ලාභ:
- GIS ස්ථර, NDVI සහ දුරස්ථ සංවේදක කලාප/විභේදන සංකල්ප අර්ථකථනය කිරීමේ හැකියාව
- AI සමඟින් දර්ශක අර්ථ නිරූපණය, විශ්ලේෂණය වෙනස් කිරීම සහ සිතියම් ආඛ්යාන කෙටුම්පත් කිරීම
- භූගත සත්ය සහ පාර-දත්ත සමඟ AI හි චන්ද්රිකා/සිතියම් අර්ථ නිරූපණය සත්යාපනය කිරීමේ හැකියාව
ඔබ තෙත්බිම් සංරක්ෂණ ව්යාපෘතියක වැඩ කරන පරිසර ඉංජිනේරුවෙක්. සභාවට අවශ්ය වන්නේ පසුගිය වසර පහ තුළ වැව් වෙරළේ බට ඇඳ හැකිලී ගොස් ඇති බවට වන පැමිණිලි ඔබ විමර්ශනය කරන ලෙසයි. ක්ෂේත්රයට යාමට පෙර, ඔබ ඔබේ මේසයේ මූලික ඇගයීමක් කළ යුතුය: ඔබට විවිධ වසර දෙකක චන්ද්රිකා රූප, GIS (භූගෝලීය තොරතුරු පද්ධතිය) ව්යාපෘතියක් සහ භාෂා ආකෘතියක් ඇත. ඔබට LLM මගින් පින්තූරවල NDVI සාරාංශය අර්ථකථනය කර වෙනස් කිරීමේ ආඛ්යානයේ කෙටුම්පතක් ලිවිය හැක. කෙසේ වෙතත්, චන්ද්රිකා පික්සලයක් මඟින් මීටර් 10ක වර්ග ප්රමාණයක් නියෝජනය වන අතර, එම චතුරශ්රයේ වලාකුළු සෙවනැල්ලක්, වියළන බට හෝ සෘතුමය ජල මට්ටමක් පවතින්නේද යන්න පමණක් ඔබට තේරුම් ගත හැක්කේ භූගත සත්යය සමඟිනි. මෙම ඒකකය තුළ, අපි දුරස්ථ සංවේදනය සහ GIS සංකල්ප ආවරණය කරයි, AI සමඟ සුචිය/වෙනස් අර්ථ නිරූපණය, සහ වඩාත්ම වැදගත් ලෙස, මෙම අර්ථ නිරූපණයේ සීමාවන්.
GIS ස්ථර තර්කනය සහ දුරස්ථ සංවේද මූලධර්ම
GIS භූගෝලීය දත්ත අතිච්ඡාදනය වන ස්ථරවලට සංවිධානය කරයි: සෑම ස්ථරයක්ම තේමාවක් (ඉඩම් භාවිතය, ජල මූලාශ්ර, උන්නතාංශය, මාර්ග) ගෙන යන අතර පොදු ඛණ්ඩාංක පද්ධතියකට පෙළගැසී ඇත. විශ්ලේෂණයක් ආරම්භ වන්නේ නිවැරදි ප්රක්ෂේපණයේ නිවැරදි ස්ථර අතිච්ඡාදනය කිරීමෙනි; වැරදි ඛණ්ඩාංක පද්ධතිය ක්රමානුකූලව ප්රදේශ සහ දුරස්ථභාවයට නැඹුරු කරයි.
දුරස්ථ සංවේදක රූපයක් අර්ථකථනය කිරීමේදී ඔබ විභේදන වර්ග තුනක් වෙන්කර හඳුනාගත යුතුය:
විභේදන වර්ගය
එය පවසන්නේ කුමක්ද?
උදාහරණයක්
සීමා කිරීම
අවකාශීය
බිම පික්සලයක ප්රමාණය
මීටර් 10, මීටර් 30
කුඩා වස්තූන් උප පික්සෙල් ලෙස පවතී
වර්ණාවලි
කොපමණ සහ කුමන තරංග ආයාම කලාපයද?
රතු, NIR, SWIR
අඩු පටිය = අඩු වෙනස්කම් කිරීමේ බලය
තාවකාලික
එකම ස්ථානය කොපමණ වාරයක් නරඹන්නේද?
