റിമോട്ട് സെൻസിംഗും സാറ്റലൈറ്റ് ഇമേജ് വർഗ്ഗീകരണവും

നേട്ടങ്ങൾ:

• മൾട്ടിസ്പെക്ട്രൽ സാറ്റലൈറ്റ് ഡാറ്റ, ബാൻഡ് കോമ്പിനേഷനുകൾ, സ്പെക്ട്രൽ സൂചികകൾ (NDVI മുതലായവ) AI ഉപയോഗിച്ച് എങ്ങനെ ഉപയോഗിക്കുന്നുവെന്ന് വിശദീകരിക്കാനുള്ള കഴിവ്
• AI പിന്തുണയോടെ സൂപ്പർവൈസുചെയ്‌ത/മേൽനോട്ടമില്ലാത്ത വർഗ്ഗീകരണവും ലാൻഡ് കവർ മാപ്പിംഗ് വർക്ക്ഫ്ലോയും കോൺഫിഗർ ചെയ്യാനുള്ള കഴിവ്
• അടിസ്ഥാന സത്യവും പിശക് മാട്രിക്സ്/കൃത്യത മാനദണ്ഡവും ഉപയോഗിച്ച് വർഗ്ഗീകരണ ഔട്ട്പുട്ട് പരിശോധിക്കാനുള്ള കഴിവ്

ഉപഗ്രഹങ്ങളിലോ ഏരിയൽ പ്ലാറ്റ്‌ഫോമുകളിലോ ഉള്ള സെൻസറുകൾ ഉപയോഗിച്ച് ഭൗമോപരിതലത്തെ ശാരീരിക ബന്ധമില്ലാതെ അളക്കുന്ന ശാസ്ത്രമാണ് റിമോട്ട് സെൻസിംഗ്. ഒരു ഉപഗ്രഹ ചിത്രം യഥാർത്ഥത്തിൽ ഒരു ഫോട്ടോ അല്ല, മറിച്ച് ഒന്നിലധികം തരംഗദൈർഘ്യങ്ങളിൽ രേഖപ്പെടുത്തിയിരിക്കുന്ന അളവുകളുടെ പാളികളുടെ ഒരു ശേഖരമാണ്, ഈ പാളികൾ ബുദ്ധിപരമായി സംയോജിപ്പിച്ച്, ഭൂപ്രദേശം (വനം, വെള്ളം, കൃഷി, നിർമ്മാണം) മാപ്പ് ചെയ്യാൻ കഴിയും. മൾട്ടിസ്പെക്ട്രൽ ഡാറ്റ മുതൽ ലാൻഡ് കവർ വർഗ്ഗീകരണം വരെ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഈ വർക്ക്ഫ്ലോയെ എങ്ങനെ ത്വരിതപ്പെടുത്തുന്നു, കൂടാതെ വിദഗ്‌ധമായ വിലയിരുത്തൽ ഒഴിച്ചുകൂടാനാവാത്ത വിധം എന്നിവ ഈ യൂണിറ്റിൽ ഞങ്ങൾ കവർ ചെയ്യുന്നു. തത്വം: AI വർഗ്ഗീകരണം സൃഷ്ടിക്കുന്നു അല്ലെങ്കിൽ കോഡ് ചെയ്യുന്നു; മാപ്പിൻ്റെ കൃത്യത എഞ്ചിനീയറിൽ അളക്കുന്നത് സ്വതന്ത്ര ഗ്രൗണ്ട് സത്യവും പിശക് മാട്രിക്സും ഉപയോഗിച്ചാണ്.

