Lợi nhuận:
- Hiểu logic của việc phát hiện sự thay đổi về mở rộng đô thị, xây dựng và che phủ đất được AI hỗ trợ thông qua hình ảnh vệ tinh và viễn thám.
- Khả năng đánh giá nghiêm túc việc phân loại hình ảnh và kết quả phát hiện thay đổi với thông tin chính xác, độ phân giải và ngày tháng
- Khả năng hiểu rằng ranh giới mà AI trích xuất từ hình ảnh phải được xác nhận bởi hiện trường và hồ sơ chính thức và không thể là bằng chứng pháp lý.
Không thể đi đến hiện trường từng người một để xem thành phố đã phát triển ở đâu, bao nhiêu và nhanh như thế nào trong thập kỷ qua. Thay vào đó, các nhà quy hoạch sử dụng viễn thám (chụp ảnh Trái đất bằng vệ tinh và máy bay rồi trích xuất dữ liệu). Bằng cách so sánh hình ảnh vệ tinh từ các ngày khác nhau, bạn có thể phát hiện các công trình xây dựng mới, đất nông nghiệp bị mất, mở rộng xây dựng trái phép hoặc thu hẹp không gian xanh. AI là một công cụ tăng tốc mạnh mẽ trong việc phân loại những hình ảnh này (gắn nhãn cho từng pixel là “cấu trúc”, “thực vật”, “nước”, v.v.) và phát hiện những thay đổi giữa hai ngày. Nhưng phân tích hình ảnh có đầy đủ các lỗi về độ phân giải, ngày tháng, bóng tối, đám mây và phân loại. Một “sự thay đổi” mà cờ AI có thể là một cái bóng, sự khác biệt theo mùa hoặc một lỗi. Vì vậy, không có kết luận nào được rút ra từ hình ảnh có thể được sử dụng làm cơ sở cho hành động pháp lý nếu không được xác nhận bởi hồ sơ hiện trường và chính thức.
Các khái niệm cơ bản về viễn thám
Độ phân giải: Diện tích bị chiếm bởi một pixel trên mặt đất. Ở độ phân giải 10 mét, một pixel đại diện cho 10x10 mét; Một tòa nhà phụ nhỏ không thể nhìn thấy được. Độ phân giải cao (ví dụ: 0,3-1 mét) có nghĩa là dữ liệu chi tiết hơn nhưng đắt hơn và ít thường xuyên hơn.
Dải quang phổ: Vệ tinh cũng ghi lại ánh sáng mà mắt không thể nhìn thấy (chẳng hạn như tia hồng ngoại). Thảm thực vật phát sáng trong vùng hồng ngoại; điều này giúp việc tách cây ra khỏi cấu trúc dễ dàng hơn. Các chỉ số như NDVI (một công cụ tính đơn giản để đo sức sống của thực vật) rất phổ biến trong việc theo dõi cánh đồng xanh.
Ngày và mùa: Nếu hai hình ảnh ở các mùa khác nhau, việc giảm màu xanh lá cây có thể không phải là "mất mát" mà là sự xuất hiện của mùa đông. Sự hài hòa giữa ngày và mùa là điều cần thiết khi so sánh.
Độ chính xác: Giá trị đo lường mức độ chính xác của phân loại. “Độ chính xác 85 phần trăm” có nghĩa là cứ sáu pixel thì có một pixel có thể bị gắn nhãn sai; Đây là mức sai số đáng kể đối với quá trình kiểm toán.
Lưu ý: Một cấu trúc được AI phát hiện từ hình ảnh vệ tinh bản thân nó không phải là bằng chứng của một cấu trúc bất hợp pháp. Lỗi bóng, độ phân giải, ngày tháng và phân loại tạo ra kết quả dương tính giả. Việc kiểm tra và thực thi luôn yêu cầu kiểm soát địa điểm, đăng ký chứng thư quyền sở hữu/giấy phép và đo lường chính thức.
Giá trị lớn nhất mà dữ liệu vệ tinh mở và miễn phí (các nguồn như chương trình Sentinel của Châu Âu và Landsat của Hoa Kỳ) mang lại cho việc lập kế hoạch là chuỗi thời gian lịch sử: bạn có quyền truy cập vào hàng tá hình ảnh của cùng một khu vực trong nhiều năm. Điều này cho phép bạn vượt xa sự so sánh "trước/sau" duy nhất và xem tỷ lệ mở rộng, biến động theo mùa và xu hướng của vùng lân cận. AI rất hữu ích trong việc tóm tắt những chuỗi dài này và tách các mô hình thay đổi có ý nghĩa khỏi nhiễu. Nhưng quy tắc tương tự cũng được áp dụng trong chuỗi thời gian: cho dù xu hướng có xuất hiện rõ ràng đến đâu thì chính độ phân giải của hình ảnh, tốc độ đám mây và tính thời vụ mới quyết định kết quả; Không có xu hướng nào có thể được coi là đáng tin cậy nếu không báo cáo ba yếu tố này.
