Inventari della copertura del suolo da drone: classi e verifiche sul campo

Separare la copertura visibile dall'uso del suolo

La copertura del suolo descrive ciò che copre una superficie; l’uso del territorio riguarda la sua funzione o attività. Le immagini possono mostrare tetti, vegetazione, terreno nudo o acqua senza dimostrare la funzione o lo stato di gestione di un edificio. Mantieni questi concetti separati in un inventario. Se sono richiesti attributi di utilizzo, pianificare fonti aggiuntive come controlli sul campo o record di gestione. Non dedurre la funzione solo dal colore e dalla forma. Definire la scala operativa e le decisioni previste in modo che le categorie riflettano le effettive esigenze informative. Ciò impedisce che una mappa visiva venga trattata come prova di caratteristiche che il rilievo non ha mai osservato direttamente.

Definire categorie distinguibili

Le classi dovrebbero riflettere sia le esigenze degli utenti che le prove disponibili. Troppe categorie visivamente simili possono aumentare l’incertezza, mentre gruppi eccessivamente ampi possono nascondere differenze importanti. Fornire descrizioni, esempi e regole di confine. Spiegare il trattamento delle aree miste, della vegetazione rada, delle ombre e degli oggetti temporanei. Laddove viene utilizzata una gerarchia, mantenere i collegamenti tra le categorie dettagliate e quelle di riepilogo. Testare le regole prima della digitalizzazione o classificazione a livello di progetto. Gli esempi condivisi aiutano più operatori a lavorare in modo coerente invece di fare affidamento sul giudizio personale ogni volta che incontrano un luogo ambiguo. Registrare come viene gestita l’incertezza invece di imporre un’etichetta precisa su prove insufficienti.

Scegliere osservazioni per le caratteristiche rilevanti

Le immagini RGB forniscono il contesto di texture, colore e forma. Le osservazioni multispettrali possono aggiungere informazioni spettrali rilevanti quando l'acquisizione e l'elaborazione sono appropriate. LiDAR può supportare l'altezza strutturale o le distinzioni di superficie dove richiesto. Nessun sensore fornisce automaticamente ogni etichetta di copertura senza regole e valutazioni. Identificare gli attributi che realmente aiutano a separare le categorie, quindi testare le condizioni rappresentative. Sotto una chioma o intorno a edifici alti, indicare se le classi descrivono la superficie superiore visibile. Le informazioni nascoste non dovrebbero essere aggiunte semplicemente perché un algoritmo fornisce un’etichetta dall’aspetto sicuro. La scelta del sensore deve essere collegata a ciò che effettivamente può essere osservato e verificato.

Definire unità cartografiche e dimensioni minime degli elementi

La risoluzione dell'immagine non è necessariamente il dettaglio del poligono previsto. Definire aree o oggetti minimi e regole di generalizzazione. Altrimenti, un operatore potrebbe mappare ogni piccolo spazio vuoto mentre un altro lo assegna a una classe dominante, modificando i totali dell'area e il conteggio degli oggetti. Prova esempi misti come cortili contenenti alberi, binari e piccoli edifici. Per i prodotti raster, specificare la dimensione della cella e il trattamento dei limiti di classe. Per i vettori, rivedere la geometria e la topologia. Unità di mappatura coerenti rendono comparabili i blocchi e i periodi ripetuti senza confondere il cambiamento effettivo con le differenze nella pratica del disegno o nei dettagli di visualizzazione.

Separare addestramento e verifica

Per la classificazione assistita da algoritmi, gli esempi utilizzati per costruire il modello dovrebbero essere distinti dai campioni che ne valutano i risultati. Testare esempi di addestramento può sopravvalutare le prestazioni. Scegli campioni indipendenti che rappresentano categorie e condizioni, con etichette di riferimento affidabili. Documenta selezione, tempo di osservazione e incertezza delle etichette. L'interpretazione manuale trae vantaggio anche da un altro revisore o da campioni sul campo. Non valutare solo le categorie dominanti e facili. Piccole classi importanti per la decisione dell'utente necessitano di attenzione, altrimenti un dato relativo alla prestazione complessiva può nascondere errori che influiscono materialmente sull'utilità della mappa. Spiegare come sono state gestite le referenze difficili nella valutazione.

Esaminare ombre e differenze stagionali

Le ombre possono far sembrare diversa la stessa superficie, mentre l’umidità e le stagioni alterano la vegetazione e l’aspetto del suolo. Per gli inventari ripetuti, registrare le condizioni di acquisizione prima di trattare una differenza di categoria come modifica fisica. Rivedere le aree oscurate con prove aggiuntive appropriate ove necessario. Una categoria sconosciuta definita può essere più onesta e utile che forzare una classe specifica. Contrassegnare i luoghi che richiedono una nuova ispezione. Le immagini registrano le condizioni in un momento particolare e la classificazione necessita ancora di un contesto non disponibile per un volo. Questa distinzione impedisce ai destinatari di confondere ogni etichetta mappata con una prova altrettanto diretta e inequivocabile.

