Keuntungan:
- Keupayaan untuk menerangkan cara data satelit berbilang spektrum, gabungan jalur dan indeks spektrum (NDVI dll.) digunakan dengan AI
- Keupayaan untuk mengkonfigurasi aliran kerja pemetaan klasifikasi/tanpa seliaan dan penutup tanah dengan sokongan AI
- Keupayaan untuk menguji output klasifikasi dengan kriteria kebenaran dan matriks ralat/ketepatan asas
Penderiaan jauh ialah sains mengukur permukaan bumi tanpa sentuhan fizikal, dengan penderia pada satelit atau platform udara. Imej satelit sebenarnya bukan gambar, tetapi koleksi lapisan ukuran yang direkodkan pada pelbagai panjang gelombang, dan dengan menggabungkan lapisan ini secara bijak, tutupan tanah (hutan, air, pertanian, pembinaan) boleh dipetakan. Dalam unit ini, kami merangkumi cara kecerdasan buatan mempercepatkan aliran kerja ini, daripada data berbilang spektrum kepada klasifikasi penutup tanah, dan di mana pertimbangan pakar amat diperlukan. Prinsip: AI menjana atau mengekod klasifikasi; Ketepatan peta diukur dalam jurutera dengan kebenaran tanah bebas dan matriks ralat.
Terma asas. Imej berbilang spektrum ialah satu yang direkodkan dalam beberapa jalur panjang gelombang (biru, hijau, merah, inframerah dekat, dll.); setiap band adalah satu lapisan. Hiperspektral jauh lebih kaya tetapi sukar untuk memproses data, mengandungi puluhan hingga ratusan jalur sempit. Indeks spektrum ialah nombor yang menonjolkan fenomena melalui gabungan matematik jalur; yang paling terkenal, NDVI (Normalized Difference Vegetation Index), mengukur kekuatan tumbuh-tumbuhan hijau menggunakan perbezaan antara inframerah dekat dan jalur merah. Pengelasan diselia melibatkan latihan model dengan kawasan sampel pra-label dan mengklasifikasikan keseluruhan imej. Pengelasan tanpa pengawasan ialah mengelompokkan data berdasarkan persamaan tanpa label dan mentafsirkannya kemudian.
Peranan AI dalam Penderiaan Jauh
Kecerdasan buatan menyumbang dalam bidang ini pada tiga peringkat:
- Aliran kerja dan pemilihan kaedah. "Jalur mana, indeks mana, pengelas mana yang sesuai untuk soalan ini?" membimbing anda dalam keputusan anda; menghasilkan rangka kod.
- Klasifikasi itu sendiri. Model pembelajaran mendalam moden menyusun berjuta-juta piksel ke dalam kelas penutup tanah; Ini adalah kawasan sumbangan sederhana tinggi di mana AI melakukan kerja sebenar.
- Tafsiran dan pelaporan keputusan. Ia mentranskripsikan statistik kelas, analisis perubahan dan laporan ketepatan ke dalam teks yang boleh dibaca.
Titik buta: model bergantung pada data yang dilatih dan contoh yang anda berikan. Bayang awan dan air, tanah kosong dan padang selepas tuai, air cetek dan tanah basah bercampur dengan mudah. Jadi peta klasifikasi tidak benar hanya kerana ia kelihatan bagus; ketepatan mesti diukur.
Petua: Jelaskan soalan anda sebelum anda mula mengklasifikasikan. "Klasifikasikan litupan tanah" adalah kabur; "Peta kehilangan tanah pertanian yang memihak kepada pembinaan antara 2020-2025" menentukan kedua-dua set kelas dan kriteria pengesahan.
Langkah demi Langkah: Klasifikasi Tutupan Tanah
- Sediakan data dan pita. Sahkan penutup awan imej, tarikh penangkapan, resolusi (saiz piksel) dan susunan jalur. Kelas perubahan tarikh/musim yang berbeza.
- Tentukan set kelas. Berapa banyak kelas, yang mana (air, hutan, pertanian, pembinaan, tanah kosong)? Kelas yang lebih sedikit dan lebih boleh dibezakan adalah lebih dipercayai.
- Kira indeks. Indeks seperti NDVI (tumbuhan), NDWI (air) membezakan kelas; menjadi input kepada pengelas.
