ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਅਤੇ ਸੈਟੇਲਾਈਟ ਚਿੱਤਰ ਵਰਗੀਕਰਨ

ਲਾਭ:

• ਇਹ ਦੱਸਣ ਦੀ ਸਮਰੱਥਾ ਕਿ ਕਿਵੇਂ ਮਲਟੀਸਪੈਕਟਰਲ ਸੈਟੇਲਾਈਟ ਡੇਟਾ, ਬੈਂਡ ਸੰਜੋਗ ਅਤੇ ਸਪੈਕਟ੍ਰਲ ਸੂਚਕਾਂਕ (ਐਨਡੀਵੀਆਈ ਆਦਿ) ਏਆਈ ਨਾਲ ਵਰਤੇ ਜਾਂਦੇ ਹਨ।
• AI ਸਹਾਇਤਾ ਨਾਲ ਨਿਰੀਖਣ ਕੀਤੇ/ਅਨ-ਨਿਰੀਖਣ ਕੀਤੇ ਵਰਗੀਕਰਨ ਅਤੇ ਲੈਂਡ ਕਵਰ ਮੈਪਿੰਗ ਵਰਕਫਲੋ ਨੂੰ ਕੌਂਫਿਗਰ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਜ਼ਮੀਨੀ ਸੱਚਾਈ ਅਤੇ ਗਲਤੀ ਮੈਟ੍ਰਿਕਸ/ਸ਼ੁੱਧਤਾ ਮਾਪਦੰਡ ਦੇ ਨਾਲ ਵਰਗੀਕਰਨ ਆਉਟਪੁੱਟ ਦੀ ਜਾਂਚ ਕਰਨ ਦੀ ਸਮਰੱਥਾ

ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਸੈਟੇਲਾਈਟਾਂ ਜਾਂ ਏਰੀਅਲ ਪਲੇਟਫਾਰਮਾਂ 'ਤੇ ਸੈਂਸਰਾਂ ਨਾਲ, ਸਰੀਰਕ ਸੰਪਰਕ ਤੋਂ ਬਿਨਾਂ ਧਰਤੀ ਦੀ ਸਤਹ ਨੂੰ ਮਾਪਣ ਦਾ ਵਿਗਿਆਨ ਹੈ। ਇੱਕ ਸੈਟੇਲਾਈਟ ਚਿੱਤਰ ਅਸਲ ਵਿੱਚ ਇੱਕ ਫੋਟੋ ਨਹੀਂ ਹੈ, ਪਰ ਇੱਕ ਤੋਂ ਵੱਧ ਤਰੰਗ-ਲੰਬਾਈ 'ਤੇ ਰਿਕਾਰਡ ਕੀਤੀਆਂ ਮਾਪਾਂ ਦੀਆਂ ਪਰਤਾਂ ਦਾ ਸੰਗ੍ਰਹਿ ਹੈ, ਅਤੇ ਇਹਨਾਂ ਪਰਤਾਂ ਨੂੰ ਸਮਝਦਾਰੀ ਨਾਲ ਜੋੜ ਕੇ, ਭੂਮੀ ਕਵਰ (ਜੰਗਲ, ਪਾਣੀ, ਖੇਤੀਬਾੜੀ, ਉਸਾਰੀ) ਨੂੰ ਮੈਪ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਕਵਰ ਕਰਦੇ ਹਾਂ ਕਿ ਕਿਵੇਂ ਨਕਲੀ ਬੁੱਧੀ ਇਸ ਵਰਕਫਲੋ ਨੂੰ ਤੇਜ਼ ਕਰਦੀ ਹੈ, ਮਲਟੀਸਪੈਕਟਰਲ ਡੇਟਾ ਤੋਂ ਲੈ ਕੇ ਲੈਂਡ ਕਵਰ ਵਰਗੀਕਰਣ ਤੱਕ, ਅਤੇ ਜਿੱਥੇ ਮਾਹਰ ਨਿਰਣਾ ਲਾਜ਼ਮੀ ਹੈ। ਸਿਧਾਂਤ: AI ਵਰਗੀਕਰਣ ਤਿਆਰ ਕਰਦਾ ਹੈ ਜਾਂ ਕੋਡ ਕਰਦਾ ਹੈ; ਨਕਸ਼ੇ ਦੀ ਸ਼ੁੱਧਤਾ ਇੰਜੀਨੀਅਰ ਵਿੱਚ ਸੁਤੰਤਰ ਜ਼ਮੀਨੀ ਸੱਚਾਈ ਅਤੇ ਗਲਤੀ ਮੈਟ੍ਰਿਕਸ ਦੁਆਰਾ ਮਾਪੀ ਜਾਂਦੀ ਹੈ।

