ಉಪಗ್ರಹ ಮತ್ತು ವೈಮಾನಿಕ ಚಿತ್ರಗಳೊಂದಿಗೆ ನಗರ ಬದಲಾವಣೆಯ ವಿಶ್ಲೇಷಣೆ

ಲಾಭಗಳು:

• ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ಮತ್ತು ಉಪಗ್ರಹ ಚಿತ್ರಣದ ಮೂಲಕ ನಗರ ವಿಸ್ತರಣೆ, ನಿರ್ಮಾಣ ಮತ್ತು ಭೂ ಕವರ್ ಬದಲಾವಣೆಯ AI-ಬೆಂಬಲಿತ ಪತ್ತೆಯ ತರ್ಕವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು.
• ಚಿತ್ರದ ವರ್ಗೀಕರಣವನ್ನು ವಿಮರ್ಶಾತ್ಮಕವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ನಿಖರತೆ, ರೆಸಲ್ಯೂಶನ್ ಮತ್ತು ದಿನಾಂಕದ ಮಾಹಿತಿಯೊಂದಿಗೆ ಪತ್ತೆ ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ಬದಲಾಯಿಸುವುದು
• AI ಚಿತ್ರದಿಂದ ಹೊರತೆಗೆಯುವ ಗಡಿಗಳನ್ನು ಕ್ಷೇತ್ರ ಮತ್ತು ಅಧಿಕೃತ ದಾಖಲೆಗಳಿಂದ ದೃಢೀಕರಿಸಬೇಕು ಮತ್ತು ಕಾನೂನು ಪುರಾವೆಯಾಗಿರಬಾರದು ಎಂದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ.

ಕಳೆದೊಂದು ದಶಕದಲ್ಲಿ ನಗರವೊಂದು ಎಲ್ಲಿ, ಎಷ್ಟು ಮತ್ತು ಎಷ್ಟು ವೇಗವಾಗಿ ಬೆಳೆದಿದೆ ಎಂದು ನೋಡಲು ಒಂದೊಂದಾಗಿ ಹೊಲಕ್ಕೆ ಹೋಗುವುದು ಅಸಾಧ್ಯ. ಬದಲಾಗಿ, ಯೋಜಕರು ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ಅನ್ನು ಬಳಸುತ್ತಾರೆ (ಉಪಗ್ರಹಗಳು ಮತ್ತು ವಿಮಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಭೂಮಿಯ ಚಿತ್ರಣ ಮತ್ತು ಡೇಟಾವನ್ನು ಹೊರತೆಗೆಯುವುದು). ವಿವಿಧ ದಿನಾಂಕಗಳಿಂದ ಉಪಗ್ರಹ ಚಿತ್ರಗಳನ್ನು ಹೋಲಿಸುವ ಮೂಲಕ, ನೀವು ಹೊಸ ನಿರ್ಮಾಣ, ಕಳೆದುಹೋದ ಕೃಷಿ ಭೂಮಿ, ಅಕ್ರಮ ನಿರ್ಮಾಣವನ್ನು ವಿಸ್ತರಿಸುವುದು ಅಥವಾ ಹಸಿರು ಜಾಗವನ್ನು ಕುಗ್ಗಿಸುವುದನ್ನು ಪತ್ತೆ ಮಾಡಬಹುದು. ಈ ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸುವಲ್ಲಿ AI ಪ್ರಬಲ ವೇಗವರ್ಧಕವಾಗಿದೆ (ಪ್ರತಿ ಪಿಕ್ಸೆಲ್ ಅನ್ನು "ರಚನೆ," "ಸಸ್ಯ," "ನೀರು, ಇತ್ಯಾದಿ ಎಂದು ಲೇಬಲ್ ಮಾಡುವುದು) ಮತ್ತು ಎರಡು ದಿನಾಂಕಗಳ ನಡುವಿನ ಬದಲಾವಣೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುತ್ತದೆ. ಆದರೆ ಚಿತ್ರ ವಿಶ್ಲೇಷಣೆಯು ರೆಸಲ್ಯೂಶನ್, ದಿನಾಂಕ, ನೆರಳು, ಮೋಡ ಮತ್ತು ವರ್ಗೀಕರಣ ದೋಷದಿಂದ ತುಂಬಿದೆ. AI ಧ್ವಜಗಳು ನೆರಳು, ಕಾಲೋಚಿತ ವ್ಯತ್ಯಾಸ ಅಥವಾ ದೋಷವಾಗಿರಬಹುದಾದ "ಬದಲಾವಣೆ". ಆದ್ದರಿಂದ, ಚಿತ್ರದಿಂದ ಪಡೆದ ಯಾವುದೇ ತೀರ್ಮಾನವನ್ನು ಕ್ಷೇತ್ರ ಮತ್ತು ಅಧಿಕೃತ ದಾಖಲೆಗಳಿಂದ ದೃಢೀಕರಿಸದೆ ಕಾನೂನು ಕ್ರಮಕ್ಕೆ ಆಧಾರವಾಗಿ ಬಳಸಲಾಗುವುದಿಲ್ಲ.

ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್‌ನ ಮೂಲ ಪರಿಕಲ್ಪನೆಗಳು

ರೆಸಲ್ಯೂಶನ್: ನೆಲದ ಮೇಲೆ ಪಿಕ್ಸೆಲ್ ಆಕ್ರಮಿಸಿಕೊಂಡಿರುವ ಪ್ರದೇಶ. 10 ಮೀಟರ್ ರೆಸಲ್ಯೂಶನ್‌ನಲ್ಲಿ, ಒಂದು ಪಿಕ್ಸೆಲ್ 10x10 ಮೀಟರ್‌ಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ; ಸಣ್ಣ ಹೊರಾಂಗಣವು ಗೋಚರಿಸುವುದಿಲ್ಲ. ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ (ಉದಾ. 0.3-1 ಮೀಟರ್) ಎಂದರೆ ಹೆಚ್ಚು ವಿವರ ಆದರೆ ಹೆಚ್ಚು ದುಬಾರಿ ಮತ್ತು ಕಡಿಮೆ ಆಗಾಗ್ಗೆ ಡೇಟಾ.

ಸ್ಪೆಕ್ಟ್ರಲ್ ಬ್ಯಾಂಡ್: ಉಪಗ್ರಹಗಳು ಕಣ್ಣಿಗೆ ಕಾಣದ ಬೆಳಕನ್ನು ಸಹ ದಾಖಲಿಸುತ್ತವೆ (ಉದಾಹರಣೆಗೆ ಅತಿಗೆಂಪು). ಅತಿಗೆಂಪು ಬಣ್ಣದಲ್ಲಿ ಸಸ್ಯವರ್ಗವು ಹೊಳೆಯುತ್ತದೆ; ಇದು ಸಸ್ಯವನ್ನು ರಚನೆಯಿಂದ ಬೇರ್ಪಡಿಸಲು ಸುಲಭಗೊಳಿಸುತ್ತದೆ. ಗ್ರೀನ್‌ಫೀಲ್ಡ್ ಟ್ರ್ಯಾಕಿಂಗ್‌ನಲ್ಲಿ NDVI (ಸಸ್ಯ ಶಕ್ತಿಯನ್ನು ಅಳೆಯುವ ಸರಳ ಕ್ಯಾಲ್ಕುಲೇಟರ್) ನಂತಹ ಸೂಚ್ಯಂಕಗಳು ಸಾಮಾನ್ಯವಾಗಿದೆ.

ದಿನಾಂಕ ಮತ್ತು ಋತು: ಎರಡು ಚಿತ್ರಗಳು ವಿವಿಧ ಋತುಗಳಲ್ಲಿ ಇದ್ದರೆ, ಹಸಿರು ಕಡಿಮೆಯಾಗುವುದು "ನಷ್ಟ" ಅಲ್ಲ ಆದರೆ ಚಳಿಗಾಲದ ಆಗಮನವಾಗಿದೆ. ದಿನಾಂಕ ಮತ್ತು ಋತುವಿನ ಸಾಮರಸ್ಯವು ಹೋಲಿಸಿದರೆ ಅತ್ಯಗತ್ಯ.

ನಿಖರತೆ: ವರ್ಗೀಕರಣವು ಎಷ್ಟು ನಿಖರವಾಗಿದೆ ಎಂಬುದನ್ನು ಅಳೆಯುವ ಮೌಲ್ಯ. "85 ಪ್ರತಿಶತ ನಿಖರತೆ" ಎಂದರೆ ಪ್ರತಿ ಆರು ಪಿಕ್ಸೆಲ್‌ಗಳಲ್ಲಿ ಒಂದನ್ನು ತಪ್ಪಾಗಿ ಲೇಬಲ್ ಮಾಡಬಹುದು; ಲೆಕ್ಕಪರಿಶೋಧನಾ ಪ್ರಕ್ರಿಯೆಗೆ ಇದು ಗಮನಾರ್ಹವಾದ ದೋಷವಾಗಿದೆ.

ಗಮನ: ಉಪಗ್ರಹ ಚಿತ್ರದಿಂದ AI ನಿಂದ ಪತ್ತೆಯಾದ ರಚನೆಯು ಅಕ್ರಮ ರಚನೆಯ ಪುರಾವೆಯಾಗಿಲ್ಲ. ನೆರಳು, ನಿರ್ಣಯ, ದಿನಾಂಕ ಮತ್ತು ವರ್ಗೀಕರಣ ದೋಷವು ತಪ್ಪು ಧನಾತ್ಮಕತೆಯನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ. ತಪಾಸಣೆ ಮತ್ತು ಜಾರಿಗೊಳಿಸುವಿಕೆಗೆ ಯಾವಾಗಲೂ ಸೈಟ್ ನಿಯಂತ್ರಣ, ಶೀರ್ಷಿಕೆ ಪತ್ರ/ಪರವಾನಗಿ ನೋಂದಣಿ ಮತ್ತು ಅಧಿಕೃತ ಅಳತೆ ಅಗತ್ಯವಿರುತ್ತದೆ.

