Nyereség:
- Képes a műhold (nagy területű) és szenzoros (helyi) adatok kiválasztására a kérdésnek megfelelően, valamint olyan indexek elemzésére, mint az NDVI felhőmaszk alkalmazásával
- Képes megkülönböztetni az elsodródást és a meghibásodást a valódi jeltől az IoT-érzékelő adatainak kalibráción és minőségellenőrzésen keresztül történő átadásával
- Képes a megfigyelési megállapítást trendre alapozni, nem pedig egyetlen dátumra, és hitelesítési tervet készíteni alapigazságokkal vagy független adatokkal
A környezet kezeléséhez először látni kell azt. Nem találgatásokból, hanem adatokból kell tudni, hogy mekkora lett egy erdő, mennyire szennyezett egy folyó, vagy mennyi metán szivárog ki egy létesítményből. A környezeti monitoring a környezet állapotának rendszeres és ismételhető mérése. Ebben az egységben megismerkedhet két nagy adatforrással – az űrből látó műholdakkal és a terepen lévő érzékelőkkel –, valamint a mesterséges intelligencia szerepével e hatalmas adatok értelmezésében.
Először a fogalmak. A távérzékelés a távolról (műholdról vagy repülőgépről) visszaverődő fény mérésével információt gyűjt, anélkül, hogy tárgyat érintene. Az IoT szenzor (Internet of Things) egy terepen elhelyezett kisméretű eszköz, amely automatikusan elküldi a mért értéket (hőmérséklet, levegőminőség, vízszint) az interneten keresztül. Együtt széles (műholdas) és lokális (érzékelős) képet adnak a környezetről.
Hogyan lehet műholdas adatokat olvasni?
A műholdak nem csak képeket készítenek; a fény különböző hullámhosszait ("sávjait") méri. E sávok matematikai kombinációja azt mutatja meg, ami szabad szemmel láthatatlan. A legismertebb példa az NDVI (Normalized Difference Vegetation Index): 0 és 1 közötti számmal méri a növényzet sűrűségét, azon az elven, hogy az egészséges növények nagyon visszaverik az infravörös fényt. Az NDVI csökkenése erdőirtást, szárazságot vagy károkat jelenthet.
A leggyakoribb ingyenes és nyílt műholdforrások a Sentinel (Európai Copernicus program) és a Landsat (USA) műholdak. Ezeket olyan platformokon keresztül érheti el, mint például a Google Earth Engine vagy a Python (könyvtárakkal, például rasterio, xarray).
Tipp: A műholdas adatok legnagyobb ellensége a felhő. Egy NDVI csepp valódi erdőveszteséget jelent, vagy felhő volt felette aznap? Mindig alkalmazzon felhőmaszkot, és hasonlítson össze több dátumot az elemzés előtt.
IoT-érzékelő adatok és kalibrálás
Az érzékelők olcsók és általánosak, de nem tökéletesek. Az alacsony költségű levegőminőség-érzékelő idővel elsodródik, páratartalom befolyásolja, vagy meghibásodik. Ezért az érzékelő adatok nyers formában nem megbízhatóak; a kalibrálás (korrekció egy ismert referenciaeszközzel való összehasonlítással) és a minőségellenőrzés elengedhetetlen.
Itt AI; Nagyon hatékony kódírásban nagy kép- és idősoradatok feldolgozására, anomáliák (váratlan eltérések) keresésére, osztályozási modell felállítására és az eredmények összegzésére. De a mérés fizikai valósága a kalibrálási döntésen és a "valódi ez a jel vagy zaj?" Az értelmezés a szakértőé.
Lépésről lépésre: nyomkövetési elemzés
1. Határozza meg a kérdést. – Hogyan változott a növényzet ezen a 10 000 hektáros területen 2020 és 2024 között? Egy világos, térbeli és időbeli kérdés, mint például:
2. Válassza ki az adatforrást. Műhold (széles terület) vagy érzékelő (helyi, folyamatos)? Megfelelő-e a felbontás és a gyakoriság a kérdésnek?
