Vinster:
- Förmåga att tolka GIS-lager, NDVI och fjärranalysband/upplösningskoncept
- Indextolkning, förändringsanalys och kartläggning med AI
- Möjlighet att verifiera AI:s satellit/karttolkning med marksanning och metadata
Du är miljöingenjör som arbetar med ett projekt för bevarande av våtmarker. The council wants you to investigate complaints that the lakeshore reed bed has shrunk over the last five years. Innan du går till fältet måste du göra en preliminär utvärdering vid ditt skrivbord: du har satellitbilder från två olika år, ett GIS-projekt (Geographic Information System) och en språkmodell. Du kan låta LLM tolka NDVI-sammanfattningen av bilderna och skriva ett utkast till förändringsberättelsen. Men en satellitpixel representerar en 10-meters kvadrat, och du kan bara förstå om det finns en molnskugga, torkande vass eller säsongsbetonad vattennivå i den kvadraten med marksanning. I den här enheten täcker vi begreppen fjärranalys och GIS, indexera/ändra tolkning med AI, och viktigast av allt, gränserna för denna tolkning.
GIS-lagerlogik och grundläggande fjärranalys
GIS organiserar geografiska data i överlappande lager: varje lager bär ett tema (markanvändning, vattendrag, höjder, vägar) och är inriktat i ett gemensamt koordinatsystem. En analys börjar med att de rätta skikten överlappas i rätt projektion; fel koordinatsystem fördomar systematiskt områden och avstånd.
När du tolkar en fjärranalysbild måste du särskilja tre typer av upplösning:
Upplösningstyp
Vad säger det?
exempel
begränsning
rumslig
Storleken på en pixel på marken
10m, 30m
Små objekt förblir underpixlar
spektral
Hur många och vilket våglängdsband?
Röd, NIR, SWIR
Less band = less discrimination power
tidsmässigt
Hur ofta samma plats ses
5 dagar, 16 dagar
Dataförlust på molniga dagar
Radiometrisk
Luminanskänslighet (bitdjup)
8-bitars, 12-bitars
Lågt djup = dålig diskriminering
NDVI: formel och tolkning
Det vanligaste indexet för att mäta vegetationens vitalitet är NDVI (Normalized Difference Vegetation Index). En frisk växt reflekterar starkt nära infrarött (NIR) och absorberar rött (RÖTT):
NDVI = (NIR − RÖD) / (NIR + RÖD)Värdeområde: −1 ... +1 < 0 : vatten, snö, moln 0,0 - 0,2 : bar jord, sten, bebyggd yta 0,2 - 0,5 : gles/örtartig vegetation, stressad täckning 0,5 - 0,9 : frisk grön täcke
# NDVI av ett litet provblock av pixlar importerar numpy som npnir = np.array([[0.42, 0.38], [0.11, 0.45]]) # nära infraröd reflektansred = np.array([[0.06, 0.09], [0.10, 0.05 rödstyrka]ndvi) (nir rödstyrka]ndvi) red)print(np.round(ndvi, 2))# [[0.75 0.62]# [0.05 0.80]]# Nedre vänstra pixel (0.05): inte en växt — kan vara barmark eller vatten/skugga
Tips: NDVI är inte ett absolut mått på "hälsa" utan en tillståndsberoende indikator. När du jämför två daterade NDVI från samma område, se till att bilderna togs under liknande årstider, liknande solvinklar och molnfria förhållanden. Att jämföra sensommarens utseende med våren ger en overklig "växtförlust".
Ändringsanalys (ändringsdetektering)
Det enkla sättet att hitta skillnaden mellan två datum är att ta NDVI-skillnaden, men denna skillnad är bara meningsfull om bilderna kan jämföras.
ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0 : täckningsförlust möjlig (torkning, skärning, konstruktion) ΔNDVI ≈ 0 : ingen förändring ΔNDVI >> 0 : täckökning möjlig (grönning, restaurering) OBSERVERA: Skillnaden kan återspegla säsongs-/aktuella förändringar/kalibrationer. Skillnad = verklig förändring + brus.
Varning: Moln, molnskugga och säsongsvariationer är de största negativa faktorerna för förändringsanalys. Området under en molnskugga ger låg NDVI och ser ut som "vegetationsförlust". När LLM utför bildtolkning kan modellen missta dessa artefakter för den verkliga händelsen. Se till att kontrollera bildens metadata (datum, molnprocent, solvinkel).
Indextolkning och kartberättelse med AI
LLM är användbart för att översätta numeriska indexsammanfattningar till enklare berättelser och producera utkast till rapporter. Ge den rå NDVI-statistik och metadata och be den generera kommentaren för dig att verifiera.