അടിസ്ഥാന നിബന്ധനകൾ. ഒരു മൾട്ടിസ്പെക്ട്രൽ ഇമേജ് എന്നത് നിരവധി തരംഗദൈർഘ്യ ബാൻഡുകളിൽ (നീല, പച്ച, ചുവപ്പ്, ഇൻഫ്രാറെഡിന് സമീപം മുതലായവ) രേഖപ്പെടുത്തപ്പെട്ട ഒന്നാണ്; ഓരോ ബാൻഡും ഒരു പാളിയാണ്. ഹൈപ്പർസ്പെക്ട്രൽ കൂടുതൽ സമ്പന്നമാണ്, പക്ഷേ ഡാറ്റ പ്രോസസ്സ് ചെയ്യാൻ പ്രയാസമാണ്, അതിൽ പതിനായിരക്കണക്കിന് ഇടുങ്ങിയ ബാൻഡുകൾ അടങ്ങിയിരിക്കുന്നു. ബാൻഡുകളുടെ ഗണിത സംയോജനത്തിലൂടെ ഒരു പ്രതിഭാസത്തെ ഉയർത്തിക്കാട്ടുന്ന സംഖ്യയാണ് സ്പെക്ട്രൽ സൂചിക; ഏറ്റവും അറിയപ്പെടുന്ന, NDVI (നോർമലൈസ്ഡ് ഡിഫറൻസ് വെജിറ്റേഷൻ ഇൻഡക്സ്), അടുത്തുള്ള ഇൻഫ്രാറെഡും റെഡ് ബാൻഡും തമ്മിലുള്ള വ്യത്യാസം ഉപയോഗിച്ച് പച്ച സസ്യങ്ങളുടെ ഊർജ്ജം അളക്കുന്നു. മേൽനോട്ടത്തിലുള്ള വർഗ്ഗീകരണത്തിൽ മുൻകൂട്ടി ലേബൽ ചെയ്‌ത സാമ്പിൾ ഏരിയകൾ ഉപയോഗിച്ച് മോഡലിനെ പരിശീലിപ്പിക്കുകയും മുഴുവൻ ചിത്രവും തരംതിരിക്കുകയും ചെയ്യുന്നു. ലേബലുകളില്ലാതെ സമാനതയെ അടിസ്ഥാനമാക്കി ഡാറ്റ ക്ലസ്റ്ററിംഗും പിന്നീട് വ്യാഖ്യാനിക്കുന്നതുമാണ് മേൽനോട്ടമില്ലാത്ത വർഗ്ഗീകരണം.

റിമോട്ട് സെൻസിംഗിൽ AI യുടെ പങ്ക്

ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഈ മേഖലയിൽ മൂന്ന് തലങ്ങളിൽ സംഭാവന ചെയ്യുന്നു:

1. വർക്ക്ഫ്ലോയും രീതി തിരഞ്ഞെടുക്കലും. "ഏത് ബാൻഡുകൾ, ഏത് സൂചിക, ഏത് ക്ലാസിഫയർ ഈ ചോദ്യത്തിന് അനുയോജ്യമാണ്?" നിങ്ങളുടെ തീരുമാനത്തിൽ നിങ്ങളെ നയിക്കുന്നു; കോഡ് അസ്ഥികൂടം നിർമ്മിക്കുന്നു.
2. വർഗ്ഗീകരണം തന്നെ. ആധുനിക ആഴത്തിലുള്ള പഠന മാതൃകകൾ ദശലക്ഷക്കണക്കിന് പിക്സലുകളെ ലാൻഡ് കവർ ക്ലാസുകളിലേക്ക് അടുക്കുന്നു; AI യഥാർത്ഥ ജോലി ചെയ്യുന്ന ഇടത്തരം-ഉയർന്ന സംഭാവന മേഖലയാണിത്.
3. ഫലങ്ങളുടെ വ്യാഖ്യാനവും റിപ്പോർട്ടിംഗും. ഇത് ക്ലാസ് സ്ഥിതിവിവരക്കണക്കുകൾ, വിശകലനം മാറ്റുക, കൃത്യത റിപ്പോർട്ട് എന്നിവ വായിക്കാനാകുന്ന വാചകത്തിലേക്ക് പകർത്തുന്നു.

