Kaugseire ja satelliidipiltide klassifikatsioon

Kasu:

• Oskus selgitada, kuidas kasutatakse tehisintellektiga multispektraalseid satelliidiandmeid, sagedusribade kombinatsioone ja spektraalseid indekseid (NDVI jne)
• Võimalus konfigureerida järelevalvega/järelevalveta klassifikatsiooni ja maakatte kaardistamise töövoogu AI toega
• Võimalus testida klassifikatsiooni väljundit põhitõe ja veamaatriksi/täpsuskriteeriumitega

Kaugseire on teadus, mis käsitleb maapinna mõõtmist ilma füüsilise kontaktita, satelliitidel või õhuplatvormidel olevate andurite abil. Satelliidipilt ei ole tegelikult foto, vaid mitmel lainepikkusel salvestatud mõõtmiste kihtide kogum ja neid kihte nutikalt kombineerides saab kaardistada maakatte (mets, vesi, põllumajandus, ehitus). Selles üksuses käsitleme seda, kuidas tehisintellekt seda töövoogu kiirendab, alates multispektraalsetest andmetest kuni maakatte klassifitseerimiseni ja kus on eksperdihinnang hädavajalik. Põhimõte: AI genereerib või kodeerib klassifikatsiooni; Kaardi täpsust mõõdab insener sõltumatu põhitõe- ja veamaatriksiga.

Põhiterminid. Multispektraalne kujutis on pilt, mis salvestatakse mitmes lainepikkuses (sinine, roheline, punane, lähiinfrapuna jne); iga riba on kiht. Hüperspektraalne on palju rikkalikum, kuid raskesti töödeldav andmed, sisaldades kümneid kuni sadu kitsaid ribasid. Spektriindeks on arv, mis toob esile nähtuse ribade matemaatilise kombinatsiooni kaudu; kõige tuntum NDVI (Normalized Difference Vegetation Index) mõõdab rohelise taimestiku elujõudu, kasutades lähi-infrapuna ja punase riba erinevust. Järelevalvega klassifitseerimine hõlmab mudeli koolitamist eelnevalt märgistatud proovialadega ja kogu pildi klassifitseerimist. Järelevalveta klassifikatsioon on andmete rühmitamine sarnasuse alusel ilma siltideta ja selle hiljem tõlgendamine.

AI roll kaugseires

Tehisintellekt aitab selles valdkonnas kaasa kolmel tasandil:

1. Töövoog ja meetodi valik. "Millised ribad, milline indeks, milline klassifikaator selle küsimuse jaoks sobivad?" juhendab teid teie otsuse tegemisel; toodab koodi skeleti.
2. Klassifikatsioon ise. Kaasaegsed süvaõppe mudelid sorteerivad miljoneid piksleid maakatte klassidesse; See on keskmise ja suure panusega valdkond, kus tehisintellekt teeb tegelikku tööd.
3. Tulemuste tõlgendamine ja aruandlus. See transkribeerib klassistatistika, muudatuste analüüsi ja täpsusaruande loetavaks tekstiks.

Pime nurk: mudel sõltub andmetest, mille põhjal seda õpetatakse, ja teie esitatud näidetest. Pilvevari ja vesi, paljas muld ja koristusjärgne põld, madal vesi ja märg maa segunevad kergesti. Seega ei vasta klassifikatsioonikaart tõele ainult sellepärast, et see näeb kena välja; täpsust tuleb mõõta.

Näpunäide. Enne klassifitseerimise alustamist täpsustage oma küsimust. "Maakatte liigitamine" on ebamäärane; "Kaardista põllumajandusmaa kadu ehituse kasuks aastatel 2020-2025" määrab nii klassikomplekti kui ka kontrollkriteeriumi.

Samm-sammult: maakatte klassifikatsioon

1. Valmistage ette andmed ja lindid. Kinnitage pildi pilvkate, pildistamise kuupäev, eraldusvõime (piksli suurus) ja ribade järjekord. Erinevate kuupäevade/hooaegade muutuste klassid.
2. Määratlege klassikomplekt. Mitu klassi, millised (vesi, mets, põllumajandus, ehitus, lage maa)? Vähem ja paremini eristatavaid klasse on usaldusväärsemad.
3. Arvutage indeksid. Indeksid nagu NDVI (taim), NDWI (vesi) eristavad klasse; muutub klassifikaatori sisendiks.
4. Koguge koolitusnäidiseid (juhendatavate jaoks). Näidispolügoonid, mis on kinnitatud iga klassi maastikukontrolliga. Proovi kvaliteet määrab täpsuse.
5. Klassifitseerida ja kontrollida. Treenige mudelit, seejärel koostage sõltumatute (koolitamata) proovidega veamaatriks ja arvutage üldine täpsus ja Kappa.

