Прибуток:
- Можливість вибору супутникових (широкозональних) і датчиків (локальних) даних відповідно до запитання та аналізу індексів, таких як NDVI, шляхом застосування хмарної маски
- Можливість відрізнити дрейф і несправність від реального сигналу шляхом проходження даних датчика IoT через калібрування та контроль якості
- Можливість ґрунтувати результати моніторингу на тенденції, а не на одній даті, і створювати план перевірки з базовою правдою або незалежними даними
Щоб керувати навколишнім середовищем, його необхідно спочатку побачити. Наскільки маленьким став ліс, наскільки забруднена річка чи скільки метану витікає з об’єкта, потрібно знати не здогадами, а за даними. Моніторинг навколишнього середовища - це регулярне і багаторазове вимірювання стану навколишнього середовища. У цьому розділі ви дізнаєтеся про два великих джерела даних — супутники, які спостерігають із космосу, і датчики в полі — і про роль штучного інтелекту в осмисленні цих величезних даних.
Поняття спочатку. Дистанційне зондування – це збір інформації шляхом вимірювання світла, відбитого на відстані (від супутника чи літака), не торкаючись об’єкта. Датчик IoT (Інтернет речей) — це невеликий пристрій, розміщений у полі, який автоматично надсилає виміряне значення (температура, якість повітря, рівень води) через Інтернет. Разом вони забезпечують як широку (супутникова), так і локальну (датчики) картину навколишнього середовища.
Як читати супутникові дані?
Супутники не просто роблять знімки; вимірює різні довжини хвиль («смуги») світла. Математична комбінація цих смуг показує те, що не видно неозброєним оком. Найвідомішим прикладом є NDVI (нормалізований індекс різниці рослинності): він вимірює щільність рослинності числом від 0 до 1 на основі принципу, що здорові рослини дуже сильно відбивають інфрачервоне світло. Зниження NDVI може означати вирубку лісів, посуху або пошкодження.
Найпоширенішими безкоштовними і відкритими супутниковими джерелами є супутники Sentinel (європейська програма Copernicus) і Landsat (США). Доступ до них здійснюється через такі платформи, як Google Earth Engine або Python (з такими бібліотеками, як rasterio, xarray).
Порада. Найбільшим ворогом супутникових даних є хмара. Чи падіння NDVI є справжньою втратою лісу, чи того дня над ним була хмара? Завжди застосовуйте хмарну маску та порівнюйте кілька дат перед аналізом.
Дані датчиків IoT і калібрування
Датчики дешеві та поширені, але не ідеальні. Недорогий датчик якості повітря буде дрейфувати з часом, на нього впливатиме вологість або вийде з ладу. Тому дані датчика в необробленому вигляді є ненадійними; калібрування (корекція шляхом порівняння з відомим еталонним пристроєм) і контроль якості є важливими.
Тут AI; Він дуже потужний у написанні коду для обробки великих зображень і даних часових рядів, сканування на аномалії (несподівані відхилення), встановлення моделі класифікації та узагальнення результатів. Але фізична реальність вимірювання зводиться до рішення про калібрування та питання "це справжній сигнал чи це шум?" Тлумачення належить експерту.
Крок за кроком: аналіз відстеження
1. Дайте визначення питання. «Як змінилася рослинність на цій території площею 10 000 гектарів між 2020 і 2024 роками?» Чітке, просторове та часове питання, наприклад:
2. Виберіть джерело даних. Супутник (широка зона) чи сенсор (локальний, безперервний)? Чи відповідають роздільна здатність і частота запиту?
3. Попередня обробка. Хмарна маска, калібрування, позначення відсутніх даних. Якщо цей крок пропустити, результат буде оманливим.
4. Розрахувати індекс/метрику. NDVI, середня температура, концентрація забруднюючих речовин.
5. Знайдіть зміну та аномалію. Аналіз тенденції, перетин порогу, раптовий стрибок.
6. Перевірте за допомогою поля. Якщо можливо, підтвердьте основну правду; Надання супутникового сигналу з оглядом на місце або незалежними даними.
три міні-чохла
Випадок 1 — Захоплення хмари. Екологічна неурядова організація збиралася бити тривогу щодо «раптової вирубки лісів», коли побачила, що NDVI в одному регіоні впав на 40% за один місяць. Коли аналітик застосував хмарну маску та подивився на сусідні дати, він побачив, що більша частина зображення того дня була хмарною, а на наступному безхмарному зображенні NDVI повернувся до нормального. Помилкова тривога попереджена. Втрачений час: 20 хвилин, здобута репутація: безцінна.
Випадок 2 — Некалібрований датчик. Муніципалітет готував звіт про «надто забруднене повітря» з даними недорогих датчиків PM2,5 (частинки розміром менше 2,5 мікрон — дрібний вдихуваний пил). Коли експерт порівняв датчики з еталонною станцією, він виявив, що вони переоцінюють значення до двох разів за високої вологості. При застосуванні корекції вологості (калібрування) з'явилися реальні значення; Паніки вдалося уникнути.
