പരിസ്ഥിതി നിരീക്ഷണം: സാറ്റലൈറ്റ് ഇമേജറി, റിമോട്ട് സെൻസിംഗ്, ഐഒടി സെൻസറുകൾ

നേട്ടങ്ങൾ:

• ചോദ്യത്തിനനുസരിച്ച് ഉപഗ്രഹവും (വൈഡ് ഏരിയ) സെൻസർ (പ്രാദേശിക) ഡാറ്റയും തിരഞ്ഞെടുക്കാനുള്ള കഴിവ്, ഒരു ക്ലൗഡ് മാസ്ക് പ്രയോഗിച്ച് NDVI പോലുള്ള സൂചികകൾ വിശകലനം ചെയ്യുക
• കാലിബ്രേഷനിലൂടെയും ഗുണനിലവാര നിയന്ത്രണത്തിലൂടെയും IoT സെൻസർ ഡാറ്റ കൈമാറുന്നതിലൂടെ യഥാർത്ഥ സിഗ്നലിൽ നിന്ന് ഡ്രിഫ്റ്റും തകരാറും വേർതിരിച്ചറിയാനുള്ള കഴിവ്
• ഒരൊറ്റ തീയതിക്ക് പകരം ഒരു ട്രെൻഡിൽ നിരീക്ഷണ കണ്ടെത്തൽ അടിസ്ഥാനമാക്കാനും അടിസ്ഥാന സത്യമോ സ്വതന്ത്രമായ ഡാറ്റയോ ഉപയോഗിച്ച് ഒരു സ്ഥിരീകരണ പ്ലാൻ സ്ഥാപിക്കാനുള്ള കഴിവ്

പരിസ്ഥിതിയെ നിയന്ത്രിക്കുന്നതിന്, അത് ആദ്യം കാണേണ്ടത് ആവശ്യമാണ്. ഒരു വനം എത്ര ചെറുതായിരിക്കുന്നു, ഒരു നദി എത്രമാത്രം മലിനമായിരിക്കുന്നു, അല്ലെങ്കിൽ ഒരു സൗകര്യം എത്രമാത്രം മീഥേൻ ചോർന്നിരിക്കുന്നു എന്നറിയേണ്ടത് ഊഹത്തിലൂടെയല്ല, ഡാറ്റയിലൂടെയാണ്. പാരിസ്ഥിതിക നിരീക്ഷണം എന്നത് പരിസ്ഥിതിയുടെ അവസ്ഥയുടെ ക്രമവും ആവർത്തിക്കാവുന്നതുമായ അളവാണ്. ഈ യൂണിറ്റിൽ, നിങ്ങൾ രണ്ട് വലിയ ഡാറ്റ സ്രോതസ്സുകളെക്കുറിച്ച് പഠിക്കും - ബഹിരാകാശത്ത് നിന്ന് നോക്കുന്ന ഉപഗ്രഹങ്ങളും ഫീൽഡിലെ സെൻസറുകളും - ഈ വലിയ ഡാറ്റയെ അർത്ഥമാക്കുന്നതിൽ AI യുടെ പങ്ക്.

ആദ്യം ആശയങ്ങൾ. ഒരു വസ്തുവിനെ സ്പർശിക്കാതെ ദൂരെ നിന്ന് (ഒരു ഉപഗ്രഹത്തിൽ നിന്നോ വിമാനത്തിൽ നിന്നോ) പ്രതിഫലിക്കുന്ന പ്രകാശം അളന്ന് വിവരങ്ങൾ ശേഖരിക്കുന്നതാണ് റിമോട്ട് സെൻസിംഗ്. IoT സെൻസർ (ഇൻ്റർനെറ്റ് ഓഫ് തിംഗ്സ്) എന്നത് ഫീൽഡിൽ സ്ഥാപിച്ചിട്ടുള്ള ഒരു ചെറിയ ഉപകരണമാണ്, കൂടാതെ ഇൻ്റർനെറ്റിലൂടെ അളന്ന മൂല്യം (താപനില, വായുവിൻ്റെ ഗുണനിലവാരം, ജലനിരപ്പ്) സ്വയമേവ അയയ്ക്കുന്നു. അവർ ഒരുമിച്ച് പരിസ്ഥിതിയുടെ വിശാലമായ (ഉപഗ്രഹം) പ്രാദേശിക (സെൻസർ) ചിത്രം നൽകുന്നു.

