ਭੂਗੋਲਿਕ ਅਤੇ ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਡੇਟਾ ਵਿਆਖਿਆ

ਲਾਭ:

• GIS ਲੇਅਰਾਂ, NDVI ਅਤੇ ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਬੈਂਡ/ਰੈਜ਼ੋਲੂਸ਼ਨ ਸੰਕਲਪਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਏਆਈ ਦੇ ਨਾਲ ਸੂਚਕਾਂਕ ਦੀ ਵਿਆਖਿਆ, ਪਰਿਵਰਤਨ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਨਕਸ਼ੇ ਦੇ ਬਿਰਤਾਂਤ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਨਾ
• ਜ਼ਮੀਨੀ ਸੱਚਾਈ ਅਤੇ ਮੈਟਾਡੇਟਾ ਨਾਲ AI ਦੇ ਸੈਟੇਲਾਈਟ/ਨਕਸ਼ੇ ਦੀ ਵਿਆਖਿਆ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਸਮਰੱਥਾ

ਤੁਸੀਂ ਇੱਕ ਵੈਟਲੈਂਡ ਕੰਜ਼ਰਵੇਸ਼ਨ ਪ੍ਰੋਜੈਕਟ 'ਤੇ ਕੰਮ ਕਰ ਰਹੇ ਵਾਤਾਵਰਣ ਇੰਜੀਨੀਅਰ ਹੋ। ਕੌਂਸਲ ਚਾਹੁੰਦੀ ਹੈ ਕਿ ਤੁਸੀਂ ਸ਼ਿਕਾਇਤਾਂ ਦੀ ਜਾਂਚ ਕਰੋ ਕਿ ਝੀਲ ਦੇ ਕਿਨਾਰੇ ਰੀਡ ਬੈੱਡ ਪਿਛਲੇ ਪੰਜ ਸਾਲਾਂ ਵਿੱਚ ਸੁੰਗੜ ਗਿਆ ਹੈ। ਫੀਲਡ ਵਿੱਚ ਜਾਣ ਤੋਂ ਪਹਿਲਾਂ, ਤੁਹਾਨੂੰ ਆਪਣੇ ਡੈਸਕ 'ਤੇ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਮੁਲਾਂਕਣ ਕਰਨ ਦੀ ਲੋੜ ਹੈ: ਤੁਹਾਡੇ ਕੋਲ ਦੋ ਵੱਖ-ਵੱਖ ਸਾਲਾਂ ਦੇ ਸੈਟੇਲਾਈਟ ਚਿੱਤਰ ਹਨ, ਇੱਕ GIS (ਭੂਗੋਲਿਕ ਸੂਚਨਾ ਪ੍ਰਣਾਲੀ) ਪ੍ਰੋਜੈਕਟ ਅਤੇ ਇੱਕ ਭਾਸ਼ਾ ਮਾਡਲ। ਤੁਸੀਂ LLM ਨੂੰ ਚਿੱਤਰਾਂ ਦੇ NDVI ਸੰਖੇਪ ਦੀ ਵਿਆਖਿਆ ਕਰ ਸਕਦੇ ਹੋ ਅਤੇ ਤਬਦੀਲੀ ਦੇ ਬਿਰਤਾਂਤ ਦਾ ਖਰੜਾ ਲਿਖ ਸਕਦੇ ਹੋ। ਹਾਲਾਂਕਿ, ਇੱਕ ਸੈਟੇਲਾਈਟ ਪਿਕਸਲ ਇੱਕ 10-ਮੀਟਰ ਵਰਗ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਅਤੇ ਤੁਸੀਂ ਸਿਰਫ ਇਹ ਸਮਝ ਸਕਦੇ ਹੋ ਕਿ ਕੀ ਜ਼ਮੀਨੀ ਸੱਚਾਈ ਦੇ ਨਾਲ ਉਸ ਵਰਗ ਵਿੱਚ ਇੱਕ ਬੱਦਲ ਪਰਛਾਵਾਂ, ਸੁਕਾਉਣ ਵਾਲੀ ਰੀਡ ਜਾਂ ਮੌਸਮੀ ਪਾਣੀ ਦਾ ਪੱਧਰ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਅਤੇ GIS, AI ਦੇ ਨਾਲ ਸੂਚਕਾਂਕ/ਬਦਲਣ ਦੀ ਵਿਆਖਿਆ, ਅਤੇ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ, ਇਸ ਵਿਆਖਿਆ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਕਵਰ ਕਰਦੇ ਹਾਂ।

