Teledetección y clasificación de imágenes satelitales

Ganancias:

• Capacidad para explicar cómo se utilizan los datos satelitales multiespectrales, las combinaciones de bandas y los índices espectrales (NDVI, etc.) con la IA.
• Capacidad para configurar el flujo de trabajo de mapeo de cobertura terrestre y clasificación supervisada/no supervisada con soporte de IA
• Capacidad para probar la salida de clasificación con criterios de precisión/matriz de error y verdad sobre el terreno

La teledetección es la ciencia de medir la superficie terrestre sin contacto físico, con sensores instalados en satélites o plataformas aéreas. Una imagen de satélite no es en realidad una fotografía, sino una colección de capas de mediciones registradas en múltiples longitudes de onda y, al combinar inteligentemente estas capas, se puede mapear la cobertura del suelo (bosques, agua, agricultura, construcción). En esta unidad, cubrimos cómo la inteligencia artificial acelera este flujo de trabajo, desde datos multiespectrales hasta la clasificación de la cobertura terrestre, y dónde el juicio de los expertos es indispensable. Principio: La IA genera o codifica la clasificación; La precisión del mapa se mide en el ingeniero mediante una matriz de error y verdad sobre el terreno independiente.

Términos básicos. Una imagen multiespectral es aquella registrada en varias bandas de longitud de onda (azul, verde, rojo, infrarrojo cercano, etc.); cada banda es una capa. Hiperespectral es un dato mucho más rico pero difícil de procesar, ya que contiene de decenas a cientos de bandas estrechas. El índice espectral es el número que resalta un fenómeno mediante la combinación matemática de bandas; el más conocido, el NDVI (Índice de Vegetación de Diferencia Normalizada), mide el vigor de la vegetación verde utilizando la diferencia entre el infrarrojo cercano y la banda roja. La clasificación supervisada implica entrenar el modelo con áreas de muestra preetiquetadas y clasificar la imagen completa. La clasificación no supervisada consiste en agrupar datos basándose en similitudes sin etiquetas e interpretarlos más tarde.

El papel de la IA en la teledetección

La inteligencia artificial contribuye en este campo en tres niveles:

1. Flujo de trabajo y selección de métodos. "¿Qué bandas, qué índices, qué clasificadores son adecuados para esta pregunta?" te guía en tu decisión; produce el esqueleto del código.
2. La clasificación misma. Los modelos modernos de aprendizaje profundo clasifican millones de píxeles en clases de cobertura terrestre; Esta es el área de contribución media-alta donde la IA hace el trabajo real.
3. Interpretación y reporte de resultados. Transcribe estadísticas de clase, análisis de cambios e informes de precisión en texto legible.

Punto ciego: el modelo depende de los datos con los que está entrenado y de los ejemplos que proporcione. La sombra de las nubes y el agua, el suelo desnudo y el campo poscosecha, las aguas poco profundas y el suelo húmedo se mezclan fácilmente. Así que un mapa de clasificación no es verdadero sólo porque se ve bien; Se debe medir la precisión.

Consejo: Aclara tu pregunta antes de empezar a clasificar. "Clasificar la cobertura terrestre" es vago; "Mapa de pérdida de tierras agrícolas a favor de la construcción entre 2020-2025" determina tanto la clase establecida como el criterio de verificación.

Paso a paso: una clasificación de la cobertura terrestre

1. Preparar datos y cintas. Confirme la cobertura de nubes de la imagen, la fecha de toma, la resolución (tamaño de píxel) y el orden de las bandas. Diferentes clases de cambios de fecha/temporada.
2. Defina el conjunto de clases. ¿Cuántas clases, cuáles (agua, bosque, agricultura, construcción, suelo desnudo)? Menos clases y más distinguibles son más confiables.
3. Calcula los índices. Índices como NDVI (planta), NDWI (agua) distinguen las clases; se convierte en entrada para el clasificador.
4. Recoger muestras de entrenamiento (para supervisados). Polígonos de muestra confirmados mediante verificación del terreno para cada clase. La calidad de la muestra determina la precisión.
5. Clasificar y verificar. Entrene el modelo, luego cree una matriz de error con muestras independientes (no entrenadas) y calcule la precisión general y Kappa.

Matriz de verdad y error fundamental

La precisión de una clasificación no se mide mediante el juicio visual. La verdad fundamental son muestras independientes de clase verdadera conocida en el campo o en una fuente confiable de alta resolución. Con estos ejemplos se establece una matriz de confusión: se cuenta cuántas veces acierta cada clase y cuántas veces se confunde con qué clase. A partir de esto se calcula la precisión global (la proporción clasificada correctamente) y Kappa (una medida de concordancia que corrige el efecto del azar). Además, la precisión del productor (cuánto se capturó en esa clase) y la precisión del usuario (qué tan confiable es esa clase) se informan por clase.

Precaución: No mida la precisión con los ejemplos que utiliza para la capacitación. Si los mismos ejemplos entrenan y prueban, la precisión se vuelve artificialmente alta; Esto es una ilusión. Las muestras de validación deben ser independientes.

Tres minicasos: en cifras

Caso 1: La sombra de las nubes se confundió con agua. En una clasificación, cuando el modelo etiquetó las sombras de las nubes como "agua", el área del lago creció donde en realidad no estaba; La precisión del usuario de la clase de agua se redujo al 70%. Cuando se agregaron el índice NDWI y la máscara de nubes, la interferencia de sombra/agua disminuyó y la precisión del agua aumentó a más del 90%.

