Zyski:
- Możliwość wyboru danych satelitarnych (szeroki obszar) i czujników (lokalnych) zgodnie z pytaniem i analizowania wskaźników takich jak NDVI poprzez zastosowanie maski chmur
- Możliwość odróżnienia dryftu i nieprawidłowego działania od sygnału rzeczywistego poprzez przepuszczenie danych z czujników IoT przez kalibrację i kontrolę jakości
- Możliwość oparcia wniosków z monitorowania na trendzie, a nie na pojedynczej dacie i ustalenia planu weryfikacji w oparciu o podstawową prawdę lub niezależne dane
Aby zarządzać środowiskiem, trzeba je najpierw zobaczyć. Trzeba wiedzieć, jak mały stał się las, jak zanieczyszczona jest rzeka lub ile metanu wycieka z obiektu, nie na podstawie domysłów, ale na podstawie danych. Monitoring środowiska to regularny i powtarzalny pomiar stanu środowiska. W tej części dowiesz się o dwóch dużych źródłach danych — satelitach patrzących z kosmosu i czujnikach w terenie — oraz o roli sztucznej inteligencji w zrozumieniu tych ogromnych danych.
Najpierw koncepcje. Teledetekcja zbiera informacje poprzez pomiar światła odbitego z dużej odległości (z satelity lub samolotu) bez dotykania obiektu. Czujnik IoT (Internet of Things) to niewielkie urządzenie umieszczone w terenie, które automatycznie przesyła przez Internet zmierzoną wartość (temperaturę, jakość powietrza, poziom wody). Razem dają szeroki (satelitarny) i lokalny (sensorowy) obraz środowiska.
Jak czytać dane satelitarne?
Satelity nie tylko robią zdjęcia; mierzy różne długości fal („pasma”) światła. Matematyczna kombinacja tych pasm pokazuje to, co niewidoczne gołym okiem. Najbardziej znanym przykładem jest NDVI (Normalized Difference Vegetation Index): mierzy on gęstość roślinności za pomocą liczby od 0 do 1, w oparciu o zasadę, że zdrowe rośliny w dużym stopniu odbijają światło podczerwone. Spadek NDVI może oznaczać wylesianie, suszę lub szkody.
Najpopularniejszymi bezpłatnymi i otwartymi źródłami satelitarnymi są satelity Sentinel (europejski program Copernicus) i Landsat (USA). Dostęp do nich można uzyskać za pośrednictwem platform takich jak Google Earth Engine lub w Pythonie (z bibliotekami takimi jak rasterio, xarray).
Wskazówka: największym wrogiem danych satelitarnych jest chmura. Czy zrzut NDVI oznacza rzeczywistą utratę lasu, czy też tego dnia była nad nim chmura? Zawsze stosuj maskę chmury i porównuj wiele dat przed analizą.
Dane i kalibracja czujnika IoT
Czujniki są tanie i powszechne, ale nie doskonałe. Niedrogi czujnik jakości powietrza z czasem będzie się zmieniał, będzie pod wpływem wilgoci lub ulegnie awarii. Dlatego dane z czujników w postaci surowej są niewiarygodne; Niezbędna jest kalibracja (korekta poprzez porównanie ze znanym urządzeniem referencyjnym) i kontrola jakości.
Tutaj sztuczna inteligencja; Jest bardzo wydajny w pisaniu kodu do przetwarzania dużych obrazów i danych szeregów czasowych, skanowaniu w poszukiwaniu anomalii (nieoczekiwanych odchyleń), ustanawianiu modelu klasyfikacji i podsumowywaniu wyników. Jednak fizyczna rzeczywistość pomiaru sprowadza się do decyzji o kalibracji i pytania „czy ten sygnał jest prawdziwy, czy jest to szum?” Interpretacja należy do biegłego.
