Lợi nhuận:
- Khả năng chọn dữ liệu vệ tinh (diện rộng) và cảm biến (cục bộ) theo câu hỏi và phân tích các chỉ số như NDVI bằng cách áp dụng mặt nạ đám mây
- Khả năng phân biệt độ lệch và sự cố với tín hiệu thực bằng cách truyền dữ liệu cảm biến IoT thông qua hiệu chuẩn và kiểm soát chất lượng
- Khả năng đưa ra kết quả giám sát dựa trên một xu hướng thay vì một ngày duy nhất và thiết lập kế hoạch xác minh dựa trên sự thật thực tế hoặc dữ liệu độc lập
Để quản lý môi trường, trước tiên cần phải nhìn thấy nó. Cần phải biết một khu rừng đã trở nên nhỏ bé như thế nào, một con sông bị ô nhiễm như thế nào hoặc một cơ sở rò rỉ bao nhiêu khí mê-tan, không phải bằng phỏng đoán mà bằng dữ liệu. Giám sát môi trường là việc đo lường thường xuyên và lặp lại tình trạng môi trường. Trong phần này, bạn sẽ tìm hiểu về hai nguồn dữ liệu lớn — vệ tinh quan sát từ không gian và cảm biến ngoài hiện trường — và vai trò của AI trong việc hiểu được dữ liệu khổng lồ này.
Khái niệm đầu tiên. Viễn thám là thu thập thông tin bằng cách đo ánh sáng phản xạ từ xa (từ vệ tinh hoặc máy bay) mà không chạm vào vật thể. Cảm biến IoT (Internet of Things) là một thiết bị nhỏ được đặt tại hiện trường và tự động gửi giá trị đo được (nhiệt độ, chất lượng không khí, mực nước) qua internet. Cùng nhau, chúng cung cấp cả bức tranh rộng (vệ tinh) và cục bộ (cảm biến) về môi trường.
Làm thế nào để đọc dữ liệu vệ tinh?
Vệ tinh không chỉ chụp ảnh; đo các bước sóng khác nhau ("dải") ánh sáng. Sự kết hợp toán học của các dải này cho thấy những gì mắt thường không nhìn thấy được. Ví dụ nổi tiếng nhất là NDVI (Chỉ số thực vật khác biệt chuẩn hóa): nó đo mật độ thực vật với con số từ 0 đến 1, dựa trên nguyên tắc cây khỏe mạnh phản xạ ánh sáng hồng ngoại rất nhiều. NDVI giảm có thể đồng nghĩa với nạn phá rừng, hạn hán hoặc thiệt hại.
Các nguồn vệ tinh mở và miễn phí phổ biến nhất là vệ tinh Sentinel (chương trình Copernicus của Châu Âu) và vệ tinh Landsat (Hoa Kỳ). Chúng được truy cập thông qua các nền tảng như Google Earth Engine hoặc bằng Python (với các thư viện như rasterio, xarray).
Mẹo: Kẻ thù lớn nhất của dữ liệu vệ tinh là đám mây. Sự sụt giảm NDVI có phải là sự mất rừng thực sự hay có một đám mây che phủ nó vào ngày hôm đó? Luôn áp dụng mặt nạ đám mây và so sánh nhiều ngày trước khi phân tích.
Dữ liệu cảm biến IoT và hiệu chuẩn
Cảm biến rẻ và phổ biến nhưng không hoàn hảo. Cảm biến chất lượng không khí giá rẻ sẽ bị trôi theo thời gian, bị ảnh hưởng bởi độ ẩm hoặc bị hỏng. Do đó, dữ liệu cảm biến ở dạng thô là không đáng tin cậy; hiệu chuẩn (hiệu chỉnh bằng cách so sánh với thiết bị tham chiếu đã biết) và kiểm soát chất lượng là rất cần thiết.
Đây AI; Nó rất mạnh mẽ trong việc viết mã để xử lý dữ liệu chuỗi thời gian và hình ảnh lớn, quét các điểm bất thường (độ lệch không mong muốn), thiết lập mô hình phân loại và tóm tắt các phát hiện. Nhưng thực tế vật lý của phép đo phụ thuộc vào quyết định hiệu chuẩn và câu hỏi "tín hiệu này là thật hay là nhiễu?" Việc giải thích thuộc về chuyên gia.
Từng bước: phân tích theo dõi
1. Xác định câu hỏi. “Thảm thực vật đã thay đổi như thế nào trong khu vực rộng 10.000 ha này trong khoảng thời gian từ năm 2020 đến năm 2024?” Một câu hỏi rõ ràng, không gian và thời gian như:
2. Chọn nguồn dữ liệu. Vệ tinh (diện rộng) hay cảm biến (cục bộ, liên tục)? Độ phân giải và tần số có phù hợp với câu hỏi không?
