اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.
آموزش طبقه بندی تصاویر ماهواره ای به روش یادگیری ماشین (جنگل تصادفی) در گوگل ارث انجین
در این محصول آموزشی به تبیین یادگیری ماشین و طبقه بندی تصاویر ماهواره ای در سامانه ارث انجین پرداخته شده است. مطالب ارائه شده در این محصول آموزشی از مباحث جدید در حوزه طبقه بندی تصویر محسوب می‌شود به گونه‌ای که شما در این محصول آموزشی با انواع تصاویر و لایه های اطلاعاتی کار کرده، با تکنیک های ماسک ابر…
در این محصول آموزشی به تبیین یادگیری ماشین و طبقه بندی تصاویر ماهواره ای در سامانه ارث انجین پرداخته شده است.
مطالب ارائه شده در این محصول آموزشی از مباحث جدید در حوزه طبقه بندی تصویر محسوب می‌شود به گونه‌ای که شما در این محصول آموزشی با انواع تصاویر و لایه های اطلاعاتی کار کرده، با تکنیک های ماسک ابر و سایه آشنا شده، علاوه بر نرمال‌سازی تصویر ، داده های خود را به آموزشی و اعتبارسنجی تقسیم کرده و در کنار کارهای گرافیکی، با تکنیک های پس پردازش نقشه های خروجی آشنا می‌شوید.
از جمله دلایل انتخاب سامانه ارث انجین به منظور پیاده سازی یادگیری ماشین می توان به توان محاسباتی بالای آن، امکان فراخوانی تعداد زیادی از تصاویر، سرعت پردازشی بالا و راحتی کار با سامانه حتی برای افرادی که آشنایی محدودی با زبان برنامه نویسی جاوااسکریپت دارند، اشاره داشت.
مشخصات:
- مدرس: مهدی نادری 👨🦱
- تخصص: کارشناس سنجش از دور و پردازش تصاویر ماهواره ای
- موضوع: تبیین یادگیری ماشین و طبقه بندی تصاویر ماهواره ای با الگوریتم جنگل تصادفی
- نرم افزار: سامانه گوگل ارث انجین
- مخاطب: علاقه‌مندان به سنجش از دور، مطالعات کشاورزی، مطالعات کاربری اراضی و …
- نوع آموزش: ویدئویی
- داده های تمرینی : دارد
- پیش نیاز: آشنایی مقدماتی با سامانه گوگل ارث انجین
- مدت زمان آموزش: 2 ساعت و 53 دقیقه
- پیش نیاز: آشنایی مقدمانی با مفاهیم سنجش از دور 🚀
تهیه آموزش
به منظور تهیه این محصول آموزشی بر روی دکمه 👇 زیر کلیک کرده و پس از پرداخت، بلافاصله لینک دانلود ویدئوهای آموزشی را دریافت نمایید.
قسمتی از این آموزش 👇
توضیحات:
تغییرات کاربري اراضی و پوشش زمین به عنوان یکی از عوامل مهم و مؤثر بر تغییرات محیط زیست جهانی به حساب می‌آیند. بنابراین درك و پیش‌بینی علل، فرآیندها و نتایج تغییرات کاربري اراضی به یک چالش عمده بر روي سطح کره‌ي زمین تبدیل شده است. تغییرات کاربري اراضی بر طیف گسترده‌اي از ویژگی‌هاي محیط زیست و منابع طبیعی مانند کیفیت آب، منابع زمینی و هوایی، فرآیندها و توابع اکوسیستم‌ها و سیستم‌هاي آب و هوایی تأثیرگذار است.