- Kumpul sampel latihan (untuk diselia). Poligon sampel disahkan oleh pengesahan rupa bumi untuk setiap kelas. Kualiti sampel menentukan ketepatan.
- Kelaskan dan sahkan. Latih model, kemudian bina matriks ralat dengan sampel bebas (tidak terlatih) dan kira ketepatan keseluruhan dan Kappa.
Matriks Kebenaran dan Ralat Dasar
Ketepatan klasifikasi tidak diukur dengan penilaian mata. Kebenaran asas ialah sampel bebas dari kelas benar yang diketahui dalam lapangan atau dalam sumber resolusi tinggi yang boleh dipercayai. Dengan contoh ini, matriks kekeliruan diwujudkan: ia dikira berapa kali setiap kelas adalah betul dan berapa kali ia dikelirukan dengan kelas mana. Daripada ini, ketepatan keseluruhan (perkadaran yang dikelaskan dengan betul) dan Kappa (ukuran persetujuan yang membetulkan kesan peluang) dikira. Selain itu, ketepatan pengeluar (berapa banyak yang ditangkap dalam kelas itu) dan ketepatan pengguna (sejauh mana boleh dipercayai kelas itu) dilaporkan berdasarkan kelas.
Awas: Jangan ukur ketepatan dengan contoh yang anda gunakan untuk latihan. Jika contoh yang sama melatih dan menguji, ketepatan menjadi tinggi secara buatan; Ini adalah ilusi. Sampel pengesahan mestilah bebas.
Tiga Kes Mini: Mengikut Nombor
Kes 1 — Bayang awan disalah anggap sebagai air. Dalam satu klasifikasi, apabila model melabelkan bayang-bayang awan sebagai "air", kawasan tasik berkembang di tempat yang sebenarnya tidak; ketepatan pengguna kelas air menurun kepada 70%. Apabila indeks NDWI dan topeng awan ditambah, gangguan bayang/air berkurangan dan ketepatan air meningkat kepada lebih 90%.
Kes 2 — Laporan dipulihkan oleh kebenaran asas. Kajian inventori pertanian melaporkan 82% ketepatan keseluruhan klasifikasi awal, tetapi ini diukur dengan sampel latihan. Apabila diukur semula dengan 120 mata kebenaran tanah bebas, ketepatan keseluruhan sebenar ialah 71%; Pertanian dan tanah kosong telah mengganggu dengan serius. Dengan contoh latihan tambahan, klasifikasi telah dipertingkatkan dan ketepatan meningkat kepada 84%. Pelajaran: ketepatan diukur dengan sampel bebas.
Kes 3 — Perangkap bermusim. Apabila imej yang diambil pada dua tarikh berbeza (musim bunga dan lewat musim panas) dicampurkan, ladang yang dituai beralih ke kelas "tanah kosong" dan kawasan pertanian kelihatan 15% hilang. Keputusan bertambah baik apabila imej dipilih dari musim yang sama dan ketekalan fenologi telah dicapai.
Gesaan Lemah / Gesaan Kuat
Gesaan yang lemah:
Kelaskan imej satelit ini.
Gesaan kuat:
Tugasan: membina aliran kerja klasifikasi tutupan tanah (termasuk rangka kod Python/rasterio + scikit-learn).Konteks:- Penderia: 4 jalur (biru, hijau, merah, NIR), resolusi 10 m- Kelas: air, hutan, pertanian, pembinaan, tanah kosong- Tujuan: peta litupan tanah semasa + laporan ketepatanIndeks spektrum yang manakah, WINDVIND: 1) Menambahkan indeks spektrum yang mana:VIND1) tulis.2) Senaraikan langkah pengelasan yang diselia; Tegaskan bahawa sampel latihan dan PENGESAHAN hendaklah DIASINGKAN.3) Letakkan matriks ralat + ketepatan keseluruhan + pengiraan Kappa dalam rangka kod.4) Perhatikan risiko kekeliruan awan/bayangan dan musim.
Gesaan kuat menentukan set kelas, resolusi, rasional indeks dan perbezaan pengesahan; output menjadi boleh diukur.
Empat Templat Boleh Disalin
1) Pemilihan kaedah/indeks:
Apakah indeks spektrum dan kaedah klasifikasi yang anda cadangkan untuk objektif [sasaran] dan sensor [jalur/resolusi]? Bagi setiap pilihan, tulis rasional dan potensi risiko kekeliruan (kelas mana yang serupa antara satu sama lain).