ਮੂਲ ਸ਼ਰਤਾਂ। ਇੱਕ ਮਲਟੀਸਪੈਕਟਰਲ ਚਿੱਤਰ ਕਈ ਤਰੰਗ-ਲੰਬਾਈ ਬੈਂਡਾਂ (ਨੀਲਾ, ਹਰਾ, ਲਾਲ, ਨੇੜੇ ਇਨਫਰਾਰੈੱਡ, ਆਦਿ) ਵਿੱਚ ਰਿਕਾਰਡ ਕੀਤਾ ਗਿਆ ਹੈ; ਹਰੇਕ ਬੈਂਡ ਇੱਕ ਪਰਤ ਹੈ। ਹਾਈਪਰਸਪੈਕਟਰਲ ਬਹੁਤ ਜ਼ਿਆਦਾ ਅਮੀਰ ਹੈ ਪਰ ਡੇਟਾ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ, ਜਿਸ ਵਿੱਚ ਦਸਾਂ ਤੋਂ ਸੈਂਕੜੇ ਤੰਗ ਬੈਂਡ ਹੁੰਦੇ ਹਨ। ਸਪੈਕਟ੍ਰਲ ਸੂਚਕਾਂਕ ਉਹ ਸੰਖਿਆ ਹੈ ਜੋ ਬੈਂਡਾਂ ਦੇ ਗਣਿਤਿਕ ਸੁਮੇਲ ਰਾਹੀਂ ਕਿਸੇ ਵਰਤਾਰੇ ਨੂੰ ਉਜਾਗਰ ਕਰਦੀ ਹੈ; ਸਭ ਤੋਂ ਜਾਣਿਆ-ਪਛਾਣਿਆ, NDVI (ਨਰਮਲਾਈਜ਼ਡ ਡਿਫਰੈਂਸ ਵੈਜੀਟੇਸ਼ਨ ਇੰਡੈਕਸ), ਨਜ਼ਦੀਕੀ ਇਨਫਰਾਰੈੱਡ ਅਤੇ ਲਾਲ ਬੈਂਡ ਵਿਚਕਾਰ ਅੰਤਰ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਹਰੀ ਬਨਸਪਤੀ ਸ਼ਕਤੀ ਨੂੰ ਮਾਪਦਾ ਹੈ। ਨਿਰੀਖਣ ਕੀਤੇ ਵਰਗੀਕਰਨ ਵਿੱਚ ਪੂਰਵ-ਲੇਬਲ ਕੀਤੇ ਨਮੂਨੇ ਵਾਲੇ ਖੇਤਰਾਂ ਦੇ ਨਾਲ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਅਤੇ ਪੂਰੇ ਚਿੱਤਰ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ। ਨਿਰੀਖਣ ਕੀਤੇ ਵਰਗੀਕਰਣ ਲੇਬਲਾਂ ਦੇ ਬਿਨਾਂ ਸਮਾਨਤਾ ਦੇ ਅਧਾਰ ਤੇ ਡੇਟਾ ਨੂੰ ਕਲੱਸਟਰ ਕਰਨਾ ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਇਸਦੀ ਵਿਆਖਿਆ ਕਰਨਾ ਹੈ।

ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਵਿੱਚ ਏਆਈ ਦੀ ਭੂਮਿਕਾ

ਨਕਲੀ ਬੁੱਧੀ ਇਸ ਖੇਤਰ ਵਿੱਚ ਤਿੰਨ ਪੱਧਰਾਂ 'ਤੇ ਯੋਗਦਾਨ ਪਾਉਂਦੀ ਹੈ:

1. ਵਰਕਫਲੋ ਅਤੇ ਢੰਗ ਦੀ ਚੋਣ. "ਇਸ ਸਵਾਲ ਲਈ ਕਿਹੜੇ ਬੈਂਡ, ਕਿਹੜਾ ਸੂਚਕਾਂਕ, ਕਿਹੜਾ ਵਰਗੀਕਰਣ ਢੁਕਵਾਂ ਹੈ?" ਤੁਹਾਡੇ ਫੈਸਲੇ ਵਿੱਚ ਤੁਹਾਡੀ ਅਗਵਾਈ ਕਰਦਾ ਹੈ; ਕੋਡ ਪਿੰਜਰ ਪੈਦਾ ਕਰਦਾ ਹੈ।
2. ਵਰਗੀਕਰਨ ਆਪਣੇ ਆਪ. ਆਧੁਨਿਕ ਡੂੰਘੇ ਸਿੱਖਣ ਦੇ ਮਾਡਲ ਲੱਖਾਂ ਪਿਕਸਲ ਨੂੰ ਲੈਂਡ ਕਵਰ ਕਲਾਸਾਂ ਵਿੱਚ ਕ੍ਰਮਬੱਧ ਕਰਦੇ ਹਨ; ਇਹ ਮੱਧਮ-ਉੱਚ ਯੋਗਦਾਨ ਖੇਤਰ ਹੈ ਜਿੱਥੇ AI ਅਸਲ ਕੰਮ ਕਰਦਾ ਹੈ।
3. ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਅਤੇ ਰਿਪੋਰਟਿੰਗ। ਇਹ ਕਲਾਸ ਦੇ ਅੰਕੜੇ, ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਸ਼ੁੱਧਤਾ ਰਿਪੋਰਟ ਨੂੰ ਪੜ੍ਹਨਯੋਗ ਟੈਕਸਟ ਵਿੱਚ ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ ਕਰਦਾ ਹੈ।

ਬਲਾਇੰਡ ਸਪਾਟ: ਮਾਡਲ ਉਸ ਡੇਟਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਜਿਸ 'ਤੇ ਇਸਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਤੁਹਾਡੇ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੀਆਂ ਉਦਾਹਰਣਾਂ। ਬੱਦਲ ਦਾ ਪਰਛਾਵਾਂ ਅਤੇ ਪਾਣੀ, ਨੰਗੀ ਮਿੱਟੀ ਅਤੇ ਵਾਢੀ ਤੋਂ ਬਾਅਦ ਦਾ ਖੇਤ, ਖੋਖਲਾ ਪਾਣੀ ਅਤੇ ਗਿੱਲੀ ਜ਼ਮੀਨ ਆਸਾਨੀ ਨਾਲ ਮਿਲ ਜਾਂਦੀ ਹੈ। ਇਸ ਲਈ ਇੱਕ ਵਰਗੀਕਰਨ ਨਕਸ਼ਾ ਸਹੀ ਨਹੀਂ ਹੈ ਕਿਉਂਕਿ ਇਹ ਵਧੀਆ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ; ਸ਼ੁੱਧਤਾ ਨੂੰ ਮਾਪਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ.

