Câștiguri:
- Capacitatea de a explica modul în care datele satelitare multispectrale, combinațiile de benzi și indicii spectrali (NDVI etc.) sunt utilizate cu AI
- Abilitatea de a configura clasificarea supravegheată/nesupravegheată și fluxul de lucru de cartografiere a acoperirii terenului cu suport AI
- Capacitatea de a testa ieșirea clasificării cu criteriile de acuratețe/acuratețe de adevăr și eroare
Teledetecția este știința de a măsura suprafața pământului fără contact fizic, cu senzori de pe sateliți sau platforme aeriene. O imagine prin satelit nu este de fapt o fotografie, ci o colecție de straturi de măsurători înregistrate la mai multe lungimi de undă, iar prin combinarea inteligentă a acestor straturi, acoperirea solului (pădure, apă, agricultură, construcții) poate fi cartografiată. În această unitate, vom acoperi modul în care inteligența artificială accelerează acest flux de lucru, de la date multispectrale până la clasificarea acoperirii terenului și unde este indispensabilă judecata experților. Principiu: AI generează sau codifică clasificarea; Precizia hărții este măsurată în inginer prin matrice independentă de adevăr și eroare la sol.
Termeni de bază. O imagine multispectrală este una înregistrată în mai multe benzi de lungimi de undă (albastru, verde, roșu, infraroșu apropiat etc.); fiecare bandă este un strat. Hyperspectral este mult mai bogat, dar dificil de procesat date, conținând zeci până la sute de benzi înguste. Indicele spectral este numărul care evidențiază un fenomen prin combinarea matematică a benzilor; cel mai cunoscut, NDVI (Normalized Difference Vegetation Index), măsoară vigoarea vegetației verzi folosind diferența dintre infraroșu apropiat și banda roșie. Clasificarea supravegheată implică antrenarea modelului cu zone de eșantion pre-etichetate și clasificarea întregii imagini. Clasificarea nesupravegheată este gruparea datelor pe baza similitudinii fără etichete și interpretarea lor mai târziu.
Rolul AI în teledetecție
Inteligența artificială contribuie în acest domeniu la trei niveluri:
- Selectarea fluxului de lucru și a metodei. „Ce benzi, ce index, ce clasificator sunt potrivite pentru această întrebare?” te ghideaza in decizia ta; produce scheletul codului.
- Clasificarea în sine. Modelele moderne de deep learning sortează milioane de pixeli în clase de acoperire a terenului; Aceasta este zona de contribuție medie-înaltă în care AI face treaba reală.
- Interpretarea și raportarea rezultatelor. Transcrie statisticile clasei, analiza modificărilor și raportul de acuratețe în text care poate fi citit.
Punct mort: modelul depinde de datele pe care este antrenat și de exemplele pe care le oferiți. Umbra norilor și apa, solul gol și câmpul post-recoltare, apa puțin adâncă și solul umed se amestecă ușor. Deci o hartă de clasificare nu este adevărată doar pentru că arată frumos; trebuie măsurată precizia.
Sfat: clarificați-vă întrebarea înainte de a începe clasificarea. „Clasificarea acoperirii terenului” este vag; „Harta pierderii terenurilor agricole în favoarea construcției în perioada 2020-2025” determină atât setul de clasă, cât și criteriul de verificare.
Pas cu pas: O clasificare a acoperirii terenului
- Pregătiți date și benzi. Confirmați acoperirea în nor a imaginii, data fotografierii, rezoluția (dimensiunea pixelilor) și ordinea benzii. Diferite clase de schimbări de dată/sezon.
- Definiți setul de clase. Câte clase, care (apă, pădure, agricultură, construcții, teren gol)? Clasele mai puține și mai distinse sunt mai fiabile.
- Calculați indicii. Indici precum NDVI (plantă), NDWI (apă) disting clasele; devine intrare în clasificator.
