Mga nadagdag:
- Kakayahang pumili ng satellite (malawak na lugar) at sensor (lokal) na data ayon sa tanong at pag-aralan ang mga indeks tulad ng NDVI sa pamamagitan ng paglalapat ng cloud mask
- Kakayahang makilala ang drift at malfunction mula sa totoong signal sa pamamagitan ng pagpasa ng IoT sensor data sa pamamagitan ng pagkakalibrate at quality control
- Kakayahang ibase ang paghahanap sa pagsubaybay sa isang trend sa halip na isang petsa at magtatag ng plano sa pag-verify na may ground truth o independiyenteng data
Upang pamahalaan ang kapaligiran, ito ay kinakailangan upang makita ito muna. Kinakailangang malaman kung gaano kaliit ang isang kagubatan, kung gaano kadumi ang isang ilog, o kung gaano karaming methane ang tumagas ng isang pasilidad, hindi sa pamamagitan ng paghula, ngunit sa pamamagitan ng data. Ang pagsubaybay sa kapaligiran ay ang regular at paulit-ulit na pagsukat ng estado ng kapaligiran. Sa unit na ito, matututunan mo ang tungkol sa dalawang malalaking data source — mga satellite na tumitingin mula sa kalawakan at mga sensor sa field — at ang papel ng AI sa pagbibigay kahulugan sa napakalaking data na ito.
Mga konsepto muna. Ang remote sensing ay pagkolekta ng impormasyon sa pamamagitan ng pagsukat ng liwanag na naaaninag mula sa isang distansya (mula sa satellite o sasakyang panghimpapawid) nang hindi hinahawakan ang isang bagay. Ang IoT sensor (Internet of Things) ay isang maliit na device na inilagay sa field at awtomatikong nagpapadala ng sinusukat na halaga (temperatura, kalidad ng hangin, antas ng tubig) sa internet. Magkasama, nagbibigay sila ng parehong malawak (satellite) at lokal (sensor) na larawan ng kapaligiran.
Paano magbasa ng satellite data?
Ang mga satellite ay hindi lamang kumukuha ng mga larawan; sumusukat ng iba't ibang wavelength ("mga banda") ng liwanag. Ang mathematical na kumbinasyon ng mga banda na ito ay nagpapakita kung ano ang hindi nakikita ng mata. Ang pinakakilalang halimbawa ay ang NDVI (Normalized Difference Vegetation Index): sinusukat nito ang density ng vegetation na may numero sa pagitan ng 0 at 1, batay sa prinsipyo na ang malulusog na halaman ay sumasalamin sa infrared na ilaw. Ang pagbaba sa NDVI ay maaaring mangahulugan ng deforestation, tagtuyot o pinsala.
Ang pinakakaraniwang libre at bukas na mga satellite source ay Sentinel (European Copernicus program) at Landsat (USA) satellite. Naa-access ang mga ito sa pamamagitan ng mga platform gaya ng Google Earth Engine o sa Python (na may mga library gaya ng rasterio, xarray).
Tip: Ang pinakamalaking kaaway ng satellite data ay ang cloud. Ang isang NDVI drop ba ay isang tunay na pagkawala ng kagubatan, o mayroon bang ulap sa ibabaw nito noong araw na iyon? Palaging mag-apply ng cloud mask at maghambing ng maraming petsa bago mag-analyze.
Data at pagkakalibrate ng sensor ng IoT
Ang mga sensor ay mura at karaniwan, ngunit hindi perpekto. Ang murang air quality sensor ay aanod sa paglipas ng panahon, maaapektuhan ng halumigmig, o mabibigo. Samakatuwid, ang data ng sensor sa raw na anyo nito ay hindi mapagkakatiwalaan; pagkakalibrate (pagwawasto sa pamamagitan ng paghahambing sa isang kilalang reference device) at kontrol sa kalidad ay mahalaga.
Dito AI; Napakalakas nito sa pagsulat ng code upang iproseso ang malalaking data ng imahe at serye ng oras, pag-scan para sa mga anomalya (hindi inaasahang paglihis), pagtatatag ng modelo ng pag-uuri at pagbubuod ng mga natuklasan. Ngunit ang pisikal na katotohanan ng pagsukat ay bumababa sa desisyon ng pagkakalibrate at ang tanong na "totoo ba ang signal na ito o ingay ba ito?" Ang interpretasyon ay pag-aari ng eksperto.
