ریموٹ سینسنگ اور سیٹلائٹ امیج کی درجہ بندی

فائدہ:

• یہ بتانے کی صلاحیت کہ کس طرح ملٹی اسپیکٹرل سیٹلائٹ ڈیٹا، بینڈ کے امتزاج اور اسپیکٹرل انڈیکس (NDVI وغیرہ) کو AI کے ساتھ استعمال کیا جاتا ہے۔
• اے آئی سپورٹ کے ساتھ زیر نگرانی/غیر زیر نگرانی درجہ بندی اور لینڈ کور میپنگ ورک فلو کو ترتیب دینے کی اہلیت
• زمینی سچائی اور ایرر میٹرکس/درستگی کے معیار کے ساتھ درجہ بندی کے آؤٹ پٹ کو جانچنے کی صلاحیت

ریموٹ سینسنگ مصنوعی سیارہ یا فضائی پلیٹ فارمز پر موجود سینسر کے ذریعے زمین کی سطح کو جسمانی رابطے کے بغیر ماپنے کی سائنس ہے۔ سیٹلائٹ امیج دراصل تصویر نہیں ہوتی بلکہ متعدد طول موجوں پر ریکارڈ کی گئی پیمائش کی تہوں کا مجموعہ ہوتی ہے اور ان تہوں کو ذہانت سے ملا کر زمینی احاطہ (جنگل، پانی، زراعت، تعمیرات) کو نقشہ بنایا جا سکتا ہے۔ اس یونٹ میں، ہم اس بات کا احاطہ کرتے ہیں کہ کس طرح مصنوعی ذہانت اس ورک فلو کو تیز کرتی ہے، ملٹی اسپیکٹرل ڈیٹا سے لے کر لینڈ کور کی درجہ بندی تک، اور جہاں ماہر کا فیصلہ ناگزیر ہے۔ اصول: AI درجہ بندی کو تیار یا کوڈ کرتا ہے۔ نقشہ کی درستگی انجینئر میں آزاد زمینی سچائی اور غلطی میٹرکس سے ماپا جاتا ہے۔

بنیادی شرائط۔ ایک ملٹی اسپیکٹرل امیج وہ ہے جو کئی طول موج کے بینڈوں میں ریکارڈ کی جاتی ہے (نیلے، سبز، سرخ، اورکت کے قریب، وغیرہ)؛ ہر بینڈ ایک پرت ہے. ہائپر اسپیکٹرل بہت زیادہ امیر ہے لیکن ڈیٹا پر کارروائی کرنا مشکل ہے، جس میں دسیوں سے سینکڑوں تنگ بینڈ ہوتے ہیں۔ سپیکٹرل انڈیکس وہ نمبر ہے جو بینڈوں کے ریاضیاتی امتزاج کے ذریعے کسی رجحان کو نمایاں کرتا ہے۔ سب سے مشہور، NDVI (نارملائزڈ ڈیفرنس ویجیٹیشن انڈیکس)، قریب کے انفراریڈ اور ریڈ بینڈ کے درمیان فرق کا استعمال کرتے ہوئے سبز پودوں کی طاقت کی پیمائش کرتا ہے۔ زیر نگرانی درجہ بندی میں ماڈل کو پہلے سے لیبل والے نمونے والے علاقوں کی تربیت اور پوری تصویر کی درجہ بندی کرنا شامل ہے۔ غیر زیر نگرانی درجہ بندی لیبل کے بغیر مماثلت کی بنیاد پر ڈیٹا کو کلسٹر کرنا اور بعد میں اس کی تشریح کرنا ہے۔

ریموٹ سینسنگ میں AI کا کردار

مصنوعی ذہانت اس میدان میں تین سطحوں پر حصہ ڈالتی ہے:

1. ورک فلو اور طریقہ کا انتخاب۔ "اس سوال کے لیے کون سا بینڈ، کون سا اشاریہ، کون سا درجہ بندی موزوں ہے؟" آپ کے فیصلے میں آپ کی رہنمائی کرتا ہے؛ کوڈ کنکال تیار کرتا ہے۔
2. درجہ بندی خود۔ جدید ڈیپ لرننگ ماڈلز لاکھوں پکسلز کو لینڈ کور کلاسز میں ترتیب دیتے ہیں۔ یہ درمیانے درجے سے زیادہ شراکت کا علاقہ ہے جہاں AI اصل کام کرتا ہے۔
3. نتائج کی تشریح اور رپورٹنگ۔ یہ کلاس کے اعدادوشمار، تجزیہ اور درستگی کی رپورٹ کو پڑھنے کے قابل متن میں نقل کرتا ہے۔

