חישה מרחוק וסיווג תמונת לוויין

רווחים:

• יכולת להסביר כיצד נעשה שימוש בנתוני לוויינים רב-ספקטרליים, שילובי פסים ומדדים ספקטרליים (NDVI וכו') עם AI
• יכולת להגדיר סיווג מפוקח/לא מפוקח וזרימת עבודה של מיפוי כיסוי קרקע עם תמיכה בבינה מלאכותית
• יכולת בדיקת פלט סיווג עם קריטריוני אמת וטעויות/דיוק

חישה מרחוק היא המדע של מדידת פני כדור הארץ ללא מגע פיזי, עם חיישנים על לוויינים או פלטפורמות אוויריות. תמונת לוויין אינה למעשה צילום, אלא אוסף של שכבות של מדידות שנרשמו באורכי גל מרובים, ועל ידי שילוב מושכל של שכבות אלו ניתן למפות כיסוי קרקע (יער, מים, חקלאות, בנייה). ביחידה זו, אנו מכסים כיצד בינה מלאכותית מאיצה את זרימת העבודה הזו, מנתונים רב-ספקטרליים ועד לסיווג כיסוי קרקע, והיכן הכרח שיקול דעת מומחה. עקרון: AI מייצר או מקודד את הסיווג; הדיוק של המפה נמדד במהנדס על ידי מטריצת אמת קרקע עצמאית ושגיאה.

מונחים בסיסיים. תמונה רב-ספקטרלית היא תמונה שנרשמה במספר פסי אורכי גל (כחול, ירוק, אדום, אינפרא אדום קרוב וכו'); כל להקה היא שכבה. היפרספקטרלי עשיר בהרבה אך קשה לעיבוד נתונים, ומכיל עשרות עד מאות פסים צרים. אינדקס ספקטרלי הוא המספר שמדגיש תופעה באמצעות שילוב מתמטי של רצועות; הידוע ביותר, NDVI (Normalized Difference Vegetation Index), מודד את עוצמת הצמחייה הירוקה באמצעות ההבדל בין האינפרא אדום הקרוב לפס האדום. סיווג בפיקוח כולל הכשרת המודל עם אזורי דגימה מתויגים מראש וסיווג התמונה כולה. סיווג לא מפוקח הוא קיבוץ נתונים על בסיס דמיון ללא תוויות ופירושם מאוחר יותר.

תפקידה של AI בחישה מרחוק

בינה מלאכותית תורמת בתחום זה בשלוש רמות:

1. זרימת עבודה ובחירת שיטה. "איזה להקות, איזה אינדקס, איזה מסווג מתאימים לשאלה הזו?" מנחה אותך בהחלטתך; מייצר את שלד הקוד.
2. הסיווג עצמו. מודלים מודרניים של למידה עמוקה ממיינים מיליוני פיקסלים לכיתות כיסוי קרקע; זהו תחום התרומה הבינונית-גבוהה שבו AI עושה את העבודה האמיתית.
3. פרשנות ודיווח תוצאות. זה מתמלל סטטיסטיקות כיתות, ניתוח שינויים ודו"ח דיוק לטקסט קריא.

נקודה עיוורת: המודל תלוי בנתונים עליהם הוא מאומן ובדוגמאות שאתה מספק. צל עננים ומים, אדמה חשופה ושדה שלאחר הקציר, מים רדודים ואדמה רטובה מתערבבים בקלות. אז מפת סיווג אינה נכונה רק בגלל שהיא נראית נחמדה; יש למדוד דיוק.

טיפ: הבהר את שאלתך לפני שתתחיל לסווג. "סווג כיסוי קרקע" מעורפל; "מפה אובדן קרקע חקלאית לטובת בנייה בין השנים 2020-2025" קובעת הן את מערך המעמד והן את קריטריון האימות.

שלב אחר שלב: סיווג כיסוי קרקע

1. הכן נתונים וקלטות. אשר את כיסוי הענן של התמונה, תאריך הצילום, הרזולוציה (גודל הפיקסלים) וסדר הפס. תאריך/עונה שונה שיעורים.
2. הגדר את מערך הכיתה. כמה כיתות, אילו (מים, יער, חקלאות, בנייה, אדמה חשופה)? פחות מחלקות וברורות יותר מהימנות יותר.
3. חשב את המדדים. מדדים כגון NDVI (צמח), NDWI (מים) מבדילים בין המחלקות; הופך לקלט למסווג.
4. איסוף דגימות הדרכה (למפוקח). מצולעים לדוגמה מאושרים על ידי אימות שטח עבור כל מחלקה. איכות המדגם קובעת את הדיוק.
5. סיווג ואמת. אמן את המודל, ולאחר מכן בנה מטריצת שגיאה עם דגימות עצמאיות (לא מאומנות) וחשב את הדיוק הכולל ואת קאפה.

