रिमोट सेन्सिंग आणि सॅटेलाइट इमेज वर्गीकरण

नफा:

• मल्टीस्पेक्ट्रल उपग्रह डेटा, बँड संयोजन आणि वर्णक्रमीय निर्देशांक (NDVI इ.) AI सह कसे वापरले जातात हे स्पष्ट करण्याची क्षमता
• एआय सपोर्टसह पर्यवेक्षी/पर्यवेक्षित वर्गीकरण आणि लँड कव्हर मॅपिंग वर्कफ्लो कॉन्फिगर करण्याची क्षमता
• ग्राउंड सत्य आणि त्रुटी मॅट्रिक्स/अचूकता निकषांसह वर्गीकरण आउटपुट तपासण्याची क्षमता

रिमोट सेन्सिंग हे उपग्रह किंवा हवाई प्लॅटफॉर्मवरील सेन्सरसह भौतिक संपर्काशिवाय पृथ्वीच्या पृष्ठभागाचे मोजमाप करण्याचे शास्त्र आहे. उपग्रह प्रतिमा ही प्रत्यक्षात छायाचित्र नसून अनेक तरंगलांबींवर नोंदवलेल्या मोजमापांच्या थरांचा संग्रह असतो आणि हे स्तर बुद्धिमानपणे एकत्र करून, जमिनीचे आवरण (जंगल, पाणी, शेती, बांधकाम) मॅप केले जाऊ शकते. या युनिटमध्ये, आम्ही आर्टिफिशियल इंटेलिजेंस या वर्कफ्लोला कसे गती देतो, मल्टीस्पेक्ट्रल डेटापासून लँड कव्हर वर्गीकरणापर्यंत आणि जिथे तज्ञांचा निर्णय अपरिहार्य आहे ते समाविष्ट करतो. तत्त्व: एआय वर्गीकरण तयार करते किंवा कोड करते; नकाशाची अचूकता इंजिनीअरमध्ये स्वतंत्र ग्राउंड ट्रूथ आणि एरर मॅट्रिक्सद्वारे मोजली जाते.

मूलभूत अटी. मल्टीस्पेक्ट्रल प्रतिमा ही अनेक तरंगलांबी बँडमध्ये (निळा, हिरवा, लाल, इन्फ्रारेड जवळ, इ.) रेकॉर्ड केलेली आहे; प्रत्येक बँड एक थर आहे. हायपरस्पेक्ट्रल अधिक समृद्ध आहे परंतु डेटावर प्रक्रिया करणे कठीण आहे, ज्यामध्ये दहा ते शेकडो अरुंद बँड असतात. स्पेक्ट्रल इंडेक्स ही संख्या आहे जी बँडच्या गणितीय संयोजनाद्वारे घटना हायलाइट करते; सर्वात सुप्रसिद्ध, NDVI (नॉर्मलाइज्ड डिफरन्स व्हेजिटेशन इंडेक्स), जवळच्या इन्फ्रारेड आणि रेड बँडमधील फरक वापरून हिरव्या वनस्पतीच्या जोमचे मोजमाप करते. पर्यवेक्षित वर्गीकरणामध्ये मॉडेलला पूर्व-लेबल केलेल्या नमुना क्षेत्रांसह प्रशिक्षण देणे आणि संपूर्ण प्रतिमेचे वर्गीकरण करणे समाविष्ट आहे. पर्यवेक्षण न केलेले वर्गीकरण म्हणजे लेबलांशिवाय समानतेवर आधारित डेटा क्लस्टर करणे आणि नंतर त्याचा अर्थ लावणे.

रिमोट सेन्सिंगमध्ये AI ची भूमिका

कृत्रिम बुद्धिमत्ता या क्षेत्रात तीन स्तरांवर योगदान देते:

1. कार्यप्रवाह आणि पद्धत निवड. "या प्रश्नासाठी कोणते बँड, कोणते निर्देशांक, कोणते वर्गीकरण योग्य आहेत?" तुमच्या निर्णयात तुम्हाला मार्गदर्शन करते; कोड सांगाडा तयार करतो.
2. वर्गीकरण स्वतः. आधुनिक डीप लर्निंग मॉडेल्स लाखो पिक्सेल लँड कव्हर क्लासेसमध्ये क्रमवारी लावतात; हे मध्यम-उच्च योगदान क्षेत्र आहे जेथे AI वास्तविक कार्य करते.
3. परिणाम व्याख्या आणि अहवाल. हे वर्ग आकडेवारी, बदल विश्लेषण आणि अचूकता अहवाल वाचनीय मजकुरात लिप्यंतरण करते.

