Zyski:
- Umiejętność interpretacji warstw GIS, NDVI i koncepcji pasma/rozdzielczości teledetekcji
- Interpretacja indeksów, analiza zmian i tworzenie narracji map za pomocą sztucznej inteligencji
- Możliwość weryfikacji interpretacji satelitów/map AI za pomocą prawdy naziemnej i metadanych
Jesteś inżynierem środowiska pracującym nad projektem ochrony terenów podmokłych. Rada chce, abyś zbadał skargi dotyczące skurczenia się trzciny na brzegu jeziora w ciągu ostatnich pięciu lat. Zanim wyruszysz w teren, musisz przy swoim biurku dokonać wstępnej oceny: masz zdjęcia satelitarne z dwóch różnych lat, projekt GIS (System Informacji Geograficznej) i model językowy. Możesz poprosić LLM o zinterpretowanie podsumowania obrazów NDVI i napisanie wersji roboczej narracji o zmianie. Jednak piksel satelitarny reprezentuje 10-metrowy kwadrat i można zrozumieć tylko, czy na tym kwadracie znajduje się cień chmury, wysychająca trzcina lub sezonowy poziom wody, z prawdą gruntową. W tej jednostce omawiamy pojęcia teledetekcji i GIS, interpretację indeksów/zmian za pomocą sztucznej inteligencji i, co najważniejsze, granice tej interpretacji.
Logika warstwy GIS i podstawy teledetekcji
GIS organizuje dane geograficzne w nakładające się warstwy: każda warstwa ma określony temat (użytkowanie gruntów, zbiorniki wodne, wzniesienie, drogi) i jest ułożona we wspólnym układzie współrzędnych. Analizę rozpoczynamy od nałożenia na siebie odpowiednich warstw w odpowiednim rzucie; niewłaściwy układ współrzędnych systematycznie zaburza obszary i odległości.
Interpretując obraz teledetekcyjny należy rozróżnić trzy rodzaje rozdzielczości:
Typ rozdzielczości
Co to mówi?
przykład
ograniczenie
przestrzenny
Rozmiar piksela na ziemi
10m, 30m
Małe obiekty pozostają subpikselowe
widmowy
Ile i jakie pasmo długości fal?
Czerwony, NIR, SWIR
Mniejsze pasmo = mniejsza moc dyskryminacji
tymczasowe
Jak często oglądane jest to samo miejsce
5 dni, 16 dni
Utrata danych w pochmurne dni
Radiometryczny
Czułość luminancji (głębia bitowa)
8-bitowy, 12-bitowy
Mała głębokość = słaba dyskryminacja
NDVI: wzór i interpretacja
Najpopularniejszym wskaźnikiem mierzącym żywotność roślinności jest NDVI (Normalized Difference Vegetation Index). Zdrowa roślina silnie odbija bliską podczerwień (NIR) i pochłania czerwień (RED):
NDVI = (NIR − RED) / (NIR + RED) Zakres wartości: −1 ... +1 < 0 : woda, śnieg, chmury 0,0 - 0,2 : goła gleba, skała, teren zabudowany 0,2 - 0,5 : rzadka/zielona roślinność, zestresowana pokrywa 0,5 - 0,9 : gęsta, zdrowa pokrywa zielona
# NDVI małego przykładowego bloku pikseli import numpy as npnir = np.array([[0.42, 0.38], [0.11, 0.45]]) # bliskiej podczerwieni reflektancered = np.array([[0.06, 0.09], [0.10, 0.05]]) # redflectancendvi = (nir - red) / (nir + red)print(np.round(ndvi, 2))# [[0,75 0,62]# [0,05 0,80]]# Lewy dolny piksel (0,05): to nie jest roślina — może to być naga ziemia lub woda/cień
Wskazówka: NDVI nie jest absolutną miarą „zdrowia”, ale wskaźnikiem zależnym od stanu. Porównując dwa datowane zdjęcia NDVI tego samego obszaru, upewnij się, że zdjęcia zostały wykonane w podobnych porach roku, pod podobnym kątem słońca i w warunkach bezchmurnych. Porównanie wyglądu późnego lata z wiosną powoduje nierzeczywistą „utratę roślin”.
Analiza zmian (wykrywanie zmian)
Prostym sposobem znalezienia różnicy między dwiema datami jest obliczenie różnicy NDVI, ale różnica ta ma znaczenie tylko wtedy, gdy można porównać obrazy.
ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0: możliwa utrata pokrycia (suszenie, cięcie, budowa) ΔNDVI ≈ 0: brak zmian ΔNDVI >> 0: możliwe zwiększenie pokrycia (zazielenianie, renowacja) UWAGA: Różnica może odzwierciedlać rzeczywistą zmianę, a także różnice w porze roku/chmury/kącie słońca/kalibracji. Różnica = rzeczywista zmiana + hałas.
Uwaga: Chmura, cień chmur i sezonowość to największe czynniki utrudniające analizę zmian. Obszar w cieniu chmur daje niski NDVI i wygląda jak „utrata roślinności”. Kiedy LLM dokonuje interpretacji obrazu, model może pomylić te artefakty z prawdziwym wydarzeniem. Pamiętaj, aby sprawdzić metadane obrazu (data, procent zachmurzenia, kąt słońca).
Interpretacja indeksów i narracja map za pomocą sztucznej inteligencji
LLM jest przydatny w tłumaczeniu liczbowych podsumowań indeksów na prostą narrację i tworzeniu projektów raportów. Podaj mu surowe statystyki i metadane NDVI i poproś o wygenerowanie komentarza do weryfikacji.