ਸੁਝਾਅ: ਵਰਗੀਕਰਨ ਸ਼ੁਰੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਆਪਣੇ ਸਵਾਲ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰੋ। "ਜਮੀਨ ਦਾ ਵਰਗੀਕਰਨ" ਅਸਪਸ਼ਟ ਹੈ; "2020-2025 ਦੇ ਵਿਚਕਾਰ ਉਸਾਰੀ ਦੇ ਹੱਕ ਵਿੱਚ ਖੇਤੀਬਾੜੀ ਜ਼ਮੀਨ ਦੇ ਨੁਕਸਾਨ ਦਾ ਨਕਸ਼ਾ" ਸ਼੍ਰੇਣੀ ਸੈੱਟ ਅਤੇ ਤਸਦੀਕ ਮਾਪਦੰਡ ਦੋਵਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ।

ਕਦਮ ਦਰ ਕਦਮ: ਇੱਕ ਲੈਂਡ ਕਵਰ ਵਰਗੀਕਰਣ

1. ਡਾਟਾ ਅਤੇ ਟੇਪ ਤਿਆਰ ਕਰੋ। ਚਿੱਤਰ ਦੇ ਕਲਾਉਡ ਕਵਰ, ਸ਼ੂਟਿੰਗ ਦੀ ਮਿਤੀ, ਰੈਜ਼ੋਲਿਊਸ਼ਨ (ਪਿਕਸਲ ਦਾ ਆਕਾਰ), ਅਤੇ ਬੈਂਡ ਆਰਡਰ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ। ਵੱਖ ਵੱਖ ਮਿਤੀ/ਸੀਜ਼ਨ ਬਦਲਦੀਆਂ ਕਲਾਸਾਂ।
2. ਕਲਾਸ ਸੈੱਟ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ। ਕਿੰਨੀਆਂ ਸ਼੍ਰੇਣੀਆਂ, ਕਿਹੜੀਆਂ (ਜਲ, ਜੰਗਲ, ਖੇਤੀਬਾੜੀ, ਉਸਾਰੀ, ਨੰਗੀ ਜ਼ਮੀਨ)? ਘੱਟ ਅਤੇ ਵਧੇਰੇ ਵਿਭਿੰਨ ਵਰਗ ਵਧੇਰੇ ਭਰੋਸੇਮੰਦ ਹਨ।
3. ਸੂਚਕਾਂਕ ਦੀ ਗਣਨਾ ਕਰੋ। ਸੂਚਕਾਂਕ ਜਿਵੇਂ ਕਿ NDVI (ਪੌਦਾ), NDWI (ਪਾਣੀ) ਵਰਗਾਂ ਨੂੰ ਵੱਖਰਾ ਕਰਦੇ ਹਨ; ਵਰਗੀਕਰਣ ਲਈ ਇਨਪੁਟ ਬਣ ਜਾਂਦਾ ਹੈ।
4. ਸਿਖਲਾਈ ਦੇ ਨਮੂਨੇ ਇਕੱਠੇ ਕਰੋ (ਨਿਗਰਾਨੀ ਲਈ)। ਹਰੇਕ ਕਲਾਸ ਲਈ ਭੂਮੀ ਤਸਦੀਕ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕੀਤੇ ਨਮੂਨਾ ਬਹੁਭੁਜ। ਨਮੂਨਾ ਗੁਣਵੱਤਾ ਸ਼ੁੱਧਤਾ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ।
5. ਵਰਗੀਕ੍ਰਿਤ ਕਰੋ ਅਤੇ ਤਸਦੀਕ ਕਰੋ। ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦਿਓ, ਫਿਰ ਸੁਤੰਤਰ (ਅਪ੍ਰਸਿੱਖਿਅਤ) ਨਮੂਨਿਆਂ ਨਾਲ ਇੱਕ ਗਲਤੀ ਮੈਟ੍ਰਿਕਸ ਬਣਾਓ ਅਤੇ ਸਮੁੱਚੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਕਪਾ ਦੀ ਗਣਨਾ ਕਰੋ।

