Mga nadagdag:
- Kakayahang bigyang-kahulugan ang mga layer ng GIS, NDVI at remote sensing band/resolution na mga konsepto
- Interpretasyon ng indeks, pagsusuri ng pagbabago at pagbalangkas ng pagsasalaysay ng mapa gamit ang AI
- Kakayahang i-verify ang interpretasyon ng satellite/map ng AI gamit ang ground truth at metadata
Isa kang environmental engineer na nagtatrabaho sa isang proyekto sa konserbasyon ng wetland. Nais ng konseho na siyasatin mo ang mga reklamo na ang lakeshore reed bed ay lumiit sa nakalipas na limang taon. Bago pumunta sa field, kailangan mong gumawa ng paunang pagsusuri sa iyong desk: mayroon kang mga satellite image mula sa dalawang magkaibang taon, isang proyekto ng GIS (Geographic Information System) at isang modelo ng wika. Maaari mong ipakahulugan sa LLM ang buod ng NDVI ng mga larawan at magsulat ng draft ng salaysay ng pagbabago. Gayunpaman, ang satellite pixel ay kumakatawan sa isang 10-meter square, at mauunawaan mo lang kung mayroong cloud shadow, drying reed o seasonal water level sa square na iyon na may ground truth. Sa unit na ito, sinasaklaw namin ang mga konsepto ng remote sensing at GIS, index/change interpretation gamit ang AI, at higit sa lahat, ang mga limitasyon ng interpretasyong ito.
GIS layer logic at remote sensing fundamentals
Inaayos ng GIS ang geographic na data sa magkakapatong na mga layer: ang bawat layer ay nagdadala ng isang tema (gamit ng lupa, anyong tubig, elevation, mga kalsada) at nakahanay sa isang karaniwang coordinate system. Nagsisimula ang pagsusuri sa pagsasanib ng mga tamang layer sa tamang projection; ang maling sistema ng coordinate ay sistematikong kumikiling sa mga lugar at distansya.
Kapag binibigyang-kahulugan ang isang remote sensing na imahe dapat mong makilala ang tatlong uri ng resolution:
Uri ng resolusyon
Ano ang sinasabi nito?
halimbawa
limitasyon
spatial
Sukat ng isang pixel sa lupa
10m, 30m
Ang mga maliliit na bagay ay nananatiling sub-pixel
parang multo
Ilan at aling wavelength na banda?
Pula, NIR, SWIR
Mas kaunting banda = mas kaunting kapangyarihan sa diskriminasyon
temporal
Gaano kadalas tinitingnan ang parehong lugar
5 araw, 16 araw
Pagkawala ng data sa maulap na araw
Radiometric
Sensitibo ng luminance (bit depth)
8-bit, 12-bit
Mababang lalim = mahinang diskriminasyon
NDVI: formula at interpretasyon
Ang pinakakaraniwang index na sumusukat sa sigla ng mga halaman ay NDVI (Normalized Difference Vegetation Index). Ang isang malusog na halaman ay malakas na sumasalamin sa malapit na infrared (NIR) at sumisipsip ng pula (RED):
NDVI = (NIR − RED) / (NIR + RED)Halaga ng halaga: −1 ... +1 < 0 : tubig, niyebe, ulap 0.0 - 0.2 : hubad na lupa, bato, built area 0.2 - 0.5 : kalat-kalat/maraming halaman, stressed cover 0.5 - 0.9 : dense na takip
# NDVI ng isang maliit na sample block ng mga pixel na nag-import ng numpy bilang npnir = np.array([[0.42, 0.38], [0.11, 0.45]]) # near infrared reflectancered = np.array([[0.06, 0.09], [0.10, 0.05]]) = red (nirflancend)]) / red (nirflancend) pula)print(np.round(ndvi, 2))# [[0.75 0.62]# [0.05 0.80]]# Bottom-left pixel (0.05): hindi halaman — maaaring hubad na lupa o tubig/anino
Tip: Ang NDVI ay hindi isang ganap na sukatan ng "kalusugan" ngunit isang indicator na umaasa sa kondisyon. Kapag naghahambing ng dalawang may petsang NDVI sa parehong lugar, tiyaking kinunan ang mga larawan sa magkatulad na panahon, magkatulad na anggulo ng araw, at mga kondisyong walang ulap. Ang paghahambing ng hitsura ng huling bahagi ng tag-araw sa tagsibol ay nagbubunga ng hindi tunay na "pagkawala ng halaman."