امروزه تهیه نقشه هاي کاربري اراضی به منظور استفاده در مطالعات مختلف مانند طرح هاي توسعه اقتصادي، اجتماعی و عمرانی منطقه اي و همچنین برنامه هاي توسعه در سطح ملی بیشتر از پیش مورد توجه قرار گرفته است. تکراري بودن تصاویر ماهواره اي از جمله مزایایی است که کاربرد داده هاي ماهواره اي و علم سنجش از دور را وسعت می بخشد. آگاهی از روند تغییرات واحدهاي کاربري اراضی که عموما ” ناشی از عوامل متعددي مانند بحران هاي زیست محیطی، اقلیمی،انسانی و عوامل بیولوژیکی و غیره می باشد. استفاده از تصاویر ماهواره‌ای و سیستم اطلاعات جغرافیایی می تواند نقش مهمی در بررسی این تغییرات و کشف راه حل هاي مناسب توسط محققان داشته باشد.
مخاطب این محصول، افراد متخصص در حوزه سنجش از دور، مطالعات کشاورزی، مطالعات منابع طبیعی، مطالعات جنگل و … هستند. مطالب ارئه شده در این محصول آموزشی به قدری کاربردی است که افراد مختلف می توانند در جهت پیشبرد اهداف خود از آن استفاده کرده و در کمترین زمان ممکن نتیجه مطلوب را کسب کنند. در این محصول آموزشی سعی شده است تا مطالب به صورت شیوا و رسا بیان شوند تا برای افرادی که آشنایی حداقلی با تصاویر ماهواره ای، شاخص های طیفی و سامانه گوگل ارث انجین دارند نیز قابل استفاده باشد.
عناوين آموزشی
مهم ترین عناوين آموزشی عبارت اند از 👇 :
- بخش اول : تبیین مباحث یادگیری ماشین و معرفی الگوریتم های یادگیری ماشین مانند جنگل تصادفی
- بخش دوم : بخش عملی آموزش و ورود به سامانه ارث انجین
- بخش سوم : معرفی منطقه مورد مطالعه و داده های زمینی (gcp) به سامانه
- بخش چهارم : فراخوانی تصاویر سنتینل-2 و اعمال فیلترهای مکانی، زمانی و ابر
- بخش پنجم : ماسک ابر و سایه از تصاویر سنتینل-2
- بخش ششم : محاسبه شاخص های مختلف طیفی مانند BSI، mNDWI و … به منظور ورود به فرآیند طبقه‌بندی
- بخش هفتم : استفاده از سایر لایه های اطلاعاتی مانند مدل رقومی سطح (DSM) سنجنده ALOS، تصاویر باند c سنتینل-1 و ایجاد تصویر میانگین
- بخش هشتم : نرمال‌سازی منابع مختلف اطلاعاتی به منظور بهبود نتایج طبقه بندی
- بخش نهم : تقسیم داده های زمینی به آموزشی و اعتبارسنجی
- بخش دهم : آموزش طبقه بندی کننده جنگل تصادفی و ایجاد نقشه طبقه بندی پیکسل پایه
- بخش یازدهم : انجام کارهای گرافیکی و اضافه کردن راهنما (legend) به map
- بخش دوازدهم : اعتبارسنجی نقشه طبقه بندی با داده های تست و محاسبه معیار های کنترل صحت
- بخش سیزدهم : محاسبه محاست کلاس‌ها به 3 روش مختلف
- بخش چهاردهم : پس پردازش نقشه طبقه بندی پیکسل پایه (post-classification) با استفاده از فیلتر majority
- بخش پانزدهم : ایجاد نقشه طبقه بندی با الگوریتم snic و مقایسه با نقشه طبقه بندی پیکسل پایه
معرفی نرم افزار:
در این محصول به منظور طبقه بندی و پیاده سازی الگوریتم جنگل تصادفی از سامانه گوگل ارث انجین استفاده شده است. سامانه تحت وب که به طور گسترده به منظور پردازش داده های ماهواره ای مورد استفاده قرار می گیرد. شما با استفاده از زبان برنامه نویسی جاوااسکریپت، به راحتی می توانید با یک خط کدتویسی ساده، بیش از هزاران تصویر را در کسری از زمان فراخوانی و الگوریتم مورد نظر خود را بر روی داده های فراخوانی شده اعمال و کابرد آن را در دنیای واقعی به عینه ببینید.
