利益:
- マルチスペクトル衛星データ、バンドの組み合わせ、スペクトルインデックス（NDVIなど）がAIでどのように使用されるかを説明できる能力
- AI サポートによる教師あり/教師なし分類および土地被覆マッピングのワークフローを構成する機能
- グラウンド トゥルースおよびエラー マトリックス/精度基準を使用して分類出力をテストする機能
リモート センシングは、人工衛星や航空プラットフォームに搭載されたセンサーを使用して、物理的接触を行わずに地表を測定する科学です。衛星画像は実際には写真ではなく、複数の波長で記録された測定値のレイヤーの集合であり、これらのレイヤーをインテリジェントに組み合わせることで、土地被覆 (森林、水、農業、建設) をマッピングできます。この単元では、マルチスペクトル データから土地被覆分類に至るこのワークフローを人工知能がどのように加速するか、また専門家の判断が不可欠な場合について説明します。原則: AI が分類を生成またはコード化します。マップの精度は、エンジニアが独立したグラウンド トゥルースとエラー マトリックスによって測定します。
基本用語。マルチスペクトル画像とは、複数の波長帯域 (青、緑、赤、近赤外など) で記録された画像です。各バンドはレイヤーです。ハイパースペクトルははるかに豊富ですが、数十から数百の狭い帯域を含むデータの処理が困難です。スペクトル指数は、バンドの数学的組み合わせを通じて現象を強調する数値です。最もよく知られている NDVI (正規化植生差分指数) は、近赤外線と赤色バンドの差を使用して緑の植生の活力を測定します。教師付き分類には、事前にラベル付けされたサンプル領域を使用してモデルをトレーニングし、画像全体を分類することが含まれます。教師なし分類では、ラベルを付けずに類似性に基づいてデータをクラスター化し、後でそれを解釈します。
リモートセンシングにおけるAIの役割
人工知能は、次の 3 つのレベルでこの分野に貢献しています。
- ワークフローとメソッドの選択。 「この質問にはどのバンド、どのインデックス、どの分類器が適していますか?」あなたの決断を導きます。コードのスケルトンを生成します。
- 分類そのもの。最新の深層学習モデルは、数百万のピクセルを土地被覆クラスに分類します。これは、AI が実際の作業を行う中程度から高程度の貢献度の領域です。
- 結果の解釈とレポート。クラス統計、変更分析、精度レポートを読みやすいテキストに変換します。
盲点: モデルは、トレーニングの対象となるデータと提供されるサンプルに依存します。雲の影と水、裸の土と収穫後の畑、浅い水と湿った地面は簡単に混ざります。したがって、分類マップは、見た目が良いというだけでは真実ではありません。精度を測定する必要があります。
ヒント: 分類を始める前に質問を明確にしてください。 「土地被覆の分類」は曖昧です。 「2020 年から 2025 年までの建設を優先して農地が失われることをマップする」は、クラス設定と検証基準の両方を決定します。
ステップバイステップ: 土地被覆分類
- データとテープを準備します。画像の雲量、撮影日、解像度（ピクセルサイズ）、バンド順を確認します。日付・季節によりクラスが変わります。
- クラスセットを定義します。クラスはいくつありますか? (水道、森林、農業、建設、裸地)。識別可能なクラスが少なくなるほど、信頼性が高くなります。
- 指数を計算します。 NDVI (植物)、NDWI (水) などの指数によってクラスが区別されます。は分類器への入力になります。
- トレーニング サンプルを収集します (教師付き)。各クラスの地形検証によって確認されたサンプル ポリゴン。サンプルの品質が精度を決定します。
- 分類して検証します。モデルをトレーニングし、独立した (トレーニングされていない) サンプルを使用して誤差行列を構築し、全体の精度とカッパを計算します。
グラウンド トゥルースとエラー マトリックス
分類の正確さは目視判断では測れません。グラウンド トゥルースは、現場または信頼できる高解像度ソース内の既知の真のクラスの独立したサンプルです。これらの例を使用すると、混同行列が確立されます。各クラスが何回正しいか、どのクラスと何回混同されるかがカウントされます。これから、全体的な精度 (正しく分類された割合) とカッパ (偶然の影響を補正する一致度の尺度) が計算されます。さらに、プロデューサーの精度 (そのクラスでどれだけキャッチされたか) とユーザーの精度 (そのクラスの信頼性) がクラスごとにレポートされます。
注意: トレーニングに使用するサンプルで精度を測定しないでください。同じサンプルをトレーニングしてテストすると、精度が人為的に高くなります。これは幻想です。検証サンプルは独立している必要があります。
3 つのミニケース: 数字で見る
ケース 1 — 雲の影を水と間違えました。ある分類では、モデルが雲の影を「水」とラベル付けした場合、湖の面積は実際には存在しない場所に成長しました。ユーザーによる水クラスの精度は 70% に低下しました。 NDWI インデックスと雲マスクを追加すると、影と水の干渉が減少し、水の精度が 90% 以上に向上しました。
ケース 2 — グラウンド トゥルースによって回収されたレポート。農業目録調査では、初期分類の全体的な精度が 82% であると報告されていますが、これはトレーニング サンプルを使用して測定されたものです。 120 個の独立したグラウンド トゥルース ポイントを使用して再測定したところ、実際の全体的な精度は 71% でした。農業と裸地は深刻な妨害を受けていました。追加のトレーニング例により、分類が改善され、精度が 84% に向上しました。教訓: 精度は独立したサンプルによって測定されます。
