Kipengele cha Kuhisi kwa Mbali na Uainishaji wa Picha za Setilaiti

Faida:

• Uwezo wa kueleza jinsi data ya satelaiti nyingi, michanganyiko ya bendi na fahirisi za spectral (NDVI n.k.) zinatumiwa na AI.
• Uwezo wa kusanidi uainishaji unaosimamiwa / usiosimamiwa na utiririshaji wa ramani ya kifuniko cha ardhi kwa msaada wa AI
• Uwezo wa kujaribu matokeo ya uainishaji na ukweli wa msingi na vigezo vya makosa ya matrix/usahihi

Kuhisi kwa mbali ni sayansi ya kupima uso wa dunia bila kugusa kimwili, kwa kutumia vihisi kwenye setilaiti au majukwaa ya angani. Picha ya satelaiti sio picha, lakini mkusanyiko wa tabaka za vipimo vilivyorekodiwa kwa urefu wa mawimbi mengi, na kwa kuchanganya kwa akili tabaka hizi, kifuniko cha ardhi (msitu, maji, kilimo, ujenzi) kinaweza kuchorwa. Katika kitengo hiki, tunashughulikia jinsi akili bandia inavyoharakisha utiririshaji huu wa kazi, kutoka kwa data ya watazamaji anuwai hadi uainishaji wa jalada la ardhi, na ambapo uamuzi wa kitaalamu ni muhimu. Kanuni: AI inazalisha au kuweka uainishaji; Usahihi wa ramani hupimwa katika mhandisi kwa ukweli huru wa msingi na matrix ya makosa.

Masharti ya msingi. Picha ya multispectral ni moja iliyorekodiwa katika bendi kadhaa za urefu wa wimbi (bluu, kijani, nyekundu, karibu na infrared, nk); kila bendi ni safu. Hyperspectral ni tajiri zaidi lakini ni ngumu kuchakata data, iliyo na makumi hadi mamia ya bendi nyembamba. Kielezo cha Spectral ni nambari inayoangazia jambo kupitia mchanganyiko wa kihesabu wa bendi; inayojulikana zaidi, NDVI (Kielezo cha Uoto wa Kawaida wa Kawaida), hupima nguvu ya mimea ya kijani kwa kutumia tofauti kati ya infrared iliyo karibu na bendi nyekundu. Uainishaji unaosimamiwa unahusisha kufunza modeli kwa maeneo ya sampuli yaliyowekwa lebo na kuainisha picha nzima. Uainishaji usiosimamiwa ni kuunganisha data kulingana na ufanano bila lebo na kuifasiri baadaye.

Jukumu la AI katika Kuhisi kwa Mbali

Akili ya Bandia inachangia katika uwanja huu katika viwango vitatu:

1. Mtiririko wa kazi na uteuzi wa mbinu. "Ni bendi gani, ni index gani, ni classifier gani zinafaa kwa swali hili?" kukuongoza katika uamuzi wako; inazalisha mifupa ya kanuni.
2. Uainishaji yenyewe. Miundo ya kisasa ya kujifunza kwa kina hupanga mamilioni ya saizi katika madarasa ya ardhi; Hili ni eneo la mchango wa kiwango cha juu ambapo AI hufanya kazi halisi.
3. Ufafanuzi wa matokeo na kuripoti. Hunakili takwimu za darasa, uchambuzi wa mabadiliko na ripoti ya usahihi katika maandishi yanayosomeka.

Mahali pa upofu: mfano unategemea data ambayo imefunzwa na mifano unayotoa. Kivuli cha mawingu na maji, udongo tupu na shamba la baada ya kuvuna, maji ya kina kifupi na ardhi yenye unyevu huchanganyika kwa urahisi. Kwa hivyo ramani ya uainishaji sio kweli kwa sababu tu inaonekana nzuri; usahihi lazima upimwe.

Kidokezo: Bainisha swali lako kabla ya kuanza kuainisha. "Orodhesha kifuniko cha ardhi" haijulikani; "Ramani ya upotevu wa ardhi ya kilimo kwa ajili ya ujenzi kati ya 2020-2025" huamua seti ya darasa na kigezo cha uthibitishaji.

Hatua kwa Hatua: Uainishaji wa Jalada la Ardhi

1. Andaa data na kanda. Thibitisha kifuniko cha wingu cha picha, tarehe ya kupigwa risasi, ubora (saizi ya pikseli) na mpangilio wa bendi. Madarasa ya mabadiliko ya tarehe/msimu tofauti.
2. Fafanua seti ya darasa. Ni madarasa ngapi, yapi (maji, msitu, kilimo, ujenzi, ardhi tupu)? Madarasa machache na ya kutofautisha zaidi yanaaminika zaidi.
3. Kuhesabu fahirisi. Fahirisi kama vile NDVI (mmea), NDWI (maji) hutofautisha madarasa; inakuwa pembejeo kwa kiainishaji.
4. Kusanya sampuli za mafunzo (kwa kusimamiwa). Sampuli za poligoni zilizothibitishwa na uthibitishaji wa ardhi kwa kila darasa. Ubora wa sampuli huamua usahihi.
5. Kuainisha na kuthibitisha. Funza muundo, kisha uunde matrix ya makosa na sampuli huru (zisizofunzwa) na ukokote usahihi wa jumla na Kappa.