സാറ്റലൈറ്റ് ഡാറ്റ എങ്ങനെ വായിക്കാം?

ഉപഗ്രഹങ്ങൾ ചിത്രങ്ങൾ എടുക്കുക മാത്രമല്ല ചെയ്യുന്നത്; പ്രകാശത്തിൻ്റെ വ്യത്യസ്ത തരംഗദൈർഘ്യങ്ങൾ ("ബാൻഡുകൾ") അളക്കുന്നു. ഈ ബാൻഡുകളുടെ ഗണിത സംയോജനം നഗ്നനേത്രങ്ങൾക്ക് അദൃശ്യമായത് കാണിക്കുന്നു. ഏറ്റവും അറിയപ്പെടുന്ന ഉദാഹരണം NDVI (നോർമലൈസ്ഡ് ഡിഫറൻസ് വെജിറ്റേഷൻ ഇൻഡക്സ്) ആണ്: ആരോഗ്യമുള്ള സസ്യങ്ങൾ ഇൻഫ്രാറെഡ് പ്രകാശത്തെ വളരെയധികം പ്രതിഫലിപ്പിക്കുന്നു എന്ന തത്വത്തെ അടിസ്ഥാനമാക്കി, 0 നും 1 നും ഇടയിലുള്ള ഒരു സംഖ്യ ഉപയോഗിച്ച് സസ്യങ്ങളുടെ സാന്ദ്രത അളക്കുന്നു. NDVI കുറയുന്നത് വനനശീകരണം, വരൾച്ച അല്ലെങ്കിൽ നാശം എന്നിവയെ അർത്ഥമാക്കുന്നു.

ഏറ്റവും സാധാരണമായ സ്വതന്ത്രവും തുറന്നതുമായ ഉപഗ്രഹ ഉറവിടങ്ങൾ സെൻ്റിനൽ (യൂറോപ്യൻ കോപ്പർനിക്കസ് പ്രോഗ്രാം), ലാൻഡ്സാറ്റ് (യുഎസ്എ) ഉപഗ്രഹങ്ങളാണ്. ഗൂഗിൾ എർത്ത് എഞ്ചിൻ പോലുള്ള പ്ലാറ്റ്‌ഫോമുകളിലൂടെയോ പൈത്തണിലൂടെയോ (rasterio, xarray പോലുള്ള ലൈബ്രറികൾക്കൊപ്പം) ഇവ ആക്‌സസ് ചെയ്യപ്പെടുന്നു.

നുറുങ്ങ്: ഉപഗ്രഹ ഡാറ്റയുടെ ഏറ്റവും വലിയ ശത്രു ക്ലൗഡ് ആണ്. ഒരു NDVI ഡ്രോപ്പ് യഥാർത്ഥത്തിൽ കാടിൻ്റെ നഷ്ടമാണോ, അതോ അന്ന് അതിന് മുകളിൽ ഒരു മേഘം ഉണ്ടായിരുന്നോ? വിശകലനം ചെയ്യുന്നതിന് മുമ്പ് എല്ലായ്പ്പോഴും ഒരു ക്ലൗഡ് മാസ്ക് പ്രയോഗിക്കുകയും ഒന്നിലധികം തീയതികൾ താരതമ്യം ചെയ്യുകയും ചെയ്യുക.

