Fitimet:
- Aftësia për të zgjedhur të dhëna satelitore (zona e gjerë) dhe sensorë (lokale) sipas pyetjes dhe analizuar indekset si NDVI duke aplikuar një maskë reje
- Aftësia për të dalluar lëvizjen dhe mosfunksionimin nga sinjali real duke kaluar të dhënat e sensorit IoT përmes kalibrimit dhe kontrollit të cilësisë
- Aftësia për të bazuar një gjetje monitorimi në një tendencë dhe jo në një datë të vetme dhe për të krijuar një plan verifikimi me të vërtetën bazë ose të dhëna të pavarura
Për të menaxhuar mjedisin, është e nevojshme ta shihni atë së pari. Duhet të dihet se sa i vogël është bërë një pyll, sa i ndotur është një lumë apo sa metan rrjedh një objekt, jo me hamendje, por me të dhëna. Monitorimi i mjedisit është matja e rregullt dhe e përsëritshme e gjendjes së mjedisit. Në këtë njësi, do të mësoni për dy burime të mëdha të të dhënave - satelitët që shikojnë nga hapësira dhe sensorët në terren - dhe rolin e AI në kuptimin e këtyre të dhënave masive.
Konceptet e para. Zgjedhja në distancë është mbledhja e informacionit duke matur dritën e reflektuar nga një distancë (nga një satelit ose aeroplan) pa prekur një objekt. Sensori IoT (Internet of Things) është një pajisje e vogël e vendosur në fushë dhe dërgon automatikisht vlerën e matur (temperaturën, cilësinë e ajrit, nivelin e ujit) në internet. Së bashku, ato ofrojnë një pamje të gjerë (satelitore) dhe lokale (sensore) të mjedisit.
Si të lexoni të dhënat satelitore?
Satelitët nuk bëjnë vetëm fotografi; mat gjatësi vale ("banda") të ndryshme të dritës. Kombinimi matematik i këtyre brezave tregon atë që është e padukshme për syrin e lirë. Shembulli më i njohur është NDVI (Normalized Difference Vegetation Index): mat dendësinë e vegjetacionit me një numër midis 0 dhe 1, bazuar në parimin që bimët e shëndetshme reflektojnë shumë dritën infra të kuqe. Një rënie në NDVI mund të nënkuptojë shpyllëzim, thatësirë ose dëmtim.
Burimet satelitore falas dhe të hapura më të zakonshme janë satelitët Sentinel (programi evropian Copernicus) dhe Landsat (SHBA). Këto aksesohen përmes platformave të tilla si Google Earth Engine ose në Python (me biblioteka të tilla si rasterio, xarray).
Këshillë: Armiku më i madh i të dhënave satelitore është cloud. A është një rënie NDVI një humbje e vërtetë e pyllit, apo kishte një re mbi të atë ditë? Aplikoni gjithmonë një maskë reje dhe krahasoni data të shumta përpara se të analizoni.
Të dhënat dhe kalibrimi i sensorit IoT
Sensorët janë të lirë dhe të zakonshëm, por jo të përsosur. Një sensor i cilësisë së ajrit me kosto të ulët do të lëvizë me kalimin e kohës, do të ndikohet nga lagështia ose do të dështojë. Prandaj, të dhënat e sensorit në formën e tyre të papërpunuar nuk janë të besueshme; kalibrimi (korrigjimi duke krahasuar me një pajisje të njohur referencë) dhe kontrolli i cilësisë janë thelbësore.
Këtu AI; Është shumë i fuqishëm në shkrimin e kodit për të përpunuar imazhe të mëdha dhe të dhëna të serive kohore, skanimin për anomali (devijim të papritur), vendosjen e një modeli klasifikimi dhe përmbledhjen e gjetjeve. Por realiteti fizik i matjes zbret në vendimin e kalibrimit dhe pyetjes "a është ky sinjal i vërtetë apo është zhurmë?" Interpretimi i takon ekspertit.
