آموزش موتور Google Earth برای یادگیری ماشین و تشخیص تغییر

Google Earth Engine for Machine Learning & Change Detection

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: در تجزیه و تحلیل فضایی و سنجش از دور برای یادگیری ماشینی در استفاده از زمین/پوشش زمین در موتور Google Earth متخصص شوید دانش آموزان به پلت فرم Google Earth Engine دسترسی و دانش کاملی کسب خواهند کرد. الگوریتم های یادگیری ماشین را روی داده های مکانی (تصاویر ماهواره ای) در Earth Engine پیاده سازی می کنند برای نقشه برداری LULC معرفی و پیشرفت مهارت های جاوا اسکریپت در پلت فرم Google Earth Engine آشنایی کامل با انواع اصلی یادگیری ماشینی (یادگیری تحت نظارت و بدون نظارت) آموزش نحوه اعمال الگوریتم های یادگیری ماشینی تحت نظارت و بدون نظارت در موتور Google Earth یاد بگیرید چگونه داده های ماهواره ای را به دست آورید، اعمال کنید. پیش پردازش تصویر، ایجاد داده های آموزشی و اعتبارسنجی در موتور Google Earth پیاده سازی محاسبه تشخیص تغییر (تشخیص قبل و بعد از رویداد) بر اساس شاخص های طیفی شما یک کپی از کدهای استفاده شده در دوره را برای مرجع خود خواهید داشت. کامپیوتر با اتصال به اینترنت علاقه به کار با داده های مکانی

نقشه‌برداری استفاده از زمین/پوشش زمین و شناسایی تغییرات با یادگیری ماشین در موتور Google Earth

این دوره به این منظور طراحی شده است که کاربرانی را که از GIS برای تجزیه و تحلیل داده های جغرافیایی پایه/GIS/حسگر از راه دور استفاده می کنند برای انجام کارهای پیشرفته تری تجزیه و تحلیل مکانی با استفاده از انواع داده های مختلف و به کارگیری الگوریتم های پیشرفته یادگیری ماشینی طراحی شده است. این دوره علاوه بر بهبود مهارت های شما در جاوا اسکریپ t، شما را در Google Earth Engine برای l و استفاده و پوشش زمین (LULC) نقشه برداری و تشخیص تغییرات مسلط می کند. در نتیجه، شما با قابلیت های هیجان انگیز Google Earth Engine که یک رهبر جهانی برای محاسبات ابری در علوم زمین است، آشنا خواهید شد!

از اینکه دوره Google Earth Engine من را پیدا کردید بسیار هیجان زده هستم. این دوره برای تجهیز شما به دانش عملی استراتژی های طبقه بندی بدون نظارت و نظارت شده برای نقشه برداری کاربری و پوشش زمین (LULC) طراحی شده است که یکی از مهارت های اصلی برای هر تحلیلگر سیستم های اطلاعات جغرافیایی (GIS) و سنجش از دور است. در پایان دوره، شما احساس اطمینان خواهید کرد و به طور کامل آنالیز جغرافیایی پیشرفته از جمله اجرای الگوریتم‌های یادگیری ماشینی برای استفاده از زمین و نقشه‌برداری پوشش زمین و محاسبه شاخص‌های طیفی و تشخیص تغییر را درک کرده و به کار خواهید برد. همه اینها را می‌توانید روی داده‌های واقعی (و باز) در Google Earth Engine انجام دهید.

این دوره با سایر منابع آموزشی متفاوت است. هر سخنرانی به دنبال افزایش مهارت های GIS و سنجش از دور شما به شیوه ای قابل اثبات و آسان است و راه حل های عملی قابل اجرا را در اختیار شما قرار می دهد. می‌توانید با مهارت‌های پیشرفته GIS و دانش خود در مورد تکنیک‌های پیشرفته LULC، تجزیه و تحلیل داده‌های مکانی را برای پروژه‌های خود شروع کنید و از کارفرمایان آینده خود قدردانی کنید.

در این دوره آموزشی، می‌توانید نحوه انجام تمام مراحل نقشه‌برداری LULC از دریافت داده‌های ماهواره‌ای گرفته تا ارزیابی دقت نقشه خود و طراحی یک نقشه تغییر زیبا را که به آسانی در دسترس است برای درج در سند یا گزارش خود بیاموزید.

این دوره برای حرفه ای ها مانند جغرافیدانان، برنامه نویسان، دانشمندان علوم اجتماعی، زمین شناسان و سایر کارشناسانی که نیاز به استفاده از نقشه های LULC در زمینه خود دارند و مایلند اصول LULC و تشخیص تغییر در GIS را بیاموزند، ایده آل است. اگر قصد دارید کاری را انجام دهید که مستلزم استفاده از آخرین الگوریتم‌های طبقه‌بندی برای ایجاد، به‌عنوان مثال، نقشه‌های پوشش زمین و کاربری زمین است، این دوره به شما اعتماد به نفس لازم برای درک و حل چنین مسائل جغرافیایی را می‌دهد.

