Gevinster:
- Evne til å tolke GIS-lag, NDVI og fjernmålingsbånd/oppløsningskonsepter
- Indekstolkning, endringsanalyse og kartlegging av narrativ tegning med AI
- Evne til å verifisere AIs satellitt/karttolkning med grunnsannhet og metadata
Du er miljøingeniør og jobber med et bevaringsprosjekt for våtmarker. Rådet vil at du skal undersøke klager på at sivbunnen ved innsjøen har krympet de siste fem årene. Før du går i felten, må du gjøre en foreløpig vurdering ved skrivebordet ditt: du har satellittbilder fra to forskjellige år, et GIS-prosjekt (Geographic Information System) og en språkmodell. Du kan få LLM til å tolke NDVI-sammendraget av bildene og skrive et utkast til endringsfortellingen. En satellittpiksel representerer imidlertid en 10-meters firkant, og du kan bare forstå om det er en skyskygge, tørkende siv eller sesongmessig vannstand i den firkanten med grunnsannhet. I denne enheten dekker vi begrepene fjernmåling og GIS, indekser/endre tolkning med AI, og viktigst av alt, grensene for denne tolkningen.
GIS-lagslogikk og grunnleggende fjernmåling
GIS organiserer geografiske data i overlappende lag: hvert lag har et tema (arealbruk, vannforekomster, høyde, veier) og er justert i et felles koordinatsystem. En analyse starter med å overlappe de riktige lagene i riktig projeksjon; feil koordinatsystem forverrer områder og avstander systematisk.
Når du tolker et fjernmålingsbilde, må du skille mellom tre typer oppløsning:
Oppløsningstype
Hva forteller det?
eksempel
begrensning
romlig
Størrelse på en piksel på bakken
10m, 30m
Små objekter forblir underpiksler
spektral
Hvor mange og hvilket bølgelengdebånd?
Rød, NIR, SWIR
Mindre bånd = mindre diskrimineringskraft
tidsmessig
Hvor ofte det samme stedet vises
5 dager, 16 dager
Datatap på overskyede dager
Radiometrisk
Luminansfølsomhet (bitdybde)
8-bit, 12-bit
Lav dybde = dårlig diskriminering
NDVI: formel og tolkning
Den vanligste indeksen som måler vitaliteten til vegetasjon er NDVI (Normalized Difference Vegetation Index). En sunn plante reflekterer sterkt nær infrarødt (NIR) og absorberer rødt (RØDT):
NDVI = (NIR − RØD) / (NIR + RØD) Verdiområde: −1 ... +1 < 0 : vann, snø, sky 0,0 - 0,2 : bar jord, stein, bebyggelse 0,2 - 0,5 : sparsom/urteaktig vegetasjon, stresset dekke 0,5 - tett grønn dekke:
# NDVI av en liten prøveblokk med piksler importerer numpy som npnir = np.array([[0.42, 0.38], [0.11, 0.45]]) # near infrared reflectancered = np.array([[0.06, 0.09], [0.10, 0.05, 0.05]ndvi) =nir redance] red)print(np.round(ndvi, 2))# [[0.75 0.62]# [0.05 0.80]]# Nedre venstre piksel (0.05): ikke en plante — kan være bar bakke eller vann/skygge
Tips: NDVI er ikke et absolutt mål på "helse", men en tilstandsavhengig indikator. Når du sammenligner to daterte NDVI-er fra samme område, sørg for at bildene er tatt i lignende årstider, lignende solvinkler og skyfrie forhold. Å sammenligne utseendet på sensommeren med våren gir et uvirkelig "plantetap".
Endringsanalyse (endringsdeteksjon)
Den enkle måten å finne forskjellen mellom to datoer på er å ta NDVI-forskjellen, men denne forskjellen er bare meningsfull hvis bildene kan sammenlignes.
ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0 : dekketap mulig (tørking, skjæring, konstruksjon) ΔNDVI ≈ 0 : ingen endring ΔNDVI >> 0 : dekningsøkning mulig (grønngjøring, restaurering) OBS: Forskjellene kan også reflektere sesong/aktuell vinkelendring/cloud-forskjell. Differanse = reell endring + støy.
Forsiktig: Sky, skyskygge og sesongvariasjoner er de største negativene for endringsanalyse. Området under en skyskygge gir lav NDVI og ser ut som "vegetasjonstap". Når LLM utfører bildetolking, kan modellen forveksle disse artefaktene for den virkelige hendelsen. Sørg for å sjekke bildets metadata (dato, skyprosent, solvinkel).
Indekstolkning og kartfortelling med AI
LLM er nyttig for å oversette numeriske indekssammendrag til en enkel fortelling og lage utkast til rapporter. Gi den den rå NDVI-statistikken og metadataene og be den generere kommentaren som du kan bekrefte.
