Nyereség:
- Képes elmagyarázni, hogyan használják a multispektrális műholdadatokat, sávkombinációkat és spektrális indexeket (NDVI stb.) az AI-val
- Felügyelt/nem felügyelt osztályozási és talajborítási munkafolyamat konfigurálása mesterséges intelligencia támogatással
- Lehetőség az osztályozás kimenetének tesztelésére alapigazság- és hibamátrix/pontossági kritériumokkal
A távérzékelés a földfelszín fizikai érintkezés nélküli mérésének tudománya műholdakon vagy légi platformokon elhelyezett érzékelőkkel. A műholdkép valójában nem fénykép, hanem több hullámhosszon rögzített mérési rétegek gyűjteménye, és e rétegek intelligens kombinálásával feltérképezhető a talajborítás (erdő, víz, mezőgazdaság, építkezés). Ebben a részben bemutatjuk, hogy a mesterséges intelligencia hogyan gyorsítja fel ezt a munkafolyamatot, a multispektrális adatoktól a talajborítások osztályozásáig, és hol nélkülözhetetlen a szakértői vélemény. Alapelv: A mesterséges intelligencia generálja vagy kódolja az osztályozást; A térkép pontosságát a mérnök független alapigazság- és hibamátrix segítségével méri.
Alapfogalmak. A multispektrális kép több hullámhosszú sávban (kék, zöld, piros, közeli infravörös stb.) rögzített kép; minden sáv egy réteg. A hiperspektrális sokkal gazdagabb, de nehezen feldolgozható adat, amely több tíz-száz keskeny sávot tartalmaz. A spektrális index az a szám, amely a sávok matematikai kombinációján keresztül kiemel egy jelenséget; a legismertebb, az NDVI (Normalized Difference Vegetation Index) a zöld növényzet erélyét méri a közeli infravörös és a vörös sáv közötti különbség segítségével. A felügyelt osztályozás magában foglalja a modell betanítását előre felcímkézett mintaterületekkel és a teljes kép osztályozását. A nem felügyelt osztályozás az adatok hasonlóságon alapuló klaszterezése címkék nélkül, és későbbi értelmezése.
Az AI szerepe a távérzékelésben
A mesterséges intelligencia három szinten járul hozzá ezen a területen:
- Munkafolyamat és módszer kiválasztása. "Melyik sávok, melyik index, melyik osztályozó alkalmas erre a kérdésre?" útmutatást ad a döntésben; előállítja a kódvázat.
- Maga az osztályozás. A modern mélytanulási modellek pixelmilliókat osztályoznak földborítási osztályokba; Ez az a közepesen magas hozzájárulási terület, ahol az AI végzi az igazi munkát.
- Eredményértelmezés és jelentés. Átírja az osztálystatisztikát, a változáselemzést és a pontossági jelentést olvasható szöveggé.
Holttér: a modell a betanított adatoktól és az Ön által megadott példáktól függ. Felhőárnyék és víz, csupasz talaj és betakarítás utáni tábla, sekély víz és nedves talaj könnyen keveredik. Tehát az osztályozási térkép csak azért nem igaz, mert jól néz ki; pontosságot kell mérni.
Tipp: Az osztályozás megkezdése előtt tisztázza a kérdést. A "földtakaró besorolása" homályos; A „Mezőgazdasági területek elvesztésének feltérképezése az építés javára 2020-2025 között” meghatározza az osztálykészletet és az ellenőrzési kritériumot is.
Lépésről lépésre: A földtakaró osztályozása
- Adatok és szalagok előkészítése. Erősítse meg a kép felhőtakaróját, a felvétel dátumát, a felbontást (pixelméret) és a sávok sorrendjét. Különböző dátum/szezon változások osztályok.
- Határozza meg az osztálykészletet. Hány osztály, melyik (víz, erdő, mezőgazdaság, építőipar, csupasz talaj)? A kevesebb és jobban megkülönböztethető osztály megbízhatóbb.
- Számítsa ki az indexeket. Az olyan indexek, mint az NDVI (növény), az NDWI (víz) különböztetik meg az osztályokat; bemenetté válik az osztályozóba.
