Mga nadagdag:
- Pag-unawa sa lohika ng pagtuklas na suportado ng AI ng urban sprawl, construction at pagbabago ng takip ng lupa sa pamamagitan ng remote sensing at satellite imagery.
- Kakayahang kritikal na suriin ang pag-uuri ng imahe at baguhin ang mga output ng pagtuklas nang may katumpakan, resolusyon at impormasyon ng petsa
- Kakayahang maunawaan na ang mga hangganan na kinukuha ng AI mula sa larawan ay dapat kumpirmahin ng field at opisyal na mga talaan at hindi maaaring legal na ebidensya.
Imposibleng isa-isang pumunta sa field para makita kung saan, gaano at gaano kabilis ang paglaki ng isang lungsod nitong nakaraang dekada. Sa halip, ang mga tagaplano ay gumagamit ng remote sensing (imaging ang Earth gamit ang mga satellite at sasakyang panghimpapawid at pagkuha ng data). Sa pamamagitan ng paghahambing ng mga satellite image mula sa iba't ibang petsa, maaari mong makita ang bagong konstruksyon, nawalang lupang pang-agrikultura, pagpapalawak ng ilegal na konstruksyon o lumiliit na berdeng espasyo. Ang AI ay isang malakas na accelerator sa pag-uuri ng mga larawang ito (paglalagay ng label sa bawat pixel bilang "istraktura," "halaman," "tubig," atbp.) at pagtukoy ng mga pagbabago sa pagitan ng dalawang petsa. Ngunit ang pagsusuri ng imahe ay puno ng resolusyon, petsa, anino, ulap at error sa pag-uuri. Isang "pagbabago" na ang mga flag ng AI ay maaaring isang anino, isang pana-panahong pagkakaiba, o isang error. Samakatuwid, walang konklusyong nakuha mula sa larawan ang maaaring gamitin bilang batayan para sa legal na aksyon nang hindi kinumpirma ng field at opisyal na mga talaan.
Pangunahing konsepto ng remote sensing
Resolution: Ang lugar na inookupahan ng isang pixel sa lupa. Sa 10 metrong resolution, ang isang pixel ay kumakatawan sa 10x10 metro; Ang isang maliit na gusali ay hindi nakikita. Ang mataas na resolution (hal. 0.3-1 metro) ay nangangahulugan ng higit na detalye ngunit mas mahal at hindi gaanong madalas na data.
Spectral band: Nagre-record din ang mga satellite ng liwanag na hindi nakikita ng mata (tulad ng infrared). Ang mga halaman ay kumikinang sa infrared; ginagawa nitong mas madaling paghiwalayin ang halaman mula sa istraktura. Ang mga indeks gaya ng NDVI (isang simpleng calculator na sumusukat sa sigla ng halaman) ay karaniwan sa pagsubaybay sa greenfield.
Petsa at panahon: Kung ang dalawang larawan ay nasa magkaibang panahon, ang pagbaba sa berde ay maaaring hindi isang "pagkawala" ngunit ang pagdating ng taglamig. Ang pagkakatugma ng petsa at panahon ay mahalaga sa paghahambing.
Katumpakan: Ang halaga na sumusukat kung gaano katumpak ang pag-uuri. Ang "85 porsiyentong katumpakan" ay nangangahulugan na ang isa sa bawat anim na pixel ay maaaring maling label; Ito ay isang makabuluhang margin ng error para sa isang proseso ng pag-audit.
Pansin: Ang isang istraktura na nakita ng AI mula sa isang imahe ng satellite ay hindi, sa pamamagitan ng kanyang sarili, katibayan ng isang ilegal na istraktura. Ang anino, resolusyon, petsa at error sa pag-uuri ay gumagawa ng mga maling positibo. Ang inspeksyon at pagpapatupad ay palaging nangangailangan ng kontrol sa site, titulo ng titulo/pagparehistro ng lisensya at opisyal na pagsukat.
Ang pinakamalaking halaga na idinudulot ng libre at bukas na satellite data (mga mapagkukunan gaya ng Europe's Sentinel at ang mga programang Landsat ng US) sa pagpaplano ay ang makasaysayang serye ng oras: mayroon kang access sa dose-dosenang mga larawan ng parehong lugar na sumasaklaw sa mga taon. Nagbibigay-daan ito sa iyong lumampas sa isang paghahambing na "bago/pagkatapos" at makita ang rate ng sprawl, pana-panahong pagbabago, at trend ng isang kapitbahayan. Nakakatulong ang AI sa pagbubuod ng mahabang seryeng ito at paghihiwalay ng mga makabuluhang pattern ng pagbabago sa ingay. Ngunit ang parehong panuntunan ay nalalapat sa mga serye ng oras: gaano man kalinaw ang isang trend, ito ay ang resolution ng mga larawan, cloud rate at seasonality na tumutukoy sa resulta; Walang trend ang maituturing na maaasahan nang hindi iniuulat ang tatlong salik na ito.
