Gevinster:
- Evne til å forklare hvordan litologi-, feil- og endringskartlegging gjøres med AI i satellitt- og flybilder.
- Evne til å designe arbeidsflyten som trekker ut mineral- og strukturmarkører fra multispektrale/hyperspektrale data
- Evne til å teste fjernmålingsutganger med grunnsannhet og geologisk kontekst
Et geologisk kart er projeksjonen av den underjordiske historien til en region på overflaten: hvilken bergartenhet er hvor, hvor passerer forkastningene, i hvilken retning skråner lagene. Klassisk sett er dette kartet et produkt som geologen produserer ved å reise fra utmark til utmark, med måneder med feltarbeid. I dag akselererer fjernmåling og kunstig intelligens det meste av denne prosessen. I denne enheten vil vi se hvordan litologi, forkastning og endring (kjemisk endring av bergart med hydrotermisk vann; en kritisk indikator i mineralutforskning) kartlegging gjøres med kunstig intelligens fra satellitt/flybilder, og viktigst av alt, hvordan disse utgangene testes med landets virkelighet.
En advarsel fra begynnelsen: fjernmålingsbildet er en måling, ikke en tolkning; Men hvert kart utledet fra den målingen er en tolkning og det er feil i tolkningen. En "endringssone" preget av kunstig intelligens kan være en faktisk mineralindikator, et tørket felt, en skygge eller en atmosfærisk forstyrrelse. Kartet er en hypotese inntil det er verifisert i feltet.
Grunnleggende fysikk for fjernmåling
Hvert mineral og stein reflekterer sollys ved forskjellige bølgelengder med forskjellige hastigheter; dette kalles spektralsignaturen. Det menneskelige øyet ser bare synlig lys (rød-grønn-blå), men satellittsensorer måler et mye bredere område, inkludert infrarødt. To grunnleggende konsepter:
Multispektrale bildemålinger i flere brede bølgelengdebånd (vanligvis 4-12 bånd); for eksempel Landsat og Sentinel satellitter. Det skiller grove bergarter. Hyperspektral avbildning, derimot, måler i hundrevis av smale bånd og kan gjenkjenne mineraler nesten fra deres "spektrale fingeravtrykk"; Det brukes til å skille mellom endringsmineraler (som kaolinitt, alunitt, illite).
AI gjør to jobber her: For det første klassifiserer den disse høydimensjonale spektraldataene (hvilken piksel er hvilken litologi/mineral). For det andre trekker den ut feil og strukturelle trekk fra de geometriske mønstrene i bildet (lineamenter, tekstur, dreneringsnettverk). Når Digital Elevation Model (DEM for kort; tredimensjonalt høydekart over landet) legges til, inkluderes også helning, aspekt og topografiske lineamenter i analysen.
Trinn for trinn: en arbeidsflyt for endringskart
- Forbered bildet. Atmosfærisk korreksjon (fjerner den forvrengende effekten av atmosfæren), skymaskering, vegetasjonsmaske. Hvis dette trinnet hoppes over, vil hele resultatet bli forurenset.
- Begrens interesseområdet ditt. Begrense studieområdet til den geologiske konteksten (kjent forkastning, formasjon, utspring); Gi kontekst til modellen.
- Beregn spektralindekser. Båndforhold som fremhever spesifikke mineralgrupper (f.eks. for jernoksider, leirmineraler).
- Klassifisere. Kunstig intelligens klassifiserer piksler/regioner og markerer mulige endringssoner.
- Planlegg terrengverifisering. Velg prøvepunkter fra de merkede sonene og sjekk dem i feltet. Uten dette trinnet vil ikke kartet bli signert.
Rollen og grensene for kunstig intelligens i bildeanalyse
Spesielt reduserer AI to typer feil: den fanger opp subtile anomalier som blir oversett, og den standardiserer inkonsekvente tolkninger. Men det gir tre systematiske feil. Den første er en falsk positiv: vegetasjon, skygge, menneskelig struktur eller jordfuktighet kan se ut til å være endringer. Den andre er treningsskjevhet: hvis modellen er trent på data fra en annen region, vil den være feil på den forskjellige litologien til nettstedet ditt. For det tredje er illusjonen av skala: én piksel dekker titalls meter på bakken; Fine strukturer går tapt, blandede piksler (flere materialer i en piksel) er misvisende.
