റിമോട്ട് സെൻസിംഗും സൈറ്റ് കണ്ടെത്തലും: സാറ്റലൈറ്റ്, ഏരിയൽ ഫോട്ടോഗ്രഫി, ലിഡാർ

നേട്ടങ്ങൾ:

• കൃത്രിമബുദ്ധി ഉപയോഗിച്ച് സാറ്റലൈറ്റ്, ഏരിയൽ ഫോട്ടോഗ്രഫി, ലിഡാർ ഡാറ്റ എന്നിവയിലെ അപാകതകൾക്കായി സ്കാൻ ചെയ്യാനും ഭൂപ്രദേശം സ്ഥിരീകരണം ആവശ്യമുള്ള സ്ഥാനാർത്ഥിയായി ഓരോ അടയാളവും വിലയിരുത്താനുമുള്ള കഴിവ്
• ചെടി, മണ്ണ്, നിഴൽ അടയാളങ്ങൾ എന്നിവയുടെ കാലാനുസൃതവും വ്യവസ്ഥാപിതവുമായ ആശ്രിതത്വവും സ്വാഭാവിക/ആധുനിക തെറ്റായ പോസിറ്റീവുകൾ എങ്ങനെ ഒഴിവാക്കപ്പെടുന്നുവെന്നും മനസ്സിലാക്കുന്നു.
• സെൻസിറ്റീവ് സൈറ്റ് ലൊക്കേഷനുകൾ കൊള്ളയിൽ നിന്ന് പരിരക്ഷിക്കുകയും പ്രക്ഷേപണത്തിൽ മങ്ങിക്കുകയും ചെയ്യേണ്ടത് എന്തുകൊണ്ടാണെന്ന് പ്രയോഗിക്കാനുള്ള കഴിവ്

പുരാവസ്തുഗവേഷണത്തിലെ ഏറ്റവും ആവേശകരമായ സംഭവവികാസങ്ങളിലൊന്ന് നിലത്തു കുഴിക്കാതെ തന്നെ ഭൂമിക്കടിയിലും ഉപരിതലത്തിലും അടയാളങ്ങൾ കാണാനുള്ള കഴിവാണ്. റിമോട്ട് സെൻസിംഗ് (ഭൗതികമായി സ്പർശിക്കാതെ ഉപഗ്രഹമോ വിമാനമോ ഡ്രോൺ ചിത്രങ്ങളോ ഉള്ള ഒരു പ്രദേശം പരിശോധിക്കുന്ന രീതി) വലിയ പ്രദേശങ്ങൾ സ്കാൻ ചെയ്യുന്നതിനും സാധ്യമായ സ്ഥലങ്ങൾ കണ്ടെത്തുന്നതിനുമുള്ള ഏറ്റവും ശക്തമായ ഉപകരണമാണ് (പുരാവസ്തു അവശിഷ്ടങ്ങൾ അടങ്ങിയ സ്ഥലങ്ങൾ). ഈ യൂണിറ്റിൽ, ഉപഗ്രഹ ചിത്രങ്ങൾ, ഏരിയൽ ഫോട്ടോഗ്രാഫുകൾ, LiDAR ഡാറ്റ എന്നിവയിൽ AI അപാകതകൾ (അതിൻ്റെ ചുറ്റുപാടുകളിൽ നിന്ന് വ്യത്യസ്തമായ ട്രാക്കുകൾ, മനുഷ്യനിർമ്മിതമായിരിക്കാം) അടയാളപ്പെടുത്തുന്നത് എങ്ങനെയെന്ന് നമ്മൾ പഠിക്കും, എന്നാൽ ഓരോ അടയാളവും ഫീൽഡിൽ സ്ഥിരീകരിക്കേണ്ടത് എന്തുകൊണ്ടാണെന്ന്.

അടിസ്ഥാന തത്വം: വിശാലമായ പ്രദേശത്ത് "ഇവിടെ നോക്കൂ" എന്ന് പറയുന്ന ഒരു സ്കാനിംഗ്, പോയിൻ്റിംഗ് അസിസ്റ്റൻ്റാണ് AI; "ഇത് ശരിക്കും ഒരു സൈറ്റാണ്" എന്ന തീരുമാനം ഭൂമി നിയന്ത്രണവും വിദഗ്ധരും എടുക്കുന്നു. റിമോട്ട് സെൻസിംഗിൽ, AI അടയാളപ്പെടുത്തിയ ഓരോ പോയിൻ്റും ഒരു സിദ്ധാന്തമാണ്, ഒരു കണ്ടെത്തലല്ല.

