Nyereség:
- A városi terjeszkedés, az építkezés és a talajborítás változásának mesterséges intelligencia által támogatott észlelésének logikájának megértése távérzékelésen és műholdfelvételeken keresztül.
- Képesség kritikusan értékelni a képbesorolást és megváltoztatni az észlelési kimeneteket pontossággal, felbontással és dátuminformációkkal
- Képes megérteni, hogy a képből kivont AI határokat helyszíni és hivatalos nyilvántartásoknak kell megerősíteniük, és nem lehetnek jogi bizonyítékok.
Nem lehet egyenként kimenni a terepre, hogy megnézzük, hol, mennyit és milyen gyorsan nőtt egy város az elmúlt évtizedben. Ehelyett a tervezők távérzékelést használnak (a Földet műholdak és repülőgépek segítségével készítik el, és adatokat nyernek ki). Különböző dátumú műholdképek összehasonlításával észlelheti az új építkezéseket, az elveszett mezőgazdasági területeket, az illegális építkezések bővülését vagy a zöldfelületek zsugorodását. A mesterséges intelligencia hatékony gyorsítószer ezeknek a képeknek a besorolásában (az egyes pixelek „szerkezet”, „növény”, „víz” stb. jelölése), valamint a két dátum közötti változások észlelésében. De a képelemzés tele van felbontással, dátummal, árnyékkal, felhővel és osztályozási hibával. Az AI-jelzők „változása” lehet árnyék, szezonális eltérés vagy hiba. Ezért a kép alapján levont következtetések nem használhatók jogi lépések alapjául anélkül, hogy azt helyszíni és hivatalos nyilvántartások megerősítenék.
A távérzékelés alapfogalmai
Felbontás: Egy pixel által elfoglalt terület a talajon. 10 méteres felbontásnál egy pixel 10x10 métert jelent; Kis melléképület nem látszik. A nagy felbontás (pl. 0,3-1 méter) több részletet jelent, de drágább és ritkább adatot.
Spektrális sáv: A műholdak olyan fényt is rögzítenek, amelyet a szem nem lát (például infravörös). A növényzet az infravörösben világít; így könnyebben elválasztható a növény a szerkezettől. Az olyan indexek, mint az NDVI (egy egyszerű számológép, amely a növények életerejét méri), gyakoriak a zöldmezős nyomon követésben.
Dátum és évszak: Ha két kép különböző évszakban van, a zöld szín csökkenése nem biztos, hogy "veszteség", hanem a tél beköszönte. Ehhez képest elengedhetetlen a dátum és az évszak harmónia.
Pontosság: Az az érték, amely azt méri, hogy mennyire pontos az osztályozás. A „85 százalékos pontosság” azt jelenti, hogy minden hatodik képpont rosszul címkézhető; Ez jelentős hibahatár egy ellenőrzési folyamat számára.
Figyelem: A mesterséges intelligencia által egy műholdfelvételről észlelt szerkezet önmagában nem bizonyítéka illegális szerkezetre. Az árnyék, a felbontás, a dátum és az osztályozási hiba hamis pozitív eredményt ad. Az ellenőrzéshez és a végrehajtáshoz minden esetben helyszíni ellenőrzés, tulajdoni lap/engedély regisztráció és hatósági mérés szükséges.
A legnagyobb érték, amit az ingyenes és nyílt műholdas adatok (például az európai Sentinel és az amerikai Landsat programok) jelentenek a tervezésben, a történelmi idősorok: több tucat, éveket felölelő képhez férhet hozzá ugyanazon a területen. Ez lehetővé teszi, hogy túllépjen egyetlen „előtte/utána” összehasonlításon, és megtekinthesse a környék terjeszkedésének ütemét, szezonális ingadozását és trendjét. A mesterséges intelligencia segít ezeknek a hosszú sorozatoknak az összefoglalásában, és az értelmes változási minták és a zaj elkülönítésében. De ugyanez a szabály érvényes az idősorokra is: bármennyire is egyértelmű a trend, a képek felbontása, a felhőzet és a szezonalitás határozza meg az eredményt; E három tényező jelentése nélkül egyetlen trend sem tekinthető megbízhatónak.
