Fitimet:
- Aftësia për të shpjeguar se si të dhënat satelitore multispektrale, kombinimet e brezit dhe indekset spektrale (NDVI etj.) përdoren me AI
- Aftësia për të konfiguruar klasifikimin e mbikëqyrur/të pambikëqyrur dhe rrjedhën e punës të hartës së mbulesës së tokës me mbështetjen e AI
- Aftësia për të testuar rezultatet e klasifikimit me të vërtetën bazë dhe matricën e gabimit/kriteret e saktësisë
Remote sensoring është shkenca e matjes së sipërfaqes së tokës pa kontakt fizik, me sensorë në satelitë ose platforma ajrore. Një imazh satelitor nuk është në fakt një fotografi, por një koleksion shtresash matjesh të regjistruara në gjatësi vale të shumëfishta, dhe duke kombinuar në mënyrë inteligjente këto shtresa, mbulesa e tokës (pyll, ujë, bujqësi, ndërtim) mund të hartohet. Në këtë njësi, ne mbulojmë se si inteligjenca artificiale e përshpejton këtë rrjedhë pune, nga të dhënat multispektrale te klasifikimi i mbulesës së tokës dhe ku gjykimi i ekspertëve është i domosdoshëm. Parimi: AI gjeneron ose kodon klasifikimin; Saktësia e hartës matet tek inxhinieri me matricën e pavarur të së vërtetës dhe gabimit.
Termat bazë. Një imazh multispektral është ai i regjistruar në disa breza gjatësi vale (blu, jeshile, e kuqe, afër infra të kuqe, etj.); çdo brez është një shtresë. Hiperspektrali është shumë më i pasur, por i vështirë për t'u përpunuar të dhëna, që përmban dhjetëra deri në qindra breza të ngushtë. Indeksi spektral është numri që nxjerr në pah një fenomen nëpërmjet kombinimit matematikor të brezave; më i njohuri, NDVI (Normalized Difference Vegetation Index), mat fuqinë e bimësisë së gjelbër duke përdorur ndryshimin midis brezit të afërt infra të kuqe dhe atij të kuq. Klasifikimi i mbikëqyrur përfshin trajnimin e modelit me zona të mostrës së paracaktuar dhe klasifikimin e të gjithë imazhit. Klasifikimi i pambikëqyrur është grumbullimi i të dhënave bazuar në ngjashmëri pa etiketa dhe interpretimi i tyre më vonë.
Roli i AI në Remote Sensing
Inteligjenca artificiale kontribuon në këtë fushë në tre nivele:
- Rrjedha e punës dhe zgjedhja e metodës. "Cilat breza, cili indeks, cili klasifikues janë të përshtatshëm për këtë pyetje?" ju udhëzon në vendimin tuaj; prodhon skeletin e kodit.
- Vetë klasifikimi. Modelet moderne të mësimit të thellë renditin miliona pikselë në klasa të mbulimit të tokës; Kjo është zona e kontributit mesatar-të lartë ku AI bën punën e vërtetë.
- Interpretimi dhe raportimi i rezultateve. Ai transkripton statistikat e klasës, analizën e ndryshimeve dhe raportin e saktësisë në tekst të lexueshëm.
Pika e verbër: modeli varet nga të dhënat mbi të cilat është trajnuar dhe nga shembujt që jepni. Hija e reve dhe uji, toka e zhveshur dhe fusha pas vjeljes, uji i cekët dhe toka e lagësht përzihen lehtësisht. Pra, një hartë klasifikimi nuk është e vërtetë vetëm sepse duket bukur; saktësia duhet të matet.
Këshillë: Sqaroni pyetjen tuaj përpara se të filloni klasifikimin. "Klasifikimi i mbulesës së tokës" është i paqartë; “Hartë e humbjes së tokës bujqësore në favor të ndërtimit mes viteve 2020-2025” përcakton si grupin e klasës ashtu edhe kriterin e verifikimit.
Hap pas hapi: Një klasifikim i mbulimit të tokës
- Përgatitni të dhëna dhe shirita. Konfirmoni mbulesën e resë së imazhit, datën e shkrepjes, rezolucionin (madhësia e pikselit) dhe renditjen e brezit. Data/sezoni i ndryshëm ndryshon klasa.
- Përcaktoni grupin e klasës. Sa klasa, cilat (ujë, pyll, bujqësi, ndërtim, tokë e zhveshur)? Më pak klasa dhe më të dallueshme janë më të besueshme.
- Llogaritni indekset. Indekset si NDVI (bimë), NDWI (uji) dallojnë klasat; bëhet hyrje në klasifikues.