IoT സെൻസർ ഡാറ്റയും കാലിബ്രേഷനും

സെൻസറുകൾ വിലകുറഞ്ഞതും സാധാരണവുമാണ്, പക്ഷേ തികഞ്ഞതല്ല. കുറഞ്ഞ വിലയുള്ള എയർ ക്വാളിറ്റി സെൻസർ കാലക്രമേണ ഒഴുകിപ്പോകും, ​​ഈർപ്പം ബാധിക്കും, അല്ലെങ്കിൽ പരാജയപ്പെടും. അതിനാൽ, സെൻസർ ഡാറ്റ അതിൻ്റെ അസംസ്കൃത രൂപത്തിൽ വിശ്വസനീയമല്ല; കാലിബ്രേഷൻ (അറിയപ്പെടുന്ന ഒരു റഫറൻസ് ഉപകരണവുമായി താരതമ്യം ചെയ്തുകൊണ്ട് തിരുത്തൽ) ഗുണനിലവാര നിയന്ത്രണവും അത്യാവശ്യമാണ്.

ഇവിടെ AI; വലിയ ഇമേജ്, ടൈം സീരീസ് ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്നതിനും അപാകതകൾക്കായി സ്കാൻ ചെയ്യുന്നതിനും (അപ്രതീക്ഷിതമായ വ്യതിയാനം), ഒരു വർഗ്ഗീകരണ മാതൃക സ്ഥാപിക്കുന്നതിനും കണ്ടെത്തലുകൾ സംഗ്രഹിക്കുന്നതിനും കോഡ് എഴുതുന്നതിൽ ഇത് വളരെ ശക്തമാണ്. എന്നാൽ അളവെടുപ്പിൻ്റെ ഭൗതിക യാഥാർത്ഥ്യം കാലിബ്രേഷൻ തീരുമാനത്തിലേക്കും "ഈ സിഗ്നൽ യഥാർത്ഥമാണോ അതോ ശബ്ദമാണോ?" എന്ന ചോദ്യത്തിലേക്കും വരുന്നു. വ്യാഖ്യാനം വിദഗ്ധൻ്റേതാണ്.

ഘട്ടം ഘട്ടമായി: ഒരു ട്രാക്കിംഗ് വിശകലനം

1. ചോദ്യം നിർവ്വചിക്കുക. "2020-നും 2024-നും ഇടയിൽ ഈ 10,000 ഹെക്ടർ പ്രദേശത്ത് സസ്യജാലങ്ങൾ എങ്ങനെയാണ് മാറിയത്?" ഇതുപോലുള്ള വ്യക്തവും സ്ഥലപരവും താൽക്കാലികവുമായ ചോദ്യം:

2. ഡാറ്റ ഉറവിടം തിരഞ്ഞെടുക്കുക. സാറ്റലൈറ്റ് (വൈഡ് ഏരിയ) അല്ലെങ്കിൽ സെൻസർ (പ്രാദേശിക, തുടർച്ചയായ)? റെസല്യൂഷനും ആവൃത്തിയും ചോദ്യത്തിന് അനുയോജ്യമാണോ?

3. പ്രീ-പ്രോസസ്സ്. ക്ലൗഡ് മാസ്ക്, കാലിബ്രേറ്റ്, ഫ്ലാഗ് നഷ്‌ടമായ ഡാറ്റ. ഈ ഘട്ടം ഒഴിവാക്കിയാൽ, ഫലം തെറ്റിദ്ധരിപ്പിക്കുന്നതാണ്.

4. സൂചിക/മെട്രിക് കണക്കാക്കുക. NDVI, താപനില ശരാശരി, മലിനീകരണ സാന്ദ്രത.

5. മാറ്റവും അപാകതയും കണ്ടെത്തുക. ട്രെൻഡ് വിശകലനം, ത്രെഷോൾഡ് ക്രോസിംഗ്, പെട്ടെന്നുള്ള ജമ്പ്.