GIS ਪਰਤ ਤਰਕ ਅਤੇ ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਬੁਨਿਆਦੀ ਤੱਤ

GIS ਭੂਗੋਲਿਕ ਡੇਟਾ ਨੂੰ ਓਵਰਲੈਪਿੰਗ ਲੇਅਰਾਂ ਵਿੱਚ ਸੰਗਠਿਤ ਕਰਦਾ ਹੈ: ਹਰੇਕ ਪਰਤ ਇੱਕ ਥੀਮ (ਜ਼ਮੀਨ ਦੀ ਵਰਤੋਂ, ਜਲ ਸਰੋਤ, ਉੱਚਾਈ, ਸੜਕਾਂ) ਰੱਖਦੀ ਹੈ ਅਤੇ ਇੱਕ ਸਾਂਝੇ ਤਾਲਮੇਲ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਇਕਸਾਰ ਹੁੰਦੀ ਹੈ। ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਣ ਸਹੀ ਪ੍ਰੋਜੈਕਸ਼ਨ ਵਿੱਚ ਸਹੀ ਪਰਤਾਂ ਨੂੰ ਓਵਰਲੈਪ ਕਰਨ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ; ਗਲਤ ਤਾਲਮੇਲ ਪ੍ਰਣਾਲੀ ਯੋਜਨਾਬੱਧ ਤੌਰ 'ਤੇ ਖੇਤਰਾਂ ਅਤੇ ਦੂਰੀਆਂ ਦਾ ਪੱਖਪਾਤ ਕਰਦੀ ਹੈ।

ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਚਿੱਤਰ ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਸਮੇਂ ਤੁਹਾਨੂੰ ਤਿੰਨ ਕਿਸਮਾਂ ਦੇ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਵਿੱਚ ਫਰਕ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ:

ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਦੀ ਕਿਸਮ

ਇਹ ਕੀ ਦੱਸਦਾ ਹੈ?

ਉਦਾਹਰਨ

ਸੀਮਾ

ਸਥਾਨਿਕ

ਜ਼ਮੀਨ 'ਤੇ ਇੱਕ ਪਿਕਸਲ ਦਾ ਆਕਾਰ

10 ਮੀ., 30 ਮੀ

ਛੋਟੀਆਂ ਵਸਤੂਆਂ ਉਪ-ਪਿਕਸਲ ਰਹਿੰਦੀਆਂ ਹਨ

ਸਪੈਕਟ੍ਰਲ

ਕਿੰਨੇ ਅਤੇ ਕਿਹੜੇ ਵੇਵ-ਲੰਬਾਈ ਬੈਂਡ ਹਨ?

ਲਾਲ, NIR, SWIR

ਘੱਟ ਬੰਦ = ਘੱਟ ਵਿਤਕਰੇ ਦੀ ਤਾਕਤ

ਅਸਥਾਈ

ਕਿੰਨੀ ਵਾਰ ਇੱਕੋ ਥਾਂ ਦੇਖੀ ਜਾਂਦੀ ਹੈ

5 ਦਿਨ, 16 ਦਿਨ

ਬੱਦਲਵਾਈ ਵਾਲੇ ਦਿਨਾਂ ਵਿੱਚ ਡੇਟਾ ਦਾ ਨੁਕਸਾਨ

ਰੇਡੀਓਮੈਟ੍ਰਿਕ

ਪ੍ਰਕਾਸ਼ ਸੰਵੇਦਨਸ਼ੀਲਤਾ (ਬਿੱਟ ਡੂੰਘਾਈ)

8-ਬਿੱਟ, 12-ਬਿੱਟ

ਨੀਚ ਗਹਿਰਾਈ = ਘਟੀਆ ਵਿਤਕਰਾ

NDVI: ਫਾਰਮੂਲਾ ਅਤੇ ਵਿਆਖਿਆ

ਬਨਸਪਤੀ ਦੀ ਜੀਵਨਸ਼ਕਤੀ ਨੂੰ ਮਾਪਣ ਵਾਲਾ ਸਭ ਤੋਂ ਆਮ ਸੂਚਕਾਂਕ NDVI (ਨਾਰਮਲਾਈਜ਼ਡ ਡਿਫਰੈਂਸ ਵੈਜੀਟੇਸ਼ਨ ਇੰਡੈਕਸ) ਹੈ। ਇੱਕ ਸਿਹਤਮੰਦ ਪੌਦਾ ਇਨਫਰਾਰੈੱਡ (ਐਨਆਈਆਰ) ਦੇ ਨੇੜੇ ਪ੍ਰਤੀਬਿੰਬਤ ਹੁੰਦਾ ਹੈ ਅਤੇ ਲਾਲ (ਲਾਲ) ਨੂੰ ਸੋਖ ਲੈਂਦਾ ਹੈ:

NDVI = (NIR − RED) / (NIR + RED) ਮੁੱਲ ਰੇਂਜ: −1 ... +1 < 0 : ਪਾਣੀ, ਬਰਫ, ਬੱਦਲ 0.0 - 0.2 : ਨੰਗੀ ਮਿੱਟੀ, ਚੱਟਾਨ, ਬਣਾਇਆ ਖੇਤਰ 0.2 - 0.5 : ਸਪਾਰਸ/ਜੜੀ ਬੂਟੀਆਂ ਵਾਲੀ ਬਨਸਪਤੀ, ਤਣਾਅ ਵਾਲਾ ਕਵਰ 0.5 - ਹਰਾ ਕਵਰ 0.5 - 0.9, ਸਿਹਤਮੰਦ ਕਵਰ

# ਪਿਕਸਲਾਂ ਦੇ ਇੱਕ ਛੋਟੇ ਨਮੂਨੇ ਦੇ ਬਲਾਕ ਦਾ NDVI npnir = np.array ([[0.42, 0.38], [0.11, 0.45]]) ਦੇ ਰੂਪ ਵਿੱਚ numpy ਨੂੰ ਆਯਾਤ ਕਰਦਾ ਹੈ # ਇਨਫਰਾਰੈੱਡ ਰਿਫਲੈਕਟੈਂਸਰਡ = np.array ([[0.06, 0.09], [0.10 = 0.10, red ਪ੍ਰਤੀਬਿੰਬ]) # ਨੇੜੇ red) / (nir + red)print(np.round(ndvi, 2))# [[0.75 0.62]# [0.05 0.80]]# ਹੇਠਾਂ-ਖੱਬੇ ਪਿਕਸਲ (0.05): ਕੋਈ ਪੌਦਾ ਨਹੀਂ — ਬੇਰ ਗਰਾਊਂਡ ਜਾਂ ਪਾਣੀ/ਸ਼ੈਡੋ ਹੋ ਸਕਦਾ ਹੈ

ਸੰਕੇਤ: NDVI "ਸਿਹਤ" ਦਾ ਇੱਕ ਸੰਪੂਰਨ ਮਾਪ ਨਹੀਂ ਹੈ ਪਰ ਇੱਕ ਸਥਿਤੀ-ਨਿਰਭਰ ਸੂਚਕ ਹੈ। ਇੱਕੋ ਖੇਤਰ ਦੇ ਦੋ ਮਿਤੀਆਂ ਵਾਲੇ NDVIs ਦੀ ਤੁਲਨਾ ਕਰਦੇ ਸਮੇਂ, ਇਹ ਸੁਨਿਸ਼ਚਿਤ ਕਰੋ ਕਿ ਚਿੱਤਰ ਸਮਾਨ ਮੌਸਮਾਂ, ਸਮਾਨ ਸੂਰਜ ਦੇ ਕੋਣਾਂ ਅਤੇ ਬੱਦਲ-ਮੁਕਤ ਸਥਿਤੀਆਂ ਵਿੱਚ ਲਏ ਗਏ ਸਨ। ਗਰਮੀਆਂ ਦੇ ਅਖੀਰ ਦੀ ਬਸੰਤ ਰੁੱਤ ਦੀ ਦਿੱਖ ਦੀ ਤੁਲਨਾ ਕਰਨਾ ਇੱਕ ਅਸਧਾਰਨ "ਪੌਦਿਆਂ ਦਾ ਨੁਕਸਾਨ" ਪੈਦਾ ਕਰਦਾ ਹੈ।

ਵਿਸ਼ਲੇਸ਼ਣ ਬਦਲੋ (ਬਦਲੋ ਖੋਜ)

