Ieguvumi:
- Spēja izskaidrot, kā ar AI tiek izmantoti multispektrālie satelītu dati, joslu kombinācijas un spektrālie indeksi (NDVI utt.).
- Spēja konfigurēt uzraudzītu/neuzraudzītu klasifikāciju un zemes seguma kartēšanas darbplūsmu ar AI atbalstu
- Spēja pārbaudīt klasifikācijas izvadi ar pamata patiesības un kļūdu matricas/precizitātes kritērijiem
Attālā uzrāde ir zinātne par zemes virsmas mērīšanu bez fiziska kontakta, izmantojot sensorus uz satelītiem vai gaisa platformām. Satelītattēls patiesībā nav fotogrāfija, bet gan mērījumu slāņu kolekcija, kas reģistrēta vairākos viļņu garumos, un, gudri apvienojot šos slāņus, var kartēt zemes segumu (mežu, ūdeņus, lauksaimniecību, celtniecību). Šajā nodaļā mēs aplūkojam, kā mākslīgais intelekts paātrina šo darbplūsmu, sākot no multispektrāliem datiem līdz zemes seguma klasifikācijai, un kur ir nepieciešams ekspertu vērtējums. Princips: AI ģenerē vai kodē klasifikāciju; Kartes precizitāti inženieris mēra ar neatkarīgu pamata patiesības un kļūdu matricu.
Pamatnosacījumi. Multispektrāls attēls ir attēls, kas ierakstīts vairākās viļņu garuma joslās (zilā, zaļā, sarkanā, tuvu infrasarkanā krāsā utt.); katra josla ir slānis. Hiperspektrālis ir daudz bagātāks, bet grūti apstrādājams datu apjoms, kas satur desmitiem līdz simtiem šauru joslu. Spektra indekss ir skaitlis, kas izceļ parādību, izmantojot matemātisku joslu kombināciju; Vispazīstamākais NDVI (Normalized Difference Vegetation Index) mēra zaļās veģetācijas sparu, izmantojot atšķirību starp tuvo infrasarkano un sarkano joslu. Uzraudzītā klasifikācija ietver modeļa apmācību ar iepriekš iezīmētiem parauglaukumiem un visa attēla klasificēšanu. Nepārraudzīta klasifikācija ir datu grupēšana, pamatojoties uz līdzību bez etiķetēm, un to vēlāk interpretācija.
AI loma attālajā uzraudzībā
Mākslīgais intelekts sniedz ieguldījumu šajā jomā trīs līmeņos:
- Darbplūsmas un metodes izvēle. "Kuras joslas, kāds indekss, kurš klasifikators ir piemērots šim jautājumam?" palīdz pieņemt lēmumu; rada koda skeletu.
- Pati klasifikācija. Mūsdienu dziļās mācīšanās modeļi sašķiro miljoniem pikseļu zemes seguma klasēs; Šī ir vidēji liela ieguldījuma zona, kurā AI veic reālo darbu.
- Rezultātu interpretācija un ziņošana. Tas pārraksta klases statistiku, izmaiņu analīzi un precizitātes atskaiti lasāmā tekstā.
Aklā zona: modelis ir atkarīgs no datiem, par kuriem tas ir apmācīts, un jūsu sniegtajiem piemēriem. Mākoņu ēna un ūdens, tukša augsne un lauks pēc ražas novākšanas, sekls ūdens un mitra zeme viegli sajaucas. Tātad klasifikācijas karte nav patiesa tikai tāpēc, ka tā izskatās jauki; jāmēra precizitāte.
Padoms. Pirms sākat klasificēt, noskaidrojiet savu jautājumu. "Klasificēt zemes segumu" ir neskaidrs; "Kartēt lauksaimniecībā izmantojamās zemes zaudējumus par labu apbūvei laikā no 2020. līdz 2025. gadam" nosaka gan klašu kopu, gan pārbaudes kritēriju.
Soli pa solim: zemes seguma klasifikācija
- Sagatavojiet datus un lentes. Apstipriniet attēla mākoņa segumu, uzņemšanas datumu, izšķirtspēju (pikseļu izmēru) un joslu secību. Dažādu datumu/sezonu maiņas klases.
- Definējiet klases kopu. Cik klases, kuras (ūdens, mežs, lauksaimniecība, celtniecība, kaila zeme)? Mazāk un atšķirīgākas klases ir uzticamākas.
- Aprēķiniet indeksus. Indeksi, piemēram, NDVI (augs), NDWI (ūdens), izšķir klases; kļūst par ievadi klasifikatorā.
