സാറ്റലൈറ്റ്, ഏരിയൽ ഇമേജുകൾ ഉപയോഗിച്ച് നഗര മാറ്റ വിശകലനം

നേട്ടങ്ങൾ:

• വിദൂര സംവേദനത്തിലൂടെയും സാറ്റലൈറ്റ് ഇമേജറിയിലൂടെയും നഗര വ്യാപനം, നിർമ്മാണം, ഭൂമിയുടെ കവർ മാറ്റം എന്നിവ AI- പിന്തുണയോടെ കണ്ടെത്തുന്നതിൻ്റെ യുക്തി മനസ്സിലാക്കുന്നു.
• ഇമേജ് വർഗ്ഗീകരണം വിമർശനാത്മകമായി വിലയിരുത്താനും കൃത്യത, റെസല്യൂഷൻ, തീയതി വിവരങ്ങൾ എന്നിവ ഉപയോഗിച്ച് കണ്ടെത്തൽ ഔട്ട്പുട്ടുകൾ മാറ്റാനുമുള്ള കഴിവ്
• ചിത്രത്തിൽ നിന്ന് AI എക്‌സ്‌ട്രാക്റ്റുചെയ്യുന്ന അതിരുകൾ ഫീൽഡും ഔദ്യോഗിക രേഖകളും വഴി സ്ഥിരീകരിക്കേണ്ടതാണെന്നും നിയമപരമായ തെളിവുകളാകാൻ കഴിയില്ലെന്നും മനസ്സിലാക്കാനുള്ള കഴിവ്.

കഴിഞ്ഞ ദശകത്തിൽ ഒരു നഗരം എവിടെ, എത്ര, എത്ര വേഗത്തിൽ വളർന്നുവെന്ന് കാണാൻ ഓരോന്നായി വയലിലേക്ക് പോകുക അസാധ്യമാണ്. പകരം, പ്ലാനർമാർ റിമോട്ട് സെൻസിംഗ് ഉപയോഗിക്കുന്നു (ഉപഗ്രഹങ്ങളും വിമാനങ്ങളും ഉപയോഗിച്ച് ഭൂമിയെ ചിത്രീകരിച്ച് ഡാറ്റ എക്‌സ്‌ട്രാക്റ്റുചെയ്യുന്നു). വ്യത്യസ്ത തീയതികളിൽ നിന്നുള്ള സാറ്റലൈറ്റ് ചിത്രങ്ങൾ താരതമ്യം ചെയ്യുന്നതിലൂടെ, നിങ്ങൾക്ക് പുതിയ നിർമ്മാണം, നഷ്ടപ്പെട്ട കൃഷിഭൂമി, അനധികൃത നിർമ്മാണം വികസിപ്പിക്കൽ അല്ലെങ്കിൽ ഹരിത ഇടം ചുരുങ്ങൽ എന്നിവ കണ്ടെത്താനാകും. ഈ ചിത്രങ്ങളെ വർഗ്ഗീകരിക്കുന്നതിലും (ഓരോ പിക്സലിനെയും "ഘടന", "പ്ലാൻ്റ്," "ജലം" എന്നിങ്ങനെ ലേബൽ ചെയ്യുന്നതിലും രണ്ട് തീയതികൾക്കിടയിലുള്ള മാറ്റങ്ങൾ കണ്ടെത്തുന്നതിലും AI ഒരു ശക്തമായ ആക്സിലറേറ്ററാണ്. എന്നാൽ ഇമേജ് വിശകലനം റെസല്യൂഷൻ, തീയതി, നിഴൽ, ക്ലൗഡ്, വർഗ്ഗീകരണ പിശക് എന്നിവ നിറഞ്ഞതാണ്. AI ഫ്ലാഗുകൾ ഒരു നിഴൽ, കാലാനുസൃതമായ വ്യത്യാസം അല്ലെങ്കിൽ ഒരു പിശക് ആയിരിക്കാവുന്ന ഒരു "മാറ്റം". അതിനാൽ, ഫീൽഡും ഔദ്യോഗിക രേഖകളും സ്ഥിരീകരിക്കാതെ ചിത്രത്തിൽ നിന്ന് എടുക്കുന്ന ഒരു നിഗമനവും നിയമനടപടിക്ക് അടിസ്ഥാനമായി ഉപയോഗിക്കാൻ കഴിയില്ല.

