નફો:
- પ્રશ્ન અનુસાર સેટેલાઇટ (વિશાળ વિસ્તાર) અને સેન્સર (સ્થાનિક) ડેટા પસંદ કરવાની ક્ષમતા અને ક્લાઉડ માસ્ક લાગુ કરીને NDVI જેવા સૂચકાંકોનું વિશ્લેષણ કરવાની ક્ષમતા
- કેલિબ્રેશન અને ગુણવત્તા નિયંત્રણ દ્વારા IoT સેન્સર ડેટા પસાર કરીને વાસ્તવિક સિગ્નલથી ડ્રિફ્ટ અને ખામીને અલગ પાડવાની ક્ષમતા
- એક તારીખને બદલે વલણ પર દેખરેખ શોધવાની ક્ષમતા અને ગ્રાઉન્ડ ટ્રુથ અથવા સ્વતંત્ર ડેટા સાથે વેરિફિકેશન પ્લાન સ્થાપિત કરવાની ક્ષમતા
પર્યાવરણનું સંચાલન કરવા માટે પહેલા તેને જોવું જરૂરી છે. જંગલ કેટલું નાનું બની ગયું છે, નદી કેટલી પ્રદૂષિત છે અથવા કેટલી મિથેન ફેસિલિટી લીક થાય છે તે અનુમાન લગાવીને નહીં, પણ ડેટા દ્વારા જાણવું જરૂરી છે. પર્યાવરણીય દેખરેખ એ પર્યાવરણની સ્થિતિનું નિયમિત અને પુનરાવર્તિત માપન છે. આ એકમમાં, તમે બે મોટા ડેટા સ્ત્રોતો વિશે શીખી શકશો - અવકાશમાંથી જોઈ રહેલા ઉપગ્રહો અને ક્ષેત્રમાં સેન્સર્સ — અને આ વિશાળ ડેટાને સમજવામાં AI ની ભૂમિકા.
પ્રથમ ખ્યાલો. રિમોટ સેન્સિંગ એ કોઈ વસ્તુને સ્પર્શ્યા વિના દૂરથી (ઉપગ્રહ અથવા વિમાનમાંથી) પ્રતિબિંબિત થતા પ્રકાશને માપીને માહિતી એકઠી કરે છે. IoT સેન્સર (ઇન્ટરનેટ ઓફ થિંગ્સ) એ ફીલ્ડમાં મૂકવામાં આવેલું એક નાનું ઉપકરણ છે અને તે ઇન્ટરનેટ પર આપમેળે માપેલ મૂલ્ય (તાપમાન, હવાની ગુણવત્તા, પાણીનું સ્તર) મોકલે છે. એકસાથે, તેઓ પર્યાવરણનું વ્યાપક (ઉપગ્રહ) અને સ્થાનિક (સેન્સર) ચિત્ર બંને પ્રદાન કરે છે.
સેટેલાઇટ ડેટા કેવી રીતે વાંચવો?
ઉપગ્રહો માત્ર ચિત્રો જ લેતા નથી; પ્રકાશની વિવિધ તરંગલંબાઇ ("બેન્ડ") માપે છે. આ બેન્ડ્સનું ગાણિતિક સંયોજન બતાવે છે કે નરી આંખે શું અદ્રશ્ય છે. સૌથી જાણીતું ઉદાહરણ NDVI (નોર્મલાઇઝ્ડ ડિફરન્સ વેજીટેશન ઇન્ડેક્સ) છે: તે 0 અને 1 ની વચ્ચેની સંખ્યા સાથે વનસ્પતિની ઘનતાને માપે છે, તે સિદ્ધાંત પર આધારિત છે કે તંદુરસ્ત છોડ ઇન્ફ્રારેડ પ્રકાશને ખૂબ પ્રતિબિંબિત કરે છે. NDVI માં ઘટાડો એટલે વનનાબૂદી, દુષ્કાળ અથવા નુકસાન.
