Gevinster:
- Evne til å forklare hvordan multispektrale satellittdata, båndkombinasjoner og spektrale indekser (NDVI etc.) brukes med AI
- Evne til å konfigurere overvåket/uovervåket klassifisering og arbeidsflyt for kartlegging av landdekke med AI-støtte
- Evne til å teste klassifiseringsutdata med grunnsannhet og feilmatrise/nøyaktighetskriterier
Fjernmåling er vitenskapen om å måle jordens overflate uten fysisk kontakt, med sensorer på satellitter eller luftplattformer. Et satellittbilde er egentlig ikke et fotografi, men en samling lag med målinger registrert ved flere bølgelengder, og ved intelligent å kombinere disse lagene kan landdekke (skog, vann, landbruk, konstruksjon) kartlegges. I denne enheten dekker vi hvordan kunstig intelligens akselererer denne arbeidsflyten, fra multispektrale data til klassifisering av landdekke, og hvor ekspertvurdering er uunnværlig. Prinsipp: AI genererer eller koder klassifiseringen; Nøyaktigheten til kartet måles i ingeniøren ved uavhengig grunnsannhet og feilmatrise.
Grunnleggende vilkår. Et multispektralt bilde er tatt opp i flere bølgelengdebånd (blått, grønt, rødt, nær infrarødt, etc.); hvert bånd er et lag. Hyperspektral er mye rikere, men vanskelig å behandle data, og inneholder titalls til hundrevis av smale bånd. Spektralindeks er tallet som fremhever et fenomen gjennom den matematiske kombinasjonen av bånd; den mest kjente, NDVI (Normalized Difference Vegetation Index), måler grønn vegetasjonskraft ved å bruke forskjellen mellom det nære infrarøde og det røde båndet. Overvåket klassifisering innebærer å trene modellen med forhåndsmerkede prøveområder og klassifisering av hele bildet. Uovervåket klassifisering er å gruppere data basert på likhet uten etiketter og tolke dem senere.
Rollen til AI i fjernmåling
Kunstig intelligens bidrar på dette feltet på tre nivåer:
- Arbeidsflyt og metodevalg. "Hvilke bånd, hvilken indeks, hvilken klassifisering er egnet for dette spørsmålet?" veileder deg i din beslutning; produserer kodeskjelettet.
- Selve klassifiseringen. Moderne dyplæringsmodeller sorterer millioner av piksler i landdekkeklasser; Dette er området med middels høye bidrag der AI gjør det virkelige arbeidet.
- Resultattolkning og rapportering. Den transkriberer klassestatistikk, endringsanalyse og nøyaktighetsrapport til lesbar tekst.
Blindsone: modellen er avhengig av dataene den er trent på og eksemplene du gir. Skyskygge og vann, bar jord og felt etter høsting, grunt vann og våt mark blandes lett. Så et klassifiseringskart er ikke sant bare fordi det ser fint ut; nøyaktighet må måles.
Tips: Avklar spørsmålet ditt før du begynner å klassifisere. "Klassifiser landdekke" er vagt; «Kartlegg tap av jordbruksareal til fordel for bygging mellom 2020-2025» bestemmer både klassesett og verifikasjonskriteriet.
Trinn for trinn: En landdekkeklassifisering
- Forbered data og bånd. Bekreft bildets skydekke, opptaksdato, oppløsning (pikselstørrelse) og båndrekkefølge. Ulik dato/sesongskifte klasser.
- Definer klassesettet. Hvor mange klasser, hvilke (vann, skog, landbruk, bygg, barmark)? Færre og mer skillelige klasser er mer pålitelige.
- Regn ut indeksene. Indekser som NDVI (plante), NDWI (vann) skiller klassene; blir input til klassifisereren.
- Samle treningsprøver (for veiledet). Prøvepolygoner bekreftet ved terrengverifisering for hver klasse. Prøvekvalitet bestemmer nøyaktigheten.
