فیلم مستر کلاس آموزش گوگل ارث انجین در علوم و مطالعات شهری
۷۷۰,۰۰۰ تومان
- مدرس: دکتر محمد کاکویی
- تخصص: کارشناس سنجش از دور و برنامه نویسی تصاویر ماهواره ای
- نرم افزار: گوگل ارث انجین
- نوع آموزش: ویدئویی دانلودی
- داده های تمرینی: دارد
- پیش نیاز: حساب کاربری فعال در GEE (آموزش روش ثبت نام در گوگل ارث انجین – لطفا کلیک کنید)
توضیحات
در این آموزش، روش کار با انواع داده های ماهواره ای برای استخراج نقشه های کاربردی شهری در سامانه گوگل ارث انجین تدریس شده است. این آموزش از 3 بخش مهم تشکیل شده و شما در آن با قابلیت ها و کاربردهای سامانه گوگل ارث انجین بصورت کاربردی در مطالعات شهری آشنا می شوید.
این محصول آموزشی تخصصی ترین آموزش کاربردی گوگل ارث انجین در مطالعات شهری است.

بخشی از ویدئوی این دوره
موضوع
مستر کلاس تولید نقشه های شهری با استفاده از تصاویر ماهواره ای در گوگل ارث انجین یک دوره تخصصی در ارتباط با کاربرد سامانه گوگل ارث انجین در تولید نقشه های شهری است. با استفاده از این محصول آموزشی شما قادر به تولید انواع نقشه های کاربردی شهری در سامانه گوگل ارث انجین خواهید شد.
در این آموزش انواع پروداکت های آماده گوگل ارث انجین در مطالعات شهری به همراه تکنیک های محاسباتی تولید نقشه در محیط شهری مورد بررسی قرار داده شده است. توجه داشته باشید که این دوره کاملا کاربردی و پروژه محور است و با استفاده از آن قادر هستید تا انواع و اقسام پروژه های کاربردی در مطالعات شهری را بصورت عملی انجام دهید.

عناوین آموزشی
مهم ترین عناوین آموزشی در این محصول عبارت اند از:
- بررسی پروداکت های آماده محیط شهری
- استخراج محیط شهری با داده های لندست، سنتینل-2 و سنتینل-1
- تلفیق داده ها در استخراج محیط شهری
- بررسی سری زمانی گسترش شهرها و محاسبات سری زمانی مساحت شهری
- شاخص های طیفی و مکانی محیط شهری
- بررسی جزیره حرارتی شهرها
- استخراج ساختمان ها در تصاویر با رزولوشن بالا
- آنالیز بافت اشیا در محیط شهری
- طبقه بندی اشیا در آنالیز شهری

اهمیت مطالعات شهری
در حال حاضر گسترش روز افزون شهرنشینی در همه جا وجود دارد. تقریباً نیمی از جمعیت جهان در شهرها زندگی می کنند. پیش بینی می شود این نسبت تا سال 2050 به حدود 72٪ برسد. شهرهای بزرگ اکنون قدرتمندترین قطب های رشد اقتصادی هستند و مناطق مجاور آنها با از دست دادن تنوع زیستی و تخریب محیط زیست رو به رو هستند.
فناوری سنجش از دور با جمع آوری اطلاعات برای مشاهده، نظارت، اندازه گیری و مدل سازی بسیاری از اجزای تشکیل دهنده چرخه های اکوسیستم طبیعی و انسانی استفاده شده است.
مشاهدات محیط شهری و آنالیز پیوسته آن دارای اهمیت بالایی است. از جمله اهداف اساسی در طرح های تحقیقاتی مشاهدات شهری عبارتند از:
- بهبود دقت مشاهدات شهری، نظارت، پیش بینی، و طرح های ارزیابی در سراسر جهان
- حمایت از توسعه سیستم جهانی مشاهده و تجزیه و تحلیل محیط شهری
- تولید اطلاعات به روز در مورد وضعیت و توسعه سیستم شهری – از مقیاس محلی به مقیاس جهانی
- پر کردن شکاف های موجود در ادغام مشاهدات شهری سنجش از دور با داده های اکوسیستم های شهری، محیط زیست، کیفیت هوا و انتشار کربن، شاخص های تراکم جمعیت، کیفیت محیط، کیفیت زندگی و الگوهای بیماری های محیطی و عفونی انسان.
- توسعه فنون نوآورانه در حمایت از توسعه موثر و پایدار شهری.
با تحقق این اهداف میتوان شهرها و سکونتگاه های انسانی را ایمن، مقاوم و پایدار کرد. همچنین، امکان مدیریت خطرات زیست محیطی، آب و هوایی و بلایای طبیعی و ایجاد ظرفیت برای مشارکت، برنامه ریزی و مدیریت بر اساس اطلاعات عینی در مورد توسعه شهری فراهم می شود.
