Zyski:
- Umiejętność wyjaśnienia, w jaki sposób wielospektralne dane satelitarne, kombinacje pasm i wskaźniki widmowe (NDVI itp.) są wykorzystywane w sztucznej inteligencji
- Możliwość konfiguracji nadzorowanej/nienadzorowanej klasyfikacji i przepływu pracy przy mapowaniu pokrycia terenu ze wsparciem AI
- Możliwość testowania wyników klasyfikacji za pomocą podstawowych kryteriów prawdy i błędów/dokładności
Teledetekcja to nauka polegająca na pomiarze powierzchni Ziemi bez kontaktu fizycznego, za pomocą czujników umieszczonych na satelitach lub platformach powietrznych. Zdjęcie satelitarne nie jest w rzeczywistości fotografią, ale zbiorem warstw pomiarów zarejestrowanych przy różnych długościach fal. Inteligentne połączenie tych warstw pozwala na zmapowanie pokrycia terenu (las, woda, rolnictwo, budownictwo). W tej części omawiamy, w jaki sposób sztuczna inteligencja przyspiesza ten przepływ pracy, od danych wielospektralnych po klasyfikację pokrycia terenu i gdzie niezbędna jest ocena ekspercka. Zasada: AI generuje lub koduje klasyfikację; Dokładność mapy jest mierzona przez inżyniera za pomocą niezależnej macierzy prawdy i błędów.
Podstawowe terminy. Obraz wielospektralny to obraz zarejestrowany w kilku pasmach długości fali (niebieski, zielony, czerwony, bliska podczerwień itp.); każde pasmo jest warstwą. Hiperspektral to znacznie bogatsze, ale trudne w przetwarzaniu dane, zawierające dziesiątki do setek wąskich pasm. Indeks widmowy to liczba, która podkreśla zjawisko poprzez matematyczną kombinację pasm; najbardziej znany, NDVI (Normalized Difference Vegetation Index), mierzy wigor zielonej roślinności, wykorzystując różnicę między bliską podczerwienią a czerwonym pasmem. Klasyfikacja nadzorowana polega na uczeniu modelu za pomocą wstępnie oznaczonych przykładowych obszarów i klasyfikowaniu całego obrazu. Klasyfikacja bez nadzoru polega na grupowaniu danych na podstawie podobieństwa bez etykiet i późniejszej ich interpretacji.
Rola sztucznej inteligencji w teledetekcji
Sztuczna inteligencja wnosi wkład w tej dziedzinie na trzech poziomach:
- Wybór przebiegu pracy i metody. „Jakie pasma, jaki indeks i jaki klasyfikator nadają się do tego pytania?” pomaga Ci w podjęciu decyzji; tworzy szkielet kodu.
- Sama klasyfikacja. Nowoczesne modele głębokiego uczenia się dzielą miliony pikseli na klasy pokrycia terenu; Jest to obszar średnio-wysokiego wkładu, w którym sztuczna inteligencja wykonuje prawdziwą pracę.
- Interpretacja wyników i raportowanie. Przepisuje statystyki zajęć, analizę zmian i raport dokładności na czytelny tekst.
Martwy punkt: model jest zależny od danych, na których jest trenowany, i podanych przykładów. Cień chmur i woda, goła gleba i pole po żniwach, płytka woda i mokra gleba łatwo się mieszają. Zatem mapa klasyfikacyjna nie jest prawdziwa tylko dlatego, że ładnie wygląda; należy zmierzyć dokładność.
Wskazówka: zanim zaczniesz klasyfikować, doprecyzuj swoje pytanie. „Klasyfikuj pokrycie terenu” jest niejasne; „Mapa ubytków gruntów rolnych na rzecz budownictwa w latach 2020-2025” określa zarówno zestaw klas, jak i kryterium weryfikacji.
Krok po kroku: klasyfikacja pokrycia terenu
- Przygotuj dane i taśmy. Sprawdź zachmurzenie obrazu, datę wykonania, rozdzielczość (rozmiar w pikselach) i kolejność pasm. Różne klasy zmian daty/sezonu.
- Zdefiniuj zestaw klas. Ile zajęć, jakich (woda, las, rolnictwo, budownictwo, goła ziemia)? Mniej i bardziej rozpoznawalne klasy są bardziej niezawodne.
- Oblicz wskaźniki. Klasy wyróżniają takie wskaźniki jak NDVI (roślina), NDWI (woda); staje się danymi wejściowymi dla klasyfikatora.
