లాభాలు:
- ఉపగ్రహ మరియు వైమానిక చిత్రాలలో AIతో లిథాలజీ, ఫాల్ట్ మరియు ఆల్టరేషన్ మ్యాపింగ్ ఎలా జరుగుతుందో వివరించే సామర్థ్యం.
- మల్టీస్పెక్ట్రల్/హైపర్స్పెక్ట్రల్ డేటా నుండి మినరల్ మరియు స్ట్రక్చర్ మార్కర్లను వెలికితీసే వర్క్ఫ్లో డిజైన్ చేయగల సామర్థ్యం
- గ్రౌండ్ ట్రూత్ మరియు జియోలాజికల్ కాంటెక్స్ట్తో రిమోట్ సెన్సింగ్ అవుట్పుట్లను పరీక్షించగల సామర్థ్యం
జియోలాజికల్ మ్యాప్ అనేది ఉపరితలంపై ఒక ప్రాంతం యొక్క భూగర్భ కథ యొక్క ప్రొజెక్షన్: ఏ రాక్ యూనిట్ ఎక్కడ, ఎక్కడ లోపాలు పాస్ అవుతాయి, ఏ దిశలో పొరలు వంపుతిరిగి ఉంటాయి. సాంప్రదాయకంగా, ఈ మ్యాప్ అనేది భూగర్భ శాస్త్రజ్ఞుడు నెలరోజుల ఫీల్డ్వర్క్తో అవుట్క్రాప్ నుండి అవుట్క్రాప్కు ప్రయాణించడం ద్వారా ఉత్పత్తి చేసే ఉత్పత్తి. నేడు, రిమోట్ సెన్సింగ్ మరియు కృత్రిమ మేధస్సు ఈ ప్రక్రియను చాలా వరకు వేగవంతం చేస్తాయి. ఈ యూనిట్లో, ఉపగ్రహ / వైమానిక చిత్రాల నుండి కృత్రిమ మేధస్సుతో లిథాలజీ, ఫాల్ట్ మరియు ఆల్టరేషన్ (హైడ్రోథర్మల్ వాటర్తో రాక్ యొక్క రసాయన మార్పు; ఖనిజ అన్వేషణలో కీలక సూచిక) మ్యాపింగ్ ఎలా జరుగుతుందో మరియు ముఖ్యంగా, ఈ అవుట్పుట్లు భూమి యొక్క వాస్తవికతతో ఎలా పరీక్షించబడతాయో చూద్దాం.
ప్రారంభం నుండి ఒక హెచ్చరిక: రిమోట్ సెన్సింగ్ చిత్రం ఒక కొలత, ఒక వివరణ కాదు; కానీ ఆ కొలత నుండి పొందిన ప్రతి మ్యాప్ ఒక వివరణ మరియు వివరణలో లోపం ఉంది. కృత్రిమ మేధస్సుతో గుర్తించబడిన "మార్పు జోన్" వాస్తవ ఖనిజ సూచిక, ఎండిన క్షేత్రం, నీడ లేదా వాతావరణ భంగం కావచ్చు. ఫీల్డ్లో ధృవీకరించబడే వరకు మ్యాప్ ఒక పరికల్పన.
రిమోట్ సెన్సింగ్ యొక్క ప్రాథమిక భౌతికశాస్త్రం
ప్రతి ఖనిజం మరియు శిల సూర్యరశ్మిని వేర్వేరు తరంగదైర్ఘ్యాల వద్ద వివిధ రేట్ల వద్ద ప్రతిబింబిస్తుంది; దీనిని స్పెక్ట్రల్ సిగ్నేచర్ అంటారు. మానవ కన్ను కనిపించే కాంతిని మాత్రమే చూస్తుంది (ఎరుపు-ఆకుపచ్చ-నీలం), కానీ ఉపగ్రహ సెన్సార్లు ఇన్ఫ్రారెడ్తో సహా చాలా విస్తృత పరిధిని కొలుస్తాయి. రెండు ప్రాథమిక భావనలు:
అనేక విస్తృత తరంగదైర్ఘ్య బ్యాండ్లలో మల్టీస్పెక్ట్రల్ ఇమేజింగ్ కొలతలు (సాధారణంగా 4-12 బ్యాండ్లు); ఉదాహరణకు, ల్యాండ్శాట్ మరియు సెంటినెల్ ఉపగ్రహాలు. ఇది కఠినమైన రాళ్లను వేరు చేస్తుంది. హైపర్స్పెక్ట్రల్ ఇమేజింగ్, మరోవైపు, వందలాది ఇరుకైన బ్యాండ్లలో కొలుస్తుంది మరియు దాదాపుగా వాటి "స్పెక్ట్రల్ ఫింగర్ ప్రింట్" నుండి ఖనిజాలను గుర్తించగలదు; ఇది మార్పు ఖనిజాలను (కయోలినైట్, అల్యూనైట్, ఇలైట్ వంటివి) వేరు చేయడానికి ఉపయోగించబడుతుంది.
