ಭೂವೈಜ್ಞಾನಿಕ ಮ್ಯಾಪಿಂಗ್, ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ಮತ್ತು ಇಮೇಜ್ ಅನಾಲಿಸಿಸ್

ಲಾಭಗಳು:

• ಉಪಗ್ರಹ ಮತ್ತು ವೈಮಾನಿಕ ಚಿತ್ರಗಳಲ್ಲಿ AI ಯೊಂದಿಗೆ ಶಿಲಾಶಾಸ್ತ್ರ, ದೋಷ ಮತ್ತು ಮಾರ್ಪಾಡು ಮ್ಯಾಪಿಂಗ್ ಅನ್ನು ಹೇಗೆ ಮಾಡಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸುವ ಸಾಮರ್ಥ್ಯ.
• ಮಲ್ಟಿಸ್ಪೆಕ್ಟ್ರಲ್/ಹೈಪರ್ಸ್ಪೆಕ್ಟ್ರಲ್ ಡೇಟಾದಿಂದ ಖನಿಜ ಮತ್ತು ರಚನೆ ಗುರುತುಗಳನ್ನು ಹೊರತೆಗೆಯುವ ಕೆಲಸದ ಹರಿವನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವ ಸಾಮರ್ಥ್ಯ
• ನೆಲದ ಸತ್ಯ ಮತ್ತು ಭೂವೈಜ್ಞಾನಿಕ ಸಂದರ್ಭದೊಂದಿಗೆ ದೂರಸಂವೇದಿ ಉತ್ಪನ್ನಗಳನ್ನು ಪರೀಕ್ಷಿಸುವ ಸಾಮರ್ಥ್ಯ

ಭೂವೈಜ್ಞಾನಿಕ ನಕ್ಷೆಯು ಮೇಲ್ಮೈಯಲ್ಲಿ ಪ್ರದೇಶದ ಭೂಗತ ಕಥೆಯ ಪ್ರಕ್ಷೇಪಣವಾಗಿದೆ: ಯಾವ ಶಿಲಾ ಘಟಕವು ಎಲ್ಲಿ, ಎಲ್ಲಿ ದೋಷಗಳು ಹಾದುಹೋಗುತ್ತವೆ, ಯಾವ ದಿಕ್ಕಿನಲ್ಲಿ ಪದರಗಳು ಇಳಿಜಾರಾಗಿವೆ. ಶಾಸ್ತ್ರೀಯವಾಗಿ, ಈ ನಕ್ಷೆಯು ಭೂವಿಜ್ಞಾನಿಗಳು ತಿಂಗಳ ಕ್ಷೇತ್ರಕಾರ್ಯದೊಂದಿಗೆ ಹೊರವಲಯದಿಂದ ಹೊರಭಾಗಕ್ಕೆ ಪ್ರಯಾಣಿಸುವ ಮೂಲಕ ಉತ್ಪಾದಿಸುವ ಉತ್ಪನ್ನವಾಗಿದೆ. ಇಂದು, ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಈ ಪ್ರಕ್ರಿಯೆಯ ಹೆಚ್ಚಿನ ವೇಗವನ್ನು ನೀಡುತ್ತದೆ. ಈ ಘಟಕದಲ್ಲಿ, ಉಪಗ್ರಹ / ವೈಮಾನಿಕ ಚಿತ್ರಗಳಿಂದ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ಶಿಲಾಶಾಸ್ತ್ರ, ದೋಷ ಮತ್ತು ಬದಲಾವಣೆ (ಜಲಶಾಖದ ನೀರಿನೊಂದಿಗೆ ಬಂಡೆಯ ರಾಸಾಯನಿಕ ಬದಲಾವಣೆ; ಖನಿಜ ಪರಿಶೋಧನೆಯಲ್ಲಿ ನಿರ್ಣಾಯಕ ಸೂಚಕ) ಮ್ಯಾಪಿಂಗ್ ಅನ್ನು ಹೇಗೆ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಮುಖ್ಯವಾಗಿ, ಭೂಮಿಯ ವಾಸ್ತವತೆಯೊಂದಿಗೆ ಈ ಉತ್ಪನ್ನಗಳನ್ನು ಹೇಗೆ ಪರೀಕ್ಷಿಸಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ನಾವು ನೋಡುತ್ತೇವೆ.

ಆರಂಭದಿಂದಲೂ ಒಂದು ಎಚ್ಚರಿಕೆ: ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ಚಿತ್ರವು ಒಂದು ಅಳತೆಯಾಗಿದೆ, ಒಂದು ವ್ಯಾಖ್ಯಾನವಲ್ಲ; ಆದರೆ ಆ ಮಾಪನದಿಂದ ಪಡೆದ ಪ್ರತಿಯೊಂದು ನಕ್ಷೆಯು ಒಂದು ವ್ಯಾಖ್ಯಾನವಾಗಿದೆ ಮತ್ತು ವ್ಯಾಖ್ಯಾನದಲ್ಲಿ ದೋಷವಿದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಗುರುತಿಸಲಾದ "ಬದಲಾವಣೆ ವಲಯ" ನಿಜವಾದ ಖನಿಜ ಸೂಚಕ, ಒಣಗಿದ ಕ್ಷೇತ್ರ, ನೆರಳು ಅಥವಾ ವಾತಾವರಣದ ಅಡಚಣೆಯಾಗಿರಬಹುದು. ಕ್ಷೇತ್ರದಲ್ಲಿ ಪರಿಶೀಲಿಸುವವರೆಗೆ ನಕ್ಷೆಯು ಒಂದು ಊಹೆಯಾಗಿದೆ.

ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್‌ನ ಮೂಲ ಭೌತಶಾಸ್ತ್ರ

ಪ್ರತಿಯೊಂದು ಖನಿಜ ಮತ್ತು ಬಂಡೆಯು ವಿಭಿನ್ನ ದರಗಳಲ್ಲಿ ವಿಭಿನ್ನ ತರಂಗಾಂತರಗಳಲ್ಲಿ ಸೂರ್ಯನ ಬೆಳಕನ್ನು ಪ್ರತಿಫಲಿಸುತ್ತದೆ; ಇದನ್ನು ಸ್ಪೆಕ್ಟ್ರಲ್ ಸಿಗ್ನೇಚರ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಮಾನವನ ಕಣ್ಣು ಗೋಚರ ಬೆಳಕನ್ನು ಮಾತ್ರ ನೋಡುತ್ತದೆ (ಕೆಂಪು-ಹಸಿರು-ನೀಲಿ), ಆದರೆ ಉಪಗ್ರಹ ಸಂವೇದಕಗಳು ಅತಿಗೆಂಪು ಸೇರಿದಂತೆ ಹೆಚ್ಚು ವ್ಯಾಪಕ ಶ್ರೇಣಿಯನ್ನು ಅಳೆಯುತ್ತವೆ. ಎರಡು ಮೂಲ ಪರಿಕಲ್ಪನೆಗಳು:

ಹಲವಾರು ವಿಶಾಲ ತರಂಗಾಂತರ ಬ್ಯಾಂಡ್‌ಗಳಲ್ಲಿ ಮಲ್ಟಿಸ್ಪೆಕ್ಟ್ರಲ್ ಇಮೇಜಿಂಗ್ ಅಳತೆಗಳು (ಸಾಮಾನ್ಯವಾಗಿ 4-12 ಬ್ಯಾಂಡ್‌ಗಳು); ಉದಾಹರಣೆಗೆ, ಲ್ಯಾಂಡ್‌ಸ್ಯಾಟ್ ಮತ್ತು ಸೆಂಟಿನೆಲ್ ಉಪಗ್ರಹಗಳು. ಇದು ಒರಟು ಬಂಡೆಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸುತ್ತದೆ. ಹೈಪರ್‌ಸ್ಪೆಕ್ಟ್ರಲ್ ಇಮೇಜಿಂಗ್, ಮತ್ತೊಂದೆಡೆ, ನೂರಾರು ಕಿರಿದಾದ ಬ್ಯಾಂಡ್‌ಗಳಲ್ಲಿ ಅಳೆಯುತ್ತದೆ ಮತ್ತು ಖನಿಜಗಳನ್ನು ಅವುಗಳ "ಸ್ಪೆಕ್ಟ್ರಲ್ ಫಿಂಗರ್‌ಪ್ರಿಂಟ್" ನಿಂದ ಗುರುತಿಸಬಹುದು; ಮಾರ್ಪಾಡು ಖನಿಜಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ಇದನ್ನು ಬಳಸಲಾಗುತ್ತದೆ (ಉದಾಹರಣೆಗೆ ಕಯೋಲಿನೈಟ್, ಅಲ್ಯುನೈಟ್, ಇಲೈಟ್).

AI ಇಲ್ಲಿ ಎರಡು ಕೆಲಸಗಳನ್ನು ಮಾಡುತ್ತದೆ: ಮೊದಲನೆಯದಾಗಿ, ಇದು ಈ ಹೆಚ್ಚಿನ ಆಯಾಮದ ಸ್ಪೆಕ್ಟ್ರಲ್ ಡೇಟಾವನ್ನು ವರ್ಗೀಕರಿಸುತ್ತದೆ (ಯಾವ ಪಿಕ್ಸೆಲ್ ಲಿಥಾಲಜಿ/ಮಿನರಲ್ ಆಗಿದೆ). ಎರಡನೆಯದಾಗಿ, ಇದು ಚಿತ್ರದ ಜ್ಯಾಮಿತೀಯ ಮಾದರಿಗಳಿಂದ ದೋಷ ಮತ್ತು ರಚನಾತ್ಮಕ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೊರತೆಗೆಯುತ್ತದೆ (ಲೈನ್ಮೆಂಟ್ಸ್, ಟೆಕ್ಸ್ಚರ್, ಡ್ರೈನೇಜ್ ನೆಟ್ವರ್ಕ್). ಡಿಜಿಟಲ್ ಎಲಿವೇಶನ್ ಮಾಡೆಲ್ (ಸಂಕ್ಷಿಪ್ತವಾಗಿ DEM; ಭೂಮಿಯ ಮೂರು ಆಯಾಮದ ಎತ್ತರದ ನಕ್ಷೆ) ಅನ್ನು ಸೇರಿಸಿದಾಗ, ಇಳಿಜಾರು, ಅಂಶ ಮತ್ತು ಸ್ಥಳಾಕೃತಿಯ ರೇಖೆಗಳನ್ನು ಸಹ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಸೇರಿಸಲಾಗುತ್ತದೆ.