- Zbieraj próbki szkoleniowe (dla osób nadzorowanych). Przykładowe wielokąty potwierdzone weryfikacją terenu dla każdej klasy. Jakość próbki określa dokładność.
- Klasyfikuj i weryfikuj. Wytrenuj model, a następnie zbuduj macierz błędów z niezależnych (nieprzeszkolonych) próbek i oblicz ogólną dokładność i Kappa.
Podstawowa macierz prawdy i błędu
Dokładności klasyfikacji nie mierzy się na podstawie oceny wzrokowej. Prawda podstawowa to niezależne próbki znanej prawdziwej klasy w terenie lub w niezawodnym źródle o wysokiej rozdzielczości. Na podstawie tych przykładów ustalana jest macierz zamieszania: liczy się, ile razy każda klasa jest poprawna i ile razy jest mylona z którą klasą. Na tej podstawie obliczana jest ogólna dokładność (prawidłowo sklasyfikowana proporcja) i Kappa (miara zgodności korygująca wpływ przypadku). Ponadto dokładność producenta (ile złowiono w tej klasie) i dokładność użytkownika (jak wiarygodna jest ta klasa) są zgłaszane w oparciu o klasę.
Uwaga: nie mierz dokładności na przykładach, których używasz do szkolenia. Jeśli te same przykłady uczą i testują, dokładność staje się sztucznie wysoka; To jest iluzja. Próbki walidacyjne muszą być niezależne.
Trzy mini etui: w liczbach
Przypadek 1 — Cień chmury został wzięty za wodę. Według jednej z klasyfikacji, kiedy model oznaczył cienie chmur jako „wodę”, obszar jeziora rósł tam, gdzie w rzeczywistości nie był; dokładność użytkownika dotycząca klasy wody spadła do 70%. Po dodaniu indeksu NDWI i maski chmur, zakłócenia cienia/wody zmniejszyły się, a dokładność wody wzrosła do ponad 90%.
Przypadek 2 — Raport uzyskany na podstawie podstawowej prawdy. Badanie inwentarza rolnego wykazało ogólną dokładność klasyfikacji początkowej na poziomie 82%, ale zmierzono to na próbkach szkoleniowych. Po ponownym pomiarze za pomocą 120 niezależnych punktów prawdy, rzeczywista ogólna dokładność wyniosła 71%; Rolnictwo i goła ziemia poważnie przeszkadzały. Dzięki dodatkowym przykładom szkoleniowym poprawiono klasyfikację, a dokładność wzrosła do 84%. Lekcja: dokładność mierzy się na podstawie niezależnej próbki.
Przypadek 3 – Pułapka sezonowa. Kiedy zdjęcia wykonane w dwóch różnych terminach (wiosną i późnym latem) połączono ze sobą, zebrane pola przesunęły się do klasy „gołej ziemi”, a użytków rolnych brakowało w 15%. Wyniki poprawiły się, gdy wybrano obrazy z tego samego sezonu i osiągnięto spójność fenologiczną.
Słaba podpowiedź/silna podpowiedź
Słaba zachęta:
Sklasyfikuj to zdjęcie satelitarne.
Potężny monit:
Zadanie: zbuduj proces klasyfikacji pokrycia terenu (w tym Python/rasterio + scikit - szkielet kodu). Kontekst: - Czujnik: 4 pasma (niebieski, zielony, czerwony, NIR), rozdzielczość 10 m - Klasy: woda, las, rolnictwo, budownictwo, goła ziemia - Cel: aktualna mapa pokrycia terenu + raport dokładności. Żądania: 1) Które wskaźniki spektralne (NDVI, NDWI) dodać i dlaczego pisać.2) Wymień nadzorowane etapy klasyfikacji; Podkreśl, że próbki szkoleniowe i WALIDACYJNE powinny być ODDZIELNE.3) Umieść macierz błędów + ogólną dokładność + obliczenia Kappa w szkielecie kodu.4) Zwróć uwagę na ryzyko pomylenia chmur/cieni i pór roku.
Silny monit określa zestaw klas, rozdzielczość, uzasadnienie indeksu i rozróżnienie w ramach walidacji; wynik staje się mierzalny.
Cztery szablony do kopiowania
1) Wybór metody/wskaźnika:
Jaki wskaźnik widmowy i metodę klasyfikacji poleciłbyś dla obiektywu [celu] i czujnika [pasm/rozdzielczości]? Dla każdego wyboru napisz uzasadnienie i potencjalne ryzyko pomyłki (które klasy są do siebie podobne).
