Guadagni:
- Capacità di spiegare come i dati satellitari multispettrali, le combinazioni di bande e gli indici spettrali (NDVI ecc.) vengono utilizzati con l'intelligenza artificiale
- Possibilità di configurare la classificazione supervisionata/non supervisionata e il flusso di lavoro di mappatura della copertura del suolo con il supporto dell'intelligenza artificiale
- Capacità di testare l'output della classificazione con criteri di verità e matrice di errore/accuratezza
Il telerilevamento è la scienza che misura la superficie terrestre senza contatto fisico, con sensori su satelliti o piattaforme aeree. Un’immagine satellitare non è in realtà una fotografia, ma una raccolta di strati di misurazioni registrate a più lunghezze d’onda e, combinando in modo intelligente questi strati, è possibile mappare la copertura del suolo (foreste, acqua, agricoltura, costruzioni). In questa unità, spiegheremo come l'intelligenza artificiale accelera questo flusso di lavoro, dai dati multispettrali alla classificazione della copertura del suolo, e dove il giudizio degli esperti è indispensabile. Principio: l’IA genera o codifica la classificazione; La precisione della mappa viene misurata dall'ingegnere tramite una matrice di verità e di errore indipendente.
Termini di base. Un'immagine multispettrale è quella registrata in diverse bande di lunghezze d'onda (blu, verde, rosso, vicino infrarosso, ecc.); ogni banda è uno strato. I dati iperspettrali sono molto più ricchi ma difficili da elaborare, poiché contengono decine o centinaia di bande strette. L'indice spettrale è il numero che evidenzia un fenomeno attraverso la combinazione matematica delle bande; il più noto, l’NDVI (Normalized Difference Vegetation Index), misura il vigore della vegetazione verde utilizzando la differenza tra il vicino infrarosso e la banda del rosso. La classificazione supervisionata prevede l'addestramento del modello con aree campione preetichettate e la classificazione dell'intera immagine. La classificazione non supervisionata raggruppa i dati in base alla somiglianza senza etichette e li interpreta in un secondo momento.
Il ruolo dell’intelligenza artificiale nel telerilevamento
L’intelligenza artificiale contribuisce in questo campo a tre livelli:
- Flusso di lavoro e selezione del metodo. "Quali bande, quale indice, quale classificatore sono adatti a questa domanda?" ti guida nella tua decisione; produce lo scheletro del codice.
- La classificazione stessa. I moderni modelli di deep learning ordinano milioni di pixel in classi di copertura del suolo; Questa è l’area di contributo medio-alto in cui l’IA fa il vero lavoro.
- Interpretazione e reporting dei risultati. Trascrive le statistiche della classe, l'analisi delle modifiche e il rapporto sull'accuratezza in testo leggibile.
Punto cieco: il modello dipende dai dati su cui è addestrato e dagli esempi forniti. L’ombra delle nuvole e l’acqua, il terreno nudo e il campo post-raccolto, l’acqua bassa e il terreno bagnato si mescolano facilmente. Quindi una mappa di classificazione non è vera solo perché è bella; la precisione deve essere misurata.
Suggerimento: chiarisci la tua domanda prima di iniziare a classificare. "Classificare la copertura del suolo" è vago; La "Mappatura della perdita di terreni agricoli a favore dell'edilizia tra il 2020 e il 2025" determina sia l'insieme delle classi che il criterio di verifica.
Passo dopo passo: una classificazione della copertura del suolo
- Preparare dati e nastri. Conferma la copertura nuvolosa dell'immagine, la data di scatto, la risoluzione (dimensione dei pixel) e l'ordine delle bande. Classi di cambio di data/stagione diverse.
- Definire l'insieme di classi. Quante classi, quali (acqua, foresta, agricoltura, edilizia, nuda terra)? Meno classi e più distinguibili sono più affidabili.
- Calcolare gli indici. Indici come NDVI (pianta), NDWI (acqua) distinguono le classi; diventa input per il classificatore.
