Dobici:
- Sposobnost objašnjenja kako se multispektralni satelitski podaci, kombinacije pojaseva i spektralni indeksi (NDVI itd.) koriste s umjetnom inteligencijom
- Sposobnost konfiguracije nadzirane/nenadzirane klasifikacije i tijeka rada mapiranja zemljišnog pokrova s podrškom za umjetnu inteligenciju
- Sposobnost testiranja rezultata klasifikacije s temeljnom istinom i matricom pogrešaka/kriterijem točnosti
Daljinska detekcija je znanost o mjerenju zemljine površine bez fizičkog kontakta, sa senzorima na satelitima ili zračnim platformama. Satelitska slika zapravo nije fotografija, već zbirka slojeva mjerenja snimljenih na više valnih duljina, a inteligentnim kombiniranjem tih slojeva može se mapirati zemljišni pokrov (šuma, voda, poljoprivreda, građevina). U ovoj jedinici pokrivamo kako umjetna inteligencija ubrzava ovaj tijek rada, od multispektralnih podataka do klasifikacije zemljišnog pokrova, i gdje je stručna prosudba nezamjenjiva. Načelo: AI generira ili kodira klasifikaciju; Točnost mape mjeri se u inženjeru neovisnom matricom istine i pogreške.
Osnovni pojmovi. Multispektralna slika je ona snimljena u nekoliko pojaseva valnih duljina (plavo, zeleno, crveno, blizu infracrvenog, itd.); svaki pojas je sloj. Hiperspektralni podaci su puno bogatiji, ali ih je teško obraditi, jer sadrže desetke do stotine uskih traka. Spektralni indeks je broj koji ističe fenomen kroz matematičku kombinaciju vrpci; najpoznatiji, NDVI (Normalized Difference Vegetation Index), mjeri bujnost zelene vegetacije koristeći razliku između bliskog infracrvenog i crvenog pojasa. Nadzirana klasifikacija uključuje obuku modela s unaprijed označenim područjima uzorka i klasifikaciju cijele slike. Nenadzirana klasifikacija je grupiranje podataka na temelju sličnosti bez oznaka i njihovo kasnije tumačenje.
Uloga umjetne inteligencije u daljinskom otkrivanju
Umjetna inteligencija doprinosi ovom polju na tri razine:
- Tijek rada i odabir metode. "Koji su pojasevi, koji indeks, koji klasifikator prikladni za ovo pitanje?" vodi vas u vašoj odluci; proizvodi kostur koda.
- Sama klasifikacija. Moderni modeli dubinskog učenja razvrstavaju milijune piksela u klase pokrova zemlje; Ovo je područje srednjeg do visokog doprinosa u kojem AI obavlja pravi posao.
- Tumačenje rezultata i izvješćivanje. Prepisuje statistiku klase, analizu promjena i izvješće o točnosti u čitljiv tekst.
Slijepa točka: model ovisi o podacima na kojima se trenira i primjerima koje navedete. Sjena oblaka i voda, golo tlo i polje nakon žetve, plitka voda i mokro tlo lako se miješaju. Dakle, klasifikacijska karta nije istinita samo zato što lijepo izgleda; mora se mjeriti točnost.
Savjet: razjasnite svoje pitanje prije nego počnete klasificirati. "Klasificirati zemljišni pokrov" je nejasan; „Mapa gubitka poljoprivrednog zemljišta u korist izgradnje između 2020.-2025.“ određuje i skup klasa i kriterij provjere.
Korak po korak: Klasifikacija zemljišnog pokrova
- Pripremite podatke i trake. Potvrdite pokrivenost slike oblacima, datum snimanja, rezoluciju (veličinu piksela) i redoslijed trake. Različiti razredi promjena datuma/sezone.
- Definirajte skup klasa. Koliko klasa, koje (vode, šume, poljoprivreda, građevina, goleti)? Manje i više prepoznatljivih klasa su pouzdanije.
- Izračunajte indekse. Indeksi kao što su NDVI (biljka), NDWI (voda) razlikuju klase; postaje ulaz u klasifikator.