Кейс 3 — Автоматизація коду. Одна дослідницька група планувала тижні працювати вручну, щоб отримати тенденції NDVI із 200 супутникових зображень. Вони змусили ШІ написати автоматизований робочий процес за допомогою Google Earth Engine і коду Python (хмарна маска + місячне середнє значення NDVI + графік тенденцій). Аналіз 200 зображень зайняв кілька хвилин; Команда присвятила свій час інтерпретації результату. Вони все одно перевіряли кожен крок коду.
Слабка підказка / Сильна підказка
Слабка підказка:
Знайдіть вирубку лісів за супутниковими даними.
Чому він слабкий: немає домену, діапазону дат, джерела даних, роздільної здатності та хмарної обробки. AI надає загальний текст, а не виконуваний аналіз.
Потужна підказка:
Ваша роль: аналітик дистанційного зондування. Напишіть код Python (Earth Engine), який обчислює місячний тренд NDVI за 2020–2024 рр. для [межі AREA] за допомогою даних Sentinel-2. Кроки: (1) застосувати хмарну маску, (2) середньомісячний NDVI, (3) намалювати графік трендів, (4) позначити місяці зі зниженням більше ніж на 20%. Нехай код буде виконуваним; Коментуйте кожен крок. Також зверніть увагу на обмеження даних (роздільна здатність, хмара).
Чотири шаблони, які можна копіювати
1) Аналіз супутникового індексу (з кодом):
Ваша роль: аналітик дистанційного зондування. Напишіть виконуваний код Python, який обчислює [NDVI/NDWI/інший індекс] за [діапазон ДАТИ] для [AREA] з даними [Sentinel-2/Landsat]. Обов’язково додайте хмарну маску. Позначте тенденцію та аномалії. У коментарях вказуйте роздільну здатність і межі хмарності даних.
2) Контроль якості часових рядів датчиків:
Шукайте проблеми з якістю в наступних часових рядах датчиків за допомогою Python: відсутні дані, застрягло значення, раптовий стрибок, дрейф, екстремальне значення. Позначте кожну проблему міткою часу. Не змінюйте дані, просто звітуйте. Якщо можливо, додайте просту пропозицію щодо калібрування. Дані: [тут]
3) Основна схема перевірки правдивості:
Запропонуйте план того, як я можу перевірити такі супутникові дані (наприклад, падіння NDVI) у полі: які точки, яке вимірювання, яке незалежне джерело даних. Також підрахуйте ситуації, коли висновок може бути помилковим (хмара, пора року, тінь). Знахідка: [тут]
4) Підсумок аномалії:
Узагальніть аномалії, виявлені на основі даних моніторингу нижче, простою мовою для екологічного менеджера. Для кожної аномалії: де, коли, скільки відхилень, можливі причини та примітка «потрібно перевірити». Напевно, чому це ПІДХОДИТЬ; представити це як можливість. Дані: [тут]
Поширені помилки
- Не застосовуючи хмарну маску. Хмара є найпоширенішим помилковим сигналом.
- Довіряти датчику без його калібрування. Недорогі датчики ковзають і піддаються впливу вологи.
- Просто подивіться на історію. Щоб заявити про зміну, необхідно вказати кілька дат і тенденцій.
- Обхід правди на землю. Супутниковий сигнал слід підтвердити польовими або незалежними даними, якщо це можливо.
- Піддавшись заяві ШІ про «точну причину». Кореляції даних відстеження; Інша справа — підтвердження причини.
Застереження: супутникові та дронові зображення високої роздільної здатності можуть містити приватну власність, людей або чутливі об’єкти. Дотримуйтеся конфіденційності та законодавчих обмежень (особливо особистих даних і безпеки) під час обміну даними відстеження.
Підсумовуючи
Моніторинг навколишнього середовища поєднує супутникові (широкий) і сенсорні (локальний) дані. ШІ; Це потужний прискорювач для написання коду, який обробляє великі зображення та дані часових рядів, сканування аномалій і підсумовування. Але хмарна маска, калібрування датчика, порівняння за кількома датами та наземна перевірка правдивості належать експерту. Довіряйте очищеному та підтвердженому сигналу, а не необробленому.
Аплікаційне завдання
Виберіть поле та діапазон дат (реальний чи гіпотетичний). 1. Роздрукуйте код робочого циклу аналізу NDVI на ШІ за допомогою шаблону та переконайтеся, що крок хмарної маски існує. Потім пропустіть наявний часовий ряд датчика (або зразок) через контроль якості за допомогою 2-го шаблону. Нарешті, за допомогою шаблону 3 складіть план того, як ви перевірятимете зміни, які знайдете в полі.
контрольний список
- [ ] Я визначив аналіз чітким просторовим і часовим питанням.
- [ ] Я застосував хмарну маску до супутникових даних.
- [ ] Я пройшов калібрування та контроль якості даних датчика.
- [ ] Я заснував заяву про зміну на тенденції, а не на одній даті.
- [ ] Я розробив план перевірити знахідку за допомогою реальних чи незалежних даних.
- [ ] Я дотримувався конфіденційності та правових обмежень.