이득:
- 다중 스펙트럼 위성 데이터, 대역 조합, 스펙트럼 지수(NDVI 등)가 AI와 어떻게 사용되는지 설명하는 능력
- AI 지원을 통해 감독/비지도 분류 및 토지 피복 매핑 워크플로를 구성하는 기능
- Ground Truth 및 오류 매트릭스/정확도 기준을 사용하여 분류 결과를 테스트하는 기능
원격탐사(Remote Sensing)는 위성이나 공중 플랫폼의 센서를 이용해 물리적 접촉 없이 지구 표면을 측정하는 과학이다. 위성 이미지는 실제로 사진이 아니라 여러 파장으로 기록된 측정 레이어 모음이며, 이러한 레이어를 지능적으로 결합하여 토지 피복(숲, 물, 농업, 건설)을 매핑할 수 있습니다. 이 단원에서는 다중 스펙트럼 데이터에서 토지 피복 분류에 이르기까지 인공 지능이 이 워크플로를 가속화하는 방법과 전문가 판단이 필수적인 부분을 다룹니다. 원리: AI가 분류를 생성하거나 코딩합니다. 맵의 정확도는 엔지니어가 독립적인 Ground Truth와 오류 매트릭스를 통해 측정합니다.
기본 용어. 다중 스펙트럼 이미지는 여러 파장 대역(청색, 녹색, 빨간색, 근적외선 등)으로 기록된 이미지입니다. 각 밴드는 레이어입니다. Hyperspectral은 훨씬 더 풍부하지만 수십에서 수백 개의 좁은 대역을 포함하여 데이터를 처리하기 어렵습니다. 스펙트럼 지수는 밴드의 수학적 조합을 통해 현상을 강조하는 숫자입니다. 가장 잘 알려진 NDVI(Normalized Difference Vegetation Index)는 근적외선과 적색 대역의 차이를 사용하여 녹색 식물의 활력을 측정합니다. 지도 분류에는 미리 라벨이 지정된 샘플 영역으로 모델을 훈련하고 전체 이미지를 분류하는 작업이 포함됩니다. 비지도 분류는 레이블 없이 유사성을 기반으로 데이터를 클러스터링하고 나중에 해석하는 것입니다.
원격 탐사에서 AI의 역할
인공 지능은 이 분야에서 세 가지 수준으로 기여합니다.
- 작업 흐름 및 방법 선택. "이 질문에 적합한 밴드, 인덱스, 분류자는 무엇입니까?" 귀하의 결정을 안내합니다. 코드 뼈대를 생성합니다.
- 분류 그 자체. 최신 딥 러닝 모델은 수백만 개의 픽셀을 토지 피복 클래스로 분류합니다. 이는 AI가 실제 작업을 수행하는 중간 수준의 기여도 영역입니다.
- 결과 해석 및 보고. 수업 통계, 변경 분석 및 정확성 보고서를 읽을 수 있는 텍스트로 기록합니다.
맹점: 모델은 훈련된 데이터와 제공한 예제에 따라 달라집니다. 구름 그림자와 물, 맨땅과 수확 후 들판, 얕은 물과 젖은 땅이 쉽게 섞입니다. 따라서 분류 맵은 보기에 좋다는 이유만으로 사실이 아닙니다. 정확도를 측정해야 합니다.
팁: 분류를 시작하기 전에 질문을 명확히 하세요. "토지 피복 분류"는 모호합니다. "2020~2025년 사이에 건설을 선호하는 농지 손실 지도"는 등급 설정과 검증 기준을 모두 결정합니다.
단계별: 토지 피복 분류
- 데이터와 테이프를 준비합니다. 이미지의 구름폭, 촬영 날짜, 해상도(픽셀 크기), 밴드 순서를 확인하세요. 날짜/시즌이 다르면 수업이 변경됩니다.
- 클래스 세트를 정의합니다. 몇 개의 수업, 어떤 수업(물, 숲, 농업, 건설, 맨땅)인가요? 더 적은 수의 구별 가능한 클래스가 더 안정적입니다.
- 지수를 계산합니다. NDVI(식물), NDWI(물)와 같은 지수로 클래스를 구분합니다. 분류기에 대한 입력이 됩니다.