- Savākt apmācību paraugus (uzraudzītajiem). Daudzstūru paraugi, kas apstiprināti ar reljefa pārbaudi katrai klasei. Parauga kvalitāte nosaka precizitāti.
- Klasificējiet un pārbaudiet. Apmāciet modeli, pēc tam izveidojiet kļūdu matricu ar neatkarīgiem (neapmācītiem) paraugiem un aprēķiniet kopējo precizitāti un Kappa.
Pamata patiesības un kļūdu matrica
Klasifikācijas precizitāte netiek mērīta ar acu spriedumu. Pamatpatiesība ir zināmas patiesās klases neatkarīgi paraugi laukā vai uzticamā augstas izšķirtspējas avotā. Ar šiem piemēriem tiek izveidota sajaukšanas matrica: tiek skaitīts, cik reižu katra klase ir pareiza un cik reizes tā ir sajaukta ar kuru klasi. No tā tiek aprēķināta kopējā precizitāte (pareizi klasificētā proporcija) un Kappa (vienošanās mērs, kas koriģē nejaušības ietekmi). Turklāt ražotāja precizitāte (cik daudz tika nozvejota šajā klasē) un lietotāja precizitāte (cik uzticama ir šī klase) tiek ziņots katrai klasei.
Uzmanību: Nemēriet precizitāti, izmantojot apmācībā izmantotos piemērus. Ja tie paši piemēri tiek apmācīti un pārbaudīti, precizitāte kļūst mākslīgi augsta; Tā ir ilūzija. Validācijas paraugiem jābūt neatkarīgiem.
Trīs mini futrāļi: pēc skaitļiem
1. gadījums — mākoņu ēna tika sajaukta ar ūdeni. Vienā klasifikācijā, kad modelis apzīmēja mākoņu ēnas kā "ūdens", ezera platība pieauga tur, kur tā patiesībā nebija; ūdens klases lietotāju precizitāte nokritās līdz 70%. Kad tika pievienots NDWI indekss un mākoņa maska, ēnu/ūdens traucējumi samazinājās un ūdens precizitāte palielinājās līdz vairāk nekā 90%.
2. gadījums — ziņojums, kas atgūts pēc patiesības. Lauksaimniecības inventarizācijas pētījums ziņoja par 82% kopējo sākotnējās klasifikācijas precizitāti, taču to mēra ar apmācības paraugiem. Atkārtoti mērot ar 120 neatkarīgiem pamata patiesības punktiem, faktiskā kopējā precizitāte bija 71%; Lauksaimniecība un kailā zeme nopietni traucēja. Izmantojot papildu apmācības piemērus, klasifikācija tika uzlabota un precizitāte palielinājās līdz 84%. Nodarbība: precizitāti mēra ar neatkarīgu paraugu.
3. gadījums — sezonas slazds. Kad attēli, kas uzņemti divos dažādos datumos (pavasarī un vasaras beigās), tika sajaukti, novāktie lauki tika pārvietoti uz "kailās zemes" klasi, un lauksaimniecības zemes, šķiet, trūkst 15%. Rezultāti uzlabojās, kad attēli tika atlasīti no vienas sezonas un tika sasniegta fenoloģiskā konsekvence.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Klasificējiet šo satelītattēlu.
Spēcīga uzvedne:
Uzdevums: izveidot zemes seguma klasifikācijas darbplūsmu (ieskaitot Python/rasterio + scikit-learn koda skeletu).Konteksts:- Sensors: 4 joslas (zils, zaļš, sarkans, NIR), 10 m izšķirtspēja- Klases: ūdens, mežs, lauksaimniecība, celtniecība, tukša zeme- Mērķis: pašreizējā zemes seguma karte + precizitāte:indikācijas atskaiteN. NDWI), lai pievienotu un kāpēc rakstītu.2) Uzskaitiet uzraudzītās klasifikācijas soļus; Uzsveriet, ka apmācības un APSTIPRINĀŠANAS paraugiem jābūt Atsevišķiem.3) Ievietojiet kļūdu matricu + kopējo precizitāti + Kappa aprēķinu koda skeletā.4) Ņemiet vērā mākoņu/ēnu un gadalaiku sajaukšanas riskus.
Spēcīgā uzvedne norāda klases kopu, izšķirtspēju, indeksa pamatojumu un validācijas atšķirību; izlaide kļūst izmērāma.
Četras kopējamas veidnes
1) Metodes/indeksa izvēle:
Kādu spektrālo indeksu un klasifikācijas metodi jūs ieteiktu objektīvam [mērķim] un sensoram [joslas/izšķirtspēja]? Katrai izvēlei ierakstiet pamatojumu un iespējamo sajaukšanas risku (kuras klases ir līdzīgas viena otrai).