از جمله مهمترین مزیت های این سامانه می توان به دسترسی راحت به تصاویر ماهواره ای رایگان بدون نیاز به دانلود حتی یک کیلوبایت از آنها اشاره کرد. این سامانه می تواند در جهت پیشبرد اهداف محقق ها در حوزه های مختلف مطالعاتی مانند کشاورزی، زمین شناسی، خاکشناسی، منابع آب و … کاربرد داشته باشد.
داده ها:
در این محصول از داده ها و لایه های مختلف اطلاعاتی استفاده شده است. تصاویر ماهواره ای سنتنیل-2 که از جمله ماهواره های چندطیفی که توسط سازمان فضایی اروپا به فضا فرستاد شد. این ماهواره دارای 12 باند بوده که در محدوده های مرئی و مادون قرمز تصویربرداری می کند و دارای قدرت تفکیک مکانی 10، 20 و 60 متر برای انواع باند ها می باشد. قدرت تفکیک زمانی این ماهواره اگر به صورت منفرد مورد استفاده قرار گیرد، 10 روز و اگر بصورت جفت (سری های A , B) مورد استفاده قرار گیرند، به 5 روز تقلیل می یابد. از تصاویر سنتینل-1 رادار با روزنه مجازی (SAR) هم در این محصول آموزشی استفاده شده است.
قدرت تفکیک زمانی این ماهواره نیز همانند سنتینل-2 هر 12 روز یکبار است و اگر دو سری A و B به صورت همزمان تصویربرداری کنند، قدرت تفکیک زمانی به 6 روز کاهش می یابد. از جمله مهمترین مزیت های استفاده از این تصاویر می توان به قابلیت تصویربرداری آن در هر شرایط آب و هوایی اشاره کرد.
از دیگر لایه های اطلاعاتی مانند مدل رقومی سطح یا Digital Surface Model سنجنده ALOS که به صورت جهانی و با تفکیک مکانی 30 متر عرضه می گردد، نیز استفاده شده است. استفاده از مجموعه داده ها منجر به افزایش دقت نقشه کاربری اراضی در این محصول آموزشی شده است.
تهیه آموزش
به منظور تهیه این محصول آموزشی بر روی دکمه 👇 زیر کلیک کرده و پس از پرداخت، بلافاصله لینک دانلود ویدئوهای آموزشی را دریافت نمایید.
چند پیشنهاد آموزشی مرتبط:
نوشته های مرتبط :
آموزش های رایگان پیشنهادی :
آموزش دانلود تصویر ماهواره ای از گوگل ارث انجین
1,770 بازدید
آموزش ژئورفرنس كردن نقشه اتوکد در gis
998 بازدید
22 دیدگاه. ارسال دیدگاه جدید
سلام و تشکر بابت آموزش مفید. لطفا در مورد نحوه گردآوری GCP توضیح بدهید که این نقاط چگونه جمع آوری شده اند
با سلام. سپاسگزارم و ممنون از نگاه با لطف و محبت شما.
در خصوص دیتاست مورد استفاده در این محصول آموزشی هم عنوان میشه که این دیتاست به کمک نقشه کاربری اراضی (land cover) شرکت ESRI که به کمک تصاویر سنتینل-2 و با دقت مکانی 10 متر برای کشور ایران ارائه شده، آماده شده است. در واقع بر اساس نمونه های اختصاص یافته به هر کلاس کاربری در نقشه کاربری اراضی، اومدیم و خودمون داده های آموزشی رو از روی تصویر برداشت کردیم. با توجه به اینکه این نقشه کاربری اراضی مرتبط با سال 2020 است، لذا ما هم برداشت نمونه هامون رو برای تصویری از سال 2020 انجام دادیم تا دقت مطلوب در برداشت نمونه های آموزشی لحاظ شده باشد.