- 학습 샘플을 수집합니다(감독용). 클래스별 지형 검증을 통해 확인된 샘플 폴리곤입니다. 샘플 품질이 정확성을 결정합니다.
- 분류하고 확인합니다. 모델을 훈련한 다음, 독립적인(훈련되지 않은) 샘플로 오류 행렬을 구축하고 전체 정확도와 카파를 계산합니다.
지상 진실 및 오류 매트릭스
분류의 정확성은 눈의 판단으로 측정되지 않습니다. Ground Truth는 현장이나 신뢰할 수 있는 고해상도 소스에서 알려진 실제 클래스의 독립적인 샘플입니다. 이러한 예를 사용하면 혼동 행렬이 설정됩니다. 각 클래스가 올바른 횟수와 어떤 클래스와 혼동되는 횟수가 계산됩니다. 이를 통해 전체 정확도(정확하게 분류된 비율)와 Kappa(우연의 영향을 수정하는 일치도 측정값)가 계산됩니다. 또한 생산자 정확도(해당 클래스에서 얼마나 많이 잡혔는지)와 사용자 정확도(해당 클래스가 얼마나 신뢰할 수 있는지)가 클래스 단위로 보고됩니다.
주의: 훈련에 사용하는 예제로 정확성을 측정하지 마십시오. 동일한 예제를 학습하고 테스트하면 정확도가 인위적으로 높아집니다. 이것은 환상입니다. 검증 샘플은 독립적이어야 합니다.
세 가지 미니 케이스: 숫자로 알아보기
사례 1 - 구름 그림자가 물로 오해되었습니다. 한 분류에서 모델이 구름 그림자를 "물"로 분류했을 때 호수 지역은 실제로 그렇지 않은 곳에서 자랐습니다. 사용자의 물 클래스 정확도가 70%로 떨어졌습니다. NDWI 지수와 구름 마스크를 추가하면 그림자/물 간섭이 감소하고 물 정확도가 90% 이상으로 향상되었습니다.
사례 2 - 사실에 따라 복구된 보고서. 농업 재고 조사에 따르면 초기 분류의 전체 정확도는 82%로 보고되었지만 이는 훈련 샘플을 사용하여 측정되었습니다. 120개의 독립적인 실측 포인트로 다시 측정했을 때 실제 전체 정확도는 71%였습니다. 농업과 맨땅이 심각하게 방해를 받았습니다. 추가 훈련 예시를 통해 분류가 개선되었고 정확도가 84%로 향상되었습니다. 교훈: 정확도는 독립적인 샘플로 측정됩니다.
사례 3 — 계절적 함정. 서로 다른 두 날짜(봄과 늦여름)에 촬영한 이미지를 혼합하면 수확된 밭이 "맨땅" 등급으로 이동하고 농업 지역이 15% 누락된 것으로 나타났습니다. 동일한 계절의 이미지를 선택하고 현상학적 일관성을 달성하면 결과가 향상되었습니다.
약한 프롬프트 / 강한 프롬프트
약한 프롬프트:
이 위성 이미지를 분류하세요.
강력한 프롬프트:
작업: 토지 피복 분류 워크플로우 구축(Python/rasterio + scikit-learn 코드 뼈대 포함). 컨텍스트: - 센서: 4개 밴드(파란색, 녹색, 빨간색, NIR), 10m 해상도 - 클래스: 물, 숲, 농업, 건설, bare_ground - 목적: 현재 토지 피복 지도 + 정확도 보고요청:1) 추가할 스펙트럼 지수(NDVI, NDWI) 및 작성 이유.2) 감독된 분류 단계를 나열합니다. 훈련 샘플과 검증 샘플은 분리되어야 한다는 점을 강조합니다.3) 오류 매트릭스 + 전체 정확도 + 카파 계산을 코드 뼈대에 넣습니다.4) 구름/그림자 및 계절 혼란의 위험에 유의하십시오.
강력한 프롬프트는 클래스 집합, 해상도, 인덱스 근거 및 유효성 검사 구별을 지정합니다. 결과를 측정할 수 있게 됩니다.
복사 가능한 템플릿 4개
1) 방법/지수 선택:
대물렌즈[대상]과 센서[대역/해상도]에 대해 어떤 스펙트럼 지수와 분류 방법을 권장하시나요? 각 선택에 대해 이론적 근거와 혼란의 잠재적 위험(어떤 클래스가 서로 유사함)을 작성합니다.
