اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.
دوره جامع آموزش تهیه نقشه نوع محصول با استفاده از روش های یادگیری ماشین و زبان برنامه نویسی R
دوره جامع تهیه نقشه نوع محصول با استفاده از روش های یادگیری ماشین و زبان برنامه نویسی R اولین دوره در سطح کشور که به صورت کاملا پیشرفته به تهیه نقشه نوع محصول به صورت سری زمانی و با استفاده از تصاویر Sentinel-2 پرداخته است. در این دوره مطالب بسیار ارزشمندی چه در زمینه برنامه نویسی و چه در زمینه…
دوره جامع تهیه نقشه نوع محصول با استفاده از روش های یادگیری ماشین و زبان برنامه نویسی R اولین دوره در سطح کشور که به صورت کاملا پیشرفته به تهیه نقشه نوع محصول به صورت سری زمانی و با استفاده از تصاویر Sentinel-2 پرداخته است.
در این دوره مطالب بسیار ارزشمندی چه در زمینه برنامه نویسی و چه در زمینه سنجش از دور توضیح داده شده که به طور یقین کمتر جایی به این موارد پرداخته شده است. در این دوره به صورت کاملا پیشرفته و با بیانی ساده به تهیه نقشه نوع محصول پرداخته شده است که مخاطبان بعد از سپری کردن این دوره علاوه بر افزایش قدرت برنامه نویسی خود می توانند در زمینه سنجش از دور کشاورزی و همچنین مسلط شدن به مدل های یادگیری ماشین نیز پیشرفت قابل توجهی داشته باشند.
این دوره به صورت بسیار جامع طراحی شده بدون نیاز به پیش نیاز قبلی از زبان برنامه نویسی R.
در این دوره مدل های مطرح یادگیری ماشین ماشین مثل الگوریتم Support vector machine و همچنین Random forest و مدل یادگیری نظارت نشده K-Means به صورت مفصل شرح داده شده است به طوری که کاربر بعد از گذراندن دوره مسلط به این مدل ها خواهد شد.
ویژگی های آموزش
- مدرس: هادی امامی
- تخصص: کارشناس سنجش از دور و برنامه نویس در زمینه پردازش تصاویر ماهواره ای
- موضوع: تهیه نقشه نوع محصول به روش پیشرفته
- نرم افزار : Jupyter Notebook , R
- مدت زمان آموزش: 10 ساعت
- فرمت آموزش: ویدئوی MP4
- داده تمرینی: دارد
- مخاطب: علاقه مندان سنجش از دور کشاورزی
- پیش نیاز: آشنایی مقدماتی با R
تهیه آموزش:
جهت تهیه این آموزش بر روی دکمه زیر کلیک کنید:
ویدئوی معرفی آموزش
معرفی مدرس
- هادی امامی
- کارشناس سنجش از دور و تخصص در زمینه برنامه نویسی Python و R
- دارنده مدرک کارشناسی ارشد سنجش از دور از دانشگاه بهشتی
- دارنده مدرک علوم کامپیوتر از دانشگاه هاروارد آمریکا
- نخستین مدرس تخصصی آموزش های برنامه نویسی در سنجش از دور
- طراح و مدرس بیش از ۲۰ آموزش تخصصی سنجش از دور
- برگزارکننده ده ها کارگاه آموزشی تخصصی در زمینه سنجش از دور
- مشاور شرکت های مختلف در زمینه سنجش از دور
- محقق در زمینه هوش مصنوعی و روش های یادگیری عمیق
عناوین آموزشی
بخش اول- مقدمه و توضیحات کلی
- آشنایی با انواع پکیج های مورد استفاده
- آموزش نصب R, RTools, RStudio
- آموزش نصب Python, Pip, Jupyter Notebook
- طراحی تابع برای نصب و فراخوانی خودکار پکیج های مورد استفاده
- آماده سازی محیط کاری
