การสำรวจระยะไกลและการจัดหมวดหมู่ภาพดาวเทียม

กำไร:

• ความสามารถในการอธิบายวิธีการใช้ข้อมูลดาวเทียมหลายสเปกตรัม การรวมย่านความถี่ และดัชนีสเปกตรัม (NDVI ฯลฯ) กับ AI
• ความสามารถในการกำหนดค่าการจำแนกประเภทแบบมีผู้ดูแล/ไม่มีผู้ดูแล และเวิร์กโฟลว์การทำแผนที่สิ่งปกคลุมดินด้วยการสนับสนุน AI
• ความสามารถในการทดสอบเอาท์พุตการจำแนกประเภทด้วยความจริงภาคพื้นดินและเมทริกซ์ข้อผิดพลาด/เกณฑ์ความแม่นยำ

การสำรวจระยะไกลเป็นศาสตร์แห่งการวัดพื้นผิวโลกโดยไม่ต้องสัมผัสทางกายภาพ ด้วยเซ็นเซอร์บนดาวเทียมหรือแพลตฟอร์มทางอากาศ ภาพถ่ายจากดาวเทียมไม่ใช่ภาพถ่ายจริงๆ แต่เป็นการรวบรวมชั้นของการวัดที่บันทึกด้วยความยาวคลื่นหลายระดับ และโดยการรวมชั้นเหล่านี้เข้าด้วยกันอย่างชาญฉลาด จึงสามารถจัดทำแผนที่สิ่งปกคลุมดิน (ป่าไม้ น้ำ เกษตรกรรม การก่อสร้าง) ได้ ในหน่วยนี้ เราจะกล่าวถึงวิธีที่ปัญญาประดิษฐ์เร่งกระบวนการทำงานนี้ ตั้งแต่ข้อมูลหลายสเปกตรัมไปจนถึงการจำแนกประเภทสิ่งปกคลุมดิน และจุดที่การตัดสินของผู้เชี่ยวชาญเป็นสิ่งที่ขาดไม่ได้ หลักการ: AI สร้างหรือเข้ารหัสการจำแนกประเภท ความแม่นยำของแผนที่วัดโดยวิศวกรโดยใช้เมทริกซ์ความจริงภาคพื้นดินและข้อผิดพลาดที่เป็นอิสระ

เงื่อนไขพื้นฐาน ภาพแบบหลายสเปกตรัมคือภาพหนึ่งที่บันทึกในแถบความยาวคลื่นหลายช่วง (สีน้ำเงิน เขียว แดง ใกล้อินฟราเรด ฯลฯ) แต่ละวงเป็นชั้น ไฮเปอร์สเปกตรัมมีความสมบูรณ์มากกว่ามากแต่ประมวลผลข้อมูลได้ยาก โดยมีแถบแคบๆ หลายสิบถึงหลายร้อยแถบ ดัชนีสเปกตรัมคือตัวเลขที่เน้นปรากฏการณ์ผ่านการผสมผสานทางคณิตศาสตร์ของแถบความถี่ NDVI (Normalized Difference Vegetation Index) ที่เป็นที่รู้จักมากที่สุด จะตรวจวัดความแข็งแรงของพืชสีเขียวโดยใช้ความแตกต่างระหว่างอินฟราเรดใกล้และแถบสีแดง การจำแนกประเภทภายใต้การดูแลเกี่ยวข้องกับการฝึกโมเดลด้วยพื้นที่ตัวอย่างที่ติดป้ายกำกับไว้ล่วงหน้า และการจัดหมวดหมู่รูปภาพทั้งหมด การจำแนกประเภทแบบไม่มีผู้ดูแลคือการจัดกลุ่มข้อมูลตามความคล้ายคลึงกันโดยไม่มีป้ายกำกับและตีความในภายหลัง

บทบาทของ AI ในการสำรวจระยะไกล

ปัญญาประดิษฐ์มีส่วนช่วยในด้านนี้ในสามระดับ:

1. ขั้นตอนการทำงานและการเลือกวิธีการ “วงไหน ดัชนีไหน ตัวแยกประเภทไหนที่เหมาะกับคำถามนี้” แนะนำคุณในการตัดสินใจของคุณ สร้างโครงกระดูกโค้ด
2. การจำแนกประเภทนั้นเอง โมเดลการเรียนรู้เชิงลึกสมัยใหม่จัดเรียงพิกเซลหลายล้านพิกเซลเป็นคลาสสิ่งปกคลุมดิน นี่คือส่วนสนับสนุนระดับปานกลางถึงสูงที่ AI ทำงานได้จริง
3. การตีความผลลัพธ์และการรายงาน โดยจะถอดความสถิติของชั้นเรียน การวิเคราะห์การเปลี่ยนแปลง และรายงานความแม่นยำเป็นข้อความที่อ่านง่าย

จุดบอด: โมเดลนี้ขึ้นอยู่กับข้อมูลที่ได้รับการฝึกและตัวอย่างที่คุณให้ไว้ เงาเมฆและน้ำ ดินเปล่าและทุ่งหลังการเก็บเกี่ยว น้ำตื้น และพื้นที่เปียกผสมกันได้ง่าย ดังนั้นแผนผังการจัดหมวดหมู่จึงไม่เป็นความจริงเพียงเพราะมันดูดี ต้องวัดความแม่นยำ

เคล็ดลับ: ชี้แจงคำถามของคุณก่อนที่จะเริ่มจำแนกประเภท “จำแนกสิ่งปกคลุมดิน” ยังคลุมเครือ; "จัดทำแผนที่การสูญเสียที่ดินเพื่อเกษตรกรรมเพื่อการก่อสร้างระหว่างปี 2563-2568" เป็นตัวกำหนดทั้งระดับชั้นและเกณฑ์การตรวจสอบ

ทีละขั้นตอน: การจำแนกประเภทสิ่งปกคลุมดิน

1. เตรียมข้อมูลและเทป ตรวจสอบเมฆปกคลุมของภาพ วันที่ถ่ายภาพ ความละเอียด (ขนาดพิกเซล) และลำดับวงดนตรี วันที่/ฤดูกาลเปลี่ยนแปลงชั้นเรียนที่แตกต่างกัน
2. กำหนดชุดคลาส มีกี่คลาส อะไรบ้าง (น้ำ ป่าไม้ เกษตรกรรม การก่อสร้าง ดินเปล่า)? คลาสที่แยกแยะได้น้อยลงและมากขึ้นจะมีความน่าเชื่อถือมากกว่า
3. คำนวณดัชนี ดัชนีเช่น NDVI (พืช), NDWI (น้ำ) แยกแยะประเภทต่างๆ กลายเป็นอินพุตไปยังลักษณนาม
4. รวบรวมตัวอย่างการฝึกอบรม (สำหรับผู้ดูแล) รูปหลายเหลี่ยมตัวอย่างที่ยืนยันโดยการตรวจสอบภูมิประเทศสำหรับแต่ละคลาส คุณภาพตัวอย่างเป็นตัวกำหนดความแม่นยำ
5. จำแนกและตรวจสอบ ฝึกโมเดล จากนั้นสร้างเมทริกซ์ข้อผิดพลาดด้วยตัวอย่างอิสระ (ไม่ได้รับการฝึก) และคำนวณความแม่นยำโดยรวมและ Kappa

