චන්ද්‍රිකා සහ ගුවන් ඡායාරූප සමඟ නාගරික වෙනස්වීම් විශ්ලේෂණය

ලාභ:

• දුරස්ථ සංවේදනය සහ චන්ද්‍රිකා ඡායාරූප හරහා නාගරික ව්‍යාප්තිය, ඉදිකිරීම් සහ භූමි ආවරණය වෙනස් කිරීම AI-සහායිත හඳුනාගැනීමේ තර්කනය අවබෝධ කර ගැනීම.
• රූප වර්ගීකරණය විවේචනාත්මකව ඇගයීමට සහ නිරවද්‍යතාවය, විභේදනය සහ දින තොරතුරු සමඟ හඳුනාගැනීමේ ප්‍රතිදානයන් වෙනස් කිරීමේ හැකියාව
• AI විසින් රූපයෙන් උපුටා ගන්නා මායිම් ක්ෂේත්‍ර සහ නිල වාර්තා මගින් තහවුරු කළ යුතු අතර නීතිමය සාක්ෂි විය නොහැකි බව තේරුම් ගැනීමේ හැකියාව.

පසුගිය දශකය තුළ නගරයක් වර්ධනය වී ඇත්තේ කොතැනකද, කොපමණ ප්‍රමාණයක්ද, කෙතරම් වේගයෙන් වර්ධනය වී ඇත්දැයි බැලීමට එක එක ක්ෂේත්‍රයට යා නොහැක. ඒ වෙනුවට, සැලසුම් කරන්නන් දුරස්ථ සංවේදනය භාවිතා කරයි (චන්ද්‍රිකා සහ ගුවන් යානා භාවිතා කරමින් පෘථිවිය නිරූපණය කිරීම සහ දත්ත උපුටා ගැනීම). විවිධ දින වල චන්ද්‍රිකා ඡායාරූප සංසන්දනය කිරීමෙන්, ඔබට නව ඉදිකිරීම්, නැතිවූ කෘෂිකාර්මික ඉඩම්, නීති විරෝධී ඉදිකිරීම් පුළුල් කිරීම හෝ හරිත අවකාශය හැකිලීම හඳුනාගත හැකිය. AI යනු මෙම රූප වර්ගීකරණය කිරීමේ (එක් එක් පික්සලයක් "ව්‍යුහය", "ශාක", "ජලය" යනාදී ලෙස ලේබල් කිරීම) සහ දින දෙකක් අතර වෙනස්කම් හඳුනාගැනීමේ ප්‍රබල ත්වරණයකි. නමුත් රූප විශ්ලේෂණය විභේදනය, දිනය, සෙවනැල්ල, වලාකුළු සහ වර්ගීකරණ දෝෂ වලින් පිරී ඇත. AI කොඩි සෙවනැල්ලක්, සෘතුමය වෙනසක් හෝ දෝෂයක් විය හැකි "වෙනසක්". එබැවින්, ක්ෂේත්රයේ සහ නිල වාර්තා මගින් තහවුරු කිරීමකින් තොරව, රූපයෙන් ලබාගත් කිසිදු නිගමනයක් නීතිමය ක්රියාමාර්ග සඳහා පදනමක් ලෙස භාවිතා කළ නොහැකිය.

දුරස්ථ සංවේදනයේ මූලික සංකල්ප

විභේදනය: බිම මත පික්සලයක් විසින් අල්ලාගෙන සිටින ප්රදේශය. මීටර් 10 විභේදනයකදී, එක් පික්සලයක් මීටර් 10x10 නියෝජනය කරයි; කුඩා පිටත ගොඩනැඟිල්ලක් නොපෙනේ. ඉහළ විභේදන (උදා: 0.3-1 මීටර්) යනු වඩාත් විස්තරාත්මක නමුත් වඩා මිල අධික සහ අඩු නිතර දත්ත.

වර්ණාවලි කලාපය: චන්ද්‍රිකා ඇසට නොපෙනෙන (අධෝරක්ත කිරණ වැනි) ආලෝකය ද වාර්තා කරයි. අධෝරක්ත කිරණවල වෘක්ෂලතා දිදුලයි; මෙය ව්යුහයෙන් ශාකය වෙන් කිරීම පහසු කරයි. ග්‍රීන්ෆීල්ඩ් ලුහුබැඳීමේදී NDVI (ශාක ශක්තිය මනින සරල ගණක යන්ත්‍රයක්) වැනි දර්ශක බහුලව දක්නට ලැබේ.