ബ്ലൈൻഡ് സ്പോട്ട്: മോഡൽ അത് പരിശീലിപ്പിച്ച ഡാറ്റയെയും നിങ്ങൾ നൽകുന്ന ഉദാഹരണങ്ങളെയും ആശ്രയിച്ചിരിക്കുന്നു. മേഘ നിഴലും വെള്ളവും, നഗ്നമായ മണ്ണും വിളവെടുപ്പിനു ശേഷമുള്ള വയലും, ആഴം കുറഞ്ഞ വെള്ളവും നനഞ്ഞ നിലവും എളുപ്പത്തിൽ കലർത്തുക. അതിനാൽ ഒരു വർഗ്ഗീകരണ ഭൂപടം അത് മനോഹരമായി കാണപ്പെടുന്നതുകൊണ്ട് മാത്രം ശരിയല്ല; കൃത്യത അളക്കണം.

നുറുങ്ങ്: നിങ്ങൾ തരംതിരിക്കുന്നതിന് മുമ്പ് നിങ്ങളുടെ ചോദ്യം വ്യക്തമാക്കുക. "ഭൂമി കവർ തരംതിരിക്കുക" എന്നത് അവ്യക്തമാണ്; "2020-2025 കാലയളവിൽ നിർമ്മാണത്തിനനുകൂലമായ കൃഷിഭൂമിയുടെ നഷ്ടം മാപ്പ് ചെയ്യുക" എന്നത് ക്ലാസ് സെറ്റും സ്ഥിരീകരണ മാനദണ്ഡവും നിർണ്ണയിക്കുന്നു.

ഘട്ടം ഘട്ടമായി: ഒരു ലാൻഡ് കവർ വർഗ്ഗീകരണം

1. ഡാറ്റയും ടേപ്പുകളും തയ്യാറാക്കുക. ചിത്രത്തിൻ്റെ ക്ലൗഡ് കവർ, ഷൂട്ടിംഗ് തീയതി, റെസല്യൂഷൻ (പിക്സൽ വലുപ്പം), ബാൻഡ് ക്രമം എന്നിവ സ്ഥിരീകരിക്കുക. വ്യത്യസ്ത തീയതി/സീസൺ ക്ലാസുകൾ മാറ്റുന്നു.
2. ക്ലാസ് സെറ്റ് നിർവ്വചിക്കുക. എത്ര ക്ലാസുകൾ, ഏതൊക്കെ (ജലം, വനം, കൃഷി, നിർമ്മാണം, വെറും നിലം)? കുറച്ച് കൂടുതൽ വ്യതിരിക്തമായ ക്ലാസുകൾ കൂടുതൽ വിശ്വസനീയമാണ്.
3. സൂചികകൾ കണക്കാക്കുക. NDVI (പ്ലാൻ്റ്), NDWI (ജലം) പോലുള്ള സൂചികകൾ ക്ലാസുകളെ വേർതിരിക്കുന്നു; ക്ലാസിഫയറിലേക്കുള്ള ഇൻപുട്ടായി മാറുന്നു.
4. പരിശീലന സാമ്പിളുകൾ ശേഖരിക്കുക (മേൽനോട്ടം വഹിക്കുന്നതിന്). ഓരോ ക്ലാസിനും ഭൂപ്രദേശ പരിശോധനയിലൂടെ സാമ്പിൾ പോളിഗോണുകൾ സ്ഥിരീകരിച്ചു. സാമ്പിൾ ഗുണനിലവാരം കൃത്യത നിർണ്ണയിക്കുന്നു.
5. തരംതിരിച്ച് സ്ഥിരീകരിക്കുക. മോഡൽ പരിശീലിപ്പിക്കുക, തുടർന്ന് സ്വതന്ത്ര (പരിശീലനം ലഭിക്കാത്ത) സാമ്പിളുകൾ ഉപയോഗിച്ച് ഒരു പിശക് മാട്രിക്സ് നിർമ്മിക്കുകയും മൊത്തത്തിലുള്ള കൃത്യതയും കപ്പയും കണക്കാക്കുകയും ചെയ്യുക.

