ਸੈਟੇਲਾਈਟ ਅਤੇ ਏਰੀਅਲ ਚਿੱਤਰਾਂ ਨਾਲ ਸ਼ਹਿਰੀ ਤਬਦੀਲੀ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ

ਲਾਭ:

• ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਅਤੇ ਸੈਟੇਲਾਈਟ ਇਮੇਜਰੀ ਦੁਆਰਾ ਸ਼ਹਿਰੀ ਫੈਲਾਅ, ਉਸਾਰੀ ਅਤੇ ਭੂਮੀ ਕਵਰ ਤਬਦੀਲੀ ਦੀ ਏਆਈ-ਸਮਰਥਿਤ ਖੋਜ ਦੇ ਤਰਕ ਨੂੰ ਸਮਝਣਾ।
• ਚਿੱਤਰ ਵਰਗੀਕਰਣ ਦਾ ਆਲੋਚਨਾਤਮਕ ਮੁਲਾਂਕਣ ਕਰਨ ਅਤੇ ਸ਼ੁੱਧਤਾ, ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਅਤੇ ਮਿਤੀ ਜਾਣਕਾਰੀ ਦੇ ਨਾਲ ਖੋਜ ਆਉਟਪੁੱਟ ਨੂੰ ਬਦਲਣ ਦੀ ਸਮਰੱਥਾ
• ਇਹ ਸਮਝਣ ਦੀ ਯੋਗਤਾ ਕਿ ਏਆਈ ਦੁਆਰਾ ਚਿੱਤਰ ਤੋਂ ਜੋ ਸੀਮਾਵਾਂ ਕੱਢੀਆਂ ਜਾਂਦੀਆਂ ਹਨ ਉਹਨਾਂ ਦੀ ਫੀਲਡ ਅਤੇ ਅਧਿਕਾਰਤ ਰਿਕਾਰਡਾਂ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ ਅਤੇ ਕਾਨੂੰਨੀ ਸਬੂਤ ਨਹੀਂ ਹੋ ਸਕਦੇ।

ਇੱਕ-ਇੱਕ ਕਰਕੇ ਖੇਤ ਵਿੱਚ ਜਾ ਕੇ ਇਹ ਵੇਖਣਾ ਅਸੰਭਵ ਹੈ ਕਿ ਪਿਛਲੇ ਦਹਾਕੇ ਵਿੱਚ ਇੱਕ ਸ਼ਹਿਰ ਕਿੱਥੇ, ਕਿੰਨੀ ਅਤੇ ਕਿੰਨੀ ਤੇਜ਼ੀ ਨਾਲ ਵਧਿਆ ਹੈ। ਇਸ ਦੀ ਬਜਾਏ, ਯੋਜਨਾਕਾਰ ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ (ਸੈਟੇਲਾਈਟਾਂ ਅਤੇ ਹਵਾਈ ਜਹਾਜ਼ਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਧਰਤੀ ਦੀ ਚਿੱਤਰਕਾਰੀ ਕਰਨਾ ਅਤੇ ਡੇਟਾ ਐਕਸਟਰੈਕਟ ਕਰਨਾ)। ਵੱਖ-ਵੱਖ ਮਿਤੀਆਂ ਤੋਂ ਸੈਟੇਲਾਈਟ ਚਿੱਤਰਾਂ ਦੀ ਤੁਲਨਾ ਕਰਕੇ, ਤੁਸੀਂ ਨਵੀਂ ਉਸਾਰੀ, ਗੁਆਚੀ ਖੇਤੀ ਜ਼ਮੀਨ, ਗੈਰ-ਕਾਨੂੰਨੀ ਉਸਾਰੀ ਦਾ ਵਿਸਥਾਰ ਜਾਂ ਸੁੰਗੜਦੀ ਹਰੀ ਥਾਂ ਦਾ ਪਤਾ ਲਗਾ ਸਕਦੇ ਹੋ। AI ਇਹਨਾਂ ਚਿੱਤਰਾਂ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਐਕਸਲੇਟਰ ਹੈ (ਹਰੇਕ ਪਿਕਸਲ ਨੂੰ "ਢਾਂਚਾ," "ਪੌਦਾ," "ਪਾਣੀ," ਆਦਿ ਵਜੋਂ ਲੇਬਲ ਕਰਨਾ) ਅਤੇ ਦੋ ਤਾਰੀਖਾਂ ਵਿਚਕਾਰ ਤਬਦੀਲੀਆਂ ਦਾ ਪਤਾ ਲਗਾਉਣਾ। ਪਰ ਚਿੱਤਰ ਵਿਸ਼ਲੇਸ਼ਣ ਰੈਜ਼ੋਲੂਸ਼ਨ, ਮਿਤੀ, ਸ਼ੈਡੋ, ਕਲਾਉਡ ਅਤੇ ਵਰਗੀਕਰਨ ਗਲਤੀ ਨਾਲ ਭਰਿਆ ਹੋਇਆ ਹੈ. ਇੱਕ "ਤਬਦੀਲੀ" ਜੋ ਕਿ AI ਝੰਡੇ ਇੱਕ ਸ਼ੈਡੋ, ਇੱਕ ਮੌਸਮੀ ਅੰਤਰ, ਜਾਂ ਇੱਕ ਗਲਤੀ ਹੋ ਸਕਦੀ ਹੈ। ਇਸ ਲਈ, ਚਿੱਤਰ ਤੋਂ ਕੱਢੇ ਗਏ ਕਿਸੇ ਸਿੱਟੇ ਨੂੰ ਫੀਲਡ ਅਤੇ ਅਧਿਕਾਰਤ ਰਿਕਾਰਡਾਂ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕੀਤੇ ਬਿਨਾਂ ਕਾਨੂੰਨੀ ਕਾਰਵਾਈ ਲਈ ਆਧਾਰ ਵਜੋਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਦੀਆਂ ਬੁਨਿਆਦੀ ਧਾਰਨਾਵਾਂ