റിമോട്ട് സെൻസിംഗിൻ്റെ തരങ്ങൾ

സാറ്റലൈറ്റ്, ഏരിയൽ ഫോട്ടോഗ്രാഫി. കുഴിച്ചിട്ട ഘടനകൾ അവയ്ക്ക് മുകളിലുള്ള മണ്ണിൻ്റെയും സസ്യങ്ങളുടെയും വ്യത്യസ്ത വളർച്ചയിലേക്ക് നയിക്കുന്നു. ഒരു ഭിത്തിയിലെ വിള ദുർബലമാണ്, ഒരു കിടങ്ങിൽ അത് കുറ്റിച്ചെടിയാണ്; ഇവയെ വിള അടയാളങ്ങൾ എന്ന് വിളിക്കുന്നു. NDVI (സസ്യങ്ങളുടെ ആരോഗ്യം അളക്കുന്ന ഒരു സൂചിക; ഇത് ഇൻഫ്രാറെഡ് ലൈറ്റ് ഉപയോഗിച്ച് സസ്യങ്ങളുടെ ചൈതന്യം അളക്കുന്നു) ഈ വ്യത്യാസങ്ങൾ എടുത്തുകാണിക്കുന്നു. വലിയ ചിത്രങ്ങളിലെ ഈ സൂക്ഷ്മ വ്യത്യാസങ്ങൾ മനുഷ്യനെക്കാൾ വേഗത്തിൽ AI സ്കാൻ ചെയ്യുന്നു.

ലിഡാർ. LiDAR (ലൈറ്റ് ഡിറ്റക്ഷനും റേഞ്ചിംഗും — ഒരു വിമാനത്തിൽ നിന്ന് നിലത്തേക്ക് ലേസർ ഷൂട്ട് ചെയ്തും തിരികെ മടങ്ങുന്ന സമയം അളന്ന് ഉപരിതലത്തിൻ്റെ വളരെ കൃത്യമായ 3D എലവേഷൻ മാപ്പ് സൃഷ്ടിക്കുന്ന സാങ്കേതികവിദ്യ) ഏറ്റവും വിപ്ലവകരമായ ഉപകരണമാണ്. മരങ്ങൾക്കിടയിലൂടെ ലേസർ ഭൂമിയിലെത്തുമെന്നതാണ് ഇതിൻ്റെ സവിശേഷത; അങ്ങനെ കാടിന് താഴെയുള്ള കുന്നുകളും മട്ടുപ്പാവുകളും റോഡുകളും കെട്ടിട അടിത്തറകളും സസ്യങ്ങളെ സംഖ്യാപരമായി "തൊലി" ചെയ്യുമ്പോൾ വെളിപ്പെടുന്നു. ഈ എലവേഷൻ ഡാറ്റയിൽ ബമ്പുകളും കുഴികളും സുഗമമായ ജ്യാമിതീയ രൂപങ്ങളും AI അടയാളപ്പെടുത്തുന്നു.

ജിയോഫിസിക്സ് (സപ്ലിമെൻ്ററി). ഗ്രൗണ്ട് പെനട്രേറ്റിംഗ് റഡാർ (ജിപിആർ), മാഗ്നറ്റിക് സർവേയിംഗ് തുടങ്ങിയ രീതികൾ ഉപരിതലത്തിന് തൊട്ടുതാഴെയായി കാണുന്നു; ഈ ഡാറ്റയിലും അനോമലി പാറ്റേണുകൾ കണ്ടെത്താൻ AI സഹായിക്കുന്നു.

