กำไร:
- สามารถเลือกข้อมูลดาวเทียม (บริเวณกว้าง) และเซ็นเซอร์ (ในพื้นที่) ตามคำถาม และวิเคราะห์ดัชนี เช่น NDVI โดยใช้คลาวด์มาสก์
- ความสามารถในการแยกแยะการเบี่ยงเบนและความผิดปกติจากสัญญาณจริงโดยส่งข้อมูลเซ็นเซอร์ IoT ผ่านการสอบเทียบและการควบคุมคุณภาพ
- ความสามารถในการยึดตามการค้นพบที่ติดตามตามแนวโน้มแทนที่จะเป็นวันที่เดียว และสร้างแผนการตรวจสอบด้วยความจริงภาคพื้นดินหรือข้อมูลที่เป็นอิสระ
To manage the environment, it is necessary to see it first. จำเป็นต้องรู้ว่าป่ามีขนาดเล็กเพียงใด แม่น้ำมีมลภาวะมากน้อยเพียงใด หรือมีเทนรั่วไหลไปมากเพียงใดในโรงงาน ไม่ใช่จากการคาดเดา แต่โดยข้อมูล การตรวจติดตามด้านสิ่งแวดล้อมเป็นการวัดสภาวะสิ่งแวดล้อมอย่างสม่ำเสมอและทำซ้ำได้ ในหน่วยนี้ คุณจะได้เรียนรู้เกี่ยวกับแหล่งข้อมูลขนาดใหญ่สองแหล่ง ได้แก่ ดาวเทียมที่มองจากอวกาศและเซ็นเซอร์ในภาคสนาม และบทบาทของ AI ในการทำความเข้าใจข้อมูลขนาดใหญ่นี้
แนวคิดก่อน การสำรวจระยะไกลเป็นการรวบรวมข้อมูลโดยการวัดแสงที่สะท้อนจากระยะไกล (จากดาวเทียมหรือเครื่องบิน) โดยไม่ต้องสัมผัสวัตถุ เซ็นเซอร์ IoT (Internet of Things) เป็นอุปกรณ์ขนาดเล็กที่ติดตั้งภาคสนามและส่งค่าที่วัดได้ (อุณหภูมิ คุณภาพอากาศ ระดับน้ำ) ผ่านทางอินเทอร์เน็ตโดยอัตโนมัติ เมื่อรวมกันแล้วจะให้ภาพสภาพแวดล้อมทั้งแบบกว้าง (ดาวเทียม) และแบบท้องถิ่น (เซ็นเซอร์)
จะอ่านข้อมูลดาวเทียมได้อย่างไร?
ดาวเทียมไม่เพียงแต่ถ่ายภาพเท่านั้น วัดความยาวคลื่นต่างๆ ("แถบ") ของแสง การผสมผสานทางคณิตศาสตร์ของแถบเหล่านี้แสดงให้เห็นสิ่งที่มองไม่เห็นด้วยตาเปล่า ตัวอย่างที่รู้จักกันดีที่สุดคือ NDVI (Normalized Difference Vegetation Index) โดยจะวัดความหนาแน่นของพืชพรรณด้วยตัวเลขระหว่าง 0 ถึง 1 โดยยึดหลักการที่ว่าพืชที่มีสุขภาพดีจะสะท้อนแสงอินฟราเรดได้มาก NDVI ที่ลดลงอาจหมายถึงการตัดไม้ทำลายป่า ความแห้งแล้ง หรือความเสียหาย
แหล่งที่มาของดาวเทียมฟรีและเปิดที่พบมากที่สุดคือดาวเทียม Sentinel (โครงการ European Copernicus) และดาวเทียม Landsat (USA) สิ่งเหล่านี้เข้าถึงได้ผ่านแพลตฟอร์ม เช่น Google Earth Engine หรือใน Python (พร้อมไลบรารี เช่น rasterio, xarray)
เคล็ดลับ: ศัตรูที่ใหญ่ที่สุดของข้อมูลดาวเทียมคือคลาวด์ NDVI สูญเสียพื้นที่ป่าอย่างแท้จริง หรือมีเมฆปกคลุมในวันนั้นหรือไม่? ใช้คลาวด์มาสก์เสมอและเปรียบเทียบวันที่หลายวันก่อนวิเคราะห์