Caso 2: Informe recuperado por verdad sobre el terreno. Un estudio de inventario agrícola informó una precisión general del 82 % en la clasificación inicial, pero esto se midió con muestras de capacitación. Cuando se volvió a medir con 120 puntos de verdad terrestres independientes, la precisión general real fue del 71%; La agricultura y el suelo desnudo estaban seriamente interfiriendo. Con ejemplos de entrenamiento adicionales, se mejoró la clasificación y la precisión aumentó al 84%. Lección: la precisión se mide mediante una muestra independiente.

Caso 3: Trampa estacional. Cuando se mezclaron imágenes tomadas en dos fechas diferentes (primavera y finales de verano), los campos cosechados pasaron a la clase de "suelo desnudo" y el área agrícola parecía faltar en un 15%. Los resultados mejoraron cuando se seleccionaron imágenes de la misma temporada y se logró consistencia fenológica.

Aviso débil / Aviso fuerte

Aviso débil:

Clasifica esta imagen de satélite.

Potente mensaje:

Tarea: construir un flujo de trabajo de clasificación de cobertura terrestre (incluido Python/rasterio + esqueleto de código scikit-learn). Contexto: - Sensor: 4 bandas (azul, verde, rojo, NIR), resolución de 10 m - Clases: agua, bosque, agricultura, construcción, suelo desnudo - Propósito: mapa de cobertura terrestre actual + informe de precisión Solicitudes: 1) Qué índices espectrales (NDVI, NDWI) agregar y por qué escribir. 2) Enumere los pasos de clasificación supervisados; Enfatice que las muestras de entrenamiento y VALIDACIÓN deben ser SEPARADAS. 3) Coloque la matriz de error + precisión general + cálculo Kappa en el esqueleto del código. 4) Tenga en cuenta los riesgos de nube/sombra y confusión estacional.

El mensaje fuerte especifica el conjunto de clases, la resolución, la justificación del índice y la distinción de validación; el resultado se vuelve mensurable.

Cuatro plantillas copiables

1) Selección de método/índice:

¿Qué índice espectral y método de clasificación recomendaría para el objetivo [objetivo] y el sensor [bandas/resolución]? Para cada opción, escriba la justificación y el riesgo potencial de confusión (qué clases son similares entre sí).

2) Esqueleto del código de clasificación:

Escriba un marco de clasificación supervisado con Rasterio + scikit-learn: lectura de cintas, cálculo de índices, SEPARACIÓN de muestras de entrenamiento/validación, clasificación, matriz de errores y resultados de precisión. Mantener CRS; explicar.

3) Configuración de evaluación de precisión:

Escriba un plan para evaluar la precisión de la clasificación: diseño de muestra independiente de verdad fundamental, matriz de error, precisión general, Kappa, precisión del productor/usuario por clase. Explique lo que dice cada métrica.

4) Diagnóstico de interferencias:

Interprete la siguiente matriz de errores: ¿qué clases interfieren entre sí, cuál es la posible razón espectral/estacional, qué datos adicionales (índice, máscara, fecha) reducirían la confusión? Matriz: [matriz de errores]

Comparación de conceptos de clasificación

concepto

Significado

cuando

supervisado

Entrenamiento con ejemplo etiquetado

Las clases están predeterminadas.

sin supervisión

Agrupación sin etiquetas

Descubrimiento, sin ejemplos

NDVI

índice de vitalidad de la planta

Separación planta/desnuda/agua

INDW

índice de agua

separación de cuerpos de agua

Matriz de errores

Recuento verdadero/falso

medición de precisión

kappa

Ajuste corregido por probabilidad

Informe de precisión estándar

Errores comunes

• Medir la precisión con ejemplos de entrenamiento. Las pruebas no independientes dan una precisión artificialmente alta.
• Entregar el mapa sin siquiera medir la precisión. "Se ve bien" no es prueba de exactitud.
• Saltarse la máscara de nube/sombra. La sombra se mezcla con el agua, las nubes se mezclan con la nieve/estructura.
• Mezclando diferentes imágenes de temporada/fecha. Las diferencias fenológicas cambian de clase.
• Definir demasiadas clases similares. Las clases indistinguibles reducen la precisión.
• Ignorando la resolución. Los objetos pequeños no se pueden clasificar si son más pequeños que un solo píxel.

En resumen

En la teledetección, la IA acelera el flujo de trabajo desde datos multiespectrales hasta el mapeo de la cobertura terrestre y puede hacerse cargo de gran parte de la clasificación. Pero un mapa de clasificación sólo es útil si se mide su precisión: es estándar construir una matriz de error con muestras reales independientes y calcular la precisión general y Kappa. Nubes/sombras, variaciones estacionales y clases similares son fuentes típicas de interferencia; Gestionarlos con coherencia de índice, máscara y fecha. Nunca mezcle muestras de capacitación y validación.

Tarea de aplicación

Seleccione una pregunta sobre la cobertura del suelo (por ejemplo, "mapa de espacios verdes urbanos"). Anota el conjunto de clases, las bandas y los índices que utilizarás (al menos NDVI). Hacer que la IA produzca un flujo de trabajo de clasificación supervisado; asegúrese de que las muestras de entrenamiento y validación estén separadas y que la matriz de error + cálculo Kappa esté incluida en el resultado. Luego haga una lista de "riesgo de confusión": qué dos clases son similares y cómo diferenciarlas.

lista de verificación

• [] Mantuve el conjunto de clases pequeño y distinguible.
• [] Agregué índices espectrales (NDVI/NDWI) adecuados para este propósito.
• [] Separé ejemplos de capacitación y validación.
• [] Verifiqué la máscara de nube/sombra y la consistencia de la estación.
• [] Medí la precisión con datos reales independientes.
• [] Informé la matriz de errores, la precisión general y Kappa.
• [ ] Diagnostiqué y resolví confusiones en las clases.
• [] Lo he sometido a la aprobación del ingeniero para comprobar que el mapa es preciso para el uso previsto.