AI ഉപയോഗിച്ചുള്ള സൈറ്റ് കണ്ടെത്തൽ ഘട്ടങ്ങൾ

1. ഡാറ്റ തയ്യാറാക്കൽ. ചിത്രങ്ങൾ കോർഡിനേറ്റ് സിസ്റ്റത്തിൽ ഘടിപ്പിച്ചിരിക്കുന്നു (ജിയോറെഫറൻസിങ്), ഷാഡോയും കോൺട്രാസ്റ്റും ശരിയാക്കി. LiDAR-ൽ, സസ്യങ്ങൾ ഫിൽട്ടർ ചെയ്യുകയും ഒരു "ബെയർ ​​ഗ്രൗണ്ട് മോഡൽ" നിർമ്മിക്കുകയും ചെയ്യുന്നു.
2. അനോമലി സ്കാനിംഗ്. മനുഷ്യനിർമ്മിതമായ സുഗമമായ ജ്യാമിതികളെ AI അടയാളപ്പെടുത്തുന്നു (വൃത്താകൃതിയിലുള്ള കുന്ന്, ചതുരാകൃതിയിലുള്ള ഘടന, ലീനിയർ ഡിച്ച്/റോഡ്).
3. ഉന്മൂലനം. ഭൂരിഭാഗം അടയാളങ്ങളും സ്വാഭാവികമാണ് (ഭൂമിശാസ്ത്രപരമായ, കാർഷിക, ആധുനിക). വിദഗ്ദ്ധർ വ്യക്തമായും സ്വാഭാവികവും ആധുനികവുമായവ ഒഴിവാക്കുന്നു.
4. മുൻഗണന. ശേഷിക്കുന്ന കാൻഡിഡേറ്റ് പോയിൻ്റുകൾ സന്ദർഭവും അറിയപ്പെടുന്ന സൈറ്റ് വിതരണവും അനുസരിച്ച് മുൻഗണന നൽകുന്നു.
5. ഭൂമി സ്ഥിരീകരണം. ഉപരിതല സർവേയിലൂടെയും ആവശ്യമെങ്കിൽ ഡ്രെയിലിംഗിലൂടെയും മുൻഗണനാ പോയിൻ്റുകൾ സൈറ്റിൽ പരിശോധിക്കുന്നു. സ്ഥിരീകരണമില്ലാതെ ഒരു പോയിൻ്റും "ഇരിക്കൂ" എന്ന് പ്രഖ്യാപിച്ചിട്ടില്ല.

നുറുങ്ങ്: AI യുടെ അടയാളങ്ങൾ എല്ലായ്പ്പോഴും "ഉയർന്ന തെറ്റായ പോസിറ്റീവ് നിരക്കുള്ള സ്ഥാനാർത്ഥികളുടെ പട്ടിക" ആയി കാണുക. വയലിൽ സന്ദർശിക്കേണ്ട സ്ഥലങ്ങൾ ബുദ്ധിപരമായി ചുരുക്കുകയാണ് ലക്ഷ്യം; കണ്ടുപിടുത്തം പ്രഖ്യാപിക്കാനല്ല. ഒരു സീസണിൽ 200 ലാൻഡ് പോയിൻ്റുകൾ 30 ആയി കുറയ്ക്കുന്നത് വലിയ നേട്ടമാണ്.

സെൻസിറ്റീവ് ലൊക്കേഷൻ: നിർണായകമായ സ്വകാര്യത

സൈറ്റ് കണ്ടെത്തലിലെ ഏറ്റവും ഗുരുതരമായ ധാർമ്മികവും സുരക്ഷാവുമായ പ്രശ്നം ലൊക്കേഷൻ രഹസ്യാത്മകതയാണ്. പുതുതായി തിരിച്ചറിഞ്ഞതും സുരക്ഷിതമല്ലാത്തതുമായ സൈറ്റിൻ്റെ കൃത്യമായ കോർഡിനേറ്റുകൾ അനധികൃത ഖനനക്കാർക്കും നിധി അന്വേഷിക്കുന്നവർക്കും നേരിട്ടുള്ള ലക്ഷ്യമാണ്. അതുകൊണ്ട്:

• കൃത്യമായ കോർഡിനേറ്റുകൾ സ്ഥിരീകരിച്ചിട്ടില്ലാത്ത പൊതു AI വാഹനങ്ങളിൽ പ്രവേശിക്കരുത്.
• പ്രക്ഷേപണങ്ങളിലും അവതരണങ്ങളിലും സെൻസിറ്റീവ് സൈറ്റുകളുടെ ലൊക്കേഷൻ മങ്ങിക്കുക (പൊതു മേഖല നൽകുക, GPS ഇല്ല).
• ഓർഗനൈസേഷൻ്റെ സുരക്ഷിത സിസ്റ്റത്തിൽ ഡാറ്റ സൂക്ഷിക്കുകയും ആക്‌സസ് പരിമിതപ്പെടുത്തുകയും ചെയ്യുക.

