Hagnaður:
- Geta til að útskýra hvernig fjölróf gervihnattagögn, bandsamsetningar og litrófsvísitölur (NDVI o.s.frv.) eru notuð með gervigreind
- Geta til að stilla flokkun undir eftirliti/óeftirliti og landþekjukortlagningu vinnuflæði með gervigreindarstuðningi
- Geta til að prófa flokkunarúttak með grunnsannleika og villufylki/nákvæmniviðmiðum
Fjarkönnun er vísindin um að mæla yfirborð jarðar án líkamlegrar snertingar, með skynjurum á gervihnöttum eða loftpöllum. Gervihnattamynd er í raun ekki ljósmynd, heldur safn mælilaga sem skráð eru á mörgum bylgjulengdum og með því að sameina þessi lög á skynsamlegan hátt er hægt að kortleggja landþekju (skóga, vatn, landbúnað, mannvirkjagerð). Í þessari einingu förum við yfir hvernig gervigreind flýtir fyrir þessu verkflæði, allt frá fjölrófsgögnum til landþekjuflokkunar og þar sem dómgreind sérfræðinga er ómissandi. Meginregla: gervigreind býr til eða kóðar flokkunina; Nákvæmni kortsins er mæld í verkfræðingnum með óháðum sannleika og villufylki.
Grunnskilmálar. Fjölrófsmynd er tekin á nokkrum bylgjulengdarböndum (blár, grænn, rauður, nálægt innrauður o.s.frv.); hvert band er lag. Hyperspectral er miklu ríkari en erfiðara að vinna úr gögnum, sem inniheldur tugi til hundruða mjóa bönd. Litrófsvísitala er talan sem undirstrikar fyrirbæri í gegnum stærðfræðilega samsetningu hljómsveita; sú þekktasta, NDVI (Normalized Difference Vegetation Index), mælir þrótt græns gróðurs með því að nota muninn á nær innrauða og rauða bandinu. Stýrð flokkun felur í sér að þjálfa líkanið með fyrirfram merktum sýnishornum og flokka alla myndina. Óeftirlitslaus flokkun er að flokka gögn byggð á líkt án merkja og túlka þau síðar.
Hlutverk gervigreindar í fjarkönnun
Gervigreind leggur sitt af mörkum á þessu sviði á þremur stigum:
- Verkflæði og aðferðaval. "Hvaða hljómsveitir, hvaða vísitala, hvaða flokkari hentar þessari spurningu?" leiðbeinir þér í ákvörðun þinni; framleiðir kóðabeinagrindina.
- Flokkunin sjálf. Nútíma djúpnámslíkön flokka milljónir pixla í landþekjutíma; Þetta er meðalhátt framlagssvæðið þar sem gervigreind vinnur hið raunverulega verk.
- Niðurstöðutúlkun og skýrslugerð. Það umritar bekkjartölfræði, breytingagreiningu og nákvæmniskýrslu í læsilegan texta.
Blindur blettur: líkanið er háð gögnunum sem það er þjálfað á og dæmunum sem þú gefur upp. Skuggi og vatn, ber jarðvegur og akur eftir uppskeru, grunnt vatn og blaut jörð blandast auðveldlega. Svo flokkunarkort er ekki satt bara vegna þess að það lítur vel út; nákvæmni verður að mæla.
Ábending: Útskýrðu spurninguna þína áður en þú byrjar að flokka. „Flokka landþekju“ er óljóst; „Kortleggja tap landbúnaðarlands í þágu framkvæmda á árunum 2020-2025“ ákvarðar bæði flokkasett og sannprófunarviðmið.
Skref fyrir skref: Landþekjuflokkun
- Undirbúa gögn og spólur. Staðfestu skýjahulu myndarinnar, tökudagsetningu, upplausn (pixlastærð) og hljómsveitaröð. Mismunandi dagsetning/árstíð skiptir um flokk.
- Skilgreindu bekkjarsettið. Hversu margir flokkar, hverjir (vatn, skógur, landbúnaður, mannvirkjagerð, akur jörð)? Færri og aðgreindari flokkar eru áreiðanlegri.
- Reiknaðu vísitölurnar. Vísitölur eins og NDVI (planta), NDWI (vatn) aðgreina flokkana; verður inntak til flokkarans.
- Safnaðu þjálfunarsýnum (fyrir eftirlit). Dæmi um marghyrninga staðfest með landslagsstaðfestingu fyrir hvern flokk. Sýnisgæði ákvarða nákvæmni.
