ரிமோட் சென்சிங் மற்றும் செயற்கைக்கோள் பட வகைப்பாடு

ஆதாயங்கள்:

• மல்டிஸ்பெக்ட்ரல் செயற்கைக்கோள் தரவு, இசைக்குழு சேர்க்கைகள் மற்றும் நிறமாலை குறியீடுகள் (NDVI போன்றவை) AI உடன் எவ்வாறு பயன்படுத்தப்படுகின்றன என்பதை விளக்கும் திறன்
• AI ஆதரவுடன் மேற்பார்வையிடப்பட்ட/கண்காணிக்கப்படாத வகைப்பாடு மற்றும் நிலப்பரப்பு மேப்பிங் பணிப்பாய்வு ஆகியவற்றை உள்ளமைக்கும் திறன்
• அடிப்படை உண்மை மற்றும் பிழை அணி/துல்லிய அளவுகோல்களுடன் வகைப்படுத்தல் வெளியீட்டை சோதிக்கும் திறன்

ரிமோட் சென்சிங் என்பது பூமியின் மேற்பரப்பை உடல் தொடர்பு இல்லாமல், செயற்கைக்கோள்கள் அல்லது வான்வழி தளங்களில் சென்சார்கள் மூலம் அளவிடும் அறிவியல் ஆகும். செயற்கைக்கோள் படம் உண்மையில் ஒரு புகைப்படம் அல்ல, ஆனால் பல அலைநீளங்களில் பதிவுசெய்யப்பட்ட அளவீடுகளின் அடுக்குகளின் தொகுப்பாகும், மேலும் இந்த அடுக்குகளை புத்திசாலித்தனமாக இணைப்பதன் மூலம், நிலப்பரப்பை (காடு, நீர், விவசாயம், கட்டுமானம்) வரைபடமாக்க முடியும். மல்டிஸ்பெக்ட்ரல் தரவு முதல் நிலப்பரப்பு வகைப்பாடு வரை செயற்கை நுண்ணறிவு எவ்வாறு இந்த பணிப்பாய்வுகளை துரிதப்படுத்துகிறது மற்றும் நிபுணர்களின் தீர்ப்பு இன்றியமையாதது என்பதை இந்த பிரிவில் நாங்கள் விவரிக்கிறோம். கொள்கை: AI வகைப்பாட்டை உருவாக்குகிறது அல்லது குறியீடு செய்கிறது; வரைபடத்தின் துல்லியம் பொறியாளரில் சுயாதீன நில உண்மை மற்றும் பிழை அணி மூலம் அளவிடப்படுகிறது.

அடிப்படை விதிமுறைகள். மல்டிஸ்பெக்ட்ரல் படம் என்பது பல அலைநீளப் பட்டைகளில் (நீலம், பச்சை, சிவப்பு, அகச்சிவப்புக்கு அருகில், முதலியன) பதிவுசெய்யப்பட்ட படமாகும்; ஒவ்வொரு இசைக்குழுவும் ஒரு அடுக்கு. ஹைப்பர்ஸ்பெக்ட்ரல் மிகவும் பணக்காரமானது ஆனால் தரவைச் செயலாக்குவது கடினம், இதில் பத்து முதல் நூற்றுக்கணக்கான குறுகிய பட்டைகள் உள்ளன. ஸ்பெக்ட்ரல் இன்டெக்ஸ் என்பது பட்டைகளின் கணித கலவையின் மூலம் ஒரு நிகழ்வை முன்னிலைப்படுத்தும் எண்ணாகும்; மிகவும் நன்கு அறியப்பட்ட, NDVI (இயல்பாக்கப்பட்ட வேறுபாடு தாவர அட்டவணை), அருகிலுள்ள அகச்சிவப்பு மற்றும் சிவப்பு பட்டைக்கு இடையே உள்ள வித்தியாசத்தைப் பயன்படுத்தி பச்சை தாவர வீரியத்தை அளவிடுகிறது. மேற்பார்வையிடப்பட்ட வகைப்பாடு என்பது முன்-லேபிளிடப்பட்ட மாதிரிப் பகுதிகளுடன் மாதிரியைப் பயிற்றுவித்து முழுப் படத்தையும் வகைப்படுத்துவதையும் உள்ளடக்கியது. மேற்பார்வை செய்யப்படாத வகைப்பாடு என்பது லேபிள்கள் இல்லாமல் ஒற்றுமையின் அடிப்படையில் தரவைக் கிளஸ்டரிங் செய்து பின்னர் அதை விளக்குவதாகும்.