ಉಚಿತ ಮತ್ತು ಮುಕ್ತ ಉಪಗ್ರಹ ಡೇಟಾ (ಯುರೋಪ್‌ನ ಸೆಂಟಿನೆಲ್ ಮತ್ತು ಯುಎಸ್‌ನ ಲ್ಯಾಂಡ್‌ಸ್ಯಾಟ್ ಕಾರ್ಯಕ್ರಮಗಳಂತಹ ಮೂಲಗಳು) ಯೋಜನೆಗೆ ತರುವ ದೊಡ್ಡ ಮೌಲ್ಯವೆಂದರೆ ಐತಿಹಾಸಿಕ ಸಮಯದ ಸರಣಿ: ನೀವು ಒಂದೇ ಪ್ರದೇಶದ ಹಲವಾರು ವರ್ಷಗಳ ಚಿತ್ರಗಳಿಗೆ ಪ್ರವೇಶವನ್ನು ಹೊಂದಿದ್ದೀರಿ. ಇದು "ಮೊದಲು/ನಂತರ" ಹೋಲಿಕೆಯನ್ನು ಮೀರಿ ಹೋಗಲು ಮತ್ತು ನೆರೆಹೊರೆಯ ವಿಸ್ತಾರದ ದರ, ಕಾಲೋಚಿತ ಏರಿಳಿತ ಮತ್ತು ಪ್ರವೃತ್ತಿಯನ್ನು ನೋಡಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ. AI ಈ ದೀರ್ಘ ಸರಣಿಯನ್ನು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಲು ಮತ್ತು ಶಬ್ದದಿಂದ ಬದಲಾವಣೆಯ ಅರ್ಥಪೂರ್ಣ ಮಾದರಿಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ಸಹಾಯಕವಾಗಿದೆ. ಆದರೆ ಅದೇ ನಿಯಮವು ಸಮಯ ಸರಣಿಯಲ್ಲಿ ಅನ್ವಯಿಸುತ್ತದೆ: ಪ್ರವೃತ್ತಿಯು ಎಷ್ಟೇ ಸ್ಪಷ್ಟವಾಗಿ ಗೋಚರಿಸಿದರೂ, ಚಿತ್ರಗಳ ರೆಸಲ್ಯೂಶನ್, ಮೋಡದ ದರ ಮತ್ತು ಋತುಮಾನವು ಫಲಿತಾಂಶವನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ; ಈ ಮೂರು ಅಂಶಗಳನ್ನು ವರದಿ ಮಾಡದೆ ಯಾವುದೇ ಪ್ರವೃತ್ತಿಯನ್ನು ವಿಶ್ವಾಸಾರ್ಹವೆಂದು ಪರಿಗಣಿಸಲಾಗುವುದಿಲ್ಲ.

ಬದಲಾವಣೆ ಪತ್ತೆ ತರ್ಕ

ಎರಡು ದಿನಾಂಕದ ಚಿತ್ರಗಳನ್ನು ಹೋಲಿಸಲು ಹಲವಾರು ಮಾರ್ಗಗಳಿವೆ: ಎರಡೂ ದಿನಾಂಕಗಳನ್ನು ವರ್ಗೀಕರಿಸುವುದು ಮತ್ತು ತರಗತಿಗಳನ್ನು ಹೋಲಿಸುವುದು, ಸೂಚ್ಯಂಕ ವ್ಯತ್ಯಾಸವನ್ನು ಪಡೆಯುವುದು (ಉದಾ. NDVI ವ್ಯತ್ಯಾಸ), ಅಥವಾ AI ಮಾದರಿಯೊಂದಿಗೆ ನೇರವಾಗಿ "ಬದಲಾದ/ಬದಲಾಗಿಲ್ಲ" ನಕ್ಷೆಯನ್ನು ತಯಾರಿಸುವುದು. ಫಲಿತಾಂಶವು ಬದಲಾವಣೆಯ ನಕ್ಷೆಯಾಗಿದೆ: ಹೊಸ ರಚನೆ ಎಲ್ಲಿದೆ, ಸಸ್ಯವು ಎಲ್ಲಿ ಕಳೆದುಹೋಗಿದೆ. ಈ ನಕ್ಷೆಯು ಪ್ರಾಥಮಿಕ ಸ್ಕ್ರೀನಿಂಗ್‌ನಂತೆ ಅತ್ಯಮೂಲ್ಯವಾಗಿದೆ - ಇದು "ಅಲ್ಲಿ ನೋಡು" ಎಂದು ಯೋಜಕರಿಗೆ ಹೇಳುತ್ತದೆ. ಆದರೆ ಪ್ರತಿಯೊಂದು ಚಿಹ್ನೆಯು ನಿಜವಾದ ಬದಲಾವಣೆಯೇ ಅಥವಾ ದೋಷವೇ ಎಂದು ಪ್ರತ್ಯೇಕವಾಗಿ ಪರಿಶೀಲಿಸಲಾಗುತ್ತದೆ.