Lohika ng pagtuklas ng pagbabago
Mayroong ilang mga paraan upang ihambing ang dalawang may petsang larawan: pag-uuri ng parehong mga petsa at paghahambing ng mga klase, pagkuha ng pagkakaiba sa index (hal. pagkakaiba ng NDVI), o direktang paggawa ng mapa na "nabago/hindi binago" gamit ang modelong AI. Ang resulta ay isang mapa ng pagbabago: kung saan ang bagong istraktura, kung saan nawala ang halaman. Napakahalaga ng mapa na ito bilang isang paunang screening — sinasabi nito sa tagaplano na "tumingin doon." Ngunit ang bawat senyas ay hiwalay na napatunayan kung ito ay isang tunay na pagbabago o isang pagkakamali.
Hakbang-hakbang: Pagsusuri ng pagbabago na pinapagana ng AI
- Tukuyin ang tanong. "Nasaan ang bagong konstruksyon sa [lugar] sa pagitan ng 2018 at 2024?"
- Pumili ng larawan. Katulad na panahon, katanggap-tanggap na resolusyon, mababang ulap.
- Preprocessing. Dalhin ito sa parehong CRS, i-align, ilapat ang cloud/shadow mask.
- Pag-uri-uriin/paghambingin. Bumuo ng klase o baguhin ang mapa gamit ang AI.
- Suriin ang katumpakan. Sukatin ang katumpakan gamit ang mga kilalang reference point.
- Patlang at kumpirmasyon sa pagpaparehistro. Suriin ang mga minarkahang pagbabago gamit ang title deed/lisensya at site kung kinakailangan.
- Mga limitasyon ng ulat. Isulat nang malinaw ang petsa, resolusyon, katumpakan at margin ng error.
Mahinang prompt / Malakas na prompt
Mahinang prompt: "Sabihin sa akin kung ano ang nagbago sa dalawang larawang ito."
Gumagawa ang AI ng isang maganda ngunit hindi tiyak na tumpak na listahan; Maaari mong isipin na ang pagkakaiba sa lilim at panahon ay tunay na pagbabago.
Malakas na prompt: "Naghahambing ako ng classified land cover data mula sa dalawang petsa (Hulyo 2018 / Hulyo 2024, parehong season, 10 m resolution). Kapag nag-uulat ng pagsusuri sa pagbabago, sabihin nang malinaw: kung aling mga pagbabago ang maaaring maling positibo dahil sa shade/season/resolution, kung aling mga determinasyon ang nangangailangan ng field verification, at kung paano dapat sukatin ang katumpakan. Huwag maging tiyak na may 'field confirmation na kailangan ang bawat paghahanap'."
Pinipilit ng pangalawang prompt ang AI na malinaw na ipaalam ang kawalan ng katiyakan at mga mapagkukunan ng error.
Apat na maaaring kopyahin na mga template
Gawain: Kritikal na suriin ang sumusunod na output ng pagtuklas ng pagbabago. Ilista ang mga posibleng ERROR na mapagkukunan para sa bawat pagtuklas: anino, ulap, panahon, resolusyon, error sa pag-uuri. Magdagdag ng tala "Kinakailangan ang pagkumpirma sa field". Huwag gumawa ng panghuling paghatol. Mga natuklasan / petsa / resolusyon: [...]
Gawain: Sumulat ng checklist ng mga pamantayan sa pagpili ng larawan para sa pagsusuri ng pagbabago sa lungsod: seasonality, resolution, cloud rate, date range, CRS. Lumikha ng mga tanong upang itanong kung ang mga larawang mayroon ako ay nakakatugon sa mga pamantayang ito. Impormasyon ng larawan: [...]
Gawain: DRAFT ng ulat mula sa mga sumusunod na natuklasan sa pagsusuri ng pagbabago. Malinaw na isaad ang resolusyon, petsa, katumpakan, at margin ng error sa bawat paghahanap. I-frame ang mga resulta bilang "pre-screening"; Bigyang-diin na ang field at opisyal na kumpirmasyon ng tala ay kinakailangan para sa inspeksyon/sanction. Mga natuklasan: [...]
Gawain: Magmungkahi ng isang simpleng paraan upang suriin ang katumpakan ng pag-uuri: kung gaano karaming mga reference point, kung paano pumili, kung paano kalkulahin ang katumpakan (plain na paliwanag). Aling pahayag ng katotohanan ang dapat isulat sa ulat, halimbawa.Konteksto: [...]
