لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش چگونه می توان به راحتی از ANN برای نقشه برداری پیش بینی با استفاده از داده های GIS استفاده کرد؟
How to easily use ANN for prediction mapping using GIS data?
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
اولین روش گام به گام ساده شده شبکه عصبی مصنوعی در R برای پیش بینی نگاشت با استفاده از داده های GIS با شرح گام به گام با هم با نرم افزارهای رایج و گمراه کننده های کد روبرو خواهیم شد. 1. تولید داده های آموزشی و آزمایشی با استفاده از ابزارهای خودکار در QGIS (اختیاری). یا این را پرش کنید و مستقیماً از داده های آموزشی/آزمایشی خود استفاده کنید. 2. عملکرد NeuralNet را با داده های آموزشی و آزمایش داده ها اجرا کنید. (از ابزارهای QGIS من به عنوان یک گزینه استفاده کنید یا از تکنیک تولید داده ترجیحی خود به طور مستقیم استفاده کنید) 3. شبکه تابع NN را ترسیم کنید و تمام خروجی هایی مانند; ضریب خطا، آمار، نمودار وزنی زوجی و تعمیم یافته 4- دقت نقشه برداری پیش بینی و اعتبارسنجی با استفاده از مقدار AUC نمودار ROC 4. تهیه و صادرات نقشه پیش بینی با استفاده از داده های رستری در GIS و QGIS اختیاری است
شبکه عصبی مصنوعی (ANN) یکی از مؤلفههای پیشرفته هوش مصنوعی (AI) است که از طریق برنامههای کاربردی مختلف، از مهندسی اجتماعی، پزشکی و کاربردی متفاوت است، ANN قابلیت اطمینان و اعتبار بالایی را ثابت میکند که با گزینههای تنظیمات متعدد افزایش مییابد.
استفاده از شبکه عصبی مصنوعی با دادههای فضایی، اعتماد به نتایج بهدستآمده را افزایش میدهد، بهویژه زمانی که با تکنیکهای مبتنی بر رگرسیون یا طبقهبندی مقایسه شود. همانطور که توسط بسیاری از محققان و دانشگاهیان به ویژه در برنامه های نقشه برداری پیش بینی نامیده می شود.
همراه، گام به گام با سرعت "اتوبوس مدرسه"، با استفاده از بسته NeuralNet در دادههای R و Landslides و نقشههای موضوعی، نکات زیر را به طور جامع پوشش میدهد (دادهها، کد و سایر مطالب ارائه شده است).
دادههای آموزشی و آزمایشی را با استفاده از ابزارهای خودکار در QGIS تولید کنید یا از این مرحله بگذرید و از دادههای آموزشی و آزمایشی خود استفاده کنید
عملکرد شبکه عصبی را با داده های آموزشی و داده های آزمایشی اجرا کنید
شبکه عملکرد NN را ترسیم کنید
نتایج مدل NN زوجی توضیحات و دادههای پاسخ
نمودار وزنهای کلی دادههای توضیحی و پاسخ
اهمیت متغیرها با استفاده از تابع بسته NNET
عملکرد NNET را اجرا کنید
شبکه عملکرد NNET را ترسیم کنید
اهمیت متغیرها با استفاده از NNET
تحلیل حساسیت دادههای توضیحی و پاسخ
عملکرد شبکه عصبی را برای پیشبینی با دادههای اعتبارسنجی اجرا کنید
نتایج اعتبارسنجی پیشبینی با مقدار AUC و نمودار ROC
نقشه پیشبینی را با استفاده از دادههای رستر تولید کنید
نقشههای موضوعی مانند، نمونهبرداری مجدد، پشتهبندی، تبدیل طبقهبندی به عددی را وارد و پردازش کنید.
محاسبات (تابع پیش بینی) را اجرا کنید
نقشه پیشبینی نهایی را بهعنوان raster.tif صادر کنید
مهم: LaGriSU نسخه 2023_03_09 برای دانلود با استفاده از پیوند Github در دسترس است (رایگان) (لطفاً/Althuwaynee/LaGriSU_Landslide-Grid-and-Slope-Units-QGIS_ToolPack را جستجو کنید)
*LaGriSU (استخراج خودکار داده های موضوعی آموزشی/آزمایشی با استفاده از واحدهای Grid و Slope)
سرفصل ها و درس ها
معرفی
Introduction
خطوط کلی دوره
Course outlines
نتایج مورد انتظار
Expected Outcomes
پس زمینه ANN اولیه و بسته های مورد استفاده
ANN basic background and used packages
مقدمه ای بر ANN و توابع مورد استفاده
Introduction to ANN and used functions
آشنایی با بسته NuralNet
Introduction to NuralNet package
خلاصه مقدمه
Introduction Summary
ایجاد داده های آموزشی و آزمایشی در محیط کاری QGIS
Create training and testing data in QGIS work environment
افزودن ابزارهای مدل توسعه یافته من به کتابخانه پردازش QGIS (نسخه 3.14).