ਦੋ ਤਾਰੀਖਾਂ ਵਿੱਚ ਅੰਤਰ ਲੱਭਣ ਦਾ ਸਧਾਰਨ ਤਰੀਕਾ ਹੈ NDVI ਅੰਤਰ ਨੂੰ ਲੈਣਾ, ਪਰ ਇਹ ਅੰਤਰ ਤਾਂ ਹੀ ਅਰਥਪੂਰਨ ਹੈ ਜੇਕਰ ਚਿੱਤਰਾਂ ਦੀ ਤੁਲਨਾ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।

ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0 : ਕਵਰ ਦਾ ਨੁਕਸਾਨ ਸੰਭਵ (ਸੁਕਾਉਣਾ, ਕੱਟਣਾ, ਨਿਰਮਾਣ) ΔNDVI ≈ 0 : ਕੋਈ ਬਦਲਾਅ ਨਹੀਂ ΔNDVI >> 0 : ਕਵਰ ਵਧਾਉਣਾ ਸੰਭਵ (ਹਰੀਲੀ, ਬਹਾਲੀ) ਧਿਆਨ ਦਿਓ: ਅੰਤਰ ਅਸਲ ਤਬਦੀਲੀ/ਕਾਲਜ/ਕਾਲ ਦੇ ਅੰਤਰ ਦੇ ਨਾਲ-ਨਾਲ ਪ੍ਰਤੀਬਿੰਬਤ ਹੋ ਸਕਦਾ ਹੈ। ਅੰਤਰ = ਅਸਲ ਤਬਦੀਲੀ + ਰੌਲਾ।

ਸਾਵਧਾਨ: ਬੱਦਲ, ਬੱਦਲ ਛਾਇਆ ਅਤੇ ਮੌਸਮੀ ਤਬਦੀਲੀ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਸਭ ਤੋਂ ਵੱਡੇ ਵਿਰੋਧੀ ਹਨ। ਬੱਦਲਾਂ ਦੇ ਪਰਛਾਵੇਂ ਹੇਠਲਾ ਖੇਤਰ ਘੱਟ NDVI ਦਿੰਦਾ ਹੈ ਅਤੇ "ਬਨਸਪਤੀ ਨੁਕਸਾਨ" ਵਰਗਾ ਦਿਸਦਾ ਹੈ। ਜਦੋਂ LLM ਚਿੱਤਰ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ, ਤਾਂ ਮਾਡਲ ਅਸਲ ਘਟਨਾ ਲਈ ਇਹਨਾਂ ਕਲਾਤਮਕ ਚੀਜ਼ਾਂ ਨੂੰ ਗਲਤੀ ਦੇ ਸਕਦਾ ਹੈ। ਚਿੱਤਰ ਮੈਟਾਡੇਟਾ (ਤਾਰੀਖ, ਕਲਾਉਡ ਪ੍ਰਤੀਸ਼ਤ, ਸੂਰਜ ਕੋਣ) ਦੀ ਜਾਂਚ ਕਰਨਾ ਯਕੀਨੀ ਬਣਾਓ।

