ਲਾਭ:
- ਸੈਟੇਲਾਈਟ ਅਤੇ ਏਰੀਅਲ ਚਿੱਤਰਾਂ ਵਿੱਚ AI ਨਾਲ ਲਿਥੋਲੋਜੀ, ਫਾਲਟ ਅਤੇ ਪਰਿਵਰਤਨ ਮੈਪਿੰਗ ਕਿਵੇਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਇਹ ਦੱਸਣ ਦੀ ਸਮਰੱਥਾ।
- ਵਰਕਫਲੋ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਜੋ ਮਲਟੀਸਪੈਕਟ੍ਰਲ/ਹਾਈਪਰਸਪੈਕਟਰਲ ਡੇਟਾ ਤੋਂ ਖਣਿਜ ਅਤੇ ਬਣਤਰ ਮਾਰਕਰਾਂ ਨੂੰ ਕੱਢਦਾ ਹੈ
- ਜ਼ਮੀਨੀ ਸੱਚਾਈ ਅਤੇ ਭੂ-ਵਿਗਿਆਨਕ ਸੰਦਰਭ ਦੇ ਨਾਲ ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਆਉਟਪੁੱਟ ਦੀ ਜਾਂਚ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
ਭੂ-ਵਿਗਿਆਨਕ ਨਕਸ਼ਾ ਸਤ੍ਹਾ 'ਤੇ ਕਿਸੇ ਖੇਤਰ ਦੀ ਭੂਮੀਗਤ ਕਹਾਣੀ ਦਾ ਅਨੁਮਾਨ ਹੈ: ਕਿਹੜੀ ਚੱਟਾਨ ਇਕਾਈ ਹੈ ਕਿੱਥੇ ਹੈ, ਨੁਕਸ ਕਿੱਥੋਂ ਲੰਘਦੇ ਹਨ, ਪਰਤਾਂ ਕਿਸ ਦਿਸ਼ਾ ਵਿੱਚ ਝੁਕੀਆਂ ਹੋਈਆਂ ਹਨ। ਕਲਾਸੀਕਲ ਤੌਰ 'ਤੇ, ਇਹ ਨਕਸ਼ਾ ਇੱਕ ਉਤਪਾਦ ਹੈ ਜੋ ਭੂ-ਵਿਗਿਆਨੀ ਕਈ ਮਹੀਨਿਆਂ ਦੇ ਫੀਲਡ ਵਰਕ ਦੇ ਨਾਲ, ਆਊਟਕ੍ਰੌਪ ਤੋਂ ਆਊਟਕ੍ਰੌਪ ਤੱਕ ਯਾਤਰਾ ਕਰਕੇ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਅੱਜ, ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਅਤੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਤੇਜ਼ ਕਰਦੇ ਹਨ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਦੇਖਾਂਗੇ ਕਿ ਕਿਵੇਂ ਲੀਥੋਲੋਜੀ, ਫਾਲਟ ਅਤੇ ਅਲਟਰੇਸ਼ਨ (ਹਾਈਡ੍ਰੋਥਰਮਲ ਵਾਟਰਸ ਨਾਲ ਚੱਟਾਨ ਦਾ ਰਸਾਇਣਕ ਬਦਲਾਅ; ਖਣਿਜ ਖੋਜ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸੂਚਕ) ਮੈਪਿੰਗ ਸੈਟੇਲਾਈਟ/ਏਰੀਅਲ ਚਿੱਤਰਾਂ ਤੋਂ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨਾਲ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ, ਇਹਨਾਂ ਆਉਟਪੁੱਟਾਂ ਨੂੰ ਜ਼ਮੀਨ ਦੀ ਅਸਲੀਅਤ ਨਾਲ ਕਿਵੇਂ ਪਰਖਿਆ ਜਾਂਦਾ ਹੈ।
ਸ਼ੁਰੂ ਤੋਂ ਇੱਕ ਚੇਤਾਵਨੀ: ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਚਿੱਤਰ ਇੱਕ ਮਾਪ ਹੈ, ਇੱਕ ਵਿਆਖਿਆ ਨਹੀਂ; ਪਰ ਉਸ ਮਾਪ ਤੋਂ ਲਿਆ ਗਿਆ ਹਰ ਨਕਸ਼ਾ ਇੱਕ ਵਿਆਖਿਆ ਹੈ ਅਤੇ ਵਿਆਖਿਆ ਵਿੱਚ ਗਲਤੀ ਹੈ। ਨਕਲੀ ਬੁੱਧੀ ਦੁਆਰਾ ਚਿੰਨ੍ਹਿਤ ਇੱਕ "ਪਰਿਵਰਤਨ ਜ਼ੋਨ" ਇੱਕ ਅਸਲ ਖਣਿਜ ਸੂਚਕ, ਇੱਕ ਸੁੱਕਿਆ ਹੋਇਆ ਖੇਤਰ, ਇੱਕ ਪਰਛਾਵਾਂ, ਜਾਂ ਇੱਕ ਵਾਯੂਮੰਡਲ ਗੜਬੜ ਹੋ ਸਕਦਾ ਹੈ। ਖੇਤਰ ਵਿੱਚ ਪ੍ਰਮਾਣਿਤ ਹੋਣ ਤੱਕ ਨਕਸ਼ਾ ਇੱਕ ਪਰਿਕਲਪਨਾ ਹੈ।
ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਦਾ ਮੂਲ ਭੌਤਿਕ ਵਿਗਿਆਨ
ਹਰੇਕ ਖਣਿਜ ਅਤੇ ਚੱਟਾਨ ਵੱਖ-ਵੱਖ ਦਰਾਂ 'ਤੇ ਵੱਖ-ਵੱਖ ਤਰੰਗ-ਲੰਬਾਈ 'ਤੇ ਸੂਰਜ ਦੀ ਰੌਸ਼ਨੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ; ਇਸ ਨੂੰ ਸਪੈਕਟ੍ਰਲ ਹਸਤਾਖਰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਮਨੁੱਖੀ ਅੱਖ ਸਿਰਫ਼ ਦਿਸਣਯੋਗ ਰੋਸ਼ਨੀ (ਲਾਲ-ਹਰਾ-ਨੀਲਾ) ਦੇਖਦੀ ਹੈ, ਪਰ ਸੈਟੇਲਾਈਟ ਸੈਂਸਰ ਇਨਫਰਾਰੈੱਡ ਸਮੇਤ ਬਹੁਤ ਜ਼ਿਆਦਾ ਵਿਆਪਕ ਰੇਂਜ ਨੂੰ ਮਾਪਦੇ ਹਨ। ਦੋ ਬੁਨਿਆਦੀ ਧਾਰਨਾਵਾਂ:
ਕਈ ਵਿਆਪਕ ਤਰੰਗ-ਲੰਬਾਈ ਬੈਂਡਾਂ ਵਿੱਚ ਮਲਟੀਸਪੈਕਟਰਲ ਇਮੇਜਿੰਗ ਮਾਪ (ਆਮ ਤੌਰ 'ਤੇ 4-12 ਬੈਂਡ); ਉਦਾਹਰਨ ਲਈ, ਲੈਂਡਸੈਟ ਅਤੇ ਸੈਂਟੀਨੇਲ ਉਪਗ੍ਰਹਿ। ਇਹ ਮੋਟਾ ਚੱਟਾਨਾਂ ਨੂੰ ਵੱਖ ਕਰਦਾ ਹੈ। ਹਾਈਪਰਸਪੈਕਟਰਲ ਇਮੇਜਿੰਗ, ਦੂਜੇ ਪਾਸੇ, ਸੈਂਕੜੇ ਤੰਗ ਬੈਂਡਾਂ ਵਿੱਚ ਮਾਪਦੀ ਹੈ ਅਤੇ ਲਗਭਗ ਉਹਨਾਂ ਦੇ "ਸਪੈਕਟਰਲ ਫਿੰਗਰਪ੍ਰਿੰਟ" ਤੋਂ ਖਣਿਜਾਂ ਨੂੰ ਪਛਾਣ ਸਕਦੀ ਹੈ; ਇਸਦੀ ਵਰਤੋਂ ਪਰਿਵਰਤਨਸ਼ੀਲ ਖਣਿਜਾਂ (ਜਿਵੇਂ ਕਿ ਕੈਓਲਿਨਾਈਟ, ਅਲੂਨਾਈਟ, ਇਲਾਇਟ) ਨੂੰ ਵੱਖ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
AI ਇੱਥੇ ਦੋ ਕੰਮ ਕਰਦਾ ਹੈ: ਪਹਿਲਾ, ਇਹ ਇਸ ਉੱਚ-ਆਯਾਮੀ ਸਪੈਕਟ੍ਰਲ ਡੇਟਾ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕਰਦਾ ਹੈ (ਕਿਹੜਾ ਪਿਕਸਲ ਕਿਹੜਾ ਲਿਥੋਲੋਜੀ/ਖਣਿਜ ਹੈ)। ਦੂਜਾ, ਇਹ ਚਿੱਤਰ ਦੇ ਜਿਓਮੈਟ੍ਰਿਕ ਪੈਟਰਨਾਂ (ਲਾਈਨਮੈਂਟਸ, ਟੈਕਸਟਚਰ, ਡਰੇਨੇਜ ਨੈਟਵਰਕ) ਤੋਂ ਨੁਕਸ ਅਤੇ ਢਾਂਚਾਗਤ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਕੱਢਦਾ ਹੈ। ਜਦੋਂ ਡਿਜੀਟਲ ਐਲੀਵੇਸ਼ਨ ਮਾਡਲ (ਛੋਟੇ ਲਈ DEM; ਜ਼ਮੀਨ ਦਾ ਤਿੰਨ-ਅਯਾਮੀ ਉਚਾਈ ਦਾ ਨਕਸ਼ਾ) ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਢਲਾਣ, ਪਹਿਲੂ ਅਤੇ ਟੌਪੋਗ੍ਰਾਫਿਕ ਰੇਖਾਵਾਂ ਨੂੰ ਵੀ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਕਦਮ ਦਰ ਕਦਮ: ਇੱਕ ਤਬਦੀਲੀ ਦਾ ਨਕਸ਼ਾ ਵਰਕਫਲੋ
- ਚਿੱਤਰ ਨੂੰ ਤਿਆਰ ਕਰੋ. ਵਾਯੂਮੰਡਲ ਸੁਧਾਰ (ਵਾਯੂਮੰਡਲ ਦੇ ਵਿਗਾੜ ਵਾਲੇ ਪ੍ਰਭਾਵ ਨੂੰ ਹਟਾਉਣਾ), ਕਲਾਉਡ ਮਾਸਕਿੰਗ, ਬਨਸਪਤੀ ਮਾਸਕ। ਜੇਕਰ ਇਹ ਕਦਮ ਛੱਡ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ ਤਾਂ ਸਾਰਾ ਨਤੀਜਾ ਦੂਸ਼ਿਤ ਹੋ ਜਾਵੇਗਾ।
- ਆਪਣੀ ਦਿਲਚਸਪੀ ਦਾ ਖੇਤਰ ਛੋਟਾ ਕਰੋ। ਅਧਿਐਨ ਖੇਤਰ ਨੂੰ ਭੂ-ਵਿਗਿਆਨਕ ਸੰਦਰਭ ਤੱਕ ਸੀਮਿਤ ਕਰੋ (ਜਾਣਿਆ ਨੁਕਸ, ਗਠਨ, ਆਊਟਕ੍ਰੌਪ); ਮਾਡਲ ਨੂੰ ਸੰਦਰਭ ਦਿਓ.
