Добивки:
- Способност да се објасни како мултиспектралните сателитски податоци, комбинации на опсези и спектрални индекси (NDVI итн.) се користат со AI
- Способност за конфигурирање на надгледувана/ненадгледувана класификација и работниот тек на мапирање на покривката на земјиштето со поддршка за вештачка интелигенција
- Способност да се тестира излезот од класификација со основа на вистина и матрица на грешки/критериуми за точност
Далечинско набљудување е наука за мерење на површината на земјата без физички контакт, со сензори на сателити или воздушни платформи. Сателитската слика всушност не е фотографија, туку збирка слоеви на мерења снимени на повеќе бранови должини и со интелигентно комбинирање на овие слоеви може да се мапира копнената покривка (шума, вода, земјоделство, градежништво). Во оваа единица, покриваме како вештачката интелигенција го забрзува овој работен тек, од мултиспектрални податоци до класификација на покривката на земјиштето и каде е неопходна стручна проценка. Принцип: ВИ ја генерира или шифрира класификацијата; Точноста на картата се мери кај инженерот со независна основа за вистина и матрица на грешки.
Основни поими. Мултиспектрална слика е онаа снимена во неколку појаси на бранови должини (сина, зелена, црвена, блиску инфрацрвена, итн.); секоја лента е слој. Хиперспектралот е многу побогат, но тежок за обработка на податоци, содржи десетици до стотици тесни појаси. Спектрален индекс е бројката што ја истакнува појавата преку математичката комбинација на опсези; најпознатиот, NDVI (Normalized Difference Vegetation Index), ја мери силата на зелената вегетација користејќи ја разликата помеѓу блиската инфрацрвена и црвената лента. Надгледуваната класификација вклучува обука на моделот со претходно означени области на примероци и класификација на целата слика. Класификацијата без надзор е групирање на податоци врз основа на сличност без етикети и нивно толкување подоцна.
Улогата на вештачката интелигенција во далечинско набљудување
Вештачката интелигенција придонесува во ова поле на три нивоа:
- Работен тек и избор на метод. „Кои бендови, кој индекс, кој класификатор се погодни за ова прашање? ве води во вашата одлука; го произведува кодниот скелет.
- Самата класификација. Современите модели за длабоко учење сортираат милиони пиксели во класи на покривка на земјиште; Ова е област со среден и висок придонес каде што вештачката интелигенција прави вистинска работа.
- Толкување и известување на резултатите. Ја транскрибира статистиката на часовите, анализата на промените и извештајот за точноста во читлив текст.
Слепа точка: моделот зависи од податоците на кои е обучен и од примерите што ги давате. Облачната сенка и водата, голата почва и полето по бербата, плитката вода и влажната земја лесно се мешаат. Значи, мапата за класификација не е вистинита само затоа што изгледа убаво; accuracy must be measured.
Совет: разјаснете го вашето прашање пред да започнете со класифицирање. „Класифицирај ја покривката на земјиштето“ е нејасна; „Карта на загубата на земјоделско земјиште во корист на градежништвото помеѓу 2020-2025 година“ ги одредува и класниот сет и критериумот за верификација.
Чекор по чекор: Класификација на покривката на земјиштето
- Подгответе податоци и ленти. Потврдете го облакот на сликата, датумот на снимање, резолуцијата (големина на пиксели) и редоследот на опсегот. Различен датум/сезона се менува класи.
- Дефинирајте го класниот сет. Колку паралелки, кои (вода, шума, земјоделство, градежништво, гола земја)? Помалку и попрепознатливи класи се посигурни.
- Пресметајте ги индексите. Индексите како NDVI (растение), NDWI (вода) ги разликуваат класите; станува влез во класификаторот.
- Соберете примероци за обука (за надгледувани). Примерок на полигони потврдени со проверка на теренот за секоја класа. Квалитетот на примерокот ја одредува точноста.
- Класифицирајте и потврдете. Обучете го моделот, потоа изградете матрица за грешки со независни (необучени) примероци и пресметајте ја вкупната точност и Капа.
Основна матрица за вистина и грешка
Точноста на класификацијата не се мери со проценка на очите. Приземната вистина се независни примероци од позната вистинска класа на терен или во доверлив извор со висока резолуција. Со овие примери се воспоставува матрица за конфузија: се брои колку пати секоја класа е точна и колку пати се меша со која класа. Од ова, се пресметува севкупната точност (пропорцијата правилно класифициран) и Капа (мерка на согласност што го коригира ефектот на случајноста). Дополнително, точноста на производителот (колку е фатена во таа класа) и точноста на корисникот (колку е доверлива таа класа) се пријавени на класна основа.
Внимание: Не мерете ја точноста со примерите што ги користите за обука. Ако истите примери тренираат и тестираат, точноста станува вештачки висока; Ова е илузија. Примероците за валидација мора да бидат независни.
Три мини случаи: според бројките
Случај 1 - Сенката на облак беше помешана со вода. Во една класификација, кога моделот ги означи сенките на облаците како „вода“, областа на езерото растеше таму каде што всушност не беше; корисничката точност на класата на вода падна на 70%. Кога беа додадени индексот NDWI и маската на облакот, пречки во сенка/вода се намалија и прецизноста на водата се зголеми на над 90%.
