Nyereség:
- GIS rétegek, NDVI és távérzékelési sáv/felbontás fogalmak értelmezésének képessége
- Indexértelmezés, változáselemzés és térképes narratíva szerkesztése mesterséges intelligencia segítségével
- Lehetőség az AI műhold-/térkép-értelmezésének ellenőrzésére alapigazság és metaadatok alapján
Környezetmérnök vagy, aki egy vizes élőhely-védelmi projekten dolgozik. A tanács azt akarja, hogy vizsgálja ki azokat a panaszokat, amelyek szerint a tóparti nádas az elmúlt öt évben zsugorodott. Mielőtt pályára indul, előzetes értékelést kell végeznie az asztalánál: két különböző év műholdfelvétele, egy GIS (Geographic Information System) projekt és egy nyelvi modell. Az LLM értelmezheti a képek NDVI-összefoglalóját, és megírhatja a változás narratívájának vázlatát. A műholdas pixel azonban egy 10 méteres négyzetet jelent, és csak talajigazsággal lehet megérteni, hogy felhőárnyék, száradó nád vagy szezonális vízállás van-e azon a téren. Ebben az egységben kitérünk a távérzékelés és a térinformatika fogalmaira, az index/módosítás AI-val történő értelmezésére, és ami a legfontosabb, ennek az értelmezésnek a határait.
GIS réteg logika és távérzékelés alapjai
A térinformatikai rendszer a földrajzi adatokat átfedő rétegekbe rendezi: minden réteg egy témát hordoz (területhasználat, víztestek, magasság, utak), és egy közös koordináta-rendszerbe illeszkedik. Az elemzés a megfelelő rétegek átfedésével kezdődik a megfelelő vetületben; a rossz koordinátarendszer szisztematikusan torzítja a területeket és a távolságokat.
A távérzékelési kép értelmezésekor háromféle felbontást kell megkülönböztetni:
Felbontás típusa
Mit árul el?
példa
korlátozás
térbeli
Egy pixel mérete a talajon
10 m, 30 m
A kis objektumok alpixelek maradnak
spektrális
Hány és melyik hullámhossz sáv?
Piros, NIR, SWIR
Kevesebb sáv = kisebb diszkriminációs erő
időbeli
Milyen gyakran nézik meg ugyanazt a helyet
5 nap, 16 nap
Adatvesztés felhős napokon
Radiometrikus
Fényérzékenység (bitmélység)
8 bites, 12 bites
Alacsony mélység = gyenge diszkrimináció
NDVI: képlet és értelmezés
A növényzet vitalitását mérő leggyakoribb index az NDVI (Normalized Difference Vegetation Index). Az egészséges növény erősen tükrözi a közeli infravöröst (NIR) és elnyeli a vöröset (PIROS):
NDVI = (NIR − PIROS) / (NIR + PIROS) Értéktartomány: −1 ... +1 < 0 : víz, hó, felhő 0,0 - 0,2 : csupasz talaj, szikla, beépített terület 0,2 - 0,5 : ritka/lágyszárú növényzet, igénybevett borítás 0,5 - 0,9 : sűrű, egészséges zöldtakaró
A pixelekből álló kis mintablokk # NDVI-je numpy mint npnir = np.array([[0.42, 0.38], [0.11, 0.45]]) # közeli infravörös reflektanciared = np.array([[0.06, 0.09], [0.06, 0.09], [0.06, 0.09], [0.10]) 0. # vörös reflektancia, (nir + red)print(np.round(ndvi, 2))# [[0,75 0,62]# [0,05 0,80]]# bal alsó pixel (0,05): nem növény – lehet csupasz talaj vagy víz/árnyék
Tipp: Az NDVI nem az „egészség” abszolút mértéke, hanem állapotfüggő mutatója. Az azonos terület két keltezett NDVI-jének összehasonlításakor győződjön meg arról, hogy a képek hasonló évszakban, hasonló napszögben és felhőmentes körülmények között készültek. A késő nyár és a tavasz megjelenésének összehasonlítása irreális „növényveszteséget” eredményez.
Változáselemzés (változásészlelés)
A két dátum közötti különbség egyszerű módja az NDVI-különbség megállapítása, de ennek a különbségnek csak akkor van értelme, ha a képeket össze lehet hasonlítani.
ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0 : fedőveszteség lehetséges (szárítás, vágás, építés) ΔNDVI ≈ 0 : nincs változás ΔNDVI >> 0 : borításnövelés lehetséges (zöldítés, helyreállítás) FIGYELEM: A különbség az aktuális/térségi/évszaki szög/szög változást is tükrözheti különbségek. Különbség = valódi változás + zaj.
Vigyázat: A felhő, a felhőárnyék és a szezonalitás a változáselemzés legnagyobb rontója. A felhő árnyéka alatti terület alacsony NDVI-t ad, és „növényzetvesztésnek” tűnik. Amikor az LLM képértelmezést végez, a modell összetévesztheti ezeket a műtermékeket a valós eseménnyel. Ügyeljen arra, hogy ellenőrizze a kép metaadatait (dátum, felhőszázalék, napszög).
Indexértelmezés és térképes narratíva AI-val
Az LLM hasznos a numerikus index-összefoglalók egyszerű narratívává történő lefordításában és jelentéstervezetek készítésében. Adja meg neki a nyers NDVI-statisztikát és metaadatokat, és kérje meg, hogy hozza létre az ellenőrzéshez szükséges megjegyzést.