Logic phát hiện thay đổi
Có một số cách để so sánh hai hình ảnh có niên đại: phân loại cả hai ngày tháng và so sánh các lớp, nhận sự khác biệt về chỉ số (ví dụ: chênh lệch NDVI) hoặc trực tiếp tạo bản đồ "đã thay đổi/không thay đổi" bằng mô hình AI. Kết quả là một bản đồ thay đổi: cấu trúc mới ở đâu, nhà máy bị mất ở đâu. Bản đồ này có giá trị như một sự sàng lọc sơ bộ - nó yêu cầu người lập kế hoạch "nhìn qua đó". Nhưng mỗi dấu hiệu đều được xác minh riêng xem đó là thay đổi thực sự hay là lỗi.
Từng bước: Phân tích thay đổi do AI cung cấp
- Xác định câu hỏi. “Công trình xây dựng mới ở [khu vực] từ năm 2018 đến năm 2024 ở đâu?”
- Chọn hình ảnh. Mùa tương tự, độ phân giải chấp nhận được, mây thấp.
- Tiền xử lý. Đưa nó đến cùng một CRS, căn chỉnh, áp dụng mặt nạ đám mây/bóng tối.
- Phân loại/so sánh. Tạo lớp hoặc thay đổi bản đồ bằng AI.
- Đánh giá độ chính xác. Đo độ chính xác với các điểm tham chiếu đã biết.
- Xác nhận trường và đăng ký. Kiểm tra các thay đổi được đánh dấu bằng chứng thư/giấy phép sở hữu và địa điểm nếu cần thiết.
- Giới hạn báo cáo. Ghi rõ ngày tháng, độ phân giải, độ chính xác và mức độ sai sót.
Dấu nhắc yếu / Dấu nhắc mạnh
Lời nhắc yếu ớt: "Hãy cho tôi biết điều gì đã thay đổi từ hai hình ảnh này."
AI tạo ra một danh sách đẹp mắt nhưng không chính xác; Bạn có thể nghĩ rằng sự khác biệt về bóng râm và mùa là sự thay đổi thực sự.
Lời nhắc mạnh mẽ: "Tôi đang so sánh dữ liệu che phủ đất đã được phân loại từ hai ngày (tháng 7 năm 2018 / tháng 7 năm 2024, cùng mùa, độ phân giải 10 m). Khi báo cáo phân tích thay đổi, hãy nêu rõ: những thay đổi nào có thể là dương tính giả do bóng râm/mùa/độ phân giải, quyết định nào yêu cầu xác minh hiện trường và mức độ chính xác cần được đo lường. Đừng dứt khoát; hãy ghi chú từng phát hiện bằng 'yêu cầu xác nhận hiện trường'."
Lời nhắc thứ hai buộc AI phải truyền đạt rõ ràng sự không chắc chắn và nguồn gốc của lỗi.
Bốn mẫu có thể sao chép
Nhiệm vụ: Đánh giá nghiêm túc kết quả phát hiện thay đổi sau đây. Liệt kê các nguồn LỖI có thể có cho mỗi lần phát hiện: bóng, đám mây, mùa, độ phân giải, lỗi phân loại. Thêm ghi chú "Yêu cầu xác nhận trường". Đừng đưa ra phán xét cuối cùng. Kết quả/ngày/giải quyết: […]
Nhiệm vụ: Viết danh sách kiểm tra các tiêu chí lựa chọn hình ảnh để phân tích sự thay đổi của đô thị: tính thời vụ, độ phân giải, tốc độ mây, phạm vi ngày, CRS. Tạo các câu hỏi để hỏi xem những hình ảnh tôi có có đáp ứng được các tiêu chí này hay không. Thông tin hình ảnh: […]
Nhiệm vụ: BẢN DỰ THẢO một báo cáo từ các kết quả phân tích thay đổi sau đây. Nêu rõ độ phân giải, ngày tháng, độ chính xác và tỷ lệ sai sót trong mỗi phát hiện. Đóng khung kết quả dưới dạng “sàng lọc trước”; Nhấn mạnh trường đó và xác nhận hồ sơ chính thức là cần thiết để kiểm tra/xử phạt. Kết quả: [...]
Nhiệm vụ: Đề xuất một cách đơn giản để đánh giá độ chính xác của phân loại: có bao nhiêu điểm tham chiếu, cách chọn, cách tính độ chính xác (giải thích rõ ràng). Sự thật nào nên được viết trong báo cáo, ví dụ. Bối cảnh: […]
Một bảng: kiểu dữ liệu và cách sử dụng
dữ liệu
độ phân giải
điểm mạnh
giới hạn
vệ tinh có độ phân giải trung bình
10-30m
Miễn phí, thường xuyên, diện rộng
Thiếu cấu trúc nhỏ
vệ tinh có độ phân giải cao
0,3-1m
Phát hiện cấu trúc chi tiết
Rủi ro đám mây đắt tiền, thưa thớt
Ảnh hàng không/ảnh trực giao
0,1-0,3m
Rất chi tiết, chính thức
Tần suất cập nhật thấp
UAV (máy bay không người lái)
cấp độ cm
Ngay lập tức, rất chi tiết
Không gian nhỏ, giấy phép/luật pháp
ba trường hợp nhỏ
Trường hợp 1 - Ảo ảnh bóng tối. Một đô thị nhìn thấy biển báo "xây dựng mới" ở một khu phố trên bản đồ thay đổi AI. Đội hiện trường đi; Hầu hết các biển báo đều có bóng đổ dài trong hình ảnh buổi chiều. Số lượng công trình xây dựng mới thực tế chỉ bằng một nửa số dấu hiệu. AI đã sàng lọc trước nhưng nếu sử dụng mà không xác nhận sẽ tạo ra phút sai.