ரிமோட் சென்சிங்கில் AI இன் பங்கு

இந்த துறையில் செயற்கை நுண்ணறிவு மூன்று நிலைகளில் பங்களிக்கிறது:

1. பணிப்பாய்வு மற்றும் முறை தேர்வு. "இந்த கேள்விக்கு எந்த பட்டைகள், எந்த குறியீடு, எந்த வகைப்படுத்தி பொருத்தமானது?" உங்கள் முடிவில் உங்களை வழிநடத்துகிறது; குறியீடு எலும்புக்கூட்டை உருவாக்குகிறது.
2. வகைப்பாடு தானே. நவீன ஆழமான கற்றல் மாதிரிகள் மில்லியன் கணக்கான பிக்சல்களை லேண்ட் கவர் வகுப்புகளாக வரிசைப்படுத்துகின்றன; AI உண்மையான வேலையைச் செய்யும் நடுத்தர-உயர் பங்களிப்புப் பகுதி இதுவாகும்.
3. முடிவு விளக்கம் மற்றும் அறிக்கை. இது வகுப்பு புள்ளிவிவரங்கள், பகுப்பாய்வு மற்றும் துல்லிய அறிக்கையை படிக்கக்கூடிய உரையாக மாற்றுகிறது.

குருட்டுப் புள்ளி: மாதிரியானது அது பயிற்சியளிக்கப்பட்ட தரவு மற்றும் நீங்கள் வழங்கும் எடுத்துக்காட்டுகளைப் பொறுத்தது. மேக நிழல் மற்றும் நீர், வெற்று மண் மற்றும் அறுவடைக்கு பிந்தைய வயல், ஆழமற்ற நீர் மற்றும் ஈரமான நிலம் எளிதில் கலக்கின்றன. எனவே ஒரு வகைப்பாடு வரைபடம் அழகாக இருப்பதால் மட்டும் உண்மையல்ல; துல்லியம் அளவிடப்பட வேண்டும்.

உதவிக்குறிப்பு: நீங்கள் வகைப்படுத்தத் தொடங்கும் முன் உங்கள் கேள்வியைத் தெளிவுபடுத்தவும். "நிலப்பரப்பை வகைப்படுத்து" என்பது தெளிவற்றது; "2020-2025 க்கு இடையில் கட்டுமானத்திற்கு ஆதரவாக விவசாய நிலத்தின் இழப்பு வரைபடம்" வகுப்பு தொகுப்பு மற்றும் சரிபார்ப்பு அளவுகோல் இரண்டையும் தீர்மானிக்கிறது.

படி படி: ஒரு நில கவர் வகைப்பாடு

1. தரவு மற்றும் நாடாக்களை தயார் செய்யவும். படத்தின் கிளவுட் கவர், படப்பிடிப்பு தேதி, தெளிவுத்திறன் (பிக்சல் அளவு) மற்றும் பேண்ட் வரிசையை உறுதிப்படுத்தவும். வெவ்வேறு தேதி/சீசன் வகுப்புகளை மாற்றுகிறது.
2. வகுப்பு தொகுப்பை வரையறுக்கவும். எத்தனை வகுப்புகள், எவை (நீர், காடு, விவசாயம், கட்டுமானம், வெற்று நிலம்)? குறைவான மற்றும் வேறுபடுத்தக்கூடிய வகுப்புகள் மிகவும் நம்பகமானவை.
3. குறியீடுகளைக் கணக்கிடுங்கள். NDVI (ஆலை), NDWI (நீர்) போன்ற குறியீடுகள் வகுப்புகளை வேறுபடுத்துகின்றன; வகைப்படுத்திக்கு உள்ளீடு ஆகும்.
4. பயிற்சி மாதிரிகளை சேகரிக்கவும் (கண்காணிப்பதற்காக). ஒவ்வொரு வகுப்பிற்கும் நிலப்பரப்பு சரிபார்ப்பால் உறுதிப்படுத்தப்பட்ட மாதிரி பலகோணங்கள். மாதிரி தரம் துல்லியத்தை தீர்மானிக்கிறது.
5. வகைப்படுத்தி சரிபார்க்கவும். மாதிரியைப் பயிற்றுவிக்கவும், பின்னர் சுயாதீனமான (பயிற்சி பெறாத) மாதிரிகளுடன் பிழை மேட்ரிக்ஸை உருவாக்கவும் மற்றும் ஒட்டுமொத்த துல்லியம் மற்றும் கப்பாவை கணக்கிடவும்.