Isang talahanayan: uri ng data at paggamit
Data
resolusyon
malakas na punto
limitasyon
medium resolution na satellite
10-30m
Libre, madalas, malawak na lugar
Nakakamiss ang maliit na structure
mataas na resolution satellite
0.3-1m
Detalyadong pagtuklas ng istraktura
Mahal, kalat, panganib sa ulap
Larawan sa himpapawid / orthophoto
0.1-0.3m
Napaka detalyado, pormal
Mababa ang dalas ng pag-update
UAV (drone)
antas ng cm
Instant, napaka detalyado
Maliit na espasyo, permit/batas
tatlong mini case
Case 1 — Shadow illusion. Nakikita ng isang munisipalidad ang mga karatula ng "bagong konstruksyon" sa isang kapitbahayan sa mapa ng pagbabago ng AI. Pupunta ang field team; Karamihan sa mga palatandaan ay mahahabang anino ng gusali sa imahe ng hapon. Ang aktwal na bilang ng mga bagong build ay kalahati ng mga palatandaan. Nauna nang na-screen ang AI, ngunit kung ginamit nang walang kumpirmasyon, magbubunga ito ng mga maling minuto.
Kaso 2 — Pagtakas sa maliit na istraktura. Sinusubukan ng isang tagaplano na subaybayan ang mga maliliit na bodega sa isang larangang pang-agrikultura na may libreng satellite na may 10 metrong resolution. Dahil ang mga bodega ay 6x8 metro, nananatili sila sa ilalim ng isang pixel at hindi nakikita. Lumipat ang tagaplano sa high-resolution na orthophoto para sa aktwal na pagsubaybay. Tinutukoy ng resolusyon kung ano ang makikita.
Kaso 3 — Transparent na ulat. Sinusuri ng isang koponan ang 6 na taong pagkalat ng isang rehiyon at malinaw na isinulat sa ulat na "ang mga pagtuklas ay isang paunang pag-scan na may 82 porsiyentong katumpakan; 47 puntos ang naghihintay ng kumpirmasyon sa field; ang mga petsa at resolusyon ng larawan ay nakalakip." Sinusuri ng parliyamento ang resulta nang may tamang timbang. Ang pag-uulat ng kawalan ng katiyakan sa halip na itago ito ay ginagawang maaasahan ang pagsusuri.
Mga karaniwang pagkakamali
- Napagkakamalang patunay ang pagtuklas. Ang imahe ay paunang na-scan; Nangangailangan ito ng mga parusa at opisyal na pagpaparehistro.
- Hindi tugma sa panahon/petsa. Ang iba't ibang mga pana-panahong larawan ay gumagawa ng maling variation.
- Hindi pinapansin ang resolution. Ang mga maliliit na istruktura ay hindi nakikita sa mababang resolusyon; Ito ay hindi "wala".
- Pagkabigong mag-ulat ng katumpakan. Ang pagtatago ng margin ng error ay humahantong sa mga maling desisyon.
- Nakakalimutan ang anino at ulap. Ang dalawang pinakakaraniwang pinagmumulan ng mga maling positibo.
- CRS mismatch. Ang mga hindi nakahanay na larawan ay nagbabago sa maling lugar.
Sa buod
Ang satellite at aerial imagery ay ang pinakamabisang paraan upang makita ang pagbabago sa lunsod sa sukat at bilis; Pinapabilis ng AI ang pag-uuri at pagtukoy ng pagbabago. Ngunit tinutukoy ng resolusyon kung ano ang makikita, tinutukoy ng panahon at petsa kung ano ang totoo, tinutukoy ng anino at ulap kung ano ang false positive. Ang katumpakan ay dapat palaging sukatin at iulat. Pinakamahalaga: ang pagtuklas mula sa larawan ay isang pre-scan; Ang kontrol sa field, titulo ng titulo/pagrehistro ng lisensya at opisyal na pagsukat ay mahalaga para sa inspeksyon at pagbibigay ng parusa. Pinapabilis ng AI ang paningin, hindi ang paggawa ng desisyon.
Gawain ng aplikasyon
Isaalang-alang ang isang pares ng mga larawan (o mga senaryo) na may dalawang magkaibang petsa. (1) Suriin ang pamantayan sa pagpili ng larawan gamit ang pangalawang template: season, resolution, kasya ba ang cloud? (2) Ipagpalagay ang isang listahan ng mga pagtuklas ng pagbabago at kunin ang mga posibleng pinagmumulan ng error para sa bawat pagtuklas na may paunang template. (3) Gumawa ng draft na ulat na may ikatlong template at magdagdag ng katumpakan at margin ng error. (4) Isulat kung aling mga pagpapasya ang mangangailangan ng kumpirmasyon sa field at kung paano mo ito gagawin.
checklist
- [ ] Sinuri ko ang season, petsa at resolution compatibility ng mga imahe.
- [ ] Inihanay ko ang mga larawan sa parehong CRS; Isinaalang-alang ko ang cloud/shadow mask.
- [ ] Itinuring ko ang mga pagtuklas ng pagbabago bilang paunang pagsusuri, hindi bilang ebidensya.
- [ ] Sinuri at iniulat ko ang katumpakan ng pag-uuri.
- Kinumpirma ko ang mga pagbabagong minarkahan ng [ ] ng field at opisyal na mga tala.
- [ ] Nabanggit ko kung ano ang maaaring makaligtaan ng limitasyon ng resolusyon.
- [ ] Malinaw kong isinulat ang petsa, resolusyon at margin ng error sa ulat.