Voitot:
- Kyky selittää, kuinka monispektristä satelliittidataa, kaistayhdistelmiä ja spektriindeksejä (NDVI jne.) käytetään tekoälyn kanssa
- Mahdollisuus määrittää valvotun/valvomattoman luokituksen ja maanpeitekartoituksen työnkulku AI-tuella
- Kyky testata luokittelutulosta perustotuus- ja virhematriisi/tarkkuuskriteereillä
Kaukokartoitus on tiedettä maan pinnan mittaamisesta ilman fyysistä kosketusta satelliittien tai lentokoneen antureilla. Satelliittikuva ei ole itse asiassa valokuva, vaan kokoelma useilla aallonpituuksilla tallennettuja mittauskerroksia, ja näitä kerroksia älykkäästi yhdistämällä voidaan kartoittaa maanpeite (metsä, vesi, maatalous, rakentaminen). Tässä osiossa kerromme, kuinka tekoäly nopeuttaa tätä työnkulkua monispektrisistä tiedoista maanpeitteen luokitukseen ja missä asiantuntija-arvio on välttämätön. Periaate: AI luo tai koodaa luokituksen; Kartan tarkkuus mitataan insinöörissä riippumattomalla totuus- ja virhematriisilla.
Perustermit. Monispektrikuva on kuva, joka on tallennettu useille aallonpituuskaistoille (sininen, vihreä, punainen, lähi-infrapuna jne.); jokainen nauha on kerros. Hyperspektri on paljon rikkaampaa, mutta vaikeasti prosessoitavaa dataa, joka sisältää kymmeniä tai satoja kapeita kaistoja. Spektriindeksi on luku, joka korostaa ilmiötä vyöhykkeiden matemaattisen yhdistelmän kautta; tunnetuin, NDVI (Normalized Difference Vegetation Index), mittaa vihreän kasvillisuuden elinvoimaa käyttämällä lähi-infrapuna- ja punaisen vyöhykkeen välistä eroa. Valvottu luokittelu sisältää mallin harjoittamisen esimerkityillä näytealueilla ja koko kuvan luokittelun. Valvomaton luokittelu on tietojen klusterointia samankaltaisuuden perusteella ilman tunnisteita ja sen myöhempää tulkintaa.
Tekoälyn rooli kaukotunnistuksessa
Tekoäly vaikuttaa tällä alalla kolmella tasolla:
- Työnkulku ja menetelmän valinta. "Mitkä bändit, mikä indeksi, mikä luokitin sopivat tähän kysymykseen?" opastaa sinua päätöksessäsi; tuottaa koodirungon.
- Itse luokittelu. Nykyaikaiset syväoppimismallit lajittelevat miljoonia pikseleitä maanpeiteluokkiin; Tämä on keskisuuren panoksen alue, jossa tekoäly tekee todellista työtä.
- Tulosten tulkinta ja raportointi. Se litteroi luokkatilastot, muutosanalyysit ja tarkkuusraportit luettavaksi tekstiksi.
Kuolleen kulman malli: malli riippuu tiedoista, joihin se on koulutettu, ja antamistasi esimerkeistä. Pilvivarjo ja vesi, paljas maa ja sadonkorjuun jälkeinen pelto, matala vesi ja märkä maa sekoittuvat helposti. Luokittelukartta ei siis ole totta vain siksi, että se näyttää hyvältä; tarkkuus on mitattava.
Vinkki: Selvennä kysymystäsi ennen luokittelun aloittamista. "Luokittele maanpeite" on epämääräinen; "Kartoita maatalousmaan menetys rakentamisen hyväksi vuosina 2020-2025" määrittelee sekä luokkasarjan että todentamiskriteerin.
Askel askeleelta: maanpeitteen luokittelu
- Valmistele tiedot ja nauhat. Vahvista kuvan pilvipeite, kuvauspäivämäärä, tarkkuus (pikselin koko) ja nauhajärjestys. Eri päivämäärä/kausi vaihtuu luokat.
- Määrittele luokkajoukko. Kuinka monta luokkaa, mitkä (vesi, metsä, maatalous, rakentaminen, paljas maa)? Harvemmat ja erottuvammat luokat ovat luotettavampia.
- Laske indeksit. Indeksit, kuten NDVI (kasvi), NDWI (vesi), erottavat luokat; tulee syötteeksi luokittelijaan.
- Kerää koulutusnäytteitä (valvotuille). Näytepolygonit, jotka on vahvistettu maastotarkastuksella jokaiselle luokalle. Näytteen laatu määrää tarkkuuden.