റിമോട്ട് സെൻസിംഗിൻ്റെ അടിസ്ഥാന ആശയങ്ങൾ

റെസല്യൂഷൻ: ഗ്രൗണ്ടിൽ ഒരു പിക്സൽ കൈവശപ്പെടുത്തിയിരിക്കുന്ന സ്ഥലം. 10 മീറ്റർ റെസല്യൂഷനിൽ, ഒരു പിക്സൽ 10x10 മീറ്ററിനെ പ്രതിനിധീകരിക്കുന്നു; ഒരു ചെറിയ ഔട്ട്ബിൽഡിംഗ് ദൃശ്യമല്ല. ഉയർന്ന റെസല്യൂഷൻ (ഉദാ. 0.3-1 മീറ്റർ) എന്നാൽ കൂടുതൽ വിശദാംശങ്ങളുള്ളതും എന്നാൽ കൂടുതൽ ചെലവേറിയതും പതിവ് കുറഞ്ഞതുമായ ഡാറ്റ എന്നാണ് അർത്ഥമാക്കുന്നത്.

സ്പെക്ട്രൽ ബാൻഡ്: കണ്ണിന് കാണാൻ കഴിയാത്ത പ്രകാശവും ഉപഗ്രഹങ്ങൾ രേഖപ്പെടുത്തുന്നു (ഇൻഫ്രാറെഡ് പോലുള്ളവ). ഇൻഫ്രാറെഡിൽ സസ്യങ്ങൾ തിളങ്ങുന്നു; ഇത് ഘടനയിൽ നിന്ന് ചെടിയെ വേർതിരിക്കുന്നത് എളുപ്പമാക്കുന്നു. ഗ്രീൻഫീൽഡ് ട്രാക്കിംഗിൽ NDVI (സസ്യങ്ങളുടെ ശക്തി അളക്കുന്ന ഒരു ലളിതമായ കാൽക്കുലേറ്റർ) പോലുള്ള സൂചികകൾ സാധാരണമാണ്.

തീയതിയും സീസണും: രണ്ട് ചിത്രങ്ങൾ വ്യത്യസ്ത സീസണുകളിലാണെങ്കിൽ, പച്ച കുറയുന്നത് "നഷ്ടം" ആയിരിക്കില്ല, മറിച്ച് ശൈത്യകാലത്തിൻ്റെ വരവാണ്. താരതമ്യത്തിൽ തീയതിയും സീസണും സമന്വയം അനിവാര്യമാണ്.

കൃത്യത: വർഗ്ഗീകരണം എത്രത്തോളം കൃത്യമാണെന്ന് അളക്കുന്ന മൂല്യം. "85 ശതമാനം കൃത്യത" എന്നാൽ ഓരോ ആറ് പിക്സലുകളിലും ഒന്ന് തെറ്റായി ലേബൽ ചെയ്തേക്കാം എന്നാണ്; ഇത് ഒരു ഓഡിറ്റ് പ്രക്രിയയുടെ കാര്യമായ പിഴവാണ്.

ശ്രദ്ധിക്കുക: ഒരു സാറ്റലൈറ്റ് ഇമേജിൽ നിന്ന് AI കണ്ടെത്തിയ ഒരു ഘടന നിയമവിരുദ്ധമായ ഒരു ഘടനയുടെ തെളിവല്ല. നിഴൽ, മിഴിവ്, തീയതി, വർഗ്ഗീകരണ പിശക് എന്നിവ തെറ്റായ പോസിറ്റീവുകൾ ഉണ്ടാക്കുന്നു. പരിശോധനയ്ക്കും നിർവ്വഹണത്തിനും എല്ലായ്പ്പോഴും സൈറ്റ് നിയന്ത്രണം, ടൈറ്റിൽ ഡീഡ്/ലൈസൻസ് രജിസ്ട്രേഷൻ, ഔദ്യോഗിക അളവെടുപ്പ് എന്നിവ ആവശ്യമാണ്.

