اصول GeoAI: یادگیری عمیق برای تحلیل داده‌ مکانی

آنچه یاد خواهید گرفت:

• ساخت و آموزش مدل‌های یادگیری عمیق U-Net در PyTorch برای بخش‌بندی پیکسلی تصاویر ماهواره‌ای و هوایی، از ابتدا
• اعمال GeoAI در کاربردهای واقعی: نگاشت محصولات کشاورزی، تشخیص تغییرات زمانی، بخش‌بندی ساختمان‌ها و تحلیل شهری با LiDAR.
• دانلود و پیش‌پردازش داده واقعی ماهواره‌ای از AWS Sentinel-2 و منابع LiDAR دولتی برای پایپ‌لاین‌های یادگیری عمیق
• ارزیابی درست مدل‌های یادگیری عمیق مکانی با استفاده از تقسیم‌بندی‌های جغرافیایی آموزش/آزمون برای جلوگیری از نشت داده و اطمینان از تعمیم‌پذیری در دنیای واقعی
• ساخت نقشه‌های تعاملی مکانی با Folium برای نمایش و مقایسه پیش‌بینی‌های یادگیری عمیق در مزارع، ساختمان‌ها و مناطق شهری

پیش‌نیازهای دوره

• تجربه‌ اولیه در برنامه‌نویسی Python - حلقه‌ها، توابع و کار با کتابخانه‌هایی مانند NumPy و Matplotlib
• آشنایی با مفاهیم داده رستری مکانی (این‌که پیکسل‌ها، باندها و سیستم‌های مختصات چه هستند).
• یک رایانه با Anaconda نصب‌شده یا توانایی راه‌اندازی یک محیط Python - دستورالعمل‌های راه‌اندازی در دوره ارائه شده‌اند.
• نیازی به تجربه‌ی قبلی در یادگیری عمیق یا PyTorch نیست - اصول شبکه‌های عصبی در ماژول 1 از ابتدا ساخته می‌شوند.

توضیحات دوره

چه در GIS کار کنید، چه در سنجش‌ از دور، علوم محیط‌زیست یا علم داده، یادگیری عمیق به‌سرعت در حال دگرگون کردن شیوه‌ی تحلیل جهان از بالا است. این دوره پایه‌ی عملی لازم را به شما می‌دهد تا با اطمینان با GeoAI کار کنید - و مدل‌های واقعی را روی داده واقعی، از ابتدا بسازید.

در پنج ماژول عملی، مهم‌ترین کاربردهای امروز یادگیری عمیق مکانی را بررسی می‌کنید: نگاشت محصولات کشاورزی از تصاویر ماهواره‌ای Sentinel-2، تشخیص تغییرات زمانی با استفاده از Siamese U-Net، بخش‌بندی ساختمان‌ها از تصاویر هوایی با وضوح بسیار بالا، و بخش‌بندی چندکلاسه‌ی شهری از داده ارتفاعی LiDAR.

تمام مجموعه‌داده این دوره واقعی و رایگان هستند. تصاویر Sentinel-2 مستقیماً از کاتالوگ STAC در AWS Earth Search دانلود می‌شوند. تصاویر هوایی از یک پرتال جغرافیایی دولتی هلند با وضوح 7.5 سانتی‌متر تهیه می‌شوند. کاشی‌های LiDAR از پرتال داده باز دولت اسکاتلند دریافت می‌شوند. نه داده‌ی مصنوعی، نه مثال‌های آزمایشی

تمام مدل‌ها از ابتدا در PyTorch ساخته می‌شوند. شما فیلترهای کانولوشنی تکی را پیاده‌سازی می‌کنید، بلوک‌های encoder و decoder را مرحله‌به‌مرحله می‌سازید، معماری‌های کامل U-Net را مونتاژ می‌کنید و آن‌ها را روی مسائل واقعی مکانی آموزش می‌دهید. این دوره همچنین Siamese U-Net را پوشش می‌دهد - یک معماری تخصصی که به‌طور ویژه برای تشخیص تغییر طراحی شده و دو تصویر را به‌صورت هم‌زمان پردازش می‌کند.

یکی از محورهای متدولوژی کلیدی در سراسر دوره، انجام صحیح کارهاست. هر ماژول از تقسیم‌بندی صحیح مکانی آموزش/آزمون استفاده می‌کند تا از نشت داده جلوگیری شود و اطمینان حاصل شود که مدل‌ها روی نواحی جغرافیایی متفاوتی ارزیابی می‌شوند که هرگز ندیده‌اند. این همان شیوه‌ی حرفه‌ای یادگیری عمیق مکانی در دنیای واقعی است - و چیزی است که این دوره را از آموزش‌های عمومی بخش‌بندی تصویر متمایز می‌کند.

در پایان این دوره، شما:

• مدل‌های U-Net را در PyTorch برای بخش‌بندی پیکسلی ساخته و آموزش داده‌اید.
• داده واقعی ماهواره‌ای، هوایی و LiDAR را به‌صورت کامل پردازش کرده‌اید.
• تقسیم‌بندی مکانی آموزش/آزمون را برای ارزیابی منصفانه‌ی مدل پیاده‌سازی کرده‌اید.
• نقشه‌های تعاملی Folium را برای نمایش و مقایسه‌ی پیش‌بینی‌های مدل ساخته‌اید.
• یادگیری عمیق را برای نگاشت محصولات کشاورزی، تشخیص تغییرات، استخراج ساختمان و طبقه‌بندی شهری به‌کار برده‌اید.

نیازی به تجربه‌ی قبلی در یادگیری عمیق یا PyTorch نیست. ماژول 1 ابتدا پایه‌ی کامل را از اصول اولیه می‌سازد و سپس آن را در ماژول‌های بعدی برای مسائل مکانی پیچیده‌تر به کار می‌گیرد. تجربه‌ی پایه در Python و آشنایی با مفاهیم داده رستری مکانی توصیه می‌شود.

این دوره‌ی GeoAI برای کسانی ساخته شده که می‌خواهند کار واقعی انجام دهند - نه فقط تئوری را یاد بگیرند.

این دوره برای چه کسانی مناسب است؟

• متخصصان GIS و تحلیل‌گران مکانی که می‌خواهند فراتر از تحلیل‌های سنتی بروند و وارد یادگیری عمیق و گردش‌کارهای مکانی مجهز به هوش مصنوعی شوند.
• دانشمندان داده و فعالان یادگیری ماشین که می‌خواهند مهارت‌های خود را روی تصاویر ماهواره‌ای، داده هوایی و مسائل واقعی مکانی به کار بگیرند.
• متخصصان سنجش‌ از دور و پژوهشگران مشاهده‌ی زمین که می‌خواهند گردش‌کارهای خود را با PyTorch و معماری‌های شبکه‌ی عصبی بروز کنند.
• دانشجویان و دانشگاهیان در رشته‌های جغرافیا، علوم محیط‌زیست یا برنامه‌ریزی شهری که می‌خواهند مهارت‌های عملی هوش مصنوعی قابل‌استفاده روی داده مکانی واقعی را یاد بگیرند.