موفق باشید
سلام وقت بخیر
من این محصول آموزشی رو خریدم ولی متاسفانه دانلود نمیشه
با سلام
برای راهنمایی و رفع مشکل لطفا با ایمیل پشتیبانی سایت مکاتبه کنید:
girs.academy@gmail.com
سلام و وقت بخیر
ممنون از آموزش خوبتون.
اگه بخوایم نمونه های آموزشی رو توی سامانه GEE انتخاب کنیم (نه به صورت فایل GCP)، در این صورت کد رو باید چجوری بنویسیم که که داده های TEST و TRAIN رو مشخص کنیم؟؟
با سلام. سپاسگزارم از دیدگاهتون.
در خصوص برداشت نمونه زمینی در خود سامانه، شما دو گروه داده باید تعریف کنید : داده های آموزشی و داده های تست. هر دو باید بصورت featureCollection باشند و با propertyهای متفاوت تا در زمان تشکیل ماتریس ابهام مشکلی بوجود نیاد. به عنوان مثال اگر 4 کلاس کاربری دارید (آب، خاک، پوشش گیاهی و مرتع) برای هر کلاس طبق موارد گفته شده باید دوتا نمونه برداشت کنید. داده های آموزشی با property به عنوان مثال “landcover” که کلاس ها به ترتیب id های 0 تا 3 رو به خود اختصاص میدن. در طرف مقابل داده های تست با property به عنوان مثال “landcover1” که id نمونه های تست باید مشابه نمونه های آموزشی باشد. در نهایت پس از برداشت همه نمونه ها، با استفاده از دستور merge میاید و نمونه های خودتون رو تجمیع می کنید. مطالب زیادی در بستر اینترنت هستند که میتونید استفاده کنید.
موفق باشید
ممنون از پاسخ کامل و دقیقتون.
تشکر
فرمودید در بستر اینترنت آموزشش هست یعنی کدنویسی ش هم وجود داره؟؟
بله مطالب زیادی هست کافیه یه سرچ داشته باشید. از جمله یوتیوب و … یه آموزش رایگان هم فکر کنم رو سایت آکادمی باید باشه که میتونه کمکتون کنه. در بخش آموزش های رایگان دنبالش بگردید.
موفق باشید
ممنونم از راهنمایی خوبتون
سلام و وقت بخیر
ببخشید اگر بخوایم نمونه های تعلیمی رو از طریق گوگل ارث ذخیره کنیم و به عنوان GCP معرفی کنیم، چطور باید مشخص کنیم LANDCOVER و LANDCOVER 1 کدام ها هستند؟؟
سلام و درود. پس از اخذ نمونه ها، در آرک مپ به فرمت شیپ فایل در بیارید. بعد از طریق open attribute table، فیلد اضافه کنید. حتی الامکان برای هر محصول یا کاربری جداگانه این کار انجام شود در نهایت با استفاده از دستور merge، همه نمونه ها رو تجمیع کنید. فایل تجمیع شده میشه کل نمونه های شما که همشون یه ستون تحت عنوان landcover با id های مشخص و یک ستون هم تحت عنوان landcover1 با idهای مشخص خواهد بود
موفق باشید
واقعا ممنونم ازتون. یک دنیا تشکر
امیدوارم موفق و پیروز باشید
سلام و تشکر بابت آموزش مفید. کدهای دریافتی این محوصل برای سال 2020 میلادی میباشد. و من برای میخام با توجه به نقاط تعیلمی که برای سال های 2015 و 2018 دارم از این مدهای استفاده نمایم. و تاریخ مدنظر در کد را که به تاریخ های که دارم تغییر می دهم متاسفانه خطا می دهد و چنین تاریخ های را قبول نمی کند. ایا این کد برای تصاویر سال 202 به بعد می باشد یا اینکه باید تغییری در کد برای سال های دیگر بجز تاریخ داده شود.
