રિમોટ સેન્સિંગ અને સાઇટ ડિટેક્શન: સેટેલાઇટ, એરિયલ ફોટોગ્રાફી અને LiDAR

નફો:

• કૃત્રિમ બુદ્ધિ સાથે ઉપગ્રહ, એરિયલ ફોટોગ્રાફી અને LiDAR ડેટામાં વિસંગતતાઓ માટે સ્કેન કરવાની ક્ષમતા અને ભૂપ્રદેશની પુષ્ટિની જરૂર હોય તેવા ઉમેદવાર તરીકે દરેક ચિહ્નનું મૂલ્યાંકન કરવાની ક્ષમતા
• છોડ, માટી અને પડછાયાના નિશાનની મોસમી અને શરતી અવલંબન અને કુદરતી/આધુનિક ખોટા હકારાત્મકને કેવી રીતે દૂર કરવામાં આવે છે તે સમજવું.
• સંવેદનશીલ સાઇટ સ્થાનોને લૂંટ અને પ્રસારણમાં અસ્પષ્ટતા સામે શા માટે સુરક્ષિત રાખવા જોઈએ તે લાગુ કરવાની ક્ષમતા

પુરાતત્વમાં સૌથી આકર્ષક વિકાસ એ છે કે જમીનમાં ખોદ્યા વિના ભૂગર્ભ અને સપાટી પરના નિશાન જોવાની ક્ષમતા. રિમોટ સેન્સિંગ (ઉપગ્રહ, એરક્રાફ્ટ અથવા ડ્રોન ઇમેજ વડે વિસ્તારને શારીરિક રીતે સ્પર્શ કર્યા વિના તપાસવાની પદ્ધતિ) એ મોટા વિસ્તારોને સ્કેન કરવા અને સંભવિત સ્થળો (પુરાતત્વીય અવશેષો ધરાવતી જગ્યાઓ) શોધવા માટેનું સૌથી શક્તિશાળી સાધન છે. આ એકમમાં, આપણે શીખીશું કે કેવી રીતે AI એ ઉપગ્રહની છબીઓ, એરિયલ ફોટોગ્રાફ્સ અને LiDAR ડેટામાં વિસંગતતાઓને ચિહ્નિત કરે છે (ટ્રેક જે તેની આસપાસનાથી અલગ હોય છે, જે માનવસર્જિત હોઈ શકે છે), પરંતુ શા માટે દરેક ચિહ્ન ક્ષેત્રમાં પુષ્ટિ થવી જોઈએ.

મૂળભૂત સિદ્ધાંત: AI એ એક સ્કેનિંગ અને પોઇન્ટિંગ સહાયક છે જે વિશાળ વિસ્તારમાં "અહીં જુઓ" કહે છે; "આ ખરેખર એક સાઇટ છે" નિર્ણય જમીન નિયંત્રણ અને નિષ્ણાત દ્વારા લેવામાં આવે છે. રિમોટ સેન્સિંગમાં, AI દ્વારા ચિહ્નિત થયેલ દરેક બિંદુ એક પૂર્વધારણા છે, શોધ નથી.

રિમોટ સેન્સિંગના પ્રકાર

સેટેલાઇટ અને એરિયલ ફોટોગ્રાફી. દફનાવવામાં આવેલી રચનાઓ તેમની ઉપરની જમીન અને વનસ્પતિની વિભેદક વૃદ્ધિ તરફ દોરી જાય છે. દિવાલ પરનો પાક નબળો છે, ખાઈ પર તે બશિયર છે; આને પાકના ગુણ કહેવામાં આવે છે. NDVI (એક અનુક્રમણિકા જે વનસ્પતિના સ્વાસ્થ્યને માપે છે; તે ઇન્ફ્રારેડ પ્રકાશનો ઉપયોગ કરીને છોડની જીવનશક્તિનું પ્રમાણ આપે છે) આ તફાવતોને પ્રકાશિત કરે છે. AI આ સૂક્ષ્મ તફાવતોને મોટી છબીઓમાં માનવ કરતાં વધુ ઝડપથી સ્કેન કરે છે.

