ജിയോളജിക്കൽ മാപ്പിംഗ്, റിമോട്ട് സെൻസിംഗ്, ഇമേജ് അനാലിസിസ്

നേട്ടങ്ങൾ:

• സാറ്റലൈറ്റ്, ഏരിയൽ ഇമേജുകളിൽ AI ഉപയോഗിച്ച് ലിത്തോളജി, ഫാൾട്ട്, ആൾട്ടറേഷൻ മാപ്പിംഗ് എന്നിവ എങ്ങനെ ചെയ്യുന്നുവെന്ന് വിശദീകരിക്കാനുള്ള കഴിവ്.
• മൾട്ടിസ്പെക്ട്രൽ/ഹൈപ്പർസ്പെക്ട്രൽ ഡാറ്റയിൽ നിന്ന് മിനറൽ, സ്ട്രക്ചർ മാർക്കറുകൾ വേർതിരിച്ചെടുക്കുന്ന വർക്ക്ഫ്ലോ രൂപകൽപ്പന ചെയ്യാനുള്ള കഴിവ്
• അടിസ്ഥാന സത്യവും ഭൂമിശാസ്ത്രപരമായ സന്ദർഭവും ഉപയോഗിച്ച് റിമോട്ട് സെൻസിംഗ് ഔട്ട്പുട്ടുകൾ പരിശോധിക്കാനുള്ള കഴിവ്

ഭൂഗർഭ ഭൂപടം ഉപരിതലത്തിലെ ഒരു പ്രദേശത്തിൻ്റെ ഭൂഗർഭ കഥയുടെ പ്രൊജക്ഷൻ ആണ്: ഏത് പാറ യൂണിറ്റ് എവിടെയാണ്, എവിടെയാണ് പിഴവുകൾ കടന്നുപോകുന്നത്, ഏത് ദിശയിലേക്കാണ് പാളികൾ ചെരിഞ്ഞിരിക്കുന്നത്. ശാസ്ത്രീയമായി, ഈ ഭൂപടം മാസങ്ങളോളം ഫീൽഡ് വർക്കുകളോടെ, ഭൂഗർഭശാസ്ത്രജ്ഞൻ ഉൽപ്പാദിപ്പിക്കുന്ന ഒരു ഉൽപ്പന്നമാണ്. ഇന്ന്, റിമോട്ട് സെൻസിംഗും ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസും ഈ പ്രക്രിയയുടെ ഭൂരിഭാഗവും ത്വരിതപ്പെടുത്തുന്നു. ഈ യൂണിറ്റിൽ, ഉപഗ്രഹ / ആകാശ ചിത്രങ്ങളിൽ നിന്നുള്ള കൃത്രിമ ഇൻ്റലിജൻസ് ഉപയോഗിച്ച് ശിലാശാസ്‌ത്രം, തകരാർ, മാറ്റം (ജലതാപജലത്തോടുകൂടിയ പാറയുടെ രാസമാറ്റം; ധാതു പര്യവേക്ഷണത്തിലെ ഒരു നിർണായക സൂചകം) മാപ്പിംഗ് എങ്ങനെ ചെയ്യപ്പെടുന്നുവെന്നും ഏറ്റവും പ്രധാനമായി, ഭൂമിയുടെ യാഥാർത്ഥ്യവുമായി ഈ ഔട്ട്‌പുട്ടുകൾ എങ്ങനെ പരീക്ഷിക്കപ്പെടുന്നുവെന്നും നമുക്ക് കാണാം.

തുടക്കം മുതലുള്ള ഒരു മുന്നറിയിപ്പ്: റിമോട്ട് സെൻസിംഗ് ഇമേജ് ഒരു അളവാണ്, വ്യാഖ്യാനമല്ല; എന്നാൽ ആ അളവെടുപ്പിൽ നിന്ന് ഉരുത്തിരിഞ്ഞ എല്ലാ ഭൂപടവും ഒരു വ്യാഖ്യാനമാണ്, വ്യാഖ്യാനത്തിൽ പിശകുണ്ട്. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് അടയാളപ്പെടുത്തുന്ന ഒരു "ആൾട്ടറേഷൻ സോൺ" ഒരു യഥാർത്ഥ ധാതു സൂചകമോ, ഉണങ്ങിയ ഫീൽഡോ, നിഴലോ, അന്തരീക്ഷ അസ്വസ്ഥതയോ ആകാം. ഫീൽഡിൽ പരിശോധിക്കുന്നത് വരെ മാപ്പ് ഒരു അനുമാനമാണ്.