දිනය සහ සමය: රූප දෙකක් විවිධ කාලවල නම්, කොළ පැහැය අඩු වීම "අලාභයක්" නොව ශීත ඍතුවේ පැමිණීම විය හැකිය. සංසන්දනය කිරීමේදී දිනය සහ සමය සමගිය අත්යවශ්ය වේ.

නිරවද්‍යතාවය: වර්ගීකරණය කෙතරම් නිවැරදිද යන්න මනින අගය. “සියයට 85 නිරවද්‍යතාව” යන්නෙන් අදහස් වන්නේ සෑම පික්සල හයකින් එකක් වැරදි ලෙස ලේබල් කළ හැකි බවයි; මෙය විගණන ක්‍රියාවලියක් සඳහා සැලකිය යුතු දෝෂයකි.

අවධානය: චන්ද්‍රිකා ඡායාරූපයකින් AI විසින් අනාවරණය කරගත් ව්‍යුහයක් නීති විරෝධී ව්‍යුහයක් පිළිබඳ සාක්ෂියක් නොවේ. සෙවන, විභේදනය, දිනය සහ වර්ගීකරණ දෝෂය ව්‍යාජ ධනාත්මක නිෂ්පාදනය කරයි. පරීක්ෂා කිරීම සහ බලාත්මක කිරීම සඳහා සෑම විටම අඩවි පාලනය, හිමිකම් ඔප්පු/බලපත්‍ර ලියාපදිංචිය සහ නිල මිනුම් අවශ්‍ය වේ.

නිදහස් සහ විවෘත චන්ද්‍රිකා දත්ත (යුරෝපයේ සෙන්ටිනල් සහ එක්සත් ජනපදයේ ලෑන්ඩ්සැට් වැඩසටහන් වැනි මූලාශ්‍ර) සැලසුම් කිරීමට ගෙන එන විශාලතම වටිනාකම වන්නේ ඓතිහාසික කාල ශ්‍රේණියයි: ඔබට වසර ගණනාවක් පුරා විහිදෙන එකම ප්‍රදේශයේ රූප දුසිම් ගණනකට ප්‍රවේශය ඇත. මෙය ඔබට තනි "පෙර/පසු" සංසන්දනයකින් ඔබ්බට ගොස් අසල්වැසි ප්‍රදේශයක පැතිරීමේ අනුපාතය, සෘතුමය උච්චාවචනය සහ ප්‍රවණතාව බැලීමට ඉඩ සලසයි. AI මෙම දිගු ශ්‍රේණි සාරාංශ කිරීමට සහ ශබ්දයෙන් වෙනස් වීමේ අර්ථවත් රටා වෙන් කිරීමට උපකාරී වේ. නමුත් කාල ශ්‍රේණිය තුළ එකම රීතිය අදාළ වේ: ප්‍රවණතාවක් කෙතරම් පැහැදිලි වුවත්, ප්‍රතිඵලය තීරණය කරන රූපවල විභේදනය, වලාකුළු අනුපාතය සහ සෘතුමය බව; මෙම සාධක තුන වාර්තා නොකර කිසිදු ප්‍රවණතාවක් විශ්වාසදායක යැයි සැලකිය නොහැකිය.

වෙනස්කම් හඳුනාගැනීමේ තර්කනය

දිනැති රූප දෙකක් සංසන්දනය කිරීමට ක්‍රම කිහිපයක් තිබේ: දින දෙකම වර්ග කිරීම සහ පන්ති සංසන්දනය කිරීම, දර්ශක වෙනස ලබා ගැනීම (උදා. NDVI වෙනස) හෝ AI ආකෘතිය සමඟ සෘජුවම "වෙනස් කළ/වෙනස් නොකළ" සිතියමක් නිෂ්පාදනය කිරීම. ප්රතිඵලය වෙනස් වීමේ සිතියමකි: නව ව්යුහය කොහේද, ශාක අහිමි වී ඇත්තේ කොහේද යන්නයි. මෙම සිතියම මූලික පිරික්සීමක් ලෙස ඉතා අගනේය - එය සැලසුම්කරුට පවසන්නේ "එතැන බලන්න" නමුත් සෑම ලකුණක්ම එය සැබෑ වෙනසක් ද දෝෂයක් ද යන්න වෙන වෙනම තහවුරු කරයි.

