Mga nadagdag:
- Kakayahang ipaliwanag kung paano ginagamit ang multispectral satellite data, mga kumbinasyon ng banda at spectral index (NDVI atbp.) sa AI
- Kakayahang i-configure ang pinangangasiwaan/hindi pinangangasiwaang pag-uuri at daloy ng trabaho sa pagmamapa ng takip ng lupa na may suporta sa AI
- Kakayahang subukan ang pag-uuri ng output na may ground truth at error matrix/katumpakan na pamantayan
Ang remote sensing ay ang agham ng pagsukat sa ibabaw ng mundo nang walang pisikal na pakikipag-ugnayan, na may mga sensor sa mga satellite o aerial platform. Ang imahe ng satellite ay hindi talaga isang litrato, ngunit isang koleksyon ng mga layer ng mga sukat na naitala sa maraming wavelength, at sa pamamagitan ng matalinong pagsasama-sama ng mga layer na ito, maaaring ma-map ang takip ng lupa (kagubatan, tubig, agrikultura, konstruksiyon). Sa unit na ito, sinasaklaw namin kung paano pinapabilis ng artificial intelligence ang workflow na ito, mula sa multispectral na data hanggang sa pag-uuri ng land cover, at kung saan kailangang-kailangan ang paghuhusga ng eksperto. Prinsipyo: Binubuo o kino-code ng AI ang pag-uuri; Ang katumpakan ng mapa ay sinusukat sa engineer sa pamamagitan ng independiyenteng ground truth at error matrix.
Pangunahing termino. Ang isang multispectral na imahe ay isang naitala sa ilang mga wavelength band (asul, berde, pula, malapit sa infrared, atbp.); bawat banda ay isang layer. Ang hyperspectral ay mas mayaman ngunit mahirap iproseso ang data, na naglalaman ng sampu hanggang daan-daang makitid na banda. Ang spectral index ay ang bilang na nagha-highlight ng isang phenomenon sa pamamagitan ng mathematical na kumbinasyon ng mga banda; ang pinakakilala, ang NDVI (Normalized Difference Vegetation Index), ay sumusukat sa sigla ng berdeng halaman gamit ang pagkakaiba sa pagitan ng malapit na infrared at pulang banda. Ang pinangangasiwaang pag-uuri ay nagsasangkot ng pagsasanay sa modelo na may pre-label na mga sample na lugar at pag-uuri sa buong larawan. Ang unsupervised classification ay ang pag-cluster ng data batay sa pagkakatulad na walang mga label at pagbibigay-kahulugan dito sa ibang pagkakataon.
Ang Papel ng AI sa Remote Sensing
Ang artificial intelligence ay nag-aambag sa larangang ito sa tatlong antas:
- Daloy ng trabaho at pagpili ng pamamaraan. "Aling mga banda, aling index, aling classifier ang angkop para sa tanong na ito?" gagabay sa iyo sa iyong desisyon; gumagawa ng code skeleton.
- Ang pag-uuri mismo. Ang mga modernong modelo ng malalim na pag-aaral ay nag-uuri ng milyun-milyong pixel sa mga klase sa land cover; Ito ang medium-high na lugar ng kontribusyon kung saan ginagawa ng AI ang tunay na gawain.
- Interpretasyon at pag-uulat ng resulta. Isinasalin nito ang mga istatistika ng klase, pagbabago ng pagsusuri at katumpakan ng ulat sa nababasang teksto.
Blind spot: nakadepende ang modelo sa data kung saan ito sinanay at sa mga halimbawang ibinigay mo. Ang anino ng ulap at tubig, hubad na lupa at post-harvest field, mababaw na tubig at basang lupa ay madaling maghalo. Kaya ang isang mapa ng pag-uuri ay hindi totoo dahil lang sa mukhang maganda ito; dapat masukat ang katumpakan.
Tip: Linawin ang iyong tanong bago ka magsimula sa pag-uuri. Ang "klasipikahin ang takip ng lupa" ay malabo; Tinutukoy ng "Imapa ang pagkawala ng lupang pang-agrikultura na pabor sa pagtatayo sa pagitan ng 2020-2025" ang hanay ng klase at ang pamantayan sa pag-verify.
Hakbang sa Hakbang: Isang Pag-uuri ng Land Cover
- Maghanda ng data at mga teyp. Kumpirmahin ang cloud cover ng larawan, petsa ng pagbaril, resolution (laki ng pixel), at pagkakasunud-sunod ng banda. Iba't ibang klase ng pagbabago ng petsa/panahon.
- Tukuyin ang hanay ng klase. Ilang klase, alin (tubig, kagubatan, agrikultura, konstruksyon, hubad na lupa)? Mas kaunti at mas nakikilala ang mga klase ay mas maaasahan.
- Kalkulahin ang mga indeks. Ang mga indeks tulad ng NDVI (halaman), NDWI (tubig) ay nakikilala ang mga klase; nagiging input sa classifier.
