Dobički:
- Sposobnost izbire satelitskih (široko območje) in senzorskih (lokalnih) podatkov v skladu z vprašanjem ter analiziranje indeksov, kot je NDVI, z uporabo maske v oblaku
- Sposobnost razlikovanja odmika in okvare od dejanskega signala s posredovanjem podatkov senzorja IoT prek kalibracije in nadzora kakovosti
- Sposobnost utemeljitve ugotovitve spremljanja na trendu in ne na enem samem datumu ter vzpostavitve načrta preverjanja z osnovno resnico ali neodvisnimi podatki
Za upravljanje okolja ga je treba najprej videti. Vedeti je treba, kako majhen je postal gozd, kako onesnažena je reka ali koliko metana uhaja iz nekega objekta, ne z ugibanjem, temveč s podatki. Okoljski monitoring je redno in ponovljivo merjenje stanja okolja. V tej enoti boste izvedeli o dveh velikih virih podatkov – satelitih, ki gledajo iz vesolja, in senzorjih na terenu – ter o vlogi umetne inteligence pri razumevanju teh ogromnih podatkov.
Najprej pojmi. Daljinsko zaznavanje je zbiranje informacij z merjenjem svetlobe, ki se odbije z razdalje (od satelita ali letala) brez dotika predmeta. IoT senzor (Internet of Things) je majhna naprava, ki se postavi na teren in samodejno pošilja izmerjeno vrednost (temperatura, kakovost zraka, nivo vode) preko interneta. Skupaj zagotavljajo tako široko (satelitsko) kot lokalno (senzorsko) sliko okolja.
Kako brati satelitske podatke?
Sateliti ne fotografirajo le; meri različne valovne dolžine ("pasove") svetlobe. Matematična kombinacija teh pasov kaže, kaj je s prostim očesom nevidno. Najbolj znan primer je NDVI (Normalized Difference Vegetation Index): meri gostoto vegetacije s številom med 0 in 1, ki temelji na načelu, da zdrave rastline zelo odbijajo infrardečo svetlobo. Zmanjšanje NDVI lahko pomeni krčenje gozdov, sušo ali škodo.
Najpogostejši brezplačni in odprti satelitski viri so sateliti Sentinel (evropski program Copernicus) in Landsat (ZDA). Do njih lahko dostopate prek platform, kot je Google Earth Engine ali v Pythonu (s knjižnicami, kot sta rasterio, xarray).
Nasvet: Največji sovražnik satelitskih podatkov je oblak. Je padec NDVI resnična izguba gozda ali je bil tisti dan nad njim oblak? Pred analizo vedno uporabite masko v oblaku in primerjajte več datumov.
Podatki IoT senzorjev in kalibracija
Senzorji so poceni in pogosti, vendar niso popolni. Poceni senzor za kakovost zraka se bo sčasoma premaknil, nanj bo vplivala vlaga ali pa bo odpovedal. Zato so podatki senzorja v surovi obliki nezanesljivi; bistvena sta kalibracija (popravek s primerjavo z znano referenčno napravo) in kontrola kakovosti.
Tukaj AI; Je zelo zmogljiv pri pisanju kode za obdelavo velikih slik in podatkov časovnih vrst, iskanje anomalij (nepričakovano odstopanje), vzpostavitev modela klasifikacije in povzemanje ugotovitev. Toda fizična resničnost meritve je odvisna od odločitve o umerjanju in vprašanja "ali je ta signal resničen ali je šum?" Razlaga pripada strokovnjaku.
Korak za korakom: analiza sledenja
1. Določite vprašanje. "Kako se je vegetacija spremenila na tem 10.000 hektarjev velikem območju med letoma 2020 in 2024?" Jasno, prostorsko in časovno vprašanje, kot je:
2. Izberite vir podatkov. Satelit (široko območje) ali senzor (lokalno, neprekinjeno)? Ali ločljivost in frekvenca ustrezata vprašanju?
3. Predhodni postopek. Oblačna maska, umerjanje, zastava manjkajočih podatkov. Če ta korak preskočite, je rezultat zavajajoč.
4. Izračunajte indeks/metriko. NDVI, temperaturno povprečje, koncentracija onesnaževal.
5. Poiščite spremembo in nepravilnost. Analiza trenda, prestop praga, nenaden skok.
6. Preverite s poljem. Če je mogoče, potrdite s temeljno resnico; Zagotovite satelitski signal z obiski na terenu ali neodvisnimi podatki.
trije mini kovčki
1. primer – Zaljubiti se v oblak. Okoljska nevladna organizacija je bila na tem, da sproži alarm zaradi "nenadnega krčenja gozdov", ko je videla, da je NDVI v eni regiji v enem mesecu padel za 40 %. Ko je analitik uporabil oblačno masko in pogledal sosednje datume, je videl, da je bila večina slike tistega dne oblačna, na naslednji sliki brez oblačka pa se je NDVI vrnil v normalno stanje. Preprečen lažni alarm. Izguba časa: 20 minut, pridobljen ugled: neprecenljivo.
Primer 2 – Neumerjen senzor. Neka občina je pripravljala poročilo o "preveč onesnaženem zraku" s podatki nizkocenovnih senzorjev za PM2,5 (delci, manjši od 2,5 mikrona – fin vdihljiv prah). Ko je strokovnjak senzorje primerjal z referenčno postajo, je ugotovil, da so pri visoki vlažnosti do dvakrat precenili vrednost. Ko je bila uporabljena korekcija vlažnosti (kalibracija), so se pojavile dejanske vrednosti; Preprečena panika.
