Iniziare con la questione operativa
Cambiare il rilevamento confronta le osservazioni fatte in tempi diversi, quindi eredita l'incertezza di entrambi i set di dati. Registrazione, vegetazione stagionale, umidità e illuminazione possono creare cambiamenti evidenti anche quando l'uso del terreno rimane stabile. Un utile flusso di lavoro separa il cambiamento definito, gli effetti di osservazione probabili e i candidati non risolti.
La domanda di lavoro è: Quali differenze tra due indagini sui droni rappresentano un vero e proprio cambiamento di superficie? Definire i patch di cambiamento del candidato prima che l'indagine inizia e identificare chi li esaminerà. D'accordo su quali prove cambierebbe una decisione di ispezione, campionamento o gestione. Questo mantiene la mappa legata ad un compito testable e consente di distinguere un'osservazione utile da un'output attraente che non può risolvere la domanda.
Capire cosa l'immagine osserva realmente
Piccoli turni di confine possono creare strisce di guadagno e di perdita accoppiate. Le ombre possono muoversi attraverso terra invariata, e una fase di coltura diversa può assomigliare alla conversione del suolo. Una semplice sottrazione di immagini non ha alcuna conoscenza inerente di queste cause.
Per le patch di cambiamento del candidato, la definizione di misura fa parte del risultato. Mantenere esplicito il supporto di misura: un pixel, un oggetto segmentato, un diagramma di campionamento e un blocco di gestione rappresentano diverse aree e fonti di variazione. Il cambiamento delle dimensioni dei pixel non crea informazioni indipendenti o migliora l'osservazione del sensore sottostante. Decidi se l'attività riguarda la localizzazione di obiettivi, la stima dell'area, il confronto delle osservazioni numeriche o la previsione di una proprietà di campo. Ciascuno richiede un denominatore di valutazione diverso. Conservare etichette incerte e regioni non osservabili, quindi una classificazione dall'aspetto completo non può nascondere le prove mancanti. La domanda di qualità finale dovrebbe riferirsi al compito reale, geografia e condizioni testate.
Cattura di design intorno al bersaglio e i suoi confondatori
La pianificazione di capture per le patch di cambiamento del candidato dovrebbe iniziare con il confronto previsto. Progettare insieme la collezione di osservazione e riferimento. Elenca il bersaglio, la risposta del sensore che potrebbe distinguerlo, le superfici di confondamento previste e la scala a cui viene presa una decisione. Catturare le condizioni facili e difficili, piuttosto che solo una dimostrazione visivamente pulita. Mantenere tempo di acquisizione, informazioni della fotocamera, record di calibrazione e contesto ambientale rilevante. Se sono coinvolte più bande o date, pianificare un modo per valutare il loro allineamento e la loro comparabilità. Un piccolo pilota dovrebbe rivelare se la funzione proposta è effettivamente osservabile prima che un'analisi automatizzata più grande sia trattata come una misura affidabile.
Costruire un flusso di lavoro tracciabile di elaborazione e analisi
Allineare le indagini utilizzando riferimenti stabili e ispezionare i residui localmente. Utilizzare definizioni e elaborazione di classe compatibili, quindi mascherare aree di osservazione povere. Rivedere le patch di cambiamento con i frame sorgente e record eventi. Stabilire una dimensione minima di cambiamento supportata dalla qualità di osservazione e verificare candidati importanti indipendentemente.
La revisione di qualità per le patch di cambiamento del candidato deve continuare dopo l'elaborazione completa. Conservare gli input numerici grezzi o originali accanto ai prodotti di visualizzazione. Verifica formule, identità di banda, maschere, riferimenti di coordinate e scelte di risampling. Verificare le posizioni di sorgente-output rappresentative e verificare se cuciture, pixel di bordo o superfici miste dominano la caratteristica di interesse. Registrare le versioni preprocessing e modello in modo da poter riprodurre un aggiornamento. Utilizzare unità di valutazione indipendenti che riflettono la distribuzione, non solo i pixel casuali. Confrontare una funzione sofisticata proposta con una linea di base più semplice; la complessità aggiuntiva è giustificata solo quando migliora la misura o la decisione specificate in una valutazione equa.
