收益：
- 能够根据问题选择卫星（广域）和传感器（本地）数据，并通过应用云掩模分析 NDVI 等指数
- 通过校准和质量控制传递物联网传感器数据，能够区分真实信号中的漂移和故障
- 能够将监测结果基于趋势而不是单一日期，并利用真实数据或独立数据制定验证计划
要管理环境，首先要看到环境。有必要了解森林变得有多小、河流污染程度或设施泄漏了多少甲烷，不是通过猜测，而是通过数据。环境监测是对环境状况进行定期且可重复的测量。在本单元中，您将了解两个大数据源——从太空观察的卫星和现场传感器——以及人工智能在理解这些海量数据方面的作用。
首先是概念。遥感是通过测量从远处（卫星或飞机）反射的光而不接触物体来收集信息。物联网传感器（物联网）是放置在现场的小型设备，可通过互联网自动发送测量值（温度、空气质量、水位）。它们共同提供了环境的广泛（卫星）和本地（传感器）图像。
如何读取卫星数据？
卫星不只是拍照；测量不同波长（“波段”）的光。这些波段的数学组合显示了肉眼看不见的东西。最著名的例子是NDVI（归一化植被指数）：它根据健康植物反射红外光的原理，用0到1之间的数字来衡量植被的密度。 NDVI 的下降可能意味着森林砍伐、干旱或破坏。
最常见的免费和开放卫星来源是 Sentinel（欧洲哥白尼计划）和 Landsat（美国）卫星。这些可以通过 Google Earth Engine 等平台或 Python（使用 rasterio、xarray 等库）进行访问。
提示：卫星数据的最大敌人是云。 NDVI 下降是真正的森林损失，还是那天有云？在分析之前始终应用云掩模并比较多个日期。
物联网传感器数据和校准
传感器便宜且常见，但并不完美。低成本空气质量传感器会随着时间的推移而发生漂移、受湿度影响或发生故障。因此，原始形式的传感器数据是不可靠的；校准（通过与已知参考设备进行比较进行校正）和质量控制至关重要。
这里是人工智能；它在编写代码处理大型图像和时间序列数据、扫描异常（意外偏差）、建立分类模型和总结结果方面非常强大。但测量的物理现实取决于校准决策以及“这个信号是真实信号还是噪声？”的问题。解释权属于专家。
一步一步：跟踪分析
1. 定义问题。 “2020年至2024年间，这1万公顷区域的植被发生了怎样的变化？”一个清晰的空间和时间问题，例如：
2. 选择数据源。卫星（广域）还是传感器（本地、连续）？分辨率和频率是否适合问题？
3. 预处理。云掩模、校准、标记缺失数据。如果跳过此步骤，结果会产生误导。
4. 计算指数/指标。 NDVI、平均气温、污染物浓度。
5.发现变化和异常。趋势分析、阈值跨越、突然跳跃。
6. 现场验证。如果可能的话，用真实情况进行确认；提供带有实地考察或独立数据的卫星信号。
三个迷你箱子
案例 1——爱上云。一家环保非政府组织正要敲响“森林砍伐突然”的警报，却发现一个地区的NDVI在一个月内下降了40%。当分析师应用云掩模并查看邻近日期时，他发现当天的大部分图像都是多云的，而在下一张无云图像中，NDVI 恢复正常。防止误报。失去的时间：20 分钟，获得的声誉：无价。
情况 2 — 未校准的传感器。某市政府正在准备一份“空气污染严重”报告，其中包含来自低成本 PM2.5（小于 2.5 微米的颗粒 - 可吸入粉尘）传感器的数据。当专家将传感器与参考站进行比较时，他发现它们在高湿度下将值高估了多达两倍。当应用湿度修正（校准）时，出现真实值；恐慌得以避免。
案例 3 — 代码自动化。一个研究小组计划花费数周时间手动从 200 张卫星图像中提取 NDVI 趋势。他们让 AI 使用 Google Earth Engine 和 Python 代码编写自动化工作流程（云掩模 + 每月 NDVI 平均值 + 趋势图）。分析 200 张图像需要几分钟；该团队投入了大量时间来解释结果。无论如何，他们检查了代码的每一步。
弱提示/强提示
弱提示：
从卫星数据中查找森林砍伐情况。
为什么它很弱：没有域、日期范围、数据源、分辨率和云处理。 AI 提供的是一般文本，而不是可执行的分析。
强力提示：
您的角色：遥感分析师。编写 Python（地球引擎）代码，使用 Sentinel-2 数据计算 [区域边界] 2020-2024 年每月 NDVI 趋势。步骤：(1)应用云掩模，(2)月平均NDVI，(3)绘制趋势图，(4)标记下降超过20%的月份。让代码可执行；评论每一步。另请注意数据的限制（分辨率、云）。
四个可复制模板
1）卫星索引分析（附代码）：
您的角色：遥感分析师。编写可执行 Python 代码，使用 [Sentinel-2/Landsat] 数据在 [日期范围] 上计算 [区域] 的 [NDVI/NDWI/其他索引]。一定要添加云罩。标记趋势和异常。在注释中指定数据的分辨率和云限制。
2）传感器时间序列质量控制：
使用 Python 搜索以下传感器时间序列中的质量问题：缺失数据、卡住值、突然跳跃、漂移、极端。用时间戳标记每个问题。不要更改数据，只需报告。如果可能的话添加简单的校准建议。数据：[此处]
3）groundtruth验证方案：
就如何在现场验证以下基于卫星的发现（例如 NDVI 下降）提出一个计划：哪些点、哪些测量、哪些独立数据源。还要计算结果可能错误的情况（云、季节、阴影）。发现：[这里]
4）异常总结：
请环境管理者用通俗易懂的语言总结下面监测数据中发现的异常情况。对于每个异常：发生地点、时间、偏差程度、可能的原因以及“需要验证”的注释。确定为什么它适合；将其作为一种可能性呈现出来。数据：[此处]
常见错误
- 不使用云面膜。云是最常见的杂散信号。
- 无需校准即可信任传感器。低成本传感器会打滑并受到潮湿的影响。
- 只要看看历史就知道了。需要多个日期和趋势才能声明更改。
- 绕过基本事实。如果可能的话，应使用现场或独立数据来确认卫星信号。
- 相信人工智能的“确切原因”主张。跟踪数据关联；确认原因又是另一回事了。
注意：高分辨率卫星和无人机图像可能包含私有财产、人员或敏感设施。共享跟踪数据时，请遵守隐私和法律限制（尤其是个人数据和安全）。
综上所述
环境监测结合了卫星（广泛）和传感器（本地）数据。人工智能;它是编写处理海量图像和时间序列数据、异常扫描和汇总的代码的强大加速器。但云掩模、传感器校准、多数据比较和地面实况验证属于专家。相信经过清理和确认的信号，而不是原始信号。
应用任务
选择字段和日期范围（真实或假设）。 1. 使用模板将 NDVI 分析工作流程的代码打印到 AI，并验证云掩模步骤是否存在。然后，使用第二个模板将您拥有的传感器时间序列（或样本）通过质量控制。最后，使用模板 3，制定一个计划来验证您在现场发现的更改。
清单
- [ ] 我用清晰的空间和时间问题定义了分析。
- [ ] 我对卫星数据应用了云遮罩。
- [ ] 我通过了校准和质量控制来传递传感器数据。
- [ ] 我的变更声明是基于趋势，而不是单一日期。
- [ ] 我制定了计划，用事实真相或独立数据来验证这一发现。
- [ ] 我遵守保密规定和法律限制。