Pelnas:
- Galimybė pasirinkti palydovinius (plataus ploto) ir jutiklio (vietinius) duomenis pagal klausimą ir analizuoti tokius indeksus kaip NDVI, taikant debesų kaukę
- Galimybė atskirti dreifus ir gedimus nuo tikrojo signalo perduodant IoT jutiklio duomenis kalibruojant ir kontroliuojant kokybę
- Gebėjimas pagrįsti stebėjimo išvadas tendencija, o ne viena data ir sudaryti patikros planą su pagrindine tiesa arba nepriklausomais duomenimis
Norint tvarkyti aplinką, pirmiausia būtina ją pamatyti. Ne spėliojant, o pagal duomenis reikia žinoti, koks mažas tapo miškas, kiek užteršta upė ar kiek metano nuteka įrenginys. Aplinkos monitoringas – tai reguliarus ir kartojamas aplinkos būklės matavimas. Šiame skyriuje sužinosite apie du didelius duomenų šaltinius – palydovus, žiūrinčius iš kosmoso, ir jutiklius lauke – ir AI vaidmenį suvokiant šiuos didžiulius duomenis.
Pirmiausia sąvokos. Nuotolinis stebėjimas – tai informacijos rinkimas matuojant šviesą, atsispindinčią iš toli (iš palydovo ar orlaivio), neliečiant objekto. „IoT“ jutiklis (daiktų internetas) yra nedidelis prietaisas, pastatytas lauke ir automatiškai siunčia išmatuotą vertę (temperatūrą, oro kokybę, vandens lygį) internetu. Kartu jie suteikia platų (palydovinį) ir vietinį (jutiklio) aplinkos vaizdą.
Kaip skaityti palydovo duomenis?
Palydovai ne tik fotografuoja; matuoja skirtingus šviesos bangos ilgius ("juostos"). Matematinis šių juostų derinys parodo tai, kas nematoma plika akimi. Labiausiai žinomas pavyzdys yra NDVI (Normalized Difference Vegetation Index): jis matuoja augmenijos tankį skaičiumi nuo 0 iki 1, remiantis principu, kad sveiki augalai labai atspindi infraraudonąją šviesą. NDVI sumažėjimas gali reikšti miškų naikinimą, sausrą ar žalą.
Labiausiai paplitę nemokami ir atviri palydoviniai šaltiniai yra Sentinel (Europos Copernicus programa) ir Landsat (JAV) palydovai. Jie pasiekiami naudojant tokias platformas kaip „Google Earth Engine“ arba „Python“ (su bibliotekomis, tokiomis kaip rasterio, xarray).
Patarimas: didžiausias palydovinių duomenų priešas yra debesys. Ar NDVI lašas yra tikras miško praradimas, ar tą dieną virš jo buvo debesis? Prieš analizuodami visada naudokite debesies kaukę ir palyginkite kelias datas.
IoT jutiklio duomenys ir kalibravimas
Jutikliai yra pigūs ir įprasti, bet ne tobuli. Nebrangus oro kokybės jutiklis laikui bėgant nukryps, bus paveiktas drėgmės arba suges. Todėl neapdoroti jutiklio duomenys yra nepatikimi; Kalibravimas (pataisymas lyginant su žinomu etaloniniu prietaisu) ir kokybės kontrolė yra būtini.
Čia AI; Tai labai galingas kodo rašymas, skirtas apdoroti didelius vaizdo ir laiko eilučių duomenis, nuskaityti anomalijas (netikėtus nukrypimus), nustatyti klasifikavimo modelį ir apibendrinti išvadas. Tačiau fizinė matavimo tikrovė priklauso nuo kalibravimo sprendimo ir klausimo "ar šis signalas tikras, ar tai triukšmas?" Aiškinimas priklauso ekspertui.
Žingsnis po žingsnio: sekimo analizė
1. Apibrėžkite klausimą. „Kaip keitėsi augmenija šiame 10 000 hektarų plote 2020–2024 m.? Aiškus, erdvės ir laiko klausimas, kaip antai:
2. Pasirinkite duomenų šaltinį. Palydovas (platus plotas) ar jutiklis (vietinis, nuolatinis)? Ar skiriamoji geba ir dažnis atitinka klausimą?