سلام و درود
ممنون از حسن توجه شما
می‌تواند به چند دلیل باشد :
چون از تصاویر بازتاب سطحی سنتینل ۲ استفاده کردیم (سطح 2A)، لذا ممکن است برای محدوده مطالعاتی شما تصاویر بازتاب سطحی موجود نباشند. لذا راهکار اینه که بیاید و از تصاویر سطح 1c استفاده بکنید که تصحیح رادیومتریکی بر روی آنها اعمال نشده است و میتونید با توابع موجود در ارث انجین نسبت به این تصحیحات اقدام بکنید.
مورد دوم در خصوص نمونه های آموزشی شماست که نمونه شما باید با کد نوشته شده تطابق داده باشد به خصوص در property های تعریف شده. بر اساس دیتاست موجود در این محصول آموزشی اقدام بکنید و property ها رو دقیقا مثل اون تعریف بکنید.
بر اساس موارد گفته شده اقدام بکنید حتما خطاهای شما مرتفع خواهند شد.
موفق باشید
سلام وقت بخیر
میخواستم بپرسم تصاویر ماکرویو به خصوص پسیو مثل smos که در دیتاست گوگل ارث انجین وجود نداره چطور میتونیم با این تصاویر در gee کار کنیم؟
با سلام
شما برای اینکه بخواهید با هر تصویری به غیر از تصاویر موجود در دیتاست گوگل ارث انجین کار کنید، باید در محیط ارث انجین import بکنید. بنده تا الان با داده های SMOS که سازمان فضایی اروپا اون رو در دو سطح L1 و L2 ارائه میده، کار نکردم اما بنظر مشکلی نباید وجود داشته باشه در import کردن این تصاویر در ارث انجین.
یه آموزشی رو آقای احراری دارند که مرتبط هست با تصاویر SMOS. لینکش رو براتون میذارم. ان شاا… که مفید باشه براتون:
https://girs.ir/smos-products/
موفق باشید
سلام وقت بخیر
ببخشید من دو تا سوال داشتم
یکی اینکه این نوع طبقه بندی که اموزش دادین چه تفاوتی با طبقه بندی های دیگه که فقط از یه تصویر استفاده میشه و نقاط اموزشی برداشته و طبقه بندی میشه که گاهی کامفیوژن ماتریس بالای 90 درصد داره ، داره، در واقع میخام اینو بپرسم که تفاوت در چیه و چگونه این تفاوت توجیه میشه
سوال دومم اینه که با توجه به قدیمی بودن داده های زمینی مورد استفاده، پیشنهادتون برای حل این مشکل چیه تا نقشه برورزی رو تهیه کرد؟
با تشکر
سلام دوباره و ممنونم از پاسخدهیتون
پیرو سوال قبلیم منظور از بخش اول سوالم این بود که در بعضی از طبقه بندی های کاربری اراضی فقط از یه تصویر ماهواره ای استفاده میشه که تعدادی نمونه گرفته میشه و کلاس ها تعیین میشه و تمام ، ولی شما در این نوع طبقه بندی اومدین از ورودی های مختلف استفاده کردین ، میخاستم بپرسم که این کار شما در واقع بهبود دقت طبقه بندی به حساب میاد؟
در مورد نمونه های migrated هم ممنون میشم بیشتر توضیح بفرمایید یا راهکاری بهم ارائه بفرماییدچون اشنایی زیادی با gee ندارم ، من محصول رو تهیه کردم و بعد دیدم از داده های ۲۰۲۰ فقط میتوانم استفاده کنم که امکانش برام نیست
سلام و درود
من سوال اول رو متوجه نشدم. برای طبقه بندی هر تصویر ماهواره‌ای، شما به نمونه های آموزشی برای آموزش مدل نیاز دارید. که میتونید بخشی از این داده ها رو نگهدارید و به عنوان نمونه تست از اونها استفاده بکنید. روش های جمع آوری نمونه های آموزشی هم متفاوته مثل برداشت زمینی که دقیق ترین هست، برداشت از روی تصویر و عکس های هوایی یا گوگل ارث هم هست.