ഗ്രൗണ്ട് ട്രൂത്തും എറർ മാട്രിക്‌സും

ഒരു വർഗ്ഗീകരണത്തിൻ്റെ കൃത്യത അളക്കുന്നത് കണ്ണിൻ്റെ വിധിയിലൂടെയല്ല. ഫീൽഡിൽ അല്ലെങ്കിൽ വിശ്വസനീയമായ ഉയർന്ന റെസല്യൂഷൻ ഉറവിടത്തിൽ അറിയപ്പെടുന്ന യഥാർത്ഥ ക്ലാസിൻ്റെ സ്വതന്ത്ര സാമ്പിളുകളാണ് ഗ്രൗണ്ട് സത്യം. ഈ ഉദാഹരണങ്ങൾ ഉപയോഗിച്ച്, ഒരു കൺഫ്യൂഷൻ മാട്രിക്സ് സ്ഥാപിച്ചു: ഓരോ ക്ലാസും എത്ര തവണ ശരിയാണെന്നും ഏത് ക്ലാസുമായി എത്ര തവണ ആശയക്കുഴപ്പത്തിലാണെന്നും കണക്കാക്കുന്നു. ഇതിൽ നിന്ന്, മൊത്തത്തിലുള്ള കൃത്യതയും (ശരിയായി തരംതിരിച്ച അനുപാതം) കപ്പയും (അവസരത്തിൻ്റെ ഫലത്തെ ശരിയാക്കുന്ന കരാറിൻ്റെ അളവ്) കണക്കാക്കുന്നു. കൂടാതെ, നിർമ്മാതാവിൻ്റെ കൃത്യതയും (ആ ക്ലാസിൽ എത്രമാത്രം പിടിക്കപ്പെട്ടു) ഉപയോക്തൃ കൃത്യതയും (ആ ക്ലാസ് എത്രത്തോളം വിശ്വസനീയമാണ്) ഒരു ക്ലാസ് അടിസ്ഥാനത്തിൽ റിപ്പോർട്ട് ചെയ്യുന്നു.

മുന്നറിയിപ്പ്: പരിശീലനത്തിനായി നിങ്ങൾ ഉപയോഗിക്കുന്ന ഉദാഹരണങ്ങൾ ഉപയോഗിച്ച് കൃത്യത അളക്കരുത്. അതേ ഉദാഹരണങ്ങൾ പരിശീലിപ്പിക്കുകയും പരീക്ഷിക്കുകയും ചെയ്താൽ, കൃത്യത കൃത്രിമമായി ഉയർന്നതായിത്തീരുന്നു; ഇതൊരു മിഥ്യയാണ്. മൂല്യനിർണ്ണയ സാമ്പിളുകൾ സ്വതന്ത്രമായിരിക്കണം.

മൂന്ന് മിനി കേസുകൾ: അക്കങ്ങൾ പ്രകാരം

കേസ് 1 - ക്ലൗഡ് ഷാഡോ വെള്ളമായി തെറ്റിദ്ധരിക്കപ്പെട്ടു. ഒരു വർഗ്ഗീകരണത്തിൽ, മോഡൽ ക്ലൗഡ് ഷാഡോകളെ "ജലം" എന്ന് ലേബൽ ചെയ്തപ്പോൾ, തടാകത്തിൻ്റെ പ്രദേശം യഥാർത്ഥത്തിൽ അല്ലാത്തിടത്ത് വളർന്നു; വാട്ടർ ക്ലാസിൻ്റെ ഉപയോക്തൃ കൃത്യത 70% ആയി കുറഞ്ഞു. NDWI സൂചികയും ക്ലൗഡ് മാസ്‌കും ചേർത്തപ്പോൾ, നിഴൽ/ജല ഇടപെടൽ കുറയുകയും ജലത്തിൻ്റെ കൃത്യത 90% ആയി വർദ്ധിക്കുകയും ചെയ്തു.

