Keuntungan:
- Memahami logik pengesanan yang disokong AI terhadap kawasan bandar, pembinaan dan perubahan litupan tanah melalui penderiaan jauh dan imejan satelit.
- Keupayaan untuk menilai secara kritis klasifikasi imej dan menukar output pengesanan dengan ketepatan, resolusi dan maklumat tarikh
- Keupayaan untuk memahami bahawa sempadan yang dikeluarkan oleh AI daripada imej mesti disahkan oleh medan dan rekod rasmi dan tidak boleh menjadi bukti undang-undang.
Tidak mustahil untuk pergi ke lapangan satu demi satu untuk melihat di mana, berapa banyak dan berapa cepat sebuah bandar telah berkembang dalam dekad yang lalu. Sebaliknya, perancang menggunakan penderiaan jauh (menggambar Bumi menggunakan satelit dan pesawat dan mengekstrak data). Dengan membandingkan imej satelit dari tarikh yang berbeza, anda boleh mengesan pembinaan baharu, kehilangan tanah pertanian, mengembangkan pembinaan haram atau ruang hijau yang semakin mengecil. AI ialah pemecut yang berkuasa dalam mengklasifikasikan imej ini (melabelkan setiap piksel sebagai "struktur," "tumbuhan," "air," dll.) dan mengesan perubahan antara dua tarikh. Tetapi analisis imej penuh dengan resolusi, tarikh, bayang-bayang, awan dan ralat klasifikasi. "Perubahan" yang bendera AI boleh menjadi bayang-bayang, perbezaan bermusim, atau ralat. Oleh itu, tiada kesimpulan yang dibuat daripada imej boleh digunakan sebagai asas untuk tindakan undang-undang tanpa disahkan oleh rekod lapangan dan rasmi.
Konsep asas penderiaan jauh
Resolusi: Kawasan yang diduduki oleh piksel di atas tanah. Pada resolusi 10 meter, satu piksel mewakili 10x10 meter; Bangunan luar kecil tidak kelihatan. Peleraian tinggi (cth. 0.3-1 meter) bermakna lebih terperinci tetapi lebih mahal dan data yang kurang kerap.
Jalur spektrum: Satelit juga merekodkan cahaya yang tidak dapat dilihat oleh mata (seperti inframerah). Tumbuhan bercahaya dalam inframerah; ini memudahkan untuk memisahkan tumbuhan daripada struktur. Indeks seperti NDVI (kalkulator mudah yang mengukur kekuatan tumbuhan) adalah perkara biasa dalam penjejakan medan hijau.
Tarikh dan musim: Jika dua imej berada dalam musim yang berbeza, pengurangan warna hijau mungkin bukan "kerugian" tetapi ketibaan musim sejuk. Keharmonian tarikh dan musim adalah penting dalam perbandingan.
Ketepatan: Nilai yang mengukur seberapa tepat pengelasan itu. “Ketepatan 85 peratus” bermakna satu daripada setiap enam piksel mungkin disalahlabelkan; Ini adalah margin kesilapan yang ketara untuk proses audit.
Perhatian: Struktur yang dikesan oleh AI daripada imej satelit bukanlah, dengan sendirinya, bukti struktur haram. Bayangan, resolusi, tarikh dan ralat klasifikasi menghasilkan positif palsu. Pemeriksaan dan penguatkuasaan sentiasa memerlukan kawalan tapak, surat hak milik/pendaftaran lesen dan ukuran rasmi.
Nilai terbesar yang dibawa oleh data satelit bebas dan terbuka (sumber seperti Sentinel Eropah dan program Landsat AS) kepada perancangan ialah siri masa sejarah: anda mempunyai akses kepada berpuluh-puluh imej bagi kawasan yang sama dalam tempoh beberapa tahun. Ini membolehkan anda melangkaui satu perbandingan "sebelum/selepas" dan melihat kadar sprawl kejiranan, turun naik bermusim dan arah aliran. AI membantu dalam meringkaskan siri panjang ini dan memisahkan corak perubahan yang bermakna daripada hingar. Tetapi peraturan yang sama terpakai dalam siri masa: tidak kira betapa jelas aliran itu muncul, peleraian imej, kadar awan dan kemusim yang menentukan hasilnya; Tiada trend boleh dianggap boleh dipercayai tanpa melaporkan tiga faktor ini.
