Прибыль:
- Способность объяснить, как мультиспектральные спутниковые данные, комбинации диапазонов и спектральные индексы (NDVI и т. д.) используются с ИИ.
- Возможность настройки контролируемой/неконтролируемой классификации и рабочего процесса картирования растительного покрова с поддержкой искусственного интеллекта.
- Возможность протестировать результаты классификации с использованием основных критериев истинности и матрицы ошибок/точности.
Дистанционное зондирование — это наука об измерении земной поверхности без физического контакта с помощью датчиков на спутниках или воздушных платформах. Спутниковое изображение на самом деле представляет собой не фотографию, а набор слоев измерений, записанных на разных длинах волн, и путем разумного объединения этих слоев можно нанести на карту растительный покров (лес, воду, сельское хозяйство, строительство). В этом разделе мы рассказываем, как искусственный интеллект ускоряет этот рабочий процесс, от мультиспектральных данных до классификации земного покрова, и где экспертная оценка незаменима. Принцип: ИИ генерирует или кодирует классификацию; Точность карты измеряется в инженере независимой матрицей достоверности и ошибок.
Основные термины. Мультиспектральное изображение — это изображение, записанное в нескольких диапазонах длин волн (синий, зеленый, красный, ближний инфракрасный и т. д.); каждая полоса представляет собой слой. Гиперспектральный спектр намного богаче, но труднее обрабатывать данные и содержит десятки-сотни узких полос. Спектральный индекс — это число, которое выделяет явление посредством математической комбинации полос; Самый известный из них, NDVI (индекс нормализованной разницы растительности), измеряет интенсивность зеленой растительности, используя разницу между ближним инфракрасным и красным диапазоном. Контролируемая классификация включает в себя обучение модели с предварительно помеченными выборочными областями и классификацию всего изображения. Неконтролируемая классификация — это кластеризация данных на основе сходства без меток и их последующая интерпретация.
Роль ИИ в дистанционном зондировании
Искусственный интеллект вносит свой вклад в эту область на трех уровнях:
- Порядок действий и выбор метода. «Какие полосы, какой индекс, какой классификатор подходят для этого вопроса?» направляет вас в вашем решении; создает скелет кода.
- Сама классификация. Современные модели глубокого обучения сортируют миллионы пикселей по классам земного покрова; Это область со средним и высоким вкладом, где ИИ выполняет реальную работу.
- Интерпретация результатов и отчетность. Он преобразует статистику классов, анализ изменений и отчет о точности в читаемый текст.
Слепое пятно: модель зависит от данных, на которых она обучена, и предоставленных вами примеров. Тень облаков и вода, голая почва и послеуборочное поле, мелководье и влажная почва легко смешиваются. Таким образом, карта классификации неверна только потому, что она красиво выглядит; точность должна быть измерена.
Совет: уточните свой вопрос, прежде чем приступать к классификации. «Классификация земельного покрова» неясна; «Карта потерь сельскохозяйственных земель в пользу строительства в период 2020-2025 годов» определяет как набор классов, так и критерий проверки.
Шаг за шагом: классификация земного покрова
- Подготовьте данные и ленты. Подтвердите облачность изображения, дату съемки, разрешение (размер пикселя) и порядок полос. Различные классы изменения даты/сезона.
- Определите набор классов. Сколько классов, какие (вода, лес, сельское хозяйство, строительство, голая земля)? Чем меньше и больше различимых классов, тем надежнее.
- Рассчитаем индексы. Такие индексы, как NDVI (растение), NDWI (вода), различают классы; становится входными данными для классификатора.
- Соберите обучающие выборки (для контролируемых). Примеры полигонов, подтвержденные проверкой рельефа для каждого класса. Качество выборки определяет точность.
- Классифицируйте и проверяйте. Обучите модель, затем постройте матрицу ошибок с независимыми (необученными) выборками и рассчитайте общую точность и каппу.
Основная матрица истинности и ошибок
Точность классификации не измеряется на глаз. Основная истина — это независимые образцы известного истинного класса в полевых условиях или из надежного источника с высоким разрешением. На этих примерах устанавливается матрица путаницы: подсчитывается, сколько раз каждый класс верен и сколько раз с каким классом он путается. На основе этого рассчитываются общая точность (доля правильно классифицированной доли) и каппа (мера согласия, которая корректирует эффект случайности). Кроме того, для каждого класса сообщается точность производителя (сколько было обнаружено в этом классе) и точность пользователя (насколько надежен этот класс).
Внимание: не измеряйте точность на примерах, которые вы используете для обучения. Если обучать и тестировать одни и те же примеры, точность становится искусственно высокой; Это иллюзия. Проверочные образцы должны быть независимыми.
Три мини-кейса: в цифрах
Случай 1. Тень облака была принята за воду. В одной классификации, когда модель назвала тени облаков «водой», площадь озера увеличилась там, где на самом деле ее не было; Точность пользователя водного класса упала до 70%. Когда были добавлены индекс NDWI и маска облаков, помехи от тени и воды уменьшились, а точность воды увеличилась до более чем 90%.
Случай 2 — Отчет подтвержден достоверными данными. Исследование сельскохозяйственной инвентаризации показало, что общая точность первоначальной классификации составляет 82%, но это было измерено с помощью обучающих выборок. При повторном измерении с использованием 120 независимых наземных точек фактическая общая точность составила 71%; Сельское хозяйство и голая земля серьезно мешали. Благодаря дополнительным обучающим примерам классификация была улучшена, а точность возросла до 84%. Урок: точность измеряется независимой выборкой.
