Ieguvumi:
- Spēja interpretēt ĢIS slāņus, NDVI un attālās uzrādes joslas/izšķirtspējas jēdzienus
- Indeksa interpretācija, izmaiņu analīze un karšu stāstījuma izstrāde ar AI
- Spēja pārbaudīt mākslīgā intelekta satelītu/kartes interpretāciju ar pamata patiesību un metadatiem
Jūs esat vides inženieris, kas strādājat pie mitrāju saglabāšanas projekta. Dome vēlas, lai jūs izmeklētu sūdzības par to, ka pēdējo piecu gadu laikā ezermalas niedru gultne ir sarukusi. Pirms došanās uz laukumu pie sava rakstāmgalda jāveic iepriekšēja izvērtēšana: jums ir divu dažādu gadu satelītattēli, GIS (Ģeogrāfiskās informācijas sistēmas) projekts un valodas modelis. Jūs varat likt LLM interpretēt attēlu NDVI kopsavilkumu un uzrakstīt izmaiņu stāstījuma uzmetumu. Tomēr satelīta pikselis attēlo 10 metru kvadrātu, un jūs varat tikai saprast, vai šajā kvadrātā ir mākoņu ēna, žūstoša niedre vai sezonāls ūdens līmenis ar zemes patiesību. Šajā nodaļā mēs aplūkojam attālās uzrādes un ĢIS jēdzienus, indeksu/izmaiņu interpretāciju ar AI un, pats galvenais, šīs interpretācijas robežas.
ĢIS slāņa loģikas un attālās uzrādes pamati
ĢIS sakārto ģeogrāfiskos datus slāņos, kas pārklājas: katrs slānis satur tēmu (zemes izmantošana, ūdenstilpes, augstums, ceļi) un ir sakārtots kopējā koordinātu sistēmā. Analīze sākas ar pareizo slāņu pārklāšanos pareizajā projekcijā; nepareiza koordinātu sistēma sistemātiski novirza apgabalus un attālumus.
Interpretējot attālās uzrādes attēlu, ir jānošķir trīs izšķirtspējas veidi:
Izšķirtspējas veids
Ko tas stāsta?
piemērs
ierobežojums
telpiskā
Pikseļa izmērs uz zemes
10m, 30m
Mazie objekti paliek apakšpikseļi
spektrāls
Cik un kura viļņu garuma josla?
Sarkans, NIR, SWIR
Mazāka josla = mazāka diskriminācijas spēja
pagaidu
Cik bieži tiek skatīta viena un tā pati vieta
5 dienas, 16 dienas
Datu zudums mākoņainās dienās
Radiometrisks
Gaismas jutība (bitu dziļums)
8 bitu, 12 bitu
Mazs dziļums = slikta diskriminācija
NDVI: formula un interpretācija
Visizplatītākais indekss, kas mēra veģetācijas vitalitāti, ir NDVI (Normalized Difference Vegetation Index). Vesels augs spēcīgi atstaro tuvu infrasarkano staru (NIR) un absorbē sarkano (sarkano):
NDVI = (NIR - RED) / (NIR + RED) Vērtību diapazons: -1 ... +1 < 0 : ūdens, sniegs, mākonis 0,0 - 0,2 : kaila augsne, klints, apbūvēta teritorija 0,2 - 0,5 : reta/zālaugu veģetācija, stresa segums 0,5 - 0,9 : blīvs, veselīgs zaļš segums
# maza pikseļu parauga bloka NDVI importēts numpy kā npnir = np.array([[0.42, 0.38], [0.11, 0.45]]) # tuvu infrasarkanais reflektantsarred = np.array([[0.06, 0.09], [0.06, 0.09], [0.06, 0.09], [0.06, 0.09], [0.06, 0.09], [0.06, 0.09], [0.06, 0.09], [0.06, 0.09]) 0. (nir + red)print(np.round(ndvi, 2))# [[0,75 0,62]# [0,05 0,80]]# apakšējais kreisais pikseļi (0,05): nav augs — var būt tukša zeme vai ūdens/ēna
Padoms: NDVI nav absolūts "veselības" rādītājs, bet gan no stāvokļa atkarīgs rādītājs. Salīdzinot divus datētus viena un tā paša apgabala NDVI, pārliecinieties, vai attēli ir uzņemti līdzīgos gadalaikos, līdzīgos saules leņķos un bez mākoņiem. Salīdzinot vasaras beigu izskatu ar pavasari, rodas nereāls “augu zudums”.
