Guadagni:
- Comprendere la logica del rilevamento supportato dall’intelligenza artificiale dell’espansione urbana, dell’edilizia e del cambiamento della copertura del suolo attraverso il telerilevamento e le immagini satellitari.
- Capacità di valutare criticamente la classificazione delle immagini e modificare gli output di rilevamento con precisione, risoluzione e informazioni sulla data
- Capacità di comprendere che i confini che l'intelligenza artificiale estrae dall'immagine devono essere confermati da documenti ufficiali e sul campo e non possono costituire prova legale.
Impossibile scendere in campo uno per uno per vedere dove, quanto e quanto velocemente è cresciuta una città nell’ultimo decennio. Invece, i pianificatori utilizzano il telerilevamento (immaginando la Terra utilizzando satelliti e aerei ed estraendo dati). Confrontando immagini satellitari di date diverse, è possibile rilevare nuove costruzioni, terreni agricoli perduti, espansione delle costruzioni abusive o riduzione degli spazi verdi. L’intelligenza artificiale è un potente acceleratore nel classificare queste immagini (etichettando ciascun pixel come “struttura”, “pianta”, “acqua”, ecc.) e nel rilevare i cambiamenti tra due date. Ma l'analisi delle immagini è piena di risoluzione, data, ombra, nuvola ed errore di classificazione. Un “cambiamento” che l’IA segnala potrebbe essere un’ombra, una differenza stagionale o un errore. Pertanto, nessuna conclusione tratta dall'immagine può essere utilizzata come base per un'azione legale senza essere confermata da documenti ufficiali e sul campo.
Concetti base del telerilevamento
Risoluzione: l'area occupata da un pixel sul terreno. Alla risoluzione di 10 metri, un pixel rappresenta 10x10 metri; Non è visibile un piccolo annesso. L'alta risoluzione (ad esempio 0,3-1 metro) significa più dettagli ma dati più costosi e meno frequenti.
Banda spettrale: i satelliti registrano anche la luce che l'occhio non può vedere (come gli infrarossi). La vegetazione si illumina all'infrarosso; questo facilita la separazione della pianta dalla struttura. Indici come l’NDVI (un semplice calcolatore che misura il vigore delle piante) sono comuni nel monitoraggio dei greenfield.
Data e stagione: Se due immagini appartengono a stagioni diverse, la diminuzione del verde potrebbe non essere una "perdita" ma l'arrivo dell'inverno. L'armonia della data e della stagione è essenziale in confronto.
Accuratezza: il valore che misura quanto è accurata la classificazione. "Precisione dell'85%" significa che un pixel su sei potrebbe essere etichettato erroneamente; Si tratta di un margine di errore significativo per un processo di audit.
Attenzione: una struttura rilevata dall'intelligenza artificiale da un'immagine satellitare non è, di per sé, prova di una struttura illegale. L'ombra, la risoluzione, la data e l'errore di classificazione producono falsi positivi. L'ispezione e l'applicazione richiedono sempre il controllo del sito, la registrazione dell'atto di proprietà/della licenza e la misurazione ufficiale.
Il valore più grande che i dati satellitari gratuiti e aperti (fonti come i programmi Sentinel in Europa e Landsat negli Stati Uniti) apportano alla pianificazione è la serie temporale storica: si ha accesso a dozzine di immagini della stessa area che abbracciano anni. Ciò ti consente di andare oltre un singolo confronto "prima/dopo" e vedere il tasso di espansione, la fluttuazione stagionale e la tendenza di un quartiere. L’intelligenza artificiale è utile per riassumere queste lunghe serie e separare modelli significativi di cambiamento dal rumore. Ma la stessa regola vale anche per le serie temporali: non importa quanto chiara sia la tendenza, è la risoluzione delle immagini, il tasso di nuvolosità e la stagionalità a determinare il risultato; Nessun trend può essere considerato attendibile senza riportare questi tre fattori.