یکی از بخش‌های مهم دوره، تمرین‌های عملی است. برای ایجاد نقشه های LULC و تغییر نقشه ها با استفاده از موتور Google Earth، دستورالعمل ها، کدها و مجموعه داده های دقیقی به شما داده می شود.

در این دوره، من مطالب کاربردی قابل دانلودی را گنجانده ام که به شما آموزش می دهد:

- نحوه ورود به موتور Google Earth

- رابط موتور Google Earth شامل اجزای اصلی و افزونه‌های آن

- نحوه پیش پردازش داده ها در ابر و محاسبه شاخص های طیفی را بیاموزید

- با جاوا اسکریپت آشنا شوید

- نظریه یادگیری ماشین و یادگیری ماشین را در GIS بیاموزید

- با نحوه طبقه بندی تصاویر ماهواره ای با الگوریتم های مختلف یادگیری ماشین (با نظارت و بدون نظارت) در موتور Google Earth آشنا شوید

- نحوه انجام آموزش، جمع آوری داده های اعتبارسنجی و ارزیابی دقت را بیاموزید

- نحوه انجام تشخیص تغییر در موتور Google Earth

را بیاموزید

- پروژه زمین فضایی خود را در ابر تکمیل کنید


در دوره گنجانده شده است: شما به تمام داده های استفاده شده در دوره به همراه فایل های کد جاوا دسترسی خواهید داشت. شما همچنین به منابع آینده دسترسی خواهید داشت. همین امروز در دوره ثبت نام کنید از این مطالب ویژه بهره ببرید!


سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

  • مقدمه: یادگیری ماشینی Introduction: Machine Learning

شروع به کار با موتور Google Earth و مرورگر EO Getting started with Google Earth Engine & EO browser

  • چرا باید با Google Earth Engine کار کرد؟ Why to work with Google Earth Engine?

  • استفاده از پلتفرم ابری برای شاخص های طیفی و تحلیل پوشش زمین: مرورگر EO Using cloud platform for spectral indices & land cover analysis: EO browser

  • آزمایشگاه: برای Google Earth Engine ثبت نام کنید Lab: Sign up for Google Earth Engine

  • رابط Google Earth Engine: ویرایشگر کد و اکسپلورر Interface of Google Earth Engine: Code Editor & Explorer

  • مروری بر مجموعه داده ها در GEE Overview of datasets in GEE

اصول اولیه Jave Scrips برای Google Earth Engine و اولین گام ها در تجزیه و تحلیل تصویر Basics of Jave Scrips for Google Earth Engine and first steps in image analysis

  • آزمایشگاه: مقدمه ای بر جاوا اسکریپت Lab: Introduction to Javascript

  • Lab: اعلان متغیرها در جاوا اسکریپت در GEE Lab: Declaring variables in Javascript in GEE

  • آزمایشگاه: مجموعه نقشه برداری و کاهش - نمونه لندست Lab: Mapping and Reducing Collection - Landsat Example

  • آزمایشگاه: کار با مجموعه های تصویر و تجسم تصویر Lab: Working with image collections and image visualization

  • آزمایشگاه: محاسبات تصویر - یک ترکیب ترکیبی ایجاد کنید و NDVI را محاسبه کنید Lab: Image Calculations - Create a composite and calculate NDVI

  • آزمایشگاه: معرفی کوتاه توابع - نمونه حداکثر NDVI Lab: Short introduction to functions - Maximum NDVI Example

  • آزمایشگاه: موزاییک تصویر، برش دادن، و بازپخش Lab: Image mosaicking, clipping, and reprojection

  • آزمایشگاه: داده‌های تصویر را از موتور Google Earth صادر کنید Lab: Export image data from Google Earth Engine

  • مهارت های خود را تمرین کنید - وظیفه Practice your skills - the task

نظریه: یادگیری ماشین و طبقه بندی تصویر Theory: on Machine Learning and Image CLassification

  • بخش_نمای کلی Section_Overview

  • مقدمه ای بر یادگیری ماشین در GIS و سنجش از دور Introduction to Machine Learning in GIS and Remote Sensing

  • درک سنجش از دور برای نقشه برداری LULC Understanding Remote Sensing for LULC mapping

  • مقدمه ای بر طبقه بندی LULC بر اساس تصاویر ماهواره ای Introduction to LULC classification based on satellite images

  • طبقه بندی تصاویر تحت نظارت و بدون نظارت Supervised and unsupervised image classification

