புவியியல் மற்றும் தொலை உணர்வு தரவு விளக்கம்

ஆதாயங்கள்:

• ஜிஐஎஸ் அடுக்குகள், என்டிவிஐ மற்றும் ரிமோட் சென்சிங் பேண்ட்/ரெசல்யூஷன் கருத்துகளை விளக்குவதற்கான திறன்
• AI உடன் குறியீட்டு விளக்கம், மாற்ற பகுப்பாய்வு மற்றும் வரைபட விவரிப்பு வரைவு
• AI இன் செயற்கைக்கோள்/வரைபட விளக்கத்தை அடிப்படை உண்மை மற்றும் மெட்டாடேட்டா மூலம் சரிபார்க்கும் திறன்

நீங்கள் சதுப்பு நில பாதுகாப்பு திட்டத்தில் பணிபுரியும் சுற்றுச்சூழல் பொறியாளர். கடந்த ஐந்து ஆண்டுகளாக ஏரிக்கரை நாணல் படுகை சுருங்கிவிட்டதாக எழுந்த புகார்களை நீங்கள் விசாரிக்க வேண்டும் என்று கவுன்சில் விரும்புகிறது. களத்திற்குச் செல்வதற்கு முன், உங்கள் மேசையில் ஒரு பூர்வாங்க மதிப்பீட்டைச் செய்ய வேண்டும்: உங்களிடம் இரண்டு வெவ்வேறு ஆண்டுகளின் செயற்கைக்கோள் படங்கள், ஒரு ஜிஐஎஸ் (புவியியல் தகவல் அமைப்பு) திட்டம் மற்றும் ஒரு மொழி மாதிரி. நீங்கள் LLM ஆனது படங்களின் NDVI சுருக்கத்தை விளக்கி, மாற்றக் கதையின் வரைவை எழுதலாம். இருப்பினும், ஒரு செயற்கைக்கோள் பிக்சல் என்பது 10-மீட்டர் சதுரத்தை குறிக்கிறது, மேலும் அந்த சதுக்கத்தில் மேக நிழல், உலர்த்தும் நாணல் அல்லது பருவகால நீர் மட்டம் உள்ளதா என்பதை மட்டுமே நீங்கள் புரிந்து கொள்ள முடியும். இந்த யூனிட்டில், ரிமோட் சென்சிங் மற்றும் GIS, AI உடன் குறியீட்டு/மாற்றம் விளக்கம் மற்றும் மிக முக்கியமாக, இந்த விளக்கத்தின் வரம்புகள் ஆகியவற்றை நாங்கள் உள்ளடக்குகிறோம்.

GIS லேயர் லாஜிக் மற்றும் ரிமோட் சென்சிங் அடிப்படைகள்

ஜிஐஎஸ் புவியியல் தரவை ஒன்றுடன் ஒன்று அடுக்குகளாக ஒழுங்கமைக்கிறது: ஒவ்வொரு அடுக்கும் ஒரு கருப்பொருளைக் கொண்டுள்ளது (நிலப் பயன்பாடு, நீர்நிலைகள், உயரம், சாலைகள்) மற்றும் பொதுவான ஒருங்கிணைப்பு அமைப்பில் சீரமைக்கப்படுகிறது. சரியான ப்ரொஜெக்ஷனில் சரியான அடுக்குகளை ஒன்றுடன் ஒன்று சேர்த்து ஒரு பகுப்பாய்வு தொடங்குகிறது; தவறான ஒருங்கிணைப்பு அமைப்பு முறையாக பகுதிகள் மற்றும் தூரங்களைச் சாய்க்கிறது.

ரிமோட் சென்சிங் படத்தை விளக்கும் போது, நீங்கள் மூன்று வகையான தெளிவுத்திறனை வேறுபடுத்த வேண்டும்:

தீர்மானம் வகை

அது என்ன சொல்கிறது?

உதாரணம்

வரம்பு

இடஞ்சார்ந்த

தரையில் ஒரு பிக்சல் அளவு

10 மீ, 30 மீ

சிறிய பொருள்கள் துணை பிக்சலாக இருக்கும்

நிறமாலை

எத்தனை மற்றும் எந்த அலைநீள இசைக்குழு?