റിമോട്ട് സെൻസിംഗിൻ്റെ അടിസ്ഥാന ഭൗതികശാസ്ത്രം

ഓരോ ധാതുവും പാറയും സൂര്യപ്രകാശത്തെ വ്യത്യസ്ത തരംഗദൈർഘ്യത്തിൽ വ്യത്യസ്ത നിരക്കിൽ പ്രതിഫലിപ്പിക്കുന്നു; ഇതിനെ സ്പെക്ട്രൽ സിഗ്നേച്ചർ എന്ന് വിളിക്കുന്നു. മനുഷ്യൻ്റെ കണ്ണിന് ദൃശ്യപ്രകാശം മാത്രമേ കാണാനാകൂ (ചുവപ്പ്-പച്ച-നീല), എന്നാൽ സാറ്റലൈറ്റ് സെൻസറുകൾ ഇൻഫ്രാറെഡ് ഉൾപ്പെടെയുള്ള വിശാലമായ ശ്രേണി അളക്കുന്നു. രണ്ട് അടിസ്ഥാന ആശയങ്ങൾ:

നിരവധി വിശാലമായ തരംഗദൈർഘ്യ ബാൻഡുകളിൽ മൾട്ടിസ്പെക്ട്രൽ ഇമേജിംഗ് അളവുകൾ (സാധാരണയായി 4-12 ബാൻഡുകൾ); ഉദാഹരണത്തിന്, ലാൻഡ്സാറ്റ്, സെൻ്റിനൽ ഉപഗ്രഹങ്ങൾ. ഇത് പരുക്കൻ പാറകളെ വേർതിരിക്കുന്നു. മറുവശത്ത്, ഹൈപ്പർസ്പെക്ട്രൽ ഇമേജിംഗ് നൂറുകണക്കിന് ഇടുങ്ങിയ ബാൻഡുകളിൽ അളക്കുകയും അവയുടെ "സ്പെക്ട്രൽ വിരലടയാളത്തിൽ" നിന്ന് ധാതുക്കളെ തിരിച്ചറിയുകയും ചെയ്യുന്നു; മാറ്റം വരുത്തുന്ന ധാതുക്കളെ (കയോലിനൈറ്റ്, അലൂനൈറ്റ്, ഇലൈറ്റ് പോലുള്ളവ) വേർതിരിച്ചറിയാൻ ഇത് ഉപയോഗിക്കുന്നു.

AI ഇവിടെ രണ്ട് ജോലികൾ ചെയ്യുന്നു: ആദ്യം, ഇത് ഈ ഹൈ-ഡൈമൻഷണൽ സ്പെക്ട്രൽ ഡാറ്റയെ തരംതിരിക്കുന്നു (ഏത് പിക്സൽ ആണ് ലിത്തോളജി/മിനറൽ). രണ്ടാമതായി, ഇത് ചിത്രത്തിൻ്റെ ജ്യാമിതീയ പാറ്റേണുകളിൽ നിന്ന് (ലൈനമെൻ്റുകൾ, ടെക്സ്ചർ, ഡ്രെയിനേജ് നെറ്റ്‌വർക്ക്) തെറ്റായതും ഘടനാപരമായ സവിശേഷതകളും വേർതിരിച്ചെടുക്കുന്നു. ഡിജിറ്റൽ എലവേഷൻ മോഡൽ (ചുരുക്കത്തിൽ DEM; ഭൂമിയുടെ ത്രിമാന എലവേഷൻ മാപ്പ്) ചേർക്കുമ്പോൾ, ചരിവ്, വശം, ടോപ്പോഗ്രാഫിക് ലൈനമെൻ്റുകൾ എന്നിവയും വിശകലനത്തിൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്.

