مدقق يقيس أثر قناع السحب على NDVI: مشاريع تخرج الذكاء الاصطناعي

افصل تغير السطح عن أثر السحابة

قد تعرض خريطة NDVI اختلافاً بين تاريخين لأن النبات تغير، لكن السحب الرقيقة والظلال والضباب الجوي يمكن أن تغير قيم الانعكاس أيضاً. يبني مشروع تخرج الذكاء الاصطناعي هنا أداة تراجع القناع قبل مقارنة المؤشر؛ لا تحاول ملء مناطق السحب لتبدو الخريطة متصلة. يبدأ المستخدم بمنطقة صغيرة وصورتين Sentinel-2، ويقارن طبقة القناع مع لون الصورة والوسم المرجعي. إن أخفى القناع جزءاً كبيراً من المنطقة، يكون الاستنتاج المناسب «لا توجد تغطية صافية كافية» لا رقم نباتي محسوب كما لو أن السماء صافية. السؤال القابل للاختبار هو: كيف تختلف نسبة البكسلات المقبولة وNDVI للبكسلات نفسها بين قناعين معلومين؟

اختيار عينة لها حقيقة مرجعية

تصف ورقة CloudSEN12 مجموعة متعددة الأزمنة تضم 49,400 رقعة Sentinel-2 موزعة عالمياً، مع تسميات للسحب الكثيفة والرقيقة والظلال وطرق مختلفة للتعليق. راجع النسخة الأصلية من الورقة ومستودع البيانات لفهم وحدات العينة والبيانات المساعدة؛ فالمجموعة كبيرة ولا حاجة إلى تنزيلها كلها لمشروع جامعي. اختر subset مرخصاً وحافظ على تقسيم المؤلفين أو أنشئ فصلاً مكانياً وزمنياً معلناً. لا تختبر على الرقع التي ضبطت عليها عتبة النموذج. ضع يداً على عينة تحقق صغيرة واطلب وسم السحب والظلال على مستوى البكسل من مراجع مؤهل، لا تسند الوسم لنفس الخوارزمية التي تريد تقييمها.

لا تخلط بين احتمال السحب والبتّ النهائي

يوفر Sentinel Hub طبقتين مساعدتين باسم CLP لاحتمال السحب وCLM لقناع ثنائي، ويشرح التوثيق أن دقتهما الثابتة 160 متراً وأن 255 يعني no data في CLM. هذه الدقة أخشن من كثير من نطاقات Sentinel-2؛ لذلك لا تكبر القناع إلى 10 أمتار ثم تعرض الحافة كأنها مرسومة بهذا التفصيل. احتفظ بدقة المصدر وطريقة إعادة أخذ العينات. أما Sen2Cor من ESA فينتج Level-2A مع تصحيح جوي وخريطة تصنيف للمشهد ومؤشرات جودة لاحتمال السحب والثلج. ليست هذه المنتجات حقيقة مثالية؛ هي مصادر أقنعة قابلة للمقارنة. احتفظ بالقناع الاحتمالي والفئة والمعلومات المكانية، وعلّم no-data كحالة منفصلة لا كسماء خالية من السحب. رابط توثيق CLP وCLM يشرح أن طبقتي الاحتمال والقناع متاحتان بدقة 160 متراً، وهي نقطة تؤثر في المقارنة.

خط المعالجة من المشهد إلى المؤشر

ثبت إصدار المنتج والمنطقة والتاريخ، واقرأ الانعكاس الأحمر وNIR من البكسلات المتوافقة مكانياً. احسب NDVI بالعلاقة (NIR - Red) / (NIR + Red) فقط حيث تكون القيم الصالحة والمتوافقة متاحة. مثال حسابي اصطناعي: انعكاس NIR يساوي 0.42 والأحمر 0.18 يعطي 0.24 على 0.60، أي NDVI يساوي 0.40. هذا الرقم يوضح الحساب ولا يمثل منطقة حقيقية. أنشئ ثلاثة أقنعة: قناع ESA، CLM/عتبة احتمالية موثقة، ونموذج segmentation مدرباً على بيانات التدريب. إذا اختلفت النتيجة، اعرض البكسل في شاشة مقارنة مع مصدر كل قرار. لا تستبدل السحب بقيمة صفر أو بمشهد من تاريخ مجاور ثم تسمي النتيجة قياساً مرصوداً. لا تخلط انعكاس Level-1C وLevel-2A في تحليل واحد من دون تسجيل معالجة كل منتج.