Põhitõde ja vigade maatriks

Klassifikatsiooni täpsust ei mõõdeta silmade hinnanguga. Põhitõde on teadaoleva tõeklassi sõltumatud näidised põllul või usaldusväärses kõrge eraldusvõimega allikas. Nende näidete abil luuakse segadusmaatriks: loendatakse, mitu korda iga klass on õige ja mitu korda aetakse segi millise klassiga. Selle põhjal arvutatakse üldine täpsus (õigesti klassifitseeritud osakaal) ja Kappa (kokkuleppe mõõt, mis korrigeerib juhuse mõju). Lisaks esitatakse klassipõhiselt tootja täpsus (kui palju selles klassis püüti) ja kasutaja täpsus (kui usaldusväärne see klass on).

Ettevaatust: Ärge mõõtke täpsust nende näidetega, mida kasutate koolitusel. Kui samad näited treenivad ja testivad, muutub täpsus kunstlikult kõrgeks; See on illusioon. Valideerimisproovid peavad olema sõltumatud.

Kolm miniümbrist: numbrite järgi

Juhtum 1 – pilvevarju peeti ekslikult veeks. Ühes klassifikatsioonis, kui mudel märgistas pilvevarjud kui "vesi", kasvas järveala seal, kus seda tegelikult polnud; veeklassi kasutaja täpsus langes 70%-ni. Kui lisati NDWI indeks ja pilvemask, vähenes varju/vee segamine ja vee täpsus tõusis üle 90%.

Juhtum 2 – aruanne on taastatud tõepõhi all. Põllumajanduse inventuuri uuring näitas esialgse klassifikatsiooni 82% üldist täpsust, kuid seda mõõdeti koolitusproovidega. Kui mõõdeti uuesti 120 sõltumatu maapealse tõepunktiga, oli tegelik üldine täpsus 71%; Põllumajandus ja lage maa segasid tõsiselt. Täiendavate koolitusnäidetega paranes klassifikatsioon ja täpsus tõusis 84%-ni. Õppetund: täpsust mõõdetakse sõltumatu valimi abil.

Juhtum 3 – hooajaline lõks. Kui kahel erineval kuupäeval (kevadel ja hilissuvel) tehtud pildid kokku segati, nihkusid koristatud põllud "palja maa" klassi ja paistis, et põllumajandusmaast oli puudu 15%. Tulemused paranesid, kui pildid valiti samast hooajast ja saavutati fenoloogiline järjepidevus.

Nõrk viip / Tugev viip

Nõrk viip:

Klassifitseerige see satelliidipilt.

Võimas viip:

Ülesanne: koostage maakatte klassifitseerimise töövoog (sh Python/rasterio + scikit-learn koodiskelett).Kontekst:- Andur: 4 riba (sinine, roheline, punane, NIR), eraldusvõime 10 m- Klassid: vesi, mets, põllumajandus, ehitus, paljas_maa- Eesmärk: praegune maakatte kaart + täpsuse aruanne,VII täpsus:1) NDWI) lisada ja miks kirjutada.2) Loetleda juhendatavad klassifitseerimise etapid; Rõhutage, et koolituse ja KINNITAMISE näidised peaksid olema ERALDI.3) Pange koodiskeletti veamaatriks + üldine täpsus + Kappa arvutus.4) Pange tähele pilve/varju ja aastaaja segaduse riske.

Tugev viip määrab klassikomplekti, eraldusvõime, indeksi põhjenduse ja valideerimise eristuse; väljund muutub mõõdetavaks.

Neli kopeeritavat malli

1) Meetodi/indeksi valik:

Millist spektriindeksit ja klassifikatsioonimeetodit soovitaksite objektiivi [sihtmärk] ja anduri [ribad/eraldusvõime] jaoks? Kirjutage iga valiku juurde põhjendus ja võimalik segiajamise oht (millised klassid on üksteisega sarnased).