در خصوص الگوریتم های طبقه بندی، ما در بستر ارث انجین، الگوریتم های مختلفی داریم. بر حسب تجربه و نتایج حاصل شده، ما اومدیم و جنگل تصادفی رو انتخاب کردیم. ولی شما میتونید مابقی طبقه بندی کننده ها رو هم در نظر بگیرید و خروجی کارتون رو ببینید. به عنوان نکته آخر در خصوص سوال اول، دقت معیارهای ارزیابی صحت مستخرج از ماتریس خطا متاثر از عوامل مختلفی مانند تعداد ورودی ها، الگوریتم طبقه بندی کننده و کیفیت نمونه های آموزشی شما است. لذا لازمه اخذ دقت مطلوب، این موارد هستند که باید مد نظر قرار بگیرند.
در خصوص سوال دوم، شما باید از نمونه های migrated استفاده بکنید. در واقع روش هایی وجود دارند که شما میتونید نمونه هایی رو بر اساس نمونه های مرجع تولید بکنید که متناسب با عوارض زمینی شما باشند. در این حالت شما میتونید برای هر تاریخی، نقشه طبقه بندی خاص اون تاریخ رو داشته باشید. این آموزش توسط خود بنده در دست تولید هست و ان شاالله بزودی بر روی سایت قرار میگیره.
موفق باشید
سلام دوباره و ممنونم از پاسخدهیتون
پیرو سوال قبلیم منظور از بخش اول سوالم این بود که در بعضی از طبقه بندی های کاربری اراضی فقط از یه تصویر ماهواره ای استفاده میشه که تعدادی نمونه گرفته میشه و کلاس ها تعیین میشه و تمام ، ولی شما در این نوع طبقه بندی اومدین از ورودی های مختلف استفاده کردین ، میخاستم بپرسم که این کار شما در واقع بهبود دقت طبقه بندی به حساب میاد؟
در مورد نمونه های migrated هم ممنون میشم بیشتر توضیح بفرمایید یا راهکاری بهم ارائه بفرماییدچون اشنایی زیادی با gee ندارم ، من محصول رو تهیه کردم و بعد دیدم از داده های ۲۰۲۰ فقط میتوانم استفاده کنم که امکانش برام نیست
سلام مجدد
استفاده از لایه های اطلاعاتی متعدد در جهت بهبود فرایند طبقه بندی، سبقه طولانی داره و مطالعات متعددی تو این زمینه انجام شده. مادامی که شما به باندهای یک تصویر برای طبقه بندی بسنده میکنید، بسته به محدوده مطالعاتی و شرایط توپوگرافی و پوشش گیاهی منطقه ممکنه با چالش های متعددی مواجه بشید. به عنوان مثال، هر لایه اطلاعاتی میتونه اطلاعات مفیدی به شما بده مثلا در خصوص تفکیک اراضی باغی از زراعی، اطلاعات بافت میتونه به شما خیلی کمک کنه. یا در تفکیک گندم آبی و دیم، عامل شیب خیلی تاثیر گذار خواهد بود. لذا با توجه به عوامل مختلف، شما حتما نیاز دارید که از لایه های اطلاعاتی متعدد استفاده بکنید.
در پاسخ به نمونه های migrated هم، عنوان کردم که شما اگر نمونه های مرجع مربوط به یک سال مشخص رو داشته باشید، میتونید بر اساس اونها بیاید و نمونه های جدید برای سال های مختلف تولید کنید. نمونه هایی که بر اساس یک شروط خاص ایجاد می‌شوند. تو این حالت، بصورت خودکار میتونید طبقه بندی سری زمانی انجام بدید. توابعی وجود دارند که میتونن اختلاف طیفی بین پیکسل تصویر و نمونه های آموزشی رو شناسایی کنند و بر اساس اختلاف طیفی، نمونه های جدید تولید کنند یا به عبارتی یک نمونه آموزشی رو به یک پیکسل تخصیص بدهند. آموزش مرتبط با طبقه بندی سری زمانی تصاویر ماهواره ای بر اساس نمونه های migrated بزودی منتشر خواهد شد و میتونید از اون آموزش استفاده بکنید
موفق باشید