Прибуток:
- Здатність інтерпретувати ГІС-шари, NDVI та концепції діапазону/роздільності дистанційного зондування
- Інтерпретація індексів, аналіз змін і складання опису карти за допомогою ШІ
- Можливість перевірити інтерпретацію супутника/карти штучним інтелектом із наземною правдою та метаданими
Ви інженер-еколог, який працює над проектом збереження водно-болотних угідь. Рада хоче, щоб ви розслідували скарги на те, що за останні п’ять років очеретяний покрив на березі озера зменшився. Перш ніж вирушити в поле, вам потрібно зробити попередню оцінку за своїм столом: у вас є супутникові зображення за два різні роки, проект ГІС (географічної інформаційної системи) і мовна модель. Ви можете попросити LLM інтерпретувати зведення зображень NDVI і написати чернетку опису змін. Однак супутниковий піксель представляє 10-метровий квадрат, і ви можете зрозуміти, чи є в цьому квадраті тінь хмари, висихаючий очерет або сезонний рівень води в цьому квадраті, лише з наземною правдою. У цьому розділі ми розглядаємо концепції дистанційного зондування та ГІС, інтерпретацію індексів/змін за допомогою штучного інтелекту та, що найважливіше, межі цієї інтерпретації.
Логіка рівня ГІС та основи дистанційного зондування
ГІС організовує географічні дані в шари, що накладаються один на одного: кожен шар містить тему (землекористування, водойми, висота, дороги) і вирівнюється в загальній системі координат. Аналіз починається з накладання правильних шарів у правильній проекції; неправильна система координат систематично зміщує площі та відстані.
Під час інтерпретації зображення дистанційного зондування необхідно розрізняти три типи роздільної здатності:
Тип дозволу
Що це говорить?
приклад
обмеження
просторовий
Розмір пікселя на землі
10м, 30м
Дрібні об'єкти залишаються субпіксельними
спектральний
Скільки і який діапазон довжин хвиль?
Червоний, NIR, SWIR
Менша смуга = менша сила розрізнення
скроневі
Як часто переглядають одне й те саме місце
5 днів, 16 днів
Втрата даних у хмарні дні
Радіометричний
Чутливість до яскравості (бітова глибина)
8-біт, 12-біт
Мала глибина = погана дискримінація
NDVI: формула та розшифровка
Найпоширенішим індексом, що вимірює життєздатність рослинності, є NDVI (нормалізований індекс різниці рослинності). Здорова рослина сильно відбиває ближнє інфрачервоне (NIR) і поглинає червоне (RED):
NDVI = (NIR − RED) / (NIR + RED) Діапазон значень: −1 ... +1 < 0 : вода, сніг, хмари 0,0–0,2 : оголений ґрунт, камінь, забудована територія 0,2–0,5 : рідкісна/трав’яниста рослинність, напружений покрив 0,5–0,9 : щільний, здоровий зелений покрив
# NDVI невеликого вибіркового блоку пікселів імпортує numpy як 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 reflectancendvi = (nir - red) / (nir + red)print(np.round(ndvi, 2))# [[0.75 0.62]# [0.05 0.80]]# Нижній лівий піксель (0.05): не рослина — це може бути гола земля або вода/тінь
Порада: NDVI – це не абсолютний показник «здоров’я», а показник, що залежить від стану. Порівнюючи два датованих NDVI в одній місцевості, переконайтеся, що зображення були зроблені в однакові пори року, однакові кути сонячного світла та умови без хмар. Порівняння зовнішнього вигляду пізнього літа з весною призводить до нереальної «втрати рослин».
Аналіз змін (виявлення змін)
Найпростіший спосіб знайти різницю між двома датами — взяти різницю NDVI, але ця різниця має значення, лише якщо зображення можна порівняти.
ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0 : можлива втрата покриву (сушіння, зрізання, будівництво) ΔNDVI ≈ 0 : без змін ΔNDVI >> 0 : можливе збільшення покриття (озеленення, відновлення) УВАГА: Різниця може відображати фактичну зміну, а також різницю в сезоні/хмарах/куті сонця/калібруванні. Різниця = реальна зміна + шум.
Застереження: хмари, хмарні тіні та сезонність найбільше заважають аналізу змін. Область під хмарною тінню дає низький NDVI і виглядає як "втрата рослинності". Коли LLM виконує інтерпретацію зображення, модель може помилково прийняти ці артефакти за реальну подію. Обов’язково перевірте метадані зображення (дата, відсоток хмарності, кут сонця).
Інтерпретація індексу та опис карти за допомогою ШІ
LLM корисний для перекладу зведених числових індексів у звичайний опис і створення чернеток звітів. Надайте йому необроблену статистику та метадані NDVI і попросіть створити коментар для перевірки.
