Lợi nhuận:
- Khả năng giải thích cách sử dụng dữ liệu vệ tinh đa phổ, kết hợp băng tần và chỉ số quang phổ (NDVI, v.v.) với AI
- Khả năng định cấu hình quy trình lập bản đồ lớp phủ và phân loại có giám sát/không giám sát với sự hỗ trợ của AI
- Khả năng kiểm tra đầu ra phân loại với các tiêu chí về độ chính xác/ma trận lỗi và độ chính xác cơ bản
Viễn thám là khoa học đo bề mặt trái đất mà không cần tiếp xúc vật lý, với các cảm biến trên vệ tinh hoặc nền tảng trên không. Hình ảnh vệ tinh thực ra không phải là một bức ảnh mà là tập hợp các lớp đo được ghi lại ở nhiều bước sóng và bằng cách kết hợp các lớp này một cách thông minh, lớp phủ đất (rừng, nước, nông nghiệp, xây dựng) có thể được lập bản đồ. Trong phần này, chúng tôi đề cập đến cách trí tuệ nhân tạo tăng tốc quy trình làm việc này, từ dữ liệu đa phổ đến phân loại lớp phủ mặt đất và nơi không thể thiếu sự đánh giá của chuyên gia. Nguyên tắc: AI tạo ra hoặc mã hóa việc phân loại; Độ chính xác của bản đồ được kỹ sư đo lường bằng ma trận sai số và sự thật nền tảng độc lập.
Các điều khoản cơ bản. Hình ảnh đa phổ là hình ảnh được ghi ở nhiều dải bước sóng (xanh lam, xanh lục, đỏ, gần hồng ngoại, v.v.); mỗi dải là một lớp. Hyperspectral phong phú hơn nhiều nhưng dữ liệu khó xử lý, chứa hàng chục đến hàng trăm dải hẹp. Chỉ số quang phổ là con số làm nổi bật một hiện tượng thông qua sự kết hợp toán học của các dải; NDVI (Chỉ số thực vật khác biệt chuẩn hóa) nổi tiếng nhất, đo lường sức sống của thảm thực vật xanh bằng cách sử dụng sự khác biệt giữa dải hồng ngoại gần và dải màu đỏ. Phân loại có giám sát bao gồm việc đào tạo mô hình với các vùng mẫu được gắn nhãn trước và phân loại toàn bộ hình ảnh. Phân loại không giám sát là phân cụm dữ liệu dựa trên sự giống nhau mà không có nhãn và diễn giải nó sau này.
Vai trò của AI trong viễn thám
Trí tuệ nhân tạo đóng góp trong lĩnh vực này ở ba cấp độ:
- Lựa chọn quy trình làm việc và phương pháp. "Dải nào, chỉ số nào, bộ phân loại nào phù hợp cho câu hỏi này?" hướng dẫn bạn trong quyết định của bạn; tạo ra bộ xương mã.
- Việc phân loại chính nó. Các mô hình học sâu hiện đại sắp xếp hàng triệu pixel thành các lớp che phủ mặt đất; Đây là lĩnh vực đóng góp ở mức trung bình-cao, nơi AI thực hiện công việc thực sự.
- Giải thích kết quả và báo cáo. Nó chuyển số liệu thống kê của lớp, phân tích thay đổi và báo cáo độ chính xác thành văn bản có thể đọc được.
Điểm mù: mô hình phụ thuộc vào dữ liệu được đào tạo và các ví dụ bạn cung cấp. Bóng mây và nước, đất trống và ruộng sau thu hoạch, nước nông và mặt đất ẩm ướt hòa quyện dễ dàng. Vì vậy, một bản đồ phân loại không đúng chỉ vì nó trông đẹp mắt; độ chính xác phải được đo.
Mẹo: Hãy làm rõ câu hỏi của bạn trước khi bắt đầu phân loại. “Phân loại lớp phủ mặt đất” còn mơ hồ; “Bản đồ mất đất nông nghiệp thuận lợi cho xây dựng giai đoạn 2020-2025” xác định cả bộ phân loại và tiêu chí xác minh.
Từng bước: Phân loại lớp phủ đất
- Chuẩn bị dữ liệu và băng. Xác nhận độ che phủ mây của hình ảnh, ngày chụp, độ phân giải (kích thước pixel) và thứ tự băng tần. Các lớp thay đổi ngày/mùa khác nhau.
- Xác định tập lớp. Có bao nhiêu hạng, hạng nào (nước, rừng, nông nghiệp, xây dựng, đất trống)? Càng ít lớp có thể phân biệt được thì càng đáng tin cậy.
- Tính toán các chỉ số. Các chỉ số như NDVI (thực vật), NDWI (nước) phân biệt các loại; trở thành đầu vào cho bộ phân loại.
