Linnamuutuste analüüs satelliidi- ja õhupiltidega

Kasu:

• Tehisintellektiga toetatud valglinnastumise, ehituse ja maakatte muutuste tuvastamise loogika mõistmine kaugseire ja satelliidipiltide abil.
• Võimalus kriitiliselt hinnata kujutiste klassifikatsiooni ja muuta tuvastamise väljundeid täpsuse, eraldusvõime ja kuupäeva teabega
• Oskus mõista, et piirid, mille AI pildilt välja võtab, peavad olema kinnitatud väli- ja ametlike kirjetega ning ei saa olla juriidilised tõendid.

Ei saa ükshaaval põllule minna, et näha, kus, kui palju ja kui kiiresti on linn viimasel kümnendil kasvanud. Selle asemel kasutavad planeerijad kaugseiret (Maa pildistamine satelliitide ja lennukite abil ning andmete hankimine). Võrreldes eri kuupäevade satelliidipilte, saate tuvastada uusehitisi, kaotatud põllumaad, ebaseadusliku ehituse laienemist või haljasalade kahanemist. Tehisintellekt on võimas kiirendaja nende piltide klassifitseerimisel (iga piksli märgistamine kui "struktuur", "taim", "vesi" jne) ja kahe kuupäeva vahel toimuvate muutuste tuvastamine. Kuid pildianalüüs on täis eraldusvõimet, kuupäeva, varju, pilve ja klassifitseerimisvigu. AI-lippude "muudatus" võib olla vari, hooajaline erinevus või viga. Seetõttu ei saa ühtegi pildi põhjal tehtud järeldust võtta õigusliku tegevuse aluseks, ilma et seda kinnitaksid väli- ja ametlikud andmed.

Kaugseire põhimõisted

Eraldusvõime: maapinnal asuva piksliga hõivatud ala. 10-meetrise eraldusvõime juures tähistab üks piksel 10x10 meetrit; Väikest kõrvalhoonet pole näha. Kõrge eraldusvõime (nt 0,3-1 meeter) tähendab detailsemat, kuid kallimat ja harvemat andmemahtu.

Spektririba: satelliidid salvestavad ka valgust, mida silm ei näe (nt infrapuna). Taimestik helendab infrapunases valguses; nii on taime struktuurist lihtsam eraldada. Sellised indeksid nagu NDVI (lihtne kalkulaator, mis mõõdab taimede elujõudu) on roheväljade jälgimisel tavalised.

Kuupäev ja aastaaeg: kui kaks pilti on erinevatel aastaaegadel, ei pruugi rohelise vähenemine olla "kaotus", vaid talve saabumine. Kuupäeva ja aastaaja harmoonia on sellega võrreldes hädavajalik.

Täpsus: väärtus, mis mõõdab klassifikatsiooni täpsust. „85-protsendiline täpsus” tähendab, et iga kuues pikslis võib olla valesti märgistatud; See on auditiprotsessi jaoks märkimisväärne veamarginaal.

Tähelepanu: AI poolt satelliidipildilt tuvastatud struktuur ei ole iseenesest tõend ebaseaduslikust struktuurist. Vari, eraldusvõime, kuupäev ja klassifitseerimisviga annavad valepositiivseid tulemusi. Kontrollimine ja jõustamine nõuavad alati kohapealset kontrolli, omandiõiguse akti/litsentsi registreerimist ja ametlikku mõõtmist.

Suurim väärtus, mida tasuta ja avatud satelliidiandmed (allikad nagu Euroopa Sentinel ja USA Landsat programmid) planeerimisse toovad, on ajaloolised aegread: teil on juurdepääs kümnetele sama piirkonna piltidele, mis hõlmavad aastaid. See võimaldab teil minna kaugemale ühest "enne/pärast" võrdlusest ja näha naabruskonna laienemismäära, hooajalist kõikumist ja trendi. AI on abiks nende pikkade seeriate kokkuvõtte tegemisel ja tähenduslike muutuste mustrite eraldamisel mürast. Kuid sama reegel kehtib aegridade puhul: ükskõik kui selge trend ka ei ilmneks, määravad tulemuse piltide eraldusvõime, pilvemäär ja hooajalisus; Ühtegi suundumust ei saa pidada usaldusväärseks ilma nendest kolmest tegurist teatamata.