ਰੈਜ਼ੋਲਿਊਸ਼ਨ: ਜ਼ਮੀਨ 'ਤੇ ਇੱਕ ਪਿਕਸਲ ਦੁਆਰਾ ਕਬਜ਼ਾ ਕੀਤਾ ਖੇਤਰ। 10 ਮੀਟਰ ਰੈਜ਼ੋਲਿਊਸ਼ਨ 'ਤੇ, ਇੱਕ ਪਿਕਸਲ 10x10 ਮੀਟਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ; ਇੱਕ ਛੋਟੀ ਆਉਟ ਬਿਲਡਿੰਗ ਦਿਖਾਈ ਨਹੀਂ ਦੇ ਰਹੀ ਹੈ। ਉੱਚ ਰੈਜ਼ੋਲਿਊਸ਼ਨ (ਉਦਾਹਰਨ ਲਈ 0.3-1 ਮੀਟਰ) ਦਾ ਮਤਲਬ ਹੈ ਵਧੇਰੇ ਵੇਰਵੇ ਪਰ ਵਧੇਰੇ ਮਹਿੰਗਾ ਅਤੇ ਘੱਟ ਵਾਰ-ਵਾਰ ਡਾਟਾ।

ਸਪੈਕਟ੍ਰਲ ਬੈਂਡ: ਸੈਟੇਲਾਈਟ ਰੋਸ਼ਨੀ ਵੀ ਰਿਕਾਰਡ ਕਰਦੇ ਹਨ ਜੋ ਅੱਖ ਨਹੀਂ ਦੇਖ ਸਕਦੀ (ਜਿਵੇਂ ਕਿ ਇਨਫਰਾਰੈੱਡ)। ਬਨਸਪਤੀ ਇਨਫਰਾਰੈੱਡ ਵਿੱਚ ਚਮਕਦੀ ਹੈ; ਇਹ ਪੌਦੇ ਨੂੰ ਢਾਂਚੇ ਤੋਂ ਵੱਖ ਕਰਨਾ ਆਸਾਨ ਬਣਾਉਂਦਾ ਹੈ। ਐਨਡੀਵੀਆਈ (ਇੱਕ ਸਧਾਰਨ ਕੈਲਕੁਲੇਟਰ ਜੋ ਪੌਦਿਆਂ ਦੀ ਤਾਕਤ ਨੂੰ ਮਾਪਦਾ ਹੈ) ਵਰਗੇ ਸੂਚਕਾਂਕ ਗ੍ਰੀਨਫੀਲਡ ਟਰੈਕਿੰਗ ਵਿੱਚ ਆਮ ਹਨ।

ਮਿਤੀ ਅਤੇ ਸੀਜ਼ਨ: ਜੇਕਰ ਦੋ ਚਿੱਤਰ ਵੱਖ-ਵੱਖ ਮੌਸਮਾਂ ਵਿੱਚ ਹਨ, ਤਾਂ ਹਰੇ ਵਿੱਚ ਕਮੀ ਇੱਕ "ਨੁਕਸਾਨ" ਨਹੀਂ ਹੋ ਸਕਦੀ ਪਰ ਸਰਦੀਆਂ ਦੀ ਆਮਦ ਹੋ ਸਕਦੀ ਹੈ। ਤੁਲਨਾ ਵਿਚ ਤਾਰੀਖ ਅਤੇ ਮੌਸਮ ਦੀ ਇਕਸੁਰਤਾ ਜ਼ਰੂਰੀ ਹੈ।

ਸ਼ੁੱਧਤਾ: ਉਹ ਮੁੱਲ ਜੋ ਮਾਪਦਾ ਹੈ ਕਿ ਵਰਗੀਕਰਨ ਕਿੰਨਾ ਸਹੀ ਹੈ। "85 ਪ੍ਰਤੀਸ਼ਤ ਸ਼ੁੱਧਤਾ" ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਹਰ ਛੇ ਪਿਕਸਲ ਵਿੱਚੋਂ ਇੱਕ ਨੂੰ ਗਲਤ ਲੇਬਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ; ਇਹ ਇੱਕ ਆਡਿਟ ਪ੍ਰਕਿਰਿਆ ਲਈ ਗਲਤੀ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਮਾਰਜਿਨ ਹੈ।

ਧਿਆਨ ਦਿਓ: ਇੱਕ ਸੈਟੇਲਾਈਟ ਚਿੱਤਰ ਤੋਂ AI ਦੁਆਰਾ ਖੋਜਿਆ ਗਿਆ ਢਾਂਚਾ, ਆਪਣੇ ਆਪ ਵਿੱਚ, ਇੱਕ ਗੈਰ-ਕਾਨੂੰਨੀ ਢਾਂਚੇ ਦਾ ਸਬੂਤ ਨਹੀਂ ਹੈ। ਸ਼ੈਡੋ, ਰੈਜ਼ੋਲਿਊਸ਼ਨ, ਮਿਤੀ ਅਤੇ ਵਰਗੀਕਰਨ ਗਲਤੀ ਗਲਤ ਸਕਾਰਾਤਮਕ ਪੈਦਾ ਕਰਦੇ ਹਨ। ਨਿਰੀਖਣ ਅਤੇ ਲਾਗੂ ਕਰਨ ਲਈ ਹਮੇਸ਼ਾਂ ਸਾਈਟ ਨਿਯੰਤਰਣ, ਟਾਈਟਲ ਡੀਡ/ਲਾਈਸੈਂਸ ਰਜਿਸਟ੍ਰੇਸ਼ਨ ਅਤੇ ਅਧਿਕਾਰਤ ਮਾਪ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਸਭ ਤੋਂ ਵੱਡਾ ਮੁੱਲ ਜੋ ਮੁਫਤ ਅਤੇ ਖੁੱਲ੍ਹਾ ਸੈਟੇਲਾਈਟ ਡੇਟਾ (ਸਰੋਤ ਜਿਵੇਂ ਕਿ ਯੂਰਪ ਦੇ ਸੈਂਟੀਨੇਲ ਅਤੇ ਯੂਐਸ ਦੇ ਲੈਂਡਸੈਟ ਪ੍ਰੋਗਰਾਮਾਂ) ਦੀ ਯੋਜਨਾਬੰਦੀ ਵਿੱਚ ਲਿਆਉਂਦਾ ਹੈ ਇਤਿਹਾਸਕ ਸਮਾਂ ਲੜੀ ਹੈ: ਤੁਹਾਡੇ ਕੋਲ ਸਾਲਾਂ ਵਿੱਚ ਫੈਲੇ ਇੱਕੋ ਖੇਤਰ ਦੀਆਂ ਦਰਜਨਾਂ ਚਿੱਤਰਾਂ ਤੱਕ ਪਹੁੰਚ ਹੈ। ਇਹ ਤੁਹਾਨੂੰ ਇੱਕ ਇੱਕਲੇ "ਪਹਿਲਾਂ/ਬਾਅਦ" ਤੁਲਨਾ ਤੋਂ ਪਰੇ ਜਾਣ ਅਤੇ ਆਂਢ-ਗੁਆਂਢ ਦੀ ਫੈਲਾਅ ਦਰ, ਮੌਸਮੀ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ, ਅਤੇ ਰੁਝਾਨ ਨੂੰ ਦੇਖਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। AI ਇਹਨਾਂ ਲੰਬੀਆਂ ਲੜੀਵਾਂ ਨੂੰ ਸੰਖੇਪ ਕਰਨ ਅਤੇ ਸ਼ੋਰ ਤੋਂ ਤਬਦੀਲੀ ਦੇ ਅਰਥਪੂਰਨ ਪੈਟਰਨਾਂ ਨੂੰ ਵੱਖ ਕਰਨ ਵਿੱਚ ਮਦਦਗਾਰ ਹੈ। ਪਰ ਸਮਾਂ ਲੜੀ ਵਿੱਚ ਵੀ ਇਹੀ ਨਿਯਮ ਲਾਗੂ ਹੁੰਦਾ ਹੈ: ਭਾਵੇਂ ਕੋਈ ਰੁਝਾਨ ਕਿੰਨਾ ਵੀ ਸਪਸ਼ਟ ਕਿਉਂ ਨਾ ਹੋਵੇ, ਇਹ ਚਿੱਤਰਾਂ ਦਾ ਰੈਜ਼ੋਲਿਊਸ਼ਨ, ਕਲਾਉਡ ਰੇਟ ਅਤੇ ਮੌਸਮੀਤਾ ਹੈ ਜੋ ਨਤੀਜਾ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ; ਇਨ੍ਹਾਂ ਤਿੰਨਾਂ ਕਾਰਕਾਂ ਦੀ ਰਿਪੋਰਟ ਕੀਤੇ ਬਿਨਾਂ ਕੋਈ ਵੀ ਰੁਝਾਨ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਮੰਨਿਆ ਜਾ ਸਕਦਾ।

