Útmutatóhoz kapcsolódó kvíz · Közepes Szint

AI műholdképelemző kvíz

Test how models process large Earth-observation scenes, combine sensor bands, and map land-cover changes from satellite data.

Kapcsolódó útmutató utakAI műholdképelemzésben
kérdés 1 -ból 8

What can AI help analysts do with large collections of satellite images?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. What can AI help analysts do with large collections of satellite images?
    • Find patterns and changes across imagery for human interpretation
    • Replace all field observations with certain diagnoses
    • Guarantee that every land-cover label is correct
    • Create satellite observations where no sensor data exist
  2. Mit tesz a „változásérzékelés” a műholdelemzésben?
    • Számolja a pályán lévő műholdakat
    • Összehasonlítja az azonos helyről készült képeket az idők során, hogy megjelölje a jelentős különbségeket
    • Módosítja a műhold színét
    • Érzékeli az új műholdak felbocsátását
  3. Miért különösen értékes a szintetikus apertúrás radar (SAR)?
    • Csak napsütéses napokon működik
    • Színes fényképeket készít a turisták számára
    • Átlát a felhőkön és éjszaka is működik
    • Felváltja a mesterséges intelligencia szükségességét
  4. What does the USGS describe NDVI as measuring?
    • A complete diagnosis of plant health
    • The amount of rainfall in a watershed
    • The concentration of minerals in soil
    • The contrast between near-infrared and red reflectance used as a vegetation index
  5. Mit jelent a „szemantikai szegmentáció” a képelemzésben?
    • Minden képpont címkézése osztálya szerint, például víz, út vagy erdő
    • Kép részeinek törlése
    • A kép tömörítése kisebb fájlba
    • Képfeliratok fordítása más nyelvekre
  6. What PlanetScope coverage did Planet document for its Dove fleet?
    • Continuous video of every location
    • Near-daily multispectral coverage over landmasses
    • Daily imagery of every ocean depth
    • A guaranteed clear image of every land parcel each day
  7. Why are large satellite scenes often divided into smaller image tiles before model processing?
    • It turns radar data into visible-light photographs
    • It guarantees every tile shows a different land-cover class
    • Tiling makes a very large scene manageable for computation and localized analysis
    • It removes the need to align images from different dates
  8. What can combining multiple spectral or radar bands help an analyst infer beyond visible color?
    • The exact identity of every person on the ground
    • The satellite's remaining fuel
    • A guaranteed forecast of next year's weather
    • Properties such as vegetation condition, soil moisture, or flooding