بلائنڈ اسپاٹ: ماڈل اس ڈیٹا پر منحصر ہوتا ہے جس پر اسے تربیت دی جاتی ہے اور جو مثالیں آپ فراہم کرتے ہیں۔ بادل کا سایہ اور پانی، ننگی مٹی اور کٹائی کے بعد کا کھیت، کم پانی اور گیلی زمین آسانی سے مل جاتی ہے۔ لہذا درجہ بندی کا نقشہ صرف اس لیے درست نہیں ہے کہ یہ اچھا لگتا ہے۔ درستگی کی پیمائش کی جانی چاہئے۔

مشورہ: درجہ بندی شروع کرنے سے پہلے اپنے سوال کی وضاحت کریں۔ "زمین کے احاطہ کی درجہ بندی" مبہم ہے۔ "2020-2025 کے درمیان تعمیر کے حق میں زرعی زمین کے نقصان کا نقشہ بنائیں" کلاس سیٹ اور تصدیق کے معیار دونوں کا تعین کرتا ہے۔

مرحلہ وار: لینڈ کور کی درجہ بندی

1. ڈیٹا اور ٹیپ تیار کریں۔ تصویر کے کلاؤڈ کور، شوٹنگ کی تاریخ، ریزولوشن (پکسل سائز) اور بینڈ آرڈر کی تصدیق کریں۔ مختلف تاریخ/سیزن کلاسز کو تبدیل کرتا ہے۔
2. کلاس سیٹ کی وضاحت کریں۔ کتنے طبقے، کون سے (پانی، جنگل، زراعت، تعمیرات، ننگی زمین)؟ کم اور زیادہ امتیازی کلاسیں زیادہ قابل اعتماد ہیں۔
3. اشاریہ جات کا حساب لگائیں۔ این ڈی وی آئی (پلانٹ)، این ڈی ڈبلیو آئی (پانی) جیسے اشاریے کلاسوں میں فرق کرتے ہیں۔ درجہ بندی کرنے والے کا ان پٹ بن جاتا ہے۔
4. تربیتی نمونے جمع کریں (نگرانی کے لیے)۔ نمونہ کثیر الاضلاع ہر کلاس کے لیے خطوں کی تصدیق سے تصدیق شدہ۔ نمونہ کا معیار درستگی کا تعین کرتا ہے۔
5. درجہ بندی اور تصدیق کریں۔ ماڈل کو تربیت دیں، پھر آزاد (غیر تربیت یافتہ) نمونوں کے ساتھ ایک ایرر میٹرکس بنائیں اور مجموعی درستگی اور کاپا کا حساب لگائیں۔

زمینی سچائی اور غلطی میٹرکس

درجہ بندی کی درستگی آنکھ کے فیصلے سے نہیں ماپا جاتا ہے۔ زمینی سچائی فیلڈ میں یا قابل اعتماد اعلی ریزولوشن ماخذ میں معلوم سچے طبقے کے آزاد نمونے ہیں۔ ان مثالوں کے ساتھ، ایک کنفیوژن میٹرکس قائم ہوتا ہے: یہ شمار کیا جاتا ہے کہ ہر کلاس کتنی بار درست ہے اور کتنی بار کس کلاس کے ساتھ الجھتی ہے۔ اس سے، مجموعی درستگی (تناسب کو درست طریقے سے درجہ بندی کیا گیا ہے) اور کاپا (معاہدے کا ایک پیمانہ جو موقع کے اثر کو درست کرتا ہے) کا حساب لگایا جاتا ہے۔ اس کے علاوہ، پروڈیوسر کی درستگی (اس کلاس میں کتنی پکڑی گئی تھی) اور صارف کی درستگی (وہ کلاس کتنی قابل اعتماد ہے) کو کلاس کی بنیاد پر رپورٹ کیا جاتا ہے۔

احتیاط: تربیت کے لیے آپ جو مثالیں استعمال کرتے ہیں ان سے درستگی کی پیمائش نہ کریں۔ اگر وہی مثالیں تربیت اور جانچیں، درستگی مصنوعی طور پر زیادہ ہو جاتی ہے۔ یہ ایک وہم ہے۔ توثیق کے نمونے آزاد ہونے چاہئیں۔

تین چھوٹے کیسز: نمبرز کے حساب سے

کیس 1 - بادل کے سائے کو پانی سمجھ لیا گیا۔ ایک درجہ بندی میں، جب ماڈل نے بادلوں کے سائے کو "پانی" کے طور پر لیبل کیا، تو جھیل کا رقبہ وہاں بڑھتا گیا جہاں یہ حقیقت میں نہیں تھا۔ پانی کی کلاس کے صارف کی درستگی 70 فیصد تک گر گئی۔ جب NDWI انڈیکس اور کلاؤڈ ماسک کو شامل کیا گیا تو، سایہ/پانی کی مداخلت کم ہوئی اور پانی کی درستگی 90% سے بڑھ گئی۔