- Mangolekta ng mga sample ng pagsasanay (para sa pinangangasiwaan). Mga sample na polygon na kinumpirma ng pag-verify ng terrain para sa bawat klase. Tinutukoy ng kalidad ng sample ang katumpakan.
- Uriin at i-verify. Sanayin ang modelo, pagkatapos ay bumuo ng isang error matrix na may mga independiyenteng (hindi sinanay) na mga sample at kalkulahin ang pangkalahatang katumpakan at Kappa.
Ground Truth and Error Matrix
Ang katumpakan ng isang pag-uuri ay hindi nasusukat sa pamamagitan ng paghuhusga ng mata. Ang ground truth ay mga independiyenteng sample ng kilalang totoong klase sa field o sa isang maaasahang source na may mataas na resolution. Sa mga halimbawang ito, ang isang confusion matrix ay itinatag: ito ay binibilang kung gaano karaming beses ang bawat klase ay tama at kung gaano karaming beses ito nalilito kung aling klase. Mula dito, kinakalkula ang pangkalahatang katumpakan (ang proporsyon na wastong inuri) at Kappa (isang sukatan ng kasunduan na nagwawasto para sa epekto ng pagkakataon). Bilang karagdagan, ang katumpakan ng producer (kung magkano ang nahuli sa klase na iyon) at katumpakan ng user (gaano ka maaasahan ang klase na iyon) ay iniuulat sa batayan ng klase.
Babala: Huwag sukatin ang katumpakan sa mga halimbawang ginagamit mo para sa pagsasanay. Kung ang parehong mga halimbawa ay nagsasanay at sumubok, ang katumpakan ay nagiging artipisyal na mataas; Isa itong ilusyon. Ang mga sample ng pagpapatunay ay dapat na independyente.
Tatlong Mini Cases: By the Numbers
Kaso 1 — Napagkamalan na tubig ang anino ng ulap. Sa isang pag-uuri, noong binansagan ng modelo ang mga anino ng ulap bilang "tubig," lumaki ang lugar ng lawa kung saan ito ay talagang hindi; Ang katumpakan ng gumagamit ng klase ng tubig ay bumaba sa 70%. Nang idinagdag ang index ng NDWI at cloud mask, bumaba ang interference ng anino/tubig at tumaas ang katumpakan ng tubig sa mahigit 90%.
Kaso 2 — Nabawi ang ulat sa pamamagitan ng ground truth. Ang isang pag-aaral sa imbentaryo ng agrikultura ay nag-ulat ng 82% pangkalahatang katumpakan ng paunang pag-uuri, ngunit ito ay sinusukat sa mga sample ng pagsasanay. Kapag sinusukat muli gamit ang 120 independiyenteng ground truth points, ang aktwal na kabuuang katumpakan ay 71%; Ang agrikultura at hubad na lupa ay seryosong nakakasagabal. Sa karagdagang mga halimbawa ng pagsasanay, ang pag-uuri ay napabuti at ang katumpakan ay tumaas sa 84%. Aralin: ang katumpakan ay sinusukat sa pamamagitan ng independiyenteng sample.
Kaso 3 — Pana-panahong bitag. Kapag ang mga larawang kinunan sa dalawang magkaibang petsa (tagsibol at huling bahagi ng tag-araw) ay pinaghalo, ang mga inani na bukid ay lumipat sa klase ng "bare ground" at ang lugar ng agrikultura ay lumilitaw na 15% nawawala. Ang mga resulta ay bumuti kapag ang mga larawan ay pinili mula sa parehong panahon at ang phenological consistency ay nakamit.
Mahina Prompt / Malakas na Prompt
Mahinang prompt:
Uriin ang satellite image na ito.
Napakahusay na prompt:
Gawain: bumuo ng workflow ng pag-uuri ng pabalat ng lupa (kabilang ang Python/rasterio + scikit-learn code skeleton).Konteksto:- Sensor: 4 na banda (asul, berde, pula, NIR), 10 m resolution- Mga klase: tubig, kagubatan, agrikultura, konstruksiyon, bare_ground- Layunin: kasalukuyang mapa ng pabalat ng lupa + ulat ng katumpakan, Aling mga indeks ng spectral: WIND1) isulat.2) Ilista ang pinangangasiwaang mga hakbang sa pag-uuri; Bigyang-diin na ang mga sample ng pagsasanay at VALIDATION ay dapat na HIWALAY.3) Ilagay ang error matrix + pangkalahatang katumpakan + pagkalkula ng Kappa sa code skeleton.4) Tandaan ang mga panganib ng cloud/shadow at season confusion.
Tinutukoy ng malakas na prompt ang hanay ng klase, resolusyon, katwiran ng index, at pagkakaiba sa pagpapatunay; nagiging masusukat ang output.
Apat na Nakokopyang Template
1) Paraan/index na pagpili:
Anong spectral index at paraan ng pag-uuri ang irerekomenda mo para sa layunin [target] at sensor [bands/resolution]? Para sa bawat pagpipilian, isulat ang katwiran at potensyal na panganib ng pagkalito (kung aling mga klase ang magkatulad sa isa't isa).
