Indonēzija, valsts ar vairāk nekā 17 000 salām, kas aizņem 1,9 miljonus kvadrātkilometru, saskaras ar būtisku izaicinājumu detalizētu karšu izveidē, lai atbalstītu savus attīstības mērķus.
Tā kā tikai 3% valsts teritorijas ir pārklātas ar liela mēroga topogrāfiskajām kartēm (mērogs 1:5000), tradicionālās metodes, piemēram, manuāla stereogrāfija un lauka apsekojumi, ir pārāk lēnas, lai apmierinātu steidzamās pilsētplānošanas, katastrofu pārvaldības un vides aizsardzības vajadzības.
Novatorisks pētījums, kas publicēts Tālizpēte 2025. gadā piedāvā risinājumu: dziļās mācīšanās sistēmu, kas automatizē zemes seguma klasifikāciju, izmantojot ļoti augstas izšķirtspējas satelītattēlus.
Indonēzijas kartēšanas izaicinājums Topogrāfija
Indonēzijas lielums un sarežģītība padara kartēšanu par milzīgu uzdevumu. Ģeotelpiskās informācijas aģentūra (BIG), kas ir atbildīga par valsts kartēšanu, pašlaik katru gadu saražo 13 000 kvadrātkilometru topogrāfisko karšu.
Šādā tempā visas valsts kartēšana prasītu vairāk nekā gadsimtu. Pat ja neskaita mežu teritorijas, kas klāj gandrīz pusi Indonēzijas, atlikušās teritorijas pabeigšana joprojām prasītu 60 gadus.
Šis lēnais progress ir pretrunā ar nacionālajām prioritātēm, piemēram, Vienas kartes politika, kas tika ieviesta 2016. gadā, lai standartizētu kartes dažādās nozarēs un izvairītos no konfliktiem zemes izmantošanā. Šīs politikas pielāgošana 1:5000 kartēm ir būtiska, taču tā krietni atpaliek no grafika.
Topogrāfiskās kartes ir detalizēti Zemes virsmas dabisko un cilvēka radīto veidojumu attēlojumi, tostarp augstumi (pakalni, ielejas), ūdenstilpes, ceļi, ēkas un veģetācija.
Tie kalpo kā pamatinstrumenti infrastruktūras plānošanai, katastrofu seku likvidēšanai un vides monitoringam. Indonēzijā šo karšu izveide mērogā 1:5000 (kur 1 cm kartē atbilst 50 metriem uz zemes) ir kritiski svarīga precizitātei tādos projektos kā ceļu būvniecība vai plūdu modelēšana.
Zemes seguma dati, topogrāfisko karšu apakškopa, attiecas uz fizisko materiālu uz Zemes virsmas, piemēram, mežiem, pilsētu teritorijām vai ūdeni. Atšķirībā no zemes izmantošana (kas apraksta, kā cilvēki izmanto zemi, piemēram, dzīvojamās vai rūpnieciskās zonas), zeme koncentrējas uz novērojamām iezīmēm.
Precīzas zemes seguma kartes palīdz valdībām izsekot mežu izciršanai, uzraudzīt pilsētu izplešanos vai novērtēt lauksaimniecības produktivitāti. Tradicionāli analītiķi šos objektus manuāli marķē pikseli pa pikselim, izmantojot aerofotogrāfijas vai satelītattēlus, un šis process ir gan laikietilpīgs, gan pakļauts cilvēciskām kļūdām.
Piemēram, ceļu vai mazu ēku identificēšana blīvi apdzīvotās pilsētu teritorijās var prasīt vairākas dienas rūpīga darba. 2025. gada pētījumā šī problēma tiek risināta, aizstājot manuālos centienus ar mākslīgo intelektu, īpaši dziļo mācīšanos, lai automatizētu zemes seguma klasifikāciju.
Mākslīgā intelekta vadīta satelītattēlu analīze
Pētījums kā testa gadījums bija vērsts uz Mataramas pilsētu, nelielu, bet daudzveidīgu pilsētas teritoriju Lombokas salā. Komanda izmantoja Plejādu satelītattēli no 2015. gada, kurā bija iekļauti augstas izšķirtspējas panhromatiski (0,5 metri) un multispektrāli (2 metri) dati.
Panhromatiskie attēli uztver smalkas telpiskas detaļas pelēktoņos, savukārt multispektrālie attēli sniedz krāsu un infrasarkano staru informāciju noteiktos viļņu garuma diapazonos (piemēram, sarkanā, zaļā, zilā, tuvā infrasarkanā).