AI ఇక్కడ రెండు పనులు చేస్తుంది: ముందుగా, ఇది ఈ హై-డైమెన్షనల్ స్పెక్ట్రల్ డేటాను వర్గీకరిస్తుంది (ఏ పిక్సెల్ అంటే లిథాలజీ/మినరల్). రెండవది, ఇది చిత్రం యొక్క రేఖాగణిత నమూనాల నుండి తప్పు మరియు నిర్మాణ లక్షణాలను సంగ్రహిస్తుంది (రేఖాంశాలు, ఆకృతి, డ్రైనేజ్ నెట్వర్క్). డిజిటల్ ఎలివేషన్ మోడల్ (సంక్షిప్తంగా DEM; భూమి యొక్క త్రీ-డైమెన్షనల్ ఎలివేషన్ మ్యాప్) జోడించబడినప్పుడు, వాలు, కోణం మరియు టోపోగ్రాఫిక్ రేఖాంశాలు కూడా విశ్లేషణలో చేర్చబడతాయి.
దశల వారీగా: మార్పు మ్యాప్ వర్క్ఫ్లో
- చిత్రాన్ని సిద్ధం చేయండి. వాతావరణ దిద్దుబాటు (వాతావరణం యొక్క వక్రీకరణ ప్రభావాన్ని తొలగించడం), క్లౌడ్ మాస్కింగ్, వృక్ష ముసుగు. ఈ దశను దాటవేస్తే మొత్తం ఫలితం కలుషితమవుతుంది.
- మీ ఆసక్తి ఉన్న ప్రాంతాన్ని కుదించండి. అధ్యయన ప్రాంతాన్ని భౌగోళిక సందర్భానికి పరిమితం చేయండి (తెలిసిన తప్పు, నిర్మాణం, అవుట్క్రాప్); మోడల్కు సందర్భం ఇవ్వండి.
- స్పెక్ట్రల్ సూచికలను లెక్కించండి. నిర్దిష్ట ఖనిజ సమూహాలను హైలైట్ చేసే బ్యాండ్ నిష్పత్తులు (ఉదా. ఐరన్ ఆక్సైడ్లు, క్లే మినరల్స్ కోసం).
- వర్గీకరించండి. కృత్రిమ మేధస్సు పిక్సెల్లు/ప్రాంతాలను వర్గీకరిస్తుంది మరియు సాధ్యమయ్యే మార్పు జోన్లను సూచిస్తుంది.
- భూభాగ ధృవీకరణను షెడ్యూల్ చేయండి. గుర్తించబడిన జోన్ల నుండి నమూనా పాయింట్లను ఎంచుకుని, వాటిని ఫీల్డ్లో తనిఖీ చేయండి. ఈ దశ లేకుండా మ్యాప్ సంతకం చేయబడదు.
చిత్ర విశ్లేషణలో ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ పాత్ర మరియు పరిమితులు
ప్రత్యేకించి, AI రెండు రకాల లోపాలను తగ్గిస్తుంది: ఇది పట్టించుకోని సూక్ష్మ క్రమరాహిత్యాలను పట్టుకుంటుంది మరియు ఇది అస్థిరమైన వివరణలను ప్రామాణికం చేస్తుంది. కానీ ఇది మూడు క్రమబద్ధమైన లోపాలను ఉత్పత్తి చేస్తుంది. మొదటిది తప్పుడు సానుకూలం: వృక్షసంపద, నీడ, మానవ నిర్మాణం లేదా నేల తేమలో మార్పు కనిపించవచ్చు. రెండవది శిక్షణ పక్షపాతం: మోడల్ మరొక ప్రాంతం నుండి డేటాపై శిక్షణ పొందినట్లయితే, మీ సైట్ యొక్క విభిన్న లిథాలజీలో అది తప్పు అవుతుంది. మూడవది స్కేల్ యొక్క భ్రాంతి: ఒక పిక్సెల్ భూమిపై పదుల మీటర్లను కవర్ చేస్తుంది; చక్కటి నిర్మాణాలు పోతాయి, మిశ్రమ పిక్సెల్లు (ఒక పిక్సెల్లోని బహుళ పదార్థాలు) తప్పుదారి పట్టించేవి.