સૌથી સામાન્ય મુક્ત અને ખુલ્લા ઉપગ્રહ સ્ત્રોતો સેન્ટીનેલ (યુરોપિયન કોપરનિકસ પ્રોગ્રામ) અને લેન્ડસેટ (યુએસએ) ઉપગ્રહો છે. આને Google Earth Engine અથવા Python (રેસ્ટેરીયો, xarray જેવી લાઈબ્રેરીઓ સાથે) જેવા પ્લેટફોર્મ દ્વારા એક્સેસ કરવામાં આવે છે.
ટીપ: સેટેલાઇટ ડેટાનો સૌથી મોટો દુશ્મન ક્લાઉડ છે. શું NDVI ડ્રોપ જંગલની વાસ્તવિક ખોટ છે, અથવા તે દિવસે તેના પર વાદળ હતું? હંમેશા ક્લાઉડ માસ્ક લાગુ કરો અને વિશ્લેષણ કરતા પહેલા બહુવિધ તારીખોની તુલના કરો.
IoT સેન્સર ડેટા અને કેલિબ્રેશન
સેન્સર સસ્તા અને સામાન્ય છે, પરંતુ સંપૂર્ણ નથી. ઓછા ખર્ચે હવા ગુણવત્તા સેન્સર સમય જતાં વહેશે, ભેજથી પ્રભાવિત થશે અથવા નિષ્ફળ જશે. તેથી, તેના કાચા સ્વરૂપમાં સેન્સર ડેટા અવિશ્વસનીય છે; માપાંકન (જાણીતા સંદર્ભ ઉપકરણ સાથે સરખામણી કરીને સુધારણા) અને ગુણવત્તા નિયંત્રણ આવશ્યક છે.
અહીં AI; મોટી છબી અને સમય શ્રેણીના ડેટા પર પ્રક્રિયા કરવા, વિસંગતતાઓ (અનપેક્ષિત વિચલન) માટે સ્કેનિંગ, વર્ગીકરણ મોડેલ સ્થાપિત કરવા અને તારણોનો સારાંશ આપવા માટે કોડ લખવામાં તે ખૂબ જ શક્તિશાળી છે. પરંતુ માપનની ભૌતિક વાસ્તવિકતા કેલિબ્રેશનના નિર્ણય પર આવે છે અને પ્રશ્ન "શું આ સિગ્નલ વાસ્તવિક છે કે તે ઘોંઘાટ છે?" અર્થઘટન નિષ્ણાતનું છે.
પગલું દ્વારા પગલું: એક ટ્રેકિંગ વિશ્લેષણ
1. પ્રશ્ન વ્યાખ્યાયિત કરો. "2020 અને 2024 વચ્ચે આ 10,000 હેક્ટર વિસ્તારમાં વનસ્પતિ કેવી રીતે બદલાઈ?" સ્પષ્ટ, અવકાશી અને ટેમ્પોરલ પ્રશ્ન જેમ કે:
2. ડેટા સ્ત્રોત પસંદ કરો. સેટેલાઇટ (વિશાળ વિસ્તાર) અથવા સેન્સર (સ્થાનિક, સતત)? શું રીઝોલ્યુશન અને આવર્તન પ્રશ્ન માટે યોગ્ય છે?
3. પૂર્વ પ્રક્રિયા. ક્લાઉડ માસ્ક, કેલિબ્રેટ, ફ્લેગ ગુમ થયેલ ડેટા. જો આ પગલું છોડવામાં આવે છે, તો પરિણામ ભ્રામક છે.
4. અનુક્રમણિકા/મેટ્રિકની ગણતરી કરો. NDVI, તાપમાન સરેરાશ, પ્રદૂષક સાંદ્રતા.
5. ફેરફાર અને વિસંગતતા શોધો. વલણ વિશ્લેષણ, થ્રેશોલ્ડ ક્રોસિંગ, અચાનક જમ્પ.
