Dobici:
- Sposobnost odabira satelitskih (široko područje) i senzorskih (lokalnih) podataka prema pitanju i analiza indeksa kao što je NDVI primjenom maske oblaka
- Sposobnost razlikovanja odstupanja i kvara od stvarnog signala propuštanjem podataka IoT senzora kroz kalibraciju i kontrolu kvalitete
- Sposobnost zasnivanja nalaza praćenja na trendu, a ne na jednom datumu i utvrđivanja plana provjere temeljne istine ili neovisnih podataka
Za upravljanje okolišem potrebno ga je prvo vidjeti. Koliko je šuma postala mala, koliko je rijeka zagađena ili koliko metana ispušta neko postrojenje potrebno je znati ne nagađanjem, već podacima. Monitoring stanja okoliša je redovito i ponovljivo mjerenje stanja okoliša. U ovoj ćete jedinici naučiti o dva velika izvora podataka — satelitima koji gledaju iz svemira i senzorima na terenu — i ulozi umjetne inteligencije u razumijevanju ovih ogromnih podataka.
Prvo pojmovi. Daljinsko očitavanje je prikupljanje informacija mjerenjem svjetlosti reflektirane s udaljenosti (od satelita ili zrakoplova) bez dodirivanja predmeta. IoT senzor (Internet of Things) je mali uređaj postavljen na terenu i automatski šalje izmjerenu vrijednost (temperatura, kvaliteta zraka, razina vode) putem interneta. Zajedno daju široku (satelitska) i lokalnu (senzorska) sliku okoliša.
Kako čitati satelitske podatke?
Sateliti ne snimaju samo slike; mjeri različite valne duljine ("trake") svjetlosti. Matematička kombinacija ovih traka pokazuje ono što je nevidljivo golim okom. Najpoznatiji primjer je NDVI (Normalized Difference Vegetation Index): mjeri gustoću vegetacije brojem između 0 i 1, na temelju načela da zdrave biljke jako reflektiraju infracrveno svjetlo. Smanjenje NDVI moglo bi značiti krčenje šuma, sušu ili štetu.
Najčešći besplatni i otvoreni satelitski izvori su sateliti Sentinel (europski program Copernicus) i Landsat (SAD). Njima se pristupa putem platformi kao što je Google Earth Engine ili u Pythonu (s bibliotekama kao što su rasterio, xarray).
Savjet: najveći neprijatelj satelitskih podataka je oblak. Je li pad NDVI-ja stvarni gubitak šume ili je taj dan bio oblak iznad toga? Uvijek primijenite masku oblaka i usporedite više datuma prije analize.
Podaci IoT senzora i kalibracija
Senzori su jeftini i uobičajeni, ali nisu savršeni. Jeftini senzor kvalitete zraka s vremenom će se povući, na njega će utjecati vlaga ili će otkazati. Stoga su podaci senzora u svom sirovom obliku nepouzdani; bitni su kalibracija (ispravak usporedbom s poznatim referentnim uređajem) i kontrola kvalitete.
Ovdje AI; Vrlo je moćan u pisanju koda za obradu velikih slika i vremenskih serija podataka, traženje anomalija (neočekivano odstupanje), uspostavljanje modela klasifikacije i sažimanje nalaza. Ali fizička stvarnost mjerenja svodi se na odluku o kalibraciji i pitanje "je li ovaj signal stvaran ili je to šum?" Tumačenje pripada stručnjaku.
Korak po korak: analiza praćenja
1. Definirajte pitanje. "Kako se vegetacija promijenila na ovom području od 10.000 hektara između 2020. i 2024.?" Jasno, prostorno i vremensko pitanje poput:
2. Odaberite izvor podataka. Satelit (široko područje) ili senzor (lokalno, kontinuirano)? Jesu li razlučivost i učestalost prikladne pitanju?
3. Predproces. Maska oblaka, kalibracija, označavanje podataka koji nedostaju. Ako se ovaj korak preskoči, rezultat je pogrešan.
4. Izračunajte indeks/metriku. NDVI, prosječna temperatura, koncentracija zagađivača.
5. Pronađite promjenu i anomaliju. Analiza trenda, prelazak praga, nagli skok.
6. Provjerite poljem. Ako je moguće, potvrdite temeljnom istinom; Osigurajte satelitski signal s terenskim ili neovisnim podacima.
tri mini kućišta
Slučaj 1 — Zaljubljivanje u oblak. Nevladina udruga za zaštitu okoliša spremala se uzbuniti zbog "iznenadne deforestacije" kad je vidjela da je NDVI u jednoj regiji pao za 40% u jednom mjesecu. Kada je analitičar primijenio masku oblaka i pogledao susjedne datume, vidio je da je većina slike tog dana bila oblačna, a na sljedećoj slici bez oblaka NDVI se vratio u normalu. Spriječen lažni alarm. Izgubljeno vrijeme: 20 minuta, stečena reputacija: neprocjenjivo.
Slučaj 2 — Nekalibriran senzor. Općina je pripremala izvješće o "previše zagađenom zraku" s podacima iz jeftinih senzora za PM2,5 (čestice manje od 2,5 mikrona — fina prašina koja se može udisati). Kada je stručnjak usporedio senzore s referentnom stanicom, otkrio je da su precijenili vrijednost do dva puta pri visokoj vlažnosti. Kada je primijenjena korekcija vlažnosti (kalibracija), pojavile su se stvarne vrijednosti; Panika izbjegnuta.