СЛАБКА ПІДКАЗКА: «Чи зменшилася водно-болотна місцевість на цьому супутниковому знімку?» ВАЖЛИВА ПІДКАЗКА: «Я надаю дві датовані статистичні дані NDVI (та сама область, той самий датчик): 2020-07-15 середній NDVI=0,61 хмар = 3% сонячного кута=58°2025-07-12 середній NDVI=0,42 хмарний = 22% сонячного кута=55° Область інтересу: очеретяний покрив на березі озера, ~40 гектарів. завдання: 1) Обчисліть ΔNDVI та перелічіть можливі інтерпретації. 2) Перелічіть причини (хмарність, тінь, рівень води, сезон, калібрування), через які це зниження може бути наслідком (хмарність, тінь, рівень води, сезон, калібрування), КРІМ ФАКТИЧНОЇ втрати покриття. 3) Для кожної можливої причини запропонуйте крок ПЕРЕВІРКИ, щоб розрізнити її (наприклад, вибір безхмарного зображення, польовий візит, рівень води) запис).4) Точне твердження «очеретяне русло зменшилось на X%» НЕ НАЛАШТУВАЙТЕ; стверджуйте, що це можна сказати, лише якщо це підтверджує реальна інформація».
Сильна підказка спрямовує модель не до єдиного остаточного висновку, а до плану альтернативних пояснень і перевірки. Той факт, що зображення 2025 року містить 22% хмар, робить падіння підозрілим саме по собі.
Наземна перевірка істинності
Золотим стандартом інтерпретації дистанційного зондування є точки перевірки зі спостереженнями та вимірюваннями, які проводяться в польових умовах. Ви записуєте фактичний земний покрив за допомогою GPS у кількох контрольних точках і порівнюєте його з класифікацією зображення. Якщо в полі написано «сухий очерет» у пікселі, де штучний інтелект або алгоритм каже «вода», класифікація ненадійна.
міні футляр
Під час моніторингу впливу на навколишнє середовище гірничодобувної ділянки команда склала «15 гектарів втрат лісу внаслідок гірничодобувної діяльності» на основі скорочення NDVI, розрахованого за супутниковим зображенням, і розширила інтерпретацію до LLM; модель створила плавну, переконливу розповідь. Однак, коли команда перевірила звіт на полі, було видно, що частина площі з низьким NDVI була фактично зібраною сільськогосподарською ділянкою, а частина – хмарною тінню, яка збігалася з днем зйомки зображення. Фактична втрата лісу склала близько 4 гектарів, а не 15. Якби метадані (маска хмари) і рівень землекористування були перевірені заздалегідь, помилку можна було б запобігти. Охайні речення LLM не зробили неправильний вхід правильним.
Поширені помилки
- Порівняння зображень під різними кутами сезону/сонця та помилкове сприйняття сезонної різниці за "зміни".
- Інтерпретація хмари та тіні хмари як фактичної втрати покриття; обхід хмарної маски.
- Складання точних суджень на основі піксельних даних про малі об’єкти, що перевищують просторову роздільну здатність.
- Неправильне обчислення площ і відстаней через невідповідність системи координат/проекції.
- Вважаючи, що NDVI є абсолютним показником здоров’я, і поводження з водою та тіньовими пікселями так, ніби вони рослини.
- Додавання розповіді LLM про текучу карту до звіту як остаточного висновку без основної правди.
- Звітування про результати без документування метаданих (дата, датчик, % хмари, рівень обробки).
Підсумовуючи
- ГІС-аналіз будується на шарах, вирівняних у загальній системі координат; Помилка проекції спотворює результат.
- Просторова, спектральна, часова та радіометрична роздільна здатність обмежують те, що може показати зображення.
- NDVI = (NIR−RED)/(NIR+RED) є умовним показником бадьорості рослин, а не абсолютним показником здоров’я.
- В аналізі змін різниця = справжня зміна + шум; Хмара, тінь і сезон - найбільші обманщики.
- LLM виробляє інтерпретацію індексу та схему опису карти, але не «бачить» супутникове зображення; Коментарі відповідно до вказаної вами кількості.
- Інтерпретація штучного інтелекту та автоматична класифікація не можуть бути переведені в остаточні висновки про навколишнє середовище без перевірки за допомогою наземної істини та метаданих.
Аплікаційне завдання
Створіть або припустіть два датовані підсумки NDVI для поля (на ваш вибір або зразка); Зверніть увагу на метадані (дата, відсоток хмарності, кут сонця, датчик) для кожної дати. Обчислити ΔNDVI. Напишіть чітку підказку та попросіть LLM запитати не лише про фактичну зміну покриття, але й про альтернативні пояснення (хмари, тіні, сезон, рівень води, калібрування) і крок перевірки для кожного. Потім складіть «план перевірки правдивості на землі»: принаймні три контрольні точки, що буде вимірюватися в полі та як це порівнюватиметься з інтерпретацією зображення. Нарешті, позначте, яке твердження в розповіді, підготовленій LLM, «не можна включити до звіту без перевірки», і напишіть причину.