با معرفی سامانه گوگل ارث انجین (Google Earth Engine, GEE) در اواخر سال 2010، شتاب پیشرفت ها در حوزه سنجش از دور افزایش یافت. این سامانه امکان دسترسی به ماهواره و سایر محصولات جانبی، محاسبات ابری و الگوریتم های پردازشی متنوعی را فراهم کرده است. گوگل ارث انجین یک بستر مبتنی بر اینترنت است که تصاویر ماهواره ای و داده های برداری ماهواره ای سری زمانی، محاسبات مبتنی بر ابر و دسترسی به نرم افزار و الگوریتم های پردازش چنین داده هایی را ارائه می دهد.
مجموعه داده ها در برگیرنده بیش از 40 سال تصاویر ماهواره ای برای کل جهان است. در GEE دسترسی مستقیم به یک مجموعه چند پتابایتی از تصاویر ماهواره ای و مجموعه داده های سنجش از دور، از جمله کل EROS (USGS / NASA)، مجموعهLandsat، داده هایMODIS، تصاویر ماهواره های Sentinel و داده های هوایی NAIP وجود دارد. همچنین تصاویر و داده های بارش، ارتفاع، دمای سطح دریا و … نیز فراهم شده است. در حال حاضر GEE برای تحقیق، آموزش و استفاده غیرتجاری رایگان است.
مدرس دوره
- محمد کاکوئی
- متخصص سنجش از دور و برنامه نویسی پردازش تصاویر ماهواره ای
- متخصص پردازش موازی با واحد پردازنده گرافیکی GPU
- متخصص یادگیری ماشین و هوش مصنوعی
- دارنده مدرک کارشناسی الکترونیک از دانشگاه شهید بهشتی
- دارنده مدرک کارشناسی ارشد الکترونیک از دانشگاه علم و صنعت
- دارنده مدرک دکتری الکترونیک از دانشگاه صنعتی نوشیروانی
- مدرس دانشگاه
- دارای چندین مقاله ISI و ISC
- ارائه چندین مقاله در کنفرانس های بین المللی

سجاد –
با سلام و احترام
پیشنهاد میدم یک اموزش یا مستر کلاس در مورد رفع خطاهای معمول در گوگل ارث انجین ساخته بشه
ممنون
Mohammad Kakooei –
سلام
برگزاری اینچنین دوره ای در هیچ زبان برنامه نویسی و پلتفرمی، معمول نیست!
در مقابل، ساختار کدنویسی باید به صورت بهینه نوشته شود تا از بروز خطا اجتناب شود.
موفق باشید
محمد –
با سلام
ایا امکان بررسی تغییر مساحت و ارتفاع ساختمانهای شهری با گوگل ارث انجین وجود دارد
و روش پیشنهادی شما چیست
ممنون از راهنماییتون
Mohammad Kakooei –
سلام
در این آموزش، امکان بررسی مساحت وجود دارد. در اینجا یک imagecollection از نقشه های شهری به کمک طبقه بندی ایجاد می شود و مساحت محیط شهری به صورت سری زمانی بررسی می شود.
موفق باشید
محمد –
کسی برای پاسخگویی در این ایام هست
امیرحسین احراری –
بله
بنده هر روز سوالات سایت رو پاسخ میدم و تیم پشتیبانی هم از طریق تلگرام و ایمیل همه مشکلات دانلود و خرید را پشتیبانی می کنند.
موفق باشید
e –
عرض سلام و ادب خدمت اقای دکتر. در قسمت طبقه بندی imagecollection و تشکیل سری زمانی از تصاویر طبقه بندی شده، بنظرتون به چه نحوی باید اعتبار سنجی نمود؟ ایا برای هر تصویر یک اعتبار سنجی انجام داد یا کل تصاویر را با هم اعتبار سنجی کنیم؟ یک راهنمایی بفرمایید.
Mohammad Kakooei –
سلام
هر تصویر باید به صورت جداگانه اعتبارسنجی شود.
موفق باشید
e –
عرض سلام و ادب مجدد خدمت دکتر. بنظرتون میشه با استفاده از یک حلقه دقت هر نقشه طبقه بندی شده رو بدست آورد؟
e –
با عرض سلام و احترام خدمت دکتر کاکویی . ممنون میشم یک راهنمایی بفرمایید که چه راهی پیشنهاد میدین برای بدست آوردن دقت هر تصویر؟ آیا با حلقه forباید انجام بدهیم یا…..؟ با تشکر
Mohammad Kakooei –
سلام
مشابه کاری که برای طبقه بندی تصاویر سری زمانی انجام دادید و به imageCollection تابع را map کردید، باید ارزیابی را در یک تابع بنویسید و map کنید.
