Прибыль:
- Способность интерпретировать слои ГИС, NDVI и концепции диапазона/разрешения дистанционного зондирования.
- Интерпретация индексов, анализ изменений и составление описательной части карты с помощью ИИ
- Возможность проверить интерпретацию спутников/карт ИИ с помощью наземных данных и метаданных.
Вы инженер-эколог, работающий над проектом по сохранению водно-болотных угодий. Совет хочет, чтобы вы расследовали жалобы на то, что за последние пять лет тростниковая заросль на берегу озера уменьшилась. Прежде чем отправиться в поле, вам необходимо провести предварительную оценку за своим столом: у вас есть спутниковые снимки двух разных лет, проект ГИС (географической информационной системы) и языковая модель. Вы можете поручить LLM интерпретировать сводку изображений NDVI и написать черновик описания изменений. Однако спутниковый пиксель представляет собой 10-метровый квадрат, и понять, есть ли в этом квадрате тень от облаков, засыхающий тростник или сезонный уровень воды, можно только с помощью наземных данных. В этом модуле мы рассматриваем концепции дистанционного зондирования и ГИС, интерпретацию индексов/изменений с помощью ИИ и, что наиболее важно, пределы этой интерпретации.
Логика слоев ГИС и основы дистанционного зондирования
ГИС организует географические данные в перекрывающиеся слои: каждый слой несет в себе тему (землепользование, водоемы, высота над уровнем моря, дороги) и выровнен в общей системе координат. Анализ начинается с наложения правильных слоев в правильной проекции; неправильная система координат систематически искажает площади и расстояния.
При интерпретации изображения дистанционного зондирования необходимо различать три типа разрешения:
Тип разрешения
Что это говорит?
пример
ограничение
пространственный
Размер пикселя на земле
10м, 30м
Маленькие объекты остаются субпиксельными
спектральный
Сколько и какой диапазон длин волн?
Красный, БИК, КВИР
Меньше полоса = меньше сила дискриминации
временный
Как часто просматривают одно и то же место
5 дней, 16 дней
Потеря данных в пасмурные дни
Радиометрический
Яркостная чувствительность (разрядность)
8-битный, 12-битный
Малая глубина = плохая дискриминация
NDVI: формула и интерпретация
Наиболее распространенным индексом, измеряющим жизнеспособность растительности, является NDVI (индекс нормализованной разницы растительности). Здоровое растение сильно отражает ближнюю инфракрасную область (NIR) и поглощает красный цвет (RED):
NDVI = (NIR − RED) / (NIR + RED) Диапазон значений: −1 ... +1 < 0: вода, снег, облака 0,0–0,2: голая почва, скалы, застроенная территория 0,2–0,5: редкая/травянистая растительность, напряженный покров 0,5–0,9: плотный, здоровый зеленый покров
# NDVI небольшого выборочного блока пикселей импортирует numpy как npnir = np.array([[0.42, 0.38], [0.11, 0.45]]) # ближнее инфракрасное отражение = np.array([[0.06, 0.09], [0.10, 0.05]]) # красное отражениеndvi = (nir - red) / (nir + red)print(np.round(ndvi, 2))# [[0.75 0.62]# [0.05 0.80]]# Нижний левый пиксель (0.05): не растение — может быть голая земля или вода/тень
Совет: NDVI не является абсолютным показателем «здоровья», а является индикатором, зависящим от состояния. Сравнивая два датированных NDVI одной и той же территории, убедитесь, что изображения были сделаны в одно и то же время года, под одинаковым углом солнца и в безоблачных условиях. Сравнение конца лета с весной приводит к нереальной «потери растений».
Анализ изменений (обнаружение изменений)
Самый простой способ найти разницу между двумя датами — это взять разницу NDVI, но эта разница имеет смысл только в том случае, если изображения можно сравнивать.
ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0: возможна потеря покрова (сушка, резка, строительство) ΔNDVI ≈ 0: нет изменений ΔNDVI >> 0: возможно увеличение покрова (озеленение, восстановление) ВНИМАНИЕ: Разница может отражать фактические изменения, а также различия в зависимости от сезона/облачности/угла солнца/калибровки. Разница = реальные изменения + шум.
Внимание: Облака, тени облаков и сезонность являются самыми большими противниками анализа изменений. Область под тенью облаков дает низкий NDVI и выглядит как «потеря растительности». Когда LLM выполняет интерпретацию изображения, модель может принять эти артефакты за реальное событие. Обязательно проверьте метаданные изображения (дата, процент облаков, угол солнца).
Интерпретация индексов и описание карты с помощью ИИ
LLM полезен для перевода сводных числовых индексов в простое повествование и подготовки проектов отчетов. Предоставьте ему необработанную статистику и метаданные NDVI и попросите его сгенерировать комментарий, который вы сможете проверить.
