Winst:
- Mogelijkheid om GIS-lagen, NDVI en teledetectieband-/resolutieconcepten te interpreteren
- Indexinterpretatie, veranderingsanalyse en het opstellen van verhalende kaarten met AI
- Mogelijkheid om de satelliet-/kaartinterpretatie van AI te verifiëren met grondwaarheid en metadata
Je bent een milieuingenieur die werkt aan een project voor het behoud van wetlands. De gemeente wil dat u klachten onderzoekt dat het rietveld aan de oevers van het meer de afgelopen vijf jaar is gekrompen. Voordat u het veld in gaat, moet u aan uw bureau een voorlopige evaluatie maken: u beschikt over satellietbeelden uit twee verschillende jaren, een GIS-project (Geografisch Informatie Systeem) en een taalmodel. U kunt LLM de NDVI-samenvatting van de beelden laten interpreteren en een concept van het veranderingsverhaal schrijven. Een satellietpixel vertegenwoordigt echter een vierkant van 10 meter, en je kunt alleen met grondwaarheid begrijpen of er een wolkenschaduw, drogend riet of seizoenswaterniveau in dat vierkant is. In deze unit behandelen we de concepten van teledetectie en GIS, indexeren/wijzigen van interpretatie met AI, en vooral de grenzen van deze interpretatie.
GIS-laaglogica en grondbeginselen van teledetectie
GIS organiseert geografische gegevens in overlappende lagen: elke laag draagt een thema (landgebruik, waterlichamen, hoogteverschillen, wegen) en is uitgelijnd in een gemeenschappelijk coördinatensysteem. Een analyse begint met het overlappen van de juiste lagen in de juiste projectie; het verkeerde coördinatensysteem vertekent systematisch gebieden en afstanden.
Bij het interpreteren van een teledetectiebeeld moet u drie soorten resoluties onderscheiden:
Resolutietype
Wat vertelt het?
voorbeeld
beperking
ruimtelijk
Grootte van een pixel op de grond
10m, 30m
Kleine objecten blijven subpixels
spectraal
Hoeveel en welke golflengteband?
Rood, NIR, SWIR
Minder band = minder onderscheidingsvermogen
tijdelijk
Hoe vaak dezelfde plek wordt bekeken
5 dagen, 16 dagen
Gegevensverlies op bewolkte dagen
Radiometrisch
Luminantiegevoeligheid (bitdiepte)
8-bits, 12-bits
Lage diepte = slechte discriminatie
NDVI: formule en interpretatie
De meest gebruikelijke index die de vitaliteit van vegetatie meet is NDVI (Normalized Difference Vegetation Index). Een gezonde plant reflecteert sterk nabij-infrarood (NIR) en absorbeert rood (RED):
NDVI = (NIR − RED) / (NIR + RED)Waardenbereik: −1 ... +1 < 0 : water, sneeuw, wolk 0,0 - 0,2 : kale grond, rotsen, bebouwd gebied 0,2 - 0,5 : schaarse/kruidachtige vegetatie, gestresste bedekking 0,5 - 0,9 : dichte, gezonde groene bedekking
# NDVI van een klein voorbeeldblok met pixels importeert numpy als npnir = np.array([[0,42, 0,38], [0,11, 0,45]]) # nabij-infrarood reflectancered = np.array([[0,06, 0,09], [0,10, 0,05]]) # red reflectancendvi = (nir - rood) / (nir + red)print(np.round(ndvi, 2))# [[0,75 0,62]# [0,05 0,80]]# Pixel linksonder (0,05): geen plant — kan kale grond of water/schaduw zijn
Tip: NDVI is geen absolute maatstaf voor ‘gezondheid’, maar een toestandsafhankelijke indicator. Wanneer u twee gedateerde NDVI's uit hetzelfde gebied vergelijkt, zorg er dan voor dat de beelden in vergelijkbare seizoenen, vergelijkbare zonnehoeken en wolkenvrije omstandigheden zijn gemaakt. Het vergelijken van het uiterlijk van de late zomer met de lente levert een onwerkelijk ‘plantenverlies’ op.
Veranderanalyse (veranderingsdetectie)
De eenvoudige manier om het verschil tussen twee datums te vinden is door het NDVI-verschil te nemen, maar dit verschil heeft alleen betekenis als de afbeeldingen kunnen worden vergeleken.
ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0 : verlies van dekking mogelijk (drogen, snijden, constructie) ΔNDVI ≈ 0 : geen verandering ΔNDVI >> 0 : verhoging van de dekking mogelijk (vergroening, herstel) LET OP: Het verschil kan zowel feitelijke veranderingen weerspiegelen als verschillen in seizoen/wolk/zonhoek/kalibratie. Verschil = echte verandering + ruis.
Let op: Wolken, schaduw van wolken en seizoensinvloeden zijn de grootste negatieve factoren voor veranderingsanalyse. Het gebied onder een wolkenschaduw geeft een lage NDVI en lijkt op "vegetatieverlies". Wanneer LLM beeldinterpretatie uitvoert, kan het model deze artefacten verwarren met de echte gebeurtenis. Zorg ervoor dat u de metagegevens van de afbeelding controleert (datum, bewolkingspercentage, zonnehoek).
Indexinterpretatie en kaartverhaal met AI
LLM is nuttig bij het vertalen van numerieke indexsamenvattingen in een duidelijk verhaal en bij het opstellen van conceptrapporten. Geef het de onbewerkte NDVI-statistieken en metagegevens en vraag het om het commentaar te genereren dat u kunt verifiëren.
