Winst:
- Vermogen om uit te leggen hoe multispectrale satellietgegevens, bandcombinaties en spectrale indices (NDVI enz.) worden gebruikt met AI
- Mogelijkheid om bewaakte/onbeheerde classificatie en workflow voor het in kaart brengen van landbedekking te configureren met AI-ondersteuning
- Mogelijkheid om classificatie-uitvoer te testen met grondwaarheids- en foutmatrix-/nauwkeurigheidscriteria
Teledetectie is de wetenschap van het meten van het aardoppervlak zonder fysiek contact, met sensoren op satellieten of hoogwerkers. Een satellietbeeld is eigenlijk geen foto, maar een verzameling lagen van metingen die op meerdere golflengten zijn vastgelegd. Door deze lagen op een intelligente manier te combineren, kan de landbedekking (bos, water, landbouw, bouw) in kaart worden gebracht. In dit onderdeel bespreken we hoe kunstmatige intelligentie deze workflow versnelt, van multispectrale gegevens tot classificatie van landbedekking, en waar deskundig oordeel onmisbaar is. Principe: AI genereert of codeert de classificatie; De nauwkeurigheid van de kaart wordt door de ingenieur gemeten aan de hand van een onafhankelijke grondwaarheids- en foutmatrix.
Basisvoorwaarden. Een multispectraal beeld is een beeld dat is opgenomen in verschillende golflengtebanden (blauw, groen, rood, nabij-infrarood, enz.); elke band is een laag. Hyperspectraal is veel rijkere maar moeilijk te verwerken gegevens en bevat tientallen tot honderden smalle banden. Spectrale index is het getal dat een fenomeen benadrukt door de wiskundige combinatie van banden; de meest bekende, NDVI (Normalized Difference Vegetation Index), meet de kracht van groene vegetatie met behulp van het verschil tussen de nabij-infrarode en de rode band. Onder toezicht staande classificatie omvat het trainen van het model met vooraf gelabelde voorbeeldgebieden en het classificeren van de gehele afbeelding. Ongecontroleerde classificatie is het clusteren van gegevens op basis van gelijkenis zonder labels en deze later interpreteren.
De rol van AI bij teledetectie
Kunstmatige intelligentie draagt op dit gebied op drie niveaus bij:
- Workflow- en methodeselectie. "Welke banden, welke index, welke classificator zijn geschikt voor deze vraag?" begeleidt u bij uw beslissing; produceert het codeskelet.
- De classificatie zelf. Moderne deep learning-modellen sorteren miljoenen pixels in landbedekkingsklassen; Dit is het gebied met middelhoge bijdragen waar AI het echte werk doet.
- Resultaatinterpretatie en rapportage. Het transcribeert klassenstatistieken, wijzigingsanalyses en nauwkeurigheidsrapporten in leesbare tekst.
Blinde vlek: het model is afhankelijk van de gegevens waarop het is getraind en de voorbeelden die u geeft. Wolkenschaduw en water, kale grond en velden na de oogst, ondiep water en natte grond vermengen zich gemakkelijk. Een classificatiekaart is dus niet alleen maar waar omdat hij er mooi uitziet; nauwkeurigheid moet worden gemeten.
Tip: Verduidelijk uw vraag voordat u begint met classificeren. "Classificeer landbedekking" is vaag; ‘Het verlies aan landbouwgrond ten gunste van bebouwing tussen 2020-2025 in kaart brengen’ bepaalt zowel de klasseset als het verificatiecriterium.
Stap voor stap: een classificatie van landbedekking
- Gegevens en tapes voorbereiden. Bevestig de bewolking van de afbeelding, de opnamedatum, de resolutie (pixelgrootte) en de bandvolgorde. Verschillende datum/seizoenswijzigingen klassen.
- Definieer de klassenset. Hoeveel klassen, welke (water, bos, landbouw, bouw, kale grond)? Minder en beter te onderscheiden klassen zijn betrouwbaarder.
- Bereken de indexen. Indices zoals NDVI (plant), NDWI (water) onderscheiden de klassen; wordt input voor de classificator.
- Verzamel trainingsmonsters (voor toezicht). Voorbeeldpolygonen bevestigd door terreinverificatie voor elke klasse. De kwaliteit van het monster bepaalt de nauwkeurigheid.
- Classificeren en verifiëren. Train het model, bouw vervolgens een foutenmatrix met onafhankelijke (ongetrainde) monsters en bereken de algehele nauwkeurigheid en Kappa.