- Raccogliere campioni di formazione (per i supervisionati). Poligoni campione confermati dalla verifica del terreno per ciascuna classe. La qualità del campione determina l'accuratezza.
- Classificare e verificare. Addestra il modello, quindi crea una matrice di errore con campioni indipendenti (non addestrati) e calcola l'accuratezza complessiva e il Kappa.
Verità fondamentale e matrice degli errori
L'accuratezza di una classificazione non si misura con il giudizio visivo. La realtà terrestre è rappresentata da campioni indipendenti di classe reale conosciuta sul campo o in una fonte affidabile ad alta risoluzione. Con questi esempi si stabilisce una matrice di confusione: si conta quante volte ciascuna classe è corretta e quante volte viene confusa con quale classe. Da ciò vengono calcolati l'accuratezza complessiva (la proporzione correttamente classificata) e il Kappa (una misura di accordo che corregge l'effetto del caso). Inoltre, l'accuratezza del produttore (quanto è stato catturato in quella classe) e l'accuratezza dell'utente (quanto è affidabile quella classe) vengono riportate in base alla classe.
Attenzione: non misurare l'accuratezza con gli esempi utilizzati per la formazione. Se gli stessi esempi vengono addestrati e testati, la precisione diventa artificialmente elevata; Questa è un'illusione. I campioni di validazione devono essere indipendenti.
Tre mini custodie: i numeri
Caso 1 – L’ombra delle nuvole è stata scambiata per acqua. In una classificazione, quando il modello etichettava le ombre delle nuvole come "acqua", l'area del lago cresceva dove in realtà non c'era; la precisione dell'utente della classe dell'acqua è scesa al 70%. Quando sono stati aggiunti l'indice NDWI e la maschera nuvolosa, l'interferenza ombra/acqua è diminuita e la precisione dell'acqua è aumentata fino a oltre il 90%.
Caso 2 – Rapporto recuperato tramite ground Truth. Uno studio sull'inventario agricolo ha riportato un'accuratezza complessiva dell'82% della classificazione iniziale, ma questo è stato misurato con campioni di addestramento. Quando rimisurati con 120 punti di verità indipendenti, la precisione complessiva effettiva è stata del 71%; L'agricoltura e il terreno nudo interferivano seriamente. Con ulteriori esempi di formazione, la classificazione è stata migliorata e la precisione è aumentata all'84%. Lezione: l'accuratezza è misurata da un campione indipendente.
Caso 3 – Trappola stagionale. Quando le immagini scattate in due date diverse (primavera e fine estate) venivano mescolate insieme, i campi raccolti passavano alla classe "terra nuda" e la superficie agricola sembrava mancare per il 15%. I risultati sono migliorati quando sono state selezionate immagini della stessa stagione ed è stata raggiunta la coerenza fenologica.
Prompt debole / Prompt forte
Suggerimento debole:
Classificare questa immagine satellitare.
Suggerimento potente:
Compito: costruire un flusso di lavoro di classificazione della copertura del suolo (incluso Python/rasterio + scheletro del codice scikit-learn). Contesto: - Sensore: 4 bande (blu, verde, rosso, NIR), risoluzione 10 m - Classi: acqua, foresta, agricoltura, edilizia, terreno nudo - Scopo: mappa attuale della copertura del suolo + rapporto sull'accuratezza Richieste: 1) Quali indici spettrali (NDVI, NDWI) aggiungere e perché scriverli. 2) Elenca i passaggi di classificazione supervisionati; Sottolineare che i campioni di addestramento e VALIDAZIONE dovrebbero essere SEPARATI.3) Inserire la matrice di errore + precisione complessiva + calcolo Kappa nello scheletro del codice.4) Prendere nota dei rischi di nuvole/ombra e confusione stagionale.
Il prompt forte specifica il set di classi, la risoluzione, la logica dell'indice e la distinzione di convalida; il risultato diventa misurabile.
Quattro modelli copiabili
1) Selezione metodo/indice:
Quale indice spettrale e metodo di classificazione consiglieresti per l'obiettivo [target] e il sensore [bande/risoluzione]? Per ogni scelta, scrivi la motivazione e il potenziale rischio di confusione (quali classi sono simili tra loro).