3. Išankstinis procesas. Debesų kaukė, kalibruokite, pažymėkite, kad trūksta duomenų. Jei šis veiksmas praleistas, rezultatas bus klaidinantis.
4. Apskaičiuokite indeksą/metriką. NDVI, temperatūros vidurkis, teršalų koncentracija.
5. Raskite pokytį ir anomaliją. Tendencijų analizė, slenksčio peržengimas, staigus šuolis.
6. Patvirtinkite naudodami lauką. Jei įmanoma, patvirtinkite pagrindine tiesa; Pateikite palydovinį signalą su apsilankymu lauke arba nepriklausomais duomenimis.
trys mini dėklai
1 atvejis – kritimas už debesies. Aplinkosaugos nevyriausybinė organizacija, pamačiusi, kad NDVI viename regione per mėnesį sumažėjo 40 proc., ketino skambinti pavojaus varpais dėl „staigaus miškų kirtimo“. Kai analitikas uždėjo debesų kaukę ir pažvelgė į kaimynines datas, jis pamatė, kad didžioji dalis vaizdo tą dieną buvo debesuota, o kitame be debesų vaizde NDVI normalizavosi. Užkirstas kelias klaidingam pavojaus signalui. Prarastas laikas: 20 minučių, įgyta reputacija: neįkainojama.
2 atvejis – nekalibruotas jutiklis. Savivaldybė rengė „per daug užteršto oro“ ataskaitą su duomenimis iš pigių PM2,5 (mažesnės nei 2,5 mikrono dalelės – smulkios įkvepiamos dulkės) jutiklių. Kai ekspertas palygino jutiklius su etalonine stotimi, jis nustatė, kad esant didelei drėgmei jie pervertino vertę iki dviejų kartų. Kai buvo pritaikyta drėgmės korekcija (kalibravimas), pasirodė tikrosios vertės; Panikos išvengta.
3 atvejis – kodo automatizavimas. Viena tyrėjų grupė planavo savaites dirbti rankiniu būdu, kad iš 200 palydovinių vaizdų išskirtų NDVI tendencijas. Jie turėjo AI parašyti automatizuotą darbo eigą su Google Earth Engine ir Python kodu (debesų kaukė + mėnesio NDVI vidurkis + tendencijų grafikas). 200 vaizdų analizė užtruko kelias minutes; Komanda skyrė savo laiko rezultatui interpretuoti. Jie vis tiek patikrino kiekvieną kodo žingsnį.
Silpnas raginimas / Stiprus raginimas
Silpnas raginimas:
Iš palydovų duomenų raskite miškų naikinimą.
Kodėl jis silpnas: nėra domeno, dienų sekos, duomenų šaltinio, skiriamosios gebos ir apdorojimo debesyje. AI pateikia bendrą tekstą, o ne vykdomąją analizę.
Galingas raginimas:
Jūsų vaidmuo: nuotolinio stebėjimo analitikas. Parašykite „Python“ („Earth Engine“) kodą, kuris apskaičiuoja 2020–2024 m. mėnesio NDVI tendenciją [AREA ribai], naudodamas „Sentinel-2“ duomenis. Veiksmai: (1) pritaikykite debesų kaukę, (2) vidutinį mėnesio NDVI, (3) nubrėžkite tendencijų diagramą, (4) pažymėkite mėnesius, kai sumažėjo daugiau nei 20%. Tegul kodas yra vykdomas; Komentuokite kiekvieną žingsnį. Taip pat atkreipkite dėmesį į duomenų ribas (raiška, debesis).
Keturi kopijuojami šablonai
1) Palydovinio indekso analizė (su kodu):
Jūsų vaidmuo: nuotolinio stebėjimo analitikas. Parašykite vykdomąjį Python kodą, kuris apskaičiuoja [NDVI/NDWI/kitą indeksą] per [DATE diapazoną] [AREA] su [Sentinel-2/Landsat] duomenimis. Būtinai pridėkite debesies kaukę. Pažymėkite tendencijas ir anomalijas. Komentaruose nurodykite duomenų skiriamąją gebą ir debesų ribas.