அடிப்படை உண்மை மற்றும் பிழை மேட்ரிக்ஸ்

ஒரு வகைப்பாட்டின் துல்லியம் கண் மதிப்பீட்டால் அளவிடப்படுவதில்லை. நில உண்மை என்பது புலத்தில் அல்லது நம்பகமான உயர் தெளிவுத்திறன் மூலத்தில் அறியப்பட்ட உண்மை வகுப்பின் சுயாதீன மாதிரிகள் ஆகும். இந்த எடுத்துக்காட்டுகளுடன், ஒரு குழப்ப மேட்ரிக்ஸ் நிறுவப்பட்டது: ஒவ்வொரு வகுப்பும் எத்தனை முறை சரியானது மற்றும் எந்த வகுப்பில் எத்தனை முறை குழப்பமடைகிறது என்பது கணக்கிடப்படுகிறது. இதிலிருந்து, ஒட்டுமொத்த துல்லியம் (சரியாக வகைப்படுத்தப்பட்ட விகிதம்) மற்றும் கப்பா (வாய்ப்பின் விளைவை சரிசெய்யும் ஒப்பந்தத்தின் அளவு) கணக்கிடப்படுகிறது. கூடுதலாக, தயாரிப்பாளர் துல்லியம் (அந்த வகுப்பில் எவ்வளவு பிடிக்கப்பட்டது) மற்றும் பயனர் துல்லியம் (அந்த வகுப்பு எவ்வளவு நம்பகமானது) ஆகியவை வகுப்பு அடிப்படையில் தெரிவிக்கப்படுகின்றன.

எச்சரிக்கை: பயிற்சிக்கு நீங்கள் பயன்படுத்தும் உதாரணங்களைக் கொண்டு துல்லியத்தை அளவிடாதீர்கள். அதே உதாரணங்கள் பயிற்சி மற்றும் சோதனை என்றால், துல்லியம் செயற்கையாக அதிகமாகிறது; இது ஒரு மாயை. சரிபார்ப்பு மாதிரிகள் சுயாதீனமாக இருக்க வேண்டும்.

மூன்று சிறிய வழக்குகள்: எண்கள் மூலம்

வழக்கு 1 — மேக நிழல் தண்ணீராக தவறாகக் கருதப்படுகிறது. ஒரு வகைப்பாட்டில், மேக நிழல்கள் "தண்ணீர்" என்று பெயரிடப்பட்ட மாதிரியின் போது, ​​ஏரி பகுதி உண்மையில் இல்லாத இடத்தில் வளர்ந்தது; நீர் வகுப்பின் பயனர் துல்லியம் 70% ஆகக் குறைந்தது. NDWI இன்டெக்ஸ் மற்றும் கிளவுட் மாஸ்க் சேர்க்கப்பட்டபோது, ​​நிழல்/நீர் குறுக்கீடு குறைந்து, நீர் துல்லியம் 90%க்கு மேல் அதிகரித்தது.

