκαν όταν επιλέχθηκαν εικόνες από την ίδια εποχή και επιτεύχθηκε φαινολογική συνέπεια.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Ταξινόμηση αυτής της δορυφορικής εικόνας.
Ισχυρή προτροπή:
Εργασία: δημιουργία ροής εργασιών ταξινόμησης κάλυψης γης (συμπεριλαμβανομένου του σκελετού κώδικα Python/rasterio + scikit-learn). Πλαίσιο:- Αισθητήρας: 4 ζώνες (μπλε, πράσινες, κόκκινες, NIR), ανάλυση 10 m- Κατηγορίες: νερό, δάσος, γεωργία, κατασκευές, γυμνό_έδαφος- Σκοπός κάλυψη κάλυψης + τωρινή αναφορά γης. δείκτες (NDVI, NDWI) για προσθήκη και γιατί να γράψετε. 2) Καταγράψτε τα εποπτευόμενα βήματα ταξινόμησης. Τονίστε ότι τα δείγματα εκπαίδευσης και ΕΠΙΚΥΡΩΣΗΣ θα πρέπει να είναι ΞΕΧΩΡΙΣΤΑ.3) Βάλτε τον πίνακα σφαλμάτων + συνολική ακρίβεια + υπολογισμό Κάπα στον σκελετό κώδικα. 4) Σημειώστε τους κινδύνους σύγχυσης σύννεφων/σκιάς και εποχής.
Η ισχυρή προτροπή καθορίζει το σύνολο κλάσεων, την ανάλυση, τη λογική του ευρετηρίου και τη διάκριση επικύρωσης. η έξοδος γίνεται μετρήσιμη.
Τέσσερα αντιγράψιμα πρότυπα
1) Επιλογή μεθόδου/ευρετηρίου:
Ποιο φασματικό δείκτη και μέθοδο ταξινόμησης θα προτείνατε για τον στόχο [στόχο] και τον αισθητήρα [ζώνες/ανάλυση]; Για κάθε επιλογή, γράψτε τη λογική και τον πιθανό κίνδυνο σύγχυσης (ποιες κατηγορίες είναι παρόμοιες μεταξύ τους).
2) Σκελετός κωδικού ταξινόμησης:
Γράψτε ένα εποπτευόμενο πλαίσιο ταξινόμησης με το Rasterio + scikit-learn: ανάγνωση ταινίας, υπολογισμός ευρετηρίου, ΔΙΑΧΩΡΙΣΜΟΣ δειγμάτων εκπαίδευσης/επικύρωσης, ταξινόμηση, πίνακας σφαλμάτων και έξοδος ακρίβειας. Διατήρηση CRS? εξηγώ.
3) Ρύθμιση αξιολόγησης ακρίβειας:
Γράψτε ένα σχέδιο για την αξιολόγηση της ακρίβειας ταξινόμησης: ανεξάρτητος σχεδιασμός δείγματος βασικής αλήθειας, πίνακας σφαλμάτων, συνολική ακρίβεια, Κάπα, ακρίβεια παραγωγού/χρήστη ανά τάξη. Εξηγήστε τι λέει κάθε μέτρηση.
4) Διάγνωση παρεμβολών:
Ερμηνεύστε τον παρακάτω πίνακα σφαλμάτων: ποιες κλάσεις παρεμβάλλονται μεταξύ τους, ποιος είναι ο πιθανός φασματικός/εποχιακός λόγος, ποια πρόσθετα δεδομένα (ευρετήριο, μάσκα, ημερομηνία) θα μείωναν τη σύγχυση; Πίνακας: [μήτρα σφάλματος]
Σύγκριση εννοιών ταξινόμησης
έννοια
Σημασία
όταν
εποπτεύεται
Εκπαίδευση με επισημασμένο παράδειγμα
Οι τάξεις είναι προκαθορισμένες
Χωρίς επίβλεψη
Ομαδοποίηση χωρίς ετικέτες
Ανακάλυψη, χωρίς παραδείγματα
NDVI
δείκτη ζωτικότητας των φυτών
Διαχωρισμός φυτών/γυμνών/νερού
NDWI
δείκτης νερού
διαχωρισμός υδάτινων σωμάτων
Πίνακας σφαλμάτων
Σωστό/λάθος μέτρηση
μέτρηση ακρίβειας
κάπα
Εφαρμογή διορθωμένη από πιθανότητες
Τυπική αναφορά ακρίβειας
Συνήθη λάθη
- Μέτρηση της ακρίβειας με παραδείγματα εκπαίδευσης. Η μη ανεξάρτητη δοκιμή παρέχει τεχνητά υψηλή ακρίβεια.
