Табыстар:
- Мультиспектрлі спутниктік деректер, жолақ комбинациялары және спектрлік индекстер (NDVI т.б.) AI-мен қалай қолданылатынын түсіндіру мүмкіндігі
- AI қолдауымен қадағаланатын/қадағаланбайтын жіктеуді және жер жамылғысының картасын жасау жұмыс процесін конфигурациялау мүмкіндігі
- Негізгі ақиқат пен қателік матрицасы/дәлдік критерийлерімен жіктеу нәтижесін сынау мүмкіндігі
Қашықтықтан зондтау – жер бетін физикалық байланыссыз, спутниктерде немесе аэроплатформаларда датчиктер арқылы өлшеу туралы ғылым. Спутниктік сурет іс жүзінде фотосурет емес, бірнеше толқын ұзындығында жазылған өлшем қабаттарының жиынтығы және осы қабаттарды ақылды түрде біріктіру арқылы жер жамылғысын (орман, су, ауыл шаруашылығы, құрылыс) картаға түсіруге болады. Бұл бөлімде біз жасанды интеллект мультиспектрлік деректерден бастап жер жамылғысының жіктелуіне дейін бұл жұмыс процесін қалай тездететінін және сарапшылардың пікірі қажет болған жағдайда қарастырамыз. Принцип: AI классификацияны жасайды немесе кодтайды; Картаның дәлдігі инженерде тәуелсіз жердегі ақиқат пен қателік матрицасы арқылы өлшенеді.
Негізгі терминдер. Мультиспектрлі кескін - бұл бірнеше толқын ұзындығы жолақтарында жазылған кескін (көк, жасыл, қызыл, инфрақызылға жақын және т.б.); әрбір жолақ қабат болып табылады. Гиперспектрлік әлдеқайда бай, бірақ деректерді өңдеу қиын, онда ондаған және жүздеген тар жолақтар бар. Спектрлік көрсеткіш – жолақтардың математикалық комбинациясы арқылы құбылысты ерекшелейтін сан; ең танымал NDVI (Өсімдіктердің қалыпты айырмашылығы индексі) жақын инфрақызыл және қызыл жолақ арасындағы айырмашылықты пайдалана отырып, жасыл өсімдіктердің күшін өлшейді. Бақыланатын жіктеу үлгіні алдын ала белгіленген үлгі аймақтарымен оқытуды және бүкіл кескінді жіктеуді қамтиды. Бақыланбайтын жіктеу – бұл ұқсастық негізіндегі деректерді белгілерсіз кластерлеу және оны кейінірек түсіндіру.
Қашықтан зондтаудағы AI рөлі
Жасанды интеллект осы салаға үш деңгейде үлес қосады:
- Жұмыс барысы және әдісті таңдау. «Бұл сұраққа қандай жолақтар, қандай индекс, қандай классификатор қолайлы?» шешім қабылдауға көмектеседі; код қаңқасын жасайды.
- Классификацияның өзі. Терең оқытудың заманауи үлгілері миллиондаған пикселдерді жерді жабу сыныптарына сұрыптайды; Бұл AI нақты жұмыс жасайтын орташа және жоғары үлес аймағы.
- Нәтижені түсіндіру және есеп беру. Ол сынып статистикасын, өзгерістер талдауын және дәлдік есебін оқылатын мәтінге транскрипциялайды.
Соқыр нүкте: модель оқытылған деректерге және сіз берген мысалдарға байланысты. Бұлт көлеңкесі мен су, жалаңаш топырақ пен егін орғаннан кейінгі егістік, таяз су мен ылғалды жер оңай араласады. Сондықтан классификациялық карта әдемі көрінгендіктен ғана дұрыс емес; дәлдігін өлшеу керек.
Кеңес: Жіктеуді бастамас бұрын сұрағыңызды нақтылаңыз. «Жер жамылғысын жіктеу» анық емес; «2020-2025 жылдар аралығында құрылыс пайдасына ауыл шаруашылығы мақсатындағы жерлерді жоғалту картасы» сыныпты да, тексеру критерийін де анықтайды.
Қадам бойынша: Жер жамылғысының жіктелуі
- Деректер мен таспаларды дайындаңыз. Кескіннің бұлт жамылғысын, түсіру күнін, ажыратымдылығын (пиксель өлшемі) және жолақ ретін растаңыз. Әр түрлі күн/маусым сыныптарды өзгертеді.
- Класс жиынтығын анықтаңыз. Неше сынып, қайсысы (су, орман, егіншілік, құрылыс, жалаңаш жер)? Азырақ және ерекшеленетін сыныптар сенімдірек.
- Көрсеткіштерді есептеңіз. NDVI (өсімдік), NDWI (су) сияқты индекстер класстарды ажыратады; классификаторға кіріс болады.