కాబట్టి గోల్డెన్ రూల్: గ్రౌండ్ ట్రూత్ ఎల్లప్పుడూ గెలుస్తుంది. ఫీల్డ్లోని ఎంచుకున్న పాయింట్లలో నమూనాలు మరియు పరిశీలనలతో పరీక్షించకుండా చిత్రం నుండి వచ్చే మ్యాప్ని ఖచ్చితమైనదిగా పరిగణించలేము. ధృవీకరణ పాయింట్లు యాదృచ్ఛికంగా ఎంపిక చేయబడవు, కానీ వ్యూహాత్మకంగా, "నిర్దిష్ట" మరియు "అనుమానాస్పద" జోన్లను కవర్ చేయడానికి.
మూడు చిన్న కేసులు: సంఖ్యల వారీగా
కేసు 1 - శోధన ప్రాంతాన్ని తగ్గించడం. ఒక అన్వేషణ సంస్థ 1,200 కిమీ² లైసెన్స్ ప్రాంతాన్ని అంచనా వేస్తోంది. హైపర్స్పెక్ట్రల్ డేటా నుండి కృత్రిమ మేధస్సు-సహాయక మార్పు వర్గీకరణ ప్రాంతాన్ని 38 కిమీ² యొక్క 7 లక్ష్య మండలాలకు తగ్గించింది. మొత్తం ప్రాంతాన్ని సందర్శించడానికి బదులుగా, ఫీల్డ్ బృందం ఈ 7 జోన్లకు ప్రాధాన్యతనిచ్చింది; ప్రారంభ క్షేత్ర ప్రచార సమయం అంచనా 70% తగ్గింది. 7 జోన్లలో 5 ఫీల్డ్లో నిజమైన మార్పును చూపించాయి, 2 తప్పుడు పాజిటివ్లు (మట్టి మట్టి) - ధృవీకరణ లేకుండా, ఈ 2 జోన్లు డ్రిల్లింగ్ వృధా అయ్యేవి.
కేస్ 2 — ఫాల్ట్ మ్యాపింగ్ ప్రిలిమినరీ స్కెచ్. DEM మరియు ఇమేజ్-ఎక్స్ట్రాక్టెడ్ లైన్మెంట్ విశ్లేషణ తెలిసిన ప్రధాన లోపంతో పాటు రెండు చిన్న రేఖలను సూచించింది. ఫీల్డ్లో ఒక నిజమైన తప్పు అని తేలింది; మరొకటి పైప్లైన్ మార్గం యొక్క టోపోగ్రాఫిక్ ట్రేస్గా మారింది. మోడల్ జ్యామితీయ నమూనాను సరిగ్గా సంగ్రహించింది కానీ దాని మూలాన్ని గుర్తించలేకపోయింది; అతను భౌగోళిక ఆమోదయోగ్యత మరియు క్షేత్ర నియంత్రణ మధ్య తేడాను గుర్తించాడు.
కేస్ 3 — క్లౌడ్ షాడో ఫాలసీ. ఒక ప్రాంతంలో మోడల్ ఉత్తర వాలుపై బలమైన "ఐరన్ ఆక్సైడ్ మార్పు"ని గుర్తించింది. వాతావరణ దిద్దుబాటు అసంపూర్తిగా ఉంది మరియు సంతకం నిజానికి ఒక సన్నని క్లౌడ్ కవర్ యొక్క వర్ణపట వక్రీకరణ. చిత్రాన్ని మళ్లీ ప్రాసెస్ చేసి సరిచేసినప్పుడు, క్రమరాహిత్యం అదృశ్యమైంది. పాఠం: ప్రీప్రాసెసింగ్ లోపం అత్యంత అధునాతన మోడల్ను కూడా ఫూల్స్ చేస్తుంది.
