收益：
- 了解人工智能支持通过遥感和卫星图像检测城市扩张、建设和土地覆盖变化的逻辑。
- 能够批判性地评估图像分类并改变检测输出的准确性、分辨率和日期信息
- 能够理解AI从图像中提取的边界必须得到现场和官方记录的确认，不能成为法律证据。
不可能一一到实地去了解一座城市在过去十年里在哪里发展、发展了多少、发展有多快。相反，规划者使用遥感（使用卫星和飞机对地球进行成像并提取数据）。通过比较不同日期的卫星图像，您可以检测新建筑、失去的农田、扩大的非法建筑或缩小的绿地。人工智能是对这些图像进行分类（将每个像素标记为“结构”、“植物”、“水”等）和检测两个日期之间的变化的强大加速器。但图像分析充满了分辨率、日期、阴影、云和分类错误。人工智能标记的“变化”可能是阴影、季节差异或错误。因此，在未经现场和官方记录确认的情况下，从图像中得出的任何结论都不能作为法律行动的依据。
遥感基本概念
分辨率：地面上一个像素所占据的面积。在10米分辨率下，一个像素代表10x10米；小型附属建筑不可见。高分辨率（例如 0.3-1 米）意味着更多细节，但更昂贵且数据频率更低。
光谱带：卫星还记录肉眼看不到的光（例如红外线）。植被在红外线中发光；这使得更容易将植物与结构分开。 NDVI（一种测量植物活力的简单计算器）等指数在绿地跟踪中很常见。
日期和季节：如果两张图像处于不同的季节，绿色的减少可能不是“损失”，而是冬天的到来。相比之下，日期和季节的和谐至关重要。
准确度：衡量分类准确程度的值。 “85% 的准确度”意味着每六个像素中就有一个可能被错误标记；对于审计过程来说，这是一个很大的误差范围。
注意：人工智能从卫星图像中检测到的结构本身并不是非法结构的证据。阴影、分辨率、日期和分类错误会产生误报。检查和执法始终需要现场控制、产权契据/许可证登记和官方测量。
免费和开放的卫星数据（来源如欧洲的 Sentinel 和美国的 Landsat 计划）为规划带来的最大价值是历史时间序列：您可以访问同一区域跨越数年的数十张图像。这使您能够超越单一的“之前/之后”比较，并查看社区的蔓延率、季节性波动和趋势。人工智能有助于总结这些长序列，并将有意义的变化模式与噪音区分开来。但同样的规则也适用于时间序列：无论趋势多么明显，决定结果的是图像的分辨率、云率和季节性；如果不报告这三个因素，任何趋势都不能被认为是可靠的。
变化检测逻辑
比较两个日期图像的方法有多种：对日期进行分类并比较类别，获取指数差异（例如 NDVI 差异），或直接使用 AI 模型生成“更改/未更改”地图。结果是一张变化地图：新结构在哪里，植物在哪里消失。这张地图作为初步筛选非常有价值——它告诉规划者“看那边”。但每个标志都会单独验证是真正的变化还是错误。
一步一步：人工智能驱动的变化分析
- 定义问题。 “2018 年至 2024 年间，[该地区]的新建筑在哪里？”
- 选择图像。相似的季节，可接受的分辨率，低云。
- 预处理。将其带到相同的 CRS，对齐，应用云/阴影蒙版。
- 分类/比较。使用 AI 生成类别或更改地图。
- 评估准确性。使用已知参考点测量精度。
- 现场和注册确认。如有必要，请检查产权契据/许可证和站点的标记更改。
- 报告限制。清楚地写出日期、分辨率、准确性和误差范围。
弱提示/强提示
弱提示：“告诉我这两张图片发生了什么变化。”
人工智能会生成一份美观但准确度不确定的列表；您可能认为阴影和季节的差异才是真正的变化。
强烈提示：“我正在比较两个日期（2018 年 7 月/2024 年 7 月，同一季节，10 m 分辨率）的分类土地覆盖数据。在报告变化分析时，请明确说明：由于阴影/季节/分辨率，哪些变化可能是误报，哪些确定需要现场验证，以及应如何测量准确性。不要是明确的；在每个发现中注明“需要现场确认”。”
第二个提示迫使人工智能清楚地传达不确定性和错误来源。
四个可复制模板
任务：批判性地评估以下变更检测输出。列出每个检测可能的错误源：阴影、云、季节、分辨率、分类错误。添加注释“需要现场确认”。不要做出最终判断。调查结果/日期/决议：[...]