- Gyűjtsön képzési mintákat (felügyelteknek). Mintapoligonok, amelyeket domborzat-ellenőrzéssel igazoltak minden osztályhoz. A minta minősége határozza meg a pontosságot.
- Osztályozás és ellenőrzés. Tanítsa meg a modellt, majd építsen fel egy hibamátrixot független (nem képzett) mintákkal, és számítsa ki az általános pontosságot és a Kappa értéket.
Földi igazság és hiba mátrix
Az osztályozás pontosságát nem a szem megítélése méri. Az alapigazság az ismert valódi osztály független mintái a terepen vagy egy megbízható, nagy felbontású forrásban. Ezekkel a példákkal összetéveszthető mátrix jön létre: megszámolják, hogy az egyes osztályok hányszor helyesek, és hányszor keverik össze melyik osztállyal. Ebből számítják ki a teljes pontosságot (a helyesen besorolt arányt) és a kappa-t (az egyetértés mértékét, amely korrigálja a véletlen hatását). Ezenkívül a gyártói pontosság (mennyit fogtak az adott osztályban) és a felhasználói pontosság (mennyire megbízható az adott osztály) osztályonként szerepel.
Figyelem: Ne mérje a pontosságot az edzéshez használt példákkal. Ha ugyanazokat a példákat gyakorolják és tesztelik, a pontosság mesterségesen magas lesz; Ez egy illúzió. Az érvényesítési mintáknak függetleneknek kell lenniük.
Három mini tok: a számok szerint
1. eset – A felhőárnyékot összetévesztik a vízzel. Az egyik osztályozásban, amikor a modell a felhőárnyékot "víznek" nevezte, a tó területe ott nőtt, ahol valójában nem; a vízosztály felhasználói pontossága 70%-ra csökkent. Az NDWI index és a felhőmaszk hozzáadásával az árnyék/víz interferencia csökkent, és a víz pontossága 90% fölé nőtt.
2. eset – A jelentés alapos igazság alapján került helyre. Egy mezőgazdasági leltári tanulmány a kezdeti besorolás 82%-os általános pontosságáról számolt be, de ezt képzési mintákkal mérték. 120 független földi igazságponttal újramérve a tényleges teljes pontosság 71% volt; A mezőgazdaság és a puszta talaj komolyan beavatkozott. További képzési példákkal javult az osztályozás, és 84%-ra nőtt a pontosság. Tanulság: a pontosságot független mintával mérjük.
3. eset – Szezonális csapda. Amikor két különböző időpontban (tavasszal és nyár végén) készült képeket összekeverték, a betakarított területek a „csupasz talaj” osztályba kerültek, és úgy tűnt, hogy a mezőgazdasági terület 15%-a hiányzik. Az eredmények javultak, ha ugyanabból az évszakból választották ki a képeket, és fenológiai konzisztenciát értek el.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Osztályozza ezt a műholdképet.
Erőteljes felszólítás:
Feladat: földborítási osztályozási munkafolyamat készítése (beleértve Python/rasterio + scikit-learn kódvázat).Kontextus:- Érzékelő: 4 sáv (kék, zöld, piros, NIR), 10 m-es felbontás- Osztályok: víz, erdő, mezőgazdaság, építkezés, csupasz_föld- Cél: aktuális földborítási térkép + pontossági jelentés,VIQDstsspectral:1ces NDWI) hozzá kell adni és miért kell írni.2) Sorolja fel a felügyelt osztályozási lépéseket; Hangsúlyozza, hogy a képzési és az ÉRVÉNYESÍTÉSI mintáknak KÜLÖN kell lenniük.3) Helyezze a hibamátrixot + általános pontosság + Kappa számítást a kódvázba.4) Vegye figyelembe a felhő/árnyék és az évszak összetévesztésének kockázatát.
Az erős prompt megadja az osztálykészletet, a felbontást, az index indoklását és az érvényesítési megkülönböztetést; mérhetővé válik a kimenet.
Négy másolható sablon
1) Módszer/index kiválasztása:
Milyen spektrális indexet és osztályozási módszert javasolna az objektív [cél] és az érzékelő [sávok/felbontás] számára? Minden választáshoz írja be az indoklást és az összetévesztés lehetséges kockázatát (mely osztályok hasonlítanak egymáshoz).