ब्लाइंड स्पॉट: मॉडेल हे प्रशिक्षित केलेल्या डेटावर आणि तुम्ही प्रदान केलेल्या उदाहरणांवर अवलंबून असते. ढग सावली आणि पाणी, मोकळी माती आणि काढणीनंतरचे शेत, उथळ पाणी आणि ओली जमीन सहज मिसळते. म्हणून वर्गीकरण नकाशा केवळ छान दिसतो म्हणून खरा नाही; अचूकता मोजली पाहिजे.

टीप: वर्गीकरण सुरू करण्यापूर्वी तुमचा प्रश्न स्पष्ट करा. "वर्गीकृत जमीन कव्हर" अस्पष्ट आहे; "2020-2025 दरम्यान बांधकामाच्या बाजूने शेतजमिनीच्या नुकसानाचा नकाशा तयार करा" वर्ग संच आणि पडताळणी निकष दोन्ही निर्धारित करते.

स्टेप बाय स्टेप: जमीन कव्हर वर्गीकरण

1. डेटा आणि टेप तयार करा. प्रतिमेचे क्लाउड कव्हर, शूटिंगची तारीख, रिझोल्यूशन (पिक्सेल आकार) आणि बँड ऑर्डरची पुष्टी करा. भिन्न तारीख/हंगाम वर्ग बदलतात.
2. वर्ग संच परिभाषित करा. किती वर्ग, कोणते (जल, जंगल, शेती, बांधकाम, मोकळी जमीन)? कमी आणि अधिक ओळखण्यायोग्य वर्ग अधिक विश्वासार्ह आहेत.
3. निर्देशांकांची गणना करा. NDVI (वनस्पती), NDWI (पाणी) सारखे निर्देशांक वर्ग वेगळे करतात; क्लासिफायरसाठी इनपुट बनते.
4. प्रशिक्षण नमुने गोळा करा (पर्यवेक्षणासाठी). प्रत्येक वर्गासाठी भूप्रदेश पडताळणीद्वारे पुष्टी केलेले नमुना बहुभुज. नमुना गुणवत्ता अचूकता निर्धारित करते.
5. वर्गीकरण आणि पडताळणी करा. मॉडेलला प्रशिक्षित करा, नंतर स्वतंत्र (अप्रशिक्षित) नमुन्यांसह त्रुटी मॅट्रिक्स तयार करा आणि एकूण अचूकता आणि कप्पाची गणना करा.

ग्राउंड ट्रूथ आणि एरर मॅट्रिक्स

वर्गीकरणाची अचूकता डोळ्यांच्या निर्णयाने मोजली जात नाही. ग्राउंड ट्रुथ हे फील्डमधील किंवा विश्वसनीय उच्च-रिझोल्यूशन स्त्रोतामध्ये ज्ञात सत्य वर्गाचे स्वतंत्र नमुने आहेत. या उदाहरणांसह, एक गोंधळ मॅट्रिक्स स्थापित केला जातो: प्रत्येक वर्ग किती वेळा बरोबर आहे आणि कोणत्या वर्गात किती वेळा गोंधळलेला आहे हे मोजले जाते. यावरून, एकूण अचूकता (योग्य प्रमाणात वर्गीकृत केलेले प्रमाण) आणि कप्पा (संधीच्या प्रभावासाठी योग्य ठरणारे कराराचे माप) मोजले जातात. याव्यतिरिक्त, उत्पादक अचूकता (त्या वर्गात किती पकडले गेले) आणि वापरकर्त्याची अचूकता (तो वर्ग किती विश्वासार्ह आहे) वर्गाच्या आधारावर अहवाल दिला जातो.

खबरदारी: तुम्ही प्रशिक्षणासाठी वापरत असलेल्या उदाहरणांसह अचूकता मोजू नका. तीच उदाहरणे प्रशिक्षित आणि चाचणी केल्यास, अचूकता कृत्रिमरित्या उच्च होते; हा एक भ्रम आहे. प्रमाणीकरण नमुने स्वतंत्र असणे आवश्यक आहे.

तीन मिनी प्रकरणे: संख्यांनुसार

केस 1 - ढग सावलीला पाणी समजले. एका वर्गीकरणात, जेव्हा मॉडेलने ढगांच्या सावल्यांना "पाणी" असे लेबल केले, तेव्हा सरोवराचे क्षेत्र जेथे प्रत्यक्षात नव्हते तेथे वाढले; पाणी वर्गाची वापरकर्ता अचूकता 70% पर्यंत घसरली. जेव्हा NDWI निर्देशांक आणि क्लाउड मास्क जोडले गेले, तेव्हा सावली/पाणी हस्तक्षेप कमी झाला आणि पाण्याची अचूकता 90% पेक्षा जास्त वाढली.