സ്വതന്ത്രവും തുറന്നതുമായ സാറ്റലൈറ്റ് ഡാറ്റ (യൂറോപ്പിലെ സെൻ്റിനൽ, യുഎസിലെ ലാൻഡ്‌സാറ്റ് പ്രോഗ്രാമുകൾ പോലുള്ള ഉറവിടങ്ങൾ) ആസൂത്രണത്തിലേക്ക് കൊണ്ടുവരുന്ന ഏറ്റവും വലിയ മൂല്യം ചരിത്രപരമായ സമയ ശ്രേണിയാണ്: വർഷങ്ങളോളം നീണ്ടുനിൽക്കുന്ന ഒരേ പ്രദേശത്തിൻ്റെ ഡസൻ കണക്കിന് ചിത്രങ്ങളിലേക്ക് നിങ്ങൾക്ക് ആക്‌സസ് ഉണ്ട്. "മുമ്പ്/പിന്നീട്" എന്ന ഒരൊറ്റ താരതമ്യത്തിനപ്പുറം പോകാനും അയൽപക്കത്തിൻ്റെ വ്യാപന നിരക്ക്, കാലാനുസൃതമായ ഏറ്റക്കുറച്ചിലുകൾ, ട്രെൻഡ് എന്നിവ കാണാനും ഇത് നിങ്ങളെ അനുവദിക്കുന്നു. ഈ ദൈർഘ്യമേറിയ ശ്രേണികൾ സംഗ്രഹിക്കുന്നതിനും ശബ്ദത്തിൽ നിന്ന് മാറ്റത്തിൻ്റെ അർത്ഥവത്തായ പാറ്റേണുകൾ വേർതിരിക്കുന്നതിനും AI സഹായകരമാണ്. എന്നാൽ സമയ ശ്രേണിയിലും ഇതേ നിയമം ബാധകമാണ്: ഒരു ട്രെൻഡ് എത്ര വ്യക്തമായാലും, ചിത്രങ്ങളുടെ മിഴിവ്, ക്ലൗഡ് നിരക്ക്, കാലാനുസൃതത എന്നിവയാണ് ഫലം നിർണ്ണയിക്കുന്നത്; ഈ മൂന്ന് ഘടകങ്ങൾ റിപ്പോർട്ട് ചെയ്യാതെ ഒരു പ്രവണതയും വിശ്വസനീയമായി കണക്കാക്കാനാവില്ല.

മാറ്റം കണ്ടെത്തലിൻ്റെ യുക്തി

രണ്ട് തീയതികളുള്ള ചിത്രങ്ങൾ താരതമ്യം ചെയ്യാൻ നിരവധി മാർഗങ്ങളുണ്ട്: രണ്ട് തീയതികളും ക്ലാസുകളും താരതമ്യം ചെയ്യുക, സൂചിക വ്യത്യാസം നേടുക (ഉദാ. NDVI വ്യത്യാസം), അല്ലെങ്കിൽ AI മോഡലുമായി നേരിട്ട് "മാറ്റം/മാറ്റാത്ത" മാപ്പ് നിർമ്മിക്കുക. ഫലം മാറ്റത്തിൻ്റെ ഒരു ഭൂപടമാണ്: എവിടെയാണ് പുതിയ ഘടന, എവിടെയാണ് പ്ലാൻ്റ് നഷ്ടപ്പെട്ടത്. ഒരു പ്രാഥമിക സ്ക്രീനിംഗ് എന്ന നിലയിൽ ഈ മാപ്പ് വിലമതിക്കാനാവാത്തതാണ് - അത് പ്ലാനറോട് "അവിടെ നോക്കാൻ" പറയുന്നു. എന്നാൽ ഇത് യഥാർത്ഥ മാറ്റമാണോ പിശകാണോ എന്ന് ഓരോ അടയാളവും പ്രത്യേകം പരിശോധിച്ചുറപ്പിക്കുന്നു.