6. ફીલ્ડ સાથે ચકાસો. જો શક્ય હોય તો, જમીની સત્ય સાથે પુષ્ટિ કરો; ફીલ્ડ વિઝિટ અથવા સ્વતંત્ર ડેટા સાથે સેટેલાઇટ સિગ્નલ પ્રદાન કરો.
ત્રણ નાના કેસો
કેસ 1 - વાદળ માટે પડવું. એક પર્યાવરણીય NGO "અચાનક વનનાબૂદી" વિશે એલાર્મ વગાડવાની હતી જ્યારે તેણે જોયું કે એક પ્રદેશમાં NDVI એક મહિનામાં 40% ઘટી ગયું છે. જ્યારે વિશ્લેષકે ક્લાઉડ માસ્ક લગાવ્યો અને પડોશી તારીખો પર નજર નાખી, ત્યારે તેણે જોયું કે તે દિવસે મોટાભાગની છબી વાદળછાયું હતી, અને પછીની વાદળ વિનાની છબીમાં, NDVI સામાન્ય થઈ ગયું. ખોટા એલાર્મ અટકાવ્યા. સમય ગુમાવ્યો: 20 મિનિટ, પ્રતિષ્ઠા મેળવી: અમૂલ્ય.
કેસ 2 - અનકેલિબ્રેટેડ સેન્સર. એક મ્યુનિસિપાલિટી ઓછી કિંમતના PM2.5 (2.5 માઇક્રોનથી નાના કણ - ફાઇન રેસ્પિરેબલ ડસ્ટ) સેન્સર્સના ડેટા સાથે "હવા ખૂબ પ્રદૂષિત" રિપોર્ટ તૈયાર કરી રહી હતી. જ્યારે નિષ્ણાતે સંદર્ભ સ્ટેશન સાથે સેન્સરની સરખામણી કરી, ત્યારે તેણે જોયું કે ઉચ્ચ ભેજ પર તેઓ મૂલ્યને બે ગણા વધારે આંકે છે. જ્યારે ભેજ સુધારણા (કેલિબ્રેશન) લાગુ કરવામાં આવી હતી, ત્યારે વાસ્તવિક મૂલ્યો દેખાયા હતા; ગભરાટ ટળી ગયો.
કેસ 3 - કોડ ઓટોમેશન. એક રિસર્ચ ટીમે 200 સેટેલાઇટ ઈમેજીસમાંથી NDVI ટ્રેન્ડ્સ કાઢવા માટે મેન્યુઅલી કામ કરવા માટે અઠવાડિયા ગાળવાનું આયોજન કર્યું હતું. તેમની પાસે AI એ Google Earth Engine અને Python કોડ (ક્લાઉડ માસ્ક + માસિક NDVI સરેરાશ + ટ્રેન્ડ ગ્રાફ) સાથે સ્વચાલિત વર્કફ્લો લખવાનું હતું. 200 છબીઓ માટે વિશ્લેષણમાં થોડી મિનિટો લાગી; ટીમે પરિણામનું અર્થઘટન કરવા માટે પોતાનો સમય ફાળવ્યો. તેઓએ કોઈપણ રીતે કોડના દરેક પગલાની તપાસ કરી.
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા પ્રોમ્પ્ટ:
સેટેલાઇટ ડેટામાંથી વનનાબૂદી શોધો.
તે કેમ નબળું છે: કોઈ ડોમેન, તારીખ શ્રેણી, ડેટા સ્ત્રોત, રીઝોલ્યુશન અને ક્લાઉડ પ્રોસેસિંગ નથી. AI સામાન્ય ટેક્સ્ટ પ્રદાન કરે છે, એક્ઝિક્યુટેબલ વિશ્લેષણ નહીં.