Izmaiņu analīze (izmaiņu noteikšana)
Vienkāršākais veids, kā atrast atšķirību starp diviem datumiem, ir ņemt NDVI atšķirību, taču šai atšķirībai ir nozīme tikai tad, ja attēlus var salīdzināt.
ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0 : iespējams seguma zudums (žāvēšana, griešana, celtniecība) ΔNDVI ≈ 0 : nav izmaiņu ΔNDVI >> 0 : iespējams seguma palielināšana (apzaļumošana, atjaunošana) UZMANĪBU! atšķirības. Atšķirība = reālas izmaiņas + troksnis.
Uzmanību: mākonis, mākoņu ēna un sezonalitāte ir vislielākie izmaiņu analīzes faktori. Apgabals zem mākoņu ēnas rada zemu NDVI un izskatās kā "veģetācijas zudums". Kad LLM veic attēla interpretāciju, modelis šos artefaktus var sajaukt ar īstu notikumu. Noteikti pārbaudiet attēla metadatus (datums, mākoņu procentuālais daudzums, saules leņķis).
Indeksa interpretācija un kartes stāstījums ar AI
LLM ir noderīga, lai tulkotu skaitlisko indeksu kopsavilkumus vienkāršā stāstījumā un sagatavotu ziņojumu projektus. Sniedziet tai neapstrādātu NDVI statistiku un metadatus un lūdziet ģenerēt komentāru, ko varat pārbaudīt.
VĀJS UZDEVUMI: "Vai mitrājs šajā satelītattēlā ir kļuvis mazāks?" Spēcīga UZVEDINĀJUMS: "Es sniedzu divus datētus NDVI statistiku (tas pats apgabals, tas pats sensors): 2020-07-15 vid. NDVI=0,61 mākonis = 3% saules leņķis = 58°2025-07-12 vid. NDVI = 0,42 mākonis = 22% saules leņķis = 55 ° Interesējošā apgabals: ezers1. apgabals. Aprēķiniet ΔNDVI un uzskaitiet iespējamās interpretācijas.2) Uzskaitiet, kādu iemeslu dēļ (mākonis, ēna, ūdens līmenis, gadalaiks, kalibrēšana) šis samazinājums varētu būt saistīts ar (mākonis, ēna, ūdens līmenis, gadalaiks, kalibrēšana), NEIZŅEMOT FAKTISKO seguma zudumu.3) Katram iespējamajam iemeslam iesakiet VERIFIKĀCIJAS ieraksta soli, lai to atšķirtu (piem., lauka bez mākonis, ccurate atlase, ūdens līmeņa pretenzija). 'niedru gultne ir samazinājusies par X%' NEIESTATĪT, ka to var teikt tikai tad, ja to apstiprina patiesība.
Spēcīgā uzvedne virza modeli nevis uz vienu galīgu secinājumu, bet uz alternatīvu skaidrojumu un pārbaudes plānu. Tas, ka 2025. gada attēlā ir 22% mākoņu, pats par sevi padara kritumu aizdomīgu.