ਜ਼ਮੀਨੀ ਸੱਚ ਅਤੇ ਗਲਤੀ ਮੈਟ੍ਰਿਕਸ

ਵਰਗੀਕਰਣ ਦੀ ਸ਼ੁੱਧਤਾ ਅੱਖਾਂ ਦੇ ਨਿਰਣੇ ਦੁਆਰਾ ਨਹੀਂ ਮਾਪੀ ਜਾਂਦੀ ਹੈ। ਜ਼ਮੀਨੀ ਸੱਚ ਫੀਲਡ ਵਿੱਚ ਜਾਂ ਇੱਕ ਭਰੋਸੇਯੋਗ ਉੱਚ-ਰੈਜ਼ੋਲੂਸ਼ਨ ਸਰੋਤ ਵਿੱਚ ਜਾਣੇ ਜਾਂਦੇ ਸੱਚੇ ਵਰਗ ਦੇ ਸੁਤੰਤਰ ਨਮੂਨੇ ਹਨ। ਇਹਨਾਂ ਉਦਾਹਰਣਾਂ ਦੇ ਨਾਲ, ਇੱਕ ਭੰਬਲਭੂਸਾ ਮੈਟ੍ਰਿਕਸ ਸਥਾਪਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ: ਇਹ ਗਿਣਿਆ ਜਾਂਦਾ ਹੈ ਕਿ ਹਰੇਕ ਕਲਾਸ ਕਿੰਨੀ ਵਾਰ ਸਹੀ ਹੈ ਅਤੇ ਕਿੰਨੀ ਵਾਰ ਇਹ ਕਿਸ ਕਲਾਸ ਨਾਲ ਉਲਝਣ ਵਿੱਚ ਹੈ। ਇਸ ਤੋਂ, ਸਮੁੱਚੀ ਸ਼ੁੱਧਤਾ (ਅਨੁਪਾਤ ਸਹੀ ਤਰ੍ਹਾਂ ਵਰਗੀਕ੍ਰਿਤ) ਅਤੇ ਕਪਾ (ਇਕਰਾਰਨਾਮੇ ਦਾ ਇੱਕ ਮਾਪ ਜੋ ਮੌਕੇ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਠੀਕ ਕਰਦਾ ਹੈ) ਦੀ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਉਤਪਾਦਕ ਸ਼ੁੱਧਤਾ (ਉਸ ਕਲਾਸ ਵਿੱਚ ਕਿੰਨੀ ਕੁ ਫੜੀ ਗਈ ਸੀ) ਅਤੇ ਉਪਭੋਗਤਾ ਸ਼ੁੱਧਤਾ (ਉਹ ਕਲਾਸ ਕਿੰਨੀ ਭਰੋਸੇਮੰਦ ਹੈ) ਨੂੰ ਸ਼੍ਰੇਣੀ ਦੇ ਅਧਾਰ 'ਤੇ ਰਿਪੋਰਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਸਾਵਧਾਨ: ਸਿਖਲਾਈ ਲਈ ਤੁਹਾਡੇ ਦੁਆਰਾ ਵਰਤੇ ਗਏ ਉਦਾਹਰਣਾਂ ਨਾਲ ਸ਼ੁੱਧਤਾ ਨੂੰ ਨਾ ਮਾਪੋ। ਜੇ ਉਹੀ ਉਦਾਹਰਣਾਂ ਨੂੰ ਸਿਖਲਾਈ ਅਤੇ ਟੈਸਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਸ਼ੁੱਧਤਾ ਨਕਲੀ ਤੌਰ 'ਤੇ ਉੱਚੀ ਹੋ ਜਾਂਦੀ ਹੈ; ਇਹ ਇੱਕ ਭੁਲੇਖਾ ਹੈ। ਪ੍ਰਮਾਣਿਕਤਾ ਦੇ ਨਮੂਨੇ ਸੁਤੰਤਰ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ।

ਤਿੰਨ ਮਿੰਨੀ ਕੇਸ: ਨੰਬਰ ਦੁਆਰਾ

ਕੇਸ 1 - ਬੱਦਲ ਦੇ ਪਰਛਾਵੇਂ ਨੂੰ ਪਾਣੀ ਲਈ ਗਲਤ ਸਮਝਿਆ ਗਿਆ ਸੀ। ਇੱਕ ਵਰਗੀਕਰਨ ਵਿੱਚ, ਜਦੋਂ ਮਾਡਲ ਨੇ ਬੱਦਲਾਂ ਦੇ ਪਰਛਾਵੇਂ ਨੂੰ "ਪਾਣੀ" ਵਜੋਂ ਲੇਬਲ ਕੀਤਾ, ਤਾਂ ਝੀਲ ਦਾ ਖੇਤਰ ਵਧਿਆ ਜਿੱਥੇ ਇਹ ਅਸਲ ਵਿੱਚ ਨਹੀਂ ਸੀ; ਪਾਣੀ ਦੀ ਸ਼੍ਰੇਣੀ ਦੀ ਉਪਭੋਗਤਾ ਸ਼ੁੱਧਤਾ 70% ਤੱਕ ਘਟ ਗਈ. ਜਦੋਂ NDWI ਸੂਚਕਾਂਕ ਅਤੇ ਕਲਾਉਡ ਮਾਸਕ ਸ਼ਾਮਲ ਕੀਤੇ ਗਏ ਸਨ, ਤਾਂ ਸ਼ੈਡੋ/ਪਾਣੀ ਦੀ ਦਖਲਅੰਦਾਜ਼ੀ ਘਟ ਗਈ ਅਤੇ ਪਾਣੀ ਦੀ ਸ਼ੁੱਧਤਾ 90% ਤੋਂ ਵੱਧ ਹੋ ਗਈ।