കേസ് 2 - ഗ്രൗണ്ട് ട്രൂട്ട് റിക്കവർ ചെയ്ത റിപ്പോർട്ട്. ഒരു കാർഷിക ഇൻവെൻ്ററി പഠനം പ്രാരംഭ വർഗ്ഗീകരണത്തിൻ്റെ മൊത്തത്തിലുള്ള 82% കൃത്യത റിപ്പോർട്ട് ചെയ്തു, എന്നാൽ ഇത് പരിശീലന സാമ്പിളുകൾ ഉപയോഗിച്ചാണ് അളക്കുന്നത്. 120 ഇൻഡിപെൻഡൻ്റ് ഗ്രൗണ്ട് ട്രൂട്ട് പോയിൻ്റുകൾ ഉപയോഗിച്ച് വീണ്ടും അളന്നപ്പോൾ, യഥാർത്ഥ മൊത്തത്തിലുള്ള കൃത്യത 71% ആയിരുന്നു; കൃഷിയും തരിശുനിലവും ഗുരുതരമായി ഇടപെട്ടു. അധിക പരിശീലന ഉദാഹരണങ്ങൾക്കൊപ്പം, വർഗ്ഗീകരണം മെച്ചപ്പെടുത്തുകയും കൃത്യത 84% ആയി വർദ്ധിപ്പിക്കുകയും ചെയ്തു. പാഠം: സ്വതന്ത്ര സാമ്പിൾ ഉപയോഗിച്ചാണ് കൃത്യത അളക്കുന്നത്.

കേസ് 3 - സീസണൽ കെണി. രണ്ട് വ്യത്യസ്ത തീയതികളിൽ (വസന്തകാലവും വേനൽക്കാലത്തിൻ്റെ അവസാനവും) എടുത്ത ചിത്രങ്ങൾ ഒരുമിച്ച് ചേർത്തപ്പോൾ, വിളവെടുത്ത വയലുകൾ "നഗ്നനിലം" ക്ലാസിലേക്ക് മാറുകയും കാർഷിക മേഖല 15% കാണാതെ വരികയും ചെയ്തു. ഒരേ സീസണിൽ നിന്ന് ചിത്രങ്ങൾ തിരഞ്ഞെടുക്കുകയും ഫിനോളജിക്കൽ സ്ഥിരത കൈവരിക്കുകയും ചെയ്തപ്പോൾ ഫലങ്ങൾ മെച്ചപ്പെട്ടു.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഈ ഉപഗ്രഹ ചിത്രം തരംതിരിക്കുക.

ശക്തമായ നിർദ്ദേശം:

ടാസ്ക്: ഒരു ലാൻഡ് കവർ ക്ലാസിഫിക്കേഷൻ വർക്ക്ഫ്ലോ നിർമ്മിക്കുക (പൈത്തൺ/റാസ്റ്റീരിയോ + സ്കിറ്റ്-ലേൺ കോഡ് അസ്ഥികൂടം ഉൾപ്പെടെ) (NDVI, NDWI) ചേർക്കാനും എന്തിന് എഴുതാനും.2) മേൽനോട്ടത്തിലുള്ള വർഗ്ഗീകരണ ഘട്ടങ്ങൾ പട്ടികപ്പെടുത്തുക; പരിശീലനത്തിൻ്റെയും മൂല്യനിർണ്ണയത്തിൻ്റെയും സാമ്പിളുകൾ വേറിട്ടതായിരിക്കണമെന്ന് ഊന്നിപ്പറയുക.3) കോഡ് അസ്ഥികൂടത്തിൽ പിശക് മാട്രിക്സ് + മൊത്തത്തിലുള്ള കൃത്യത + കപ്പ കണക്കുകൂട്ടൽ എന്നിവ ഇടുക.4) ക്ലൗഡ്/ഷാഡോ, സീസൺ ആശയക്കുഴപ്പം എന്നിവയുടെ അപകടസാധ്യതകൾ ശ്രദ്ധിക്കുക.