مقاييس القناع ومقاييس NDVI منفصلة

على مستوى القناع، احسب precision وrecall وF1 لكل فئة: clear، thin cloud، thick cloud، وshadow إذا كانت وسومك تدعمها. اعرض مصفوفة الالتباس وعدد البكسلات في كل فئة، لأن غلبة البكسلات الصافية قد تجعل accuracy مرتفعة رغم ضياع سحب رقيقة. بعد ذلك قس الأثر downstream: نسبة المساحة غير المحجوبة، متوسط NDVI للبكسلات التي اتفق القناعان على صلاحيتها، ومدى اختلاف قراءة المؤشر في مناطق الخلاف. لا تقارن متوسطين من مناطق مختلفة وكأن أثر القناع وحده سبب الفرق. اذكر الدقة المكانية وحدود المنطقة وتواريخ التصوير وعدد البكسلات المحجوبة، واجعل البيانات المفقودة ظاهرة. اختر المقاييس قبل النظر إلى test حتى لا تنتقي النتيجة التي تبدو أجمل. اعرض تشتت الفروق بين المشاهد بدلاً من الاكتفاء بمتوسط واحد.

حالات الاختبار التي تكشف التساهل

اختبر مشاهد بها ظلال قرب السحب، وسحب رقيقة فوق سطح ساطع، وماء، وثلج إن كانت المنطقة تتضمنه، وبكسلات no-data عند الحواف. تحقق من أن إعادة أخذ العينات لا تنقل القناع إلى خلية مجاورة بسبب اختلاف CRS أو أصل الشبكة؛ قارن بصمة raster ومقدار pixel alignment قبل حساب NDVI. افصل مواقع الاختبار عن مواقع التدريب حتى لا يتعرف النموذج على الخلفية الجغرافية. اعرض فشل النموذج في منطقة عالية الارتفاع أو حافة السحب ولا تستبعده بلا سبب. إذا كان القناع يغطي أكثر من حد يضعه الباحث مسبقاً، فأرجع «العينة غير صالحة للتقدير» بدلاً من حساب متوسط على بقايا قليلة. احتفظ بصور الإدخال والخرج وإعدادات أي إعادة إسقاط كي يستطيع زميل إعادة العملية. جرّب أيضاً مشاهد من فصول مختلفة، ولا تخلط أثر الموسم مع فشل القناع.

ما الذي يستلمه فريق مشروع التخرج؟

يتضمن التسليم خرائط القناع لكل تاريخ، وملف إعداد يحدد المنتج والمعالجة والعتبات، وتقرير مقارنة مع الوسوم، وجدول أثر القناع على المؤشر. لا تحول فرق NDVI إلى ادعاء عن صحة محصول أو توصية زراعية؛ الإشارة الفضائية وحدها لا تقيس كل ظروف الحقل. اشرح أن CloudSEN12 تغطي جغرافيا ومزيجاً من الفئات لكنها لا تمثل كل موسم أو مستشعر، وأن CLM/CLP الخشنين قد لا يصلحان لتحليل تفاصيل الحافة. يمكن تناول النطاق ضمن مشاريع تخرج وربطه بخدمة الذكاء الاصطناعي وتحليل البيانات. هذا العمل لا يكرر مراجعة إشارات الحرائق الفضائية؛ إنه يدقق قناع جودة البيانات قبل حساب مؤشر طيفي. كذلك مراجعة الألواح الحرارية تستخدم صوراً حرارية أرضية وتجيب عن سؤال مختلف. لا توجد نتائج مصطنعة أو قياسات ميدانية منسوبة للاستوديو.