AI ਨਾਲ ਸੂਚਕਾਂਕ ਦੀ ਵਿਆਖਿਆ ਅਤੇ ਨਕਸ਼ੇ ਦਾ ਬਿਰਤਾਂਤ

LLM ਸੰਖਿਆਤਮਕ ਸੂਚਕਾਂਕ ਸਾਰਾਂ ਨੂੰ ਸਾਦੇ ਬਿਰਤਾਂਤ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਨ ਅਤੇ ਡਰਾਫਟ ਰਿਪੋਰਟਾਂ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਉਪਯੋਗੀ ਹੈ। ਇਸ ਨੂੰ ਕੱਚੇ NDVI ਅੰਕੜੇ ਅਤੇ ਮੈਟਾਡੇਟਾ ਦਿਓ ਅਤੇ ਇਸਨੂੰ ਤੁਹਾਡੇ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ ਟਿੱਪਣੀ ਬਣਾਉਣ ਲਈ ਕਹੋ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ: "ਕੀ ਇਸ ਸੈਟੇਲਾਈਟ ਚਿੱਤਰ ਵਿੱਚ ਵੈਟਲੈਂਡ ਛੋਟਾ ਹੋ ਗਿਆ ਹੈ?" ਮਜ਼ਬੂਤ ਸੰਕੇਤ: "ਮੈਂ ਦੋ ਮਿਤੀਆਂ ਵਾਲੇ NDVI ਅੰਕੜੇ ਦਿੰਦਾ ਹਾਂ (ਇੱਕੋ ਖੇਤਰ, ਇੱਕੋ ਸੈਂਸਰ): 2020-07-15 ਔਸਤ NDVI=0.61 ਕਲਾਊਡ=3% ਸੂਰਜ ਕੋਣ=58°2025-07-12 ਔਸਤ NDVI=0.42 ਕਲਾਉਡ=22% ਸੂਰਜ ਕੋਣ, ~55°A ਦਿਲਚਸਪੀ ਦਾ ਹੈਕਟੇਅਰ। ਤੁਹਾਡਾ ਕੰਮ: 1) ΔNDVI ਦੀ ਗਣਨਾ ਕਰੋ ਅਤੇ ਸੰਭਾਵਿਤ ਵਿਆਖਿਆਵਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ। 2) ਸੂਚੀ ਬਣਾਓ ਕਿ ਕਿਹੜੇ ਕਾਰਨਾਂ (ਬੱਦਲ, ਰੰਗਤ, ਪਾਣੀ ਦਾ ਪੱਧਰ, ਮੌਸਮ, ਕੈਲੀਬ੍ਰੇਸ਼ਨ) ਇਹ ਗਿਰਾਵਟ (ਬੱਦਲ, ਰੰਗਤ, ਪਾਣੀ ਦਾ ਪੱਧਰ, ਮੌਸਮ, ਕੈਲੀਬ੍ਰੇਸ਼ਨ) ਅਸਲ ਕਵਰ ਨੁਕਸਾਨ ਤੋਂ ਇਲਾਵਾ ਹੋਰ ਕਾਰਨ ਹੋ ਸਕਦੀ ਹੈ। ਚੋਣ, ਫੀਲਡ ਵਿਜ਼ਿਟ, ਪਾਣੀ ਦੇ ਪੱਧਰ ਦੀ ਰਿਕਾਰਡਿੰਗ। 4) ਸਹੀ ਦਾਅਵਾ 'ਰੀਡਬੈੱਡ X% ਤੱਕ ਸੁੰਗੜ ਗਿਆ ਹੈ' ਸੈੱਟਅੱਪ ਨਾ ਕਰੋ ਕਿ ਇਹ ਤਾਂ ਹੀ ਕਿਹਾ ਜਾ ਸਕਦਾ ਹੈ ਜੇਕਰ ਜ਼ਮੀਨੀ ਸੱਚਾਈ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕਰਦੀ ਹੈ।

ਮਜ਼ਬੂਤ ​​ਪ੍ਰੋਂਪਟ ਮਾਡਲ ਨੂੰ ਇੱਕ ਨਿਸ਼ਚਤ ਸਿੱਟੇ 'ਤੇ ਨਹੀਂ ਬਲਕਿ ਵਿਕਲਪਿਕ ਵਿਆਖਿਆਵਾਂ ਅਤੇ ਪੁਸ਼ਟੀਕਰਨ ਦੀ ਯੋਜਨਾ ਵੱਲ ਨਿਰਦੇਸ਼ਿਤ ਕਰਦਾ ਹੈ। ਇਹ ਤੱਥ ਕਿ 2025 ਚਿੱਤਰ ਵਿੱਚ 22% ਬੱਦਲ ਹਨ, ਇਹ ਗਿਰਾਵਟ ਆਪਣੇ ਆਪ ਵਿੱਚ ਸ਼ੱਕੀ ਬਣਾਉਂਦੀ ਹੈ।

ਜ਼ਮੀਨੀ ਸੱਚਾਈ ਦੀ ਪੁਸ਼ਟੀ

ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਵਿਆਖਿਆ ਦਾ ਗੋਲਡ ਸਟੈਂਡਰਡ ਫੀਲਡ ਵਿੱਚ ਕੀਤੇ ਗਏ ਨਿਰੀਖਣਾਂ ਅਤੇ ਮਾਪਾਂ ਦੇ ਨਾਲ ਤਸਦੀਕ ਪੁਆਇੰਟ ਹੈ। ਤੁਸੀਂ ਕਈ ਸੰਦਰਭ ਬਿੰਦੂਆਂ 'ਤੇ GPS ਦੇ ਨਾਲ ਅਸਲ ਭੂਮੀ ਕਵਰ ਨੂੰ ਰਿਕਾਰਡ ਕਰਦੇ ਹੋ ਅਤੇ ਇਸਦੀ ਚਿੱਤਰ ਵਰਗੀਕਰਨ ਨਾਲ ਤੁਲਨਾ ਕਰਦੇ ਹੋ। ਜੇਕਰ ਖੇਤਰ ਪਿਕਸਲ ਵਿੱਚ "ਸੁੱਕੇ ਕਾਨੇ" ਕਹਿੰਦਾ ਹੈ ਜਿੱਥੇ AI ਜਾਂ ਐਲਗੋਰਿਦਮ "ਪਾਣੀ" ਕਹਿੰਦਾ ਹੈ, ਤਾਂ ਵਰਗੀਕਰਨ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੈ।