Lai apvienotu šīs stiprās puses, pētnieki izmantoja pan-sharpening metodi, kas apvieno augstas izšķirtspējas pelēktoņu datus ar zemākas izšķirtspējas krāsu attēliem. Šis process radīja asus, detalizētus attēlus ar 0,5 metru izšķirtspēju, kas ir ideāli piemēroti mazu objektu, piemēram, ceļu vai atsevišķu ēku, noteikšanai.
Pan-asināšana ir ļoti svarīga, jo tā saglabā bagātīgo multispektrālo datu spektrālo informāciju, vienlaikus uzlabojot telpisko skaidrību, nodrošinot, ka krāsas precīzi atbilst fiziskajām iezīmēm.
Pēc tam komanda no attēliem ieguva papildu informāciju, lai uzlabotu klasifikācijas precizitāti. Viņi aprēķināja normalizēto veģetācijas diferenciālo indeksu (NDVI), kas ir augu veselības rādītājs, kas iegūts no tuvā infrasarkanā starojuma (NIR) un sarkanās gaismas atstarošanas.
Veselīga veģetācija atstaro vairāk tuvā infrasarkanā starojuma un absorbē vairāk sarkanās gaismas hlorofila aktivitātes dēļ. Formula NDVI = (NIR − Sarkans) / (NIR + Sarkans) iegūst vērtības no -1 līdz 1, kur augstākas vērtības norāda uz blīvāku, veselīgāku veģetāciju.
NDVI ir nenovērtējams, lai atšķirtu mežus, lauksaimniecības zemi un pilsētu zaļās zonas. Piemēram, šajā pētījumā NDVI palīdzēja atšķirt sulīgas plantācijas no kailas augsnes.
Tekstūras analīze bija vēl viens svarīgs solis. Izmantojot statistisko metodi, ko sauc par pelēkā līmeņa līdzāsparādīšanās matricu (GLCM), pētnieki kvantificēja attēlos redzamos modeļus, piemēram, lauksaimniecības lauku nelīdzenumu salīdzinājumā ar bruģēto ceļu gludumu.
GLCM darbojas, analizējot, cik bieži attēlā parādās pikseļu pāri ar noteiktām vērtībām un telpiskām attiecībām (piemēram, horizontāli blakus). No šīs matricas var iegūt tādus rādītājus kā viendabīgums (pikseļu vērtību vienveidība), kontrasts (lokālās intensitātes svārstības) un entropija (pikseļu sadalījuma nejaušība) tiek aprēķināti.
Šie tekstūras rādītāji palīdzēja mākslīgā intelekta modelim atšķirt līdzīga izskata zemes seguma veidus, piemēram, atšķirot asfalta ceļus no tumšiem augsnes pleķiem.
Lai vienkāršotu datus, komanda pielietoja Galveno komponentu analīze (PCA), metode, kas identificē nozīmīgākos modeļus datu kopā. PCA samazina redundanci, pārveidojot korelētos mainīgos (piemēram, vairākas tekstūras joslas) mazākā nekorelētu komponentu kopā.
Šajā pētījumā PCA saīsināja piecas tekstūras joslas divās galvenajās komponentēs, vienlaikus saglabājot sākotnējās informācijas 95%. Tas racionalizēja dziļās mācīšanās modeļa ievadi, uzlabojot gan precizitāti, gan skaitļošanas efektivitāti.
U-Net dziļā mācīšanās zemes seguma izpētei Topogrāfija
Pētījuma pamatā bija dziļās mācīšanās modelis, kas balstīts uz U-Net arhitektūru — konvolucionālā neironu tīkla (CNN) veidu, ko plaši izmanto attēlu segmentācijas uzdevumos.
U-Net, kas nosaukts U-veida dizaina dēļ, sastāv no divām galvenajām daļām: kodētāja, kas analizē attēlu, lai iegūtu hierarhiskas pazīmes (piemēram, malas, tekstūras), un dekodētāja, kas rekonstruē attēlu ar pikseļiem atbilstošām etiķetēm.
Kodētājs izmanto konvolucionālos slāņus un apvienošanu, lai samazinātu attēla izšķirtspēju, uztverot plašus modeļus, savukārt dekodētājs palielina datu izšķirtspēju, lai atjaunotu telpisko izšķirtspēju. Savienojumu izlaišana starp kodētāja un dekodētāja slāņiem saglabā smalkas detaļas, nodrošinot precīzu robežu noteikšanu, kas ir kritiski svarīga funkcija šauru ceļu vai neregulāras formas ēku kartēšanai.
