Pelnas:
- Gebėjimas paaiškinti, kaip su AI naudojami daugiaspektriniai palydoviniai duomenys, juostų deriniai ir spektriniai indeksai (NDVI ir kt.)
- Galimybė konfigūruoti prižiūrimą / neprižiūrimą klasifikavimo ir žemės dangos kartografavimo darbo eigą su AI palaikymu
- Galimybė patikrinti klasifikavimo išvestį pagal pagrindinę tiesos ir klaidų matricos/tikslumo kriterijus
Nuotolinis stebėjimas – tai mokslas apie žemės paviršiaus matavimą be fizinio kontakto, naudojant palydovų ar oro platformų jutiklius. Palydovinis vaizdas iš tikrųjų yra ne nuotrauka, o kelių bangos ilgių matavimų sluoksnių rinkinys, o išmaniai sujungus šiuos sluoksnius galima sudaryti žemės dangos (miško, vandens, žemės ūkio, statybos) žemėlapius. Šiame skyriuje aptariame, kaip dirbtinis intelektas pagreitina šią darbo eigą – nuo daugiaspektrinių duomenų iki žemės dangos klasifikavimo ir kur būtinas ekspertų sprendimas. Principas: AI generuoja arba koduoja klasifikaciją; Žemėlapio tikslumą inžinierius matuoja nepriklausoma pagrindine tiesos ir klaidų matrica.
Pagrindiniai terminai. Daugiaspektrinis vaizdas yra vaizdas, įrašytas keliose bangos ilgio juostose (mėlyna, žalia, raudona, artima infraraudonoji ir kt.); kiekviena juosta yra sluoksnis. Hiperspektriniai duomenys yra daug turtingesni, bet sunkiai apdorojami, jame yra nuo dešimties iki šimtų siaurų juostų. Spektro indeksas yra skaičius, išryškinantis reiškinį per matematinį juostų derinį; Labiausiai žinomas NDVI (Normalized Difference Vegetation Index) matuoja žaliosios augmenijos gyvybingumą, naudodamas skirtumą tarp artimosios infraraudonosios ir raudonosios juostos. Prižiūrimas klasifikavimas apima modelio mokymą su iš anksto pažymėtomis pavyzdinėmis sritimis ir viso vaizdo klasifikavimu. Neprižiūrimas klasifikavimas yra duomenų sugrupavimas pagal panašumą be etikečių ir vėliau jų interpretavimas.
AI vaidmuo nuotolinio aptikimo srityje
Dirbtinis intelektas šioje srityje prisideda trimis lygiais:
- Darbo eigos ir metodo pasirinkimas. „Kokios juostos, koks indeksas, koks klasifikatorius tinka šiam klausimui? vadovauja jums priimant sprendimą; sukuria kodo skeletą.
- Pati klasifikacija. Šiuolaikiniai giluminio mokymosi modeliai surūšiuoja milijonus pikselių į žemės dangos klases; Tai yra vidutinio ir didelio įnašo sritis, kurioje AI atlieka tikrąjį darbą.
- Rezultatų interpretavimas ir ataskaitų teikimas. Jis perrašo klasių statistiką, pakeitimų analizę ir tikslumo ataskaitą į skaitomą tekstą.
Akloji zona: modelis priklauso nuo duomenų, kuriais jis apmokytas, ir jūsų pateiktų pavyzdžių. Debesų šešėlis ir vanduo, plika žemė ir laukas po derliaus nuėmimo, seklus vanduo ir šlapia žemė lengvai susimaišo. Taigi klasifikavimo žemėlapis nėra teisingas vien todėl, kad jis gražiai atrodo; tikslumas turi būti išmatuotas.
Patarimas: prieš pradėdami klasifikuoti paaiškinkite savo klausimą. „Klasifikuoti žemės dangą“ yra neaiški; „Žemės ūkio paskirties žemės praradimo žemėlapis statybų naudai 2020–2025 m.“ lemia ir klasių rinkinį, ir patikros kriterijų.
Žingsnis po žingsnio: žemės dangos klasifikacija
- Paruoškite duomenis ir juostas. Patvirtinkite vaizdo debesų dangą, fotografavimo datą, skiriamąją gebą (pikselių dydį) ir juostų tvarką. Skirtingos datos / sezono keitimo klasės.
- Apibrėžkite klasių rinkinį. Kiek klasių, kurios (vandens, miško, žemės ūkio, statybos, plika žemė)? Mažiau ir labiau išsiskiriančių klasių yra patikimesnės.
- Apskaičiuokite indeksus. Indeksai, tokie kaip NDVI (augalas), NDWI (vanduo), išskiria klases; tampa įvestis į klasifikatorių.
- Surinkite mokymo pavyzdžius (prižiūrimiems). Daugiakampių pavyzdžiai, patvirtinti kiekvienos klasės vietovės patikrinimu. Mėginio kokybė lemia tikslumą.