Hakbang sa hakbang: isang pagsusuri sa pagsubaybay
1. Tukuyin ang tanong. "Paano nagbago ang mga halaman sa 10,000 ektarya na lugar sa pagitan ng 2020 at 2024?" Isang malinaw, spatial at temporal na tanong tulad ng:
2. Piliin ang data source. Satellite (malawak na lugar) o sensor (lokal, tuloy-tuloy)? Angkop ba ang resolusyon at dalas sa tanong?
3. Paunang proseso. Cloud mask, i-calibrate, i-flag ang nawawalang data. Kung nilaktawan ang hakbang na ito, nakakapanlinlang ang resulta.
4. Kalkulahin ang index/metric. NDVI, average ng temperatura, konsentrasyon ng pollutant.
5. Hanapin ang pagbabago at anomalya. Trend analysis, threshold crossing, biglaang pagtalon.
6. I-verify gamit ang field. Kung maaari, kumpirmahin sa ground truth; Magbigay ng satellite signal na may field visit o independent data.
tatlong mini case
Case 1 — Nahulog sa ulap. Ang isang environmental NGO ay magpapatunog ng alarma tungkol sa "biglaang deforestation" nang makita nito na ang NDVI sa isang rehiyon ay bumagsak ng 40% sa isang buwan. Nang mag-apply ang analyst ng cloud mask at tumingin sa mga kalapit na petsa, nakita niya na ang karamihan sa larawan sa araw na iyon ay maulap, at sa susunod na walang ulap na imahe, bumalik sa normal ang NDVI. Pinigilan ang maling alarma. Nawala ang oras: 20 minuto, nakuha ang reputasyon: hindi mabibili ng salapi.
Case 2 — Hindi na-calibrate na sensor. Naghahanda ang isang munisipalidad ng ulat na "masyadong marumi ang hangin" na may data mula sa murang PM2.5 (particle na mas maliit sa 2.5 microns — fine respirable dust) sensor. Nang inihambing ng eksperto ang mga sensor sa isang istasyon ng sanggunian, nalaman niyang na-overestimated nila ang halaga ng hanggang dalawang beses sa mataas na kahalumigmigan. Kapag inilapat ang pagwawasto ng halumigmig (calibration), ang mga tunay na halaga ay lumitaw; Naiwasan ang gulat.
Kaso 3 — Pag-aautomat ng code. Isang pangkat ng pananaliksik ang nagplano na gumugol ng mga linggo sa pagtatrabaho nang manu-mano upang kunin ang mga trend ng NDVI mula sa 200 satellite na imahe. Pinasulat nila ang AI ng isang awtomatikong daloy ng trabaho gamit ang Google Earth Engine at Python code (cloud mask + buwanang NDVI average + trend graph). Inabot ng ilang minuto ang pagsusuri para sa 200 larawan; Inilaan ng koponan ang oras nito sa pagbibigay-kahulugan sa resulta. Sinuri pa rin nila ang bawat hakbang ng code.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Maghanap ng deforestation mula sa satellite data.
Bakit ito mahina: Walang domain, hanay ng petsa, data source, resolution at cloud processing. Nagbibigay ang AI ng pangkalahatang teksto, hindi isang maipapatupad na pagsusuri.
Napakahusay na prompt:
Ang iyong tungkulin: remote sensing analyst. Sumulat ng Python (Earth Engine) code na kinakalkula ang 2020-2024 buwanang trend ng NDVI para sa [hangganan ng AREA] na may data ng Sentinel-2. Mga hakbang: (1) ilapat ang cloud mask, (2) average na buwanang NDVI, (3) draw trend chart, (4) markahan ang mga buwan na may higit sa 20% na pagbaba. Hayaang maipatupad ang code; Magkomento sa bawat hakbang. Tandaan din ang mga limitasyon ng data (resolution, cloud).
Apat na maaaring kopyahin na mga template
1) Pagsusuri ng satellite index (na may code):
Ang iyong tungkulin: remote sensing analyst. Sumulat ng executable Python code na kinakalkula ang [NDVI/NDWI/other index] sa [range ng DATE] para sa [AREA] na may data ng [Sentinel-2/Landsat]. Tiyaking magdagdag ng cloud mask. Markahan ang kalakaran at anomalya. Tukuyin ang resolution at mga limitasyon ng cloud ng data sa mga komento.
