રિમોટ સેન્સિંગ અને સેટેલાઇટ ઇમેજનું વર્ગીકરણ

નફો:

• એઆઈ સાથે મલ્ટિસ્પેક્ટ્રલ સેટેલાઇટ ડેટા, બેન્ડ સંયોજનો અને સ્પેક્ટ્રલ સૂચકાંકો (NDVI વગેરે) કેવી રીતે ઉપયોગમાં લેવાય છે તે સમજાવવાની ક્ષમતા
• AI સપોર્ટ સાથે નિરીક્ષિત/અનિરીક્ષણ કરેલ વર્ગીકરણ અને લેન્ડ કવર મેપિંગ વર્કફ્લોને ગોઠવવાની ક્ષમતા
• ગ્રાઉન્ડ સત્ય અને ભૂલ મેટ્રિક્સ/ચોકસાઈ માપદંડ સાથે વર્ગીકરણ આઉટપુટનું પરીક્ષણ કરવાની ક્ષમતા

રિમોટ સેન્સિંગ એ ઉપગ્રહો અથવા એરિયલ પ્લેટફોર્મ પરના સેન્સર વડે ભૌતિક સંપર્ક વિના પૃથ્વીની સપાટીને માપવાનું વિજ્ઞાન છે. સેટેલાઇટ ઇમેજ એ વાસ્તવમાં ફોટોગ્રાફ નથી, પરંતુ બહુવિધ તરંગલંબાઇ પર નોંધાયેલા માપના સ્તરોનો સંગ્રહ છે અને આ સ્તરોને બુદ્ધિપૂર્વક જોડીને, જમીનના આવરણ (જંગલ, પાણી, ખેતી, બાંધકામ)ને મેપ કરી શકાય છે. આ એકમમાં, અમે આવરી લઈએ છીએ કે કૃત્રિમ બુદ્ધિ આ કાર્યપ્રવાહને કેવી રીતે વેગ આપે છે, મલ્ટિસ્પેક્ટરલ ડેટાથી લઈને લેન્ડ કવર વર્ગીકરણ સુધી, અને જ્યાં નિષ્ણાત ચુકાદો અનિવાર્ય છે. સિદ્ધાંત: AI વર્ગીકરણ જનરેટ કરે છે અથવા કોડ કરે છે; નકશાની ચોકસાઈ એન્જિનિયરમાં સ્વતંત્ર ગ્રાઉન્ડ ટ્રુથ અને એરર મેટ્રિક્સ દ્વારા માપવામાં આવે છે.

મૂળભૂત શરતો. મલ્ટિસ્પેક્ટ્રલ ઇમેજ એ અનેક તરંગલંબાઇના બેન્ડ (વાદળી, લીલો, લાલ, ઇન્ફ્રારેડની નજીક, વગેરે) માં નોંધાયેલી છે; દરેક બેન્ડ એક સ્તર છે. હાયપરસ્પેક્ટ્રલ વધુ સમૃદ્ધ છે પરંતુ ડેટાની પ્રક્રિયા કરવી મુશ્કેલ છે, જેમાં દસથી સેંકડો સાંકડા બેન્ડ હોય છે. સ્પેક્ટ્રલ ઇન્ડેક્સ એ સંખ્યા છે જે બેન્ડ્સના ગાણિતિક સંયોજન દ્વારા ઘટનાને પ્રકાશિત કરે છે; સૌથી વધુ જાણીતું, NDVI (નોર્મલાઇઝ્ડ ડિફરન્સ વેજીટેશન ઇન્ડેક્સ), નજીકના ઇન્ફ્રારેડ અને રેડ બેન્ડ વચ્ચેના તફાવતનો ઉપયોગ કરીને લીલી વનસ્પતિના ઉત્સાહને માપે છે. નિરીક્ષિત વર્ગીકરણમાં પ્રી-લેબલવાળા નમૂના વિસ્તારો સાથે મોડેલને તાલીમ આપવા અને સમગ્ર છબીને વર્ગીકૃત કરવાનો સમાવેશ થાય છે. દેખરેખ વિનાનું વર્ગીકરણ લેબલ્સ વિના સમાનતાના આધારે ડેટાને ક્લસ્ટર કરવાનું અને પછીથી તેનું અર્થઘટન કરવાનું છે.