ข้อมูลเซ็นเซอร์ IoT และการสอบเทียบ
เซ็นเซอร์มีราคาถูกและพบได้ทั่วไป แต่ไม่สมบูรณ์แบบ เซ็นเซอร์คุณภาพอากาศราคาประหยัดจะลอยไปตามกาลเวลา ได้รับผลกระทบจากความชื้น หรือทำงานล้มเหลว ดังนั้นข้อมูลเซ็นเซอร์ในรูปแบบดิบจึงไม่น่าเชื่อถือ การสอบเทียบ (การแก้ไขโดยการเปรียบเทียบกับอุปกรณ์อ้างอิงที่รู้จัก) และการควบคุมคุณภาพถือเป็นสิ่งสำคัญ
นี่เอไอ; มีประสิทธิภาพมากในการเขียนโค้ดเพื่อประมวลผลภาพขนาดใหญ่และข้อมูลอนุกรมเวลา การสแกนหาความผิดปกติ (ส่วนเบี่ยงเบนที่ไม่คาดคิด) การสร้างแบบจำลองการจำแนกประเภท และสรุปผลการค้นพบ แต่ความเป็นจริงทางกายภาพของการวัดนั้นขึ้นอยู่กับการตัดสินใจในการสอบเทียบ และคำถามที่ว่า "สัญญาณนี้เป็นของจริงหรือเสียงรบกวน" การตีความเป็นของผู้เชี่ยวชาญ
ทีละขั้นตอน: การวิเคราะห์การติดตาม
1. กำหนดคำถาม "พืชพรรณเปลี่ยนแปลงไปอย่างไรในพื้นที่ 10,000 เฮกตาร์นี้ระหว่างปี 2020 ถึง 2024" คำถามที่ชัดเจน เชิงพื้นที่ และเชิงเวลา เช่น:
2. เลือกแหล่งข้อมูล ดาวเทียม (บริเวณกว้าง) หรือเซ็นเซอร์ (ในพื้นที่ ต่อเนื่อง)? ความละเอียดและความถี่เหมาะสมกับคำถามหรือไม่
3. ก่อนดำเนินการ คลาวด์มาสก์ ปรับเทียบ แจ้งข้อมูลที่ขาดหายไป หากข้ามขั้นตอนนี้ไป ผลลัพธ์ที่ได้จะทำให้เข้าใจผิด
4. คำนวณดัชนี/เมตริก NDVI อุณหภูมิเฉลี่ย ความเข้มข้นของสารมลพิษ
5. ค้นหาการเปลี่ยนแปลงและความผิดปกติ การวิเคราะห์แนวโน้ม การข้ามเกณฑ์ การกระโดดอย่างกะทันหัน
6. ตรวจสอบกับฟิลด์ หากเป็นไปได้ ให้ยืนยันด้วยความจริงภาคพื้นดิน จัดให้มีสัญญาณดาวเทียมพร้อมการเยี่ยมชมภาคสนามหรือข้อมูลที่เป็นอิสระ
มินิเคสสามอัน
กรณีที่ 1 — ล้มเพราะเมฆ องค์กรพัฒนาเอกชนด้านสิ่งแวดล้อมกำลังจะส่งสัญญาณเตือนเกี่ยวกับ "การตัดไม้ทำลายป่าอย่างกะทันหัน" เมื่อเห็นว่า NDVI ในภูมิภาคหนึ่งลดลง 40% ในหนึ่งเดือน เมื่อนักวิเคราะห์ใช้คลาวด์มาสก์และดูวันที่ใกล้เคียง เขาเห็นว่าภาพส่วนใหญ่ในวันนั้นมีเมฆมาก และในภาพถัดไปที่ไม่มีเมฆ NDVI ก็กลับมาเป็นปกติ ป้องกันการแจ้งเตือนที่ผิดพลาด เวลาที่เสียไป: 20 นาที ชื่อเสียงที่ได้รับ: ไม่มีค่า
กรณีที่ 2 — เซ็นเซอร์ที่ไม่ได้ปรับเทียบ เทศบาลแห่งหนึ่งกำลังเตรียมรายงาน "อากาศเสียเกินไป" พร้อมข้อมูลจากเซ็นเซอร์ PM2.5 ราคาถูก (อนุภาคขนาดเล็กกว่า 2.5 ไมครอน — ฝุ่นละเอียดที่สามารถหายใจเข้าได้) เมื่อผู้เชี่ยวชาญเปรียบเทียบเซ็นเซอร์กับสถานีอ้างอิง เขาพบว่าเซ็นเซอร์ประเมินค่าสูงเกินไปถึงสองเท่าเมื่อมีความชื้นสูง เมื่อใช้การแก้ไขความชื้น (การสอบเทียบ) ค่าจริงจะปรากฏขึ้น หลีกเลี่ยงความตื่นตระหนก