מטריקס של אמת ושגיאה

הדיוק של סיווג אינו נמדד בשיפוט העין. Ground Truth היא דגימות עצמאיות של מעמד אמיתי ידוע בשטח או במקור אמין ברזולוציה גבוהה. בעזרת הדוגמאות הללו, נוצרת מטריצת בלבול: סופרים כמה פעמים כל מחלקה נכונה וכמה פעמים היא מתבלבלת עם איזו מחלקה. מתוך כך, מחושבים דיוק כולל (הפרופורציה המסווגת בצורה נכונה) וקאפה (מדד להסכמה המתקן את השפעת המקרה). בנוסף, דיוק היצרן (כמה נתפס באותה מחלקה) ודיוק המשתמש (עד כמה המחלקה האמינה) מדווחים על בסיס מחלקה.

זהירות: אל תמדוד דיוק עם הדוגמאות שבהן אתה משתמש לאימון. אם אותן דוגמאות מתאמנות ובודקות, הדיוק הופך גבוה באופן מלאכותי; זו אשליה. דגימות אימות חייבות להיות עצמאיות.

שלושה מיני מארזים: לפי המספרים

מקרה 1 - צל ענן היה בטעות מים. בסיווג אחד, כאשר הדגם תייג את צללי העננים כ"מים", אזור האגם גדל במקום שבו הוא לא היה; דיוק המשתמש של מחלקת המים ירד ל-70%. כאשר נוספו מדד NDWI ומסיכת ענן, הפרעות צל/מים פחתו ודיוק המים עלה ליותר מ-90%.

מקרה 2 - דוח שאוחזר על ידי אמת קרקע. מחקר מלאי חקלאי דיווח על דיוק כולל של 82% של הסיווג הראשוני, אך זה נמדד עם דגימות הכשרה. כאשר נמדד מחדש עם 120 נקודות אמת קרקע עצמאיות, הדיוק הכללי בפועל היה 71%; החקלאות והאדמה החשופה הפריעו קשות. עם דוגמאות הכשרה נוספות, הסיווג שופר והדיוק עלה ל-84%. שיעור: הדיוק נמדד על ידי מדגם עצמאי.

מקרה 3 - מלכודת עונתית. כאשר התערבבו יחד תמונות שצולמו בשני תאריכים שונים (אביב וסוף הקיץ), השדות שנקטפו עברו לדרגת "אדמה חשופה" ונראה היה שהשטח החקלאי חסר 15%. התוצאות השתפרו כאשר נבחרו תמונות מאותה עונה והושגה עקביות פנולוגית.

הנחיה חלשה / הנחיה חזקה

הנחיה חלשה:

סיווג תמונת לוויין זו.

הנחיה עוצמתית:

משימה: בניית זרימת עבודה של סיווג כיסוי קרקע (כולל Python/rasterio + שלד קוד sikit-learn). הקשר:- חיישן: 4 פסים (כחול, ירוק, אדום, NIR), רזולוציה של 10 מ'- מחלקות: מים, יער, חקלאות, בנייה, קרקע חשופה- מטרה: מפת כיסוי קרקע נוכחית + מפת כיסוי קרקע נוכחית + אינדקס דיווח:1) (NDVI) (NDVI הוסף לדיווח ספקטרלי, WI) ולמה לכתוב.2) רשום את שלבי הסיווג המפוקח; הדגישו שדגימות אימון ו-VALIDATION צריכות להיות נפרדות.3) שימו את מטריצת השגיאה + דיוק כולל + חישוב קאפה בשלד הקוד.4) שימו לב לסיכונים של בלבול בענן/צל ובעונה.

ההנחיה החזקה מציינת את מערך המחלקות, הרזולוציה, רציונל האינדקס והבחנה באימות; התפוקה הופכת למדידה.

ארבע תבניות הניתנות להעתקה

1) בחירת שיטה/אינדקס:

על איזה אינדקס ספקטרלי ושיטת סיווג היית ממליץ עבור [המטרה] והחיישן [פסים/רזולוציה]? עבור כל בחירה, כתוב את הרציונל והסיכון הפוטנציאלי לבלבול (אילו מחלקות דומות זו לזו).