ಹಂತ ಹಂತವಾಗಿ: ಬದಲಾವಣೆ ನಕ್ಷೆ ಕೆಲಸದ ಹರಿವು

1. ಚಿತ್ರವನ್ನು ತಯಾರಿಸಿ. ವಾತಾವರಣದ ತಿದ್ದುಪಡಿ (ವಾತಾವರಣದ ವಿರೂಪಗೊಳಿಸುವ ಪರಿಣಾಮವನ್ನು ತೆಗೆದುಹಾಕುವುದು), ಮೋಡದ ಮರೆಮಾಚುವಿಕೆ, ಸಸ್ಯವರ್ಗದ ಮುಖವಾಡ. ಈ ಹಂತವನ್ನು ಬಿಟ್ಟುಬಿಟ್ಟರೆ ಸಂಪೂರ್ಣ ಫಲಿತಾಂಶವು ಕಲುಷಿತಗೊಳ್ಳುತ್ತದೆ.
2. ನಿಮ್ಮ ಆಸಕ್ತಿಯ ಕ್ಷೇತ್ರವನ್ನು ಕಿರಿದಾಗಿಸಿ. ಅಧ್ಯಯನ ಪ್ರದೇಶವನ್ನು ಭೂವೈಜ್ಞಾನಿಕ ಸಂದರ್ಭಕ್ಕೆ ಮಿತಿಗೊಳಿಸಿ (ತಿಳಿದಿರುವ ದೋಷ, ರಚನೆ, ಹೊರಹರಿವು); ಮಾದರಿಗೆ ಸಂದರ್ಭವನ್ನು ನೀಡಿ.
3. ಸ್ಪೆಕ್ಟ್ರಲ್ ಸೂಚ್ಯಂಕಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ. ನಿರ್ದಿಷ್ಟ ಖನಿಜ ಗುಂಪುಗಳನ್ನು ಹೈಲೈಟ್ ಮಾಡುವ ಬ್ಯಾಂಡ್ ಅನುಪಾತಗಳು (ಉದಾ. ಕಬ್ಬಿಣದ ಆಕ್ಸೈಡ್ಗಳು, ಮಣ್ಣಿನ ಖನಿಜಗಳು).
4. ವರ್ಗೀಕರಿಸಿ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಪಿಕ್ಸೆಲ್‌ಗಳು/ಪ್ರದೇಶಗಳನ್ನು ವರ್ಗೀಕರಿಸುತ್ತದೆ ಮತ್ತು ಸಂಭವನೀಯ ಬದಲಾವಣೆಯ ವಲಯಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ.
5. ಭೂಪ್ರದೇಶ ಪರಿಶೀಲನೆಯನ್ನು ನಿಗದಿಪಡಿಸಿ. ಗುರುತಿಸಲಾದ ವಲಯಗಳಿಂದ ಮಾದರಿ ಬಿಂದುಗಳನ್ನು ಆಯ್ಕೆಮಾಡಿ ಮತ್ತು ಅವುಗಳನ್ನು ಕ್ಷೇತ್ರದಲ್ಲಿ ಪರಿಶೀಲಿಸಿ. ಈ ಹಂತವಿಲ್ಲದೆ ನಕ್ಷೆಗೆ ಸಹಿ ಮಾಡಲಾಗುವುದಿಲ್ಲ.

ಚಿತ್ರ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಪಾತ್ರ ಮತ್ತು ಮಿತಿಗಳು

ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, AI ಎರಡು ವಿಧದ ದೋಷಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ: ಇದು ಗಮನಿಸದೆ ಇರುವ ಸೂಕ್ಷ್ಮ ವೈಪರೀತ್ಯಗಳನ್ನು ಹಿಡಿಯುತ್ತದೆ ಮತ್ತು ಇದು ಅಸಮಂಜಸವಾದ ವ್ಯಾಖ್ಯಾನಗಳನ್ನು ಪ್ರಮಾಣೀಕರಿಸುತ್ತದೆ. ಆದರೆ ಇದು ಮೂರು ವ್ಯವಸ್ಥಿತ ದೋಷಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ. ಮೊದಲನೆಯದು ತಪ್ಪು ಧನಾತ್ಮಕವಾಗಿದೆ: ಸಸ್ಯವರ್ಗ, ನೆರಳು, ಮಾನವ ರಚನೆ ಅಥವಾ ಮಣ್ಣಿನ ತೇವಾಂಶವು ಬದಲಾವಣೆಯಾಗಿ ಕಾಣಿಸಬಹುದು. ಎರಡನೆಯದು ತರಬೇತಿ ಪಕ್ಷಪಾತವಾಗಿದೆ: ಮಾದರಿಯು ಮತ್ತೊಂದು ಪ್ರದೇಶದಿಂದ ಡೇಟಾದಲ್ಲಿ ತರಬೇತಿ ಪಡೆದರೆ, ನಿಮ್ಮ ಸೈಟ್‌ನ ವಿಭಿನ್ನ ಶಿಲಾಶಾಸ್ತ್ರದಲ್ಲಿ ಅದು ತಪ್ಪಾಗುತ್ತದೆ. ಮೂರನೆಯದು ಪ್ರಮಾಣದ ಭ್ರಮೆ: ಒಂದು ಪಿಕ್ಸೆಲ್ ನೆಲದ ಮೇಲೆ ಹತ್ತಾರು ಮೀಟರ್‌ಗಳನ್ನು ಆವರಿಸುತ್ತದೆ; ಉತ್ತಮವಾದ ರಚನೆಗಳು ಕಳೆದುಹೋಗಿವೆ, ಮಿಶ್ರ ಪಿಕ್ಸೆಲ್‌ಗಳು (ಒಂದು ಪಿಕ್ಸೆಲ್‌ನಲ್ಲಿ ಬಹು ವಸ್ತುಗಳು) ದಾರಿತಪ್ಪಿಸುತ್ತವೆ.

ಆದ್ದರಿಂದ ಸುವರ್ಣ ನಿಯಮ: ನೆಲದ ಸತ್ಯ ಯಾವಾಗಲೂ ಗೆಲ್ಲುತ್ತದೆ. ಕ್ಷೇತ್ರದಲ್ಲಿ ಆಯ್ದ ಬಿಂದುಗಳಲ್ಲಿ ಮಾದರಿಗಳು ಮತ್ತು ವೀಕ್ಷಣೆಗಳೊಂದಿಗೆ ಅದನ್ನು ಪರೀಕ್ಷಿಸದೆಯೇ ಚಿತ್ರದ ಫಲಿತಾಂಶದ ನಕ್ಷೆಯನ್ನು ನಿರ್ಣಾಯಕವೆಂದು ಪರಿಗಣಿಸಲಾಗುವುದಿಲ್ಲ. ಪರಿಶೀಲನಾ ಬಿಂದುಗಳನ್ನು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಆಯ್ಕೆ ಮಾಡಲಾಗಿಲ್ಲ, ಆದರೆ "ಕೆಲವು" ಮತ್ತು "ಅನುಮಾನಾಸ್ಪದ" ವಲಯಗಳನ್ನು ಒಳಗೊಳ್ಳಲು ಕಾರ್ಯತಂತ್ರವಾಗಿ ಆಯ್ಕೆ ಮಾಡಲಾಗುತ್ತದೆ.