کیس 2 - رپورٹ زمینی سچائی سے برآمد ہوئی۔ ایک زرعی انوینٹری مطالعہ نے ابتدائی درجہ بندی کی مجموعی طور پر 82% درستگی کی اطلاع دی، لیکن اس کی پیمائش تربیتی نمونوں سے کی گئی۔ جب 120 آزاد زمینی سچائی پوائنٹس کے ساتھ دوبارہ پیمائش کی گئی تو، اصل مجموعی درستگی 71% تھی۔ زراعت اور ننگی زمین شدید مداخلت کر رہے تھے۔ اضافی تربیتی مثالوں کے ساتھ، درجہ بندی کو بہتر بنایا گیا اور درستگی 84% تک بڑھ گئی۔ سبق: درستگی کو آزاد نمونے سے ماپا جاتا ہے۔

کیس 3 - موسمی جال۔ جب دو مختلف تاریخوں (بہار اور موسم گرما کے آخر) پر لی گئی تصاویر کو آپس میں ملایا گیا تو، کاٹے گئے کھیتوں کو "ننگی زمین" کلاس میں منتقل کر دیا گیا اور زرعی رقبہ 15 فیصد غائب دکھائی دیا۔ نتائج میں بہتری آئی جب ایک ہی سیزن سے تصاویر کا انتخاب کیا گیا اور فینولوجیکل مستقل مزاجی حاصل کی گئی۔

کمزور پرامپٹ / مضبوط اشارہ

کمزور اشارہ:

اس سیٹلائٹ تصویر کی درجہ بندی کریں۔

طاقتور اشارہ:

ٹاسک: لینڈ کور کی درجہ بندی کا ورک فلو بنائیں (بشمول Python/rasterio + scikit-learn code skeleton) سیاق و سباق:- سینسر: 4 بینڈ (نیلا، سبز، سرخ، NIR)، 10 میٹر ریزولیوشن- کلاسز: پانی، جنگل، زراعت، تعمیر، bare_ground- مقصد: موجودہ زمینی احاطہ کی رپورٹ میں: موجودہ زمینی احاطہ کی رپورٹ + (NDVI, NDWI) شامل کرنا اور کیوں لکھنا۔ 2) زیر نگرانی درجہ بندی کے مراحل کی فہرست بنائیں۔ اس بات پر زور دیں کہ تربیت اور تصدیق کے نمونے الگ الگ ہونے چاہئیں۔ 3) کوڈ سکیلیٹن میں ایرر میٹرکس + مجموعی درستگی + کاپا کیلکولیشن رکھیں۔ 4) بادل/سائے اور موسم کی الجھنوں کے خطرات کو نوٹ کریں۔

مضبوط پرامپٹ کلاس سیٹ، ریزولیوشن، اشاریہ کی عقلیت، اور توثیق کی تفریق کی وضاحت کرتا ہے۔ آؤٹ پٹ قابل پیمائش ہو جاتا ہے.

چار کاپی ایبل ٹیمپلیٹس

1) طریقہ/انڈیکس کا انتخاب:

مقصد [ٹارگٹ] اور سینسر [بینڈز/ریزولوشن] کے لیے آپ کس سپیکٹرل انڈیکس اور درجہ بندی کا طریقہ تجویز کریں گے؟ ہر انتخاب کے لیے، استدلال اور الجھن کا ممکنہ خطرہ لکھیں (جو کلاسیں ایک دوسرے سے ملتی جلتی ہیں)۔

2) درجہ بندی کوڈ کنکال:

Rasterio + scikit-learn کے ساتھ ایک زیر نگرانی درجہ بندی کا فریم ورک لکھیں: ٹیپ ریڈنگ، انڈیکس کیلکولیشن، تربیت/توثیق کے نمونوں کی علیحدگی، درجہ بندی، ایرر میٹرکس اور درستگی آؤٹ پٹ۔ CRS کو برقرار رکھنا؛ وضاحت کریں

3) درستگی کی تشخیص کا سیٹ اپ:

درجہ بندی کی درستگی کا جائزہ لینے کے لیے ایک منصوبہ لکھیں: آزاد گراؤنڈ ٹروتھ نمونہ ڈیزائن، ایرر میٹرکس، مجموعی درستگی، کاپا، پروڈیوسر/صارف کی درستگی بلحاظ کلاس۔ وضاحت کریں کہ ہر میٹرک کیا کہتا ہے۔

4) مداخلت کی تشخیص:

ذیل میں ایرر میٹرکس کی تشریح کریں: کون سی کلاسز ایک دوسرے کے ساتھ مداخلت کر رہی ہیں، ممکنہ سپیکٹرل/موسمی وجہ کیا ہے، کون سا اضافی ڈیٹا (انڈیکس، ماسک، تاریخ) الجھن کو کم کرے گا؟ میٹرکس: [غلطی میٹرکس]