ಹಂತ ಹಂತವಾಗಿ: AI ಚಾಲಿತ ಬದಲಾವಣೆ ವಿಶ್ಲೇಷಣೆ

1. ಪ್ರಶ್ನೆಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ. "2018 ಮತ್ತು 2024 ರ ನಡುವೆ [ಪ್ರದೇಶದಲ್ಲಿ] ಹೊಸ ನಿರ್ಮಾಣ ಎಲ್ಲಿದೆ?"
2. ಚಿತ್ರವನ್ನು ಆಯ್ಕೆಮಾಡಿ. ಇದೇ ಸೀಸನ್, ಸ್ವೀಕಾರಾರ್ಹ ರೆಸಲ್ಯೂಶನ್, ಕಡಿಮೆ ಮೋಡ.
3. ಪೂರ್ವ ಸಂಸ್ಕರಣೆ. ಅದನ್ನು ಅದೇ CRS ಗೆ ತನ್ನಿ, ಜೋಡಿಸಿ, ಮೋಡ/ನೆರಳು ಮಾಸ್ಕ್ ಅನ್ನು ಅನ್ವಯಿಸಿ.
4. ವರ್ಗೀಕರಿಸಿ/ಹೋಲಿಸಿ. AI ನೊಂದಿಗೆ ವರ್ಗವನ್ನು ರಚಿಸಿ ಅಥವಾ ನಕ್ಷೆಯನ್ನು ಬದಲಾಯಿಸಿ.
5. ನಿಖರತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ. ತಿಳಿದಿರುವ ಉಲ್ಲೇಖ ಬಿಂದುಗಳೊಂದಿಗೆ ನಿಖರತೆಯನ್ನು ಅಳೆಯಿರಿ.
6. ಕ್ಷೇತ್ರ ಮತ್ತು ನೋಂದಣಿ ದೃಢೀಕರಣ. ಅಗತ್ಯವಿದ್ದರೆ ಶೀರ್ಷಿಕೆ ಪತ್ರ/ಪರವಾನಗಿ ಮತ್ತು ಸೈಟ್‌ನೊಂದಿಗೆ ಗುರುತಿಸಲಾದ ಬದಲಾವಣೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿ.
7. ಮಿತಿಗಳನ್ನು ವರದಿ ಮಾಡಿ. ದಿನಾಂಕ, ನಿರ್ಣಯ, ನಿಖರತೆ ಮತ್ತು ದೋಷದ ಅಂಚುಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಬರೆಯಿರಿ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್: "ಈ ಎರಡು ಚಿತ್ರಗಳಿಂದ ಏನು ಬದಲಾಗಿದೆ ಎಂದು ಹೇಳಿ."

AI ಸುಂದರವಾಗಿ ಕಾಣುವ ಆದರೆ ಅನಿಶ್ಚಿತವಾಗಿ ನಿಖರವಾದ ಪಟ್ಟಿಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ನೆರಳು ಮತ್ತು ಋತುವಿನ ವ್ಯತ್ಯಾಸವು ನಿಜವಾದ ಬದಲಾವಣೆ ಎಂದು ನೀವು ಭಾವಿಸಬಹುದು.

ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್: "ನಾನು ಎರಡು ದಿನಾಂಕಗಳಿಂದ (ಜುಲೈ 2018 / ಜುಲೈ 2024, ಅದೇ ಋತುವಿನಲ್ಲಿ, 10 ಮೀ ರೆಸಲ್ಯೂಶನ್) ವರ್ಗೀಕೃತ ಭೂ ಕವರ್ ಡೇಟಾವನ್ನು ಹೋಲಿಸುತ್ತಿದ್ದೇನೆ. ಬದಲಾವಣೆಯ ವಿಶ್ಲೇಷಣೆಯನ್ನು ವರದಿ ಮಾಡುವಾಗ, ಸ್ಪಷ್ಟವಾಗಿ ತಿಳಿಸಿ: ನೆರಳು/ಋತು/ರೆಸಲ್ಯೂಶನ್ ಕಾರಣದಿಂದ ಯಾವ ಬದಲಾವಣೆಗಳು ತಪ್ಪು ಧನಾತ್ಮಕವಾಗಿರಬಹುದು, ಯಾವ ನಿರ್ಧಾರಗಳಿಗೆ ಕ್ಷೇತ್ರ ಪರಿಶೀಲನೆ ಅಗತ್ಯವಿರುತ್ತದೆ ಮತ್ತು ಅದನ್ನು ಹೇಗೆ ದೃಢೀಕರಿಸಬಾರದು. ಅಗತ್ಯವಿದೆ'."

