Lợi nhuận:
- Khả năng diễn giải các lớp GIS, NDVI và các khái niệm về độ phân giải/băng viễn thám
- Giải thích chỉ mục, phân tích thay đổi và soạn thảo tường thuật bản đồ bằng AI
- Khả năng xác minh việc giải thích bản đồ/vệ tinh của AI bằng siêu dữ liệu và sự thật thực tế
Bạn là một kỹ sư môi trường đang làm việc trong một dự án bảo tồn vùng đất ngập nước. Hội đồng muốn bạn điều tra các khiếu nại rằng thảm sậy ven hồ đã bị thu hẹp trong 5 năm qua. Trước khi đến hiện trường, bạn cần đánh giá sơ bộ tại bàn làm việc: bạn có hình ảnh vệ tinh từ hai năm khác nhau, một dự án GIS (Hệ thống thông tin địa lý) và một mô hình ngôn ngữ. Bạn có thể yêu cầu LLM giải thích bản tóm tắt NDVI của các hình ảnh và viết bản nháp tường thuật sự thay đổi. Tuy nhiên, một pixel vệ tinh đại diện cho một hình vuông có diện tích 10 mét và bạn chỉ có thể hiểu liệu có bóng mây, lau sậy khô hay mực nước theo mùa trong hình vuông đó với sự thật trên mặt đất hay không. Trong học phần này, chúng tôi đề cập đến các khái niệm về viễn thám và GIS, giải thích chỉ mục/thay đổi bằng AI và quan trọng nhất là các giới hạn của cách giải thích này.
Logic lớp GIS và các nguyên tắc cơ bản về viễn thám
GIS tổ chức dữ liệu địa lý thành các lớp chồng lên nhau: mỗi lớp mang một chủ đề (sử dụng đất, vùng nước, độ cao, đường) và được căn chỉnh trong một hệ tọa độ chung. Quá trình phân tích bắt đầu bằng việc chồng các lớp chính xác trong hình chiếu chính xác; hệ tọa độ sai sẽ làm sai lệch các khu vực và khoảng cách một cách có hệ thống.
Khi giải thích ảnh viễn thám, bạn phải phân biệt ba loại độ phân giải:
Loại độ phân giải
Nó nói gì?
ví dụ
giới hạn
không gian
Kích thước của một pixel trên mặt đất
10m, 30m
Các đối tượng nhỏ vẫn là pixel phụ
quang phổ
Có bao nhiêu và dải bước sóng nào?
Đỏ, NIR, SWIR
Ít băng tần hơn = ít khả năng phân biệt đối xử hơn
tạm thời
Tần suất xem cùng một địa điểm
5 ngày, 16 ngày
Mất dữ liệu vào những ngày nhiều mây
Đo bức xạ
Độ nhạy độ chói (độ sâu bit)
8 bit, 12 bit
Độ sâu thấp = khả năng phân biệt kém
NDVI: công thức và giải thích
Chỉ số phổ biến nhất đo lường sức sống của thảm thực vật là NDVI (Chỉ số thực vật khác biệt chuẩn hóa). Cây khỏe mạnh phản xạ mạnh tia hồng ngoại gần (NIR) và hấp thụ màu đỏ (ĐỎ):
NDVI = (NIR − RED) / (NIR + RED)Phạm vi giá trị: −1 ... +1 < 0 : nước, tuyết, mây 0,0 - 0,2 : đất trống, đá, khu vực xây dựng 0,2 - 0,5 : thảm thực vật thưa thớt/thảo mộc, lớp phủ căng thẳng 0,5 - 0,9 : lớp phủ xanh dày đặc, khỏe mạnh
# NDVI của một khối pixel mẫu nhỏ nhập numpy dưới dạng npnir = np.array([[0.42, 0.38], [0.11, 0.45]]) # phản xạ hồng ngoại gần = 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]]# Pixel dưới cùng bên trái (0,05): không phải cây - có thể là mặt đất trống hoặc nước/bóng tối
Mẹo: NDVI không phải là thước đo tuyệt đối về "sức khỏe" mà là chỉ số phụ thuộc vào tình trạng. Khi so sánh hai NDVI có niên đại của cùng một khu vực, hãy đảm bảo các hình ảnh được chụp vào các mùa giống nhau, góc mặt trời giống nhau và điều kiện không có mây. So sánh diện mạo cuối hè với mùa xuân tạo ra hiện tượng “mất cây” không thực tế.