පියවරෙන් පියවර: AI බලයෙන් ක්‍රියාත්මක වන වෙනස්කම් විශ්ලේෂණය

1. ප්රශ්නය නිර්වචනය කරන්න. "2018 සහ 2024 අතර [ප්‍රදේශයේ] නව ඉදිකිරීම් කොහිද?"
2. රූපය තෝරන්න. සමාන සමය, පිළිගත හැකි විභේදනය, අඩු වලාකුළු.
3. පෙර සැකසුම්. එය එකම CRS වෙත ගෙන, පෙළගස්වන්න, වලාකුළු/සෙවණැලි ආවරණ යොදන්න.
4. වර්ගීකරණය / සංසන්දනය කරන්න. AI සමඟ පන්තිය ජනනය කරන්න හෝ සිතියම වෙනස් කරන්න.
5. නිරවද්යතාව තක්සේරු කරන්න. දන්නා යොමු ලකුණු සමඟ නිරවද්‍යතාවය මැනීම.
6. ක්ෂේත්ර සහ ලියාපදිංචිය තහවුරු කිරීම. අවශ්‍ය නම් හිමිකම් ඔප්පුව/බලපත්‍රය සහ අඩවිය සමඟ සලකුණු කළ වෙනස්කම් පරීක්ෂා කරන්න.
7. සීමාවන් වාර්තා කරන්න. දෝෂයේ දිනය, විභේදනය, නිරවද්‍යතාවය සහ ආන්තිකය පැහැදිලිව ලියන්න.

දුර්වල ක්ෂණික / ශක්තිමත් විමසුම

දුර්වල විමසුම: "මෙම රූප දෙකෙන් වෙනස් වූයේ කුමක්දැයි මට කියන්න."

AI ලස්සන පෙනුමක් ඇති නමුත් අවිනිශ්චිත නිවැරදි ලැයිස්තුවක් නිෂ්පාදනය කරයි; සෙවන සහ කන්නයේ වෙනස සැබෑ වෙනසක් යැයි ඔබ සිතනවා විය හැකිය.

ප්‍රබල විමසුම: "මම දින දෙකකින් (ජූලි 2018 / ජූලි 2024, එම සමය, මීටර් 10 විභේදනය) වර්ගීකරණය කරන ලද ඉඩම් ආවරණ දත්ත සංසන්දනය කරමි. වෙනස්කම් විශ්ලේෂණය වාර්තා කරන විට, පැහැදිලිව සඳහන් කරන්න: සෙවන/සමය/විභේදනය හේතුවෙන් කුමන වෙනස්කම් ව්‍යාජ ධනාත්මක විය හැකිද, ක්ෂේත්‍ර සත්‍යාපනය අවශ්‍ය වන අතර, එක් එක් ක්ෂේත්‍ර සත්‍යාපනය අවශ්‍ය වන අතර, නිරවද්‍යතාවය මැනිය යුතු නොවේ. අවශ්යයි""

දෙවන විමසුම අවිනිශ්චිතතාවය සහ දෝෂ ප්‍රභවයන් පැහැදිලිව සන්නිවේදනය කිරීමට AI ට බල කරයි.

පිටපත් කළ හැකි සැකිලි හතරක්

කාර්යය: පහත වෙනස්කම් හඳුනාගැනීමේ ප්‍රතිදානය විවේචනාත්මකව ඇගයීමට ලක් කරන්න. එක් එක් හඳුනාගැනීම සඳහා විය හැකි දෝෂ මූලාශ්‍ර ලැයිස්තුගත කරන්න: සෙවනැල්ල, වලාකුළු, වාරය, විභේදනය, වර්ගීකරණ දෝෂය. "ක්ෂේත්‍ර තහවුරු කිරීම අවශ්‍යයි" යන සටහන එක් කරන්න. අවසාන විනිශ්චයන් නොකරන්න. සොයාගැනීම් / දිනය / විභේදනය: [...]

කාර්යය: නාගරික වෙනස්කම් විශ්ලේෂණයක් සඳහා රූප තේරීමේ නිර්ණායක පිරික්සුම් ලැයිස්තුවක් ලියන්න: සෘතුමය බව, විභේදනය, වලාකුළු අනුපාතය, දින පරාසය, CRS. මා සතුව ඇති පින්තූර මෙම නිර්ණායක සපුරාලන්නේ දැයි ඇසීමට ප්‍රශ්න සාදන්න. රූප තොරතුරු: [...]

කාර්යය: පහත වෙනස්කම් විශ්ලේෂණ සොයාගැනීම් වලින් වාර්තාවක් කෙටුම්පත් කරන්න. එක් එක් සොයාගැනීමේ විභේදනය, දිනය, නිරවද්‍යතාවය සහ දෝෂයේ ආන්තිකය පැහැදිලිව සඳහන් කරන්න. ප්රතිඵල "පෙර-පරීක්ෂණය" ලෙස රාමු කරන්න; පරීක්ෂා කිරීම/සම්මත කිරීම සඳහා ක්ෂේත්‍රය සහ නිල වාර්තා තහවුරු කිරීම අවශ්‍ය බව අවධාරණය කරන්න. සොයාගැනීම්: [...]