กรณีที่ 3 — โค้ดอัตโนมัติ ทีมวิจัยรายหนึ่งวางแผนที่จะใช้เวลาหลายสัปดาห์ในการทำงานด้วยตนเองเพื่อดึงแนวโน้ม NDVI จากภาพถ่ายดาวเทียม 200 ภาพ พวกเขาให้ AI เขียนเวิร์กโฟลว์อัตโนมัติด้วย Google Earth Engine และโค้ด Python (คลาวด์มาสก์ + ค่าเฉลี่ย NDVI รายเดือน + กราฟแนวโน้ม) Analysis took a few minutes for 200 images; ทีมงานทุ่มเทเวลาในการตีความผลลัพธ์ พวกเขาตรวจสอบโค้ดทุกขั้นตอนอยู่แล้ว
พรอมต์อ่อน / พรอมต์แรง
พรอมต์ที่อ่อนแอ:
ค้นหาการตัดไม้ทำลายป่าจากข้อมูลดาวเทียม
เหตุใดจึงมีจุดอ่อน: ไม่มีโดเมน ช่วงวันที่ แหล่งข้อมูล ความละเอียด และการประมวลผลบนคลาวด์ AI จัดเตรียมข้อความทั่วไป ไม่ใช่การวิเคราะห์ที่ปฏิบัติการได้
พรอมต์อันทรงพลัง:
บทบาทของคุณ: นักวิเคราะห์การสำรวจระยะไกล เขียนโค้ด Python (Earth Engine) ที่คำนวณแนวโน้ม NDVI รายเดือนปี 2020-2024 สำหรับ [ขอบเขตพื้นที่] ด้วยข้อมูล Sentinel-2 ขั้นตอน: (1) ใช้คลาวด์มาสก์ (2) NDVI เฉลี่ยรายเดือน (3) วาดแผนภูมิแนวโน้ม (4) ทำเครื่องหมายเดือนที่มีการลดลงมากกว่า 20% ปล่อยให้โค้ดสามารถเรียกใช้งานได้ แสดงความคิดเห็นในแต่ละขั้นตอน นอกจากนี้ ให้สังเกตขีดจำกัดของข้อมูลด้วย (ความละเอียด, คลาวด์)
เทมเพลตที่สามารถคัดลอกได้สี่แบบ
1) การวิเคราะห์ดัชนีดาวเทียม (พร้อมรหัส):
บทบาทของคุณ: นักวิเคราะห์การสำรวจระยะไกล เขียนโค้ด Python ที่ปฏิบัติการได้ซึ่งคำนวณ [NDVI/NDWI/ดัชนีอื่นๆ] ในช่วง [DATE range] สำหรับ [AREA] ด้วยข้อมูล [Sentinel-2/Landsat] อย่าลืมเพิ่มคลาวด์มาสก์ ทำเครื่องหมายแนวโน้มและความผิดปกติ ระบุขีดจำกัดความละเอียดและคลาวด์ของข้อมูลในความคิดเห็น
2) การควบคุมคุณภาพอนุกรมเวลาของเซ็นเซอร์:
ค้นหาปัญหาด้านคุณภาพในชุดเวลาของเซ็นเซอร์ต่อไปนี้ด้วย Python: ข้อมูลขาดหาย ค่าค้าง การกระโดดกะทันหัน การดริฟท์ สุดขั้ว ทำเครื่องหมายแต่ละประเด็นด้วยการประทับเวลา อย่าเปลี่ยนแปลงข้อมูลเพียงแค่รายงาน เพิ่มคำแนะนำในการสอบเทียบง่ายๆ หากเป็นไปได้ ข้อมูล: [ที่นี่]
3) โครงการตรวจสอบความจริงภาคพื้นดิน:
แนะนำแผนสำหรับวิธีที่ฉันสามารถยืนยันการค้นพบด้วยดาวเทียมต่อไปนี้ (เช่น การลดลงของ NDVI) ในสนาม: จุดใด การวัดใด แหล่งข้อมูลอิสระใด รวมถึงสถานการณ์ที่การค้นพบอาจเป็นเท็จ (เมฆ ฤดู เงา) ค้นหา: [ที่นี่]
4) สรุปความผิดปกติ:
สรุปความผิดปกติที่พบในข้อมูลการตรวจสอบด้านล่างเป็นภาษาธรรมดาสำหรับผู้จัดการด้านสิ่งแวดล้อม For each anomaly: where, when, how much deviation, possible causes and a "needs to be verified" note. แน่นอนว่าทำไมมันถึงเหมาะสม นำเสนอมันเป็นความเป็นไปได้ ข้อมูล: [ที่นี่]
ข้อผิดพลาดทั่วไป
- ไม่ใช้มาส์กแบบมีเมฆ คลาวด์เป็นสัญญาณปลอมที่พบบ่อยที่สุด
- การเชื่อถือเซ็นเซอร์โดยไม่ต้องปรับเทียบ เซ็นเซอร์ราคาถูกลื่นไถลและได้รับผลกระทบจากความชื้น
- แค่ดูประวัติศาสตร์.. จำเป็นต้องมีวันที่และแนวโน้มหลายวันเพื่อเรียกร้องการเปลี่ยนแปลง
- ก้าวข้ามความจริงภาคพื้นดิน สัญญาณดาวเทียมควรได้รับการยืนยันด้วยข้อมูลภาคสนามหรือข้อมูลอิสระหากเป็นไปได้
- ตกอยู่ภายใต้ข้อเรียกร้อง "สาเหตุที่แท้จริง" ของ AI ข้อมูลการติดตามมีความสัมพันธ์กัน การยืนยันเหตุผลเป็นอีกเรื่องหนึ่ง
ข้อควรระวัง: ภาพถ่ายดาวเทียมและโดรนที่มีความละเอียดสูงอาจมีทรัพย์สินส่วนตัว ผู้คน หรือสิ่งอำนวยความสะดวกที่มีความละเอียดอ่อน ปฏิบัติตามข้อจำกัดด้านความเป็นส่วนตัวและกฎหมาย (โดยเฉพาะข้อมูลส่วนบุคคลและความปลอดภัย) เมื่อแชร์ข้อมูลการติดตาม
โดยสรุป
การตรวจสอบสภาพแวดล้อมจะรวมข้อมูลจากดาวเทียม (วงกว้าง) และเซ็นเซอร์ (ในพื้นที่) AI; เป็นตัวเร่งอันทรงพลังสำหรับการเขียนโค้ดที่ประมวลผลภาพขนาดใหญ่และข้อมูลอนุกรมเวลา การสแกนและการสรุปความผิดปกติ แต่คลาวด์มาสก์ การสอบเทียบเซ็นเซอร์ การเปรียบเทียบแบบหลายวัน และการตรวจสอบความจริงภาคพื้นดินเป็นของผู้เชี่ยวชาญ เชื่อถือสัญญาณที่สะอาดและยืนยันแล้ว ไม่ใช่สัญญาณดิบ
งานสมัคร
เลือกฟิลด์และช่วงวันที่ (จริงหรือสมมุติ) 1. พิมพ์โค้ดของเวิร์กโฟลว์การวิเคราะห์ NDVI ไปยัง AI ด้วยเทมเพลต และตรวจสอบว่ามีขั้นตอนคลาวด์มาสก์อยู่ จากนั้น ส่งอนุกรมเวลาของเซ็นเซอร์ที่คุณมี (หรือตัวอย่าง) ผ่านการควบคุมคุณภาพด้วยเทมเพลตที่ 2 สุดท้ายนี้ ด้วยเทมเพลต 3 ให้วางแผนว่าคุณจะตรวจสอบการเปลี่ยนแปลงที่พบในฟิลด์อย่างไร
รายการตรวจสอบ
- [ ] ฉันกำหนดการวิเคราะห์ด้วยคำถามเชิงพื้นที่และเชิงเวลาที่ชัดเจน
- [ ] ฉันใช้คลาวด์มาสก์กับข้อมูลดาวเทียม
- [ ] ฉันส่งข้อมูลเซ็นเซอร์ผ่านการสอบเทียบและการควบคุมคุณภาพ
- [ ] ฉันยึดตามคำกล่าวอ้างการเปลี่ยนแปลงตามเทรนด์ ไม่ใช่วันเดียว
- [ ] ฉันวางแผนที่จะตรวจสอบสิ่งที่ค้นพบด้วยความจริงภาคพื้นดินหรือข้อมูลที่เป็นอิสระ
- [ ] ฉันได้ปฏิบัติตามการรักษาความลับและข้อจำกัดทางกฎหมาย