Hap pas hapi: një analizë gjurmuese
1. Përcaktoni pyetjen. "Si ka ndryshuar bimësia në këtë sipërfaqe prej 10,000 hektarësh midis 2020 dhe 2024?" Një pyetje e qartë, hapësinore dhe kohore si:
2. Zgjidhni burimin e të dhënave. Satelit (zonë e gjerë) apo sensor (lokal, i vazhdueshëm)? A janë rezolucioni dhe frekuenca e përshtatshme për pyetjen?
3. Para-procesi. Maska e resë kompjuterike, kalibroni, raportoni të dhënat që mungojnë. Nëse ky hap anashkalohet, rezultati është mashtrues.
4. Llogaritni indeksin/metrikën. NDVI, temperatura mesatare, përqendrimi i ndotësve.
5. Gjeni ndryshimin dhe anomalinë. Analiza e trendit, kalimi i pragut, kërcimi i papritur.
6. Verifiko me fushë. Nëse është e mundur, konfirmoni me të vërtetën bazë; Siguroni një sinjal satelitor me vizitë në terren ose të dhëna të pavarura.
tre mini kuti
Rasti 1 - Të biesh në re. Një OJQ mjedisore ishte gati të jepte alarmin për "shpyllëzimin e papritur" kur pa se NDVI në një rajon kishte rënë me 40% brenda një muaji. Kur analisti aplikoi një maskë reje dhe shikoi datat fqinje, ai pa që pjesa më e madhe e imazhit atë ditë ishte me re, dhe në imazhin tjetër pa re, NDVI u kthye në normalitet. Alarmi i rremë u parandalua. Koha e humbur: 20 minuta, reputacioni i fituar: i paçmueshëm.
Rasti 2 - Sensori i pakalibruar. Një bashki po përgatiste një raport "ajri shumë i ndotur" me të dhëna nga sensorë me kosto të ulët PM2.5 (grimcë më të vogël se 2.5 mikron - pluhur i imët i frymëmarrjes). Kur eksperti i krahasoi sensorët me një stacion referimi, ai zbuloi se ata e mbivlerësuan vlerën deri në dy herë në lagështi të lartë. Kur u aplikua korrigjimi (kalibrimi) i lagështisë, u shfaqën vlerat reale; U shmang paniku.
Rasti 3 - Automatizimi i kodit. Një ekip kërkimor planifikoi të kalonte javë të tëra duke punuar manualisht për të nxjerrë tendencat NDVI nga 200 imazhe satelitore. Ata e kishin AI-në të shkruante një fluks pune të automatizuar me Google Earth Engine dhe kodin Python (maskë reje + mesatare mujore NDVI + grafik trendi). Analiza zgjati disa minuta për 200 imazhe; Ekipi i kushtoi kohën e tij interpretimit të rezultatit. Gjithsesi ata kontrolluan çdo hap të kodit.
Prompt i dobët / Prompt i fortë
Njoftim i dobët:
Gjeni shpyllëzimin nga të dhënat satelitore.
Pse është i dobët: Nuk ka domen, diapazon data, burim të dhënash, rezolucioni dhe përpunim cloud. AI ofron një tekst të përgjithshëm, jo një analizë të ekzekutueshme.
Njoftim i fuqishëm:
Roli juaj: analist i sensorit në distancë. Shkruani kodin e Python (Earth Engine) që llogarit prirjen mujore NDVI 2020-2024 për [Kufirin e zonës] me të dhënat Sentinel-2. Hapat: (1) aplikoni maskën e resë, (2) NDVI mesatare mujore, (3) vizatoni grafikun e tendencave, (4) shënoni muajt me më shumë se 20% rënie. Le të jetë kodi i ekzekutueshëm; Komentoni çdo hap. Gjithashtu vini re kufijtë e të dhënave (rezolucion, cloud).
Katër shabllone të kopjueshëm
1) Analiza e indeksit satelitor (me kod):
Roli juaj: analist i sensorit në distancë. Shkruani kodin e ekzekutueshëm të Python që llogarit [NDVI/NDWI/indeks tjetër] mbi [gama e DATE] për [AREA] me të dhëna [Sentinel-2/Landsat]. Sigurohuni që të shtoni një maskë reje. Shënoni trendin dhe anomalitë. Specifikoni kufijtë e rezolucionit dhe cloud të të dhënave në komente.
