Gevinster:
- Evne til å velge satellitt (vidt område) og sensor (lokal) data i henhold til spørsmålet og analysere indekser som NDVI ved å bruke en skymaske
- Evne til å skille drift og feilfunksjon fra det virkelige signalet ved å sende IoT-sensordata gjennom kalibrering og kvalitetskontroll
- Evne til å basere et overvåkingsfunn på en trend i stedet for en enkelt dato og etablere en verifiseringsplan med grunnsannhet eller uavhengige data
For å håndtere miljøet er det nødvendig å se det først. Det er nødvendig å vite hvor liten en skog har blitt, hvor forurenset en elv er, eller hvor mye metan et anlegg lekker, ikke ved å gjette, men ved hjelp av data. Miljøovervåking er regelmessig og repeterbar måling av miljøets tilstand. I denne enheten vil du lære om to store datakilder - satellitter som ser fra verdensrommet og sensorer i feltet - og rollen til AI for å forstå disse enorme dataene.
Konsepter først. Fjernmåling er å samle inn informasjon ved å måle lyset som reflekteres på avstand (fra en satellitt eller et fly) uten å berøre en gjenstand. IoT-sensor (Internet of Things) er en liten enhet plassert i felten og sender automatisk den målte verdien (temperatur, luftkvalitet, vannstand) over internett. Sammen gir de både et bredt (satellitt) og lokalt (sensor)bilde av miljøet.
Hvordan lese satellittdata?
Satellitter tar ikke bare bilder; måler forskjellige bølgelengder ("bånd") av lys. Den matematiske kombinasjonen av disse båndene viser hva som er usynlig for det blotte øye. Det mest kjente eksemplet er NDVI (Normalized Difference Vegetation Index): den måler tettheten av vegetasjon med et tall mellom 0 og 1, basert på prinsippet om at friske planter reflekterer infrarødt lys veldig mye. En nedgang i NDVI kan bety avskoging, tørke eller skade.
De vanligste gratis og åpne satellittkildene er Sentinel (European Copernicus-programmet) og Landsat (USA) satellitter. Disse er tilgjengelige via plattformer som Google Earth Engine eller i Python (med biblioteker som rasterio, xarray).
Tips: Den største fienden til satellittdata er skyen. Er et NDVI-fall et reelt tap av skog, eller var det en sky over det den dagen? Bruk alltid en skymaske og sammenlign flere datoer før du analyserer.
IoT-sensordata og kalibrering
Sensorer er billige og vanlige, men ikke perfekte. En lavprisluftkvalitetssensor vil drifte over tid, bli påvirket av fuktighet eller svikte. Derfor er sensordata i sin rå form upålitelige; kalibrering (korrigering ved å sammenligne med en kjent referanseenhet) og kvalitetskontroll er avgjørende.
Her AI; Den er veldig kraftig når det gjelder å skrive kode for å behandle store bilde- og tidsseriedata, skanne for anomalier (uventet avvik), etablere en klassifiseringsmodell og oppsummere funnene. Men den fysiske virkeligheten av målingen kommer ned til kalibreringsbeslutningen og spørsmålet "er dette signalet ekte eller er det støy?" Tolkningen tilhører den sakkyndige.
Trinn for trinn: en sporingsanalyse
1. Definer spørsmålet. "Hvordan endret vegetasjonen seg i dette 10 000 hektar store området mellom 2020 og 2024?" Et klart, romlig og tidsmessig spørsmål som:
2. Velg datakilden. Satellitt (vidt område) eller sensor (lokal, kontinuerlig)? Er oppløsningen og frekvensen passende for spørsmålet?
3. Forprosess. Skymaske, kalibrer, flagg mangler data. Hvis dette trinnet hoppes over, er resultatet misvisende.
4. Beregn indeks/metrikk. NDVI, temperaturgjennomsnitt, forurensningskonsentrasjon.
5. Finn endringen og anomalien. Trendanalyse, terskelkryssing, plutselig hopp.
6. Bekreft med felt. Hvis det er mulig, bekreft med sannhet; Gi et satellittsignal med feltbesøk eller uavhengige data.
tre minisaker
Tilfelle 1 – Faller for skyen. En miljøorganisasjon var i ferd med å slå alarm om «plutselig avskoging» da den så at NDVI i én region hadde falt med 40 % på én måned. Da analytikeren brukte en skymaske og så på nabodatoer, så han at det meste av bildet den dagen var overskyet, og i det neste skyfrie bildet gikk NDVI tilbake til det normale. Falsk alarm forhindret. Tapt tid: 20 minutter, rykte oppnådd: uvurderlig.
Tilfelle 2 — Ukalibrert sensor. En kommune var i ferd med å utarbeide en "luftforurenset"-rapport med data fra rimelige PM2,5-sensorer (partikkel mindre enn 2,5 mikron — fint respirabelt støv). Da eksperten sammenlignet sensorene med en referansestasjon, fant han ut at de overvurderte verdien opptil to ganger ved høy luftfuktighet. Når fuktighetskorreksjon (kalibrering) ble brukt, dukket de virkelige verdiene opp; Panikken avverget.