ശ്രദ്ധിക്കുക: "ഞാൻ ഒരു മാപ്പ് വരയ്ക്കാൻ പോകുന്നു" എന്ന് പറഞ്ഞ് ഒരു പൊതു സേവനത്തിലേക്ക് ഒരു സൈറ്റിൻ്റെ കോർഡിനേറ്റുകൾ ഒട്ടിക്കുന്നത് ആ സൈറ്റിനെ കൊള്ളയടിക്കാൻ തുറന്നേക്കാം. ലൊക്കേഷൻ ഡാറ്റ ഒരു അസറ്റാണ്, അത് കണ്ടെത്തുന്നത് പോലെ തന്നെ സംരക്ഷിക്കപ്പെടേണ്ടതാണ്.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - സ്കാൻ പ്രദേശം ചുരുക്കി. ഒരു സർവേ പ്രോജക്റ്റ് 500 km² വിസ്തീർണ്ണം അളക്കും. AI-ൽ പ്രവർത്തിക്കുന്ന LiDAR വിശകലനം വനത്തിനടിയിൽ സാധ്യമായ 120 കുന്നുകൾ അടയാളപ്പെടുത്തി. വിദഗ്ധ ഉന്മൂലനത്തിന് ശേഷം, 38 മുൻഗണനാ സ്ഥലങ്ങൾ അവശേഷിക്കുന്നു; ഇവയിൽ 11 എണ്ണം ഈ മേഖലയിലെ യഥാർത്ഥ പുരാവസ്തു ഘടനകളാണെന്ന് കണ്ടെത്തി. ടാർഗെറ്റുചെയ്‌ത സീസണിലേക്ക് AI മാസങ്ങളോളം അന്ധമായ തിരയലിനെ ചുരുക്കിയിരിക്കുന്നു.

കേസ് 2 - തെറ്റായ പോസിറ്റീവ് ആയിരുന്നു പാഠം. AI അടയാളപ്പെടുത്തിയ മിനുസമാർന്ന വൃത്താകൃതിയിലുള്ള വടുക്കൾ "മൺകുന്നു" എന്ന് പ്രഖ്യാപിക്കാൻ ഒരു സംഘം ആവേശത്തോടെ തയ്യാറെടുക്കുമ്പോൾ, വിദഗ്ദ്ധ ഭൗമശാസ്ത്രജ്ഞൻ ഇത് ഒരു സ്വാഭാവിക ഡിപ്രഷൻ (ഡോളിൻ) ആണെന്ന് കാണിച്ചു. ഭൂമി സ്ഥിരീകരിക്കാതെ നടത്തിയ പ്രസ്താവന പ്രശസ്തി നഷ്ടമാകാം. പാഠം: AI ജ്യാമിതിയെ കാണുന്നു, ഉത്ഭവത്തിൻ്റെ വ്യാഖ്യാനമല്ല.

കേസ് 3 - ലൊക്കേഷൻ ചോർച്ച തടഞ്ഞു. ഒരു വിദ്യാർത്ഥി പുതുതായി കണ്ടെത്തിയ സൈറ്റിൻ്റെ കോർഡിനേറ്റുകൾ അടങ്ങിയ ചിത്രം ഒരു പൊതു ഉപകരണത്തിലേക്ക് അപ്‌ലോഡ് ചെയ്യും. കൗൺസിലർ നിർത്തി; ആ പ്രദേശം അപ്പോഴും സുരക്ഷിതമല്ലായിരുന്നു. കോർഡിനേറ്റ് വിവരങ്ങൾ നീക്കംചെയ്ത് സുരക്ഷിതമായ സിസ്റ്റത്തിൽ മാത്രം ചിത്രം പ്രോസസ്സ് ചെയ്തു.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) അനോമലി സ്കാനിംഗ് ഫ്രെയിം:

നിങ്ങളുടെ റോൾ: റിമോട്ട് സെൻസിംഗ് അനാലിസിസ് അസിസ്റ്റൻ്റ്. ഞാൻ നിങ്ങൾക്ക് ഒരു വെറും ഗ്രൗണ്ട് (ലിഡാർ ഡിറൈവ്ഡ്) എലവേഷൻ ഇമേജ്/ഡാറ്റ തരും. മിനുസമാർന്ന ജ്യാമിതികൾ (വൃത്താകൃതി, ദീർഘചതുരം, രേഖീയം) അടയാളപ്പെടുത്തുക, അവ മനുഷ്യനിർമിതമാകാം; ഓരോന്നിനും, അതിൻ്റെ സ്ഥാനം, ഫോർമാറ്റ്, എന്തുകൊണ്ട് അത് ശ്രദ്ധേയമാണ് എന്ന് എഴുതുക. ഓരോ അടയാളത്തിനും, സ്വാഭാവിക/ആധുനിക വിശദീകരണത്തിൻ്റെ സാധ്യതയും സൂചിപ്പിക്കുക. ഒരു നിർണായകമായ "ഇരിപ്പ്" പ്രഖ്യാപിക്കരുത്.