Logica di rilevamento del cambiamento
Esistono diversi modi per confrontare due immagini datate: classificare entrambe le date e confrontare le classi, ottenere la differenza di indice (ad esempio la differenza NDVI) o produrre direttamente una mappa "modificata/non modificata" con il modello AI. Il risultato è una mappa del cambiamento: dov’è la nuova struttura, dov’è l’impianto perduto. Questa mappa ha un valore inestimabile come screening preliminare: dice al pianificatore di "guardare là". Ma ogni segno viene verificato separatamente se si tratta di un cambiamento reale o di un errore.
Passo dopo passo: analisi del cambiamento basata sull'intelligenza artificiale
- Definire la domanda. “Dov’è la nuova costruzione [nell’area] tra il 2018 e il 2024?”
- Seleziona l'immagine. Stagione simile, risoluzione accettabile, nuvole basse.
- Preelaborazione. Portalo allo stesso CRS, allinea, applica la maschera nuvola/ombra.
- Classificare/confrontare. Genera classe o cambia mappa con l'intelligenza artificiale.
- Valutare l'accuratezza. Misurare la precisione con punti di riferimento noti.
- Campo e conferma della registrazione. Controllare le modifiche contrassegnate con l'atto di proprietà/licenza e il sito, se necessario.
- Limiti del rapporto. Scrivere chiaramente la data, la risoluzione, la precisione e il margine di errore.
Prompt debole / Prompt forte
Suggerimento debole: "Dimmi cosa è cambiato da queste due immagini."
L’intelligenza artificiale produce un elenco gradevole ma incertamente accurato; Potresti pensare che la differenza di ombra e stagione sia un vero cambiamento.
Suggerimento forte: "Sto confrontando i dati classificati sulla copertura del suolo da due date (luglio 2018/luglio 2024, stessa stagione, risoluzione 10 m). Quando si riporta l'analisi delle modifiche, indicare chiaramente: quali modifiche potrebbero essere falsi positivi a causa di ombra/stagione/risoluzione, quali determinazioni richiedono la verifica sul campo e come dovrebbe essere misurata la precisione. Non essere definitivo; annotare ogni risultato con "conferma sul campo richiesta"."
Il secondo prompt obbliga l’IA a comunicare chiaramente incertezza e fonti di errore.
Quattro modelli copiabili
Attività: valutare criticamente il seguente output di rilevamento delle modifiche. Elenca le possibili fonti di ERRORE per ogni rilevamento: ombra, nuvola, stagione, risoluzione, errore di classificazione. Aggiungere la nota "Conferma del campo richiesta". Non dare giudizi definitivi. Risultanze/data/delibera: [...]
Compito: scrivere una lista di controllo dei criteri di selezione delle immagini per un'analisi del cambiamento urbano: stagionalità, risoluzione, tasso di nuvolosità, intervallo di date, CRS. Crea domande per chiedere se le immagini che ho soddisfano questi criteri. Informazioni sull'immagine: [...]
Compito: REDIGERE un rapporto dai seguenti risultati dell'analisi del cambiamento. Indicare chiaramente la risoluzione, la data, l'accuratezza e il margine di errore in ciascun risultato. Inquadrare i risultati come “pre-screening”; Sottolineare che per l'ispezione/sanzione è richiesta la conferma del campo e dei dati ufficiali. Risultati: [...]
Compito: suggerire un modo semplice per valutare l'accuratezza della classificazione: quanti punti di riferimento, come scegliere, come calcolare l'accuratezza (spiegazione semplice). Quale affermazione di verità dovrebbe essere scritta nel rapporto, esempio.Contesto: [...]
