اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.
آموزش مدل‌سازی بلایای طبیعی با روش‌های یادگیری ماشین – زمین لغزش و ریزش کوه
ریزش کوه یکی از پرخطرترین بلایای طبیعی در مناطق کوهستانی، بالادست شهرها، روستاهای واقع در دامنه‌های آنها و راه‌های ارتباطی است که سالانه خسارات جانی و مالی فراوانی به بار می‌آورد (شکل1). پیشبینی دقیق الگوهای ریزش کوه و شناسایی به‌موقع نقاط پرخطر، نقش بسزایی در کاهش تلفات انسانی و خسارات اقتصادی ناشی از این پدیده دارد. به همین منظور، استفاده…
ریزش کوه یکی از پرخطرترین بلایای طبیعی در مناطق کوهستانی، بالادست شهرها، روستاهای واقع در دامنه‌های آنها و راه‌های ارتباطی است که سالانه خسارات جانی و مالی فراوانی به بار می‌آورد (شکل1). پیشبینی دقیق الگوهای ریزش کوه و شناسایی به‌موقع نقاط پرخطر، نقش بسزایی در کاهش تلفات انسانی و خسارات اقتصادی ناشی از این پدیده دارد. به همین منظور، استفاده از مدل‌های پیشرفته مبتنی بر هوش مصنوعی و یادگیری ماشین می‌تواند راهگشا باشد.
فیلم آموزشی “مدل‌سازی و پهنه‌بندی خطر ریزش کوه با زبان برنامه‌نویسی R“ به شما می آموزد که چگونه با به‌کارگیری الگوریتم‌های پیشرفته یادگیری ماشین، مدلی برای پیشبینی الگوی ریزش کوه در یک منطقه ایجاد کنید.
در این آموزش، ضمن آشنایی با مفاهیم اولیه، گام‌به‌گام نحوه جمع‌آوری داده‌ها، پردازش آنها، انتخاب ویژگی‌های مناسب، آموزش مدل و ارزیابی آن را خواهید آموخت (شکل 2). همچنین در کنار سایر روش های یادگیری ماشین از روش های یادگیری عمیق (NNET) نیز استفاده شده است. NNET یک نوع الگوریتم یادگیری عمیق است که از شبکه های عصبی برای حل مسائل استفاده می کند.
پس از گذراندن این دوره، قادر خواهید بود تا با استفاده از داده‌های مکانی (متغیرهای مستقل و وابسته) مدلی برای منطقه موردنظرتان ایجاد کرده و نقشه‌ای از پتانسیل خطر ریزش در آن منطقه تهیه نمایید. این مهارت می‌تواند به متخصصان و مسئولان مدیریت بحران در شناسایی و پهنه‌بندی خطرات و اتخاذ تدابیر پیشگیرانه کمک شایانی نماید.
شکل 1 – ریزش کوه در مسیر جاده زنجان – تهم – چورزق
شکل 2 – فلوچارت مدل‌سازی ریزش کوه
ویژگی‌های محصول
- مدرس: حسن مظفری
- تخصص: دکتری ژئومورفولوژی
- موضوع: مدل‌سازی به روش‌های یادگیری ماشین
- زبان برنامه‌نویسی: R
- نرم افزار: نرم‌افزار Arcgis، نرم‌افزار Arcgis pro، نرم‌افزار Global Mapper، اکسل
- فرمت آموزش: ویدیویی
- مدت زمان آموزش: بیش از 10 ساعت
- داده‌های تمرینی: دارد
- مخاطب: مهندسان عمران، زمین‌شناسی، جغرافیا، محیط‌زیست و سایر علاقه‌مندان به مدل‌سازی پدیده‌ها و مخاطرات طبیعی و علوم مکانی
- پیش‌نیاز: آشنایی مقدماتی با R و ارث انجین
تهیه آموزش:
برای خرید و دانلود سریع ویدئوهای آموزش بر روی دکمه زیر کلیک کنید:
بخشی از آموزش:
معرفی مدرس
- حسن مظفری
- دکتری ژئومورفولوژی
- مدرس دانشگاه فرهنگیان
- برگزاری دوره‌های متعدد آموزش GIS و RS برای دانشجویان دانشگاه فرهنگیان