ഘട്ടം ഘട്ടമായി: ഒരു മാറ്റം മാപ്പ് വർക്ക്ഫ്ലോ

1. ചിത്രം തയ്യാറാക്കുക. അന്തരീക്ഷ തിരുത്തൽ (അന്തരീക്ഷത്തിൻ്റെ വികലമായ പ്രഭാവം നീക്കംചെയ്യൽ), ക്ലൗഡ് മാസ്കിംഗ്, സസ്യങ്ങളുടെ മാസ്ക്. ഈ ഘട്ടം ഒഴിവാക്കിയാൽ മുഴുവൻ ഫലവും മലിനമാകും.
2. നിങ്ങളുടെ താൽപ്പര്യമുള്ള മേഖല ചുരുക്കുക. പഠന മേഖലയെ ഭൂമിശാസ്ത്രപരമായ സന്ദർഭത്തിലേക്ക് പരിമിതപ്പെടുത്തുക (അറിയപ്പെടുന്ന തെറ്റ്, രൂപീകരണം, പുറംതള്ളൽ); മോഡലിന് സന്ദർഭം നൽകുക.
3. സ്പെക്ട്രൽ സൂചികകൾ കണക്കാക്കുക. പ്രത്യേക ധാതു ഗ്രൂപ്പുകളെ ഹൈലൈറ്റ് ചെയ്യുന്ന ബാൻഡ് അനുപാതങ്ങൾ (ഉദാ. ഇരുമ്പ് ഓക്സൈഡുകൾ, കളിമൺ ധാതുക്കൾ).
4. തരംതിരിക്കുക. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് പിക്സലുകൾ/മേഖലകളെ തരംതിരിക്കുകയും സാധ്യമായ മാറ്റ മേഖലകളെ അടയാളപ്പെടുത്തുകയും ചെയ്യുന്നു.
5. ഭൂപ്രദേശ പരിശോധന ഷെഡ്യൂൾ ചെയ്യുക. അടയാളപ്പെടുത്തിയ സോണുകളിൽ നിന്ന് സാമ്പിൾ പോയിൻ്റുകൾ തിരഞ്ഞെടുത്ത് ഫീൽഡിൽ പരിശോധിക്കുക. ഈ ഘട്ടം കൂടാതെ മാപ്പ് ഒപ്പിടില്ല.

ഇമേജ് അനാലിസിസിൽ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ റോളും പരിമിതികളും

പ്രത്യേകിച്ചും, AI രണ്ട് തരത്തിലുള്ള പിശകുകൾ കുറയ്ക്കുന്നു: ഇത് ശ്രദ്ധിക്കപ്പെടാത്ത സൂക്ഷ്മമായ അപാകതകൾ പിടിക്കുന്നു, കൂടാതെ ഇത് പൊരുത്തമില്ലാത്ത വ്യാഖ്യാനങ്ങളെ മാനദണ്ഡമാക്കുന്നു. എന്നാൽ ഇത് മൂന്ന് വ്യവസ്ഥാപിത പിശകുകൾ സൃഷ്ടിക്കുന്നു. ആദ്യത്തേത് തെറ്റായ പോസിറ്റീവ് ആണ്: സസ്യങ്ങൾ, തണൽ, മനുഷ്യ ഘടന അല്ലെങ്കിൽ മണ്ണിൻ്റെ ഈർപ്പം എന്നിവയിൽ മാറ്റം വന്നേക്കാം. രണ്ടാമത്തേത് പരിശീലന പക്ഷപാതമാണ്: മറ്റൊരു മേഖലയിൽ നിന്നുള്ള ഡാറ്റയിൽ മോഡൽ പരിശീലിപ്പിച്ചിട്ടുണ്ടെങ്കിൽ, നിങ്ങളുടെ സൈറ്റിൻ്റെ വ്യത്യസ്ത ലിത്തോളജിയിൽ അത് തെറ്റായിരിക്കും. മൂന്നാമത്തേത് സ്കെയിലിൻ്റെ മിഥ്യയാണ്: ഒരു പിക്സൽ ഭൂമിയിൽ പതിനായിരക്കണക്കിന് മീറ്ററുകൾ ഉൾക്കൊള്ളുന്നു; മികച്ച ഘടനകൾ നഷ്ടപ്പെട്ടു, മിക്സഡ് പിക്സലുകൾ (ഒരു പിക്സലിലെ ഒന്നിലധികം മെറ്റീരിയലുകൾ) തെറ്റിദ്ധരിപ്പിക്കുന്നതാണ്.

