ලාභ:
- AI සමඟ බහු වර්ණාවලි චන්ද්රිකා දත්ත, කලාප සංයෝජන සහ වර්ණාවලි දර්ශක (NDVI ආදිය) භාවිතා කරන ආකාරය පැහැදිලි කිරීමේ හැකියාව
- AI සහාය ඇතිව අධීක්ෂණ/අධීක්ෂණය නොකළ වර්ගීකරණය සහ භූමි ආවරණ සිතියම්කරණ කාර්ය ප්රවාහය වින්යාස කිරීමේ හැකියාව
- බිම් සත්යය සහ දෝෂ න්යාසය/නිරවද්යතා නිර්ණායක සමඟ වර්ගීකරණ ප්රතිදානය පරීක්ෂා කිරීමේ හැකියාව
දුරස්ථ සංවේදනය යනු චන්ද්රිකා හෝ ගුවන් වේදිකා මත ඇති සංවේදක මගින් භෞතික ස්පර්ශයකින් තොරව පෘථිවි පෘෂ්ඨය මැනීමේ විද්යාවයි. සැටලයිට් රූපයක් යනු ඇත්ත වශයෙන්ම ඡායාරූපයක් නොව, තරංග ආයාම කිහිපයකින් වාර්තා කරන ලද මිනුම් ස්ථර එකතුවක් වන අතර, මෙම ස්ථර බුද්ධිමත්ව ඒකාබද්ධ කිරීමෙන්, භූමි ආවරණය (වනාන්තර, ජලය, කෘෂිකර්මාන්තය, ඉදිකිරීම්) සිතියම් ගත කළ හැකිය. මෙම ඒකකය තුළ, බහු වර්ණාවලි දත්තවල සිට භූමි ආවරණ වර්ගීකරණය දක්වා කෘතිම බුද්ධිය මෙම කාර්ය ප්රවාහය වේගවත් කරන ආකාරය සහ විශේෂඥ විනිශ්චය අත්යවශ්ය වන ආකාරය අපි ආවරණය කරමු. මූලධර්මය: AI වර්ගීකරණය උත්පාදනය කරයි හෝ කේත කරයි; සිතියමේ නිරවද්යතාවය ඉංජිනේරුවා විසින් මනිනු ලබන්නේ ස්වාධීන බිම් සත්ය සහ දෝෂ න්යාසය මගිනි.
මූලික නියමයන්. බහු වර්ණාවලි රූපයක් යනු තරංග ආයාම කලාප කිහිපයක (නිල්, කොළ, රතු, ආසන්න අධෝරක්ත කිරණ ආදිය) වාර්තා කර ඇති රූපයකි. සෑම පටියක්ම ස්ථරයකි. හයිපර්ස්පෙක්ට්රල් වඩාත් පොහොසත් නමුත් දත්ත සැකසීමට අපහසු වන අතර පටු කලාප දස සිට සිය ගණනක් අඩංගු වේ. වර්ණාවලි දර්ශකය යනු කලාපවල ගණිතමය සංයෝජනය හරහා සංසිද්ධියක් ඉස්මතු කරන අංකයයි; වඩාත්ම ප්රසිද්ධ, NDVI (සාමාන්ය වෙනස් වෘක්ෂලතා දර්ශකය), ආසන්න අධෝරක්ත කිරණ සහ රතු පටිය අතර වෙනස භාවිතා කරමින් හරිත වෘක්ෂලතා ශක්තිය මනිනු ලබයි. අධීක්ෂණ වර්ගීකරණයට පූර්ව ලේබල් කළ නියැදි ප්රදේශ සමඟ ආකෘතිය පුහුණු කිරීම සහ සම්පූර්ණ රූපය වර්ගීකරණය කිරීම ඇතුළත් වේ. අධීක්ෂණය නොකළ වර්ගීකරණය යනු ලේබල් නොමැතිව සමානකම් මත පදනම්ව දත්ත පොකුරු කිරීම සහ පසුව එය අර්ථකථනය කිරීමයි.
දුරස්ථ සංවේදනය තුළ AI හි කාර්යභාරය
කෘතිම බුද්ධිය මෙම ක්ෂේත්රයට මට්ටම් තුනකින් දායක වේ:
- කාර්ය ප්රවාහ සහ ක්රම තෝරා ගැනීම. "මෙම ප්රශ්නය සඳහා සුදුසු පටි, කුමන දර්ශකය, කුමන වර්ගීකරණයද?" ඔබේ තීරණයේදී ඔබට මඟ පෙන්වයි; කේත ඇටසැකිල්ල නිපදවයි.