Muutuste tuvastamise loogika

Kahe dateeritud pildi võrdlemiseks on mitu võimalust: nii kuupäevade klassifitseerimine kui ka klasside võrdlemine, indeksi erinevuse (nt NDVI erinevuse) leidmine või tehisintellekti mudeliga „muudetud/muutmata” kaardi otsene koostamine. Tulemuseks on muutuste kaart: kus on uus struktuur, kus on taim kadunud. See kaart on esialgse läbivaatusena hindamatu väärtusega – see käsib planeerijal "sinna vaadata". Kuid iga märki kontrollitakse eraldi, kas tegemist on reaalse muudatuse või veaga.

Samm-sammult: AI-põhine muudatuste analüüs

1. Määratlege küsimus. "Kus on [piirkonna] uus ehitus aastatel 2018–2024?"
2. Valige pilt. Sarnane aastaaeg, vastuvõetav eraldusvõime, madal pilvisus.
3. Eeltöötlus. Tooge see samasse CRS-i, joondage, rakendage pilve/varju maski.
4. Liigitage/võrdlege. Looge klass või muutke kaarti tehisintellektiga.
5. Hinda täpsust. Mõõtke täpsust teadaolevate võrdluspunktidega.
6. Välja ja registreerimise kinnitus. Vajadusel kontrollige märgitud muudatusi omandiõiguse dokumendi/litsentsi ja saidiga.
7. Aruande piirangud. Kirjutage selgelt kuupäev, eraldusvõime, täpsus ja veapiir.

Nõrk viip / Tugev viip

Nõrk viip: "Ütle mulle, mis nendest kahest pildist muutus."

AI loob kena välimusega, kuid ebakindlalt täpse loendi; Võib arvata, et varju ja aastaaja erinevus on tõeline muutus.

Tugev viip: "Võrdlen kahe kuupäeva (juuli 2018 / juuli 2024, sama hooaeg, eraldusvõimega 10 m) salastatud maakatte andmeid. Muudatuste analüüsist teatades öelge selgelt: millised muudatused võivad varju/hooaja/resolutsiooni tõttu olla valepositiivsed, millised määramised nõuavad välikontrolli ja kui täpsust tuleks iga leidu mõõta, kinnitage väli.'" Ärge märkige.

Teine viip sunnib AI-d selgelt edastama ebakindlust ja veaallikaid.

Neli kopeeritavat malli

Ülesanne: hinnake kriitiliselt järgmist muutuste tuvastamise väljundit. Loetlege iga tuvastamise võimalikud veaallikad: vari, pilv, aastaaeg, eraldusvõime, klassifitseerimisviga. Lisa märge "Vajalik välja kinnitus". Ärge tehke lõplikke otsuseid. Tulemused / kuupäev / resolutsioon: [...]

Ülesanne: Kirjutage linnamuutuste analüüsi piltide valikukriteeriumide kontrollnimekiri: hooajalisus, eraldusvõime, pilve kiirus, kuupäevavahemik, CRS. Looge küsimusi, et küsida, kas minu pildid vastavad nendele kriteeriumidele. Pildi teave: [...]

Ülesanne: KOOSTA aruanne järgmistest muudatuste analüüsi leidudest. Märkige selgelt iga leiu eraldusvõime, kuupäev, täpsus ja veapiir. Raamige tulemused "eelsõelana"; Rõhutage, et kontrollimiseks/sanktsiooniks on vaja välja ja ametliku kirje kinnitust.Leiud: [...]

Ülesanne: Pakkuge välja lihtne viis klassifitseerimise täpsuse hindamiseks: mitu võrdluspunkti, kuidas valida, kuidas täpsust arvutada (lihtne selgitus). Milline tõesõna tuleks aruandesse kirjutada, näide.Kontekst: [...]

