zisky:
- Schopnosť vysvetliť, ako sa používajú multispektrálne satelitné údaje, kombinácie pásiem a spektrálne indexy (NDVI atď.) s AI
- Schopnosť konfigurovať pracovný postup klasifikácie pod dohľadom/bez dozoru a mapovania krajinnej pokrývky s podporou AI
- Schopnosť testovať výstup klasifikácie s kritériami základnej pravdy a chybovej matice/presnosti
Diaľkový prieskum Zeme je veda o meraní zemského povrchu bez fyzického kontaktu, pomocou senzorov na satelitoch alebo leteckých platformách. Satelitná snímka v skutočnosti nie je fotografia, ale súbor vrstiev meraní zaznamenaných na viacerých vlnových dĺžkach a inteligentnou kombináciou týchto vrstiev možno zmapovať krajinnú pokrývku (les, voda, poľnohospodárstvo, stavebníctvo). V tejto časti sa zaoberáme tým, ako umelá inteligencia urýchľuje tento pracovný tok, od multispektrálnych údajov až po klasifikáciu krajinnej pokrývky, a kde je nevyhnutný odborný posudok. Princíp: AI generuje alebo kóduje klasifikáciu; Presnosť mapy sa meria v inžinierovi pomocou nezávislej základnej matice pravdy a chyby.
Základné pojmy. Multispektrálny obraz je obraz zaznamenaný v niekoľkých pásmach vlnových dĺžok (modré, zelené, červené, blízke infračervené, atď.); každý pás je vrstva. Hyperspektrálne sú oveľa bohatšie, ale ťažko spracovateľné údaje, ktoré obsahujú desiatky až stovky úzkych pásiem. Spektrálny index je číslo, ktoré zvýrazňuje jav prostredníctvom matematickej kombinácie pásiem; najznámejší, NDVI (Normalized Difference Vegetation Index), meria vitalitu zelenej vegetácie pomocou rozdielu medzi blízkym infračerveným a červeným pásom. Kontrolovaná klasifikácia zahŕňa trénovanie modelu s vopred označenými vzorovými oblasťami a klasifikáciu celého obrazu. Klasifikácia bez dozoru je zoskupovanie údajov na základe podobnosti bez označení a ich neskoršia interpretácia.
Úloha AI pri diaľkovom snímaní
Umelá inteligencia prispieva v tejto oblasti na troch úrovniach:
- Pracovný postup a výber metódy. "Ktoré pásma, ktorý index, ktorý klasifikátor sú vhodné pre túto otázku?" vedie vás pri vašom rozhodovaní; vytvára kostru kódu.
- Samotná klasifikácia. Moderné modely hlbokého učenia triedia milióny pixelov do tried krajinnej pokrývky; Toto je oblasť so stredne vysokým prínosom, kde AI robí skutočnú prácu.
- Interpretácia a reportovanie výsledkov. Prepisuje štatistiky triedy, analýzu zmien a správu o presnosti do čitateľného textu.
Slepý uhol: model závisí od údajov, na ktorých je trénovaný, a príkladov, ktoré poskytnete. Oblačný tieň a voda, holá pôda a pozberové pole, plytká voda a mokrá pôda sa ľahko miešajú. Takže klasifikačná mapa nie je pravdivá len preto, že vyzerá pekne; presnosť sa musí merať.
Tip: Pred začatím klasifikácie si ujasnite otázku. „Klasifikovať krajinnú pokrývku“ je vágne; „Zmapovanie úbytku poľnohospodárskej pôdy v prospech výstavby v rokoch 2020-2025“ určuje tak triedu, ako aj overovacie kritérium.
Krok za krokom: Klasifikácia krajinnej pokrývky
- Pripravte dáta a pásky. Potvrďte oblačnosť obrázka, dátum snímania, rozlíšenie (veľkosť pixelov) a poradie pásma. Iný dátum/sezóna mení triedy.
- Definujte množinu tried. Koľko tried, ktoré (voda, les, poľnohospodárstvo, stavebníctvo, holá zem)? Menej a viac rozlíšiteľných tried je spoľahlivejších.
- Vypočítajte indexy. Indexy ako NDVI (rastlina), NDWI (voda) rozlišujú triedy; sa stáva vstupom do klasifikátora.