Phân tích thay đổi (phát hiện thay đổi)
Cách đơn giản để tìm ra sự khác biệt giữa hai ngày tháng là lấy chênh lệch NDVI, nhưng sự khác biệt này chỉ có ý nghĩa nếu có thể so sánh được các hình ảnh.
ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0 : có thể mất độ che phủ (khô, cắt, xây dựng) ΔNDVI ≈ 0 : không thay đổi ΔNDVI >> 0 : có thể tăng độ che phủ (phủ xanh, phục hồi) CHÚ Ý: Sự khác biệt có thể phản ánh sự thay đổi thực tế cũng như sự khác biệt về mùa/mây/góc mặt trời/hiệu chuẩn. Sự khác biệt = thay đổi thực sự + tiếng ồn.
Thận trọng: Đám mây, bóng mây và tính thời vụ là những yếu tố cản trở việc phân tích thay đổi lớn nhất. Khu vực dưới bóng mây cho NDVI thấp và trông giống như "mất thực vật". Khi LLM thực hiện giải thích hình ảnh, mô hình có thể nhầm lẫn những tạo phẩm này với sự kiện thực. Đảm bảo kiểm tra siêu dữ liệu hình ảnh (ngày, tỷ lệ đám mây, góc mặt trời).
Giải thích chỉ mục và tường thuật bản đồ với AI
LLM rất hữu ích trong việc chuyển các bản tóm tắt chỉ số bằng số thành bản tường thuật đơn giản và tạo ra các báo cáo dự thảo. Cung cấp cho nó số liệu thống kê và siêu dữ liệu NDVI thô và yêu cầu nó tạo nhận xét để bạn xác minh.
NHỚ YẾU: "Vùng đất ngập nước có trở nên nhỏ hơn trong ảnh vệ tinh này không?" NHẮC NHỞ MẠNH: "Tôi đưa ra hai số liệu thống kê về NDVI theo ngày (cùng khu vực, cùng cảm biến): 2020-07-15 trung bình NDVI=0,61 đám mây=3% góc mặt trời=58°2025-07-12 trung bình NDVI=0,42 đám mây=22% góc mặt trời=55°Khu vực quan tâm: thảm sậy ven hồ, ~40 ha. Nhiệm vụ của bạn:1) Tính toán ΔNDVI và liệt kê có thể diễn giải.2) Liệt kê những lý do (mây, bóng râm, mực nước, mùa, hiệu chỉnh) sự suy giảm này có thể là do (mây, bóng râm, mực nước, mùa, hiệu chỉnh) KHÁC NGOÀI LÀ mất độ che phủ THỰC TẾ.3) Đối với mỗi nguyên nhân có thể, hãy đề xuất một bước XÁC MINH để phân biệt (ví dụ: lựa chọn hình ảnh không có mây, đi thực địa, ghi lại mực nước). xác nhận điều đó.”
Lời nhắc mạnh mẽ hướng mô hình không phải đến một kết luận dứt khoát duy nhất mà đến một kế hoạch giải thích và xác minh thay thế. Việc hình ảnh năm 2025 chứa 22% đám mây khiến bản thân sự suy giảm này trở nên đáng ngờ.