- Flokkaðu og staðfestu. Þjálfðu líkanið, byggðu síðan villufylki með óháðum (óþjálfuðum) sýnum og reiknaðu heildarnákvæmni og Kappa.
Ground Truth and Error Matrix
Nákvæmni flokkunar er ekki mæld með augnmati. Jarðsannleikur er óháð sýnishorn af þekktum sönnum flokki á sviði eða í áreiðanlegri háupplausnaruppsprettu. Með þessum dæmum er ruglingsfylki komið á: það er talið hversu oft hver flokkur er réttur og hversu oft honum er ruglað saman við hvaða flokk. Út frá þessu er heildarnákvæmni (hlutfallið rétt flokkað) og Kappa (mælikvarði á samræmi sem leiðréttir fyrir áhrif tilviljunar) reiknuð út. Að auki er greint frá nákvæmni framleiðanda (hversu mikið var veiddur í þeim flokki) og notendanákvæmni (hversu áreiðanlegur er sá flokkur) á flokksgrundvelli.
Varúð: Ekki mæla nákvæmni með dæmunum sem þú notar við þjálfun. Ef sömu dæmin þjálfa og prófa, verður nákvæmni tilbúnar mikil; Þetta er blekking. Sannprófunarsýni verða að vera óháð.
Þrjú Mini Cases: By the Numbers
Tilfelli 1 - Skýjaskuggi var skakkur fyrir vatn. Í einni flokkun, þegar líkanið merkti skýjaskugga sem „vatn“, óx vatnasvæðið þar sem það var í raun ekki; nákvæmni notenda í vatnsflokknum fór niður í 70%. Þegar NDWI vísitölunni og skýjagrímunni var bætt við minnkaði truflun á skugga/vatni og vatnsnákvæmni jókst í yfir 90%.
Mál 2 - Skýrsla endurheimt með sannleika. Í landbúnaðarbirgðarannsókn var greint frá 82% heildarnákvæmni upphaflegrar flokkunar, en þetta var mælt með þjálfunarsýnum. Þegar það var endurmælt með 120 óháðum sannleikspunktum var raunveruleg heildarnákvæmni 71%; Landbúnaður og akur jarðvegur truflaði alvarlega. Með viðbótarþjálfunardæmum var flokkun bætt og nákvæmni aukin í 84%. Lexía: nákvæmni er mæld með óháðu úrtaki.
Tilfelli 3 - Árstíðabundin gildra. Þegar myndum sem teknar voru á tveimur mismunandi dagsetningum (vor og síðsumars) var blandað saman færðust uppskeru túnin yfir í „berjörð“ flokkinn og landbúnaðarsvæðið virtist vanta 15%. Árangurinn batnaði þegar myndir voru valdar frá sama árstíð og svipfræðilegt samræmi náðist.
Veik kvaðning / sterk kvaðning
Veik kvaðning:
Flokkaðu þessa gervihnattamynd.
Öflug tilvitnun:
Verkefni: byggja upp landþekjuflokkunarvinnuflæði (þar á meðal Python/rasterio + scikit-learn kóða beinagrind).Samhengi:- Skynjari: 4 bönd (blátt, grænt, rautt, NIR), 10 m upplausn- Classes: vatn, skógur, landbúnaður, bygging, ber_jörð- Tilgangur: núverandi landþekjukort + ind: 1 nákvæmni skýrsla (NDVI) (NDVI) og hvers vegna skrifa.2) Skrá flokkunarskref undir eftirliti; Leggðu áherslu á að sýnishorn af þjálfun og VALIDATION ættu að vera AÐSKILD.3) Settu villufylki + heildarnákvæmni + Kappa útreikning í kóðabeinagrind.4) Taktu eftir hættunni á skýi/skugga og árstíðarruglingi.
Sterk hvetja tilgreinir flokkasettið, upplausn, vísitöluforsendur og löggildingargreining; framleiðslan verður mælanleg.
Fjögur afritanleg sniðmát
1) Val á aðferð/vísitölu:
Hvaða litrófsstuðul og flokkunaraðferð myndir þú mæla með fyrir hlutlægt [markmið] og skynjara [svið/upplausn]? Fyrir hvert val, skrifaðu rökin og hugsanlega hættu á ruglingi (hvaða flokkar eru líkar hver öðrum).
