Ganhos:
- Capacidade de explicar como dados multiespectrais de satélite, combinações de bandas e índices espectrais (NDVI etc.) são usados com IA
- Capacidade de configurar classificação supervisionada/não supervisionada e fluxo de trabalho de mapeamento de cobertura do solo com suporte de IA
- Capacidade de testar resultados de classificação com critérios de verdade e matriz de erro/precisão
Sensoriamento remoto é a ciência que mede a superfície terrestre sem contato físico, com sensores em satélites ou plataformas aéreas. Uma imagem de satélite não é na verdade uma fotografia, mas uma coleção de camadas de medições registadas em múltiplos comprimentos de onda e, ao combinar inteligentemente estas camadas, a cobertura do solo (floresta, água, agricultura, construção) pode ser mapeada. Nesta unidade, abordamos como a inteligência artificial acelera este fluxo de trabalho, desde dados multiespectrais até à classificação da cobertura do solo, e onde o parecer especializado é indispensável. Princípio: a IA gera ou codifica a classificação; A precisão do mapa é medida no engenheiro por dados independentes e matriz de erros.
Termos básicos. Uma imagem multiespectral é aquela gravada em diversas bandas de comprimento de onda (azul, verde, vermelho, infravermelho próximo, etc.); cada banda é uma camada. O hiperespectral é muito mais rico, mas difícil de processar dados, contendo dezenas a centenas de bandas estreitas. Índice espectral é o número que destaca um fenômeno através da combinação matemática de bandas; o mais conhecido, o NDVI (Índice de Vegetação por Diferença Normalizada), mede o vigor da vegetação verde usando a diferença entre o infravermelho próximo e a faixa vermelha. A classificação supervisionada envolve treinar o modelo com áreas de amostra pré-rotuladas e classificar a imagem inteira. A classificação não supervisionada consiste em agrupar dados com base na similaridade sem rótulos e interpretá-los posteriormente.
O papel da IA no sensoriamento remoto
A inteligência artificial contribui neste campo em três níveis:
- Seleção de fluxo de trabalho e método. “Quais bandas, qual índice, qual classificador são adequados para esta questão?” orienta você em sua decisão; produz o esqueleto do código.
- A classificação em si. Os modelos modernos de aprendizagem profunda classificam milhões de pixels em classes de cobertura do solo; Esta é a área de contribuição média-alta onde a IA faz o verdadeiro trabalho.
- Interpretação e relatório de resultados. Ele transcreve estatísticas de aula, análise de alterações e relatório de precisão em texto legível.
Ponto cego: o modelo depende dos dados nos quais é treinado e dos exemplos que você fornece. Sombra de nuvens e água, solo descoberto e campo pós-colheita, águas rasas e solo úmido se misturam facilmente. Portanto, um mapa de classificação não é verdadeiro apenas porque parece bonito; a precisão deve ser medida.
Dica: esclareça sua dúvida antes de começar a classificar. “Classificar a cobertura do solo” é vago; “Mapear a perda de terras agrícolas a favor da construção entre 2020-2025” determina tanto a classe definida como o critério de verificação.
Passo a passo: uma classificação de cobertura do solo
- Prepare dados e fitas. Confirme a cobertura de nuvens da imagem, a data de disparo, a resolução (tamanho do pixel) e a ordem das bandas. Diferentes classes de mudanças de data/temporada.
- Defina o conjunto de classes. Quantas classes, quais (água, floresta, agricultura, construção, terreno descoberto)? Menos classes e mais distinguíveis são mais confiáveis.
- Calcule os índices. Índices como NDVI (planta), NDWI (água) distinguem as classes; torna-se entrada para o classificador.
- Colete amostras de treinamento (para supervisionados). Exemplos de polígonos confirmados pela verificação do terreno para cada classe. A qualidade da amostra determina a precisão.
- Classifique e verifique. Treine o modelo, depois construa uma matriz de erro com amostras independentes (não treinadas) e calcule a precisão geral e o Kappa.
Matriz de verdade e erro fundamental
A precisão de uma classificação não é medida pelo julgamento visual. A verdade fundamental são amostras independentes de classe verdadeira conhecida no campo ou em uma fonte confiável de alta resolução. Com esses exemplos, estabelece-se uma matriz de confusão: conta-se quantas vezes cada classe está correta e quantas vezes se confunde com qual classe. A partir disso, são calculadas a precisão global (a proporção classificada corretamente) e o Kappa (uma medida de concordância que corrige o efeito do acaso). Além disso, a precisão do produtor (quanto foi capturado naquela classe) e a precisão do usuário (quão confiável é aquela classe) são relatadas com base na classe.
Cuidado: Não meça a precisão com os exemplos que você usa para treinamento. Se os mesmos exemplos treinarem e testarem, a precisão se tornará artificialmente alta; Isto é uma ilusão. As amostras de validação devem ser independentes.
Três minicasos: em números
Caso 1 — A sombra da nuvem foi confundida com água. Numa classificação, quando o modelo rotulou as sombras das nuvens como “água”, a área do lago cresceu onde realmente não existia; a precisão do usuário na classe de água caiu para 70%. Quando o índice NDWI e a máscara de nuvem foram adicionados, a interferência sombra/água diminuiu e a precisão da água aumentou para mais de 90%.
Caso 2 — Relatório recuperado por ground Truth. Um estudo de inventário agrícola relatou uma precisão geral de 82% na classificação inicial, mas isso foi medido com amostras de treinamento. Quando medido novamente com 120 pontos de verdade independentes, a precisão geral real foi de 71%; A agricultura e a terra descoberta estavam interferindo seriamente. Com exemplos de treinamento adicionais, a classificação foi melhorada e a precisão aumentou para 84%. Lição: a precisão é medida por amostra independente.
