پایش محیطی: تصاویر ماهواره ای، سنجش از راه دور و حسگرهای اینترنت اشیا

سود:

• امکان انتخاب داده های ماهواره ای (وسیع) و حسگر (محلی) با توجه به سوال و تحلیل شاخص هایی مانند NDVI با اعمال ماسک ابری
• امکان تشخیص دریفت و نقص از سیگنال واقعی با ارسال داده های حسگر اینترنت اشیا از طریق کالیبراسیون و کنترل کیفیت
• امکان پایه گذاری یافته های پایش بر روی یک روند به جای یک تاریخ واحد و ایجاد یک طرح راستی آزمایی با حقیقت پایه یا داده های مستقل

برای مدیریت محیط، ابتدا باید آن را دید. باید بدانیم یک جنگل چقدر کوچک شده است، یک رودخانه چقدر آلوده است یا یک تأسیسات چقدر متان نشت می کند، نه با حدس زدن، بلکه با داده ها. پایش محیطی اندازه گیری منظم و قابل تکرار وضعیت محیط است. در این بخش، با دو منبع کلان داده – ماهواره هایی که از فضا و حسگرهای موجود در میدان نگاه می کنند – و نقش هوش مصنوعی در درک این داده های عظیم آشنا خواهید شد.

ابتدا مفاهیم سنجش از دور جمع آوری اطلاعات با اندازه گیری نور منعکس شده از راه دور (از ماهواره یا هواپیما) بدون تماس با جسم است. حسگر اینترنت اشیا (اینترنت اشیا) دستگاه کوچکی است که در میدان قرار می گیرد و به طور خودکار مقدار اندازه گیری شده (دما، کیفیت هوا، سطح آب) را از طریق اینترنت ارسال می کند. آنها با هم تصویری وسیع (ماهواره ای) و محلی (حسگر) از محیط ارائه می دهند.

چگونه داده های ماهواره را بخوانیم؟

ماهواره ها فقط عکس نمی گیرند. طول موج های مختلف ("باند") نور را اندازه گیری می کند. ترکیب ریاضی این نوارها چیزی را نشان می دهد که با چشم غیرمسلح نامرئی است. شناخته شده ترین مثال NDVI (شاخص تفاوت عادی شده گیاهی) است: تراکم پوشش گیاهی را با عددی بین 0 تا 1 اندازه گیری می کند، بر اساس این اصل که گیاهان سالم نور مادون قرمز را بسیار منعکس می کنند. کاهش NDVI می تواند به معنای جنگل زدایی، خشکسالی یا آسیب باشد.

رایج ترین منابع ماهواره ای رایگان و باز ماهواره های سنتینل (برنامه کوپرنیک اروپایی) و لندست (ایالات متحده آمریکا) هستند. اینها از طریق پلتفرم هایی مانند Google Earth Engine یا در پایتون (با کتابخانه هایی مانند rasterio، xarray) قابل دسترسی هستند.

نکته: بزرگترین دشمن داده های ماهواره ای ابر است. آیا یک قطره NDVI واقعاً جنگل را از دست می دهد یا آن روز ابری روی آن وجود داشت؟ همیشه قبل از تجزیه و تحلیل از یک ماسک ابری استفاده کنید و چندین تاریخ را با هم مقایسه کنید.

داده ها و کالیبراسیون حسگر اینترنت اشیا

سنسورها ارزان و رایج هستند، اما کامل نیستند. یک سنسور کیفیت هوای ارزان قیمت به مرور زمان جابجا می شود، تحت تأثیر رطوبت قرار می گیرد یا از کار می افتد. بنابراین، داده های حسگر به شکل خام آن غیرقابل اعتماد است. کالیبراسیون (اصلاح با مقایسه با دستگاه مرجع شناخته شده) و کنترل کیفیت ضروری است.

در اینجا هوش مصنوعی؛ در نوشتن کد برای پردازش تصاویر بزرگ و داده های سری زمانی، اسکن برای ناهنجاری ها (انحراف غیرمنتظره)، ایجاد یک مدل طبقه بندی و خلاصه کردن یافته ها بسیار قدرتمند است. اما واقعیت فیزیکی اندازه‌گیری به تصمیم کالیبراسیون و سوال "آیا این سیگنال واقعی است یا نویز است؟" تفسیر متعلق به کارشناس است.