வழக்கு 2 - அடிப்படை உண்மை மூலம் அறிக்கை மீட்டெடுக்கப்பட்டது. ஒரு விவசாய சரக்கு ஆய்வு ஆரம்ப வகைப்பாட்டின் 82% ஒட்டுமொத்த துல்லியத்தை அறிவித்தது, ஆனால் இது பயிற்சி மாதிரிகள் மூலம் அளவிடப்பட்டது. 120 இன்டிபென்டென்ட் கிரவுண்ட் ட்ரூட் புள்ளிகளுடன் மறுஅளவிடப்பட்டபோது, ​​உண்மையான ஒட்டுமொத்த துல்லியம் 71%; விவசாயம் மற்றும் வெற்று நிலம் கடுமையாக தலையிடுகின்றன. கூடுதல் பயிற்சி எடுத்துக்காட்டுகளுடன், வகைப்பாடு மேம்படுத்தப்பட்டது மற்றும் துல்லியம் 84% ஆக அதிகரித்தது. பாடம்: துல்லியம் சுயாதீன மாதிரி மூலம் அளவிடப்படுகிறது.

வழக்கு 3 - பருவகால பொறி. இரண்டு வெவ்வேறு தேதிகளில் எடுக்கப்பட்ட படங்கள் (வசந்த காலம் மற்றும் கோடையின் பிற்பகுதி) ஒன்றாகக் கலக்கப்பட்டபோது, ​​அறுவடை செய்யப்பட்ட வயல்வெளிகள் "வெற்று நிலம்" வகுப்பிற்கு மாற்றப்பட்டன மற்றும் விவசாயப் பகுதி 15% காணவில்லை. அதே பருவத்திலிருந்து படங்கள் தேர்ந்தெடுக்கப்பட்டபோது முடிவுகள் மேம்பட்டன மற்றும் பினோலாஜிக்கல் நிலைத்தன்மை அடையப்பட்டது.

பலவீனமான ப்ராம்ட் / ஸ்ட்ராங் ப்ராம்ட்

பலவீனமான உடனடி:

இந்த செயற்கைக்கோள் படத்தை வகைப்படுத்தவும்.

சக்திவாய்ந்த தூண்டுதல்:

பணி: நிலப்பரப்பு வகைப்பாடு பணிப்பாய்வு (பைதான்/ராஸ்டீரியோ + ஸ்கிகிட்-லேர்ன் குறியீடு எலும்புக்கூடு உட்பட) உருவாக்கவும். சூழல்:- சென்சார்: 4 பட்டைகள் (நீலம், பச்சை, சிவப்பு, என்ஐஆர்), 10 மீ தெளிவுத்திறன்- வகுப்புகள்: நீர், காடு, விவசாயம், கட்டுமானம், வெற்று_நிலம்- நோக்கம்: தற்போதைய நில அட்டையின் வரைபடம் (NDVI, NDWI) சேர்க்க மற்றும் ஏன் எழுத வேண்டும்.2) கண்காணிக்கப்படும் வகைப்பாடு படிகளை பட்டியலிடுங்கள்; பயிற்சி மற்றும் சரிபார்ப்பு மாதிரிகள் தனித்தனியாக இருக்க வேண்டும் என்பதை வலியுறுத்தவும். 3) குறியீடு எலும்புக்கூட்டில் பிழை அணி + ஒட்டுமொத்த துல்லியம் + கப்பா கணக்கீடு ஆகியவற்றை வைக்கவும். 4) மேகம்/நிழல் மற்றும் சீசன் குழப்பத்தின் அபாயங்களைக் கவனியுங்கள்.

வலுவான வரியில் வகுப்பு தொகுப்பு, தீர்மானம், குறியீட்டு பகுத்தறிவு மற்றும் சரிபார்ப்பு வேறுபாட்டைக் குறிப்பிடுகிறது; வெளியீடு அளவிடக்கூடியதாகிறது.

நான்கு நகலெடுக்கக்கூடிய டெம்ப்ளேட்கள்

1) முறை/குறியீட்டு தேர்வு:

புறநிலை [இலக்கு] மற்றும் சென்சார் [பேண்டுகள்/தெளிவுத்திறன்] ஆகியவற்றிற்கு என்ன நிறமாலை குறியீடு மற்றும் வகைப்பாடு முறையைப் பரிந்துரைக்கிறீர்கள்? ஒவ்வொரு தேர்வுக்கும், பகுத்தறிவு மற்றும் குழப்பத்தின் சாத்தியமான அபாயத்தை எழுதுங்கள் (எந்த வகுப்புகள் ஒன்றுக்கொன்று ஒத்தவை).