રિમોટ સેન્સિંગમાં AI ની ભૂમિકા

કૃત્રિમ બુદ્ધિ આ ક્ષેત્રમાં ત્રણ સ્તરે ફાળો આપે છે:

1. વર્કફ્લો અને પદ્ધતિની પસંદગી. "આ પ્રશ્ન માટે કયા બેન્ડ્સ, કયો ઇન્ડેક્સ, કયો વર્ગીકરણ યોગ્ય છે?" તમારા નિર્ણયમાં તમને માર્ગદર્શન આપે છે; કોડ હાડપિંજર ઉત્પન્ન કરે છે.
2. વર્ગીકરણ પોતે. આધુનિક ડીપ લર્નિંગ મોડલ્સ લાખો પિક્સેલ્સને લેન્ડ કવર વર્ગોમાં વર્ગીકૃત કરે છે; આ મધ્યમ-ઉચ્ચ યોગદાન ક્ષેત્ર છે જ્યાં AI વાસ્તવિક કાર્ય કરે છે.
3. પરિણામ અર્થઘટન અને અહેવાલ. તે વાંચી શકાય તેવા લખાણમાં વર્ગના આંકડા, ફેરફાર વિશ્લેષણ અને ચોકસાઈના અહેવાલને ટ્રાંસ્ક્રાઇબ કરે છે.

બ્લાઇન્ડ સ્પોટ: મોડેલ તે જે ડેટા પર પ્રશિક્ષિત છે અને તમે પ્રદાન કરો છો તેના પર આધારિત છે. વાદળનો પડછાયો અને પાણી, ખાલી માટી અને કાપણી પછીનું ખેતર, છીછરું પાણી અને ભીની જમીન સરળતાથી ભળી જાય છે. તેથી વર્ગીકરણ નકશો સાચો નથી કારણ કે તે સરસ દેખાય છે; ચોકસાઈ માપવી જોઈએ.

ટીપ: તમે વર્ગીકરણ શરૂ કરો તે પહેલાં તમારા પ્રશ્નની સ્પષ્ટતા કરો. "વર્ગીકૃત જમીન આવરણ" અસ્પષ્ટ છે; "2020-2025 વચ્ચે બાંધકામની તરફેણમાં ખેતીની જમીનના નુકસાનનો નકશો બનાવો" વર્ગ સેટ અને ચકાસણી માપદંડ બંને નક્કી કરે છે.

સ્ટેપ બાય સ્ટેપ: લેન્ડ કવરનું વર્ગીકરણ

1. ડેટા અને ટેપ તૈયાર કરો. ઇમેજના ક્લાઉડ કવર, શૂટિંગની તારીખ, રિઝોલ્યુશન (પિક્સેલનું કદ) અને બૅન્ડ ઑર્ડરની પુષ્ટિ કરો. જુદી જુદી તારીખ/સીઝન વર્ગોમાં ફેરફાર કરે છે.
2. વર્ગ સમૂહ વ્યાખ્યાયિત કરો. કેટલા વર્ગો, કયા વર્ગો (જળ, જંગલ, ખેતી, બાંધકામ, ખાલી જમીન)? ઓછા અને વધુ ઓળખી શકાય તેવા વર્ગો વધુ વિશ્વસનીય છે.
3. સૂચકાંકોની ગણતરી કરો. NDVI (પ્લાન્ટ), NDWI (પાણી) જેવા સૂચકાંકો વર્ગોને અલગ પાડે છે; વર્ગીકૃત માટે ઇનપુટ બને છે.
4. તાલીમ નમૂનાઓ એકત્રિત કરો (નિરીક્ષણ માટે). દરેક વર્ગ માટે ભૂપ્રદેશ ચકાસણી દ્વારા પુષ્ટિ થયેલ નમૂના બહુકોણ. નમૂનાની ગુણવત્તા ચોકસાઈ નક્કી કરે છે.
5. વર્ગીકરણ અને ચકાસો. મોડેલને તાલીમ આપો, પછી સ્વતંત્ર (અપ્રશિક્ષિત) નમૂનાઓ સાથે ભૂલ મેટ્રિક્સ બનાવો અને એકંદર ચોકસાઈ અને કપ્પાની ગણતરી કરો.