શક્તિશાળી પ્રોમ્પ્ટ:
તમારી ભૂમિકા: રિમોટ સેન્સિંગ વિશ્લેષક. પાયથોન (અર્થ એન્જિન) કોડ લખો જે સેન્ટીનેલ-2 ડેટા સાથે [AREA બાઉન્ડ્રી] માટે 2020-2024 માસિક NDVI વલણની ગણતરી કરે છે. પગલાં: (1) ક્લાઉડ માસ્ક લાગુ કરો, (2) સરેરાશ માસિક NDVI, (3) ટ્રેન્ડ ચાર્ટ દોરો, (4) 20% થી વધુ ઘટાડા સાથે માર્ક મહિના. કોડને એક્ઝિક્યુટેબલ થવા દો; દરેક પગલા પર ટિપ્પણી કરો. ડેટાની મર્યાદા (રિઝોલ્યુશન, ક્લાઉડ) પણ નોંધો.
ચાર નકલ કરી શકાય તેવા નમૂનાઓ
1) સેટેલાઇટ ઇન્ડેક્સ વિશ્લેષણ (કોડ સાથે):
તમારી ભૂમિકા: રિમોટ સેન્સિંગ વિશ્લેષક. એક્ઝિક્યુટેબલ પાયથોન કોડ લખો જે [સેંટીનેલ-2/લેન્ડસેટ] ડેટા સાથે [AREA] માટે [DATE રેન્જ] પર [NDVI/NDWI/other ઇન્ડેક્સ] ની ગણતરી કરે છે. ક્લાઉડ માસ્ક ઉમેરવાની ખાતરી કરો. વલણ અને વિસંગતતાઓને ચિહ્નિત કરો. ટિપ્પણીઓમાં ડેટાના રીઝોલ્યુશન અને ક્લાઉડ મર્યાદાનો ઉલ્લેખ કરો.
2) સેન્સર સમય શ્રેણી ગુણવત્તા નિયંત્રણ:
પાયથોન સાથે નીચેની સેન્સર સમય શ્રેણીમાં ગુણવત્તા સમસ્યાઓ માટે શોધો: ગુમ થયેલ ડેટા, અટકેલ મૂલ્ય, અચાનક જમ્પ, ડ્રિફ્ટ, આત્યંતિક. દરેક મુદ્દાને ટાઇમસ્ટેમ્પ વડે ચિહ્નિત કરો. ડેટા બદલશો નહીં, ફક્ત રિપોર્ટ કરો. જો શક્ય હોય તો એક સરળ માપાંકન સૂચન ઉમેરો. ડેટા: [અહીં]
3) ગ્રાઉન્ડ ટ્રુથ વેરિફિકેશન સ્કીમ:
ફિલ્ડમાં નીચે આપેલા ઉપગ્રહ-આધારિત તારણો (દા.ત. NDVI ડ્રોપ)ને હું કેવી રીતે ચકાસી શકું તે માટેની યોજના સૂચવો: કયા બિંદુઓ, કયા માપન, કયા સ્વતંત્ર ડેટા સ્ત્રોત. એવી પરિસ્થિતિઓની પણ ગણતરી કરો કે જ્યાં શોધ ખોટી હોઈ શકે (વાદળ, મોસમ, પડછાયો). શોધવું: [અહીં]
4) વિસંગતતા સારાંશ:
પર્યાવરણ મેનેજર માટે નીચે આપેલા મોનિટરિંગ ડેટામાંથી મળેલી વિસંગતતાઓનો સાદી ભાષામાં સારાંશ આપો. દરેક વિસંગતતા માટે: ક્યાં, ક્યારે, કેટલું વિચલન, સંભવિત કારણો અને "ચકાસવાની જરૂર છે" નોંધ. ખાતરી કરો કે તે શા માટે ફિટિંગ છે; તેને શક્યતા તરીકે રજૂ કરો. ડેટા: [અહીં]
સામાન્ય ભૂલો
- ક્લાઉડ માસ્ક લાગુ ન કરવું. ક્લાઉડ એ સૌથી સામાન્ય બનાવટી સિગ્નલ છે.
- સેન્સરને માપાંકિત કર્યા વિના તેના પર વિશ્વાસ કરવો. ઓછી કિંમતના સેન્સર સરકી જાય છે અને ભેજથી પ્રભાવિત થાય છે.
