Keuntungan:
- Keupayaan untuk memilih data satelit (kawasan luas) dan sensor (tempatan) mengikut soalan dan menganalisis indeks seperti NDVI dengan menggunakan topeng awan
- Keupayaan untuk membezakan drift dan kerosakan daripada isyarat sebenar dengan menghantar data sensor IoT melalui penentukuran dan kawalan kualiti
- Keupayaan untuk mendasarkan penemuan pemantauan pada arah aliran dan bukannya satu tarikh dan mewujudkan pelan pengesahan dengan kebenaran asas atau data bebas
Untuk menguruskan alam sekitar, perlu melihatnya terlebih dahulu. Adalah perlu untuk mengetahui betapa kecilnya hutan, betapa tercemarnya sungai, atau berapa banyak metana kebocoran kemudahan, bukan dengan meneka, tetapi dengan data. Pemantauan alam sekitar ialah pengukuran keadaan persekitaran yang kerap dan berulang. Dalam unit ini, anda akan mempelajari tentang dua sumber data besar — satelit yang melihat dari angkasa dan penderia di lapangan — dan peranan AI dalam memahami data besar ini.
Konsep dahulu. Penderiaan jauh ialah mengumpul maklumat dengan mengukur cahaya yang dipantulkan dari jarak jauh (dari satelit atau pesawat) tanpa menyentuh objek. Penderia IoT (Internet of Things) ialah peranti kecil yang diletakkan di lapangan dan secara automatik menghantar nilai yang diukur (suhu, kualiti udara, paras air) melalui internet. Bersama-sama, mereka memberikan gambaran persekitaran yang luas (satelit) dan tempatan (sensor).
Bagaimana untuk membaca data satelit?
Satelit bukan sahaja mengambil gambar; mengukur panjang gelombang ("jalur") cahaya yang berbeza. Gabungan matematik jalur ini menunjukkan apa yang tidak dapat dilihat dengan mata kasar. Contoh yang paling terkenal ialah NDVI (Indeks Tumbuhan Perbezaan Normal): ia mengukur ketumpatan tumbuh-tumbuhan dengan nombor antara 0 dan 1, berdasarkan prinsip bahawa tumbuhan yang sihat memantulkan cahaya inframerah dengan sangat banyak. Penurunan NDVI boleh bermakna penebangan hutan, kemarau atau kerosakan.
Sumber satelit percuma dan terbuka yang paling biasa ialah Sentinel (program Copernicus Eropah) dan satelit Landsat (USA). Ini diakses melalui platform seperti Enjin Google Earth atau dalam Python (dengan perpustakaan seperti rasterio, xarray).
Petua: Musuh terbesar data satelit ialah awan. Adakah kejatuhan NDVI merupakan kehilangan hutan yang sebenar, atau adakah terdapat awan di atasnya pada hari itu? Sentiasa gunakan topeng awan dan bandingkan berbilang tarikh sebelum menganalisis.
Data dan penentukuran penderia IoT
Penderia adalah murah dan biasa, tetapi tidak sempurna. Penderia kualiti udara kos rendah akan hanyut dari semasa ke semasa, terjejas oleh kelembapan, atau gagal. Oleh itu, data sensor dalam bentuk mentahnya tidak boleh dipercayai; penentukuran (pembetulan dengan membandingkan dengan peranti rujukan yang diketahui) dan kawalan kualiti adalah penting.
Di sini AI; Ia sangat berkuasa dalam menulis kod untuk memproses imej besar dan data siri masa, mengimbas anomali (penyimpangan yang tidak dijangka), mewujudkan model klasifikasi dan meringkaskan penemuan. Tetapi realiti fizikal pengukuran datang kepada keputusan penentukuran dan soalan "adakah isyarat ini sebenar atau adakah bunyi?" Tafsiran adalah milik pakar.
Langkah demi langkah: analisis penjejakan
1. Tentukan soalan. "Bagaimanakah perubahan tumbuh-tumbuhan di kawasan seluas 10,000 hektar ini antara 2020 dan 2024?" Soalan yang jelas, spatial dan temporal seperti:
2. Pilih sumber data. Satelit (kawasan luas) atau penderia (tempatan, berterusan)? Adakah resolusi dan kekerapan sesuai dengan soalan?
3. Pra-proses. Topeng awan, kalibrasi, bendera tiada data. Jika langkah ini dilangkau, hasilnya mengelirukan.
4. Kira indeks/metrik. NDVI, purata suhu, kepekatan pencemar.
5. Cari perubahan dan anomali. Analisis trend, lintasan ambang, lompatan mengejut.
6. Sahkan dengan medan. Jika boleh, sahkan dengan kebenaran asas; Sediakan isyarat satelit dengan lawatan lapangan atau data bebas.
tiga kes mini
Kes 1 — Jatuh untuk awan. Sebuah NGO alam sekitar akan membunyikan penggera tentang "penyahhutanan secara tiba-tiba" apabila ia melihat bahawa NDVI di satu wilayah telah jatuh sebanyak 40% dalam satu bulan. Apabila penganalisis menggunakan topeng awan dan melihat tarikh jiran, dia melihat bahawa kebanyakan imej pada hari itu adalah mendung, dan dalam imej tanpa awan seterusnya, NDVI kembali normal. Penggera palsu dihalang. Masa hilang: 20 minit, reputasi yang diperoleh: tidak ternilai.
Kes 2 — Penderia tidak ditentukur. Sebuah majlis perbandaran sedang menyediakan laporan "udara terlalu tercemar" dengan data daripada penderia PM2.5 kos rendah (zarah lebih kecil daripada 2.5 mikron — habuk boleh sedut halus). Apabila pakar membandingkan penderia dengan stesen rujukan, dia mendapati bahawa mereka melebihkan nilai sehingga dua kali ganda pada kelembapan yang tinggi. Apabila pembetulan kelembapan (penentukuran) digunakan, nilai sebenar muncul; Panik dielakkan.
