Kõrge täpsusega tehisintellekti mudelid klassifitseerivad topograafilist kaardistamist kiiremini kui traditsioonilised meetodid

Indoneesia, enam kui 17 000 saarega riik, mis ulatuvad 1,9 miljoni ruutkilomeetrini, seisab silmitsi kriitilise väljakutsega luua oma arengueesmärke toetavaid detailseid kaarte.

Kuna suuremõõtmeliste topograafiliste kaartidega (mõõtkava 1:5000) on kaetud vaid 3% riigist, on traditsioonilised meetodid, nagu käsitsi stereograafiline joonistamine ja väliuuringud, liiga aeglased, et rahuldada linnaplaneerimise, katastroofide ohjamise ja keskkonnakaitse pakilisemaid vajadusi.

Murranguline uuring, mis avaldati aastal Kaugseire pakub 2025. aastal lahenduse: süvaõppe raamistiku, mis automatiseerib maakatte klassifitseerimist väga kõrge eraldusvõimega satelliidipiltide abil.

Indoneesia kaardistamise väljakutse Topograafia

Indoneesia suurus ja keerukus muudavad kaardistamise monumentaalseks ülesandeks. Riikliku kaardistamise eest vastutav Geospatial Information Agency (BIG) toodab praegu aastas 13 000 ruutkilomeetrit topograafilisi kaarte.

Selle tempo juures võtaks kogu riigi kaardistamine üle sajandi. Isegi kui metsaalad – mis katavad peaaegu poole Indoneesiast – välja jätta, võtaks ülejäänud maastiku kaardistamine ikkagi aega 60 aastat.

See aeglane edasiminek on vastuolus riiklike prioriteetidega, näiteks Ühe kaardi poliitika, mis võeti kasutusele 2016. aastal, et standardiseerida kaarte eri sektorites ja vältida konflikte maakasutuses. Selle poliitika skaleerimine 1:5000 kaartidele on oluline, kuid ajakavast on oluliselt maas.

Topograafilised kaardid on Maa pinnal asuvate looduslike ja inimese loodud tunnuste, sealhulgas kõrgustike (künkad, orud), veekogude, teede, hoonete ja taimestiku detailsed kujutised.

Need on infrastruktuuri planeerimise, katastroofidele reageerimise ja keskkonnaseire alusvahendid. Indoneesia jaoks on nende kaartide loomine mõõtkavas 1:5000 (kus 1 cm kaardil võrdub 50 meetriga maapinnal) kriitilise tähtsusega selliste projektide nagu teedeehitus või üleujutuste modelleerimine täpsuse tagamiseks.

Maakatte andmed, topograafiliste kaartide alamhulk, viitab Maa pinnal olevale füüsilisele materjalile, näiteks metsadele, linnapiirkondadele või veele. Erinevalt maakasutus (mis kirjeldab, kuidas inimesed maad kasutavad, nt elamu- või tööstuspiirkonnad), keskendub maa vaadeldavatele tunnustele.

Täpsed maakattekaardid aitavad valitsustel jälgida metsade hävitamist, valglinnastumist või hinnata põllumajanduslikku tootlikkust. Traditsiooniliselt märgistavad analüütikud neid elemente käsitsi pikslihaaval, kasutades õhust või satelliidilt tehtud fotosid, mis on nii aeganõudev kui ka inimlike vigade oht.

Näiteks tihedalt asustatud linnapiirkondades teede või väikeste hoonete tuvastamine võib võtta päevi ja hoolikat tööd. 2025. aasta uuring lahendab selle kitsaskoha, asendades käsitsi tehtavad tööd tehisintellektiga, täpsemalt süvaõppega, et automatiseerida maakatte klassifitseerimist.

Tehisintellektil põhinev satelliidipiltide analüüs 

Uuring keskendus testjuhtumina Mataram Cityle, mis on väike, kuid mitmekesine linnapiirkond Lomboki saarel. Meeskond kasutas Plejaadide satelliidipildid alates 2015. aastast, mis hõlmas kõrgresolutsiooniga pankromaatilisi (0,5 meetrit) ja multispektraalseid (2 meetrit) andmeid.