લિડર. LiDAR (લાઇટ ડિટેક્શન એન્ડ રેન્જિંગ - ટેક્નોલોજી કે જે એરક્રાફ્ટથી જમીન પર લેસર મારવાથી અને વળતરનો સમય માપીને સપાટીનો ખૂબ જ ચોક્કસ 3D એલિવેશન મેપ બનાવે છે) એ સૌથી ક્રાંતિકારી સાધન છે. તેની વિશેષતા એ છે કે લેસર વૃક્ષો દ્વારા જમીન સુધી પહોંચી શકે છે; આમ જંગલની નીચે ટેકરાઓ, ટેરેસ, રસ્તાઓ અને બિલ્ડિંગ ફાઉન્ડેશનો પ્રગટ થાય છે જ્યારે વનસ્પતિને સંખ્યાત્મક રીતે "છાલ" કરવામાં આવે છે. AI આ એલિવેશન ડેટામાં બમ્પ્સ, ખાડાઓ અને સરળ ભૌમિતિક આકારોને ચિહ્નિત કરે છે.

જીઓફિઝિક્સ (પૂરક). ગ્રાઉન્ડ પેનિટ્રેટિંગ રડાર (જીપીઆર) અને ચુંબકીય સર્વેક્ષણ જેવી પદ્ધતિઓ સપાટીની નીચે જ દેખાય છે; AI આ ડેટામાં પણ વિસંગતતા પેટર્ન શોધવામાં મદદ કરે છે.

AI સાથે સાઇટ શોધ પગલાં

1. ડેટા તૈયારી. છબીઓ કોઓર્ડિનેટ સિસ્ટમ (જિયોરેફરન્સિંગ) માં ફીટ કરવામાં આવી છે, પડછાયો અને કોન્ટ્રાસ્ટ સુધારેલ છે. LiDAR માં, વનસ્પતિને ફિલ્ટર કરવામાં આવે છે અને "બેર ગ્રાઉન્ડ મોડલ" બનાવવામાં આવે છે.
2. અસંગતતા સ્કેનિંગ. AI એ સરળ ભૂમિતિઓને ચિહ્નિત કરે છે જે માનવસર્જિત હોઈ શકે છે (ગોળાકાર ટેકરા, લંબચોરસ માળખું, રેખીય ખાડો/રોડ).
3. નાબૂદી. મોટાભાગના ચિહ્નો કુદરતી છે (ભૂસ્તરશાસ્ત્રીય, કૃષિ, આધુનિક). નિષ્ણાત સ્પષ્ટપણે કુદરતી અને આધુનિક છે તે દૂર કરે છે.
4. પ્રાથમિકતા. બાકીના ઉમેદવારોના મુદ્દા સંદર્ભ અને જાણીતા સાઇટ વિતરણ દ્વારા પ્રાથમિકતા આપવામાં આવે છે.
5. જમીનની પુષ્ટિ. સપાટીના સર્વેક્ષણ દ્વારા અને જો જરૂરી હોય તો, ડ્રિલિંગ દ્વારા પ્રાધાન્યતા બિંદુઓની તપાસ કરવામાં આવે છે. ખાતરી વિના કોઈ બિંદુ "બેસવું" જાહેર કરવામાં આવતું નથી.

ટીપ: હંમેશા AI ના ચિહ્નો "ઉચ્ચ ખોટા હકારાત્મક દર ધરાવતા ઉમેદવારોની સૂચિ" તરીકે જુઓ. ઉદ્દેશ્ય ક્ષેત્રમાં મુલાકાત લેવા માટેના સ્થળોને બુદ્ધિપૂર્વક સંકુચિત કરવાનો છે; શોધની જાહેરાત ન કરવી. એક સિઝનમાં 200 લેન્ડ પોઈન્ટ ઘટાડીને 30 કરવું એ એક મોટો ફાયદો છે.