موفق باشید
e –
خیلی تشکر می کنم آقای دکتر. لطف فرمودید .
با احترام
e –
سلام و عرض ادب خدمت دکتر کاکویی. ببخشید در ادامه بحث ارزیابی دقت طبقه بندی تصاویر میشه در کد زیر یک راهنمایی بفرمایید که دلیل اشتباه چی است؟ و باید به چه نحوی نوشته بشود؟
var testingGeo= function(classified) {
var samplestest=classified.sampleRegions({
collection : testing_s2,
properties : [‘ID2’],
scale : 10});
var confusion = samplestest.errorMatrix(‘ID2′,’classification’)
return(confusion)
};
var confusionmatrix= classifiedcollection.map(testingGeo);
print( ‘kappa’,confusion.kappa());
Mohammad Kakooei –
سلام
این کد در واقع یک لیست از ماتریس های ابهام را برمیگرداند.
یکی اینکه میتوانید در خود تابع مقدار کاپا را برگردانید
و همچنین میتوانید از لیست فعلی یک المان را get کنید و سپس مقدار کاپا را استخراج کنید
موفق باشید
e –
عرض سلام و ادب خدمت دکتر کاکویی . ببخشید فرض بفرمایید یک شاخص را برای یک سری زمانی از تصاویر اعمال کرده ایم. برای اینکه separate index برای یک سری زمانی بدست بیاوریم، باید SI روبرای هر تصویر بدست بیاریم یا کل تصاویر؟ ایا ممکنه SI یک تصویر با تصویر بعدی توی یک سری زمانی فرقی داشته باشد؟
با احترام
Mohammad Kakooei –
سلام
بله، SI ممکنه با توجه به ویژگی فصلی و آب و هوا متفاوت باشه.
نمیدونم هدف نهایی شما چیست ولی اگر میخواهید نمودار سری زمانی SI در طول یک سال را بررسی کنید:
ابتدا تصاویر مثلا ماهانه یا دو ماه از منطقه مورد مطالعه تشکیل دهید
سپس به ازای تصاویر SI را محاسبه کنید و نمودار مد نظر را رسم کنید
e –
خیلی ممنون اقای دکتر بابت راهنمایی های مفید شما. دو مطلب خواستم خدمتتان بپرسم.
1) من می خوام بهترین شاخص میان Awi,mndwi, ndwi ,ndvi را برای یک سری زمانی از تصاویر اعمال کنم. برای همین پرسیدم به چه صورت بهترین شاخص را برای این مجموعه از تصاویر پیدا بکنم . در این مورد نظر شما رو خواستم بپرسم
2)با توجه به اموزش جنابعالی در این دوره من خیلی قسمت حد آستانه otsu را متوجه نشدم، آیا حد آستانه otsuرا می شود برای یک سری زمانی اعمال نمود؟ آیا باید برای هر تصویر یک حد آستانه اتسو را پیدا کنیم یا میشه برای همه تصاویر فراخوانی شده فقط یک حد استانه پیدا کرد؟
با عرض احترام مجدد .
Mohammad Kakooei –
خواهش میکنم
۱- همان طور که گفتم مثلا مجموعه تصاویر ۲ ماهه از تصاویر تشکیل دهید و شاخص ها را محاسبه کنید. سپس با رسم نمودار سری زمانی مقایسه آن ها ساده میشود.
۲-با توجه به توضیحات شما، باید در یک function بنویسید و به مجموعه تصاویر map کنید. چون مثلا تفکیک پذیری در طول سال متفاوته و قاعدتا آستانه اوتسو هم باید متفاوت باشه.
موفق باشید
maryam ahmadi –
سلام و عرض ادب وقت بخیر
دستور feature selection در گوگل ارث انجین به چه صورت باید نوشته شود تا ارور ندهد؟
برای ارزیابی شاخص ها در خصوص اینکه کدام بهتر عمل میکند از feature selection استفاده شود بهتر است یا feature extraction ?
Mohammad Kakooei –
سلام
به صورت اتوماتیک شما دستوری برای feature selection ندارید. مثلا میتوانید با Random forest طبقه بندی کنید و سپس اهمیت ویژگی ها راببینید و مبتنی بر آن ویژگی ها را انتخاب کنید.
همچنین میتوانید، مثلا با PCA کاهش تعداد ویژگی ها را داشته باشید.
برای feature extraction هم خودتان باید برای هر ویژگی کد بنویسید. گرچه مثلا برای استخراج لبه canny و… دستورهای آماده وجود دارد، اما خودتان باید روند استخراج ویژگی را طراحی و پیاده سازی کنید.
موفق باشید