Pankromaatilised pildid jäädvustavad peeneid ruumilisi detaile halltoonides, samas kui multispektraalsed pildid pakuvad värvi- ja infrapunainfot kindlates lainepikkuste vahemikes (nt punane, roheline, sinine, lähiinfrapuna).

Nende tugevate külgede ühendamiseks rakendasid teadlased pan-sharpening tehnikat, mis ühendab kõrge eraldusvõimega halltoonide andmed madalama eraldusvõimega värviliste piltidega. See protsess andis teravaid ja detailseid pilte 0,5-meetrise eraldusvõimega, mis sobib ideaalselt väikeste objektide, näiteks teede või üksikute hoonete tuvastamiseks.

Pan-teravustamine on ülioluline, kuna see säilitab multispektraalsete andmete rikkaliku spektraalteabe, parandades samal ajal ruumilist selgust, tagades värvide täpse vastavuse füüsilistele omadustele.

Seejärel ekstraheeris meeskond piltidelt lisateavet klassifitseerimise täpsuse parandamiseks. Nad arvutasid normaliseeritud taimestiku erinevuse indeksi (NDVI), mis on taime tervise mõõt, mis saadakse lähiinfrapuna (NIR) ja punase valguse peegelduse põhjal.

Tervislik taimestik peegeldab klorofülli aktiivsuse tõttu rohkem lähiinfrapunavalgust ja neelab rohkem punast valgust. Valem $\text{NDVI}=(\text{Lähis-infrapuna}-\text{Punane})/(\text{Lähis-infrapuna}+\text{Punane})$ annab väärtused vahemikus -1 kuni 1, kus kõrgemad väärtused näitavad tihedamat ja tervemat taimestikku.

NDVI on hindamatu väärtusega metsade, põllumaade ja linnade rohealade eristamisel. Näiteks aitas NDVI selles uuringus eristada lopsakaid istandusi paljast pinnast.

Tekstuuri analüüs oli järjekordne oluline samm. Kasutades statistilist meetodit nimega halli taseme koosesinemise maatriks (GLCM), kvantifitseerisid teadlased kujutistel olevaid mustreid, näiteks põllumajanduspõldude karedust võrreldes sillutatud teede siledusega.

GLCM töötab analüüsides, kui sageli pildil esinevad kindlate väärtuste ja ruumiliste suhetega (nt horisontaalselt külgnevad) pikslipaarid. Sellest maatriksist saab mõõdikuid, nagu homogeensus (pikslite väärtuste ühtlus), kontrast (lokaalsed intensiivsuse kõikumised) ja entroopia (pikslite jaotuse juhuslikkus) arvutatakse.

Need tekstuurinäitajad aitasid tehisintellekti mudelil eristada sarnase välimusega maakatte tüüpe – näiteks eristades asfaltteid ja tumedaid mullalaike.

Andmete lihtsustamiseks rakendas meeskond Põhikomponentide analüüs (PCA), tehnika, mis tuvastab andmestikus kõige olulisemad mustrid. PCA vähendab redundantsust, teisendades korreleeritud muutujad (nt mitu tekstuuririba) väiksemaks korreleerimata komponentide komplektiks.

Selles uuringus koondas PCA viis tekstuuririba kaheks põhikomponendiks, säilitades samal ajal algsest teabest 95%. See sujuvamaks muutis süvaõppe mudeli sisendit, parandades nii täpsust kui ka arvutuslikku efektiivsust.

U-Neti süvaõpe maakatte jaoks Topograafia

Uuringu keskmes oli süvaõppe mudel, mis põhines U-Neti arhitektuuril, mis on konvolutsioonilise närvivõrgu (CNN) tüüp, mida laialdaselt kasutatakse piltide segmenteerimise ülesannetes.

U-kujulise disaini järgi nime saanud U-Net koosneb kahest põhiosast: kodeerijast, mis analüüsib pilti hierarhiliste tunnuste (nt servad, tekstuurid) eraldamiseks, ja dekoodrist, mis rekonstrueerib pildi pikslipaavalt siltidega.

