Dobički:
- Sposobnost razlage, kako se kartiranje litologije, prelomov in sprememb izvede z AI na satelitskih in zračnih slikah.
- Sposobnost oblikovanja delovnega toka, ki iz multispektralnih/hiperspektralnih podatkov izloči mineralne in strukturne markerje
- Sposobnost testiranja rezultatov daljinskega zaznavanja z resničnostjo tal in geološkim kontekstom
Geološka karta je projekcija podzemne zgodbe regije na površje: katera kamninska enota kje je, kje potekajo prelomi, v katero smer so nagnjene plasti. Običajno je ta zemljevid izdelek, ki ga geolog izdela s potovanjem od izdanka do izdanka z meseci terenskega dela. Danes daljinsko zaznavanje in umetna inteligenca večino tega procesa pospešujeta. V tej enoti bomo videli, kako se kartiranje litologije, prelomov in sprememb (kemična sprememba kamnine s hidrotermalnimi vodami; kritičen indikator pri raziskovanju rudnin) izvaja z umetno inteligenco iz satelitskih/zračnih posnetkov, in kar je najpomembnejše, kako se ti rezultati testirajo z realnostjo zemlje.
Opozorilo že na začetku: slika daljinskega zaznavanja je meritev, ne interpretacija; Toda vsak zemljevid, ki izhaja iz te meritve, je interpretacija in v interpretaciji je napaka. »Območje spremembe«, ki ga označuje umetna inteligenca, je lahko dejanski indikator mineralov, posušeno polje, senca ali atmosferska motnja. Zemljevid je hipoteza, dokler ni preverjen na terenu.
Osnovna fizika daljinskega zaznavanja
Vsak mineral in kamnina odbija sončno svetlobo pri različnih valovnih dolžinah z različnimi hitrostmi; to se imenuje spektralni podpis. Človeško oko vidi le vidno svetlobo (rdečo-zeleno-modro), satelitski senzorji pa merijo veliko širši razpon, vključno z infrardečo svetlobo. Dva osnovna koncepta:
Multispektralno slikanje meri v več širokih pasovih valovnih dolžin (običajno 4-12 pasov); na primer satelita Landsat in Sentinel. Razlikuje hrapave kamnine. Hiperspektralno slikanje po drugi strani meri na stotine ozkih pasov in lahko prepozna minerale skoraj po njihovem "spektralnem prstnem odtisu"; Uporablja se za razlikovanje alteracijskih mineralov (kot so kaolinit, alunit, ilit).
Umetna inteligenca tukaj opravlja dve nalogi: najprej razvrsti te visokodimenzionalne spektralne podatke (kateri piksel je katera litologija/mineral). Drugič, iz geometrijskih vzorcev slike izlušči napake in strukturne značilnosti (linije, tekstura, drenažna mreža). Ko je dodan Digitalni model višin (kratko DEM; tridimenzionalni zemljevid višin zemljišča), so v analizo vključeni tudi naklon, vidik in topografski lineamenti.
Korak za korakom: potek dela zemljevida sprememb
- Pripravite sliko. Atmosferska korekcija (odstranitev popačenega učinka atmosfere), maskiranje oblakov, vegetacijska maska. Če ta korak preskočite, bo kontaminiran celoten rezultat.
- Zožite svoje področje zanimanja. Omejite študijsko območje na geološki kontekst (znan prelom, formacija, izdanek); Modelu dajte kontekst.
- Izračunajte spektralne indekse. Pasovna razmerja, ki poudarjajo specifične mineralne skupine (npr. za železove okside, minerale gline).
- Razvrsti. Umetna inteligenca razvršča slikovne pike/regije in označuje možna območja sprememb.
- Načrtujte preverjanje terena. Iz označenih con izberite vzorčna mesta in jih preverite na terenu. Brez tega koraka zemljevid ne bo podpisan.
Vloga in omejitve umetne inteligence pri analizi slik
Zlasti AI zmanjša dve vrsti napak: ujame subtilne anomalije, ki so spregledane, in standardizira nedosledne interpretacije. Vendar povzroča tri sistematične napake. Prvi je lažno pozitiven: vegetacija, senca, človeška struktura ali vlaga v tleh se lahko zdijo spremenjeni. Drugi je pristranskost pri usposabljanju: če je model učen na podlagi podatkov iz druge regije, bo napačen na drugačni litologiji vašega mesta. Tretja je iluzija obsega: en piksel pokriva desetine metrov na tleh; Fine strukture so izgubljene, mešane slikovne pike (več materialov v eni slikovni piki) so zavajajoče.