දින 5, දින 16
වළාකුළු පිරි දිනවල දත්ත නැතිවීම
රේඩියෝමිතික
දීප්තියේ සංවේදීතාව (බිට් ගැඹුර)
8-bit, 12-bit
අඩු ගැඹුර = දුර්වල වෙනස්කම් කිරීම
NDVI: සූත්රය සහ අර්ථ නිරූපණය
වෘක්ෂලතා වල ජීව ගුණය මනින වඩාත් පොදු දර්ශකය වන්නේ NDVI (සාමාන්ය වෙනස්කම් වෘක්ෂලතා දර්ශකය) වේ. නිරෝගී ශාකයක් ආසන්නයේ අධෝරක්ත කිරණ (NIR) තදින් පරාවර්තනය කරන අතර රතු (RED) අවශෝෂණය කරයි:
NDVI = (NIR - RED) / (NIR + RED)අගය පරාසය: -1 ... +1 <0 : ජලය, හිම, වලාකුළු 0.0 - 0.2 : හිස් පස්, පාෂාණ, ගොඩනඟන ලද ප්රදේශය 0.2 - 0.5: විරල/ශාකසාර වෘක්ෂලතා, ආතති ආවරණය 0.5 - 0.5 - 0.
# පික්සෙල් කුඩා නියැදි කොටසක NDVI npnir = np.array ([[0.42, 0.38], [0.11, 0.45]]) # ආසන්න අධෝරක්ත පරාවර්තක = np.array ([[0.06, 0.09]], [0.15] nmpy ලෙස ආනයනය කරයි රතු) / (nir + red)මුද්රණය(np.round(ndvi, 2))# [[0.75 0.62]# [0.05 0.80] # පහළ වම් පික්සල (0.05): ශාකයක් නොවේ - හිස් බිම හෝ ජලය/සෙවනැල්ල විය හැක
ඉඟිය: NDVI යනු "සෞඛ්යය" පිළිබඳ නිරපේක්ෂ මිනුමක් නොව තත්ත්වය මත රඳා පවතින දර්ශකයකි. එකම ප්රදේශයේ දිනැති NDVI දෙකක් සංසන්දනය කරන විට, පින්තූර සමාන කාලවලදී, සමාන හිරු කෝණ සහ වලාකුළු රහිත තත්ත්වයන්හිදී ගත් බවට සහතික කර ගන්න. ගිම්හානයේ අගභාගයේ පෙනුම වසන්තය හා සැසඳීම සැබෑ නොවන "ශාක පාඩුවක්" ඇති කරයි.
විශ්ලේෂණය වෙනස් කරන්න (වෙනස් හඳුනාගැනීම)
දින දෙකක් අතර වෙනස සොයා ගැනීමට ඇති සරල ක්රමය නම් NDVI වෙනස ගැනීමයි, නමුත් මෙම වෙනස අර්ථවත් වන්නේ රූප සැසඳිය හැකි නම් පමණි.
ΔNDVI = NDVI_2025 - NDVI_2020 ΔNDVI << 0 : ආවරණ අලාභය විය හැකිය (වියළීම, කැපීම, ඉදිකිරීම්) ΔNDVI ≈ 0 : වෙනසක් නැත ΔNDVI >> 0 : ආවරණය වැඩි කළ හැකිය (හරිතකරණය, ප්රතිසාධනය) ඍතු වෙනස්වීම/සත්ය වෙනස්වීම අනුව වෙනස හොඳින් පිළිබිඹු විය හැක. වෙනස = සැබෑ වෙනස + ශබ්දය.
අවවාදයයි: වලාකුළු, වලාකුළු සෙවනැලි සහ සෘතුමය වෙනස්කම් විශ්ලේෂණයේ විශාලතම අවාසිදායක වේ. වලාකුළු සෙවනැල්ලක් යටතේ ඇති ප්රදේශය අඩු NDVI ලබා දෙන අතර එය "වෘක්ෂලතා පාඩුව" ලෙස පෙනේ. LLM විසින් රූප පරිවර්ථනය සිදු කරන විට, ආකෘතිය මෙම කෞතුක වස්තු සැබෑ සිදුවීම ලෙස වරදවා වටහා ගත හැක. රූප පාරදත්ත (දිනය, වලාකුළු ප්රතිශතය, හිරු කෝණය) පරීක්ෂා කිරීමට වග බලා ගන්න.
AI සමඟ දර්ශක අර්ථ නිරූපණය සහ සිතියම් ආඛ්යානය
සංඛ්යාත්මක දර්ශක සාරාංශ සරල ආඛ්යානයකට පරිවර්තනය කිරීමට සහ කෙටුම්පත් වාර්තා නිෂ්පාදනය කිරීමට LLM ප්රයෝජනවත් වේ. එයට අමු NDVI සංඛ්යාලේඛන සහ පාර-දත්ත ලබා දී ඔබට සත්යාපනය කිරීම සඳහා අදහස උත්පාදනය කරන ලෙස ඉල්ලා සිටින්න.