- برگزاری چندین دوره‌های ضمن خدمت در زمینه GIS و RS برای فرهنگیان
- تألیف چندین مقاله علمی و پژوهشی در رابطه با ژئومورفولوژی و علوم مکانی
- مدرس کارگاه‌های مختلف برای فرهنگیان
- فعالیت در زمینه برنامه‌نویسی در سامانه گوگل ارث انجین و R
- عضو مدرسین آکادمی سنجش از دور
عناوین آموزشی
این آموزش در 14 بخش به شرح زیر تهیه شده است:
- بخش اول: مقدمه و توضیحات کلی پروژه
- بخش دوم: نحوه دانلود نقشه DEM از منابع مختلف و پردازش آن
- بخش سوم: تهیه نقشه‌های شیب و جهت شیب برای مدل‌سازی
- بخش چهارم: فازی سازی نقشه‌های مدل‌های رقومی ارتفاعی، شیب و جهت شیب همراه با توضیحات تئوری فازی سازی
- بخش پنجم: تهیه نقشه‌های فاصله از گسل، رودخانه، جاده و فازی سازی آنها
- بخش ششم: نحوه استخراج رودخانه از DEM
- بخش هفتم: نحوه استخراج شیپ فایل جاده‌ها از نقشه‌های OSM
- بخش هشتم: دیجیت و آماده‌سازی نقشه لیتولوژی و فازی سازی آن
- بخش نهم: تهیه و تولید نقشه پوشش زمین با سامانه گوگل ارث انجین
- بخش دهم: تهیه نقشه NDVI با سامانه گوگل ارث انجین
- بخش یازدهم: تهیه نقشه بارش و Resampling آن در R و تولید نقشه پهنه‌بندی منطق فازی
- بخش دوازدهم: آماده‌سازی متغیر وابسته و مدل‌سازی به روش طبقه‌بندی یادگیری ماشین
- بخش سیزدهم: مدل‌سازی با روش‌های Classification و Regression با استفاده از مدل‌های هوش مصنوعی و یادگیری ماشین با کتابخانه‌های Caret و Rstoolbox
- بخش چهاردهم: خروجی نقشه در R و ArcGIS
شکل 3 – خروجی مدل طبقه‌بندی خطر ریزش کوه با استفاده از روش جنگل تصادفی
معرفی نرم‌افزارهای استفاده شده
نرم‌افزار R یک ابزار قدرتمند برای مدل‌سازی خطر ریزش کوه با استفاده از یادگیری ماشین و هوش مصنوعی است. با استفاده از نرم‌افزار R، می‌توان مدل‌های یادگیری ماشین را به راحتی برای پیشبینی خطر ریزش کوه در مناطق مختلف ایجاد کرد. همچنین به کاربران امکان می‌دهد تا از کتابخانه‌های مختلف برای آموزش، اعتبار سنجی و تولید نقشه‌های پهنه‌بندی استفاده کنند.
نقشه‌های پوشش گیاهی و لندکاور و بارش این آموزش از طریق سامانه گوگل ارث انجین تهیه و آماده‌سازی شدند.
- گوگل ارث انجین یک پلتفرم آنلاین برای پردازش و تحلیل داده‌های ماهواره‌ای است.
- این پلتفرم به کاربران امکان می‌دهد تا به مجموعه‌ای عظیم از داده‌های ماهواره‌ای دسترسی داشته و آنها را پردازش کنند.
- گوگل ارث انجین یک ابزار قدرتمند برای استخراج نقشه‌های پوشش گیاهی، پوشش زمین یا لندکاور و بارش است.
- این نرم‌افزار به کاربران امکان می‌دهد تا با استفاده از طیف وسیعی از روش‌ها، نقشه‌های موردنیاز خود را استخراج کنند.
در کنار استفاده از دو ابزار فوق الذکر، از نرم‌افزارهای ArcGIS ,Global Mapper, ArcGIS Pro و اکسل نیز در بخش‌های مختلف و مورد نیاز استفاده گردید.
داده‌های مورد استفاده:
در این آموزش از داده‌های مختلفی برای مدل‌سازی استفاده شده است.