Krok po kroku: analiza śledzenia
1. Zdefiniuj pytanie. „Jak zmieniła się roślinność na tym obszarze o powierzchni 10 000 hektarów w latach 2020–2024?” Jasne, przestrzenne i czasowe pytanie, takie jak:
2. Wybierz źródło danych. Satelita (szeroki obszar) czy czujnik (lokalny, ciągły)? Czy rozdzielczość i częstotliwość są odpowiednie do pytania?
3. Przetwarzanie wstępne. Maska chmury, kalibracja, oznaczenie brakujących danych. Jeśli pominiemy ten krok, wynik będzie mylący.
4. Oblicz indeks/metrykę. NDVI, średnia temperatura, stężenie zanieczyszczeń.
5. Znajdź zmianę i anomalię. Analiza trendu, przekroczenie progu, nagły skok.
6. Sprawdź za pomocą pola. Jeśli to możliwe, potwierdź podstawową prawdą; Dostarcz sygnał satelitarny z wizytą w terenie lub niezależnymi danymi.
trzy mini etui
Przypadek 1 – Zakochanie się w chmurze. Organizacja pozarządowa zajmująca się ochroną środowiska miała właśnie wywołać alarm w związku z „nagłym wylesianiem”, gdy zauważyła, że w jednym regionie wskaźnik NDVI spadł o 40% w ciągu jednego miesiąca. Kiedy analityk nałożył maskę chmur i spojrzał na sąsiednie daty, zauważył, że większość obrazu tego dnia była pochmurna, a na kolejnym bezchmurnym obrazie NDVI wróciło do normy. Zapobiegnięto fałszywemu alarmowi. Stracony czas: 20 minut, zdobyta reputacja: bezcenna.
Przypadek 2 — Czujnik nieskalibrowany. Pewna gmina przygotowywała raport „zbyt zanieczyszczone powietrze” na podstawie danych z tanich czujników PM2,5 (cząsteczek mniejszych niż 2,5 mikrona – drobnego pyłu wdychanego). Kiedy ekspert porównał czujniki ze stacją referencyjną, stwierdził, że przy dużej wilgotności zawyżały one wartość nawet dwukrotnie. Po zastosowaniu korekcji wilgotności (kalibracji) pojawiły się wartości rzeczywiste; Panika zażegnana.
Przypadek 3 — Automatyzacja kodu. Jeden zespół badawczy planował spędzić tygodnie na ręcznej pracy nad wyodrębnieniem trendów NDVI z 200 zdjęć satelitarnych. Poprosili sztuczną inteligencję o napisanie zautomatyzowanego przepływu pracy przy użyciu Google Earth Engine i kodu Pythona (maska chmury + miesięczna średnia NDVI + wykres trendu). Analiza 200 obrazów trwała kilka minut; Zespół poświęcił czas na interpretację wyniku. I tak sprawdzili każdy krok kodu.
Słaba zachęta/silna zachęta
Słaba zachęta:
Znajdź wylesianie na podstawie danych satelitarnych.
Dlaczego jest słaby: Brak domeny, zakresu dat, źródła danych, rozdzielczości i przetwarzania w chmurze. AI udostępnia ogólny tekst, a nie wykonywalną analizę.
Potężny monit:
Twoja rola: analityk teledetekcji. Napisz kod w języku Python (Earth Engine), który obliczy miesięczny trend NDVI na lata 2020–2024 dla [granicy AREA] przy użyciu danych Sentinel-2. Kroki: (1) nałóż maskę chmur, (2) średni miesięczny NDVI, (3) narysuj wykres trendu, (4) zaznacz miesiące ze spadkiem większym niż 20%. Niech kod będzie wykonywalny; Komentuj każdy krok. Zwróć także uwagę na ograniczenia danych (rozdzielczość, chmura).
Cztery szablony do kopiowania
1) Analiza indeksu satelitarnego (z kodem):
Twoja rola: analityk teledetekcji. Napisz wykonywalny kod w języku Python, który oblicza [NDVI/NDWI/inny indeks] na [zakres DATY] dla [OBSZAR] z danymi [Sentinel-2/Landsat]. Pamiętaj, aby dodać maskę chmurki. Zaznacz trend i anomalie. W komentarzach określ rozdzielczość i limity chmury danych.