گام به گام: تجزیه و تحلیل ردیابی

1. سوال را تعریف کنید. چگونه پوشش گیاهی در این منطقه 10000 هکتاری بین سال های 2020 تا 2024 تغییر کرد؟ یک سوال واضح، مکانی و زمانی مانند:

2. منبع داده را انتخاب کنید. ماهواره (منطقه وسیع) یا حسگر (محلی، پیوسته)؟ آیا وضوح و فرکانس با سوال مناسب است؟

3. پیش فرآیند. ماسک ابری، کالیبره کردن، پرچم‌گذاری داده‌های از دست رفته. اگر این مرحله نادیده گرفته شود، نتیجه گمراه کننده است.

4. محاسبه شاخص / متریک. NDVI، میانگین دما، غلظت آلاینده.

5. تغییر و ناهنجاری را پیدا کنید. تحلیل روند، عبور از آستانه، پرش ناگهانی.

6. بررسی با فیلد. در صورت امکان، صحت و سقم را تایید کنید. یک سیگنال ماهواره ای با بازدید میدانی یا داده های مستقل ارائه دهید.

سه کیف کوچک

مورد 1 - افتادن به ابر. یک سازمان غیردولتی زیست‌محیطی می‌خواست زنگ خطر را در مورد «خراب‌زدایی ناگهانی جنگل‌ها» به صدا درآورد که متوجه شد NDVI در یک منطقه در یک ماه 40 درصد کاهش یافته است. هنگامی که تحلیلگر یک ماسک ابری اعمال کرد و به تاریخ های همسایه نگاه کرد، دید که بیشتر تصویر آن روز ابری بود و در تصویر بدون ابر بعدی، NDVI به حالت عادی بازگشت. هشدار کاذب جلوگیری شد زمان از دست رفته: 20 دقیقه، شهرت به دست آمده: بی ارزش.

مورد 2 - سنسور کالیبره نشده. شهرداری در حال تهیه گزارش "هوای بسیار آلوده" با داده های سنسورهای ارزان قیمت PM2.5 (ذره کوچکتر از 2.5 میکرون - گرد و غبار قابل تنفس ریز) بود. هنگامی که متخصص سنسورها را با یک ایستگاه مرجع مقایسه کرد، متوجه شد که آنها در رطوبت بالا تا دو برابر مقدار را بیش از حد تخمین می زنند. هنگامی که اصلاح رطوبت (کالیبراسیون) اعمال شد، مقادیر واقعی ظاهر شدند. وحشت جلوگیری شد

مورد 3 - اتوماسیون کد. یک تیم تحقیقاتی قصد داشت هفته ها به صورت دستی کار کند تا روندهای NDVI را از 200 تصویر ماهواره ای استخراج کند. آنها هوش مصنوعی یک گردش کار خودکار را با موتور Google Earth و کد پایتون (ماسک ابری + میانگین ماهانه NDVI + نمودار روند) داشتند. تجزیه و تحلیل 200 تصویر چند دقیقه طول کشید. تیم وقت خود را به تفسیر نتیجه اختصاص داد. آنها به هر حال هر مرحله از کد را بررسی کردند.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

جنگل زدایی را از داده های ماهواره ای بیابید.

چرا ضعیف است: بدون دامنه، محدوده تاریخ، منبع داده، وضوح و پردازش ابری. هوش مصنوعی یک متن کلی ارائه می دهد، نه یک تحلیل اجرایی.

اعلان قدرتمند:

نقش شما: تحلیلگر سنجش از دور. کد پایتون (موتور زمین) را بنویسید که روند NDVI ماهانه 2020-2024 را برای [مرز AREA] با داده های Sentinel-2 محاسبه می کند. مراحل: (1) اعمال ماسک ابری، (2) میانگین ماهانه NDVI، (3) ترسیم نمودار روند، (4) علامت گذاری ماه ها با بیش از 20 درصد کاهش. اجازه دهید کد قابل اجرا باشد. هر مرحله را کامنت کنید همچنین به محدودیت های داده ها (رزولوشن، ابر) توجه کنید.

چهار قالب قابل کپی

1) تجزیه و تحلیل شاخص ماهواره ای (با کد):

نقش شما: تحلیلگر سنجش از دور. کد اجرایی پایتون را بنویسید که [NDVI/NDWI/شاخص دیگر] را در [محدوده تاریخ] برای [AREA] با داده های [Sentinel-2/Landsat] محاسبه کند. حتما یک ماسک ابری اضافه کنید. روند و ناهنجاری ها را علامت گذاری کنید. وضوح و محدودیت های ابری داده ها را در نظرات مشخص کنید.