2) Kontrolli i cilësisë së serisë kohore të sensorit:
Kërkoni për çështje të cilësisë në seritë kohore të sensorëve të mëposhtëm me Python: të dhëna që mungojnë, vlera e ngecur, kërcim i papritur, zhvendosje, ekstreme. Shënoni çdo numër me një vulë kohore. Mos i ndryshoni të dhënat, thjesht raportoni. Shto një sugjerim të thjeshtë kalibrimi nëse është e mundur. Të dhënat: [këtu]
3) Skema e verifikimit të së vërtetës bazë:
Sugjeroni një plan se si mund të verifikoj gjetjet e mëposhtme të bazuara në satelit (p.sh. rënia e NDVI) në terren: cilat pika, cilat matje, cili burim i pavarur i të dhënave. Numëroni edhe situatat ku gjetja mund të jetë e rreme (re, stinë, hije). Gjetja: [këtu]
4) Përmbledhja e anomalive:
Përmblidhni anomalitë e gjetura nga të dhënat e monitorimit më poshtë në gjuhë të thjeshtë për një menaxher mjedisor. Për çdo anomali: ku, kur, sa devijim, shkaqet e mundshme dhe një shënim "duhet të verifikohet". Me siguri pse është i përshtatshëm; e paraqesin si mundësi. Të dhënat: [këtu]
Gabimet e zakonshme
- Mos aplikimi i maskës së reve. Reja është sinjali i rremë më i zakonshëm.
- Besimi i sensorit pa e kalibruar atë. Sensorët me kosto të ulët rrëshqasin dhe ndikohen nga lagështia.
- Vetëm shikoni historinë. Kërkohen data dhe tendenca të shumta për të kërkuar ndryshim.
- Duke anashkaluar të vërtetën tokësore. Sinjali satelitor duhet të konfirmohet me të dhëna në terren ose të pavarura nëse është e mundur.
- Duke rënë për pretendimin "shkaku i saktë" i AI. Ndërlidhjet e të dhënave përcjellëse; Konfirmimi i arsyes është një çështje tjetër.
Kujdes: Imazhet satelitore dhe dronit me rezolucion të lartë mund të përmbajnë pronë private, njerëz ose objekte të ndjeshme. Vëzhgoni privatësinë dhe kufizimet ligjore (veçanërisht të dhënat personale dhe sigurinë) kur ndani të dhënat e gjurmimit.
Në përmbledhje
Monitorimi i mjedisit kombinon të dhënat satelitore (të gjera) dhe sensorët (lokale). AI; Është një përshpejtues i fuqishëm për shkrimin e kodit që përpunon të dhëna masive të imazheve dhe serive kohore, skanimin dhe përmbledhjen e anomalive. Por maska e resë, kalibrimi i sensorit, krahasimi me shumë data dhe verifikimi i së vërtetës në terren i përkasin ekspertit. Besojini sinjalit të pastruar dhe të konfirmuar, jo sinjalit të papërpunuar.
Detyra e aplikimit
Zgjidhni një fushë dhe interval datash (reale ose hipotetike). 1. Printoni kodin e një fluksi pune të analizës NDVI në AI me shabllonin dhe verifikoni që ekziston hapi i maskës së resë kompjuterike. Më pas, kaloni një seri kohore sensori që keni (ose një mostër) përmes kontrollit të cilësisë me shabllonin e dytë. Më në fund, me shabllonin 3, krijoni një plan se si do të vërtetoni një ndryshim që gjeni në fushë.
listë kontrolli
- [ ] Unë e përcaktova analizën me një pyetje të qartë hapësinore dhe kohore.
- [ ] Unë aplikova një maskë reje në të dhënat satelitore.
- [ ] I kalova të dhënat e sensorit përmes kalibrimit dhe kontrollit të cilësisë.
- [ ] Unë e bazova pretendimin për ndryshim në trend, jo në një datë të vetme.
- [ ] Kam bërë një plan për të verifikuar gjetjen me të vërtetën bazë ose të dhëna të pavarura.
- [ ] Unë kam respektuar konfidencialitetin dhe kufizimet ligjore.