تحلیل تغییرات شهری با تصاویر ماهواره ای و هوایی

سود:

• درک منطق تشخیص پراکندگی شهری، ساخت و ساز و تغییر پوشش زمین با پشتیبانی هوش مصنوعی از طریق سنجش از راه دور و تصاویر ماهواره ای.
• امکان ارزیابی انتقادی طبقه بندی تصویر و تغییر خروجی های تشخیص با دقت، وضوح و اطلاعات تاریخ
• توانایی درک اینکه مرزهایی که هوش مصنوعی از تصویر استخراج می کند باید توسط سوابق میدانی و رسمی تأیید شود و نمی تواند مدرک قانونی باشد.

نمی توان یکی یکی به میدان رفت و دید یک شهر در یک دهه اخیر کجا، چقدر و با چه سرعتی رشد کرده است. در عوض، برنامه ریزان از سنجش از دور (تصویربرداری از زمین با استفاده از ماهواره و هواپیما و استخراج داده ها) استفاده می کنند. با مقایسه تصاویر ماهواره ای از تاریخ های مختلف، می توانید ساخت و سازهای جدید، زمین های کشاورزی از دست رفته، گسترش ساخت و سازهای غیرقانونی یا کوچک شدن فضای سبز را شناسایی کنید. هوش مصنوعی شتاب‌دهنده‌ای قدرتمند در طبقه‌بندی این تصاویر (برچسب زدن به هر پیکسل به عنوان «ساختار»، «گیاه»، «آب» و غیره) و تشخیص تغییرات بین دو تاریخ است. اما تجزیه و تحلیل تصویر پر از وضوح، تاریخ، سایه، ابر و خطای طبقه بندی است. یک "تغییر" که پرچم‌های هوش مصنوعی می‌تواند سایه، تفاوت فصلی یا خطا باشد. بنابراین هیچ نتیجه گیری از تصویر بدون تایید سوابق میدانی و رسمی نمی تواند مبنای پیگرد قانونی قرار گیرد.

مفاهیم اساسی سنجش از دور

وضوح: ناحیه ای که یک پیکسل روی زمین اشغال می کند. در وضوح 10 متر، یک پیکسل نشان دهنده 10x10 متر است. یک ساختمان کوچک قابل مشاهده نیست. وضوح بالا (به عنوان مثال 0.3-1 متر) به معنای جزئیات بیشتر اما گران تر و داده های کمتر است.

باند طیفی: ماهواره ها همچنین نوری را که چشم نمی بیند (مانند مادون قرمز) ضبط می کنند. پوشش گیاهی در مادون قرمز می درخشد. این کار جدا کردن گیاه از ساختار را آسان تر می کند. شاخص هایی مانند NDVI (یک ماشین حساب ساده که بنیه گیاه را اندازه گیری می کند) در ردیابی گرین فیلد رایج است.

تاریخ و فصل: اگر دو تصویر در فصول مختلف باشند، کاهش رنگ سبز ممکن است "ضرر" نباشد، بلکه فرا رسیدن زمستان باشد. هماهنگی تاریخ و فصل در مقایسه ضروری است.

دقت: مقداری که میزان دقت طبقه بندی را اندازه می گیرد. «دقت 85 درصدی» به این معنی است که از هر شش پیکسل یک پیکسل ممکن است به اشتباه برچسب گذاری شود. این یک حاشیه خطای قابل توجهی برای فرآیند حسابرسی است.

توجه: سازه‌ای که توسط هوش مصنوعی از تصویر ماهواره‌ای شناسایی می‌شود، به خودی خود دلیلی بر ساختار غیرقانونی نیست. سایه، وضوح، تاریخ و خطای طبقه بندی نتایج مثبت کاذب ایجاد می کند. بازرسی و اجرا همیشه مستلزم کنترل سایت، ثبت سند مالکیت/مجوز و اندازه گیری رسمی است.

بزرگ‌ترین ارزشی که داده‌های ماهواره‌ای رایگان و باز (منابعی مانند Sentinel اروپا و برنامه‌های Landsat ایالات متحده) برای برنامه‌ریزی به ارمغان می‌آورد، سری‌های زمانی تاریخی است: شما به ده‌ها تصویر از یک منطقه در طول سال‌ها دسترسی دارید. این به شما امکان می دهد از یک مقایسه "قبل/پس" فراتر بروید و نرخ پراکندگی، نوسانات فصلی و روند یک محله را ببینید. هوش مصنوعی در خلاصه کردن این سری های طولانی و جدا کردن الگوهای معنی دار تغییر از نویز مفید است. اما همین قانون در سری‌های زمانی نیز صدق می‌کند: مهم نیست که یک روند چقدر واضح است، این وضوح تصاویر، نرخ ابر ​​و فصلی بودن است که نتیجه را تعیین می‌کند. هیچ روندی را نمی توان بدون گزارش این سه عامل قابل اعتماد در نظر گرفت.