Случај 2 - Извештај обновен со основна вистина. Студијата за земјоделски инвентар објави 82% вкупна точност на почетната класификација, но тоа беше мерено со примероци за обука. Кога повторно се мери со 120 независни точки на вистинитост на земјата, вистинската вкупна точност беше 71%; Земјоделството и голиот терен сериозно се мешаа. Со дополнителни примери за обука, класификацијата беше подобрена и точноста се зголеми на 84%. Лекција: точноста се мери со независен примерок.
Случај 3 - Сезонска стапица. Кога сликите направени на два различни датуми (пролет и крајот на летото) беа измешани заедно, собраните полиња се префрлија во класата „гола земја“, а земјоделската површина се чини дека недостасуваше 15%. Резултатите се подобрија кога беа избрани слики од истата сезона и беше постигната фенолошка конзистентност.
Слаба навестување / Силен навестување
Слаба навестување:
Класифицирајте ја оваа сателитска слика.
Моќен потсетник:
Задача: да се изгради работниот тек за класификација на покривката на земјиштето (вклучувајќи Python/rasterio + scikit-learn code скелет). Контекст:- Сензор: 4 ленти (сина, зелена, црвена, NIR), резолуција од 10 m- Класи: вода, шума, земјоделство, градежништво, гола_земја- Цел на покривање извештај за точност на земјиштето1. индекси (NDVI, NDWI) за додавање и зошто пишување.2) Наведете ги надгледуваните чекори за класификација; Нагласете дека примероците за обука и ВАЛИДАЦИЈА треба да бидат ПОДЕЛНИ.3) Ставете ја матрицата на грешки + вкупната точност + Капа пресметката во скелетот на кодот.4) Забележете ги ризиците од конфузија на облак/сенка и сезона.
Силниот промпт го одредува множеството на класи, резолуцијата, образложението на индексот и разликата за валидација; излезот станува мерлив.
Четири шаблони за копирање
1) Избор на метод/индекс:
Кој спектрален индекс и метод на класификација би го препорачале за целта [цел] и сензорот [појаси/резолуција]? За секој избор, напишете го образложението и потенцијалниот ризик од конфузија (кои класи се слични една на друга).
2) Скелет за класификација код:
Напишете надгледувана рамка за класификација со Rasterio + scikit-learn: читање лента, пресметка на индекс, ПОДЕЛБА на примероци за обука/валидација, класификација, матрица на грешки и излез на точност. Одржување на CRS; објасни.
3) Accuracy evaluation setup:
Напишете план за оценување на точноста на класификацијата: независен дизајн на примерок за основана вистина, матрица на грешки, вкупна точност, Капа, точност на производителот/корисникот по класа. Објаснете што вели секоја метрика.
4) Interference diagnosis:
Толкувајте ја матрицата за грешки подолу: кои класи се мешаат една со друга, која е можната спектрална/сезонска причина, кои дополнителни податоци (индекс, маска, датум) би ја намалиле конфузијата? Матрица: [матрица за грешка]
Споредба на концепти за класификација
концепт
Значење
кога
надгледуван
Обука со означен пример
Часовите се однапред одредени
Без надзор
Групирање без етикети
Откритие, нема примери
NDVI
индекс на виталност на растенијата
Одвојување на растенијата/голи/вода
NDWI
индекс на вода
одвојување на водните тела
Матрица за грешки
Точно/неточно броење
мерење на точност
капа
Соодветност поправена со шансите
Стандарден извештај за точност
Вообичаени грешки
- Мерење на точноста со примери за обука. Независното тестирање дава вештачки висока точност.
- Предавање на картата без да се мери точноста. „Изгледа убаво“ не е доказ за точноста.
- Прескокнување на маската на облак/сенка. Сенка се меша со вода, облак се меша со снег/структура.
- Мешање различни слики од сезона/датум. Фенолошките разлики ги менуваат класите.
- Defining too many and similar classes. Класите што не се разликуваат ја намалуваат точноста.
- Игнорирање на резолуцијата. Малите објекти не можат да се класифицираат ако се помали од еден пиксел.
Сумирано
Во далечинско набљудување, вештачката интелигенција го забрзува работниот тек од мултиспектрални податоци до мапирање на покривката на земјиштето и може да преземе голем дел од класификацијата. Но, мапата за класификација е корисна само ако се мери нејзината точност: стандардно е да се конструира матрица на грешки со независни примероци за основана вистина и да се пресмета вкупната точност и Капа. Облак/сенка, сезонски варијации и слични класи се типични извори на пречки; Управувајте со нив со конзистентност на индекс, маска и датум. Никогаш не мешајте примероци за обука и валидација.
Задача за апликација
Изберете прашање за покривање на земјиштето (на пр. „карта на урбани зелени површини“). Запишете го класниот сет, бендовите и индексите што ќе ги користите (барем NDVI). Дали вештачката интелигенција произведе надгледуван тек на класификација; проверете дали примероците за обука и валидација се одвоени и матрицата на грешки + Капа пресметката е вклучена во излезот. Потоа направете список со „ризик од конфузија“: кои две класи се слични и како ги разликувате.
листа за проверка
- [ ] Ја одржав класната гарнитура мала и разбирлива.
- [ ] Додадов спектрални индекси (NDVI/NDWI) соодветни за целта.
- [ ] Ги одвоив примерите за обука и валидација.
- [ ] Ја проверив маската на облак/сенката и конзистентноста на сезоната.
- [ ] Ја измерив точноста со независна основна вистина.
- [ ] Ја пријавив матрицата за грешки, вкупната точност и Капа.
- [ ] Дијагностицирав и излечив мешање на часовите.
- [ ] Подложив на инженерско одобрение дека мапата е точна за нејзината намена.