Caso 3 — Armadilha sazonal. Quando as imagens tiradas em duas datas diferentes (primavera e final do verão) foram misturadas, os campos colhidos passaram para a classe “solo descoberto” e a área agrícola pareceu estar faltando 15%. Os resultados melhoraram quando foram selecionadas imagens da mesma época e a consistência fenológica foi alcançada.
Alerta Fraco/Prompt Forte
Alerta fraco:
Classifique esta imagem de satélite.
Alerta poderoso:
Tarefa: construir um fluxo de trabalho de classificação de cobertura do solo (incluindo Python/rasterio + esqueleto de código scikit-learn).Contexto:- Sensor: 4 bandas (azul, verde, vermelho, NIR), resolução de 10 m- Classes: água, floresta, agricultura, construção, bare_ground- Objetivo: mapa atual de cobertura do solo + relatório de precisãoSolicitações:1) Quais índices espectrais (NDVI, NDWI) adicionar e por que escrever.2) Listar as etapas de classificação supervisionada; Enfatize que as amostras de treinamento e VALIDAÇÃO devem ser SEPARADAS.3) Coloque a matriz de erro + precisão geral + cálculo Kappa no esqueleto do código.4) Observe os riscos de nuvem/sombra e confusão de temporada.
O prompt forte especifica o conjunto de classes, a resolução, a lógica do índice e a distinção de validação; a saída se torna mensurável.
Quatro modelos copiáveis
1) Seleção de método/índice:
Qual índice espectral e método de classificação você recomendaria para o objetivo [alvo] e sensor [bandas/resolução]? Para cada escolha, escreva a justificativa e o risco potencial de confusão (quais classes são semelhantes entre si).
2) Esqueleto do código de classificação:
Escreva uma estrutura de classificação supervisionada com Rasterio + scikit-learn: leitura de fita, cálculo de índice, SEPARAÇÃO de amostras de treinamento/validação, classificação, matriz de erro e saída de precisão. Manter o CRS; explicar.
3) Configuração de avaliação de precisão:
Escreva um plano para avaliar a precisão da classificação: design de amostra independente, matriz de erro, precisão geral, Kappa, precisão do produtor/usuário por classe. Explique o que cada métrica diz.
4) Diagnóstico de interferência:
Interprete a matriz de erro abaixo: quais classes estão interferindo entre si, qual é a possível razão espectral/sazonal, quais dados adicionais (índice, máscara, data) reduziriam a confusão? Matriz: [matriz de erro]
Comparação de conceitos de classificação
conceito
Significado
quando
supervisionado
Treinamento com exemplo rotulado
As aulas são pré-determinadas
Não supervisionado
Clustering sem rótulos
Descoberta, sem exemplos
NDVI
índice de vitalidade vegetal
Separação planta/nua/água
NDWI
índice de água
separação de corpos d'água
Matriz de erro
Contagem verdadeiro/falso
medição de precisão
capa
Ajuste corrigido ao acaso
Relatório de precisão padrão
Erros comuns
- Medindo a precisão com exemplos de treinamento. Testes não independentes proporcionam precisão artificialmente alta.
- Entregar o mapa sem nunca medir a precisão. "Parece bom" não é prova de precisão.
- Ignorando a máscara de nuvem/sombra. A sombra se mistura com a água, a nuvem se mistura com a neve/estrutura.
- Misturando diferentes imagens de temporada/data. As diferenças fenológicas mudam de classe.
- Definindo muitas classes semelhantes. Classes indistinguíveis reduzem a precisão.
- Ignorando a resolução. Objetos pequenos não podem ser classificados se forem menores que um único pixel.
Resumindo
No sensoriamento remoto, a IA acelera o fluxo de trabalho desde dados multiespectrais até o mapeamento da cobertura do solo e pode assumir grande parte da classificação. Mas um mapa de classificação só é útil se sua precisão for medida: é padrão construir uma matriz de erro com amostras independentes de dados reais e calcular a precisão geral e o Kappa. Nuvem/sombra, variação sazonal e classes semelhantes são fontes típicas de interferência; Gerencie-os com índice, máscara e consistência de data. Nunca misture amostras de treinamento e validação.
Tarefa de aplicativo
Selecione uma pergunta sobre cobertura do solo (por exemplo, “mapa de espaços verdes urbanos”). Anote o conjunto de classes, as bandas e os índices que você usará (pelo menos NDVI). Faça com que a IA produza um fluxo de trabalho de classificação supervisionado; certifique-se de que as amostras de treinamento e validação estejam separadas e que a matriz de erro + cálculo Kappa esteja incluída na saída. Em seguida, faça uma lista de “risco de confusão”: quais são as duas classes semelhantes e como diferenciá-las.
lista de verificação
- [] Eu mantive o conjunto de classes pequeno e distinguível.
- [ ] Adicionei índices espectrais (NDVI/NDWI) adequados para o propósito.
- [ ] Separei exemplos de treinamento e validação.
- [] Verifiquei a máscara de nuvem/sombra e a consistência da estação.
- [] Eu medi a precisão com informações básicas independentes.
- [] Relatei a matriz de erros, precisão geral e Kappa.
- [] Eu diagnostiquei e curei confusões de aula.
- [ ] Submeti à aprovação do engenheiro que o mapa é preciso para o uso pretendido.