- Klassifiser og verifiser. Tren modellen, bygg deretter en feilmatrise med uavhengige (utrente) prøver og beregn total nøyaktighet og Kappa.
Grunnsannhets- og feilmatrise
Nøyaktigheten til en klassifisering måles ikke ved øyevurdering. Ground truth er uavhengige prøver av kjent sann klasse i feltet eller i en pålitelig høyoppløselig kilde. Med disse eksemplene er det etablert en forvirringsmatrise: det telles hvor mange ganger hver klasse er riktig og hvor mange ganger den forveksles med hvilken klasse. Fra dette beregnes total nøyaktighet (andelen riktig klassifisert) og Kappa (et mål på samsvar som korrigerer for effekten av tilfeldigheter). I tillegg rapporteres produsentnøyaktighet (hvor mye som ble fanget i den klassen) og brukernøyaktighet (hvor pålitelig er den klassen) på klassebasis.
Forsiktig: Ikke mål nøyaktigheten med eksemplene du bruker til trening. Hvis de samme eksemplene trener og tester, blir nøyaktigheten kunstig høy; Dette er en illusjon. Valideringsprøver må være uavhengige.
Tre minivesker: etter tallene
Tilfelle 1 - Skyskygge ble forvekslet med vann. I en klassifisering, når modellen merket skyskygger som "vann", vokste innsjøområdet der det faktisk ikke var; brukernøyaktigheten av vannklassen falt til 70 %. Når NDWI-indeksen og skymasken ble lagt til, reduserte skygge-/vanninterferensen og vannnøyaktigheten økte til over 90 %.
Tilfelle 2 – Rapport gjenfunnet av grunnsannheten. En landbruksbeholdningsstudie rapporterte 82 % total nøyaktighet av innledende klassifisering, men dette ble målt med treningsprøver. Når den ble målt på nytt med 120 uavhengige grunnsannhetspunkter, var den faktiske totale nøyaktigheten 71 %; Landbruk og barmark forstyrret alvorlig. Med ekstra treningseksempler ble klassifiseringen forbedret og nøyaktigheten økt til 84 %. Leksjon: nøyaktighet måles av uavhengig utvalg.
Tilfelle 3 — Sesongfelle. Når bilder tatt på to forskjellige datoer (vår og sensommer) ble blandet sammen, skiftet de høstede feltene til "barmarksklassen" og jordbruksarealet så ut til å mangle 15 %. Resultatene ble bedre når bilder ble valgt fra samme sesong og fenologisk konsistens ble oppnådd.
Svak forespørsel / sterk forespørsel
Svak melding:
Klassifiser dette satellittbildet.
Kraftig ledetekst:
Oppgave: bygge en arbeidsflyt for klassifisering av landdekke (inkludert Python/rasterio + scikit-lær kodeskjelett).Kontekst:- Sensor: 4 bånd (blå, grønn, rød, NIR), 10 m oppløsning- Klasser: vann, skog, landbruk, konstruksjon, bar_grunn- Formål: gjeldende landdekkekart + nøyaktighetsrapportRequest, NDVI (NDVI) og hvorfor skrive.2) List opp de overvåkede klassifiseringstrinnene; Legg vekt på at trenings- og VALIDERINGSprøver skal være SEPARATE.3) Sett feilmatrisen + total nøyaktighet + Kappa-beregning i kodeskjelettet.4) Legg merke til risikoen for sky/skygge og årstidsforvirring.
Den sterke ledeteksten spesifiserer klassesettet, oppløsningen, indeksbegrunnelsen og valideringsforskjellen; utgangen blir målbar.
Fire kopierbare maler
1) Valg av metode/indeks:
Hvilken spektralindeks og klassifiseringsmetode vil du anbefale for objektivet [mål] og sensor [bånd/oppløsning]? For hvert valg, skriv begrunnelsen og potensiell risiko for forvirring (hvilke klasser som ligner på hverandre).