2) Osztályozási kódváz:
Írjon felügyelt osztályozási keretrendszert a Rasterio + scikit-learn segítségével: szalagolvasás, indexszámítás, a betanítási/ellenőrzési minták KIVÁLASZTÁSA, osztályozás, hibamátrix és pontossági kimenet. CRS karbantartása; megmagyarázni.
3) A pontosság értékelésének beállítása:
Írjon tervet az osztályozás pontosságának értékelésére: független alapigazság minta tervezés, hibamátrix, általános pontosság, Kappa, előállító/felhasználó pontosság osztályonként. Magyarázza el, mit mondanak az egyes mutatók.
4) Interferencia diagnózis:
Értelmezze az alábbi hibamátrixot: mely osztályok zavarják egymást, mi a lehetséges spektrális/szezonális oka, milyen további adatok (index, maszk, dátum) csökkentenék a zavartságot? Mátrix: [hibamátrix]
Osztályozási fogalmak összehasonlítása
koncepció
Jelentése
mikor
felügyelt
Képzés feliratos példával
Az osztályok előre meghatározottak
Felügyelet nélkül
Címkementes klaszterezés
Felfedezés, nincs példa
NDVI
növényi vitalitás index
Növény/csupasz/víz elválasztás
NDWI
víz index
víztest elválasztás
Hibamátrix
Igaz/hamis szám
pontossági mérés
kappa
Véletlenül korrigált illeszkedés
Szabványos pontossági jelentés
Gyakori hibák
- Mérési pontosság képzési példákkal. A nem független tesztelés mesterségesen nagy pontosságot ad.
- A térkép átadása mérési pontosság nélkül. A „jól néz ki” nem a pontosság bizonyítéka.
- A felhő/árnyékmaszk kihagyása. Árnyék keveredik vízzel, felhő keveredik hóval/szerkezettel.
- Különböző évszak/dátum képek keverése. A fenológiai különbségek osztályokat váltanak.
- Túl sok és hasonló osztályok meghatározása. A megkülönböztethetetlen osztályok csökkentik a pontosságot.
- A felbontás figyelmen kívül hagyása. A kis objektumok nem sorolhatók be, ha kisebbek egy pixelnél.
Összefoglalva
A távérzékelésben a mesterséges intelligencia felgyorsítja a munkafolyamatot a multispektrális adatoktól a talajborítás-térképezésig, és átveheti az osztályozás nagy részét. De az osztályozási térkép csak akkor hasznos, ha a pontosságát mérik: szabványos, hogy független alapigazság-mintákkal hibamátrixot hoznak létre, és kiszámítják a teljes pontosságot és a Kappa-t. A felhő/árnyék, a szezonális ingadozás és hasonló osztályok tipikus interferenciaforrások; Kezelje őket index, maszk és dátum konzisztenciával. Soha ne keverje a képzési és az érvényesítési mintákat.
Pályázati feladat
Válasszon ki egy földborítási kérdést (pl. "városi zöldfelületi térkép"). Írja le az osztálykészletet, a használni kívánt sávokat és indexeket (legalább NDVI). Az AI készítsen felügyelt osztályozási munkafolyamatot; győződjön meg arról, hogy a betanítási és érvényesítési minták külön vannak, és a hibamátrix + Kappa számítás szerepel a kimenetben. Ezután készítsen egy „összetévesztés veszélyének” listát: melyik két osztály hasonlít egymáshoz, és hogyan különbözteti meg őket egymástól.
ellenőrző lista
- [ ] Az osztálykészletet kicsinek és megkülönböztethetőnek tartottam.
- [ ] A célnak megfelelő spektrális indexeket (NDVI/NDWI) adtam hozzá.
- [ ] Különválasztottam a képzési és validációs példákat.
- [ ] Ellenőriztem a felhő/árnyék maszkot és az évszak konzisztenciáját.
- [ ] Független alapigazsággal mértem a pontosságot.
- [ ] Jelentettem a hibamátrixot, az általános pontosságot és a Kappát.
- [ ] Diagnosztizáltam és gyógyítottam osztálykeveredéseket.
- [ ] Mérnöki jóváhagyásnak vetettem alá, hogy a térkép megfelel-e a rendeltetésszerű használatnak.