- ਸਪੈਕਟ੍ਰਲ ਸੂਚਕਾਂਕ ਦੀ ਗਣਨਾ ਕਰੋ। ਬੈਂਡ ਅਨੁਪਾਤ ਜੋ ਖਾਸ ਖਣਿਜ ਸਮੂਹਾਂ ਨੂੰ ਉਜਾਗਰ ਕਰਦੇ ਹਨ (ਜਿਵੇਂ ਕਿ ਆਇਰਨ ਆਕਸਾਈਡ, ਮਿੱਟੀ ਦੇ ਖਣਿਜਾਂ ਲਈ)।
- ਵਰਗੀਕਰਨ ਕਰੋ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਪਿਕਸਲ/ਖੇਤਰਾਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰਦੀ ਹੈ ਅਤੇ ਸੰਭਾਵਿਤ ਪਰਿਵਰਤਨ ਜ਼ੋਨਾਂ ਦੀ ਨਿਸ਼ਾਨਦੇਹੀ ਕਰਦੀ ਹੈ।
- ਭੂਮੀ ਤਸਦੀਕ ਨੂੰ ਤਹਿ ਕਰੋ। ਨਿਸ਼ਾਨਬੱਧ ਜ਼ੋਨਾਂ ਵਿੱਚੋਂ ਨਮੂਨਾ ਬਿੰਦੂ ਚੁਣੋ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਖੇਤਰ ਵਿੱਚ ਚੈੱਕ ਕਰੋ। ਇਸ ਕਦਮ ਤੋਂ ਬਿਨਾਂ ਨਕਸ਼ੇ 'ਤੇ ਹਸਤਾਖਰ ਨਹੀਂ ਕੀਤੇ ਜਾਣਗੇ।
ਚਿੱਤਰ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੀ ਭੂਮਿਕਾ ਅਤੇ ਸੀਮਾਵਾਂ
ਖਾਸ ਤੌਰ 'ਤੇ, AI ਦੋ ਤਰ੍ਹਾਂ ਦੀਆਂ ਗਲਤੀਆਂ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ: ਇਹ ਸੂਖਮ ਵਿਗਾੜਾਂ ਨੂੰ ਫੜਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਇਹ ਅਸੰਗਤ ਵਿਆਖਿਆਵਾਂ ਨੂੰ ਮਿਆਰੀ ਬਣਾਉਂਦਾ ਹੈ। ਪਰ ਇਹ ਤਿੰਨ ਯੋਜਨਾਬੱਧ ਗਲਤੀਆਂ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਪਹਿਲਾ ਇੱਕ ਗਲਤ ਸਕਾਰਾਤਮਕ ਹੈ: ਬਨਸਪਤੀ, ਛਾਂ, ਮਨੁੱਖੀ ਬਣਤਰ, ਜਾਂ ਮਿੱਟੀ ਦੀ ਨਮੀ ਵਿੱਚ ਤਬਦੀਲੀ ਦਿਖਾਈ ਦੇ ਸਕਦੀ ਹੈ। ਦੂਜਾ ਸਿਖਲਾਈ ਪੱਖਪਾਤ ਹੈ: ਜੇ ਮਾਡਲ ਨੂੰ ਕਿਸੇ ਹੋਰ ਖੇਤਰ ਦੇ ਡੇਟਾ 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਇਹ ਤੁਹਾਡੀ ਸਾਈਟ ਦੇ ਵੱਖੋ-ਵੱਖਰੇ ਲਿਥੋਲੋਜੀ 'ਤੇ ਗਲਤ ਹੋਵੇਗਾ. ਤੀਜਾ ਪੈਮਾਨੇ ਦਾ ਭੁਲੇਖਾ ਹੈ: ਇੱਕ ਪਿਕਸਲ ਜ਼ਮੀਨ 'ਤੇ ਦਸਾਂ ਮੀਟਰਾਂ ਨੂੰ ਕਵਰ ਕਰਦਾ ਹੈ; ਵਧੀਆ ਬਣਤਰ ਖਤਮ ਹੋ ਗਏ ਹਨ, ਮਿਸ਼ਰਤ ਪਿਕਸਲ (ਇੱਕ ਪਿਕਸਲ ਵਿੱਚ ਕਈ ਸਮੱਗਰੀ) ਗੁੰਮਰਾਹਕੁੰਨ ਹਨ।
ਇਸ ਲਈ ਸੁਨਹਿਰੀ ਨਿਯਮ: ਜ਼ਮੀਨੀ ਸੱਚ ਦੀ ਹਮੇਸ਼ਾ ਜਿੱਤ ਹੁੰਦੀ ਹੈ। ਚਿੱਤਰ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਨਕਸ਼ੇ ਨੂੰ ਖੇਤਰ ਵਿੱਚ ਚੁਣੇ ਹੋਏ ਬਿੰਦੂਆਂ 'ਤੇ ਨਮੂਨਿਆਂ ਅਤੇ ਨਿਰੀਖਣਾਂ ਨਾਲ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ ਨਿਸ਼ਚਤ ਨਹੀਂ ਮੰਨਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਪੁਸ਼ਟੀਕਰਨ ਬਿੰਦੂ ਬੇਤਰਤੀਬੇ ਨਹੀਂ ਚੁਣੇ ਜਾਂਦੇ ਹਨ, ਪਰ ਰਣਨੀਤਕ ਤੌਰ 'ਤੇ, "ਕੁਝ" ਅਤੇ "ਸ਼ੱਕੀ" ਜ਼ੋਨ ਦੋਵਾਂ ਨੂੰ ਕਵਰ ਕਰਨ ਲਈ।