അതിനാൽ സുവർണ്ണ നിയമം: അടിസ്ഥാന സത്യം എല്ലായ്പ്പോഴും വിജയിക്കും. ഫീൽഡിലെ തിരഞ്ഞെടുത്ത പോയിൻ്റുകളിൽ സാമ്പിളുകളും നിരീക്ഷണങ്ങളും ഉപയോഗിച്ച് പരീക്ഷിക്കാതെ ഇമേജിൻ്റെ ഫലമായുണ്ടാകുന്ന മാപ്പ് നിർണ്ണായകമായി കണക്കാക്കാനാവില്ല. സ്ഥിരീകരണ പോയിൻ്റുകൾ ക്രമരഹിതമായി തിരഞ്ഞെടുത്തിട്ടില്ല, എന്നാൽ തന്ത്രപരമായി, "ചിലത്", "സംശയാസ്‌പദമായ" മേഖലകൾ ഉൾക്കൊള്ളുന്നു.

മൂന്ന് മിനി കേസുകൾ: അക്കങ്ങൾ പ്രകാരം

കേസ് 1 - തിരയൽ ഏരിയ ഇടുങ്ങിയതാക്കുന്നു. ഒരു പര്യവേക്ഷണ കമ്പനി 1,200 km² ലൈസൻസ് ഏരിയ വിലയിരുത്തുകയായിരുന്നു. ഹൈപ്പർസ്പെക്ട്രൽ ഡാറ്റയിൽ നിന്നുള്ള ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ്-അസിസ്റ്റഡ് ആൾട്ടറേഷൻ വർഗ്ഗീകരണം വിസ്തീർണ്ണത്തെ 38 km² ൻ്റെ 7 ലക്ഷ്യ മേഖലകളായി കുറച്ചു. മുഴുവൻ പ്രദേശവും സന്ദർശിക്കുന്നതിനുപകരം, ഫീൽഡ് ടീം ഈ 7 സോണുകൾക്ക് മുൻഗണന നൽകി; പ്രാരംഭ ഫീൽഡ് കാമ്പെയ്ൻ സമയം ഏകദേശം 70% കുറഞ്ഞു. 7 സോണുകളിൽ 5 എണ്ണം ഫീൽഡിൽ യഥാർത്ഥ മാറ്റം കാണിച്ചു, 2 തെറ്റായ പോസിറ്റീവ് (കളിമണ്ണ്) - പരിശോധിച്ചില്ലെങ്കിൽ, ഈ 2 സോണുകൾ ഡ്രില്ലിംഗ് പാഴായിപ്പോകും.

കേസ് 2 - തെറ്റ് മാപ്പിംഗ് പ്രാഥമിക സ്കെച്ച്. DEM ഉം ഇമേജ് എക്‌സ്‌ട്രാക്‌റ്റഡ് ലൈൻമെൻ്റ് വിശകലനവും അറിയപ്പെടുന്ന പ്രധാന തെറ്റിനൊപ്പം രണ്ട് ചെറിയ ലൈനമെൻ്റുകളും നിർദ്ദേശിച്ചു. ഒരാൾ വയലിൽ ഒരു യഥാർത്ഥ പിഴവായി മാറി; മറ്റൊന്ന് പൈപ്പ് ലൈൻ റൂട്ടിൻ്റെ ടോപ്പോഗ്രാഫിക് ട്രെയ്‌സ് ആയി മാറി. മോഡൽ ജ്യാമിതീയ പാറ്റേൺ ശരിയായി പിടിച്ചെടുത്തു, പക്ഷേ അതിൻ്റെ ഉത്ഭവം വേർതിരിച്ചറിയാൻ കഴിഞ്ഞില്ല; ജിയോളജിക്കൽ പ്ലാസിബിലിറ്റിയും ഫീൽഡ് നിയന്ത്രണവും തമ്മിൽ അദ്ദേഹം വേർതിരിച്ചു.

കേസ് 3 - ക്ലൗഡ് ഷാഡോ ഫാലസി. ഒരു പ്രദേശത്ത് മോഡൽ വടക്കൻ ചരിവിൽ ശക്തമായ "അയൺ ഓക്സൈഡ് മാറ്റം" അടയാളപ്പെടുത്തി. അന്തരീക്ഷ തിരുത്തൽ അപൂർണ്ണമായിരുന്നു, ഒപ്പ് യഥാർത്ഥത്തിൽ നേർത്ത മേഘാവരണത്തിൻ്റെ സ്പെക്ട്രൽ വികലമായിരുന്നു. ചിത്രം വീണ്ടും പ്രോസസ്സ് ചെയ്യുകയും ശരിയാക്കുകയും ചെയ്തപ്പോൾ, അപാകത അപ്രത്യക്ഷമായി. പാഠം: പ്രീപ്രൊസസ്സിംഗ് പിശക് ഏറ്റവും നൂതന മോഡലിനെപ്പോലും വിഡ്ഢികളാക്കുന്നു.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഈ ഉപഗ്രഹ ചിത്രത്തിൽ ഖനികൾ ഉണ്ടാകാനിടയുള്ള സ്ഥലങ്ങൾ കാണിക്കുക.