  • مراحل طبقه بندی تحت نظارت LULC Stages of LULC supervised classification

  • آزمایشگاه: طبقه‌بندی یادگیری ماشین در موتور Google Earth (Explorer) Lab: Machine Learning Classification in Google Earth Engine (Explorer)

تجزیه و تحلیل تصویر بدون نظارت (K-means) در موتور Google Earth Unsupervised (K-means) image analysis in Google Earth Engine

  • آزمایشگاه: وارد کردن تصاویر و تجسم آنها در موتور Google Earth Lab: Import images and their visualization in Google Earth Engine

  • مقدمه ای بر داده های تصویری: Landsat Introduction to image data: Landsat

  • آزمایشگاه: تجسم تصویر Lab: Image visualisation

  • آزمایشگاه: تجزیه و تحلیل تصویر بدون نظارت (K-means) در موتور Google Earth Lab: Unsupervised (K-means) image analysis in Google Earth Engine

تجزیه و تحلیل تصویر تحت نظارت در موتور Google Earth Supervised image analysis in Google Earth Engine

  • الگوریتم های رایج یادگیری ماشینی برای یادگیری نظارت شده Common machine Learning algorithms for supervised learning

  • آزمایشگاه: طبقه‌بندی تصادفی جنگل در موتور زمین Lab: Random Forest Classification in Earth Engine

  • ارزیابی دقت نقشه های LULC Accuracy Assessment of LULC maps

  • آزمایشگاه: یادگیری ماشینی تحت نظارت با CART Lab: Supervised Machine Learning with CART

  • آزمایشگاه: ارزیابی دقت در GEE Lab: Accuracy Assessment in GEE

  • طبقه بندی تحت نظارت با موتور Google Earth (کاوشگر) Supervised classification with Google Earth Engine (explorer)

مقدمه ای برای تشخیص تغییر در موتور Google Earth Introduction to change detection in Google Earth Engine

  • در تشخیص تغییر: تئوری On change detection: Theory

  • نگاشت شدت سوختگی با شاخص سهمیه سوخته عادی (NBR): نظریه Mapping Burnt Severity witn Nornalised Burnt Ration (NBR) Index: Theory

  • آزمایشگاه: تشخیص تغییر در GEE Lab: Change Detection in GEE

  • تشخیص تغییر پیشرفته: تحلیل روند سری زمانی با رگرسیون خطی Advance Change Detection: Time Series Trend Analysis with Linear Regression

  • پروژه نهایی شما Your Final Project

  • جایزه BONUS

نمایش نظرات

آموزش موتور Google Earth برای یادگیری ماشین و تشخیص تغییر
جزییات دوره
6.5 hours
39
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
3,310
4.4 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Kate Alison Kate Alison

سنجش از دور/متخصص GIS و دانشمند داده من یک دانشمند پرشور داده ، زمین رصد (EO) و متخصص و مربی GIS هستم. من کارشناسی ارشد خود را دریافت کردم در زمینه مشاهده زمین و علوم داده های کاربردی از دانشگاه ساوتهمپتون (انگلستان) و من نیز دارای مدرک دکترا هستم. مدرک تحصیلی EO از آلمان. من به طور منظم در سراسر جهان تدریس و آموزش می دهم و همچنین در مورد موضوع ذکر شده به طور منظم مشاوره می کنم. من هزاران مشتری راضی در سراسر جهان دارم! و اکنون خوشحال خواهم شد اگر بتوانم این موضوعات جالب ، بسیار کاربردی و مهیج را نیز به شما بیاموزم! برای دانشجویان GIS و سنجش از دور: اگر می خواهید تجزیه و تحلیل جامع داده های مکانی را یاد بگیرید ، در اینجا یک دستور ترجیحی برای نحوه گذراندن دوره های من وجود دارد: گزینه 1: تمام دوره های فردی را که به ترتیب زیر جزئیات بیشتری در مورد موضوعات خاص ، سخنرانی های بیشتر و آزمایشگاه های بیشتر دارند ، شرکت کنید.

Georg Müller Georg Müller

Data Science Experte Ich bin ein erfahrener Berater und Experte in Data Science. من می توانم کارشناسی ارشد خود را در رشته اطلاع رسانی Köln و MBA و دانشگاه دورهام (انگلستان) انجام دهم و در زمینه اطلاعاتی که در آن ارائه می دهم می توانم اطلاعات Fachbereich Informatik را ارائه دهم. مربیان دیگری هستند که می توانند از 15 Jahren Berufserfahrung در لیست شرکت Leidenschaft استفاده کنند ، Erfahrungen und Kenntnisse را در کل داده های بزرگ ، علوم داده ، تجزیه و تحلیل داده ها و مدیریت فناوری اطلاعات در اختیار شما قرار می دهند و از این طریق ادامه تحصیل می کنند.