ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ಮತ್ತು ಉಪಗ್ರಹ ಚಿತ್ರ ವರ್ಗೀಕರಣ

ಲಾಭಗಳು:

• ಮಲ್ಟಿಸ್ಪೆಕ್ಟ್ರಲ್ ಉಪಗ್ರಹ ಡೇಟಾ, ಬ್ಯಾಂಡ್ ಸಂಯೋಜನೆಗಳು ಮತ್ತು ಸ್ಪೆಕ್ಟ್ರಲ್ ಸೂಚ್ಯಂಕಗಳು (NDVI ಇತ್ಯಾದಿ) AI ಯೊಂದಿಗೆ ಹೇಗೆ ಬಳಸಲ್ಪಡುತ್ತವೆ ಎಂಬುದನ್ನು ವಿವರಿಸುವ ಸಾಮರ್ಥ್ಯ
• AI ಬೆಂಬಲದೊಂದಿಗೆ ಮೇಲ್ವಿಚಾರಣೆ/ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡದ ವರ್ಗೀಕರಣ ಮತ್ತು ಲ್ಯಾಂಡ್ ಕವರ್ ಮ್ಯಾಪಿಂಗ್ ವರ್ಕ್‌ಫ್ಲೋ ಅನ್ನು ಕಾನ್ಫಿಗರ್ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ
• ನೆಲದ ಸತ್ಯ ಮತ್ತು ದೋಷ ಮ್ಯಾಟ್ರಿಕ್ಸ್/ನಿಖರತೆಯ ಮಾನದಂಡಗಳೊಂದಿಗೆ ವರ್ಗೀಕರಣದ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪರೀಕ್ಷಿಸುವ ಸಾಮರ್ಥ್ಯ

ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ಎನ್ನುವುದು ಉಪಗ್ರಹಗಳು ಅಥವಾ ವೈಮಾನಿಕ ವೇದಿಕೆಗಳಲ್ಲಿ ಸಂವೇದಕಗಳೊಂದಿಗೆ ಭೌತಿಕ ಸಂಪರ್ಕವಿಲ್ಲದೆ ಭೂಮಿಯ ಮೇಲ್ಮೈಯನ್ನು ಅಳೆಯುವ ವಿಜ್ಞಾನವಾಗಿದೆ. ಉಪಗ್ರಹ ಚಿತ್ರವು ವಾಸ್ತವವಾಗಿ ಛಾಯಾಚಿತ್ರವಲ್ಲ, ಆದರೆ ಬಹು ತರಂಗಾಂತರಗಳಲ್ಲಿ ದಾಖಲಿಸಲಾದ ಅಳತೆಗಳ ಪದರಗಳ ಸಂಗ್ರಹವಾಗಿದೆ ಮತ್ತು ಈ ಪದರಗಳನ್ನು ಬುದ್ಧಿವಂತಿಕೆಯಿಂದ ಸಂಯೋಜಿಸುವ ಮೂಲಕ, ಭೂಪ್ರದೇಶವನ್ನು (ಅರಣ್ಯ, ನೀರು, ಕೃಷಿ, ನಿರ್ಮಾಣ) ಮ್ಯಾಪ್ ಮಾಡಬಹುದು. ಈ ಘಟಕದಲ್ಲಿ, ಮಲ್ಟಿಸ್ಪೆಕ್ಟ್ರಲ್ ಡೇಟಾದಿಂದ ಲ್ಯಾಂಡ್ ಕವರ್ ವರ್ಗೀಕರಣದವರೆಗೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಈ ಕೆಲಸದ ಹರಿವನ್ನು ಹೇಗೆ ವೇಗಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಅಲ್ಲಿ ತಜ್ಞರ ತೀರ್ಪು ಅನಿವಾರ್ಯವಾಗಿದೆ. ತತ್ವ: AI ವರ್ಗೀಕರಣವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಅಥವಾ ಕೋಡ್ ಮಾಡುತ್ತದೆ; ನಕ್ಷೆಯ ನಿಖರತೆಯನ್ನು ಇಂಜಿನಿಯರ್‌ನಲ್ಲಿ ಸ್ವತಂತ್ರ ನೆಲದ ಸತ್ಯ ಮತ್ತು ದೋಷ ಮ್ಯಾಟ್ರಿಕ್ಸ್‌ನಿಂದ ಅಳೆಯಲಾಗುತ್ತದೆ.