சிவப்பு, NIR, SWIR

குறைவான இசைக்குழு = குறைவான பாகுபாடு சக்தி

தற்காலிகமான

ஒரே இடம் எத்தனை முறை பார்க்கப்படுகிறது

5 நாட்கள், 16 நாட்கள்

மேகமூட்டமான நாட்களில் தரவு இழப்பு

ரேடியோமெட்ரிக்

ஒளிர்வு உணர்திறன் (பிட் ஆழம்)

8-பிட், 12-பிட்

குறைந்த ஆழம் = மோசமான பாகுபாடு

NDVI: சூத்திரம் மற்றும் விளக்கம்

தாவரங்களின் உயிர்ச்சக்தியை அளவிடும் மிகவும் பொதுவான குறியீடானது NDVI (இயல்பான வேறுபாடு தாவர அட்டவணை). ஒரு ஆரோக்கியமான தாவரமானது அகச்சிவப்புக்கு அருகில் (NIR) வலுவாக பிரதிபலிக்கிறது மற்றும் சிவப்பு நிறத்தை (RED) உறிஞ்சுகிறது:

NDVI = (NIR - RED) / (NIR + RED)மதிப்பு வரம்பு: −1 ... +1 < 0 : நீர், பனி, மேகம் 0.0 - 0.2 : வெற்று மண், பாறை, கட்டப்பட்ட பகுதி 0.2 - 0.5 : சிதறிய/மூலிகை தாவரங்கள், அழுத்தமான கவர் 0.5 - 0.5 - 0.

பிக்சல்களின் சிறிய மாதிரித் தொகுதியின் # NDVI, npnir = np.array ([[0.42, 0.38], [0.11, 0.45]]) # அகச்சிவப்புப் பிரதிபலிப்புக்கு அருகில் = np.array ([[0.06, 0.09], np.array ([[0.06, 0.09]], [0.15] nd) = 0.15] சிவப்பு) / (nir + red)print(np.round(ndvi, 2))# [[0.75 0.62]# [0.05 0.80] # கீழே-இடது பிக்சல் (0.05): தாவரம் அல்ல - வெற்று நிலம் அல்லது நீர்/நிழலாக இருக்கலாம்

உதவிக்குறிப்பு: NDVI என்பது "உடல்நலம்" என்பதன் முழுமையான அளவீடு அல்ல, ஆனால் நிபந்தனை சார்ந்த குறிகாட்டியாகும். ஒரே பகுதியின் இரண்டு தேதியிட்ட NDVIகளை ஒப்பிடும் போது, ​​படங்கள் ஒரே மாதிரியான பருவங்கள், ஒரே மாதிரியான சூரியக் கோணங்கள் மற்றும் மேகங்கள் இல்லாத நிலைகளில் எடுக்கப்பட்டவை என்பதை உறுதிப்படுத்தவும். கோடையின் பிற்பகுதியின் தோற்றத்தை வசந்த காலத்துடன் ஒப்பிடுவது உண்மையற்ற "தாவர இழப்பை" உருவாக்குகிறது.

பகுப்பாய்வை மாற்றவும் (மாற்று கண்டறிதல்)

இரண்டு தேதிகளுக்கு இடையே உள்ள வேறுபாட்டைக் கண்டறிய எளிய வழி NDVI வேறுபாட்டை எடுப்பதாகும், ஆனால் படங்களை ஒப்பிட முடிந்தால் மட்டுமே இந்த வேறுபாடு அர்த்தமுள்ளதாக இருக்கும்.

ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0 : கவர் இழப்பு சாத்தியம் (உலர்த்துதல், வெட்டுதல், கட்டுமானம்) ΔNDVI ≈ 0 : எந்த மாற்றமும் இல்லை ΔNDVI >> 0 : கவர் அதிகரிப்பு சாத்தியம் (பசுமைப்படுத்துதல், மறுசீரமைப்பு) 0 வேறுபாடு = உண்மையான மாற்றம் + சத்தம்.

எச்சரிக்கை: மேகம், மேக நிழல் மற்றும் பருவநிலை ஆகியவை மாற்ற பகுப்பாய்வின் மிகப்பெரிய எதிர்ப்பாளர்கள். மேக நிழலின் கீழ் உள்ள பகுதி குறைந்த NDVI ஐ தருகிறது மற்றும் "தாவர இழப்பு" போல் தெரிகிறது. LLM பட விளக்கத்தை மேற்கொள்ளும் போது, ​​மாடல் இந்த கலைப்பொருட்களை உண்மையான நிகழ்வாக தவறாக நினைக்கலாம். படத்தின் மெட்டாடேட்டாவை (தேதி, மேகத்தின் சதவீதம், சூரிய கோணம்) சரிபார்க்கவும்.

AI உடன் குறியீட்டு விளக்கம் மற்றும் வரைபட விவரிப்பு

எண் குறியீட்டுச் சுருக்கங்களை எளிய கதைகளாக மொழிபெயர்ப்பதற்கும் வரைவு அறிக்கைகளை உருவாக்குவதற்கும் LLM பயனுள்ளதாக இருக்கும். அதற்கு மூல NDVI புள்ளிவிவரங்கள் மற்றும் மெட்டாடேட்டாவைக் கொடுத்து, நீங்கள் சரிபார்க்கும் கருத்தை உருவாக்கும்படி கேட்கவும்.