කාර්යය: වර්ගීකරණ නිරවද්‍යතාවය ඇගයීමට සරල ක්‍රමයක් යෝජනා කරන්න: යොමු ලකුණු ගණන, තෝරා ගන්නේ කෙසේද, නිරවද්‍යතාවය ගණනය කරන්නේ කෙසේද (සරල පැහැදිලි කිරීම). වාර්තාවේ ලිවිය යුතු සත්‍ය ප්‍රකාශය, උදාහරණය. සන්දර්භය: [...]

වගුවක්: දත්ත වර්ගය සහ භාවිතය

දත්ත

විභේදනය

ශක්තිමත් ලක්ෂ්යයක්

සීමාව

මධ්යම විභේදන චන්ද්රිකාව

මීටර් 10-30

නිදහස්, නිතර, පුළුල් ප්රදේශය

කුඩා ව්යුහය මග හැරේ

අධි විභේදන චන්ද්‍රිකාව

0.3-1m

සවිස්තරාත්මක ව්යුහය හඳුනාගැනීම

මිල අධික, විරල, වලාකුළු අවදානම

ගුවන් ඡායාරූපය / විකලාංග

මීටර් 0.1-0.3

ඉතා සවිස්තරාත්මක, විධිමත්

යාවත්කාලීන සංඛ්‍යාතය අඩුයි

UAV (ඩ්‍රෝන්)

සෙ.මී. මට්ටම

ක්ෂණික, ඉතා සවිස්තරාත්මක

කුඩා ඉඩක්, අවසරය/නීති සම්පාදනය

කුඩා නඩු තුනක්

නඩුව 1 - සෙවන මායාව. නගර සභාවක් AI වෙනස් කිරීමේ සිතියමේ අසල්වැසි ප්‍රදේශයක "නව ඉදිකිරීම්" සලකුණු දකියි. ක්ෂේත්ර කණ්ඩායම යයි; බොහෝ සලකුණු දහවල් රූපයේ දිගු ගොඩනැඟිලි සෙවනැලි වේ. නව ගොඩනැඟිලිවල සැබෑ සංඛ්‍යාව ලකුණු වලින් අඩකි. AI කලින් තිරගත කර ඇත, නමුත් තහවුරු කිරීමකින් තොරව භාවිතා කළහොත්, එය ව්‍යාජ මිනිත්තු නිපදවනු ඇත.

නඩුව 2 - කුඩා ව්යුහය ගැලවී යාම. සැලසුම්කරුවෙකු විසින් කෘෂිකාර්මික ක්ෂේත්‍රයක කුඩා ගබඩාවන් සොයා ගැනීමට උත්සාහ කරන්නේ මීටර් 10 ක විභේදනයකින් යුත් නොමිලේ චන්ද්‍රිකාවක් සමඟිනි. ගබඩාවල මීටර් 6x8 වන බැවින්, ඒවා එක් පික්සලයක් යටතේ පවතින අතර ඒවා නොපෙනේ. සැලසුම්කරු සැබෑ ලුහුබැඳීම සඳහා අධි-විභේදන විකලාංග වෙත මාරු වේ. විභේදනය දැකිය හැකි දේ තීරණය කරයි.

නඩුව 3 - විනිවිද පෙනෙන වාර්තාව. එක් කණ්ඩායමක් කලාපයක වසර 6ක ව්‍යාප්තිය විශ්ලේෂණය කර වාර්තාවේ පැහැදිලිව ලියා ඇත්තේ "හඳුනාගැනීම් සියයට 82ක නිරවද්‍යතාවයකින් යුත් මූලික ස්කෑන් කිරීමකි; ලකුණු 47 ක් ක්ෂේත්‍ර තහවුරු කිරීම සඳහා බලා සිටී; රූප දිනයන් සහ විභේදනය අමුණා ඇත." පාර්ලිමේන්තුව ප්‍රතිඵලය තක්සේරු කරන්නේ නිවැරදි බරින්. අවිනිශ්චිතභාවය සඟවනවාට වඩා වාර්තා කිරීම විශ්ලේෂණය විශ්වාසදායක කරයි.