Så den gyldne regel: bakken sannhet vinner alltid. Kartet som er resultatet av bildet kan ikke betraktes som definitivt uten å teste det med prøver og observasjoner på utvalgte punkter i feltet. Verifikasjonspunkter velges ikke tilfeldig, men strategisk, for å dekke både "visse" og "mistenkelige" soner.
Tre minivesker: etter tallene
Tilfelle 1 — Innsnevring av søkeområdet. Et leteselskap evaluerte et lisensområde på 1200 km². Klassifisering av kunstig intelligens-assistert endring fra hyperspektrale data reduserte området til 7 målsoner på 38 km². I stedet for å besøke hele området, prioriterte feltlaget disse 7 sonene; den første feltkampanjetiden ble redusert med anslagsvis 70 %. 5 av de 7 sonene viste reell endring i feltet, 2 var falske positiver (leiret jord) - uten verifisering ville disse 2 sonene vært bortkastet boring.
Sak 2 — Feilkartlegging foreløpig skisse. DEM og bildeekstrahert lineamentanalyse antydet to mindre lineamenter ved siden av den kjente hovedfeilen. Den ene viste seg å være en faktisk feil i felten; den andre viste seg å være det topografiske sporet av en rørledningsrute. Modellen fanget det geometriske mønsteret riktig, men kunne ikke skille dets opprinnelse; Han skilte mellom geologisk plausibilitet og feltkontroll.
Tilfelle 3 – Skyggefeil. I ett område markerte modellen en sterk "jernoksidendring" i nordskråningen. Atmosfærisk korreksjon var ufullstendig, og signaturen var faktisk en spektral forvrengning av et tynt skydekke. Da bildet ble bearbeidet og korrigert, forsvant anomalien. Leksjon: Forbehandlingsfeil lurer selv den mest avanserte modellen.
Svak forespørsel / sterk forespørsel
Svak melding:
Vis steder hvor det kan være miner i dette satellittbildet.
Kraftig ledetekst:
Din rolle: Fjernmålingsgeolog. Tolk følgende verdier for spektralindeks og båndforhold (bilde Sentinel-2, tørr sone, sparsom vegetasjon).- For hver mulig endringssone: skriv hvilken indeks/forhold som utløste den.- Foreslå MINST én falsk positiv kilde for hver sone (vegetasjon, skygge, jord, menneskeskapt, atmosfærisk prioritet-" Sorter etter "terrengområde-" prioritet). (høy/middels/lav).- Ikke presenter noen sone som "utvunnet"; "endringstoken må verifiseres"-data: [indeks/satstabell + kontekst]
Den sterke oppfordringen tvinger modellen til å liste opp falske positiver selv og unngå å kreve nøyaktighet.
Fire kopierbare maler
1) Sjekkliste for forhåndsbehandling:
Se etter forbehandlingstrinn som kan ha blitt utelatt i følgende arbeidsflyt for fjernmåling: atmosfærisk korreksjon, sky-/skyggemaske, vegetasjonsmaske, topografisk korreksjon, sensorkalibrering. Forklar i én setning for hver hvordan de manglende trinnene kan påvirke konklusjonen din. Arbeidsflyt: [definisjon]
2) Tolkning av endringssone:
Trekk ut mulige endringsmineralgrupper fra følgende spektralindeksverdier (leire, jernoksid, karbonat, silika). For hver gruppe: triggerindeks, konfidensnivå, alternativ forklaring (falsk positiv), foreslått feltsjekk. Krav om sikkerhet. Data: [indekser]
3) Lineament/feilseparasjon:
Vurder listen over lineariteter nedenfor. List opp mulige opphav for hver: forkastning, plategrense, dyke, drenering, menneskelig struktur (vei/linje/felt), vegetasjonsgrense. Oppgi den mest sannsynlige opprinnelsen med geologisk kontekst, men utelat den eneste muligheten. Liste: [lineariteter + kontekst]
4) Verifikasjonspunktplan:
Foreslå en feltverifiseringsplan for følgende endrings-/litologikart:- Hvor mange prøvepunkter for hver klasse, hvorfor.- Balansert prøvetaking av "bestemte" og "tvilsomme" soner.- Adgangs- og sikkerhetsnotat. Kartsammendrag: [klasser og områder]
Bildetype og bruksområde
Datatype
Hvilke tiltak
Hans styrke er
grense
Multispektral (Sentinel/Landsat)
bredbånd
Grov litologi, regional skanning
Mineralseparasjonen er begrenset
hyperspektral
Hundrevis av smale bånd
Mineral/endringsforskjell
Kostnader, prosessoverhead
DEM (høyde)
topografi
Forkastning/lineament, drenering
Litologi gir ikke
termisk infrarød
overflatetemperatur
Noe silikat/karbonat
følsom for atmosfære
Radar (SAR)
Overflateruhet/deformasjon
Under sky, innsynkning/skred
Tolkning er komplisert
Tips: Bruk fjernmålingsutdata som en «stedprioriteringsskanning», ikke et «borekart». Dens største verdi er at den forteller deg hvor du skal gå først; Feltbevis og ingeniøren bestemmer hvor de skal bore.