2) Rangka kod klasifikasi:
Tulis rangka kerja pengelasan yang diselia dengan Rasterio + scikit-learn: bacaan pita, pengiraan indeks, PENGISIAN sampel latihan/pengesahan, pengelasan, matriks ralat dan output ketepatan. Mengekalkan CRS; terangkan.
3) Persediaan penilaian ketepatan:
Tulis rancangan untuk menilai ketepatan pengelasan: reka bentuk sampel groundtruth bebas, matriks ralat, ketepatan keseluruhan, Kappa, ketepatan pengeluar/pengguna mengikut kelas. Terangkan perkara yang dinyatakan oleh setiap metrik.
4) Diagnosis gangguan:
Tafsirkan matriks ralat di bawah: kelas manakah yang mengganggu antara satu sama lain, apakah kemungkinan sebab spektrum/musim, apakah data tambahan (indeks, topeng, tarikh) yang akan mengurangkan kekeliruan? Matriks: [matriks ralat]
Perbandingan Konsep Pengelasan
konsep
Maknanya
bila
diselia
Latihan dengan contoh berlabel
Kelas telah ditetapkan
Tanpa pengawasan
Pengelompokan tanpa label
Penemuan, tiada contoh
NDVI
indeks kecergasan tumbuhan
Pemisahan tumbuhan / kosong / air
NDWI
indeks air
pemisahan badan air
Matriks ralat
Kiraan betul/salah
pengukuran ketepatan
kappa
Kesesuaian yang diperbetulkan peluang
Laporan ketepatan standard
Kesilapan biasa
- Mengukur ketepatan dengan contoh latihan. Ujian bukan bebas memberikan ketepatan tinggi secara buatan.
- Menyerahkan peta tanpa pernah mengukur ketepatan. "Nampak bagus" bukan bukti ketepatan.
- Melangkau topeng awan/bayangan. Bayangan bercampur dengan air, awan bercampur dengan salji/struktur.
- Mencampurkan imej musim/tarikh yang berbeza. Perbezaan fenologi beralih kelas.
- Mentakrifkan terlalu banyak dan kelas yang serupa. Kelas yang tidak dapat dibezakan mengurangkan ketepatan.
- Mengabaikan resolusi. Objek kecil tidak boleh dikelaskan jika ia lebih kecil daripada satu piksel.
Secara ringkasnya
Dalam penderiaan jauh, AI mempercepatkan aliran kerja daripada data berbilang spektrum kepada pemetaan penutup tanah dan boleh mengambil alih kebanyakan klasifikasi. Tetapi peta pengelasan hanya berguna jika ketepatannya diukur: adalah standard untuk membina matriks ralat dengan sampel kebenaran tanah bebas dan mengira ketepatan keseluruhan dan Kappa. Awan/bayang-bayang, variasi bermusim dan kelas serupa ialah sumber gangguan biasa; Uruskannya dengan konsistensi indeks, topeng dan tarikh. Jangan sekali-kali mencampurkan sampel latihan dan pengesahan.
Tugasan permohonan
Pilih soalan penutup tanah (cth. "peta ruang hijau bandar"). Tuliskan set kelas, jalur dan indeks yang akan anda gunakan (sekurang-kurangnya NDVI). Minta AI menghasilkan aliran kerja klasifikasi yang diselia; pastikan sampel latihan dan pengesahan adalah berasingan dan pengiraan matriks ralat + Kappa dimasukkan ke dalam output. Kemudian buat senarai "risiko kekeliruan": dua kelas manakah yang serupa dan cara anda membezakannya.
senarai semak
- [ ] Saya memastikan set kelas kecil dan boleh dibezakan.
- [ ] Saya menambah indeks spektrum (NDVI/NDWI) yang sesuai untuk tujuan tersebut.
- [ ] Saya memisahkan contoh latihan dan pengesahan.
- [ ] Saya menyemak topeng awan/bayangan dan konsistensi musim.
- [ ] Saya mengukur ketepatan dengan kebenaran asas bebas.
- [ ] Saya melaporkan matriks ralat, ketepatan keseluruhan dan Kappa.
- [ ] Saya mendiagnosis dan menyembuhkan percampuran kelas.
- [ ] Saya telah menyerahkannya kepada kelulusan jurutera bahawa peta itu tepat untuk kegunaannya.