रिमोट सेन्सिङ र स्याटेलाइट छवि वर्गीकरण

लाभ:

• बहुस्पेक्ट्रल उपग्रह डेटा, ब्यान्ड संयोजन र स्पेक्ट्रल सूचकांक (NDVI आदि) AI सँग कसरी प्रयोग गरिन्छ भनेर व्याख्या गर्ने क्षमता।
• एआई समर्थनको साथ पर्यवेक्षित/अनिरिक्षण वर्गीकरण र भूमि कभर म्यापिङ कार्यप्रवाह कन्फिगर गर्ने क्षमता
• आधारभूत सत्य र त्रुटि म्याट्रिक्स / सटीकता मापदण्डको साथ वर्गीकरण आउटपुट परीक्षण गर्ने क्षमता

रिमोट सेन्सिङ भनेको उपग्रह वा एरियल प्लेटफर्महरूमा सेन्सरहरू प्रयोग गरी भौतिक सम्पर्कविना पृथ्वीको सतह नाप्ने विज्ञान हो। एक स्याटेलाइट छवि वास्तवमा एक फोटो होइन, तर धेरै तरंगदैर्ध्यमा रेकर्ड गरिएको मापनको तहहरूको संग्रह हो, र यी तहहरूलाई बौद्धिक रूपमा संयोजन गरेर, भूमि कभर (जंगल, पानी, कृषि, निर्माण) म्याप गर्न सकिन्छ। यस एकाइमा, हामी कभर गर्छौं कि कसरी कृत्रिम बुद्धिले यस कार्यप्रवाहलाई गति दिन्छ, बहुस्पेक्ट्रल डेटा देखि भूमि कभर वर्गीकरण सम्म, र जहाँ विशेषज्ञ निर्णय अपरिहार्य छ। सिद्धान्त: AI ले वर्गीकरण उत्पन्न वा कोड गर्दछ; नक्साको शुद्धता इन्जिनियरमा स्वतन्त्र ग्राउन्ड ट्रुथ र एरर म्याट्रिक्सद्वारा मापन गरिन्छ।

आधारभूत सर्तहरू। एक बहुस्पेक्ट्रल छवि धेरै तरंगदैर्ध्य ब्यान्डहरू (नीलो, हरियो, रातो, नजिक इन्फ्रारेड, आदि) मा रेकर्ड गरिएको छ; प्रत्येक ब्यान्ड एक तह हो। हाइपरस्पेक्ट्रल धेरै धनी छ तर डाटा प्रशोधन गर्न गाह्रो छ, दशौंदेखि सयौं संकीर्ण ब्यान्डहरू समावेश गर्दछ। स्पेक्ट्रल अनुक्रमणिका संख्या हो जसले ब्यान्डहरूको गणितीय संयोजन मार्फत घटनालाई हाइलाइट गर्दछ; सबैभन्दा प्रसिद्ध, NDVI (सामान्यीकृत भिन्नता वनस्पति सूचकांक), नजिकको इन्फ्रारेड र रातो ब्यान्ड बीचको भिन्नता प्रयोग गरेर हरियो वनस्पतिको शक्ति मापन गर्दछ। पर्यवेक्षित वर्गीकरणमा पूर्व-लेबल गरिएको नमूना क्षेत्रहरू र सम्पूर्ण छविलाई वर्गीकरण गर्ने मोडेललाई प्रशिक्षण समावेश गर्दछ। सुपरिवेक्षण नगरिएको वर्गीकरण भनेको लेबल बिना समानतामा आधारित डेटा क्लस्टर गर्नु र यसलाई पछि व्याख्या गर्नु हो।

रिमोट सेन्सिङमा एआईको भूमिका

आर्टिफिसियल इन्टेलिजेन्सले यस क्षेत्रमा तीन तहमा योगदान पुर्‍याउँछ:

1. कार्यप्रवाह र विधि चयन। "कुन ब्यान्डहरू, कुन सूचकांक, कुन वर्गीकरणकर्ता यो प्रश्नको लागि उपयुक्त छन्?" तपाइँको निर्णय मा मार्गदर्शन गर्दछ; कोड कंकाल उत्पादन गर्दछ।
2. वर्गीकरण आफै हो। आधुनिक गहिरो सिकाइ मोडेलहरूले लाखौं पिक्सेलहरूलाई भूमि कभर कक्षाहरूमा क्रमबद्ध गर्दछ; यो मध्यम-उच्च योगदान क्षेत्र हो जहाँ AI ले वास्तविक काम गर्दछ।
3. परिणाम व्याख्या र रिपोर्टिङ। यसले वर्ग तथ्याङ्क, विश्लेषण र शुद्धता रिपोर्टलाई पढ्न योग्य पाठमा ट्रान्सक्राइब गर्छ।

ब्लाइन्ड स्पट: मोडेल यसलाई तालिम दिइएको डाटा र तपाईंले प्रदान गर्ने उदाहरणहरूमा निर्भर हुन्छ। बादलको छाया र पानी, खाली माटो र कटनी पछिको खेत, उथले पानी र भिजेको जमिन सजिलैसँग मिसिन्छ। त्यसैले वर्गीकरण नक्सा राम्रो देखिन्छ किनभने यो सही छैन; शुद्धता मापन गर्नुपर्छ।

सुझाव: वर्गीकरण सुरु गर्नु अघि आफ्नो प्रश्न स्पष्ट गर्नुहोस्। "वर्गीकरण भूमि आवरण" अस्पष्ट छ; "2020-2025 बीचको निर्माणको पक्षमा कृषि भूमिको नोक्सानको नक्सा गर्नुहोस्" वर्ग सेट र प्रमाणीकरण मापदण्ड दुवै निर्धारण गर्दछ।

चरणबद्ध रूपमा: भूमि कभर वर्गीकरण

1. डाटा र टेपहरू तयार गर्नुहोस्। छविको क्लाउड कभर, सुटिङ मिति, रिजोल्युसन (पिक्सेल साइज), र ब्यान्ड अर्डर पुष्टि गर्नुहोस्। फरक मिति/मौसम परिवर्तन कक्षाहरू।
2. वर्ग सेट परिभाषित गर्नुहोस्। कति वर्ग, कुन कुन (जल, वन, कृषि, निर्माण, खाली जमिन) ? कम र अधिक भिन्नता वर्गहरू अधिक विश्वसनीय छन्।
3. सूचकांकहरू गणना गर्नुहोस्। NDVI (बिरुवा), NDWI (पानी) जस्ता सूचकहरूले वर्गहरू छुट्याएका छन्; वर्गीकरणकर्तामा इनपुट बन्छ।
4. प्रशिक्षण नमूनाहरू सङ्कलन (निरीक्षणको लागि)। नमूना बहुभुजहरू प्रत्येक कक्षाको लागि भू-भाग प्रमाणीकरणद्वारा पुष्टि गरियो। नमूना गुणस्तर शुद्धता निर्धारण गर्दछ।
5. वर्गीकरण र प्रमाणित गर्नुहोस्। मोडेललाई तालिम दिनुहोस्, त्यसपछि स्वतन्त्र (अप्रशिक्षित) नमूनाहरूको साथ त्रुटि म्याट्रिक्स बनाउनुहोस् र समग्र शुद्धता र कापा गणना गर्नुहोस्।