Случай 3. Сезонная ловушка. Когда изображения, сделанные в два разных дня (весной и в конце лета), были смешаны вместе, убранные поля перешли в класс «голой земли», а сельскохозяйственных площадей оказалось не хватает на 15%. Результаты улучшились, когда изображения были выбраны из одного и того же сезона и была достигнута фенологическая согласованность.
Слабая подсказка/Сильная подсказка
Слабая подсказка:
Классифицируйте этот спутниковый снимок.
Мощная подсказка:
Задача: построить рабочий процесс классификации земного покрова (включая Python/rasterio + scikit-learn скелет кода). Контекст: - Датчик: 4 полосы (синий, зеленый, красный, NIR), разрешение 10 м. - Классы: вода, лес, сельское хозяйство, строительство, голая земля. - Цель: текущая карта земного покрова + отчет о точности. Запросы: 1) Какие спектральные индексы (NDVI, NDWI) добавить и зачем писать. 2) Перечислить контролируемые этапы классификации; Подчеркните, что выборки для обучения и ПРОВЕРКИ должны быть ОТДЕЛЬНЫМИ. 3) Поместите матрицу ошибок + общую точность + расчет Каппа в скелет кода. 4) Обратите внимание на риски путаницы облаков/теней и сезонов.
Строгое приглашение указывает набор классов, разрешение, обоснование индекса и различие при проверке; результат становится измеримым.
Четыре копируемых шаблона
1) Выбор метода/индекса:
Какой спектральный индекс и метод классификации вы бы порекомендовали для объектива [мишени] и датчика [полосы/разрешение]? Для каждого выбора напишите обоснование и потенциальный риск путаницы (какие классы похожи друг на друга).
2) Скелет классификационного кода:
Напишите структуру контролируемой классификации с помощью Rasterio + scikit-learn: чтение ленты, расчет индекса, РАЗДЕЛЕНИЕ обучающих/проверочных выборок, классификацию, матрицу ошибок и выходные данные точности. Поддерживать CRS; объяснять.
3) Настройка оценки точности:
Напишите план оценки точности классификации: независимый план выборки достоверных данных, матрица ошибок, общая точность, каппа, точность производителя/пользователя по классам. Объясните, что говорит каждый показатель.
4) Диагностика помех:
Проинтерпретируйте приведенную ниже матрицу ошибок: какие классы мешают друг другу, какова возможная спектральная/сезонная причина, какие дополнительные данные (индекс, маска, дата) помогут уменьшить путаницу? Матрица: [матрица ошибок]
Сравнение концепций классификации
концепция
Значение
когда
контролируемый
Обучение с помеченным примером
Классы предопределены
Без присмотра
Кластеризация без меток
Открытие, нет примеров
НДВИ
индекс жизнеспособности растений
Разделение растений/голых материалов/воды
НДВИ
индекс воды
разделение водоема
Матрица ошибок
Верный/ложный подсчет
измерение точности
каппа
Посадка с поправкой на случайность
Стандартный отчет о точности
Распространенные ошибки
- Точность измерения на обучающих примерах. Ненезависимые испытания дают искусственно высокую точность.
- Передача карты, даже не замерив точность. «Выглядит красиво» не является доказательством точности.
- Пропуск маски облака/тени. Тень смешивается с водой, облака смешиваются со снегом/структурой.
- Смешивание изображений разных сезонов/дат. Фенологические различия меняют классы.
- Определение слишком большого количества похожих классов. Неразличимые классы снижают точность.
- Игнорирование резолюции. Маленькие объекты не могут быть классифицированы, если они меньше одного пикселя.
В итоге
В дистанционном зондировании ИИ ускоряет рабочий процесс от мультиспектральных данных до картографирования растительного покрова и может взять на себя большую часть классификации. Но карта классификации полезна только в том случае, если измерена ее точность: стандартно построить матрицу ошибок с независимыми выборками достоверных данных и рассчитать общую точность и Каппу. Облака/тень, сезонные колебания и подобные классы являются типичными источниками помех; Управляйте ими с помощью индекса, маски и согласованности даты. Никогда не смешивайте обучающую и проверочную выборки.
Задача приложения
Выберите вопрос о растительном покрове (например, «карта городских зеленых насаждений»). Запишите набор классов, полосы и индексы, которые вы будете использовать (хотя бы NDVI). Пусть ИИ создаст контролируемый рабочий процесс классификации; убедитесь, что обучающая и проверочная выборки разделены, а в выходные данные включена матрица ошибок + расчет Каппа. Затем составьте список «рисков путаницы»: какие два класса похожи и как их отличить.
контрольный список
- [ ] Я сделал набор классов небольшим и различимым.
- [ ] Я добавил подходящие для этой цели спектральные индексы (NDVI/NDWI).
- [ ] Я разделил примеры обучения и проверки.
- [ ] Я проверил маску облаков/теней и согласованность времени года.
- [ ] Я измерял точность с помощью независимой достоверной информации.
- [ ] Я сообщил матрицу ошибок, общую точность и каппу.
- [ ] Я диагностировал и исправлял путаницу в классе.
- [ ] Я подтвердил инженеру, что карта соответствует назначению.