3. Tiền xử lý. Mặt nạ đám mây, hiệu chỉnh, gắn cờ dữ liệu bị thiếu. Nếu bước này bị bỏ qua, kết quả sẽ sai lệch.
4. Tính toán chỉ số/số liệu. NDVI, nhiệt độ trung bình, nồng độ chất ô nhiễm.
5. Tìm sự thay đổi và dị thường. Phân tích xu hướng, vượt ngưỡng, nhảy đột ngột.
6. Xác minh bằng trường. Nếu có thể, hãy xác nhận bằng sự thật; Cung cấp tín hiệu vệ tinh với chuyến thăm hiện trường hoặc dữ liệu độc lập.
ba trường hợp nhỏ
Trường hợp 1 - Rơi vào đám mây. Một tổ chức phi chính phủ về môi trường sắp gióng lên hồi chuông cảnh báo về tình trạng "phá rừng đột ngột" thì thấy NDVI ở một khu vực đã giảm 40% trong một tháng. Khi nhà phân tích áp dụng mặt nạ mây và nhìn vào các ngày lân cận, anh ta thấy rằng hầu hết hình ảnh ngày hôm đó đều nhiều mây và trong hình ảnh không mây tiếp theo, NDVI trở lại bình thường. Ngăn chặn báo động sai. Thời gian mất đi: 20 phút, danh tiếng đạt được: vô giá.
Trường hợp 2 - Cảm biến không được hiệu chỉnh. Một đô thị đang chuẩn bị một báo cáo "không khí quá ô nhiễm" với dữ liệu từ các cảm biến PM2.5 (hạt nhỏ hơn 2,5 micron - bụi mịn có thể hô hấp) chi phí thấp. Khi chuyên gia so sánh các cảm biến với một trạm tham chiếu, ông nhận thấy rằng chúng đánh giá quá cao giá trị tới hai lần ở độ ẩm cao. Khi áp dụng hiệu chỉnh độ ẩm (hiệu chuẩn), các giá trị thực sẽ xuất hiện; Sự hoảng loạn đã được ngăn chặn.
Trường hợp 3 - Tự động hóa mã. Một nhóm nghiên cứu đã lên kế hoạch dành nhiều tuần làm việc thủ công để trích xuất xu hướng NDVI từ 200 hình ảnh vệ tinh. Họ đã nhờ AI viết quy trình làm việc tự động bằng mã Google Earth Engine và Python (mặt nạ đám mây + biểu đồ xu hướng + mức trung bình NDVI hàng tháng). Quá trình phân tích mất vài phút cho 200 hình ảnh; Nhóm nghiên cứu đã dành thời gian để giải thích kết quả. Dù sao thì họ cũng đã kiểm tra từng bước của mã.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Tìm nạn phá rừng từ dữ liệu vệ tinh.
Tại sao nó yếu: Không có miền, phạm vi ngày, nguồn dữ liệu, độ phân giải và xử lý đám mây. AI cung cấp một văn bản chung chứ không phải một bản phân tích có thể thực thi được.
Lời nhắc mạnh mẽ:
Vai trò của bạn: nhà phân tích viễn thám. Viết mã Python (Earth Engine) tính toán xu hướng NDVI hàng tháng trong giai đoạn 2020-2024 cho [ranh giới KHU VỰC] với dữ liệu Sentinel-2. Các bước: (1) áp dụng mặt nạ đám mây, (2) NDVI trung bình hàng tháng, (3) vẽ biểu đồ xu hướng, (4) đánh dấu các tháng có mức giảm hơn 20%. Hãy để mã có thể thực thi được; Bình luận từng bước. Cũng lưu ý các giới hạn của dữ liệu (độ phân giải, đám mây).
Bốn mẫu có thể sao chép
1) Phân tích chỉ số vệ tinh (có mã):
Vai trò của bạn: nhà phân tích viễn thám. Viết mã Python thực thi để tính toán [NDVI/NDWI/chỉ số khác] trên [phạm vi NGÀY] cho [AREA] với dữ liệu [Sentinel-2/Landsat]. Hãy chắc chắn để thêm một mặt nạ đám mây. Đánh dấu xu hướng và sự bất thường. Chỉ định độ phân giải và giới hạn đám mây của dữ liệu trong nhận xét.