ಮೂರು ಮಿನಿ ಪ್ರಕರಣಗಳು: ಸಂಖ್ಯೆಗಳ ಮೂಲಕ

ಪ್ರಕರಣ 1 - ಹುಡುಕಾಟ ಪ್ರದೇಶವನ್ನು ಕಿರಿದಾಗಿಸುವುದು. ಪರಿಶೋಧನಾ ಕಂಪನಿಯು 1,200 km² ಪರವಾನಗಿ ಪ್ರದೇಶವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತಿದೆ. ಹೈಪರ್‌ಸ್ಪೆಕ್ಟ್ರಲ್ ಡೇಟಾದಿಂದ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ-ಸಹಾಯದ ಮಾರ್ಪಾಡು ವರ್ಗೀಕರಣವು ಪ್ರದೇಶವನ್ನು 38 km² ನ 7 ಗುರಿ ವಲಯಗಳಿಗೆ ಇಳಿಸಿತು. ಇಡೀ ಪ್ರದೇಶಕ್ಕೆ ಭೇಟಿ ನೀಡುವ ಬದಲು, ಕ್ಷೇತ್ರ ತಂಡವು ಈ 7 ವಲಯಗಳಿಗೆ ಆದ್ಯತೆ ನೀಡಿದೆ; ಆರಂಭಿಕ ಕ್ಷೇತ್ರ ಪ್ರಚಾರದ ಸಮಯವನ್ನು ಅಂದಾಜು 70% ರಷ್ಟು ಕಡಿಮೆಗೊಳಿಸಲಾಯಿತು. 7 ವಲಯಗಳಲ್ಲಿ 5 ಕ್ಷೇತ್ರದಲ್ಲಿ ನೈಜ ಬದಲಾವಣೆಯನ್ನು ತೋರಿಸಿದೆ, 2 ತಪ್ಪು ಧನಾತ್ಮಕ (ಜೇಡಿಮಣ್ಣಿನ ಮಣ್ಣು) - ಪರಿಶೀಲನೆ ಇಲ್ಲದೆ, ಈ 2 ವಲಯಗಳು ಕೊರೆಯುವಿಕೆಯು ವ್ಯರ್ಥವಾಗುತ್ತಿತ್ತು.

ಪ್ರಕರಣ 2 - ದೋಷ ಮ್ಯಾಪಿಂಗ್ ಪ್ರಾಥಮಿಕ ಸ್ಕೆಚ್. DEM ಮತ್ತು ಚಿತ್ರ-ಹೊರತೆಗೆಯಲಾದ ಲೈನ್‌ಮೆಂಟ್ ವಿಶ್ಲೇಷಣೆಯು ತಿಳಿದಿರುವ ಮುಖ್ಯ ದೋಷದ ಜೊತೆಗೆ ಎರಡು ಸಣ್ಣ ರೇಖೆಗಳನ್ನು ಸೂಚಿಸಿದೆ. ಒಂದು ಕ್ಷೇತ್ರದಲ್ಲಿ ನಿಜವಾದ ತಪ್ಪು ಎಂದು ಬದಲಾಯಿತು; ಇನ್ನೊಂದು ಪೈಪ್‌ಲೈನ್ ಮಾರ್ಗದ ಸ್ಥಳಾಕೃತಿಯ ಕುರುಹಾಗಿದೆ. ಮಾದರಿಯು ಜ್ಯಾಮಿತೀಯ ಮಾದರಿಯನ್ನು ಸರಿಯಾಗಿ ಸೆರೆಹಿಡಿಯಿತು ಆದರೆ ಅದರ ಮೂಲವನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ಸಾಧ್ಯವಾಗಲಿಲ್ಲ; ಅವರು ಭೂವೈಜ್ಞಾನಿಕ ಸಮರ್ಥನೀಯತೆ ಮತ್ತು ಕ್ಷೇತ್ರ ನಿಯಂತ್ರಣದ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ತೋರಿಸಿದರು.

ಪ್ರಕರಣ 3 - ಮೇಘ ನೆರಳು ತಪ್ಪು. ಒಂದು ಪ್ರದೇಶದಲ್ಲಿ ಮಾದರಿಯು ಉತ್ತರದ ಇಳಿಜಾರಿನಲ್ಲಿ ಬಲವಾದ "ಐರನ್ ಆಕ್ಸೈಡ್ ಬದಲಾವಣೆ" ಯನ್ನು ಗುರುತಿಸಿದೆ. ವಾತಾವರಣದ ತಿದ್ದುಪಡಿಯು ಅಪೂರ್ಣವಾಗಿತ್ತು ಮತ್ತು ಸಹಿಯು ವಾಸ್ತವವಾಗಿ ತೆಳುವಾದ ಮೋಡದ ಹೊದಿಕೆಯ ರೋಹಿತದ ವಿರೂಪವಾಗಿದೆ. ಚಿತ್ರವನ್ನು ಮರುಸಂಸ್ಕರಿಸಿದಾಗ ಮತ್ತು ಸರಿಪಡಿಸಿದಾಗ, ಅಸಂಗತತೆ ಕಣ್ಮರೆಯಾಯಿತು. ಪಾಠ: ಪೂರ್ವ ಸಂಸ್ಕರಣೆ ದೋಷವು ಅತ್ಯಾಧುನಿಕ ಮಾದರಿಯನ್ನು ಸಹ ಮೂರ್ಖರನ್ನಾಗಿ ಮಾಡುತ್ತದೆ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:

ಈ ಉಪಗ್ರಹ ಚಿತ್ರದಲ್ಲಿ ಗಣಿಗಳಿರುವ ಸ್ಥಳಗಳನ್ನು ತೋರಿಸಿ.

ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:

ನಿಮ್ಮ ಪಾತ್ರ: ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ಭೂವಿಜ್ಞಾನಿ. ಕೆಳಗಿನ ಸ್ಪೆಕ್ಟ್ರಲ್ ಸೂಚ್ಯಂಕ ಮತ್ತು ಬ್ಯಾಂಡ್ ಅನುಪಾತ ಮೌಲ್ಯಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ (ಚಿತ್ರ ಸೆಂಟಿನೆಲ್-2, ಶುಷ್ಕ ವಲಯ, ವಿರಳ ಸಸ್ಯವರ್ಗ).- ಪ್ರತಿ ಸಂಭವನೀಯ ಬದಲಾವಣೆಯ ವಲಯಕ್ಕೆ: ಯಾವ ಸೂಚ್ಯಂಕ/ಅನುಪಾತವು ಅದನ್ನು ಪ್ರಚೋದಿಸಿತು ಎಂಬುದನ್ನು ಬರೆಯಿರಿ.- ಪ್ರತಿ ವಲಯಕ್ಕೆ ಕನಿಷ್ಠ ಒಂದು ತಪ್ಪು ಧನಾತ್ಮಕ ಮೂಲವನ್ನು ಸೂಚಿಸಿ (ಸಸ್ಯವರ್ಗ, ನೆರಳು, ಮಣ್ಣು, ಮಾನವ-ಮಾರ್ಗದ ವಲಯದಲ್ಲಿ). ಪರಿಶೀಲನೆ ಆದ್ಯತೆ" (ಹೆಚ್ಚು/ಮಧ್ಯಮ/ಕಡಿಮೆ).- ಯಾವುದೇ ವಲಯವನ್ನು "ಗಣಿಗಾರಿಕೆ" ಎಂದು ಪ್ರಸ್ತುತಪಡಿಸಬೇಡಿ; "ಬದಲಾವಣೆ ಟೋಕನ್ ಅನ್ನು ಪರಿಶೀಲಿಸಬೇಕು" ಡೇಟಾ: [ಸೂಚ್ಯಂಕ/ದರ ಕೋಷ್ಟಕ + ಸಂದರ್ಭ]

ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್ ಮಾದರಿಯು ತಪ್ಪು ಧನಾತ್ಮಕತೆಯನ್ನು ಸ್ವತಃ ಪಟ್ಟಿ ಮಾಡಲು ಮತ್ತು ನಿಖರತೆಯನ್ನು ಕ್ಲೈಮ್ ಮಾಡುವುದನ್ನು ತಪ್ಪಿಸಲು ಒತ್ತಾಯಿಸುತ್ತದೆ.

ನಾಲ್ಕು ನಕಲು ಮಾಡಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

1) ಪೂರ್ವ ಸಂಸ್ಕರಣೆಯ ಪರಿಶೀಲನಾಪಟ್ಟಿ:

ಕೆಳಗಿನ ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ವರ್ಕ್‌ಫ್ಲೋನಲ್ಲಿ ಕೈಬಿಡಲಾದ ಪೂರ್ವ ಸಂಸ್ಕರಣಾ ಹಂತಗಳನ್ನು ಪರಿಶೀಲಿಸಿ: ವಾತಾವರಣದ ತಿದ್ದುಪಡಿ, ಮೋಡ/ನೆರಳು ಮುಖವಾಡ, ಸಸ್ಯವರ್ಗದ ಮುಖವಾಡ, ಸ್ಥಳಾಕೃತಿ ತಿದ್ದುಪಡಿ, ಸಂವೇದಕ ಮಾಪನಾಂಕ ನಿರ್ಣಯ. ಕಾಣೆಯಾದ ಹಂತಗಳು ನಿಮ್ಮ ತೀರ್ಮಾನಕ್ಕೆ ಹೇಗೆ ಪಕ್ಷಪಾತವಾಗಬಹುದು ಎಂಬುದನ್ನು ಪ್ರತಿಯೊಂದಕ್ಕೂ ಒಂದು ವಾಕ್ಯದಲ್ಲಿ ವಿವರಿಸಿ. ಕೆಲಸದ ಹರಿವು: [ವ್ಯಾಖ್ಯಾನ]

2) ಮಾರ್ಪಾಡು ವಲಯದ ವ್ಯಾಖ್ಯಾನ:

ಕೆಳಗಿನ ರೋಹಿತ ಸೂಚ್ಯಂಕ ಮೌಲ್ಯಗಳಿಂದ (ಜೇಡಿಮಣ್ಣು, ಐರನ್ ಆಕ್ಸೈಡ್, ಕಾರ್ಬೋನೇಟ್, ಸಿಲಿಕಾ) ಸಂಭವನೀಯ ಮಾರ್ಪಾಡು ಖನಿಜ ಗುಂಪುಗಳನ್ನು ಹೊರತೆಗೆಯಿರಿ. ಪ್ರತಿ ಗುಂಪಿಗೆ: ಪ್ರಚೋದಕ ಸೂಚ್ಯಂಕ, ವಿಶ್ವಾಸಾರ್ಹ ಮಟ್ಟ, ಪರ್ಯಾಯ ವಿವರಣೆ (ತಪ್ಪು ಧನಾತ್ಮಕ), ಪ್ರಸ್ತಾವಿತ ಕ್ಷೇತ್ರ ಪರಿಶೀಲನೆ. ಕ್ಲೈಮಿಂಗ್ ಖಚಿತತೆ. ಡೇಟಾ: [ಸೂಚ್ಯಂಕಗಳು]