2) Jutiklio laiko eilutės kokybės kontrolė:
Ieškokite kokybės problemų šiose jutiklių laiko eilutėse naudodami Python: trūksta duomenų, užstrigusi vertė, staigus šuolis, dreifas, ekstremalus. Kiekvieną problemą pažymėkite laiko žyma. Nekeiskite duomenų, tiesiog praneškite. Jei įmanoma, pridėkite paprastą kalibravimo pasiūlymą. Duomenys: [čia]
3) Pagrindinės tiesos patikrinimo schema:
Pasiūlykite planą, kaip galėčiau patikrinti šį palydoviniu būdu pagrįstą radinį (pvz., NDVI kritimą) lauke: kurie taškai, kuris matavimas, koks nepriklausomas duomenų šaltinis. Taip pat suskaičiuokite situacijas, kai radinys gali būti klaidingas (debesis, sezonas, šešėlis). Rasti: [čia]
4) Anomalijų santrauka:
Aplinkosaugos vadybininkui paprasta kalba apibendrinkite iš toliau pateiktų monitoringo duomenų nustatytas anomalijas. Kiekvienai anomalijai: kur, kada, kiek nukrypimų, galimos priežastys ir užrašas „reikia patikrinti“. Tikrai kodėl tai TINKA; pateikti tai kaip galimybę. Duomenys: [čia]
Dažnos klaidos
- Netaikoma debesų kaukės. Debesis yra labiausiai paplitęs klaidingas signalas.
- Pasitikėjimas jutikliu jo nekalibruojant. Nebrangūs jutikliai slysta ir yra veikiami drėgmės.
- Tiesiog pažvelk į istoriją. Norint pareikšti pakeitimus, reikalingos kelios datos ir tendencijos.
- Apeinant pagrindinę tiesą. Jei įmanoma, palydovo signalas turi būti patvirtintas lauko arba nepriklausomais duomenimis.
- Patinka AI „tiksli priežastis“. Sekimo duomenų koreliacijos; Priežasties patvirtinimas yra kitas dalykas.
Įspėjimas: didelės raiškos palydoviniuose ir dronuose gali būti privačios nuosavybės, žmonių arba jautrių objektų. Bendrindami stebėjimo duomenis, laikykitės privatumo ir teisinių apribojimų (ypač asmens duomenų ir saugumo).
Apibendrinant
Aplinkos stebėjimas sujungia palydovinius (plataus) ir jutiklio (vietinius) duomenis. AI; Tai galingas kodo rašymo greitintuvas, apdorojantis didžiulius vaizdų ir laiko eilučių duomenis, nuskaitantis anomalijas ir apibendrinantis. Tačiau debesų kaukė, jutiklio kalibravimas, kelių datų palyginimas ir pagrindo tiesos patikrinimas priklauso ekspertui. Pasitikėkite išvalytu ir patvirtintu signalu, o ne neapdorotu signalu.
Taikymo užduotis
Pasirinkite lauką ir dienų seką (tikrą arba hipotetinę). 1. Išspausdinkite NDVI analizės darbo eigos kodą į AI naudodami šabloną ir patikrinkite, ar yra debesies kaukės veiksmas. Tada perduokite turimą jutiklio laiko eilutę (arba pavyzdį) per kokybės kontrolę naudodami 2-ąjį šabloną. Galiausiai, naudodami 3 šabloną, pateikite planą, kaip patvirtinsite pakeitimą, kurį rasite lauke.
kontrolinis sąrašas
- [ ] Analizę apibrėžiau aiškiu erdviniu ir laiko klausimu.
- [ ] Ant palydovo duomenų pritaikiau debesies kaukę.
- [ ] Perdaviau jutiklio duomenis per kalibravimą ir kokybės kontrolę.
- [ ] Pakeitimo reikalavimą grindžiau tendencija, o ne viena data.
- [ ] Sudariau planą patikrinti radinį remiantis pagrindine tiesa arba nepriklausomais duomenimis.
- [ ] Laikiausi konfidencialumo ir teisinių apribojimų.