Dobički:
- Sposobnost razlage, kako se multispektralni satelitski podatki, kombinacije pasov in spektralni indeksi (NDVI itd.) uporabljajo z AI
- Možnost konfiguracije nadzorovane/nenadzorovane klasifikacije in poteka dela kartiranja pokrovnosti tal s podporo za umetno inteligenco
- Sposobnost testiranja rezultatov klasifikacije z matriko resnice in napak/merili natančnosti
Daljinsko zaznavanje je veda o merjenju zemeljskega površja brez fizičnega stika s senzorji na satelitih ali zračnih ploščadih. Satelitski posnetek pravzaprav ni fotografija, temveč zbirka plasti meritev, posnetih na več valovnih dolžinah, in s pametnim združevanjem teh plasti je mogoče preslikati pokrovnost tal (gozd, voda, kmetijstvo, gradbeništvo). V tej enoti obravnavamo, kako umetna inteligenca pospešuje ta potek dela, od večspektralnih podatkov do klasifikacije pokrovnosti tal, in kjer je strokovna presoja nepogrešljiva. Načelo: AI ustvari ali kodira klasifikacijo; Natančnost zemljevida se meri v inženirju z neodvisno matriko resnice in napake.
Osnovni pojmi. Multispektralna slika je tista, posneta v več pasovih valovnih dolžin (modri, zeleni, rdeči, blizu infrardečega itd.); vsak pas je plast. Hiperspektralni podatki so veliko bogatejši, vendar jih je težko obdelati, saj vsebujejo na desetine do stotine ozkih pasov. Spektralni indeks je število, ki poudari pojav skozi matematično kombinacijo pasov; najbolj znan, NDVI (normalizirani vegetacijski indeks razlike), meri bujnost zelene vegetacije z uporabo razlike med bližnjim infrardečim in rdečim pasom. Nadzorovano razvrščanje vključuje usposabljanje modela z vnaprej označenimi vzorčnimi območji in razvrščanje celotne slike. Nenadzorovano razvrščanje je združevanje podatkov v skupine na podlagi podobnosti brez oznak in njihova kasnejša interpretacija.
Vloga umetne inteligence pri daljinskem zaznavanju
Umetna inteligenca na tem področju prispeva na treh ravneh:
- Potek dela in izbira metode. "Kateri pasovi, kateri indeks, kateri klasifikator so primerni za to vprašanje?" vas vodi pri vaši odločitvi; izdela okostje kode.
- Sama klasifikacija. Sodobni modeli globokega učenja razvrščajo milijone slikovnih pik v razrede pokrovnosti tal; To je področje s srednje visokim prispevkom, kjer AI opravlja resnično delo.
- Interpretacija rezultatov in poročanje. Statistiko razreda, analizo sprememb in poročilo o natančnosti prepiše v berljivo besedilo.
Slepa pega: model je odvisen od podatkov, na podlagi katerih se usposablja, in primerov, ki jih posredujete. Oblačna senca in voda, gola zemlja in polje po žetvi, plitva voda in mokra tla se zlahka mešajo. Klasifikacijski zemljevid torej ni resničen samo zato, ker je videti lep; natančnost je treba izmeriti.
Namig: Preden začnete razvrščati, pojasnite svoje vprašanje. "Razvrsti pokrovnost tal" je nejasen; »Map the loss of kmetijskih zemljišč v korist gradnje med 2020–2025« določa tako nabor razredov kot merilo preverjanja.
Korak za korakom: Klasifikacija pokrovnosti tal
- Pripravite podatke in trakove. Potrdite oblačnost slike, datum fotografiranja, ločljivost (velikost slikovnih pik) in vrstni red pasov. Različni razredi sprememb datuma/sezone.
- Določite nabor razredov. Koliko razredov, kateri (voda, gozd, kmetijstvo, gradbeništvo, gola zemlja)? Manj in bolj razločljivi razredi so zanesljivejši.
- Izračunajte indekse. Indeksi, kot so NDVI (rastlina), NDWI (voda), razlikujejo razrede; postane vhod v klasifikator.