2) வகைப்பாடு குறியீடு எலும்புக்கூடு:

Rasterio + scikit-learn உடன் மேற்பார்வையிடப்பட்ட வகைப்பாடு கட்டமைப்பை எழுதவும்: டேப் ரீடிங், இன்டெக்ஸ் கணக்கீடு, பயிற்சி/சரிபார்ப்பு மாதிரிகளின் பிரிப்பு, வகைப்பாடு, பிழை அணி மற்றும் துல்லிய வெளியீடு. CRS ஐ பராமரிக்கவும்; விளக்கவும்.

3) துல்லிய மதிப்பீட்டு அமைப்பு:

வகைப்படுத்தல் துல்லியத்தை மதிப்பிடுவதற்கு ஒரு திட்டத்தை எழுதுங்கள்: சுயாதீன நிலத்தடி மாதிரி வடிவமைப்பு, பிழை அணி, ஒட்டுமொத்த துல்லியம், கப்பா, வகுப்பின் அடிப்படையில் தயாரிப்பாளர்/பயனர் துல்லியம். ஒவ்வொரு மெட்ரிக் என்ன சொல்கிறது என்பதை விளக்குங்கள்.

4) குறுக்கீடு கண்டறிதல்:

கீழே உள்ள பிழை மேட்ரிக்ஸை விளக்கவும்: எந்த வகுப்புகள் ஒன்றுக்கொன்று குறுக்கிடுகின்றன, சாத்தியமான நிறமாலை/பருவகால காரணம் என்ன, என்ன கூடுதல் தரவு (குறியீடு, முகமூடி, தேதி) குழப்பத்தை குறைக்கும்? அணி: [பிழை அணி]

வகைப்பாடு கருத்துகளின் ஒப்பீடு

கருத்து

பொருள்

எப்போது

மேற்பார்வையிடப்பட்டது

பெயரிடப்பட்ட உதாரணத்துடன் பயிற்சி

வகுப்புகள் முன்னரே தீர்மானிக்கப்படுகின்றன

மேற்பார்வை செய்யப்படவில்லை

லேபிள் இல்லாத கிளஸ்டரிங்

கண்டுபிடிப்பு, உதாரணங்கள் இல்லை

என்.டி.வி.ஐ

தாவர உயிர்ச் சுட்டெண்

செடி/வெற்று/நீர் பிரிப்பு

NDWI

நீர் குறியீடு

நீர் உடல் பிரிப்பு

பிழை அணி

உண்மை/தவறு எண்ணிக்கை

துல்லிய அளவீடு

கப்பா

வாய்ப்பு-சரிசெய்யப்பட்ட பொருத்தம்

நிலையான துல்லிய அறிக்கை

பொதுவான தவறுகள்

• பயிற்சி எடுத்துக்காட்டுகளுடன் துல்லியத்தை அளவிடுதல். சுயாதீனமற்ற சோதனை செயற்கையாக அதிக துல்லியத்தை அளிக்கிறது.
• துல்லியத்தை அளவிடாமல் வரைபடத்தை ஒப்படைத்தல். "அழகாக இருக்கிறது" என்பது துல்லியத்திற்கான ஆதாரம் அல்ல.
• மேகம்/நிழல் முகமூடியைத் தவிர்க்கிறது. நிழல் தண்ணீருடன் கலக்கிறது, மேகம் பனி/கட்டமைப்புடன் கலக்கிறது.
• வெவ்வேறு பருவம்/தேதி படங்களைக் கலத்தல். பினோலாஜிக்கல் வேறுபாடுகள் வகுப்புகளை மாற்றுகின்றன.
• பல மற்றும் ஒத்த வகுப்புகளை வரையறுத்தல். பிரித்தறிய முடியாத வகுப்புகள் துல்லியத்தைக் குறைக்கின்றன.
• தீர்மானத்தை புறக்கணித்தல். சிறிய பொருள்கள் ஒரு பிக்சலை விட சிறியதாக இருந்தால் வகைப்படுத்த முடியாது.