ಮೂಲ ನಿಯಮಗಳು. ಮಲ್ಟಿಸ್ಪೆಕ್ಟ್ರಲ್ ಚಿತ್ರವು ಹಲವಾರು ತರಂಗಾಂತರ ಬ್ಯಾಂಡ್‌ಗಳಲ್ಲಿ (ನೀಲಿ, ಹಸಿರು, ಕೆಂಪು, ಅತಿಗೆಂಪು ಬಳಿ, ಇತ್ಯಾದಿ) ರೆಕಾರ್ಡ್ ಮಾಡಲ್ಪಟ್ಟಿದೆ; ಪ್ರತಿ ಬ್ಯಾಂಡ್ ಒಂದು ಪದರವಾಗಿದೆ. ಹೈಪರ್‌ಸ್ಪೆಕ್ಟ್ರಲ್ ಹೆಚ್ಚು ಉತ್ಕೃಷ್ಟವಾಗಿದೆ ಆದರೆ ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಕಷ್ಟಕರವಾಗಿದೆ, ಹತ್ತಾರು ರಿಂದ ನೂರಾರು ಕಿರಿದಾದ ಬ್ಯಾಂಡ್‌ಗಳನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಸ್ಪೆಕ್ಟ್ರಲ್ ಇಂಡೆಕ್ಸ್ ಎನ್ನುವುದು ಬ್ಯಾಂಡ್‌ಗಳ ಗಣಿತ ಸಂಯೋಜನೆಯ ಮೂಲಕ ವಿದ್ಯಮಾನವನ್ನು ಎತ್ತಿ ತೋರಿಸುವ ಸಂಖ್ಯೆಯಾಗಿದೆ; ಅತ್ಯಂತ ಪ್ರಸಿದ್ಧವಾದ, NDVI (ಸಾಮಾನ್ಯಗೊಳಿಸಿದ ವ್ಯತ್ಯಾಸ ಸಸ್ಯವರ್ಗ ಸೂಚ್ಯಂಕ), ಹತ್ತಿರದ ಅತಿಗೆಂಪು ಮತ್ತು ಕೆಂಪು ಬ್ಯಾಂಡ್ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಬಳಸಿಕೊಂಡು ಹಸಿರು ಸಸ್ಯವರ್ಗದ ಶಕ್ತಿಯನ್ನು ಅಳೆಯುತ್ತದೆ. ಮೇಲ್ವಿಚಾರಣೆಯ ವರ್ಗೀಕರಣವು ಪೂರ್ವ-ಲೇಬಲ್ ಮಾಡಲಾದ ಮಾದರಿ ಪ್ರದೇಶಗಳೊಂದಿಗೆ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡುವುದು ಮತ್ತು ಸಂಪೂರ್ಣ ಚಿತ್ರವನ್ನು ವರ್ಗೀಕರಿಸುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ವರ್ಗೀಕರಣವು ಲೇಬಲ್‌ಗಳಿಲ್ಲದೆ ಹೋಲಿಕೆಯ ಆಧಾರದ ಮೇಲೆ ಡೇಟಾವನ್ನು ಕ್ಲಸ್ಟರಿಂಗ್ ಮಾಡುವುದು ಮತ್ತು ನಂತರ ಅದನ್ನು ಅರ್ಥೈಸುವುದು.

ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್‌ನಲ್ಲಿ AI ನ ಪಾತ್ರ

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ ಮೂರು ಹಂತಗಳಲ್ಲಿ ಕೊಡುಗೆ ನೀಡುತ್ತದೆ:

1. ಕೆಲಸದ ಹರಿವು ಮತ್ತು ವಿಧಾನದ ಆಯ್ಕೆ. "ಈ ಪ್ರಶ್ನೆಗೆ ಯಾವ ಬ್ಯಾಂಡ್‌ಗಳು, ಯಾವ ಸೂಚ್ಯಂಕ, ಯಾವ ವರ್ಗೀಕರಣವು ಸೂಕ್ತವಾಗಿದೆ?" ನಿಮ್ಮ ನಿರ್ಧಾರದಲ್ಲಿ ನಿಮಗೆ ಮಾರ್ಗದರ್ಶನ ನೀಡುತ್ತದೆ; ಕೋಡ್ ಅಸ್ಥಿಪಂಜರವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.
2. ವರ್ಗೀಕರಣ ಸ್ವತಃ. ಆಧುನಿಕ ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳು ಲಕ್ಷಾಂತರ ಪಿಕ್ಸೆಲ್‌ಗಳನ್ನು ಲ್ಯಾಂಡ್ ಕವರ್ ತರಗತಿಗಳಾಗಿ ವಿಂಗಡಿಸುತ್ತವೆ; ಇದು AI ನಿಜವಾದ ಕೆಲಸವನ್ನು ಮಾಡುವ ಮಧ್ಯಮ-ಹೆಚ್ಚಿನ ಕೊಡುಗೆ ಪ್ರದೇಶವಾಗಿದೆ.
3. ಫಲಿತಾಂಶದ ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ವರದಿ. ಇದು ವರ್ಗ ಅಂಕಿಅಂಶಗಳು, ಬದಲಾವಣೆ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ನಿಖರತೆಯ ವರದಿಯನ್ನು ಓದಬಲ್ಲ ಪಠ್ಯಕ್ಕೆ ಲಿಪ್ಯಂತರ ಮಾಡುತ್ತದೆ.