- Zberite vzorce usposabljanja (za nadzorovane). Vzorčni poligoni potrjeni s preverjanjem terena za vsak razred. Kakovost vzorca določa točnost.
- Razvrsti in preveri. Usposobite model, nato sestavite matriko napak z neodvisnimi (neusposobljenimi) vzorci in izračunajte splošno natančnost in Kappa.
Matrika resnice in napake
Natančnost klasifikacije se ne meri z očesno presojo. Osnovna resnica so neodvisni vzorci znanega pravega razreda na terenu ali v zanesljivem viru visoke ločljivosti. S temi primeri je vzpostavljena matrika zmede: prešteje se, kolikokrat je vsak razred pravilen in kolikokrat je zamenjan s katerim razredom. Iz tega se izračunata splošna natančnost (pravilno razvrščen delež) in Kappa (mera skladnosti, ki popravi učinek naključja). Poleg tega se na podlagi razreda poroča o natančnosti proizvajalca (koliko je bilo ulovljenega v tem razredu) in natančnosti uporabnika (kako zanesljiv je ta razred).
Pozor: Ne merite natančnosti s primeri, ki jih uporabljate za usposabljanje. Če se isti primeri učijo in testirajo, postane natančnost umetno visoka; To je iluzija. Validacijski vzorci morajo biti neodvisni.
Trije mini kovčki: po številkah
Primer 1 – Senca oblaka je bila zamenjana za vodo. V eni klasifikaciji, ko je model sence oblakov označil kot "vodo", se je območje jezera povečalo tam, kjer ga dejansko ni bilo; uporabniška natančnost vodnega razreda je padla na 70 %. Ko sta bila dodana indeks NDWI in maska oblaka, se je motnja sence/vode zmanjšala in natančnost vode se je povečala na več kot 90 %.
Primer 2 – Poročilo, pridobljeno s pomočjo tal. Študija kmetijskega popisa je poročala o 82-odstotni skupni natančnosti začetne klasifikacije, vendar je bilo to izmerjeno z vzorci za usposabljanje. Pri ponovnem merjenju s 120 neodvisnimi zemeljskimi točkami resnice je bila dejanska skupna natančnost 71 %; Kmetijstvo in goleti so resno posegali. Z dodatnimi primeri usposabljanja je bila klasifikacija izboljšana in natančnost povečana na 84 %. Lekcija: točnost se meri z neodvisnim vzorcem.
Primer 3 – Sezonska past. Ko so slike, posnete na dva različna datuma (spomladi in pozno poleti), pomešali skupaj, so se požeta polja premaknila v razred "gola tla" in zdi se, da kmetijska površina manjka 15 %. Rezultati so se izboljšali, ko so bile slike izbrane iz iste sezone in je bila dosežena fenološka konsistentnost.
Šibek poziv / močan poziv
Šibek poziv:
Razvrstite to satelitsko sliko.
Močan poziv:
Naloga: sestavite potek dela za klasifikacijo pokrovnosti tal (vključno s Python/rasterio + skeletom kode scikit-learn). Kontekst: - Senzor: 4 pasovi (modri, zeleni, rdeči, NIR), ločljivost 10 m - Razredi: voda, gozd, kmetijstvo, gradbeništvo, gola_zemlja - Namen: trenutni zemljevid pokrovnosti tal + poročilo o natančnosti Zahteve: 1) Kateri spektralni indeksi (NDVI, NDWI) dodati in zakaj napisati. 2) Navedite nadzorovane korake razvrščanja; Poudarite, da morajo biti vzorci za usposabljanje in VALIDACIJA LOČENI. 3) Vstavite matriko napak + celotno natančnost + izračun Kappa v okostje kode. 4) Upoštevajte tveganja oblakov/senc in zmede med letnimi časi.
Močan poziv podaja nabor razredov, ločljivost, utemeljitev indeksa in razlikovanje pri preverjanju; rezultat postane merljiv.
Štiri kopirane predloge
1) Izbira metode/indeksa:
Kateri spektralni indeks in metodo razvrščanja bi priporočili za objektiv [tarčo] in senzor [pasove/ločljivost]? Za vsako izbiro napišite utemeljitev in morebitno tveganje zmede (kateri razredi so si med seboj podobni).