Modelī tika izmantots ResNet34 mugurkauls — iepriekš apmācīts tīkls, kas pazīstams ar savu dziļumu un efektivitāti. ResNet34 pieder pie atlikušo tīklu saimes, kas ievieš "īsceļu savienojumus", lai apietu slāņus, mazinot izzūdošā gradienta problēmu (kur dziļajiem tīkliem ir grūtības mācīties samazināto atjauninājumu dēļ apmācības laikā).
Izmantojot ResNet34 spēju atpazīt sarežģītus modeļus no ImageNet (masveida attēlu datubāzes), modelim bija nepieciešams mazāk apmācības datu un laika, lai pielāgotos satelītattēliem.
Modeļa apmācībai bija nepieciešamas 1440 attēlu flīzes, katra 512 × 512 pikseļi, aptverot sešas zemes seguma klases: ēkas, ceļus, lauksaimniecības zemi, kailo zemi, plantācijas un ūdenstilpes.
Datu kopai bija raksturīga nelīdzsvarotība; ceļi un ūdenstilpes veidoja attiecīgi tikai 3,7% un 4,2% no izlasēm, savukārt ēkas un lauksaimniecības zeme veidoja vairāk nekā 25% katra. Neskatoties uz šo izaicinājumu, modelis tika apmācīts 200 epohos — līdzsvars starp precizitāti un skaitļošanas izmaksām — ar partijas lielumu 2 atmiņas ierobežojumu dēļ.
Un laikmets attiecas uz vienu pilnīgu apmācības datu nodošanu caur modeli, savukārt partijas lielums nosaka, cik paraugu tiek apstrādāti pirms modeļa parametru atjaunināšanas. Mazāki partijas lielumi samazina atmiņas izmantošanu, bet var palēnināt apmācību.
Karšu uzlabošana ar morfoloģisko apstrādi
Pat labākie mākslīgā intelekta modeļi rada kļūdas, piemēram, atsevišķu pikseļu nepareizu klasificēšanu vai robainu malu veidošanos ap elementiem. Lai to novērstu, pētnieki izmantoja morfoloģisko apstrādi — metodi, kas izlīdzina nepilnības, izmantojot tādas darbības kā erozija un dilatācija.
Erozija noņem plānus pikseļu slāņus no objektu robežām, likvidējot sīkus, nepareizi klasificētus laukumus, savukārt dilatācija pievieno pikseļus, lai paplašinātu objektu robežas, aizpildot tukšumus lineāros objektos, piemēram, ceļos.
Šīs darbības balstās uz strukturējošu elementu (nelielu matricu), kas slīd pāri attēlam, lai modificētu pikseļu vērtības. Optimālais kodola izmērs šīm darbībām (5 × 5 pikseļi) tika noteikts, izmantojot pusvarianču analīzi — ģeostatistisko metodi, kas kvantificēja telpiskos modeļus attēlos.
Pusvariācija mēra, cik daudz pikseļu vērtības atšķiras dažādos attālumos, palīdzot noteikt mērogu, kurā tekstūras elementi (piemēram, ēku kopas) ir visizteiktākie.
Mākslīgais intelekts palielina kartēšanas ātrumu un precizitāti
Modelis sasniedza sākotnējo precizitāti 84% (kappa rādītājs = 0,79), kas pēc pēcapstrādes pieauga līdz 86% (kappa = 0,81). kappa rādītājs (Koena kappa) mēra atbilstību starp prognozēto un faktisko klasifikāciju, koriģējot nejaušību.
Rezultāts 0,81 norāda uz “gandrīz pilnīgu” atbilstību, pārsniedzot 0,61–0,80 diapazonu, kas tiek uzskatīts par “būtisku”. Ūdenstilpes un stādījumi tika klasificēti ar gandrīz pilnīgu precizitāti (attiecīgi 97% un 96%), savukārt ceļi, kuriem bija raksturīga plāna, lineāra forma un ēnas, sasniedza 85%.
Arī ēkas un lauksaimniecības zeme uzrādīja labus rezultātus, iegūstot F1 rādītājus 88% un 83%. F1 rādītājs, kas ir precizitātes un atcerēšanās spējas harmoniskais vidējais rādītājs, līdzsvaro kļūdaini pozitīvus un kļūdaini negatīvus rezultātus, padarot to ideāli piemērotu nelīdzsvarotu datu kopu novērtēšanai.
