Добивки:
- Можност за избор на сателитски (широка област) и сензор (локални) податоци според прашањето и анализа на индекси како NDVI со примена на маска за облак
- Способност да се разликува дрифтот и дефектот од вистинскиот сигнал со пренесување на податоци од сензорот за IoT преку калибрација и контрола на квалитетот
- Способност да се заснова наодот од мониторингот на тренд наместо на единствен датум и да се воспостави план за верификација со основна вистина или независни податоци
За да се управува со околината, потребно е прво да се види. Потребно е да се знае колку мала шума станала, колку е загадена една река или колку метан истекува од еден објект, не со погодување, туку со податоци. Мониторингот на животната средина е редовно и повторливо мерење на состојбата на животната средина. Во оваа единица, ќе научите за два големи извори на податоци - сателити кои гледаат од вселената и сензори на терен - и улогата на вештачката интелигенција во разбирањето на овие огромни податоци.
Концептите прво. Далечинско набљудување е собирање информации со мерење на светлината што се рефлектира од далечина (од сателит или авион) без допирање на објект. IoT сензорот (Internet of Things) е мал уред поставен на терен и автоматски ја испраќа измерената вредност (температура, квалитет на воздух, ниво на вода) преку интернет. Заедно, тие обезбедуваат и широка (сателитска) и локална (сензор) слика за околината.
Како да читате сателитски податоци?
Сателитите не само фотографираат; мери различни бранови должини („појаси“) на светлината. Математичката комбинација на овие ленти покажува што е невидливо со голо око. Најпознат пример е NDVI (Normalized Difference Vegetation Index): ја мери густината на вегетацијата со број помеѓу 0 и 1, врз основа на принципот дека здравите растенија многу ја рефлектираат инфрацрвената светлина. Намалувањето на NDVI може да значи уништување на шумите, суша или штета.
Најчестите бесплатни и отворени сателитски извори се сателитите Sentinel (Европска програма Коперник) и Landsat (САД). До нив се пристапува преку платформи како Google Earth Engine или во Python (со библиотеки како што се растерио, xarray).
Совет: Најголемиот непријател на сателитски податоци е облакот. Дали капката NDVI е вистинска загуба на шума или имаше облак над неа тој ден? Секогаш нанесувајте маска за облак и споредете повеќе датуми пред да анализирате.
Податоци и калибрација на сензорот за IoT
Сензорите се евтини и вообичаени, но не и совршени. Сензорот за квалитет на воздухот со ниска цена ќе се оддалечи со текот на времето, ќе биде под влијание на влажноста или ќе откаже. Затоа, податоците од сензорот во својата сурова форма се несигурни; од суштинско значење се калибрацијата (корекција со споредување со познат референтен уред) и контрола на квалитетот.
Еве вештачка интелигенција; Тој е многу моќен во пишувањето код за обработка на податоци за големи слики и временски серии, скенирање за аномалии (неочекувано отстапување), воспоставување модел на класификација и сумирање на наодите. Но, физичката реалност на мерењето се сведува на одлуката за калибрација и прашањето „дали овој сигнал е реален или е бучава?“ Толкувањето е на експертот.
Чекор по чекор: анализа за следење
1. Дефинирајте го прашањето. „Како се промени вегетацијата на оваа површина од 10.000 хектари помеѓу 2020 и 2024 година? Јасно, просторно и временско прашање како:
2. Изберете го изворот на податоци. Сателит (широка област) или сензор (локален, континуиран)? Дали резолуцијата и фреквенцијата се соодветни на прашањето?
3. Пред-процес. Маска за облак, калибрирајте, означете ги податоците што недостасуваат. Ако овој чекор се прескокне, резултатот е погрешен.
4. Пресметајте индекс/метрика. NDVI, просечна температура, концентрација на загадувач.
5. Најдете ја промената и аномалијата. Анализа на трендови, преминување на прагот, ненадеен скок.
6. Потврдете со поле. Ако е можно, потврдете со основна вистина; Обезбедете сателитски сигнал со теренска посета или независни податоци.
три мини футроли
Случај 1 - Паѓање на облакот. Една еколошка невладина организација требаше да алармира за „ненадејно уништување на шумите“ кога виде дека NDVI во еден регион падна за 40% за еден месец. Кога аналитичарот нанесе маска за облак и ги погледна соседните датуми, виде дека поголемиот дел од сликата тој ден е облачно, а на следната слика без облаци, NDVI се врати во нормала. Спречена е лажна тревога. Изгубено време: 20 минути, стекната репутација: бесценета.
Случај 2 - Некалибриран сензор. Една општина подготвуваше извештај за „премногу загаден воздух“ со податоци од евтините сензори PM2.5 (честички помали од 2,5 микрони — фина дишечка прашина). Кога експертот ги споредил сензорите со референтна станица, открил дека тие ја прецениле вредноста до два пати при висока влажност. Кога се примени корекција на влажност (калибрација), се појавија вистинските вредности; Избегната паника.