- Mblidhni mostra trajnimi (për të mbikëqyrur). Mostra e poligoneve të konfirmuara nga verifikimi i terrenit për secilën klasë. Cilësia e mostrës përcakton saktësinë.
- Klasifikoni dhe verifikoni. Trajnoni modelin, më pas ndërtoni një matricë gabimi me mostra të pavarura (të patrajnuara) dhe llogaritni saktësinë e përgjithshme dhe Kappa.
Matrica e së vërtetës dhe e gabimit bazë
Saktësia e një klasifikimi nuk matet me gjykimin e syrit. E vërteta bazë është mostra e pavarur e klasës së vërtetë të njohur në terren ose në një burim të besueshëm me rezolucion të lartë. Me këta shembuj, krijohet një matricë konfuzioni: numërohet se sa herë është e saktë secila klasë dhe sa herë ngatërrohet me cilën klasë. Nga kjo, llogaritet saktësia e përgjithshme (proporcioni i klasifikuar saktë) dhe Kappa (një masë e marrëveshjes që korrigjon efektin e rastësisë). Për më tepër, saktësia e prodhuesit (sa u kap në atë klasë) dhe saktësia e përdoruesit (sa e besueshme është ajo klasë) raportohen në bazë të klasës.
Kujdes: Mos e matni saktësinë me shembujt që përdorni për trajnim. Nëse të njëjtët shembuj stërviten dhe testohen, saktësia bëhet artificialisht e lartë; Ky është një iluzion. Mostrat e verifikimit duhet të jenë të pavarura.
Tre Mini Rastet: Nga Numrat
Rasti 1 - Hija e reve u ngatërrua me ujë. Në një klasifikim, kur modeli etiketoi hijet e reve si "ujë", zona e liqenit u rrit aty ku në fakt nuk ishte; Saktësia e përdoruesit të klasës së ujit ra në 70%. Kur u shtuan indeksi NDWI dhe maska e reve, ndërhyrja hije/ujë u ul dhe saktësia e ujit u rrit në mbi 90%.
Rasti 2 - Raporti i gjetur nga e vërteta bazë. Një studim i inventarit bujqësor raportoi 82% saktësi të përgjithshme të klasifikimit fillestar, por kjo u mat me mostra trajnimi. Kur rimatej me 120 pika të pavarura të së vërtetës tokësore, saktësia e përgjithshme aktuale ishte 71%; Bujqësia dhe toka e zhveshur po ndërhynin seriozisht. Me shembuj shtesë të trajnimit, klasifikimi u përmirësua dhe saktësia u rrit në 84%. Mësimi: saktësia matet me mostër të pavarur.
Rasti 3 - Kurth sezonal. Kur imazhet e marra në dy data të ndryshme (pranverë dhe në fund të verës) u përzien së bashku, fushat e korrura u zhvendosën në klasën e "tokës së zhveshur" dhe zona bujqësore dukej se mungonte 15%. Rezultatet u përmirësuan kur imazhet u zgjodhën nga i njëjti sezon dhe u arrit konsistenca fenologjike.
Prompt i dobët / Prompt i fortë
Njoftim i dobët:
Klasifikoni këtë imazh satelitor.
Njoftim i fuqishëm:
Detyrë: ndërtoni një fluks pune për klasifikimin e mbulesës së tokës (përfshirë skeletin e kodit Python/rasterio + scikit-learn). Konteksti:- Sensori: 4 breza (blu, jeshile, e kuqe, NIR), rezolucion 10 m- Klasat: ujë, pyll, bujqësi, ndërtim, terren_i zhveshur- Cili raport i mbulesës së saktësisë 1 të tokës. indekset (NDVI, NDWI) për të shtuar dhe përse të shkruhet. 2) Listoni hapat e klasifikimit të mbikëqyrur; Theksoni se mostrat e trajnimit dhe VALIDIMIT duhet të jenë të NDARË.3) Vendosni matricën e gabimit + saktësinë e përgjithshme + llogaritjen Kappa në skeletin e kodit.4) Vini re rreziqet e konfuzionit të reve/hijeve dhe sezonit.
Prompt i fortë specifikon grupin e klasës, rezolucionin, arsyetimin e indeksit dhe dallimin e vlefshmërisë; prodhimi bëhet i matshëm.
Katër modele të kopjueshme
1) Zgjedhja e metodës/indeksit:
Çfarë indeksi spektral dhe metodë klasifikimi do të rekomandonit për objektivin [objektivin] dhe sensorin [bandat/rezolucion]? Për secilën zgjedhje, shkruani arsyetimin dhe rrezikun e mundshëm të konfuzionit (cilat klasa janë të ngjashme me njëra-tjetrën).
