פרשנות נתוני חישה גיאוגרפית ומרחוק

רווחים:

• יכולת לפרש שכבות GIS, NDVI ומושגי פס/רזולוציה של חישה מרחוק
• פרשנות אינדקס, ניתוח שינויים וניסוח נרטיבי מפה עם AI
• יכולת לאמת את פרשנות הלוויין/מפה של AI עם אמת קרקע ומטא נתונים

אתה מהנדס סביבה שעובד על פרויקט שימור ביצות. המועצה רוצה שתחקור תלונות על כך שהאגמון על שפת האגם הצטמק בחמש השנים האחרונות. לפני היציאה לשטח, עליך לבצע הערכה מקדימה ליד שולחנך: יש לך תמונות לוויין משנתיים שונות, פרויקט GIS (מערכת מידע גיאוגרפית) ומודל שפה. אתה יכול לבקש מ-LLM לפרש את תקציר ה-NDVI של התמונות ולכתוב טיוטה של ​​נרטיב השינוי. עם זאת, פיקסל לווין מייצג ריבוע של 10 מטר, ואתה יכול רק להבין אם יש צל ענן, קנה מתייבש או מפלס מים עונתי בריבוע הזה עם אמת קרקע. ביחידה זו, אנו מכסים את המושגים של חישה מרחוק ו-GIS, אינדקס/שינוי פרשנות עם AI, והכי חשוב, את הגבולות של פרשנות זו.

לוגיקה של שכבת GIS וחישה מרחוק

GIS מארגן נתונים גיאוגרפיים לשכבות חופפות: כל שכבה נושאת נושא (שימושי קרקע, גופי מים, גובה, כבישים) והיא מיושרת במערכת קואורדינטות משותפת. ניתוח מתחיל בחפיפה של השכבות הנכונות בהקרנה הנכונה; מערכת הקואורדינטות השגויה מוטה באופן שיטתי אזורים ומרחקים.

בעת פירוש תמונת חישה מרחוק, עליך להבחין בין שלושה סוגים של רזולוציה:

סוג רזולוציה

מה זה אומר?

דוגמה

הגבלה

מרחבי

גודל של פיקסל על הקרקע

10 מ', 30 מ'

אובייקטים קטנים נשארים תת-פיקסל

ספקטרלי

כמה ואיזו רצועת אורך גל?

אדום, NIR, SWIR

פחות להקה = פחות כוח אפליה

זמני

באיזו תדירות צופים באותו מקום

5 ימים, 16 ימים

אובדן נתונים בימים מעוננים

רדיומטרי

רגישות בהירות (עומק סיביות)

8 סיביות, 12 סיביות

עומק נמוך = אפליה לקויה

NDVI: נוסחה ופרשנות

המדד הנפוץ ביותר שמודד את חיוניות הצמחייה הוא NDVI (Normalized Difference Vegetation Index). צמח בריא משקף חזק אינפרא אדום קרוב (NIR) וסופג אדום (אדום):

NDVI = (NIR - RED) / (NIR + RED)טווח ערכים: −1 ... +1 < 0 : מים, שלג, ענן 0.0 - 0.2 : אדמה חשופה, סלע, שטח בנוי 0.2 - 0.5 : צמחייה דלילה/עשבונית, כיסוי לחוץ 0.5 - 0.9 כיסוי ירוק צפוף:

# NDVI של גוש דגימה קטן של פיקסלים מייבא את numpy כ-npnir = np.array([[0.42, 0.38], [0.11, 0.45]]) # reflectancered near infrared = np.array([[0.06, 0.09], [0.10, 0.05, 0.05] +nir redance]) red)print(np.round(ndvi, 2))# [[0.75 0.62]# [0.05 0.80]]# פיקסל משמאל למטה (0.05): לא צמח - יכול להיות אדמה חשופה או מים/צל

טיפ: NDVI אינו מדד מוחלט ל"בריאות" אלא מדד תלוי מצב. כאשר משווים שני NDVIs מתוארכים מאותו אזור, ודא שהתמונות צולמו בעונות דומות, זוויות שמש דומות ותנאים ללא עננים. השוואת המראה של סוף הקיץ לאביב מייצרת "אובדן צמחים" לא אמיתי.

ניתוח שינויים (זיהוי שינויים)

הדרך הפשוטה למצוא את ההבדל בין שני תאריכים היא לקחת את ההבדל ב-NDVI, אבל ההבדל הזה הוא בעל משמעות רק אם ניתן להשוות את התמונות.

ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0 : אובדן כיסוי אפשרי (ייבוש, חיתוך, בנייה) ΔNDVI ≈ 0 : ללא שינוי ΔNDVI >> 0 : הגדלת כיסוי אפשרית (הירקה, שחזור) שימו לב: ההבדלים כמו שינוי עונה/זווית/הפרשים בפועל. הבדל = שינוי אמיתי + רעש.

זהירות: ענן, צל ענן ועונתיות הם הפוגעים הגדולים בניתוח השינויים. האזור שמתחת לצל ענן נותן NDVI נמוך ונראה כמו "אובדן צמחייה". כאשר LLM מבצע פרשנות תמונה, המודל עשוי לטעות בחפצים אלה באירוע האמיתי. הקפד לבדוק את המטא נתונים של התמונה (תאריך, אחוז ענן, זווית שמש).

פרשנות אינדקס ונרטיב מפה עם AI

LLM שימושי בתרגום סיכומי אינדקס מספרי לנרטיב פשוט ובהפקת טיוטת דוחות. תן לו את הנתונים הסטטיסטיים והמטא נתונים הגולמיים של NDVI ובקש ממנו ליצור את ההערה כדי שתוכל לאמת.