Случај 3 - Автоматизација на кодови. Еден истражувачки тим планираше да помине недели работејќи рачно за да ги извлече трендовите на NDVI од 200 сателитски снимки. Тие имаа вештачка интелигенција да напише автоматизиран работен тек со Google Earth Engine и Python код (маска на облак + месечен просек NDVI + графикон на трендови). Анализата траеше неколку минути за 200 слики; Тимот го посвети своето време на толкување на резултатот. И онака го проверуваа секој чекор од кодот.
Слаб промпт / Силен промпт
Слаба навестување:
Најдете уништување на шумите од сателитски податоци.
Зошто е слаб: Нема домен, опсег на датуми, извор на податоци, резолуција и обработка на облак. AI обезбедува општ текст, а не извршна анализа.
Моќен потсетник:
Вашата улога: далечински аналитичар. Напишете го кодот на Python (Earth Engine) кој го пресметува месечниот NDVI тренд од 2020-2024 година за [граница на AREA] со податоци Sentinel-2. Чекори: (1) нанесете маска за облак, (2) просечен месечен NDVI, (3) нацртајте шема на трендови, (4) обележете месеци со повеќе од 20% пад. Нека кодот може да се изврши; Коментирајте го секој чекор. Забележете ги и границите на податоците (резолуција, облак).
Четири шаблони за копирање
1) Анализа на сателитски индекси (со код):
Вашата улога: далечински аналитичар. Напишете извршна шифра на Python што пресметува [NDVI/NDWI/друг индекс] преку [ОПЕЗ ДАТУМ] за [AREA] со податоци [Sentinel-2/Landsat]. Не заборавајте да додадете маска за облак. Обележете го трендот и аномалиите. Наведете ја резолуцијата и границите на облакот на податоците во коментарите.
2) Контрола на квалитетот на временските серии на сензорот:
Пребарајте проблеми со квалитетот во следните временски серии на сензори со Python: исчезнати податоци, заглавена вредност, ненадеен скок, дрифт, екстрем. Обележете го секое издание со временски печат. Не менувајте ги податоците, само пријавете. Доколку е можно, додадете едноставен предлог за калибрација. Податоци: [тука]
3) Шема за проверка на основната вистина:
Предложете план за тоа како можам да го потврдам следното откритие засновано на сателити (на пр. пад на NDVI) на терен: кои точки, кое мерење, кој независен извор на податоци. Пребројте ги и ситуациите каде наодот може да биде лажен (облак, сезона, сенка). Наоѓање: [тука]
4) Резиме на аномалија:
Сумирајте ги аномалиите пронајдени од податоците од мониторингот подолу на едноставен јазик за менаџер за животна средина. За секоја аномалија: каде, кога, колкаво отстапување, можни причини и белешка „треба да се потврди“. Сигурно зошто е ФИТИНГ; го претстави како можност. Податоци: [тука]
Вообичаени грешки
- Не нанесување маска за облак. Облакот е најчестиот лажен сигнал.
- Да му верувате на сензорот без да го калибрирате. Сензорите со ниска цена се лизгаат и се под влијание на влагата.
- Погледнете ја само историјата. Потребни се повеќе датуми и трендови за да се бара промена.
- Заобиколувајќи ја приземната вистина. Сателитскиот сигнал треба да се потврди со теренски или независни податоци ако е можно.
- Паѓајќи на тврдењето за „точната причина“ на АИ. Податоците за следење корелира; Да се потврди причината е друга работа.
Внимание: снимките од сателити и дрон со висока резолуција може да содржат приватна сопственост, луѓе или чувствителни објекти. Внимавајте на приватноста и законските ограничувања (особено личните податоци и безбедноста) кога споделувате податоци за следење.
Сумирано
Мониторингот на животната средина комбинира сателитски (широк) и сензорски (локални) податоци. ВИ; Тој е моќен акцелератор за пишување код кој обработува масивни податоци за слики и временски серии, скенирање и сумирање на аномалии. Но, маската на облакот, калибрацијата на сензорот, споредбата со повеќе датуми и проверката на основата на вистината му припаѓаат на експертот. Верувајте му на исчистениот и потврдениот сигнал, а не на необработениот сигнал.
Задача за апликација
Изберете поле и опсег на датуми (вистински или хипотетички). 1. Испечатете го кодот од работниот тек за анализа на NDVI на вештачка интелигенција со шаблонот и потврдете дека постои чекорот за маска на облак. Потоа, поминете временска серија на сензор што ја имате (или примерок) преку контрола на квалитетот со вториот шаблон. Конечно, со шаблонот 3, смислете план за тоа како ќе ја потврдите промената што ќе ја најдете на теренот.
листа за проверка
- [ ] Анализата ја дефинирав со јасно просторно и временско прашање.
- [ ] Нанесов облак маска на сателитски податоци.
- [ ] Ги пренесов податоците од сензорот преку калибрација и контрола на квалитетот.
- [ ] Барањето за промена го засновав на трендот, а не на еден датум.
- [ ] Направив план да го проверам наодот со основна вистина или независни податоци.
- [ ] Ја запазив доверливоста и законските ограничувања.