ശക്തമായ പ്രോംപ്റ്റ് ക്ലാസ് സെറ്റ്, റെസല്യൂഷൻ, സൂചിക യുക്തി, മൂല്യനിർണ്ണയ വ്യത്യാസം എന്നിവ വ്യക്തമാക്കുന്നു; ഔട്ട്പുട്ട് അളക്കാവുന്നതാകുന്നു.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) രീതി/ഇൻഡക്സ് തിരഞ്ഞെടുക്കൽ:

വസ്തുനിഷ്ഠമായ [ലക്ഷ്യം], സെൻസർ [ബാൻഡുകൾ/റിസല്യൂഷൻ] എന്നിവയ്ക്കായി ഏത് സ്പെക്ട്രൽ സൂചികയും വർഗ്ഗീകരണ രീതിയുമാണ് നിങ്ങൾ ശുപാർശ ചെയ്യുന്നത്? ഓരോ തിരഞ്ഞെടുപ്പിനും, ആശയക്കുഴപ്പത്തിൻ്റെ യുക്തിയും സാധ്യതയുള്ള അപകടസാധ്യതയും എഴുതുക (ഏത് ക്ലാസുകൾ പരസ്പരം സമാനമാണ്).

2) വർഗ്ഗീകരണ കോഡ് അസ്ഥികൂടം:

Rasterio + scikit-learn ഉപയോഗിച്ച് സൂപ്പർവൈസുചെയ്‌ത വർഗ്ഗീകരണ ചട്ടക്കൂട് എഴുതുക: ടേപ്പ് റീഡിംഗ്, ഇൻഡെക്സ് കണക്കുകൂട്ടൽ, പരിശീലനത്തിൻ്റെ വേർതിരിക്കൽ/മൂല്യനിർണ്ണയ സാമ്പിളുകൾ, വർഗ്ഗീകരണം, പിശക് മാട്രിക്സ്, കൃത്യത ഔട്ട്പുട്ട്. CRS പരിപാലിക്കുക; വിശദീകരിക്കുക.

3) കൃത്യത വിലയിരുത്തൽ സജ്ജീകരണം:

വർഗ്ഗീകരണ കൃത്യത വിലയിരുത്തുന്നതിന് ഒരു പ്ലാൻ എഴുതുക: സ്വതന്ത്ര ഗ്രൗണ്ട്ട്രൂത്ത് സാമ്പിൾ ഡിസൈൻ, പിശക് മാട്രിക്സ്, മൊത്തത്തിലുള്ള കൃത്യത, കപ്പ, ക്ലാസ് അനുസരിച്ച് പ്രൊഡ്യൂസർ/ഉപയോക്തൃ കൃത്യത. ഓരോ മെട്രിക്കും എന്താണ് പറയുന്നതെന്ന് വിശദീകരിക്കുക.

4) ഇടപെടൽ രോഗനിർണയം:

താഴെയുള്ള പിശക് മാട്രിക്സ് വ്യാഖ്യാനിക്കുക: ഏത് ക്ലാസുകളാണ് പരസ്പരം ഇടപെടുന്നത്, സാധ്യമായ സ്പെക്ട്രൽ/സീസണൽ കാരണം എന്താണ്, എന്ത് അധിക ഡാറ്റ (സൂചിക, മാസ്ക്, തീയതി) ആശയക്കുഴപ്പം കുറയ്ക്കും? മാട്രിക്സ്: [പിശക് മാട്രിക്സ്]

