آموزش یادگیری ماشین در GIS: تحلیل تصویر پوشش زمین کاربری زمین

Machine Learning in GIS : Land Use Land Cover Image Analysis

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: در زمینه سنجش از راه دور پیشرفته و تجزیه و تحلیل تصویر مبتنی بر پیکسل و شیء GIS در Google Earth Engine و QGIS متخصص شوید. روش های پیشرفته نقشه برداری استفاده از زمین و پوشش زمین (LULC) در QGIS و موتور Google Earth را بیاموزید نحوه انجام روش های پیشرفته مانند تجزیه و تحلیل تصویر مبتنی بر شی (OBIA) و طبقه‌بندی مبتنی بر شی با استفاده از داده‌های دنیای واقعی در QGIS مهارت‌های خود را در محبوب‌ترین ابزارهای نرم‌افزاری متن‌باز GIS و سنجش از دور (QGIS) بیشتر کنید. پردازش، ایجاد داده‌های آموزشی و اعتبارسنجی برای OBIA در QGIS و Google Earth Engine استفاده از الگوریتم‌های طبقه‌بندی تصاویر یادگیری ماشینی پیشرفته ایجاد و دانلود نقشه‌های LULC برای گزارش خود قدرت Google Earth Engine برای تجزیه و تحلیل تصویر را کاوش کنید همچنین نکات مفید و مفید زیادی خواهید داشت. نکاتی در کنار کد برای جلوگیری از اشکال ارائه خواهد شد. شما یک نسخه از کتابچه راهنمای گام به گام آزمایشگاه ها را در این دوره خواهید داشت تا مرجع خود را در تجزیه و تحلیل خود استفاده کنید. پیش نیازها:علاقه واضح به کار با داده های جغرافیایی دانش اولیه دستکاری داده های مکانی (تصویر) با استفاده از QGIS یک کامپیوتر کار با اتصال به اینترنت این دوره با استفاده از نسخه QGIS رایانه شخصی ویندوز نشان داده خواهد شد. کاربران مک و لینوکس باید دستورالعمل ها را با سیستم عامل خود تطبیق دهند.

نقشه برداری پیشرفته کاربری زمین/پوشش زمین با یادگیری ماشینی

آیا به دنبال ارتقای مهارت های تحلیل جغرافیایی خود با استفاده از QGIS هستید؟ آیا می‌خواهید بر تحلیل تصویر مبتنی بر شی مسلط شوید و از قدرت الگوریتم‌های یادگیری ماشین برای نقشه‌برداری کاربری زمین و پوشش زمین (LULC) استفاده کنید؟ این دوره به گونه ای طراحی شده است که کاربران QGIS را از تجزیه و تحلیل پایه جغرافیایی تا انجام وظایف پیشرفته با اطمینان انجام دهد. تجزیه و تحلیل تصویر مبتنی بر شی را با منابع داده های مختلف و الگوریتم های یادگیری ماشینی پیشرفته کاوش کنید. با استفاده از QGIS و Google Earth Engine به نقشه برداری LULC، تشخیص تغییر و نگاشت نوع برش مبتنی بر شیء بپردازید.

نکات برجسته دوره:

  • تحلیل مکانی پیشرفته با استفاده از QGIS

  • تحلیل تصویر مبتنی بر شی

  • الگوریتم های یادگیری ماشین برای نقشه برداری LULC

  • تمرینات عملی با QGIS و موتور Google Earth

  • نصب و پیکربندی نرم افزار GIS منبع باز

  • یادگیری ماشینی تحت نظارت و بدون نظارت

  • ارزیابی دقت برای پروژه‌های فضایی

تمرکز دوره:

این دوره پیشرفته برای تجهیز شما به دانش عملی در زمینه نقشه برداری پیشرفته کاربری زمین و پوشش زمین (LULC) و تجزیه و تحلیل تصویر مبتنی بر شی طراحی شده است. در استفاده از الگوریتم‌های یادگیری ماشین برای کارهای جغرافیایی اعتماد به نفس به دست آورید و از قابلیت‌های QGIS و Google Earth Engine استفاده کنید. چه جغرافی‌دان، برنامه‌نویس، دانشمند علوم اجتماعی یا زمین‌شناس باشید، این دوره مهارت‌های GIS و سنجش از دور شما را افزایش می‌دهد.