ਪਰਿਵਰਤਨ ਖੋਜ ਦਾ ਤਰਕ

ਦੋ ਮਿਤੀਆਂ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨ ਦੇ ਕਈ ਤਰੀਕੇ ਹਨ: ਦੋਵਾਂ ਤਾਰੀਖਾਂ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨਾ ਅਤੇ ਕਲਾਸਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨਾ, ਸੂਚਕਾਂਕ ਅੰਤਰ ਪ੍ਰਾਪਤ ਕਰਨਾ (ਜਿਵੇਂ ਕਿ NDVI ਅੰਤਰ), ਜਾਂ AI ਮਾਡਲ ਨਾਲ ਸਿੱਧੇ ਤੌਰ 'ਤੇ "ਬਦਲਿਆ/ਨਹੀਂ ਬਦਲਿਆ" ਨਕਸ਼ਾ ਤਿਆਰ ਕਰਨਾ। ਨਤੀਜਾ ਤਬਦੀਲੀ ਦਾ ਨਕਸ਼ਾ ਹੈ: ਨਵੀਂ ਬਣਤਰ ਕਿੱਥੇ ਹੈ, ਪੌਦਾ ਕਿੱਥੇ ਗੁਆਚ ਗਿਆ ਹੈ। ਇਹ ਨਕਸ਼ਾ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਸਕ੍ਰੀਨਿੰਗ ਦੇ ਰੂਪ ਵਿੱਚ ਅਨਮੋਲ ਹੈ - ਇਹ ਯੋਜਨਾਕਾਰ ਨੂੰ "ਉੱਥੇ ਵੇਖਣ" ਲਈ ਕਹਿੰਦਾ ਹੈ। ਪਰ ਹਰੇਕ ਚਿੰਨ੍ਹ ਦੀ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਤਸਦੀਕ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਕਿ ਇਹ ਅਸਲ ਤਬਦੀਲੀ ਹੈ ਜਾਂ ਕੋਈ ਗਲਤੀ।

ਕਦਮ ਦਰ ਕਦਮ: ਏਆਈ ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਤਬਦੀਲੀ ਵਿਸ਼ਲੇਸ਼ਣ

1. ਸਵਾਲ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ. "2018 ਅਤੇ 2024 ਦੇ ਵਿਚਕਾਰ [ਖੇਤਰ] ਵਿੱਚ ਨਵੀਂ ਉਸਾਰੀ ਕਿੱਥੇ ਹੈ?"
2. ਚਿੱਤਰ ਚੁਣੋ। ਸਮਾਨ ਸੀਜ਼ਨ, ਸਵੀਕਾਰਯੋਗ ਰੈਜ਼ੋਲਿਊਸ਼ਨ, ਘੱਟ ਬੱਦਲ।
3. ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ ਇਸਨੂੰ ਉਸੇ CRS ਵਿੱਚ ਲਿਆਓ, ਅਲਾਈਨ ਕਰੋ, ਕਲਾਉਡ/ਸ਼ੈਡੋ ਮਾਸਕ ਲਾਗੂ ਕਰੋ।
4. ਵਰਗੀਕਰਨ/ਤੁਲਨਾ ਕਰੋ। ਏਆਈ ਨਾਲ ਕਲਾਸ ਤਿਆਰ ਕਰੋ ਜਾਂ ਨਕਸ਼ਾ ਬਦਲੋ।
5. ਸ਼ੁੱਧਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ। ਜਾਣੇ-ਪਛਾਣੇ ਸੰਦਰਭ ਬਿੰਦੂਆਂ ਨਾਲ ਸ਼ੁੱਧਤਾ ਨੂੰ ਮਾਪੋ।
6. ਖੇਤਰ ਅਤੇ ਰਜਿਸਟਰੇਸ਼ਨ ਪੁਸ਼ਟੀ. ਜੇਕਰ ਲੋੜ ਹੋਵੇ ਤਾਂ ਟਾਈਟਲ ਡੀਡ/ਲਾਈਸੈਂਸ ਅਤੇ ਸਾਈਟ ਨਾਲ ਚਿੰਨ੍ਹਿਤ ਤਬਦੀਲੀਆਂ ਦੀ ਜਾਂਚ ਕਰੋ।
7. ਰਿਪੋਰਟ ਸੀਮਾਵਾਂ। ਮਿਤੀ, ਰੈਜ਼ੋਲੂਸ਼ਨ, ਸ਼ੁੱਧਤਾ ਅਤੇ ਗਲਤੀ ਦੇ ਹਾਸ਼ੀਏ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਲਿਖੋ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ: "ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਇਹਨਾਂ ਦੋ ਚਿੱਤਰਾਂ ਤੋਂ ਕੀ ਬਦਲਿਆ ਹੈ।"

AI ਇੱਕ ਵਧੀਆ ਦਿੱਖ ਵਾਲੀ ਪਰ ਅਨਿਸ਼ਚਿਤ ਤੌਰ 'ਤੇ ਸਹੀ ਸੂਚੀ ਬਣਾਉਂਦਾ ਹੈ; ਤੁਸੀਂ ਸੋਚ ਸਕਦੇ ਹੋ ਕਿ ਰੰਗਤ ਅਤੇ ਮੌਸਮ ਵਿੱਚ ਅੰਤਰ ਅਸਲ ਤਬਦੀਲੀ ਹੈ।

ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ: "ਮੈਂ ਦੋ ਤਾਰੀਖਾਂ (ਜੁਲਾਈ 2018 / ਜੁਲਾਈ 2024, ਇੱਕੋ ਸੀਜ਼ਨ, 10 ਮੀਟਰ ਰੈਜ਼ੋਲਿਊਸ਼ਨ) ਦੇ ਵਰਗੀਕ੍ਰਿਤ ਭੂਮੀ ਕਵਰ ਡੇਟਾ ਦੀ ਤੁਲਨਾ ਕਰ ਰਿਹਾ ਹਾਂ। ਪਰਿਵਰਤਨ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਰਿਪੋਰਟ ਕਰਦੇ ਸਮੇਂ, ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਦੱਸੋ: ਕਿਹੜੀਆਂ ਤਬਦੀਲੀਆਂ ਸ਼ੇਡ/ਸੀਜ਼ਨ/ਰੈਜ਼ੋਲੂਸ਼ਨ ਦੇ ਕਾਰਨ ਗਲਤ ਸਕਾਰਾਤਮਕ ਹੋ ਸਕਦੀਆਂ ਹਨ, ਕਿਹੜੇ ਨਿਰਧਾਰਨ ਲਈ ਫੀਲਡ ਤਸਦੀਕ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਹਰੇਕ ਨੂੰ ਮਾਪਣਾ ਕਿਵੇਂ ਸਹੀ ਨਹੀਂ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ; 'ਫੀਲਡ ਪੁਸ਼ਟੀ ਦੀ ਲੋੜ ਹੈ'।"

ਦੂਜਾ ਪ੍ਰੋਂਪਟ AI ਨੂੰ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਅਤੇ ਗਲਤੀ ਦੇ ਸਰੋਤਾਂ ਨੂੰ ਸੰਚਾਰ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕਰਦਾ ਹੈ।

ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ

ਟਾਸਕ: ਨਿਮਨਲਿਖਤ ਤਬਦੀਲੀ ਖੋਜ ਆਉਟਪੁੱਟ ਦਾ ਆਲੋਚਨਾਤਮਕ ਮੁਲਾਂਕਣ ਕਰੋ। ਹਰੇਕ ਖੋਜ ਲਈ ਸੰਭਾਵਿਤ ERROR ਸਰੋਤਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ: ਸ਼ੈਡੋ, ਕਲਾਉਡ, ਸੀਜ਼ਨ, ਰੈਜ਼ੋਲਿਊਸ਼ਨ, ਵਰਗੀਕਰਨ ਗਲਤੀ। ਨੋਟ ਸ਼ਾਮਲ ਕਰੋ "ਫੀਲਡ ਪੁਸ਼ਟੀਕਰਨ ਦੀ ਲੋੜ ਹੈ"। ਅੰਤਿਮ ਨਿਰਣੇ ਨਾ ਕਰੋ. ਲੱਭਤਾਂ / ਮਿਤੀ / ਰੈਜ਼ੋਲੂਸ਼ਨ: [...]

ਟਾਸਕ: ਸ਼ਹਿਰੀ ਪਰਿਵਰਤਨ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਚਿੱਤਰ ਚੋਣ ਮਾਪਦੰਡਾਂ ਦੀ ਇੱਕ ਚੈਕਲਿਸਟ ਲਿਖੋ: ਮੌਸਮੀ, ਰੈਜ਼ੋਲਿਊਸ਼ਨ, ਕਲਾਉਡ ਰੇਟ, ਮਿਤੀ ਰੇਂਜ, CRS। ਇਹ ਪੁੱਛਣ ਲਈ ਸਵਾਲ ਬਣਾਓ ਕਿ ਕੀ ਮੇਰੇ ਵੱਲੋਂ ਇਹਨਾਂ ਮਾਪਦੰਡਾਂ ਨੂੰ ਪੂਰਾ ਕੀਤਾ ਗਿਆ ਹੈ। ਚਿੱਤਰ ਜਾਣਕਾਰੀ: [...]

ਕਾਰਜ: ਹੇਠਾਂ ਦਿੱਤੇ ਪਰਿਵਰਤਨ ਵਿਸ਼ਲੇਸ਼ਣ ਨਤੀਜਿਆਂ ਤੋਂ ਇੱਕ ਰਿਪੋਰਟ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰੋ। ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਹਰੇਕ ਖੋਜ ਵਿੱਚ ਰੈਜ਼ੋਲੂਸ਼ਨ, ਮਿਤੀ, ਸ਼ੁੱਧਤਾ, ਅਤੇ ਗਲਤੀ ਦੇ ਹਾਸ਼ੀਏ ਨੂੰ ਬਿਆਨ ਕਰੋ। ਨਤੀਜਿਆਂ ਨੂੰ "ਪ੍ਰੀ-ਸਕ੍ਰੀਨਿੰਗ" ਵਜੋਂ ਫਰੇਮ ਕਰੋ; ਇਸ ਗੱਲ 'ਤੇ ਜ਼ੋਰ ਦਿਓ ਕਿ ਮੁਆਇਨੇ/ਪ੍ਰਵਾਨਗੀ ਲਈ ਫੀਲਡ ਅਤੇ ਅਧਿਕਾਰਤ ਰਿਕਾਰਡ ਦੀ ਪੁਸ਼ਟੀ ਦੀ ਲੋੜ ਹੈ। ਨਤੀਜੇ: [...]

