Ieguvumi:
- Iespēja atlasīt satelīta (plašā apgabalā) un sensora (lokālos) datus atbilstoši jautājumam un analizēt tādus indeksus kā NDVI, izmantojot mākoņa masku
- Spēja atšķirt novirzes un darbības traucējumus no reālā signāla, nododot IoT sensora datus, izmantojot kalibrēšanu un kvalitātes kontroli
- Spēja balstīt monitoringa konstatējumu uz tendenci, nevis uz vienu datumu, un izveidot pārbaudes plānu ar patiesu patiesību vai neatkarīgiem datiem
Lai pārvaldītu vidi, vispirms tā ir jāredz. Cik mazs kļuvis mežs, cik piesārņota ir upe vai cik daudz metāna noplūst objektā, ir jāzina nevis minot, bet pēc datiem. Vides monitorings ir regulārs un atkārtojams vides stāvokļa mērījums. Šajā nodaļā jūs uzzināsit par diviem lieliem datu avotiem — satelītiem, kas skatās no kosmosa, un sensoriem laukā — un AI lomu šo milzīgo datu izpratnē.
Vispirms jēdzieni. Attālā uzrāde ir informācijas vākšana, mērot no attāluma (no satelīta vai lidmašīnas) atstaroto gaismu, nepieskaroties objektam. IoT sensors (Internet of Things) ir neliela ierīce, kas novietota laukā un automātiski nosūta izmērīto vērtību (temperatūra, gaisa kvalitāte, ūdens līmenis) internetā. Kopā tie nodrošina gan plašu (satelīta), gan lokālu (sensoru) vides attēlu.
Kā nolasīt satelīta datus?
Satelīti ne tikai uzņem attēlus; mēra dažādus gaismas viļņu garumus ("joslas"). Šo joslu matemātiskā kombinācija parāda to, kas ir neredzams ar neapbruņotu aci. Vispazīstamākais piemērs ir NDVI (Normalized Difference Vegetation Index): tas mēra veģetācijas blīvumu ar skaitli no 0 līdz 1, pamatojoties uz principu, ka veseli augi ļoti atstaro infrasarkano gaismu. NDVI samazināšanās var nozīmēt mežu izciršanu, sausumu vai bojājumus.
Visizplatītākie bezmaksas un atvērtie satelītu avoti ir Sentinel (Eiropas Copernicus programma) un Landsat (ASV) satelīti. Tiem var piekļūt, izmantojot tādas platformas kā Google Earth Engine vai Python (ar bibliotēkām, piemēram, rasterio, xarray).
Padoms. Lielākais satelītu datu ienaidnieks ir mākonis. Vai NDVI piliens ir īsts meža zudums, vai arī tajā dienā virs tā bija mākonis? Pirms analīzes vienmēr lietojiet mākoņa masku un salīdziniet vairākus datumus.
IoT sensora dati un kalibrēšana
Sensori ir lēti un izplatīti, bet ne ideāli. Zemu izmaksu gaisa kvalitātes sensors laika gaitā novirzīsies, to ietekmēs mitrums vai tas neizdosies. Tāpēc sensoru dati neapstrādātā veidā ir neuzticami; kalibrēšana (korekcija, salīdzinot ar zināmu atsauces ierīci) un kvalitātes kontrole ir būtiska.
Šeit AI; Tas ir ļoti spēcīgs koda rakstīšanā, lai apstrādātu lielu attēlu un laikrindu datus, skenētu anomālijas (negaidītas novirzes), izveidotu klasifikācijas modeli un apkopotu rezultātus. Bet mērījuma fiziskā realitāte ir saistīta ar kalibrēšanas lēmumu un jautājumu "vai šis signāls ir īsts vai tas ir troksnis?" Interpretācija pieder ekspertam.
Soli pa solim: izsekošanas analīze
1. Definējiet jautājumu. "Kā veģetācija mainījās šajā 10 000 hektāru platībā laikā no 2020. līdz 2024. gadam?" Skaidrs, telpisks un laika jautājums, piemēram:
2. Izvēlieties datu avotu. Satelīts (plašā apgabalā) vai sensors (lokāls, nepārtraukts)? Vai izšķirtspēja un biežums atbilst jautājumam?
