Прибуток:
- Розуміння логіки виявлення за допомогою штучного інтелекту розповсюдження міст, забудови та зміни земельного покриву за допомогою дистанційного зондування та супутникових зображень.
- Здатність критично оцінювати класифікацію зображень і змінювати результати виявлення з інформацією про точність, роздільну здатність і дату
- Здатність розуміти, що межі, які штучний інтелект виділяє із зображення, мають бути підтверджені польовими й офіційними записами й не можуть бути юридичним доказом.
Неможливо по одному вийти на поле, щоб побачити, куди, наскільки і як швидко виросло місто за останнє десятиліття. Замість цього планувальники використовують дистанційне зондування (зображення Землі за допомогою супутників і літаків і отримання даних). Порівнюючи супутникові зображення за різні дати, ви можете виявити нове будівництво, втрачені сільськогосподарські угіддя, розширення незаконної забудови або скорочення зелених насаджень. ШІ є потужним прискорювачем у класифікації цих зображень (позначаючи кожен піксель як «структура», «рослина», «вода» тощо) і виявляючи зміни між двома датами. Але аналіз зображень повний роздільної здатності, дати, тіні, хмари та помилок класифікації. «Зміна», що прапорці AI можуть бути тінню, сезонною різницею або помилкою. Таким чином, жоден висновок, зроблений на основі зображення, не може бути використаний як основа для судових дій без підтвердження польовими та офіційними документами.
Основні поняття ДЗЗ
Роздільна здатність: площа, яку займає піксель на землі. При роздільній здатності 10 метрів один піксель відповідає 10x10 метрів; Невеликої прибудови не видно. Висока роздільна здатність (наприклад, 0,3-1 метр) означає більше деталей, але дорожчі та менш часті дані.
Спектральний діапазон: супутники також записують світло, яке око не бачить (наприклад, інфрачервоне). Рослинність світиться в інфрачервоному діапазоні; це полегшує відокремлення рослини від конструкції. Такі індекси, як NDVI (простий калькулятор, який вимірює енергію рослин), є звичайними для відстеження нових територій.
Дата та сезон: якщо два зображення в різні сезони, зменшення зеленого кольору може бути не «втратою», а приходом зими. Гармонія дати та пори року є важливою для порівняння.
Точність: значення, яке визначає, наскільки точна класифікація. «85-відсоткова точність» означає, що один з кожних шести пікселів може бути неправильно позначений; Це значна похибка для процесу аудиту.
Увага: споруда, виявлена ШІ на супутниковому знімку, сама по собі не є доказом незаконної споруди. Помилка тіні, роздільної здатності, дати та класифікації викликають помилкові спрацьовування. Перевірка та правозастосування завжди вимагають контролю на місці, реєстрації правовстановлюючого документа/ліцензії та офіційного вимірювання.
Найбільша цінність, яку безкоштовні та відкриті супутникові дані (такі джерела, як європейська програма Sentinel і американська програма Landsat) приносять плануванню, — це історичні часові ряди: ви маєте доступ до десятків зображень тієї самої території за роки. Це дає змогу вийти за межі одного порівняння «до/після» та побачити швидкість розповсюдження району, сезонні коливання та тенденції. ШІ допомагає узагальнювати ці довгі ряди та відокремлювати значущі моделі змін від шуму. Але те саме правило застосовується до часових рядів: незалежно від того, наскільки чіткою є тенденція, саме роздільна здатність зображень, швидкість хмарності та сезонність визначають результат; Жодна тенденція не може вважатися достовірною без звіту про ці три фактори.
Логіка виявлення змін
Існує кілька способів порівняння двох датованих зображень: класифікація обох дат і порівняння класів, отримання різниці індексів (наприклад, різниця NDVI) або пряме створення карти «змінено/незмінено» за допомогою моделі ШІ. У результаті виходить карта змін: де нова структура, де втрачена рослина. Ця карта є неоціненною як попередній перегляд — вона каже планувальнику «подивіться туди». Але кожен знак окремо перевіряється, чи це справжня зміна, чи помилка.
Крок за кроком: аналіз змін за допомогою AI
- Дайте визначення питання. «Де нове будівництво в [районі] між 2018 і 2024 роками?»
- Виберіть зображення. Схожий сезон, прийнятна роздільна здатність, низька хмарність.
- Попередня обробка. Піднесіть його до того самого CRS, вирівняйте, застосуйте маску хмари/тіні.
- Класифікувати/порівняти. Створіть клас або змініть карту за допомогою ШІ.
- Оцініть точність. Вимірюйте точність за допомогою відомих опорних точок.
- Поле та підтвердження реєстрації. Перевірте позначені зміни з документом на право власності/ліцензією та сайтом, якщо необхідно.
- Ліміти звітів. Напишіть чітко дату, резолюцію, точність і допустиму похибку.
Слабка підказка / Сильна підказка
Слабка підказка: «Скажи мені, що змінилося з цих двох зображень».
AI створює гарний, але непевно точний список; Ви можете подумати, що різниця в тіні та сезоні є справжньою зміною.
Суттєва підказка: «Я порівнюю секретні дані ґрунтового покриву за дві дати (липень 2018 р. / липень 2024 р., той самий сезон, роздільна здатність 10 м). Повідомляючи про аналіз змін, чітко вкажіть: які зміни можуть бути хибними спрацьовуваннями через відтінок/сезон/роздільну здатність, які визначення вимагають польової перевірки та як слід вимірювати точність. Не будьте остаточними; занотуйте кожне відкриття за допомогою «потрібне польове підтвердження».»