منطق تشخیص تغییر

روش‌های مختلفی برای مقایسه دو تصویر تاریخ‌دار وجود دارد: طبقه‌بندی هر دو تاریخ و مقایسه کلاس‌ها، دریافت تفاوت شاخص (به عنوان مثال تفاوت NDVI)، یا تولید مستقیم نقشه «تغییر شده/تغییر نشده» با مدل هوش مصنوعی. نتیجه نقشه تغییر است: ساختار جدید کجاست، گیاه کجا گم شده است. این نقشه به عنوان یک غربالگری اولیه بسیار ارزشمند است - به برنامه‌ریز می‌گوید «آنجا را نگاه کند». اما هر علامت به طور جداگانه تأیید می شود که آیا یک تغییر واقعی است یا یک خطا.

گام به گام: تجزیه و تحلیل تغییرات مبتنی بر هوش مصنوعی

1. سوال را تعریف کنید. "ساخت و سازهای جدید در [منطقه] بین سال های 2018 و 2024 کجاست؟"
2. تصویر را انتخاب کنید فصل مشابه، وضوح قابل قبول، ابر کم.
3. پیش پردازش آن را به همان CRS بیاورید، تراز کنید، ماسک ابر/سایه را اعمال کنید.
4. طبقه بندی/مقایسه کردن ایجاد کلاس یا تغییر نقشه با هوش مصنوعی.
5. دقت را ارزیابی کنید. دقت را با نقاط مرجع شناخته شده اندازه گیری کنید.
6. فیلد و تایید ثبت نام. در صورت لزوم تغییرات مشخص شده را با سند مالکیت/مجوز و سایت بررسی کنید.
7. محدودیت ها را گزارش کنید تاریخ، وضوح، دقت و حاشیه خطا را به وضوح بنویسید.

اعلان ضعیف / اعلان قوی

اعلان ضعیف: "به من بگو چه چیزی از این دو تصویر تغییر کرده است."

هوش مصنوعی فهرستی زیبا اما نامشخص درست می کند. ممکن است فکر کنید تفاوت در سایه و فصل تغییر واقعی است.

اعلان قوی: "من داده های طبقه بندی شده پوشش زمین را از دو تاریخ مقایسه می کنم (ژوئیه 2018 / ژوئیه 2024، همان فصل، وضوح 10 متر). هنگام گزارش تجزیه و تحلیل تغییر، به وضوح بیان کنید: کدام تغییرات ممکن است مثبت کاذب به دلیل سایه/فصل/رزولوشن باشد، کدام تعیین ها نیاز به تأیید میدانی دارند. مورد نیاز"

اخطار دوم هوش مصنوعی را مجبور می‌کند تا عدم قطعیت و منابع خطا را به وضوح بیان کند.

چهار قالب قابل کپی

وظیفه: خروجی تشخیص تغییر زیر را به طور انتقادی ارزیابی کنید. منابع احتمالی ERROR را برای هر شناسایی فهرست کنید: سایه، ابر، فصل، وضوح، خطای طبقه‌بندی. یادداشت "تأیید فیلد مورد نیاز" را اضافه کنید. قضاوت نهایی نکنید. یافته ها / تاریخ / وضوح: [...]

وظیفه: چک لیستی از معیارهای انتخاب تصویر برای تجزیه و تحلیل تغییرات شهری بنویسید: فصلی، وضوح، نرخ ابر، محدوده تاریخ، CRS. سؤالاتی ایجاد کنید تا بپرسید آیا تصاویری که من دارم این معیارها را برآورده می کنند یا خیر. اطلاعات تصویر: [...]

وظیفه: یک گزارش از یافته های تجزیه و تحلیل تغییرات زیر تهیه کنید. وضوح، تاریخ، دقت و حاشیه خطا را در هر یافته به وضوح بیان کنید. نتایج را به عنوان "پیش غربالگری" قاب بندی کنید. تاکید کنید که برای بازرسی/تحریم باید تاییدیه میدانی و سوابق رسمی مورد نیاز باشد. یافته‌ها: [...]

وظیفه: یک راه ساده برای ارزیابی دقت طبقه بندی پیشنهاد دهید: چند نقطه مرجع، نحوه انتخاب، نحوه محاسبه دقت (توضیح ساده). به عنوان مثال کدام بیانیه حقیقت باید در گزارش نوشته شود. زمینه: [...]