ਤਿੰਨ ਮਿੰਨੀ ਕੇਸ: ਨੰਬਰ ਦੁਆਰਾ
ਕੇਸ 1 — ਖੋਜ ਖੇਤਰ ਨੂੰ ਛੋਟਾ ਕਰਨਾ। ਇੱਕ ਖੋਜ ਕੰਪਨੀ 1,200 km² ਦੇ ਲਾਇਸੈਂਸ ਖੇਤਰ ਦਾ ਮੁਲਾਂਕਣ ਕਰ ਰਹੀ ਸੀ। ਹਾਈਪਰਸਪੈਕਟਰਲ ਡੇਟਾ ਤੋਂ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ-ਸਹਾਇਕ ਪਰਿਵਰਤਨ ਵਰਗੀਕਰਨ ਨੇ ਖੇਤਰ ਨੂੰ 38 ਕਿਮੀ² ਦੇ 7 ਟੀਚੇ ਵਾਲੇ ਖੇਤਰਾਂ ਤੱਕ ਘਟਾ ਦਿੱਤਾ। ਪੂਰੇ ਖੇਤਰ ਦਾ ਦੌਰਾ ਕਰਨ ਦੀ ਬਜਾਏ, ਫੀਲਡ ਟੀਮ ਨੇ ਇਨ੍ਹਾਂ 7 ਜ਼ੋਨਾਂ ਨੂੰ ਤਰਜੀਹ ਦਿੱਤੀ; ਸ਼ੁਰੂਆਤੀ ਫੀਲਡ ਮੁਹਿੰਮ ਦਾ ਸਮਾਂ ਅੰਦਾਜ਼ਨ 70% ਘਟਾ ਦਿੱਤਾ ਗਿਆ ਸੀ। 7 ਜ਼ੋਨਾਂ ਵਿੱਚੋਂ 5 ਨੇ ਫੀਲਡ ਵਿੱਚ ਅਸਲ ਤਬਦੀਲੀ ਦਿਖਾਈ, 2 ਝੂਠੇ ਸਕਾਰਾਤਮਕ ਸਨ (ਮਿੱਟੀ ਵਾਲੀ ਮਿੱਟੀ) — ਬਿਨਾਂ ਤਸਦੀਕ ਕੀਤੇ, ਇਹ 2 ਜ਼ੋਨ ਡ੍ਰਿਲਿੰਗ ਨੂੰ ਬਰਬਾਦ ਕਰ ਦਿੱਤਾ ਜਾਵੇਗਾ।
ਕੇਸ 2 - ਫਾਲਟ ਮੈਪਿੰਗ ਸ਼ੁਰੂਆਤੀ ਸਕੈਚ। DEM ਅਤੇ ਚਿੱਤਰ-ਐਕਸਟ੍ਰੈਕਟਡ ਲਾਈਨਮੈਂਟ ਵਿਸ਼ਲੇਸ਼ਣ ਨੇ ਜਾਣੇ-ਪਛਾਣੇ ਮੁੱਖ ਨੁਕਸ ਦੇ ਨਾਲ-ਨਾਲ ਦੋ ਛੋਟੀਆਂ ਲਾਈਨਾਂ ਦਾ ਸੁਝਾਅ ਦਿੱਤਾ। ਇੱਕ ਖੇਤ ਵਿੱਚ ਇੱਕ ਅਸਲ ਨੁਕਸ ਨਿਕਲਿਆ; ਦੂਜਾ ਪਾਈਪਲਾਈਨ ਰੂਟ ਦਾ ਟੌਪੋਗ੍ਰਾਫਿਕ ਟਰੇਸ ਨਿਕਲਿਆ। ਮਾਡਲ ਨੇ ਜਿਓਮੈਟ੍ਰਿਕ ਪੈਟਰਨ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਹਾਸਲ ਕੀਤਾ ਪਰ ਇਸਦੇ ਮੂਲ ਨੂੰ ਵੱਖਰਾ ਨਹੀਂ ਕਰ ਸਕਿਆ; ਉਸਨੇ ਭੂ-ਵਿਗਿਆਨਕ ਪ੍ਰਸੰਨਤਾ ਅਤੇ ਖੇਤਰ ਨਿਯੰਤਰਣ ਵਿੱਚ ਅੰਤਰ ਕੀਤਾ।
ਕੇਸ 3 - ਕਲਾਉਡ ਸ਼ੈਡੋ ਦੀ ਗਲਤੀ। ਇੱਕ ਖੇਤਰ ਵਿੱਚ ਮਾਡਲ ਨੇ ਉੱਤਰੀ ਢਲਾਨ ਉੱਤੇ ਇੱਕ ਮਜ਼ਬੂਤ "ਆਇਰਨ ਆਕਸਾਈਡ ਤਬਦੀਲੀ" ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ। ਵਾਯੂਮੰਡਲ ਸੁਧਾਰ ਅਧੂਰਾ ਸੀ ਅਤੇ ਹਸਤਾਖਰ ਅਸਲ ਵਿੱਚ ਇੱਕ ਪਤਲੇ ਬੱਦਲ ਕਵਰ ਦਾ ਇੱਕ ਸਪੈਕਟ੍ਰਲ ਵਿਗਾੜ ਸੀ। ਜਦੋਂ ਚਿੱਤਰ ਨੂੰ ਦੁਬਾਰਾ ਪ੍ਰੋਸੈਸ ਕੀਤਾ ਗਿਆ ਅਤੇ ਠੀਕ ਕੀਤਾ ਗਿਆ, ਤਾਂ ਵਿਗਾੜ ਅਲੋਪ ਹੋ ਗਿਆ। ਸਬਕ: ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ ਗਲਤੀ ਸਭ ਤੋਂ ਉੱਨਤ ਮਾਡਲ ਨੂੰ ਵੀ ਮੂਰਖ ਬਣਾ ਦਿੰਦੀ ਹੈ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਇਸ ਸੈਟੇਲਾਈਟ ਚਿੱਤਰ ਵਿੱਚ ਉਹ ਸਥਾਨ ਦਿਖਾਓ ਜਿੱਥੇ ਖਾਣਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਭੂ-ਵਿਗਿਆਨੀ। ਨਿਮਨਲਿਖਤ ਸਪੈਕਟ੍ਰਲ ਸੂਚਕਾਂਕ ਅਤੇ ਬੈਂਡ ਅਨੁਪਾਤ ਮੁੱਲਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰੋ (ਚਿੱਤਰ ਸੈਂਟੀਨੇਲ-2, ਸੁੱਕਾ ਜ਼ੋਨ, ਸਪਾਰਸ ਬਨਸਪਤੀ)।