zisky:
- Schopnosť interpretovať GIS vrstvy, NDVI a koncepty pásma/rozlíšenia vzdialeného snímania
- Interpretácia indexu, analýza zmien a tvorba naratívnych máp pomocou AI
- Schopnosť overiť interpretáciu satelitov/máp AI pomocou základnej pravdy a metadát
Ste environmentálny inžinier a pracujete na projekte ochrany mokradí. Rada chce, aby ste vyšetrili sťažnosti, že trstina na brehu jazera sa za posledných päť rokov zmenšila. Pred odchodom do terénu je potrebné vykonať predbežné vyhodnotenie na vašom stole: máte satelitné snímky z dvoch rôznych rokov, projekt GIS (Geografický informačný systém) a jazykový model. Môžete nechať LLM interpretovať súhrn obrázkov NDVI a napísať návrh naratívu zmeny. Satelitný pixel však predstavuje 10-metrový štvorec a či je na tomto štvorci tieň mrakov, vysychajúca trstina alebo sezónna hladina vody, pochopíte len s prízemnou pravdou. V tejto časti pokrývame koncepty diaľkového prieskumu Zeme a GIS, interpretáciu indexu/zmeny pomocou AI a čo je najdôležitejšie, limity tejto interpretácie.
Logika vrstvy GIS a základy diaľkového snímania
GIS organizuje geografické údaje do prekrývajúcich sa vrstiev: každá vrstva nesie tému (využitie územia, vodné útvary, nadmorská výška, cesty) a je zoradená do spoločného súradnicového systému. Analýza začína prekrytím správnych vrstiev v správnej projekcii; nesprávny súradnicový systém systematicky ovplyvňuje oblasti a vzdialenosti.
Pri interpretácii obrazu diaľkového snímania musíte rozlišovať tri typy rozlíšenia:
Typ rozlíšenia
čo to hovorí?
príklad
obmedzenie
priestorové
Veľkosť pixelu na zemi
10 m, 30 m
Malé objekty zostávajú sub-pixelové
spektrálny
Koľko a aké vlnové pásmo?
Červená, NIR, SWIR
Menej pásma = menšia rozlišovacia schopnosť
časový
Ako často sa zobrazuje to isté miesto
5 dní, 16 dní
Strata dát počas zamračených dní
Rádiometrické
Citlivosť jasu (bitová hĺbka)
8-bitové, 12-bitové
Nízka hĺbka = slabá diskriminácia
NDVI: vzorec a interpretácia
Najbežnejším indexom merajúcim vitalitu vegetácie je NDVI (Normalized Difference Vegetation Index). Zdravá rastlina silne odráža blízke infračervené (NIR) a absorbuje červenú (RED):
NDVI = (NIR − RED) / (NIR + RED)Rozsah hodnôt: −1 ... +1 < 0 : voda, sneh, oblak 0,0 - 0,2 : holá pôda, skala, zastavaná plocha 0,2 - 0,5 : riedky/bylinný porast, stresovaný pokryv 0,5 - 0,9 : hustá pokrývka
# NDVI malého vzorového bloku importovaných pixelov numpy ako npnir = np.array([[0.42, 0.38], [0.11, 0.45]]) # reflektované v blízkej infračervenej oblasti = np.array([[0.06, 0.09], [0.10] redviance) #. (nir + red)print(np.round(ndvi, 2))# [[0,75 0,62]# [0,05 0,80]]# pixel vľavo dole (0,05): nejde o rastlinu – môže to byť holá zem alebo voda/tieň
Tip: NDVI nie je absolútnou mierou „zdravia“, ale ukazovateľom závislým od stavu. Pri porovnávaní dvoch datovaných NDVI rovnakej oblasti sa uistite, že snímky boli nasnímané v podobných ročných obdobiach, podobných uhloch slnka a bez mrakov. Porovnanie vzhľadu neskorého leta a jari spôsobuje neskutočnú „stratu rastlín“.
Analýza zmien (detekcia zmien)
Jednoduchý spôsob, ako nájsť rozdiel medzi dvoma dátumami, je zobrať rozdiel NDVI, ale tento rozdiel má význam iba vtedy, ak je možné obrázky porovnať.
ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0 : strata krycej vrstvy možná (sušenie, rezanie, konštrukcia) ΔNDVI ≈ 0 : žiadna zmena ΔNDVI >> 0 : zväčšenie krycej vrstvy možné (zelenanie, obnova) POZOR: Rozdiel môže odrážať aktuálnu zmenu/libráciu slnečného uhla/rozdiely sezóny/kalibrácie Rozdiel = skutočná zmena + hluk.
Pozor: Cloud, cloud tieň a sezónnosť sú najväčšími odporcami analýzy zmien. Oblasť pod tieňom mrakov dáva nízke NDVI a vyzerá ako „strata vegetácie“. Keď LLM vykonáva interpretáciu obrazu, model si môže tieto artefakty pomýliť so skutočnou udalosťou. Nezabudnite skontrolovať metadáta obrázka (dátum, percento oblačnosti, uhol slnka).
Interpretácia indexu a popis mapy pomocou AI
LLM je užitočná pri preklade súhrnov číselných indexov do jednoduchého rozprávania a vytváraní návrhov správ. Poskytnite mu nespracované štatistiky a metadáta NDVI a požiadajte ho, aby vygeneroval komentár na overenie.
