Добици:
- Способност да се објасни како се мултиспектрални сателитски подаци, комбинације опсега и спектрални индекси (НДВИ итд.) користе са АИ
- Могућност конфигурисања надгледане/ненадзиране класификације и тока рада за мапирање земљишног покривача уз подршку АИ
- Способност тестирања излаза класификације са основним критеријумима истине и грешке/тачности
Даљинска детекција је наука о мерењу земљине површине без физичког контакта, са сензорима на сателитима или ваздушним платформама. Сателитски снимак заправо није фотографија, већ колекција слојева мерења снимљених на више таласних дужина, а интелигентним комбиновањем ових слојева може се мапирати земљишни покривач (шума, вода, пољопривреда, грађевинарство). У овој јединици покривамо како вештачка интелигенција убрзава овај ток посла, од мултиспектралних података до класификације земљишног покривача, и где је стручна процена неопходна. Принцип: АИ генерише или кодира класификацију; Тачност мапе се мери у инжењеру независном матрицом истинитости и грешака.
Основни појмови. Мултиспектрална слика је слика снимљена у неколико опсега таласних дужина (плава, зелена, црвена, блиска инфрацрвена итд.); свака трака је слој. Хиперспектрална је много богатија, али тешка за обраду података, садржи десетине до стотине уских трака. Спектрални индекс је број који истиче феномен кроз математичку комбинацију опсега; најпознатији, НДВИ (Нормализед Дифференце Вегетатион Индек), мери јачину зелене вегетације користећи разлику између блиског инфрацрвеног и црвеног појаса. Надгледана класификација укључује обуку модела са унапред обележеним областима узорка и класификацију целе слике. Ненадгледана класификација је груписање података на основу сличности без ознака и њихово касније тумачење.
Улога АИ у даљинском детекцији
Вештачка интелигенција доприноси овој области на три нивоа:
- Ток рада и избор метода. „Који бендови, који индекс, који класификатор су погодни за ово питање?“ води вас у вашој одлуци; производи скелет кода.
- Сама класификација. Модерни модели дубоког учења сортирају милионе пиксела у класе земљишног покривача; Ово је област средњег и високог доприноса у којој АИ ради прави посао.
- Тумачење резултата и извештавање. Транскрибује статистику класе, анализу промена и извештај о тачности у читљив текст.
Слепа тачка: модел зависи од података на којима је обучен и примера које дајете. Облачна сенка и вода, гола земља и поље после жетве, плитка вода и влажна земља се лако мешају. Дакле, мапа класификације није тачна само зато што изгледа лепо; тачност се мора мерити.
Савет: Разјасните своје питање пре него што почнете да класификујете. „Класификујте покривач земљишта“ је нејасно; „Мапирање губитка пољопривредног земљишта у корист изградње између 2020-2025. године“ одређује и класни скуп и критеријум верификације.
Корак по корак: Класификација земљишног покривача
- Припремите податке и траке. Потврдите покривеност облака слике, датум снимања, резолуцију (величину пиксела) и редослед опсега. Различите класе датума/сезоне.
- Дефинишите скуп класа. Колико класа, којих (вода, шума, пољопривреда, грађевинарство, голети)? Мање и више препознатљивих класа су поузданије.
- Израчунајте индексе. Индекси као што су НДВИ (биљка), НДВИ (вода) разликују класе; постаје улаз у класификатор.
- Прикупите узорке за обуку (за надгледане). Узорци полигона потврђени верификацијом терена за сваку класу. Квалитет узорка одређује тачност.
- Класификујте и проверите. Обучите модел, а затим направите матрицу грешака са независним (необученим) узорцима и израчунајте укупну тачност и капу.
Основна матрица истине и грешака
Тачност класификације се не мери проценом ока. Основна истина су независни узорци познате праве класе на терену или у поузданом извору високе резолуције. Овим примерима се успоставља матрица конфузије: броји се колико пута је свака класа исправна и колико пута је помешана са којом класом. Из овога се израчунава укупна тачност (пропорција исправно класификована) и Капа (мера слагања која коригује ефекат случајности). Поред тога, тачност произвођача (колико је ухваћено у тој класи) и тачност корисника (колико је та класа поуздана) се извештавају на основу класе.
Опрез: Немојте мерити тачност примерима које користите за обуку. Ако се исти примери тренирају и тестирају, прецизност постаје вештачки висока; Ово је илузија. Узорци за валидацију морају бити независни.
Три мини случаја: према бројевима
Случај 1 — Сенка облака је погрешно замењена водом. У једној класификацији, када је модел означио сенке облака као „воду“, подручје језера је расло тамо где заправо није било; корисничка тачност класе воде пала је на 70%. Када су додати НДВИ индекс и маска облака, сметње сенке/воде су се смањиле и прецизност воде се повећала на преко 90%.
Случај 2 — Извештај откривен темељном истином. Студија пољопривредног инвентара пријавила је 82% укупне тачности почетне класификације, али је то мерено узорцима за обуку. Када се поново мери са 120 независних тачака истинитости, стварна укупна тачност је била 71%; Пољопривреда и гола земља су озбиљно сметали. Уз додатне примере обуке, класификација је побољшана, а тачност повећана на 84%. Лекција: тачност се мери независним узорком.