Forsiktig: Selv den mest avanserte klassifiseringen gir systematiske feil hvis forbehandling (atmosfærisk og topografisk korreksjon, maskering) utelates. I tilfelle "utdata er rart" spør etter forbehandlingen først, ikke modellen. Søppel inn, søppel ut-prinsippet er nådeløst her.
Vanlige feil
- Hopp over forbehandling. Misforstå avvik fra ukorrigerte bilder for ekte geologi.
- Glem falske positiver. Ta feil av planter, skygge, jordfuktighet og menneskelige strukturer som endringer/feil.
- Signering uten grunnsannhet. Baserer borebeslutningen på bildekartet uten å verifisere det i felten.
- Skala illusjon. Å glemme pikselstørrelsen og ignorere det faktum at fine strukturer går tapt eller blandede piksler er misvisende.
- Ignorerer pedagogisk skjevhet. Blindt å bruke en modell trent i en annen region på et felt med en annen litologi.
Oppsummert
- Fjernmåling måler den spektrale signaturen til mineraler ved forskjellige bølgelengder; Den skiller multispektral grov og hyperspektral fin.
- Kunstig intelligens klassifiserer disse høydimensjonale dataene og trekker ut feil/linearitet fra geometriske mønstre; men det produserer falske positiver, treningsskjevhet og skalaskjevhet.
- Forbehandling (atmosfærisk/topografisk korreksjon, maskering) bestemmer kvaliteten på resultatet; Hvis den utelates, vil det oppstå en systematisk feil.
- Fjernmåling er et screening/prioriteringsverktøy; Kartet anses ikke som nøyaktig uten å være testet med grunnsannhet.
- Grunnsannheten vinner alltid; Verifikasjonspunkter bør dekke både visse og mistenkelige soner på en balansert måte.
Søknadsoppgave
Anonymiser spektralindeks/båndforholdsverdiene eller en DEM-lineamentliste du har for en arbeidsplass (eller en åpen dataregion). Tolk mulige endringssoner eller feil med den kraftige ledeteksten og la modellen foreslå minst én falsk positiv kilde for hver sone. Lag deretter en plan for kontroll av stedet med malen for "verifikasjonspunktplan". Merk i én setning hvor mange punkter som er delt inn i "mistenkelige" soner og hvorfor du utfører balansert prøvetaking.
sjekkliste
- [ ] Jeg kan skille hva multispektrale og hyperspektrale data måler og hva de brukes til.
- [ ] Jeg vet hvordan forbehandlingstrinn (trimming, maskering) påvirker resultatet.
- [ ] Jeg stiller spørsmål ved kilder til falske positiver (vegetasjon, skygge, menneskeskapt) i endrings-/feilutganger.
- [ ] Jeg ser på fjernmålingskartet som et skanneverktøy og tester det med terrengverifisering.
- [ ] Jeg kan planlegge verifikasjonspunktene for å balansere visse og mistenkelige soner.