- Luokittele ja tarkista. Harjoittele mallia, rakenna sitten virhematriisi riippumattomilla (harjoittamattomilla) näytteillä ja laske kokonaistarkkuus ja Kappa.
Ground Truth and Error Matrix
Luokituksen tarkkuutta ei mitata silmällä. Perustotuus on riippumattomia näytteitä tunnetusta todellisesta luokasta kentällä tai luotettavassa korkearesoluutioisessa lähteessä. Näillä esimerkeillä muodostetaan sekaannusmatriisi: lasketaan kuinka monta kertaa kukin luokka on oikea ja kuinka monta kertaa se sekoitetaan mihin luokkaan. Tästä lasketaan kokonaistarkkuus (oikein luokiteltu osuus) ja Kappa (yhdenmukaisuuden mitta, joka korjaa sattuman vaikutuksen). Lisäksi tuottajan tarkkuus (kuinka paljon pyydettiin kyseisessä luokassa) ja käyttäjän tarkkuus (kuinka luotettava luokka on) raportoidaan luokkakohtaisesti.
Varoitus: Älä mittaa tarkkuutta koulutuksessa käyttämilläsi esimerkeillä. Jos samat esimerkit harjoittelevat ja testaavat, tarkkuudesta tulee keinotekoisen korkea; Tämä on illuusio. Validointinäytteiden on oltava riippumattomia.
Kolme minikoteloa: Numeroiden mukaan
Tapaus 1 – Pilvivarjo erehdyttiin veteen. Eräässä luokittelussa, kun malli merkitsi pilvivarjot "vedeksi", järvialue kasvoi siellä, missä se ei todellisuudessa ollut; vesiluokan käyttäjätarkkuus putosi 70 prosenttiin. Kun NDWI-indeksi ja pilvimaski lisättiin, varjon/veden häiriöt vähenivät ja veden tarkkuus nousi yli 90 prosenttiin.
Tapaus 2 – Totuuden perusteella palautettu raportti. Maatalouden inventaariotutkimus raportoi 82 %:n kokonaistarkkuuden alkuperäisestä luokittelusta, mutta tämä mitattiin koulutusnäytteillä. Kun mitattiin uudelleen 120 riippumattomalla maatotuuspisteellä, todellinen kokonaistarkkuus oli 71 %; Maatalous ja paljas maa häiritsivät vakavasti. Lisäkoulutusesimerkeillä luokitusta parannettiin ja tarkkuus nousi 84 prosenttiin. Oppitunti: tarkkuus mitataan riippumattomalla näytteellä.
Tapaus 3 – Kausiloukku. Kun kahdella eri päivämäärällä (keväällä ja loppukesällä) otettuja kuvia sekoitettiin yhteen, korjatut pellot siirtyivät "paljaan maan" luokkaan ja viljelyalasta näytti puuttuvan 15 %. Tulokset paranivat, kun kuvat valittiin samalta vuodenajalta ja saavutettiin fenologinen yhtenäisyys.
Heikko kehote / Vahva kehote
Heikko kehote:
Luokittele tämä satelliittikuva.
Tehokas kehotus:
Tehtävä: rakentaa maanpeitteen luokittelutyönkulku (mukaan lukien Python/rasterio + scikit-learn-koodirunko). Konteksti:- Anturi: 4 kaistaa (sininen, vihreä, punainen, NIR), 10 m resoluutio - Luokat: vesi, metsä, maatalous, rakentaminen, paljas_maa- Tarkoitus: nykyinen maanpeitekartta + tarkkuus:1 raportti. NDWI) lisätäksesi ja miksi kirjoittaa.2) Listaa valvotut luokitteluvaiheet; Korosta, että koulutus- ja VAHVISTUSnäytteiden tulee olla ERILLISET.3) Laita virhematriisi + kokonaistarkkuus + Kappa-laskenta koodirunkoon.4) Huomaa pilven/varjon ja vuodenajan sekaannukset.
Vahva kehote määrittää luokkajoukon, resoluution, indeksin perusteet ja validointierot; tuotosta tulee mitattavissa.
Neljä kopioitavaa mallia
1) Menetelmän/indeksin valinta:
Mitä spektriindeksiä ja luokitusmenetelmää suosittelisit objektiiville [kohde] ja anturille [kaistat/resoluutio]? Kirjoita jokaiselle valinnalle syy ja mahdollinen sekaannusvaara (jotka luokat ovat samankaltaisia).