SŁABY PODSUMOWANIE: „Czy tereny podmokłe zmniejszyły się na tym zdjęciu satelitarnym?” MOCNA WSKAZÓWKA: „Podaję dwie daty statystyki NDVI (ten sam obszar, ten sam czujnik): średnio 2020-07-15 NDVI=0,61 chmura=3% kąt słońca=58°2025-07-12 średnio NDVI=0,42 chmura=22% kąt słońca=55°Obszar zainteresowań: trzcina nad jeziorem, ~40 hektarów.Twoje zadanie:1) Oblicz ΔNDVI i wypisz możliwe interpretacje.2) Wymień przyczyny (chmura, zacienienie, poziom wody, pora roku, kalibracja) ten spadek może być spowodowany (chmura, cień, poziom wody, pora roku, kalibracja) INNE NIŻ RZECZYWISTA utrata pokrycia.3) Dla każdej możliwej przyczyny zasugeruj krok WERYFIKACYJNY, aby ją rozróżnić (np. wybór obrazu bez chmur, wizyta w terenie, rejestracja poziomu wody).4) Dokładne twierdzenie „trzcina skurczyła się o X%” DO NIE USTAWIENIA; stwierdzam, że można to powiedzieć tylko wtedy, gdy podstawowa prawda to potwierdza.
Silna zachęta kieruje model nie do jednego ostatecznego wniosku, ale do planu alternatywnych wyjaśnień i weryfikacji. Fakt, że zdjęcie z 2025 r. zawiera 22% chmur, sprawia, że spadek sam w sobie jest podejrzany.
Weryfikacja prawdy na poziomie podstawowym
Złotym standardem interpretacji teledetekcyjnej są punkty weryfikacji z obserwacjami i pomiarami wykonanymi w terenie. Rejestrujesz rzeczywiste pokrycie terenu za pomocą GPS w kilku punktach referencyjnych i porównujesz je z klasyfikacją obrazu. Jeśli w pikselu w polu jest napisane „suche trzciny”, a sztuczna inteligencja lub algorytm mówi „woda”, klasyfikacja jest niewiarygodna.
mini etui
W ramach monitorowania oddziaływania terenu górnictwa na środowisko zespół sporządził „15 hektarów lasów utraconych w wyniku działalności górniczej” w oparciu o redukcję NDVI obliczoną na podstawie obrazu satelitarnego i rozszerzył interpretację do LLM; model stworzył płynną, przekonującą narrację. Kiedy jednak zespół sprawdził raport w terenie, okazało się, że część obszaru o niskim NDVI to w rzeczywistości działka rolna, na której zebrano plony, a część to cień chmury, który zbiegł się z dniem wykonania zdjęcia. Rzeczywista utrata lasów wyniosła około 4 hektarów, a nie 15. Gdyby wcześniej sprawdzono metadane (maskę chmur) i warstwę użytkowania gruntów, przede wszystkim można by uniknąć błędu. Zgrabne zdania LLM nie sprawiały, że błędne dane były poprawne.
Typowe błędy
- Porównywanie obrazów o różnych porach roku/kącie słońca i mylenie różnicy sezonowej ze „zmianą”.
- Interpretowanie chmur i cieni chmur jako rzeczywistej utraty osłony; omijając maskę chmur.
- Dokonywanie dokładnych ocen na podstawie danych pikselowych na temat małych obiektów przekraczających rozdzielczość przestrzenną.
- Błędne obliczenie obszarów i odległości z powodu niedopasowania układu współrzędnych/odwzorowania.
- Myślenie, że NDVI jest absolutną miarą zdrowia i traktowanie wody i pikseli cienia tak, jakby były roślinami.
- Umieszczenie płynnej mapy LLM w raporcie jako ostatecznego ustalenia pozbawionego podstawowej prawdy.
- Raportowanie wyników bez dokumentowania metadanych (data, czujnik, % zachmurzenia, poziom przetwarzania).
Podsumowując
- Analizy GIS opierają się na warstwach ułożonych we wspólnym układzie współrzędnych; Błąd projekcji zniekształca wynik.
- Rozdzielczość przestrzenna, widmowa, czasowa i radiometryczna ogranicza to, co obraz może pokazać.
- NDVI = (NIR−RED)/(NIR+RED) jest warunkowym wskaźnikiem wigoru rośliny, a nie bezwzględną miarą zdrowotności.
- W analizie zmian różnica = prawdziwa zmiana + szum; Chmury, cień i pora roku to najwięksi zwodziciele.
- LLM tworzy interpretację indeksu i zarys narracyjny mapy, ale nie „widzi” obrazu satelitarnego; Komentarze według podanego numeru.
- Interpretacji sztucznej inteligencji i automatycznej klasyfikacji nie można przełożyć na ostateczne ustalenia dotyczące środowiska bez weryfikacji z podstawową prawdą i metadanymi.
Zadanie aplikacji
Utwórz lub załóż dwa datowane podsumowania NDVI dla pola (do wyboru lub próbki); Zanotuj metadane (data, procent zachmurzenia, kąt słońca, czujnik) dla każdej daty. Oblicz ΔNDVI. Napisz mocny monit i poproś LLM o podanie nie tylko faktycznej zmiany osłony, ale także alternatywnych wyjaśnień (chmura, cień, pora roku, poziom wody, kalibracja) i etapu weryfikacji każdego z nich. Następnie opracuj „plan weryfikacji prawdy na poziomie podstawowym”: co najmniej trzy punkty odniesienia, co będzie mierzone w terenie i jak będzie to porównane z interpretacją obrazu. Na koniec zaznacz, które stwierdzenie w narracji przygotowanej przez LLM „nie może zostać uwzględnione w raporcie bez weryfikacji” i podaj powód.