വർഗ്ഗീകരണ ആശയങ്ങളുടെ താരതമ്യം

ആശയം

അർത്ഥം

എപ്പോൾ

മേൽനോട്ടം വഹിച്ചു

ലേബൽ ചെയ്ത ഉദാഹരണത്തോടുകൂടിയ പരിശീലനം

ക്ലാസുകൾ മുൻകൂട്ടി നിശ്ചയിച്ചിട്ടുണ്ട്

മേൽനോട്ടമില്ലാത്തത്

ലേബൽ രഹിത ക്ലസ്റ്ററിംഗ്

കണ്ടെത്തൽ, ഉദാഹരണങ്ങളൊന്നുമില്ല

എൻ.ഡി.വി.ഐ

സസ്യ ജീവശക്തി സൂചിക

ചെടി/നഗ്ന/ജല വേർതിരിവ്

NDWI

ജല സൂചിക

ജലാശയ വേർതിരിവ്

പിശക് മാട്രിക്സ്

ശരി/തെറ്റ് എണ്ണം

കൃത്യത അളക്കൽ

കപ്പ

അവസരം-തിരുത്തിയ ഫിറ്റ്

സ്റ്റാൻഡേർഡ് കൃത്യത റിപ്പോർട്ട്

സാധാരണ തെറ്റുകൾ

• പരിശീലന ഉദാഹരണങ്ങൾ ഉപയോഗിച്ച് കൃത്യത അളക്കുന്നു. സ്വതന്ത്രമല്ലാത്ത പരിശോധന കൃത്രിമമായി ഉയർന്ന കൃത്യത നൽകുന്നു.
• ഒരിക്കലും കൃത്യത അളക്കാതെ മാപ്പ് കൈമാറുന്നു. "നല്ലതായി തോന്നുന്നു" എന്നത് കൃത്യതയുടെ തെളിവല്ല.
• ക്ലൗഡ്/ഷാഡോ മാസ്ക് ഒഴിവാക്കുന്നു. നിഴൽ വെള്ളവുമായി കലരുന്നു, മേഘം മഞ്ഞ്/ഘടനയുമായി കലരുന്നു.
• വ്യത്യസ്ത സീസൺ/തീയതി ചിത്രങ്ങൾ മിക്സ് ചെയ്യുന്നു. ഫിനോളജിക്കൽ വ്യത്യാസങ്ങൾ ക്ലാസുകൾ മാറ്റുന്നു.
• വളരെയധികം സമാന ക്ലാസുകൾ നിർവചിക്കുന്നു. വേർതിരിച്ചറിയാൻ കഴിയാത്ത ക്ലാസുകൾ കൃത്യത കുറയ്ക്കുന്നു.
• പ്രമേയം അവഗണിക്കുന്നു. ചെറിയ ഒബ്‌ജക്‌റ്റുകൾ ഒരു പിക്‌സലിനേക്കാൾ ചെറുതാണെങ്കിൽ അവയെ തരംതിരിക്കാൻ കഴിയില്ല.