ਕੇਸ 2 - ਜ਼ਮੀਨੀ ਸੱਚਾਈ ਦੁਆਰਾ ਪ੍ਰਾਪਤ ਕੀਤੀ ਰਿਪੋਰਟ। ਇੱਕ ਐਗਰੀਕਲਚਰ ਇਨਵੈਂਟਰੀ ਸਟੱਡੀ ਨੇ ਸ਼ੁਰੂਆਤੀ ਵਰਗੀਕਰਣ ਦੀ 82% ਸਮੁੱਚੀ ਸ਼ੁੱਧਤਾ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ, ਪਰ ਇਸਨੂੰ ਸਿਖਲਾਈ ਦੇ ਨਮੂਨਿਆਂ ਨਾਲ ਮਾਪਿਆ ਗਿਆ। ਜਦੋਂ 120 ਸੁਤੰਤਰ ਜ਼ਮੀਨੀ ਸੱਚ ਬਿੰਦੂਆਂ ਨਾਲ ਮੁੜ ਮਾਪਿਆ ਗਿਆ, ਤਾਂ ਅਸਲ ਸਮੁੱਚੀ ਸ਼ੁੱਧਤਾ 71% ਸੀ; ਖੇਤੀਬਾੜੀ ਅਤੇ ਨੰਗੀ ਜ਼ਮੀਨ ਗੰਭੀਰ ਰੂਪ ਵਿੱਚ ਦਖਲ ਦੇ ਰਹੀ ਸੀ। ਵਾਧੂ ਸਿਖਲਾਈ ਉਦਾਹਰਨਾਂ ਦੇ ਨਾਲ, ਵਰਗੀਕਰਨ ਵਿੱਚ ਸੁਧਾਰ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਸ਼ੁੱਧਤਾ 84% ਤੱਕ ਵਧ ਗਈ ਸੀ। ਪਾਠ: ਸ਼ੁੱਧਤਾ ਸੁਤੰਤਰ ਨਮੂਨੇ ਦੁਆਰਾ ਮਾਪੀ ਜਾਂਦੀ ਹੈ।

ਕੇਸ 3 - ਮੌਸਮੀ ਜਾਲ। ਜਦੋਂ ਦੋ ਵੱਖ-ਵੱਖ ਮਿਤੀਆਂ (ਬਸੰਤ ਅਤੇ ਗਰਮੀਆਂ ਦੇ ਅਖੀਰ) 'ਤੇ ਲਏ ਗਏ ਚਿੱਤਰਾਂ ਨੂੰ ਇਕੱਠਿਆਂ ਮਿਲਾਇਆ ਗਿਆ, ਤਾਂ ਵਾਢੀ ਕੀਤੇ ਖੇਤ "ਬੇਅਰ ਜ਼ਮੀਨ" ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਤਬਦੀਲ ਹੋ ਗਏ ਅਤੇ ਖੇਤੀਬਾੜੀ ਖੇਤਰ 15% ਲਾਪਤਾ ਦਿਖਾਈ ਦਿੱਤਾ। ਨਤੀਜਿਆਂ ਵਿੱਚ ਸੁਧਾਰ ਹੋਇਆ ਜਦੋਂ ਚਿੱਤਰਾਂ ਨੂੰ ਉਸੇ ਸੀਜ਼ਨ ਤੋਂ ਚੁਣਿਆ ਗਿਆ ਅਤੇ ਫੀਨੋਲੋਜੀਕਲ ਇਕਸਾਰਤਾ ਪ੍ਰਾਪਤ ਕੀਤੀ ਗਈ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:

ਇਸ ਸੈਟੇਲਾਈਟ ਚਿੱਤਰ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰੋ।

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:

ਟਾਸਕ: ਇੱਕ ਲੈਂਡ ਕਵਰ ਵਰਗੀਕਰਣ ਵਰਕਫਲੋ ਬਣਾਓ (ਪਾਇਥਨ/ਰਾਸਟਰੀਓ + ਸਕਿਟ-ਲਰਨ ਕੋਡ ਸਕਲੀਟਨ ਸਮੇਤ)। ਸੰਦਰਭ:- ਸੈਂਸਰ: 4 ਬੈਂਡ (ਨੀਲਾ, ਹਰਾ, ਲਾਲ, ਐਨਆਈਆਰ), 10 ਮੀਟਰ ਰੈਜ਼ੋਲਿਊਸ਼ਨ- ਕਲਾਸਾਂ: ਪਾਣੀ, ਜੰਗਲ, ਖੇਤੀਬਾੜੀ, ਉਸਾਰੀ, ਬੇਅਰ_ਗਰਾਊਂਡ- ਕਿਸ ਮਕਸਦ: ਮੌਜੂਦਾ ਭੂਮੀ ਕਵਰ ਦੀ ਰਿਪੋਰਟ ਵਿੱਚ: ਮੌਜੂਦਾ ਭੂਮੀ ਕਵਰ 1 ਰੀਪੋਰਟ + (NDVI, NDWI) ਜੋੜਨਾ ਅਤੇ ਕਿਉਂ ਲਿਖਣਾ। 2) ਨਿਰੀਖਣ ਕੀਤੇ ਵਰਗੀਕਰਣ ਕਦਮਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ; ਇਸ ਗੱਲ 'ਤੇ ਜ਼ੋਰ ਦਿਓ ਕਿ ਸਿਖਲਾਈ ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਦੇ ਨਮੂਨੇ ਵੱਖਰੇ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ। 3) ਕੋਡ ਪਿੰਜਰ ਵਿੱਚ ਗਲਤੀ ਮੈਟ੍ਰਿਕਸ + ਸਮੁੱਚੀ ਸ਼ੁੱਧਤਾ + ਕਾਪਾ ਗਣਨਾ ਰੱਖੋ। 4) ਕਲਾਉਡ/ਸ਼ੈਡੋ ਅਤੇ ਮੌਸਮ ਦੇ ਉਲਝਣ ਦੇ ਜੋਖਮਾਂ ਨੂੰ ਨੋਟ ਕਰੋ।