GYENGE PROMPT: "Kisebb lett a vizes élőhely ezen a műholdképen?" ERŐS PROMPT: "Két keltezett NDVI statisztikát adok (ugyanaz a terület, ugyanaz az érzékelő): 2020-07-15 átlag NDVI=0,61 felhő=3% napszög=58°2025-07-12 átlag NDVI=0,42 felhő=22% napszög=55°Érdeklődési terület: tó1. Számítsa ki a ΔNDVI-t, és sorolja fel a lehetséges értelmezéseket.2) Sorolja fel, hogy milyen okok (felhő, árnyék, vízállás, évszak, kalibráció) okozhatják ezt a csökkenést (felhő, árnyék, vízállás, évszak, kalibráció) A VALÓS borításvesztéstől KÍVÜL.3) Minden lehetséges ok esetén javasoljon ELLENŐRZÉSI lépést a rögzítés megkülönböztetésére (pl.: felhő-, ccurate kiválasztás)4. 'a nádas X%-kal zsugorodott' NE BEÁLLÍTSA, hogy ez csak akkor mondható el, ha az alapigazság megerősíti.
Az erős felszólítás nem egyetlen végleges következtetésre, hanem alternatív magyarázatok és ellenőrzések tervére irányítja a modellt. Az a tény, hogy a 2025-ös kép 22% felhőt tartalmaz, már önmagában is gyanússá teszi a csökkenést.
Az alapigazság ellenőrzése
A távérzékelési értelmezés aranystandardja a terepen végzett megfigyelések és mérések ellenőrzési pontjai. Több referenciaponton rögzíti a tényleges talajborítást GPS-szel, és összehasonlítja a képi besorolással. Ha a mező azt írja ki, hogy „száraz nád” abban a pixelben, ahol az AI vagy az algoritmus azt mondja, hogy „víz”, a besorolás megbízhatatlan.
mini tok
Egy bányaterület környezeti hatásainak monitorozása során a csapat a műholdfelvételből számított NDVI csökkenés alapján „15 hektár bányászati tevékenység miatti erdőveszteséget” készített, és az értelmezést LLM-re bővítette; a modell gördülékeny, meggyőző narratívát produkált. Amikor azonban a csapat a terepen ellenőrizte a bejelentést, azt látták, hogy az alacsony NDVI-vel rendelkező terület egy része valójában betakarított mezőgazdasági parcella, egy része pedig felhőárnyék, amely egybeesett a felvétel napjával. A tényleges erdőveszteség körülbelül 4 hektár volt, nem 15. Ha a metaadatokat (felhőmaszk) és a területhasználati réteget előzetesen ellenőrizték volna, akkor a hiba eleve megelőzhető lett volna. LLM ügyes mondatai nem javítják a rossz bevitelt.
Gyakori hibák
- Különböző évszak/napszögű képek összehasonlítása és a szezonális különbség összetévesztése a "változással".
- A felhő és a felhőárnyék értelmezése tényleges fedezeti veszteségként; megkerülve a felhőmaszkot.
- Pontos ítéletalkotás pixeladatokból a térbeli felbontást meghaladó kis objektumokról.
- Területek és távolságok hibás kiszámítása a koordinátarendszer/vetítés eltérése miatt.
- Azt gondolva, hogy az NDVI az egészség abszolút mértéke, és úgy kezeljük a vizet és az árnyékképpontokat, mintha növények lennének.
- Az LLM gördülékeny térképes narratívájának beillesztése a jelentésbe, mint végső megállapítás, alapvető igazság nélkül.
- Eredmények jelentése metaadatok dokumentálása nélkül (dátum, érzékelő, felhő %, feldolgozási szint).
Összefoglalva
- A térinformatikai elemzések közös koordináta-rendszerbe illesztett rétegekre épülnek; A vetítési hiba torzítja az eredményt.
- A térbeli, spektrális, időbeli és radiometriai felbontás korlátozza azt, amit egy kép megjeleníthet.
- Az NDVI = (NIR−RED)/(NIR+RED) a növényi életerő feltételes mutatója, nem pedig az egészség abszolút mértéke.
- A változáselemzésben különbség = valódi változás + zaj; A felhő, az árnyék és az évszak a legnagyobb csalók.
- Az LLM elkészíti az indexértelmezést és a térkép narratív vázlatát, de nem "látja" a műholdképet; Megjegyzések a megadott szám szerint.
- A mesterséges intelligencia értelmezése és az automatikus besorolás nem fordítható le végső környezeti megállapításokra az alapigazság és metaadatok ellenőrzése nélkül.
Pályázati feladat
Hozzon létre vagy tételezzen fel két keltezett NDVI-összefoglalót egy mezőhöz (az Ön által választott vagy mintaként); Jegyezze fel minden dátum metaadatait (dátum, felhő százalékos aránya, napszög, érzékelő). Számítsa ki a ΔNDVI-t. Írjon egy erős felszólítást, és kérje meg az LLM-et, hogy ne csak a burkolat tényleges változását kérje, hanem alternatív magyarázatokat (felhő, árnyék, évszak, vízszint, kalibráció) és mindegyikhez egy ellenőrzési lépést. Ezután készítsen egy „alapigazság-ellenőrzési tervet”: legalább három referenciapontot, mit fognak mérni a terepen, és hogyan viszonyul majd a képértelmezéshez. Végül jelölje meg, hogy az LLM által készített narratívában melyik állítás "nem szerepelhet a jelentésben ellenőrzés nélkül", és írja be az okot.