- වර්ගීකරණය ම ය. නවීන ගැඹුරු ඉගෙනුම් ආකෘති පික්සල මිලියන ගණනක් භූමි ආවරණ පන්තිවලට වර්ග කරයි; AI සැබෑ කාර්යය කරන මධ්යම-ඉහළ දායක ප්රදේශය මෙයයි.
- ප්රතිඵල අර්ථ නිරූපණය සහ වාර්තා කිරීම. එය පන්ති සංඛ්යාලේඛන, විශ්ලේෂණ වෙනස් කිරීම සහ නිරවද්යතා වාර්තාව කියවිය හැකි පෙළ බවට පරිවර්තනය කරයි.
අන්ධ ස්ථානය: ආකෘතිය රඳා පවතින්නේ එය පුහුණු කර ඇති දත්ත සහ ඔබ සපයන උදාහරණ මත ය. වලාකුළු සෙවන සහ ජලය, හිස් පස සහ පසු අස්වනු නෙලීම, නොගැඹුරු ජලය සහ තෙත් බිම පහසුවෙන් මිශ්ර වේ. එබැවින් වර්ගීකරණ සිතියමක් ලස්සන පෙනුමක් ඇති පමණින් එය සත්ය නොවේ; නිරවද්යතාව මැනිය යුතුය.
ඉඟිය: ඔබ වර්ගීකරණය ආරම්භ කිරීමට පෙර ඔබේ ප්රශ්නය පැහැදිලි කරන්න. "භූමි ආවරණය වර්ගීකරණය" අපැහැදිලි ය; "2020-2025 අතර ඉදිකිරීම් සඳහා කෘෂිකාර්මික ඉඩම් අහිමි වීමේ සිතියම" පන්ති කට්ටලය සහ සත්යාපන නිර්ණායක යන දෙකම තීරණය කරයි.
පියවරෙන් පියවර: ඉඩම් ආවරණ වර්ගීකරණය
- දත්ත සහ පටි සකස් කරන්න. රූපයේ වලාකුළු ආවරණය, වෙඩි තැබීමේ දිනය, විභේදනය (පික්සල් ප්රමාණය) සහ කලාප අනුපිළිවෙල තහවුරු කරන්න. වෙනස් දින / කන්නයේ පන්ති වෙනස් වේ.
- පන්ති කට්ටලය නිර්වචනය කරන්න. පන්ති කීයක්, කුමන ඒවා (ජලය, වනාන්තර, කෘෂිකර්මාන්තය, ඉදිකිරීම්, හිස් බිම්)? අඩු හා වඩා කැපී පෙනෙන පන්ති වඩාත් විශ්වාසදායක වේ.
- දර්ශක ගණනය කරන්න. NDVI (ශාක), NDWI (ජලය) වැනි දර්ශක පන්ති වෙන්කර හඳුනා ගනී; වර්ගීකරණයට ආදානය බවට පත් වේ.
- පුහුණු සාම්පල එකතු කරන්න (අධීක්ෂණය සඳහා). එක් එක් පන්තිය සඳහා භූමි සත්යාපනය මගින් තහවුරු කරන ලද නියැදි බහුඅස්ර. නියැදි ගුණාත්මකභාවය නිරවද්යතාවය තීරණය කරයි.
- වර්ගීකරණය සහ තහවුරු කරන්න. ආකෘතිය පුහුණු කරන්න, ඉන්පසු ස්වාධීන (නුපුහුණු) සාම්පල සමඟ දෝෂ අනුකෘතියක් ගොඩනඟා සමස්ත නිරවද්යතාව සහ කප්පා ගණනය කරන්න.
බිම් සත්යය සහ දෝෂ අනුකෘතිය
වර්ගීකරණයක නිරවද්යතාවය ඇස් විනිශ්චය මගින් මනිනු නොලැබේ. බිම් සත්යය යනු ක්ෂේත්රයේ හෝ විශ්වාසනීය අධි-විභේදන ප්රභවයක දන්නා සත්ය පන්තියේ ස්වාධීන සාම්පල වේ. මෙම උදාහරණ සමඟ, ව්යාකූල න්යාසයක් ස්ථාපිත කර ඇත: එක් එක් පන්තිය කොපමණ වාර ගණනක් නිවැරදිද සහ එය කුමන පන්තිය සමඟ කොපමණ වාර ගණනක් ව්යාකූල වේද යන්න ගණනය කෙරේ. මෙයින්, සමස්ත නිරවද්යතාවය (නිවැරදිව වර්ග කර ඇති සමානුපාතය) සහ කප්පා (අහම්බයේ බලපෑම සඳහා නිවැරදි කරන ගිවිසුමේ මිනුමක්) ගණනය කෙරේ. ඊට අමතරව, නිෂ්පාදක නිරවද්යතාවය (එම පන්තියේ කොපමණ ප්රමාණයක් හසු වූවාද) සහ පරිශීලක නිරවද්යතාවය (එම පන්තිය කෙතරම් විශ්වාසදායකද) පන්ති පදනමින් වාර්තා වේ.