පොදු වැරදි

• සාක්ෂි ලෙස වැරදි ලෙස හඳුනා ගැනීම. රූපය පෙර ස්කෑන් කර ඇත; එය සම්බාධක සහ නිල ලියාපදිංචිය අවශ්ය වේ.
• වාරය/දිනය නොගැලපීම. විවිධ සෘතුමය රූප ව්යාජ වෙනස්කම් ඇති කරයි.
• විසඳුම නොසලකා හැරීම. කුඩා ව්යුහයන් අඩු විභේදනයකින් නොපෙනේ; එය "කිසිවක්" නොවේ.
• නිරවද්‍යතාවය වාර්තා කිරීමට අපොහොසත් වීම. දෝෂයේ ආන්තිකය සැඟවීම වැරදි තීරණ වලට මග පාදයි.
• සෙවනැල්ල සහ වලාකුළ අමතක වීම. ව්‍යාජ ධනාත්මක ප්‍රභවයන්හි වඩාත් පොදු මූලාශ්‍ර දෙක.
• CRS නොගැලපීම. නොගැලපෙන පින්තූර වැරදි තැනක වෙනස් වේ.

සාරාංශයක් ලෙස

චන්ද්‍රිකා සහ ගුවන් ඡායාරූප යනු පරිමාණයෙන් සහ වේගයෙන් නාගරික වෙනස්කම් දැකීමට ඇති බලවත්ම ක්‍රම වේ; AI වර්ගීකරණය සහ වෙනස්වීම් හඳුනාගැනීම වේගවත් කරයි. නමුත් විභේදනය මගින් දැකිය හැකි දේ තීරණය කරයි, සමය සහ දිනය සැබෑ දේ තීරණය කරයි, සෙවනැල්ල සහ වලාකුළු ව්‍යාජ ධනාත්මක දේ තීරණය කරයි. සෑම විටම නිරවද්‍යතාවය මැනිය යුතු අතර වාර්තා කළ යුතුය. වඩාත්ම වැදගත් දෙය: රූපයෙන් හඳුනා ගැනීම පූර්ව ස්කෑන් කිරීමකි; ක්ෂේත්‍ර පාලනය, හිමිකම් ඔප්පු/බලපත්‍ර ලියාපදිංචිය සහ නිල මිනුම් පරීක්ෂා කිරීම සහ අනුමත කිරීම සඳහා අත්‍යවශ්‍ය වේ. AI දැක්ම වේගවත් කරයි, තීරණ ගැනීම නොවේ.

යෙදුම් කාර්යය

වෙනස් දින දෙකක් සහිත රූප යුගලයක් (හෝ අවස්ථා) සලකා බලන්න. (1) දෙවන අච්චුව සමඟ රූප තේරීමේ නිර්ණායක පරීක්ෂා කරන්න: වාරය, විභේදනය, වලාකුළ ගැලපෙනවාද? (2) වෙනස්වීම් හඳුනාගැනීම් ලැයිස්තුවක් උපකල්පනය කරන්න සහ ආරම්භක අච්චුව සමඟ එක් එක් හඳුනාගැනීම සඳහා විය හැකි දෝෂ මූලාශ්‍ර උපුටා ගන්න. (3) තුන්වන අච්චුව සමඟ කෙටුම්පත් වාර්තාවක් ඉදිරිපත් කර නිරවද්‍යතාවය සහ දෝෂයේ ආන්තිකය එක් කරන්න. (4) ක්ෂේත්‍ර තහවුරු කිරීම අවශ්‍ය වන්නේ කුමන නිර්ණයන්ද සහ ඔබ මෙය කරන්නේ කෙසේද යන්න ලියන්න.

පිරික්සුම් ලැයිස්තුව

• [ ] මම පින්තූරවල වාරය, දිනය සහ විභේදන ගැළපුම පරීක්ෂා කළෙමි.
• [ ] මම පින්තූර එකම CRS වෙත පෙළගස්වා ඇත; මම වලාකුළු / සෙවනැලි වෙස් මුහුණ සැලකිල්ලට ගත්තා.
• [ ] මම වෙනස් හඳුනාගැනීම් සැලකුවේ මූලික පරීක්ෂාව ලෙස මිස සාක්ෂි ලෙස නොවේ.
• [ ] මම වර්ගීකරණ නිරවද්‍යතාවය තක්සේරු කර වාර්තා කළෙමි.
• ක්ෂේත්‍ර සහ නිල වාර්තා සමඟ [ ] සලකුණු කර ඇති වෙනස්කම් මම තහවුරු කළෙමි.
• [ ] විභේදන සීමාව මග හැරිය හැකි දේ මම සටහන් කළෙමි.
• [ ] මම වාර්තාවේ දිනය, විභේදනය සහ දෝෂයේ මායිම පැහැදිලිව ලියා ඇත.