ਕਾਰਜ: ਵਰਗੀਕਰਨ ਸ਼ੁੱਧਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਦਾ ਇੱਕ ਸਧਾਰਨ ਤਰੀਕਾ ਸੁਝਾਓ: ਕਿੰਨੇ ਸੰਦਰਭ ਬਿੰਦੂ, ਕਿਵੇਂ ਚੁਣਨਾ ਹੈ, ਸ਼ੁੱਧਤਾ ਦੀ ਗਣਨਾ ਕਿਵੇਂ ਕਰਨੀ ਹੈ (ਸਾਦਾ ਸਪੱਸ਼ਟੀਕਰਨ)। ਰਿਪੋਰਟ ਵਿੱਚ ਕਿਹੜਾ ਸੱਚ ਬਿਆਨ ਲਿਖਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਉਦਾਹਰਣ। ਪ੍ਰਸੰਗ: [...]

ਇੱਕ ਸਾਰਣੀ: ਡਾਟਾ ਕਿਸਮ ਅਤੇ ਵਰਤੋਂ

ਡਾਟਾ

ਮਤਾ

ਮਜ਼ਬੂਤ ਬਿੰਦੂ

ਸੀਮਾ

ਮੱਧਮ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਸੈਟੇਲਾਈਟ

10-30 ਮੀ

ਮੁਫਤ, ਅਕਸਰ, ਚੌੜਾ ਖੇਤਰ

ਛੋਟੀ ਬਣਤਰ ਖੁੰਝ ਜਾਂਦੀ ਹੈ

ਉੱਚ ਰੈਜ਼ੋਲੂਸ਼ਨ ਸੈਟੇਲਾਈਟ

0.3-1 ਮੀ

ਵਿਸਤ੍ਰਿਤ ਬਣਤਰ ਖੋਜ

ਮਹਿੰਗਾ, ਘੱਟ, ਬੱਦਲ ਜੋਖਮ

ਏਰੀਅਲ ਫੋਟੋ / ਆਰਥੋਫੋਟੋ

0.1-0.3 ਮੀ

ਬਹੁਤ ਵਿਸਤ੍ਰਿਤ, ਰਸਮੀ

ਅੱਪਡੇਟ ਦੀ ਬਾਰੰਬਾਰਤਾ ਘੱਟ ਹੈ

UAV (ਡਰੋਨ)

cm ਪੱਧਰ

ਤੁਰੰਤ, ਬਹੁਤ ਵਿਸਤ੍ਰਿਤ

ਛੋਟੀ ਜਗ੍ਹਾ, ਪਰਮਿਟ/ਵਿਧਾਨ

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 - ਸ਼ੈਡੋ ਭਰਮ। ਇੱਕ ਨਗਰਪਾਲਿਕਾ AI ਤਬਦੀਲੀ ਦੇ ਨਕਸ਼ੇ 'ਤੇ ਇੱਕ ਗੁਆਂਢ ਵਿੱਚ "ਨਵੀਂ ਉਸਾਰੀ" ਦੇ ਚਿੰਨ੍ਹ ਦੇਖਦੀ ਹੈ। ਫੀਲਡ ਟੀਮ ਜਾਂਦੀ ਹੈ; ਜ਼ਿਆਦਾਤਰ ਚਿੰਨ੍ਹ ਦੁਪਹਿਰ ਦੇ ਚਿੱਤਰ ਵਿੱਚ ਲੰਬੇ ਇਮਾਰਤ ਦੇ ਪਰਛਾਵੇਂ ਹਨ। ਨਵੇਂ ਬਿਲਡਾਂ ਦੀ ਅਸਲ ਗਿਣਤੀ ਅੱਧੀ ਨਿਸ਼ਾਨੀ ਹੈ। AI ਨੇ ਪ੍ਰੀ-ਸਕ੍ਰੀਨ ਕੀਤਾ ਸੀ, ਪਰ ਜੇਕਰ ਪੁਸ਼ਟੀ ਕੀਤੇ ਬਿਨਾਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਗਲਤ ਮਿੰਟ ਪੈਦਾ ਕਰੇਗਾ।