2) שלד קוד סיווג:

כתוב מסגרת סיווג מפוקחת עם Rasterio + sikit-learn: קריאת קלטת, חישוב אינדקס, הפרדה של דוגמאות אימון/אימות, סיווג, מטריצת שגיאות ופלט דיוק. לשמור על CRS; לְהַסבִּיר.

3) הגדרת הערכת דיוק:

כתוב תוכנית להערכת דיוק הסיווג: עיצוב מדגם אמתי קרקע עצמאי, מטריצת שגיאות, דיוק כולל, קאפה, דיוק מפיק/משתמש לפי מעמד. הסבר מה אומר כל מדד.

4) אבחון הפרעות:

פרש את מטריצת השגיאה למטה: אילו מחלקות מפריעות זו לזו, מהי הסיבה הספקטרלית/עונתית האפשרית, אילו נתונים נוספים (אינדקס, מסיכה, תאריך) יפחיתו את הבלבול? מטריצה: [מטריצת שגיאה]

השוואה בין מושגי סיווג

מושג

משמעות

מתי

בפיקוח

אימון עם דוגמה מסומנת

השיעורים נקבעים מראש

ללא פיקוח

מקבץ ללא תוויות

גילוי, אין דוגמאות

NDVI

מדד חיוניות הצמח

הפרדת צמחים/חשופים/מים

NDWI

מדד המים

הפרדת גוף מים

מטריצת שגיאה

ספירת נכון/לא נכון

מדידת דיוק

קאפה

התאמה מתוקנת במקרה

דוח דיוק סטנדרטי

טעויות נפוצות

• מדידת דיוק עם דוגמאות אימון. בדיקות לא עצמאיות נותנות דיוק מלאכותי גבוה.
• מסירת המפה מבלי למדוד דיוק. "נראה נחמד" אינו הוכחה לדיוק.
• דילוג על מסכת הענן/צל. צל מתערבב עם מים, ענן מתערבב עם שלג/מבנה.
• ערבוב תמונות עונה/תאריך שונות. הבדלים פנולוגיים מחליפים מעמדות.
• הגדרת שיעורים רבים מדי ודומים. מחלקות שלא ניתן להבחין בהן מפחיתות את הדיוק.
• מתעלמים מהרזולוציה. לא ניתן לסווג אובייקטים קטנים אם הם קטנים מפיקסל בודד.

לסיכום

בחישה מרחוק, AI מאיץ את זרימת העבודה מנתונים רב-ספקטרליים למיפוי כיסוי קרקע ויכול להשתלט על חלק גדול מהסיווג. אבל מפת סיווג שימושית רק אם הדיוק שלה נמדד: זה סטנדרטי לבנות מטריצת שגיאה עם דגימות אמת קרקע עצמאיות ולחשב את הדיוק הכולל ואת קאפה. ענן/צל, שונות עונתית ומעמדות דומים הם מקורות אופייניים להפרעות; נהל אותם עם עקביות אינדקס, מסכה ותאריכים. לעולם אל תערב דגימות הדרכה ואימות.

משימת יישום

בחר שאלת כיסוי קרקע (למשל "מפת שטח ירוק עירוני"). רשום את ערכת הכיתה, הרצועות והמדדים שבהם תשתמש (לפחות NDVI). בקש מ-AI לייצר זרימת עבודה של סיווג מפוקח; ודא שדגימות האימון והאימות נפרדות וחישוב מטריצת השגיאה + קאפה נכללת בפלט. לאחר מכן ערכו רשימה של "סיכון לבלבול": אילו שני מחלקות דומות וכיצד אתה מבדיל ביניהן.

רשימת בדיקה

• [ ] שמרתי את מערך הכיתה קטן ומובחן.
• [ ] הוספתי מדדים ספקטרליים (NDVI/NDWI) המתאימים למטרה.
• [ ] הפרדתי בין דוגמאות הדרכה ואימות.
• [ ] בדקתי מסכת ענן/צל ועקביות העונה.
• [ ] מדדתי דיוק עם אמת קרקע עצמאית.
• [ ] דיווחתי על מטריצת השגיאה, הדיוק הכללי והקאפה.
• [ ] איבחנתי וריפאתי ערבוביות בכיתה.
• [ ] הכפיתי אותה לאישור מהנדס שהמפה מדויקת לשימוש המיועד לה.