2) Beinagrind flokkunarkóða:
Skrifaðu flokkunarramma undir eftirliti með Rasterio + scikit-learn: segulbandslestur, vísitöluútreikningur, AÐSKILDUR þjálfunar/fullgildingarsýna, flokkun, villufylki og nákvæmni framleiðsla. Viðhalda CRS; útskýra.
3) Uppsetning nákvæmnismats:
Skrifaðu áætlun til að meta flokkunarnákvæmni: óháð grunnsannleikasýnishönnun, villufylki, heildarnákvæmni, Kappa, nákvæmni framleiðanda/notanda eftir flokkum. Útskýrðu hvað hver mælikvarði segir.
4) Truflugreining:
Túlkaðu villufylkið hér að neðan: hvaða flokkar trufla hver annan, hver er hugsanlega litrófs-/árstíðarástæðan, hvaða viðbótargögn (vísitala, gríma, dagsetning) myndu draga úr ruglingi? fylki: [villufylki]
Samanburður á flokkunarhugtökum
hugtak
Merking
hvenær
undir eftirliti
Þjálfun með merktu dæmi
Bekkjar eru fyrirfram ákveðnir
Eftirlitslaust
Merkilaus þyrping
Uppgötvun, engin dæmi
NDVI
vaxtarvísitala plantna
Plant/ber/vatnsskilnaður
NDWI
vatnsvísitala
aðskilnaður vatnshlots
Villufylki
Tala satt/ósatt
nákvæmni mæling
kappa
Hæfni-leiðrétt passa
Hefðbundin nákvæmni skýrsla
Algeng mistök
- Mæling á nákvæmni með þjálfunardæmum. Óháð próf gefur tilbúna mikla nákvæmni.
- Að afhenda kortið án þess að mæla nokkurn tíma nákvæmni. „Lítur vel út“ er ekki sönnun um nákvæmni.
- Sleppa skýinu/skuggagrímunni. Skuggi blandast vatni, ský blandast snjó/byggingu.
- Blanda saman mismunandi árstíð/dagsetningarmyndum. Svipfræðilegur munur færist í flokka.
- Að skilgreina of marga og svipaða flokka. Óaðgreinanlegir flokkar draga úr nákvæmni.
- Hunsa upplausn. Ekki er hægt að flokka litla hluti ef þeir eru minni en einn pixi.
Í stuttu máli
Í fjarkönnun flýtir gervigreind fyrir verkflæðið frá fjölrófsgögnum til landþekjukortlagningar og getur tekið yfir mikið af flokkuninni. En flokkunarkort er aðeins gagnlegt ef nákvæmni þess er mæld: það er staðlað að smíða villufylki með óháðum sannleikssýnum og reikna út heildarnákvæmni og Kappa. Ský/skuggi, árstíðabundin breytileiki og svipaðir flokkar eru dæmigerðir truflanir; Stjórnaðu þeim með vísitölu, grímu og dagsetningu samkvæmni. Blandið aldrei þjálfunar- og staðfestingarsýnum saman.
Umsóknarverkefni
Veldu landþekjuspurningu (t.d. „græn svæði kort“). Skrifaðu niður bekkjarsettið, böndin og vísitölurnar sem þú munt nota (að minnsta kosti NDVI). Láttu gervigreind framleiða flokkunarverkflæði undir eftirliti; ganga úr skugga um að þjálfunar- og staðfestingarsýnin séu aðskilin og villufylki + Kappa útreikningur sé innifalinn í úttakinu. Gerðu síðan "ruglingshættu" lista: hvaða tveir flokkar eru líkir og hvernig þú greinir þá í sundur.
gátlisti
- [ ] Ég hélt bekkjarsettinu lítið og aðgreinanlegt.
- [ ] Ég bætti við litrófsvísitölum (NDVI/NDWI) sem henta í tilganginum.
- [ ] Ég aðskildi þjálfunar- og staðfestingardæmi.
- [ ] Ég athugaði ský/skugga grímu og árstíðarsamkvæmni.
- [ ] Ég mældi nákvæmni með óháðum sannleika.
- [ ] Ég tilkynnti um villufylki, heildarnákvæmni og Kappa.
- [ ] Ég greindi og læknaði bekkjarblöndun.
- [ ] Ég hef sett það undir samþykki verkfræðings að kortið sé nákvæmt fyrir fyrirhugaða notkun þess.