- Thu thập mẫu đào tạo (đối với người được giám sát). Đa giác mẫu được xác nhận bằng xác minh địa hình cho từng lớp. Chất lượng mẫu quyết định độ chính xác.
- Phân loại và xác minh. Huấn luyện mô hình, sau đó xây dựng ma trận lỗi với các mẫu độc lập (chưa được huấn luyện) và tính toán độ chính xác tổng thể và Kappa.
Ma trận sự thật và lỗi cơ bản
Độ chính xác của việc phân loại không được đo bằng đánh giá bằng mắt. Sự thật cơ bản là các mẫu độc lập của lớp thực đã biết tại hiện trường hoặc trong nguồn có độ phân giải cao đáng tin cậy. Với những ví dụ này, một ma trận nhầm lẫn được thiết lập: nó được tính xem mỗi lớp đúng bao nhiêu lần và bao nhiêu lần nó bị nhầm lẫn với lớp nào. Từ đó, độ chính xác tổng thể (tỷ lệ được phân loại chính xác) và Kappa (thước đo thỏa thuận điều chỉnh tác động của cơ hội) được tính toán. Ngoài ra, độ chính xác của nhà sản xuất (mức độ bị bắt trong lớp đó) và độ chính xác của người dùng (độ tin cậy của lớp đó) được báo cáo trên cơ sở lớp học.
Thận trọng: Không đo lường độ chính xác bằng các ví dụ bạn sử dụng để đào tạo. Nếu các ví dụ tương tự được huấn luyện và kiểm tra, độ chính xác sẽ trở nên cao một cách giả tạo; Đây là một ảo ảnh. Các mẫu xác nhận phải độc lập.
Ba trường hợp nhỏ: Bằng những con số
Trường hợp 1 - Bóng mây bị nhầm là nước. Trong một phân loại, khi mô hình gắn nhãn bóng mây là "nước", khu vực hồ đã phát triển ở nơi thực tế không có; độ chính xác của người dùng đối với lớp nước giảm xuống 70%. Khi chỉ số NDWI và mặt nạ mây được thêm vào, nhiễu bóng/nước giảm và độ chính xác của nước tăng lên hơn 90%.
Trường hợp 2 - Báo cáo được phục hồi bằng sự thật thực tế. Một nghiên cứu kiểm kê nông nghiệp đã báo cáo độ chính xác tổng thể của phân loại ban đầu là 82%, nhưng điều này được đo bằng các mẫu huấn luyện. Khi được đo lại bằng 120 điểm thực tế nền tảng độc lập, độ chính xác tổng thể thực tế là 71%; Nông nghiệp và đất trống đã can thiệp nghiêm trọng. Với các ví dụ đào tạo bổ sung, việc phân loại đã được cải thiện và độ chính xác tăng lên 84%. Bài học: độ chính xác được đo bằng mẫu độc lập.
Trường hợp 3 - Bẫy theo mùa. Khi các hình ảnh được chụp vào hai ngày khác nhau (mùa xuân và cuối hè) được trộn lẫn với nhau, các cánh đồng đã thu hoạch chuyển sang loại "đất trống" và diện tích nông nghiệp dường như bị thiếu 15%. Kết quả được cải thiện khi hình ảnh được chọn từ cùng mùa và đạt được tính nhất quán về hiện tượng học.
Nhắc yếu / Nhắc mạnh
Dấu nhắc yếu:
Phân loại hình ảnh vệ tinh này.
Lời nhắc mạnh mẽ:
Nhiệm vụ: xây dựng quy trình phân loại lớp phủ mặt đất (bao gồm Python/rasterio + khung mã scikit-learn). Bối cảnh:- Cảm biến: 4 dải (xanh dương, xanh lục, đỏ, NIR), độ phân giải 10 m- Các lớp: nước, rừng, nông nghiệp, xây dựng, trần_ground- Mục đích: bản đồ lớp phủ đất hiện tại + báo cáo độ chính xácYêu cầu:1) Chỉ số quang phổ nào (NDVI, NDWI) cần thêm và lý do ghi.2) Liệt kê các bước phân loại được giám sát; Nhấn mạnh rằng các mẫu đào tạo và XÁC NHẬN phải RIÊNG.3) Đặt ma trận lỗi + độ chính xác tổng thể + tính toán Kappa trong khung mã.4) Lưu ý các rủi ro về mây/bóng và nhầm lẫn theo mùa.
Lời nhắc mạnh chỉ định tập hợp lớp, độ phân giải, cơ sở lý luận về chỉ mục và sự phân biệt xác thực; đầu ra trở nên có thể đo lường được.
Bốn mẫu có thể sao chép
1) Lựa chọn phương pháp/chỉ số:
Bạn muốn đề xuất chỉ số quang phổ và phương pháp phân loại nào cho vật kính [mục tiêu] và cảm biến [dải/độ phân giải]? Đối với mỗi lựa chọn, hãy viết lý do căn bản và nguy cơ gây nhầm lẫn tiềm ẩn (các lớp nào giống nhau).