ગ્રાઉન્ડ ટ્રુથ એન્ડ એરર મેટ્રિક્સ

વર્ગીકરણની ચોકસાઈ આંખના નિર્ણય દ્વારા માપવામાં આવતી નથી. ગ્રાઉન્ડ ટ્રુથ એ ક્ષેત્રમાં અથવા વિશ્વસનીય ઉચ્ચ-રિઝોલ્યુશન સ્ત્રોતમાં જાણીતા સાચા વર્ગના સ્વતંત્ર નમૂનાઓ છે. આ ઉદાહરણો સાથે, એક મૂંઝવણ મેટ્રિક્સ સ્થાપિત થાય છે: તે ગણવામાં આવે છે કે દરેક વર્ગ કેટલી વખત સાચો છે અને કેટલી વખત તે કયા વર્ગ સાથે મૂંઝવણમાં છે. આના પરથી, એકંદર ચોકસાઈ (યોગ્ય રીતે વર્ગીકૃત થયેલ પ્રમાણ) અને કપ્પા (એક કરારનું માપ જે તકની અસર માટે સુધારે છે)ની ગણતરી કરવામાં આવે છે. વધુમાં, નિર્માતા ચોકસાઈ (તે વર્ગમાં કેટલી પકડાઈ હતી) અને વપરાશકર્તાની ચોકસાઈ (તે વર્ગ કેટલો વિશ્વસનીય છે) વર્ગના આધારે જાણ કરવામાં આવે છે.

સાવધાન: તમે તાલીમ માટે જે ઉદાહરણોનો ઉપયોગ કરો છો તેનાથી ચોકસાઈને માપશો નહીં. જો સમાન ઉદાહરણો તાલીમ આપે છે અને પરીક્ષણ કરે છે, તો ચોકસાઈ કૃત્રિમ રીતે ઊંચી બને છે; આ એક ભ્રમણા છે. માન્યતા નમૂનાઓ સ્વતંત્ર હોવા જોઈએ.

ત્રણ મિની કેસ: સંખ્યાઓ દ્વારા

કેસ 1 - વાદળની છાયાને પાણી માટે ભૂલ કરવામાં આવી હતી. એક વર્ગીકરણમાં, જ્યારે મોડેલે વાદળના પડછાયાઓને "પાણી" તરીકે લેબલ કર્યું, ત્યારે તળાવનો વિસ્તાર વધ્યો જ્યાં તે ખરેખર ન હતો; પાણી વર્ગની વપરાશકર્તા ચોકસાઈ ઘટીને 70% થઈ ગઈ. જ્યારે NDWI ઇન્ડેક્સ અને ક્લાઉડ માસ્ક ઉમેરવામાં આવ્યા, ત્યારે પડછાયા/પાણીની દખલગીરી ઘટી અને પાણીની ચોકસાઈ વધીને 90% થઈ ગઈ.

કેસ 2 - જમીની સત્ય દ્વારા પુનઃપ્રાપ્ત થયેલ અહેવાલ. કૃષિ ઇન્વેન્ટરી અભ્યાસમાં પ્રારંભિક વર્ગીકરણની 82% એકંદર ચોકસાઈ નોંધવામાં આવી હતી, પરંતુ આ તાલીમ નમૂનાઓ દ્વારા માપવામાં આવ્યું હતું. જ્યારે 120 સ્વતંત્ર ગ્રાઉન્ડ ટ્રુથ પોઈન્ટ્સ સાથે ફરીથી માપવામાં આવે છે, ત્યારે વાસ્તવિક એકંદર ચોકસાઈ 71% હતી; ખેતી અને ખાલી જમીન ગંભીર રીતે દખલ કરી રહી હતી. વધારાના તાલીમ ઉદાહરણો સાથે, વર્ગીકરણમાં સુધારો થયો અને ચોકસાઈ વધીને 84% થઈ. પાઠ: ચોકસાઈ સ્વતંત્ર નમૂના દ્વારા માપવામાં આવે છે.

કેસ 3 - મોસમી છટકું. જ્યારે બે અલગ-અલગ તારીખો (વસંત અને ઉનાળાના અંતમાં) પર લેવામાં આવેલી છબીઓ એકસાથે મિશ્ર કરવામાં આવી હતી, ત્યારે લણણી કરાયેલા ખેતરો "બેર ગ્રાઉન્ડ" વર્ગમાં ખસેડવામાં આવ્યા હતા અને કૃષિ વિસ્તાર 15% ખૂટે છે. જ્યારે સમાન સિઝનમાંથી છબીઓ પસંદ કરવામાં આવી હતી અને ફિનોલોજિકલ સુસંગતતા પ્રાપ્ત થઈ હતી ત્યારે પરિણામોમાં સુધારો થયો હતો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ સેટેલાઈટ ઈમેજનું વર્ગીકરણ કરો.