- نقشه ارتفاعی رقومی (DEM) برای استخراج داده‌های ارتفاع، شیب و جهت شیب
- داده‌های مکانی رودخانه و جاده که به ترتیب از DEM و نقشه‌های OSM استخراج شده‌اند
- نقشه لیتولوژی و فاصله از گسل از نقشه‌های سازمان زمین‌شناسی و اکتشافات معدنی تولیدشده است
- تصاویر ماهواره‌ای برای استخراج نقشه‌های پوشش زمین و شاخص NDVI
- داده‌های بارش از پروداکت های گوگل ارث انجین و داده‌های کمکی پایگاه‌های زمینی
- نقاط ریزش کوه در مسیر جاده با GPS و نقشه فازی استخراج و گروه‌بندی شدند
تمامی این داده‌ها پس از آماده‌سازی، برای ایجاد مدل‌های پیشبینی با استفاده از الگوریتم‌های مختلف یادگیری ماشین و هوش مصنوعی مورد استفاده قرار گرفته‌اند. در نهایت نقشه نهایی پیشبینی در محیط‌های R و ArcGIS تولیدشده است.
کاربرد این محصول
این آموزش بسیار جامع و کاربردی برای یادگیری مهارت‌های مدل‌سازی مکانی و پیشبینی الگوهای مکانی با استفاده از داده‌های مختلف سنجش از دور و GIS است. در این آموزش، کاربران با مراحل مختلف پردازش داده‌های مکانی مانند دانلود، آماده‌سازی، استخراج ویژگی‌ها، فازی سازی و غیره آشنا می‌شوند.
سپس نحوه اعمال الگوریتم‌های پیشرفته یادگیری ماشین و هوش مصنوعی برای پیشبینی الگوهای مکانی آموزش داده میشود. با یادگیری مطالب این آموزش، کاربران می‌توانند خود به‌طور مستقل انواع مدل‌های پیشبینی و طبقه‌بندی مکانی را بر اساس نیاز پروژه‌هایشان تولید کنند.
مخاطب این محصول
مخاطبان اصلی این آموزش به شرح زیر هستند:
- دانشجویان و محققان حوزه‌های علوم زمین مانند زمین‌شناسی، ژئومورفولوژی، جغرافیا، مهندسی معدن، محیط‌زیست و غیره که به دنبال مدل‌سازی خطرات طبیعی هستند.
- متخصصان و کارشناسان حوزه مدیریت بحران که نیاز به پیشبینی الگوهای مکانی خطرات طبیعی دارند.
- محققان و دانشجویان حوزه سنجش از دور و GIS که به دنبال یادگیری کاربرد روش‌های یادگیری ماشین در مدل‌سازی مکانی هستند.
- کاربران برنامه نویسی R که علاقه‌مند به یادگیری مدل‌سازی مکانی در این نرم‌افزار هستند.
- عموم افراد علاقه‌مند به حوزه‌های داده‌کاوی، هوش مصنوعی و یادگیری ماشین که به دنبال کاربرد عملی آن در GIS و سنجش از دور هستند.
این آموزش به‌طور خاص برای افرادی که به دنبال مدل‌سازی خطر ریزش کوه با روش‌های پیشرفته هستند، بسیار مفید خواهد بود.
تهیه آموزش:
برای خرید و دانلود سریع ویدئوهای آموزش بر روی دکمه زیر کلیک کنید:
آموزش های مرتبط زیر را نیز ببینید:
- فیلم مسترکلاس آموزش مدل سازی مخاطرات طبیعی (برنامه نویسی R)
- فیلم ضبط شده مستر کلاس کاربرد سنجش از دور در پروژه های مخاطرات طبیعی با Google Earth Engine
- تحلیل آتش سوزی در ارسباران در Google Earth Engine با سنتینل 2
- پایش سریع سیل با استفاده از سنتینل 1 و لندست در گوگل ارث انجین
- محاسبه فرونشست به روش PSInSAR با نرم افزار SARPROZ
- تهیه نقشه لندفرم های ژئومورفولوژی در سامانه گوگل ارث انجین و ArcGIS Pro
نوشته های مرتبط :
آموزش های رایگان پیشنهادی :
آموزش مکان یابی در ArcGIS به روش بولین
843 بازدید
برگزار شد: آشنایی با پردازش تصویر و کاربردهای آن
1,368 بازدید
24 دیدگاه. ارسال دیدگاه جدید
با سلام و احترام.
ممنون می شود زمان کل این آموزش را بفرمایید؟ همچنین این آموزش برای افرادی که هیچ آشناییتی با زبان برنامه نویسی R ندارند هم مفید خواهد بود؟
سپاسگزارم
با سلام و عرض ادب خدمت سرکار خانم سبزه‌ای این آموزش بیش از ۱۰ ساعت است حدود ۱۰ ساعت و ۲۰ دقیقه میشود.