ਕੇਸ 2 - ਛੋਟੇ ਢਾਂਚੇ ਤੋਂ ਬਚਣਾ। ਇੱਕ ਯੋਜਨਾਕਾਰ 10 ਮੀਟਰ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਦੇ ਨਾਲ ਇੱਕ ਮੁਫਤ ਸੈਟੇਲਾਈਟ ਦੇ ਨਾਲ ਇੱਕ ਖੇਤੀਬਾੜੀ ਖੇਤਰ ਵਿੱਚ ਛੋਟੇ ਗੋਦਾਮਾਂ ਨੂੰ ਟਰੈਕ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ। ਕਿਉਂਕਿ ਵੇਅਰਹਾਊਸ 6x8 ਮੀਟਰ ਹਨ, ਉਹ ਇੱਕ ਪਿਕਸਲ ਦੇ ਹੇਠਾਂ ਰਹਿੰਦੇ ਹਨ ਅਤੇ ਦਿਖਾਈ ਨਹੀਂ ਦਿੰਦੇ ਹਨ। ਯੋਜਨਾਕਾਰ ਅਸਲ ਟਰੈਕਿੰਗ ਲਈ ਉੱਚ-ਰੈਜ਼ੋਲੂਸ਼ਨ ਆਰਥੋਫੋਟੋ 'ਤੇ ਸਵਿਚ ਕਰਦਾ ਹੈ। ਰੈਜ਼ੋਲੂਸ਼ਨ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਦੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਕੇਸ 3 - ਪਾਰਦਰਸ਼ੀ ਰਿਪੋਰਟ। ਇੱਕ ਟੀਮ ਇੱਕ ਖੇਤਰ ਦੇ 6-ਸਾਲ ਦੇ ਫੈਲਾਅ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੀ ਹੈ ਅਤੇ ਰਿਪੋਰਟ ਵਿੱਚ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਲਿਖਦੀ ਹੈ ਕਿ "ਖੋਜ 82 ਪ੍ਰਤੀਸ਼ਤ ਸ਼ੁੱਧਤਾ ਦੇ ਨਾਲ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਸਕੈਨ ਹੈ; 47 ਪੁਆਇੰਟ ਫੀਲਡ ਪੁਸ਼ਟੀ ਦੀ ਉਡੀਕ ਕਰਦੇ ਹਨ; ਚਿੱਤਰ ਮਿਤੀਆਂ ਅਤੇ ਰੈਜ਼ੋਲੂਸ਼ਨ ਨੱਥੀ ਹਨ।" ਸੰਸਦ ਸਹੀ ਵਜ਼ਨ ਨਾਲ ਨਤੀਜੇ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੀ ਹੈ। ਇਸ ਨੂੰ ਲੁਕਾਉਣ ਦੀ ਬਜਾਏ ਅਨਿਸ਼ਚਿਤਤਾ ਦੀ ਰਿਪੋਰਟ ਕਰਨਾ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਭਰੋਸੇਯੋਗ ਬਣਾਉਂਦਾ ਹੈ।

ਆਮ ਗਲਤੀਆਂ

• ਸਬੂਤ ਵਜੋਂ ਗਲਤੀ ਦਾ ਪਤਾ ਲਗਾਉਣਾ। ਚਿੱਤਰ ਨੂੰ ਪ੍ਰੀ-ਸਕੈਨ ਕੀਤਾ ਗਿਆ ਹੈ; ਇਸ ਲਈ ਮਨਜ਼ੂਰੀਆਂ ਅਤੇ ਅਧਿਕਾਰਤ ਰਜਿਸਟ੍ਰੇਸ਼ਨ ਦੀ ਲੋੜ ਹੈ।
• ਸੀਜ਼ਨ/ਤਾਰੀਖ ਬੇਮੇਲ। ਵੱਖ-ਵੱਖ ਮੌਸਮੀ ਚਿੱਤਰ ਗਲਤ ਪਰਿਵਰਤਨ ਪੈਦਾ ਕਰਦੇ ਹਨ।
• ਰੈਜ਼ੋਲੂਸ਼ਨ ਨੂੰ ਅਣਡਿੱਠ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। ਛੋਟੇ ਢਾਂਚੇ ਘੱਟ ਰੈਜ਼ੋਲੂਸ਼ਨ ਤੇ ਦਿਖਾਈ ਨਹੀਂ ਦਿੰਦੇ; ਇਹ "ਕੋਈ ਨਹੀਂ" ਨਹੀਂ ਹੈ.
• ਸਟੀਕਤਾ ਦੀ ਰਿਪੋਰਟ ਕਰਨ ਵਿੱਚ ਅਸਫਲਤਾ। ਗਲਤੀ ਦੇ ਹਾਸ਼ੀਏ ਨੂੰ ਛੁਪਾਉਣ ਨਾਲ ਗਲਤ ਫੈਸਲੇ ਹੁੰਦੇ ਹਨ।
• ਪਰਛਾਵੇਂ ਅਤੇ ਬੱਦਲ ਨੂੰ ਭੁੱਲਣਾ. ਝੂਠੇ ਸਕਾਰਾਤਮਕ ਦੇ ਦੋ ਸਭ ਤੋਂ ਆਮ ਸਰੋਤ।
• CRS ਬੇਮੇਲ। ਅਲਾਈਨ ਚਿੱਤਰ ਗਲਤ ਥਾਂ 'ਤੇ ਬਦਲ ਜਾਂਦੇ ਹਨ।