Torej zlato pravilo: prizemljena resnica vedno zmaga. Zemljevida, ki izhaja iz slike, ni mogoče šteti za dokončnega brez testiranja z vzorci in opazovanji na izbranih točkah na terenu. Verifikacijske točke niso izbrane naključno, ampak strateško, da pokrijejo tako "določena" kot "sumljiva" območja.
Trije mini kovčki: po številkah
Primer 1 — Zožitev območja iskanja. Raziskovalno podjetje je ocenjevalo licenčno območje velikosti 1200 km². Klasifikacija spreminjanja s pomočjo umetne inteligence iz hiperspektralnih podatkov je območje zmanjšala na 7 ciljnih območij po 38 km². Namesto da bi obiskali celotno območje, je terenska ekipa prednostno obravnavala teh 7 območij; čas začetne terenske kampanje se je zmanjšal za približno 70 %. 5 od 7 območij je pokazalo resnično spremembo na terenu, 2 sta bili lažno pozitivni (ilovnata tla) – brez preverjanja bi bili ti 2 območji zaman vrtanje.
Primer 2 – Predhodna skica kartiranja napak. DEM in analiza lineamentov, pridobljenih s sliko, sta predlagala dva manjša lineamenta poleg znane glavne napake. Ena se je izkazala za dejansko napako na terenu; druga se je izkazala za topografsko sled trase plinovoda. Model je pravilno zajel geometrijski vzorec, vendar ni mogel razločiti njegovega izvora; Razlikoval je med geološko verodostojnostjo in nadzorom polja.
3. primer – zmota oblačne sence. Na enem območju je model označil močno "spremembo železovega oksida" na severnem pobočju. Atmosferski popravek je bil nepopoln in podpis je bil pravzaprav spektralno popačenje tankega oblačnega pokrova. Ko je bila slika ponovno obdelana in popravljena, je anomalija izginila. Lekcija: napaka predprocesiranja preslepi celo najnaprednejši model.
Šibek poziv / močan poziv
Šibek poziv:
Na tej satelitski sliki pokažite mesta, kjer so lahko mine.
Močan poziv:
Vaša vloga: Geolog za daljinsko zaznavanje. Interpretirajte naslednje vrednosti spektralnega indeksa in pasovnega razmerja (slika Sentinel-2, sušno območje, redka vegetacija).- Za vsako možno cono spremembe: napišite, kateri indeks/razmerje jo je sprožil.- Predlagajte VSAJ en lažno pozitiven vir za vsako cono (vegetacija, senca, prst, umetno, atmosfersko).- Razvrstite cone glede na "prioriteto preverjanja terena" (visoko/srednje/nizko).- Nobenega območja ne predstavljajte kot "miniranega"; podatki "žeton spremembe morajo biti preverjeni": [tabela indeksa/stopnje + kontekst]
Močan poziv prisili model, da sam navede lažne pozitivne rezultate in se izogne trditvam o točnosti.
Štiri kopirane predloge
1) Kontrolni seznam pred obdelavo:
Preverite korake predprocesiranja, ki so bili morda izpuščeni v naslednjem poteku dela daljinskega zaznavanja: atmosferski popravek, maska oblakov/senc, vegetacijska maska, topografski popravek, kalibracija senzorja. V enem stavku za vsakega razložite, kako bi lahko manjkajoči koraki vplivali na vaš zaključek. Potek dela: [definicija]
2) Razlaga območja spremembe:
Iz naslednjih vrednosti spektralnega indeksa (glina, železov oksid, karbonat, silicijev dioksid) izluščite možne alteracijske mineralne skupine. Za vsako skupino: indeks sprožitve, stopnja zaupanja, alternativna razlaga (lažno pozitivna), predlagano terensko preverjanje. Trditev o gotovosti. Podatki: [indeksi]
3) Ločevanje črte/napake:
Razmislite o spodnjem seznamu linearnosti. Navedite možne izvore za vsako: prelom, meja plošče, nasip, drenaža, človeška struktura (cesta/proga/njiva), meja vegetacije. Navedite najverjetnejši izvor z geološkim kontekstom, vendar izpustite edino možnost. Seznam: [linearnosti + kontekst]
4) Načrt točke preverjanja:
Predlagajte načrt preverjanja na terenu za naslednjo karto sprememb/litologije: - Koliko vzorčnih točk za vsak razred, zakaj. - Uravnoteženo vzorčenje "določenih" in "vprašljivih" območij. - Opomba o dostopu in varnosti. Povzetek zemljevida: [razredi in območja]
Vrsta slike in področje uporabe
Vrsta podatkov
Kakšni ukrepi
Njegova moč je
omejitev
Multispektralno (Sentinel/Landsat)
širokopasovne povezave
Groba litologija, regionalno skeniranje
Ločevanje mineralov je omejeno
hiperspektralno
Na stotine ozkih pasov
Razlika med minerali in spremembami
Stroški, režijski stroški obdelave
DEM (višina)
topografija
Napaka/lineament, drenaža
Litologija ne daje
toplotna infrardeča
temperatura površine
Nekaj silikata/karbonata
občutljiv na atmosfero
Radar (SAR)
Površinska hrapavost/deformacija
Pod oblaki, posedanje/zemeljski plaz
Tolmačenje je zapleteno
Namig: Izhod daljinskega zaznavanja uporabite kot »skeniranje z določanjem prednosti mesta«, ne kot »zemljevid vrtanja«. Njegova največja vrednost je, da vam pove, kam morate najprej iti; Dokazi na terenu in inženir se odločijo, kje bodo vrtali.