பலவீனமான அறிவுறுத்தல்: "இந்த செயற்கைக்கோள் படத்தில் ஈரநிலம் சிறியதாகிவிட்டதா?" வலுவான அறிவுறுத்தல்: "நான் இரண்டு தேதியிட்ட NDVI புள்ளிவிவரங்களைத் தருகிறேன் (அதே பகுதி, அதே சென்சார்): 2020-07-15 சராசரி NDVI=0.61 மேகம்=3% சூரியக் கோணம்=58°2025-07-12 சராசரி NDVI=0.42 மேகம்=22% சூரியக் கோணம்=55°0. நீங்கள் ஆர்வமுள்ள ஏரி, கடற்கரை 4 அவர்: பணி:1) ΔNDVI கணக்கிட்டு, சாத்தியமான விளக்கங்களை பட்டியலிடவும்.2) இந்த சரிவு என்ன காரணங்களால் (மேகம், நிழல், நீர் நிலை, பருவம், அளவுத்திருத்தம்) காரணமாக இருக்கலாம் என்று பட்டியலிடுங்கள் (மேகம், நிழல், நீர் நிலை, பருவம், அளவுத்திருத்தம்) உண்மையான கவர் இழப்பை விட. துல்லியமான கூற்று 'ரீட்பெட் X% ஆகிவிட்டது' அமைக்க வேண்டாம் என்று நில உண்மை உறுதிப்படுத்தினால் மட்டுமே கூற முடியும்.

வலுவான தூண்டுதல் மாதிரியை ஒரு உறுதியான முடிவுக்கு அல்ல, மாறாக மாற்று விளக்கங்கள் மற்றும் சரிபார்ப்புக்கான திட்டத்திற்கு வழிநடத்துகிறது. 2025 படத்தில் 22% மேகங்கள் இருப்பது சரிவை சந்தேகத்திற்குரியதாக்குகிறது.

அடிப்படை உண்மை சரிபார்ப்பு

ரிமோட் சென்சிங் விளக்கத்தின் தங்கத் தரநிலை என்பது புலத்தில் செய்யப்பட்ட அவதானிப்புகள் மற்றும் அளவீடுகளுடன் சரிபார்ப்பு புள்ளிகள் ஆகும். உண்மையான நிலப்பரப்பை ஜிபிஎஸ் மூலம் பல குறிப்பு புள்ளிகளில் பதிவு செய்து, பட வகைப்பாட்டுடன் ஒப்பிடுங்கள். புலம் பிக்சலில் "உலர்ந்த நாணல்" எனக் கூறினால், AI அல்லது அல்காரிதம் "நீர்" என்று கூறினால், வகைப்படுத்தல் நம்பகத்தன்மையற்றது.

சிறிய வழக்கு

ஒரு சுரங்கத் தளத்தின் சுற்றுச்சூழல் தாக்க கண்காணிப்பில், செயற்கைக்கோள் படத்திலிருந்து கணக்கிடப்பட்ட NDVI குறைப்பின் அடிப்படையில் "சுரங்க நடவடிக்கையால் 15 ஹெக்டேர் காடு இழப்பு" குழு உருவாக்கியது மற்றும் விளக்கத்தை LLM ஆக விரிவுபடுத்தியது; மாடல் ஒரு திரவ, வற்புறுத்தும் கதையை உருவாக்கியது. இருப்பினும், அந்த அறிக்கையை களத்தில் குழுவினர் சரிபார்த்தபோது, ​​NDVI குறைவாக உள்ள பகுதியின் ஒரு பகுதி உண்மையில் அறுவடை செய்யப்பட்ட விவசாயப் பொட்டலமாகவும், அதன் ஒரு பகுதி பட ஷூட்டிங் நாளுடன் ஒத்துப்போகும் மேக நிழலாகவும் இருந்தது. உண்மையான வன இழப்பு சுமார் 4 ஹெக்டேர், 15 அல்ல. மெட்டாடேட்டா (கிளவுட் மாஸ்க்) மற்றும் நில பயன்பாட்டு அடுக்கு ஆகியவற்றை முன்பே சரிபார்த்திருந்தால், முதலில் பிழை தடுக்கப்பட்டிருக்கும். LLM இன் நேர்த்தியான வாக்கியங்கள் தவறான உள்ளீட்டை சரியாக செய்யவில்லை.