2) Klassifikatsioonikoodi skelett:

Koostage juhendatud klassifikatsiooniraamistik rakendusega Rasterio + scikit-learn: lindi lugemine, indeksi arvutamine, koolitus-/valideerimisnäidiste ERALDAMINE, klassifikatsioon, veamaatriks ja täpsusväljund. Säilitada CRS; seletada.

3) Täpsuse hindamise seadistus:

Kirjutage klassifikatsiooni täpsuse hindamise plaan: sõltumatu põhjatõe näidisprojekt, veamaatriks, üldine täpsus, Kappa, tootja/kasutaja täpsus klasside kaupa. Selgitage, mida iga mõõdik ütleb.

4) Häirete diagnoosimine:

Tõlgenda allolevat veamaatriksit: millised klassid segavad üksteist, mis on võimalik spektraalne/hooajaline põhjus, millised lisaandmed (indeks, mask, kuupäev) vähendaksid segadust? Maatriks: [veamaatriks]

Klassifikatsioonimõistete võrdlus

kontseptsioon

Tähendus

millal

järelevalve all

Koolitus märgistatud näitega

Klassid on eelnevalt kindlaks määratud

Järelevalveta

Sildivaba rühmitus

Avastus, näiteid pole

NDVI

taimede elujõu indeks

Taimede/palja/vee eraldamine

NDWI

veeindeks

veekogude eraldamine

Veamaatriks

Tõene/vale arv

mõõtmise täpsus

kappa

Juhuslikult korrigeeritud sobivus

Standardne täpsusaruanne

Levinud vead

• Täpsuse mõõtmine koolitusnäidetega. Mittesõltumatu testimine annab kunstlikult suure täpsuse.
• Kaardi üleandmine ilma kunagi täpsust mõõtmata. "Näeb kena välja" ei ole täpsuse tõend.
• Pilve/varju maski vahelejätmine. Vari seguneb veega, pilv seguneb lume/struktuuriga.
• Erinevate aastaaegade/kuupäevade piltide segamine. Fenoloogilised erinevused nihutavad klasse.
• Liiga paljude ja sarnaste klasside määratlemine. Eristamatud klassid vähendavad täpsust.
• Lahutusvõime eiramine. Väikesi objekte ei saa klassifitseerida, kui need on väiksemad kui üks piksel.

Kokkuvõttes

Kaugseires kiirendab tehisintellekt töövoogu alates multispektraalsetest andmetest kuni maakatte kaardistamiseni ja võib suure osa klassifikatsioonist üle võtta. Kuid klassifikatsioonikaart on kasulik ainult siis, kui mõõdetakse selle täpsust: standardne on koostada veamaatriks sõltumatute põhitõe näidistega ning arvutada üldine täpsus ja Kappa. Pilv/vari, hooajaline kõikumine ja sarnased klassid on tüüpilised häirete allikad; Hallake neid indeksi, maski ja kuupäeva järjepidevuse abil. Ärge kunagi segage koolituse ja valideerimise näidiseid.

Rakenduse ülesanne

Valige maakatte küsimus (nt "linna haljasalade kaart"). Kirjutage üles klassikomplekt, kasutatavad ribad ja indeksid (vähemalt NDVI). lasta tehisintellektil koostada järelevalve all klassifitseerimise töövoog; veenduge, et koolitus- ja valideerimisnäidised oleksid eraldi ja veamaatriks + Kappa arvutus sisalduks väljundis. Seejärel koostage "segadusriski" loend: millised kaks klassi on sarnased ja kuidas te neid eristate.

kontrollnimekiri

• [ ] Hoidsin klassikomplekti väikese ja eristatava.
• [ ] Lisasin selleks otstarbeks sobivad spektraalindeksid (NDVI/NDWI).
• [ ] Eraldasin koolituse ja valideerimise näited.
• [ ] Kontrollisin pilve/varju maski ja hooaja konsistentsi.
• [ ] Mõõtsin täpsust sõltumatu põhitõega.
• [ ] Teatasin veamaatriksi, üldise täpsuse ja Kappa.
• [ ] Diagnoosisin ja ravisin klassisegusid.
• [ ] Olen andnud sellele inseneri kinnituse, et kaart on ettenähtud kasutuse jaoks täpne.