- Zbierajte tréningové vzorky (pre dozor). Vzorové polygóny potvrdené overením terénu pre každú triedu. Kvalita vzorky určuje presnosť.
- Klasifikujte a overujte. Trénujte model, potom vytvorte chybovú maticu s nezávislými (netrénovanými) vzorkami a vypočítajte celkovú presnosť a kappa.
Základná pravda a matica chýb
Presnosť klasifikácie sa nemeria očným úsudkom. Pozemná pravda sú nezávislé vzorky známej skutočnej triedy v teréne alebo v spoľahlivom zdroji s vysokým rozlíšením. Pomocou týchto príkladov je vytvorená matica zmätku: počíta sa, koľkokrát je každá trieda správna a koľkokrát je zmätená s ktorou triedou. Z toho sa vypočíta celková presnosť (správne klasifikovaný podiel) a Kappa (miera zhody, ktorá koriguje vplyv náhody). Okrem toho sa na základe triedy uvádza presnosť výrobcu (koľko sa chytilo v tejto triede) a presnosť používateľa (aká spoľahlivá je táto trieda).
Upozornenie: Nemerajte presnosť s príkladmi, ktoré používate na tréning. Ak sa tie isté príklady trénujú a testujú, presnosť sa umelo zvyšuje; Toto je ilúzia. Validačné vzorky musia byť nezávislé.
Tri mini prípady: Podľa čísel
Prípad 1 – Tieň mrakov si pomýlili s vodou. V jednej klasifikácii, keď model označil tiene mrakov ako „voda“, plocha jazera rástla tam, kde v skutočnosti nebola; používateľská presnosť triedy vody klesla na 70 %. Keď sa pridal index NDWI a maska mraku, interferencia tieň/voda sa znížila a presnosť vody sa zvýšila na viac ako 90 %.
Prípad 2 – Správa obnovená základnou pravdou. Štúdia poľnohospodárskej inventarizácie uvádzala 82% celkovú presnosť počiatočnej klasifikácie, ale to bolo merané pomocou tréningových vzoriek. Pri premeraní so 120 nezávislými bodmi základnej pravdy bola skutočná celková presnosť 71 %; Poľnohospodárstvo a holá pôda vážne zasahovali. S ďalšími tréningovými príkladmi sa klasifikácia zlepšila a presnosť sa zvýšila na 84%. Poučenie: presnosť sa meria nezávislou vzorkou.
Prípad 3 – Sezónna pasca. Keď sa snímky nasnímané v dvoch rôznych dátumoch (jar a koniec leta) zmiešali, zozbierané polia sa presunuli do triedy „holé pôdy“ a zdalo sa, že poľnohospodárska oblasť chýbala 15 %. Výsledky sa zlepšili, keď sa snímky vybrali z rovnakej sezóny a dosiahla sa fenologická konzistencia.
Slabá výzva / silná výzva
Slabá výzva:
Klasifikujte túto satelitnú snímku.
Výkonná výzva:
Úloha: zostavte pracovný postup klasifikácie krajinnej pokrývky (vrátane kostry kódu Python/rasterio + scikit-learn). Kontext:- Senzor: 4 pásma (modrý, zelený, červený, NIR), rozlíšenie 10 m- Triedy: voda, les, poľnohospodárstvo, stavebníctvo, holá_zem- Účel: aktuálna mapa krajinnej pokrývky + správa o presnosti NDWINDPožiadavky na pridanie a prečo:1) Ktoré napíšte.2) Uveďte zoznam kontrolovaných klasifikačných krokov; Zdôraznite, že vzorky školenia a VALIDÁCIE by mali byť SAMOSTATNÉ.3) Vložte maticu chýb + celkovú presnosť + výpočet Kappa do kostry kódu.4) Všimnite si riziká zámeny oblačnosti/tieňa a sezóny.
Silná výzva špecifikuje sadu tried, rozlíšenie, zdôvodnenie indexu a rozlíšenie overenia; výstup sa stáva merateľným.
Štyri kopírovateľné šablóny
1) Výber metódy/indexu:
Aký spektrálny index a metódu klasifikácie by ste odporučili pre cieľ [cieľ] a senzor [pásma/rozlíšenie]? Ku každej voľbe napíšte zdôvodnenie a potenciálne riziko zámeny (ktoré triedy sú si navzájom podobné).