ಎರಡನೇ ಪ್ರಾಂಪ್ಟ್ ಅನಿಶ್ಚಿತತೆ ಮತ್ತು ದೋಷದ ಮೂಲಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಸಂವಹನ ಮಾಡಲು AI ಅನ್ನು ಒತ್ತಾಯಿಸುತ್ತದೆ.

ನಾಲ್ಕು ನಕಲಿಸಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

ಕಾರ್ಯ: ಕೆಳಗಿನ ಬದಲಾವಣೆ ಪತ್ತೆ ಔಟ್‌ಪುಟ್ ಅನ್ನು ವಿಮರ್ಶಾತ್ಮಕವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ. ಪ್ರತಿ ಪತ್ತೆಗೆ ಸಂಭವನೀಯ ದೋಷ ಮೂಲಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ: ನೆರಳು, ಮೋಡ, ಋತು, ರೆಸಲ್ಯೂಶನ್, ವರ್ಗೀಕರಣ ದೋಷ. "ಕ್ಷೇತ್ರದ ದೃಢೀಕರಣದ ಅಗತ್ಯವಿದೆ" ಎಂಬ ಟಿಪ್ಪಣಿಯನ್ನು ಸೇರಿಸಿ. ಅಂತಿಮ ತೀರ್ಪುಗಳನ್ನು ಮಾಡಬೇಡಿ. ಸಂಶೋಧನೆಗಳು / ದಿನಾಂಕ / ನಿರ್ಣಯ: [...]

ಕಾರ್ಯ: ನಗರ ಬದಲಾವಣೆಯ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಚಿತ್ರದ ಆಯ್ಕೆಯ ಮಾನದಂಡಗಳ ಪರಿಶೀಲನಾಪಟ್ಟಿಯನ್ನು ಬರೆಯಿರಿ: ಕಾಲೋಚಿತತೆ, ರೆಸಲ್ಯೂಶನ್, ಕ್ಲೌಡ್ ದರ, ದಿನಾಂಕ ಶ್ರೇಣಿ, CRS. ನಾನು ಹೊಂದಿರುವ ಚಿತ್ರಗಳು ಈ ಮಾನದಂಡಗಳನ್ನು ಪೂರೈಸುತ್ತವೆಯೇ ಎಂದು ಕೇಳಲು ಪ್ರಶ್ನೆಗಳನ್ನು ರಚಿಸಿ. ಚಿತ್ರ ಮಾಹಿತಿ: [...]

ಕಾರ್ಯ: ಕೆಳಗಿನ ಬದಲಾವಣೆಯ ವಿಶ್ಲೇಷಣೆಯ ಸಂಶೋಧನೆಗಳಿಂದ ವರದಿಯನ್ನು ಕರಡು ಮಾಡಿ. ಪ್ರತಿ ಶೋಧನೆಯಲ್ಲಿನ ರೆಸಲ್ಯೂಶನ್, ದಿನಾಂಕ, ನಿಖರತೆ ಮತ್ತು ದೋಷದ ಅಂಚುಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ತಿಳಿಸಿ. ಫಲಿತಾಂಶಗಳನ್ನು "ಪೂರ್ವ-ಸ್ಕ್ರೀನಿಂಗ್" ಎಂದು ರೂಪಿಸಿ; ತಪಾಸಣೆ / ಮಂಜೂರಾತಿಗಾಗಿ ಕ್ಷೇತ್ರ ಮತ್ತು ಅಧಿಕೃತ ದಾಖಲೆ ದೃಢೀಕರಣದ ಅಗತ್ಯವಿದೆ ಎಂದು ಒತ್ತಿಹೇಳಿ. ಸಂಶೋಧನೆಗಳು: [...]

ಕಾರ್ಯ: ವರ್ಗೀಕರಣದ ನಿಖರತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಸರಳವಾದ ಮಾರ್ಗವನ್ನು ಸೂಚಿಸಿ: ಎಷ್ಟು ಉಲ್ಲೇಖ ಅಂಕಗಳು, ಹೇಗೆ ಆಯ್ಕೆ ಮಾಡುವುದು, ನಿಖರತೆಯನ್ನು ಹೇಗೆ ಲೆಕ್ಕ ಹಾಕುವುದು (ಸರಳ ವಿವರಣೆ). ವರದಿಯಲ್ಲಿ ಯಾವ ಸತ್ಯ ಹೇಳಿಕೆಯನ್ನು ಬರೆಯಬೇಕು, ಉದಾಹರಣೆ. ಸಂದರ್ಭ: [...]

