شناسایی عوارض با کمک یادگیری عمیق در QGIS

امروزه با پیشرفت فن آوری و استفاده از مدل های مختلف و آموزش این مدل ها شناسایی عوارض و پدیده های روی سطح زمین با سرعت و دقت بیشتری میسر شده است. در آموزش شناسایی عوارض با کمک یادگیری عمیق در QGIS با یکی از روش‌های نوین تحلیل تصاویر ماهواره ای و داده های مکانی کار و آشنا خواهیم شد که امکان شناسایی و استخراج خودکار عوارض سطح زمین را فراهم می‌کند. در این روش، به‌ جای شناسایی دستی عوارض، از مدل های مبتنی بر شبکه‌های عصبی عمیق استفاده می‌کنیم تا الگوهای موجود در تصاویر را تحلیل کرده و عوارضی مانند ساختمان‌ها، جاده‌ها و سایر پدیده‌های قابل تشخیص را استخراج کنیم. در این آموزش، با استفاده از نرم‌افزار QGIS و افزونه Deepness، مراحل آماده‌سازی تصویر، انتخاب مدل یادگیری عمیق و اجرای فرایند شناسایی عوارض را بررسی می‌کنیم. همچنین، نحوه استفاده از مدل های از پیش آموزش دیده (Deepness Model ZOO) برای شناسایی ساختمان‌ها در تصاویر ماهواره‌ای را یاد می‌گیریم و با عوامل مؤثر بر دقت نتایج، از جمله وضوح مکانی تصویر و سازگاری داده‌ های ورودی با مدل، آشنا می‌شویم.

ویژگی دوره شناسایی عوارض با کمک یادگیری عمیق در QGIS

عنوان کلی: شناسایی عوارض (ساختمان و جاده ) با کمک یادگیری عمیق نرم‌افزار: QGIS مدرس: آرمان صمدی تصاویر : گوگل ارث پلاگین های مورد استفاده: HCMGIS و Deepness: Deep Neural Remote Sensing

موارد آموزش داده شده در دوره شناسایی عوارض با کمک یادگیری عمیق در QGIS

آموزش فراخوانی تصاویر گوگل ارث با افزونه HCMGIS آموزش دانلود کتابخانه های مختلف از وبسایت Deepness Model ZOO آموزش کار با افزونه Deepness

افزونه Deepness: Deep Neural Remote Sensing

افزونه Deepness یکی از ابزارهای کاربردی نرم‌افزار QGIS برای تحلیل تصاویر سنجش از دور با استفاده از یادگیری عمیق (Deep Learning) است. این افزونه امکان اجرای مدل‌ های از پیش آموزش دیده شده را در محیط QGIS فراهم می‌کند و به کاربران اجازه می‌دهد عوارض مختلف سطح زمین را از تصاویر ماهواره ای و هوایی شناسایی و استخراج کنند. از جمله کاربرد های آن می‌توان به طبقه‌بندی پوشش زمین، شناسایی ساختمان‌ها، استخراج جاده‌ها و تشخیص سایر عوارض، متناسب با مدل انتخاب‌شده، اشاره کرد. یکی از ویژگی‌های مهم Deepness، پشتیبانی از مدل‌های یادگیری عمیق با فرمت ONNX و امکان استفاده از مجموعه مدل‌های آماده (Model Zoo) است. به کمک این قابلیت، کاربران می‌توانند بدون نیاز به طراحی و آموزش یک شبکه عصبی از ابتدا، مدل مناسب را انتخاب کرده و روی تصاویر خود اجرا کنند. البته دقت نتایج به عواملی مانند کیفیت و وضوح مکانی تصویر، سازگاری داده‌های ورودی با مدل و شباهت منطقه مورد مطالعه به داده‌هایی که مدل با آن‌ها آموزش دیده است، بستگی دارد. برای مثال، در شناسایی ساختمان‌ها با افزونه Deepness، انتخاب مدلی متناسب با نوع تصویر ورودی می‌تواند نقش مهمی در کیفیت عوارض استخراج‌شده داشته باشد.

مدرس دوره آموزشی:

آرمان صمدی دانش‌آموخته رشته سنجش‌ازدور و جی‌ای اس دانشگاه تهران کارشناس سنجش‌ازدور و سامانه اطلاعات جغرافیایی مدیر و بنیان‌گذار وب‌سایت مدرسه سنجش از دور مدرس بیش از 300 محصول آموزشی