3. Priekšapstrāde. Mākoņa maska, kalibrējiet, atzīmējiet, ka trūkst datu. Ja šis solis tiek izlaists, rezultāts ir maldinošs.
4. Aprēķiniet indeksu/metriku. NDVI, vidējā temperatūra, piesārņotāju koncentrācija.
5. Atrodiet izmaiņas un anomāliju. Tendenču analīze, sliekšņa šķērsošana, pēkšņs lēciens.
6. Pārbaudiet, izmantojot lauku. Ja iespējams, apstipriniet ar pamatīgu patiesību; Nodrošiniet satelīta signālu ar lauka apmeklējumu vai neatkarīgiem datiem.
trīs mini futrāļi
1. gadījums — iekrīt mākonis. Kāda vides nevalstiskā organizācija grasījās izsaukt trauksmi par "pēkšņu mežu izciršanu", kad ieraudzīja, ka NDVI vienā reģionā mēneša laikā ir samazinājies par 40%. Kad analītiķis uzklāja mākoņa masku un aplūkoja blakus esošos datumus, viņš redzēja, ka lielākā daļa attēla tajā dienā bija duļķains, un nākamajā bez mākoņainā attēlā NDVI atgriezās normālā stāvoklī. Viltus trauksme novērsta. Zaudētais laiks: 20 minūtes, iegūtā reputācija: nenovērtējama.
2. gadījums — nekalibrēts sensors. Pašvaldība sagatavoja ziņojumu par "pārāk piesārņotu gaisu" ar datiem no zemu izmaksu PM2,5 (daļiņas, kas mazākas par 2,5 mikroniem — smalki ieelpojami putekļi) sensoriem. Kad eksperts salīdzināja sensorus ar atsauces staciju, viņš atklāja, ka augsta mitruma apstākļos tie novērtēja vērtību pat divas reizes. Kad tika veikta mitruma korekcija (kalibrēšana), parādījās reālās vērtības; Panika novērsta.
3. gadījums — koda automatizācija. Viena pētnieku grupa plānoja pavadīt nedēļas, strādājot manuāli, lai iegūtu NDVI tendences no 200 satelīta attēliem. Viņiem AI lika rakstīt automatizētu darbplūsmu ar Google Earth Engine un Python kodu (mākonis + ikmēneša NDVI vidējais + tendenču grafiks). 200 attēlu analīze aizņēma dažas minūtes; Komanda veltīja savu laiku rezultāta interpretācijai. Viņi jebkurā gadījumā pārbaudīja katru koda soli.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Atrodiet mežu izciršanu no satelīta datiem.
Kāpēc tas ir vājš: nav domēna, datumu diapazona, datu avota, izšķirtspējas un mākoņa apstrādes. AI nodrošina vispārīgu tekstu, nevis izpildāmu analīzi.
Spēcīga uzvedne:
Jūsu loma: attālās izpētes analītiķis. Ierakstiet Python (Earth Engine) kodu, kas aprēķina 2020.–2024. gada NDVI ikmēneša tendenci [AREA robeža], izmantojot Sentinel-2 datus. Darbības: (1) uzklājiet mākoņa masku, (2) vidēji mēnesī NDVI, (3) uzzīmējiet tendenču diagrammu, (4) atzīmējiet mēnešus ar vairāk nekā 20% kritumu. Ļaujiet kodam būt izpildāmam; Komentējiet katru soli. Ņemiet vērā arī datu ierobežojumus (izšķirtspēja, mākonis).
Četras kopējamas veidnes
1) Satelīta indeksa analīze (ar kodu):
Jūsu loma: attālās izpētes analītiķis. Uzrakstiet izpildāmu Python kodu, kas aprēķina [NDVI/NDWI/citu indeksu] [DATE diapazonā] [AREA], izmantojot [Sentinel-2/Landsat] datus. Noteikti pievienojiet mākoņa masku. Atzīmējiet tendenci un anomālijas. Komentāros norādiet datu izšķirtspēju un mākoņa ierobežojumus.