Pagsusuri ng pagbabago (pagtukoy ng pagbabago)
Ang simpleng paraan upang mahanap ang pagkakaiba sa pagitan ng dalawang petsa ay ang kunin ang pagkakaiba ng NDVI, ngunit ang pagkakaibang ito ay makabuluhan lamang kung maihahambing ang mga imahe.
ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0 : posibleng mawala ang takip (pagpatuyo, paggupit, konstruksyon) ΔNDVI ≈ 0 : walang pagbabago ΔNDVI >> 0 : posibleng tumaas ang takip (paggreen, restoration) PANSIN: Ang pagkakaiba ay maaaring magpakita ng aktwal na pagbabago pati na rin ang pagkakaiba ng season/calibration/sun. Pagkakaiba = tunay na pagbabago + ingay.
Pag-iingat: Ang cloud, cloud shadow at seasonality ay ang pinakamalaking detractors ng change analysis. Ang lugar sa ilalim ng anino ng ulap ay nagbibigay ng mababang NDVI at mukhang "pagkawala ng mga halaman". Kapag nagsagawa ang LLM ng interpretasyon ng imahe, maaaring mapagkamalan ng modelo ang mga artifact na ito bilang tunay na kaganapan. Tiyaking suriin ang metadata ng larawan (petsa, porsyento ng ulap, anggulo ng araw).
Index interpretation at mapa narrative gamit ang AI
Ang LLM ay kapaki-pakinabang sa pagsasalin ng mga buod ng numerical index sa simpleng pagsasalaysay at paggawa ng mga draft na ulat. Ibigay dito ang mga hilaw na istatistika at metadata ng NDVI at hilingin dito na buuin ang komento para ma-verify mo.
WEAK PROMPT: "Naging mas maliit ba ang wetland sa satellite image na ito?" MALAKAS NA PROMPT: "Nagbibigay ako ng dalawang may petsang istatistika ng NDVI (parehong lugar, parehong sensor): 2020-07-15 avg NDVI=0.61 cloud=3% sun angle=58°2025-07-12 avg NDVI=0.42 cloud=22% sun angle=55°Area of interest: gawain:1) Kalkulahin ang ΔNDVI at ilista ang mga posibleng interpretasyon.2) Ilista kung anong mga dahilan (cloud, shade, water level, season, calibration) ang pagbabang ito ay maaaring sanhi ng (cloud, shade, water level, season, calibration) MALIBAN SA TOTOONG pagkawala ng takip.3) Para sa bawat posibleng dahilan, magmungkahi ng VERIFICATION na hakbang upang makilala ito (hal. ay lumiit ng X%' HUWAG I-SETUP;
Ang malakas na prompt ay nagdidirekta sa modelo hindi sa isang tiyak na konklusyon ngunit sa isang plano ng mga alternatibong paliwanag at pagpapatunay. Ang katotohanan na ang 2025 na imahe ay naglalaman ng 22% na ulap ay ginagawang kahina-hinala ang pagbaba sa sarili nito.
Ground truth verification
Ang gold standard ng remote sensing interpretation ay mga verification point na may mga obserbasyon at mga sukat na ginawa sa field. Itinatala mo ang aktwal na pabalat ng lupa gamit ang GPS sa ilang reference point at ihambing ito sa pag-uuri ng larawan. Kung ang field ay nagsasabing "dry reeds" sa pixel kung saan ang AI o algorithm ay nagsasabing "tubig", ang pag-uuri ay hindi maaasahan.