3) ರೇಖೆ/ದೋಷ ಬೇರ್ಪಡಿಕೆ:

ಕೆಳಗಿನ ರೇಖಾತ್ಮಕತೆಯ ಪಟ್ಟಿಯನ್ನು ಪರಿಗಣಿಸಿ. ಪ್ರತಿಯೊಂದಕ್ಕೂ ಸಂಭವನೀಯ ಮೂಲಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ: ದೋಷ, ಫಲಕದ ಗಡಿ, ಡೈಕ್, ಒಳಚರಂಡಿ, ಮಾನವ ರಚನೆ (ರಸ್ತೆ/ಸಾಲು/ಕ್ಷೇತ್ರ), ಸಸ್ಯವರ್ಗದ ಗಡಿ. ಭೂವೈಜ್ಞಾನಿಕ ಸಂದರ್ಭದೊಂದಿಗೆ ಹೆಚ್ಚಾಗಿ ಮೂಲವನ್ನು ತಿಳಿಸಿ, ಆದರೆ ಏಕೈಕ ಸಾಧ್ಯತೆಯನ್ನು ಬಿಟ್ಟುಬಿಡಿ. ಪಟ್ಟಿ: [ರೇಖೀಯತೆಗಳು + ಸಂದರ್ಭ]

4) ಪರಿಶೀಲನೆ ಪಾಯಿಂಟ್ ಯೋಜನೆ:

ಕೆಳಗಿನ ಬದಲಾವಣೆ/ಶಿಲಾಶಾಸ್ತ್ರದ ನಕ್ಷೆಗಾಗಿ ಕ್ಷೇತ್ರ ಪರಿಶೀಲನೆ ಯೋಜನೆಯನ್ನು ಪ್ರಸ್ತಾಪಿಸಿ:- ಪ್ರತಿ ತರಗತಿಗೆ ಎಷ್ಟು ಮಾದರಿ ಅಂಕಗಳು, ಏಕೆ.- "ನಿರ್ದಿಷ್ಟ" ಮತ್ತು "ಪ್ರಶ್ನಾರ್ಹ" ವಲಯಗಳ ಸಮತೋಲಿತ ಮಾದರಿ.- ಪ್ರವೇಶ ಮತ್ತು ಭದ್ರತಾ ಟಿಪ್ಪಣಿ. ನಕ್ಷೆ ಸಾರಾಂಶ: [ತರಗತಿಗಳು ಮತ್ತು ಪ್ರದೇಶಗಳು]

ಚಿತ್ರದ ಪ್ರಕಾರ ಮತ್ತು ಬಳಕೆಯ ಪ್ರದೇಶ

ಡೇಟಾ ಪ್ರಕಾರ

ಯಾವ ಕ್ರಮಗಳು

ಅವನ ಶಕ್ತಿ

ಮಿತಿ

ಮಲ್ಟಿಸ್ಪೆಕ್ಟ್ರಲ್ (ಸೆಂಟಿನೆಲ್/ಲ್ಯಾಂಡ್‌ಸ್ಯಾಟ್)

ಬ್ರಾಡ್‌ಬ್ಯಾಂಡ್‌ಗಳು

ರಫ್ ಲಿಥಾಲಜಿ, ಪ್ರಾದೇಶಿಕ ಸ್ಕ್ಯಾನಿಂಗ್

ಖನಿಜ ವಿಭಜನೆ ಸೀಮಿತವಾಗಿದೆ

ಹೈಪರ್ಸ್ಪೆಕ್ಟ್ರಲ್

ನೂರಾರು ಕಿರಿದಾದ ಬ್ಯಾಂಡ್ಗಳು

ಖನಿಜ/ಬದಲಾವಣೆ ವ್ಯತ್ಯಾಸ

ವೆಚ್ಚ, ಪ್ರಕ್ರಿಯೆ ಓವರ್ಹೆಡ್

DEM (ಎತ್ತರ)

ಸ್ಥಳಾಕೃತಿ

ದೋಷ/ಲೈನ್ಮೆಂಟ್, ಒಳಚರಂಡಿ

ಲಿಥಾಲಜಿ ನೀಡುವುದಿಲ್ಲ

ಉಷ್ಣ ಅತಿಗೆಂಪು

ಮೇಲ್ಮೈ ತಾಪಮಾನ

ಕೆಲವು ಸಿಲಿಕೇಟ್/ಕಾರ್ಬೊನೇಟ್

ವಾತಾವರಣಕ್ಕೆ ಸೂಕ್ಷ್ಮ

ರಾಡಾರ್ (SAR)

ಮೇಲ್ಮೈ ಒರಟುತನ/ವಿರೂಪತೆ

ಮೋಡದ ಅಡಿಯಲ್ಲಿ, ಕುಸಿತ / ಭೂಕುಸಿತ

ವ್ಯಾಖ್ಯಾನವು ಸಂಕೀರ್ಣವಾಗಿದೆ

ಸಲಹೆ: ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ಔಟ್‌ಪುಟ್ ಅನ್ನು "ಸೈಟ್ ಆದ್ಯತೆಯ ಸ್ಕ್ಯಾನ್" ಆಗಿ ಬಳಸಿ, "ಡ್ರಿಲ್ಲಿಂಗ್ ಮ್ಯಾಪ್" ಅಲ್ಲ. ಅದರ ದೊಡ್ಡ ಮೌಲ್ಯವೆಂದರೆ ಅದು ಮೊದಲು ಎಲ್ಲಿಗೆ ಹೋಗಬೇಕೆಂದು ಹೇಳುತ್ತದೆ; ಕ್ಷೇತ್ರ ಸಾಕ್ಷ್ಯ ಮತ್ತು ಎಂಜಿನಿಯರ್ ಎಲ್ಲಿ ಡ್ರಿಲ್ ಮಾಡಬೇಕೆಂದು ನಿರ್ಧರಿಸುತ್ತಾರೆ.

