Keuntungan:
- Kemampuan untuk menjelaskan bagaimana data satelit multispektral, kombinasi pita, dan indeks spektral (NDVI, dll.) digunakan dengan AI
- Kemampuan untuk mengonfigurasi klasifikasi yang diawasi/tidak diawasi dan alur kerja pemetaan tutupan lahan dengan dukungan AI
- Kemampuan untuk menguji keluaran klasifikasi dengan kriteria kebenaran dasar dan matriks kesalahan/akurasi
Penginderaan jauh merupakan ilmu pengukuran permukaan bumi tanpa kontak fisik, dengan sensor pada satelit atau platform udara. Citra satelit sebenarnya bukanlah sebuah foto, melainkan kumpulan lapisan pengukuran yang direkam pada berbagai panjang gelombang, dan dengan menggabungkan lapisan-lapisan ini secara cerdas, tutupan lahan (hutan, air, pertanian, konstruksi) dapat dipetakan. Dalam unit ini, kami membahas bagaimana kecerdasan buatan mempercepat alur kerja ini, mulai dari data multispektral hingga klasifikasi tutupan lahan, dan di mana penilaian ahli sangat diperlukan. Prinsip: AI menghasilkan atau mengkodekan klasifikasi; Keakuratan peta diukur oleh insinyur dengan matriks kebenaran dan kesalahan dasar yang independen.
Istilah dasar. Gambar multispektral adalah gambar yang direkam dalam beberapa pita panjang gelombang (biru, hijau, merah, inframerah dekat, dll.); setiap pita adalah sebuah lapisan. Hiperspektral jauh lebih kaya tetapi sulit untuk memproses data, berisi puluhan hingga ratusan pita sempit. Indeks spektral adalah angka yang menyoroti suatu fenomena melalui kombinasi pita matematis; yang paling terkenal, NDVI (Normalized Difference Vegetation Index), mengukur kekuatan vegetasi hijau menggunakan perbedaan antara inframerah dekat dan pita merah. Klasifikasi yang diawasi melibatkan pelatihan model dengan area sampel yang telah diberi label sebelumnya dan mengklasifikasikan seluruh gambar. Klasifikasi tanpa pengawasan adalah pengelompokan data berdasarkan kesamaan tanpa label dan kemudian ditafsirkan.
Peran AI dalam Penginderaan Jauh
Kecerdasan buatan berkontribusi dalam bidang ini pada tiga tingkatan:
- Alur kerja dan pemilihan metode. "Band mana, indeks mana, pengklasifikasi mana yang cocok untuk pertanyaan ini?" memandu Anda dalam mengambil keputusan; menghasilkan kerangka kode.
- Klasifikasi itu sendiri. Model pembelajaran mendalam modern mengurutkan jutaan piksel ke dalam kelas tutupan lahan; Ini adalah area dengan kontribusi menengah-tinggi tempat AI melakukan pekerjaan nyata.
- Interpretasi dan pelaporan hasil. Ini menyalin statistik kelas, analisis perubahan, dan laporan akurasi ke dalam teks yang dapat dibaca.
Titik buta: model bergantung pada data tempat model dilatih dan contoh yang Anda berikan. Bayangan awan dan air, tanah gundul dan lahan pasca panen, air dangkal dan tanah basah mudah bercampur. Jadi peta klasifikasi tidak benar hanya karena terlihat bagus; akurasi harus diukur.
Tip: Perjelas pertanyaan Anda sebelum mulai mengklasifikasikan. “Klasifikasikan tutupan lahan” tidak jelas; "Peta hilangnya lahan pertanian yang mendukung konstruksi antara tahun 2020-2025" menentukan kumpulan kelas dan kriteria verifikasi.
Langkah demi Langkah: Klasifikasi Tutupan Lahan
- Siapkan data dan kaset. Konfirmasikan tutupan awan gambar, tanggal pengambilan gambar, resolusi (ukuran piksel), dan urutan pita. Kelas pergantian tanggal/musim berbeda.
- Tentukan kumpulan kelas. Berapa kelas, yang mana (air, hutan, pertanian, konstruksi, lahan kosong)? Kelas yang lebih sedikit dan lebih dapat dibedakan akan lebih dapat diandalkan.
- Hitung indeksnya. Indeks seperti NDVI (tanaman), NDWI (air) membedakan kelasnya; menjadi input ke pengklasifikasi.