2) Kontrola jakości szeregów czasowych czujnika:
Wyszukaj problemy z jakością w następujących szeregach czasowych czujnika za pomocą Pythona: brakujące dane, zablokowana wartość, nagły skok, dryf, ekstremum. Oznacz każdy problem znacznikiem czasu. Nie zmieniaj danych, po prostu zgłoś. Jeśli to możliwe, dodaj prostą sugestię kalibracji. Dane: [tutaj]
3) Schemat weryfikacji prawdy na poziomie podstawowym:
Zaproponuj plan, w jaki sposób mogę zweryfikować następujące ustalenia satelitarne (np. spadek NDVI) w terenie: które punkty, który pomiar, które niezależne źródło danych. Policz także sytuacje, w których wynik może być fałszywy (chmura, pora roku, cień). Znalezienie: [tutaj]
4) Podsumowanie anomalii:
Podsumuj anomalie wykryte na podstawie poniższych danych z monitorowania prostym językiem dla menedżera ds. ochrony środowiska. Dla każdej anomalii: gdzie, kiedy, ile odchyleń, możliwe przyczyny i uwaga „należy zweryfikować”. Na pewno dlaczego pasuje; przedstawić to jako możliwość. Dane: [tutaj]
Typowe błędy
- Niestosowanie maski chmurowej. Chmura jest najczęstszym fałszywym sygnałem.
- Zaufaj czujnikowi bez jego kalibracji. Niedrogie czujniki ślizgają się i są podatne na działanie wilgoci.
- Wystarczy spojrzeć na historię. Aby zgłosić zmianę, potrzeba wielu dat i trendów.
- Omijanie podstawowej prawdy. Sygnał satelitarny powinien być w miarę możliwości potwierdzony danymi terenowymi lub niezależnymi.
- Daj się nabrać na twierdzenie AI o „dokładnej przyczynie”. Dane śledzenia są ze sobą powiązane; Potwierdzenie przyczyny to inna sprawa.
Uwaga: zdjęcia satelitarne i drony o wysokiej rozdzielczości mogą przedstawiać własność prywatną, ludzi lub wrażliwe obiekty. Udostępniając dane śledzące, przestrzegaj ograniczeń dotyczących prywatności i przepisów prawnych (w szczególności dotyczących danych osobowych i bezpieczeństwa).
Podsumowując
Monitoring środowiska łączy dane satelitarne (szerokokątne) i sensoryczne (lokalne). sztuczna inteligencja; Jest to potężny akcelerator do pisania kodu, który przetwarza ogromne ilości danych obrazów i szeregów czasowych, skanuje anomalie i podsumowuje. Ale maska chmur, kalibracja czujnika, porównanie wielu dat i weryfikacja prawdy naziemnej należą do ekspertów. Zaufaj oczyszczonemu i potwierdzonemu sygnałowi, a nie surowemu sygnałowi.
Zadanie aplikacji
Wybierz pole i zakres dat (rzeczywisty lub hipotetyczny). 1. Wydrukuj kod przepływu pracy analizy NDVI do AI z szablonem i sprawdź, czy istnieje krok maski chmury. Następnie przeprowadź posiadaną serię czasową czujnika (lub próbkę) przez kontrolę jakości przy użyciu drugiego szablonu. Na koniec, korzystając z szablonu 3, przygotuj plan walidacji zmiany znalezionej w terenie.
lista kontrolna
- [ ] Zdefiniowałem analizę za pomocą jasnego pytania przestrzennego i czasowego.
- [ ] Na dane satelitarne nałożyłem maskę chmur.
- [ ] Przekazałem dane z czujnika przez kalibrację i kontrolę jakości.
- [ ] Twierdzenie o zmianie oparłem na trendzie, a nie na pojedynczej dacie.
- [ ] Zaplanowałem zweryfikowanie tego ustalenia za pomocą podstawowej prawdy lub niezależnych danych.
- [ ] Przestrzegałem zasad poufności i ograniczeń prawnych.