- Жаттығу үлгілерін жинаңыз (қадағаланатындар үшін). Әр сынып үшін жер бедерін тексеру арқылы расталған үлгі полигондар. Үлгі сапасы дәлдікті анықтайды.
- Жіктеу және тексеру. Модельді жаттықтырыңыз, содан кейін тәуелсіз (оқылмаған) үлгілермен қате матрицасын жасаңыз және жалпы дәлдікті және Kappaны есептеңіз.
Негізгі ақиқат және қателік матрицасы
Классификацияның дәлдігі көзбен бағалаумен өлшенбейді. Негізгі шындық өрістегі немесе сенімді жоғары ажыратымдылықтағы көздегі белгілі ақиқат класстың тәуелсіз үлгілері болып табылады. Осы мысалдар арқылы шатастыру матрицасы құрылады: әр сынып қанша рет дұрыс және қай сыныппен қанша рет шатастырылғаны есептеледі. Бұдан жалпы дәлдік (дұрыс жіктелген пропорция) және Каппа (кездейсоқ әсерді түзететін келісім өлшемі) есептеледі. Бұған қоса, өндірушінің дәлдігі (бұл сыныпта қанша ұсталды) және пайдаланушы дәлдігі (бұл сынып қаншалықты сенімді) сынып негізінде хабарланады.
Абайлаңыз: жаттығу үшін пайдаланатын мысалдармен дәлдікті өлшемеңіз. Егер бірдей мысалдар жаттығып, сынақтан өтсе, дәлдік жасанды түрде жоғарылайды; Бұл иллюзия. Валидация үлгілері тәуелсіз болуы керек.
Үш шағын корпус: сандар бойынша
1-жағдай - Бұлт көлеңкесі сумен қателесті. Бір классификацияда, модель бұлт көлеңкелерін «су» деп белгілегенде, көл аумағы шын мәнінде болмаған жерде өсті; су класының пайдаланушы дәлдігі 70%-ға дейін төмендеді. NDWI индексі мен бұлт маскасы қосылғанда, көлеңке/су кедергісі азайып, су дәлдігі 90%-дан жоғары көтерілді.
2-жағдай – Негізгі шындық арқылы қалпына келтірілген есеп. Ауылшаруашылық инвентаризациясын зерттеу бастапқы жіктеудің 82% жалпы дәлдігін хабарлады, бірақ бұл оқу үлгілерімен өлшенді. 120 тәуелсіз жердегі ақиқат нүктелерімен қайта өлшегенде, нақты жалпы дәлдік 71% құрады; Ауыл шаруашылығы мен жалаңаш жерлер қатты араласты. Қосымша оқыту мысалдары арқылы жіктеу жақсарып, дәлдік 84%-ға дейін өсті. Сабақ: дәлдік тәуелсіз таңдау арқылы өлшенеді.
3-жағдай — Маусымдық тұзақ. Екі түрлі күнде түсірілген суреттерді (көктем мен жаздың аяғында) бірге араластырғанда, орылған егістіктер «таң топырақ» класына ауысты және ауылшаруашылық аймағы 15% жетіспейтін болып көрінді. Суреттер бір маусымнан таңдалғанда және фенологиялық консистенцияға қол жеткізілгенде нәтижелер жақсарды.
Әлсіз шақыру / Күшті шақыру
Әлсіз шақыру:
Осы спутниктік суретті жіктеңіз.
Күшті шақыру:
Тапсырма: жер жамылғысын жіктеу жұмыс процесін құру (соның ішінде Python/rasterio + scikit-learn код қаңқасы). Мәтінмән:- Датчик: 4 жолақ (көк, жасыл, қызыл, NIR), 10 м ажыратымдылық- Сыныптар: су, орман, ауылшаруашылық, құрылыс, жалаңаш жер- Мақсаты: ағымдағы жер жамылғысы картасы: Қайсысына сәйкес (NDVI, NDWI) қосу және не үшін жазу.2) Бақыланатын жіктеу қадамдарын тізімдеңіз; Жаттығу және ВАЛИДАЦИЯ үлгілері БӨЛЕК болуы керек екенін атап өтіңіз.3) Қате матрицасын + жалпы дәлдік + Kappa есебін код қаңқасына қойыңыз.4) Бұлт/көлеңке және маусымдық шатасу қаупін ескеріңіз.
Күшті шақыру сынып жиынын, ажыратымдылықты, индекс негіздемесін және тексеру айырмашылығын көрсетеді; шығысы өлшенетін болады.
Көшірілетін төрт үлгі
1) Әдіс/индекс таңдау:
Объект [мақсат] және сенсор [жолақтар/разряд] үшін қандай спектрлік индекс пен жіктеу әдісін ұсынар едіңіз? Әрбір таңдау үшін шатастырудың негіздемесі мен ықтимал қаупін жазыңыз (қай сыныптар бір-біріне ұқсас).