- Kumpulkan sampel pelatihan (untuk diawasi). Contoh poligon dikonfirmasi dengan verifikasi medan untuk setiap kelas. Kualitas sampel menentukan keakuratan.
- Klasifikasi dan verifikasi. Latih modelnya, lalu buat matriks kesalahan dengan sampel independen (tidak terlatih) dan hitung akurasi keseluruhan dan Kappa.
Matriks Kebenaran dan Kesalahan Dasar
Keakuratan suatu klasifikasi tidak diukur dengan penilaian mata. Kebenaran dasar adalah sampel independen dari kelas kebenaran yang diketahui di lapangan atau dalam sumber resolusi tinggi yang dapat diandalkan. Dengan contoh-contoh ini, matriks konfusi dibuat: dihitung berapa kali setiap kelas benar dan berapa kali bingung dengan kelas mana. Dari sini, keakuratan keseluruhan (proporsi yang diklasifikasikan dengan benar) dan Kappa (ukuran kesepakatan yang mengoreksi pengaruh peluang) dihitung. Selain itu, akurasi produsen (berapa banyak yang ditangkap di kelas tersebut) dan akurasi pengguna (seberapa andal kelas tersebut) dilaporkan berdasarkan kelas.
Perhatian: Jangan mengukur akurasi dengan contoh yang Anda gunakan untuk pelatihan. Jika contoh yang sama dilatih dan diuji, keakuratannya menjadi sangat tinggi; Ini adalah ilusi. Sampel validasi harus independen.
Tiga Kasus Mini: Berdasarkan Angka
Kasus 1 — Bayangan awan disalahartikan sebagai air. Dalam salah satu klasifikasi, ketika model memberi label bayangan awan sebagai "air", area danau bertambah besar padahal sebenarnya tidak; akurasi pengguna kelas air turun menjadi 70%. Ketika indeks NDWI dan cloud mask ditambahkan, interferensi bayangan/air berkurang dan akurasi air meningkat hingga lebih dari 90%.
Kasus 2 — Laporan yang ditemukan berdasarkan kebenaran di lapangan. Sebuah studi inventarisasi pertanian melaporkan akurasi klasifikasi awal secara keseluruhan sebesar 82%, namun hal ini diukur dengan sampel pelatihan. Ketika diukur kembali dengan 120 titik kebenaran dasar yang independen, keakuratan keseluruhan sebenarnya adalah 71%; Pertanian dan lahan kosong sangat mengganggu. Dengan contoh pelatihan tambahan, klasifikasi ditingkatkan dan akurasi meningkat menjadi 84%. Pelajaran: akurasi diukur dengan sampel independen.
Kasus 3 — Jebakan musiman. Ketika gambar yang diambil pada dua tanggal berbeda (musim semi dan akhir musim panas) digabungkan, lahan yang dipanen beralih ke kelas "tanah kosong" dan area pertanian tampak hilang sebesar 15%. Hasilnya meningkat ketika gambar dipilih dari musim yang sama dan konsistensi fenologis tercapai.
Prompt Lemah / Prompt Kuat
Perintah yang lemah:
Klasifikasikan citra satelit ini.
Perintah yang kuat:
Tugas: membuat alur kerja klasifikasi tutupan lahan (termasuk kerangka kode Python/rasterio + scikit-learn). Konteks: - Sensor: 4 pita (biru, hijau, merah, NIR), resolusi 10 m - Kelas: air, hutan, pertanian, konstruksi, tanah kosong - Tujuan: peta tutupan lahan saat ini + laporan akurasi Permintaan: 1) Indeks spektral mana (NDVI, NDWI) yang perlu ditambahkan dan alasannya. Tekankan bahwa sampel pelatihan dan VALIDASI harus TERPISAH.3) Masukkan matriks kesalahan + akurasi keseluruhan + perhitungan Kappa dalam kerangka kode.4) Catat risiko kebingungan awan/bayangan dan musim.
Perintah kuat menentukan kumpulan kelas, resolusi, alasan indeks, dan perbedaan validasi; hasilnya menjadi terukur.
Empat Templat yang Dapat Disalin
1) Pemilihan metode/indeks:
Indeks spektral dan metode klasifikasi apa yang Anda rekomendasikan untuk [target] objektif dan [pita/resolusi] sensor? Untuk setiap pilihan, tuliskan alasan dan potensi risiko kebingungan (kelas mana yang serupa satu sama lain).