ಬ್ಲೈಂಡ್ ಸ್ಪಾಟ್: ಮಾದರಿಯು ತರಬೇತಿ ಪಡೆದ ಡೇಟಾ ಮತ್ತು ನೀವು ಒದಗಿಸುವ ಉದಾಹರಣೆಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. ಮೋಡದ ನೆರಳು ಮತ್ತು ನೀರು, ಬರಿಯ ಮಣ್ಣು ಮತ್ತು ಕೊಯ್ಲಿನ ನಂತರದ ಕ್ಷೇತ್ರ, ಆಳವಿಲ್ಲದ ನೀರು ಮತ್ತು ಒದ್ದೆಯಾದ ನೆಲವನ್ನು ಸುಲಭವಾಗಿ ಮಿಶ್ರಣ ಮಾಡಿ. ಆದ್ದರಿಂದ ವರ್ಗೀಕರಣ ನಕ್ಷೆಯು ಸುಂದರವಾಗಿ ಕಾಣುವುದರಿಂದ ಅದು ನಿಜವಲ್ಲ; ನಿಖರತೆಯನ್ನು ಅಳೆಯಬೇಕು.

ಸಲಹೆ: ನೀವು ವರ್ಗೀಕರಣವನ್ನು ಪ್ರಾರಂಭಿಸುವ ಮೊದಲು ನಿಮ್ಮ ಪ್ರಶ್ನೆಯನ್ನು ಸ್ಪಷ್ಟಪಡಿಸಿ. "ಭೂಮಿಯ ಕವರ್ ಅನ್ನು ವರ್ಗೀಕರಿಸಿ" ಅಸ್ಪಷ್ಟವಾಗಿದೆ; "2020-2025 ರ ನಡುವೆ ನಿರ್ಮಾಣದ ಪರವಾಗಿ ಕೃಷಿ ಭೂಮಿಯ ನಷ್ಟದ ನಕ್ಷೆ" ವರ್ಗ ಸೆಟ್ ಮತ್ತು ಪರಿಶೀಲನಾ ಮಾನದಂಡ ಎರಡನ್ನೂ ನಿರ್ಧರಿಸುತ್ತದೆ.

ಹಂತ ಹಂತವಾಗಿ: ಭೂ ಕವರ್ ವರ್ಗೀಕರಣ

1. ಡೇಟಾ ಮತ್ತು ಟೇಪ್‌ಗಳನ್ನು ತಯಾರಿಸಿ. ಚಿತ್ರದ ಕ್ಲೌಡ್ ಕವರ್, ಶೂಟಿಂಗ್ ದಿನಾಂಕ, ರೆಸಲ್ಯೂಶನ್ (ಪಿಕ್ಸೆಲ್ ಗಾತ್ರ) ಮತ್ತು ಬ್ಯಾಂಡ್ ಆರ್ಡರ್ ಅನ್ನು ದೃಢೀಕರಿಸಿ. ವಿಭಿನ್ನ ದಿನಾಂಕ/ಋತುವಿನ ತರಗತಿಗಳನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ.
2. ವರ್ಗ ಸೆಟ್ ಅನ್ನು ವಿವರಿಸಿ. ಎಷ್ಟು ವರ್ಗಗಳು, ಯಾವುದು (ನೀರು, ಅರಣ್ಯ, ಕೃಷಿ, ನಿರ್ಮಾಣ, ಬರಿಯ ನೆಲ)? ಕಡಿಮೆ ಮತ್ತು ಹೆಚ್ಚು ವಿಶಿಷ್ಟವಾದ ವರ್ಗಗಳು ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿವೆ.
3. ಸೂಚ್ಯಂಕಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ. NDVI (ಸಸ್ಯ), NDWI (ನೀರು) ನಂತಹ ಸೂಚ್ಯಂಕಗಳು ವರ್ಗಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸುತ್ತವೆ; ವರ್ಗೀಕರಣಕ್ಕೆ ಇನ್‌ಪುಟ್ ಆಗುತ್ತದೆ.
4. ತರಬೇತಿ ಮಾದರಿಗಳನ್ನು ಸಂಗ್ರಹಿಸಿ (ಮೇಲ್ವಿಚಾರಣೆಗಾಗಿ). ಪ್ರತಿ ವರ್ಗಕ್ಕೆ ಭೂಪ್ರದೇಶ ಪರಿಶೀಲನೆಯಿಂದ ದೃಢೀಕರಿಸಿದ ಮಾದರಿ ಬಹುಭುಜಾಕೃತಿಗಳು. ಮಾದರಿ ಗುಣಮಟ್ಟವು ನಿಖರತೆಯನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ.
5. ವರ್ಗೀಕರಿಸಿ ಮತ್ತು ಪರಿಶೀಲಿಸಿ. ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಿ, ನಂತರ ಸ್ವತಂತ್ರ (ತರಬೇತಿ ಪಡೆಯದ) ಮಾದರಿಗಳೊಂದಿಗೆ ದೋಷ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ನಿರ್ಮಿಸಿ ಮತ್ತು ಒಟ್ಟಾರೆ ನಿಖರತೆ ಮತ್ತು ಕಪ್ಪಾವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ.