2) Kostra klasifikačného kódu:
Napíšte kontrolovaný klasifikačný rámec pomocou Rasterio + scikit-learn: čítanie pásky, výpočet indexu, ODDELENIE tréningových/validačných vzoriek, klasifikácia, matica chýb a výstup presnosti. udržiavať CRS; vysvetliť.
3) Nastavenie hodnotenia presnosti:
Napíšte plán hodnotenia presnosti klasifikácie: nezávislý návrh vzorky základnej pravdy, matica chýb, celková presnosť, Kappa, presnosť výrobcu/používateľa podľa triedy. Vysvetlite, čo hovorí každá metrika.
4) Diagnostika interferencie:
Interpretujte chybovú maticu nižšie: ktoré triedy sa navzájom rušia, aký je možný spektrálny/sezónny dôvod, aké ďalšie údaje (index, maska, dátum) by znížili zmätok? Matica: [matica chýb]
Porovnanie klasifikačných konceptov
koncepcie
Význam
kedy
pod dohľadom
Školenie s označeným príkladom
Triedy sú vopred určené
Bez dozoru
Klastrovanie bez štítkov
Objav, žiadne príklady
NDVI
index vitality rastlín
Oddelenie rastlín/holej/vody
NDWI
vodný index
oddelenie vodného útvaru
Matica chýb
Pravdivý/nepravdivý počet
meranie presnosti
kappa
Náhodne opravený fit
Štandardná správa o presnosti
Časté chyby
- Meranie presnosti pomocou tréningových príkladov. Nezávislé testovanie poskytuje umelo vysokú presnosť.
- Odovzdanie mapy bez presnosti merania. „Vyzerá pekne“ nie je dôkazom presnosti.
- Preskočenie masky mraku/tieňa. Tieň sa mieša s vodou, oblak sa mieša so snehom/štruktúrou.
- Miešanie rôznych obrázkov sezóny/dátumov. Fenologické rozdiely posúvajú triedy.
- Definovanie príliš veľa a podobných tried. Nerozoznateľné triedy znižujú presnosť.
- Ignorovanie rozlíšenia. Malé objekty nemožno klasifikovať, ak sú menšie ako jeden pixel.
V súhrne
Pri diaľkovom prieskume AI urýchľuje pracovný tok od multispektrálnych údajov po mapovanie krajinnej pokrývky a môže prevziať veľkú časť klasifikácie. Ale klasifikačná mapa je užitočná len vtedy, ak sa meria jej presnosť: je štandardné zostaviť maticu chýb s nezávislými vzorkami základnej pravdy a vypočítať celkovú presnosť a kappa. Oblačnosť/tieň, sezónne výkyvy a podobné triedy sú typickými zdrojmi rušenia; Spravujte ich s konzistentnosťou indexu, masky a dátumu. Nikdy nemiešajte tréningové a overovacie vzorky.
Aplikačná úloha
Vyberte otázku krajinnej pokrývky (napr. „mapa mestského zeleného priestoru“). Zapíšte si triedu, pásma a indexy, ktoré budete používať (aspoň NDVI). Nechajte AI vytvoriť pracovný postup klasifikácie pod dohľadom; uistite sa, že trénovacie a validačné vzorky sú oddelené a že vo výstupe je zahrnutá matica chýb + výpočet Kappa. Potom vytvorte zoznam „rizika zámeny“: ktoré dve triedy sú podobné a ako ich odlíšite.
kontrolný zoznam
- [ ] Ponechal som triedu malú a rozlíšiteľnú.
- [ ] Pridal som spektrálne indexy (NDVI/NDWI) vhodné na tento účel.
- [ ] Oddelil som príklady školenia a overovania.
- [ ] Skontroloval som mrak/tieňovú masku a konzistenciu sezóny.
- [ ] Meral som presnosť s nezávislou základnou pravdou.
- [ ] Nahlásil som maticu chýb, celkovú presnosť a Kappa.
- [ ] Diagnostikoval som a vyliečil zmiešané triedy.
- [ ] Podrobil som ju inžinierskemu schváleniu, že mapa je presná na zamýšľané použitie.