ਮਜ਼ਬੂਤ ​​ਪ੍ਰੋਂਪਟ ਕਲਾਸ ਸੈੱਟ, ਰੈਜ਼ੋਲਿਊਸ਼ਨ, ਸੂਚਕਾਂਕ ਤਰਕਸ਼ੀਲਤਾ, ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਅੰਤਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ; ਆਉਟਪੁੱਟ ਮਾਪਣਯੋਗ ਬਣ ਜਾਂਦੀ ਹੈ।

ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਨਮੂਨੇ

1) ਢੰਗ/ਸੂਚੀ ਚੋਣ:

ਉਦੇਸ਼ [ਨਿਸ਼ਾਨਾ] ਅਤੇ ਸੈਂਸਰ [ਬੈਂਡ/ਰੈਜ਼ੋਲੂਸ਼ਨ] ਲਈ ਤੁਸੀਂ ਕਿਸ ਸਪੈਕਟ੍ਰਲ ਸੂਚਕਾਂਕ ਅਤੇ ਵਰਗੀਕਰਨ ਵਿਧੀ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰੋਗੇ? ਹਰੇਕ ਚੋਣ ਲਈ, ਤਰਕ ਅਤੇ ਉਲਝਣ ਦੇ ਸੰਭਾਵੀ ਖਤਰੇ ਨੂੰ ਲਿਖੋ (ਜੋ ਕਲਾਸਾਂ ਇੱਕ ਦੂਜੇ ਨਾਲ ਮਿਲਦੀਆਂ-ਜੁਲਦੀਆਂ ਹਨ)।

2) ਵਰਗੀਕਰਨ ਕੋਡ ਪਿੰਜਰ:

ਰਾਸਟਰੀਓ + ਸਕਿਟ-ਲਰਨ ਦੇ ਨਾਲ ਇੱਕ ਨਿਰੀਖਣ ਕੀਤਾ ਗਿਆ ਵਰਗੀਕਰਨ ਫਰੇਮਵਰਕ ਲਿਖੋ: ਟੇਪ ਰੀਡਿੰਗ, ਇੰਡੈਕਸ ਗਣਨਾ, ਸਿਖਲਾਈ/ਪ੍ਰਮਾਣਿਕਤਾ ਦੇ ਨਮੂਨੇ, ਵਰਗੀਕਰਨ, ਗਲਤੀ ਮੈਟ੍ਰਿਕਸ ਅਤੇ ਸ਼ੁੱਧਤਾ ਆਉਟਪੁੱਟ ਦਾ ਵੱਖਰਾ ਹੋਣਾ। CRS ਨੂੰ ਕਾਇਮ ਰੱਖੋ; ਵਿਆਖਿਆ

3) ਸ਼ੁੱਧਤਾ ਮੁਲਾਂਕਣ ਸੈੱਟਅੱਪ:

ਵਰਗੀਕਰਨ ਦੀ ਸ਼ੁੱਧਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਇੱਕ ਯੋਜਨਾ ਲਿਖੋ: ਸੁਤੰਤਰ ਭੂਮੀਗਤ ਨਮੂਨਾ ਡਿਜ਼ਾਈਨ, ਗਲਤੀ ਮੈਟਰਿਕਸ, ਸਮੁੱਚੀ ਸ਼ੁੱਧਤਾ, ਕਪਾ, ਕਲਾਸ ਦੁਆਰਾ ਉਤਪਾਦਕ/ਉਪਭੋਗਤਾ ਸ਼ੁੱਧਤਾ। ਸਮਝਾਓ ਕਿ ਹਰੇਕ ਮੈਟ੍ਰਿਕ ਕੀ ਕਹਿੰਦਾ ਹੈ।

4) ਦਖਲਅੰਦਾਜ਼ੀ ਨਿਦਾਨ:

ਹੇਠਾਂ ਗਲਤੀ ਮੈਟ੍ਰਿਕਸ ਦੀ ਵਿਆਖਿਆ ਕਰੋ: ਕਿਹੜੀਆਂ ਕਲਾਸਾਂ ਇੱਕ ਦੂਜੇ ਵਿੱਚ ਦਖਲ ਦੇ ਰਹੀਆਂ ਹਨ, ਸੰਭਾਵਿਤ ਸਪੈਕਟ੍ਰਲ/ਮੌਸਮੀ ਕਾਰਨ ਕੀ ਹੈ, ਕਿਹੜਾ ਵਾਧੂ ਡੇਟਾ (ਸੂਚਕਾਂਕ, ਮਾਸਕ, ਮਿਤੀ) ਉਲਝਣ ਨੂੰ ਘਟਾਏਗਾ? ਮੈਟ੍ਰਿਕਸ: [ਗਲਤੀ ਮੈਟਰਿਕਸ]