Efektivitātes pieaugums bija vēl pārsteidzošāks. Tradicionālā stereogrāfēšana, kas ietver elementu manuālu marķēšanu 3D aeroattēlos, ēku un veģetācijas attēlošanai aizņem deviņas dienas uz vienu kartes lapu (5,29 km²).
Mākslīgā intelekta vadītā pieeja samazināja šo laiku līdz 43 minūtēm katrai lapai, kas ir 250 reižu uzlabojums. Modeļa apmācībai sākotnēji bija nepieciešamas 17 stundas, bet pēc apmācības tas varētu klasificēt plašas teritorijas ar minimālu cilvēka iejaukšanos. Šīs sistēmas mērogošana ļautu Indonēzijai kartēt 9000 km² gadā, samazinot prognozēto pabeigšanas laiku no vairāk nekā gadsimta līdz tikai 15 gadiem.
Mākslīgā intelekta kartēšana veicina globālo ilgtspējību
Sekas sniedzas tālu aiz Indonēzijas robežām. Automatizēta zemes seguma klasifikācija atbalsta globālus centienus, piemēram, ANO ilgtspējīgas attīstības mērķus (IAM). Piemēram, mežu izciršanas (IAM 15) vai pilsētu izplešanās (IAM 11) izsekošana kļūst ātrāka un precīzāka.
Katastrofu apdraudētos reģionos, piemēram, plūdu apdraudētās teritorijās, atjauninātas kartes var identificēt neaizsargātas kopienas un plānot evakuācijas maršrutus.
Arī lauksaimnieki gūst labumu; precīzi zemes seguma dati ļauj veikt precīzu lauksaimniecību, optimizējot ūdens izmantošanu un kultūraugu ražu, uzraugot augsnes veselību un veģetācijas stresu, izmantojot NDVI.
Tomēr joprojām pastāv problēmas. Modeļa veiktspēja nepietiekami pārstāvētās klasēs, piemēram, ceļos, uzsver nepieciešamību pēc līdzsvarotiem apmācības datiem. Turpmākajā darbā varētu iekļaut pārneses mācīšanos — metodi, kurā modelis, kas iepriekš apmācīts vienam uzdevumam (piemēram, vispārējai attēlu atpazīšanai), tiek precīzi pielāgots konkrētam pielietojumam (piemēram, ceļu noteikšanai satelītattēlos).
Tas samazina nepieciešamību pēc milzīgiem marķētiem datu kopumiem, kuru izveide ir dārga. Precizitāti varētu vēl vairāk uzlabot, testējot tādas progresīvas arhitektūras kā U-Net3+, kas uzlabo iezīmju apkopošanu dažādos mērogos, vai uz transformatoriem balstītus modeļus (kas izceļas ar liela attāluma atkarību tveršanu attēlos).
Tomēr Lidar (gaismas noteikšanas un diapazona noteikšanas) vai radara datu integrēšana varētu arī uzlabot rezultātus, īpaši mākoņainos reģionos, kur optiskajiem satelītiem ir grūtības.
Secinājums: Jauna ēra ģeotelpiskajā zinātnē
Šis pētījums iezīmē pagrieziena punktu topogrāfiskajā kartēšanā. Automatizējot zemes seguma klasifikāciju, valstis var izveidot precīzas kartes ātrāk un lētāk nekā jebkad agrāk. Indonēzijai šī tehnoloģija nav tikai ērtības — tā ir nepieciešamība, lai pārvaldītu straujo urbanizāciju, aizsargātu mežus un sagatavotos ar klimatu saistītām katastrofām.
Attīstoties mākslīgajam intelektam un satelīttehnoloģijām, reāllaika, augstas izšķirtspējas kartēšanas vīzija ir sasniedzama, dodot valdībām un kopienām iespēju veidot ilgtspējīgāku nākotni.
AtsauceHakim, YF; Tsai, F. Uz dziļās mācīšanās balstīta zemes seguma iegūšana no ļoti augstas izšķirtspējas satelītattēliem, lai palīdzētu veidot liela mēroga topogrāfiskās kartes. Remote Sens. 2025, 17, 473. https://doi.org/10.3390/rs17030473
Satellīta attēlveidošana
English 
German 
Ukrainian 
French 
Kazakh 
Portuguese 
Spanish 
Arabic 
Swedish 
Serbian 
Romanian 
Norwegian 
Finnish 
Lithuanian 
Estonian 
Latvian 
Croatian 
Slovenian 
Slovak 
Japanese 
Polish 