Прибуток:
- Здатність пояснити, як мультиспектральні супутникові дані, комбінації діапазонів і спектральні індекси (NDVI тощо) використовуються з ШІ
- Можливість налаштувати керовану/неконтрольовану класифікацію та робочий процес картографування земельного покриву з підтримкою ШІ
- Можливість тестування результатів класифікації за допомогою базової матриці істинності та помилок/критеріїв точності
Дистанційне зондування — це наука про вимірювання земної поверхні без фізичного контакту за допомогою датчиків на супутниках або літальних платформах. Супутниковий знімок насправді не є фотографією, а набором шарів вимірювань, записаних на кількох довжинах хвиль, і шляхом інтелектуального поєднання цих шарів можна нанести на карту земний покрив (ліс, воду, сільське господарство, будівництво). У цьому розділі ми розповідаємо про те, як штучний інтелект прискорює цей робочий процес, від багатоспектральних даних до класифікації ґрунтового покриву, і де без експертного судження не обійтися. Принцип: ШІ створює або кодує класифікацію; Точність карти вимірюється інженером незалежною матрицею істинності та помилок.
Основні терміни. Мультиспектральне зображення — це зображення, записане в кількох діапазонах довжин хвиль (синій, зелений, червоний, ближній інфрачервоний тощо); кожна смуга є шаром. Гіперспектральні дані набагато багатші, але складніші для обробки, вони містять від десятків до сотень вузьких смуг. Спектральний індекс — це число, яке висвітлює явище через математичну комбінацію смуг; найвідоміший, NDVI (нормалізований індекс різниці рослинності), вимірює силу зеленої рослинності, використовуючи різницю між ближньою інфрачервоною та червоною смугами. Класифікація під наглядом передбачає навчання моделі з попередньо позначеними ділянками зразків і класифікацію всього зображення. Неконтрольована класифікація — це кластеризація даних на основі подібності без міток і їх подальша інтерпретація.
Роль ШІ в дистанційному зондуванні
Штучний інтелект робить свій внесок у цю сферу на трьох рівнях:
- Робочий процес і вибір методу. «Які діапазони, який індекс, який класифікатор підходять для цього питання?» направляє вас у вашому рішенні; створює скелет коду.
- Сама класифікація. Сучасні моделі глибокого навчання сортують мільйони пікселів у класи земного покриву; Це область середнього чи високого внеску, де ШІ виконує справжню роботу.
- Інтерпретація результатів і звітність. Він транскрибує статистику класу, аналіз змін і звіт про точність у читабельний текст.
Сліпа зона: модель залежить від даних, на яких вона навчається, і прикладів, які ви надаєте. Хмарна тінь і вода, оголений ґрунт і поле після збору врожаю, мілководдя і волога земля легко змішуються. Тож класифікаційна карта не відповідає дійсності лише тому, що вона виглядає гарно; точність повинна бути виміряна.
Порада: перш ніж почати класифікацію, уточніть своє запитання. «Класифікувати земний покрив» нечітко; «Карта втрати земель сільськогосподарського призначення на користь будівництва між 2020-2025 роками» визначає як набір класів, так і критерій перевірки.
Крок за кроком: класифікація земельного покриву
- Підготуйте дані та стрічки. Перевірте хмарність зображення, дату зйомки, роздільну здатність (розмір пікселів) і порядок смуг. Різні класи змінення дати/сезону.
- Визначте набір класів. Скільки класів, які (вода, ліс, сільське господарство, будівництво, гола земля)? Менша кількість і більше помітних класів є більш надійними.
- Розрахувати індекси. Такі індекси, як NDVI (рослина), NDWI (вода) розрізняють класи; стає входом для класифікатора.
- Зібрати навчальні зразки (для підконтрольних). Зразки полігонів, підтверджені рельєфом для кожного класу. Якість зразка визначає точність.
- Класифікувати та перевірити. Навчіть модель, потім побудуйте матрицю помилок із незалежними (ненавченими) вибірками та обчисліть загальну точність і Каппа.
Основна матриця правди та помилки
Точність класифікації не вимірюється наочністю. Основна правда – це незалежні зразки відомого істинного класу в полі або в надійному джерелі високої роздільної здатності. За допомогою цих прикладів встановлюється матриця плутанини: підраховується, скільки разів кожен клас правильний і скільки разів його плутають з яким класом. З цього обчислюється загальна точність (правильно класифікована частка) і Каппа (міра узгодження, яка коригує ефект випадковості). Крім того, точність виробника (скільки було виловлено в цьому класі) і точність користувача (наскільки надійним є цей клас) повідомляються на основі класу.
Застереження: не оцінюйте точність прикладами, які ви використовуєте для навчання. Якщо ті самі приклади тренуються і тестуються, точність стає штучно високою; Це ілюзія. Валідаційні зразки мають бути незалежними.
Три міні-кейси: у цифрах
Випадок 1 — Тінь хмари помилково сприйняли за воду. В одній класифікації, коли модель позначила тіні хмар як «воду», площа озера виросла там, де її насправді не було; точність користувача класу води впала до 70%. Коли було додано індекс NDWI та хмарну маску, перешкоди від тіні/води зменшилися, а точність визначення води зросла до понад 90%.
Випадок 2 — Звіт, знайдений на землі. Дослідження сільськогосподарської інвентаризації показало 82% загальної точності початкової класифікації, але це було виміряно за допомогою навчальних зразків. При повторному вимірюванні за допомогою 120 незалежних наземних точок істинності фактична загальна точність склала 71%; Серйозно заважали землеробство та гола земля. За допомогою додаткових навчальних прикладів класифікація була покращена, а точність зросла до 84%. Урок: точність вимірюється незалежною вибіркою.