- Colectați mostre de antrenament (pentru supraveghere). Eșantion de poligoane confirmate prin verificarea terenului pentru fiecare clasă. Calitatea probei determină acuratețea.
- Clasifica si verifica. Antrenează modelul, apoi construiește o matrice de erori cu mostre independente (neantrenate) și calculează precizia generală și Kappa.
Adevărul de bază și Matricea erorilor
Precizia unei clasificări nu este măsurată prin judecata oculară. Adevărul de bază este mostre independente de clasă adevărată cunoscută în teren sau într-o sursă fiabilă de înaltă rezoluție. Cu aceste exemple se stabilește o matrice de confuzie: se numără de câte ori fiecare clasă este corectă și de câte ori se confundă cu ce clasă. Din aceasta, se calculează acuratețea generală (proporția clasificată corect) și Kappa (o măsură de acord care corectează efectul hazardului). În plus, precizia producătorului (cât de mult a fost prins în acea clasă) și acuratețea utilizatorului (cât de fiabilă este acea clasă) sunt raportate pe o clasă.
Atenție: Nu măsurați acuratețea cu exemplele pe care le folosiți pentru antrenament. Dacă aceleași exemple se antrenează și testează, precizia devine artificial ridicată; Aceasta este o iluzie. Eșantioanele de validare trebuie să fie independente.
Trei mini carcase: după cifre
Cazul 1 — Umbra norilor a fost confundată cu apă. Într-o clasificare, când modelul a etichetat umbrele norilor drept „apă”, zona lacului a crescut acolo unde de fapt nu era; precizia utilizatorului pentru clasa de apă a scăzut la 70%. Când s-au adăugat indicele NDWI și masca de nor, interferența umbră/apă a scăzut și precizia apei a crescut la peste 90%.
Cazul 2 — Raport recuperat prin adevărul de bază. Un studiu de inventar agricol a raportat o acuratețe generală de 82% a clasificării inițiale, dar aceasta a fost măsurată cu eșantioane de instruire. Când a fost remăsurată cu 120 de puncte de adevăr independente de la sol, precizia generală reală a fost de 71%; Agricultura și terenul gol interferau serios. Cu exemple de antrenament suplimentare, clasificarea a fost îmbunătățită și precizia a crescut la 84%. Lecție: acuratețea este măsurată de un eșantion independent.
Cazul 3 — Capcană sezonieră. Când imaginile realizate la două date diferite (primăvara și sfârșitul verii) au fost amestecate împreună, câmpurile recoltate au trecut la clasa „sol gol”, iar suprafața agricolă părea să lipsească cu 15%. Rezultatele s-au îmbunătățit atunci când au fost selectate imagini din același sezon și s-a obținut consistența fenologică.
Solicitare slabă / Solicitare puternică
Prompt slab:
Clasificați această imagine din satelit.
Solicitare puternică:
Sarcină: construiți un flux de lucru de clasificare a acoperirii terenului (inclusiv Python/rasterio + scheletul codului scikit-learn). Context:- Senzor: 4 benzi (albastru, verde, roșu, NIR), rezoluție 10 m- Clase: apă, pădure, agricultură, construcții, teren gol- Scop: hartă actuală a acoperirii terenului + raport de precizie Cereri de indice WND1, adițional la spectral VI) și de ce scrieți.2) Enumerați etapele de clasificare supravegheate; Subliniați că eșantioanele de antrenament și VALIDARE ar trebui să fie SEPARATE.3) Puneți matricea de erori + acuratețea generală + calculul Kappa în scheletul codului.4) Observați riscurile de nor/umbră și confuzie de sezon.
Promptul puternic specifică setul de clasă, rezoluția, rațiunea indexului și distincția de validare; ieșirea devine măsurabilă.
Patru șabloane copiabile
1) Selecția metodei/indexului:
Ce index spectral și metodă de clasificare ați recomanda pentru obiectiv [țintă] și senzor [benzi/rezoluție]? Pentru fiecare alegere, scrieți rațiunea și riscul potențial de confuzie (care clase sunt similare între ele).