ಗ್ರೌಂಡ್ ಟ್ರುತ್ ಮತ್ತು ಎರರ್ ಮ್ಯಾಟ್ರಿಕ್ಸ್

ವರ್ಗೀಕರಣದ ನಿಖರತೆಯನ್ನು ಕಣ್ಣಿನ ನಿರ್ಣಯದಿಂದ ಅಳೆಯಲಾಗುವುದಿಲ್ಲ. ನೆಲದ ಸತ್ಯವು ಕ್ಷೇತ್ರದಲ್ಲಿ ಅಥವಾ ವಿಶ್ವಾಸಾರ್ಹ ಉನ್ನತ-ರೆಸಲ್ಯೂಶನ್ ಮೂಲದಲ್ಲಿ ತಿಳಿದಿರುವ ನಿಜವಾದ ವರ್ಗದ ಸ್ವತಂತ್ರ ಮಾದರಿಯಾಗಿದೆ. ಈ ಉದಾಹರಣೆಗಳೊಂದಿಗೆ, ಗೊಂದಲದ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ಸ್ಥಾಪಿಸಲಾಗಿದೆ: ಪ್ರತಿ ವರ್ಗವು ಎಷ್ಟು ಬಾರಿ ಸರಿಯಾಗಿದೆ ಮತ್ತು ಯಾವ ವರ್ಗದೊಂದಿಗೆ ಎಷ್ಟು ಬಾರಿ ಗೊಂದಲಕ್ಕೊಳಗಾಗಿದೆ ಎಂದು ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ. ಇದರಿಂದ, ಒಟ್ಟಾರೆ ನಿಖರತೆ (ಅನುಪಾತವನ್ನು ಸರಿಯಾಗಿ ವರ್ಗೀಕರಿಸಲಾಗಿದೆ) ಮತ್ತು ಕಪ್ಪಾ (ಅವಕಾಶದ ಪರಿಣಾಮವನ್ನು ಸರಿಪಡಿಸುವ ಒಪ್ಪಂದದ ಅಳತೆ) ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ನಿರ್ಮಾಪಕ ನಿಖರತೆ (ಆ ವರ್ಗದಲ್ಲಿ ಎಷ್ಟು ಹಿಡಿಯಲಾಗಿದೆ) ಮತ್ತು ಬಳಕೆದಾರರ ನಿಖರತೆ (ಆ ವರ್ಗ ಎಷ್ಟು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿದೆ) ಅನ್ನು ವರ್ಗ ಆಧಾರದ ಮೇಲೆ ವರದಿ ಮಾಡಲಾಗುತ್ತದೆ.

ಎಚ್ಚರಿಕೆ: ನೀವು ತರಬೇತಿಗಾಗಿ ಬಳಸುವ ಉದಾಹರಣೆಗಳೊಂದಿಗೆ ನಿಖರತೆಯನ್ನು ಅಳೆಯಬೇಡಿ. ಅದೇ ಉದಾಹರಣೆಗಳು ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷೆ ವೇಳೆ, ನಿಖರತೆ ಕೃತಕವಾಗಿ ಹೆಚ್ಚು ಆಗುತ್ತದೆ; ಇದೊಂದು ಭ್ರಮೆ. ಮೌಲ್ಯಮಾಪನ ಮಾದರಿಗಳು ಸ್ವತಂತ್ರವಾಗಿರಬೇಕು.

ಮೂರು ಮಿನಿ ಪ್ರಕರಣಗಳು: ಸಂಖ್ಯೆಗಳ ಮೂಲಕ

ಪ್ರಕರಣ 1 — ಮೋಡದ ನೆರಳು ನೀರು ಎಂದು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸಲಾಗಿದೆ. ಒಂದು ವರ್ಗೀಕರಣದಲ್ಲಿ, ಮಾದರಿಯು ಮೋಡದ ನೆರಳುಗಳನ್ನು "ನೀರು" ಎಂದು ಲೇಬಲ್ ಮಾಡಿದಾಗ, ಸರೋವರದ ಪ್ರದೇಶವು ನಿಜವಾಗಿ ಇಲ್ಲದಿರುವಲ್ಲಿ ಬೆಳೆಯಿತು; ನೀರಿನ ವರ್ಗದ ಬಳಕೆದಾರರ ನಿಖರತೆ 70% ಕ್ಕೆ ಇಳಿದಿದೆ. NDWI ಸೂಚ್ಯಂಕ ಮತ್ತು ಕ್ಲೌಡ್ ಮಾಸ್ಕ್ ಅನ್ನು ಸೇರಿಸಿದಾಗ, ನೆರಳು/ನೀರಿನ ಹಸ್ತಕ್ಷೇಪ ಕಡಿಮೆಯಾಯಿತು ಮತ್ತು ನೀರಿನ ನಿಖರತೆಯು 90% ಕ್ಕಿಂತ ಹೆಚ್ಚಾಯಿತು.