2) തെറ്റായ പോസിറ്റീവ് ഉന്മൂലനം:

AI അടയാളപ്പെടുത്തിയ കാൻഡിഡേറ്റ് പോയിൻ്റുകളുടെ ലിസ്റ്റ് ചുവടെയുണ്ട്. ഓരോന്നിനും, ഭൂപ്രദേശം പരിശോധിക്കുന്നതിന് മുമ്പ് എനിക്ക് ഇല്ലാതാക്കാൻ കഴിയുന്ന പ്രകൃതിദത്തവും ആധുനികവുമായ വിശദീകരണങ്ങൾ (ഭൂമിശാസ്ത്രപരമായ രൂപീകരണം, കാർഷിക ട്രെയ്സ്, റോഡ്, കെട്ടിട അടിത്തറ) ലിസ്റ്റ് ചെയ്യുക. ശേഷിക്കുന്ന "ശരിക്കും അവ്യക്തമായ" സ്ഥാനാർത്ഥികളെ പ്രത്യേകം പട്ടികപ്പെടുത്തുക.

3) ഭൂമി നിയന്ത്രണ പദ്ധതി:

എൻ്റെ മുൻനിര സ്ഥാനാർത്ഥി സ്ഥാനങ്ങൾ ഇവയാണ്: [ലിസ്റ്റ്]. ഓരോ പോയിൻ്റിനും, ഫീൽഡിൽ സ്ഥിരീകരിക്കുമ്പോൾ ഞാൻ ശ്രദ്ധിക്കേണ്ട സൂചകങ്ങൾ (ഉപരിതല കണ്ടെത്തലുകൾ, ഭൂപ്രകൃതി, മണ്ണിൻ്റെ നിറം, കല്ലിൻ്റെ സാന്ദ്രത), സുരക്ഷിത/ധാർമ്മിക ഫീൽഡ് നിയമങ്ങൾ (അനുമതി, ലൊക്കേഷൻ രഹസ്യാത്മകത) എന്നിവ അടങ്ങിയ ഒരു ചെക്ക്‌ലിസ്റ്റ് ദൃശ്യമാകുന്നു.

4) പ്രക്ഷേപണത്തിനുള്ള ലൊക്കേഷൻ മങ്ങിക്കൽ:

ഒരു പ്രസിദ്ധീകരണത്തിനോ/അവതരണത്തിനോ വേണ്ടി ഇനിപ്പറയുന്ന സൈറ്റ് വിവരങ്ങൾ തയ്യാറാക്കുമ്പോൾ, കൃത്യമായ ലൊക്കേഷൻ വെളിപ്പെടുത്താതെ ഞാൻ അത് എങ്ങനെ വിവരിക്കാമെന്ന് നിർദ്ദേശിക്കുക: ഏത് തലത്തിലുള്ള സാമാന്യവൽക്കരണം (പ്രവിശ്യ/മേഖല), ഏതൊക്കെ വിവരങ്ങൾ ഒഴിവാക്കണം എന്ന് ലിസ്റ്റ് ചെയ്യുക. ലക്ഷ്യം: ശാസ്ത്രീയ സുതാര്യതയുടെ സന്തുലിതാവസ്ഥയും കേടുപാടുകൾക്കെതിരെയുള്ള സംരക്ഷണവും.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഈ സാറ്റലൈറ്റ് ഇമേജിൽ ഏതെങ്കിലും പുരാവസ്തു സ്ഥലമുണ്ടോ? അതിൻ്റെ കോർഡിനേറ്റുകൾ നൽകുക.