6. ഫീൽഡ് ഉപയോഗിച്ച് പരിശോധിക്കുക. സാധ്യമെങ്കിൽ, അടിസ്ഥാന സത്യം ഉപയോഗിച്ച് സ്ഥിരീകരിക്കുക; ഫീൽഡ് സന്ദർശനമോ സ്വതന്ത്ര ഡാറ്റയോ ഉള്ള ഒരു സാറ്റലൈറ്റ് സിഗ്നൽ നൽകുക.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - ക്ലൗഡിനായി വീഴുന്നു. ഒരു പ്രദേശത്തെ NDVI ഒരു മാസത്തിനുള്ളിൽ 40% കുറഞ്ഞുവെന്ന് കണ്ടപ്പോൾ ഒരു പരിസ്ഥിതി NGO "പെട്ടെന്നുള്ള വനനശീകരണ"ത്തെക്കുറിച്ച് മുന്നറിയിപ്പ് നൽകാൻ ഒരുങ്ങുകയായിരുന്നു. അനലിസ്റ്റ് ഒരു ക്ലൗഡ് മാസ്ക് പ്രയോഗിച്ച് അയൽ തീയതികൾ നോക്കിയപ്പോൾ, അന്നത്തെ മിക്ക ചിത്രങ്ങളും മേഘാവൃതമാണെന്ന് അദ്ദേഹം കണ്ടു, അടുത്ത മേഘരഹിതമായ ചിത്രത്തിൽ, NDVI സാധാരണ നിലയിലേക്ക് മടങ്ങി. തെറ്റായ അലാറം തടഞ്ഞു. നഷ്ടപ്പെട്ട സമയം: 20 മിനിറ്റ്, നേടിയ പ്രശസ്തി: അമൂല്യമായത്.

കേസ് 2 - കാലിബ്രേറ്റ് ചെയ്യാത്ത സെൻസർ. ഒരു മുനിസിപ്പാലിറ്റി കുറഞ്ഞ വിലയുള്ള PM2.5 (2.5 മൈക്രോണിൽ താഴെയുള്ള കണിക - നന്നായി ശ്വസിക്കാൻ കഴിയുന്ന പൊടി) സെൻസറുകളിൽ നിന്നുള്ള ഡാറ്റ ഉപയോഗിച്ച് "വായു വളരെ മലിനമായ" റിപ്പോർട്ട് തയ്യാറാക്കുകയായിരുന്നു. വിദഗ്ധൻ സെൻസറുകളെ ഒരു റഫറൻസ് സ്റ്റേഷനുമായി താരതമ്യപ്പെടുത്തിയപ്പോൾ, ഉയർന്ന ആർദ്രതയിൽ അവയുടെ മൂല്യം രണ്ട് മടങ്ങ് വരെ അമിതമായി കണക്കാക്കിയതായി അദ്ദേഹം കണ്ടെത്തി. ഈർപ്പം തിരുത്തൽ (കാലിബ്രേഷൻ) പ്രയോഗിച്ചപ്പോൾ, യഥാർത്ഥ മൂല്യങ്ങൾ പ്രത്യക്ഷപ്പെട്ടു; പരിഭ്രാന്തി ഒഴിവാക്കി.

കേസ് 3 - കോഡ് ഓട്ടോമേഷൻ. 200 സാറ്റലൈറ്റ് ചിത്രങ്ങളിൽ നിന്ന് NDVI ട്രെൻഡുകൾ വേർതിരിച്ചെടുക്കാൻ ഒരു ഗവേഷക സംഘം ആഴ്ചകൾ സ്വമേധയാ പ്രവർത്തിക്കാൻ പദ്ധതിയിട്ടിരുന്നു. ഗൂഗിൾ എർത്ത് എഞ്ചിനും പൈത്തൺ കോഡും (ക്ലൗഡ് മാസ്ക് + പ്രതിമാസ എൻഡിവിഐ ശരാശരി + ട്രെൻഡ് ഗ്രാഫ്) ഉപയോഗിച്ച് ഒരു ഓട്ടോമേറ്റഡ് വർക്ക്ഫ്ലോ എഴുതാൻ അവർക്ക് AI ഉണ്ടായിരുന്നു. 200 ചിത്രങ്ങൾക്കായി വിശകലനം കുറച്ച് മിനിറ്റുകൾ എടുത്തു; ഫലം വ്യാഖ്യാനിക്കാൻ ടീം സമയം ചെലവഴിച്ചു. എന്തായാലും കോഡിൻ്റെ ഓരോ ഘട്ടവും അവർ പരിശോധിച്ചു.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഉപഗ്രഹ ഡാറ്റയിൽ നിന്ന് വനനശീകരണം കണ്ടെത്തുക.