ग्राउंड ट्रुथ एण्ड एरर म्याट्रिक्स

वर्गीकरणको शुद्धता आँखाको निर्णयले मापन गर्दैन। ग्राउन्ड ट्रुथ भनेको फिल्डमा वा भरपर्दो उच्च रिजोलुसन स्रोतमा ज्ञात सत्य वर्गको स्वतन्त्र नमूना हो। यी उदाहरणहरूको साथ, एक भ्रम म्याट्रिक्स स्थापना गरिएको छ: यो गणना गरिन्छ कि प्रत्येक कक्षा कति पटक सही छ र कति पटक यो कुन कक्षासँग भ्रमित छ। यसबाट, समग्र शुद्धता (अनुपात सही रूपमा वर्गीकृत) र काप्पा (सम्झौताको एक उपाय जसले मौकाको प्रभावको लागि सही गर्दछ) गणना गरिन्छ। थप रूपमा, उत्पादक शुद्धता (त्यो कक्षामा कति समातिएको थियो) र प्रयोगकर्ता शुद्धता (त्यो वर्ग कत्तिको भरपर्दो छ) वर्गको आधारमा रिपोर्ट गरिन्छ।

सावधानी: तपाईंले प्रशिक्षणको लागि प्रयोग गर्नुहुने उदाहरणहरूको साथ सटीकता मापन नगर्नुहोस्। यदि उही उदाहरणहरू तालिम र परीक्षण गर्दा, शुद्धता कृत्रिम रूपमा उच्च हुन्छ; यो भ्रम हो। प्रमाणीकरण नमूनाहरू स्वतन्त्र हुनुपर्छ।

तीन मिनी केसहरू: नम्बरहरू द्वारा

केस 1 - बादल छाया पानी को लागी गलत थियो। एउटा वर्गीकरणमा, जब मोडेलले बादलको छायाँलाई "पानी" भनेर लेबल लगाएको थियो, तालको क्षेत्र वास्तवमा नभएको ठाउँमा बढ्यो; पानी वर्गको प्रयोगकर्ता शुद्धता 70% मा खस्यो। जब NDWI सूचकांक र क्लाउड मास्क थपियो, छाया/पानी हस्तक्षेप घट्यो र पानी शुद्धता 90% भन्दा बढि भयो।

केस 2 - ग्राउण्ड ट्रुथ द्वारा रिपोर्ट बरामद। एक कृषि सूची अध्ययनले प्रारम्भिक वर्गीकरणको 82% समग्र शुद्धता रिपोर्ट गर्‍यो, तर यो प्रशिक्षण नमूनाहरूद्वारा मापन गरिएको थियो। जब 120 स्वतन्त्र ग्राउन्ड ट्रुथ पोइन्टहरूको साथ पुन: मापन गरियो, वास्तविक समग्र शुद्धता 71% थियो; कृषि र खाली जमिन गम्भीर रूपमा हस्तक्षेप गर्दै थिए। अतिरिक्त प्रशिक्षण उदाहरणहरूको साथ, वर्गीकरण सुधारिएको थियो र शुद्धता 84% मा बढ्यो। पाठ: शुद्धता स्वतन्त्र नमूना द्वारा मापन गरिन्छ।

केस 3 - मौसमी जाल। जब दुई फरक मितिहरू (वसन्त र गर्मीको अन्त्य) मा खिचिएका तस्बिरहरू एकसाथ मिलाइयो, फसल खेतहरू "नाङ्गो जमीन" वर्गमा सारियो र कृषि क्षेत्र 15% हराइरहेको देखिन्थ्यो। परिणामहरू सुधार भयो जब छविहरू उही सिजनबाट चयन गरियो र फिनोलोजिकल स्थिरता प्राप्त भयो।

कमजोर प्रम्प्ट / बलियो प्रम्प्ट

कमजोर प्रम्प्ट:

यो स्याटेलाइट छवि वर्गीकृत गर्नुहोस्।

शक्तिशाली प्रम्प्ट:

कार्य: भूमि कभर वर्गीकरण कार्यप्रवाह निर्माण गर्नुहोस् (पाइथन/रास्टेरियो + स्किट-लर्न कोड स्केलेटन सहित)। सन्दर्भ:- सेन्सर: 4 ब्यान्ड (नीलो, हरियो, रातो, NIR), 10 मिटर रिजोल्युसन- वर्गहरू: पानी, वन, कृषि, निर्माण, bare_ground- कुन उद्देश्य: वर्तमान भूमि कभर रिपोर्टमा: हालको ल्यान्ड कभर रिपोर्ट + 1) (NDVI, NDWI) थप्न र किन लेख्नुहोस्। २) पर्यवेक्षित वर्गीकरण चरणहरू सूचीबद्ध गर्नुहोस्; तालिम र प्रमाणीकरण नमूनाहरू अलग हुनुपर्छ भन्ने कुरामा जोड दिनुहोस्। 3) कोड स्केलेटनमा त्रुटि म्याट्रिक्स + समग्र शुद्धता + कापा गणना राख्नुहोस्। 4) क्लाउड/छाया र मौसम भ्रमको जोखिमहरू नोट गर्नुहोस्।

बलियो प्रम्प्टले वर्ग सेट, रिजोल्युसन, अनुक्रमणिका तर्क, र प्रमाणीकरण भेद निर्दिष्ट गर्दछ; आउटपुट मापनयोग्य हुन्छ।

चार प्रतिलिपि गर्न मिल्ने टेम्प्लेटहरू

1) विधि/सूचकांक चयन:

उद्देश्य [लक्ष्य] र सेन्सर [ब्यान्ड/रिजोल्युसन] को लागि तपाइँ कुन वर्णक्रम अनुक्रमणिका र वर्गीकरण विधि सिफारिस गर्नुहुन्छ? प्रत्येक छनोटको लागि, तर्क र भ्रमको सम्भावित जोखिम (जुन कक्षाहरू एकअर्कासँग मिल्दोजुल्दो छन्) लेख्नुहोस्।

2) वर्गीकरण कोड कंकाल:

Rasterio + scikit-learn: टेप पढाइ, अनुक्रमणिका गणना, प्रशिक्षण/प्रमाणीकरण नमूनाहरूको पृथकीकरण, वर्गीकरण, त्रुटि म्याट्रिक्स र शुद्धता आउटपुटको साथ एक पर्यवेक्षित वर्गीकरण फ्रेमवर्क लेख्नुहोस्। CRS कायम राख्नुहोस्; व्याख्या गर्नुहोस्।

3) शुद्धता मूल्याङ्कन सेटअप:

वर्गीकरण शुद्धता मूल्याङ्कन गर्न योजना लेख्नुहोस्: स्वतन्त्र ग्राउन्डट्रुथ नमूना डिजाइन, त्रुटि म्याट्रिक्स, समग्र शुद्धता, Kappa, वर्ग द्वारा उत्पादक/प्रयोगकर्ता शुद्धता। प्रत्येक मेट्रिकले के भन्छ व्याख्या गर्नुहोस्।

4) हस्तक्षेप निदान:

तलको त्रुटि म्याट्रिक्सको व्याख्या गर्नुहोस्: कुन कक्षाहरू एकअर्कासँग हस्तक्षेप गर्दैछन्, सम्भावित वर्णक्रम/मौसमी कारण के हो, कुन अतिरिक्त डाटा (सूचकांक, मास्क, मिति) ले भ्रम कम गर्नेछ? म्याट्रिक्स: [त्रुटि म्याट्रिक्स]