ഘട്ടം ഘട്ടമായി: AI- പവർ ചെയ്‌ത മാറ്റ വിശകലനം

1. ചോദ്യം നിർവ്വചിക്കുക. "2018 നും 2024 നും ഇടയിൽ [പ്രദേശത്ത്] പുതിയ നിർമ്മാണം എവിടെയാണ്?"
2. ചിത്രം തിരഞ്ഞെടുക്കുക. സമാനമായ സീസൺ, സ്വീകാര്യമായ റെസല്യൂഷൻ, കുറഞ്ഞ ക്ലൗഡ്.
3. പ്രീപ്രോസസിംഗ്. അതേ CRS-ലേക്ക് കൊണ്ടുവരിക, വിന്യസിക്കുക, ക്ലൗഡ്/ഷാഡോ മാസ്ക് പ്രയോഗിക്കുക.
4. തരംതിരിക്കുക/ താരതമ്യം ചെയ്യുക. AI ഉപയോഗിച്ച് ക്ലാസ് സൃഷ്ടിക്കുക അല്ലെങ്കിൽ മാപ്പ് മാറ്റുക.
5. കൃത്യത വിലയിരുത്തുക. അറിയപ്പെടുന്ന റഫറൻസ് പോയിൻ്റുകൾ ഉപയോഗിച്ച് കൃത്യത അളക്കുക.
6. ഫീൽഡും രജിസ്ട്രേഷൻ സ്ഥിരീകരണവും. ടൈറ്റിൽ ഡീഡ്/ലൈസൻസ്, ആവശ്യമെങ്കിൽ സൈറ്റിനൊപ്പം അടയാളപ്പെടുത്തിയ മാറ്റങ്ങൾ പരിശോധിക്കുക.
7. പരിധികൾ റിപ്പോർട്ട് ചെയ്യുക. പിശകിൻ്റെ തീയതി, റെസലൂഷൻ, കൃത്യത, മാർജിൻ എന്നിവ വ്യക്തമായി എഴുതുക.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ നിർദ്ദേശം: "ഈ രണ്ട് ചിത്രങ്ങളിൽ നിന്ന് എന്താണ് മാറിയതെന്ന് എന്നോട് പറയൂ."

AI മനോഹരമായി കാണപ്പെടുന്നതും എന്നാൽ അനിശ്ചിതത്വത്തിൽ കൃത്യതയുള്ളതുമായ ഒരു ലിസ്റ്റ് നിർമ്മിക്കുന്നു; തണലിലെയും സീസണിലെയും വ്യത്യാസം യഥാർത്ഥ മാറ്റമാണെന്ന് നിങ്ങൾ ചിന്തിച്ചേക്കാം.

ശക്തമായ നിർദ്ദേശം: "ഞാൻ രണ്ട് തീയതികളിലെ (ജൂലൈ 2018 / ജൂലൈ 2024, അതേ സീസൺ, 10 മീറ്റർ റെസല്യൂഷൻ) ക്ലാസിഫൈഡ് ലാൻഡ് കവർ ഡാറ്റ താരതമ്യം ചെയ്യുന്നു. മാറ്റ വിശകലനം റിപ്പോർട്ടുചെയ്യുമ്പോൾ, വ്യക്തമായി പ്രസ്താവിക്കുക: നിഴൽ/സീസൺ/റിസല്യൂഷൻ എന്നിവ കാരണം ഏത് മാറ്റങ്ങൾ തെറ്റായ പോസിറ്റീവായിരിക്കാം, ഏത് നിർണ്ണയങ്ങൾക്ക് ഫീൽഡ് പരിശോധന ആവശ്യമാണ്, ഓരോ ഫീൽഡ് സ്ഥിരീകരണവും എങ്ങനെ സ്ഥിരീകരിക്കരുത്. ആവശ്യമാണ്'."

രണ്ടാമത്തെ പ്രോംപ്റ്റ്, അനിശ്ചിതത്വവും പിശകിൻ്റെ ഉറവിടങ്ങളും വ്യക്തമായി ആശയവിനിമയം നടത്താൻ AI-യെ പ്രേരിപ്പിക്കുന്നു.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

ടാസ്ക്: ഇനിപ്പറയുന്ന മാറ്റം കണ്ടെത്തൽ ഔട്ട്പുട്ട് വിമർശനാത്മകമായി വിലയിരുത്തുക. ഓരോ കണ്ടെത്തലിനും സാധ്യമായ പിശക് ഉറവിടങ്ങൾ ലിസ്റ്റ് ചെയ്യുക: ഷാഡോ, ക്ലൗഡ്, സീസൺ, റെസല്യൂഷൻ, വർഗ്ഗീകരണ പിശക്. "ഫീൽഡ് സ്ഥിരീകരണം ആവശ്യമാണ്" എന്ന കുറിപ്പ് ചേർക്കുക. അന്തിമ തീരുമാനങ്ങൾ എടുക്കരുത്. കണ്ടെത്തലുകൾ / തീയതി / റെസലൂഷൻ: [...]