දුර්වල ප්රොම්ප්ට්: "මෙම චන්ද්රිකා රූපයේ තෙත් බිම කුඩා වී තිබේද?" දැඩි විමසුම: "මම දිනැති NDVI සංඛ්යාලේඛන දෙකක් ලබා දෙමි (එකම ප්රදේශය, එකම සංවේදකය): 2020-07-15 avg NDVI=0.61 cloud=3% ඉර කෝණය=58°2025-07-12 avg NDVI=0.42 වලාකුළ=22% හිරු කෝණය=55°ඔබට උනන්දුවක් දක්වන ප්රදේශය: වැව් 4 ඔබ උනන්දුවක් දක්වන ප්රදේශය: කාර්යය:1) ΔNDVI ගණනය කර හැකි අර්ථකථන ලැයිස්තුගත කරන්න.2) මෙම පහත වැටීම (වලාකුළු, සෙවන, ජල මට්ටම, වාරය, ක්රමාංකනය) නිසා විය හැකි හේතු මොනවාදැයි ලැයිස්තුගත කරන්න (වලාකුළු, සෙවන, ජල මට්ටම, වාරය, ක්රමාංකනය) සත්ය ආවරණ නැතිවීම හැර. නිවැරදි ප්රකාශය 'reedbed X% කින් හැකිලී ඇත' SETUP නොකරන්න, මෙය පැවසිය හැක්කේ බිම් සත්යය එය තහවුරු කරන්නේ නම් පමණි.
ප්රබල විමසුම මඟින් ආකෘතිය තනි නිශ්චිත නිගමනයකට නොව විකල්ප පැහැදිලි කිරීම් සහ සත්යාපනය කිරීමේ සැලැස්මකට යොමු කරයි. 2025 රූපයේ 22% වලාකුළු අඩංගු වීම පහත වැටීම සැක සහිත කරයි.
බිම් සත්ය සත්යාපනය
දුරස්ථ සංවේද අර්ථකථනයේ රන් ප්රමිතිය යනු ක්ෂේත්රයේ කරන ලද නිරීක්ෂණ සහ මිනුම් සහිත සත්යාපන ලක්ෂ්ය වේ. ඔබ යොමු ස්ථාන කිහිපයකදී GPS සමඟ සැබෑ බිම් ආවරණය පටිගත කර එය රූප වර්ගීකරණය සමඟ සංසන්දනය කරන්න. ක්ෂේත්රය AI හෝ ඇල්ගොරිතම "ජලය" යැයි පවසන පික්සලයේ "වියළි බට" යැයි පවසන්නේ නම්, වර්ගීකරණය විශ්වාස කළ නොහැක.
කුඩා නඩුව
පතල් කැණීමේ ස්ථානයක පාරිසරික බලපෑම් නිරීක්ෂණය කිරීමේදී, කණ්ඩායම විසින් චන්ද්රිකා ඡායාරූපයෙන් ගණනය කරන ලද NDVI අඩු කිරීම මත පදනම්ව “පතල් කැණීමේ ක්රියාකාරකම් හේතුවෙන් වන හානිය හෙක්ටයාර් 15ක්” කෙටුම්පත් කර අර්ථ නිරූපණය LLM දක්වා පුළුල් කරන ලදී. ආකෘතිය තරල, ඒත්තු ගැන්වීමේ ආඛ්යානයක් ඇති කළේය. කෙසේ වෙතත්, පිටියේ සිටි කණ්ඩායම විසින් වාර්තාව පරීක්ෂා කිරීමේදී, NDVI අඩු ප්රදේශයේ කොටසක් ඇත්ත වශයෙන්ම අස්වැන්න නෙළන ලද කෘෂිකාර්මික පාර්සලයක් බවත්, ඉන් කොටසක් රූපය රූගත කළ දිනයට සමගාමීව වලාකුළු සෙවනැල්ලක් බවත් දැකගත හැකි විය. සත්ය වන විනාශය හෙක්ටයාර් 4ක් පමණ විය, 15ක් නොවේ. පාරදත්ත (වලාකුළු ආවරණ) සහ ඉඩම් පරිහරණ ස්තරය කලින් පරීක්ෂා කර බැලුවා නම්, එම දෝෂය මුලින් ම වැළැක්විය හැකිය. LLM හි පිළිවෙලට ඇති වාක්ය වැරදි ආදානය නිවැරදි කළේ නැත.
පොදු වැරදි
- විවිධ ඍතු/හිරු කෝණ රූප සංසන්දනය කිරීම සහ "වෙනස් කිරීම" සඳහා සෘතුමය වෙනස වරදවා වටහා ගැනීම.