ಎಚ್ಚರಿಕೆ: ಪೂರ್ವ-ಸಂಸ್ಕರಣೆ (ವಾತಾವರಣ ಮತ್ತು ಸ್ಥಳಾಕೃತಿಯ ತಿದ್ದುಪಡಿ, ಮರೆಮಾಚುವಿಕೆ) ಬಿಟ್ಟುಬಿಟ್ಟರೆ ಅತ್ಯಂತ ಮುಂದುವರಿದ ವರ್ಗೀಕರಣವು ಸಹ ವ್ಯವಸ್ಥಿತ ದೋಷಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ. "ಔಟ್‌ಪುಟ್ ವಿಲಕ್ಷಣವಾಗಿದೆ" ಎಂಬ ಸಂದರ್ಭದಲ್ಲಿ ಮೊದಲು ಪೂರ್ವ ಸಂಸ್ಕರಣೆಯನ್ನು ಪ್ರಶ್ನಿಸಿ, ಮಾದರಿಯಲ್ಲ. ಕಸದ ಒಳಗೆ, ಕಸದ ಹೊರಗೆ ತತ್ವ ಇಲ್ಲಿ ನಿರ್ದಯವಾಗಿದೆ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಪೂರ್ವ ಸಂಸ್ಕರಣೆಯನ್ನು ಬಿಟ್ಟುಬಿಡಲಾಗುತ್ತಿದೆ. ನೈಜ ಭೂವಿಜ್ಞಾನಕ್ಕಾಗಿ ಸರಿಪಡಿಸದ ಚಿತ್ರಗಳಿಂದ ವೈಪರೀತ್ಯಗಳನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು.
• ತಪ್ಪು ಧನಾತ್ಮಕತೆಯನ್ನು ಮರೆತುಬಿಡುವುದು. ಸಸ್ಯಗಳು, ನೆರಳು, ಮಣ್ಣಿನ ತೇವಾಂಶ ಮತ್ತು ಮಾನವ ರಚನೆಗಳನ್ನು ಬದಲಾವಣೆಗಳು/ದೋಷಗಳು ಎಂದು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು.
• ನೆಲದ ಸತ್ಯವಿಲ್ಲದೆ ಸಹಿ ಮಾಡಲಾಗುತ್ತಿದೆ. ಕ್ಷೇತ್ರದಲ್ಲಿ ಪರಿಶೀಲಿಸದೆಯೇ ಚಿತ್ರದ ನಕ್ಷೆಯಲ್ಲಿ ಕೊರೆಯುವ ನಿರ್ಧಾರವನ್ನು ಆಧರಿಸಿದೆ.
• ಸ್ಕೇಲ್ ಭ್ರಮೆ. ಪಿಕ್ಸೆಲ್ ಗಾತ್ರವನ್ನು ಮರೆತುಬಿಡುವುದು ಮತ್ತು ಉತ್ತಮವಾದ ರಚನೆಗಳು ಕಳೆದುಹೋಗಿವೆ ಅಥವಾ ಮಿಶ್ರಿತ ಪಿಕ್ಸೆಲ್‌ಗಳು ತಪ್ಪುದಾರಿಗೆಳೆಯುತ್ತವೆ ಎಂಬ ಅಂಶವನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು.
• ಶೈಕ್ಷಣಿಕ ಪಕ್ಷಪಾತವನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು. ಮತ್ತೊಂದು ಪ್ರದೇಶದಲ್ಲಿ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯನ್ನು ಕುರುಡಾಗಿ ವಿಭಿನ್ನ ಶಿಲಾಶಾಸ್ತ್ರದೊಂದಿಗೆ ಕ್ಷೇತ್ರಕ್ಕೆ ಅನ್ವಯಿಸುವುದು.