ਮਿੰਨੀ ਕੇਸ

ਇੱਕ ਮਾਈਨਿੰਗ ਸਾਈਟ ਦੇ ਵਾਤਾਵਰਣ ਪ੍ਰਭਾਵ ਦੀ ਨਿਗਰਾਨੀ ਵਿੱਚ, ਟੀਮ ਨੇ ਸੈਟੇਲਾਈਟ ਚਿੱਤਰ ਤੋਂ ਗਣਨਾ ਕੀਤੀ ਗਈ NDVI ਕਟੌਤੀ ਦੇ ਆਧਾਰ 'ਤੇ "ਖਣਨ ਗਤੀਵਿਧੀ ਕਾਰਨ 15 ਹੈਕਟੇਅਰ ਜੰਗਲ ਦੇ ਨੁਕਸਾਨ" ਦਾ ਖਰੜਾ ਤਿਆਰ ਕੀਤਾ ਅਤੇ ਵਿਆਖਿਆ ਨੂੰ ਇੱਕ LLM ਵਿੱਚ ਫੈਲਾਇਆ; ਮਾਡਲ ਨੇ ਇੱਕ ਤਰਲ, ਪ੍ਰੇਰਕ ਬਿਰਤਾਂਤ ਤਿਆਰ ਕੀਤਾ। ਹਾਲਾਂਕਿ, ਜਦੋਂ ਟੀਮ ਦੁਆਰਾ ਫੀਲਡ 'ਤੇ ਰਿਪੋਰਟ ਦੀ ਜਾਂਚ ਕੀਤੀ ਗਈ, ਤਾਂ ਇਹ ਦੇਖਿਆ ਗਿਆ ਕਿ ਘੱਟ ਐਨਡੀਵੀਆਈ ਵਾਲੇ ਖੇਤਰ ਦਾ ਹਿੱਸਾ ਅਸਲ ਵਿੱਚ ਇੱਕ ਵਾਢੀ ਵਾਲਾ ਖੇਤੀਬਾੜੀ ਪਾਰਸਲ ਸੀ ਅਤੇ ਇਸਦਾ ਇੱਕ ਹਿੱਸਾ ਇੱਕ ਬੱਦਲ ਦਾ ਪਰਛਾਵਾਂ ਸੀ ਜੋ ਚਿੱਤਰ ਸ਼ੂਟਿੰਗ ਦੇ ਦਿਨ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਸੀ। ਅਸਲ ਜੰਗਲ ਦਾ ਨੁਕਸਾਨ ਲਗਭਗ 4 ਹੈਕਟੇਅਰ ਸੀ, ਨਾ ਕਿ 15। ਜੇਕਰ ਮੈਟਾਡੇਟਾ (ਕਲਾਊਡ ਮਾਸਕ) ਅਤੇ ਭੂਮੀ ਵਰਤੋਂ ਦੀ ਪਰਤ ਦੀ ਪਹਿਲਾਂ ਹੀ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ, ਤਾਂ ਗਲਤੀ ਨੂੰ ਪਹਿਲਾਂ ਹੀ ਰੋਕਿਆ ਜਾ ਸਕਦਾ ਸੀ। LLM ਦੇ ਸਾਫ਼ ਵਾਕਾਂ ਨੇ ਗਲਤ ਇਨਪੁਟ ਨੂੰ ਸਹੀ ਨਹੀਂ ਬਣਾਇਆ।