درجہ بندی کے تصورات کا موازنہ

تصور

مطلب

جب

زیر نگرانی

لیبل شدہ مثال کے ساتھ تربیت

کلاسز پہلے سے طے شدہ ہیں۔

غیر زیر نگرانی

لیبل فری کلسٹرنگ

دریافت، کوئی مثال نہیں۔

این ڈی وی آئی

پلانٹ جیورنبل انڈیکس

پلانٹ/ننگے/پانی کی علیحدگی

NDWI

پانی انڈیکس

پانی کے جسم کی علیحدگی

ایرر میٹرکس

صحیح/غلط شمار

درستگی کی پیمائش

کپا

چانس سے درست فٹ

معیاری درستگی کی رپورٹ

عام غلطیاں

• تربیتی مثالوں کے ساتھ درستگی کی پیمائش۔ غیر آزاد جانچ مصنوعی طور پر اعلیٰ درستگی فراہم کرتی ہے۔
• کبھی بھی درستگی کی پیمائش کیے بغیر نقشہ حوالے کرنا۔ "اچھا لگ رہا ہے" درستگی کا ثبوت نہیں ہے۔
• کلاؤڈ/شیڈو ماسک کو چھوڑنا۔ سایہ پانی کے ساتھ مل جاتا ہے، بادل برف/ ساخت کے ساتھ گھل مل جاتے ہیں۔
• مختلف موسم/تاریخ کی تصاویر کو ملانا۔ فینولوجیکل اختلافات کلاسوں کو شفٹ کرتے ہیں۔
• بہت زیادہ اور ملتے جلتے کلاسز کی وضاحت کرنا۔ ناقابل شناخت کلاسز درستگی کو کم کرتی ہیں۔
• قرارداد کو نظر انداز کرنا۔ چھوٹی اشیاء کی درجہ بندی نہیں کی جا سکتی اگر وہ ایک پکسل سے چھوٹی ہوں۔

خلاصہ میں

ریموٹ سینسنگ میں، AI ملٹی اسپیکٹرل ڈیٹا سے لے کر لینڈ کور میپنگ تک ورک فلو کو تیز کرتا ہے اور زیادہ تر درجہ بندی پر قبضہ کر سکتا ہے۔ لیکن درجہ بندی کا نقشہ صرف اس صورت میں مفید ہے جب اس کی درستگی کی پیمائش کی جائے: یہ معیاری ہے کہ آزاد زمینی سچائی کے نمونوں کے ساتھ غلطی کا میٹرکس بنایا جائے اور مجموعی درستگی اور کاپا کا حساب لگایا جائے۔ بادل/سایہ، موسمی تغیرات، اور اسی طرح کی کلاسیں مداخلت کے عام ذرائع ہیں۔ انڈیکس، ماسک اور تاریخ کی مستقل مزاجی کے ساتھ ان کا نظم کریں۔ تربیت اور توثیق کے نمونوں کو کبھی بھی مکس نہ کریں۔

درخواست کا کام

زمین کا احاطہ کرنے والا سوال منتخب کریں (جیسے "شہری سبز جگہ کا نقشہ")۔ کلاس سیٹ، بینڈز اور انڈیکس جو آپ استعمال کریں گے لکھیں (کم از کم NDVI)۔ AI کو ایک زیر نگرانی درجہ بندی کا ورک فلو تیار کروائیں؛ یقینی بنائیں کہ تربیت اور توثیق کے نمونے الگ الگ ہیں اور ایرر میٹرکس + کاپا کیلکولیشن آؤٹ پٹ میں شامل ہے۔ پھر "الجھن کا خطرہ" کی فہرست بنائیں: کون سی دو کلاسیں ایک جیسی ہیں اور آپ انہیں کیسے الگ بتاتے ہیں۔

چیک لسٹ

• میں نے کلاس کو چھوٹا اور ممتاز رکھا۔
• میں نے اس مقصد کے لیے موزوں سپیکٹرل انڈیکس (NDVI/NDWI) شامل کیا۔
• میں نے تربیت اور توثیق کی مثالیں الگ کیں۔
• میں نے کلاؤڈ/شیڈو ماسک اور سیزن کی مستقل مزاجی کی جانچ کی۔
• میں نے آزاد زمینی سچائی کے ساتھ درستگی کی پیمائش کی۔
• میں نے ایرر میٹرکس، مجموعی درستگی، اور کاپا کی اطلاع دی۔
• میں نے کلاس مکس اپس کی تشخیص اور علاج کیا۔
• میں نے اسے انجینئر کی منظوری سے مشروط کیا ہے کہ نقشہ اس کے مطلوبہ استعمال کے لیے درست ہے۔