Друга підказка змушує ШІ чітко повідомляти про невизначеність і джерела помилок.
Чотири шаблони, які можна копіювати
Завдання: Критично оцініть наступні результати виявлення змін. Перелічіть можливі джерела ПОМИЛОК для кожного виявлення: тінь, хмара, сезон, роздільна здатність, помилка класифікації. Додайте примітку «Потрібне підтвердження поля». Не виносьте остаточних суджень. Результати / дата / рішення: [...]
Завдання: Напишіть контрольний список критеріїв відбору зображень для аналізу міських змін: сезонність, роздільна здатність, швидкість хмарності, діапазон дат, CRS. Створіть запитання, щоб дізнатися, чи відповідають мої зображення цим критеріям. Інформація про зображення: [...]
Завдання: СКЛАДУЙТЕ звіт за наступними результатами аналізу змін. У кожному висновку чітко вкажіть роздільну здатність, дату, точність і допустиму похибку. Оформіть результати як «попередній відбір»; Підкресліть, що для інспекції/санкції потрібне підтвердження польового та офіційного запису. Висновки: [...]
Завдання: Запропонуйте простий спосіб оцінки точності класифікації: скільки опорних точок, як вибрати, як розрахувати точність (зрозуміле пояснення). Яке твердження істини має бути написано у звіті, наприклад. Контекст: [...]
Таблиця: тип даних і використання
дані
дозвіл
сильна сторона
обмеження
супутник середньої роздільної здатності
10-30м
Вільна, часта, широка територія
Пропускає дрібну структуру
супутник високої роздільної здатності
0,3-1м
Детальне виявлення структури
Дорогий, рідкісний, хмарний ризик
Аерофотознімок / ортофото
0,1-0,3м
Дуже детально, офіційно
Частота оновлення низька
БПЛА (дрон)
рівень см
Миттєво, дуже детально
Невелика площа, дозвіл/закон
три міні-чохла
Випадок 1 — Тіньова ілюзія. Муніципалітет бачить знаки «нове будівництво» в районі на карті змін AI. Польова команда йде; Більшість знаків являють собою довгі тіні, що утворюються на денному зображенні. Реальна кількість новобудов становить половину знаків. ШІ попередньо перевірив, але якщо використовувати без підтвердження, це створить помилкові хвилини.
Випадок 2 — втеча малої структури. Планувальник намагається відстежити невеликі склади на сільськогосподарському полі за допомогою вільного супутника з роздільною здатністю 10 метрів. Оскільки склади мають розміри 6х8 метрів, вони залишаються під одним пікселем і їх не видно. Планувальник перемикається на ортофото з високою роздільною здатністю для фактичного відстеження. Роздільна здатність визначає те, що можна побачити.
Кейс 3 — Прозорий звіт. Одна команда аналізує 6-річний розкид регіону та чітко пише у звіті, що «виявлення є попереднім скануванням із 82-відсотковою точністю; 47 точок очікують підтвердження на місці; дати зображень і роздільна здатність додаються». Парламент оцінює результат правильною вагою. Повідомлення про невизначеність, а не приховування, робить аналіз надійним.
Поширені помилки
- Помилкове виявлення як доказ. Зображення попередньо сканується; Потрібні санкції та офіційна реєстрація.
- Невідповідність сезону/дати. Різні сезонні зображення створюють помилкові варіації.
- Ігнорування роздільної здатності. Дрібні структури не видно при низькій роздільній здатності; Це не «жоден».
- Недостовірність звіту. Приховування похибки призводить до неправильних рішень.
- Забувши тінь і хмару. Два найпоширеніших джерела помилкових спрацьовувань.
- Невідповідність CRS. Невирівняні зображення змінюються не в тому місці.
Підсумовуючи
Супутникові та аерофотознімки є найпотужнішими способами побачити міські зміни в масштабі та швидкості; AI прискорює класифікацію та виявлення змін. Але роздільна здатність визначає, що можна побачити, сезон і дата визначають, що є реальним, тінь і хмара визначають, що є хибним позитивним результатом. Точність завжди слід вимірювати та повідомляти. Найголовніше: виявлення із зображення є попереднім скануванням; Польовий контроль, реєстрація правовстановлюючого документа/ліцензії та офіційне вимірювання є важливими для перевірки та санкцій. ШІ прискорює бачення, а не прийняття рішень.
Аплікаційне завдання
Розгляньте пару зображень (або сценаріїв) із двома різними датами. (1) Перевірте критерії вибору зображення за допомогою другого шаблону: сезон, роздільна здатність, чи підходить хмара? (2) Припустіть список виявлення змін і витягніть можливі джерела помилок для кожного виявлення за допомогою початкового шаблону. (3) Створіть чернетку звіту за третім шаблоном і додайте точність і допустиму похибку. (4) Запишіть, які визначення вимагатимуть підтвердження на місці та як ви це зробите.
контрольний список
- [ ] Я перевірив сезон, дату та сумісність роздільної здатності зображень.
- [ ] Я вирівняв зображення за тим самим CRS; Я взяв до уваги маску хмари/тіні.
- [ ] Я розглядав виявлення змін як попередню перевірку, а не як доказ.
- [ ] Я оцінив і повідомив про точність класифікації.
- Я підтвердив зміни, позначені [ ], польовими та офіційними записами.
- [ ] Я зауважив, що обмеження роздільної здатності може пропустити.
- [ ] Я чітко написав у звіті дату, резолюцію та допустиму похибку.