Communitygithub.com

地理空間AI變遷偵測與時空分析

專業級GeoAI Agent技能,用於變遷偵測、時空分析及遙感數據科學,涵蓋PostGIS、Google Earth Engine、LiDAR與可重現機器學習。

地理空間AI變遷偵測與時空分析 是什麼?

這項技能專為開發者與AI Agent設計,提供生產級的地理空間變遷偵測與時空分析能力。它能區分真實地表變化與四大偽信號(誤配準、輻射漂移、物候影響、分類誤差),支援多種方法:雙時相指數差分(ΔNDVI/ΔNBR)、分類後比較、變遷向量分析、密集時間序列趨勢分析(BFAST/LandTrendr/CCDC)、深度學習雙時相分割、SAR對數比值變化偵測以及向量疊圖比對。技能明確定義了執行前必須滿足的預條件(次像素級配準、輻射一致性、同季節、雲遮蔽處理),並提供嚴謹的閾值選取指引(統計閾值、Otsu、監督式)。輸出的變遷地圖需進行分層抽樣精度評估(Olofsson協定),報告使用者精度、製圖者精度與誤差調整後的面積估計及其信賴區間。支援的平臺包括xarray、Google Earth Engine、PostGIS;所有結果皆須附上完整參數記錄與限制說明。簡言之,這套技能確保變遷偵測從資料預處理到最終報告皆可重現且有統計依據,避免誤判產出「美麗的騙人地圖」。

相容平台~Claude Code~Codex CLI~Cursor
npx skills add muend/geoai-skills

在你喜歡的 AI 中提問

開啟一個已預先載入此 Agent Skill 的新對話。

說明文件

變遷偵測與時空分析

目的:區分真實地表變化與四大偽信號—— 誤配準、輻射漂移、物候影響和分類誤差。 以下每一種方法的存在都是為了控制其中一個偽信號; 跳過控制步驟只會產出看似漂亮實則空洞的變遷地圖。

事前條件(變遷偵測成敗在此)

  1. 影像配準:不同時期的影像需達到次像素級配準(使用AROSICS或手動控制點)。半個像素的偏移就會在邊緣產生到處都是的幽靈變遷。驗證方式:用閃爍比對檢查清晰特徵。
  2. 輻射一致性:使用相同的處理等級(表面反射率),儘可能使用同一感測器;若混合不同感測器,需進行調和(例如Landsat↔Sentinel-2 HLS)或使用相對歸一化(PIFs)。
  3. 相同季節/物候階段:雙時相分析必須配對同一季節——5月與9月的配對偵測到的其實是「夏天」。若無法匹配季節,應改用合成影像或時間序列方法。
  4. 跨日期交集雲遮蔽處理:分析僅對所有日期皆無雲的有效像素進行,並報告該有效覆蓋百分比。

方法選擇

情境方法
兩期連續數值「變化量」指數差分(ΔNDVI、ΔNBR...)搭配統計閾值
兩期類別「從什麼變成什麼」分類後比較(僅限使用強分類器)
兩期多變量穩健偵測變遷向量分析(CVA);MAD/iMAD可感測器穩健偵測
密集時間序列、漸變+突變趨勢+斷點分析(BFAST/LandTrendr/CCDC系列,大尺度時使用 google-earth-engine)
結構變化(建築物)深度學習雙時相分割(連體U-Net)→ geo-deep-learning
雷達圖像對(雲區、災害)校準後後向散射對數比值+斑點濾波處理
向量圖資版本比較(地塊、建築物)幾何+屬性差異比對(含容差,見下方)

閾值選取——絕不靠目視

差分影像需要一個可辯護的閾值:差分直方圖的 μ ± k·σ(報告k值)、雙峰時使用Otsu法、或基於標記變遷/非變遷樣本的監督式閾值。報告時需附上直方圖並標記所選閾值。靈敏度分析:同時報告在k-0.5和k+0.5條件下的變遷面積;若變化趨勢翻轉,則偵測結果不可靠——必須如實說明。