Kes 3 — Automasi kod. Satu pasukan penyelidik merancang untuk menghabiskan beberapa minggu bekerja secara manual untuk mengekstrak arah aliran NDVI daripada 200 imej satelit. Mereka meminta AI menulis aliran kerja automatik dengan Google Earth Engine dan kod Python (topeng awan + purata NDVI bulanan + graf arah aliran). Analisis mengambil masa beberapa minit untuk 200 imej; Pasukan menumpukan masa untuk mentafsir keputusan. Mereka menyemak setiap langkah kod itu.
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Cari penebangan hutan daripada data satelit.
Sebab ia lemah: Tiada domain, julat tarikh, sumber data, resolusi dan pemprosesan awan. AI menyediakan teks umum, bukan analisis boleh laku.
Gesaan kuat:
Peranan anda: penganalisis penderiaan jauh. Tulis kod Python (Earth Engine) yang mengira aliran NDVI bulanan 2020-2024 untuk [sempadan AREA] dengan data Sentinel-2. Langkah: (1) gunakan topeng awan, (2) purata NDVI bulanan, (3) carta aliran lukis, (4) tandakan bulan dengan penurunan lebih daripada 20%. Biarkan kod itu boleh dilaksanakan; Komen setiap langkah. Juga perhatikan had data (resolusi, awan).
Empat templat yang boleh disalin
1) Analisis indeks satelit (dengan kod):
Peranan anda: penganalisis penderiaan jauh. Tulis kod Python boleh laku yang mengira [NDVI/NDWI/indeks lain] sepanjang [julat TARIKH] untuk [AREA] dengan data [Sentinel-2/Landsat]. Pastikan anda menambah topeng awan. Tandakan trend dan anomali. Nyatakan resolusi dan had awan data dalam ulasan.
2) Kawalan kualiti siri masa sensor:
Cari isu kualiti dalam siri masa penderia berikut dengan Python: data hilang, nilai tersekat, lompatan mengejut, hanyut, melampau. Tandai setiap isu dengan cap masa. Jangan ubah data, laporkan sahaja. Tambah cadangan penentukuran mudah jika boleh. Data: [di sini]
3) Skim pengesahan kebenaran asas:
Cadangkan rancangan bagaimana saya boleh mengesahkan penemuan berasaskan satelit berikut (cth. penurunan NDVI) dalam medan: titik mana, ukuran mana, sumber data bebas mana. Kira juga situasi di mana penemuan mungkin palsu (awan, musim, bayang-bayang). Penemuan: [di sini]
4) Ringkasan anomali:
Ringkaskan anomali yang ditemui daripada data pemantauan di bawah dalam bahasa mudah untuk pengurus alam sekitar. Untuk setiap anomali: di mana, bila, berapa banyak sisihan, kemungkinan sebab dan nota "perlu disahkan". Yang pasti kenapa ianya MUAT; mengemukakannya sebagai satu kemungkinan. Data: [di sini]
Kesilapan biasa
- Tidak menggunakan topeng awan. Awan ialah isyarat palsu yang paling biasa.
- Mempercayai sensor tanpa menentukurnya. Penderia kos rendah tergelincir dan dipengaruhi oleh kelembapan.
- Lihat sahaja sejarah. Berbilang tarikh dan arah aliran diperlukan untuk menuntut perubahan.
- Melangkaui kebenaran tanah. Isyarat satelit harus disahkan dengan medan atau data bebas jika boleh.
- Jatuh dengan tuntutan "sebab tepat" AI. Data penjejakan berkorelasi; Mengesahkan sebab adalah perkara lain.
Awas: Imej satelit dan dron resolusi tinggi mungkin mengandungi harta peribadi, orang atau kemudahan sensitif. Patuhi privasi dan sekatan undang-undang (terutamanya data peribadi dan keselamatan) apabila berkongsi data penjejakan.
Secara ringkasnya
Pemantauan alam sekitar menggabungkan data satelit (lebar) dan sensor (tempatan). AI; Ia adalah pemecut yang berkuasa untuk menulis kod yang memproses imej besar-besaran dan data siri masa, pengimbasan anomali dan ringkasan. Tetapi topeng awan, penentukuran sensor, perbandingan berbilang tarikh dan pengesahan kebenaran tanah adalah milik pakar. Percayai isyarat yang telah dibersihkan dan disahkan, bukan isyarat mentah.
Tugasan permohonan
Pilih medan dan julat tarikh (sebenar atau hipotesis). 1. Cetak kod aliran kerja analisis NDVI kepada AI dengan templat dan sahkan bahawa langkah topeng awan wujud. Kemudian, luluskan siri masa sensor yang anda miliki (atau sampel) melalui kawalan kualiti dengan templat ke-2. Akhir sekali, dengan templat 3, buat rancangan untuk cara anda mengesahkan perubahan yang anda temui dalam medan.
senarai semak
- [ ] Saya mentakrifkan analisis dengan soalan spatial dan temporal yang jelas.
- [ ] Saya menggunakan topeng awan pada data satelit.
- [ ] Saya lulus data sensor melalui penentukuran dan kawalan kualiti.
- [ ] Saya berdasarkan tuntutan perubahan pada trend, bukan pada satu tarikh.
- [ ] Saya membuat rancangan untuk mengesahkan penemuan dengan kebenaran asas atau data bebas.
- [ ] Saya telah mematuhi kerahsiaan dan sekatan undang-undang.