- Prikupite uzorke za obuku (za nadzirane). Uzorci poligona potvrđeni provjerom terena za svaku klasu. Kvaliteta uzorka određuje točnost.
- Klasificirati i provjeriti. Uvježbajte model, zatim izgradite matricu pogrešaka s neovisnim (neuvježbanim) uzorcima i izračunajte ukupnu točnost i Kappa.
Temeljna matrica istine i pogreške
Točnost klasifikacije ne mjeri se procjenom oka. Temeljna istina neovisni su uzorci poznate prave klase na terenu ili u pouzdanom izvoru visoke razlučivosti. Pomoću ovih primjera uspostavlja se matrica zabune: broji se koliko je puta svaka klasa točna i koliko puta je pomiješana s kojom klasom. Iz toga se izračunavaju ukupna točnost (proporcija ispravno klasificirana) i Kappa (mjera slaganja koja ispravlja učinak slučajnosti). Osim toga, točnost proizvođača (koliko je ulovljeno u toj klasi) i točnost korisnika (koliko je ta klasa pouzdana) navode se na temelju klase.
Oprez: Nemojte mjeriti točnost s primjerima koje koristite za obuku. Ako se isti primjeri treniraju i testiraju, točnost postaje umjetno visoka; Ovo je iluzija. Validacijski uzorci moraju biti neovisni.
Tri mini kućišta: po brojevima
Slučaj 1 — Sjena oblaka pogrešno je zamijenjena za vodu. U jednoj klasifikaciji, kada je model označio sjene oblaka kao "vodu", područje jezera je raslo tamo gdje zapravo nije; korisnička točnost klase vode pala je na 70%. Kada su dodani NDWI indeks i maska oblaka, smetnje sjene/vode su se smanjile, a točnost vode povećala se na preko 90%.
Slučaj 2 — Izvještaj pronađen temeljem istine. Studija poljoprivrednog inventara izvijestila je o 82% ukupne točnosti početne klasifikacije, ali to je izmjereno uzorcima za obuku. Kada se ponovno izmjeri sa 120 neovisnih zemaljskih točaka istine, stvarna ukupna točnost bila je 71%; Poljoprivreda i golet ozbiljno su smetali. S dodatnim primjerima obuke, klasifikacija je poboljšana, a točnost povećana na 84%. Lekcija: točnost se mjeri neovisnim uzorkom.
Slučaj 3 — Sezonska zamka. Kada su slike snimljene na dva različita datuma (proljeće i kasno ljeto) pomiješane zajedno, požnjevena polja prešla su u klasu "gole zemlje" i činilo se da nedostaje poljoprivredna površina 15%. Rezultati su se poboljšali kada su slike odabrane iz iste sezone i kada je postignuta fenološka dosljednost.
Slab upit / Jak upit
Slab upit:
Klasificirajte ovu satelitsku sliku.
Snažan upit:
Zadatak: izgraditi tijek rada klasifikacije pokrova zemljišta (uključujući Python/rasterio + kostur koda scikit-learn). Kontekst: - Senzor: 4 trake (plava, zelena, crvena, NIR), rezolucija 10 m - Klase: voda, šuma, poljoprivreda, građevina, golo tlo - Svrha: trenutna karta pokrova zemljišta + izvješće o točnosti Zahtjevi: 1) Koji spektralni indeksi (NDVI, NDWI) dodati i zašto napisati. 2) Navedite nadzirane korake klasifikacije; Naglasite da uzorci za obuku i VALIDACIJU trebaju biti ODVOJENI. 3) Stavite matricu pogrešaka + ukupnu točnost + Kappa izračun u kostur koda. 4) Obratite pažnju na rizike oblaka/sjene i zabune u sezoni.
Snažni prompt specificira skup klasa, rezoluciju, obrazloženje indeksa i razlikovanje valjanosti; izlaz postaje mjerljiv.
Četiri predloška za kopiranje
1) Odabir metode/indeksa:
Koji biste spektralni indeks i metodu klasifikacije preporučili za objektiv [cilj] i senzor [pojasevi/rezolucija]? Za svaki izbor napišite obrazloženje i potencijalni rizik od zabune (koje su klase međusobno slične).