A változás észlelésének logikája
Két dátummal rendelkező kép összehasonlításának többféle módja van: a dátumok osztályozása és az osztályok összehasonlítása, az indexeltérés (pl. NDVI-különbség) lekérdezése vagy a „megváltozott/nem változott” térkép közvetlen létrehozása az AI-modellel. Az eredmény a változás térképe: hol az új szerkezet, hol veszett el a növény. Ez a térkép felbecsülhetetlen értékű előzetes átvilágításként – azt mondja a tervezőnek, hogy "nézzen oda". De minden jelet külön ellenőriznek, hogy valódi változásról vagy hibáról van-e szó.
Lépésről lépésre: AI-alapú változáselemzés
- Határozza meg a kérdést. „Hol folyik az új építkezés a [területen] 2018 és 2024 között?”
- Kép kiválasztása. Hasonló évszak, elfogadható felbontás, alacsony felhőzet.
- Előfeldolgozás. Vigye ugyanarra a CRS-re, igazítsa, alkalmazza a felhő/árnyékmaszkot.
- Osztályozás/összehasonlítás. Hozzon létre osztályt vagy változtassa meg a térképet az AI segítségével.
- Értékelje a pontosságot. Mérje meg a pontosságot ismert referenciapontokkal.
- Mező és regisztráció megerősítése. Szükség esetén ellenőrizze a megjelölt változtatásokat tulajdoni lap/engedély és telephely segítségével.
- Jelentési korlátok. Világosan írja le a dátumot, a felbontást, a pontosságot és a hibahatárt.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás: "Mondd el, mi változott ehhez a két képhez képest."
Az AI egy szépnek tűnő, de bizonytalanul pontos listát állít elő; Azt gondolhatja, hogy az árnyék és az évszak közötti különbség valódi változás.
Erős felszólítás: "Két dátum minősített földborítási adatait hasonlítom össze (2018. július / 2024. július, azonos évszak, 10 m-es felbontás). A változáselemzés bejelentésekor egyértelműen jelezze: mely változások lehetnek téves pozitívumok az árnyékolás/évszak/felbontás miatt, mely meghatározásokhoz szükséges helyszíni ellenőrzés, és hogy az egyes leleteket milyen pontossággal kell megerősíteni.'" Ne jegyezze meg.
A második felszólítás arra kényszeríti az AI-t, hogy egyértelműen közölje a bizonytalanságot és a hibaforrásokat.
Négy másolható sablon
Feladat: Kritikusan értékelje a következő változásészlelési kimenetet. Sorolja fel az egyes észlelések lehetséges HIBAforrásait: árnyék, felhő, évszak, felbontás, osztályozási hiba. Megjegyzés: "Mező megerősítése szükséges". Ne hozzon végső ítéletet. Megállapítások / dátum / állásfoglalás: [...]
Feladat: Írjon ellenőrző listát a városi változások elemzéséhez szükséges képkiválasztási kritériumokról: szezonalitás, felbontás, felhőarány, dátumtartomány, CRS. Készítsen kérdéseket, hogy megkérdezze, hogy az általam készített képek megfelelnek-e ezeknek a kritériumoknak. A kép információi: [...]
Feladat: Készítsen jelentést az alábbi változáselemzési eredményekből. Világosan adja meg a felbontást, a dátumot, a pontosságot és a hibahatárt minden egyes megállapításnál. Az eredményeket „előszűrésként” kell megfogalmazni; Hangsúlyozza, hogy az ellenőrzéshez/szankcióhoz a mező és a hivatalos nyilvántartás megerősítése szükséges. Megállapítások: [...]
Feladat: Javasoljon egy egyszerű módszert az osztályozás pontosságának értékelésére: hány referenciapontot, hogyan válasszuk ki, hogyan számítsuk ki a pontosságot (egyszerű magyarázat). Melyik igazság állítást kell beleírni a jelentésbe, példa.Kontextus: [...]