ਆਮ ਗਲਤੀਆਂ

• ਵੱਖ-ਵੱਖ ਮੌਸਮ/ਸੂਰਜ ਕੋਣ ਚਿੱਤਰਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨਾ ਅਤੇ "ਬਦਲਾਅ" ਲਈ ਮੌਸਮੀ ਅੰਤਰ ਨੂੰ ਗਲਤ ਸਮਝਣਾ।
• ਕਲਾਊਡ ਅਤੇ ਕਲਾਊਡ ਸ਼ੈਡੋ ਨੂੰ ਅਸਲ ਕਵਰ ਨੁਕਸਾਨ ਵਜੋਂ ਵਿਆਖਿਆ ਕਰਨਾ; ਕਲਾਉਡ ਮਾਸਕ ਨੂੰ ਬਾਈਪਾਸ ਕਰਨਾ.
• ਸਥਾਨਿਕ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਤੋਂ ਵੱਧ ਛੋਟੀਆਂ ਵਸਤੂਆਂ ਬਾਰੇ ਪਿਕਸਲ ਡੇਟਾ ਤੋਂ ਸਹੀ ਨਿਰਣੇ ਕਰਨਾ।
• ਕੋਆਰਡੀਨੇਟ ਸਿਸਟਮ/ਪ੍ਰੋਜੈਕਸ਼ਨ ਬੇਮੇਲ ਹੋਣ ਕਾਰਨ ਖੇਤਰਾਂ ਅਤੇ ਦੂਰੀਆਂ ਦੀ ਗਲਤ ਗਣਨਾ ਕਰਨਾ।
• ਇਹ ਸੋਚਣਾ ਕਿ NDVI ਸਿਹਤ ਦਾ ਇੱਕ ਸੰਪੂਰਨ ਮਾਪ ਹੈ ਅਤੇ ਪਾਣੀ ਅਤੇ ਸ਼ੈਡੋ ਪਿਕਸਲ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਸਮਝਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਉਹ ਪੌਦੇ ਸਨ।
• LLM ਦੇ ਤਰਲ ਨਕਸ਼ੇ ਦੇ ਬਿਰਤਾਂਤ ਨੂੰ ਰਿਪੋਰਟ ਵਿੱਚ ਜ਼ਮੀਨੀ ਸੱਚਾਈ ਤੋਂ ਬਿਨਾਂ ਇੱਕ ਅੰਤਮ ਖੋਜ ਵਜੋਂ ਸ਼ਾਮਲ ਕਰਨਾ।
• ਮੈਟਾਡੇਟਾ (ਤਾਰੀਖ, ਸੈਂਸਰ, ਕਲਾਉਡ %, ਪ੍ਰੋਸੈਸਿੰਗ ਪੱਧਰ) ਨੂੰ ਦਸਤਾਵੇਜ਼ ਕੀਤੇ ਬਿਨਾਂ ਨਤੀਜਿਆਂ ਦੀ ਰਿਪੋਰਟ ਕਰਨਾ।