- වලාකුළු සහ වලාකුළු සෙවන සැබෑ ආවරණ නැතිවීම ලෙස අර්ථ දැක්වීම; වලාකුළු ආවරණය මඟ හැරීම.
- අවකාශීය විභේදනය ඉක්මවන කුඩා වස්තූන් පිළිබඳ පික්සල් දත්ත වලින් නිවැරදි විනිශ්චයන් සිදු කිරීම.
- ඛණ්ඩාංක පද්ධතිය/ප්රක්ෂේපණ නොගැලපීම හේතුවෙන් ප්රදේශ සහ දුර වැරදි ගණනය කිරීම.
- NDVI යනු සෞඛ්යයේ නිරපේක්ෂ මිනුමක් යැයි සිතීම සහ ජලය සහ සෙවනැලි පික්සල ශාක ලෙස සැලකීම.
- LLM හි ද්රව සිතියම් ආඛ්යානය පදනම් සත්යයකින් තොර අවසාන සොයා ගැනීමක් ලෙස වාර්තාවට ඇතුළත් කිරීම.
- පාර-දත්ත ලේඛනගත නොකර ප්රතිඵල වාර්තා කිරීම (දිනය, සංවේදකය, වලාකුළු%, සැකසුම් මට්ටම).
සාරාංශයක් ලෙස
- GIS විශ්ලේෂණ පොදු ඛණ්ඩාංක පද්ධතියක් තුළ පෙලගැසී ඇති ස්ථර මත ගොඩනගා ඇත; ප්රක්ෂේපණ දෝෂය ප්රතිඵලය විකෘති කරයි.
- අවකාශීය, වර්ණාවලි, තාවකාලික සහ විකිරණමිතික විභේදනය රූපයක් පෙන්විය හැකි දේ සීමා කරයි.
- NDVI = (NIR−RED)/(NIR+RED) යනු ශාක ශක්තියේ කොන්දේසි සහිත දර්ශකයක් මිස සෞඛ්යයේ නිරපේක්ෂ මිනුමක් නොවේ.
- වෙනස්වීම් විශ්ලේෂණයේදී, වෙනස = සත්ය වෙනස + ශබ්දය; වලාකුළු, සෙවනැල්ල සහ සමය විශාලතම රැවටිලිකාරයන් වේ.
- LLM විසින් දර්ශක අර්ථ නිරූපණය සහ සිතියම් ආඛ්යාන දළ සටහන නිෂ්පාදනය කරයි, නමුත් චන්ද්රිකා රූපය "දකින්නේ" නැත; ඔබ දෙන අංකය අනුව අදහස් දක්වන්න.
- AI අර්ථ නිරූපණය සහ ස්වයංක්රීය වර්ගීකරණය බිම් සත්ය සහ පාර-දත්ත සමඟ සත්යාපනය නොකර අවසාන පාරිසරික සොයාගැනීම් බවට පරිවර්තනය කළ නොහැක.
යෙදුම් කාර්යය
ක්ෂේත්රයක් සඳහා දිනැති NDVI සාරාංශ දෙකක් සාදන්න හෝ උපකල්පනය කරන්න (ඔබේ තේරීමෙන් හෝ නියැදියකින්); එක් එක් දිනය සඳහා පාර-දත්ත (දිනය, වලාකුළු ප්රතිශතය, හිරු කෝණය, සංවේදකය) සටහන් කරන්න. ΔNDVI ගණනය කරන්න. ශක්තිමත් ප්රේරකයක් ලියන්න සහ සැබෑ ආවරණ වෙනස් කිරීම සඳහා පමණක් නොව, විකල්ප පැහැදිලි කිරීම් (වලාකුළු, සෙවනැල්ල, සමය, ජල මට්ටම, ක්රමාංකනය) සහ එක් එක් සත්යාපන පියවරක් සඳහා LLM ඉල්ලා සිටින්න. ඉන්පසු "භූමියේ සත්ය සත්යාපන සැලැස්මක්" කෙටුම්පත් කරන්න: අවම වශයෙන් යොමු ලකුණු තුනක්, ක්ෂේත්රයේ මනිනු ලබන දේ සහ එය රූප අර්ථ නිරූපණය සමඟ සංසන්දනය කරන්නේ කෙසේද. අවසාන වශයෙන්, LLM විසින් ඉදිරිපත් කරන ලද ආඛ්යානයේ කුමන ප්රකාශය "තහවුරු කිරීමකින් තොරව වාර්තාවට ඇතුළත් කළ නොහැක" යන්න සලකුණු කර හේතුව ලියන්න.