સંવેદનશીલ સ્થાન: નિર્ણાયક ગોપનીયતા

સાઇટ શોધમાં સૌથી ગંભીર નૈતિક અને સુરક્ષા સમસ્યા સ્થાનની ગુપ્તતા છે. નવી ઓળખાયેલી, અસુરક્ષિત સાઇટના ચોક્કસ કોઓર્ડિનેટ્સ ગેરકાયદે ખોદનારાઓ અને ખજાનો શોધનારાઓ માટે સીધું લક્ષ્ય છે. તેથી:

• સાર્વજનિક AI વાહનોમાં પ્રવેશ કરશો નહીં જેના ચોક્કસ કોઓર્ડિનેટ્સની પુષ્ટિ થઈ નથી.
• પ્રસારણ અને પ્રસ્તુતિઓમાં સંવેદનશીલ સાઇટના સ્થાનને અસ્પષ્ટ કરો (સામાન્ય વિસ્તાર આપો, GPS નહીં).
• સંસ્થાની સુરક્ષિત સિસ્ટમમાં ડેટા રાખો અને એક્સેસ મર્યાદિત કરો.

ધ્યાન આપો: "હું હમણાં જ એક નકશો દોરવા જઈ રહ્યો છું" એમ કહીને સાર્વજનિક સેવામાં સાઇટના કોઓર્ડિનેટ્સ પેસ્ટ કરવાથી તે સાઇટ લૂંટ માટે ખુલ્લી રહી શકે છે. સ્થાન ડેટા એ એક એવી સંપત્તિ છે જે પોતે શોધે તેટલી જ સુરક્ષિત હોવી જોઈએ.

ત્રણ નાના કેસો

કેસ 1 - સ્કેન વિસ્તારને સંકુચિત કરે છે. એક સર્વેક્ષણ પ્રોજેક્ટ 500 કિમી ચોરસ વિસ્તારનો સર્વે કરશે. AI-સંચાલિત LiDAR પૃથ્થકરણે જંગલની નીચે 120 સંભવિત ટેકરાઓને ચિહ્નિત કર્યા. નિષ્ણાત નાબૂદી પછી, 38 અગ્રતા સ્થાનો રહે છે; આમાંથી 11 ક્ષેત્રની વાસ્તવિક પુરાતત્વીય રચનાઓ હોવાનું જણાયું હતું. AI એ લક્ષ્યાંકિત સિઝનમાં મહિનાઓની અંધ શોધને સંક્ષિપ્ત કરી છે.

કેસ 2 — ખોટા હકારાત્મક પાઠ હતો. જ્યારે એક ટીમ ઉત્સાહપૂર્વક AI દ્વારા ચિહ્નિત એક સરળ ગોળાકાર ડાઘને "માઉન્ડ" જાહેર કરવાની તૈયારી કરી રહી હતી, ત્યારે નિષ્ણાત ભૂસ્તરશાસ્ત્રીએ દર્શાવ્યું હતું કે તે કુદરતી ડિપ્રેશન (ડોલિન) હતું. જમીનની પુષ્ટિ વિના કરવામાં આવેલ નિવેદન પ્રતિષ્ઠાને નુકસાન પહોંચાડી શકે છે. પાઠ: AI ભૂમિતિ જુએ છે, મૂળનું અર્થઘટન નહીં.

કેસ 3 — સ્થાન લીક અટકાવ્યું. એક વિદ્યાર્થી નવી મળેલી સાઇટના કોઓર્ડિનેટ્સ ધરાવતી છબીને સાર્વજનિક સાધન પર અપલોડ કરશે. સલાહકાર અટકી ગયો; વિસ્તાર હજુ અસુરક્ષિત હતો. છબી પર સંકલન માહિતીને દૂર કરીને અને માત્ર સુરક્ષિત સિસ્ટમમાં પ્રક્રિયા કરવામાં આવી હતી.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) વિસંગતતા સ્કેનિંગ ફ્રેમ:

તમારી ભૂમિકા: રીમોટ સેન્સિંગ વિશ્લેષણ સહાયક. હું તમને બેર-ગ્રાઉન્ડ (LiDAR વ્યુત્પન્ન) એલિવેશન ઇમેજ/ડેટા આપીશ. સરળ ભૂમિતિઓને ચિહ્નિત કરો (ગોળાકાર, લંબચોરસ, રેખીય) જે માનવસર્જિત હોઈ શકે છે; દરેક માટે, તેનું સ્થાન, ફોર્મેટ અને તે શા માટે નોંધપાત્ર છે તે લખો. દરેક ચિહ્ન માટે, કુદરતી/આધુનિક સમજૂતીની શક્યતા પણ સૂચવો. ચોક્કસ "બેસો" જાહેર કરશો નહીં.

2) ખોટા હકારાત્મક નાબૂદી:

AI એ ચિહ્નિત કરેલા ઉમેદવારના મુદ્દાઓની સૂચિ નીચે છે. દરેક માટે, પ્રાકૃતિક અને આધુનિક સમજૂતીઓની યાદી બનાવો (ભૂસ્તરશાસ્ત્રીય રચના, કૃષિ ટ્રેસ, રોડ, બિલ્ડિંગ ફાઉન્ડેશન) કે જે હું ભૂપ્રદેશની તપાસ પહેલા દૂર કરી શકું છું. બાકીના "ખરેખર અસ્પષ્ટ" ઉમેદવારોની અલગથી યાદી બનાવો.

3) જમીન નિયંત્રણ યોજના:

મારા ટોચના ઉમેદવાર સ્થળો છે: [સૂચિ]. દરેક બિંદુ માટે, એક ચેકલિસ્ટ દેખાય છે જેમાં ફીલ્ડમાં પુષ્ટિ કરતી વખતે મારે જે સૂચકાંકો જોવું જોઈએ તે (સપાટીના તારણો, ટોપોગ્રાફી, માટીનો રંગ, પથ્થરની ઘનતા) અને સલામત/નૈતિક ક્ષેત્રના નિયમો (પરવાનગી, સ્થાનની ગુપ્તતા) ધરાવે છે.

4) પ્રસારણ માટે સ્થાન અસ્પષ્ટતા:

પ્રકાશન/પ્રસ્તુતિ માટે નીચેની સાઇટની માહિતી તૈયાર કરતી વખતે, ચોક્કસ સ્થાન જાહેર કર્યા વિના હું તેનું વર્ણન કેવી રીતે કરી શકું તે સૂચવો: સામાન્યીકરણના કયા સ્તર (પ્રાંત/પ્રદેશ), કઈ માહિતીને અવગણવી જોઈએ તેની સૂચિ બનાવો. ધ્યેય: વૈજ્ઞાનિક પારદર્શિતાનું સંતુલન અને બગાડ સામે રક્ષણ.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

શું આ સેટેલાઈટ ઈમેજમાં કોઈ પુરાતત્વીય સ્થળ છે? તેના કોઓર્ડિનેટ્સ આપો.

AI કુદરતી ટ્રેસને "સીટ" જાહેર કરી શકે છે અને આત્મવિશ્વાસપૂર્ણ સંકલનને ફિટ કરી શકે છે; આ વૈજ્ઞાનિક અને સુરક્ષા બંને દ્રષ્ટિકોણથી ખતરનાક છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: રીમોટ સેન્સિંગ સહાયક. આ છબીમાં સરળ ભૌમિતિક ગુણને ચિહ્નિત કરો જે માનવસર્જિત હોઈ શકે છે. દરેક ટ્રેસ માટે: (a) તેનો આકાર, (b) તે શા માટે નોંધપાત્ર છે, (c) કુદરતી/આધુનિક વૈકલ્પિક સમજૂતી. આ એવા ઉમેદવારો છે જેમની માત્ર ફિલ્ડ પર જ તપાસ કરવામાં આવશે; "બેસો" જાહેર કરશો નહીં. ચોક્કસ કોઓર્ડિનેટ્સ બનાવો, સંબંધિત સ્થિતિનું વર્ણન કરો.