ಪ್ರಕರಣ 2 - ವರದಿಯನ್ನು ನೆಲದ ಸತ್ಯದಿಂದ ಮರುಪಡೆಯಲಾಗಿದೆ. ಕೃಷಿ ದಾಸ್ತಾನು ಅಧ್ಯಯನವು ಆರಂಭಿಕ ವರ್ಗೀಕರಣದ 82% ಒಟ್ಟಾರೆ ನಿಖರತೆಯನ್ನು ವರದಿ ಮಾಡಿದೆ, ಆದರೆ ಇದನ್ನು ತರಬೇತಿ ಮಾದರಿಗಳೊಂದಿಗೆ ಅಳೆಯಲಾಗುತ್ತದೆ. 120 ಸ್ವತಂತ್ರ ನೆಲದ ಸತ್ಯದ ಅಂಕಗಳೊಂದಿಗೆ ಮರುಮಾಪನ ಮಾಡಿದಾಗ, ನಿಜವಾದ ಒಟ್ಟಾರೆ ನಿಖರತೆ 71% ಆಗಿತ್ತು; ಕೃಷಿ ಮತ್ತು ಬರಿಯ ನೆಲವು ಗಂಭೀರವಾಗಿ ಹಸ್ತಕ್ಷೇಪ ಮಾಡುತ್ತಿದೆ. ಹೆಚ್ಚುವರಿ ತರಬೇತಿ ಉದಾಹರಣೆಗಳೊಂದಿಗೆ, ವರ್ಗೀಕರಣವನ್ನು ಸುಧಾರಿಸಲಾಯಿತು ಮತ್ತು ನಿಖರತೆಯನ್ನು 84% ಗೆ ಹೆಚ್ಚಿಸಲಾಯಿತು. ಪಾಠ: ನಿಖರತೆಯನ್ನು ಸ್ವತಂತ್ರ ಮಾದರಿಯಿಂದ ಅಳೆಯಲಾಗುತ್ತದೆ.

ಪ್ರಕರಣ 3 - ಕಾಲೋಚಿತ ಬಲೆ. ಎರಡು ವಿಭಿನ್ನ ದಿನಾಂಕಗಳಲ್ಲಿ (ವಸಂತ ಮತ್ತು ಬೇಸಿಗೆಯ ಕೊನೆಯಲ್ಲಿ) ತೆಗೆದ ಚಿತ್ರಗಳನ್ನು ಒಟ್ಟಿಗೆ ಬೆರೆಸಿದಾಗ, ಕೊಯ್ಲು ಮಾಡಿದ ಹೊಲಗಳು "ಬೇರ್ ಗ್ರೌಂಡ್" ವರ್ಗಕ್ಕೆ ಸ್ಥಳಾಂತರಗೊಂಡವು ಮತ್ತು ಕೃಷಿ ಪ್ರದೇಶವು 15% ನಷ್ಟು ಕಾಣೆಯಾಗಿದೆ. ಅದೇ ಋತುವಿನಿಂದ ಚಿತ್ರಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಿದಾಗ ಮತ್ತು ಫಿನಾಲಾಜಿಕಲ್ ಸ್ಥಿರತೆಯನ್ನು ಸಾಧಿಸಿದಾಗ ಫಲಿತಾಂಶಗಳು ಸುಧಾರಿಸಿದವು.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:

ಈ ಉಪಗ್ರಹ ಚಿತ್ರವನ್ನು ವರ್ಗೀಕರಿಸಿ.

ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:

ಕಾರ್ಯ: ಲ್ಯಾಂಡ್ ಕವರ್ ವರ್ಗೀಕರಣ ವರ್ಕ್‌ಫ್ಲೋ ಅನ್ನು ನಿರ್ಮಿಸಿ (ಪೈಥಾನ್/ರಾಸ್ಟಿಯೊ + ಸ್ಕಿಕಿಟ್-ಲರ್ನ್ ಕೋಡ್ ಅಸ್ಥಿಪಂಜರವನ್ನು ಒಳಗೊಂಡಂತೆ) (NDVI, NDWI) ಸೇರಿಸಲು ಮತ್ತು ಏಕೆ ಬರೆಯಲು.2) ಮೇಲ್ವಿಚಾರಣೆಯ ವರ್ಗೀಕರಣ ಹಂತಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ; ತರಬೇತಿ ಮತ್ತು ಮೌಲ್ಯೀಕರಣದ ಮಾದರಿಗಳು ಪ್ರತ್ಯೇಕವಾಗಿರಬೇಕೆಂದು ಒತ್ತಿಹೇಳಿ. 3) ಕೋಡ್ ಅಸ್ಥಿಪಂಜರದಲ್ಲಿ ದೋಷ ಮ್ಯಾಟ್ರಿಕ್ಸ್ + ಒಟ್ಟಾರೆ ನಿಖರತೆ + ಕಪ್ಪಾ ಲೆಕ್ಕಾಚಾರವನ್ನು ಹಾಕಿ. 4) ಮೋಡ/ನೆರಳು ಮತ್ತು ಋತುವಿನ ಗೊಂದಲದ ಅಪಾಯಗಳನ್ನು ಗಮನಿಸಿ.

ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್ ವರ್ಗ ಸೆಟ್, ರೆಸಲ್ಯೂಶನ್, ಸೂಚ್ಯಂಕ ತಾರ್ಕಿಕತೆ ಮತ್ತು ಮೌಲ್ಯೀಕರಣದ ವ್ಯತ್ಯಾಸವನ್ನು ಸೂಚಿಸುತ್ತದೆ; ಔಟ್ಪುಟ್ ಅಳೆಯಬಹುದು.

ನಾಲ್ಕು ನಕಲು ಮಾಡಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

1) ವಿಧಾನ/ಸೂಚ್ಯಂಕ ಆಯ್ಕೆ:

ವಸ್ತುನಿಷ್ಠ [ಗುರಿ] ಮತ್ತು ಸಂವೇದಕ [ಬ್ಯಾಂಡ್‌ಗಳು/ರೆಸಲ್ಯೂಶನ್] ಗಾಗಿ ನೀವು ಯಾವ ಸ್ಪೆಕ್ಟ್ರಲ್ ಇಂಡೆಕ್ಸ್ ಮತ್ತು ವರ್ಗೀಕರಣ ವಿಧಾನವನ್ನು ಶಿಫಾರಸು ಮಾಡುತ್ತೀರಿ? ಪ್ರತಿ ಆಯ್ಕೆಗೆ, ತರ್ಕಬದ್ಧತೆ ಮತ್ತು ಗೊಂದಲದ ಸಂಭಾವ್ಯ ಅಪಾಯವನ್ನು ಬರೆಯಿರಿ (ಯಾವ ವರ್ಗಗಳು ಪರಸ್ಪರ ಹೋಲುತ್ತವೆ).

2) ವರ್ಗೀಕರಣ ಕೋಡ್ ಅಸ್ಥಿಪಂಜರ:

Rasterio + scikit-learn ಜೊತೆಗೆ ಮೇಲ್ವಿಚಾರಣೆಯ ವರ್ಗೀಕರಣ ಚೌಕಟ್ಟನ್ನು ಬರೆಯಿರಿ: ಟೇಪ್ ಓದುವಿಕೆ, ಸೂಚ್ಯಂಕ ಲೆಕ್ಕಾಚಾರ, ತರಬೇತಿ/ಮೌಲ್ಯಮಾಪನ ಮಾದರಿಗಳ ಪ್ರತ್ಯೇಕತೆ, ವರ್ಗೀಕರಣ, ದೋಷ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಮತ್ತು ನಿಖರತೆಯ ಔಟ್‌ಪುಟ್. CRS ಅನ್ನು ನಿರ್ವಹಿಸಿ; ವಿವರಿಸಿ.

3) ನಿಖರತೆಯ ಮೌಲ್ಯಮಾಪನ ಸೆಟಪ್:

ವರ್ಗೀಕರಣದ ನಿಖರತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಯೋಜನೆಯನ್ನು ಬರೆಯಿರಿ: ಸ್ವತಂತ್ರ ಗ್ರೌಂಡ್‌ಟ್ರೂತ್ ಮಾದರಿ ವಿನ್ಯಾಸ, ದೋಷ ಮ್ಯಾಟ್ರಿಕ್ಸ್, ಒಟ್ಟಾರೆ ನಿಖರತೆ, ಕಪ್ಪಾ, ವರ್ಗದ ಪ್ರಕಾರ ನಿರ್ಮಾಪಕ/ಬಳಕೆದಾರರ ನಿಖರತೆ. ಪ್ರತಿ ಮೆಟ್ರಿಕ್ ಏನು ಹೇಳುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸಿ.

4) ಹಸ್ತಕ್ಷೇಪ ರೋಗನಿರ್ಣಯ:

ಕೆಳಗಿನ ದೋಷ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳಿ: ಯಾವ ವರ್ಗಗಳು ಪರಸ್ಪರ ಅಡ್ಡಿಪಡಿಸುತ್ತಿವೆ, ಸಂಭವನೀಯ ಸ್ಪೆಕ್ಟ್ರಲ್ / ಕಾಲೋಚಿತ ಕಾರಣ ಏನು, ಯಾವ ಹೆಚ್ಚುವರಿ ಡೇಟಾ (ಸೂಚ್ಯಂಕ, ಮುಖವಾಡ, ದಿನಾಂಕ) ಗೊಂದಲವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ? ಮ್ಯಾಟ್ರಿಕ್ಸ್: [ದೋಷ ಮ್ಯಾಟ್ರಿಕ್ಸ್]