آنچه خواهید آموخت:

  • نصب و پیکربندی نرم افزار منبع باز GIS (QGIS و Orfeo Toolbox)

  • پیمایش رابط نرم افزار QGIS، شامل اجزای اصلی و افزونه های آن

  • طبقه بندی تصاویر ماهواره ای با الگوریتم های مختلف یادگیری ماشین در QGIS

  • جمع‌آوری داده‌های آموزشی و اعتبارسنجی و انجام ارزیابی‌های دقت

  • تحلیل تصویر مبتنی بر شی و نگاشت نوع برش مبتنی بر شی در QGIS

  • اجرای الگوریتم های یادگیری ماشینی تحت نظارت و بدون نظارت در موتور Google Earth

چه کسی باید ثبت نام کند:

این دوره برای حرفه ای هایی که به دنبال ارتقای مهارت های تجزیه و تحلیل جغرافیایی خود هستند، از جمله جغرافیدانان، برنامه نویسان، دانشمندان علوم اجتماعی، زمین شناسان، و هرکسی که نیاز به استفاده از نقشه های LULC در زمینه خود دارد، ایده آل است. چه در حال برنامه‌ریزی برای ایجاد نقشه‌های پوشش زمین و کاربری زمین، مقابله با چالش‌های مکانی، یا کشف تکنیک‌های پیشرفته LULC باشید، این دوره مهارت‌ها و اعتماد به نفس مورد نیاز شما را فراهم می‌کند.

در این دوره گنجانده شده است: به تمام مواد درسی از جمله داده ها، فایل های کد جاوا و منابع آینده دسترسی پیدا کنید. امروز ثبت نام کنید تا تحلیل جغرافیایی خود را به سطح بعدی ببرید!


سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

نرم افزار مورد استفاده در این دوره Software used in this course

  • بررسی اجمالی: نرم افزار مورد استفاده در این دوره Overview: Software used in this course

  • اطلاعات نسخه QGIS QGIS version information

  • نکته ای در مورد نسخه های QGIS و افزونه های آن A note on QGIS versions and it's plug-ins

  • آزمایشگاه: نصب QGIS و نصب SCP Lab: Installing QGIS and install SCP

  • آزمایشگاه: به موتور Google Earth وارد شوید Lab: Sign In to Google Earth Engine

  • نصب جعبه ابزار Orfeo Orfeo Toolbox installation

روش های پیشرفته LULC با نرم افزارها و ابزارهای open spurce Advanced LULC methods with open spurce software and tools

  • نمای کلی بخش Section Overview

  • مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

  • مبانی یادگیری ماشین برای تجزیه و تحلیل طبقه بندی Basics of machine learning for classification analysis

  • تجزیه و تحلیل تصویر بدون نظارت (K-means) در QGIS Unsupervised (K-means) image analysis in QGIS

  • الگوریتم های رایج طبقه بندی تصاویر Common algorithms of image classification

  • طبقه بندی پوشش زمین در ابر با استفاده از مرورگر EO Land cover classification on the cloud using EO browser

  • طبقه بندی تصادفی جنگل در OTB Random Forest classification in OTB

  • طبقه بندی SVM در OTB SVM classification in OTB

  • طبقه بندی DT در OTB DT classification in OTB

  • ارزیابی دقت Accuracy Assessment

طبقه بندی تصاویر در موتور Google Earth Image Classification in Google Earth Engine

  • نمای کلی بخش Section Overview

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

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

  • طبقه بندی تصادفی جنگل نظارت شده در موتور زمین Random Forest Supervised CLassification in Earth Engine

  • ارزیابی دقت در موتور زمین Accuracy Assessment in Earth Engine

طبقه بندی محصولات مبتنی بر شی با الگوریتم های یادگیری ماشین در QGIS Object-based crop classification with Machine Learning algorithms in QGIS

  • نمای کلی بخش Section Overview

  • مقدمه ای بر طبقه بندی تصاویر مبتنی بر شی در QGIS Introduction to object-based image classification in QGIS

طبقه بندی تصویر مبتنی بر شی با ایجاد داده های آموزشی Object-based image classification with training data creation

  • نمای کلی بخش Section Overview

  • طبقه‌بندی تصویر مبتنی بر شی (OBIA) در مقابل طبقه‌بندی تصویر مبتنی بر پیکسل Object-based image classification (OBIA) VS pixel-based image classification

  • تقسیم بندی تصاویر ماهواره ای با وضوح بالا Segmentation of high-resolution satellite image

  • ایجاد داده های آموزشی از تصویر ماهواره ای بر اساس لایه تقسیم شده Creating training data from satellite image based on the segmented layer

  • طبقه بندی تصاویر مبتنی بر شی با الگوریتم یادگیری ماشین Object-based image classification with the Machine Learning algorithm

تجسم نقشه LULC در QGIS LULC map visualization in QGIS

  • آزمایشگاه: تجسم نقشه: یک تصویر طبقه بندی شده در QGIS ایجاد کنید Lab: Map visualization: Create a classified image in QGIS

  • آزمایشگاه: ایجاد یک نقشه LULC از نتیجه طبقه بندی تصویر نهایی شما در QGIS Lab: Creating a LULC map of your final image classification result in QGIS

پروژه نهایی Final Project

  • توضیحات نهایی پروژه Final Project Description

  • جایزه BONUS

نمایش نظرات

آموزش یادگیری ماشین در GIS: تحلیل تصویر پوشش زمین کاربری زمین
جزییات دوره
4 hours
33
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
6,703
4.3 از 5
دارد
دارد
دارد
Kate Alison
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.