Случај 3 — Сезонска замка. Када су слике снимљене на два различита датума (пролеће и касно лето) помешане, пожњевене њиве су прешле у класу „голе земље“ и чинило се да пољопривредне површине недостаје 15%. Резултати су се побољшали када су слике одабране из исте сезоне и постигнута је фенолошка конзистенција.
Слаба порука / јака промпт
Слабо обавештење:
Класификујте ову сателитску слику.
Снажан упит:
Задатак: изградити ток рада за класификацију земљишног покривача (укључујући Питхон/растерио + сцикит-учити скелет кода). Контекст:- Сензор: 4 траке (плава, зелена, црвена, НИР), резолуција 10 м- Класе: вода, шума, пољопривреда, грађевинарство, голо тло- Сврха: тренутни извештај о земљишном покривачу + захтев: тренутни извештај о земљишном покривачу + захтев за 1. (НДВИ, НДВИ) додати и зашто писати.2) Навести надгледане кораке класификације; Нагласите да узорци за обуку и ВАЛИДАЦИЈУ треба да буду ОДВОЈЕНИ.3) Ставите матрицу грешака + укупну тачност + прорачун капа у скелет кода.4) Обратите пажњу на ризике од облака/сенке и сезонске конфузије.
Јака промпт специфицира скуп класа, резолуцију, образложење индекса и разликовање валидације; излаз постаје мерљив.
Четири шаблона за копирање
1) Избор методе/индекса:
Који спектрални индекс и метод класификације бисте препоручили за циљ [циљ] и сензор [опсеге/резолуцију]? За сваки избор напишите образложење и потенцијални ризик од забуне (које класе су сличне једна другој).
2) Костур класификационог кода:
Напишите надгледани оквир класификације помоћу Растерио + сцикит-леарн: читање траке, израчунавање индекса, РАЗВОЈ узорака за обуку/валидацију, класификација, матрица грешака и излаз тачности. Одржавање ЦРС; објаснити.
3) Подешавање процене тачности:
Напишите план за процену тачности класификације: независни дизајн узорка темељне истине, матрица грешака, укупна тачност, Каппа, тачност произвођача/корисника по класи. Објасните шта свака метрика каже.
4) Дијагноза сметњи:
Протумачите матрицу грешака у наставку: које класе ометају једна другу, који је могући спектрални/сезонски разлог, који додатни подаци (индекс, маска, датум) би умањили забуну? Матрица: [матрица грешака]
Поређење појмова класификације
концепт
Значење
када
под надзором
Обука са означеним примером
Класе су унапред одређене
Без надзора
Груписање без ознака
Откриће, нема примера
НДВИ
индекс виталности биљака
Одвајање биљке/голе/воде
НДВИ
индекс воде
одвајање водног тела
Матрица грешака
Тачно/нетачно бројање
мерење тачности
каппа
Прилагођено шансама
Стандардни извештај о прецизности
Уобичајене грешке
- Мерење тачности са примерима обуке. Независно тестирање даје вештачки високу тачност.
- Предајем мапу без тачности мерења. „Изгледа лепо“ није доказ тачности.
- Прескакање маске облака/сенке. Сенка се меша са водом, облак се меша са снегом/структуром.
- Мешање различитих годишњих доба/датум слика. Фенолошке разлике смењују класе.
- Дефинисање превише и сличних класа. Неразлучиве класе смањују тачност.
- Игнорисање резолуције. Мали објекти се не могу класификовати ако су мањи од једног пиксела.
Укратко
У даљинском детекцији, АИ убрзава ток посла од мултиспектралних података до мапирања земљишног покривача и може да преузме већи део класификације. Али мапа класификације је корисна само ако се мери њена тачност: стандардно је конструисати матрицу грешака са независним узорцима истинитости и израчунати укупну тачност и капу. Облак/сенка, сезонске варијације и сличне класе су типични извори сметњи; Управљајте њима помоћу индекса, маске и конзистентности датума. Никада немојте мешати узорке за обуку и валидацију.
Задатак апликације
Изаберите питање о покривању земљишта (нпр. „карта урбаних зелених површина“). Запишите скуп класа, опсеге и индексе које ћете користити (најмање НДВИ). Нека АИ произведе надгледани ток рада класификације; уверите се да су узорци обуке и валидације одвојени и да је матрица грешака + прорачун Капа укључен у излаз. Затим направите листу „ризик од забуне“: које две класе су сличне и како их разликујете.
контролна листа
- [ ] Држао сам разреде малим и препознатљивим.
- [ ] Додао сам спектралне индексе (НДВИ/НДВИ) погодне за ту сврху.
- [ ] Одвојио сам примере обуке и валидације.
- [ ] Проверио сам маску облака/сенке и конзистентност сезоне.
- [ ] Мерио сам тачност независном приземном истином.
- [ ] Пријавио сам матрицу грешака, укупну тачност и Капу.
- [ ] Дијагностиковао сам и излечио забуне у разреду.
- [ ] Подвргао сам га инжењерском одобрењу да је мапа тачна за предвиђену употребу.