AI-ക്ക് സ്വാഭാവികമായ ഒരു അടയാളം "ഇരിക്കുക" എന്ന് പ്രഖ്യാപിക്കാനും ആത്മവിശ്വാസമുള്ള ഒരു കോർഡിനേറ്റിന് അനുയോജ്യമാക്കാനും കഴിയും; ഇത് ശാസ്ത്രീയവും സുരക്ഷാ വീക്ഷണവും ഒരുപോലെ അപകടകരമാണ്.

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ റോൾ: റിമോട്ട് സെൻസിംഗ് അസിസ്റ്റൻ്റ്. ഈ ചിത്രത്തിൽ മനുഷ്യനിർമ്മിതമാകാവുന്ന സുഗമമായ ജ്യാമിതീയ അടയാളങ്ങൾ അടയാളപ്പെടുത്തുക. ഓരോ ട്രെയ്സിനും: (എ) അതിൻ്റെ ആകൃതി, (ബി) എന്തുകൊണ്ട് ഇത് ശ്രദ്ധേയമാണ്, (സി) സ്വാഭാവിക/ആധുനിക ബദൽ വിശദീകരണം. ഫീൽഡിൽ മാത്രം പരിശോധിക്കേണ്ട സ്ഥാനാർത്ഥികളാണിവർ; ഒരു "ഇരിപ്പ്" പ്രഖ്യാപിക്കരുത്. കൃത്യമായ കോർഡിനേറ്റുകൾ സൃഷ്ടിക്കുക, ആപേക്ഷിക സ്ഥാനം വിവരിക്കുക.

വ്യത്യാസം: ആദ്യത്തേത് കണ്ടെത്തൽ പ്രഖ്യാപിച്ചു; രണ്ടാമത്തേത് പരിശോധിച്ചുറപ്പിക്കേണ്ട സ്ഥാനാർത്ഥികളുടെ ഒരു സുരക്ഷിത ലിസ്റ്റ് നിർമ്മിക്കുന്നു.

ചിത്ര തരങ്ങളും സീസണൽ ഇഫക്റ്റുകളും

റിമോട്ട് സെൻസിംഗിൽ ഒരു ചിത്രം "എപ്പോഴും" പ്രവർത്തിക്കുന്നില്ല; ശരിയായ ട്രാക്ക് കാണുന്നതിന് ശരിയായ അവസ്ഥ ആവശ്യമാണ്. വിളകൾ ജലസമ്മർദ്ദം നേരിടുന്ന വരണ്ട കാലഘട്ടങ്ങളിൽ വിളയുടെ അടയാളങ്ങൾ നന്നായി കാണപ്പെടുന്നു: കുഴിച്ചിട്ട ഭിത്തിക്ക് മുകളിലുള്ള മണ്ണ് കുറച്ച് വെള്ളം നിലനിർത്തുന്നു, അതിനാൽ അവിടെയുള്ള വിളകൾ നേരത്തെ മഞ്ഞനിറമാവുകയും മുകളിൽ നിന്ന് ഒരു വരയായി പ്രത്യക്ഷപ്പെടുകയും ചെയ്യുന്നു. ഈർപ്പമുള്ള സ്പ്രിംഗ് ഇമേജിൽ, അതേ ട്രെയ്സ് ദൃശ്യമാകണമെന്നില്ല. നിലം ഉഴുതുമറിച്ചതിനുശേഷം വിവിധ നിറങ്ങളിലുള്ള മണ്ണ് ഉപരിതലത്തിലേക്ക് വരുമ്പോൾ മണ്ണിൻ്റെ അടയാളങ്ങൾ പ്രത്യക്ഷപ്പെടുന്നു. ഷാഡോ അടയാളങ്ങൾ, നേരെമറിച്ച്, രാവിലെയോ വൈകുന്നേരമോ കുറഞ്ഞ വെയിലിൽ നീണ്ട നിഴലുകളുള്ള നേരിയ കുണ്ടുകളും കുഴികളും വെളിപ്പെടുത്തുന്നു. അതിനാൽ, ഒരു പ്രദേശത്തെ വിലയിരുത്തേണ്ടത് ഒരൊറ്റ ചിത്രത്തിലല്ല, മറിച്ച് വ്യത്യസ്ത ഋതുക്കളിലും സമയങ്ങളിലും നിരവധി ചിത്രങ്ങൾ ഉപയോഗിച്ച്; ഈ മൾട്ടി-ടൈം താരതമ്യത്തെ AI ത്വരിതപ്പെടുത്തുന്നു.