任务：编写城市变化分析的图像选择标准清单：季节性、分辨率、云率、日期范围、CRS。创建问题来询问我的图像是否符合这些标准。图片信息：[...]
任务：根据以下变更分析结果起草一份报告。清楚地说明每项发现的分辨率、日期、准确性和误差范围。将结果框定为“预筛选”；强调检查/制裁需要现场和官方记录确认。调查结果：[...]
任务：提出一个评估分类精度的简单方法：有多少个参考点，如何选择，如何计算精度（通俗解释）。报告中应写出哪个真相陈述，例如。上下文：[...]
表：数据类型和用法
数据
分辨率
强项
限制
中分辨率卫星
10-30m
免费、频繁、范围广
错过小结构
高分辨率卫星
0.3-1m
详细结构检测
昂贵、稀疏、云风险
航拍照片/正射影像
0.1-0.3m
非常详细，正式
更新频率低
无人机（无人机）
厘米级
即时的，非常详细
空间狭小，许可/立法
三个迷你箱子
案例 1——阴影错觉。某市政府在人工智能变更地图上看到一个社区的“新建筑”标志。现场团队出发；大多数标志都是下午图像中长长的建筑物阴影。实际新建数量是标志的一半。 AI已经预先筛选，但如果未经确认就使用，就会产生虚假的会议记录。
案例 2 — 逃离小型结构。规划人员尝试使用分辨率为 10 米的免费卫星跟踪农田中的小型仓库。由于仓库的尺寸为 6x8 米，因此它们保持在 1 像素以下且不可见。规划器切换到高分辨率正射影像进行实际跟踪。分辨率决定了可以看到的内容。
案例 3 — 透明报告。一个团队分析了一个地区 6 年的分布情况，并在报告中明确写道：“检测结果是初步扫描，准确度为 82%；47 个点有待现场确认；附有图像日期和分辨率。”议会以正确的权重评估结果。报告不确定性而不是隐藏它使分析变得可靠。
常见错误
- 将检测误认为是证据。图像已预先扫描；它需要制裁和正式注册。
- 季节/日期不匹配。不同的季节图像会产生错误的变化。
- 忽略分辨率。小结构在低分辨率下不可见；这不是“无”。
- 未能报告准确性。隐藏误差幅度会导致错误的决策。
- 忘记阴影和云。误报的两个最常见来源。
- CRS 不匹配。未对齐的图像在错误的位置发生变化。
综上所述
卫星和航空图像是观察城市规模和速度变化的最有力方式；人工智能加速分类和变化检测。但分辨率决定了能看到什么，季节和日期决定了什么是真实的，阴影和云决定了什么是误报。应始终测量和报告准确性。最重要的是：从图像中检测是预扫描；现场控制、产权契据/许可证登记和官方测量对于检查和制裁至关重要。人工智能加速视觉，而不是决策。
应用任务
考虑一对具有两个不同日期的图像（或场景）。 (1) 使用第二个模板检查图像选择标准：季节、分辨率、云是否适合？ (2) 假设变化检测列表，并使用初始模板提取每个检测可能的错误源。 (3) 使用第三个模板生成报告草稿，并添加准确性和误差范围。 (4) 写下哪些决定需要现场确认以及您将如何进行确认。
清单
- [ ] 我检查了图像的季节、日期和分辨率兼容性。
- [ ] 我将图像与相同的 CRS 对齐；我考虑了云/阴影掩模。
- [ ] 我将变化检测视为初步筛选，而不是证据。
- [ ] 我评估并报告了分类准确性。
- 我用现场和官方记录确认了标记为 [ ] 的更改。
- [ ] 我注意到分辨率限制可能会错过什么。
- [ ] 我在报告中清楚地写下了日期、分辨率和误差范围。