2) Kontrol sa kalidad ng serye ng oras ng sensor:
Maghanap ng mga isyu sa kalidad sa sumusunod na serye ng oras ng sensor gamit ang Python: nawawalang data, stuck value, biglaang pagtalon, drift, extreme. Markahan ang bawat isyu ng timestamp. Huwag baguhin ang data, mag-ulat lamang. Magdagdag ng simpleng mungkahi sa pagkakalibrate kung maaari. Data: [dito]
3) Ground truth verification scheme:
Magmungkahi ng plano para sa kung paano ko mabe-verify ang sumusunod na satellite-based na paghahanap (hal. NDVI drop) sa field: aling mga punto, aling pagsukat, aling independiyenteng data source. Bilangin din ang mga sitwasyon kung saan maaaring mali ang natuklasan (ulap, panahon, anino). Nahanap: [dito]
4) Anomalyang buod:
Ibuod ang mga anomalyang nakita mula sa data ng pagsubaybay sa ibaba sa simpleng wika para sa isang environmental manager. Para sa bawat anomalya: kung saan, kailan, gaano kalaki ang paglihis, mga posibleng dahilan at isang "kailangang ma-verify" na tala. Para sigurado kung bakit ito FITTING; ipakita ito bilang isang posibilidad. Data: [dito]
Mga karaniwang pagkakamali
- Hindi naglalagay ng cloud mask. Ang ulap ay ang pinakakaraniwang huwad na signal.
- Pagtitiwala sa sensor nang hindi na-calibrate ito. Ang mga murang sensor ay dumulas at apektado ng moisture.
- Tingnan mo na lang ang history. Maraming mga petsa at trend ang kinakailangan para mag-claim ng pagbabago.
- Paglampas sa katotohanan sa lupa. Dapat kumpirmahin ang signal ng satellite gamit ang field o independiyenteng data kung maaari.
- Nahuhulog sa "eksaktong dahilan" na claim ng AI. Nauugnay ang data ng pagsubaybay; Ang pagkumpirma ng dahilan ay isa pang bagay.
Mag-ingat: Maaaring naglalaman ang mga high-resolution na satellite at drone na mga larawan ng pribadong ari-arian, mga tao o mga sensitibong pasilidad. Sundin ang privacy at mga legal na paghihigpit (lalo na ang personal na data at seguridad) kapag nagbabahagi ng data sa pagsubaybay.
Sa buod
Pinagsasama ng pagsubaybay sa kapaligiran ang satellite (wide) at sensor (lokal) na data. AI; Ito ay isang malakas na accelerator para sa pagsusulat ng code na nagpoproseso ng napakalaking data ng imahe at time series, anomalya na pag-scan at pagbubuod. Ngunit ang cloud mask, sensor calibration, multi-date na paghahambing at ground truth verification ay pagmamay-ari ng eksperto. Pagkatiwalaan ang nalinis at nakumpirma na signal, hindi ang hilaw na signal.
Gawain ng aplikasyon
Pumili ng field at hanay ng petsa (totoo o hypothetical). 1. I-print ang code ng isang NDVI analysis workflow sa AI gamit ang template at i-verify na umiiral ang cloud mask step. Pagkatapos, magpasa ng sensor time series na mayroon ka (o isang sample) sa pamamagitan ng quality control gamit ang 2nd template. Panghuli, sa template 3, bumuo ng isang plano para sa kung paano mo mapapatunayan ang isang pagbabago na makikita mo sa field.
checklist
- [ ] Tinukoy ko ang pagsusuri na may malinaw na spatial at temporal na tanong.
- [ ] Naglapat ako ng cloud mask sa data ng satellite.
- [ ] Ipinasa ko ang data ng sensor sa pamamagitan ng pagkakalibrate at kontrol sa kalidad.
- [ ] Ibinase ko ang claim sa pagbabago sa trend, hindi sa isang petsa.
- [ ] Gumawa ako ng plano para i-verify ang paghahanap gamit ang ground truth o independiyenteng data.
- [ ] Naobserbahan ko ang pagiging kumpidensyal at mga legal na paghihigpit.