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ റോൾ: റിമോട്ട് സെൻസിംഗ് ജിയോളജിസ്റ്റ്. ഇനിപ്പറയുന്ന സ്പെക്ട്രൽ സൂചികയും ബാൻഡ് അനുപാത മൂല്യങ്ങളും വ്യാഖ്യാനിക്കുക (ചിത്രം സെൻ്റിനൽ-2, വരണ്ട മേഖല, വിരളമായ സസ്യങ്ങൾ).- സാധ്യമായ ഓരോ മാറ്റ മേഖലയ്ക്കും: ഏത് സൂചിക/അനുപാതം അത് ട്രിഗർ ചെയ്‌തുവെന്ന് എഴുതുക.- ഓരോ സോണിനും (സസ്യങ്ങൾ, നിഴൽ, മണ്ണ്, മനുഷ്യ-മനോഹര സോൺ അനുസരിച്ച്) കുറഞ്ഞത് ഒരു തെറ്റായ പോസിറ്റീവ് ഉറവിടം നിർദ്ദേശിക്കുക. സ്ഥിരീകരണ മുൻഗണന" (ഉയർന്ന/ഇടത്തരം/താഴ്ന്ന).- ഒരു സോണും "ഖനനം ചെയ്ത" ആയി അവതരിപ്പിക്കരുത്; "മാറ്റം വരുത്തിയ ടോക്കൺ പരിശോധിച്ചുറപ്പിച്ചിരിക്കണം" ഡാറ്റ: [സൂചിക/നിരക്ക് പട്ടിക + സന്ദർഭം]

തെറ്റായ പോസിറ്റീവുകൾ ലിസ്റ്റുചെയ്യാനും കൃത്യത ക്ലെയിം ചെയ്യുന്നത് ഒഴിവാക്കാനും ശക്തമായ പ്രോംപ്റ്റ് മോഡലിനെ പ്രേരിപ്പിക്കുന്നു.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) പ്രീ-പ്രോസസ്സിംഗ് ചെക്ക്‌ലിസ്റ്റ്:

ഇനിപ്പറയുന്ന റിമോട്ട് സെൻസിംഗ് വർക്ക്ഫ്ലോയിൽ ഒഴിവാക്കിയേക്കാവുന്ന പ്രീപ്രൊസസ്സിംഗ് ഘട്ടങ്ങൾ പരിശോധിക്കുക: അന്തരീക്ഷ തിരുത്തൽ, ക്ലൗഡ്/ഷാഡോ മാസ്ക്, സസ്യജാലങ്ങളുടെ മാസ്ക്, ടോപ്പോഗ്രാഫിക് തിരുത്തൽ, സെൻസർ കാലിബ്രേഷൻ. വിട്ടുപോയ ഘട്ടങ്ങൾ നിങ്ങളുടെ നിഗമനത്തെ എങ്ങനെ പക്ഷപാതപരമായി ബാധിക്കുമെന്ന് ഓരോന്നിനും ഒരു വാക്യത്തിൽ വിശദീകരിക്കുക. വർക്ക്ഫ്ലോ: [നിർവചനം]

2) ആൾട്ടറേഷൻ സോൺ വ്യാഖ്യാനം:

ഇനിപ്പറയുന്ന സ്പെക്ട്രൽ ഇൻഡക്സ് മൂല്യങ്ങളിൽ നിന്ന് (കളിമണ്ണ്, ഇരുമ്പ് ഓക്സൈഡ്, കാർബണേറ്റ്, സിലിക്ക) സാധ്യമായ ധാതു ഗ്രൂപ്പുകൾ വേർതിരിച്ചെടുക്കുക. ഓരോ ഗ്രൂപ്പിനും: ട്രിഗർ സൂചിക, ആത്മവിശ്വാസ നില, ഇതര വിശദീകരണം (തെറ്റായ പോസിറ്റീവ്), നിർദ്ദിഷ്ട ഫീൽഡ് പരിശോധന. ക്ലെയിമിംഗ് ഉറപ്പ്. ഡാറ്റ: [സൂചികകൾ]