2) کنترل کیفیت سری زمانی سنسور:

مشکلات کیفیت را در سری‌های زمانی حسگر زیر با پایتون جستجو کنید: داده‌های از دست رفته، مقدار گیر کرده، پرش ناگهانی، رانش، شدید. هر شماره را با یک مهر زمانی علامت گذاری کنید. داده ها را تغییر ندهید، فقط گزارش دهید. در صورت امکان یک پیشنهاد کالیبراسیون ساده اضافه کنید. داده ها: [اینجا]

3) طرح راستی آزمایی پایه:

طرحی پیشنهاد دهید که چگونه می‌توانم یافته‌های ماهواره‌ای زیر (مثلاً افت NDVI) را در این زمینه تأیید کنم: کدام نقاط، کدام اندازه‌گیری، کدام منبع داده مستقل. همچنین موقعیت هایی را که ممکن است یافته نادرست باشد (ابر، فصل، سایه) بشمارید. یافتن: [اینجا]

4) خلاصه ناهنجاری:

ناهنجاری های یافت شده از داده های پایش زیر را به زبان ساده برای یک مدیر محیط زیست خلاصه کنید. برای هر ناهنجاری: کجا، چه زمانی، چه مقدار انحراف، علل احتمالی و یک یادداشت "نیاز به تایید". مطمئناً چرا مناسب است. آن را به عنوان یک احتمال ارائه کنید. داده ها: [اینجا]

اشتباهات رایج

• استفاده نکردن از ماسک ابری ابر رایج ترین سیگنال جعلی است.
• اعتماد به سنسور بدون کالیبره کردن آن. سنسورهای ارزان قیمت می لغزند و تحت تأثیر رطوبت قرار می گیرند.
• فقط به تاریخ نگاه کنید. چندین تاریخ و روند برای ادعای تغییر مورد نیاز است.
• دور زدن حقیقت زمینی سیگنال ماهواره در صورت امکان باید با داده های میدانی یا مستقل تأیید شود.
• درگیر ادعای "علت دقیق" هوش مصنوعی. ردیابی داده های مرتبط. تایید دلیل بحث دیگری است.

احتیاط: تصاویر ماهواره ای و هواپیماهای بدون سرنشین با وضوح بالا ممکن است دارای دارایی خصوصی، افراد یا امکانات حساس باشند. هنگام اشتراک گذاری داده های ردیابی، حریم خصوصی و محدودیت های قانونی (به ویژه داده های شخصی و امنیت) را رعایت کنید.

به طور خلاصه

پایش محیطی داده های ماهواره ای (عریض) و حسگر (محلی) را ترکیب می کند. هوش مصنوعی این یک شتاب دهنده قدرتمند برای نوشتن کد است که داده های عظیم تصاویر و سری های زمانی، اسکن ناهنجاری و خلاصه سازی را پردازش می کند. اما ماسک ابری، کالیبراسیون سنسور، مقایسه چند تاریخ و تأیید صحت زمین متعلق به متخصص است. به سیگنال تمیز و تایید شده اعتماد کنید، نه سیگنال خام.

وظیفه کاربردی

یک زمینه و محدوده تاریخ (واقعی یا فرضی) را انتخاب کنید. 1. کد یک گردش کار تجزیه و تحلیل NDVI را روی AI با الگو چاپ کنید و تأیید کنید که مرحله ماسک ابری وجود دارد. سپس، یک سری زمانی سنسوری که دارید (یا یک نمونه) را از طریق کنترل کیفیت با الگوی دوم عبور دهید. در نهایت، با الگوی 3، طرحی ارائه دهید که چگونه تغییراتی را که در این زمینه پیدا کرده اید تأیید کنید.

چک لیست

• [ ] من تحلیل را با یک سوال مکانی و زمانی مشخص تعریف کردم.
• [ ] من یک ماسک ابری را روی داده های ماهواره ای اعمال کردم.
• [ ] من داده های حسگر را از طریق کالیبراسیون و کنترل کیفیت منتقل کردم.
• [ ] من ادعای تغییر را بر اساس روند استوار کردم، نه بر اساس یک تاریخ.
• [ ] من برنامه ای برای تأیید این یافته با حقیقت پایه یا داده های مستقل تهیه کردم.
• [ ] محرمانه بودن و محدودیت های قانونی را رعایت کرده ام.