توضیحات

آموزش یادگیری ماشین در GIS و سنجش از دور

نام دوره : Machine Learning in GIS : Understand the Theory and Practice

پیش‌نیازها

• یک دستگاه کامپیوتر یا لپ‌تاپ استاندارد: مناسب برای نصب و اجرای نرم‌افزارهای دسکتاپ و اجرای فرآیندهای پردازشی.

• بدون نیاز به پیش‌زمینه سنگین برنامه‌نویسی یا ریاضیات پیشرفته: آموزش‌ها از مفاهیم اولیه یادگیری ماشین مکانی آغاز شده و گردش‌های کاری به صورت بصری و گام‌به‌گام ارائه می‌شوند.

• اتصال به اینترنت: جهت دانلود ابزارهای متن‌باز، دسترسی به تصاویر ماهواره‌ای و کار با پلتفرم ابری Google Earth Engine.

• علاقه‌مندی به تحلیل داده‌های جغرافیایی و محیطی: انگیزه برای حل مسائل واقعی نظیر تغییرات اقلیمی، مدیریت منابع طبیعی و کاربری اراضی با ابزارهای نوین هوش مصنوعی.

توضیحات:

چرا به‌کارگیری الگوریتم‌های یادگیری ماشین در پروژه‌های سنجش از دور و GIS به یکی از مهارت‌های استراتژیک برای پژوهشگران و تحلیل‌گران تبدیل شده است؟

روش‌های متداول طبقه‌بندی نظیر بیشترین شباهت (Maximum Likelihood) در مواجهه با طیف‌های پیچیده شهری، پوشش‌های متراکم گیاهی و تصاویر ماهواره‌ای با رزولوشن بالا دچار خطا و نویز فلفل‌نمکی (Salt-and-Pepper) می‌شوند. استفاده از الگوریتم‌های نظارت‌شده پیشرفته مانند جنگل تصادفی (Random Forest) و SVM، همراه با بخش‌بندی تصویر (Image Segmentation) و تحلیل‌های شیءمحور، دقت تفکیک عوارض زمین را به سطحی فوق‌العاده بالا می‌رساند. علاوه بر این، محدودیت‌های پردازشی سیستم‌های محلی در برابر کلان‌داده‌های ماهواره‌ای، با بهره‌گیری از زیرساخت‌های پردازش ابری برطرف شده است.

این دوره کاربردی و عملیاتی، پل ارتباطی مستحکمی میان تئوری‌های یادگیری ماشین و جریان‌های کاری واقعی در محیط‌های QGIS و Google Earth Engine برقرار می‌کند. در طول این آموزش، شما با پیکربندی افزونه‌ها و بسته‌های تخصصی نظیر Orfeo ToolBox آشنا می‌شوید، اصول نمونه‌برداری صحیح برای داده‌های آموزش (Training) و اعتبارسنجی (Validation) را فرا می‌گیرید، تصاویر چندطیفی را با الگوریتم‌های متنوع طبقه‌بندی می‌کنید و با انتقال پروژه‌ها به بستر ابری GEE، نقشه‌های بزرگ‌مقیاس پوشش و کاربری زمین (LULC) را بدون درگیر کردن منابع سخت‌افزاری سیستم خود استخراج می‌نمایید.

سرفصل‌های تخصصی و مهارت‌های کسب‌شده در آموزش یادگیری ماشین در GIS و سنجش از دور

• پیکربندی محیط کاری، نصب ابزارهای متن‌باز و جعبه‌ابزار OTB:

  • راه‌اندازی و سفارشی‌سازی آخرین نسخه نرم‌افزار QGIS و نصب افزونه‌های حیاتی سنجش از دور.

  • ادغام و فعال‌سازی جعبه‌ابزار پردازش تصویر Orfeo ToolBox (OTB) در موتور پردازشی QGIS.

  • آماده‌سازی و پیش‌پردازش تصاویر ماهواره‌ای: تصحیحات رادیومتریک، اتمسفری و هم‌پوشانی باندها.

• اصول نمونه‌برداری، ارزیابی صحت و تئوری یادگیری ماشین مکانی:

  • درک مفاهیم کلیدی یادگیری نظارت‌شده (Supervised Learning) در فضای داده‌های رستری.