பொதுவான தவறுகள்

• வெவ்வேறு பருவம்/சூரியன் கோணப் படங்களை ஒப்பிட்டு, பருவகால வேறுபாட்டை "மாற்றம்" என்று தவறாகப் புரிந்துகொள்வது.
• மேகம் மற்றும் மேக நிழலை உண்மையான மறைப்பு இழப்பாக விளக்குதல்; மேக முகமூடியைத் தவிர்க்கிறது.
• ஸ்பேஷியல் தெளிவுத்திறனைத் தாண்டிய சிறிய பொருள்களைப் பற்றிய பிக்சல் தரவிலிருந்து துல்லியமான தீர்ப்புகளை உருவாக்குதல்.
• ஒருங்கிணைப்பு அமைப்பு/திட்டமிடல் பொருத்தமின்மை காரணமாக பகுதிகள் மற்றும் தூரங்களை தவறாக கணக்கிடுதல்.
• NDVI என்பது ஆரோக்கியத்தின் ஒரு முழுமையான அளவீடு என்று நினைத்து, நீர் மற்றும் நிழல் பிக்சல்களை தாவரங்களைப் போல நடத்துவது.
• LLM இன் திரவ வரைபடக் கதையை அறிக்கையின் மூலம் அடிப்படை உண்மை இல்லாத இறுதிக் கண்டுபிடிப்பாக வைப்பது.
• மெட்டாடேட்டாவை ஆவணப்படுத்தாமல் முடிவுகளை அறிக்கையிடுதல் (தேதி, சென்சார், கிளவுட்%, செயலாக்க நிலை).

சுருக்கமாக

• GIS பகுப்பாய்வுகள் ஒரு பொதுவான ஒருங்கிணைப்பு அமைப்பில் சீரமைக்கப்பட்ட அடுக்குகளில் கட்டமைக்கப்படுகின்றன; கணிப்பு பிழை முடிவை சிதைக்கிறது.
• ஸ்பேஷியல், ஸ்பெக்ட்ரல், டெம்போரல் மற்றும் ரேடியோமெட்ரிக் ரெசல்யூஷன் ஒரு படம் காட்டக்கூடியதைக் கட்டுப்படுத்துகிறது.
• NDVI = (NIR−RED)/(NIR+RED) என்பது தாவர வீரியத்தின் ஒரு நிபந்தனை குறிகாட்டியாகும், ஆரோக்கியத்தின் முழுமையான அளவீடு அல்ல.
• மாற்றம் பகுப்பாய்வில், வேறுபாடு = உண்மை மாற்றம் + சத்தம்; மேகம், நிழல் மற்றும் பருவம் ஆகியவை மிகப்பெரிய ஏமாற்றுக்காரர்கள்.
• LLM குறியீட்டு விளக்கம் மற்றும் வரைபட விவரிப்பு அவுட்லைனை உருவாக்குகிறது, ஆனால் செயற்கைக்கோள் படத்தை "பார்க்கவில்லை"; நீங்கள் கொடுக்கும் எண்ணின் படி கருத்துகள்.
• நில உண்மை மற்றும் மெட்டாடேட்டாவுடன் சரிபார்ப்பு இல்லாமல் AI விளக்கம் மற்றும் தானியங்கி வகைப்பாடு இறுதி சுற்றுச்சூழல் கண்டுபிடிப்புகளாக மொழிபெயர்க்க முடியாது.

விண்ணப்ப பணி

ஒரு புலத்திற்கான இரண்டு தேதியிட்ட NDVI சுருக்கங்களை உருவாக்கவும் அல்லது கருதவும் (உங்கள் விருப்பம் அல்லது மாதிரி); ஒவ்வொரு தேதிக்கும் மெட்டாடேட்டாவை (தேதி, மேகம் சதவீதம், சூரிய கோணம், சென்சார்) கவனிக்கவும். ΔNDVI ஐக் கணக்கிடவும். ஒரு வலுவான வரியில் எழுதுங்கள் மற்றும் LLM ஆனது உண்மையான கவர் மாற்றத்திற்காக மட்டும் கேட்காமல், மாற்று விளக்கங்கள் (மேகம், நிழல், பருவம், நீர் நிலை, அளவுத்திருத்தம்) மற்றும் ஒவ்வொன்றிற்கும் ஒரு சரிபார்ப்பு படிகளையும் கேட்கவும். பின்னர் "நிலத்தடி உண்மை சரிபார்ப்புத் திட்டத்தை" வரைவு செய்யவும்: குறைந்தபட்சம் மூன்று குறிப்பு புள்ளிகள், புலத்தில் என்ன அளவிடப்படும் மற்றும் அது பட விளக்கத்துடன் எவ்வாறு ஒப்பிடப்படும். இறுதியாக, LLM ஆல் தயாரிக்கப்பட்ட கதையில் எந்த அறிக்கை "சரிபார்ப்பு இல்லாமல் அறிக்கையில் சேர்க்க முடியாது" என்பதைக் குறிக்கவும் மற்றும் காரணத்தை எழுதவும்.