ಟೇಬಲ್: ಡೇಟಾ ಪ್ರಕಾರ ಮತ್ತು ಬಳಕೆ

ಡೇಟಾ

ನಿರ್ಣಯ

ಬಲವಾದ ಬಿಂದು

ಮಿತಿ

ಮಧ್ಯಮ ರೆಸಲ್ಯೂಶನ್ ಉಪಗ್ರಹ

10-30ಮೀ

ಉಚಿತ, ಆಗಾಗ್ಗೆ, ವಿಶಾಲ ಪ್ರದೇಶ

ಸಣ್ಣ ರಚನೆಯನ್ನು ತಪ್ಪಿಸುತ್ತದೆ

ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ಉಪಗ್ರಹ

0.3-1ಮೀ

ವಿವರವಾದ ರಚನೆ ಪತ್ತೆ

ದುಬಾರಿ, ವಿರಳ, ಮೋಡದ ಅಪಾಯ

ವೈಮಾನಿಕ ಫೋಟೋ / ಆರ್ಥೋಫೋಟೋ

0.1-0.3ಮೀ

ಬಹಳ ವಿವರವಾದ, ಔಪಚಾರಿಕ

ನವೀಕರಣ ಆವರ್ತನ ಕಡಿಮೆಯಾಗಿದೆ

UAV (ಡ್ರೋನ್)

ಸೆಂ ಮಟ್ಟ

ತ್ವರಿತ, ಬಹಳ ವಿವರವಾದ

ಸಣ್ಣ ಜಾಗ, ಅನುಮತಿ/ಕಾನೂನು

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ನೆರಳು ಭ್ರಮೆ. ಪುರಸಭೆಯು AI ಬದಲಾವಣೆಯ ನಕ್ಷೆಯಲ್ಲಿ ನೆರೆಹೊರೆಯಲ್ಲಿ "ಹೊಸ ನಿರ್ಮಾಣ" ಚಿಹ್ನೆಗಳನ್ನು ನೋಡುತ್ತದೆ. ಕ್ಷೇತ್ರ ತಂಡವು ಹೋಗುತ್ತದೆ; ಹೆಚ್ಚಿನ ಚಿಹ್ನೆಗಳು ಮಧ್ಯಾಹ್ನದ ಚಿತ್ರದಲ್ಲಿ ನೆರಳುಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತವೆ. ಹೊಸ ನಿರ್ಮಾಣಗಳ ನಿಜವಾದ ಸಂಖ್ಯೆ ಅರ್ಧದಷ್ಟು ಚಿಹ್ನೆಗಳು. AI ಪೂರ್ವ-ಪ್ರದರ್ಶನವನ್ನು ಹೊಂದಿದೆ, ಆದರೆ ದೃಢೀಕರಣವಿಲ್ಲದೆ ಬಳಸಿದರೆ, ಅದು ತಪ್ಪು ನಿಮಿಷಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.

ಪ್ರಕರಣ 2 - ಸಣ್ಣ ರಚನೆಯಿಂದ ತಪ್ಪಿಸಿಕೊಳ್ಳುವುದು. ಯೋಜಕನು 10 ಮೀಟರ್ ರೆಸಲ್ಯೂಶನ್ ಹೊಂದಿರುವ ಉಚಿತ ಉಪಗ್ರಹದೊಂದಿಗೆ ಕೃಷಿ ಕ್ಷೇತ್ರದಲ್ಲಿ ಸಣ್ಣ ಗೋದಾಮುಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಲು ಪ್ರಯತ್ನಿಸುತ್ತಾನೆ. ಗೋದಾಮುಗಳು 6x8 ಮೀಟರ್ ಆಗಿರುವುದರಿಂದ, ಅವು ಒಂದು ಪಿಕ್ಸೆಲ್ ಅಡಿಯಲ್ಲಿ ಉಳಿಯುತ್ತವೆ ಮತ್ತು ಗೋಚರಿಸುವುದಿಲ್ಲ. ನಿಜವಾದ ಟ್ರ್ಯಾಕಿಂಗ್‌ಗಾಗಿ ಯೋಜಕರು ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ಆರ್ಥೋಫೋಟೋಗೆ ಬದಲಾಯಿಸುತ್ತಾರೆ. ರೆಸಲ್ಯೂಶನ್ ಏನು ನೋಡಬಹುದು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ.