ZWAKKE PROMPT: "Is het wetland kleiner geworden op dit satellietbeeld?" STERKE VRAAG: "Ik geef twee gedateerde NDVI-statistieken (hetzelfde gebied, dezelfde sensor): 2020-07-15 gemiddelde NDVI=0,61 wolk=3% zonhoek=58°2025-07-12 gemiddelde NDVI=0,42 wolk=22% zonhoek=55°Interessegebied: rietveld aan de oever van het meer, ~40 hectare. Jouw taak: 1) Berekenen ΔNDVI en noteer mogelijke interpretaties.2) Noem welke redenen (bewolking, schaduw, waterniveau, seizoen, kalibratie) deze daling te wijten zou kunnen zijn (bewolking, schaduw, waterniveau, seizoen, kalibratie) ANDERS DAN DAADWERKELIJK dekkingsverlies.3) Stel voor elke mogelijke oorzaak een VERIFICATIEstap voor om deze te onderscheiden (bijv. selectie van wolkenvrije beelden, veldbezoek, registratie van het waterniveau).4) Nauwkeurige bewering 'rietveld is met X% gekrompen' Stel NIET in dat dit mogelijk is alleen gezegd worden als de grondwaarheid het bevestigt.”
De sterke prompt stuurt het model niet naar een enkele definitieve conclusie, maar naar een plan van alternatieve verklaringen en verificatie. Het feit dat de afbeelding van 2025 22% wolken bevat, maakt de daling op zichzelf al verdacht.
Verificatie van de grondwaarheid
De gouden standaard voor de interpretatie van teledetectie bestaat uit verificatiepunten met waarnemingen en metingen in het veld. Je registreert met GPS op meerdere referentiepunten de daadwerkelijke bodembedekking en vergelijkt deze met de beeldclassificatie. Als het veld ‘droog riet’ zegt in de pixel waar de AI of het algoritme ‘water’ zegt, is de classificatie onbetrouwbaar.
mini-hoesje
Bij het monitoren van de milieueffecten van een mijnbouwlocatie stelde het team “15 hectare bosverlies als gevolg van mijnbouwactiviteiten” op, gebaseerd op de NDVI-reductie berekend op basis van het satellietbeeld, en liet de interpretatie uitbreiden tot een LLM; het model produceerde een vloeiend, overtuigend verhaal. Toen het rapport echter door het team op het veld werd gecontroleerd, bleek dat een deel van het gebied met een lage NDVI feitelijk een geoogst landbouwperceel was en dat een deel ervan een wolkenschaduw was die samenviel met de dag waarop de beelden werden gemaakt. Het werkelijke bosverlies bedroeg ongeveer 4 hectare, niet 15. Als de metadata (wolkenmasker) en landgebruiklaag vooraf waren gecontroleerd, zou de fout in de eerste plaats zijn voorkomen. De nette zinnen van LLM maakten verkeerde invoer niet goed.
Veel voorkomende fouten
- Het vergelijken van verschillende seizoens-/zonhoekbeelden en het seizoensverschil voor "verandering" aanzien.
- Wolken en wolkenschaduwen interpreteren als feitelijk dekkingsverlies; wolkenmasker omzeilen.
- Nauwkeurige beoordelingen maken op basis van pixelgegevens over kleine objecten die de ruimtelijke resolutie overschrijden.
- Gebieden en afstanden verkeerd berekenen vanwege een verkeerde combinatie van coördinatensysteem en projectie.
- Denken dat NDVI een absolute maatstaf is voor de gezondheid en water- en schaduwpixels behandelen alsof het planten zijn.
- Het vloeiende kaartverhaal van LLM in het rapport plaatsen als een definitieve bevinding zonder grondwaarheid.
- Resultaten rapporteren zonder metadata te documenteren (datum, sensor, cloud%, verwerkingsniveau).
Samengevat
- GIS-analyses zijn gebaseerd op lagen die zijn uitgelijnd in een gemeenschappelijk coördinatensysteem; Een projectiefout vervormt het resultaat.
- Ruimtelijke, spectrale, temporele en radiometrische resolutie beperken wat een afbeelding kan laten zien.
- NDVI = (NIR−RED)/(NIR+RED) is een voorwaardelijke indicator van de plantkracht, geen absolute maatstaf voor de gezondheid.
- Bij veranderingsanalyse is verschil = echte verandering + ruis; Wolken, schaduwen en seizoenen zijn de grootste bedriegers.
- De LLM produceert de indexinterpretatie en de kaartverhalen, maar "ziet" het satellietbeeld niet; Reageer op basis van het nummer dat u opgeeft.
- AI-interpretatie en automatische classificatie kunnen niet worden vertaald in definitieve milieubevindingen zonder verificatie met grondwaarheid en metadata.
Applicatie taak
Maak of neem aan van twee gedateerde NDVI-samenvattingen voor een vakgebied (naar keuze of een voorbeeld); Noteer voor elke datum de metadata (datum, bewolkingspercentage, zonnehoek, sensor). Bereken ANDVI. Schrijf een krachtige prompt en laat de LLM niet alleen vragen om de daadwerkelijke wijziging van de dekking, maar ook om alternatieve verklaringen (wolk, schaduw, seizoen, waterniveau, kalibratie) en een verificatiestap voor elke verandering. Stel vervolgens een ‘ground reality verificatieplan’ op: minimaal drie referentiepunten, wat er in het veld gemeten gaat worden, en hoe dit zich zal verhouden tot de beeldinterpretatie. Markeer ten slotte welke verklaring in het door LLM geproduceerde verhaal "niet zonder verificatie in het rapport kan worden opgenomen" en noteer de reden.