તફાવત: પ્રથમ શોધ જાહેર કરે છે; બાદમાં ચકાસવા માટે ઉમેદવારોની સુરક્ષિત યાદી બનાવે છે.

છબી પ્રકારો અને મોસમી અસરો

રિમોટ સેન્સિંગમાં ઇમેજ "હંમેશા" કામ કરતી નથી; સાચો ટ્રેક જોવા માટે તે યોગ્ય સ્થિતિ લે છે. જ્યારે પાક પાણીના તાણ હેઠળ હોય ત્યારે સૂકા સમયગાળા દરમિયાન પાકના નિશાન શ્રેષ્ઠ દેખાય છે: દાટેલી દિવાલની ઉપરની જમીનમાં ઓછું પાણી જળવાઈ રહે છે, તેથી ત્યાંનો પાક વહેલો પીળો થઈ જાય છે અને ઉપરથી એક રેખા તરીકે દેખાય છે. ભેજવાળી વસંતની છબીમાં, સમાન ટ્રેસ બિલકુલ દેખાશે નહીં. જ્યારે ખેતર ખેડ્યા પછી વિવિધ રંગની માટી સપાટી પર આવે ત્યારે માટીના નિશાન દેખાય છે. બીજી બાજુ, છાયાના નિશાન, સવારે કે સાંજે ઓછા તડકામાં લાંબા પડછાયા સાથે હળવા ગાંઠો અને ખાડાઓ દર્શાવે છે. તેથી, એક વિસ્તારનું મૂલ્યાંકન એક છબી સાથે નહીં, પરંતુ વિવિધ ઋતુઓ અને સમયમાં ઘણી છબીઓ સાથે કરવું જરૂરી છે; AI આ બહુ-સમયની સરખામણીને વેગ આપે છે.

LiDAR નો ફાયદો એ છે કે તે મોટાભાગે આ સ્થિતિની અવલંબન પર કાબુ મેળવે છે: કારણ કે તે સપાટીની ટોપોગ્રાફીને સીધી રીતે માપે છે, તે વનસ્પતિની મોસમ પર ઓછું નિર્ભર છે અને જંગલની અંડરસ્ટોરી જોઈ શકે છે. જો કે, LiDAR માં "બેર ગ્રાઉન્ડ મોડલ" બનાવતી વખતે, જો પ્લાન્ટ ફિલ્ટર ખૂબ જ આક્રમક હોય, તો તે વાસ્તવિક બમ્પ્સને ભૂંસી શકે છે, અને જો તે ખૂબ નરમ હોય, તો તે વૃક્ષોને બંધારણ માટે ભૂલ કરી શકે છે; આ ફિલ્ટર નિર્ણયો માટે નિષ્ણાત દેખરેખની જરૂર છે.

ટીપ: વિસ્તારનું મૂલ્યાંકન કરતી વખતે, પૂછો કે "કયા સિઝનમાં, કયા સમયે અને કઈ પદ્ધતિથી?" હંમેશા પ્રશ્ન પૂછો. જો એક ઇમેજમાં કોઈ ટ્રેસ નથી, તો તેનો અર્થ એ નથી કે ત્યાં કોઈ સાઇટ નથી; કદાચ તમે તેને ખોટી સ્થિતિમાં જોઈ રહ્યા છો.