Pamata patiesības pārbaude
Attālās izpētes interpretācijas zelta standarts ir pārbaudes punkti ar novērojumiem un mērījumiem, kas veikti uz vietas. Jūs ierakstāt faktisko zemes segumu ar GPS vairākos atskaites punktos un salīdziniet to ar attēla klasifikāciju. Ja laukā ir norādīts "sausas niedres" pikselī, kur AI vai algoritms saka "ūdens", klasifikācija nav uzticama.
mini futrālis
Veicot ieguves vietas ietekmes uz vidi monitoringu, komanda izstrādāja “15 hektāru meža zudumu ieguves darbības dēļ”, pamatojoties uz NDVI samazinājumu, kas aprēķināts no satelītattēla, un interpretācija tika paplašināta līdz LLM; modelis radīja plūstošu, pārliecinošu stāstījumu. Tomēr, kad komanda pārbaudīja ziņojumu uz lauka, tika konstatēts, ka daļa no apgabala ar zemu NDVI faktiski bija novākts lauksaimniecības zemes gabals un daļa no tā bija mākoņu ēna, kas sakrita ar attēla uzņemšanas dienu. Faktiskais meža zudums bija aptuveni 4 hektāri, nevis 15. Ja iepriekš būtu pārbaudīti metadati (mākoņu maska) un zemes izmantošanas slānis, kļūda vispirms būtu novērsta. LLM veiklie teikumi nepadara nepareizu ievadi.
Biežas kļūdas
- Dažādu gadalaiku/saules leņķa attēlu salīdzināšana un sezonālo atšķirību sajaukšana ar "pārmaiņām".
- Mākoņa un mākoņu ēnas interpretācija kā faktiskais seguma zudums; apejot mākoņu masku.
- Precīzu spriedumu veikšana no pikseļu datiem par maziem objektiem, kas pārsniedz telpisko izšķirtspēju.
- Nepareizs laukumu un attālumu aprēķins koordinātu sistēmas/projekcijas nesakritības dēļ.
- Domājot, ka NDVI ir absolūts veselības rādītājs, un apstrādājot ūdens un ēnu pikseļus tā, it kā tie būtu augi.
- LLM plūstošās kartes stāstījuma ievietošana ziņojumā kā galīgais atradums bez patiesības.
- Rezultātu ziņošana, nedokumentējot metadatus (datums, sensors, mākoņa %, apstrādes līmenis).
Rezumējot
- ĢIS analīzes tiek veidotas uz slāņiem, kas izlīdzināti kopējā koordinātu sistēmā; Projekcijas kļūda izkropļo rezultātu.
- Telpiskā, spektrālā, laika un radiometriskā izšķirtspēja ierobežo to, ko attēls var parādīt.
- NDVI = (NIR−RED)/(NIR+RED) ir nosacīts auga spēka rādītājs, nevis absolūts veselības rādītājs.
- Izmaiņu analīzē atšķirība = patiesās izmaiņas + troksnis; Mākonis, ēna un gadalaiks ir lielākie krāpnieki.
- LLM veido indeksa interpretāciju un kartes stāstījuma kontūru, bet "neredz" satelītattēlu; Komentāri atbilstoši jūsu norādītajam numuram.
- AI interpretāciju un automātisko klasifikāciju nevar pārvērst galīgajos vides konstatējumos, ja netiek pārbaudīta patiesība un metadati.
Lietojumprogrammas uzdevums
Izveidojiet vai pieņemiet divus datētus NDVI kopsavilkumus laukam (pēc jūsu izvēles vai parauga); Ņemiet vērā katra datuma metadatus (datums, mākoņu procentuālais daudzums, saules leņķis, sensors). Aprēķināt ΔNDVI. Uzrakstiet stingru uzvedni un lūdziet LLM ne tikai par faktisko seguma maiņu, bet arī alternatīvus skaidrojumus (mākonis, ēna, sezona, ūdens līmenis, kalibrēšana) un verifikācijas darbību katram. Pēc tam sastādiet “patiesības pārbaudes plānu”: vismaz trīs atskaites punkti, kas tiks mērīts laukā un kā tas tiks salīdzināts ar attēla interpretāciju. Visbeidzot atzīmējiet, kurš apgalvojums LLM sagatavotajā stāstījumā ir "nevar iekļaut pārskatā bez pārbaudes" un ierakstiet iemeslu.