لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
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.
نمایش نظرات