- Παράδοση του χάρτη χωρίς ποτέ να μετρηθεί η ακρίβεια. Το "looks nice" δεν είναι απόδειξη ακρίβειας.
- Παράλειψη της μάσκας σύννεφου/σκιάς. Η σκιά αναμειγνύεται με το νερό, το σύννεφο με το χιόνι/κατασκευή.
- Ανάμειξη διαφορετικών εικόνων εποχής/ημερομηνιών. Οι φαινολογικές διαφορές αλλάζουν τάξεις.
- Ορισμός πάρα πολλών και παρόμοιων τάξεων. Οι αδιάκριτες κατηγορίες μειώνουν την ακρίβεια.
- Αγνοώντας την ανάλυση. Τα μικρά αντικείμενα δεν μπορούν να ταξινομηθούν εάν είναι μικρότερα από ένα εικονοστοιχείο.
Συνοπτικά
Στην τηλεπισκόπηση, η τεχνητή νοημοσύνη επιταχύνει τη ροή εργασίας από τα πολυφασματικά δεδομένα έως τη χαρτογράφηση κάλυψης γης και μπορεί να αναλάβει μεγάλο μέρος της ταξινόμησης. Αλλά ένας χάρτης ταξινόμησης είναι χρήσιμος μόνο εάν μετρηθεί η ακρίβειά του: είναι τυπικό να κατασκευαστεί ένας πίνακας σφαλμάτων με ανεξάρτητα δείγματα αληθείας εδάφους και να υπολογιστεί η συνολική ακρίβεια και το Kappa. Το σύννεφο/σκιά, οι εποχιακές διακυμάνσεις και παρόμοιες κατηγορίες είναι τυπικές πηγές παρεμβολών. Διαχειριστείτε τα με συνέπεια ευρετηρίου, μάσκας και ημερομηνίας. Ποτέ μην αναμιγνύετε δείγματα εκπαίδευσης και επικύρωσης.
Εργασία εφαρμογής
Επιλέξτε μια ερώτηση κάλυψης γης (π.χ. "χάρτης αστικού πρασίνου"). Γράψτε το σύνολο κλάσεων, τις ζώνες και τους δείκτες που θα χρησιμοποιήσετε (τουλάχιστον NDVI). Ζητήστε από την τεχνητή νοημοσύνη να δημιουργήσει μια εποπτευόμενη ροή εργασιών ταξινόμησης. βεβαιωθείτε ότι τα δείγματα εκπαίδευσης και επικύρωσης είναι ξεχωριστά και ότι ο πίνακας σφαλμάτων + υπολογισμός Kappa περιλαμβάνεται στην έξοδο. Στη συνέχεια, δημιουργήστε μια λίστα "κίνδυνος σύγχυσης": ποιες δύο κατηγορίες είναι παρόμοιες και πώς τις ξεχωρίζετε.
λίστα ελέγχου
- [ ] Κράτησα το σύνολο της τάξης μικρό και διακριτό.
- [ ] Πρόσθεσα φασματικούς δείκτες (NDVI/NDWI) κατάλληλους για το σκοπό αυτό.
- [ ] Διαχώρισα παραδείγματα εκπαίδευσης και επικύρωσης.
- [ ] Έλεγξα τη μάσκα σύννεφων/σκιάς και τη συνοχή της εποχής.
- [ ] Μέτρησα την ακρίβεια με ανεξάρτητη βασική αλήθεια.
- [ ] Ανέφερα τον πίνακα σφαλμάτων, τη συνολική ακρίβεια και το Kappa.
- [ ] Διέγνωσα και θεράπευσα μπερδέματα στην τάξη.
- [ ] Το έχω υποβάλει σε έγκριση μηχανικού ότι ο χάρτης είναι ακριβής για τη χρήση για την οποία προορίζεται.