3) ലൈനമെൻ്റ്/ഫോൾട്ട് വേർതിരിക്കൽ:

താഴെയുള്ള രേഖീയതകളുടെ പട്ടിക പരിഗണിക്കുക. ഓരോന്നിനും സാധ്യമായ ഉത്ഭവങ്ങൾ പട്ടികപ്പെടുത്തുക: തകരാർ, പ്ലേറ്റ് അതിർത്തി, ഡൈക്ക്, ഡ്രെയിനേജ്, മനുഷ്യ ഘടന (റോഡ്/ലൈൻ/ഫീൽഡ്), സസ്യങ്ങളുടെ അതിർത്തി. ഭൂമിശാസ്ത്രപരമായ സന്ദർഭത്തിൽ ഏറ്റവും സാധ്യതയുള്ള ഉത്ഭവം പ്രസ്താവിക്കുക, എന്നാൽ ഒരേയൊരു സാധ്യത ഉപേക്ഷിക്കുക. പട്ടിക: [രേഖീയത + സന്ദർഭം]

4) വെരിഫിക്കേഷൻ പോയിൻ്റ് പ്ലാൻ:

ഇനിപ്പറയുന്ന മാറ്റം/ലിത്തോളജി മാപ്പിനായി ഒരു ഫീൽഡ് വെരിഫിക്കേഷൻ പ്ലാൻ നിർദ്ദേശിക്കുക:- ഓരോ ക്ലാസിനും എത്ര സാമ്പിൾ പോയിൻ്റുകൾ, എന്തുകൊണ്ട്.- "നിശ്ചിത", "ചോദ്യം ചെയ്യാവുന്ന" സോണുകളുടെ സമതുലിതമായ സാമ്പിൾ.- പ്രവേശനവും സുരക്ഷാ കുറിപ്പും. മാപ്പ് സംഗ്രഹം: [ക്ലാസുകളും ഏരിയകളും]

ചിത്രത്തിൻ്റെ തരവും ഉപയോഗ മേഖലയും

ഡാറ്റ തരം

എന്ത് അളവുകൾ

അവൻ്റെ ശക്തിയാണ്

പരിധി

മൾട്ടിസ്പെക്ട്രൽ (സെൻ്റിനൽ/ലാൻഡ്സാറ്റ്)

ബ്രോഡ്ബാൻഡുകൾ

റഫ് ലിത്തോളജി, റീജിയണൽ സ്കാനിംഗ്

ധാതു വിഭജനം പരിമിതമാണ്

ഹൈപ്പർസ്പെക്ട്രൽ

നൂറുകണക്കിന് ഇടുങ്ങിയ ബാൻഡുകൾ

ധാതു/മാറ്റ വ്യത്യാസം

ചെലവ്, പ്രോസസ്സിംഗ് ഓവർഹെഡ്

DEM (ഉയരം)

ഭൂപ്രകൃതി

തകരാർ/ലൈനമെൻ്റ്, ഡ്രെയിനേജ്

ലിത്തോളജി നൽകുന്നില്ല

താപ ഇൻഫ്രാറെഡ്

ഉപരിതല താപനില

കുറച്ച് സിലിക്കേറ്റ്/കാർബണേറ്റ്

അന്തരീക്ഷത്തോട് സെൻസിറ്റീവ്

റഡാർ (SAR)

ഉപരിതല പരുക്കൻ / രൂപഭേദം

മേഘത്തിനടിയിൽ, താഴ്ച്ച / മണ്ണിടിച്ചിൽ

വ്യാഖ്യാനം സങ്കീർണ്ണമാണ്

നുറുങ്ങ്: "ഡ്രില്ലിംഗ് മാപ്പ്" എന്നല്ല, "സൈറ്റ് മുൻഗണന നൽകുന്ന സ്കാൻ" ആയി റിമോട്ട് സെൻസിംഗ് ഔട്ട്പുട്ട് ഉപയോഗിക്കുക. അതിൻ്റെ ഏറ്റവും വലിയ മൂല്യം അത് ആദ്യം എവിടെ പോകണമെന്ന് നിങ്ങളോട് പറയുന്നു എന്നതാണ്; ഫീൽഡ് തെളിവുകളും എഞ്ചിനീയറും എവിടെ തുരക്കണമെന്ന് തീരുമാനിക്കുന്നു.