Xác minh sự thật mặt đất
Tiêu chuẩn vàng của giải đoán viễn thám là các điểm xác minh bằng các quan sát và đo lường được thực hiện tại hiện trường. Bạn ghi lại lớp phủ mặt đất thực tế bằng GPS tại một số điểm tham chiếu và so sánh nó với phân loại hình ảnh. Nếu trường hiển thị "sậy khô" trong pixel mà AI hoặc thuật toán cho biết "nước" thì việc phân loại là không đáng tin cậy.
trường hợp nhỏ
Trong giám sát tác động môi trường của một địa điểm khai thác, nhóm đã soạn thảo “15 ha rừng bị mất do hoạt động khai thác” dựa trên mức giảm NDVI được tính toán từ hình ảnh vệ tinh và đã mở rộng cách diễn giải thành LLM; mô hình đã tạo ra một câu chuyện trôi chảy, thuyết phục. Tuy nhiên, khi nhóm kiểm tra báo cáo tại hiện trường, người ta thấy một phần khu vực có NDVI thấp thực chất là thửa đất nông nghiệp đã thu hoạch và một phần là bóng mây trùng với ngày chụp ảnh. Diện tích rừng thực tế bị mất là khoảng 4 ha chứ không phải 15. Nếu siêu dữ liệu (mặt nạ đám mây) và lớp sử dụng đất đã được kiểm tra trước thì lỗi này đã được ngăn chặn ngay từ đầu. Những câu văn gọn gàng của LLM không hề nhập sai đúng.
Những lỗi thường gặp
- So sánh các hình ảnh về mùa/góc mặt trời khác nhau và nhầm lẫn sự khác biệt theo mùa với "sự thay đổi".
- Giải thích mây và bóng mây là tổn thất che phủ thực tế; bỏ qua mặt nạ đám mây.
- Đưa ra đánh giá chính xác từ dữ liệu pixel về các vật thể nhỏ vượt quá độ phân giải không gian.
- Tính toán sai diện tích và khoảng cách do hệ tọa độ/hình chiếu không khớp.
- Nghĩ rằng NDVI là thước đo tuyệt đối cho sức khỏe và xử lý các pixel nước và bóng như thể chúng là thực vật.
- Đưa tường thuật về bản đồ chất lỏng của LLM vào báo cáo như một phát hiện cuối cùng không có căn cứ thực tế.
- Báo cáo kết quả mà không ghi lại siêu dữ liệu (ngày, cảm biến, % đám mây, mức xử lý).
Tóm lại
- Các phân tích GIS được xây dựng trên các lớp được căn chỉnh trong một hệ tọa độ chung; Lỗi chiếu làm biến dạng kết quả.
- Độ phân giải không gian, quang phổ, thời gian và bức xạ giới hạn những gì hình ảnh có thể hiển thị.
- NDVI = (NIR−RED)/(NIR+RED) là chỉ báo có điều kiện về sức sống của thực vật, không phải là thước đo tuyệt đối về sức khỏe.
- Trong phân tích thay đổi, sự khác biệt = thay đổi thực sự + nhiễu; Đám mây, bóng tối và mùa là những kẻ lừa dối lớn nhất.
- LLM đưa ra giải thích chỉ mục và phác thảo tường thuật bản đồ, nhưng không "nhìn thấy" hình ảnh vệ tinh; Nhận xét theo số lượng bạn đưa ra.
- Giải thích AI và phân loại tự động không thể được chuyển thành phát hiện môi trường cuối cùng nếu không được xác minh bằng siêu dữ liệu và sự thật thực tế.
Nhiệm vụ ứng dụng
Tạo hoặc giả sử hai bản tóm tắt NDVI ghi ngày tháng cho một trường (bạn chọn hoặc mẫu); Lưu ý siêu dữ liệu (ngày, tỷ lệ đám mây, góc mặt trời, cảm biến) cho mỗi ngày. Tính ∆NDVI. Viết một lời nhắc mạnh mẽ và yêu cầu LLM không chỉ yêu cầu thay đổi lớp phủ thực tế mà còn đưa ra các giải thích thay thế (mây, bóng, mùa, mực nước, hiệu chỉnh) và bước xác minh cho từng loại. Sau đó soạn thảo một “kế hoạch xác minh sự thật cơ bản”: ít nhất ba điểm tham chiếu, những gì sẽ được đo lường tại hiện trường và nó sẽ so sánh như thế nào với việc diễn giải hình ảnh. Cuối cùng, đánh dấu tuyên bố nào trong bài tường thuật do LLM đưa ra là "không thể đưa vào báo cáo nếu không xác minh" và viết lý do.