Una tabella: tipo di dati e utilizzo
Dati
risoluzione
punto forte
limite
satellite a media risoluzione
10-30 metri
Zona libera, frequente, ampia
Manca la piccola struttura
satellitare ad alta risoluzione
0,3-1 m
Rilevamento dettagliato della struttura
Rischio cloud costoso, scarso
Foto aerea/ortofoto
0,1-0,3 m
Molto dettagliato, formale
La frequenza di aggiornamento è bassa
UAV (drone)
livello cm
Immediato, molto dettagliato
Piccolo spazio, permesso/legislazione
tre mini custodie
Caso 1 – Illusione dell’ombra. Un comune vede i segnali "nuova costruzione" in un quartiere sulla mappa di modifica dell'AI. La squadra sul campo va; La maggior parte dei segnali sono lunghe ombre nell'immagine pomeridiana. Il numero effettivo di nuove costruzioni è la metà dei segni. L’intelligenza artificiale aveva effettuato un pre-screening, ma se utilizzata senza conferma avrebbe prodotto verbali falsi.
Caso 2 – Fuga da una piccola struttura. Un pianificatore cerca di tracciare piccoli magazzini in un campo agricolo con un satellite libero con una risoluzione di 10 metri. Dato che i magazzini misurano 6x8 metri, rimangono sotto un pixel e non sono visibili. Il pianificatore passa all'ortofoto ad alta risoluzione per il tracciamento vero e proprio. La risoluzione determina ciò che può essere visto.
Caso 3 – Rapporto trasparente. Un team analizza l'espansione di una regione in 6 anni e scrive chiaramente nel rapporto che "i rilevamenti sono una scansione preliminare con una precisione dell'82%; 47 punti attendono la conferma sul campo; le date delle immagini e la risoluzione sono allegate." Il parlamento valuta il risultato con il giusto peso. Segnalare l’incertezza invece di nasconderla rende l’analisi affidabile.
Errori comuni
- Confondere il rilevamento con una prova. L'immagine è pre-scansionata; Richiede sanzioni e registrazione ufficiale.
- Mancata corrispondenza stagione/data. Diverse immagini stagionali producono false variazioni.
- Ignorando la risoluzione. Le piccole strutture non sono visibili a bassa risoluzione; Non è "nessuno".
- Mancata accuratezza del rapporto. Nascondere il margine di errore porta a decisioni sbagliate.
- Dimenticando ombra e nuvola. Le due fonti più comuni di falsi positivi.
- Mancata corrispondenza del CRS. Le immagini non allineate cambiano nel posto sbagliato.
In sintesi
Le immagini satellitari e aeree sono il modo più efficace per osservare il cambiamento urbano su vasta scala e velocità; L'intelligenza artificiale accelera la classificazione e il rilevamento delle modifiche. Ma la risoluzione determina ciò che può essere visto, la stagione e la data determinano ciò che è reale, l’ombra e la nuvola determinano ciò che è un falso positivo. La precisione dovrebbe essere sempre misurata e riportata. Ancora più importante: il rilevamento dall'immagine è una pre-scansione; Il controllo sul campo, la registrazione dell'atto di proprietà/licenza e la misurazione ufficiale sono essenziali per l'ispezione e la sanzione. L’intelligenza artificiale accelera la visione, non il processo decisionale.
Compito dell'applicazione
Considera una coppia di immagini (o scenari) con due date diverse. (1) Controlla i criteri di selezione delle immagini con il secondo modello: stagione, risoluzione, la nuvola si adatta? (2) Presupporre un elenco di rilevamenti di modifiche ed estrarre possibili fonti di errore per ciascun rilevamento con il modello iniziale. (3) Produrre una bozza di rapporto con il terzo modello e aggiungere precisione e margine di errore. (4) Annotare quali determinazioni richiederanno la conferma sul campo e come lo si farà.
lista di controllo
- [ ] Ho controllato la compatibilità della stagione, della data e della risoluzione delle immagini.
- [ ] Ho allineato le immagini allo stesso CRS; Ho preso in considerazione la maschera nuvola/ombra.
- [ ] Ho trattato i rilevamenti di modifiche come uno screening preliminare, non come una prova.
- [ ] Ho valutato e riportato l'accuratezza della classificazione.
- Ho confermato le modifiche contrassegnate [ ] con i registri di campo e ufficiali.
- [ ] Ho notato cosa potrebbe mancare al limite di risoluzione.
- [ ] Ho scritto chiaramente nel report la data, la risoluzione e il margine di errore.