2) Kiểm soát chất lượng chuỗi thời gian của cảm biến:
Tìm kiếm các vấn đề về chất lượng trong chuỗi thời gian cảm biến sau bằng Python: dữ liệu bị thiếu, giá trị bị kẹt, nhảy đột ngột, trôi dạt, quá mức. Đánh dấu từng vấn đề bằng dấu thời gian. Đừng thay đổi dữ liệu, chỉ cần báo cáo. Thêm một gợi ý hiệu chỉnh đơn giản nếu có thể. Dữ liệu: [tại đây]
3) Sơ đồ xác minh sự thật cơ bản:
Đề xuất kế hoạch về cách tôi có thể xác minh phát hiện dựa trên vệ tinh sau đây (ví dụ: giọt NDVI) trong trường: điểm nào, phép đo nào, nguồn dữ liệu độc lập nào. Đồng thời đếm các tình huống mà phát hiện có thể sai (mây, mùa, bóng). Tìm kiếm: [tại đây]
4) Tóm tắt bất thường:
Tóm tắt những điểm bất thường được tìm thấy từ dữ liệu giám sát bên dưới bằng ngôn ngữ dễ hiểu dành cho người quản lý môi trường. Đối với mỗi điểm bất thường: ở đâu, khi nào, sai lệch bao nhiêu, nguyên nhân có thể xảy ra và ghi chú "cần được xác minh". Chắc chắn tại sao nó PHÙ HỢP; trình bày nó như một khả năng. Dữ liệu: [tại đây]
Những lỗi thường gặp
- Không áp dụng mặt nạ đám mây. Đám mây là tín hiệu giả phổ biến nhất.
- Tin tưởng vào cảm biến mà không hiệu chỉnh nó. Cảm biến giá rẻ bị trượt và bị ảnh hưởng bởi độ ẩm.
- Chỉ cần nhìn vào lịch sử. Cần có nhiều ngày và xu hướng để yêu cầu thay đổi.
- Bỏ qua sự thật mặt đất. Tín hiệu vệ tinh phải được xác nhận bằng dữ liệu hiện trường hoặc dữ liệu độc lập nếu có thể.
- Không tin vào tuyên bố "nguyên nhân chính xác" của AI. Theo dõi dữ liệu tương quan; Xác nhận lý do là một vấn đề khác.
Thận trọng: Hình ảnh vệ tinh và máy bay không người lái có độ phân giải cao có thể chứa tài sản cá nhân, con người hoặc các cơ sở nhạy cảm. Tuân thủ các hạn chế về quyền riêng tư và pháp lý (đặc biệt là dữ liệu cá nhân và bảo mật) khi chia sẻ dữ liệu theo dõi.
Tóm lại
Giám sát môi trường kết hợp dữ liệu vệ tinh (rộng) và cảm biến (cục bộ). AI; Nó là một công cụ tăng tốc mạnh mẽ để viết mã xử lý dữ liệu chuỗi thời gian và hình ảnh lớn, quét và tóm tắt bất thường. Nhưng mặt nạ đám mây, hiệu chuẩn cảm biến, so sánh nhiều ngày và xác minh sự thật thực tế thuộc về chuyên gia. Tin tưởng vào tín hiệu đã được làm sạch và xác nhận, không phải tín hiệu thô.
Nhiệm vụ ứng dụng
Chọn một trường và phạm vi ngày (thực tế hoặc giả định). 1. In mã của quy trình phân tích NDVI sang AI bằng mẫu và xác minh rằng bước mặt nạ đám mây tồn tại. Sau đó, chuyển chuỗi thời gian cảm biến mà bạn có (hoặc mẫu) thông qua kiểm soát chất lượng bằng mẫu thứ 2. Cuối cùng, với mẫu 3, hãy đưa ra kế hoạch về cách bạn sẽ xác thực một thay đổi mà bạn tìm thấy trong trường.
danh sách kiểm tra
- [ ] Tôi đã xác định việc phân tích bằng một câu hỏi không gian và thời gian rõ ràng.
- [ ] Tôi đã áp dụng mặt nạ đám mây trên dữ liệu vệ tinh.
- [ ] Tôi đã chuyển dữ liệu cảm biến qua quá trình hiệu chuẩn và kiểm soát chất lượng.
- [ ] Tôi đưa ra tuyên bố thay đổi dựa trên xu hướng chứ không phải dựa trên một ngày nào đó.
- [ ] Tôi đã lập kế hoạch xác minh phát hiện này bằng sự thật căn bản hoặc dữ liệu độc lập.
- [ ] Tôi đã tuân thủ các hạn chế về bảo mật và pháp lý.