- ਹਰੇਕ ਸੰਭਾਵੀ ਪਰਿਵਰਤਨ ਜ਼ੋਨ ਲਈ: ਲਿਖੋ ਕਿ ਕਿਸ ਸੂਚਕਾਂਕ/ਅਨੁਪਾਤ ਨੇ ਇਸਨੂੰ ਚਾਲੂ ਕੀਤਾ।- ਹਰੇਕ ਜ਼ੋਨ ਲਈ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਝੂਠੇ ਸਕਾਰਾਤਮਕ ਸਰੋਤ ਦਾ ਸੁਝਾਅ ਦਿਓ (ਬਨਸਪਤੀ, ਪਰਛਾਵਾਂ, ਮਿੱਟੀ, ਮੈਨ-ਸਟੈਰੇਮਜ਼ੋਨ-ਏਟ-ਮੋਟਰਮਜ਼ੋਨ)। ਤਸਦੀਕ ਪ੍ਰਾਥਮਿਕਤਾ" (ਉੱਚ/ਮੱਧਮ/ਘੱਟ)।- ਕਿਸੇ ਵੀ ਜ਼ੋਨ ਨੂੰ "ਖਣਨ" ਵਜੋਂ ਪੇਸ਼ ਨਾ ਕਰੋ; "ਤਬਦੀਲੀ ਟੋਕਨ ਦੀ ਪੁਸ਼ਟੀ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ" ਡੇਟਾ: [ਸੂਚਕਾਂਕ/ਦਰ ਸਾਰਣੀ + ਸੰਦਰਭ]
ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ ਮਾਡਲ ਨੂੰ ਗਲਤ ਸਕਾਰਾਤਮਕ ਸੂਚੀਬੱਧ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕਰਦਾ ਹੈ ਅਤੇ ਸਟੀਕਤਾ ਦਾ ਦਾਅਵਾ ਕਰਨ ਤੋਂ ਬਚਦਾ ਹੈ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਨਮੂਨੇ
1) ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ ਚੈੱਕਲਿਸਟ:
ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ ਕਦਮਾਂ ਦੀ ਜਾਂਚ ਕਰੋ ਜੋ ਸ਼ਾਇਦ ਹੇਠਾਂ ਦਿੱਤੇ ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਵਰਕਫਲੋ ਵਿੱਚ ਛੱਡੇ ਗਏ ਹਨ: ਵਾਯੂਮੰਡਲ ਸੁਧਾਰ, ਕਲਾਉਡ/ਸ਼ੈਡੋ ਮਾਸਕ, ਬਨਸਪਤੀ ਮਾਸਕ, ਟੌਪੋਗ੍ਰਾਫਿਕ ਸੁਧਾਰ, ਸੈਂਸਰ ਕੈਲੀਬ੍ਰੇਸ਼ਨ। ਹਰੇਕ ਲਈ ਇੱਕ ਵਾਕ ਵਿੱਚ ਵਿਆਖਿਆ ਕਰੋ ਕਿ ਕਿਵੇਂ ਗੁੰਮ ਹੋਏ ਕਦਮ ਤੁਹਾਡੇ ਸਿੱਟੇ ਨੂੰ ਪੱਖਪਾਤ ਕਰ ਸਕਦੇ ਹਨ। ਵਰਕਫਲੋ: [ਪਰਿਭਾਸ਼ਾ]
2) ਪਰਿਵਰਤਨ ਜ਼ੋਨ ਦੀ ਵਿਆਖਿਆ:
ਨਿਮਨਲਿਖਤ ਸਪੈਕਟ੍ਰਲ ਸੂਚਕਾਂਕ ਮੁੱਲਾਂ (ਮਿੱਟੀ, ਆਇਰਨ ਆਕਸਾਈਡ, ਕਾਰਬੋਨੇਟ, ਸਿਲਿਕਾ) ਤੋਂ ਸੰਭਵ ਪਰਿਵਰਤਨ ਖਣਿਜ ਸਮੂਹਾਂ ਨੂੰ ਕੱਢੋ। ਹਰੇਕ ਸਮੂਹ ਲਈ: ਟਰਿੱਗਰ ਸੂਚਕਾਂਕ, ਵਿਸ਼ਵਾਸ ਪੱਧਰ, ਵਿਕਲਪਿਕ ਵਿਆਖਿਆ (ਗਲਤ ਸਕਾਰਾਤਮਕ), ਪ੍ਰਸਤਾਵਿਤ ਫੀਲਡ ਜਾਂਚ। ਨਿਸ਼ਚਤਤਾ ਦਾ ਦਾਅਵਾ ਕਰਨਾ। ਡੇਟਾ: [ਸੂਚਕਾਂਕ]
3) ਰੇਖਾਵਾਂ/ਨੁਕਸ ਵੱਖ ਕਰਨਾ:
ਹੇਠਾਂ ਦਿੱਤੀ ਰੇਖਿਕਤਾ ਦੀ ਸੂਚੀ 'ਤੇ ਗੌਰ ਕਰੋ। ਹਰੇਕ ਲਈ ਸੰਭਾਵੀ ਮੂਲ ਦੀ ਸੂਚੀ ਬਣਾਓ: ਨੁਕਸ, ਪਲੇਟ ਸੀਮਾ, ਡਾਈਕ, ਡਰੇਨੇਜ, ਮਨੁੱਖੀ ਬਣਤਰ (ਸੜਕ/ਲਾਈਨ/ਫੀਲਡ), ਬਨਸਪਤੀ ਸੀਮਾ। ਭੂ-ਵਿਗਿਆਨਕ ਸੰਦਰਭ ਦੇ ਨਾਲ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਤ ਮੂਲ ਦਾ ਵਰਣਨ ਕਰੋ, ਪਰ ਇੱਕੋ ਇੱਕ ਸੰਭਾਵਨਾ ਨੂੰ ਛੱਡ ਦਿਓ। ਸੂਚੀ: [ਰੇਖਿਕਤਾ + ਪ੍ਰਸੰਗ]
4) ਪੁਸ਼ਟੀਕਰਨ ਬਿੰਦੂ ਯੋਜਨਾ:
ਨਿਮਨਲਿਖਤ ਪਰਿਵਰਤਨ/ਲਿਥੋਲੋਜੀ ਨਕਸ਼ੇ ਲਈ ਇੱਕ ਫੀਲਡ ਤਸਦੀਕ ਯੋਜਨਾ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰੋ:- ਹਰੇਕ ਕਲਾਸ ਲਈ ਕਿੰਨੇ ਨਮੂਨੇ ਦੇ ਅੰਕ, ਕਿਉਂ।- "ਨਿਸ਼ਚਿਤ" ਅਤੇ "ਸੰਦੇਹਯੋਗ" ਜ਼ੋਨਾਂ ਦਾ ਸੰਤੁਲਿਤ ਨਮੂਨਾ।- ਪਹੁੰਚ ਅਤੇ ਸੁਰੱਖਿਆ ਨੋਟ। ਨਕਸ਼ਾ ਸੰਖੇਪ: [ਕਲਾਸ ਅਤੇ ਖੇਤਰ]
ਚਿੱਤਰ ਦੀ ਕਿਸਮ ਅਤੇ ਵਰਤੋਂ ਦਾ ਖੇਤਰ
ਡਾਟਾ ਕਿਸਮ
ਕੀ ਉਪਾਅ
ਉਸਦੀ ਤਾਕਤ ਹੈ
ਸੀਮਾ
ਮਲਟੀਸਪੈਕਟਰਲ (ਸੈਂਟੀਨਲ/ਲੈਂਡਸੈਟ)
ਬਰਾਡਬੈਂਡ
ਮੋਟਾ ਲਿਥੋਲੋਜੀ, ਖੇਤਰੀ ਸਕੈਨਿੰਗ
ਖਣਿਜ ਵੱਖਰਾ ਸੀਮਿਤ ਹੈ
ਹਾਈਪਰਸਪੈਕਟਰਲ
ਸੈਂਕੜੇ ਤੰਗ ਪੱਟੀਆਂ
ਖਣਿਜ/ਪਰਿਵਰਤਨ ਅੰਤਰ
ਲਾਗਤ, ਓਵਰਹੈੱਡ ਦੀ ਪ੍ਰਕਿਰਿਆ
DEM (ਉਚਾਈ)
ਭੂਗੋਲ
ਫਾਲਟ/ਲਾਈਨਮੈਂਟ, ਡਰੇਨੇਜ
ਲਿਥੋਲੋਜੀ ਨਹੀਂ ਦਿੰਦੀ
ਥਰਮਲ ਇਨਫਰਾਰੈੱਡ
ਸਤਹ ਦਾ ਤਾਪਮਾਨ
ਕੁਝ ਸਿਲੀਕੇਟ/ਕਾਰਬੋਨੇਟ
ਮਾਹੌਲ ਪ੍ਰਤੀ ਸੰਵੇਦਨਸ਼ੀਲ
ਰਾਡਾਰ (SAR)
ਸਤਹ ਦੀ ਖੁਰਦਰੀ/ਵਿਗਾੜ
ਬੱਦਲਾਂ ਦੇ ਹੇਠਾਂ, ਢਹਿ/ਭੂਸਖਸਣ
ਵਿਆਖਿਆ ਗੁੰਝਲਦਾਰ ਹੈ
ਨੁਕਤਾ: ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਆਉਟਪੁੱਟ ਦੀ ਵਰਤੋਂ "ਸਾਈਟ ਨੂੰ ਤਰਜੀਹ ਦੇਣ ਵਾਲੇ ਸਕੈਨ" ਵਜੋਂ ਕਰੋ, ਨਾ ਕਿ "ਡਰਿਲਿੰਗ ਮੈਪ" ਵਜੋਂ। ਇਸਦਾ ਸਭ ਤੋਂ ਵੱਡਾ ਮੁੱਲ ਇਹ ਹੈ ਕਿ ਇਹ ਤੁਹਾਨੂੰ ਦੱਸਦਾ ਹੈ ਕਿ ਪਹਿਲਾਂ ਕਿੱਥੇ ਜਾਣਾ ਹੈ; ਫੀਲਡ ਸਬੂਤ ਅਤੇ ਇੰਜੀਨੀਅਰ ਫੈਸਲਾ ਕਰਦੇ ਹਨ ਕਿ ਕਿੱਥੇ ਡ੍ਰਿਲ ਕਰਨੀ ਹੈ।
ਸਾਵਧਾਨ: ਇੱਥੋਂ ਤੱਕ ਕਿ ਸਭ ਤੋਂ ਉੱਨਤ ਵਰਗੀਕਰਨ ਵੀ ਯੋਜਨਾਬੱਧ ਗਲਤੀਆਂ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜੇਕਰ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ (ਵਾਯੂਮੰਡਲ ਅਤੇ ਟੌਪੋਗ੍ਰਾਫਿਕ ਸੁਧਾਰ, ਮਾਸਕਿੰਗ) ਨੂੰ ਛੱਡ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। "ਆਉਟਪੁੱਟ ਅਜੀਬ ਹੈ" ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਪਹਿਲਾਂ ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ ਦੀ ਪੁੱਛਗਿੱਛ ਕਰੋ, ਮਾਡਲ ਦੀ ਨਹੀਂ। ਕੂੜਾ ਅੰਦਰ, ਕੂੜਾ ਬਾਹਰ ਦਾ ਸਿਧਾਂਤ ਇੱਥੇ ਬੇਰਹਿਮ ਹੈ।