શક્તિશાળી પ્રોમ્પ્ટ:

કાર્ય: લેન્ડ કવર વર્ગીકરણ વર્કફ્લો બનાવો (પાયથોન/રેસ્ટેરિયો + સ્કિકિટ-લર્ન કોડ સ્કેલેટન સહિત). સંદર્ભ:- સેન્સર: 4 બેન્ડ્સ (વાદળી, લીલો, લાલ, NIR), 10 મીટર રિઝોલ્યુશન- વર્ગો: પાણી, જંગલ, ખેતી, બાંધકામ, બેર_ગ્રાઉન્ડ- હેતુ: વર્તમાન જમીન કવર નકશામાં કયો રિપોર્ટ: વર્તમાન જમીન કવર તપાસ + (NDVI, NDWI) ઉમેરવા અને શા માટે લખવું.2) નિરીક્ષિત વર્ગીકરણ પગલાંની યાદી બનાવો; ભાર આપો કે તાલીમ અને માન્યતા નમૂનાઓ અલગ હોવા જોઈએ. 3) કોડના હાડપિંજરમાં ભૂલ મેટ્રિક્સ + એકંદર ચોકસાઈ + કપ્પા ગણતરી મૂકો. 4) વાદળ/છાયા અને મોસમની મૂંઝવણના જોખમોની નોંધ લો.

મજબૂત પ્રોમ્પ્ટ વર્ગ સમૂહ, રીઝોલ્યુશન, અનુક્રમણિકા તર્ક અને માન્યતા ભેદને સ્પષ્ટ કરે છે; આઉટપુટ માપી શકાય તેવું બને છે.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) પદ્ધતિ/અનુક્રમણિકા પસંદગી:

ઉદ્દેશ્ય [લક્ષ્ય] અને સેન્સર [બેન્ડ્સ/રિઝોલ્યુશન] માટે તમે કઈ સ્પેક્ટરલ ઇન્ડેક્સ અને વર્ગીકરણ પદ્ધતિની ભલામણ કરશો? દરેક પસંદગી માટે, તર્ક અને મૂંઝવણનું સંભવિત જોખમ લખો (જે વર્ગો એકબીજા સાથે સમાન છે).

2) વર્ગીકરણ કોડ હાડપિંજર:

Rasterio + scikit-learn સાથે નિરીક્ષિત વર્ગીકરણ માળખું લખો: ટેપ વાંચન, અનુક્રમણિકા ગણતરી, તાલીમ/માન્યતા નમૂનાઓનું વિભાજન, વર્ગીકરણ, ભૂલ મેટ્રિક્સ અને ચોકસાઈ આઉટપુટ. CRS જાળવો; સમજાવો.

3) ચોકસાઈ મૂલ્યાંકન સેટઅપ:

વર્ગીકરણ સચોટતાનું મૂલ્યાંકન કરવા માટે એક યોજના લખો: સ્વતંત્ર ગ્રાઉન્ડટ્રુથ નમૂના ડિઝાઇન, ભૂલ મેટ્રિક્સ, એકંદર ચોકસાઈ, કપ્પા, વર્ગ દ્વારા નિર્માતા/વપરાશકર્તા ચોકસાઈ. દરેક મેટ્રિક શું કહે છે તે સમજાવો.

4) હસ્તક્ષેપ નિદાન:

નીચેની ભૂલ મેટ્રિક્સનું અર્થઘટન કરો: કયા વર્ગો એકબીજા સાથે દખલ કરી રહ્યા છે, સંભવિત વર્ણપટ/મોસમી કારણ શું છે, કયા વધારાના ડેટા (ઇન્ડેક્સ, માસ્ક, તારીખ) મૂંઝવણમાં ઘટાડો કરશે? મેટ્રિક્સ: [ભૂલ મેટ્રિક્સ]