3. Előfeldolgozás. Felhőmaszk, kalibrálás, hiányzó adatok megjelölése. Ha ezt a lépést kihagyjuk, az eredmény félrevezető.
4. Számítsa ki az indexet/metrikát. NDVI, hőmérsékleti átlag, szennyezőanyag-koncentráció.
5. Keresse meg a változást és az anomáliát. Trendelemzés, küszöb átlépés, hirtelen ugrás.
6. Ellenőrizze a mezővel. Ha lehetséges, erősítsd meg alapos igazsággal; Műholdas jelet biztosít terepi látogatással vagy független adatokkal.
három mini tok
1. eset – Esés a felhőnek. Egy környezetvédelmi civil szervezet vészharangot akart kongatni a "hirtelen erdőirtás" miatt, amikor azt látta, hogy az NDVI egy régióban 40%-kal csökkent egy hónap alatt. Amikor az elemző felhőmaszkot alkalmazott, és megnézte a szomszédos dátumokat, azt látta, hogy aznap a kép nagy része felhős volt, és a következő felhőtlen képen az NDVI normalizálódott. A téves riasztás megakadályozva. Időveszteség: 20 perc, megszerzett hírnév: megfizethetetlen.
2. eset – Kalibrálatlan érzékelő. Egy önkormányzat "túl szennyezett levegő" jelentést készített az olcsó PM2,5 (2,5 mikronnál kisebb részecske – finom belélegezhető por) érzékelők adataiból. Amikor a szakértő összehasonlította az érzékelőket egy referenciaállomással, azt találta, hogy magas páratartalom mellett akár kétszeresére is túlbecsülték az értéket. A páratartalom-korrekció (kalibrálás) alkalmazásakor a valódi értékek jelentek meg; A pánik elhárult.
3. eset – Kódautomatizálás. Az egyik kutatócsoport azt tervezte, hogy hetekig manuálisan dolgoznak, hogy 200 műholdfelvételből kinyerjék az NDVI-trendeket. A mesterséges intelligencia automatizált munkafolyamatot írt a Google Earth Engine és Python kóddal (felhőmaszk + havi NDVI-átlag + trendgrafikon). 200 kép elemzése néhány percet vett igénybe; A csapat az eredmény értelmezésére fordította az idejét. Mindenesetre ellenőrizték a kód minden lépését.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Keresse meg az erdőirtást a műholdas adatokból.
Miért gyenge: Nincs tartomány, dátumtartomány, adatforrás, felbontás és felhőfeldolgozás. Az AI általános szöveget biztosít, nem pedig végrehajtható elemzést.
Erőteljes felszólítás:
Az Ön szerepe: távérzékelési elemző. Írjon Python (Earth Engine) kódot, amely kiszámolja a 2020–2024-es havi NDVI-trendet [AREA boundary]-ra a Sentinel-2 adatokkal. Lépések: (1) felhőmaszk alkalmazása, (2) átlagos havi NDVI, (3) trenddiagram rajzolása, (4) 20%-ot meghaladó csökkenésű hónapok megjelölése. Legyen a kód végrehajtható; Minden lépést írjon megjegyzésbe. Vegye figyelembe az adatok korlátait is (felbontás, felhő).
Négy másolható sablon
1) Műholdas index elemzés (kóddal):
Az Ön szerepe: távérzékelési elemző. Írjon végrehajtható Python-kódot, amely kiszámítja az [NDVI/NDWI/egyéb index] értéket a [DÁTUMtartomány] alatt a [TERÜLET] számára [Sentinel-2/Landsat] adatokkal. Feltétlenül adjon hozzá felhőmaszkot. Jelölje meg a trendet és az anomáliákat. A megjegyzésekben adja meg az adatok felbontását és felhőkorlátait.