- Klasifikuokite ir patikrinkite. Išmokykite modelį, tada sukurkite klaidų matricą su nepriklausomais (neapmokytais) pavyzdžiais ir apskaičiuokite bendrą tikslumą bei Kapa.
Pagrindinės tiesos ir klaidų matrica
Klasifikacijos tikslumas nėra matuojamas akimis. Pagrindinė tiesa yra nepriklausomi žinomos tikrosios klasės pavyzdžiai lauke arba patikimame didelės raiškos šaltinyje. Šiais pavyzdžiais sukuriama painiavos matrica: skaičiuojama, kiek kartų kiekviena klasė yra teisinga ir kiek kartų su kuria klase painiojama. Iš to apskaičiuojamas bendras tikslumas (teisingai klasifikuojama proporcija) ir Kappa (susitarimo matas, pataisantis atsitiktinumo poveikį). Be to, gamintojo tikslumas (kiek sugauta toje klasėje) ir naudotojo tikslumas (kiek patikima ta klasė) pateikiami pagal klasę.
Atsargiai: Nematuokite tikslumo su pavyzdžiais, kuriuos naudojate mokymui. Jei tie patys pavyzdžiai treniruojami ir tikrinami, tikslumas tampa dirbtinai didelis; Tai iliuzija. Patvirtinimo pavyzdžiai turi būti nepriklausomi.
Trys mini dėklai: pagal numerius
1 atvejis – debesies šešėlis buvo klaidingai supainiotas su vandeniu. Vienoje klasifikacijoje, kai modelis debesų šešėlius pažymėjo kaip „vanduo“, ežero plotas išaugo ten, kur jo iš tikrųjų nebuvo; vandens klasės naudotojo tikslumas nukrito iki 70%. Pridėjus NDWI indeksą ir debesų kaukę, sumažėjo šešėlių / vandens trukdžiai, o vandens tikslumas padidėjo iki daugiau nei 90%.
2 atvejis – ataskaita atkurta remiantis pagrindine tiesa. Žemės ūkio inventorizacijos tyrimas parodė, kad bendras pradinės klasifikacijos tikslumas yra 82%, tačiau tai buvo matuojama naudojant mokomuosius pavyzdžius. Iš naujo išmatavus 120 nepriklausomų žemės tiesos taškų, tikrasis bendras tikslumas buvo 71 %; Žemės ūkis ir plika žemė rimtai trukdė. Naudojant papildomus mokymo pavyzdžius, klasifikacija buvo patobulinta, o tikslumas padidintas iki 84%. Pamoka: tikslumas matuojamas nepriklausomu mėginiu.
3 atvejis – sezoniniai spąstai. Sumaišius dvi skirtingas datas (pavasarį ir vasaros pabaigą) darytus vaizdus, nuimti laukai perėjo į „plikos žemės“ klasę ir atrodė, kad žemės ūkio paskirties ploto trūko 15 proc. Rezultatai pagerėjo, kai buvo atrinkti vaizdai iš to paties sezono ir buvo pasiektas fenologinis nuoseklumas.
Silpnas raginimas / stiprus raginimas
Silpnas raginimas:
Klasifikuokite šį palydovinį vaizdą.
Galingas raginimas:
Užduotis: sukurti žemės dangos klasifikavimo darbo eigą (įskaitant Python/rasterio + scikit-learn kodo skeletą).Kontekstas:- Jutiklis: 4 juostos (mėlyna, žalia, raudona, NIR), 10 m skiriamoji geba- Klasės: vanduo, miškas, žemės ūkis, statyba, plikas_žemė- Paskirtis: dabartinis žemės dangos žemėlapis + tikslumo rodiklis:1) NDWI) pridėti ir kodėl rašyti.2) Išvardykite prižiūrimus klasifikavimo veiksmus; Pabrėžkite, kad mokymo ir PATVIRTINIMO pavyzdžiai turėtų būti ATSKIRTI.3) Į kodo skeletą įdėkite klaidų matricą + bendrą tikslumą + Kappa skaičiavimą.4) Atkreipkite dėmesį į debesų / šešėlių ir sezono painiavos riziką.
Stiprus raginimas nurodo klasių rinkinį, skiriamąją gebą, indekso pagrindimą ir patvirtinimo skirtumą; produkcija tampa išmatuojama.
Keturi kopijuojami šablonai
1) Metodo / indekso pasirinkimas:
Kokį spektrinį indeksą ir klasifikavimo metodą rekomenduotumėte objektyvui [taikiniui] ir jutikliui [juostos / skiriamoji geba]? Prie kiekvieno pasirinkimo parašykite pagrindimą ir galimą supainiojimo riziką (kurios klasės yra panašios viena į kitą).