یک جدول: نوع داده و استفاده

داده ها

وضوح

نقطه قوت

محدود کردن

ماهواره با وضوح متوسط

10-30 متر

منطقه آزاد، مکرر، وسیع

ساختار کوچک را از دست می دهد

ماهواره با وضوح بالا

0.3-1 متر

تشخیص دقیق ساختار

گران، کم، خطر ابر

عکس هوایی / ارتفتو

0.1-0.3 متر

بسیار دقیق، رسمی

فرکانس به روز رسانی کم است

پهپاد (پهپاد)

سطح سانتی متر

فوری، بسیار دقیق

فضای کوچک، مجوز/قانون

سه کیف کوچک

مورد 1 - توهم سایه. شهرداری در نقشه تغییر هوش مصنوعی تابلوهای "ساختمان جدید" را در یک محله می بیند. تیم میدانی می رود. بیشتر نشانه ها سایه های ساختمانی طولانی در تصویر بعد از ظهر هستند. تعداد واقعی ساخت‌های جدید نیمی از علائم است. هوش مصنوعی از قبل غربالگری کرده بود، اما اگر بدون تایید استفاده شود، دقیقه های نادرست تولید می کند.

مورد 2 - فرار از ساختار کوچک. یک برنامه ریز تلاش می کند تا انبارهای کوچک در یک مزرعه کشاورزی را با ماهواره رایگان با وضوح 10 متر ردیابی کند. از آنجایی که انبارها 6*8 متر هستند، زیر یک پیکسل باقی می مانند و قابل مشاهده نیستند. برنامه ریز برای ردیابی واقعی به ارتفوتو با وضوح بالا تغییر می کند. وضوح مشخص می کند که چه چیزی دیده می شود.

مورد 3 - گزارش شفاف. یک تیم گسترش 6 ساله یک منطقه را تجزیه و تحلیل می کند و به وضوح در گزارش می نویسد که "تشخیص ها یک اسکن اولیه با دقت 82 درصد هستند؛ 47 نقطه در انتظار تایید میدانی هستند؛ تاریخ های تصویر و وضوح ضمیمه شده است." مجلس نتیجه را با وزن صحیح ارزیابی می کند. گزارش عدم قطعیت به جای پنهان کردن آن، تجزیه و تحلیل را قابل اعتماد می کند.

اشتباهات رایج

• تشخیص اشتباه به عنوان مدرک تصویر از قبل اسکن شده است. نیاز به تحریم و ثبت رسمی دارد.
• عدم تطابق فصل/تاریخ تصاویر فصلی مختلف تنوع نادرستی ایجاد می کنند.
• نادیده گرفتن وضوح ساختارهای کوچک در وضوح پایین قابل مشاهده نیستند. "هیچ" نیست.
• عدم گزارش صحت پنهان کردن حاشیه خطا منجر به تصمیمات اشتباه می شود.
• فراموش کردن سایه و ابر دو منبع رایج مثبت کاذب.
• عدم تطابق CRS تصاویر بدون تراز در مکان اشتباه تغییر می کنند.

به طور خلاصه

تصاویر ماهواره ای و هوایی قدرتمندترین راه برای مشاهده تغییرات شهری در مقیاس و سرعت هستند. هوش مصنوعی طبقه بندی و تشخیص تغییرات را تسریع می کند. اما وضوح تعیین می کند که چه چیزی را می توان دید، فصل و تاریخ تعیین می کند که چه چیزی واقعی است، سایه و ابر تعیین می کنند که چه چیزی مثبت کاذب است. دقت باید همیشه اندازه گیری و گزارش شود. مهمتر از همه: تشخیص از تصویر یک پیش اسکن است. کنترل میدانی، ثبت سند مالکیت/مجوز و اندازه گیری رسمی برای بازرسی و تحریم ضروری است. هوش مصنوعی بینایی را تسریع می کند نه تصمیم گیری.

وظیفه کاربردی

یک جفت تصویر (یا سناریو) با دو تاریخ متفاوت را در نظر بگیرید. (1) معیارهای انتخاب تصویر را با الگوی دوم بررسی کنید: فصل، وضوح، آیا ابر مناسب است؟ (2) فهرستی از تشخیص‌های تغییر را فرض کنید و منابع خطای احتمالی را برای هر شناسایی با الگوی اولیه استخراج کنید. (3) یک پیش نویس گزارش با الگوی سوم تهیه کنید و دقت و حاشیه خطا را اضافه کنید. (4) بنویسید که کدام تعیین‌ها به تأیید میدانی نیاز دارند و چگونه این کار را انجام خواهید داد.

چک لیست

• [ ] من سازگاری فصل، تاریخ و وضوح تصاویر را بررسی کردم.
• [ ] من تصاویر را با همان CRS تراز کردم. ماسک ابر/سایه را در نظر گرفتم.
• [ ] من تشخیص تغییر را به عنوان غربالگری اولیه تلقی کردم، نه به عنوان مدرک.
• [ ] من دقت طبقه بندی را ارزیابی و گزارش کردم.
• من تغییرات علامت گذاری شده با [ ] را با سوابق فیلدی و رسمی تایید کردم.
• [ ] توجه کردم که محدودیت وضوح ممکن است چه چیزی را از دست بدهد.
• [ ] تاریخ، وضوح و حاشیه خطا را به وضوح در گزارش نوشتم.