Calcolare l'area con i riferimenti appropriati

I calcoli dell'area richiedono un metodo di riferimento o di misurazione adeguato e unità esplicite. Controllare i confini completi, le sovrapposizioni involontarie e gli spazi vuoti. Per i risultati raster, assicurati che NoData non diventi silenziosamente una categoria di copertura. Distinguere l'area mappata dall'intera area amministrativa quando la copertura è diversa. Conserva i nomi dei codici classe in modo che i riepiloghi rimangano comprensibili senza stili dell'applicazione. Arrotonda le cifre in proporzione alla qualità dei dati e alle unità di mappatura. Numeri di area molto precisi non eliminano l'incertezza nei confini o nelle etichette non verificati. La tabella dell'area deve rimanere collegata alle definizioni di categoria e alla versione del set di dati che l'hanno prodotta.

Descrivere la qualità per categoria

Spiegare quali classi sono facilmente distinguibili e quali sono comunemente confuse. Utilizza campioni di test ed esempi di posizioni per mostrare i modelli di errore. Dichiara i limiti quando la valutazione copre solo alcune condizioni. Include definizioni, fonti, data, metodo, unità di mappatura e controlli della geometria. Una percentuale complessiva non garantisce la stessa qualità per ogni categoria. Le informazioni a livello di categoria aiutano gli utenti a scegliere analisi ragionevoli o verifiche aggiuntive. Una mappa che ne spieghi i limiti è più utile di una legenda dettagliata senza prove su come le etichette sono state assegnate o testate, in particolare quando una categoria rara guida un’importante decisione gestionale.

Un esempio di inventario con paesaggio misto

Per piantagioni, edifici, strade e terreno nudo, definire le classi in base alle esigenze di gestione e alle distinzioni osservabili. Concordare il trattamento dei cortili alberati e dei piccoli sentieri, quindi provare diversi appezzamenti prima di mappare tutto. Verificare luoghi ambigui con fotografie adeguate o osservazioni sul campo. Dopo aver calcolato le aree, valutare se le categorie debbano essere combinate per la rendicontazione. Discuti le opzioni NiVO RGB o multispettrali utilizzando i requisiti testati. La tecnologia supporta le osservazioni, mentre le definizioni, i campioni indipendenti e la mappatura coerente mantengono gli inventari comparabili tra i periodi. I cambiamenti nel metodo dovrebbero rimanere distinguibili dai cambiamenti nel panorama che l'utente sta cercando di monitorare.

Scenario illustrativo: definizione della copertura in un cortile alberato

Consideriamo un ipotetico inventario di una struttura in cui un cortile contenga alberi sparsi, piccoli capannoni, zone spoglie e accesso asfaltato. Due interpreti producono mappe diverse dallo stesso ortomosaico. Uno disegna ogni apertura visibile, mentre l'altro assegna aree miste alla copertura dominante. Prima di confrontare i totali delle aree, il coordinatore controlla se le definizioni di classe e le unità minime di mappatura sono mai state concordate. La differenza non viene etichettata come un errore software. Viene preparato un foglio di esempio condiviso per cortili alberati, piccole strutture, ombre ambigue e oggetti temporanei. Il team distingue anche la copertura del suolo visibile dall’uso delle strutture, il che richiede un’altra fonte di informazioni.

Gli interpreti applicano le regole riviste alla stessa area rappresentativa ed esaminano i disaccordi prima di continuare. Se viene utilizzata la classificazione algoritmica, gli esempi utilizzati per addestrare il metodo rimangono separati dai campioni di test indipendenti. Le rare categorie importanti per la decisione dell'utente ricevono attenzione anziché scomparire in un riepilogo generale dominato da classi facili. Laddove le immagini non possano risolvere un confine o un'etichetta, viene preso in considerazione uno stato sconosciuto o un controllo sul campo adeguato. Il team non deduce cosa si trova sotto ogni apertura della chioma da un colore di classe dall'aspetto sicuro o dal dettaglio apparente dell'immagine originale.

Il trasferimento preserva il dizionario delle categorie, le regole delle unità di mappatura, le date di origine, le condizioni testate e la versione effettiva del set di dati dietro la tabella dell'area. I controlli della geometria identificano sovrapposizioni e lacune involontarie, mentre NoData viene mantenuto distinto dalla copertura mappata. I destinatari possono capire se una differenza successiva riflette una modifica della copertura del suolo o una regola di mappatura rivista. Questo esempio ipotetico mostra perché la coerenza dell'inventario non si ottiene semplicemente chiedendo a tutti di utilizzare le stesse immagini. Richiede una definizione condivisa di ciò che viene mappato, quale livello di dettaglio è significativo e come le osservazioni incerte vengono rappresentate e valutate.