బలహీనమైన ప్రాంప్ట్ / బలమైన ప్రాంప్ట్
బలహీనమైన ప్రాంప్ట్:
ఈ ఉపగ్రహ చిత్రంలో గనులు ఉండే స్థలాలను చూపండి.
శక్తివంతమైన ప్రాంప్ట్:
మీ పాత్ర: రిమోట్ సెన్సింగ్ జియాలజిస్ట్. కింది వర్ణపట సూచిక మరియు బ్యాండ్ నిష్పత్తి విలువలను (చిత్రం సెంటినెల్-2, శుష్క ప్రాంతం, అరుదైన వృక్షసంపద) వివరించండి.- ప్రతి సాధ్యమైన మార్పు జోన్కు: ఏ సూచిక/నిష్పత్తి ప్రేరేపించిందో వ్రాయండి.- ప్రతి జోన్కు కనీసం ఒక తప్పుడు సానుకూల మూలాన్ని సూచించండి (వృక్షసంపద, నీడ, నేల, మానవ-మనుషుల వద్ద) జోన్. ధృవీకరణ ప్రాధాన్యత" (అధిక/మధ్యస్థం/తక్కువ).- ఏ జోన్ను "మైనడ్"గా ప్రదర్శించవద్దు; "మార్పు టోకెన్ తప్పనిసరిగా ధృవీకరించబడాలి" డేటా: [సూచిక/రేటు పట్టిక + సందర్భం]
బలమైన ప్రాంప్ట్ తప్పుడు పాజిటివ్లను జాబితా చేయడానికి మరియు ఖచ్చితత్వాన్ని క్లెయిమ్ చేయకుండా ఉండటానికి మోడల్ను బలవంతం చేస్తుంది.
నాలుగు కాపీ చేయగల టెంప్లేట్లు
1) ప్రీ-ప్రాసెసింగ్ చెక్లిస్ట్:
కింది రిమోట్ సెన్సింగ్ వర్క్ఫ్లో విస్మరించబడిన ప్రీప్రాసెసింగ్ దశల కోసం తనిఖీ చేయండి: వాతావరణ దిద్దుబాటు, క్లౌడ్/షాడో మాస్క్, వెజిటేషన్ మాస్క్, టోపోగ్రాఫిక్ కరెక్షన్, సెన్సార్ కాలిబ్రేషన్. తప్పిపోయిన దశలు మీ ముగింపుకు ఎలా పక్షపాతం కలిగిస్తాయో ఒక్కో వాక్యంలో వివరించండి. వర్క్ఫ్లో: [నిర్వచనం]
2) మార్పు జోన్ వివరణ:
కింది స్పెక్ట్రల్ ఇండెక్స్ విలువల (క్లే, ఐరన్ ఆక్సైడ్, కార్బోనేట్, సిలికా) నుండి సాధ్యమయ్యే మార్పు ఖనిజ సమూహాలను సంగ్రహించండి. ప్రతి సమూహానికి: ట్రిగ్గర్ ఇండెక్స్, కాన్ఫిడెన్స్ లెవెల్, ప్రత్యామ్నాయ వివరణ (తప్పుడు పాజిటివ్), ప్రతిపాదిత ఫీల్డ్ చెక్. క్లెయిమింగ్ ఖచ్చితత్వం. డేటా: [సూచికలు]
3) గీత/తప్పు విభజన:
దిగువ రేఖీయతల జాబితాను పరిగణించండి. ప్రతిదానికి సాధ్యమయ్యే మూలాలను జాబితా చేయండి: తప్పు, ప్లేట్ సరిహద్దు, డైక్, డ్రైనేజీ, మానవ నిర్మాణం (రోడ్/లైన్/ఫీల్డ్), వృక్షసంపద సరిహద్దు. భౌగోళిక సందర్భంతో అత్యంత సంభావ్య మూలాన్ని పేర్కొనండి, కానీ ఏకైక అవకాశాన్ని వదిలివేయండి. జాబితా: [లీనియారిటీలు + సందర్భం]
4) వెరిఫికేషన్ పాయింట్ ప్లాన్:
కింది మార్పు/లిథాలజీ మ్యాప్ కోసం ఫీల్డ్ వెరిఫికేషన్ ప్లాన్ను ప్రతిపాదించండి:- ప్రతి తరగతికి ఎన్ని నమూనా పాయింట్లు, ఎందుకు.- "ఖచ్చితమైన" మరియు "ప్రశ్నించదగిన" జోన్ల సమతుల్య నమూనా.- యాక్సెస్ మరియు సెక్యూరిటీ నోట్. మ్యాప్ సారాంశం: [తరగతులు మరియు ప్రాంతాలు]
చిత్ర రకం మరియు ఉపయోగం యొక్క ప్రాంతం
డేటా రకం
ఏమి చర్యలు
అతని బలం
పరిమితి
మల్టీస్పెక్ట్రల్ (సెంటినల్/ల్యాండ్శాట్)
బ్రాడ్బ్యాండ్లు
రఫ్ లిథాలజీ, ప్రాంతీయ స్కానింగ్
ఖనిజ విభజన పరిమితం
హైపర్ స్పెక్ట్రల్
వందలాది ఇరుకైన బ్యాండ్లు
ఖనిజ/మార్పు వ్యత్యాసం
ఖర్చు, ప్రాసెసింగ్ ఓవర్ హెడ్
DEM (ఎత్తు)
స్థలాకృతి
ఫాల్ట్/లీనిమెంట్, డ్రైనేజీ
లిథాలజీ ఇవ్వదు
థర్మల్ ఇన్ఫ్రారెడ్
ఉపరితల ఉష్ణోగ్రత
కొన్ని సిలికేట్/కార్బోనేట్
వాతావరణానికి సున్నితమైన
రాడార్ (SAR)
ఉపరితల కరుకుదనం/వైకల్యం
మేఘం కింద, క్షీణత/కొండచరియలు విరిగిపడతాయి
వివరణ సంక్లిష్టంగా ఉంటుంది
చిట్కా: రిమోట్ సెన్సింగ్ అవుట్పుట్ని “డ్రిల్లింగ్ మ్యాప్”గా కాకుండా “సైట్ ప్రాధాన్యతనిచ్చే స్కాన్”గా ఉపయోగించండి. దీని గొప్ప విలువ ఏమిటంటే, ముందుగా ఎక్కడికి వెళ్లాలో అది మీకు చెబుతుంది; ఫీల్డ్ సాక్ష్యం మరియు ఇంజనీర్ ఎక్కడ డ్రిల్ చేయాలో నిర్ణయిస్తారు.
హెచ్చరిక: ప్రీ-ప్రాసెసింగ్ (వాతావరణ మరియు టోపోగ్రాఫిక్ దిద్దుబాటు, మాస్కింగ్) విస్మరించబడితే అత్యంత అధునాతన వర్గీకరణ కూడా క్రమబద్ధమైన లోపాలను ఉత్పత్తి చేస్తుంది. "అవుట్పుట్ విచిత్రంగా ఉంది" విషయంలో ముందుగా ప్రిప్రాసెసింగ్ని ప్రశ్నించండి, మోడల్ని కాదు. చెత్త ఇన్, గార్బేజ్ అవుట్ సూత్రం ఇక్కడ నిర్దాక్షిణ్యంగా ఉంది.
సాధారణ తప్పులు
- ప్రీప్రాసెసింగ్ను దాటవేయడం. అసలైన భూగర్భ శాస్త్రం కోసం సరిదిద్దని చిత్రాల నుండి క్రమరాహిత్యాలను తప్పుగా అర్థం చేసుకోవడం.
- తప్పుడు పాజిటివ్లను మర్చిపోతున్నారు. మొక్కలు, నీడ, నేల తేమ మరియు మానవ నిర్మాణాలను మార్పులు/తప్పులుగా తప్పుగా భావించడం.
- గ్రౌండ్ ట్రూత్ లేకుండా సంతకాలు చేస్తున్నారు. ఫీల్డ్లో ధృవీకరించకుండానే చిత్రం మ్యాప్లో డ్రిల్లింగ్ నిర్ణయాన్ని ఆధారం చేయడం.
- స్కేల్ భ్రాంతి. పిక్సెల్ పరిమాణాన్ని మరచిపోయి, చక్కటి నిర్మాణాలు కోల్పోయాయని లేదా మిక్స్డ్ పిక్సెల్లు తప్పుదారి పట్టిస్తున్నాయని విస్మరించడం.