  • تکنیک‌های اصولی برداشت داده‌های آموزشی (Training Polygons) و داده‌های تست مستقل جهت جلوگیری از بیش‌برازش (Overfitting).

  • اعتبارسنجی و ارزیابی دقت مدل‌ها با ماتریس درهم‌ریختگی (Confusion Matrix)، ضریب کاپا (Kappa Coefficient) و دقت کلی (Overall Accuracy).

• پیاده‌سازی الگوریتم‌های یادگیری ماشین در QGIS:

  • طبقه‌بندی لایه‌های رستری با الگوریتم درخت تصمیم (Decision Trees).

  • آموزش و اجرای مدل قدرتمند جنگل تصادفی (Random Forest) برای تفکیک دقیق کلاس‌های پیچیده زمین.

  • تنظیم ابرپارامترها و پیاده‌سازی مدل ماشین بردار پشتیبان (Support Vector Machine – SVM).

• بخش‌بندی تصاویر ماهواره‌ای و تحلیل شیءپایه (OBIA):

  • فراتر رفتن از تحلیل‌های سنتی پیکسل‌محور و ورود به دنیای بخش‌بندی تصویر (Image Segmentation).

  • استخراج اشیاء جغرافیایی بر اساس شکل، بافت، اندازه و ویژگی‌های طیفی با استفاده از ابزارهای OTB.

  • کاهش خطاهای طبقه‌بندی و تولید نقشه‌های کاربری اراضی پیوسته و بدون نویز.

• پردازش ابری و نقشه‌برداری کاربری اراضی با Google Earth Engine (GEE):

  • ورود به پلتفرم ابری Earth Engine و آشنایی با ساختار دیتاست‌های ماهواره‌ای چنددهه‌ای (Landsat و Sentinel).

  • فراخوانی، فیلترگذاری زمانی-مکانی و اعمال الگوریتم‌های طبقه‌بندی یادگیری ماشین بر بستر سرورهای ابری گوگل.

  • تولید نقشه‌های تغییرات کاربری و پوشش زمین (LULC) در مقیاس‌های حوضه‌ای و ملی و استخراج فایل‌های نهایی ژئوتیف.

چرا باید در این دوره شرکت کنید؟

• رویکرد کاملاً کاربردی و پرهیز از تئوری‌های انتزاعی: یادگیری الگوریتم‌ها از طریق کلیک‌ها و کدهای واقعی روی دیتاست‌های واقعی سنجش از دور.

• استفاده صددرصدی از ابزارهای رایگان و متن‌باز: حذف هزینه‌های سنگین لایسنس نرم‌افزارهای تجاری با تکیه بر قدرت QGIS، OTB و GEE.

• پوشش هم‌زمان تحلیل‌های دسکتاپ و پردازش ابری: تسلط بر گردش کارهای محلی برای پروژه‌های دقیق و بستر ابری برای پردازش‌های کلان.

• دسترسی به پروژه‌ها، دیتاست‌ها و کدهای آماده: در اختیار داشتن فایل‌های تمرینی جهت پیاده‌سازی فوری تکنیک‌ها در پروژه‌های کاری و دانشگاهی.

دوره آموزش یادگیری ماشین در GIS و سنجش از دور برای چه کسانی مناسب است؟

• کارشناسان و تحلیل‌گران GIS و سنجش از دور: متخصصانی که به دنبال ارتقای روش‌های سنتی طبقه‌بندی به الگوهای مدرن یادگیری ماشین هستند.

• متخصصان محیط‌زیست، منابع طبیعی، جغرافیا و زمین‌شناسی: پژوهشگرانی که برای ارزیابی پدیده‌هایی چون جنگل‌زدایی، خشکسالی و تغییرات شهری به نقشه‌های دقیق LULC نیاز دارند.

• برنامه‌نویسان و دانشمندان داده: متخصصانی که علاقه‌مند به ورود به حوزه ژئوداده‌ها و اعمال الگوریتم‌های ML بر روی تصاویر ماهواره‌ای هستند.

• دانشجویان و محققان علوم زمین: افرادی که می‌خواهند مقالات و پایان‌نامه‌های خود را با متدهای روز دنیا در حوزه تحلیل داده‌های فضایی غنی‌تر سازند.

بخشی از دوره :