- تنظیمات بصری سازی داده ها
- فراخوانی داده های وکتوری
- فراخوانی تصاویر اورجینال سنتینل 2 به صورت حرفه ای
- ایجاد توابع جهت گرفتن ورودی های مختلف از کاربر
- نوشتن تابع با هدف انتخاب باندهای مورد نیاز کاربر
- نوشتن تابع با هدف برش تمامی باندها از محدوده مورد مطالعه
- نوشتن تابع جهت Resample کردن داده ها، تبدیل 20 متر به 10 متر
- Layer Stacking داده های سری زمانی در یک دیتاست
- بصری سازی و نمایش تصاویر فراخوانی شده با متدهای مختلف
بخش دوم
- ایجاد Seed با هدف طبقه بندی نظارت نشده
- اجرای الگوریتم Kmeans با هدف طبقه بندی داده ها
- اجرای الگوریتم Within cluster sum of squares by cluster
- تحلیل روش نظارت نشده با مولفه هایی همچون ، cluster, centers, totss, whitinss, tot.whitinss, betwinss و …
- طبقه بندی و بصری سازی نتایج طبقه بندی با روش K-means
- ذخیره سازی تصویر طبقه بندی شده
- یافتن تعداد خوشه مناسب با الگوریتم WSS
بخش سوم
- نمایش و بصری سازی داده های وکتوری
- انتخاب فیلدهای مناسب جهت اعمال طبقه بندی
- تبدیل ساختار داده ها از String به Integer
- تبدیل داده های وکتوری و شیپ فایل به داده های رستری
- تبدیل داده های رستری به دیتافریم ها
- اختصاص کلاس به هریک از ستون های دیتافریم
- استخراج اطلاعات تصاویر سنتینل 2 جهت ادغام با شیپ فایل ها
بخش چهارم
- حذف مقادیر اضافه از دیتافریم
- ساخت هسته های موازی جهت انجام پردازش های موازی
- ساخت تابع جهت پیدا کردن بهترین پارامترها برای اجرای مدل SVM
- ساخت مدل Support Vector Machine با بهترین پارامترها
- پیش بینی محصول با طبقه بندی کل محدوده مورد مطالعه
- نحوه تنظیم بهترین مقدار برای پارامتر gamma و Cost
- ساخت کلاس برای مدل طبقه بندی شده
- اضافه کردن کلاس ها به نقشه نوع محصول
- بصری سازی و پلات طبقه بندی نهایی
- ارزیابی دقت برای پیش بینی با استفاده از مدل یادگیری ماشین
- محاسبه confusionMatrix برای ارزیابی دقت
- محاسبه ضریب کاپا برای ارزیابی دقت
- محاسبه دقت کلی برای ارزیابی دقت
بخش پنجم
- ساخت مدل جنگل تصادفی با بهترین تعداد درخت
- پیش بینی محصول با استفاده از مدل جنگل تصادفی
- ذخیره سازی داده های طبقه بندی شده
- ارزیابی دقت برای پیش بینی با استفاده از مدل یادگیری ماشین
- محاسبه confusionMatrix برای ارزیابی دقت
- محاسبه ضریب کاپا برای ارزیابی دقت
- محاسبه دقت کلی برای ارزیابی دقت
کاربرد
این محصول در زمینه پیش بینی نوع محصول با استفاده از روش های یادگیری ماشین به صورت سری زمانی طراحی شده است و طبیعتا کاربردهای بسیار متنوعی را دارد. این محصول برای کسانی که می خواهند با روش های یادگیری ماشین در زمینه سنجش از دور کار کنند بسیار مفید بوده همچنین برای مخاطبانی که به دنبال کار با داده های سری زمانی نیز می باشند بسیار مفید می باشد. در زمینه برنامه نویسی R نیز به صورت پیشرفته در این محصول کار شده است به طوری که می تواند قدرت برنامه نویسی مخاطب را افزایش دهد.