2) Luokituskoodirunko:
Kirjoita valvottu luokituskehys Rasteriolla + scikit-learn: nauhan lukeminen, indeksin laskenta, koulutus-/validointinäytteiden EROTUS, luokitus, virhematriisi ja tarkkuustulostus. Ylläpidä CRS; selittää.
3) Tarkkuusarvioinnin asetukset:
Kirjoita suunnitelma luokituksen tarkkuuden arvioimiseksi: riippumaton pohjatotuuden näytesuunnittelu, virhematriisi, kokonaistarkkuus, Kappa, tuottaja/käyttäjätarkkuus luokittain. Selitä, mitä kukin mittari kertoo.
4) Häiriödiagnoosi:
Tulkitse alla oleva virhematriisi: mitkä luokat häiritsevät toisiaan, mikä on mahdollinen spektrinen/kausiluonteinen syy, mitkä lisätiedot (indeksi, maski, päivämäärä) vähentäisivät sekaannusta? Matriisi: [virhematriisi]
Luokittelukäsitteiden vertailu
käsite
Merkitys
milloin
valvottu
Koulutus merkityllä esimerkillä
Luokat ovat ennalta määrättyjä
Valvomaton
Merkitön klusterointi
Löytö, ei esimerkkejä
NDVI
kasvien elinvoimaindeksi
Kasvien/paljaan/veden erottelu
NDWI
vesiindeksi
vesistöjen erottelu
Virhematriisi
Tosi/väärä laskenta
tarkkuusmittaus
kappa
Satunnaisesti korjattu istuvuus
Normaali tarkkuusraportti
Yleisiä virheitä
- Mittaustarkkuus koulutusesimerkeillä. Ei-riippumaton testaus antaa keinotekoisen korkean tarkkuuden.
- Kartan luovuttaminen ilman mittaustarkkuutta. "Näyttää hyvältä" ei ole todiste tarkkuudesta.
- Ohita pilvi/varjomaski. Varjo sekoittuu veteen, pilvi lumeen/rakenteeseen.
- Eri kausi/päivämääräkuvien yhdistäminen. Fenologiset erot vaihtavat luokkia.
- Liian monien ja samankaltaisten luokkien määrittäminen. Erottomat luokat heikentävät tarkkuutta.
- Resoluutio huomioimatta. Pieniä esineitä ei voida luokitella, jos ne ovat pienempiä kuin yksi pikseli.
Yhteenvetona
Kaukokartoituksessa tekoäly nopeuttaa työnkulkua monispektrisistä tiedoista maanpeitteen kartoitukseen ja voi ottaa suuren osan luokittelusta. Mutta luokittelukartta on hyödyllinen vain, jos sen tarkkuus mitataan: on vakiona rakentaa virhematriisi riippumattomilla maatotuusnäytteillä ja laskea kokonaistarkkuus ja Kappa. Pilvi/varjo, vuodenaikojen vaihtelut ja vastaavat luokat ovat tyypillisiä häiriöiden lähteitä; Hallitse niitä indeksin, maskin ja päivämäärän johdonmukaisuuden avulla. Älä koskaan sekoita koulutus- ja validointinäytteitä.
Sovellustehtävä
Valitse maanpeitekysymys (esim. "kaupunkien viheraluekartta"). Kirjoita muistiin luokkasarja, käyttämäsi kaistat ja indeksit (vähintään NDVI). Pyydä tekoälyä tuottamaan valvottu luokittelutyönkulku; varmista, että koulutus- ja validointinäytteet ovat erillisiä ja että virhematriisi + Kappa-laskenta on sisällytetty ulostuloon. Tee sitten "sekaantumisriski" -luettelo: mitkä kaksi luokkaa ovat samanlaisia ja miten erotat ne toisistaan.
tarkistuslista
- [ ] Pidin luokkajoukon pienenä ja erottuvana.
- [ ] Lisäsin tähän tarkoitukseen sopivat spektriindeksit (NDVI/NDWI).
- [ ] Erotin koulutus- ja validointiesimerkit.
- [ ] Tarkistin pilven/varjon maskin ja kauden yhdenmukaisuuden.
- [ ] Mittasin tarkkuuden riippumattomalla perustotuudella.
- [ ] Ilmoitin virhematriisin, kokonaistarkkuuden ja Kappan.
- [ ] Diagnoosin ja paransin luokkasekoituksia.
- [ ] Olen antanut sille insinöörin hyväksynnän, että kartta on oikea aiottuun käyttöön.