മുൻകരുതൽ: പ്രീ-പ്രോസസ്സിംഗ് (അന്തരീക്ഷവും ഭൂപ്രകൃതിയും തിരുത്തൽ, മാസ്കിംഗ്) ഒഴിവാക്കിയാൽ ഏറ്റവും വിപുലമായ വർഗ്ഗീകരണം പോലും വ്യവസ്ഥാപിത പിശകുകൾ സൃഷ്ടിക്കുന്നു. "ഔട്ട്‌പുട്ട് വിചിത്രമാണ്" എന്നുണ്ടെങ്കിൽ, ആദ്യം പ്രീപ്രോസസ്സിംഗ് അന്വേഷിക്കുക, മോഡലിനെയല്ല. മാലിന്യം അകത്ത്, ഗാർബേജ് ഔട്ട് തത്വം ഇവിടെ നിർദയമാണ്.

സാധാരണ തെറ്റുകൾ

• പ്രീപ്രോസസിംഗ് ഒഴിവാക്കുന്നു. ശരിയാക്കാത്ത ചിത്രങ്ങളിൽ നിന്നുള്ള അപാകതകൾ യഥാർത്ഥ ഭൂമിശാസ്ത്രമായി തെറ്റിദ്ധരിക്കുന്നു.
• തെറ്റായ പോസിറ്റീവുകൾ മറക്കുന്നു. ചെടികൾ, തണൽ, മണ്ണിലെ ഈർപ്പം, മനുഷ്യ ഘടനകൾ എന്നിവയെ വ്യതിയാനങ്ങൾ/തകരാർ എന്ന് തെറ്റിദ്ധരിപ്പിക്കുക.
• അടിസ്ഥാന സത്യമില്ലാതെ ഒപ്പിടുന്നു. ഫീൽഡിൽ പരിശോധിച്ചുറപ്പിക്കാതെ ഇമേജ് മാപ്പിൽ ഡ്രില്ലിംഗ് തീരുമാനം അടിസ്ഥാനമാക്കി.
• സ്കെയിൽ മിഥ്യ. പിക്‌സൽ വലുപ്പം മറന്ന് മികച്ച ഘടനകൾ നഷ്‌ടപ്പെടുകയോ മിക്സഡ് പിക്‌സലുകൾ തെറ്റിദ്ധരിപ്പിക്കുകയോ ചെയ്യുന്ന വസ്തുത അവഗണിക്കുക.
• വിദ്യാഭ്യാസ പക്ഷപാതം അവഗണിക്കുന്നു. മറ്റൊരു പ്രദേശത്ത് പരിശീലിപ്പിച്ച ഒരു മാതൃക വ്യത്യസ്തമായ ലിത്തോളജി ഉള്ള ഒരു ഫീൽഡിൽ അന്ധമായി പ്രയോഗിക്കുന്നു.