همچنین در زمینه سنجش از دور کشاورزی بسیار بسیار مفید می باشد چرا که در این محصول هم روش های یادگیری ماشین در زمینه کشاورزی شرح داده شده است و هم به صورت سری زمانی با داده های کشاورزی کار شده است و در زمینه مطالعاتی همچون:
- مباحث امنیت غذایی
- تهیه نقشه نوع کشت
- تهیه نقشه نوع محصول
- کشاورزی دقیق
- خشکسالی
- طبقه بندی پوشش گیاهی
- طبقه بندی پوشش زمین
می تواند کاربرد داشته باشد.
تهیه آموزش:
جهت تهیه این آموزش بر روی دکمه زیر کلیک کنید:
دیگر آموزش ها با تدریس مهندس امامی:
آموزش های دیگر ایشان را می توانید از لینک های زیر ببینید:
نوشته های مرتبط :
آموزش های رایگان پیشنهادی :
آموزش مکان یابی در QGIS – روش بولین
1,252 بازدید
محاسبه سرعت باد در سامانه گوگل ارث انجین
599 بازدید
رفع مشکل به هم ریختگی فونت فارسی در ArcGIS
4,887 بازدید
دانلود گوگل ارث با زوم بالا – آموزش گام به گام
4,993 بازدید
17 دیدگاه. ارسال دیدگاه جدید
آیا امکان پیاده کردن این روش برای تصاویر لندست هم وجود دارد؟ و به نتیجه مناسبی خواهد رسید؟
سلام وقتتون بخیر باشه. بله کاملا میشه با روش گفته شده برای اکثر تصاویر این کار رو انجام داد و مشکلی نداره و همون نتیجه رو ارائه میده
درود بر استاد امامی عزیز,
بنده هر دو محصول شما رو تهیه کردم و واقعا ازشون راضی بودم.
می خوام از این طریق ازتون تشکر کنم.
سلام استاد بزرگوار
میشه لطفا شماره تماستون رو ارسال بفرمایید.
سلام
هر سوالی دارید لطفا در همینجا به صورت تایپی بپرسید.
با سلام من پايان نامه ام با موضوع مدلسازي خصوصيات خاك هست كدوم بسته آموزشي رو بخرم؟
سلام وقت بخیر. بستگی به بستری داره که میخاین در اون کارتون رو پیش ببرین. اگر با برنامه نویسی هست که دوره پایتون و همچنین R رو میتونین تهیه کنین اگر بستر نرم افزارهست که از سایر دوره های وبسایت میتونین تهیه کنین
سلام و خداقوت به استاد گرامی، خیلی ممنونم از دوره جذاب و عالی تون. یه سوال داشتم ممنون میشم راهنمایی و کمک بفرمایید اینکه خودمون چطور می تونیم نقاط نمونه و سمپل رو تهیه کنیم؟ پیشاپیش ممنونم از پاسخگوییتون
سلام وقت شما بخیر. ممنونم ازتون. برای تعریف یکسری نمونه های تعلیمی راه های زیادی وجود داره. ساده ترین روش این هست که شما نمونه های خودتونو به صورت شیپفایل جمع اوری کنین و سپس در نرم افزارهایی مثل ارک جی ای اس یا argis pro یا qgis شیپفایل های خودتونو تبدیل کنین به یک فایل رستری. و سپس از این فایل در محیط خودتون استفاده کنین. موفق باشین. ارگ موفق نشدین بگین تا بیشتر راهنمایی کنم.
سلام وقت بخیر
ببخشید من میخاستتم این اموزش رو تهیه کنم گفتم قبلش ازتون چنتا سوال بپرسم
سوال اولم اینکه تفاوت این محصول با اموزش تخمین محصولی که دارین در چیه
سوال دومم اینه که هدف من تشخیص و جداسازی محصولات مختلف کشاورزی از همدیگر(مثل گندم و جو …) و هدف دومم برآورد سطح زیر کشت و میزان تولید محصول است
ممنون میشم توضیح کاملی بفرمایید که در رابطه با اهدافم در این دو تا محصول شما چه کارهایی انجام میدین و کدامیک با توجه به اهدافم برام مناسبه با تشکر
سلام وقت بخیر. ممنون ازتون.