2) Klasifikacijos kodo skeletas:
Parašykite prižiūrimą klasifikavimo sistemą naudodami Rasterio + scikit-learn: juostos skaitymas, indekso skaičiavimas, mokymo / patvirtinimo pavyzdžių ATSKYRIMAS, klasifikacija, klaidų matrica ir tikslumo išvestis. Prižiūrėti KRS; paaiškinti.
3) Tikslumo įvertinimo sąranka:
Parašykite klasifikavimo tikslumo įvertinimo planą: nepriklausomo pagrindo tiesos pavyzdžių projektavimas, klaidų matrica, bendras tikslumas, Kappa, gamintojo/vartotojo tikslumas pagal klases. Paaiškinkite, ką sako kiekviena metrika.
4) Trikdžių diagnostika:
Interpretuokite žemiau pateiktą klaidų matricą: kurios klasės trukdo viena kitai, kokia gali būti spektrinė/sezoninė priežastis, kokie papildomi duomenys (indeksas, kaukė, data) sumažintų painiavą? Matrica: [klaidų matrica]
Klasifikavimo sąvokų palyginimas
koncepcija
Reikšmė
kada
prižiūrimas
Mokymas su pažymėtu pavyzdžiu
Klasės yra iš anksto nustatytos
Neprižiūrimas
Klasterizavimas be etikečių
Atradimas, jokių pavyzdžių
NDVI
augalų gyvybingumo indeksas
Augalų / pliko / vandens atskyrimas
NDWI
vandens indeksas
vandens telkinio atskyrimas
Klaidų matrica
Tikras/klaidingas skaičius
tikslumo matavimas
kappa
Atsitiktinai pakoreguotas pritaikymas
Standartinė tikslumo ataskaita
Dažnos klaidos
- Matavimo tikslumas su mokymo pavyzdžiais. Nepriklausomas bandymas suteikia dirbtinai didelį tikslumą.
- Žemėlapio perdavimas be matavimo tikslumo. „Gražiai atrodo“ nėra tikslumo įrodymas.
- Debesų / šešėlių kaukės praleidimas. Šešėlis maišosi su vandeniu, debesis – su sniegu/struktūra.
- Skirtingų sezonų / datų vaizdų maišymas. Fenologiniai skirtumai keičia klases.
- Per daug ir panašių klasių apibrėžimas. Neišsiskiriančios klasės sumažina tikslumą.
- Rezoliucijos nepaisymas. Maži objektai negali būti klasifikuojami, jei jie yra mažesni nei vienas pikselis.
Apibendrinant
Atliekant nuotolinį stebėjimą dirbtinis intelektas pagreitina darbo eigą nuo daugiaspektrinių duomenų iki žemės dangos kartografavimo ir gali perimti didelę klasifikavimo dalį. Tačiau klasifikavimo žemėlapis yra naudingas tik tuo atveju, jei matuojamas jo tikslumas: įprasta sudaryti klaidų matricą su nepriklausomais pagrindinio tiesos pavyzdžiais ir apskaičiuoti bendrą tikslumą bei Kapą. Debesis/šešėlis, sezoniniai pokyčiai ir panašios klasės yra tipiški trukdžių šaltiniai; Tvarkykite juos naudodami indekso, kaukės ir datos nuoseklumą. Niekada nemaišykite mokymo ir patvirtinimo pavyzdžių.
Taikymo užduotis
Pasirinkite žemės dangos klausimą (pvz., „miesto žaliųjų erdvių žemėlapis“). Užsirašykite klasių rinkinį, juostas ir indeksus, kuriuos naudosite (bent NDVI). Tegul dirbtinis intelektas sukuria prižiūrimą klasifikavimo darbo eigą; įsitikinkite, kad mokymo ir patvirtinimo pavyzdžiai yra atskiri, o klaidų matrica + Kappa skaičiavimas yra įtrauktas į išvestį. Tada sudarykite „painiojimo rizikos“ sąrašą: kurios dvi klasės yra panašios ir kaip jas atskiriate.
kontrolinis sąrašas
- [ ] Klasės komplektą laikiau mažu ir išsiskiriančiu.
- [ ] Pridėjau tam tikslui tinkamus spektrinius indeksus (NDVI/NDWI).
- [ ] Atskyriau mokymo ir patvirtinimo pavyzdžius.
- [ ] Patikrinau debesų/šešėlių kaukę ir sezono konsistenciją.
- [ ] Aš matavau tikslumą su nepriklausoma pagrindine tiesa.
- [ ] Pranešiau apie klaidų matricą, bendrą tikslumą ir „Kappa“.
- [ ] Diagnozavau ir išgydžiau klasių sumaištį.
- [ ] Pateikiau inžinieriaus patvirtinimą, kad žemėlapis būtų tikslus pagal paskirtį.