എന്തുകൊണ്ട് ഇത് ദുർബലമാണ്: ഡൊമെയ്ൻ, തീയതി ശ്രേണി, ഡാറ്റ ഉറവിടം, റെസല്യൂഷൻ, ക്ലൗഡ് പ്രോസസ്സിംഗ് എന്നിവയില്ല. AI ഒരു പൊതു വാചകം നൽകുന്നു, എക്സിക്യൂട്ടബിൾ വിശകലനമല്ല.

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ റോൾ: റിമോട്ട് സെൻസിംഗ് അനലിസ്റ്റ്. സെൻ്റിനൽ-2 ഡാറ്റ ഉപയോഗിച്ച് [ഏരിയ അതിർത്തി] 2020-2024 പ്രതിമാസ NDVI ട്രെൻഡ് കണക്കാക്കുന്ന പൈത്തൺ (എർത്ത് എഞ്ചിൻ) കോഡ് എഴുതുക. ഘട്ടങ്ങൾ: (1) ക്ലൗഡ് മാസ്‌ക് പ്രയോഗിക്കുക, (2) ശരാശരി പ്രതിമാസ NDVI, (3) ട്രെൻഡ് ചാർട്ട് വരയ്ക്കുക, (4) 20% ത്തിൽ കൂടുതൽ ഇടിവുള്ള മാസങ്ങൾ അടയാളപ്പെടുത്തുക. കോഡ് എക്സിക്യൂട്ടബിൾ ആയിരിക്കട്ടെ; ഓരോ ഘട്ടവും കമൻ്റ് ചെയ്യുക. ഡാറ്റയുടെ പരിധികളും ശ്രദ്ധിക്കുക (റെസല്യൂഷൻ, ക്ലൗഡ്).

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) ഉപഗ്രഹ സൂചിക വിശകലനം (കോഡിനൊപ്പം):

നിങ്ങളുടെ റോൾ: റിമോട്ട് സെൻസിംഗ് അനലിസ്റ്റ്. [സെൻ്റിനൽ-2/ലാൻഡ്‌സാറ്റ്] ഡാറ്റ ഉപയോഗിച്ച് [ഏരിയാ] എന്നതിനായി [DATE ശ്രേണി] മേൽ [NDVI/NDWI/മറ്റ് സൂചിക] കണക്കാക്കുന്ന എക്‌സിക്യൂട്ടബിൾ പൈത്തൺ കോഡ് എഴുതുക. ഒരു ക്ലൗഡ് മാസ്ക് ചേർക്കുന്നത് ഉറപ്പാക്കുക. പ്രവണതയും അപാകതകളും അടയാളപ്പെടുത്തുക. അഭിപ്രായങ്ങളിൽ ഡാറ്റയുടെ മിഴിവും ക്ലൗഡ് പരിധികളും വ്യക്തമാക്കുക.

2) സെൻസർ സമയ ശ്രേണി ഗുണനിലവാര നിയന്ത്രണം:

പൈത്തൺ ഉപയോഗിച്ച് ഇനിപ്പറയുന്ന സെൻസർ സമയ ശ്രേണിയിലെ ഗുണനിലവാര പ്രശ്‌നങ്ങൾക്കായി തിരയുക: ഡാറ്റ നഷ്‌ടപ്പെട്ടു, സ്‌റ്റക്ക് വാല്യൂ, സഡൻ ജമ്പ്, ഡ്രിഫ്റ്റ്, എക്‌സ്ട്രീം. ഓരോ ലക്കവും ടൈംസ്റ്റാമ്പ് ഉപയോഗിച്ച് അടയാളപ്പെടുത്തുക. ഡാറ്റ മാറ്റരുത്, റിപ്പോർട്ട് ചെയ്യുക. സാധ്യമെങ്കിൽ ഒരു ലളിതമായ കാലിബ്രേഷൻ നിർദ്ദേശം ചേർക്കുക. ഡാറ്റ: [ഇവിടെ]