Tilfelle 3 — Kodeautomatisering. Et forskerteam planla å bruke uker på å arbeide manuelt for å trekke ut NDVI-trender fra 200 satellittbilder. De fikk AI til å skrive en automatisert arbeidsflyt med Google Earth Engine og Python-kode (skymaske + månedlig NDVI-gjennomsnitt + trendgraf). Analyse tok noen minutter for 200 bilder; Teamet viet sin tid til å tolke resultatet. De sjekket hvert trinn i koden uansett.
Svak forespørsel / Sterk forespørsel
Svak melding:
Finn avskoging fra satellittdata.
Hvorfor det er svakt: Ingen domene, datoperiode, datakilde, oppløsning og skybehandling. AI gir en generell tekst, ikke en kjørbar analyse.
Kraftig ledetekst:
Din rolle: fjernmålingsanalytiker. Skriv Python (Earth Engine)-kode som beregner den månedlige NDVI-trenden for 2020-2024 for [AREA boundary] med Sentinel-2-data. Trinn: (1) påfør skymaske, (2) gjennomsnittlig månedlig NDVI, (3) tegn trenddiagram, (4) merk måneder med mer enn 20 % nedgang. La koden være kjørbar; Kommenter hvert trinn. Legg også merke til grensene for dataene (oppløsning, sky).
Fire kopierbare maler
1) Satellittindeksanalyse (med kode):
Din rolle: fjernmålingsanalytiker. Skriv kjørbar Python-kode som beregner [NDVI/NDWI/other index] over [DATE range] for [AREA] med [Sentinel-2/Landsat]-data. Sørg for å legge til en skymaske. Merk trenden og avvikene. Spesifiser oppløsningen og skygrensene for dataene i kommentarene.
2) Sensor tidsserie kvalitetskontroll:
Søk etter kvalitetsproblemer i følgende sensortidsserier med Python: manglende data, fastlåst verdi, plutselig hopp, drift, ekstrem. Merk hvert nummer med et tidsstempel. Ikke endre dataene, bare rapporter. Legg til et enkelt kalibreringsforslag hvis mulig. Data: [her]
3) Grunnsannhetsverifiseringsskjema:
Foreslå en plan for hvordan jeg kan verifisere følgende satellittbaserte funn (f.eks. NDVI-fall) i feltet: hvilke punkter, hvilken måling, hvilken uavhengig datakilde. Tell også situasjonene der funnet kan være usant (sky, årstid, skygge). Finner: [her]
4) Oppsummering av uregelmessigheter:
Oppsummer uregelmessighetene funnet fra overvåkingsdataene nedenfor i et klart språk for en miljøsjef. For hver anomali: hvor, når, hvor mye avvik, mulige årsaker og en "må verifiseres"-notat. Sikkert hvorfor det passer; presentere det som en mulighet. Data: [her]
Vanlige feil
- Ikke påføring av skymaske. Sky er det vanligste falske signalet.
- Stoler på sensoren uten å kalibrere den. Lavprissensorer glir og påvirkes av fuktighet.
- Bare se på historien. Det kreves flere datoer og trender for å kreve endring.
- Omgå bakken sannhet. Satellittsignalet bør bekreftes med feltdata eller uavhengige data om mulig.
- Faller for AIs "eksakte årsak"-påstand. Sporingsdata korrelerer; Å bekrefte årsaken er en annen sak.
Forsiktig: Høyoppløselige satellitt- og dronebilder kan inneholde privat eiendom, personer eller sensitive fasiliteter. Overhold personvern og juridiske begrensninger (spesielt personlige data og sikkerhet) når du deler sporingsdata.
Oppsummert
Miljøovervåking kombinerer satellitt (bred) og sensor (lokal) data. AI; Det er en kraftig akselerator for å skrive kode som behandler massive bilde- og tidsseriedata, anomaliskanning og oppsummering. Men skymasken, sensorkalibrering, multi-date sammenligning og jordsannhetsverifisering tilhører eksperten. Stol på det rensede og bekreftede signalet, ikke det rå signalet.
Søknadsoppgave
Velg et felt og datoperiode (reell eller hypotetisk). 1. Skriv ut koden til en NDVI-analysearbeidsflyt til AI med malen og kontroller at skymasketrinnet eksisterer. Send deretter en sensortidsserie du har (eller en prøve) gjennom kvalitetskontroll med den andre malen. Til slutt, med mal 3, kom med en plan for hvordan du skal validere en endring du finner i feltet.
sjekkliste
- [ ] Jeg definerte analysen med et klart romlig og tidsmessig spørsmål.
- [ ] Jeg brukte en skymaske på satellittdataene.
- [ ] Jeg sendte sensordataene gjennom kalibrering og kvalitetskontroll.
- [ ] Jeg baserte endringspåstanden på trenden, ikke på en enkelt dato.
- [ ] Jeg la en plan for å verifisere funnet med grunnsannhet eller uavhengige data.
- [ ] Jeg har observert konfidensialitet og juridiske begrensninger.