ಪ್ರಕರಣ 3 - ಪಾರದರ್ಶಕ ವರದಿ. ಒಂದು ತಂಡವು ಪ್ರದೇಶದ 6-ವರ್ಷದ ಹರಡುವಿಕೆಯನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತದೆ ಮತ್ತು ವರದಿಯಲ್ಲಿ ಸ್ಪಷ್ಟವಾಗಿ "ಪತ್ತೆಹಚ್ಚುವಿಕೆಗಳು 82 ಪ್ರತಿಶತ ನಿಖರತೆಯೊಂದಿಗೆ ಪ್ರಾಥಮಿಕ ಸ್ಕ್ಯಾನ್ ಆಗಿದೆ; 47 ಅಂಕಗಳು ಕ್ಷೇತ್ರ ದೃಢೀಕರಣಕ್ಕಾಗಿ ಕಾಯುತ್ತಿವೆ; ಚಿತ್ರದ ದಿನಾಂಕಗಳು ಮತ್ತು ರೆಸಲ್ಯೂಶನ್ ಲಗತ್ತಿಸಲಾಗಿದೆ." ಸಂಸತ್ತು ಸರಿಯಾದ ತೂಕದೊಂದಿಗೆ ಫಲಿತಾಂಶವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ. ಅನಿಶ್ಚಿತತೆಯನ್ನು ಮರೆಮಾಚುವ ಬದಲು ವರದಿ ಮಾಡುವುದು ವಿಶ್ಲೇಷಣೆಯನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿಸುತ್ತದೆ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ತಪ್ಪಾಗಿ ಪತ್ತೆಹಚ್ಚುವಿಕೆ ಸಾಕ್ಷಿಯಾಗಿದೆ. ಚಿತ್ರವನ್ನು ಮೊದಲೇ ಸ್ಕ್ಯಾನ್ ಮಾಡಲಾಗಿದೆ; ಇದಕ್ಕೆ ನಿರ್ಬಂಧಗಳು ಮತ್ತು ಅಧಿಕೃತ ನೋಂದಣಿ ಅಗತ್ಯವಿರುತ್ತದೆ.
• ಸೀಸನ್/ದಿನಾಂಕ ಹೊಂದಿಕೆಯಾಗುತ್ತಿಲ್ಲ. ವಿಭಿನ್ನ ಕಾಲೋಚಿತ ಚಿತ್ರಗಳು ತಪ್ಪು ಬದಲಾವಣೆಯನ್ನು ಉಂಟುಮಾಡುತ್ತವೆ.
• ನಿರ್ಣಯವನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತಿದೆ. ಕಡಿಮೆ ರೆಸಲ್ಯೂಶನ್‌ನಲ್ಲಿ ಸಣ್ಣ ರಚನೆಗಳು ಗೋಚರಿಸುವುದಿಲ್ಲ; ಇದು "ಯಾವುದೂ ಇಲ್ಲ" ಅಲ್ಲ.
• ನಿಖರತೆಯನ್ನು ವರದಿ ಮಾಡಲು ವಿಫಲವಾಗಿದೆ. ದೋಷದ ಅಂಚುಗಳನ್ನು ಮರೆಮಾಡುವುದು ತಪ್ಪು ನಿರ್ಧಾರಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ.
• ನೆರಳು ಮತ್ತು ಮೋಡವನ್ನು ಮರೆತುಬಿಡುವುದು. ತಪ್ಪು ಧನಾತ್ಮಕತೆಯ ಎರಡು ಸಾಮಾನ್ಯ ಮೂಲಗಳು.
• CRS ಹೊಂದಿಕೆಯಾಗದಿರುವುದು. ಜೋಡಿಸದ ಚಿತ್ರಗಳು ತಪ್ಪಾದ ಸ್ಥಳದಲ್ಲಿ ಬದಲಾಗುತ್ತವೆ.