mini case
Sa pagsubaybay sa epekto sa kapaligiran ng isang lugar ng pagmimina, ang koponan ay nagbalangkas ng "15 ektarya ng pagkawala ng kagubatan dahil sa aktibidad ng pagmimina" batay sa pagbawas ng NDVI na kinakalkula mula sa imahe ng satellite at pinalawak ang interpretasyon sa isang LLM; ang modelo ay gumawa ng isang tuluy-tuloy, mapanghikayat na salaysay. Gayunpaman, nang suriin ang ulat ng koponan sa field, nakita na ang bahagi ng lugar na may mababang NDVI ay talagang isang harvested agricultural parcel at bahagi nito ay isang cloud shadow na kasabay ng araw ng pagbaril ng imahe. Ang aktwal na pagkawala ng kagubatan ay humigit-kumulang 4 na ektarya, hindi 15. Kung ang metadata (cloud mask) at layer ng paggamit ng lupa ay sinuri muna, ang error ay mapipigilan sa simula pa lang. Ang maayos na mga pangungusap ng LLM ay hindi nagawang tama ang maling input.
Mga karaniwang pagkakamali
- Paghahambing ng iba't ibang mga larawan ng anggulo ng panahon/araw at napagkakamalang "pagbabago" ang pagkakaiba sa pana-panahon.
- Pagbibigay kahulugan sa cloud at cloud shadow bilang aktwal na pagkawala ng takip; pag-bypass ng cloud mask.
- Paggawa ng mga tumpak na paghuhusga mula sa data ng pixel tungkol sa maliliit na bagay na lampas sa spatial na resolusyon.
- Maling pagkalkula ng mga lugar at distansya dahil sa coordinate system/projection mismatch.
- Iniisip na ang NDVI ay isang ganap na sukatan ng kalusugan at pagtrato sa tubig at mga shadow pixel na parang mga halaman.
- Ang paglalagay ng tuluy-tuloy na salaysay ng mapa ng LLM sa ulat bilang isang pangwakas na paghahanap nang walang katotohanan.
- Pag-uulat ng mga resulta nang hindi nagdodokumento ng metadata (petsa, sensor, cloud %, antas ng pagproseso).
Sa buod
- Ang mga pagsusuri sa GIS ay binuo sa mga layer na nakahanay sa isang karaniwang coordinate system; Binabaluktot ng error sa projection ang resulta.
- Nililimitahan ng spatial, spectral, temporal at radiometric na resolution kung ano ang maaaring ipakita ng isang larawan.
- Ang NDVI = (NIR−RED)/(NIR+RED) ay isang conditional indicator ng sigla ng halaman, hindi isang ganap na sukatan ng kalusugan.
- Sa pagsusuri ng pagbabago, pagkakaiba = tunay na pagbabago + ingay; Ulap, anino at panahon ang pinakamalaking manlilinlang.
- Ang LLM ay gumagawa ng index na interpretasyon at balangkas ng pagsasalaysay ng mapa, ngunit hindi "nakikita" ang imahe ng satellite; Mga komento ayon sa numerong ibibigay mo.
- Ang interpretasyon ng AI at awtomatikong pag-uuri ay hindi maisasalin sa mga huling natuklasan sa kapaligiran nang walang pag-verify gamit ang ground truth at metadata.
Gawain ng aplikasyon
Gumawa o magpalagay ng dalawang may petsang mga buod ng NDVI para sa isang field (alinman sa iyong pinili o isang sample); Tandaan ang metadata (petsa, porsyento ng ulap, anggulo ng araw, sensor) para sa bawat petsa. Kalkulahin ang ΔNDVI. Sumulat ng isang malakas na prompt at hihilingin ang LLM hindi lamang para sa aktwal na pagbabago ng takip, ngunit para sa mga alternatibong paliwanag (ulap, anino, panahon, antas ng tubig, pagkakalibrate) at isang hakbang sa pag-verify para sa bawat isa. Pagkatapos ay mag-draft ng isang "plano sa pagpapatunay ng katotohanan": hindi bababa sa tatlong reference point, kung ano ang susukatin sa field, at kung paano ito ihahambing sa interpretasyon ng imahe. Panghuli, markahan kung aling pahayag sa salaysay na ginawa ng LLM ang "hindi maaaring isama sa ulat nang walang pagpapatunay" at isulat ang dahilan.