2) Klassifikasjonskodeskjelett:
Skriv et overvåket klassifiseringsrammeverk med Rasterio + scikit-learn: båndavlesning, indeksberegning, SEPARASJON av trenings-/valideringsprøver, klassifisering, feilmatrise og nøyaktighetsutdata. opprettholde CRS; forklare.
3) Oppsett for nøyaktighetsevaluering:
Skriv en plan for å evaluere klassifiseringsnøyaktighet: uavhengig grunnsannhetsprøvedesign, feilmatrise, total nøyaktighet, Kappa, produsent/brukernøyaktighet etter klasse. Forklar hva hver beregning sier.
4) Interferensdiagnose:
Tolk feilmatrisen nedenfor: hvilke klasser forstyrrer hverandre, hva er mulig spektral/sesongmessig årsak, hvilke tilleggsdata (indeks, maske, dato) vil redusere forvirring? Matrise: [feilmatrise]
Sammenligning av klassifikasjonsbegreper
konsept
Mening
når
overvåket
Trening med merket eksempel
Klassene er forhåndsbestemt
Uten tilsyn
Etikettfri gruppering
Oppdagelse, ingen eksempler
NDVI
plantevitalitetsindeks
Plante/bar/vannseparasjon
NDWI
vannindeks
vannforekomstseparasjon
Feilmatrise
Sann/usant telling
nøyaktighetsmåling
kappa
Sjansekorrigert passform
Standard nøyaktighetsrapport
Vanlige feil
- Måling av nøyaktighet med treningseksempler. Ikke-uavhengig testing gir kunstig høy nøyaktighet.
- Overlevering av kartet uten noen gang å måle nøyaktighet. «Ser pent ut» er ikke bevis på nøyaktighet.
- Hopp over sky-/skyggemasken. Skygge blander seg med vann, sky blander seg med snø/struktur.
- Blande forskjellige sesong-/datobilder. Fenologiske forskjeller skifter klasser.
- Definerer for mange og lignende klasser. Klasser som ikke kan skilles ut, reduserer nøyaktigheten.
- Ignorerer oppløsning. Små objekter kan ikke klassifiseres hvis de er mindre enn en enkelt piksel.
Oppsummert
I fjernmåling øker AI arbeidsflyten fra multispektrale data til kartlegging av landdekke og kan ta over mye av klassifiseringen. Men et klassifiseringskart er bare nyttig hvis nøyaktigheten måles: det er standard å konstruere en feilmatrise med uavhengige grunnsannhetsprøver og beregne total nøyaktighet og Kappa. Sky/skygge, sesongvariasjoner og lignende klasser er typiske kilder til interferens; Administrer dem med konsistens i indeks, maske og dato. Bland aldri trenings- og valideringsprøver.
Søknadsoppgave
Velg et landdekkespørsmål (f.eks. "urban green space map"). Skriv ned klassesettet, båndene og indeksene du skal bruke (minst NDVI). La AI produsere en overvåket klassifiseringsarbeidsflyt; sørg for at trenings- og valideringseksemplene er separate og at feilmatrisen + Kappa-beregningen er inkludert i utdataene. Lag deretter en "risiko for forvirring"-liste: hvilke to klasser som er like og hvordan du skiller dem fra hverandre.
sjekkliste
- [ ] Jeg holdt klassesettet lite og tydelig.
- [ ] Jeg la til spektralindekser (NDVI/NDWI) egnet for formålet.
- [ ] Jeg skilte trenings- og valideringseksempler.
- [ ] Jeg sjekket sky/skyggemaske og sesongkonsistens.
- [ ] Jeg målte nøyaktighet med uavhengig grunnsannhet.
- [ ] Jeg rapporterte feilmatrisen, total nøyaktighet og Kappa.
- [ ] Jeg diagnostiserte og kurerte klasseforvekslinger.
- [ ] Jeg har underlagt det ingeniørgodkjenning at kartet er nøyaktig for den tiltenkte bruken.