- విద్యా పక్షపాతాన్ని విస్మరించడం. వేరొక ప్రాంతంలో శిక్షణ పొందిన మోడల్ను వేరే లిథాలజీ ఉన్న ఫీల్డ్కు గుడ్డిగా అన్వయించడం.
సారాంశంలో
- రిమోట్ సెన్సింగ్ వివిధ తరంగదైర్ఘ్యాల వద్ద ఖనిజాల వర్ణపట సంతకాన్ని కొలుస్తుంది; ఇది మల్టీస్పెక్ట్రల్ ముతక మరియు హైపర్స్పెక్ట్రల్ ఫైన్లను వేరు చేస్తుంది.
- కృత్రిమ మేధస్సు ఈ అధిక డైమెన్షనల్ డేటాను వర్గీకరిస్తుంది మరియు రేఖాగణిత నమూనాల నుండి తప్పు/రేఖీయతను సంగ్రహిస్తుంది; కానీ అది తప్పుడు పాజిటివ్లు, శిక్షణ పక్షపాతం మరియు స్కేల్ బయాస్ను ఉత్పత్తి చేస్తుంది.
- ప్రీప్రాసెసింగ్ (వాతావరణ/స్థలాకృతి దిద్దుబాటు, మాస్కింగ్) ఫలితం యొక్క నాణ్యతను నిర్ణయిస్తుంది; అది విస్మరించబడితే, క్రమబద్ధమైన లోపం ఏర్పడుతుంది.
- రిమోట్ సెన్సింగ్ అనేది స్క్రీనింగ్/ప్రాధాన్యత సాధనం; గ్రౌండ్ ట్రూత్తో పరీక్షించకుండా మ్యాప్ ఖచ్చితమైనదిగా పరిగణించబడదు.
- గ్రౌండ్ ట్రూత్ ఎల్లప్పుడూ గెలుస్తుంది; ధృవీకరణ పాయింట్లు నిర్దిష్ట మరియు అనుమానాస్పద జోన్లను సమతుల్య పద్ధతిలో కవర్ చేయాలి.
అప్లికేషన్ టాస్క్
స్పెక్ట్రల్ ఇండెక్స్/బ్యాండ్ రేషియో విలువలు లేదా వర్క్సైట్ (లేదా ఓపెన్ డేటా రీజియన్) కోసం మీరు కలిగి ఉన్న DEM లైన్మెంట్ జాబితాను అజ్ఞాతీకరించండి. శక్తివంతమైన ప్రాంప్ట్తో సాధ్యమయ్యే మార్పు జోన్లు లేదా లోపాలను వివరించండి మరియు ప్రతి జోన్కు కనీసం ఒక తప్పుడు సానుకూల మూలాన్ని మోడల్ సూచించేలా చేయండి. ఆపై "ధృవీకరణ పాయింట్ ప్లాన్" టెంప్లేట్తో సైట్ నియంత్రణ ప్రణాళికను రూపొందించండి; ఒక వాక్యంలో ఎన్ని పాయింట్లు "అనుమానాస్పద" జోన్లుగా విభజించబడ్డాయి మరియు మీరు సమతుల్య నమూనాను ఎందుకు నిర్వహిస్తున్నారో గమనించండి.
చెక్లిస్ట్
- [ ] నేను మల్టీస్పెక్ట్రల్ మరియు హైపర్స్పెక్ట్రల్ డేటా కొలమానం మరియు అవి దేనికి ఉపయోగించబడుతున్నాయో గుర్తించగలను.
- [ ] ప్రీప్రాసెసింగ్ దశలు (ట్రిమ్మింగ్, మాస్కింగ్) ఫలితాన్ని ఎలా ప్రభావితం చేస్తాయో నాకు తెలుసు.
- [ ] నేను మార్పు/తప్పు అవుట్పుట్లలో తప్పుడు పాజిటివ్ల (వృక్షసంపద, నీడ, మానవ నిర్మిత) మూలాలను ప్రశ్నిస్తున్నాను.
- [ ] నేను రిమోట్ సెన్సింగ్ మ్యాప్ని స్కానింగ్ సాధనంగా వీక్షిస్తాను మరియు భూభాగ ధృవీకరణతో దాన్ని పరీక్షిస్తాను.
- [ ] నేను నిర్దిష్ట మరియు అనుమానాస్పద జోన్లను బ్యాలెన్స్ చేయడానికి ధృవీకరణ పాయింట్లను ప్లాన్ చేయగలను.