تخمین محصول و نقشه نوع محصول تفاوت های بالایی با یکدیگر دارند. در تهیه نقشه تخمین محصول ما هدفمون برآورد میزانه تولید یک محصول کشاورزی هست. بر فرض مثال هدف برآورد میزان تخمین محصول گندم در یک محدوده مطالعاتی
اما وقتی هدف تهیه نقشه محصول هست هدف طبقه بندی محصولات کشاورزی بر اساس یکسری ویژگی هایی منحصر به فرد هر محصول است. در تهیه نقشه نوع محصول خروجی ما محصولات مختلف کشاورزی است. مثلا کندم جو ذرت و …
در تخمین محصول خروجی ما میزان تولید نهایی یک محصول است. امیدوارم توضیحات کاملی رو برای شما ارائه کرده باشم.
در مورد هدف شما باید بگم که در مرحله اول شما هدفتون تهیه نقشه نوع محصول هست و سپس تخمین محصول.
موفق باشید
با سلام
من سوالی داشتم که شامل دو اموزش نوع محصول و تخمین میزان محصول میشه
سوالم این بود که در این دو اموزش از چه داده هایی استفاده شده بغیر تصاویر ماهواره ای(زمینی و …) و این داده ها برا هر منطقه ای قابل دسترسه؟
و ایا این دو اموزش رو میتوان در هر منطقه مورد مطالعه بکار برد یا داده های استفاده شده در این دو اموزش (مثل داده های زمینی) روی یک منطقه خاصی قابل اجرا هست
با تشکر
سلام وقت بخیر. این دو مورد از داده های ماهواره ای و دیتای زمینی استفاده میکنند و برای هر منطقه ای قابل دسترس هستند. با هر تصویر ماهواره ای هم میشه عملیات رو بر روشون انجام داد و مشکلی وجود نداره.
سلام تشکر از دوره بی نظیر شما
من تصاویر مورد نیازم رو دانلود کردم و همه مراحلی رو که آموزش دادید طبق ویدیو برای منطقه مورد مطالعه خودم پیش رفتم؛ بعد از موفق بودن عملیات Resample، میخوام باند های فراخوانی شده رو Stack کنم اما با ارور (different extent) مواجه میشم.
وقتی Extent تصاویر رو چک میکنم میبینم که باند های 11 و 12 | 20 متری اندازه های متفاوتی داره و امکان Stack کردن رو به من نمیده. تصاویری که شما برای دانلود قرار دادید رو چک کردم دیدم همه باند ها بعد از Resampling، اکستنت های یکسان داره.
خواستم بدونم پیش پردازشی بر روی تصاویر انجام شده یا خیر؛ ممنون میشم راهنمایی کنید.
سلام عرض ادب وقتتون بخیر ممنونم از لطف شما.
تصاویری ک استفاده شدند از لحاظ اکستنت یکسان هستن برای همین مشکلی به وجود نمیاد.
برای تصاویر شما ک رزولوشن مکانی مختلفی هست. باید در ابتدا تصاویر ۲۰ متری ب ده متری تبدیل شن.
ممکنه که شما به ده متری تبدیل کنید ولی باز اکستنت ها یکسان نباشع
منظورش از اکستنت تعداد سطر و ستون ها هست. حتی اگر یک پیکسل بیشتر یا کمتر باشه خطا میده. سعی کنین بعد از ریسمپل یکبار بر اساس یک محدوده کل باندهاتونو برش بدین.
اگر درست نشد باز بهم بگین. موفق باشین
سلام
متاسفانه این راه جواب نداد؛ یا اینکه کد هایی که استفاده کردم برای یرش محدوده اشتباه بوده.
اگر امکانش هست جزئیات این مسیر رو بگید بهم یا اینکه راه حل دیگری معرفی کنید.
ممنون از پاسخ گویی شما
سلام جزئیات کارتونو برای بنده در تلگرام ارسال کنید ممنونم ازتون.
@HB1374