SVAK SPØRSMÅL: "Har våtmarken blitt mindre på dette satellittbildet?" STERK SPØRSMÅL: "Jeg gir to daterte NDVI-statistikker (samme område, samme sensor): 2020-07-15 avg NDVI=0,61 sky=3% solvinkel=58°2025-07-12 avg NDVI=0,42 sky=22% solvinkel=55°Area of interest bed: lakeshore shore. ΔNDVI og oppgi mulige tolkninger.2) List opp hvilke årsaker (sky, skygge, vannstand, årstid, kalibrering) denne nedgangen kan skyldes (sky, skygge, vannstand, årstid, kalibrering) ANNET ENN FAKTISK dekningstap.3) For hver mulig årsak, foreslå et VERIFIKASJONstrinn for å skille det ut (f.eks. registrering av feltbesøk, vannstandsfrie valg av fjellbesøk 4) bilde. krympet med X%' IKKE OPPSETT at dette bare kan sies hvis grunnsannheten bekrefter det."
Den sterke oppfordringen leder modellen ikke til en eneste definitiv konklusjon, men til en plan med alternative forklaringer og verifisering. Det faktum at 2025-bildet inneholder 22 % skyer gjør nedgangen mistenkelig i seg selv.
Grunnsannhetsverifisering
Gullstandarden for fjernmålingstolking er verifikasjonspunkter med observasjoner og målinger gjort i felt. Du registrerer selve landdekket med GPS ved flere referansepunkter og sammenligner det med bildeklassifiseringen. Hvis feltet sier "tørre siv" i pikselen der AI eller algoritmen sier "vann", er klassifiseringen upålitelig.
mini koffert
I miljøpåvirkningsovervåking av et gruveområde utarbeidet teamet "15 hektar skogtap på grunn av gruveaktivitet" basert på NDVI-reduksjonen beregnet fra satellittbildet og fikk tolkningen utvidet til en LLM; modellen produserte en flytende, overbevisende fortelling. Men da rapporten ble sjekket av teamet på feltet, ble det sett at en del av området med lav NDVI faktisk var en høstet landbruksparsell og en del av det var en skyskygge som falt sammen med dagen for bildeopptaket. Det faktiske skogtapet var på ca 4 hektar, ikke 15. Dersom metadata (skymaske) og arealbrukslag hadde vært kontrollert på forhånd, ville feilen vært forhindret i utgangspunktet. LLMs pene setninger ga ikke feil inndata riktig.
Vanlige feil
- Sammenligning av forskjellige sesong-/solvinkelbilder og misforstå sesongforskjellen med "endring".
- Tolke sky og skyskygge som faktisk dekningstap; omgå skymaske.
- Foreta nøyaktige vurderinger fra pikseldata om små objekter som overskrider romlig oppløsning.
- Feilberegning av arealer og avstander på grunn av misforhold mellom koordinatsystem/projeksjon.
- Tenker at NDVI er et absolutt mål på helse og behandler vann og skyggepiksler som om de var planter.
- Å sette LLMs flytende kartfortelling inn i rapporten som et endelig funn uten grunnsannhet.
- Rapportering av resultater uten å dokumentere metadata (dato, sensor, sky %, behandlingsnivå).
Oppsummert
- GIS-analyser er bygget på lag justert i et felles koordinatsystem; Projeksjonsfeil forvrenger resultatet.
- Romlig, spektral, tidsmessig og radiometrisk oppløsning begrenser hva et bilde kan vise.
- NDVI = (NIR−RED)/(NIR+RED) er en betinget indikator på plantekraft, ikke et absolutt mål på helse.
- I endringsanalyse er forskjell = sann endring + støy; Sky, skygge og årstid er de største bedragerne.
- LLM produserer indekstolkningen og kartfortellingen, men "ser" ikke satellittbildet; Kommentarer i henhold til nummeret du oppgir.
- AI-tolkning og automatisk klassifisering kan ikke oversettes til endelige miljøfunn uten verifisering med grunnsannhet og metadata.
Søknadsoppgave
Lag eller anta to daterte NDVI-oppsummeringer for et felt (enten du ønsker eller en prøve); Legg merke til metadataene (dato, skyprosent, solvinkel, sensor) for hver dato. Beregn ΔNDVI. Skriv en sterk melding og la LLM ikke bare spørre om selve dekningsendringen, men om alternative forklaringer (sky, skygge, årstid, vannstand, kalibrering) og et verifiseringstrinn for hver. Lag deretter et utkast til en "grunnsannhetsverifiseringsplan": minst tre referansepunkter, hva som skal måles i felten, og hvordan det vil sammenlignes med bildetolkningen. Marker til slutt hvilken påstand i fortellingen produsert av LLM som er "kan ikke inkluderes i rapporten uten bekreftelse" og skriv årsaken.