SVAG PROMPT: "Har våtmarken blivit mindre på den här satellitbilden?" STARK UPPMÄRKNING: "Jag ger två daterade NDVI-statistik (samma område, samma sensor): 2020-07-15 avg NDVI=0,61 moln=3% solvinkel=58°2025-07-12 avg NDVI=0,42 moln=22% solvinkel=55°Area av intresse: lakeshore shore. ΔNDVI och ange möjliga tolkningar.2) Ange vilka orsaker (moln, skugga, vattennivå, årstid, kalibrering) denna nedgång kan bero på (moln, skugga, vattennivå, årstid, kalibrering) ANNAT ÄN AKTUELL täckningsförlust.3) För varje möjlig orsak, föreslå ett VERIFIKATIONssteg för att särskilja det (t.ex. registrering av fältbesök, vattennivå 4) val av vattennivå. krympt med X%' INSTÄLL INTE att detta bara kan sägas om grundsanningen bekräftar det."
Den starka uppmaningen leder modellen inte till en enda definitiv slutsats utan till en plan med alternativa förklaringar och verifiering. Att 2025 års bild innehåller 22 % moln gör nedgången misstänksam i sig.
Grund sanningsverifiering
Guldstandarden för fjärranalystolkning är verifieringspunkter med observationer och mätningar gjorda i fält. Du registrerar själva marktäcket med GPS vid flera referenspunkter och jämför med bildklassificeringen. Om fältet säger "torra vass" i pixeln där AI eller algoritmen säger "vatten", är klassificeringen opålitlig.
minifodral
I miljöpåverkansövervakning av en gruvplats utarbetade teamet "15 hektar skogsförlust på grund av gruvaktivitet" baserat på NDVI-reduktionen beräknad från satellitbilden och fick tolkningen utökad till en LLM; modellen producerade en flytande, övertygande berättelse. Men när rapporten kontrollerades av teamet på fältet såg man att en del av området med låg NDVI faktiskt var ett skördat jordbruksskifte och en del av det var en molnskugga som sammanföll med dagen för bildtagningen. Den faktiska skogsförlusten var cirka 4 hektar, inte 15. Om metadata (molnmask) och markanvändningsskiktet hade kontrollerats i förväg hade felet förhindrats i första hand. LLM:s snygga meningar gjorde inte fel inmatning rätt.
Vanliga misstag
- Jämför olika säsongs-/solvinkelbilder och missförstå säsongsskillnaden med "förändring".
- Tolka moln och molnskugga som faktisk täckförlust; förbi molnmask.
- Göra exakta bedömningar från pixeldata om små objekt som överskrider rumslig upplösning.
- Felberäkning av ytor och avstånd på grund av koordinatsystem/projektionsfel.
- Tänker att NDVI är ett absolut mått på hälsa och behandlar vatten och skuggpixlar som om de vore växter.
- Att sätta LLM:s flytande kartberättelse i rapporten som ett slutgiltigt fynd utan grundsanning.
- Rapportera resultat utan att dokumentera metadata (datum, sensor, moln %, bearbetningsnivå).
Sammanfattningsvis
- GIS-analyser är uppbyggda på lager som är anpassade i ett gemensamt koordinatsystem; Projektionsfel förvränger resultatet.
- Spatial, spektral, temporal och radiometrisk upplösning begränsar vad en bild kan visa.
- NDVI = (NIR−RED)/(NIR+RED) är en villkorad indikator på växtkraft, inte ett absolut mått på hälsa.
- I förändringsanalys är skillnad = sann förändring + brus; Moln, skugga och årstid är de största bedragarna.
- LLM producerar indextolkningen och kartberättelsen, men "ser" inte satellitbilden; Kommentarer enligt numret du anger.
- AI-tolkning och automatisk klassificering kan inte översättas till slutgiltiga miljöfynd utan verifiering med grundsanning och metadata.
Applikationsuppgift
Skapa eller anta två daterade NDVI-sammanfattningar för ett fält (antingen av ditt val eller ett prov); Notera metadata (datum, molnprocent, solvinkel, sensor) för varje datum. Beräkna ΔNDVI. Skriv en stark uppmaning och låt LLM inte bara be om själva omslagets byte, utan om alternativa förklaringar (moln, skugga, årstid, vattennivå, kalibrering) och ett verifieringssteg för varje. Utarbeta sedan en "ground truth verification plan": minst tre referenspunkter, vad som kommer att mätas i fält och hur det kommer att jämföras med bildtolkningen. Markera slutligen vilket påstående i berättelsen som producerats av LLM som "kan inte inkluderas i rapporten utan verifiering" och skriv orsaken.