2) Érzékelő idősor minőségellenőrzése:
Minőségi problémák keresése a következő érzékelő-idősorokban Python segítségével: hiányzó adatok, beragadt érték, hirtelen ugrás, sodródás, extrém. Jelölje meg az egyes problémákat egy időbélyeggel. Ne módosítsa az adatokat, csak jelentse. Ha lehetséges, adjon hozzá egy egyszerű kalibrálási javaslatot. Adatok: [itt]
3) Az alapigazság ellenőrzési séma:
Javasoljon egy tervet, hogyan tudnám terepen ellenőrizni a következő műhold alapú leletet (pl. NDVI-esés): melyik pont, melyik mérés, melyik független adatforrás. Számolja ki azokat a helyzeteket is, ahol a megállapítás hamis lehet (felhő, évszak, árnyék). Megtalálás: [itt]
4) Az anomália összefoglalása:
Foglalja össze közérthető nyelven az alábbi monitoring adatokból talált anomáliákat egy környezetvédelmi vezető számára. Minden anomáliához: hol, mikor, mekkora eltérés, lehetséges okok és egy "ellenőrizendő" megjegyzés. Egyértelmű, hogy miért ILLETŐ; lehetőségként mutassa be. Adatok: [itt]
Gyakori hibák
- Nem alkalmaz felhőmaszkot. A felhő a leggyakoribb hamis jel.
- Bízni az érzékelőben kalibrálás nélkül. Az alacsony költségű érzékelők megcsúsznak, és nedvesség hat rájuk.
- Csak nézd a történelmet. A változtatás igényléséhez több dátum és trend szükséges.
- A földi igazság megkerülése. A műholdjelet lehetőség szerint helyszíni vagy független adatokkal kell megerősíteni.
- A mesterséges intelligencia „pontos oka” állítása miatt. A nyomkövetési adatok korrelálnak; Az ok megerősítése más kérdés.
Figyelem: A nagy felbontású műhold- és drónfelvételek magántulajdont, személyeket vagy érzékeny létesítményeket tartalmazhatnak. A nyomkövetési adatok megosztása során vegye figyelembe az adatvédelmi és jogi korlátozásokat (különösen a személyes adatokra és a biztonságra).
Összefoglalva
A környezeti megfigyelés egyesíti a műholdas (széleskörű) és a szenzoros (helyi) adatokat. AI; Ez egy erőteljes gyorsító kódíráshoz, amely hatalmas kép- és idősoradatokat dolgoz fel, anomáliák szkennelését és összegzését. De a felhőmaszk, a szenzorkalibrálás, a több dátumos összehasonlítás és az alapigazság ellenőrzése a szakértőé. Bízzon a megtisztított és megerősített jelben, ne a nyers jelben.
Pályázati feladat
Válasszon ki egy mezőt és dátumtartományt (valós vagy feltételezett). 1. Nyomtassa ki az NDVI-elemzési munkafolyamat kódját a mesterséges intelligencia számára a sablonnal, és ellenőrizze, hogy létezik-e a felhőmaszk lépés. Ezután a 2. sablon segítségével adjon át egy szenzoridősort (vagy egy mintát) a minőségellenőrzésen. Végül a 3. sablonnal dolgozzon ki egy tervet arra vonatkozóan, hogyan fogja érvényesíteni a területen talált változást.
ellenőrző lista
- [ ] Az elemzést egyértelmű térbeli és időbeli kérdéssel határoztam meg.
- [ ] Felhőmaszkot alkalmaztam a műholdadatokra.
- [ ] Az érzékelő adatait kalibráción és minőségellenőrzésen keresztül vittem át.
- [ ] A változási igényt a trendre alapoztam, nem egy dátumra.
- [ ] Tervet készítettem a lelet alapigazsággal vagy független adatokkal való igazolására.
- [ ] Betartottam a titoktartást és a jogi korlátozásokat.