Lavorare attraverso un esempio illustrativo
Supponiamo che un bordo forestale illustrativo cambi di un pixel della mappa nel secondo sondaggio. La soppressione delle classificazioni crea una sottile schiaritura apparente lungo l'intero bordo. Questo modello può riflettere l'allineamento piuttosto che la rimozione degli alberi; i controlli di terra stabile e le fotografie originali aiutano a distinguerlo.
Questo esempio per le patch di cambiamento del candidato è deliberatamente illustrativo, non un risultato segnalato o una promessa di accuratezza. Sostituire le sue ipotesi con i valori misurati del progetto prima di utilizzare il ragionamento in modo operativo. Tenere visibile l' numeratore, il denominatore, la data di osservazione e le esclusioni. Se un limite plausibile, la visibilità o il cambiamento di riferimento altera la decisione, raccogliere le prove mancanti o mantenere il caso come non risolto piuttosto che segnalare luoghi decimali extra.
Valida con prove di campo indipendenti
Visita un campione stratificato di apparenti cambiamenti e aree stabili. Registra le date di eventi effettive quando disponibile. Se l'accesso al campo avviene in seguito, mantenere la prova che collega la visita all'osservazione storica piuttosto che assumere lo stato attuale dimostra la transizione precedente.
Una valutazione delle patch di cambiamento dei candidati dovrebbe includere sia gli obiettivi contrassegnati che le posizioni di riferimento non infiammate adatte. Controllare solo i candidati più evidenti non può stimare né gli obiettivi mancati né il modello completo di falsa arma. Osservazioni separate utilizzate per regolare il metodo da quelle utilizzate per valutarlo. Tenere l'unità di campionamento e metodo di selezione esplicito, e segnalare casi difficili o non osservabili piuttosto che lasciarli silenziosamente. Quando il temporizzazione del campo differisce dal tempismo dell'immagine, spiega se il sito potrebbe essere cambiato tra le visite. Un disaccordo è la prova per indagare, non un'istruzione per costringere il record di terra a corrispondere alla mappa.
Risolvere i rischi di interpretazione specifici per l'argomento
Cambiare le recensioni dovrebbe mantenere una tabella di transizione, come la tettoia a terra esposta o acqua a sedimenti esposti, piuttosto che solo una classe cambiata binaria. Le diverse transizioni suggeriscono diverse domande di validazione. Tenere una transizione irrisolta quando una data è oscurata. Un candidato che scompare dopo la correzione di registrazione dovrebbe rimanere documentato nella storia della revisione in modo che il motivo per la sua rimozione è chiaro. Per cambiamenti importanti, mantenere la coppia di immagine sorgente e le prove indipendenti degli eventi. Questo crea un record di osservazione verificabile invece di una mappa la cui interpretazione dipende da un'unica elaborazione.
Consegnare le prove che il team ricevente può usare
Consegnare un registro di cambiamento con le classi di prova e di incertezza. Tenere la conversione osservata separata dalle differenze stagionali o non risolte, e portare entrambe le informazioni di qualità date nel rapporto.
Per il cambiamento del candidato patch di passaggio, mantenere identificatori stabili, la data di osservazione della fonte, il riferimento di coordinate, il confine di analisi e lo stato di valida osservazione. Fornire sia una panoramica accessibile che i dati geospaziali rilevanti, dove necessario. Attaccare un registro di eccezione breve che spiega le caratteristiche non risolte e il successivo controllo utile. Se i dati vengono rivisti, conservare la ragione e la versione in modo da poter tracciare quantità o stati. Chiedi al team ricevente di individuare un oggetto campione e interpretarne la fiducia; quella recensione pratica spesso rivela il contesto mancante che un controllo di integrity file non può rilevare.
Quando si valuta il software di mappatura Drone per le patch di cambiamento del candidato, valutare il flusso di lavoro completo con un set di dati rappresentativi. DroneCollab può essere considerato per la preparazione di uscite di mappatura fotogrammetrica, mentre l'interpretazione specifica delle attività e la validazione del campo rimangono essenziali. Confronta le esportazioni richieste, il processo di revisione e le prove pilota effettive prima di selezionare un flusso di lavoro per il lavoro ricorrente.