વર્ગીકરણ ખ્યાલોની સરખામણી

ખ્યાલ

અર્થ

જ્યારે

દેખરેખ

લેબલ કરેલ ઉદાહરણ સાથે તાલીમ

વર્ગો પૂર્વનિર્ધારિત છે

દેખરેખ વિના

લેબલ-મુક્ત ક્લસ્ટરિંગ

શોધ, કોઈ ઉદાહરણો નથી

એનડીવીઆઈ

છોડ જીવનશક્તિ સૂચકાંક

છોડ/બેર/પાણીનું વિભાજન

NDWI

પાણી સૂચકાંક

પાણીના શરીરનું વિભાજન

ભૂલ મેટ્રિક્સ

સાચી/ખોટી ગણતરી

ચોકસાઈ માપન

કપ્પા

તક-સુધારેલ ફિટ

પ્રમાણભૂત ચોકસાઈ અહેવાલ

સામાન્ય ભૂલો

• તાલીમ ઉદાહરણો સાથે ચોકસાઈ માપવા. બિન-સ્વતંત્ર પરીક્ષણ કૃત્રિમ રીતે ઉચ્ચ ચોકસાઈ આપે છે.
• ચોકસાઈને ક્યારેય માપ્યા વિના નકશો સોંપવો. "સરસ લાગે છે" એ ચોકસાઈનો પુરાવો નથી.
• ક્લાઉડ/શેડો માસ્કને છોડવું. પડછાયો પાણી સાથે ભળે છે, વાદળ બરફ/સંરચના સાથે ભળે છે.
• વિવિધ સીઝન/તારીખની છબીઓનું મિશ્રણ. ફિનોલોજિકલ તફાવત વર્ગો શિફ્ટ કરે છે.
• ઘણા બધા અને સમાન વર્ગો વ્યાખ્યાયિત કરી રહ્યા છીએ. અસ્પષ્ટ વર્ગો ચોકસાઈ ઘટાડે છે.
• રિઝોલ્યુશનની અવગણના. નાની વસ્તુઓનું વર્ગીકરણ કરી શકાતું નથી જો તે એક પિક્સેલ કરતાં નાની હોય.

સારાંશમાં

રિમોટ સેન્સિંગમાં, AI મલ્ટિસ્પેક્ટ્રલ ડેટાથી લેન્ડ કવર મેપિંગ સુધીના વર્કફ્લોને ઝડપી બનાવે છે અને મોટાભાગનું વર્ગીકરણ લઈ શકે છે. પરંતુ વર્ગીકરણ નકશો ફક્ત ત્યારે જ ઉપયોગી છે જો તેની ચોકસાઈ માપવામાં આવે: સ્વતંત્ર ગ્રાઉન્ડ ટ્રુથ સેમ્પલ સાથે ભૂલ મેટ્રિક્સનું નિર્માણ કરવું અને એકંદર ચોકસાઈ અને કપ્પાની ગણતરી કરવી તે પ્રમાણભૂત છે. વાદળ/છાયા, મોસમી વિવિધતા અને સમાન વર્ગો દખલગીરીના વિશિષ્ટ સ્ત્રોત છે; તેમને અનુક્રમણિકા, માસ્ક અને તારીખ સુસંગતતા સાથે મેનેજ કરો. તાલીમ અને માન્યતા નમૂનાઓને ક્યારેય મિશ્રિત કરશો નહીં.

એપ્લિકેશન કાર્ય

લેન્ડ કવર પ્રશ્ન પસંદ કરો (દા.ત. "શહેરી ગ્રીન સ્પેસ મેપ"). વર્ગ સમૂહ, તમે ઉપયોગ કરશો તે બેન્ડ્સ અને સૂચકાંકો (ઓછામાં ઓછું NDVI) લખો. AI પાસે નિરીક્ષિત વર્ગીકરણ વર્કફ્લો ઉત્પન્ન કરો; ખાતરી કરો કે તાલીમ અને માન્યતા નમૂનાઓ અલગ છે અને એરર મેટ્રિક્સ + કપ્પા ગણતરી આઉટપુટમાં શામેલ છે. પછી "ગૂંચવણનું જોખમ" સૂચિ બનાવો: કયા બે વર્ગો સમાન છે અને તમે તેમને કેવી રીતે અલગ કરો છો.

ચેકલિસ્ટ

• [ ] મેં વર્ગનો સેટ નાનો અને અલગ પાડી શકાય એવો રાખ્યો.
• [ ] મેં આ હેતુ માટે યોગ્ય સ્પેક્ટ્રલ સૂચકાંકો (NDVI/NDWI) ઉમેર્યા છે.
• [ ] મેં તાલીમ અને માન્યતાના ઉદાહરણો અલગ કર્યા.
• [] મેં ક્લાઉડ/શેડો માસ્ક અને સિઝનની સુસંગતતા તપાસી.
• [ ] મેં સ્વતંત્ર ગ્રાઉન્ડ સત્ય સાથે ચોકસાઈ માપી.
• [ ] મેં ભૂલ મેટ્રિક્સ, એકંદર ચોકસાઈ અને કપ્પાની જાણ કરી.
• [ ] મેં ક્લાસ મિક્સ-અપ્સનું નિદાન કર્યું અને તેનો ઉપચાર કર્યો.
• [ ] મેં તેને એન્જિનિયરની મંજૂરીને આધીન કર્યું છે કે નકશો તેના હેતુપૂર્વકના ઉપયોગ માટે સચોટ છે.