เมทริกซ์ความจริงและข้อผิดพลาดภาคพื้นดิน

ความแม่นยำของการจำแนกประเภทไม่ได้วัดจากการตัดสินด้วยตา ความจริงภาคสนามคือตัวอย่างอิสระของคลาสความจริงที่รู้จักในภาคสนามหรือในแหล่งที่มีความละเอียดสูงที่เชื่อถือได้ ด้วยตัวอย่างเหล่านี้ เมทริกซ์ความสับสนได้ถูกสร้างขึ้น: นับจำนวนครั้งที่แต่ละคลาสถูกต้อง และกี่ครั้งที่สับสนกับคลาสใด. จากนี้ ความแม่นยำโดยรวม (สัดส่วนที่จำแนกอย่างถูกต้อง) และคัปปา (การวัดข้อตกลงที่แก้ไขผลกระทบของโอกาส) จะถูกคำนวณ นอกจากนี้ ความแม่นยำของผู้ผลิต (ระดับที่ตรวจพบได้ในคลาสนั้น) และความแม่นยำของผู้ใช้ (ระดับความน่าเชื่อถือนั้นเชื่อถือได้แค่ไหน) จะถูกรายงานแบบชั้นเรียน

ข้อควรระวัง: อย่าวัดความแม่นยำด้วยตัวอย่างที่คุณใช้ในการฝึก หากตัวอย่างเดียวกันฝึกฝนและทดสอบ ความแม่นยำจะสูงเกินจริง นี่เป็นภาพลวงตา ตัวอย่างการตรวจสอบจะต้องเป็นอิสระ

คดีเล็กๆ สามคดี: ตามตัวเลข

กรณีที่ 1 — เงาเมฆถูกเข้าใจผิดว่าเป็นน้ำ ในการจำแนกประเภทหนึ่ง เมื่อแบบจำลองระบุเงาเมฆว่า "น้ำ" พื้นที่ทะเลสาบจะขยายใหญ่ขึ้นในจุดที่มันไม่ได้เป็นเช่นนั้นจริงๆ ความแม่นยำของผู้ใช้ระดับน้ำลดลงเหลือ 70% เมื่อเพิ่มดัชนี NDWI และมาสก์เมฆ การรบกวนของเงา/น้ำลดลง และความแม่นยำของน้ำเพิ่มขึ้นเป็นมากกว่า 90%

กรณีที่ 2 — รายงานได้รับการกู้คืนตามความจริงภาคพื้นดิน การศึกษาสินค้าคงคลังทางการเกษตรรายงานความแม่นยำโดยรวมของการจำแนกประเภทเบื้องต้นถึง 82% แต่วัดด้วยตัวอย่างการฝึกอบรม เมื่อวัดใหม่ด้วยจุดความจริงภาคพื้นดินอิสระ 120 จุด ความแม่นยำโดยรวมตามจริงคือ 71%; เกษตรกรรมและพื้นที่โล่งกำลังแทรกแซงอย่างรุนแรง ด้วยตัวอย่างการฝึกอบรมเพิ่มเติม การจัดหมวดหมู่ได้รับการปรับปรุงและความแม่นยำเพิ่มขึ้นเป็น 84% บทเรียน: ความแม่นยำวัดได้จากตัวอย่างอิสระ

กรณีที่ 3 — กับดักตามฤดูกาล เมื่อภาพที่ถ่ายในวันที่สองวันที่แตกต่างกัน (ฤดูใบไม้ผลิและปลายฤดูร้อน) ถูกผสมเข้าด้วยกัน ทุ่งที่เก็บเกี่ยวได้เปลี่ยนไปเป็นประเภท "พื้นที่เปล่า" และพื้นที่เกษตรกรรมดูเหมือนจะหายไป 15% ผลลัพธ์จะดีขึ้นเมื่อเลือกภาพจากฤดูกาลเดียวกันและมีความสอดคล้องทางฟีโนโลยี

พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง

พรอมต์ที่อ่อนแอ:

จำแนกภาพถ่ายดาวเทียมนี้

พรอมต์อันทรงพลัง:

ภารกิจ: สร้างเวิร์กโฟลว์การจำแนกประเภทสิ่งคลุมดิน (รวมถึง Python/rasterio + โครงร่างรหัส scikit-learn) บริบท: - เซ็นเซอร์: 4 แบนด์ (สีน้ำเงิน, สีเขียว, สีแดง, NIR), ความละเอียด 10 เมตร - คลาส: น้ำ, ป่าไม้, เกษตรกรรม, การก่อสร้าง, พื้นเปล่า - วัตถุประสงค์: แผนที่สิ่งปกคลุมดินปัจจุบัน + รายงานความแม่นยำ คำขอ:1) ดัชนีสเปกตรัมใด (NDVI, NDWI) ที่จะเพิ่มและทำไมต้องเขียน 2) แสดงรายการขั้นตอนการจำแนกประเภทภายใต้การดูแล; เน้นย้ำว่าตัวอย่างการฝึกอบรมและการตรวจสอบความถูกต้องควรแยกกัน 3) ใส่เมทริกซ์ข้อผิดพลาด + ความแม่นยำโดยรวม + การคำนวณ Kappa ไว้ในโครงร่างโค้ด 4) สังเกตความเสี่ยงของเมฆ/เงา และความสับสนของฤดูกาล

พร้อมท์ที่รัดกุมระบุชุดคลาส ความละเอียด เหตุผลของดัชนี และความแตกต่างในการตรวจสอบ ผลลัพธ์สามารถวัดได้

เทมเพลตที่คัดลอกได้สี่แบบ

1) การเลือกวิธีการ/ดัชนี:

คุณจะแนะนำดัชนีสเปกตรัมและวิธีการจำแนกประเภทใดสำหรับวัตถุประสงค์ [เป้าหมาย] และเซ็นเซอร์ [แบนด์/ความละเอียด] สำหรับแต่ละตัวเลือก ให้เขียนเหตุผลและความเสี่ยงที่อาจเกิดความสับสน (ประเภทใดคล้ายกัน)

2) โครงกระดูกรหัสการจำแนกประเภท:

เขียนกรอบงานการจำแนกประเภทภายใต้การดูแลด้วย Rasterio + scikit-learn: การอ่านเทป การคำนวณดัชนี การแยกตัวอย่างการฝึกอบรม/การตรวจสอบความถูกต้อง การจำแนกประเภท เมทริกซ์ข้อผิดพลาด และเอาต์พุตความแม่นยำ รักษาซีอาร์เอส; อธิบาย.

3) การตั้งค่าการประเมินความแม่นยำ:

เขียนแผนเพื่อประเมินความแม่นยำในการจำแนกประเภท: การออกแบบตัวอย่างความจริงที่เป็นอิสระ เมทริกซ์ข้อผิดพลาด ความแม่นยำโดยรวม คัปปา ความแม่นยำของผู้ผลิต/ผู้ใช้แยกตามคลาส อธิบายว่าแต่ละเมตริกบอกว่าอย่างไร

4) การวินิจฉัยสัญญาณรบกวน:

ตีความเมทริกซ์ข้อผิดพลาดด้านล่างนี้: คลาสใดรบกวนซึ่งกันและกัน อะไรคือเหตุผลทางสเปกตรัม/ฤดูกาลที่เป็นไปได้ ข้อมูลเพิ่มเติมใด (ดัชนี มาสก์ วันที่) ที่จะช่วยลดความสับสน เมทริกซ์: [เมทริกซ์ข้อผิดพลาด]