Adding my developed Model tools to QGIS (version 3.14) processing library
نقشه پوشش زمین (تبدیل مشاهدات رشته به عددی) در QGIS ایجاد کنید
Create Land Cover map (convert string observations to numeric) in QGIS
ابزار مرحله 1 را اجرا کنید
Run the tools Step 1
ابزار مرحله 2 را اجرا کنید
Run the tools Step 2
ابزار مرحله 3 را اجرا کنید
Run the tools Step 3
مدیریت داده های آموزشی و آزمایشی در اکسل
Manage training and testing data in Excel
مرحله 1 کار اکسل
Excel work step 1
مرحله 2 کار اکسل
Excel work step 2
مقدمه ای بر تنظیمات کد و پردازش داده ها در محیط R Studio
Introduction to code settings and data processıng in R studio environment
خطوط کلی محتوای کد
Outlines of the code contents
تنظیمات دایرکتوری کار و ورودی داده
Working directory settings and data input
داده های طبقه بندی جنبه شیب را به عددی تبدیل کنید
Convert Slope Aspect Categorical data into Numeric
داده های طبقه بندی پوشش زمین را به عددی تبدیل کنید
Convert Land-cover Categorical data into Numeric
مقیاس بندی داده ها
Data Scaling
تست پردازش داده ها
Testing Data processing
بسته ANN NeuralNet (nn) را اجرا کنید و نمودارهای نتایج را دریافت کنید
Run ANN NeuralNet (nn) package and get results plots
عملکرد NeuralNet (nn) را اجرا کنید
Run NeuralNet (nn) function
NeuralNet (nn) را رسم کنید و تخمین خطا را دریافت کنید
Plot NeuralNet (nn) and get error estimation
افزودن خروجی پیشبینی تابع NN به قاب داده آموزشی
Adding NN function prediction output to training data frame
نحوه تبدیل مقادیر از قاب داده مقیاس شده به فریم اصلی
How to convert values from scaled to original dataframe
نمودار دو به دو قاب داده آموزشی و خروجی تابع
Pairwise plot of training dataframe and function output
نمودار وزن تعمیم یافته (GW) چارچوب داده آموزشی و خروجی تابع
Generalized weight (GW) plot of training dataframe and function output
(اختیاری) بسته NNET را اجرا کنید و خروجی های نمودار را اجرا کنید
(optional) Run NNET package and plot outputs
تابع NNET را اجرا کنید و نمودار اهمیت متغیرها را دریافت کنید
Run NNET function and get variables importance plot
شبکه تابع NNET را ترسیم کنید
Plot NNET function network
تست حساسیت را با استفاده از تابع NNET اجرا کنید
Run Sensitivity test using NNET function
پردازش نقشه پیش بینی با استفاده از تابع NeuralNet (nn).
Prediction map processing using NeuralNet (nn) function
تابع محاسبه (تابع پیش بینی) را اجرا کنید و نتایج جدول بندی متقاطع را دریافت کنید
Run compute function (prediction function) and get cross tabulation results
دیتافریم را به روز کنید و مرحله قبل را دوباره اجرا کنید
Update dataframe and run the previous step again
برای پیشبینی فریم داده بهروز، جدولبندی متقابل را دریافت کنید
Get cross tabulation for updated dataframe prediction
تابع محاسباتی (پیشبینی) را با دادههای آزمایشی اجرا کنید و جدولبندی متقاطع را دریافت کنید
Run compute function (prediction) with testing data and get cross tabulation
ROC را برای موفقیت عملکرد و نتایج نرخ پیشبینی اجرا کنید
Run ROC for function success and prediction rate results
تولید و تجسم نقشه پیش بینی نهایی با استفاده از NeuralNet
Final Prediction map production and visualization using NeuralNet
فایل های شطرنجی را به استودیوی R وارد کنید
Import raster files into R studio
پردازش رستر (گستره ها، نمونه برداری مجدد و انباشته)
Rasters processing (extents, resampling and stacking)
مقیاس رستر داده ها را پشته می کند
Scale Rasters stack data
تابع محاسبه (پیشبینی) را برای دادههای پشته رستر اجرا کنید
Run compute (prediction) function for Rasters stack data
نقشه رستر پیش بینی نهایی را تهیه کنید
Produce final prediction Raster map
صادرات نقشه شطرنجی پیش بینی به QGIS
Export prediction raster map to QGIS
یودمی یکی از بزرگترین پلتفرمهای آموزشی آنلاین است که به میلیونها کاربر در سراسر جهان امکان دسترسی به دورههای متنوع و کاربردی را فراهم میکند. این پلتفرم امکان آموزش در زمینههای مختلف از فناوری اطلاعات و برنامهنویسی گرفته تا زبانهای خارجی، مدیریت، و هنر را به کاربران ارائه میدهد. با استفاده از یودمی، کاربران میتوانند به صورت انعطافپذیر و بهینه، مهارتهای جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.
یکی از ویژگیهای برجسته یودمی، کیفیت بالای دورهها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد میدهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و میتوانند به بهترین شکل ممکن از آموزشها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرمهای آموزشی آنلاین، به افراد امکان میدهد تا به راحتی و با کیفیت، مهارتهای مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.
نمایش نظرات