Logik pengesanan perubahan
Terdapat beberapa cara untuk membandingkan dua imej bertarikh: mengelaskan kedua-dua tarikh dan membandingkan kelas, mendapatkan perbezaan indeks (cth. perbezaan NDVI), atau terus menghasilkan peta "berubah/tidak berubah" dengan model AI. Hasilnya ialah peta perubahan: di mana struktur baru, di mana tumbuhan hilang. Peta ini tidak ternilai sebagai saringan awal — ia memberitahu perancang untuk "melihat ke sana." Tetapi setiap tanda disahkan secara berasingan sama ada ia adalah perubahan sebenar atau ralat.
Langkah demi langkah: Analisis perubahan dikuasakan AI
- Tentukan soalan. “Di manakah pembinaan baharu di [kawasan] antara 2018 dan 2024?”
- Pilih imej. Musim yang sama, resolusi yang boleh diterima, awan rendah.
- Prapemprosesan. Bawa ke CRS yang sama, selaraskan, gunakan topeng awan/bayangan.
- Kelaskan/bandingkan. Hasilkan kelas atau tukar peta dengan AI.
- Nilaikan ketepatan. Ukur ketepatan dengan titik rujukan yang diketahui.
- Bidang dan pengesahan pendaftaran. Semak perubahan yang ditanda dengan surat hak milik/lesen dan tapak jika perlu.
- Had laporan. Tulis dengan jelas tarikh, resolusi, ketepatan dan margin ralat.
Gesaan lemah / Gesaan kuat
Gesaan lemah: "Beritahu saya perkara yang berubah daripada kedua-dua imej ini."
AI menghasilkan senarai yang kelihatan cantik tetapi tidak pasti tepat; Anda mungkin fikir perbezaan dalam naungan dan musim adalah perubahan sebenar.
Gesaan kuat: "Saya sedang membandingkan data tutupan tanah terperingkat daripada dua tarikh (Julai 2018 / Julai 2024, musim yang sama, resolusi 10 m). Apabila melaporkan analisis perubahan, nyatakan dengan jelas: perubahan mana yang mungkin positif palsu disebabkan oleh lorek/musim/resolusi, penentuan yang memerlukan pengesahan medan dan cara ketepatan harus diukur. Jangan definitif; maklumkan setiap penemuan yang diperlukan."
Gesaan kedua memaksa AI untuk menyampaikan ketidakpastian dan sumber ralat dengan jelas.
Empat templat yang boleh disalin
Tugas: Nilai secara kritis output pengesanan perubahan berikut. Senaraikan sumber ERROR yang mungkin untuk setiap pengesanan: bayang-bayang, awan, musim, resolusi, ralat pengelasan. Tambah nota "Pengesahan medan diperlukan". Jangan buat pertimbangan muktamad. Penemuan / tarikh / resolusi: [...]
Tugas: Tulis senarai semak kriteria pemilihan imej untuk analisis perubahan bandar: bermusim, resolusi, kadar awan, julat tarikh, CRS. Buat soalan untuk bertanya sama ada imej yang saya ada memenuhi kriteria ini. Maklumat imej: [...]
Tugas: DRAFT laporan daripada penemuan analisis perubahan berikut. Nyatakan dengan jelas resolusi, tarikh, ketepatan dan margin ralat dalam setiap penemuan. Bingkai keputusan sebagai "pra-penyaringan"; Tegaskan bahawa pengesahan medan dan rekod rasmi diperlukan untuk pemeriksaan/sanksi.Penemuan: [...]
Tugas: Cadangkan cara mudah untuk menilai ketepatan pengelasan: berapa banyak titik rujukan, cara memilih, cara mengira ketepatan (penjelasan biasa). Kenyataan kebenaran yang manakah harus ditulis dalam laporan, contoh.Konteks: [...]