वर्गीकरण अवधारणाहरूको तुलना

अवधारणा

अर्थ

कहिले

पर्यवेक्षण गरियो

लेबल गरिएको उदाहरणको साथ प्रशिक्षण

कक्षाहरू पूर्वनिर्धारित छन्

सुपरिवेक्षण नगरिएको

लेबल-रहित क्लस्टरिङ

खोज, कुनै उदाहरण छैन

NDVI

बिरुवा जीवन शक्ति सूचकांक

बिरुवा/नंगे/पानी विभाजन

NDWI

पानी सूचकांक

पानी शरीर विभाजन

त्रुटि म्याट्रिक्स

साँचो/झूटो गणना

शुद्धता मापन

कप्पा

मौका-सही फिट

मानक शुद्धता रिपोर्ट

सामान्य गल्तीहरू

• प्रशिक्षण उदाहरणहरूको साथ सटीकता मापन। गैर-स्वतन्त्र परीक्षणले कृत्रिम रूपमा उच्च शुद्धता दिन्छ।
• सटीकता मापन बिना नै नक्सा हस्तान्तरण। "राम्रो देखिन्छ" शुद्धताको प्रमाण होइन।
• क्लाउड/छाया मास्क छोड्दै। छाया पानीसँग मिसिन्छ, बादल हिउँ/संरचनासँग मिसिन्छ।
• विभिन्न सिजन/मिति छविहरू मिश्रण गर्दै। फेनोलोजिकल भिन्नताहरू कक्षाहरू परिवर्तन गर्छन्।
• धेरै र समान वर्गहरू परिभाषित गर्दै। अविभाज्य वर्गहरूले शुद्धता कम गर्दछ।
• संकल्पलाई बेवास्ता गर्दै। साना वस्तुहरू एकल पिक्सेलभन्दा सानो भएमा वर्गीकरण गर्न सकिँदैन।

संक्षेपमा

रिमोट सेन्सिङमा, एआईले मल्टिस्पेक्ट्रल डाटाबाट ल्यान्ड कभर म्यापिङसम्म कार्यप्रवाहलाई गति दिन्छ र धेरै वर्गीकरण लिन सक्छ। तर एक वर्गीकरण नक्सा मात्र उपयोगी छ यदि यसको शुद्धता मापन गरिएको छ: यो स्वतन्त्र ग्राउंड ट्रुथ नमूनाहरूको साथ त्रुटि म्याट्रिक्स निर्माण गर्न र समग्र शुद्धता र कापा गणना गर्न मानक हो। क्लाउड/छाया, मौसमी भिन्नता, र समान वर्गहरू हस्तक्षेपका विशिष्ट स्रोत हुन्; तिनीहरूलाई अनुक्रमणिका, मास्क र मिति स्थिरता संग प्रबन्ध गर्नुहोस्। प्रशिक्षण र प्रमाणीकरण नमूनाहरू कहिल्यै नमिलाउनुहोस्।

आवेदन कार्य

भूमि कभर प्रश्न चयन गर्नुहोस् (जस्तै "शहरी हरियो ठाउँ नक्सा")। तपाईंले प्रयोग गर्नुहुने वर्ग सेट, ब्यान्ड र सूचकांकहरू (कम्तीमा NDVI) लेख्नुहोस्। AI ले एक पर्यवेक्षित वर्गीकरण कार्यप्रवाह उत्पादन गर्नुहोस्; सुनिश्चित गर्नुहोस् कि प्रशिक्षण र प्रमाणीकरण नमूनाहरू अलग छन् र त्रुटि म्याट्रिक्स + काप्पा गणना आउटपुटमा समावेश गरिएको छ। त्यसपछि "भ्रमको जोखिम" सूची बनाउनुहोस्: कुन दुई वर्गहरू समान छन् र तपाइँ तिनीहरूलाई कसरी अलग भन्नुहुन्छ।

चेकलिस्ट

• [ ] मैले कक्षाको सेट सानो र फरक राखेँ।
• [ ] मैले यस उद्देश्यका लागि उपयुक्त स्पेक्ट्रल सूचकांक (NDVI/NDWI) थपेको छु।
• [ ] मैले प्रशिक्षण र प्रमाणीकरण उदाहरणहरू छुट्याएँ।
• [] मैले क्लाउड/छाया मास्क र सिजन स्थिरता जाँच गरें।
• [] मैले स्वतन्त्र ग्राउन्ड सत्यको साथ शुद्धता मापन गरें।
• [ ] मैले त्रुटि म्याट्रिक्स, समग्र शुद्धता, र Kappa रिपोर्ट गरें।
• [] मैले क्लास मिक्स-अपहरूको निदान र उपचार गरें।
• [ ] मैले यसलाई इन्जिनियर अनुमोदनको अधीनमा राखेको छु कि नक्सा यसको उपयोगको लागि सही छ।