LiDAR-ൻ്റെ പ്രയോജനം, ഈ അവസ്ഥയെ ആശ്രിതത്വത്തെ അതിജീവിക്കുന്നു എന്നതാണ്: ഇത് ഉപരിതല ഭൂപ്രകൃതിയെ നേരിട്ട് അളക്കുന്നതിനാൽ, അത് സസ്യങ്ങളുടെ സീസണിനെ ആശ്രയിക്കുന്നില്ല, കൂടാതെ വനത്തിൻ്റെ അടിവശം കാണാൻ കഴിയും. എന്നിരുന്നാലും, LiDAR-ൽ ഒരു "ബെയർ ​​ഗ്രൗണ്ട് മോഡൽ" നിർമ്മിക്കുമ്പോൾ, പ്ലാൻ്റ് ഫിൽട്ടർ വളരെ ആക്രമണാത്മകമാണെങ്കിൽ, അത് യഥാർത്ഥ ബമ്പുകൾ മായ്ക്കാൻ കഴിയും, അത് വളരെ മൃദുവായതാണെങ്കിൽ, അത് ഘടനകളായി മരങ്ങളെ തെറ്റിദ്ധരിക്കും; ഈ ഫിൽട്ടർ തീരുമാനങ്ങൾക്ക് വിദഗ്ധ മേൽനോട്ടം ആവശ്യമാണ്.

നുറുങ്ങ്: ഒരു പ്രദേശം വിലയിരുത്തുമ്പോൾ, "ഏത് സീസണിൽ, ഏത് സമയത്ത്, ഏത് രീതിയിലാണ്?" എപ്പോഴും ചോദ്യം ചോദിക്കുക. ഒരൊറ്റ ഇമേജിൽ ട്രെയ്‌സ് ഇല്ലെങ്കിൽ, ഒരു സൈറ്റും ഇല്ലെന്ന് അർത്ഥമാക്കുന്നില്ല; ഒരുപക്ഷേ നിങ്ങൾ അത് തെറ്റായ അവസ്ഥയിലാണ് നോക്കുന്നത്.

രീതി താരതമ്യ പട്ടിക

രീതി

എന്താണ് കാണുന്നത്

AI യുടെ സംഭാവന

അതിർത്തി

സാറ്റലൈറ്റ്/എയർ ഫോട്ടോഗ്രഫി

ചെടി/മണ്ണിൻ്റെ അടയാളങ്ങൾ

വൈഡ് ഏരിയ സ്കാനിംഗ്

സീസൺ, റെസലൂഷൻ

എൻ.ഡി.വി.ഐ

ചെടിയുടെ വീര്യ വ്യത്യാസം

സ്കാർ ഹൈലൈറ്റിംഗ്

സ്വാഭാവിക വ്യത്യാസങ്ങളെ ആശയക്കുഴപ്പത്തിലാക്കുന്നു

ലിഡാർ

ഉപരിതല ഭൂപ്രകൃതി

ഫോറസ്റ്റ് അണ്ടർസ്റ്റോറി ജ്യാമിതി

പ്ലാൻ്റ് ഫിൽട്ടർ പിശകുകൾ

ജിയോഫിസിക്സ് (GPR/കാന്തിക)

ഭൂഗർഭ ഘടന

അനോമലി പാറ്റേൺ

പ്രാദേശികം, സാവധാനം

സാധാരണ തെറ്റുകൾ

• ഒരു കണ്ടെത്തലായി ഒരു അപാകത തെറ്റിദ്ധരിക്കുന്നു. ചിഹ്നം ഒരു സ്ഥാനാർത്ഥിയാണ്; ഭൂമി സ്ഥിരീകരണം കൂടാതെ അത് ഒരു സൈറ്റല്ല.
• സ്വാഭാവിക/ആധുനിക അടയാളങ്ങൾ ഇല്ലാതാക്കുന്നില്ല. ഡോളിനുകൾ, കാർഷിക പാടുകൾ, പൈപ്പുകൾ എന്നിവ പലപ്പോഴും "ഘടനകൾ" ആയി കാണപ്പെടുന്നു.
• തുറന്ന വാഹനത്തിന് കൃത്യമായ കോർഡിനേറ്റ് നൽകുന്നു. കൊള്ളയടിക്കാനുള്ള സാധ്യത; ലൊക്കേഷൻ സംരക്ഷിക്കപ്പെടേണ്ട ഒരു സ്വത്താണ്.
• ഒരൊറ്റ ചിത്രത്തെ ആശ്രയിക്കുന്നു. വ്യത്യസ്ത സീസണുകൾ, വ്യത്യസ്ത രീതികൾ, ഭൂപ്രദേശങ്ങൾ എന്നിവയില്ലാതെ വ്യാഖ്യാനം അപൂർണ്ണമാണ്.
• തെറ്റായ പോസിറ്റീവ് നിരക്ക് മറക്കുന്നു. മിക്ക അടയാളങ്ങളും ശൂന്യമായി വരുന്നു; ഇത് സാധാരണമാണ്, ലക്ഷ്യം ഇടുങ്ങിയതാണ്.