2) Okostje klasifikacijske kode:
Napišite nadzorovano klasifikacijsko ogrodje z Rasterio + scikit-learn: branje traku, izračun indeksa, LOČEVANJE vzorcev za usposabljanje/validacijo, klasifikacija, matrika napak in izhodna natančnost. Vzdrževanje CRS; pojasni.
3) Nastavitev ocene natančnosti:
Napišite načrt za ovrednotenje točnosti klasifikacije: neodvisna zasnova vzorca temeljne resnice, matrika napak, splošna točnost, Kappa, točnost proizvajalca/uporabnika po razredu. Pojasnite, kaj pove vsaka metrika.
4) Diagnoza motenj:
Interpretirajte spodnjo matriko napak: kateri razredi motijo drug drugega, kaj je možen spektralni/sezonski razlog, kateri dodatni podatki (indeks, maska, datum) bi zmanjšali zmedo? Matrika: [matrika napak]
Primerjava klasifikacijskih konceptov
koncept
Pomen
kdaj
nadzorovan
Usposabljanje z označenim primerom
Razredi so vnaprej določeni
Brez nadzora
Združevanje v gruče brez oznak
Odkritje, brez primerov
NDVI
indeks vitalnosti rastlin
Ločevanje rastlin/golo/voda
NDWI
vodni indeks
ločevanje vodnega telesa
Matrica napak
True/false štetje
merjenje natančnosti
kapa
Naključno popravljeno prileganje
Standardno poročilo o točnosti
Pogoste napake
- Merjenje natančnosti z učnimi primeri. Neodvisno testiranje daje umetno visoko natančnost.
- Predaja zemljevida brez merjenja točnosti. "Izgleda lepo" ni dokaz točnosti.
- Preskok maske oblak/senca. Senca se meša z vodo, oblak se meša s snegom/strukturo.
- Mešanje različnih slik sezone/datuma. Fenološke razlike premikajo razrede.
- Definiranje preveč in podobnih razredov. Neločljivi razredi zmanjšajo natančnost.
- Ignoriranje resolucije. Majhnih predmetov ni mogoče razvrstiti, če so manjši od ene piksle.
Če povzamem
Pri daljinskem zaznavanju umetna inteligenca pospeši potek dela od večspektralnih podatkov do kartiranja pokrovnosti tal in lahko prevzame velik del klasifikacije. Vendar je klasifikacijska karta uporabna le, če se meri njena natančnost: standardno je sestaviti matriko napak z neodvisnimi vzorci resnice na tleh ter izračunati splošno natančnost in Kappa. Oblak/senca, sezonske spremembe in podobni razredi so tipični viri motenj; Upravljajte jih z doslednostjo indeksov, mask in datumov. Nikoli ne mešajte vzorcev usposabljanja in validacije.
Aplikacijska naloga
Izberite vprašanje o pokrovnosti tal (npr. "zemljevid mestnih zelenih površin"). Zapišite nabor razredov, pasove in indekse, ki jih boste uporabljali (vsaj NDVI). Naj AI izdela nadzorovan potek dela klasifikacije; poskrbite, da sta vzorca usposabljanja in validacije ločena in da je matrika napak + izračun Kappa vključen v izhod. Nato naredite seznam "nevarnosti zmede": katera dva razreda sta si podobna in kako ju ločite.
kontrolni seznam
- [ ] Razred sem ohranil majhen in razločljiv.
- [ ] Dodal sem temu primerne spektralne indekse (NDVI/NDWI).
- [ ] Ločil sem primere usposabljanja in validacije.
- [ ] Preveril sem masko oblakov/senc in konsistenco sezone.
- [ ] Natančnost sem izmeril z neodvisno osnovno resnico.
- [ ] Prijavil sem matriko napak, splošno natančnost in Kappa.
- [ ] Diagnosticiral sem in ozdravil razredne motnje.
- [ ] Predal sem odobritev inženirja, da je zemljevid točen za predvideno uporabo.