2) Sensora laikrindu kvalitātes kontrole:
Meklējiet kvalitātes problēmas šādās sensoru laikrindās, izmantojot Python: trūkst datu, iestrēgušā vērtība, pēkšņs lēciens, novirze, ekstrēma. Atzīmējiet katru problēmu ar laikspiedolu. Nemainiet datus, vienkārši ziņojiet. Ja iespējams, pievienojiet vienkāršu kalibrēšanas ieteikumu. Dati: [šeit]
3) Pamattiesības pārbaudes shēma:
Iesakiet plānu, kā es varu pārbaudīt šādu uz satelītu balstītu atradumu (piemēram, NDVI kritumu) laukā: kuri punkti, kurš mērījums, kurš neatkarīgais datu avots. Saskaitiet arī situācijas, kurās atradums var būt nepatiess (mākonis, gadalaiks, ēna). Atrast: [šeit]
4) Anomāliju kopsavilkums:
Apkopojiet tālāk norādītajos monitoringa datos atklātās anomālijas vides pārvaldniekam vienkāršā valodā. Katrai anomālijai: kur, kad, cik lielas novirzes, iespējamie cēloņi un piezīme "jāpārbauda". Protams, kāpēc tas ir PIEMĒROT; piedāvājiet to kā iespēju. Dati: [šeit]
Biežas kļūdas
- Nelietojot mākoņu masku. Mākonis ir visizplatītākais viltus signāls.
- Uzticēšanās sensoram bez tā kalibrēšanas. Zemo izmaksu sensori slīd un tos ietekmē mitrums.
- Paskatieties tikai vēsturē. Lai pieprasītu izmaiņas, ir nepieciešami vairāki datumi un tendences.
- Apejot pamata patiesību. Ja iespējams, satelīta signāls jāapstiprina ar lauka vai neatkarīgiem datiem.
- Piekrītu AI apgalvojumam "precīzs iemesls". Izsekošanas datu korelē; Iemesla apstiprināšana ir cits jautājums.
Uzmanību: augstas izšķirtspējas satelītu un dronu attēlos var būt privāts īpašums, cilvēki vai sensitīvi objekti. Kopīgojot izsekošanas datus, ievērojiet privātuma un juridiskos ierobežojumus (jo īpaši personas datus un drošību).
Rezumējot
Vides monitorings apvieno satelīta (plašā) un sensora (lokālo) datus. AI; Tas ir spēcīgs paātrinātājs koda rakstīšanai, kas apstrādā masveida attēlu un laikrindu datus, anomāliju skenēšanu un apkopošanu. Bet mākoņmaska, sensoru kalibrēšana, vairāku datumu salīdzināšana un zemes patiesības pārbaude pieder ekspertam. Uzticieties iztīrītajam un apstiprinātajam signālam, nevis neapstrādātajam signālam.
Lietojumprogrammas uzdevums
Izvēlieties lauku un datumu diapazonu (reālu vai hipotētisku). 1. Izdrukājiet NDVI analīzes darbplūsmas kodu AI, izmantojot veidni, un pārbaudiet, vai mākoņa maskas darbība pastāv. Pēc tam nododiet sensoru laikrindu, kas jums ir (vai paraugu), kvalitātes kontrolei, izmantojot otro veidni. Visbeidzot, izmantojot 3. veidni, izstrādājiet plānu, kā apstiprināt laukā atrastās izmaiņas.
kontrolsaraksts
- [ ] Es definēju analīzi ar skaidru telpisku un laika jautājumu.
- [ ] Es satelīta datiem uzklāju mākoņa masku.
- [ ] Es nodevu sensora datus caur kalibrēšanu un kvalitātes kontroli.
- [ ] Izmaiņu prasību es balstīju uz tendenci, nevis uz vienu datumu.
- [ ] Es izstrādāju plānu, lai pārbaudītu atradumu ar pamatotu patiesību vai neatkarīgiem datiem.
- [ ] Esmu ievērojis konfidencialitāti un juridiskos ierobežojumus.