ਸੰਖੇਪ ਵਿੱਚ

• GIS ਵਿਸ਼ਲੇਸ਼ਣ ਇੱਕ ਸਾਂਝੇ ਤਾਲਮੇਲ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਇਕਸਾਰ ਲੇਅਰਾਂ 'ਤੇ ਬਣਾਏ ਗਏ ਹਨ; ਪ੍ਰੋਜੈਕਸ਼ਨ ਗਲਤੀ ਨਤੀਜੇ ਨੂੰ ਵਿਗਾੜ ਦਿੰਦੀ ਹੈ।
• ਸਥਾਨਿਕ, ਸਪੈਕਟ੍ਰਲ, ਅਸਥਾਈ ਅਤੇ ਰੇਡੀਓਮੈਟ੍ਰਿਕ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਸੀਮਿਤ ਕਰਦਾ ਹੈ ਕਿ ਕੋਈ ਚਿੱਤਰ ਕੀ ਦਿਖਾ ਸਕਦਾ ਹੈ।
• NDVI = (NIR−RED)/(NIR+RED) ਪੌਦਿਆਂ ਦੀ ਤਾਕਤ ਦਾ ਇੱਕ ਸ਼ਰਤੀਆ ਸੂਚਕ ਹੈ, ਨਾ ਕਿ ਸਿਹਤ ਦਾ ਇੱਕ ਸੰਪੂਰਨ ਮਾਪ।
• ਪਰਿਵਰਤਨ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ, ਅੰਤਰ = ਸੱਚੀ ਤਬਦੀਲੀ + ਰੌਲਾ; ਬੱਦਲ, ਪਰਛਾਵੇਂ ਅਤੇ ਰੁੱਤ ਸਭ ਤੋਂ ਵੱਡੇ ਧੋਖੇਬਾਜ਼ ਹਨ।
• LLM ਸੂਚਕਾਂਕ ਦੀ ਵਿਆਖਿਆ ਅਤੇ ਨਕਸ਼ਾ ਬਿਰਤਾਂਤ ਰੂਪਰੇਖਾ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਪਰ ਸੈਟੇਲਾਈਟ ਚਿੱਤਰ ਨੂੰ "ਵੇਖਦਾ" ਨਹੀਂ ਹੈ; ਤੁਹਾਡੇ ਦੁਆਰਾ ਦਿੱਤੇ ਗਏ ਨੰਬਰ ਦੇ ਅਨੁਸਾਰ ਟਿੱਪਣੀਆਂ ਕਰੋ।
• AI ਵਿਆਖਿਆ ਅਤੇ ਆਟੋਮੈਟਿਕ ਵਰਗੀਕਰਨ ਨੂੰ ਜ਼ਮੀਨੀ ਸੱਚਾਈ ਅਤੇ ਮੈਟਾਡੇਟਾ ਨਾਲ ਤਸਦੀਕ ਕੀਤੇ ਬਿਨਾਂ ਅੰਤਮ ਵਾਤਾਵਰਣ ਸੰਬੰਧੀ ਖੋਜਾਂ ਵਿੱਚ ਅਨੁਵਾਦ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਇੱਕ ਖੇਤਰ ਲਈ ਦੋ ਮਿਤੀਆਂ ਵਾਲੇ NDVI ਸੰਖੇਪ ਬਣਾਓ ਜਾਂ ਮੰਨੋ (ਤੁਹਾਡੀ ਪਸੰਦ ਜਾਂ ਨਮੂਨੇ ਵਿੱਚੋਂ); ਹਰੇਕ ਮਿਤੀ ਲਈ ਮੈਟਾਡੇਟਾ (ਤਾਰੀਖ, ਬੱਦਲ ਪ੍ਰਤੀਸ਼ਤ, ਸੂਰਜ ਦਾ ਕੋਣ, ਸੈਂਸਰ) ਨੋਟ ਕਰੋ। ΔNDVI ਦੀ ਗਣਨਾ ਕਰੋ। ਇੱਕ ਮਜ਼ਬੂਤ ​​ਪ੍ਰੋਂਪਟ ਲਿਖੋ ਅਤੇ LLM ਨੂੰ ਨਾ ਸਿਰਫ਼ ਅਸਲ ਕਵਰ ਬਦਲਾਅ ਲਈ ਪੁੱਛੋ, ਸਗੋਂ ਵਿਕਲਪਕ ਸਪੱਸ਼ਟੀਕਰਨਾਂ (ਬੱਦਲ, ਪਰਛਾਵੇਂ, ਮੌਸਮ, ਪਾਣੀ ਦਾ ਪੱਧਰ, ਕੈਲੀਬ੍ਰੇਸ਼ਨ) ਅਤੇ ਹਰੇਕ ਲਈ ਇੱਕ ਪੁਸ਼ਟੀਕਰਨ ਪੜਾਅ ਲਈ ਪੁੱਛੋ। ਫਿਰ "ਭੂਮੀ ਸੱਚਾਈ ਪੁਸ਼ਟੀਕਰਨ ਯੋਜਨਾ" ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰੋ: ਘੱਟੋ-ਘੱਟ ਤਿੰਨ ਸੰਦਰਭ ਬਿੰਦੂ, ਖੇਤਰ ਵਿੱਚ ਕੀ ਮਾਪਿਆ ਜਾਵੇਗਾ, ਅਤੇ ਇਹ ਚਿੱਤਰ ਵਿਆਖਿਆ ਨਾਲ ਕਿਵੇਂ ਤੁਲਨਾ ਕਰੇਗਾ। ਅੰਤ ਵਿੱਚ, ਨਿਸ਼ਾਨ ਲਗਾਓ ਕਿ LLM ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਬਿਰਤਾਂਤ ਵਿੱਚ ਕਿਹੜਾ ਬਿਆਨ ਹੈ "ਬਿਨਾਂ ਤਸਦੀਕ ਕੀਤੇ ਰਿਪੋਰਟ ਵਿੱਚ ਸ਼ਾਮਲ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ" ਅਤੇ ਕਾਰਨ ਲਿਖੋ।