הנחיה חלשה: "האם שטח הביצה נעשה קטן יותר בתמונת הלוויין הזו?" הנחיה חזקה: "אני נותן שני נתונים סטטיסטיים של NDVI מתוארכים (אותו אזור, אותו חיישן): 2020-07-15 ממוצע NDVI=0.61 ענן=3% זווית שמש=58°2025-07-12 ממוצע NDVI=0.42 ענן=22% זווית שמש=55°אזור עניין של 55°איזור עניין: אגם 40 מטלה. ΔNDVI ורשום פרשנויות אפשריות.2) רשום אילו סיבות (ענן, צל, מפלס מים, עונה, כיול) ירידה זו עשויה לנבוע מ(ענן, צל, מפלס מים, עונה, כיול) מלבד אובדן כיסוי בפועל.3) לכל סיבה אפשרית, הצע שלב אימות כדי להבחין בינה (למשל, תיעוד שדה ללא ביקור בשדה, בחירת תמונה ללא רמת ענן 4) תמונה. התכווץ ב-X%' DO NOT SETUP ציין שניתן לומר זאת רק אם האמת הבסיסית מאשרת זאת."

ההנחיה החזקה מכוונת את המודל לא למסקנה חד משמעית אלא לתכנית של הסברים ואימות חלופיים. העובדה שתמונת 2025 מכילה 22% עננים הופכת את הירידה לחשודה בפני עצמה.

אימות אמת יסודי

תקן הזהב של פרשנות חישה מרחוק הוא נקודות אימות עם תצפיות ומדידות שנעשו בשטח. אתה מתעד את כיסוי הקרקע בפועל עם GPS במספר נקודות ייחוס ומשווה אותו עם סיווג התמונה. אם השדה אומר "קנים יבשים" בפיקסל שבו ה-AI או האלגוריתם אומרים "מים", הסיווג אינו אמין.

מארז מיני

בניטור ההשפעה הסביבתית של אתר כרייה, הצוות ניסח "15 דונם של אובדן יער עקב פעילות כרייה" בהתבסס על הפחתת ה-NDVI שחושבה מתמונת הלוויין והורחב את הפרשנות ל-LLM; המודל יצר נרטיב קולח ומשכנע. עם זאת, כאשר הדיווח נבדק על ידי הצוות בשטח, נראה שחלק מהשטח עם NDVI נמוך הוא למעשה חלקה חקלאית שנקטפה וחלקו היה צל ענן שחפף ליום צילום התמונה. אובדן היער בפועל היה כ-4 דונם, לא 15. אם המטא-נתונים (מסכת ענן) ושכבת השימוש בקרקע היו נבדקים מראש, השגיאה הייתה נמנעת מלכתחילה. המשפטים המסודרים של LLM לא הביאו קלט שגוי נכון.

טעויות נפוצות

• השוואת תמונות שונות של זווית עונה/שמש וטעות בהפרש העונתי כ"שינוי".
• פירוש ענן וצל ענן כאובדן כיסוי ממשי; עוקף מסכת ענן.
• ביצוע שיפוט מדויק מנתוני פיקסלים לגבי עצמים קטנים החורגים מהרזולוציה המרחבית.
• חישוב שגוי של שטחים ומרחקים עקב אי התאמה של מערכת קואורדינטות/הקרנה.
• לחשוב ש-NDVI הוא מדד מוחלט לבריאות וטיפול בפיקסלים מים וצל כאילו היו צמחים.
• הכנסת נרטיב המפה הקולח של LLM לדוח כממצא סופי ללא אמת יסוד.
• דיווח תוצאות ללא תיעוד מטא נתונים (תאריך, חיישן, ענן %, רמת עיבוד).

לסיכום

• ניתוחי GIS בנויים על שכבות מיושרות במערכת קואורדינטות משותפת; שגיאת הקרנה מעוותת את התוצאה.
• רזולוציה מרחבית, ספקטרלית, זמנית ורדיומטרית מגבילה את מה שתמונה יכולה להראות.
• NDVI = (NIR−RED)/(NIR+RED) הוא אינדיקטור מותנה למרץ הצמח, לא מדד מוחלט לבריאות.
• בניתוח שינויים, הבדל = שינוי אמיתי + רעש; ענן, צל ועונה הם הרמאים הגדולים ביותר.
• ה-LLM מייצר את פרשנות האינדקס ואת המתאר הנרטיבי של המפה, אך אינו "רואה" את תמונת הלוויין; הערות לפי המספר שאתה נותן.
• לא ניתן לתרגם פרשנות בינה מלאכותית וסיווג אוטומטי לממצאים סביבתיים סופיים ללא אימות עם אמת יסוד ומטא נתונים.

משימת יישום

צור או הנחה שני סיכומי NDVI מתוארכים עבור שדה (או לבחירתך או דוגמה); שימו לב למטא נתונים (תאריך, אחוז ענן, זווית שמש, חיישן) עבור כל תאריך. חשב את ΔNDVI. כתוב הנחיה חזקה ובקש מה-LLM לבקש לא רק את החלפת הכריכה בפועל, אלא עבור הסברים חלופיים (ענן, צל, עונה, מפלס מים, כיול) ושלב אימות עבור כל אחד מהם. לאחר מכן נסחו "תוכנית לאימות אמת קרקעית": לפחות שלוש נקודות התייחסות, מה יימדד בשטח וכיצד זה ישווה לפרשנות התמונה. לבסוף, סמן איזו אמירה בנרטיב שהופק על ידי LLM "לא ניתן לכלול בדוח ללא אימות" וכתוב את הסיבה.