ਸੰਖੇਪ ਵਿੱਚ

ਸੈਟੇਲਾਈਟ ਅਤੇ ਏਰੀਅਲ ਇਮੇਜਰੀ ਪੈਮਾਨੇ ਅਤੇ ਗਤੀ 'ਤੇ ਸ਼ਹਿਰੀ ਤਬਦੀਲੀ ਨੂੰ ਦੇਖਣ ਦੇ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਤਰੀਕੇ ਹਨ; AI ਵਰਗੀਕਰਨ ਅਤੇ ਤਬਦੀਲੀ ਖੋਜ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ। ਪਰ ਰੈਜ਼ੋਲੂਸ਼ਨ ਨਿਰਧਾਰਿਤ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਦੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਮੌਸਮ ਅਤੇ ਤਾਰੀਖ ਇਹ ਨਿਰਧਾਰਿਤ ਕਰਦੇ ਹਨ ਕਿ ਅਸਲ ਕੀ ਹੈ, ਪਰਛਾਵਾਂ ਅਤੇ ਬੱਦਲ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ ਕਿ ਗਲਤ ਸਕਾਰਾਤਮਕ ਕੀ ਹੈ। ਸ਼ੁੱਧਤਾ ਨੂੰ ਹਮੇਸ਼ਾ ਮਾਪਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਰਿਪੋਰਟ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ। ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ: ਚਿੱਤਰ ਤੋਂ ਖੋਜ ਇੱਕ ਪ੍ਰੀ-ਸਕੈਨ ਹੈ; ਫੀਲਡ ਕੰਟਰੋਲ, ਟਾਈਟਲ ਡੀਡ/ਲਾਈਸੈਂਸ ਰਜਿਸਟ੍ਰੇਸ਼ਨ ਅਤੇ ਅਧਿਕਾਰਤ ਮਾਪ ਨਿਰੀਖਣ ਅਤੇ ਮਨਜ਼ੂਰੀ ਲਈ ਜ਼ਰੂਰੀ ਹਨ। AI ਦ੍ਰਿਸ਼ਟੀ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ, ਫੈਸਲਾ ਲੈਣ ਦੀ ਨਹੀਂ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਦੋ ਵੱਖ-ਵੱਖ ਤਾਰੀਖਾਂ ਵਾਲੇ ਚਿੱਤਰਾਂ (ਜਾਂ ਦ੍ਰਿਸ਼ਾਂ) ਦੀ ਇੱਕ ਜੋੜੀ 'ਤੇ ਵਿਚਾਰ ਕਰੋ। (1) ਦੂਜੇ ਟੈਪਲੇਟ ਨਾਲ ਚਿੱਤਰ ਚੋਣ ਮਾਪਦੰਡ ਦੀ ਜਾਂਚ ਕਰੋ: ਸੀਜ਼ਨ, ਰੈਜ਼ੋਲਿਊਸ਼ਨ, ਕੀ ਕਲਾਉਡ ਫਿੱਟ ਹੈ? (2) ਪਰਿਵਰਤਨ ਖੋਜਾਂ ਦੀ ਇੱਕ ਸੂਚੀ ਮੰਨੋ ਅਤੇ ਸ਼ੁਰੂਆਤੀ ਟੈਮਪਲੇਟ ਨਾਲ ਹਰੇਕ ਖੋਜ ਲਈ ਸੰਭਵ ਗਲਤੀ ਸਰੋਤਾਂ ਨੂੰ ਕੱਢੋ। (3) ਤੀਜੇ ਨਮੂਨੇ ਦੇ ਨਾਲ ਇੱਕ ਡਰਾਫਟ ਰਿਪੋਰਟ ਤਿਆਰ ਕਰੋ ਅਤੇ ਸ਼ੁੱਧਤਾ ਅਤੇ ਗਲਤੀ ਦੇ ਹਾਸ਼ੀਏ ਨੂੰ ਜੋੜੋ। (4) ਲਿਖੋ ਕਿ ਕਿਹੜੇ ਨਿਰਧਾਰਨ ਲਈ ਖੇਤਰ ਦੀ ਪੁਸ਼ਟੀ ਦੀ ਲੋੜ ਹੋਵੇਗੀ ਅਤੇ ਤੁਸੀਂ ਇਹ ਕਿਵੇਂ ਕਰੋਗੇ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ ਚਿੱਤਰਾਂ ਦੀ ਸੀਜ਼ਨ, ਮਿਤੀ ਅਤੇ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਅਨੁਕੂਲਤਾ ਦੀ ਜਾਂਚ ਕੀਤੀ।
• [ ] ਮੈਂ ਚਿੱਤਰਾਂ ਨੂੰ ਉਸੇ CRS ਨਾਲ ਇਕਸਾਰ ਕੀਤਾ; ਮੈਂ ਕਲਾਉਡ/ਸ਼ੈਡੋ ਮਾਸਕ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਲਿਆ।
• [ ] ਮੈਂ ਪਰਿਵਰਤਨ ਖੋਜਾਂ ਨੂੰ ਮੁੱਢਲੀ ਜਾਂਚ ਵਜੋਂ ਮੰਨਿਆ, ਸਬੂਤ ਵਜੋਂ ਨਹੀਂ।
• [ ] ਮੈਂ ਮੁਲਾਂਕਣ ਕੀਤਾ ਅਤੇ ਵਰਗੀਕਰਨ ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ।
• ਮੈਂ ਫੀਲਡ ਅਤੇ ਅਧਿਕਾਰਤ ਰਿਕਾਰਡਾਂ ਨਾਲ [ ] ਚਿੰਨ੍ਹਿਤ ਤਬਦੀਲੀਆਂ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
• [ ] ਮੈਂ ਨੋਟ ਕੀਤਾ ਕਿ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਸੀਮਾ ਕੀ ਖੁੰਝ ਸਕਦੀ ਹੈ।
• [ ] ਮੈਂ ਰਿਪੋਰਟ ਵਿੱਚ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਤਾਰੀਖ, ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਅਤੇ ਗਲਤੀ ਦਾ ਹਾਸ਼ੀਆ ਲਿਖਿਆ ਹੈ।