ടാസ്‌ക്: ഒരു നഗര മാറ്റ വിശകലനത്തിനായി ഇമേജ് തിരഞ്ഞെടുക്കൽ മാനദണ്ഡങ്ങളുടെ ഒരു ചെക്ക്‌ലിസ്റ്റ് എഴുതുക: സീസണാലിറ്റി, റെസല്യൂഷൻ, ക്ലൗഡ് നിരക്ക്, തീയതി ശ്രേണി, CRS. എൻ്റെ പക്കലുള്ള ചിത്രങ്ങൾ ഈ മാനദണ്ഡങ്ങൾ പാലിക്കുന്നുണ്ടോ എന്ന് ചോദിക്കാൻ ചോദ്യങ്ങൾ സൃഷ്‌ടിക്കുക. ചിത്ര വിവരങ്ങൾ: [...]

ടാസ്ക്: ഇനിപ്പറയുന്ന മാറ്റ വിശകലന കണ്ടെത്തലുകളിൽ നിന്ന് ഒരു റിപ്പോർട്ട് തയ്യാറാക്കുക. ഓരോ കണ്ടെത്തലിലും മിഴിവ്, തീയതി, കൃത്യത, പിശകിൻ്റെ മാർജിൻ എന്നിവ വ്യക്തമായി പ്രസ്താവിക്കുക. ഫലങ്ങൾ "പ്രീ-സ്ക്രീനിംഗ്" ആയി ഫ്രെയിം ചെയ്യുക; പരിശോധന/അനുമതിക്ക് ഫീൽഡും ഔദ്യോഗിക റെക്കോർഡ് സ്ഥിരീകരണവും ആവശ്യമാണെന്ന് ഊന്നിപ്പറയുക. കണ്ടെത്തലുകൾ: [...]

ടാസ്ക്: വർഗ്ഗീകരണ കൃത്യത വിലയിരുത്തുന്നതിനുള്ള ഒരു ലളിതമായ മാർഗം നിർദ്ദേശിക്കുക: എത്ര റഫറൻസ് പോയിൻ്റുകൾ, എങ്ങനെ തിരഞ്ഞെടുക്കാം, എങ്ങനെ കൃത്യത കണക്കാക്കാം (പ്ലെയിൻ വിശദീകരണം). റിപ്പോർട്ടിൽ ഏത് സത്യ പ്രസ്താവനയാണ് എഴുതേണ്ടത്, ഉദാഹരണം. സന്ദർഭം: [...]

ഒരു പട്ടിക: ഡാറ്റ തരവും ഉപയോഗവും

ഡാറ്റ

പ്രമേയം

ശക്തമായ പോയിൻ്റ്

പരിധി

ഇടത്തരം റെസലൂഷൻ ഉപഗ്രഹം

10-30മീ

സ്വതന്ത്ര, പതിവ്, വിശാലമായ പ്രദേശം

ചെറിയ ഘടന നഷ്ടപ്പെടുന്നു

ഉയർന്ന റെസല്യൂഷൻ ഉപഗ്രഹം

0.3-1മീ

വിശദമായ ഘടന കണ്ടെത്തൽ

ചെലവേറിയ, വിരളമായ, ക്ലൗഡ് റിസ്ക്

ഏരിയൽ ഫോട്ടോ / ഓർത്തോഫോട്ടോ

0.1-0.3മീ

വളരെ വിശദമായ, ഔപചാരികമായ

അപ്ഡേറ്റ് ഫ്രീക്വൻസി കുറവാണ്

UAV (ഡ്രോൺ)

സെ.മീ നില

തൽക്ഷണം, വളരെ വിശദമായി

ചെറിയ ഇടം, പെർമിറ്റ്/നിയമനിർമ്മാണം

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - ഷാഡോ മിഥ്യ. AI മാറ്റൽ മാപ്പിൽ ഒരു മുനിസിപ്പാലിറ്റി അയൽപക്കത്ത് "പുതിയ നിർമ്മാണ" അടയാളങ്ങൾ കാണുന്നു. ഫീൽഡ് ടീം പോകുന്നു; മിക്ക അടയാളങ്ങളും ഉച്ചതിരിഞ്ഞുള്ള ചിത്രത്തിൽ നീണ്ട നിഴലുകളാണ്. പുതിയ നിർമ്മാണങ്ങളുടെ യഥാർത്ഥ എണ്ണം പകുതി അടയാളങ്ങളാണ്. AI മുൻകൂട്ടി സ്‌ക്രീൻ ചെയ്‌തിരുന്നു, എന്നാൽ സ്ഥിരീകരണമില്ലാതെ ഉപയോഗിച്ചാൽ, അത് തെറ്റായ മിനിറ്റുകൾ സൃഷ്ടിക്കും.