சுருக்கமாக

ரிமோட் சென்சிங்கில், மல்டிஸ்பெக்ட்ரல் டேட்டாவிலிருந்து லேண்ட் கவர் மேப்பிங் வரையிலான பணிப்பாய்வுகளை AI வேகப்படுத்துகிறது மற்றும் வகைப்பாட்டின் பெரும்பகுதியை எடுத்துக்கொள்ளலாம். ஆனால் ஒரு வகைப்பாடு வரைபடம் அதன் துல்லியம் அளவிடப்பட்டால் மட்டுமே பயனுள்ளதாக இருக்கும்: இது ஒரு பிழை மேட்ரிக்ஸை சுயாதீன நில உண்மை மாதிரிகள் மற்றும் ஒட்டுமொத்த துல்லியம் மற்றும் கப்பாவை கணக்கிடுவது நிலையானது. மேகம்/நிழல், பருவகால மாறுபாடு மற்றும் ஒத்த வகுப்புகள் குறுக்கீட்டின் பொதுவான ஆதாரங்கள்; குறியீட்டு, முகமூடி மற்றும் தேதி நிலைத்தன்மையுடன் அவற்றை நிர்வகிக்கவும். பயிற்சி மற்றும் சரிபார்ப்பு மாதிரிகளை ஒருபோதும் கலக்க வேண்டாம்.

விண்ணப்ப பணி

நிலப்பரப்பு கேள்வியைத் தேர்ந்தெடுக்கவும் (எ.கா. "நகர்ப்புற பசுமைவெளி வரைபடம்"). நீங்கள் பயன்படுத்தும் வகுப்பு தொகுப்பு, பட்டைகள் மற்றும் குறியீடுகளை (குறைந்தபட்சம் NDVI) எழுதவும். AI மேற்பார்வையிடப்பட்ட வகைப்பாடு பணிப்பாய்வுகளை உருவாக்க வேண்டும்; பயிற்சி மற்றும் சரிபார்ப்பு மாதிரிகள் தனித்தனியாக இருப்பதையும் பிழை அணி + கப்பா கணக்கீடு வெளியீட்டில் சேர்க்கப்பட்டுள்ளதா என்பதையும் உறுதிப்படுத்தவும். பின்னர் "குழப்பத்தின் ஆபத்து" பட்டியலை உருவாக்கவும்: எந்த இரண்டு வகுப்புகள் ஒரே மாதிரியானவை மற்றும் அவற்றை நீங்கள் எவ்வாறு வேறுபடுத்துகிறீர்கள்.

சரிபார்ப்பு பட்டியல்

• [ ] நான் வகுப்பின் தொகுப்பை சிறியதாகவும் தனித்துவமாகவும் வைத்திருந்தேன்.
• [ ] நோக்கத்திற்காக பொருத்தமான நிறமாலை குறியீடுகளை (NDVI/NDWI) சேர்த்துள்ளேன்.
• [ ] நான் பயிற்சி மற்றும் சரிபார்ப்பு உதாரணங்களை பிரித்தேன்.
• [ ] நான் மேகம்/நிழல் முகமூடி மற்றும் பருவ நிலைத்தன்மையை சரிபார்த்தேன்.
• [ ] நான் சுதந்திரமான அடிப்படை உண்மையுடன் துல்லியத்தை அளந்தேன்.
• [ ] பிழை அணி, ஒட்டுமொத்த துல்லியம் மற்றும் கப்பா ஆகியவற்றைப் புகாரளித்தேன்.
• [ ] நான் வகுப்பு கலப்புகளை கண்டறிந்து குணப்படுத்தினேன்.
• [ ] வரைபடமானது அதன் நோக்கத்திற்காக துல்லியமானது என்று பொறியாளர் ஒப்புதலுக்கு உட்படுத்தினேன்.