3) ഗ്രൗണ്ട് ട്രൂട്ട് വെരിഫിക്കേഷൻ സ്കീം:

ഫീൽഡിൽ ഇനിപ്പറയുന്ന സാറ്റലൈറ്റ് അടിസ്ഥാനമാക്കിയുള്ള കണ്ടെത്തൽ (ഉദാ. NDVI ഡ്രോപ്പ്) എനിക്ക് എങ്ങനെ പരിശോധിക്കാം എന്നതിനുള്ള ഒരു പ്ലാൻ നിർദ്ദേശിക്കുക: ഏത് പോയിൻ്റുകൾ, ഏത് അളവ്, ഏത് സ്വതന്ത്ര ഡാറ്റ ഉറവിടം. കണ്ടെത്തൽ തെറ്റായേക്കാവുന്ന സാഹചര്യങ്ങളും കണക്കാക്കുക (മേഘം, സീസൺ, നിഴൽ). കണ്ടെത്തൽ: [ഇവിടെ]

4) അപാകത സംഗ്രഹം:

ഒരു പരിസ്ഥിതി മാനേജർക്കായി ലളിതമായ ഭാഷയിൽ താഴെയുള്ള നിരീക്ഷണ ഡാറ്റയിൽ നിന്ന് കണ്ടെത്തിയ അപാകതകൾ സംഗ്രഹിക്കുക. ഓരോ അപാകതയ്ക്കും: എവിടെ, എപ്പോൾ, എത്രമാത്രം വ്യതിയാനം, സാധ്യമായ കാരണങ്ങൾ, "പരിശോധിച്ചിരിക്കണം" എന്ന കുറിപ്പ്. എന്തുകൊണ്ടാണ് ഇത് അനുയോജ്യമെന്ന് ഉറപ്പാണ്; അത് ഒരു സാധ്യതയായി അവതരിപ്പിക്കുക. ഡാറ്റ: [ഇവിടെ]

സാധാരണ തെറ്റുകൾ

• ഒരു ക്ലൗഡ് മാസ്ക് പ്രയോഗിക്കുന്നില്ല. ഏറ്റവും സാധാരണമായ വ്യാജ സിഗ്നലാണ് മേഘം.
• സെൻസറിനെ കാലിബ്രേറ്റ് ചെയ്യാതെ വിശ്വസിക്കുന്നു. വിലകുറഞ്ഞ സെൻസറുകൾ തെന്നിമാറുകയും ഈർപ്പം ബാധിക്കുകയും ചെയ്യുന്നു.
• ചരിത്രം നോക്കിയാൽ മതി. മാറ്റം ക്ലെയിം ചെയ്യുന്നതിന് ഒന്നിലധികം തീയതികളും ട്രെൻഡുകളും ആവശ്യമാണ്.
• അടിസ്ഥാന സത്യത്തെ മറികടക്കുന്നു. സാധ്യമെങ്കിൽ ഫീൽഡ് അല്ലെങ്കിൽ സ്വതന്ത്ര ഡാറ്റ ഉപയോഗിച്ച് സാറ്റലൈറ്റ് സിഗ്നൽ സ്ഥിരീകരിക്കണം.
• AI യുടെ "കൃത്യമായ കാരണം" അവകാശവാദത്തിൽ വീഴുന്നു. ഡാറ്റ പരസ്പര ബന്ധങ്ങൾ ട്രാക്കുചെയ്യുന്നു; കാരണം സ്ഥിരീകരിക്കുന്നത് മറ്റൊരു കാര്യമാണ്.

മുന്നറിയിപ്പ്: ഉയർന്ന മിഴിവുള്ള ഉപഗ്രഹത്തിലും ഡ്രോൺ ചിത്രങ്ങളിലും സ്വകാര്യ സ്വത്തോ ആളുകളോ സെൻസിറ്റീവ് സൗകര്യങ്ങളോ അടങ്ങിയിരിക്കാം. ട്രാക്കിംഗ് ഡാറ്റ പങ്കിടുമ്പോൾ സ്വകാര്യതയും നിയമപരമായ നിയന്ത്രണങ്ങളും (പ്രത്യേകിച്ച് വ്യക്തിഗത ഡാറ്റയും സുരക്ഷയും) നിരീക്ഷിക്കുക.