2) Scheletul codului de clasificare:
Scrieți un cadru de clasificare supravegheat cu Rasterio + scikit-learn: citirea benzilor, calculul indexului, SEPARAREA eșantioanelor de instruire/validare, clasificare, matrice de erori și ieșire de precizie. Mentine CRS; explica.
3) Configurarea evaluării preciziei:
Scrieți un plan pentru a evalua acuratețea clasificării: proiectare independentă a eșantionului de adevăr, matricea erorilor, acuratețea generală, Kappa, precizia producătorului/utilizatorului în funcție de clasă. Explicați ce spune fiecare măsurătoare.
4) Diagnosticul interferenței:
Interpretați matricea de erori de mai jos: ce clase interferează între ele, care este posibilul motiv spectral/sezonier, ce date suplimentare (index, mască, dată) ar reduce confuzia? Matrice: [matrice de erori]
Compararea conceptelor de clasificare
concept
Înțeles
când
supravegheat
Antrenament cu exemplu etichetat
Clasele sunt prestabilite
Nesupravegheat
Grupare fără etichete
Descoperire, fără exemple
NDVI
indicele de vitalitate a plantelor
Separarea plante/gold/apă
NDWI
indicele apei
separarea corpurilor de apă
Matricea erorilor
Numărare adevărat/fals
măsurarea preciziei
kappa
Potrivire corectată de șansă
Raport de precizie standard
Greșeli comune
- Măsurarea preciziei cu exemple de antrenament. Testarea neindependentă oferă o precizie artificială ridicată.
- Predarea hărții fără a măsura exactitatea vreodată. „Arata bine” nu este o dovada a acuratetii.
- Sari peste masca nor/umbra. Umbra se amestecă cu apa, norii se amestecă cu zăpada/structură.
- Amestecarea diferitelor imagini de sezon/dată. Diferențele fenologice schimbă clasele.
- Definirea prea multor clase și similare. Clasele care nu se pot distinge reduc precizia.
- Ignorând rezoluția. Obiectele mici nu pot fi clasificate dacă sunt mai mici decât un singur pixel.
În concluzie
În teledetecție, AI accelerează fluxul de lucru de la datele multispectrale la cartografierea acoperirii terenului și poate prelua o mare parte din clasificare. Dar o hartă de clasificare este utilă numai dacă se măsoară acuratețea: este standard să se construiască o matrice de erori cu mostre independente de adevăr de la sol și să se calculeze acuratețea generală și Kappa. Norul/umbra, variația sezonieră și clasele similare sunt surse tipice de interferență; Gestionați-le cu index, mască și consecvență a datei. Nu amestecați niciodată probe de antrenament și de validare.
Sarcina de aplicare
Selectați o întrebare privind acoperirea terenului (de exemplu, „harta spațiului verde urban”). Notează setul de clasă, benzile și indicii pe care îi vei folosi (cel puțin NDVI). Pune AI să producă un flux de lucru de clasificare supravegheat; asigurați-vă că eșantioanele de instruire și validare sunt separate și că matricea de erori + calculul Kappa este inclus în rezultat. Apoi faceți o listă cu „risc de confuzie”: care două clase sunt similare și cum le deosebiți.
lista de verificare
- [ ] Am păstrat setul de clasă mic și distins.
- [ ] Am adăugat indici spectrale (NDVI/NDWI) potriviți acestui scop.
- [ ] Am separat exemplele de instruire și de validare.
- [ ] Am verificat masca de nor/umbră și consistența sezonului.
- [ ] Am măsurat acuratețea cu adevărul de teren independent.
- [ ] Am raportat matricea de erori, acuratețea generală și Kappa.
- [ ] Am diagnosticat și vindecat confuzii de clasă.
- [ ] Am supus aprobării inginerului că harta este exactă pentru utilizarea prevăzută.