Kodeerija kasutab pildi alladiskreedimiseks konvolutsioonikihte ja koondamist, jäädvustades laiaulatuslikke mustreid, samal ajal kui dekooder suurendab ruumilise eraldusvõime taastamiseks andmete diskreedi. Kodeerija ja dekoodri kihtide vaheliste ühenduste vahelejätmine säilitab peened detailid, võimaldades täpset piiride tuvastamist – see on kriitilise tähtsusega funktsioon kitsaste teede või ebakorrapärase kujuga hoonete kaardistamisel.

Mudel kasutas ResNet34 selgroogu – eelkoolitatud võrku, mis on tuntud oma sügavuse ja efektiivsuse poolest. ResNet34 kuulub jääkvõrkude perekonda, mis pakub kihtide möödaviimiseks “otseteid”, leevendades kaduva gradiendi probleemi (kus sügavatel võrkudel on õppimisraskused vähenevate värskenduste tõttu treeningu ajal).

Kasutades ära ResNet34 võimet tuvastada keerulisi mustreid ImageNetist (tohutust pildiandmebaasist), vajas mudel satelliidipiltidega kohanemiseks vähem treeningandmeid ja aega.

Mudeli treenimiseks oli vaja 1440 pildiplaati, igaüks mõõtmetega 512 × 512 pikslit, mis hõlmasid kuut maakatteklassi: hooned, teed, põllumajandusmaa, paljas maa, istandused ja veekogud.

Andmestikul oli loomupäraseid tasakaalustamatusi; teed ja veekogud moodustasid vastavalt vaid 3,7% ja 4,2% valimist, samas kui hooned ja põllumajandusmaa moodustasid kumbki üle 25%. Vaatamata sellele väljakutsele treeniti mudelit 200 epohhi jooksul – tasakaal täpsuse ja arvutuskulude vahel –, mälupiirangute tõttu partii suurusega 2.

Üks ajastu viitab treeningandmete ühele täielikule läbimisele mudeli kaudu, samas kui partii suurus määrab, mitu näidist töödeldakse enne mudeli parameetrite värskendamist. Väiksemad partii suurused vähendavad mälukasutust, kuid võivad treenimist aeglustada.

Kaartide täiustamine morfoloogilise töötlemise abil

Isegi parimad tehisintellekti mudelid tekitavad vigu, näiteks üksikute pikslite vale klassifitseerimine või sakiliste servade loomine objektide ümber. Selle probleemi lahendamiseks rakendasid teadlased morfoloogilist töötlemist – tehnikat, mis silub ebatäiusi selliste toimingute abil nagu erosioon ja dilatatsioon.

Erosioon eemaldab objektide piiridelt õhukesed pikslikihid, kõrvaldades pisikesed valesti klassifitseeritud laigud, samas kui dilatatsioon lisab piksleid objektide piiride laiendamiseks, täites lünki lineaarsetes objektides, näiteks teedel.

Need toimingud tuginevad struktureerivale elemendile (väikesele maatriksile), mis libiseb pildi kohal piksliväärtuste muutmiseks. Nende toimingute optimaalne tuuma suurus (5 × 5 pikslit) määrati semidispersioonanalüüsi abil, mis on geostatistiline meetod, mis kvantifitseerib piltidel olevaid ruumilisi mustreid.

Poolvariatsioon mõõdab, kui palju piksliväärtused erinevatel vahemaadel erinevad, aidates tuvastada skaala, milles tekstuurielemendid (nt hoonete klastrid) on kõige eristatavamad.

Tehisintellekt suurendab kaardistamise kiirust ja täpsust

Mudel saavutas esialgse täpsuse 84% (kappa skoor = 0,79), mis pärast järeltöötlust tõusis väärtuseni 86% (kappa = 0,81). kappa skoor (Coheni kappa) mõõdab ennustatud ja tegelike klassifikatsioonide vastavust, kohandades seda juhuslikkuse arvessevõtmiseks.

Skoor 0,81 näitab “peaaegu täielikku” kooskõla, ületades vahemikku 0,61–0,80, mida peetakse “oluliseks”. Veekogud ja istandused klassifitseeriti peaaegu täiusliku täpsusega (vastavalt 97% ja 96%), samas kui teed – mille puhul oli probleemiks õhuke, lineaarne kuju ja varjud – ulatusid täpsuseni 85%.