കേസ് 2 - എസ്കേപ്പിംഗ് ചെറിയ ഘടന. 10 മീറ്റർ റെസല്യൂഷനുള്ള സൗജന്യ ഉപഗ്രഹം ഉപയോഗിച്ച് ഒരു കാർഷിക മേഖലയിലെ ചെറിയ വെയർഹൗസുകൾ ട്രാക്കുചെയ്യാൻ ഒരു പ്ലാനർ ശ്രമിക്കുന്നു. വെയർഹൗസുകൾ 6x8 മീറ്ററായതിനാൽ, അവ ഒരു പിക്സലിനു താഴെയായി നിലകൊള്ളുന്നു, അവ ദൃശ്യമാകില്ല. യഥാർത്ഥ ട്രാക്കിംഗിനായി പ്ലാനർ ഉയർന്ന മിഴിവുള്ള ഓർത്തോഫോട്ടോയിലേക്ക് മാറുന്നു. എന്താണ് കാണാൻ കഴിയുക എന്നത് റെസല്യൂഷൻ നിർണ്ണയിക്കുന്നു.

കേസ് 3 - സുതാര്യമായ റിപ്പോർട്ട്. ഒരു പ്രദേശത്തിൻ്റെ 6 വർഷത്തെ വ്യാപനം ഒരു ടീം വിശകലനം ചെയ്യുകയും റിപ്പോർട്ടിൽ വ്യക്തമായി എഴുതുകയും ചെയ്യുന്നു, "കണ്ടെത്തലുകൾ 82 ശതമാനം കൃത്യതയോടെയുള്ള പ്രാഥമിക സ്കാൻ ആണ്; 47 പോയിൻ്റുകൾ ഫീൽഡ് സ്ഥിരീകരണത്തിനായി കാത്തിരിക്കുന്നു; ചിത്രത്തിൻ്റെ തീയതിയും റെസല്യൂഷനും അറ്റാച്ച് ചെയ്തിട്ടുണ്ട്." കൃത്യമായ തൂക്കത്തോടെയാണ് പാർലമെൻ്റ് ഫലം വിലയിരുത്തുന്നത്. അനിശ്ചിതത്വം മറച്ചുവെക്കുന്നതിനുപകരം റിപ്പോർട്ടുചെയ്യുന്നത് വിശകലനത്തെ വിശ്വസനീയമാക്കുന്നു.

സാധാരണ തെറ്റുകൾ

• തെറ്റായ കണ്ടെത്തൽ തെളിവായി. ചിത്രം മുൻകൂട്ടി സ്‌കാൻ ചെയ്‌തതാണ്; അതിന് ഉപരോധങ്ങളും ഔദ്യോഗിക രജിസ്ട്രേഷനും ആവശ്യമാണ്.
• സീസൺ/തീയതി പൊരുത്തക്കേട്. വ്യത്യസ്ത സീസണൽ ചിത്രങ്ങൾ തെറ്റായ വ്യതിയാനം ഉണ്ടാക്കുന്നു.
• പ്രമേയം അവഗണിക്കുന്നു. കുറഞ്ഞ റെസല്യൂഷനിൽ ചെറിയ ഘടനകൾ ദൃശ്യമാകില്ല; അത് "ഒന്നുമില്ല" അല്ല.
• കൃത്യത റിപ്പോർട്ട് ചെയ്യുന്നതിൽ പരാജയം. പിശകിൻ്റെ മാർജിൻ മറയ്ക്കുന്നത് തെറ്റായ തീരുമാനങ്ങളിലേക്ക് നയിക്കുന്നു.
• നിഴലും മേഘവും മറക്കുന്നു. തെറ്റായ പോസിറ്റീവുകളുടെ ഏറ്റവും സാധാരണമായ രണ്ട് ഉറവിടങ്ങൾ.
• CRS പൊരുത്തക്കേട്. വിന്യസിക്കാത്ത ചിത്രങ്ങൾ തെറ്റായ സ്ഥലത്ത് മാറുന്നു.