2) balangkas ng code ng pag-uuri:
Sumulat ng isang pinangangasiwaang balangkas ng pag-uuri na may Rasterio + scikit-learn: pagbabasa ng tape, pagkalkula ng index, PAGHIHIWALAY ng mga sample ng pagsasanay/pag-validate, pag-uuri, error matrix at katumpakan na output. Panatilihin ang CRS; ipaliwanag.
3) Pag-setup ng katumpakan ng pagsusuri:
Sumulat ng plano para suriin ang katumpakan ng pag-uuri: independent groundtruth sample na disenyo, error matrix, pangkalahatang katumpakan, Kappa, katumpakan ng producer/user ayon sa klase. Ipaliwanag kung ano ang sinasabi ng bawat sukatan.
4) Diagnosis ng pagkagambala:
Bigyang-kahulugan ang error matrix sa ibaba: kung aling mga klase ang nakakasagabal sa isa't isa, ano ang posibleng spectral/seasonal na dahilan, anong karagdagang data (index, mask, petsa) ang makakabawas ng kalituhan? Matrix: [error matrix]
Paghahambing ng mga Konsepto sa Pag-uuri
konsepto
Ibig sabihin
kailan
pinangangasiwaan
Pagsasanay na may label na halimbawa
Ang mga klase ay paunang natukoy
Hindi pinangangasiwaan
clustering na walang label
Pagtuklas, walang mga halimbawa
NDVI
index ng sigla ng halaman
Paghihiwalay ng halaman/hubad/tubig
NDWI
index ng tubig
paghihiwalay ng katawan ng tubig
Error matrix
True/false count
katumpakan pagsukat
kappa
Pagkakasya na naitama
Karaniwang ulat ng katumpakan
Mga karaniwang pagkakamali
- Pagsukat ng katumpakan sa mga halimbawa ng pagsasanay. Ang hindi independiyenteng pagsubok ay nagbibigay ng artipisyal na mataas na katumpakan.
- Ibigay ang mapa nang hindi sinusukat ang katumpakan. Ang "Mukhang maganda" ay hindi patunay ng katumpakan.
- Nilaktawan ang cloud/shadow mask. Ang anino ay naghahalo sa tubig, ang ulap ay naghahalo sa niyebe/istruktura.
- Paghahalo ng iba't ibang mga larawan ng panahon/petsa. Ang mga pagkakaiba sa phenological ay nagbabago ng mga klase.
- Pagtukoy ng masyadong marami at katulad na mga klase. Binabawasan ng mga hindi makikilalang klase ang katumpakan.
- Hindi pinapansin ang resolution. Ang mga maliliit na bagay ay hindi mauuri kung mas maliit sila sa isang pixel.
Sa buod
Sa remote sensing, pinapabilis ng AI ang workflow mula sa multispectral na data hanggang sa land cover mapping at maaaring sakupin ang karamihan sa pag-uuri. Ngunit ang isang mapa ng pag-uuri ay kapaki-pakinabang lamang kung ang katumpakan nito ay sinusukat: ito ay karaniwang upang bumuo ng isang error matrix na may mga independiyenteng ground truth sample at kalkulahin ang pangkalahatang katumpakan at Kappa. Ang cloud/shadow, seasonal variation, at mga katulad na klase ay karaniwang pinagmumulan ng interference; Pamahalaan ang mga ito gamit ang index, mask at pagkakapare-pareho ng petsa. Huwag kailanman paghaluin ang mga sample ng pagsasanay at pagpapatunay.
Gawain ng aplikasyon
Pumili ng tanong sa lupa (hal. "urban green space map"). Isulat ang hanay ng klase, ang mga banda at indeks na iyong gagamitin (kahit NDVI). Ipagawa ang AI ng isang pinangangasiwaang daloy ng trabaho sa pag-uuri; siguraduhin na ang mga sample ng pagsasanay at pagpapatunay ay hiwalay at ang error matrix + pagkalkula ng Kappa ay kasama sa output. Pagkatapos ay gumawa ng isang "panganib ng pagkalito" na listahan: kung aling dalawang klase ang magkatulad at kung paano mo sila pinaghihiwalay.
checklist
- [ ] Pinananatiling maliit at nakikilala ko ang klase.
- [ ] Nagdagdag ako ng mga spectral index (NDVI/NDWI) na angkop para sa layunin.
- [ ] Pinaghiwalay ko ang mga halimbawa ng pagsasanay at pagpapatunay.
- [ ] Sinuri ko ang cloud/shadow mask at season consistency.
- [ ] Sinukat ko ang katumpakan gamit ang independiyenteng ground truth.
- [ ] Iniulat ko ang error matrix, pangkalahatang katumpakan, at Kappa.
- [ ] Nasuri ko at pinagaling ang mga mix-up sa klase.
- [ ] Isinailalim ko ito sa pag-apruba ng engineer na ang mapa ay tumpak para sa nilalayon nitong paggamit.