ವರ್ಗೀಕರಣ ಪರಿಕಲ್ಪನೆಗಳ ಹೋಲಿಕೆ

ಪರಿಕಲ್ಪನೆ

ಅರ್ಥ

ಯಾವಾಗ

ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲಾಯಿತು

ಲೇಬಲ್ ಮಾಡಿದ ಉದಾಹರಣೆಯೊಂದಿಗೆ ತರಬೇತಿ

ತರಗತಿಗಳು ಪೂರ್ವನಿರ್ಧರಿತವಾಗಿವೆ

ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಿಲ್ಲ

ಲೇಬಲ್-ಮುಕ್ತ ಕ್ಲಸ್ಟರಿಂಗ್

ಅನ್ವೇಷಣೆ, ಉದಾಹರಣೆಗಳಿಲ್ಲ

NDVI

ಸಸ್ಯ ಚೈತನ್ಯ ಸೂಚ್ಯಂಕ

ಸಸ್ಯ/ಬೇರ್/ನೀರು ಬೇರ್ಪಡಿಕೆ

NDWI

ನೀರಿನ ಸೂಚ್ಯಂಕ

ನೀರಿನ ದೇಹದ ಪ್ರತ್ಯೇಕತೆ

ದೋಷ ಮ್ಯಾಟ್ರಿಕ್ಸ್

ಸರಿ/ಸುಳ್ಳು ಎಣಿಕೆ

ನಿಖರತೆ ಮಾಪನ

ಕಪ್ಪ

ಅವಕಾಶ-ಸರಿಪಡಿಸಿದ ಫಿಟ್

ಪ್ರಮಾಣಿತ ನಿಖರತೆಯ ವರದಿ

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ತರಬೇತಿಯ ಉದಾಹರಣೆಗಳೊಂದಿಗೆ ನಿಖರತೆಯನ್ನು ಅಳೆಯುವುದು. ಸ್ವತಂತ್ರವಲ್ಲದ ಪರೀಕ್ಷೆಯು ಕೃತಕವಾಗಿ ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ನೀಡುತ್ತದೆ.
• ನಿಖರತೆಯನ್ನು ಎಂದಿಗೂ ಅಳೆಯದೆ ನಕ್ಷೆಯನ್ನು ಹಸ್ತಾಂತರಿಸುವುದು. "ಚೆನ್ನಾಗಿ ಕಾಣುತ್ತದೆ" ಎಂಬುದು ನಿಖರತೆಯ ಪುರಾವೆಯಲ್ಲ.
• ಮೋಡ/ನೆರಳು ಮುಖವಾಡವನ್ನು ಬಿಟ್ಟುಬಿಡುವುದು. ನೆರಳು ನೀರಿನೊಂದಿಗೆ ಬೆರೆಯುತ್ತದೆ, ಮೋಡವು ಹಿಮ/ರಚನೆಯೊಂದಿಗೆ ಬೆರೆಯುತ್ತದೆ.
• ವಿವಿಧ ಸೀಸನ್/ಡೇಟ್ ಚಿತ್ರಗಳನ್ನು ಮಿಶ್ರಣ ಮಾಡುವುದು. ಫಿನೋಲಾಜಿಕಲ್ ವ್ಯತ್ಯಾಸಗಳು ವರ್ಗಗಳನ್ನು ಬದಲಾಯಿಸುತ್ತವೆ.
• ಹಲವಾರು ಮತ್ತು ಒಂದೇ ರೀತಿಯ ವರ್ಗಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು. ಪ್ರತ್ಯೇಕಿಸಲಾಗದ ವರ್ಗಗಳು ನಿಖರತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.
• ನಿರ್ಣಯವನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತಿದೆ. ಒಂದೇ ಪಿಕ್ಸೆಲ್‌ಗಿಂತ ಚಿಕ್ಕದಾಗಿದ್ದರೆ ಸಣ್ಣ ವಸ್ತುಗಳನ್ನು ವರ್ಗೀಕರಿಸಲಾಗುವುದಿಲ್ಲ.