ケース 3 — 季節性の罠。 2 つの異なる日付 (春と夏の終わり) に撮影された画像を混合すると、収穫された畑は「裸地」クラスに移行し、農業地域が 15% 欠けているように見えました。同じ季節から画像が選択され、季節学的一貫性が達成されると、結果が向上しました。
弱いプロンプト / 強いプロンプト
弱いプロンプト:
この衛星画像を分類します。
強力なプロンプト:
タスク: 土地被覆分類ワークフローを構築します (Python/rasterio + scikit-learn コード スケルトンを含む)。コンテキスト:- センサー: 4 バンド (青、緑、赤、NIR)、解像度 10 m-クラス: 水、森林、農業、建設、裸地- 目的: 現在の土地被覆マップ + 精度レポートリクエスト:1) どのスペクトル指数 (NDVI、NDWI) を追加するか、およびその理由を書き込みます。2) 教師付き分類ステップをリストします。トレーニング サンプルと検証サンプルは分離する必要があることを強調します。3) エラー マトリックス + 全体の精度 + カッパ計算をコード スケルトンに配置します。4) 雲/影と季節の混乱のリスクに注意してください。
強力なプロンプトでは、クラス セット、解決策、インデックスの根拠、および検証の区別を指定します。出力が測定可能になります。
4 つのコピー可能なテンプレート
1) メソッド/インデックスの選択:
対物レンズ [ターゲット] とセンサー [帯域/解像度] に対してどのようなスペクトルインデックスと分類方法を推奨しますか?それぞれの選択について、理論的根拠と混乱の潜在的なリスク (どのクラスが互いに似ているか) を書きます。
2) 分類コードのスケルトン:
Rasterio + scikit-learn を使用して教師あり分類フレームワークを作成します。テープ読み取り、インデックス計算、トレーニング/検証サンプルの分離、分類、誤差行列、精度出力。 CRSを維持する。説明する。
3) 精度評価のセットアップ:
分類精度を評価するための計画を作成します: 独立したグラウンドトゥルース サンプル設計、誤差行列、全体の精度、カッパ、クラス別のプロデューサー/ユーザーの精度。各指標が何を意味するのかを説明します。
4) 干渉診断:
以下のエラー マトリックスを解釈してください: どのクラスが相互に干渉しているのか、考えられるスペクトル/季節的理由は何なのか、どのような追加データ (インデックス、マスク、日付) が混乱を軽減するでしょうか?行列: [誤差行列]
分類概念の比較
コンセプト
意味
いつ
監督された
ラベル付きの例を使用したトレーニング
クラスはあらかじめ決められている
監視なし
ラベルフリーのクラスタリング
発見、例なし
NDVI
植物活力指数
植物/裸地/水の分離
NDWI
水指数
水域の分離
誤差マトリックス
真偽カウント
精度測定
カッパ
確率補正された適合
標準精度レポート
よくある間違い
- トレーニング例を使用して精度を測定します。非独立のテストにより、人為的に高い精度が得られます。
- 精度を測定せずに地図を渡す。 「見た目が良い」ということは正確さの証拠ではありません。
- 雲/影マスクをスキップします。影は水と混ざり、雲は雪/構造物と混ざります。
- 異なる季節・日付の画像をミックス。季節学的差異は階級を変える。
- 類似したクラスの定義が多すぎます。区別できないクラスは精度を低下させます。
- 解像度無視。小さなオブジェクトは、1 ピクセルより小さい場合は分類できません。
要約すれば
リモート センシングでは、AI がマルチスペクトル データから土地被覆マッピングまでのワークフローを高速化し、分類の大部分を引き継ぐことができます。ただし、分類マップは、その精度が測定される場合にのみ役立ちます。独立したグラウンド トゥルース サンプルを使用して誤差行列を構築し、全体の精度とカッパを計算するのが標準です。雲/影、季節変動、および同様のクラスが典型的な干渉源です。インデックス、マスク、日付の一貫性を保って管理します。トレーニングサンプルと検証サンプルを決して混合しないでください。
アプリケーションタスク
土地被覆の質問を選択します (例: 「都市緑地地図」)。使用するクラス セット、バンド、インデックス (少なくとも NDVI) を書き留めます。 AI に教師付き分類ワークフローを生成させます。トレーニング サンプルと検証サンプルが分離されていること、および誤差行列 + カッパ計算が出力に含まれていることを確認してください。次に、どの 2 つのクラスが似ているか、およびそれらをどのように区別するかという「混乱のリスク」リストを作成します。
チェックリスト
- [ ] クラスセットを小さくして区別できるようにしました。
- [ ] 目的に応じた分光指数（NDVI/NDWI）を追加しました。
- [ ] トレーニング例と検証例を分けました。
- [ ] 雲/影マスクと季節の一貫性を確認しました。
- [ ] 独立したグラウンドトゥルースを使用して精度を測定しました。
- [ ] 誤差行列、全体の精度、およびカッパを報告しました。
- [ ] 私はクラスの取り違えを診断し、治しました。
- [ ] マップが意図された用途に対して正確であるというエンジニアの承認を得ました。