Ukweli wa Msingi na Matrix ya Makosa

Usahihi wa uainishaji haupimwi kwa uamuzi wa macho. Ukweli wa msingi ni sampuli huru za tabaka la kweli linalojulikana katika uwanja au katika chanzo cha kuaminika cha msongo wa juu. Kwa mifano hii, matrix ya machafuko imeanzishwa: inahesabiwa mara ngapi kila darasa ni sahihi na ni mara ngapi inachanganyikiwa na darasa gani. Kutokana na hili, usahihi wa jumla (idadi iliyoainishwa kwa usahihi) na Kappa (kipimo cha makubaliano ambacho husahihisha athari za bahati nasibu) hukokotwa. Kwa kuongezea, usahihi wa mzalishaji (ni kiasi gani kilipatikana katika darasa hilo) na usahihi wa mtumiaji (tabaka hilo linategemewa kiasi gani) huripotiwa kwa misingi ya darasa.

Tahadhari: Usipime usahihi kwa mifano unayotumia kwa mafunzo. Ikiwa mifano hiyo hiyo itafunza na kujaribu, usahihi unakuwa wa juu sana; Huu ni udanganyifu. Sampuli za uthibitishaji lazima ziwe huru.

Kesi Tatu Ndogo: Kwa Nambari

Kesi ya 1 - Kivuli cha wingu kilichukuliwa kimakosa kuwa maji. Katika uainishaji mmoja, wakati modeli ilipoandika vivuli vya mawingu kama "maji," eneo la ziwa lilikua mahali ambapo haikuwa; usahihi wa watumiaji wa darasa la maji umeshuka hadi 70%. Wakati faharasa ya NDWI na kinyago cha wingu viliongezwa, mwingiliano wa kivuli/maji ulipungua na usahihi wa maji uliongezeka hadi zaidi ya 90%.

Kesi ya 2 - Ripoti iliyopatikana kwa ukweli wa msingi. Utafiti wa hesabu za kilimo uliripoti usahihi wa jumla wa 82% wa uainishaji wa awali, lakini hii ilipimwa kwa sampuli za mafunzo. Ilipopimwa upya kwa pointi 120 za ukweli wa msingi, usahihi halisi wa jumla ulikuwa 71%; Kilimo na ardhi tupu ziliingilia sana. Kwa mifano ya ziada ya mafunzo, uainishaji uliboreshwa na usahihi uliongezeka hadi 84%. Somo: usahihi hupimwa kwa sampuli huru.

Kesi ya 3 - Mtego wa msimu. Wakati picha zilizopigwa kwa tarehe mbili tofauti (majira ya masika na majira ya joto mwishoni) zilipochanganywa pamoja, mashamba yaliyovunwa yalihamishiwa kwenye tabaka la "ardhi tupu" na eneo la kilimo lilionekana kukosa 15%. Matokeo yaliboreshwa picha zilipochaguliwa kutoka msimu ule ule na uthabiti wa feniolojia ukapatikana.

Uhamasishaji dhaifu / Uhamasishaji Wenye Nguvu

Agizo dhaifu:

Panga picha hii ya setilaiti.

Agizo lenye nguvu:

Kazi: tengeneza mtiririko wa uainishaji wa eneo la ardhi (ikiwa ni pamoja na Python/rasterio + skeleton ya msimbo wa kujifunza scikit). Muktadha:- Kihisi: Mikanda 4 (bluu, kijani kibichi, nyekundu, NIR), azimio la mita 10- Madarasa: maji, msitu, kilimo, ujenzi, ardhi_kusudi- Kusudi: ramani ya sasa ya jalada la ardhi + ripoti ya usahihi: Ripoti ya usahihi: 1 WINDOngeza ombi lipi (WINDRequest) na kwa nini uandike.2) Orodhesha hatua za uainishaji zinazosimamiwa; Sisitiza kwamba sampuli za mafunzo na UTHIBITISHO zinapaswa kuwa TENGWA.3) Weka matriki ya makosa + usahihi wa jumla + hesabu ya Kappa kwenye kiunzi cha msimbo.4) Kumbuka hatari za kuchanganyikiwa kwa wingu/kivuli na msimu.

Kidokezo kikuu kinabainisha seti ya darasa, azimio, mantiki ya faharasa, na tofauti ya uthibitishaji; pato huwa linapimika.