การเปรียบเทียบแนวคิดการจำแนกประเภท

แนวคิด

ความหมาย

เมื่อ

ภายใต้การดูแล

การฝึกอบรมพร้อมตัวอย่างที่มีป้ายกำกับ

ชั้นเรียนถูกกำหนดไว้ล่วงหน้า

ไม่ได้รับการดูแล

การจัดกลุ่มแบบไม่มีป้ายกำกับ

การค้นพบ ไม่มีตัวอย่าง

เอ็นดีวีไอ

ดัชนีพลังชีวิตของพืช

การแยกพืช/เปลือย/น้ำ

NDWI

ดัชนีน้ำ

การแยกตัวของน้ำ

เมทริกซ์ข้อผิดพลาด

การนับจริง/เท็จ

การวัดความแม่นยำ

คัปปา

ความพอดีที่แก้ไขโอกาส

รายงานความถูกต้องมาตรฐาน

ข้อผิดพลาดทั่วไป

• การวัดความแม่นยำด้วยตัวอย่างการฝึกอบรม การทดสอบแบบไม่เป็นอิสระทำให้มีความแม่นยำสูงเกินจริง
• ส่งมอบแผนที่โดยไม่เคยวัดความแม่นยำเลย "ดูดี" ไม่ใช่ข้อพิสูจน์ความถูกต้อง
• ข้ามมาสก์เมฆ/เงา เงาผสมกับน้ำ เมฆผสมกับหิมะ/โครงสร้าง
• การผสมภาพฤดูกาล/วันที่ต่างๆ คลาสการเปลี่ยนแปลงทางฟีโนโลยี
• การกำหนดคลาสที่คล้ายกันมากเกินไป คลาสที่แยกไม่ออกจะลดความแม่นยำ
• ละเลยความละเอียด ไม่สามารถจำแนกวัตถุขนาดเล็กได้หากมีขนาดเล็กกว่าพิกเซลเดียว

โดยสรุป

ในการสำรวจระยะไกล AI จะเพิ่มความเร็วของขั้นตอนการทำงานตั้งแต่ข้อมูลหลายสเปกตรัมไปจนถึงการทำแผนที่สิ่งปกคลุมดิน และอาจเข้ามาครอบงำการจำแนกประเภทได้มาก แต่แผนที่การจัดหมวดหมู่จะมีประโยชน์ก็ต่อเมื่อมีการวัดความแม่นยำเท่านั้น นั่นคือเป็นมาตรฐานในการสร้างเมทริกซ์ข้อผิดพลาดด้วยตัวอย่างความจริงภาคพื้นดินที่เป็นอิสระ และคำนวณความแม่นยำโดยรวมและคัปปา เมฆ/เงา การแปรผันตามฤดูกาล และชั้นที่คล้ายกันเป็นแหล่งรบกวนโดยทั่วไป จัดการด้วยความสอดคล้องของดัชนี มาสก์ และวันที่ ห้ามผสมตัวอย่างการฝึกอบรมและการตรวจสอบความถูกต้อง

งานสมัคร

เลือกคำถามเกี่ยวกับสิ่งปกคลุมดิน (เช่น "แผนที่พื้นที่สีเขียวในเมือง") จดชุดชั้นเรียน วงดนตรี และดัชนีที่คุณจะใช้ (อย่างน้อย NDVI) ให้ AI สร้างเวิร์กโฟลว์การจำแนกประเภทภายใต้การดูแล ตรวจสอบให้แน่ใจว่าตัวอย่างการฝึกอบรมและการตรวจสอบความถูกต้องแยกจากกัน และรวมการคำนวณเมทริกซ์ข้อผิดพลาด + แคปปาไว้ในผลลัพธ์ด้วย จากนั้นจึงจัดทำรายการ "ความเสี่ยงต่อความสับสน" โดยแบ่งเป็น 2 ชั้นเรียนที่คล้ายกัน และแยกความแตกต่างจากกันอย่างไร

รายการตรวจสอบ

• [ ] ฉันจัดชั้นเรียนให้มีขนาดเล็กและโดดเด่น
• [ ] ฉันได้เพิ่มดัชนีสเปกตรัม (NDVI/NDWI) ที่เหมาะกับวัตถุประสงค์นี้
• [ ] ฉันแยกตัวอย่างการฝึกอบรมและการตรวจสอบความถูกต้องออก
• [ ] ฉันตรวจสอบมาสก์เมฆ/เงา และความสม่ำเสมอของฤดูกาล
• [ ] ฉันวัดความแม่นยำด้วยความจริงภาคพื้นดินที่เป็นอิสระ
• [ ] ฉันรายงานเมทริกซ์ข้อผิดพลาด ความแม่นยำโดยรวม และคัปปา
• [ ] ฉันวินิจฉัยและรักษาอาการมั่วสุมในชั้นเรียน
• [ ] ฉันได้รับการอนุมัติจากวิศวกรแล้วว่าแผนที่นั้นถูกต้องตามวัตถุประสงค์การใช้งาน