آموزش استخراج درختان و پوشش گیاهی و طبقه بندی آن ها با استفاده از ترکیب اطلاعات لیدار و تصاویر ماهواره‌ای و هوایی

آموزش جامع و کاملا تضمینی و کاملا پروژه محور

آیا با روش جداسازی یک پدیده از تصویر آشنایی دارید؟

آیا با روش استخراج عوارض با استفاده از ارتفاع آشنایی دارید؟

آیا با روش استخراج عوارض با استفاده از ابرنقاط آشنایی دارید؟

آیا با طبقه بندی هر درخت در تصویر بر اساس ارتفاع آن، آشنایی دارید؟

آیا با استخراج تاج پوشش شهری آشنایی دارید؟

آیا با طبقه بندی دیتاهای لیدار به صورت شیءگرا آشنایی دارید؟

آیا با استخراج ارتفاع سطح زمین بر اساس پوشش گیاهی آشنایی دارید؟

آیا با تئوری و نحوه پردازش دیتاهای لیدار آشنایی دارید؟

در این محصول تمامی سوالات بالا به صورت کاملا شیءگرا پاسخ داده شده است.

نخستین آموزش کاربردی در ایران

در این محصول ابتدا به بررسی اصول تئوری حاکم بر دیتاهای لیدار و سپس به نحوه عملکرد آن ها در نرم افزار ایکاگنیشن پرداخته شده است.

در این محصول آموزشی با استفاده از متدهای جدید و نوین حاکم بر دیتاهای لیدار نسبت به استخراج عوارض اقدام شده است که در نوع خود اولین آموزش در ایران می باشد که با این عمق به بررسی اصول حاکم بر لیدار و پیاده سازی این اصول در نرم افزار به منظور استخراج اطلاعات پرداخته است.

این آموزش به صورت گام به گام تهیه شده و کاملا مطابق با اصول و قوانین شرکت Trimble است.

همچنین به نحوه استخراج درختان و پوشش گیاهی پرداخته شده است که ابتدا درختان به صورت کاملا اصولی جداسازی شده و سپس نسبت به طبقه بندی هریک از درختان بر اساس ارتفاع هر درخت پرداخته شده است. همچنین ارتفاع هریک از پدیده های سطح زمین نیز به دست آورده و نسبت به سطح زمین سنجیده شده است.

این آموزش به بررسی و نحوه کارکرد بیش از ۳۰ ویژگی شیءگرایی پرداخته است که هرکدام در چه مواقعی می تواند مفید واقع شود و کاربرد هرکدام نیز شرح داده شده است به نحوی که کاربر در صورت درک موثر از هر ویژگی می تواند با همان ویژگی یک تصویر را طبقه بندی نماید.

این ویدئو در دو بخش تهیه شده است که بخش اول آن به مباحث تئوری تخصص یافته و بخش دوم آن به مباحث عملی

این آموزش بر سه بحث و ساختار مهم استوار است که عبارتند از:

بخش اول: در مورد تجزیه و تحلیل دیتاهای ابرنقاط بوده که روند استفاده از آنها به صورت کامل شرح داده شده است.

بخش دوم: استفاده از روش‌های ماشین‌لرنینگ می باشد.

بخش سوم: بر یک محیط کاملا شیءگرا به منظور توسعه اهداف استوار است.

همچنین در این زمینه هدف کلی آموزش را در شکل زیر میتوان مشاهده نمود که به چه صورت کار شده است

در این آموزش ابتدا به قطعه بندی تصویر پرداخته شده و با استفاده از این قطعه بندی، فضای تصویر از فضای پیکسل به فضای آبجکت انتقال داده شده است.

سپس به کار با داده های لیدار و در نهایت اطلاعات مربوط به هریک از دیتاها در قالب جداول که دارای ابعاد مختلفی هستند پرداخته شده است. در کل، میتوان کل مجموعه آموزشی را به شکل زیر خلاصه سازی نمود.

سرفصل های آموزشی:

این آموزش از دو بخش تشکیل شده است.

بخش تئوریک:

• توضیح در مورد هدف کار، فلوچارت و روند آموزشی
• مقدمه ای بر دیتاهای لیدار
• اصول حاکم بر DSM و روش های استخراج آن
• مفاهیم تخصصی لیدار همانند: پالس، بازگشت، بُعد، تعداد بازگشت، تعداد پالس و ….
• توضیح در مورد اولین پالس بازگشتی و کاربرد آن
• توضیح در مورد آخرین پالس بازگشتی و کاربرد آن
• نحوه عملکرد و ساختار پالس، نحوه بازگشت آنها، رفتار آنها در مقابل پدیده های مختلف
• کاربرد ماکزیمم اولین پالس بازگشتی و مینیمم اخرین پالس بازگشتی
• تاثیر پدیده های مختلف بر نوع بازگشت پالس ها
• نحوه شکل گیری دیتای ابرنقاط
• نحوه به دست آمدن تصویر Intensity، معنا و کاربرد آن در استخراج اطلاعات
• توضیح در مورد مفاهیم تخصصی لیدار همچون (تعدادبازگشت ها، تعداد نقاط بازگشتی، طبقه بندی نقاط، Edge of flight line، RGB، GPS Time، Scan Angle، amplitude)
• توضیح در مورد پارامترهای آماری هر دیتای لیدار به صورت گرافیکی(Average, Standard Deviation, Minimum, Maximum, Median, Mode) و بسیاری از نکات ارزشمند دیگر