Grondwaarheids- en foutenmatrix
De nauwkeurigheid van een classificatie wordt niet gemeten door oogoordeel. Ground Truth bestaat uit onafhankelijke steekproeven van bekende ware klasse in het veld of in een betrouwbare bron met hoge resolutie. Met deze voorbeelden wordt een verwarringsmatrix opgesteld: er wordt geteld hoe vaak elke klasse correct is en hoe vaak deze verward wordt met welke klasse. Hieruit worden de algehele nauwkeurigheid (het correct geclassificeerde aandeel) en Kappa (een maatstaf voor overeenstemming die corrigeert voor het effect van toeval) berekend. Bovendien worden de producentennauwkeurigheid (hoeveel er in die klasse is gevangen) en de gebruikersnauwkeurigheid (hoe betrouwbaar is die klasse) op klassebasis gerapporteerd.
Let op: Meet de nauwkeurigheid niet met de voorbeelden die u voor training gebruikt. Als dezelfde voorbeelden trainen en testen, wordt de nauwkeurigheid kunstmatig hoog; Dit is een illusie. Validatiemonsters moeten onafhankelijk zijn.
Drie mini-hoesjes: volgens de cijfers
Geval 1 — Wolkenschaduw werd aangezien voor water. Volgens één classificatie, toen het model wolkenschaduwen als 'water' bestempelde, groeide het merengebied waar het in werkelijkheid niet was; gebruikersnauwkeurigheid van de waterklasse daalde tot 70%. Toen de NDWI-index en het wolkenmasker werden toegevoegd, nam de interferentie tussen schaduw en water af en nam de waternauwkeurigheid toe tot meer dan 90%.
Geval 2 – Rapport teruggevonden door grondwaarheid. Een landbouwinventarisatiestudie rapporteerde een algehele nauwkeurigheid van 82% van de initiële classificatie, maar dit werd gemeten met trainingsmonsters. Wanneer opnieuw gemeten met 120 onafhankelijke grondwaarheidspunten, was de werkelijke algehele nauwkeurigheid 71%; Landbouw en kale grond vormden een ernstige belemmering. Met aanvullende trainingsvoorbeelden werd de classificatie verbeterd en de nauwkeurigheid verhoogd tot 84%. Les: nauwkeurigheid wordt gemeten door een onafhankelijk monster.
Geval 3 — Seizoensval. Toen beelden gemaakt op twee verschillende data (lente en nazomer) met elkaar werden gemengd, verschoven de geoogste velden naar de klasse "kale grond" en leek het landbouwareaal voor 15% te ontbreken. De resultaten verbeterden wanneer beelden uit hetzelfde seizoen werden geselecteerd en fenologische consistentie werd bereikt.
Zwakke prompt/sterke prompt
Zwakke prompt:
Classificeer dit satellietbeeld.
Krachtige prompt:
Taak: bouw een workflow voor classificatie van landbedekking (inclusief Python/rasterio + scikit-learn codeskelet). Context: - Sensor: 4 banden (blauw, groen, rood, NIR), resolutie van 10 m - Klassen: water, bos, landbouw, bouw, kale_grond - Doel: huidige kaart van landbedekking + nauwkeurigheidsrapport Verzoeken: 1) Welke spectrale indices (NDVI, NDWI) moeten worden toegevoegd en waarom schrijven. 2) Lijst van de gecontroleerde classificatiestappen; Benadruk dat trainings- en VALIDATIEmonsters GESCHEIDEN moeten zijn.3) Plaats de foutenmatrix + algehele nauwkeurigheid + Kappa-berekening in het codeskelet.4) Let op de risico's van verwarring tussen wolken, schaduw en seizoenen.
De sterke prompt specificeert de klasseset, resolutie, indexgrondgedachte en validatieonderscheid; de output wordt meetbaar.
Vier kopieerbare sjablonen
1) Methode/indexselectie:
Welke spectrale index en classificatiemethode zou u aanbevelen voor het objectief [doel] en de sensor [banden/resolutie]? Schrijf voor elke keuze de grondgedachte en het potentiële verwarringsrisico (welke klassen op elkaar lijken).