این آموزش گام به گام طوری پیش رفته که به راحتی می‌توانید مدل سازی ریزش کوه و زمین لغزش و حتی سایر موضوعات مرتبط با داده‌های علوم مکانی و مدل سازی آنها مانند فرسایش، تحلیل گرد و غبار و غیره… را انجام دهید.
علی رغم اینکه آموزش‌های زیادی به صورت رایگان در اینترنت در رابطه با راه‌اندازی نرم‌افزار R و Rstudio نصب کتابخانه‌های آن وجود دارد،بنده نیز نصب نرم‌افزار و راه‌اندازی کتابخانه ها را دقیق آموزش دادم. در این آموزش هیچ مشکلی در رابطه با استفاده از نرم‌افزار R برای پیاده سازی روش‌های یادگیری ماشین در پدیده ریزش کوه و زمین لغزش را نخواهید داشت.
امیدوارم پاسخ سوال شما را دقیق داده باشم باز هم هر گونه سوالی در رابطه با آموزش داشته باشید در خدمتم
موفق و موید باشید
سلام از کتابخانه های sf یا کتابخانه shapefile استفاده کنید. البته من از R ورژن 4.3.3 استفاده کردم این ورژن R یا ورژن R 4.1.1 استفاده بفرمایید مشکل حل خواهد شد. اگر مشکل حل نشد کل کد را همراه با ورژن R نصبی روی سیستم خودتون را به ایمیل زیر بفرستین تا من مشکل را بررسی و حل کنم
hassanmozafari99002@gmail.com
سلام
وقتتون بخیر
دوتا سوال داشتم از خدمتتون:
یک: آیا برای انتخاب متغیرها از روش خاصی استفاده شده؟
مثلا آزمونی که تاثیر اهمیت هر یک از متغیرها رو نشون بده
دوم: آیا ارزیابی و صحت سنجی نقشه خروجی انجام شده؟ با چ روش هایی؟
ممنون میشم به ایمیلم ارسال کنین جواب رو
Hesmaeili19@yahoo.com
بسیار متشکرم
بله صحت سنجی نقشه‌های خروجی طبقه‌بندی از طرق مختلف مانند صحت کلی ، خطای RMSE ، ضریب کاپا و ماتریس خطاها و غیره در روش های مختلف طبقه بندی و پیش بینی انجام شده است.
سلام و درود خدمت حسین عزیز
در جواب سوال اول شما بله در بخشی از آموزش با استفاده از رگرسیون خطی چند گانه و تابع اهمیت مدل جنگل تصادفی تأثیر هر کدام از لایه های متغیرهای مستقل و اهمیت آنها به ترتیب مشخص شده است. در خصوص متغیر وابسته نیز یا این متغیر را اژ نقشه های معتبر سازمان ها و ارگان های مربوطه تهیه می کنیم یا از طریق مطالعات میدانی مثل بنده تهیه میشود و یا از طریق مدل های پهنه بندی معمولی مانند ahp یا پهنه بندی فازی و غیره این نقاط متغیر وابسته را استخراج می کنیم.
در خصوص سوال دوم از تقسیم داده های آموزشی با نسبت ۷۰ درصد به ۳۰ درصد استفاده شده است. که به دو روش بنده در این آموزش استفاده کردم یک روش تهیه دو نقشه مجزای داده های آموزش و تست در روش دوم خود نرم افزار برنامه نویسی R داده ها را با نسبت قبلی گفته شده تقسیم بندی کرده است.
امیدوارم به درستی پاسخ شما بزرگوار را داده باشم. موفق باشید.
سللام
آموزش ارایه شده بسیار عالی بود. از انسجام بسیار خوبی برای تولید داده ها و تحلیل و مدل سازی و صحت سنجی مححولات برخوردار بود. و موضوع خیلی خوبی استفاده شده است.
ممنونم
سلام از ابراز لطفتون ممنونم خدا را شکر از اینکه آموزش بنده برای شما بزرگوار سودمند بوده است
سلام وقتتون بخیر
اگر هیچ گونه آشنایی با نرم افزارR نداشته باشیم، چون به عنوان پیش نیاز نوشته شده
می تونیم در دوره شرکت کنیم
سلام ممنون وقت شما هم بخیر و نیکی، بله آموزش قدم به قدم طوری پیش رفته که نیاز به هیچ پیش نیازی برای این آموزش نیاز نیست. ولی زبان R آنقدر گسترده است که هر چه قدر این زبان را یاد بگیریم، باز کم است.