Slučaj 3 — Automatizacija koda. Jedan istraživački tim planirao je provesti tjedne radeći ručno kako bi izdvojio NDVI trendove iz 200 satelitskih slika. Imali su AI da napiše automatizirani tijek rada s Google Earth Engineom i Python kodom (maska oblaka + mjesečni NDVI prosjek + grafikon trenda). Analiza je trajala nekoliko minuta za 200 slika; Tim je svoje vrijeme posvetio interpretaciji rezultata. Svejedno su provjerili svaki korak koda.
Slab upit / Jak upit
Slab upit:
Pronađite krčenje šuma iz satelitskih podataka.
Zašto je slab: Nema domene, datumskog raspona, izvora podataka, rezolucije i obrade u oblaku. AI daje opći tekst, a ne izvršnu analizu.
Snažan upit:
Vaša uloga: analitičar daljinskog istraživanja. Napišite Python (Earth Engine) kod koji izračunava mjesečni NDVI trend 2020-2024 za [AREA boundary] s podacima Sentinela-2. Koraci: (1) primijenite masku oblaka, (2) prosječni mjesečni NDVI, (3) nacrtajte grafikon trenda, (4) označite mjesece s više od 20% pada. Neka kod bude izvršni; Komentirajte svaki korak. Također imajte na umu ograničenja podataka (razlučivost, oblak).
Četiri predloška za kopiranje
1) Analiza satelitskog indeksa (s kodom):
Vaša uloga: analitičar daljinskog istraživanja. Napišite izvršni Python kod koji izračunava [NDVI/NDWI/other index] preko [DATUMA] za [AREA] s podacima [Sentinel-2/Landsat]. Obavezno dodajte masku oblaka. Označite trend i anomalije. Navedite razlučivost i ograničenja oblaka podataka u komentarima.
2) Kontrola kvalitete vremenske serije senzora:
Potražite probleme s kvalitetom u sljedećim vremenskim serijama senzora s Pythonom: podaci koji nedostaju, zaglavljena vrijednost, iznenadni skok, drift, ekstrem. Označite svaki problem vremenskom oznakom. Ne mijenjajte podatke, samo prijavite. Dodajte jednostavan prijedlog za kalibraciju ako je moguće. Podaci: [ovdje]
3) Shema verifikacije temeljne istine:
Predložite plan kako mogu provjeriti sljedeće satelitske nalaze (npr. pad NDVI) na terenu: koje točke, koje mjerenje, koji nezavisni izvor podataka. Također prebrojite situacije u kojima nalaz može biti pogrešan (oblak, godišnje doba, sjena). Nalaz: [ovdje]
4) Sažetak anomalije:
Sažmite anomalije pronađene iz podataka praćenja u nastavku jednostavnim jezikom za upravitelja okoliša. Za svaku anomaliju: gdje, kada, koliko je odstupanje, mogući uzroci i napomena "treba provjeriti". Sasvim sigurno zašto je PRIKLADNO; predstaviti kao mogućnost. Podaci: [ovdje]
Uobičajene greške
- Bez primjene maske oblaka. Oblak je najčešći lažni signal.
- Vjerujte senzoru bez kalibracije. Jeftini senzori klize i na njih utječe vlaga.
- Pogledajte samo povijest. Potrebno je više datuma i trendova da bi se zatražila promjena.
- Zaobilazeći prizemnu istinu. Satelitski signal treba potvrditi terenskim ili neovisnim podacima ako je moguće.
- Nasjedanje na AI-jevu tvrdnju o "točnom uzroku". Praćenje podataka korelira; Potvrda razloga je druga stvar.
Oprez: satelitske slike i slike dronova visoke rezolucije mogu sadržavati privatno vlasništvo, ljude ili osjetljive objekte. Poštujte privatnost i zakonska ograničenja (osobito osobne podatke i sigurnost) kada dijelite podatke o praćenju.
Ukratko
Praćenje okoliša kombinira satelitske (široke) i senzorske (lokalne) podatke. AI; To je moćan akcelerator za pisanje koda koji obrađuje masivne podatke o slikama i vremenskim serijama, skeniranje anomalija i sažimanje. Ali maska oblaka, kalibracija senzora, usporedba s više datuma i provjera istinitosti na zemlji pripadaju stručnjaku. Vjerujte očišćenom i potvrđenom signalu, a ne sirovom signalu.
Zadatak aplikacije
Odaberite polje i datumski raspon (stvarni ili hipotetski). 1. Ispišite kod tijeka rada NDVI analize u AI s predloškom i provjerite postoji li korak maske oblaka. Zatim prođite vremensku seriju senzora koju imate (ili uzorak) kroz kontrolu kvalitete s 2. predloškom. Konačno, uz predložak 3, osmislite plan kako ćete potvrditi promjenu koju pronađete na terenu.
popis za provjeru
- [ ] Definirao sam analizu jasnim prostornim i vremenskim pitanjem.
- [ ] Primijenio sam masku oblaka na satelitske podatke.
- [ ] Prošao sam podatke senzora kroz kalibraciju i kontrolu kvalitete.
- [ ] Tvrdnju o promjeni temeljio sam na trendu, a ne na jednom datumu.
- [ ] Napravio sam plan za provjeru otkrića temeljnom istinom ili neovisnim podacima.
- [ ] Pridržavao sam se povjerljivosti i zakonskih ograničenja.