අවවාදයයි: ඔබ පුහුණුව සඳහා භාවිතා කරන උදාහරණ සමඟ නිරවද්යතාව මනින්න එපා. එකම උදාහරණ පුහුණු කර පරීක්ෂා කරන්නේ නම්, නිරවද්යතාවය කෘතිමව ඉහළ යයි; මේක මිත්යාවක්. වලංගු කිරීමේ සාම්පල ස්වාධීන විය යුතුය.
කුඩා අවස්ථා තුනක්: අංක අනුව
1 වන අවස්ථාව - වලාකුළු සෙවනැල්ල ජලය ලෙස වරදවා වටහාගෙන ඇත. එක් වර්ගීකරණයක් තුළ, ආකෘතිය වලාකුළු සෙවනැලි "ජලය" ලෙස ලේබල් කළ විට, වැව් ප්රදේශය ඇත්ත වශයෙන්ම නොතිබූ තැන වර්ධනය විය; ජල පන්තියේ පරිශීලක නිරවද්යතාවය 70% දක්වා පහත වැටී ඇත. NDWI දර්ශකය සහ වලාකුළු ආවරණ එකතු කළ විට, සෙවනැලි/ජල බාධා කිරීම් අඩු වූ අතර ජල නිරවද්යතාවය 90% දක්වා වැඩි විය.
නඩුව 2 - වාර්තාව භූගත සත්ය මගින් ප්රතිසාධනය කරන ලදී. කෘෂිකාර්මික ඉන්වෙන්ටරි අධ්යයනයකින් මූලික වර්ගීකරණයේ සමස්ත නිරවද්යතාවය 82%ක් වාර්තා කළ නමුත් මෙය මනිනු ලැබුවේ පුහුණු සාම්පල මගිනි. ස්වාධීන භූ සත්ය ලක්ෂ්ය 120කින් නැවත මැන බැලූ විට, සැබෑ සමස්ත නිරවද්යතාවය 71% විය; කෘෂිකර්මාන්තය සහ හිස් බිම් බරපතල ලෙස මැදිහත් විය. අමතර පුහුණු උදාහරණ සමඟින් වර්ගීකරණය වැඩිදියුණු වූ අතර නිරවද්යතාවය 84% දක්වා වැඩි විය. පාඩම: නිරවද්යතාවය ස්වාධීන නියැදියකින් මනිනු ලැබේ.
නඩුව 3 - සෘතුමය උගුල. විවිධ දින දෙකක (වසන්තයේ සහ ගිම්හානයේ අග භාගයේ) ගන්නා ලද පින්තූර එකට මිශ්ර කළ විට, අස්වනු නෙළන ලද කෙත්වතු "හිස් බිම්" පන්තියට මාරු වූ අතර කෘෂිකාර්මික ප්රදේශය 15% ක් අතුරුදහන් වී ඇති බව පෙනේ. එම කන්නයේම පින්තූර තෝරා ගත් විට සහ phenological අනුකූලතාවක් ලබා ගත් විට ප්රතිඵල වැඩි දියුණු විය.
දුර්වල ක්ෂණික / ශක්තිමත් ක්ෂණික
දුර්වල ක්ෂණික:
මෙම චන්ද්රිකා රූපය වර්ග කරන්න.