در ضمن هر سوال و راهنمایی در زمینه این آموزش در زمان استفاده نیاز داشته باشید هم در اینجا و هم از طریق ایمیل زیر پاسخگو خواهیم بود و حتماً راهنمایی خواهیم کرد.
hassan1384@gmail.com
سلام وقت بخیر
باتوجه به اینکه از سال 2024 کتابخانه rgdal اکسپایر شده و ظاهراً باید از sf, terra استفاده کرد با این حال در قسمت نقاط تصادفی برای مدل سازی در خط آخر که از writeOGR استفاده شده خطا میده و نمیدونم چه دستوری باید جایگزین بشه یا چه کتابخانه دیگری نیاز است. ممنون میشم که این سوال پاسخ داده بشه تا مشکل حل شود.
باتشکر
path/to/your/random_points.shp به جای این عبارت مسبر ذخیره فایل شیپ فایل در کامپیوتر یا لپ تاپ در درایو مشخص را داخل دابل کوتیشن پیست کنید
سلام وقت شما هم بخیر و نیکی از کتابخانه های زیر استفاده کنید
install.packages(“sf”)
install.packages(“sp”)
library(sf)
library(sp)
# تبدیل شیء SpatialPointsDataFrame به شیء sf
random_points_sf <- st_as_sf(random_points)
# نوشتن شیء sf به عنوان یک فایل shapefile
st_write(random_points_sf, "path/to/your/random_points.shp")
سلام
ممنون از پاسخگوییتون و اینکه آموزش بسیار خوب و کاربردی بود و تمام مراحل قدم به قدم توضیح داده شده است.
سپاس از آموزش خوبتون
سلام بانوی گرامی از ابراز لطف تون بی نهایت سپاسگزارم
سلام و عرض ادب.
آموزش ارائه شده بسیار عالی بود. نکات بسیار ریز و با تسلط بیان شده از استاد مظفری بسیار سپاسگزارم.
سلام و عرض ادب متقابل از اینکه شما از آموزش راضی بودید،کلی قوت قلب و انرژی مثبت پیدا کردم. از لطف شما بی نهایت سپاسگزارم
سلام و احترام آقای دکتر مظفری. میخواستم تشکر کنم از آموزش خوبتون. طیف وسیعی از اطلاعات با بیان شیوا در اختیار داشنجویان و محققان قرار دادید. سپاس از لطف شما
سلام آقای نوروزپور از ابراز لطفتون بی نهایت سپاسگزارم.
سلام با توجه به اینکه شما با جی پی اس نقاطی که در آنها ریزش اتفاق افتاده بود را به دست اوردید…ما که دسترسی و توان به دست آوردن این داده را نداریم ایا راهی هست که به همچین داده ای دست پیدا کنیم بدون مراجعه حضوری؟
با سلام و عرض ادب نمونه برداری میدانی از ارکان.اصلی پردازش داده های مکانی است اگر امکان نمونه برداری میدانی برای شما وجود ندارد از چند روش می توانید اقدام کنید از سازمان های معتبر این داده ها را تهیه کنید یا به نقشه های پهنه بندی دیگران اعتماد کرده از این نوع نقشه ها استخراج کنید یا از تصاویر با کیفیت گوگل ارث به صورت دستی با فرمت kml استخراج کرده تبدیل به شیپ فایل و فایل اکسل کنید. ولی من توصیه اکید می کنم خودتان حتی با gps گوشی هم شده نقاط را بردلشت نمایید مگه اینکه منطقه صعب‌العبور باشد در این صورت از گوگل ارث استفاده نمایید. از شیپ فایل نقطه ای زمین لغزش های کشور هم که در شبکه های اجتناعی وجود دارد هم در صورت تایید می توانید استفاده نمایید.موفق باشید.
سلام و عرض ادب بنده برای حساسیت سنجی و پیشبینی زمین لغزش میخوام از این دوره استفاده کنم. ایا دوره برای بنده مناسب خواهد بود؟
با سلام و عرض ادب مدل های یادگیری ماشین از دو الگوریتم طبقه بندی معمولی و روش طبقه بندی رگرسیونی یا همان روش های پیش بینی زمین لغزش استفاده می کنند لذا این محصول با ایده و روش شما کاملا همسو است می توانید استفاده کنید.با تشکر مظفری