ಸಾರಾಂಶದಲ್ಲಿ

ಉಪಗ್ರಹ ಮತ್ತು ವೈಮಾನಿಕ ಚಿತ್ರಣವು ನಗರ ಬದಲಾವಣೆಯನ್ನು ಪ್ರಮಾಣ ಮತ್ತು ವೇಗದಲ್ಲಿ ನೋಡಲು ಅತ್ಯಂತ ಶಕ್ತಿಶಾಲಿ ಮಾರ್ಗವಾಗಿದೆ; AI ವರ್ಗೀಕರಣ ಮತ್ತು ಬದಲಾವಣೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆಯನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ. ಆದರೆ ರೆಸಲ್ಯೂಶನ್ ಏನನ್ನು ನೋಡಬಹುದು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ, ಋತು ಮತ್ತು ದಿನಾಂಕ ಯಾವುದು ನಿಜ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ, ನೆರಳು ಮತ್ತು ಮೋಡವು ತಪ್ಪು ಧನಾತ್ಮಕ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ. ನಿಖರತೆಯನ್ನು ಯಾವಾಗಲೂ ಅಳೆಯಬೇಕು ಮತ್ತು ವರದಿ ಮಾಡಬೇಕು. ಬಹು ಮುಖ್ಯವಾಗಿ: ಚಿತ್ರದಿಂದ ಪತ್ತೆಹಚ್ಚುವಿಕೆಯು ಪೂರ್ವ-ಸ್ಕ್ಯಾನ್ ಆಗಿದೆ; ಪರಿಶೀಲನೆ ಮತ್ತು ಮಂಜೂರಾತಿಗಾಗಿ ಕ್ಷೇತ್ರ ನಿಯಂತ್ರಣ, ಹಕ್ಕುಪತ್ರ/ಪರವಾನಗಿ ನೋಂದಣಿ ಮತ್ತು ಅಧಿಕೃತ ಅಳತೆ ಅತ್ಯಗತ್ಯ. AI ದೃಷ್ಟಿಯನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ, ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವುದಿಲ್ಲ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಎರಡು ವಿಭಿನ್ನ ದಿನಾಂಕಗಳೊಂದಿಗೆ ಒಂದು ಜೋಡಿ ಚಿತ್ರಗಳನ್ನು (ಅಥವಾ ಸನ್ನಿವೇಶಗಳನ್ನು) ಪರಿಗಣಿಸಿ. (1) ಎರಡನೇ ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ ಚಿತ್ರದ ಆಯ್ಕೆಯ ಮಾನದಂಡವನ್ನು ಪರಿಶೀಲಿಸಿ: ಸೀಸನ್, ರೆಸಲ್ಯೂಶನ್, ಕ್ಲೌಡ್ ಸರಿಹೊಂದುತ್ತದೆಯೇ? (2) ಬದಲಾವಣೆ ಪತ್ತೆ ಪಟ್ಟಿಯನ್ನು ಊಹಿಸಿ ಮತ್ತು ಆರಂಭಿಕ ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ ಪ್ರತಿ ಪತ್ತೆಗೆ ಸಂಭವನೀಯ ದೋಷ ಮೂಲಗಳನ್ನು ಹೊರತೆಗೆಯಿರಿ. (3) ಮೂರನೇ ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ ಕರಡು ವರದಿಯನ್ನು ತಯಾರಿಸಿ ಮತ್ತು ನಿಖರತೆ ಮತ್ತು ದೋಷದ ಅಂಚು ಸೇರಿಸಿ. (4) ಯಾವ ನಿರ್ಣಯಗಳಿಗೆ ಕ್ಷೇತ್ರ ದೃಢೀಕರಣದ ಅಗತ್ಯವಿರುತ್ತದೆ ಮತ್ತು ನೀವು ಇದನ್ನು ಹೇಗೆ ಮಾಡುತ್ತೀರಿ ಎಂಬುದನ್ನು ಬರೆಯಿರಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ಚಿತ್ರಗಳ ಸೀಸನ್, ದಿನಾಂಕ ಮತ್ತು ರೆಸಲ್ಯೂಶನ್ ಹೊಂದಾಣಿಕೆಯನ್ನು ಪರಿಶೀಲಿಸಿದೆ.
• [ ] ನಾನು ಅದೇ CRS ಗೆ ಚಿತ್ರಗಳನ್ನು ಜೋಡಿಸಿದ್ದೇನೆ; ನಾನು ಮೋಡ/ನೆರಳು ಮುಖವಾಡವನ್ನು ಪರಿಗಣನೆಗೆ ತೆಗೆದುಕೊಂಡಿದ್ದೇನೆ.
• [ ] ನಾನು ಬದಲಾವಣೆಯ ಪತ್ತೆಗಳನ್ನು ಪ್ರಾಥಮಿಕ ಸ್ಕ್ರೀನಿಂಗ್ ಎಂದು ಪರಿಗಣಿಸಿದ್ದೇನೆ, ಸಾಕ್ಷಿಯಾಗಿ ಅಲ್ಲ.
• [ ] ನಾನು ವರ್ಗೀಕರಣದ ನಿಖರತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದೆ ಮತ್ತು ವರದಿ ಮಾಡಿದೆ.
• ನಾನು ಕ್ಷೇತ್ರ ಮತ್ತು ಅಧಿಕೃತ ದಾಖಲೆಗಳೊಂದಿಗೆ [ ] ಗುರುತಿಸಲಾದ ಬದಲಾವಣೆಗಳನ್ನು ದೃಢಪಡಿಸಿದೆ.
• [ ] ರೆಸಲ್ಯೂಶನ್ ಮಿತಿ ಏನನ್ನು ಕಳೆದುಕೊಳ್ಳಬಹುದು ಎಂಬುದನ್ನು ನಾನು ಗಮನಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ವರದಿಯಲ್ಲಿ ದಿನಾಂಕ, ನಿರ್ಣಯ ಮತ್ತು ದೋಷದ ಅಂಚುಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಬರೆದಿದ್ದೇನೆ.