Trường hợp 2 - Thoát khỏi cấu trúc nhỏ. Người lập kế hoạch cố gắng theo dõi các nhà kho nhỏ trên cánh đồng nông nghiệp bằng vệ tinh miễn phí có độ phân giải 10 mét. Vì các nhà kho có kích thước 6x8 mét nên chúng vẫn ở mức dưới 1 pixel và không thể nhìn thấy được. Công cụ lập kế hoạch chuyển sang ảnh trực giao có độ phân giải cao để theo dõi thực tế. Độ phân giải xác định những gì có thể được nhìn thấy.
Trường hợp 3 - Báo cáo minh bạch. Một nhóm phân tích sự trải rộng của một khu vực trong 6 năm và viết rõ ràng trong báo cáo rằng "các phát hiện là bản quét sơ bộ với độ chính xác 82%; 47 điểm đang chờ xác nhận hiện trường; ngày và độ phân giải của hình ảnh được đính kèm." Quốc hội đánh giá kết quả với trọng số chính xác. Báo cáo sự không chắc chắn thay vì che giấu nó làm cho việc phân tích trở nên đáng tin cậy.
Những lỗi thường gặp
- Phát hiện nhầm lẫn làm bằng chứng. Hình ảnh được quét trước; Nó đòi hỏi các biện pháp trừng phạt và đăng ký chính thức.
- Phần/ngày không khớp. Các hình ảnh theo mùa khác nhau tạo ra sự biến đổi sai lệch.
- Bỏ qua độ phân giải. Các cấu trúc nhỏ không thể nhìn thấy được ở độ phân giải thấp; Nó không phải là "không có".
- Báo cáo không chính xác. Việc che giấu biên độ sai sót dẫn đến những quyết định sai lầm.
- Quên bóng và mây. Hai nguồn dương tính giả phổ biến nhất.
- CRS không khớp. Hình ảnh không được căn chỉnh thay đổi sai vị trí.
Tóm lại
Hình ảnh vệ tinh và trên không là những cách hiệu quả nhất để thấy sự thay đổi của đô thị ở quy mô và tốc độ; AI tăng tốc phân loại và phát hiện thay đổi. Nhưng độ phân giải xác định những gì có thể nhìn thấy, mùa và ngày xác định đâu là thực, bóng tối và đám mây xác định đâu là dương tính giả. Độ chính xác phải luôn được đo lường và báo cáo. Quan trọng nhất: việc phát hiện từ hình ảnh là quét trước; Kiểm soát hiện trường, chứng thư quyền sở hữu/đăng ký giấy phép và đo lường chính thức là cần thiết cho việc kiểm tra và xử phạt. AI tăng tốc tầm nhìn chứ không phải việc ra quyết định
Nhiệm vụ ứng dụng
Hãy xem xét một cặp hình ảnh (hoặc kịch bản) có hai ngày khác nhau. (1) Kiểm tra tiêu chí lựa chọn hình ảnh với mẫu thứ 2: mùa, độ phân giải, đám mây có phù hợp không? (2) Giả sử danh sách phát hiện thay đổi và trích xuất các nguồn lỗi có thể xảy ra cho mỗi lần phát hiện bằng mẫu ban đầu. (3) Tạo báo cáo dự thảo với mẫu thứ ba và thêm độ chính xác cũng như tỷ lệ sai sót. (4) Viết ra những quyết định nào sẽ yêu cầu xác nhận hiện trường và bạn sẽ thực hiện việc này như thế nào.
danh sách kiểm tra
- [ ] Tôi đã kiểm tra tính tương thích của mùa, ngày tháng và độ phân giải của hình ảnh.
- [ ] Tôi đã căn chỉnh các hình ảnh theo cùng một CRS; Tôi đã cân nhắc mặt nạ đám mây/bóng tối.
- [ ] Tôi coi việc phát hiện thay đổi là sàng lọc sơ bộ chứ không phải là bằng chứng.
- [ ] Tôi đã đánh giá và báo cáo độ chính xác của việc phân loại.
- Tôi đã xác nhận những thay đổi được đánh dấu [ ] bằng hồ sơ hiện trường và hồ sơ chính thức.
- [ ] Tôi đã lưu ý những gì giới hạn độ phân giải có thể bỏ sót.
- [ ] Tôi đã ghi rõ ngày tháng, cách giải quyết và mức độ sai sót trong báo cáo.