2) Szkielet kodu klasyfikacyjnego:
Napisz nadzorowaną strukturę klasyfikacji za pomocą Rasterio + scikit-learn: odczyt taśmy, obliczenie indeksu, ROZDZIELENIE próbek szkoleniowych/walidacyjnych, klasyfikacja, macierz błędów i wynik dotyczący dokładności. Utrzymuj CRS; wyjaśnić.
3) Konfiguracja oceny dokładności:
Napisz plan oceny dokładności klasyfikacji: niezależny projekt próbki opartej na faktach, macierz błędów, ogólna dokładność, Kappa, dokładność producenta/użytkownika według klasy. Wyjaśnij, co mówi każdy wskaźnik.
4) Diagnoza zakłóceń:
Zinterpretuj poniższą macierz błędów: które klasy zakłócają się nawzajem, jaka jest możliwa przyczyna widmowa/sezonowa, jakie dodatkowe dane (indeks, maska, data) zmniejszyłyby zamieszanie? Matryca: [macierz błędów]
Porównanie koncepcji klasyfikacji
koncepcja
Znaczenie
kiedy
nadzorowany
Trening z oznaczonym przykładem
Zajęcia są z góry ustalone
Bez nadzoru
Klastrowanie bez etykiet
Odkrycie, brak przykładów
NDVI
wskaźnik żywotności roślin
Separacja roślin/gołej/wody
NDWI
indeks wody
separacja zbiorników wodnych
Macierz błędów
Liczba prawda/fałsz
pomiar dokładności
kappa
Dopasowanie z korekcją szans
Standardowy raport dokładności
Typowe błędy
- Pomiar dokładności na przykładach szkoleniowych. Niezależne testowanie daje sztucznie wysoką dokładność.
- Przekazanie mapy bez zmierzenia dokładności. „Wygląda ładnie” nie jest dowodem dokładności.
- Pomijanie maski chmury/cienia. Cień miesza się z wodą, chmura ze śniegiem/strukturą.
- Mieszanie obrazów z różnych pór roku/dat. Różnice fenologiczne zmieniają klasy.
- Zdefiniowanie zbyt wielu i podobnych klas. Nierozróżnialne klasy zmniejszają dokładność.
- Ignorowanie rozdzielczości. Małych obiektów nie można klasyfikować, jeśli są mniejsze niż pojedynczy piksel.
Podsumowując
W przypadku teledetekcji sztuczna inteligencja przyspiesza przepływ pracy od danych wielospektralnych do mapowania pokrycia terenu i może przejąć znaczną część klasyfikacji. Jednak mapa klasyfikacyjna jest użyteczna tylko wtedy, gdy mierzy się jej dokładność: standardem jest konstruowanie macierzy błędów z niezależnymi próbkami prawdy podstawowej i obliczanie ogólnej dokładności i Kappa. Typowymi źródłami zakłóceń są chmury/cień, zmienność sezonowa i podobne klasy; Zarządzaj nimi, zachowując spójność indeksu, maski i daty. Nigdy nie mieszaj próbek szkoleniowych i walidacyjnych.
Zadanie aplikacji
Wybierz pytanie dotyczące pokrycia terenu (np. „mapa miejskiej przestrzeni zielonej”). Zapisz zestaw klas, pasma i indeksy, których będziesz używać (przynajmniej NDVI). Niech sztuczna inteligencja stworzy nadzorowany przepływ pracy w zakresie klasyfikacji; upewnij się, że próbki uczące i walidacyjne są oddzielne, a dane wyjściowe zawierają macierz błędów + obliczenie Kappa. Następnie utwórz listę „ryzyka pomyłki”: które dwie klasy są podobne i jak je odróżnić.
lista kontrolna
- [ ] Starałem się, aby klasa była mała i łatwa do rozpoznania.
- [ ] Dodałem odpowiednie do tego celu wskaźniki widmowe (NDVI/NDWI).
- [ ] Oddzieliłem przykłady szkolenia i walidacji.
- [ ] Sprawdziłem maskę chmur/cieni i spójność pór roku.
- [ ] Zmierzyłem dokładność na podstawie niezależnej prawdy podstawowej.
- [ ] Podałem macierz błędów, ogólną dokładność i Kappa.
- [ ] Zdiagnozowałem i wyleczyłem pomyłki klasowe.
- [ ] Poddałem inżynierowi zatwierdzenie, że mapa jest dokładna zgodnie z jej przeznaczeniem.