2) Қаңқаның жіктелу коды:
Rasterio + scikit-learn көмегімен қадағаланатын классификация құрылымын жазыңыз: таспаны оқу, индексті есептеу, оқыту/тексеру үлгілерін БӨЛУ, жіктеу, қателік матрицасы және дәлдік шығысы. CRS сақтау; түсіндіру.
3) Дәлдік бағалауды орнату:
Жіктеу дәлдігін бағалау жоспарын жазыңыз: тәуелсіз негіздік ақиқат үлгісінің дизайны, қателік матрицасы, жалпы дәлдік, Kappa, класс бойынша өндіруші/пайдаланушы дәлдігі. Әрбір көрсеткіш не айтатынын түсіндіріңіз.
4) Интерференция диагностикасы:
Төмендегі қателік матрицаны түсіндіріңіз: қандай сыныптар бір-біріне кедергі жасайды, мүмкін болатын спектрлік/маусымдық себеп қандай, қандай қосымша деректер (индекс, маска, күн) шатасуды азайтады? Матрица: [қате матрицасы]
Классификация ұғымдарын салыстыру
тұжырымдамасы
Мағынасы
қашан
бақыланады
Белгіленген мысалмен жаттығу
Сабақтар алдын ала белгіленген
Бақыланбайтын
Белгісіз кластерлеу
Ашу, мысалдар жоқ
NDVI
өсімдіктердің өміршеңдігінің көрсеткіші
Өсімдік/жалаң/суды бөлу
NDWI
су индексі
су денесінің бөлінуі
Қате матрицасы
Ақиқат/жалған санау
дәлдікті өлшеу
каппа
Мүмкіндік бойынша түзетілген сәйкестік
Стандартты дәлдік есебі
Жалпы қателер
- Жаттығу мысалдары арқылы дәлдікті өлшеу. Тәуелсіз емес тестілеу жасанды түрде жоғары дәлдік береді.
- Ешқашан дәлдікті өлшеусіз картаны беру. «Әдемі көрінеді» дәлдіктің дәлелі емес.
- Бұлтты/көлеңке маскасын өткізіп жіберу. Көлеңке сумен араласады, бұлт қармен/құрылыммен араласады.
- Әр түрлі маусым/күн суреттерін араластыру. Фенологиялық айырмашылықтар сыныптардың ауысуы.
- Тым көп және ұқсас сыныптарды анықтау. Айылмаған сыныптар дәлдікті төмендетеді.
- Ажыратымдылықты елемеу. Кішкентай нысандар бір пиксельден кіші болса, оларды жіктеуге болмайды.
Қысқаша
Қашықтан зондтауда AI мультиспектрлі деректерден жер жамылғысының картасын жасауға дейінгі жұмыс процесін жылдамдатады және классификацияның көп бөлігін қабылдай алады. Бірақ классификациялық карта оның дәлдігі өлшенген жағдайда ғана пайдалы: ол тәуелсіз жердегі шындық үлгілерімен қате матрицасын құру және жалпы дәлдік пен Каппаны есептеу үшін стандартты болып табылады. Бұлт/көлеңке, маусымдық вариация және ұқсас класстар кедергілердің типтік көздері болып табылады; Оларды индекс, маска және күн сәйкестігімен басқарыңыз. Жаттығу мен тексеру үлгілерін ешқашан араластырмаңыз.
Қолданбалы тапсырма
Жер жамылғысы туралы сұрақты таңдаңыз (мысалы, «қалалық жасыл кеңістік картасы»). Класс жинағын, қолданатын жолақтар мен индекстерді (кем дегенде NDVI) жазып алыңыз. Жасанды интеллект бақыланатын жіктеу жұмыс процесін жасауы керек; оқыту және валидация үлгілерінің бөлек екеніне және қате матрицасы + Kappa есебі шығысқа қосылғанына көз жеткізіңіз. Содан кейін «шатасу қаупі» тізімін жасаңыз: қай екі сынып ұқсас және оларды қалай ажыратасыз.
бақылау парағы
- [ ] Мен сыныпты шағын және ерекшеленетін етіп ұстадым.
- [ ] Мен мақсатқа сәйкес спектрлік индекстерді (NDVI/NDWI) қостым.
- [ ] Мен оқыту және тексеру мысалдарын бөлдім.
- [ ] Мен бұлт/көлеңке маскасы мен маусымның сәйкестігін тексердім.
- [ ] Мен дәлдікті тәуелсіз негізгі шындықпен өлшедім.
- [ ] Қате матрицасы, жалпы дәлдік және Kappa туралы хабарладым.
- [ ] Мен сыныптың араласуын диагностикаладым және емдедім.
- [ ] Мен оны инженерлік мақұлдауға тапсырдым, бұл карта мақсатына сай дәл.