પદ્ધતિ સરખામણી કોષ્ટક

પદ્ધતિ

શું જુએ છે

AIનું યોગદાન

સરહદ

સેટેલાઇટ/એરિયલ ફોટોગ્રાફી

છોડ/માટીના નિશાન

વિશાળ વિસ્તાર સ્કેનિંગ

મોસમ, ઠરાવ

એનડીવીઆઈ

છોડની શક્તિમાં તફાવત

સ્કાર હાઇલાઇટિંગ

કુદરતી તફાવતોને મૂંઝવે છે

લિડર

સપાટી ટોપોગ્રાફી

વન અન્ડરસ્ટોરી ભૂમિતિ

પ્લાન્ટ ફિલ્ટર ભૂલો

જીઓફિઝિક્સ (GPR/ચુંબકીય)

ઉપસપાટી માળખું

વિસંગતતા પેટર્ન

સ્થાનિક, ધીમું

સામાન્ય ભૂલો

• શોધ માટે વિસંગતતા ભૂલવી. ચિહ્ન ઉમેદવાર છે; જમીનની પુષ્ટિ વિના તે સાઇટ નથી.
• પ્રાકૃતિક/આધુનિક નિશાનોને નાબૂદ કરતા નથી. ડોલીન્સ, કૃષિ સ્કાર અને પાઈપો વારંવાર "સ્ટ્રક્ચર" તરીકે દેખાય છે.
• ખુલ્લા વાહનને ચોક્કસ સંકલન આપવું. લૂંટનું જોખમ; સ્થાન એ એક સંપત્તિ છે જે સુરક્ષિત હોવી આવશ્યક છે.
• એક જ છબી પર આધાર રાખવો. વિવિધ ઋતુઓ, વિવિધ પદ્ધતિઓ અને ભૂપ્રદેશ વિના અર્થઘટન અધૂરું છે.
• ખોટા હકારાત્મક દરને ભૂલી જવું. મોટાભાગના ચિહ્નો ખાલી આવે છે; આ સામાન્ય છે, હેતુ સંકુચિત છે.

સારાંશમાં

રિમોટ સેન્સિંગમાં, AI મોટા વિસ્તારોને સ્કેન કરવામાં અને સંભવિત સાઇટ્સને ચિહ્નિત કરવામાં ઘણો સમય બચાવે છે. પરંતુ દરેક ચિહ્ન એ એક પૂર્વધારણા છે જે ક્ષેત્રમાં પુષ્ટિ હોવી આવશ્યક છે; કુદરતી અને આધુનિક નિશાનો કાળજીપૂર્વક દૂર કરવામાં આવે છે; અને સૌથી અગત્યનું, સંવેદનશીલ સ્થળો લૂંટફાટથી સુરક્ષિત છે. AI કહે છે "અહીં જુઓ"; જમીન અને નિષ્ણાત નક્કી કરે છે કે "આ સ્થાન સુરક્ષિત છે".

એપ્લિકેશન કાર્ય

ઓપન-ઍક્સેસ LiDAR અથવા સેટેલાઇટ ઇમેજ પસંદ કરો (તમારા પોતાના પ્રદેશમાંથી અથવા નમૂના ડેટાસેટમાંથી). "વિસંગતતા સ્કેનિંગ" નમૂના સાથે AI ફ્લેગ શક્ય ભૂમિતિઓ રાખો, પછી "ખોટા હકારાત્મક નાબૂદી" નમૂના સાથે કુદરતી/આધુનિક સ્પષ્ટતાઓને દૂર કરો. બાકીના ઉમેદવારો માટે જમીન નિયંત્રણ યોજનાનો મુસદ્દો તૈયાર કરો અને સ્થાનની ગોપનીયતા નોંધનો સમાવેશ કરો.

ચેકલિસ્ટ

• [ ] મેં AI સંકેતોને "ઉમેદવારો" માન્યા, શોધો નહીં.
• [ ] મેં કુદરતી અને આધુનિક નિશાનોને દૂર કરવાનો પ્રયાસ કર્યો.
• મેં પ્રાધાન્યતા ઉમેદવારો માટે જમીનની પુષ્ટિ કરવાની યોજના બનાવી છે.
• [ ] મેં સંવેદનશીલ સ્થળોને ખુલ્લા વાહનમાંથી બહાર કાઢ્યા અને પ્રસારણમાં તેમને ઝાંખા કર્યા.
• [ ] મેં ધ્યાનમાં લીધું કે ખોટા હકારાત્મક દર ઊંચો હોઈ શકે છે.