केस 2 - ग्राउंड ट्रुथ द्वारे पुनर्प्राप्त अहवाल. कृषी इन्व्हेंटरी अभ्यासात प्रारंभिक वर्गीकरणाची एकूण अचूकता 82% नोंदवली गेली, परंतु हे प्रशिक्षण नमुन्यांद्वारे मोजले गेले. जेव्हा 120 स्वतंत्र ग्राउंड ट्रूथ पॉइंट्ससह पुन्हा मोजले गेले, तेव्हा वास्तविक एकूण अचूकता 71% होती; शेती आणि मोकळी जमीन गंभीरपणे हस्तक्षेप करत होती. अतिरिक्त प्रशिक्षण उदाहरणांसह, वर्गीकरण सुधारले गेले आणि अचूकता 84% पर्यंत वाढली. धडा: अचूकता स्वतंत्र नमुन्याद्वारे मोजली जाते.

केस 3 - हंगामी सापळा. जेव्हा दोन वेगवेगळ्या तारखांना (वसंत ऋतू आणि उन्हाळ्याच्या शेवटी) घेतलेल्या प्रतिमा एकत्र मिसळल्या गेल्या तेव्हा कापणी केलेली फील्ड "बेअर ग्राउंड" वर्गात हलवली गेली आणि कृषी क्षेत्र 15% गहाळ असल्याचे दिसून आले. जेव्हा त्याच हंगामातील प्रतिमा निवडल्या गेल्या आणि फिनोलॉजिकल सुसंगतता प्राप्त झाली तेव्हा परिणाम सुधारले.

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमकुवत प्रॉम्प्ट:

या उपग्रह प्रतिमेचे वर्गीकरण करा.

शक्तिशाली सूचना:

कार्य: जमीन कव्हर वर्गीकरण वर्कफ्लो तयार करा (Python/rasterio + scikit-learn code skeleton सह). संदर्भ:- सेन्सर: 4 बँड (निळा, हिरवा, लाल, NIR), 10 मीटर रिझोल्यूशन- वर्ग: पाणी, जंगल, शेती, बांधकाम, bare_ground- कोणते उद्देश: वर्तमान जमीन कव्हर नकाशा + 1) (NDVI, NDWI) जोडण्यासाठी आणि का लिहावे. 2) पर्यवेक्षित वर्गीकरण चरणांची यादी करा; प्रशिक्षण आणि प्रमाणीकरणाचे नमुने वेगळे असावेत यावर जोर द्या. ३) कोड स्केलेटनमध्ये त्रुटी मॅट्रिक्स + एकूण अचूकता + कप्पा गणना ठेवा. ४) ढग/सावली आणि हंगामातील गोंधळाचे धोके लक्षात घ्या.

मजबूत प्रॉम्प्ट क्लास सेट, रिझोल्यूशन, इंडेक्स तर्क आणि प्रमाणीकरण भेद निर्दिष्ट करते; आउटपुट मोजण्यायोग्य बनते.

चार कॉपी करण्यायोग्य टेम्पलेट्स

१) पद्धत/निर्देशांक निवड:

उद्दिष्ट [लक्ष्य] आणि सेन्सर [बँड/रिझोल्यूशन] साठी तुम्ही कोणत्या वर्णक्रमीय निर्देशांक आणि वर्गीकरण पद्धतीची शिफारस कराल? प्रत्येक निवडीसाठी, तर्क आणि गोंधळाचा संभाव्य धोका (कोणते वर्ग एकमेकांसारखे आहेत) लिहा.

2) वर्गीकरण कोड सांगाडा:

रास्टेरियो + स्किट-लर्नसह पर्यवेक्षी वर्गीकरण फ्रेमवर्क लिहा: टेप वाचन, निर्देशांक गणना, प्रशिक्षण/प्रमाणीकरण नमुने वेगळे करणे, वर्गीकरण, त्रुटी मॅट्रिक्स आणि अचूकता आउटपुट. सीआरएस राखणे; स्पष्ट करा

3) अचूकता मूल्यमापन सेटअप:

वर्गीकरण अचूकतेचे मूल्यांकन करण्यासाठी योजना लिहा: स्वतंत्र ग्राउंडट्रुथ नमुना डिझाइन, त्रुटी मॅट्रिक्स, एकूण अचूकता, कप्पा, वर्गानुसार उत्पादक/वापरकर्ता अचूकता. प्रत्येक मेट्रिक काय म्हणतो ते स्पष्ट करा.

