Utilizzo delle maschere d'ombra senza travisare le statistiche delle zone colturali
Definire e rivedere le esclusioni di ombre, mantenere denominatori di aree valide e distinguere una coltura ombreggiata non osservata da una risposta di vegetazione veramente bassa.
Definisci perché le ombre sono importanti
Una chioma ombreggiata può apparire diversa perché la sua illuminazione è diversa, non perché le sue condizioni biologiche sono cambiate. La guida alla raccolta MicaSense riconosce gli effetti ombra sui risultati multispettrali. Determinare se l'incarico necessita di una statistica relativa alla sola chioma, di una descrizione dell'intero lotto o di un confronto che richiede un'osservazione più coerente. La decisione di mascheramento persegue tale scopo. Non iniziare rimuovendo ogni pixel scuro, perché anche il suolo, l'acqua, il materiale scuro e le variazioni vegetali autentiche potrebbero apparire scuri nei dati.
Ispezionare il contesto di origine
Confronta le aree ombreggiate candidate con il contesto RGB, le singole bande e le fotografie originali. Controlla se lo schema segue alberi, edifici, nuvole o un'altra fonte riconoscibile. Distinguere un'ombra fisica da dati non validi o da una giunzione del mosaico. Conserva esempi provenienti da diverse condizioni della chioma piuttosto che adattare la regola attorno a un'ombra evidente dell'albero. Una buona revisione spiega cosa identifica la maschera e dove può confondere altre superfici con l'esclusione prevista.
Registra la regola della maschera
Documentare gli input, le soglie o il metodo di classificazione, la versione di elaborazione e le modifiche manuali. Conserva il raster analitico non mascherato. Se la regola cambia tra una data e l'altra, spiega la modifica prima di confrontare le statistiche. Una maschera è un prodotto derivato con incertezza, non una fase di pulizia invisibile. Mantieni i casi ambigui disponibili per l'ispezione ed evita di utilizzare una soglia copiata da un altro sensore come se fosse convalidata per la coltura, l'illuminazione e la scala dell'immagine correnti.
Mantieni visibile il denominatore
Quando i pixel vengono esclusi, segnala l'area valida rimanente o il numero di pixel insieme alle statistiche della zona. Due lotti con proporzioni escluse diverse potrebbero non rappresentare osservazioni ugualmente complete. Non etichettare una parcella pesantemente mascherata con una media apparentemente precisa e senza contesto di copertura. Controlla se i pixel sopravvissuti sono rappresentativi o concentrati in una parte particolare della chioma. Una media tecnicamente corretta può comunque rispondere alla domanda sbagliata se la maggior parte delle piante ombreggiate sono scomparse dal calcolo.
Testare la sensibilità prima dell'interpretazione
Confronta i riepiloghi con e senza la maschera proposta nelle zone rappresentative, quindi esamina il motivo per cui differiscono. Non selezionare la versione che meglio supporta una conclusione gestionale prevista. Se il risultato dipende fortemente da esclusioni incerte, limitare l'interpretazione o richiedere migliori condizioni di osservazione. I controlli sul campo dovrebbero includere esempi ombreggiati e non ombreggiati, ove possibile. L'obiettivo è una decisione analitica spiegabile piuttosto che massimizzare l'uniformità visiva o rimuovere valori scomodi da una mappa.
Fornire le esclusioni come informazioni
Fornire la maschera, i riepiloghi delle aree valide, gli esempi controllati e le limitazioni con il livello della coltura. Separare chiaramente le aree escluse dalle aree che mostrano una risposta bassa osservata. Utilizzare la revisione per migliorare i tempi e la configurazione della raccolta futura attraverso la discussione appropriata sul carico utile NiVO. Un mascheramento efficace preserva il significato delle prove rimanenti e rende visibile l’osservazione mancante, invece di convertire l’ombra in una categoria di salute delle colture non supportata o nascondere una copertura incompleta all’interno di una statistica raffinata.