ਆਮ ਗਲਤੀਆਂ
- ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ ਨੂੰ ਛੱਡਣਾ। ਅਸਲ ਭੂ-ਵਿਗਿਆਨ ਲਈ ਗਲਤ ਚਿੱਤਰਾਂ ਤੋਂ ਗਲਤੀਆਂ.
- ਝੂਠੇ ਸਕਾਰਾਤਮਕ ਨੂੰ ਭੁੱਲਣਾ. ਪੌਦਿਆਂ, ਛਾਂ, ਮਿੱਟੀ ਦੀ ਨਮੀ ਅਤੇ ਮਨੁੱਖੀ ਬਣਤਰ ਨੂੰ ਤਬਦੀਲੀ/ਨੁਕਸ ਸਮਝਣਾ।
- ਜ਼ਮੀਨੀ ਸੱਚਾਈ ਤੋਂ ਬਿਨਾਂ ਦਸਤਖਤ ਕਰਨਾ। ਫੀਲਡ ਵਿੱਚ ਇਸਦੀ ਤਸਦੀਕ ਕੀਤੇ ਬਿਨਾਂ ਚਿੱਤਰ ਦੇ ਨਕਸ਼ੇ 'ਤੇ ਡ੍ਰਿਲਿੰਗ ਫੈਸਲੇ ਨੂੰ ਅਧਾਰਤ ਕਰਨਾ।
- ਸਕੇਲ ਭਰਮ. ਪਿਕਸਲ ਦੇ ਆਕਾਰ ਨੂੰ ਭੁੱਲਣਾ ਅਤੇ ਇਸ ਤੱਥ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ ਕਿ ਵਧੀਆ ਬਣਤਰ ਖਤਮ ਹੋ ਗਏ ਹਨ ਜਾਂ ਮਿਸ਼ਰਤ ਪਿਕਸਲ ਗੁੰਮਰਾਹਕੁੰਨ ਹਨ।
- ਵਿਦਿਅਕ ਪੱਖਪਾਤ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ। ਅੰਨ੍ਹੇਵਾਹ ਕਿਸੇ ਹੋਰ ਖੇਤਰ ਵਿੱਚ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲ ਨੂੰ ਇੱਕ ਵੱਖਰੇ ਲਿਥੋਲੋਜੀ ਵਾਲੇ ਖੇਤਰ ਵਿੱਚ ਲਾਗੂ ਕਰਨਾ।
ਸੰਖੇਪ ਵਿੱਚ
- ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਵੱਖ-ਵੱਖ ਤਰੰਗ-ਲੰਬਾਈ 'ਤੇ ਖਣਿਜਾਂ ਦੇ ਸਪੈਕਟ੍ਰਲ ਹਸਤਾਖਰ ਨੂੰ ਮਾਪਦਾ ਹੈ; ਇਹ ਮਲਟੀਸਪੈਕਟਰਲ ਮੋਟੇ ਅਤੇ ਹਾਈਪਰਸਪੈਕਟਰਲ ਜੁਰਮਾਨਾ ਨੂੰ ਵੱਖ ਕਰਦਾ ਹੈ।
- ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇਸ ਉੱਚ-ਆਯਾਮੀ ਡੇਟਾ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕਰਦੀ ਹੈ ਅਤੇ ਜਿਓਮੈਟ੍ਰਿਕ ਪੈਟਰਨਾਂ ਤੋਂ ਨੁਕਸ/ਰੇਖਿਕਤਾ ਕੱਢਦੀ ਹੈ; ਪਰ ਇਹ ਗਲਤ ਸਕਾਰਾਤਮਕ, ਸਿਖਲਾਈ ਪੱਖਪਾਤ, ਅਤੇ ਸਕੇਲ ਪੱਖਪਾਤ ਪੈਦਾ ਕਰਦਾ ਹੈ।
- ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ (ਵਾਯੂਮੰਡਲ/ਟੌਪੋਗ੍ਰਾਫਿਕ ਸੁਧਾਰ, ਮਾਸਕਿੰਗ) ਨਤੀਜੇ ਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ; ਜੇਕਰ ਇਸਨੂੰ ਛੱਡ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇੱਕ ਯੋਜਨਾਬੱਧ ਤਰੁੱਟੀ ਹੋ ਜਾਵੇਗੀ।
- ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਇੱਕ ਸਕ੍ਰੀਨਿੰਗ/ਪ੍ਰਾਥਮਿਕਤਾ ਸਾਧਨ ਹੈ; ਜ਼ਮੀਨੀ ਸਚਾਈ ਨਾਲ ਪਰਖੇ ਬਿਨਾਂ ਨਕਸ਼ੇ ਨੂੰ ਸਹੀ ਨਹੀਂ ਮੰਨਿਆ ਜਾਂਦਾ।
- ਜ਼ਮੀਨੀ ਸੱਚ ਦੀ ਹਮੇਸ਼ਾ ਜਿੱਤ ਹੁੰਦੀ ਹੈ; ਤਸਦੀਕ ਬਿੰਦੂਆਂ ਨੂੰ ਸੰਤੁਲਿਤ ਤਰੀਕੇ ਨਾਲ ਕੁਝ ਖਾਸ ਅਤੇ ਸ਼ੱਕੀ ਜ਼ੋਨਾਂ ਨੂੰ ਕਵਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਵਰਕਸਾਈਟ (ਜਾਂ ਇੱਕ ਓਪਨ ਡੇਟਾ ਖੇਤਰ) ਲਈ ਤੁਹਾਡੇ ਕੋਲ ਮੌਜੂਦ ਸਪੈਕਟ੍ਰਲ ਇੰਡੈਕਸ/ਬੈਂਡ ਅਨੁਪਾਤ ਮੁੱਲਾਂ ਜਾਂ ਇੱਕ DEM ਲਾਈਨਮੈਂਟ ਸੂਚੀ ਨੂੰ ਅਗਿਆਤ ਬਣਾਓ। ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ ਨਾਲ ਸੰਭਾਵਿਤ ਪਰਿਵਰਤਨ ਜ਼ੋਨ ਜਾਂ ਨੁਕਸ ਦੀ ਵਿਆਖਿਆ ਕਰੋ ਅਤੇ ਮਾਡਲ ਨੂੰ ਹਰੇਕ ਜ਼ੋਨ ਲਈ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਗਲਤ ਸਕਾਰਾਤਮਕ ਸਰੋਤ ਦਾ ਸੁਝਾਅ ਦੇਣ ਲਈ ਕਹੋ। ਫਿਰ "ਵੈਰੀਫਿਕੇਸ਼ਨ ਪੁਆਇੰਟ ਪਲਾਨ" ਟੈਮਪਲੇਟ ਨਾਲ ਸਾਈਟ ਕੰਟਰੋਲ ਪਲਾਨ ਬਣਾਓ; ਇੱਕ ਵਾਕ ਵਿੱਚ ਨੋਟ ਕਰੋ ਕਿ ਕਿੰਨੇ ਪੁਆਇੰਟ "ਸ਼ੱਕੀ" ਜ਼ੋਨ ਵਿੱਚ ਵੰਡੇ ਗਏ ਹਨ ਅਤੇ ਤੁਸੀਂ ਸੰਤੁਲਿਤ ਸੈਂਪਲਿੰਗ ਕਿਉਂ ਕਰ ਰਹੇ ਹੋ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਫਰਕ ਕਰ ਸਕਦਾ ਹਾਂ ਕਿ ਮਲਟੀਸਪੈਕਟ੍ਰਲ ਅਤੇ ਹਾਈਪਰਸਪੈਕਟਰਲ ਡੇਟਾ ਮਾਪ ਅਤੇ ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਕਿਸ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
- [ ] ਮੈਂ ਜਾਣਦਾ ਹਾਂ ਕਿ ਕਿਵੇਂ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ ਸਟੈਪਸ (ਟ੍ਰਿਮਿੰਗ, ਮਾਸਕਿੰਗ) ਨਤੀਜੇ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ।
- [ ] ਮੈਂ ਪਰਿਵਰਤਨ/ਗਲਤੀ ਆਉਟਪੁੱਟ ਵਿੱਚ ਝੂਠੇ ਸਕਾਰਾਤਮਕ (ਬਨਸਪਤੀ, ਪਰਛਾਵੇਂ, ਮਨੁੱਖ ਦੁਆਰਾ ਬਣਾਏ) ਦੇ ਸਰੋਤਾਂ 'ਤੇ ਸਵਾਲ ਕਰਦਾ ਹਾਂ।
- [ ] ਮੈਂ ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਮੈਪ ਨੂੰ ਸਕੈਨਿੰਗ ਟੂਲ ਵਜੋਂ ਦੇਖਦਾ ਹਾਂ ਅਤੇ ਭੂਮੀ ਤਸਦੀਕ ਨਾਲ ਇਸਦੀ ਜਾਂਚ ਕਰਦਾ ਹਾਂ।
- [ ] ਮੈਂ ਕੁਝ ਖਾਸ ਅਤੇ ਸ਼ੱਕੀ ਜ਼ੋਨਾਂ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਨ ਲਈ ਪੁਸ਼ਟੀਕਰਨ ਬਿੰਦੂਆਂ ਦੀ ਯੋਜਨਾ ਬਣਾ ਸਕਦਾ ਹਾਂ।