4) हस्तक्षेप निदान:

खालील त्रुटी मॅट्रिक्सचा अर्थ लावा: कोणते वर्ग एकमेकांमध्ये हस्तक्षेप करत आहेत, संभाव्य वर्णक्रमीय/हंगामी कारण काय आहे, कोणता अतिरिक्त डेटा (इंडेक्स, मास्क, तारीख) गोंधळ कमी करेल? मॅट्रिक्स: [त्रुटी मॅट्रिक्स]

वर्गीकरण संकल्पनांची तुलना

संकल्पना

अर्थ

जेव्हा

पर्यवेक्षण केले

लेबल केलेल्या उदाहरणासह प्रशिक्षण

वर्ग पूर्वनिश्चित आहेत

पर्यवेक्षण न केलेले

लेबल-मुक्त क्लस्टरिंग

शोध, उदाहरणे नाहीत

NDVI

वनस्पती जीवनशक्ती निर्देशांक

वनस्पती/बेअर/पाणी वेगळे करणे

NDWI

पाणी निर्देशांक

पाण्याचे शरीर वेगळे करणे

त्रुटी मॅट्रिक्स

खरी/खोटी संख्या

अचूकता मोजमाप

कप्पा

संधी-दुरुस्त फिट

मानक अचूकता अहवाल

सामान्य चुका

• प्रशिक्षण उदाहरणांसह अचूकता मोजणे. गैर-स्वतंत्र चाचणी कृत्रिमरित्या उच्च अचूकता देते.
• कधीही अचूकता न मोजता नकाशा हस्तांतरित करणे. "छान दिसते" हा अचूकतेचा पुरावा नाही.
• क्लाउड/शॅडो मास्क वगळणे. सावली पाण्यात मिसळते, ढग बर्फ/संरचनेत मिसळतात.
• भिन्न हंगाम/तारीख प्रतिमा मिक्स करणे. Phenological फरक वर्ग शिफ्ट.
• बर्याच आणि समान वर्गांची व्याख्या करणे. वेगळे न करता येणारे वर्ग अचूकता कमी करतात.
• ठराव दुर्लक्षित करणे. लहान वस्तू एका पिक्सेलपेक्षा लहान असल्यास त्यांचे वर्गीकरण करता येत नाही.

सारांशात

रिमोट सेन्सिंगमध्ये, एआय मल्टीस्पेक्ट्रल डेटापासून लँड कव्हर मॅपिंगपर्यंत वर्कफ्लोला गती देते आणि बरेचसे वर्गीकरण घेऊ शकते. परंतु वर्गीकरण नकाशा केवळ तेव्हाच उपयुक्त आहे जेव्हा त्याची अचूकता मोजली जाते: स्वतंत्र ग्राउंड ट्रूथ नमुन्यांसह त्रुटी मॅट्रिक्स तयार करणे आणि एकूण अचूकता आणि कप्पाची गणना करणे हे मानक आहे. ढग/सावली, हंगामी भिन्नता आणि तत्सम वर्ग हे हस्तक्षेपाचे विशिष्ट स्रोत आहेत; अनुक्रमणिका, मुखवटा आणि तारखेच्या सुसंगततेसह त्यांचे व्यवस्थापन करा. प्रशिक्षण आणि प्रमाणीकरण नमुने कधीही मिसळू नका.

अर्ज कार्य

जमीन कव्हर प्रश्न निवडा (उदा. "शहरी हिरव्या जागेचा नकाशा"). वर्ग संच, तुम्ही वापरत असलेले बँड आणि निर्देशांक (किमान NDVI) लिहा. AI ने पर्यवेक्षित वर्गीकरण कार्यप्रवाह तयार करा; प्रशिक्षण आणि प्रमाणीकरण नमुने वेगळे आहेत याची खात्री करा आणि त्रुटी मॅट्रिक्स + कप्पा गणना आउटपुटमध्ये समाविष्ट केली आहे. नंतर "गोंधळाचा धोका" यादी बनवा: कोणते दोन वर्ग समान आहेत आणि तुम्ही त्यांना वेगळे कसे सांगता.

चेकलिस्ट

• [ ] मी वर्ग सेट लहान आणि वेगळे ठेवला.
• [ ] मी हेतूसाठी योग्य वर्णक्रमीय निर्देशांक (NDVI/NDWI) जोडले आहेत.
• [ ] मी प्रशिक्षण आणि प्रमाणीकरण उदाहरणे वेगळे केली.
• [] मी क्लाउड/शॅडो मास्क आणि सीझनची सुसंगतता तपासली.
• मी स्वतंत्र ग्राउंड सत्यासह अचूकता मोजली.
• [ ] मी त्रुटी मॅट्रिक्स, एकूण अचूकता आणि Kappa नोंदवले.
• मी क्लास मिक्स-अपचे निदान केले आणि बरे केले.
• [ ] नकाशा त्याच्या इच्छित वापरासाठी अचूक आहे हे मी अभियंता मान्यतेच्या अधीन केले आहे.