2) Classificatiecodeskelet:
Schrijf een gecontroleerd classificatieraamwerk met Rasterio + scikit-learn: tape-lezen, indexberekening, SCHEIDING van trainings-/validatiemonsters, classificatie, foutenmatrix en nauwkeurigheidsoutput. CRS onderhouden; uitleggen.
3) Nauwkeurigheidsevaluatie-opstelling:
Schrijf een plan om de nauwkeurigheid van de classificatie te evalueren: onafhankelijk grondwaarheidsmonsterontwerp, foutenmatrix, algehele nauwkeurigheid, Kappa, nauwkeurigheid van producent/gebruiker per klasse. Leg uit wat elke statistiek zegt.
4) Interferentiediagnose:
Interpreteer de onderstaande foutenmatrix: welke klassen interfereren met elkaar, wat is de mogelijke spectrale/seizoensgebonden reden, welke aanvullende gegevens (index, masker, datum) zouden de verwarring verminderen? Matrix: [foutmatrix]
Vergelijking van classificatieconcepten
concept
Betekenis
wanneer
begeleid
Training met gelabeld voorbeeld
De lessen zijn vooraf bepaald
Zonder toezicht
Labelvrije clustering
Ontdekking, geen voorbeelden
NDVI
vitaliteitsindex van planten
Plant/kaal/waterscheiding
NDWI
waterindex
scheiding van waterlichamen
Foutmatrix
Waar/onwaar telling
nauwkeurigheidsmeting
kappa
Kans-gecorrigeerde pasvorm
Standaard nauwkeurigheidsrapport
Veel voorkomende fouten
- Nauwkeurigheid meten met trainingsvoorbeelden. Niet-onafhankelijke tests zorgen voor een kunstmatig hoge nauwkeurigheid.
- De kaart overhandigen zonder ooit de nauwkeurigheid te meten. "Ziet er mooi uit" is geen bewijs van nauwkeurigheid.
- Het wolken-/schaduwmasker overslaan. Schaduw vermengt zich met water, wolken vermengen zich met sneeuw/structuur.
- Verschillende seizoen-/datumafbeeldingen combineren. Fenologische verschillen verschuiven van klasse.
- Het definiëren van te veel en vergelijkbare klassen. Niet te onderscheiden klassen verminderen de nauwkeurigheid.
- Resolutie negeren. Kleine objecten kunnen niet worden geclassificeerd als ze kleiner zijn dan één pixel.
Samengevat
Bij teledetectie versnelt AI de workflow van multispectrale gegevens tot het in kaart brengen van landbedekking en kan een groot deel van de classificatie overnemen. Maar een classificatiekaart is alleen nuttig als de nauwkeurigheid ervan wordt gemeten: het is standaard om een foutenmatrix op te stellen met onafhankelijke grondwaarheidsmonsters en de algehele nauwkeurigheid en Kappa te berekenen. Wolk/schaduw, seizoensvariatie en vergelijkbare klassen zijn typische bronnen van interferentie; Beheer ze met index-, masker- en datumconsistentie. Meng nooit trainings- en validatiemonsters door elkaar.
Applicatie taak
Selecteer een vraag over landbedekking (bijvoorbeeld 'kaart van de stedelijke groene ruimte'). Noteer de klassenset, de banden en indices die u gaat gebruiken (minstens NDVI). Laat AI een gecontroleerde classificatieworkflow produceren; zorg ervoor dat de trainings- en validatievoorbeelden gescheiden zijn en dat de foutenmatrix + Kappa-berekening in de uitvoer is opgenomen. Maak vervolgens een lijst met ‘verwarringsrisico’: welke twee klassen vergelijkbaar zijn en hoe je ze van elkaar kunt onderscheiden.
controlelijst
- [ ] Ik heb de klassen klein en duidelijk gehouden.
- [ ] Ik heb spectrale indices (NDVI/NDWI) toegevoegd die geschikt zijn voor dit doel.
- [ ] Ik heb training- en validatievoorbeelden gescheiden.
- [ ] Ik heb de consistentie van het wolken-/schaduwmasker en het seizoen gecontroleerd.
- [ ] Ik heb de nauwkeurigheid gemeten met onafhankelijke grondwaarheid.
- [ ] Ik rapporteerde de foutenmatrix, de algehele nauwkeurigheid en Kappa.
- [ ] Ik heb klasverwisselingen gediagnosticeerd en genezen.
- [ ] Ik heb aan de goedkeuring van de ingenieur onderworpen dat de kaart accuraat is voor het beoogde gebruik.