2) Kostur klasifikacijskog koda:
Napišite nadzirani klasifikacijski okvir s Rasterio + scikit-learn: čitanje vrpce, izračun indeksa, ODVAJANJE uzoraka obuke/validacije, klasifikacija, matrica pogrešaka i ispis točnosti. Održavajte CRS; objasniti.
3) Postavljanje procjene točnosti:
Napišite plan za procjenu točnosti klasifikacije: nezavisni dizajn uzorka temeljne istine, matrica pogrešaka, ukupna točnost, Kappa, točnost proizvođača/korisnika po klasi. Objasnite što govori svaka metrika.
4) Dijagnoza smetnji:
Protumačite donju matricu pogrešaka: koje klase međusobno ometaju, koji je mogući spektralni/sezonski razlog, koji bi dodatni podaci (indeks, maska, datum) smanjili zabunu? Matrica: [matrica pogrešaka]
Usporedba pojmova klasifikacije
koncept
Značenje
kada
pod nadzorom
Obuka s označenim primjerom
Razredi su unaprijed određeni
Bez nadzora
Grupiranje bez oznaka
Otkriće, bez primjera
NDVI
indeks vitalnosti biljke
Odvajanje biljke/gole/vode
NDWI
indeks vode
odvajanje vodnog tijela
Matrica grešaka
Točno/netočno brojanje
mjerenje točnosti
kappa
Slučajno ispravljeno pristajanje
Standardno izvješće o točnosti
Uobičajene greške
- Mjerna točnost s primjerima za obuku. Neneovisno testiranje daje umjetno visoku točnost.
- Predaja karte bez ikakvog mjerenja točnosti. "Izgleda lijepo" nije dokaz točnosti.
- Preskakanje maske oblaka/sjene. Sjena se miješa s vodom, oblak se miješa sa snijegom/strukturom.
- Miješanje različitih slika sezone/datuma. Fenološke razlike mijenjaju klase.
- Definiranje previše i sličnih klasa. Nerazlučive klase smanjuju točnost.
- Ignoriranje rezolucije. Mali objekti se ne mogu klasificirati ako su manji od jednog piksela.
Ukratko
U daljinskom otkrivanju, umjetna inteligencija ubrzava tijek rada od multispektralnih podataka do kartiranja pokrova zemlje i može preuzeti veliki dio klasifikacije. Ali klasifikacijska karta korisna je samo ako se mjeri njezina točnost: standardno je konstruirati matricu pogrešaka s neovisnim uzorcima istine na terenu i izračunati ukupnu točnost i Kappa. Oblaci/sjene, sezonske varijacije i slične klase tipični su izvori smetnji; Upravljajte njima pomoću dosljednosti indeksa, maske i datuma. Nikada nemojte miješati uzorke za obuku i validaciju.
Zadatak aplikacije
Odaberite pitanje o zemljišnom pokrovu (npr. "karta urbanih zelenih površina"). Zapišite skup klasa, opsege i indekse koje ćete koristiti (barem NDVI). Neka AI proizvede nadzirani radni tijek klasifikacije; pobrinite se da su uzorci obuke i validacije odvojeni i da je matrica pogrešaka + Kappa izračun uključen u izlaz. Zatim napravite popis "rizika od zabune": koje su dvije klase slične i kako ih razlikujete.
popis za provjeru
- [ ] Držao sam razred malenim i prepoznatljivim.
- [ ] Dodao sam spektralne indekse (NDVI/NDWI) prikladne za tu svrhu.
- [ ] Odvojio sam primjere obuke i provjere valjanosti.
- [ ] Provjerio sam masku oblaka/sjene i konzistentnost sezone.
- [ ] Izmjerio sam točnost neovisnom temeljnom istinom.
- [ ] Prijavio sam matricu pogrešaka, ukupnu točnost i Kappa.
- [ ] Dijagnosticirao sam i izliječio nesporazume u razredu.
- [ ] Podvrgnuo sam je inženjerskom odobrenju da je karta točna za namjeravanu upotrebu.