ਵਰਗੀਕਰਨ ਧਾਰਨਾਵਾਂ ਦੀ ਤੁਲਨਾ

ਸੰਕਲਪ

ਭਾਵ

ਜਦੋਂ

ਦੀ ਨਿਗਰਾਨੀ ਕੀਤੀ

ਲੇਬਲਬੱਧ ਉਦਾਹਰਨ ਦੇ ਨਾਲ ਸਿਖਲਾਈ

ਕਲਾਸਾਂ ਪਹਿਲਾਂ ਤੋਂ ਨਿਰਧਾਰਤ ਹਨ

ਨਿਰੀਖਣ ਕੀਤਾ ਗਿਆ

ਲੇਬਲ-ਮੁਕਤ ਕਲੱਸਟਰਿੰਗ

ਖੋਜ, ਕੋਈ ਉਦਾਹਰਣ ਨਹੀਂ

NDVI

ਪੌਦੇ ਦੀ ਜੀਵਨਸ਼ਕਤੀ ਸੂਚਕਾਂਕ

ਪੌਦਾ/ਨੰਗਾ/ਪਾਣੀ ਵੱਖ ਕਰਨਾ

NDWI

ਪਾਣੀ ਸੂਚਕਾਂਕ

ਪਾਣੀ ਦੇ ਸਰੀਰ ਨੂੰ ਵੱਖ

ਗਲਤੀ ਮੈਟ੍ਰਿਕਸ

ਸਹੀ/ਗਲਤ ਗਿਣਤੀ

ਸ਼ੁੱਧਤਾ ਮਾਪ

ਕਪਾ

ਸੰਭਾਵੀ-ਸਹੀ ਫਿੱਟ

ਮਿਆਰੀ ਸ਼ੁੱਧਤਾ ਰਿਪੋਰਟ

ਆਮ ਗਲਤੀਆਂ

• ਸਿਖਲਾਈ ਦੀਆਂ ਉਦਾਹਰਣਾਂ ਨਾਲ ਸ਼ੁੱਧਤਾ ਨੂੰ ਮਾਪਣਾ। ਗੈਰ-ਸੁਤੰਤਰ ਜਾਂਚ ਨਕਲੀ ਤੌਰ 'ਤੇ ਉੱਚ ਸ਼ੁੱਧਤਾ ਦਿੰਦੀ ਹੈ।
• ਕਦੇ ਵੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਮਾਪੇ ਬਿਨਾਂ ਨਕਸ਼ੇ ਨੂੰ ਸੌਂਪਣਾ। "ਚੰਗਾ ਲੱਗ ਰਿਹਾ ਹੈ" ਸ਼ੁੱਧਤਾ ਦਾ ਸਬੂਤ ਨਹੀਂ ਹੈ।
• ਕਲਾਉਡ/ਸ਼ੈਡੋ ਮਾਸਕ ਨੂੰ ਛੱਡਣਾ। ਪਰਛਾਵਾਂ ਪਾਣੀ ਨਾਲ ਰਲਦਾ ਹੈ, ਬੱਦਲ ਬਰਫ਼/ਸੰਰਚਨਾ ਨਾਲ ਰਲਦਾ ਹੈ।
• ਵੱਖ-ਵੱਖ ਸੀਜ਼ਨ/ਤਾਰੀਖ ਚਿੱਤਰਾਂ ਨੂੰ ਮਿਲਾਉਣਾ। ਫੈਨੋਲੋਜੀਕਲ ਅੰਤਰ ਕਲਾਸਾਂ ਨੂੰ ਬਦਲਦੇ ਹਨ।
• ਬਹੁਤ ਸਾਰੀਆਂ ਅਤੇ ਸਮਾਨ ਸ਼੍ਰੇਣੀਆਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨਾ। ਵੱਖ-ਵੱਖ ਕਲਾਸਾਂ ਸ਼ੁੱਧਤਾ ਨੂੰ ਘਟਾਉਂਦੀਆਂ ਹਨ।
• ਰੈਜ਼ੋਲੂਸ਼ਨ ਨੂੰ ਅਣਡਿੱਠ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। ਛੋਟੀਆਂ ਵਸਤੂਆਂ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਜੇਕਰ ਉਹ ਸਿੰਗਲ ਪਿਕਸਲ ਤੋਂ ਛੋਟੀਆਂ ਹੋਣ।