Ka hooned ja põllumajandusmaa saavutasid häid tulemusi, F1-skoorid olid vastavalt 88% ja 83%. F1-skoor, täpsuse ja tagasikutsuvuse harmooniline keskmine, tasakaalustab valepositiivseid ja valenegatiivseid tulemusi, muutes selle ideaalseks tasakaalustamata andmestike hindamiseks.

Tõhususe kasv oli veelgi silmatorkavam. Traditsiooniline stereograafiline joonistamine, mis hõlmab 3D-õhupiltidel objektide käsitsi märgistamist, võtab hoonete ja taimestiku kaardistamise jaoks üheksa päeva kaardilehe (5,29 km²) kohta.

Tehisintellektil põhinev lähenemine vähendas seda 43 minutini lehe kohta – 250-kordne edasiminek. Mudeli treenimine võttis algselt aega 17 tundi, kuid pärast treenimist suutis see klassifitseerida ulatuslikke alasid minimaalse inimese sekkumisega. Selle süsteemi skaleerimine võimaldaks Indoneesial kaardistada 9000 km² aastas, lühendades eeldatavat valmimisaega enam kui sajandilt vaid 15 aastale.

Tehisintellekti kaardistamine edendab globaalset jätkusuutlikkust

Mõju ulatub Indoneesiast kaugemale. Automatiseeritud maakatte klassifitseerimine toetab ülemaailmseid jõupingutusi, nagu ÜRO säästva arengu eesmärgid (SDG-d). Näiteks metsade hävitamise (SDG 15) või linnade laienemise (SDG 11) jälgimine muutub kiiremaks ja täpsemaks.

Katastroofiohtlikes piirkondades, näiteks üleujutusohtlikes piirkondades, saavad ajakohased kaardid tuvastada haavatavaid kogukondi ja planeerida evakuatsiooniteid.

Ka põllumehed saavad kasu; täpsed maakatteandmed võimaldavad täppispõllumajandust, optimeerides veekasutust ja saagikust, jälgides mulla tervist ja taimestiku stressi NDVI kaudu.

Siiski on probleeme. Mudeli toimivus alaesindatud klasside, näiteks teede puhul, rõhutab tasakaalustatud treeningandmete vajadust. Edasine töö võiks hõlmata ka ülekandeõpet – tehnikat, kus ühe ülesande (nt üldise pildituvastuse) jaoks eelnevalt treenitud mudelit peenhäälestatakse konkreetse rakenduse jaoks (nt teede tuvastamine satelliidipiltidel).

See vähendab vajadust massiivsete märgistatud andmekogumite järele, mille loomine on kulukas. Täiustatud arhitektuuride, näiteks U-Net3+, mis parandab tunnuste koondamist eri skaaladel, või transformaatorpõhiste mudelite (mis on suurepärased piltidel pikkade sõltuvuste jäädvustamisel) testimine võiks täpsust veelgi parandada.

Siiski võib tulemusi parandada ka lidari (valguse tuvastamise ja kauguse mõõtmise) või radariandmete integreerimine, eriti pilvistes piirkondades, kus optiliste satelliitidega on raskusi.

Kokkuvõte: georuumiteaduse uus ajastu

See uuring tähistab pöördepunkti topograafilises kaardistamises. Maakatte klassifitseerimise automatiseerimise abil saavad riigid luua täpseid kaarte kiiremini ja odavamalt kui kunagi varem. Indoneesia jaoks pole see tehnoloogia lihtsalt mugavus – see on hädavajalik kiire linnastumise ohjamiseks, metsade kaitsmiseks ja kliimaga seotud katastroofideks valmistumiseks.

Tehisintellekti ja satelliittehnoloogia arenedes on reaalajas ja kõrglahutusega kaardistamise visioon käeulatuses, andes valitsustele ja kogukondadele võimaluse ehitada jätkusuutlikumat tulevikku.

ViideHakim, YF; Tsai, F. Süvaõppel põhinev maakatte eraldamine väga kõrge eraldusvõimega satelliidipiltidelt suuremahuliste topograafiliste kaartide tootmise toetamiseks. Remote Sens. 2025, 17, 473. https://doi.org/10.3390/rs17030473