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.
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).

  1. 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

  2. عملکرد شبکه عصبی را با داده های آموزشی و داده های آزمایشی اجرا کنید

    1. شبکه عملکرد NN را ترسیم کنید

    2. نتایج مدل NN زوجی توضیحات و داده‌های پاسخ

    3. نمودار وزن‌های کلی داده‌های توضیحی و پاسخ

  3. اهمیت متغیرها با استفاده از تابع بسته NNET

    1. عملکرد NNET را اجرا کنید

    2. شبکه عملکرد NNET را ترسیم کنید

    3. اهمیت متغیرها با استفاده از NNET

    4. تحلیل حساسیت داده‌های توضیحی و پاسخ

  4. عملکرد شبکه عصبی را برای پیش‌بینی با داده‌های اعتبارسنجی اجرا کنید

    1. نتایج اعتبارسنجی پیش‌بینی با مقدار AUC و نمودار ROC

  5. نقشه پیش‌بینی را با استفاده از داده‌های رستر تولید کنید

    1. نقشه‌های موضوعی مانند، نمونه‌برداری مجدد، پشته‌بندی، تبدیل طبقه‌بندی به عددی را وارد و پردازش کنید.

    2. محاسبات (تابع پیش بینی) را اجرا کنید

    3. 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

نتیجه گیری و خلاصه کد Code Conclusion and Summary

  • نتیجه گیری و خلاصه کد Code Conclusion and Summary

نمایش نظرات

نظری ارسال نشده است.

آموزش چگونه می توان به راحتی از ANN برای نقشه برداری پیش بینی با استفاده از داده های GIS استفاده کرد؟
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
7.5 hours
39
Udemy (یودمی) udemy-small
01 فروردین 1402 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
741
4.5 از 5
دارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dr Omar AlThuwaynee Dr Omar AlThuwaynee

دکتری. مهندسی عمران و ژئوماتیک

Udemy (یودمی)

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.