2) Kerangka kode klasifikasi:
Tulis kerangka klasifikasi yang diawasi dengan Rasterio + scikit-learn: pembacaan pita, penghitungan indeks, PEMISAHAN sampel pelatihan/validasi, klasifikasi, matriks kesalahan, dan keluaran akurasi. Pertahankan CRS; menjelaskan.
3) Pengaturan evaluasi akurasi:
Tulis rencana untuk mengevaluasi akurasi klasifikasi: desain sampel kebenaran dasar yang independen, matriks kesalahan, akurasi keseluruhan, Kappa, akurasi produsen/pengguna berdasarkan kelas. Jelaskan apa yang dikatakan setiap metrik.
4) Diagnosis gangguan:
Interpretasikan matriks kesalahan di bawah ini: kelas mana yang saling mengganggu, apa kemungkinan alasan spektral/musiman, data tambahan apa (indeks, mask, tanggal) yang dapat mengurangi kebingungan? Matriks: [matriks kesalahan]
Perbandingan Konsep Klasifikasi
konsep
Artinya
kapan
diawasi
Pelatihan dengan contoh berlabel
Kelas sudah ditentukan sebelumnya
Tanpa pengawasan
Pengelompokan bebas label
Penemuan, tidak ada contoh
NDVI
indeks vitalitas tanaman
Pemisahan tanaman/telanjang/air
NDWI
indeks air
pemisahan badan air
Matriks kesalahan
Hitungan benar/salah
pengukuran akurasi
kappa
Kesesuaian yang dikoreksi secara kebetulan
Laporan akurasi standar
Kesalahan umum
- Mengukur akurasi dengan contoh pelatihan. Pengujian non-independen memberikan akurasi yang sangat tinggi.
- Menyerahkan peta tanpa pernah mengukur keakuratannya. "Kelihatannya bagus" bukanlah bukti keakuratan.
- Melewatkan topeng awan/bayangan. Bayangan bercampur dengan air, awan bercampur dengan salju/struktur.
- Mencampur gambar musim/tanggal yang berbeda. Perbedaan fenologis menggeser kelas.
- Mendefinisikan kelas yang terlalu banyak dan serupa. Kelas yang tidak dapat dibedakan mengurangi akurasi.
- Mengabaikan resolusi. Objek kecil tidak dapat diklasifikasikan jika ukurannya lebih kecil dari satu piksel.
Singkatnya
Dalam penginderaan jarak jauh, AI mempercepat alur kerja dari data multispektral hingga pemetaan tutupan lahan dan dapat mengambil alih sebagian besar klasifikasi. Namun peta klasifikasi hanya berguna jika akurasinya diukur: peta tersebut merupakan standar untuk membuat matriks kesalahan dengan sampel kebenaran dasar yang independen dan menghitung akurasi keseluruhan dan Kappa. Awan/bayangan, variasi musiman, dan kelas serupa merupakan sumber gangguan yang umum; Kelola dengan indeks, mask, dan konsistensi tanggal. Jangan pernah mencampur sampel pelatihan dan validasi.
Tugas aplikasi
Pilih pertanyaan tentang tutupan lahan (misalnya, "peta ruang hijau perkotaan"). Tuliskan kumpulan kelas, pita dan indeks yang akan Anda gunakan (setidaknya NDVI). Apakah AI menghasilkan alur kerja klasifikasi yang diawasi; pastikan sampel pelatihan dan validasi terpisah dan matriks kesalahan + perhitungan Kappa disertakan dalam output. Kemudian buatlah daftar "risiko kebingungan": dua kelas mana yang serupa dan bagaimana Anda membedakannya.
daftar periksa
- [ ] Saya menjaga kelas tetap kecil dan mudah dibedakan.
- [ ] Saya menambahkan indeks spektral (NDVI/NDWI) yang sesuai untuk tujuan tersebut.
- [ ] Saya memisahkan contoh pelatihan dan validasi.
- [ ] Saya memeriksa cloud/shadow mask dan konsistensi musim.
- [ ] Saya mengukur akurasi dengan kebenaran dasar yang independen.
- [ ] Saya melaporkan matriks kesalahan, akurasi keseluruhan, dan Kappa.
- [ ] Saya mendiagnosis dan menyembuhkan kesalahan kelas.
- [ ] Saya telah meminta persetujuan insinyur bahwa peta tersebut akurat untuk tujuan penggunaannya.