分類後比較(PCC)——謹慎使用

分類後比較的誤差會疊加:兩個90%精確度的地圖,變遷精度僅約81%,且有偏的誤差會產生系統性的假轉換。規則:

  • 使用單一分類器,同時訓練於兩個時期的影像(相同分類體系、相同特徵),而非兩個獨立製作的歷史地圖。
  • 建立完整的轉移矩陣(從類別→到類別的面積),而非僅是變遷/非變遷的二元分類——不可能的轉換(例如一年內水→森林)就是你的誤差偵測器。
  • 差異分析前,先應用跨日期一致的最小製圖單元。

時間序列(密集堆疊)分析

  • 建立填補空缺、去除雲遮蔽的指數堆疊(xarray,含時間維度)。
  • 分解趨勢、季節性、斷點;逐像元線性趨勢需進行顯著性檢定(Mann-Kendall + Sen斜率法用於單調趨勢——且需對數百萬像元進行FDR校正,否則你產出的「綠化地圖」只是雜訊)。
  • 標記斷點日期,而不僅是存在與否——時間點通常是分析的核心資訊(例如:砍伐何時開始?)。
  • 只要有記錄,就應將偵測到的斷點與已知事件(火災、建築許可、災害日期)進行比對驗證。

向量圖資變更稽核(同一圖層兩個版本)

  • 若有穩定ID則依ID匹配特徵;否則以IoU閾值進行空間匹配(報告閾值)。
  • 分類:新增/移除/幾何變更(面積變化大於容差)/屬性變更。容差用於吸收數化誤差——地籍級1-2米,影像數化級更大。
  • 按類別加總面積變動,並與總數比對;無法解釋的殘差即為匹配錯誤。

精度評估(最終成果的核心)

變遷是稀有事件,因此隨機抽樣會浪費樣本在穩定像元上——應使用分層抽樣(分層:變遷/非變遷,或依每個轉換類別分層),並遵循良好實務的面積估算(Olofsson等人協定):報告每層的使用者精度/製圖者精度,以及經地圖誤差調整後的面積估計與信賴區間。未經調整的變遷地圖原始像元計數是有偏的面積估計——務必報告調整後的數字。

報告模板

## 變遷:<現象>,<時間1> → <時間2或期間>
- 資料:<感測器/處理等級>,配準RMSE:<像素>,有效重疊:<%>
- 方法:<...> 閾值/參數:<...>(靈敏度:<穩定/脆弱>)
- 轉換:<轉移矩陣或前5大轉換及面積±信賴區間>
- 精度:分層n=<>,各類別UA/PA,調整後面積±信賴區間
- 偽信號控制:季節<已匹配?>,輻射<已調和?>

常見陷阱檢查清單

  • 配準誤差造成的邊緣幽靈變遷。
  • 季節性差異被當作土地覆蓋變遷。
  • 使用兩個獨立製作的歷史地圖進行分類後比較。
  • 閾值「因為看起來合理」而選定,未做靈敏度分析。
  • 以原始變遷像元計數作為面積報告(未經誤差調整)。
  • 趨勢地圖未進行多重檢定控制。
  • 對未濾波的線性功率影像進行雷達變遷偵測。

執行契約

  • 工作流程:定義變遷問題;調和範圍、季節、輻射、解析度與配準;選擇方法;估計變遷;驗證;報告不確定性。
  • 決策規則:僅對可比較的連續訊號使用直接差分;對於穩定的類別體系使用分類後比較;當有密集時間序列時使用時間序列方法。
  • 驗證協定:量化配準精度、有效重疊、閾值靈敏度、轉換會計、以及經精度調整的面積與信賴區間。
  • 失敗模式:當季節、感測器、雲遮蔽、配準或獨立地圖誤差足以解釋訊號時,拒絕因果變遷的主張。
  • 交付成果:變遷地圖、轉換或趨勢表、參數記錄、驗證樣本與指標、調整後面積估計、以及限制說明。
  • 來源時效:在使用版本敏感的產品或API前,請查閱權威來源註冊表並記錄查核日期。

相關技能