Випадок 3 — Сезонна пастка. Коли зображення, зроблені в дві різні дати (навесні та в кінці літа), були змішані разом, зібрані поля перейшли до класу «голої землі», а сільськогосподарська площа, здавалося, була відсутня на 15%. Результати покращилися, коли зображення були відібрані з одного сезону та була досягнута фенологічна узгодженість.
Слабка підказка / Сильна підказка
Слабка підказка:
Класифікуйте це супутникове зображення.
Потужна підказка:
Завдання: побудувати робочий процес класифікації ґрунтового покриву (включаючи Python/rasterio + скелет коду scikit-learn). Контекст: - Датчик: 4 смуги (синій, зелений, червоний, NIR), роздільна здатність 10 м - Класи: вода, ліс, сільське господарство, будівництво, гола_земля - Призначення: поточна карта ґрунтового покриву + звіт про точність Запити: 1) Які спектральні індекси (NDVI, NDWI), щоб додати і чому написати. 2) Перелічіть контрольовані етапи класифікації; Підкресліть, що зразки для навчання та ПЕРЕВІРКИ повинні бути ОКРЕМІ. 3) Помістіть матрицю помилок + загальну точність + розрахунок Каппа в скелет коду. 4) Зверніть увагу на ризик плутанини хмар/тіні та пори року.
Сильна підказка вказує набір класів, роздільну здатність, обґрунтування індексу та відмінність перевірки; результат стає вимірним.
Чотири шаблони, які можна копіювати
1) Вибір методу/індексу:
Який спектральний індекс і метод класифікації ви б порекомендували для об’єктива [мішені] і датчика [діапазони/роздільна здатність]? Для кожного вибору напишіть обґрунтування та потенційний ризик плутанини (які класи схожі один на одного).
2) Скелет коду класифікації:
Напишіть керовану структуру класифікації за допомогою Rasterio + scikit-learn: читання стрічки, розрахунок індексу, РОЗДІЛЕННЯ зразків навчання/перевірки, класифікація, матриця помилок і виведення точності. Підтримувати CRS; пояснити.
3) Налаштування оцінки точності:
Напишіть план для оцінки точності класифікації: незалежний вибірковий дизайн, матриця помилок, загальна точність, Каппа, точність виробника/користувача за класами. Поясніть, що означає кожна метрика.
4) Діагностика перешкод:
Інтерпретуйте наведену нижче матрицю помилок: які класи заважають один одному, яка можлива спектральна/сезонна причина, які додаткові дані (індекс, маска, дата) зменшать плутанину? Матриця: [матриця помилок]
Порівняння класифікаційних понять
концепція
Значення
коли
під наглядом
Навчання з позначеним прикладом
Класи заздалегідь визначені
Без нагляду
Кластеризація без міток
Відкриття, без прикладів
NDVI
індекс життєздатності рослин
Розділення рослин/голої/води
NDWI
індекс води
відокремлення водойми
Матриця помилок
Підрахунок правда/неправда
точність вимірювання
каппа
Виправлена посадка
Стандартний звіт про точність
Поширені помилки
- Вимірювання точності на навчальних прикладах. Незалежне тестування дає штучно високу точність.
- Передача карти без жодного вимірювання точності. "Виглядає добре" не є доказом точності.
- Пропуск маски хмари/тіні. Тінь змішується з водою, хмара змішується зі снігом/структурою.
- Змішування різних зображень сезону/дати. Фенологічні відмінності зрушують класи.
- Визначення занадто великої кількості подібних класів. Нерозрізнені класи знижують точність.
- Ігнорування роздільної здатності. Невеликі об’єкти неможливо класифікувати, якщо вони менші за один піксель.
Підсумовуючи
У дистанційному зондуванні штучний інтелект прискорює робочий процес від мультиспектральних даних до картографування ґрунтового покриву та може взяти на себе більшу частину класифікації. Але карта класифікації корисна, лише якщо вимірюється її точність: стандартно побудувати матрицю помилок із незалежними базовими зразками істинності та обчислити загальну точність і Каппа. Хмара/тінь, сезонні коливання та подібні класи є типовими джерелами перешкод; Керуйте ними за допомогою узгодженості індексів, масок і дат. Ніколи не змішуйте навчальні та перевірочні зразки.
Аплікаційне завдання
Виберіть питання про земельний покрив (наприклад, «карта міських зелених зон»). Запишіть набір класів, діапазони та індекси, які ви будете використовувати (принаймні NDVI). Нехай штучний інтелект створить робочий процес класифікації під контролем; переконайтеся, що зразки навчання та перевірки є окремими, а матриця помилок + розрахунок Каппа включено у вихідні дані. Потім складіть список «ризику плутанини»: які два класи схожі та як ви їх відрізняєте.
контрольний список
- [ ] Я зберіг набір класів маленьким і помітним.
- [ ] Я додав відповідні для цієї мети спектральні індекси (NDVI/NDWI).
- [ ] Я розділив приклади навчання та перевірки.
- [ ] Я перевірив маску хмари/тіні та консистенцію сезону.
- [ ] Я вимірював точність незалежною базовою правдою.
- [ ] Я повідомив про матрицю помилок, загальну точність і Каппа.
- [ ] Я діагностував і виліковував плутанину в класі.
- [ ] Я піддав його інженеру на схвалення, щоб карта була точною для використання за призначенням.