ചുരുക്കത്തിൽ

സാറ്റലൈറ്റ്, ഏരിയൽ ഇമേജറി എന്നിവയാണ് നഗരമാറ്റം സ്കെയിലും വേഗതയിലും കാണാനുള്ള ഏറ്റവും ശക്തമായ മാർഗങ്ങൾ; AI വർഗ്ഗീകരണവും മാറ്റം കണ്ടെത്തലും ത്വരിതപ്പെടുത്തുന്നു. എന്നാൽ റെസല്യൂഷൻ എന്താണ് കാണേണ്ടതെന്ന് നിർണ്ണയിക്കുന്നു, സീസണും തീയതിയും യഥാർത്ഥമായത് നിർണ്ണയിക്കുന്നു, നിഴലും മേഘവും എന്താണ് തെറ്റായ പോസിറ്റീവ് എന്ന് നിർണ്ണയിക്കുന്നത്. കൃത്യത എപ്പോഴും അളക്കുകയും റിപ്പോർട്ടുചെയ്യുകയും വേണം. ഏറ്റവും പ്രധാനമായി: ചിത്രത്തിൽ നിന്ന് കണ്ടെത്തൽ ഒരു പ്രീ-സ്കാൻ ആണ്; ഫീൽഡ് കൺട്രോൾ, ടൈറ്റിൽ ഡീഡ്/ലൈസൻസ് രജിസ്ട്രേഷൻ, ഔദ്യോഗിക അളവെടുപ്പ് എന്നിവ പരിശോധനയ്ക്കും അനുമതിക്കും അത്യാവശ്യമാണ്. AI കാഴ്ചയെ വേഗത്തിലാക്കുന്നു, തീരുമാനങ്ങളെടുക്കലല്ല.

ആപ്ലിക്കേഷൻ ടാസ്ക്

രണ്ട് വ്യത്യസ്ത തീയതികളുള്ള ഒരു ജോടി ചിത്രങ്ങൾ (അല്ലെങ്കിൽ സാഹചര്യങ്ങൾ) പരിഗണിക്കുക. (1) രണ്ടാമത്തെ ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് ഇമേജ് തിരഞ്ഞെടുക്കൽ മാനദണ്ഡം പരിശോധിക്കുക: സീസൺ, റെസല്യൂഷൻ, ക്ലൗഡ് അനുയോജ്യമാണോ? (2) മാറ്റം കണ്ടെത്തലുകളുടെ ഒരു ലിസ്റ്റ് അനുമാനിക്കുകയും പ്രാരംഭ ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് ഓരോ കണ്ടെത്തലിനും സാധ്യമായ പിശക് ഉറവിടങ്ങൾ വേർതിരിച്ചെടുക്കുകയും ചെയ്യുക. (3) മൂന്നാമത്തെ ടെംപ്ലേറ്റിനൊപ്പം ഒരു ഡ്രാഫ്റ്റ് റിപ്പോർട്ട് തയ്യാറാക്കി കൃത്യതയും പിശകിൻ്റെ മാർജിനും ചേർക്കുക. (4) ഏതൊക്കെ നിർണ്ണയങ്ങൾക്ക് ഫീൽഡ് സ്ഥിരീകരണം ആവശ്യമാണെന്നും നിങ്ങൾ ഇത് എങ്ങനെ ചെയ്യുമെന്നും എഴുതുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ ചിത്രങ്ങളുടെ സീസൺ, തീയതി, റെസല്യൂഷൻ അനുയോജ്യത എന്നിവ പരിശോധിച്ചു.
• [ ] ഞാൻ ചിത്രങ്ങൾ അതേ CRS-ലേക്ക് വിന്യസിച്ചു; ഞാൻ ക്ലൗഡ്/ഷാഡോ മാസ്ക് പരിഗണനയിൽ എടുത്തു.
• [ ] ഞാൻ മാറ്റം കണ്ടെത്തലുകളെ പ്രാഥമിക സ്ക്രീനിംഗ് ആയി കണക്കാക്കി, തെളിവായിട്ടല്ല.
• [ ] ഞാൻ വർഗ്ഗീകരണ കൃത്യത വിലയിരുത്തി റിപ്പോർട്ട് ചെയ്തു.
• ഫീൽഡും ഔദ്യോഗിക രേഖകളും ഉപയോഗിച്ച് [ ] അടയാളപ്പെടുത്തിയ മാറ്റങ്ങൾ ഞാൻ സ്ഥിരീകരിച്ചു.
• [ ] റെസല്യൂഷൻ പരിധി നഷ്ടമായേക്കാവുന്നത് ഞാൻ ശ്രദ്ധിച്ചു.
• [ ] ഞാൻ റിപ്പോർട്ടിൽ തീയതി, റെസലൂഷൻ, പിശകിൻ്റെ മാർജിൻ എന്നിവ വ്യക്തമായി എഴുതി.