2) Klasifikācijas koda skelets:
Uzrakstiet uzraudzītu klasifikācijas sistēmu ar Rasterio + scikit-learn: lentes nolasīšana, indeksa aprēķins, apmācības/validācijas paraugu ATdalīšana, klasifikācija, kļūdu matrica un precizitātes izvade. Uzturēt DRS; paskaidrot.
3) Precizitātes novērtēšanas iestatīšana:
Uzrakstiet klasifikācijas precizitātes novērtēšanas plānu: neatkarīga pamatpatiesības parauga dizains, kļūdu matrica, vispārējā precizitāte, Kappa, ražotāja/lietotāja precizitāte pa klasēm. Paskaidrojiet, ko saka katrs rādītājs.
4) Traucējumu diagnostika:
Interpretējiet zemāk esošo kļūdu matricu: kuras klases traucē viena otrai, kāds ir iespējamais spektrālais/sezonāls iemesls, kādi papildu dati (indekss, maska, datums) mazinātu neskaidrības? Matrica: [kļūdu matrica]
Klasifikācijas jēdzienu salīdzinājums
koncepcija
Nozīme
kad
uzraudzīts
Apmācība ar marķētu piemēru
Nodarbības ir iepriekš noteiktas
Bez uzraudzības
Klasterizācija bez etiķetēm
Atklājums, bez piemēriem
NDVI
augu vitalitātes indekss
Augu / tukša / ūdens atdalīšana
NDWI
ūdens indekss
ūdenstilpņu atdalīšana
Kļūdu matrica
Patiess/nepatiess skaits
precizitātes mērīšana
kappa
Nejauši koriģēta atbilstība
Standarta precizitātes atskaite
Biežas kļūdas
- Mērīšanas precizitāte ar apmācības piemēriem. Neatkarīga pārbaude nodrošina mākslīgi augstu precizitāti.
- Kartes nodošana bez mērījumu precizitātes. "Izskatās jauki" nav precizitātes pierādījums.
- Mākoņu/ēnu maskas izlaišana. Ēnas sajaucas ar ūdeni, mākonis sajaucas ar sniegu/struktūru.
- Dažādu gadalaiku/datumu attēlu sajaukšana. Fenoloģiskās atšķirības novirza klases.
- Pārāk daudzu un līdzīgu klašu noteikšana. Neatšķiramas klases samazina precizitāti.
- Izšķirtspējas ignorēšana. Mazus objektus nevar klasificēt, ja tie ir mazāki par vienu pikseli.
Rezumējot
Attālās uzrādes gadījumā mākslīgais intelekts paātrina darbplūsmu no multispektrāliem datiem līdz zemes seguma kartēšanai un var pārņemt lielu daļu klasifikācijas. Bet klasifikācijas karte ir noderīga tikai tad, ja tiek mērīta tās precizitāte: ir standarts, lai izveidotu kļūdu matricu ar neatkarīgiem pamata patiesības paraugiem un aprēķinātu kopējo precizitāti un Kappa. Mākoņi/ēnas, sezonālās izmaiņas un līdzīgas klases ir tipiski traucējumu avoti; Pārvaldiet tos ar indeksa, maskas un datuma konsekvenci. Nekad nesajauciet apmācības un apstiprināšanas paraugus.
Lietojumprogrammas uzdevums
Atlasiet zemes seguma jautājumu (piemēram, "pilsētas zaļo zonu karte"). Pierakstiet klases komplektu, joslas un indeksus, ko izmantosit (vismaz NDVI). AI izveido uzraudzītu klasifikācijas darbplūsmu; pārliecinieties, ka apmācības un validācijas paraugi ir atsevišķi un izvadā ir iekļauta kļūdu matrica + Kappa aprēķins. Pēc tam izveidojiet "apjukuma riska" sarakstu: kuras divas klases ir līdzīgas un kā tās atšķirt.
kontrolsaraksts
- [ ] Es saglabāju klases komplektu mazu un atšķiramu.
- [ ] Es pievienoju šim mērķim piemērotus spektrālos indeksus (NDVI/NDWI).
- [ ] Es atdalīju apmācības un apstiprināšanas piemērus.
- [ ] Es pārbaudīju mākoņu/ēnu masku un sezonas konsekvenci.
- [ ] Es mērīju precizitāti ar neatkarīgu pamata patiesību.
- [ ] Es ziņoju par kļūdu matricu, kopējo precizitāti un Kappa.
- [ ] Es diagnosticēju un izārstēju klases sajaukšanos.
- [ ] Esmu tai pakļāvis inženiera apstiprinājumu, ka karte ir precīza paredzētajam lietojumam.