2) Skeleti i kodit të klasifikimit:
Shkruani një kornizë klasifikimi të mbikëqyrur me Rasterio + scikit-learn: leximi i shiritit, llogaritja e indeksit, NDARJA e mostrave të trajnimit/validimit, klasifikimi, matrica e gabimeve dhe prodhimi i saktësisë. Ruajtja e CRS; shpjegojë.
3) Konfigurimi i vlerësimit të saktësisë:
Shkruani një plan për të vlerësuar saktësinë e klasifikimit: modeli i mostrës së pavarur të së vërtetës bazë, matrica e gabimit, saktësia e përgjithshme, Kappa, saktësia e prodhuesit/përdoruesit sipas klasës. Shpjegoni se çfarë thotë secila metrikë.
4) Diagnoza e ndërhyrjes:
Interpretoni matricën e gabimit më poshtë: cilat klasa ndërhyjnë me njëra-tjetrën, cila është arsyeja e mundshme spektrale/sezonale, cilat të dhëna shtesë (indeksi, maska, data) do të reduktonin konfuzionin? Matrica: [matrica e gabimit]
Krahasimi i koncepteve të klasifikimit
koncept
Kuptimi
kur
e mbikqyrur
Trajnim me shembull të etiketuar
Klasat janë të paracaktuara
I pambikëqyrur
Grumbullim pa etiketa
Zbulim, pa shembuj
NDVI
indeksi i vitalitetit të bimëve
Ndarja e bimëve / e zhveshur / e ujit
NDWI
indeksi i ujit
ndarja e trupit të ujit
Matrica e gabimit
Numërimi i vërtetë / i rremë
matje e saktësisë
kappa
Përshtatja e korrigjuar nga shanset
Raporti standard i saktësisë
Gabimet e zakonshme
- Matja e saktësisë me shembuj trajnimi. Testimi jo i pavarur jep saktësi artificialisht të lartë.
- Dorëzimi i hartës pa matur ndonjëherë saktësinë. "Duket bukur" nuk është provë e saktësisë.
- Kapërcimi i maskës së reve/hijes. Hija përzihet me ujin, reja përzihet me borën/strukturën.
- Përzierja e imazheve të ndryshme të sezonit/datës. Dallimet fenologjike ndërrojnë klasa.
- Përcaktimi i shumë klasave dhe të ngjashme. Klasat e padallueshme zvogëlojnë saktësinë.
- Injorimi i zgjidhjes. Objektet e vogla nuk mund të klasifikohen nëse janë më të vogla se një piksel i vetëm.
Në përmbledhje
Në sensorin në distancë, AI përshpejton rrjedhën e punës nga të dhënat multispektrale në hartimin e mbulesës së tokës dhe mund të marrë përsipër pjesën më të madhe të klasifikimit. Por një hartë klasifikimi është e dobishme vetëm nëse matet saktësia e saj: është standarde të ndërtohet një matricë gabimi me mostra të pavarura të së vërtetës tokësore dhe të llogaritet saktësia e përgjithshme dhe Kappa. Re/hija, variacionet sezonale dhe klasa të ngjashme janë burime tipike të ndërhyrjes; Menaxhoni ato me konsistencën e indeksit, maskës dhe datës. Asnjëherë mos përzieni mostrat e trajnimit dhe të vërtetimit.
Detyra e aplikimit
Zgjidhni një pyetje për mbulimin e tokës (p.sh. "harta e hapësirës së gjelbër urbane"). Shkruani grupin e klasave, brezat dhe indekset që do të përdorni (të paktën NDVI). Bëni që AI të prodhojë një rrjedhë pune të mbikëqyrur klasifikimi; sigurohuni që mostrat e trajnimit dhe të vërtetimit të jenë të ndara dhe matrica e gabimit + llogaritja Kappa të përfshihet në dalje. Pastaj bëni një listë të "rrezikut të konfuzionit": cilat dy klasa janë të ngjashme dhe si i dalloni ato.
listë kontrolli
- [ ] E mbajta grupin e klasës të vogël dhe të dallueshëm.
- [ ] Shtova indekse spektrale (NDVI/NDWI) të përshtatshme për këtë qëllim.
- [ ] Kam ndarë shembujt e trajnimit dhe të vërtetimit.
- [ ] Kontrollova maskën e reve/hijes dhe konsistencën e sezonit.
- [ ] Kam matur saktësinë me të vërtetën e pavarur bazë.
- [ ] Kam raportuar matricën e gabimit, saktësinë e përgjithshme dhe Kappa.
- [ ] Kam diagnostikuar dhe kuruar ngatërresat e klasës.
- [ ] Unë i kam nënshtruar miratimit të inxhinierit që harta është e saktë për përdorimin e saj të synuar.