СЛАБАЯ ПОДСКАЗКА: «Стали ли заболоченные территории меньше на этом спутниковом снимке?» НАСТОЯЩАЯ ПОДСКАЗКА: «Я даю две датированные статистические данные NDVI (одна и та же область, один и тот же датчик): 15 июля 2020 г., среднее значение NDVI = 0,61, облачность = 3% угол солнца = 58° Среднее значение NDVI 12 июля 2025 г. = 0,42 облаков = 22% угол солнца = 55 ° Область интереса: заросли камыша на берегу озера, ~ 40 гектаров. Ваша задача: 1) Рассчитать ΔNDVI. и перечислите возможные интерпретации. 2) Перечислите причины (облачность, тень, уровень воды, время года, калибровка), по которым это снижение может быть связано (облачность, тень, уровень воды, время года, калибровка). КРОМЕ ФАКТИЧЕСКОЙ потери покрытия. 3) Для каждой возможной причины предложите этап ПРОВЕРКИ, чтобы отличить ее (например, выбор изображения без облаков, посещение поля, запись уровня воды). можно сказать только в том случае, если основная истина подтверждает это».
Сильная подсказка направляет модель не к одному окончательному выводу, а к плану альтернативных объяснений и проверок. Тот факт, что изображение 2025 года содержит 22% облаков, само по себе делает снижение подозрительным.
Проверка достоверности фактов
Золотым стандартом интерпретации данных дистанционного зондирования являются точки проверки с помощью наблюдений и измерений, выполненных в полевых условиях. Вы записываете фактический растительный покров с помощью GPS в нескольких контрольных точках и сравниваете его с классификацией изображений. Если в поле, где ИИ или алгоритм говорит «вода», в пикселе написано «сухой камыш», классификация ненадежна.
мини-чехол
При мониторинге воздействия горнодобывающего объекта на окружающую среду команда составила проект «15 гектаров утраты леса из-за горнодобывающей деятельности» на основе сокращения NDVI, рассчитанного на основе спутникового изображения, и расширила интерпретацию до LLM; модель создавала плавное и убедительное повествование. Однако, когда отчет был проверен командой на поле, было видно, что часть территории с низким NDVI на самом деле представляла собой убранный сельскохозяйственный участок, а часть ее представляла собой тень от облаков, которая совпала с днем съемки изображения. Фактическая потеря леса составила около 4 гектаров, а не 15. Если бы метаданные (маска облаков) и слой землепользования были проверены заранее, ошибку можно было бы предотвратить в первую очередь. Аккуратные предложения LLM не сделали неправильный ввод правильным.
Распространенные ошибки
- Сравнение изображений разных сезонов и углов солнца и принятие сезонной разницы за «изменение».
- Интерпретация облаков и теней облаков как фактической потери укрытия; обход облачной маски.
- Делать точные выводы на основе пиксельных данных о небольших объектах, превышающих пространственное разрешение.
- Неверный расчет площадей и расстояний из-за несовпадения системы координат и проекции.
- Думая, что NDVI является абсолютным показателем здоровья, и относясь к пикселям воды и теней, как к растениям.
- Включение в отчет гибкой карты LLM в качестве окончательного вывода, не имеющего под собой никаких оснований.
- Отчет о результатах без документирования метаданных (дата, датчик, процент облака, уровень обработки).
В заключение
- ГИС-анализ строится на слоях, выровненных в общей системе координат; Ошибка проекции искажает результат.
- Пространственное, спектральное, временное и радиометрическое разрешение ограничивает возможности изображения.
- NDVI = (NIR-RED)/(NIR+RED) является условным показателем жизнеспособности растений, а не абсолютным показателем здоровья.
- В анализе изменений разница = истинное изменение + шум; Облака, тень и время года — самые большие обманщики.
- LLM производит индексную интерпретацию и описательную схему карты, но не «видит» спутниковое изображение; Комментарии по номеру, который вы дадите.
- Интерпретация ИИ и автоматическая классификация не могут быть преобразованы в окончательные выводы об окружающей среде без проверки достоверностью и метаданными.
Задача приложения
Создайте или примите две датированные сводки NDVI для поля (по вашему выбору или по образцу); Обратите внимание на метаданные (дата, процент облаков, угол солнца, датчик) для каждой даты. Рассчитайте ΔNDVI. Напишите убедительную подсказку и попросите LLM попросить не только фактическую смену покрытия, но и альтернативные объяснения (облака, тень, время года, уровень воды, калибровка) и этап проверки для каждого из них. Затем составьте «план проверки истины»: как минимум три контрольные точки, что будет измеряться в полевых условиях и как это будет соотноситься с интерпретацией изображения. Наконец, отметьте, какое утверждение в описательной части, подготовленной LLM, «не может быть включено в отчет без проверки», и напишите причину.