Pozor: Tudi najnaprednejša klasifikacija povzroča sistematične napake, če je izpuščena predhodna obdelava (atmosferski in topografski popravek, maskiranje). V primeru "izhod je čuden" najprej poizvedite predhodno obdelavo in ne modela. Načelo smeti notri, smeti ven je tukaj neusmiljeno.
Pogoste napake
- Preskok predprocesiranja. Zamenjevanje anomalij nepopravljenih slik za pravo geologijo.
- Pozabite na lažne pozitivne rezultate. Napačno zaznavanje rastlin, sence, vlage v tleh in človeških struktur kot sprememb/napak.
- Podpis brez temeljne resnice. Odločitev o vrtanju temelji na slikovni karti brez preverjanja na terenu.
- Iluzija lestvice. Pozabljanje na velikost slikovnih pik in ignoriranje dejstva, da so fine strukture izgubljene ali mešane slikovne pike, je zavajajoče.
- Ignoriranje izobraževalne pristranskosti. Slepa uporaba modela, usposobljenega v drugi regiji, na polju z drugačno litologijo.
Če povzamem
- Daljinsko zaznavanje meri spektralni podpis mineralov pri različnih valovnih dolžinah; Razlikuje multispektralno grobo in hiperspektralno fino.
- Umetna inteligenca razvršča te visokodimenzionalne podatke in iz geometrijskih vzorcev izloči napako/linearnost; vendar proizvaja lažno pozitivne rezultate, pristranskost pri usposabljanju in pristranskost lestvice.
- Predobdelava (atmosferski/topografski popravek, maskiranje) določa kakovost rezultata; Če je izpuščen, bo prišlo do sistemske napake.
- Daljinsko zaznavanje je orodje za pregledovanje/določanje prednosti; Zemljevid ne velja za točnega, če ni preizkušen z resničnostjo zemljevida.
- Osnovna resnica vedno zmaga; Točke preverjanja bi morale uravnoteženo pokrivati določena in sumljiva območja.
Aplikacijska naloga
Anonimizirajte vrednosti spektralnega indeksa/pasovnega razmerja ali seznam DEM lineamentov, ki ga imate za delovišče (ali območje odprtih podatkov). Interpretirajte možna območja sprememb ali napake z zmogljivim pozivom in naj model predlaga vsaj en lažno pozitiven vir za vsako območje. Nato sestavite načrt nadzora lokacije s predlogo »načrt točke preverjanja«; V enem stavku zabeležite, koliko točk je razdeljenih na "sumljiva" območja in zakaj izvajate uravnoteženo vzorčenje.
kontrolni seznam
- [ ] Znam razlikovati, kaj merijo večspektralni in hiperspektralni podatki in za kaj se uporabljajo.
- [ ] Vem, kako koraki predprocesiranja (obrezovanje, maskiranje) vplivajo na rezultat.
- [ ] Sprašujem se o virih lažnih pozitivnih rezultatov (vegetacija, senca, umetno delo) v izhodih sprememb/napak.
- [ ] Na zemljevid z daljinskim zaznavanjem gledam kot na orodje za skeniranje in ga testiram s preverjanjem terena.
- [ ] Lahko načrtujem točke preverjanja za uravnoteženje določenih in sumljivih con.