Violezo Vinne Vinakiliwa

1) Njia / uteuzi wa faharisi:

Je, ni faharasa gani ya taswira na mbinu ya uainishaji unayoweza kupendekeza kwa lengo [lengwa] na kitambuzi [bendi/azimio]? Kwa kila chaguo, andika sababu na hatari inayowezekana ya kuchanganyikiwa (ambayo madarasa yanafanana).

2) Mifupa ya kanuni ya uainishaji:

Andika mfumo wa uainishaji unaosimamiwa na Rasterio + scikit-learn: usomaji wa tepu, ukokotoaji wa faharasa, UTENGANISHO wa sampuli za mafunzo/uthibitishaji, uainishaji, matrix ya makosa na matokeo ya usahihi. Kudumisha CRS; kueleza.

3) Usanidi wa tathmini ya usahihi:

Andika mpango wa kutathmini usahihi wa uainishaji: muundo huru wa sampuli ya ukweli, matrix ya makosa, usahihi wa jumla, Kappa, usahihi wa mzalishaji/mtumiaji kulingana na darasa. Eleza kile ambacho kila kipimo kinasema.

4) Utambuzi wa usumbufu:

Tafsiri matrix ya makosa hapa chini: ni madarasa gani yanaingiliana, ni nini sababu inayowezekana ya spectral/msimu, ni data gani ya ziada (index, mask, tarehe) ingepunguza machafuko? Matrix: [matrix ya makosa]

Ulinganisho wa Dhana za Uainishaji

dhana

Maana

lini

kusimamiwa

Mafunzo na mfano ulioandikwa

Madarasa yamepangwa mapema

Bila kusimamiwa

Mkusanyiko usio na lebo

Ugunduzi, hakuna mifano

NDVI

index vitality ya mimea

Mgawanyiko wa mmea/wazi/maji

NDWI

index ya maji

kujitenga kwa mwili wa maji

Matrix ya makosa

Hesabu ya kweli / uwongo

kipimo cha usahihi

kappa

Nafasi iliyosahihishwa

Ripoti ya kawaida ya usahihi

Makosa ya kawaida

• Kupima usahihi na mifano ya mafunzo. Jaribio lisilo la kujitegemea hutoa usahihi wa juu wa bandia.
• Kukabidhi ramani bila kupima usahihi. "Inaonekana nzuri" sio uthibitisho wa usahihi.
• Kuruka kinyago cha wingu/kivuli. Kivuli huchanganyika na maji, wingu huchanganyika na theluji/muundo.
• Kuchanganya picha tofauti za msimu/tarehe. Tofauti za kifenolojia hubadilisha madarasa.
• Kufafanua madarasa mengi sana na sawa. Madarasa yasiyotambulika hupunguza usahihi.
• Kupuuza azimio. Vitu vidogo haviwezi kuainishwa ikiwa ni ndogo kuliko pikseli moja.

Kwa muhtasari

Katika utambuzi wa mbali, AI huharakisha utiririshaji kazi kutoka kwa data ya watazamaji anuwai hadi uchoraji wa ramani ya jalada na inaweza kuchukua sehemu kubwa ya uainishaji. Lakini ramani ya uainishaji ni muhimu tu ikiwa usahihi wake unapimwa: ni kawaida kuunda matrix ya makosa na sampuli za ukweli wa msingi na kukokotoa usahihi wa jumla na Kappa. Wingu/kivuli, tofauti za msimu, na madarasa sawa ni vyanzo vya kawaida vya kuingiliwa; Zidhibiti kwa faharasa, barakoa na uwiano wa tarehe. Usichanganye kamwe sampuli za mafunzo na uthibitishaji.

Jukumu la maombi

Chagua swali la jalada la ardhi (k.m. "ramani ya nafasi ya kijani kibichi ya mijini"). Andika seti ya darasa, bendi na fahirisi utakazotumia (angalau NDVI). Je, AI itoe mtiririko wa uainishaji unaosimamiwa; hakikisha kuwa sampuli za mafunzo na uthibitishaji ni tofauti na matrix ya makosa + hesabu ya Kappa imejumuishwa kwenye matokeo. Kisha fanya orodha ya "hatari ya kuchanganyikiwa": ni madarasa gani mawili yanafanana na jinsi unavyowatenganisha.

orodha ya ukaguzi

• [ ] Niliweka darasa dogo na la kutofautisha.
• [ ] Niliongeza fahirisi za spectral (NDVI/NDWI) zinazofaa kwa madhumuni hayo.
• [ ] Nilitenganisha mifano ya mafunzo na uthibitishaji.
• [ ] Niliangalia kinyago cha wingu/kivuli na uthabiti wa msimu.
• [ ] Nilipima usahihi kwa ukweli huru wa msingi.
• [ ] Niliripoti matrix ya makosa, usahihi wa jumla, na Kappa.
• [ ] Niligundua na kutibu michanganyiko ya darasa.
• [ ] Nimeidhinisha na mhandisi kwamba ramani ni sahihi kwa matumizi yake yaliyokusudiwa.