2) Khung mã phân loại:
Viết khung phân loại có giám sát với Rasterio + scikit-learn: đọc băng, tính toán chỉ số, TÁCH mẫu đào tạo/xác thực, phân loại, ma trận lỗi và đầu ra độ chính xác. Duy trì CRS; giải thích.
3) Thiết lập đánh giá độ chính xác:
Viết kế hoạch đánh giá độ chính xác của phân loại: thiết kế mẫu nền tảng độc lập, ma trận lỗi, độ chính xác tổng thể, Kappa, độ chính xác của nhà sản xuất/người dùng theo lớp. Giải thích ý nghĩa của từng số liệu.
4) Chẩn đoán nhiễu:
Giải thích ma trận lỗi bên dưới: lớp nào đang gây nhiễu lẫn nhau, lý do phổ/mùa có thể xảy ra là gì, dữ liệu bổ sung nào (chỉ mục, mặt nạ, ngày tháng) sẽ làm giảm sự nhầm lẫn? Ma trận: [ma trận lỗi]
So sánh các khái niệm phân loại
khái niệm
Ý nghĩa
khi nào
được giám sát
Đào tạo với ví dụ được gắn nhãn
Các lớp học được xác định trước
Không được giám sát
Phân cụm không có nhãn
Khám phá, không có ví dụ
NDVI
chỉ số sức sống thực vật
Tách thực vật/trần/nước
NDWI
chỉ số nước
tách nước
Ma trận lỗi
Số đúng/sai
đo lường độ chính xác
kappa
Sự phù hợp được điều chỉnh theo cơ hội
Báo cáo độ chính xác tiêu chuẩn
Những lỗi thường gặp
- Đo lường độ chính xác với các ví dụ đào tạo. Thử nghiệm không độc lập mang lại độ chính xác cao giả tạo.
- Bàn giao bản đồ mà không hề đo lường độ chính xác. "Trông đẹp" không phải là bằng chứng về tính chính xác.
- Bỏ qua mặt nạ đám mây/bóng tối. Bóng trộn với nước, mây trộn với tuyết/cấu trúc.
- Trộn các hình ảnh mùa/ngày khác nhau. Sự khác biệt về hiện tượng học chuyển đổi các lớp học.
- Xác định quá nhiều lớp tương tự. Các lớp không thể phân biệt được làm giảm độ chính xác.
- Bỏ qua độ phân giải. Các đối tượng nhỏ không thể được phân loại nếu chúng nhỏ hơn một pixel.
Tóm lại
Trong viễn thám, AI tăng tốc quy trình làm việc từ dữ liệu đa phổ đến lập bản đồ lớp phủ mặt đất và có thể đảm nhiệm phần lớn việc phân loại. Nhưng bản đồ phân loại chỉ hữu ích nếu đo được độ chính xác của nó: tiêu chuẩn là xây dựng ma trận lỗi với các mẫu chân lý cơ bản độc lập và tính toán độ chính xác tổng thể và Kappa. Đám mây/bóng tối, sự thay đổi theo mùa và các loại tương tự là những nguồn gây nhiễu điển hình; Quản lý chúng với chỉ mục, mặt nạ và tính nhất quán của ngày. Không bao giờ trộn lẫn các mẫu đào tạo và xác nhận.
Nhiệm vụ ứng dụng
Chọn câu hỏi về lớp phủ mặt đất (ví dụ: "bản đồ không gian xanh đô thị"). Viết ra tập hợp lớp, các dải và chỉ số bạn sẽ sử dụng (ít nhất là NDVI). Yêu cầu AI tạo ra quy trình phân loại có giám sát; đảm bảo rằng các mẫu huấn luyện và xác nhận là riêng biệt và ma trận lỗi + phép tính Kappa được đưa vào đầu ra. Sau đó lập danh sách "nguy cơ nhầm lẫn": hai lớp nào giống nhau và cách bạn phân biệt chúng.
danh sách kiểm tra
- [ ] Tôi giữ lớp học nhỏ và dễ phân biệt.
- [ ] Tôi đã thêm các chỉ số quang phổ (NDVI/NDWI) phù hợp với mục đích.
- [ ] Tôi đã tách các ví dụ đào tạo và xác nhận.
- [ ] Tôi đã kiểm tra tính nhất quán của đám mây/bóng tối và mùa.
- [ ] Tôi đo độ chính xác bằng sự thật cơ bản độc lập.
- [ ] Tôi đã báo cáo ma trận lỗi, độ chính xác tổng thể và Kappa.
- [ ] Tôi đã chẩn đoán và chữa khỏi tình trạng lộn xộn trong lớp học.
- [ ] Tôi đã được kỹ sư phê duyệt rằng bản đồ này chính xác cho mục đích sử dụng của nó.