Jadual: jenis data dan penggunaan
Data
resolusi
titik kuat
had
satelit resolusi sederhana
10-30m
Kawasan bebas, kerap, luas
Rindu struktur kecil
satelit resolusi tinggi
0.3-1m
Pengesanan struktur terperinci
Mahal, jarang, risiko awan
Foto udara / ortofoto
0.1-0.3m
Sangat terperinci, formal
Kekerapan kemas kini adalah rendah
UAV (drone)
aras cm
Segera, sangat terperinci
Ruang kecil, permit/perundangan
tiga kes mini
Kes 1 — Ilusi bayang-bayang. Sebuah majlis perbandaran melihat papan tanda "pembinaan baharu" di kawasan kejiranan pada peta perubahan AI. Pasukan padang pergi; Kebanyakan tanda adalah bayang bangunan panjang dalam imej petang. Bilangan sebenar binaan baharu adalah separuh daripada tanda. AI telah membuat pra-tayangan, tetapi jika digunakan tanpa pengesahan, ia akan menghasilkan minit palsu.
Kes 2 — Melarikan diri daripada struktur kecil. Seorang perancang cuba menjejaki gudang kecil di ladang pertanian dengan satelit percuma dengan resolusi 10 meter. Oleh kerana gudang adalah 6x8 meter, ia kekal di bawah satu piksel dan tidak kelihatan. Perancang bertukar kepada ortofoto resolusi tinggi untuk penjejakan sebenar. Resolusi menentukan apa yang boleh dilihat.
Kes 3 — Laporan telus. Satu pasukan menganalisis penyebaran wilayah selama 6 tahun dan dengan jelas menulis dalam laporan bahawa "pengesanan adalah imbasan awal dengan ketepatan 82 peratus; 47 mata menunggu pengesahan medan; tarikh imej dan resolusi dilampirkan." Parlimen menilai keputusan dengan wajaran yang betul. Melaporkan ketidakpastian daripada menyembunyikannya menjadikan analisis boleh dipercayai.
Kesilapan biasa
- Tersilap pengesanan sebagai bukti. Imej telah diimbas terlebih dahulu; Ia memerlukan sekatan dan pendaftaran rasmi.
- Musim/tarikh tidak padan. Imej bermusim yang berbeza menghasilkan variasi palsu.
- Mengabaikan resolusi. Struktur kecil tidak kelihatan pada resolusi rendah; Ia bukan "tiada".
- Kegagalan melaporkan ketepatan. Menyembunyikan margin kesilapan membawa kepada keputusan yang salah.
- Melupakan bayang dan awan. Dua sumber positif palsu yang paling biasa.
- CRS tidak padan. Imej tidak sejajar bertukar di tempat yang salah.
Secara ringkasnya
Imej satelit dan udara ialah cara paling berkuasa untuk melihat perubahan bandar pada skala dan kelajuan; AI mempercepatkan pengelasan dan pengesanan perubahan. Tetapi resolusi menentukan perkara yang boleh dilihat, musim dan tarikh menentukan perkara sebenar, bayang-bayang dan awan menentukan perkara positif palsu. Ketepatan hendaklah sentiasa diukur dan dilaporkan. Paling penting: pengesanan daripada imej adalah pra-imbasan; Kawalan medan, pendaftaran hak milik/lesen dan ukuran rasmi adalah penting untuk pemeriksaan dan sanksi. AI mempercepatkan penglihatan, bukan membuat keputusan.
Tugasan permohonan
Pertimbangkan sepasang imej (atau senario) dengan dua tarikh berbeza. (1) Semak kriteria pemilihan imej dengan templat kedua: musim, resolusi, adakah awan sesuai? (2) Andaikan senarai pengesanan perubahan dan ekstrak sumber ralat yang mungkin untuk setiap pengesanan dengan templat awal. (3) Hasilkan draf laporan dengan templat ketiga dan tambahkan ketepatan dan margin ralat. (4) Tuliskan penentuan yang memerlukan pengesahan medan dan bagaimana anda akan melakukan ini.
senarai semak
- [ ] Saya menyemak musim, tarikh dan keserasian resolusi imej.
- [ ] Saya menjajarkan imej kepada CRS yang sama; Saya mengambil kira topeng awan/bayangan.
- [ ] Saya menganggap pengesanan perubahan sebagai saringan awal, bukan sebagai bukti.
- [ ] Saya menilai dan melaporkan ketepatan pengelasan.
- Saya mengesahkan perubahan yang ditandakan [ ] dengan medan dan rekod rasmi.
- [ ] Saya perhatikan had resolusi yang mungkin terlepas.
- [ ] Saya dengan jelas menulis tarikh, resolusi dan margin ralat dalam laporan.