2) Schema del codice di classificazione:
Scrivi un quadro di classificazione supervisionato con Rasterio + scikit-learn: lettura del nastro, calcolo dell'indice, SEPARAZIONE dei campioni di addestramento/convalida, classificazione, matrice di errore e output di accuratezza. Mantenere il CRS; spiegare.
3) Configurazione della valutazione dell'accuratezza:
Scrivere un piano per valutare l'accuratezza della classificazione: disegno campione indipendente, matrice di errore, accuratezza complessiva, Kappa, accuratezza produttore/utente per classe. Spiega cosa dice ogni metrica.
4) Diagnosi delle interferenze:
Interpretare la matrice di errore seguente: quali classi interferiscono tra loro, qual è la possibile ragione spettrale/stagionale, quali dati aggiuntivi (indice, maschera, data) ridurrebbero la confusione? Matrice: [matrice di errori]
Confronto dei concetti di classificazione
concetto
Significato
quando
supervisionato
Formazione con esempio etichettato
Le classi sono predeterminate
Senza supervisione
Clustering senza etichetta
Scoperta, nessun esempio
NDVI
indice di vitalità della pianta
Separazione pianta/nuda/acqua
NDWI
indice idrico
separazione dei corpi idrici
Matrice degli errori
Conteggio vero/falso
misurazione della precisione
Kappa
Vestibilità corretta dal caso
Rapporto di precisione standard
Errori comuni
- Misurazione della precisione con esempi di formazione. I test non indipendenti forniscono una precisione artificialmente elevata.
- Consegnare la mappa senza mai misurarne la precisione. "Sembra carino" non è una prova di accuratezza.
- Saltare la maschera nuvola/ombra. L'ombra si mescola con l'acqua, la nuvola si mescola con la neve/struttura.
- Miscelazione di immagini di date/stagioni diverse. Le differenze fenologiche spostano le classi.
- Definire troppe classi simili. Le classi indistinguibili riducono la precisione.
- Ignorando la risoluzione. Gli oggetti piccoli non possono essere classificati se sono più piccoli di un singolo pixel.
In sintesi
Nel telerilevamento, l’intelligenza artificiale accelera il flusso di lavoro dai dati multispettrali alla mappatura della copertura del suolo e può farsi carico di gran parte della classificazione. Ma una mappa di classificazione è utile solo se ne viene misurata l’accuratezza: è standard costruire una matrice di errore con campioni di verità reali indipendenti e calcolare l’accuratezza complessiva e il Kappa. Nuvole/ombra, variazioni stagionali e classi simili sono tipiche fonti di interferenza; Gestiscili con coerenza di indice, maschera e data. Non mischiare mai campioni di training e di validazione.
Compito dell'applicazione
Seleziona una domanda sulla copertura del suolo (ad esempio "mappa dello spazio verde urbano"). Annota il set di classi, le bande e gli indici che utilizzerai (almeno NDVI). Fare in modo che l’intelligenza artificiale produca un flusso di lavoro di classificazione supervisionato; assicurarsi che i campioni di addestramento e convalida siano separati e che la matrice di errore + il calcolo Kappa siano inclusi nell'output. Quindi fai un elenco di "rischio di confusione": quali due classi sono simili e come le distingui.
lista di controllo
- [ ] Ho mantenuto la classe piccola e distinguibile.
- [ ] Ho aggiunto degli indici spettrali (NDVI/NDWI) adatti allo scopo.
- [ ] Ho separato gli esempi di formazione e quelli di convalida.
- [ ] Ho controllato la maschera nuvola/ombra e la consistenza della stagione.
- [] Ho misurato l'accuratezza con una verità terrestre indipendente.
- [ ] Ho riportato la matrice degli errori, la precisione complessiva e il Kappa.
- [] Ho diagnosticato e curato gli errori di classe.
- [ ] Ho sottoposto all'approvazione dell'ingegnere che la mappa è accurata per l'uso previsto.