ചുരുക്കത്തിൽ

പാരിസ്ഥിതിക നിരീക്ഷണം ഉപഗ്രഹവും (വൈഡ്) സെൻസർ (പ്രാദേശിക) ഡാറ്റയും സംയോജിപ്പിക്കുന്നു. AI; വലിയ ഇമേജ്, ടൈം സീരീസ് ഡാറ്റ, അനോമലി സ്കാനിംഗ്, സംഗ്രഹം എന്നിവ പ്രോസസ്സ് ചെയ്യുന്ന കോഡ് എഴുതുന്നതിനുള്ള ശക്തമായ ആക്സിലറേറ്ററാണിത്. എന്നാൽ ക്ലൗഡ് മാസ്‌ക്, സെൻസർ കാലിബ്രേഷൻ, മൾട്ടി-ഡേറ്റ് താരതമ്യം, ഗ്രൗണ്ട് ട്രൂട്ട് വെരിഫിക്കേഷൻ എന്നിവ വിദഗ്ധരുടെതാണ്. റോ സിഗ്നലിനെയല്ല, വൃത്തിയാക്കിയതും സ്ഥിരീകരിച്ചതുമായ സിഗ്നലിനെ വിശ്വസിക്കുക.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു ഫീൽഡും തീയതി ശ്രേണിയും തിരഞ്ഞെടുക്കുക (യഥാർത്ഥമോ സാങ്കൽപ്പികമോ). 1. ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് AI-ലേക്ക് ഒരു NDVI വിശകലന വർക്ക്ഫ്ലോയുടെ കോഡ് പ്രിൻ്റ് ചെയ്‌ത് ക്ലൗഡ് മാസ്‌ക് സ്റ്റെപ്പ് നിലവിലുണ്ടോയെന്ന് പരിശോധിക്കുക. തുടർന്ന്, രണ്ടാമത്തെ ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് ഗുണനിലവാര നിയന്ത്രണത്തിലൂടെ നിങ്ങളുടെ കൈവശമുള്ള സെൻസർ സമയ ശ്രേണി (അല്ലെങ്കിൽ ഒരു സാമ്പിൾ) കൈമാറുക. അവസാനമായി, ടെംപ്ലേറ്റ് 3 ഉപയോഗിച്ച്, ഫീൽഡിൽ നിങ്ങൾ കണ്ടെത്തുന്ന ഒരു മാറ്റം എങ്ങനെ സാധൂകരിക്കും എന്നതിനുള്ള ഒരു പ്ലാൻ തയ്യാറാക്കുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ വിശകലനം നിർവചിച്ചത് വ്യക്തമായ സ്ഥലപരവും താൽക്കാലികവുമായ ചോദ്യത്തോടെയാണ്.
• [ ] സാറ്റലൈറ്റ് ഡാറ്റയിൽ ഞാൻ ഒരു ക്ലൗഡ് മാസ്ക് പ്രയോഗിച്ചു.
• [ ] കാലിബ്രേഷനിലൂടെയും ഗുണനിലവാര നിയന്ത്രണത്തിലൂടെയും ഞാൻ സെൻസർ ഡാറ്റ കൈമാറി.
• [ ] ഞാൻ മാറ്റ ക്ലെയിം ട്രെൻഡിനെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്, ഒരൊറ്റ തീയതിയിലല്ല.
• [ ] അടിസ്ഥാന സത്യമോ സ്വതന്ത്രമായ ഡാറ്റയോ ഉപയോഗിച്ച് കണ്ടെത്തൽ പരിശോധിക്കാൻ ഞാൻ ഒരു പദ്ധതി തയ്യാറാക്കി.
• [ ] ഞാൻ രഹസ്യസ്വഭാവവും നിയമപരമായ നിയന്ത്രണങ്ങളും നിരീക്ഷിച്ചിട്ടുണ്ട്.