ಸಾರಾಂಶದಲ್ಲಿ

• ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ವಿವಿಧ ತರಂಗಾಂತರಗಳಲ್ಲಿ ಖನಿಜಗಳ ರೋಹಿತದ ಸಹಿಯನ್ನು ಅಳೆಯುತ್ತದೆ; ಇದು ಮಲ್ಟಿಸ್ಪೆಕ್ಟ್ರಲ್ ಒರಟಾದ ಮತ್ತು ಹೈಪರ್ಸ್ಪೆಕ್ಟ್ರಲ್ ಫೈನ್ ಅನ್ನು ಪ್ರತ್ಯೇಕಿಸುತ್ತದೆ.
• ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಈ ಹೆಚ್ಚಿನ ಆಯಾಮದ ಡೇಟಾವನ್ನು ವರ್ಗೀಕರಿಸುತ್ತದೆ ಮತ್ತು ಜ್ಯಾಮಿತೀಯ ಮಾದರಿಗಳಿಂದ ದೋಷ/ರೇಖಾತ್ಮಕತೆಯನ್ನು ಹೊರತೆಗೆಯುತ್ತದೆ; ಆದರೆ ಇದು ತಪ್ಪು ಧನಾತ್ಮಕ, ತರಬೇತಿ ಪಕ್ಷಪಾತ ಮತ್ತು ಪ್ರಮಾಣದ ಪಕ್ಷಪಾತವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ.
• ಪೂರ್ವ ಸಂಸ್ಕರಣೆ (ವಾತಾವರಣ/ಸ್ಥಳಶಾಸ್ತ್ರದ ತಿದ್ದುಪಡಿ, ಮರೆಮಾಚುವಿಕೆ) ಫಲಿತಾಂಶದ ಗುಣಮಟ್ಟವನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ; ಅದನ್ನು ಬಿಟ್ಟುಬಿಟ್ಟರೆ, ವ್ಯವಸ್ಥಿತ ದೋಷ ಸಂಭವಿಸುತ್ತದೆ.
• ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ಒಂದು ಸ್ಕ್ರೀನಿಂಗ್/ಆದ್ಯತೆ ಸಾಧನವಾಗಿದೆ; ನೆಲದ ಸತ್ಯದೊಂದಿಗೆ ಪರೀಕ್ಷಿಸದೆ ನಕ್ಷೆಯನ್ನು ನಿಖರವಾಗಿ ಪರಿಗಣಿಸಲಾಗುವುದಿಲ್ಲ.
• ನೆಲದ ಸತ್ಯ ಯಾವಾಗಲೂ ಗೆಲ್ಲುತ್ತದೆ; ಪರಿಶೀಲನಾ ಬಿಂದುಗಳು ಕೆಲವು ಮತ್ತು ಅನುಮಾನಾಸ್ಪದ ವಲಯಗಳನ್ನು ಸಮತೋಲಿತ ರೀತಿಯಲ್ಲಿ ಒಳಗೊಂಡಿರಬೇಕು.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಸ್ಪೆಕ್ಟ್ರಲ್ ಇಂಡೆಕ್ಸ್/ಬ್ಯಾಂಡ್ ಅನುಪಾತ ಮೌಲ್ಯಗಳು ಅಥವಾ ನೀವು ವರ್ಕ್‌ಸೈಟ್‌ಗಾಗಿ (ಅಥವಾ ತೆರೆದ ಡೇಟಾ ಪ್ರದೇಶ) ಹೊಂದಿರುವ DEM ಲೈನ್‌ಮೆಂಟ್ ಪಟ್ಟಿಯನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸಿ. ಸಂಭಾವ್ಯ ಮಾರ್ಪಾಡು ವಲಯಗಳು ಅಥವಾ ದೋಷಗಳನ್ನು ಪ್ರಬಲ ಪ್ರಾಂಪ್ಟ್‌ನೊಂದಿಗೆ ವ್ಯಾಖ್ಯಾನಿಸಿ ಮತ್ತು ಪ್ರತಿ ವಲಯಕ್ಕೆ ಕನಿಷ್ಠ ಒಂದು ತಪ್ಪು ಧನಾತ್ಮಕ ಮೂಲವನ್ನು ಮಾದರಿಯು ಸೂಚಿಸುವಂತೆ ಮಾಡಿ. ನಂತರ "ಪರಿಶೀಲನೆ ಪಾಯಿಂಟ್ ಯೋಜನೆ" ಟೆಂಪ್ಲೇಟ್ನೊಂದಿಗೆ ಸೈಟ್ ನಿಯಂತ್ರಣ ಯೋಜನೆಯನ್ನು ರಚಿಸಿ; ಒಂದು ವಾಕ್ಯದಲ್ಲಿ ಎಷ್ಟು ಅಂಕಗಳನ್ನು "ಅನುಮಾನಾಸ್ಪದ" ವಲಯಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ ಮತ್ತು ನೀವು ಸಮತೋಲಿತ ಮಾದರಿಯನ್ನು ಏಕೆ ನಿರ್ವಹಿಸುತ್ತಿರುವಿರಿ ಎಂಬುದನ್ನು ಗಮನಿಸಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ಯಾವ ಮಲ್ಟಿಸ್ಪೆಕ್ಟ್ರಲ್ ಮತ್ತು ಹೈಪರ್ಸ್ಪೆಕ್ಟ್ರಲ್ ಡೇಟಾ ಮಾಪನ ಮತ್ತು ಅವುಗಳನ್ನು ಯಾವುದಕ್ಕಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಪ್ರತ್ಯೇಕಿಸಬಹುದು.
• [ ] ಪ್ರಿಪ್ರೊಸೆಸಿಂಗ್ ಹಂತಗಳು (ಟ್ರಿಮ್ಮಿಂಗ್, ಮರೆಮಾಚುವಿಕೆ) ಫಲಿತಾಂಶದ ಮೇಲೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತವೆ ಎಂದು ನನಗೆ ತಿಳಿದಿದೆ.
• [ ] ನಾನು ತಪ್ಪು ಧನಾತ್ಮಕ ಮೂಲಗಳನ್ನು (ಸಸ್ಯವರ್ಗ, ನೆರಳು, ಮಾನವ ನಿರ್ಮಿತ) ಬದಲಾವಣೆ/ತಪ್ಪು ಔಟ್‌ಪುಟ್‌ಗಳಲ್ಲಿ ಪ್ರಶ್ನಿಸುತ್ತೇನೆ.
• [ ] ನಾನು ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ನಕ್ಷೆಯನ್ನು ಸ್ಕ್ಯಾನಿಂಗ್ ಸಾಧನವಾಗಿ ವೀಕ್ಷಿಸುತ್ತೇನೆ ಮತ್ತು ಭೂಪ್ರದೇಶ ಪರಿಶೀಲನೆಯೊಂದಿಗೆ ಅದನ್ನು ಪರೀಕ್ಷಿಸುತ್ತೇನೆ.
• [ ] ನಾನು ಕೆಲವು ಮತ್ತು ಅನುಮಾನಾಸ್ಪದ ವಲಯಗಳನ್ನು ಸಮತೋಲನಗೊಳಿಸಲು ಪರಿಶೀಲನಾ ಬಿಂದುಗಳನ್ನು ಯೋಜಿಸಬಹುದು.