Primer 3 – Avtomatizacija kode. Ena raziskovalna skupina je načrtovala tedne ročnega dela, da bi iz 200 satelitskih slik izluščila trende NDVI. Umetni inteligenci so dali napisati avtomatiziran potek dela z Google Earth Engine in kodo Python (maska v oblaku + mesečno povprečje NDVI + graf trendov). Analiza je trajala nekaj minut za 200 slik; Ekipa je svoj čas posvetila interpretaciji rezultata. Vseeno so preverili vsak korak kode.
Šibek poziv/močan poziv
Šibek poziv:
Poiščite krčenje gozdov iz satelitskih podatkov.
Zakaj je šibek: Brez domene, datumskega obdobja, vira podatkov, ločljivosti in obdelave v oblaku. AI zagotavlja splošno besedilo, ne izvršljive analize.
Močan poziv:
Vaša vloga: analitik daljinskega zaznavanja. Napišite kodo Python (Earth Engine), ki izračuna mesečni trend NDVI za obdobje 2020–2024 za [mejo AREA] s podatki Sentinel-2. Koraki: (1) uporabite masko oblaka, (2) povprečni mesečni NDVI, (3) narišite grafikon trendov, (4) označite mesece z več kot 20-odstotnim upadom. Naj bo koda izvedljiva; Komentirajte vsak korak. Upoštevajte tudi omejitve podatkov (ločljivost, oblak).
Štiri predloge za kopiranje
1) Analiza satelitskega indeksa (s kodo):
Vaša vloga: analitik daljinskega zaznavanja. Napišite izvedljivo kodo Python, ki izračuna [NDVI/NDWI/other index] v [DATUMskem obsegu] za [AREA] s podatki [Sentinel-2/Landsat]. Ne pozabite dodati oblačne maske. Označite trend in anomalije. V komentarjih navedite ločljivost in omejitve oblaka podatkov.
2) Nadzor kakovosti časovne serije senzorjev:
Poiščite težave s kakovostjo v naslednjih časovnih serijah senzorjev s Pythonom: manjkajoči podatki, zataknjena vrednost, nenaden skok, odnašanje, ekstrem. Vsako težavo označite s časovnim žigom. Ne spreminjajte podatkov, samo poročajte. Če je mogoče, dodajte preprost predlog za umerjanje. Podatki: [tukaj]
3) Shema preverjanja resnice na tleh:
Predlagajte načrt, kako lahko na terenu preverim naslednje satelitske ugotovitve (npr. padec NDVI): katere točke, katere meritve, kateri neodvisni vir podatkov. Preštejte tudi situacije, kjer je ugotovitev lahko napačna (oblak, letni čas, senca). Najdba: [tukaj]
4) Povzetek anomalije:
Povzemite nepravilnosti, ugotovljene iz spodnjih podatkov spremljanja, v preprostem jeziku za okoljskega menedžerja. Za vsako anomalijo: kje, kdaj, koliko odstopanja, možni vzroki in opomba "treba preveriti". Zagotovo zakaj je PRIMEREN; predstavi kot možnost. Podatki: [tukaj]
Pogoste napake
- Brez uporabe oblačne maske. Oblak je najpogostejši lažni signal.
- Zaupanje senzorju brez njegove kalibracije. Poceni senzorji drsijo in nanje vpliva vlaga.
- Poglejte samo zgodovino. Za zahtevanje spremembe je potrebnih več datumov in trendov.
- Mimo zemeljske resnice. Če je mogoče, je treba satelitski signal potrditi s terenskimi ali neodvisnimi podatki.
- Nasedanje trditvi AI o "točnem vzroku". Podatki o sledenju korelati; Potrditev razloga je druga stvar.
Pozor: satelitske slike in posnetki brezpilotnih letal visoke ločljivosti lahko vsebujejo zasebno lastnino, ljudi ali občutljive objekte. Upoštevajte zasebnost in pravne omejitve (zlasti osebne podatke in varnost), ko delite podatke o sledenju.
Če povzamem
Spremljanje okolja združuje satelitske (široko) in senzorske (lokalne) podatke. AI; Je zmogljiv pospeševalnik za pisanje kode, ki obdeluje ogromne količine podatkov o slikah in časovnih serijah, skeniranje anomalij in povzemanje. Toda maska v oblaku, kalibracija senzorja, primerjava z več datumi in preverjanje resnice na tleh pripadajo strokovnjaku. Zaupajte očiščenemu in potrjenemu signalu, ne neobdelanemu signalu.
Aplikacijska naloga
Izberite polje in časovno obdobje (resnično ali hipotetično). 1. Natisnite kodo delovnega toka analize NDVI v AI s predlogo in preverite, ali obstaja korak maske v oblaku. Nato prenesite časovno vrsto senzorja, ki ga imate (ali vzorec), skozi nadzor kakovosti z 2. predlogo. Nazadnje, s predlogo 3 pripravite načrt, kako boste potrdili spremembo, ki jo najdete na terenu.
kontrolni seznam
- [ ] Analizo sem opredelil z jasnim prostorskim in časovnim vprašanjem.
- [ ] Na satelitske podatke sem uporabil masko oblaka.
- [ ] Podatke senzorja sem posredoval skozi kalibracijo in nadzor kakovosti.
- [ ] Trditev o spremembi sem utemeljil na trendu, ne na enem samem datumu.
- [ ] Naredil sem načrt za preverjanje ugotovitve z osnovno resnico ali neodvisnimi podatki.
- [ ] Upošteval sem zaupnost in pravne omejitve.