2) 분류 코드 골격:
Rasterio + scikit-learn을 사용하여 감독 분류 프레임워크 작성: 테이프 읽기, 인덱스 계산, 훈련/검증 샘플 분리, 분류, 오류 매트릭스 및 정확도 출력. CRS를 유지하십시오. 설명하다.
3) 정확도 평가 설정:
분류 정확도를 평가하기 위한 계획을 작성합니다(독립적인 실측 샘플 설계, 오류 매트릭스, 전체 정확도, Kappa, 클래스별 생산자/사용자 정확도). 각 측정항목이 무엇을 의미하는지 설명하세요.
4) 간섭 진단:
아래의 오류 매트릭스를 해석하십시오. 어떤 클래스가 서로 간섭하고 있는지, 가능한 스펙트럼/계절적 이유는 무엇이며, 혼란을 줄이는 추가 데이터(인덱스, 마스크, 날짜)는 무엇입니까? 매트릭스: [오류 매트릭스]
분류 개념의 비교
개념
의미
언제
감독
라벨이 지정된 예시를 사용한 학습
수업은 미리 정해져 있습니다
감독되지 않음
라벨 없는 클러스터링
발견, 사례 없음
NDVI
식물 활력 지수
식물/맨손/물 분리
NDWI
물 지수
수역 분리
오류 매트릭스
참/거짓 수
정확도 측정
카파
우연히 수정된 핏
표준 정확도 보고서
일반적인 실수
- 훈련 예시를 통해 정확도를 측정합니다. 비독립적 테스트는 인위적으로 높은 정확도를 제공합니다.
- 정확도를 측정하지 않고 지도를 넘겨주는 행위. "멋져 보인다"는 것이 정확성을 증명하는 것은 아닙니다.
- 구름/그림자 마스크를 건너뜁니다. 그림자는 물과 섞이고, 구름은 눈/구조와 섞입니다.
- 다양한 계절/날짜 이미지를 혼합합니다. 생리학적 차이로 인해 클래스가 변경됩니다.
- 너무 많고 유사한 클래스를 정의합니다. 클래스를 구별할 수 없으면 정확도가 떨어집니다.
- 해상도를 무시합니다. 작은 물체는 단일 픽셀보다 작으면 분류할 수 없습니다.
요약하면
원격 감지에서 AI는 다중 스펙트럼 데이터에서 토지 피복 매핑까지의 워크플로를 가속화하고 분류의 대부분을 대신할 수 있습니다. 그러나 분류 맵은 정확도가 측정된 경우에만 유용합니다. 독립적인 실제 샘플을 사용하여 오류 매트릭스를 구성하고 전체 정확도와 카파를 계산하는 것이 표준입니다. 구름/그림자, 계절적 변화 및 유사한 클래스는 일반적인 간섭 원인입니다. 인덱스, 마스크 및 날짜 일관성을 유지하여 관리하세요. 훈련 샘플과 검증 샘플을 혼합하지 마십시오.
응용과제
토지 피복 질문(예: '도시 녹지 공간 지도')을 선택하세요. 사용할 클래스 세트, 밴드 및 인덱스(적어도 NDVI)를 적어 두십시오. AI가 감독된 분류 워크플로를 생성하도록 하세요. 훈련 샘플과 검증 샘플이 분리되어 있고 오류 행렬 + 카파 계산이 출력에 포함되어 있는지 확인하십시오. 그런 다음 "혼란 위험" 목록을 작성하십시오. 어떤 두 클래스가 유사하며 어떻게 구분할 수 있습니까?
체크리스트
- [ ] 나는 학급 세트를 작고 구별 가능하게 유지했습니다.
- [ ] 목적에 맞는 분광지수(NDVI/NDWI)를 추가했습니다.
- [ ] 훈련 및 검증 예제를 분리했습니다.
- [ ] 구름/그림자 마스크와 계절 일관성을 확인했습니다.
- [ ] 독립적인 Ground Truth로 정확성을 측정했습니다.
- [ ] 오류 매트릭스, 전체 정확도 및 Kappa를 보고했습니다.
- [ ] 수업 혼동을 진단하고 해결했습니다.
- [ ] 나는 지도가 의도된 용도에 맞게 정확하다는 엔지니어 승인을 받았습니다.