- જરા ઇતિહાસ જુઓ. ફેરફારનો દાવો કરવા માટે બહુવિધ તારીખો અને વલણો જરૂરી છે.
- જમીની સત્યને બાયપાસ કરીને. સેટેલાઇટ સિગ્નલ જો શક્ય હોય તો ફીલ્ડ અથવા સ્વતંત્ર ડેટા સાથે કન્ફર્મ કરવું જોઈએ.
- AI ના "ચોક્કસ કારણ" દાવા માટે પડવું. ટ્રેકિંગ ડેટા સહસંબંધ; કારણની પુષ્ટિ કરવી એ બીજી બાબત છે.
સાવધાન: ઉચ્ચ-રિઝોલ્યુશન સેટેલાઇટ અને ડ્રોનની છબીઓમાં ખાનગી મિલકત, લોકો અથવા સંવેદનશીલ સુવિધાઓ હોઈ શકે છે. ટ્રેકિંગ ડેટા શેર કરતી વખતે ગોપનીયતા અને કાનૂની પ્રતિબંધો (ખાસ કરીને વ્યક્તિગત ડેટા અને સુરક્ષા) નું અવલોકન કરો.
સારાંશમાં
પર્યાવરણીય દેખરેખ સેટેલાઇટ (વિશાળ) અને સેન્સર (સ્થાનિક) ડેટાને જોડે છે. AI; તે કોડ લખવા માટે એક શક્તિશાળી પ્રવેગક છે જે વિશાળ છબી અને સમય શ્રેણીના ડેટા, વિસંગતતા સ્કેનિંગ અને સારાંશની પ્રક્રિયા કરે છે. પરંતુ ક્લાઉડ માસ્ક, સેન્સર કેલિબ્રેશન, મલ્ટિ-ડેટ કમ્પેરિઝન અને ગ્રાઉન્ડ ટ્રુથ વેરિફિકેશન નિષ્ણાતના છે. સાફ અને પુષ્ટિ થયેલ સિગ્નલ પર વિશ્વાસ કરો, કાચા સિગ્નલ પર નહીં.
એપ્લિકેશન કાર્ય
ફીલ્ડ અને તારીખ શ્રેણી (વાસ્તવિક અથવા કાલ્પનિક) પસંદ કરો. 1. ટેમ્પલેટ સાથે AI પર NDVI વિશ્લેષણ વર્કફ્લોનો કોડ પ્રિન્ટ કરો અને ચકાસો કે ક્લાઉડ માસ્ક સ્ટેપ અસ્તિત્વમાં છે. પછી, 2જી ટેમ્પલેટ સાથે ગુણવત્તા નિયંત્રણ દ્વારા તમારી પાસે સેન્સર સમય શ્રેણી (અથવા નમૂના) પસાર કરો. છેલ્લે, ટેમ્પલેટ 3 સાથે, તમે ફિલ્ડમાં જે ફેરફાર મેળવશો તેને તમે કેવી રીતે માન્ય કરશો તેની યોજના સાથે આવો.
ચેકલિસ્ટ
- [ ] મેં વિશ્લેષણને સ્પષ્ટ અવકાશી અને અસ્થાયી પ્રશ્ન સાથે વ્યાખ્યાયિત કર્યું.
- [ ] મેં સેટેલાઇટ ડેટા પર ક્લાઉડ માસ્ક લગાવ્યો.
- [ ] મેં કેલિબ્રેશન અને ગુણવત્તા નિયંત્રણ દ્વારા સેન્સર ડેટા પસાર કર્યો.
- [ ] મેં ફેરફારના દાવાને વલણ પર આધારિત રાખ્યો છે, એક તારીખે નહીં.
- [ ] મેં ગ્રાઉન્ડ સત્ય અથવા સ્વતંત્ર ડેટા સાથે તારણને ચકાસવાની યોજના બનાવી છે.
- [ ] મેં ગોપનીયતા અને કાનૂની પ્રતિબંધોનું અવલોકન કર્યું છે.