ਸਾਰੰਸ਼ ਵਿੱਚ

ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਵਿੱਚ, ਏਆਈ ਮਲਟੀਸਪੈਕਟਰਲ ਡੇਟਾ ਤੋਂ ਲੈ ਕੇ ਲੈਂਡ ਕਵਰ ਮੈਪਿੰਗ ਤੱਕ ਵਰਕਫਲੋ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ ਅਤੇ ਬਹੁਤ ਸਾਰੇ ਵਰਗੀਕਰਨ ਨੂੰ ਲੈ ਸਕਦਾ ਹੈ। ਪਰ ਇੱਕ ਵਰਗੀਕਰਨ ਨਕਸ਼ਾ ਤਾਂ ਹੀ ਲਾਭਦਾਇਕ ਹੁੰਦਾ ਹੈ ਜੇਕਰ ਇਸਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ: ਸੁਤੰਤਰ ਜ਼ਮੀਨੀ ਸੱਚਾਈ ਦੇ ਨਮੂਨਿਆਂ ਨਾਲ ਇੱਕ ਗਲਤੀ ਮੈਟ੍ਰਿਕਸ ਬਣਾਉਣਾ ਅਤੇ ਸਮੁੱਚੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਕਪਾ ਦੀ ਗਣਨਾ ਕਰਨਾ ਮਿਆਰੀ ਹੈ। ਬੱਦਲ/ਪਰਛਾਵੇਂ, ਮੌਸਮੀ ਪਰਿਵਰਤਨ, ਅਤੇ ਸਮਾਨ ਸ਼੍ਰੇਣੀਆਂ ਦਖਲਅੰਦਾਜ਼ੀ ਦੇ ਖਾਸ ਸਰੋਤ ਹਨ; ਉਹਨਾਂ ਨੂੰ ਸੂਚਕਾਂਕ, ਮਾਸਕ ਅਤੇ ਮਿਤੀ ਦੀ ਇਕਸਾਰਤਾ ਨਾਲ ਪ੍ਰਬੰਧਿਤ ਕਰੋ। ਸਿਖਲਾਈ ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਦੇ ਨਮੂਨਿਆਂ ਨੂੰ ਕਦੇ ਵੀ ਨਾ ਮਿਲਾਓ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਇੱਕ ਲੈਂਡ ਕਵਰ ਸਵਾਲ ਚੁਣੋ (ਉਦਾਹਰਨ ਲਈ "ਸ਼ਹਿਰੀ ਹਰੀ ਥਾਂ ਦਾ ਨਕਸ਼ਾ")। ਕਲਾਸ ਸੈੱਟ, ਬੈਂਡ ਅਤੇ ਸੂਚਕਾਂਕ ਜੋ ਤੁਸੀਂ ਵਰਤੋਗੇ (ਘੱਟੋ-ਘੱਟ NDVI) ਲਿਖੋ। AI ਕੋਲ ਇੱਕ ਨਿਰੀਖਣ ਕੀਤਾ ਵਰਗੀਕਰਣ ਵਰਕਫਲੋ ਪੈਦਾ ਕਰੋ; ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਸਿਖਲਾਈ ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਦੇ ਨਮੂਨੇ ਵੱਖਰੇ ਹਨ ਅਤੇ ਆਉਟਪੁੱਟ ਵਿੱਚ ਗਲਤੀ ਮੈਟ੍ਰਿਕਸ + ਕਾਪਾ ਗਣਨਾ ਸ਼ਾਮਲ ਹੈ। ਫਿਰ "ਉਲਝਣ ਦਾ ਜੋਖਮ" ਸੂਚੀ ਬਣਾਓ: ਕਿਹੜੀਆਂ ਦੋ ਸ਼੍ਰੇਣੀਆਂ ਸਮਾਨ ਹਨ ਅਤੇ ਤੁਸੀਂ ਉਹਨਾਂ ਨੂੰ ਕਿਵੇਂ ਵੱਖਰਾ ਦੱਸਦੇ ਹੋ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ ਕਲਾਸ ਸੈੱਟ ਨੂੰ ਛੋਟਾ ਅਤੇ ਵੱਖਰਾ ਰੱਖਿਆ।
• [ ] ਮੈਂ ਇਸ ਉਦੇਸ਼ ਲਈ ਢੁਕਵੇਂ ਸਪੈਕਟ੍ਰਲ ਸੂਚਕਾਂਕ (NDVI/NDWI) ਨੂੰ ਜੋੜਿਆ ਹੈ।
• [ ] ਮੈਂ ਸਿਖਲਾਈ ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਉਦਾਹਰਨਾਂ ਨੂੰ ਵੱਖ ਕੀਤਾ।
• [] ਮੈਂ ਕਲਾਉਡ/ਸ਼ੈਡੋ ਮਾਸਕ ਅਤੇ ਸੀਜ਼ਨ ਇਕਸਾਰਤਾ ਦੀ ਜਾਂਚ ਕੀਤੀ।
• [ ] ਮੈਂ ਸੁਤੰਤਰ ਜ਼ਮੀਨੀ ਸੱਚਾਈ ਨਾਲ ਸ਼ੁੱਧਤਾ ਨੂੰ ਮਾਪਿਆ।
• [ ] ਮੈਂ ਗਲਤੀ ਮੈਟ੍ਰਿਕਸ, ਸਮੁੱਚੀ ਸ਼ੁੱਧਤਾ, ਅਤੇ ਕਪਾ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ।
• [ ] ਮੈਂ ਕਲਾਸ ਮਿਕਸ-ਅਪਸ ਦਾ ਨਿਦਾਨ ਕੀਤਾ ਅਤੇ ਠੀਕ ਕੀਤਾ।
• [ ] ਮੈਂ ਇਸਨੂੰ ਇੰਜੀਨੀਅਰ ਦੀ ਮਨਜ਼ੂਰੀ ਦੇ ਅਧੀਨ ਕੀਤਾ ਹੈ ਕਿ ਨਕਸ਼ਾ ਇਸਦੇ ਉਦੇਸ਼ਿਤ ਵਰਤੋਂ ਲਈ ਸਹੀ ਹੈ।