ചുരുക്കത്തിൽ

• റിമോട്ട് സെൻസിംഗ് വിവിധ തരംഗദൈർഘ്യങ്ങളിലുള്ള ധാതുക്കളുടെ സ്പെക്ട്രൽ സിഗ്നേച്ചർ അളക്കുന്നു; ഇത് മൾട്ടിസ്പെക്ട്രൽ കോഴ്സ്, ഹൈപ്പർസ്പെക്ട്രൽ ഫൈൻ എന്നിവയെ വേർതിരിക്കുന്നു.
• ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഈ ഉയർന്ന അളവിലുള്ള ഡാറ്റയെ തരംതിരിക്കുകയും ജ്യാമിതീയ പാറ്റേണുകളിൽ നിന്ന് പിഴവ്/രേഖീയത വേർതിരിച്ചെടുക്കുകയും ചെയ്യുന്നു; എന്നാൽ അത് തെറ്റായ പോസിറ്റീവുകൾ, പരിശീലന പക്ഷപാതം, സ്കെയിൽ ബയസ് എന്നിവ ഉണ്ടാക്കുന്നു.
• പ്രീപ്രോസസ്സിംഗ് (അന്തരീക്ഷ / ടോപ്പോഗ്രാഫിക് തിരുത്തൽ, മാസ്കിംഗ്) ഫലത്തിൻ്റെ ഗുണനിലവാരം നിർണ്ണയിക്കുന്നു; അത് ഒഴിവാക്കിയാൽ, ഒരു വ്യവസ്ഥാപിത പിശക് സംഭവിക്കും.
• റിമോട്ട് സെൻസിംഗ് ഒരു സ്ക്രീനിംഗ്/മുൻഗണന ഉപകരണമാണ്; ഗ്രൗണ്ട് ട്രൂത്ത് ഉപയോഗിച്ച് പരീക്ഷിക്കാതെ ഭൂപടം കൃത്യതയുള്ളതായി കണക്കാക്കില്ല.
• അടിസ്ഥാന സത്യം എപ്പോഴും വിജയിക്കും; സ്ഥിരീകരണ പോയിൻ്റുകൾ ചിലതും സംശയാസ്പദവുമായ മേഖലകളെ സമതുലിതമായ രീതിയിൽ ഉൾക്കൊള്ളണം.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു വർക്ക്‌സൈറ്റിനായി (അല്ലെങ്കിൽ ഒരു ഓപ്പൺ ഡാറ്റ റീജിയൻ) നിങ്ങളുടെ പക്കലുള്ള സ്പെക്‌ട്രൽ ഇൻഡക്‌സ്/ബാൻഡ് അനുപാത മൂല്യങ്ങൾ അല്ലെങ്കിൽ ഒരു DEM ലൈനമെൻ്റ് ലിസ്‌റ്റ് അജ്ഞാതമാക്കുക. സാധ്യമായ ആൾട്ടറേഷൻ സോണുകളോ പിഴവുകളോ ശക്തമായ പ്രോംപ്റ്റ് ഉപയോഗിച്ച് വ്യാഖ്യാനിക്കുകയും ഓരോ സോണിനും കുറഞ്ഞത് ഒരു തെറ്റായ പോസിറ്റീവ് ഉറവിടമെങ്കിലും നിർദ്ദേശിക്കുകയും ചെയ്യുക. തുടർന്ന് "വെരിഫിക്കേഷൻ പോയിൻ്റ് പ്ലാൻ" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് ഒരു സൈറ്റ് കൺട്രോൾ പ്ലാൻ തയ്യാറാക്കുക; ഒരു വാചകത്തിൽ എത്ര പോയിൻ്റുകൾ "സംശയാസ്‌പദമായ" സോണുകളായി വിഭജിക്കപ്പെട്ടിട്ടുണ്ടെന്നും നിങ്ങൾ എന്തിനാണ് സമതുലിതമായ സാമ്പിൾ നടത്തുന്നത് എന്നും ശ്രദ്ധിക്കുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] മൾട്ടിസ്പെക്ട്രൽ, ഹൈപ്പർസ്പെക്ട്രൽ ഡാറ്റ അളക്കുന്നതും അവ എന്തിനാണ് ഉപയോഗിക്കുന്നതെന്നും എനിക്ക് വേർതിരിച്ചറിയാൻ കഴിയും.
• [ ] പ്രീപ്രോസസിംഗ് ഘട്ടങ്ങൾ (ട്രിമ്മിംഗ്, മാസ്കിംഗ്) ഫലത്തെ എങ്ങനെ ബാധിക്കുമെന്ന് എനിക്കറിയാം.
• [ ] ഞാൻ തെറ്റായ പോസിറ്റീവുകളുടെ ഉറവിടങ്ങളെ (സസ്യങ്ങൾ, നിഴൽ, മനുഷ്യനിർമ്മിതം) മാറ്റം/തെറ്റ് ഔട്ട്പുട്ടുകളിൽ ചോദ്യം ചെയ്യുന്നു.
• [ ] ഞാൻ റിമോട്ട് സെൻസിംഗ് മാപ്പിനെ ഒരു സ്കാനിംഗ് ടൂളായി കാണുകയും ഭൂപ്രദേശ പരിശോധനയിലൂടെ അത് പരീക്ഷിക്കുകയും ചെയ്യുന്നു.
• [ ] ചില സംശയാസ്പദമായ മേഖലകൾ സന്തുലിതമാക്കാൻ എനിക്ക് സ്ഥിരീകരണ പോയിൻ്റുകൾ പ്ലാൻ ചെയ്യാൻ കഴിയും.