Tabel: andmetüüp ja kasutus

Andmed

resolutsioon

tugev külg

piiri

keskmise eraldusvõimega satelliit

10-30m

Vaba, sagedane, lai ala

Puudub väike struktuur

kõrge eraldusvõimega satelliit

0,3-1 m

Üksikasjalik struktuuri tuvastamine

Kallis, hõre, pilveoht

Aerofoto / ortofoto

0,1-0,3 m

Väga detailne, ametlik

Värskendussagedus on madal

UAV (droon)

cm tasemel

Kohe, väga detailne

Väike ruum, luba/seadusandlus

kolm minikarpi

Juhtum 1 – Varjuillusioon. Vald näeb tehisintellekti muutmise kaardil naabruses silte "uusehitus". Välimeeskond läheb; Enamik märke on pikad hoonevarjud pärastlõunasel pildil. Tegelik uusehitiste arv on poole väiksem kui märke. AI oli eelnevalt kontrollitud, kuid kui seda kasutatakse ilma kinnituseta, tekitaks see valeminuteid.

Juhtum 2 – väikesest struktuurist põgenemine. Planeerija püüab jälgida põllumajanduspõllul asuvaid väikeseid ladusid tasuta 10-meetrise eraldusvõimega satelliidiga. Kuna laod on 6x8 meetrit, siis jäävad need ühe piksli alla ja pole näha. Planeerija lülitub tegelikuks jälgimiseks kõrge eraldusvõimega ortofotole. Resolutsioon määrab, mida saab näha.

Juhtum 3 – läbipaistev aruanne. Üks meeskond analüüsib piirkonna 6-aastast levikut ja kirjutab aruandes selgelt, et "tuvastused on esialgne skaneerimine 82-protsendilise täpsusega; 47 punkti ootavad välja kinnitust; pildi kuupäevad ja eraldusvõime on lisatud." Parlament hindab tulemust õige kaaluga. Ebakindlusest teatamine selle varjamise asemel muudab analüüsi usaldusväärseks.

Levinud vead

• Ekslik tuvastamine tõendina. Pilt on eelskaneeritud; See nõuab sanktsioone ja ametlikku registreerimist.
• Hooaja/kuupäeva mittevastavus. Erinevad hooajalised pildid tekitavad vale variatsiooni.
• Lahutusvõime eiramine. Väikesed struktuurid ei ole madala eraldusvõimega nähtavad; See ei ole "mitte ükski".
• Täpsusest teatamata jätmine. Veapiiri varjamine viib valede otsusteni.
• Unustades varju ja pilve. Kaks levinumat valepositiivsete tulemuste allikat.
• CRS-i mittevastavus. Joondamata pildid muutuvad vales kohas.

Kokkuvõttes

Satelliit- ja aeropildid on võimsaimad viisid linnamuutuste mastaabis ja kiiruses nägemiseks; AI kiirendab klassifitseerimist ja muutuste tuvastamist. Kuid eraldusvõime määrab, mida saab näha, aastaaeg ja kuupäev määravad selle, mis on tõeline, vari ja pilv määravad, mis on valepositiivne. Täpsust tuleks alati mõõta ja esitada. Mis kõige tähtsam: kujutise tuvastamine on eelskaneerimine; Kontrollimiseks ja sanktsioonideks on oluline välikontroll, omandiõiguse akt/litsentsi registreerimine ja ametlik mõõtmine. AI kiirendab nägemist, mitte otsustamist.

Rakenduse ülesanne

Mõelge kahe erineva kuupäevaga pildi (või stsenaariumi) paarile. (1) Kontrolli pildivaliku kriteeriume teise malliga: aastaaeg, eraldusvõime, kas pilv sobib? (2) Eeldage muutuste tuvastamise loendit ja eraldage algse malliga iga tuvastamise jaoks võimalikud veaallikad. (3) Koostage kolmanda malliga aruande kavand ning lisage täpsus ja veapiir. (4) Kirjutage üles, millised määramised nõuavad välja kinnitust ja kuidas te seda teete.

kontrollnimekiri

• [ ] Kontrollisin piltide hooaja, kuupäeva ja eraldusvõime ühilduvust.
• [ ] Joondasin pildid samasse CRS-i; Võtsin arvesse pilve/varju maski.
• [ ] Käsitlesin muutuste tuvastamist esialgse sõeluuringuna, mitte tõendusmaterjalina.
• [ ] Hindasin ja teatasin klassifikatsiooni täpsusest.
• Kinnitasin [ ] märgitud muudatused põllu- ja ametlike kirjetega.
• [ ] Märkasin, millest eraldusvõime piirang puudu võib jääda.
• [ ] Kirjutasin aruandesse selgelt kuupäeva, resolutsiooni ja veapiiri.