بخش عملی

• آشنایی با محیط نرم افزار ایکاکنیشن و فضای کاری آن
• نحوه ایجاد Workspace  و Project در داخل نرم افزار
• نحوه فراخوانی دیتای لیدار و تصاویر مورد نظر
• نحوه اعمال ترکیبات رنگی مختلف بر روی دیتاها
• نحوه مشاهده دیتای لیدار به صورت کاملا مجزا در فضایی جدید
• نحوه ایجاد روابط والد و چایلد به صورت اصولی و سلسله مراتبی
• توضیح در مورد اصول قطعه بندی و روش های آن
• نحوه کار با ابزار Multiresolution Segmentation
• یافتن مقیاس، رنگ، فشردگی و شکل مناسب با تصویر به منظور قطعه بندی
• نحوه گرفتن میانگین پیکسل‌های یک آبجکت و نمایش آن به صورت واحد
• استفاده از ویژگی های تصویری مثل(میانگین هرباند، انحراف معیار هر باند، ماکزیمم و مینیمم پیکسل های داخل یک آبجکت، شکل، طول، فشردگی، حجم، تراکم و بسیاری از ویژگی های کاربردی) به همراه ذکر مثال برای کاربرد آنها
• نحوه محاسبه و پیش پردازش دیتاهای ابرنقاط
• نحوه محاسبه اولین پالس بازگشتی
• نحوه محاسبه اخرین پالس بازگشتی
• نحوه محاسبه تمامی پالس های بازگشتی
• نحوه محاسبه ارتفاع صحیح هریک از نقاط اولین پالس های بازگشتی و آخرین پالس های بازگشتی
• نحوه محاسبه تعداد نقاط با تقسیم تمام نقاط بر آخرین نقاط بازگشتی
• جداسازی پوشش گیاهی بر اساس تعداد نقاط بازگشتی از هر پالس لیدار
• نحوه محاسبه ارتفاع با استفاده از ماکزیمم اولین بازگشت و مینیمم اخرین بازگشت
• بهبود طبقه بندی با استفاده از آستانه گذاری با شاخص های طیفی
• بهبود دقت طبقه بندی بر اساس روابط مرزی و همسایگی
• انتساب کلاس بر اساس ارتفاع های هریک از درختان و پوشش گیاهی
• نحوه تعریف و ایجاد یک ویژگی
• نحوه تعریف شرط و ایجاد آستانه های مختلف در نرم افزار
• استفاده از ویژگی های دیتاهای ابرنقاط همچون (ارتفاع، شدت، مختصات، تعداد نقاط، تعداد بازگشت ها، کلاس ها کاملا به صورت عملی)
• نحوه محاسبه بیشترین شدت و کمترین شدت در تصویر لیدار
• نحوه محاسبه مختصات هر آبجکت
• نحوه تعلق کلاس بر اساس شروط و مجموعه قوانین
• نحوه محاسبه ماکزیمم و مینیموم هریک از نقاط و پالس های بازگشتی
• نحوه محاسبه تعداد آبجکت های طبقه بندی شده
• نحوه محاسبه بزرگترین و کوچکترین آبجکت و پیکسل برای هرطبقه
• کار با جداول به صورت کامل
• نحوه تبدیل طبقه بندی تصویر به طبقه بندی دیتای لیدار
• نحوه طبقه بندی درختان به صورت درختان کم تراکم و مترکم در دیتای لیدار

توضیحات آموزش:

مخاطبان با خرید این آموزش:

• پاورپوینت گرافیکی آموزش
• سورس قوانین و رولست های آموزش
• سه دیتای لیدار همراه با تصاویر همان محدوده
• کتاب آموزش نرم افزار ایکاکنیشن

را نیز دریافت خواهند کرد.

تهیه آموزش:

به منظور خرید محصول آموزشی بر روی گزینه زیر کلیک کنید. سپس از خرید نسبت به دانلود محصول آموزشی اقدام کنید.

لینک های کاربردی و مرتبط:

محاسبه تراکم تاج پوشش جنگل از داده های لایدار در ArcGIS
آشنایی مقدماتی با لایدار (Lidar) و آماده سازی داده ها در ArcGIS
آموزش تولید مدل های ارتفاعی DTM و DSM از داده های لایدار در ArcGIS
تفاوت لایدار با رادار و سونار چیست؟