ಸಾರಾಂಶದಲ್ಲಿ

ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್‌ನಲ್ಲಿ, ಮಲ್ಟಿಸ್ಪೆಕ್ಟ್ರಲ್ ಡೇಟಾದಿಂದ ಲ್ಯಾಂಡ್ ಕವರ್ ಮ್ಯಾಪಿಂಗ್‌ಗೆ ವರ್ಕ್‌ಫ್ಲೋ ಅನ್ನು AI ವೇಗಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಹೆಚ್ಚಿನ ವರ್ಗೀಕರಣವನ್ನು ತೆಗೆದುಕೊಳ್ಳಬಹುದು. ಆದರೆ ವರ್ಗೀಕರಣ ನಕ್ಷೆಯು ಅದರ ನಿಖರತೆಯನ್ನು ಅಳತೆ ಮಾಡಿದರೆ ಮಾತ್ರ ಉಪಯುಕ್ತವಾಗಿದೆ: ಸ್ವತಂತ್ರ ನೆಲದ ಸತ್ಯದ ಮಾದರಿಗಳೊಂದಿಗೆ ದೋಷ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ನಿರ್ಮಿಸಲು ಮತ್ತು ಒಟ್ಟಾರೆ ನಿಖರತೆ ಮತ್ತು ಕಪ್ಪಾವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಇದು ಪ್ರಮಾಣಿತವಾಗಿದೆ. ಮೋಡ/ನೆರಳು, ಕಾಲೋಚಿತ ಬದಲಾವಣೆ, ಮತ್ತು ಒಂದೇ ರೀತಿಯ ವರ್ಗಗಳು ಹಸ್ತಕ್ಷೇಪದ ವಿಶಿಷ್ಟ ಮೂಲಗಳಾಗಿವೆ; ಸೂಚ್ಯಂಕ, ಮುಖವಾಡ ಮತ್ತು ದಿನಾಂಕದ ಸ್ಥಿರತೆಯೊಂದಿಗೆ ಅವುಗಳನ್ನು ನಿರ್ವಹಿಸಿ. ತರಬೇತಿ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ಮಾದರಿಗಳನ್ನು ಎಂದಿಗೂ ಮಿಶ್ರಣ ಮಾಡಬೇಡಿ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಲ್ಯಾಂಡ್ ಕವರ್ ಪ್ರಶ್ನೆಯನ್ನು ಆಯ್ಕೆಮಾಡಿ (ಉದಾ. "ನಗರ ಹಸಿರು ಜಾಗದ ನಕ್ಷೆ"). ನೀವು ಬಳಸುವ ವರ್ಗ ಸೆಟ್, ಬ್ಯಾಂಡ್‌ಗಳು ಮತ್ತು ಸೂಚ್ಯಂಕಗಳನ್ನು ಬರೆಯಿರಿ (ಕನಿಷ್ಠ NDVI). AI ಮೇಲ್ವಿಚಾರಣೆಯ ವರ್ಗೀಕರಣ ವರ್ಕ್‌ಫ್ಲೋ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ತರಬೇತಿ ಮತ್ತು ಊರ್ಜಿತಗೊಳಿಸುವಿಕೆಯ ಮಾದರಿಗಳು ಪ್ರತ್ಯೇಕವಾಗಿವೆ ಮತ್ತು ದೋಷ ಮ್ಯಾಟ್ರಿಕ್ಸ್ + ಕಪ್ಪಾ ಲೆಕ್ಕಾಚಾರವನ್ನು ಔಟ್‌ಪುಟ್‌ನಲ್ಲಿ ಸೇರಿಸಲಾಗಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ. ನಂತರ "ಗೊಂದಲದ ಅಪಾಯ" ಪಟ್ಟಿಯನ್ನು ಮಾಡಿ: ಯಾವ ಎರಡು ವರ್ಗಗಳು ಹೋಲುತ್ತವೆ ಮತ್ತು ನೀವು ಅವುಗಳನ್ನು ಹೇಗೆ ಪ್ರತ್ಯೇಕಿಸುತ್ತೀರಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ತರಗತಿಯ ಸೆಟ್ ಅನ್ನು ಚಿಕ್ಕದಾಗಿ ಮತ್ತು ಪ್ರತ್ಯೇಕಿಸುವಂತೆ ಇರಿಸಿದೆ.
• [ ] ನಾನು ಉದ್ದೇಶಕ್ಕಾಗಿ ಸೂಕ್ತವಾದ ಸ್ಪೆಕ್ಟ್ರಲ್ ಸೂಚ್ಯಂಕಗಳನ್ನು (NDVI/NDWI) ಸೇರಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ತರಬೇತಿ ಮತ್ತು ಮೌಲ್ಯೀಕರಣದ ಉದಾಹರಣೆಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಮೋಡ/ನೆರಳು ಮುಖವಾಡ ಮತ್ತು ಋತುವಿನ ಸ್ಥಿರತೆಯನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಸ್ವತಂತ್ರ ನೆಲದ ಸತ್ಯದೊಂದಿಗೆ ನಿಖರತೆಯನ್ನು ಅಳೆಯುತ್ತೇನೆ.
• [ ] ನಾನು ದೋಷ ಮ್ಯಾಟ್ರಿಕ್ಸ್, ಒಟ್ಟಾರೆ ನಿಖರತೆ ಮತ್ತು ಕಪ್ಪಾವನ್ನು ವರದಿ ಮಾಡಿದ್ದೇನೆ.
• [ ] ನಾನು ಕ್ಲಾಸ್ ಮಿಕ್ಸ್-ಅಪ್‌ಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಿದೆ ಮತ್ತು ಗುಣಪಡಿಸಿದೆ.
• [ ] ನಕ್ಷೆಯು ಅದರ ಉದ್ದೇಶಿತ ಬಳಕೆಗೆ ನಿಖರವಾಗಿದೆ ಎಂದು ನಾನು ಅದನ್ನು ಎಂಜಿನಿಯರ್ ಅನುಮೋದನೆಗೆ ಒಳಪಡಿಸಿದ್ದೇನೆ.