Egy táblázat: adattípus és felhasználás
Adatok
felbontásban
erős pontja
határértéket
közepes felbontású műhold
10-30 m
Ingyenes, gyakori, széles terület
Hiányzik a kis szerkezet
nagy felbontású műhold
0,3-1 m
Részletes szerkezetfelismerés
Drága, ritka, felhőkockázat
Légifotó / ortofotó
0,1-0,3 m
Nagyon részletes, formális
A frissítési gyakoriság alacsony
UAV (drón)
cm szinten
Azonnali, nagyon részletes
Kis hely, engedély/jogszabály
három mini tok
1. eset – Árnyékillúzió. Egy önkormányzat „új építés” feliratokat lát egy környéken az AI változási térképén. A mezőnycsapat megy; A jelek többsége hosszú épületárnyék a délutáni képen. Az új építmények tényleges száma fele a jelek számának. Az AI előzetesen szűrt, de ha megerősítés nélkül használták, hamis perceket produkál.
2. eset – Kis szerkezet kiszabadulása. Egy tervező 10 méteres felbontású ingyenes műhold segítségével próbálja követni a mezőgazdasági területen lévő kis raktárakat. Mivel a raktárak 6x8 méteresek, egy pixel alatt maradnak és nem láthatók. A tervező nagy felbontású ortofotóra vált a tényleges követéshez. A felbontás határozza meg, hogy mit lehet látni.
3. eset – Átlátható jelentés. Az egyik csapat egy régió 6 éves elterjedését elemzi, és egyértelműen azt írja a jelentésben, hogy "a kimutatások egy előzetes szkennelés, 82 százalékos pontossággal; 47 pont vár a helyszíni megerősítésre; a képek dátuma és felbontása mellékelve." A parlament megfelelő súllyal értékeli az eredményt. A bizonytalanság bejelentése, nem pedig elrejtése teszi az elemzést megbízhatóvá.
Gyakori hibák
- A téves észlelés bizonyítékként. A kép előszkennelve van; Szankciókat és hatósági regisztrációt igényel.
- Szezon/dátum eltérés. A különböző szezonális képek hamis eltéréseket eredményeznek.
- A felbontás figyelmen kívül hagyása. A kis struktúrák kis felbontáson nem láthatók; Ez nem „nincs”.
- A pontosság bejelentésének elmulasztása. A hibahatár elrejtése rossz döntésekhez vezet.
- Az árnyékot és a felhőt elfelejtve. A hamis pozitív eredmények két leggyakoribb forrása.
- CRS eltérés. A nem igazított képek rossz helyen változnak.
Összefoglalva
A műhold- és légifelvételek a leghatékonyabb módjai annak, hogy nagyarányú és sebességű városi változásokat lássunk; Az AI felgyorsítja az osztályozást és a változások észlelését. De a felbontás határozza meg, hogy mi látható, az évszak és a dátum határozza meg, hogy mi a valós, az árnyék és a felhő határozza meg, hogy mi a hamis pozitív. A pontosságot mindig mérni és jelenteni kell. A legfontosabb: az észlelés a képről egy előszkennelés; Az ellenőrzéshez, szankcionáláshoz elengedhetetlen a terepi ellenőrzés, a tulajdoni lap/engedély-nyilvántartás és a hatósági mérés. Az AI felgyorsítja a látást, nem a döntéshozatalt.
Pályázati feladat
Vegyünk egy pár képet (vagy forgatókönyvet) két különböző dátummal. (1) Ellenőrizze a képkiválasztás kritériumait a második sablonnal: évszak, felbontás, illik-e a felhő? (2) Tételezzük fel a változásészlelések listáját, és bontsa ki a lehetséges hibaforrásokat minden egyes észleléshez a kezdeti sablonnal. (3) Készítsen jelentéstervezetet a harmadik sablonnal, és adja meg a pontosságot és a hibahatárt. (4) Írja le, hogy mely meghatározásokhoz szükséges mező megerősítése, és hogyan fogja ezt megtenni.
ellenőrző lista
- [ ] Ellenőriztem a képek évszakának, dátumának és felbontásának kompatibilitását.
- [ ] A képeket ugyanahhoz a CRS-hez igazítottam; Figyelembe vettem a felhő/árnyék maszkot.
- [ ] A változások észlelését előzetes szűrésként kezeltem, nem bizonyítékként.
- [ ] Az osztályozás pontosságát értékeltem és jelentettem.
- A [ ] jelű változtatásokat helyszíni és hatósági nyilvántartással megerősítettem.
- [ ] Megjegyeztem, mi hiányozhat a felbontási korlátból.
- [ ] A jelentésbe egyértelműen beírtam a dátumot, a felbontást és a hibahatárt.