ചുരുക്കത്തിൽ

റിമോട്ട് സെൻസിംഗിൽ, മൾട്ടിസ്പെക്ട്രൽ ഡാറ്റ മുതൽ ലാൻഡ് കവർ മാപ്പിംഗ് വരെയുള്ള വർക്ക്ഫ്ലോയെ AI വേഗത്തിലാക്കുന്നു, കൂടാതെ വർഗ്ഗീകരണത്തിൻ്റെ ഭൂരിഭാഗവും ഏറ്റെടുക്കാനും കഴിയും. എന്നാൽ ഒരു വർഗ്ഗീകരണ ഭൂപടം അതിൻ്റെ കൃത്യത അളക്കുകയാണെങ്കിൽ മാത്രമേ ഉപയോഗപ്രദമാകൂ: സ്വതന്ത്ര ഗ്രൗണ്ട് ട്രൂത്ത് സാമ്പിളുകൾ ഉപയോഗിച്ച് ഒരു പിശക് മാട്രിക്സ് നിർമ്മിക്കുകയും മൊത്തത്തിലുള്ള കൃത്യതയും കപ്പയും കണക്കാക്കുകയും ചെയ്യുന്നത് സാധാരണമാണ്. ക്ലൗഡ്/നിഴൽ, സീസണൽ വ്യതിയാനം, സമാന ക്ലാസുകൾ എന്നിവ ഇടപെടലിൻ്റെ സാധാരണ ഉറവിടങ്ങളാണ്; സൂചിക, മാസ്ക്, തീയതി സ്ഥിരത എന്നിവ ഉപയോഗിച്ച് അവയെ നിയന്ത്രിക്കുക. പരിശീലനവും മൂല്യനിർണ്ണയ സാമ്പിളുകളും ഒരിക്കലും മിക്സ് ചെയ്യരുത്.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു ലാൻഡ് കവർ ചോദ്യം തിരഞ്ഞെടുക്കുക (ഉദാ. "നഗര ഗ്രീൻ സ്പേസ് മാപ്പ്"). നിങ്ങൾ ഉപയോഗിക്കുന്ന ക്ലാസ് സെറ്റ്, ബാൻഡുകളും സൂചികകളും (കുറഞ്ഞത് NDVI) എഴുതുക. AI ഒരു സൂപ്പർവൈസ്ഡ് ക്ലാസിഫിക്കേഷൻ വർക്ക്ഫ്ലോ നിർമ്മിക്കട്ടെ; പരിശീലനവും മൂല്യനിർണ്ണയ സാമ്പിളുകളും പ്രത്യേകമാണെന്നും പിശക് മാട്രിക്സ് + കപ്പ കണക്കുകൂട്ടൽ ഔട്ട്പുട്ടിൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ടെന്നും ഉറപ്പാക്കുക. തുടർന്ന് "ആശയക്കുഴപ്പത്തിൻ്റെ അപകടസാധ്യത" ഒരു ലിസ്റ്റ് ഉണ്ടാക്കുക: ഏത് രണ്ട് ക്ലാസുകൾ സമാനമാണ്, നിങ്ങൾ അവയെ എങ്ങനെ വേർതിരിക്കുന്നു.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ ക്ലാസ് സെറ്റ് ചെറുതും വേർതിരിക്കാനാകാത്തതുമായി സൂക്ഷിച്ചു.
• [ ] ഞാൻ ആവശ്യത്തിന് അനുയോജ്യമായ സ്പെക്ട്രൽ സൂചികകൾ (NDVI/NDWI) ചേർത്തു.
• [] ഞാൻ പരിശീലനത്തിൻ്റെയും മൂല്യനിർണ്ണയത്തിൻ്റെയും ഉദാഹരണങ്ങൾ വേർതിരിച്ചു.
• [ ] ഞാൻ ക്ലൗഡ്/ഷാഡോ മാസ്കും സീസൺ സ്ഥിരതയും പരിശോധിച്ചു.
• [ ] ഞാൻ സ്വതന്ത്രമായ അടിസ്ഥാന സത്യത്തിൽ കൃത്യത അളന്നു.
• [ ] പിശക് മാട്രിക്സ്, മൊത്തത്തിലുള്ള കൃത്യത, കപ്പ എന്നിവ ഞാൻ റിപ്പോർട്ട് ചെയ്തു.
• [ ] ഞാൻ ക്ലാസ് മിക്സ്-അപ്പുകൾ രോഗനിർണയം നടത്തി സുഖപ്പെടുത്തി.
• [ ] ഭൂപടം അതിൻ്റെ ഉദ്ദേശിച്ച ഉപയോഗത്തിന് കൃത്യമാണെന്ന് ഞാൻ എഞ്ചിനീയറുടെ അംഗീകാരത്തിന് വിധേയമാക്കിയിട്ടുണ്ട്.