ചുരുക്കത്തിൽ

റിമോട്ട് സെൻസിംഗിൽ, വലിയ പ്രദേശങ്ങൾ സ്കാൻ ചെയ്യുന്നതിനും സാധ്യമായ സൈറ്റുകൾ അടയാളപ്പെടുത്തുന്നതിനും AI വളരെയധികം സമയം ലാഭിക്കുന്നു. എന്നാൽ ഓരോ അടയാളവും ഫീൽഡിൽ സ്ഥിരീകരിക്കേണ്ട ഒരു സിദ്ധാന്തമാണ്; പ്രകൃതിദത്തവും ആധുനികവുമായ അടയാളങ്ങൾ ശ്രദ്ധാപൂർവ്വം ഇല്ലാതാക്കുന്നു; ഏറ്റവും പ്രധാനമായി, സെൻസിറ്റീവ് ലൊക്കേഷനുകൾ കൊള്ളയിൽ നിന്ന് സംരക്ഷിക്കപ്പെടുന്നു. AI പറയുന്നു "ഇവിടെ നോക്കൂ"; ഭൂമിയും വിദഗ്ധരും "ഈ സ്ഥലം സംരക്ഷിക്കപ്പെട്ടിട്ടുണ്ടോ" എന്ന് തീരുമാനിക്കുന്നു.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു ഓപ്പൺ ആക്സസ് LiDAR അല്ലെങ്കിൽ സാറ്റലൈറ്റ് ഇമേജ് തിരഞ്ഞെടുക്കുക (നിങ്ങളുടെ സ്വന്തം മേഖലയിൽ നിന്നോ ഒരു സാമ്പിൾ ഡാറ്റാസെറ്റിൽ നിന്നോ). "അനോമലി സ്കാനിംഗ്" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് AI ഫ്ലാഗ് സാധ്യമായ ജ്യാമിതികൾ നേടുക, തുടർന്ന് "ഫാൾസ് പോസിറ്റീവ് എലിമിനേഷൻ" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് സ്വാഭാവിക/ആധുനിക വിശദീകരണങ്ങൾ ഇല്ലാതാക്കുക. ശേഷിക്കുന്ന സ്ഥാനാർത്ഥികൾക്കായി ഒരു ലാൻഡ് കൺട്രോൾ പ്ലാൻ തയ്യാറാക്കി ഒരു ലൊക്കേഷൻ രഹസ്യാത്മക കുറിപ്പ് ഉൾപ്പെടുത്തുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ AI സിഗ്നലുകൾ "കാൻഡിഡേറ്റുകൾ" ആയി കണക്കാക്കി, കണ്ടെത്തലുകളല്ല.
• [ ] ഞാൻ സ്വാഭാവികവും ആധുനികവുമായ അടയാളങ്ങൾ ഇല്ലാതാക്കാൻ ശ്രമിച്ചു.
• [ ] മുൻഗണനയുള്ള സ്ഥാനാർത്ഥികൾക്കായി ഞാൻ ഭൂമി സ്ഥിരീകരണം ആസൂത്രണം ചെയ്തിട്ടുണ്ട്.
• [ ] ഞാൻ സെൻസിറ്റീവ് ലൊക്കേഷനുകൾ തുറന്ന വാഹനത്തിന് പുറത്ത് വിടുകയും പ്രക്ഷേപണത്തിൽ അവ മങ്ങിക്കുകയും ചെയ്തു.
• [ ] തെറ്റായ പോസിറ്റീവ് നിരക്ക് ഉയർന്നേക്കാമെന്ന് ഞാൻ കണക്കിലെടുത്തിട്ടുണ്ട്.