බලවත් විමසුම:
කාර්යය: ඉඩම් ආවරණ වර්ගීකරණ කාර්ය ප්රවාහයක් ගොඩනඟන්න (පයිතන්/රාස්ටෙරියෝ + ස්කිකිට්-ඉගෙනුම් කේත ඇටසැකිල්ල ඇතුළුව). සන්දර්භය:- සංවේදකය: පටි 4 (නිල්, කොළ, රතු, NIR), මීටර් 10 විභේදනය- පන්ති: ජලය, වනාන්තරය, කෘෂිකර්මය, ඉදිකිරීම්, හිස්_බිම්- අරමුණ: වත්මන් භූමි ආවරණ සිතියම + ප්රමාණය අනුව (NDVI, NDWI) එකතු කිරීමට සහ ලියන්නේ ඇයි.2) අධීක්ෂණය කරන ලද වර්ගීකරණ පියවර ලැයිස්තුගත කරන්න; පුහුණුව සහ වලංගු කිරීමේ සාම්පල වෙනම විය යුතු බව අවධාරණය කරන්න.3) කේත ඇටසැකිල්ල තුළ දෝෂ න්යාසය + සමස්ත නිරවද්යතාවය + කප්පා ගණනය කිරීම ඇතුළත් කරන්න.4) වලාකුළු/සෙවනැල්ල සහ වාර ව්යාකූලත්වයේ අවදානම් සටහන් කරන්න.
ශක්තිමත් ප්රේරකය පන්ති කට්ටලය, විභේදනය, දර්ශක තාර්කිකත්වය සහ වලංගු කිරීමේ වෙනස නියම කරයි; ප්රතිදානය මැනිය හැකි වේ.
පිටපත් කළ හැකි සැකිලි හතරක්
1) ක්රමය/දර්ශක තේරීම:
වෛෂයික [ඉලක්කය] සහ සංවේදකය [බෑන්ඩ්/විභේදනය] සඳහා ඔබ නිර්දේශ කරන්නේ කුමන වර්ණාවලි දර්ශක සහ වර්ගීකරණ ක්රමයද? එක් එක් තේරීම සඳහා, තාර්කිකත්වය සහ ව්යාකූලත්වයේ විභව අවදානම ලියන්න (එකිනෙකාට සමාන පන්ති).
2) වර්ගීකරණ කේත ඇටසැකිල්ල:
Rasterio + scikit-Learn සමඟ සුපරීක්ෂිත වර්ගීකරණ රාමුවක් ලියන්න: ටේප් කියවීම, දර්ශක ගණනය කිරීම, පුහුණු/වලංගු කිරීමේ සාම්පල වෙන් කිරීම, වර්ගීකරණය, දෝෂ න්යාසය සහ නිරවද්යතා ප්රතිදානය. CRS නඩත්තු කරන්න; පැහැදිලි කරන්න.
3) නිරවද්යතා ඇගයීම් සැකසුම:
වර්ගීකරණ නිරවද්යතාවය ඇගයීමට සැලැස්මක් ලියන්න: ස්වාධීන භූ සත්ය නියැදි නිර්මාණය, දෝෂ න්යාසය, සමස්ත නිරවද්යතාවය, කප්පා, පන්තිය අනුව නිෂ්පාදක/පරිශීලක නිරවද්යතාව. එක් එක් මෙට්රික් පවසන දේ පැහැදිලි කරන්න.
4) බාධා රෝග විනිශ්චය:
පහත දෝෂ න්යාසය අර්ථ දක්වන්න: කුමන පන්ති එකිනෙකාට බාධා කරන්නේද, විය හැකි වර්ණාවලි/සෘතුමය හේතුව කුමක්ද, කුමන අමතර දත්ත (දර්ශකය, වෙස්මුහුණ, දිනය) ව්යාකූලත්වය අඩු කරයිද? න්යාසය: [දෝෂ න්යාසය]
වර්ගීකරණ සංකල්ප සංසන්දනය කිරීම
සංකල්පය
අර්ථය
කවදාද
අධීක්ෂණය
ලේබල් කළ උදාහරණය සමඟ පුහුණුව
පන්ති කලින් තීරණය කර ඇත
අධීක්ෂණය නොකළ
ලේබල් රහිත පොකුරු
සොයාගැනීම, උදාහරණ නැත
NDVI
ශාක ජීව ගුණ දර්ශකය
ශාක / හිස් / ජලය වෙන් කිරීම
NDWI
ජල දර්ශකය
ජල ශරීරය වෙන් කිරීම
දෝෂ matrix
සත්ය/අසත්ය ගණන්
නිරවද්යතාව මැනීම
කප්පා
අවස්ථාව නිවැරදි කරන ලද සුදුසුකම
සම්මත නිරවද්යතා වාර්තාව
පොදු වැරදි
- පුහුණු උදාහරණ සමඟ නිරවද්යතාව මැනීම. ස්වාධීන නොවන පරීක්ෂණ කෘතිමව ඉහළ නිරවද්යතාවක් ලබා දෙයි.