SLABÁ VÝZVA: "Zmenšila sa mokraď na tejto satelitnej snímke?" SILNÁ VÝZVA: "Dávam dve datované štatistiky NDVI (rovnaká oblasť, rovnaký senzor): 2020-07-15 priemer NDVI=0,61 cloud=3% slnečný uhol=58°2025-07-12 priemer NDVI=0,42 cloud=22% slnečný uhol=55°oblasť záujmu, ~140reulát jazera ΔNDVI a uveďte možné interpretácie.2) Uveďte dôvody (oblačnosť, tieň, hladina vody, ročné obdobie, kalibrácia) tento pokles môže byť spôsobený (oblačnosť, tieň, hladina vody, ročné obdobie, kalibrácia) INÉ AKO SKUTOČNÁ strata krytia.3) Pre každú možnú príčinu navrhnite krok VERIFIKÁCIE, aby ste ju rozlíšili (napr. nárokovanie bezoblačno-záberového záznamu hladiny, shrunk, návšteva v teréne). X%' NENASTAVUJTE, že to možno povedať len vtedy, ak to potvrdí základná pravda.
Silná výzva nasmeruje model nie k jedinému definitívnemu záveru, ale k plánu alternatívnych vysvetlení a overenia. Skutočnosť, že snímka z roku 2025 obsahuje 22 % oblačnosti, spôsobuje, že pokles je podozrivý.
Pozemné overenie pravdy
Zlatým štandardom interpretácie diaľkového prieskumu Zeme sú verifikačné body s pozorovaniami a meraniami vykonávanými v teréne. Skutočnú krajinnú pokrývku zaznamenáte pomocou GPS v niekoľkých referenčných bodoch a porovnáte ju s klasifikáciou snímok. Ak pole hovorí „suché rákosie“ v pixeli, kde AI alebo algoritmus hovorí „voda“, klasifikácia je nespoľahlivá.
mini puzdro
V rámci monitorovania vplyvu ťažobného miesta na životné prostredie tím navrhol „15 hektárov straty lesa v dôsledku banskej činnosti“ na základe zníženia NDVI vypočítaného zo satelitnej snímky a interpretáciu rozšíril do LLM; model vytvoril plynulý, presvedčivý príbeh. Keď však tím na poli správu skontroloval, zistilo sa, že časť oblasti s nízkou hodnotou NDVI bola v skutočnosti zozbieraná poľnohospodárska parcela a časť z nej bola tieňom mrakov, ktorý sa zhodoval s dňom nasnímania snímky. Skutočná strata lesa bola asi 4 hektáre, nie 15. Ak by sa vopred skontrolovali metadáta (maska mrakov) a vrstva využívania pôdy, chybe by sa predišlo. Úhľadné vety LLM nespôsobili správne zadanie nesprávneho vstupu.
Časté chyby
- Porovnanie obrázkov rôznych ročných období/uhlov slnka a zamieňanie sezónneho rozdielu za „zmenu“.
- Interpretácia oblačnosti a tieňa oblačnosti ako skutočnej straty krytu; obchádzanie masky mrakov.
- Robiť presné úsudky z pixelových údajov o malých objektoch presahujúcich priestorové rozlíšenie.
- Nesprávny výpočet plôch a vzdialeností v dôsledku nesúladu súradnicového systému/projekcie.
- Myslieť si, že NDVI je absolútnou mierou zdravia a zaobchádzať s vodou a tieňovými pixelmi, ako keby to boli rastliny.
- Uvedenie rozprávania o tekutej mape LLM do správy ako konečné zistenie bez základnej pravdy.
- Hlásenie výsledkov bez dokumentovania metadát (dátum, senzor, cloud %, úroveň spracovania).
V súhrne
- GIS analýzy sú postavené na vrstvách zoradených do spoločného súradnicového systému; Chyba projekcie skresľuje výsledok.
- Priestorové, spektrálne, časové a rádiometrické rozlíšenie obmedzuje to, čo môže obrázok zobraziť.
- NDVI = (NIR−RED)/(NIR+RED) je podmienený indikátor vitality rastlín, nie absolútna miera zdravia.
- V analýze zmien rozdiel = skutočná zmena + šum; Oblak, tieň a ročné obdobie sú najväčšími podvodníkmi.
- LLM vytvára interpretáciu indexu a naratívnu osnovu mapy, ale „nevidí“ satelitný obraz; Komentáre podľa počtu, ktorý uvediete.
- Interpretáciu AI a automatickú klasifikáciu nemožno previesť do konečných environmentálnych zistení bez overenia základnou pravdou a metaúdajmi.
Aplikačná úloha
Vytvorte alebo predpokladajte dva datované súhrny NDVI pre pole (buď podľa vlastného výberu alebo vzorku); Všimnite si metadáta (dátum, percento oblačnosti, uhol slnka, senzor) pre každý dátum. Vypočítajte ΔNDVI. Napíšte dôraznú výzvu a požiadajte LLM nielen o skutočnú zmenu krytu, ale aj o alternatívne vysvetlenia (oblačnosť, tieň, ročné obdobie, hladina vody, kalibrácia) a overovací krok pre každý z nich. Potom navrhnite „plán overenia základnej pravdy“: aspoň tri referenčné body, čo sa bude merať v teréne a ako to bude v porovnaní s interpretáciou obrazu. Nakoniec označte, ktoré tvrdenie v naratíve vytvorenom LLM „nemôže byť zahrnuté do správy bez overenia“ a napíšte dôvod.