آموزش مدل‌سازی بلایای طبیعی با روش‌های یادگیری ماشین – زمین لغزش و ریزش کوه

1,566 بازدید

اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.

آموزش رایگان نرم افزار ENVI

در ENVI حرفه ای شو 🦾

0 تا 100 مفاهیم سنجش از دور

کاملا رایگان شروع کن 🧩

آموزش رایگان ArcGIS pro

واقعاااااا رایگاااااانه 🤗

آموزش گوگل ارث انجین

شدیدا توصیه شده 🌏

دانلود لندیوز 10 متری ایران و …

به کمک گوگل ارث انجین 🚀

کتاب موتور پردازش مجازی

اولین کتاب آموزش گوگل ارث انجین 📗

طبقه بندی تصاویر ماهواره ای

آشنایی با انواع روش ها 😲

پیش پردازش تصاویر ماهواره ای

هندسی – رادیومتریکی – اتمسفری 🀄

دانلود داده های آلتیمتری

ترازسنجی برای دریاچه ها 🧿

پوشش اراضی 10 متری

تولید شده توسط ESRI 🧐

نمایش سه بعدی در ArcGIS

مدل رقومی ارتفاع 🗻

مطالب پربازدید

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: آموزش مدل‌سازی و طبقه‌بندی ریزش کوه با استفاده از روش‌های یادگیری ماشین
  • نرم‌افزار: زبان برنامه‌نویسی R، نرم‌افزار Arcgis، نرم‌افزار Arcgis pro، نرم‌افزار Global Mapper، اکسل و سامانه Google Earth Engine
  • 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 نرم‌افزار R و Google Earth Engine

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:

نوشته های مرتبط :

آموزش های رایگان پیشنهادی :

16 دیدگاه. ارسال دیدگاه جدید

  • فریده سبزه ای
    1402-08-30 9:55 ق.ظ

    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

    پاسخ
    • حسن مظفری
      1402-08-30 4:42 ب.ظ

      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

      پاسخ
    • حسن مظفری
      1403-03-18 6:44 ق.ظ

      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

      پاسخ
  • 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

    پاسخ
    • حسن مظفری
      1403-01-07 5:40 ب.ظ

      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.

      پاسخ
  • حسن مظفری
    1403-01-07 4:56 ب.ظ

    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.

    پاسخ
  • همایون
    1403-03-08 8:33 ق.ظ

    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

    پاسخ
    • حسن مظفری
      1403-03-13 10:39 ق.ظ

      سلام از ابراز لطفتون ممنونم خدا را شکر از اینکه آموزش بنده برای شما بزرگوار سودمند بوده است

      پاسخ
  • 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

    پاسخ
  • حسن مظفری
    1403-03-15 12:35 ق.ظ

    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.

    پاسخ
  • حسن مظفری
    1403-03-15 5:07 ق.ظ

    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

    پاسخ
  • 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

    پاسخ
    • حسن مظفری
      1403-03-18 5:55 ب.ظ

      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

      پاسخ
  • حسن مظفری
    1403-03-18 6:55 ق.ظ

    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")

    پاسخ
  • 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

    پاسخ
    • حسن مظفری
      1403-03-24 5:32 ق.ظ

      سلام بانوی گرامی از ابراز لطف تون بی نهایت سپاسگزارم

      پاسخ

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

این فیلد را پر کنید
این فیلد را پر کنید
لطفاً یک نشانی ایمیل معتبر بنویسید.

keyboard_arrow_up