- කිසිවිටෙක නිරවද්යතාවයකින් තොරව සිතියම භාරදීම. "ලස්සන පෙනුමක්" නිරවද්යතාවයේ සාක්ෂියක් නොවේ.
- වලාකුළු/සෙවණැලි ආවරණ මඟ හැරීම. සෙවනැල්ල ජලය සමඟ මිශ්ර වේ, වලාකුළු හිම / ව්යුහය සමඟ මිශ්ර වේ.
- විවිධ වාර/දින රූප මිශ්ර කිරීම. ෆීනොලොජිකල් වෙනස්කම් පන්ති මාරු කරයි.
- බොහෝ හා සමාන පන්ති නිර්වචනය කිරීම. වෙන් කළ නොහැකි පන්ති නිරවද්යතාව අඩු කරයි.
- විසඳුම නොසලකා හැරීම. කුඩා වස්තූන් තනි පික්සලයකට වඩා කුඩා නම් ඒවා වර්ග කළ නොහැක.
සාරාංශයකින්
දුරස්ථ සංවේදනයේදී, AI බහු වර්ණාවලි දත්තවල සිට භූමි ආවරණ සිතියම්ගත කිරීම දක්වා කාර්ය ප්රවාහය වේගවත් කරන අතර වර්ගීකරණයෙන් වැඩි කොටසක් අත්පත් කර ගත හැක. නමුත් වර්ගීකරණ සිතියමක් ප්රයෝජනවත් වන්නේ එහි නිරවද්යතාවය මනිනු ලැබුවහොත් පමණි: ස්වාධීන භූ සත්ය සාම්පල සමඟ දෝෂ න්යාසයක් තැනීම සහ සමස්ත නිරවද්යතාවය සහ කප්පා ගණනය කිරීම සම්මත වේ. වලාකුළු/සෙවණැල්ල, සෘතුමය විචලනය සහ සමාන පන්ති සාමාන්ය මැදිහත්වීම් ප්රභවයන් වේ; සුචිය, වෙස්මුහුණ සහ දින අනුකූලතාවයෙන් ඒවා කළමනාකරණය කරන්න. කිසිවිටෙක පුහුණුවීම් සහ වලංගු කිරීමේ සාම්පල මිශ්ර නොකරන්න.
යෙදුම් කාර්යය
ඉඩම් ආවරණ ප්රශ්නයක් තෝරන්න (උදා. "නාගරික හරිත අවකාශයේ සිතියම"). ඔබ භාවිතා කරන පන්ති කට්ටලය, පටි සහ දර්ශක (අවම වශයෙන් NDVI) ලියන්න. AI විසින් අධීක්ෂණය කරන ලද වර්ගීකරණ කාර්ය ප්රවාහයක් නිපදවීමට සලස්වන්න; පුහුණුව සහ වලංගු කිරීමේ සාම්පල වෙන වෙනම ඇති බවටත් දෝෂ න්යාසය + කප්පා ගණනය කිරීම් ප්රතිදානයට ඇතුළත් කර ඇති බවටත් වග බලා ගන්න. ඉන්පසු "ව්යාකූලත්වයේ අවදානම" ලැයිස්තුවක් සාදන්න: කුමන පන්ති දෙක සමානද සහ ඔබ ඒවා වෙන් කරන්නේ කෙසේද.
පිරික්සුම් ලැයිස්තුව
- [ ] මම පන්ති කට්ටලය කුඩා සහ කැපී පෙනෙන ලෙස තබා ගත්තෙමි.
- [ ] මම අරමුණ සඳහා සුදුසු වර්ණාවලි දර්ශක (NDVI/NDWI) එකතු කළෙමි.
- [ ] මම පුහුණුව සහ වලංගු කිරීමේ උදාහරණ වෙන් කළෙමි.
- [ ] මම වලාකුළු/සෙවණැලි ආවරණ සහ වාරයේ අනුකූලතාව පරීක්ෂා කළෙමි.
- [ ] මම ස්වාධීන බිම් සත්යය සමඟ නිරවද්යතාවය මැනිය.
- [ ] මම දෝෂ න්යාසය, සමස්ත නිරවද්යතාවය සහ කැපා වාර්තා කළෙමි.
- [ ] මම පන්ති මිශ්රවීම් හඳුනාගෙන සුව කළෙමි.
- [ ] සිතියම එහි අපේක්ෂිත භාවිතය සඳහා නිවැරදි බව මම එය ඉංජිනේරු අනුමැතියට යටත් කර ඇත.