Deep Learning + GIS = Opportunity

یادگیری عمیق + GIS = فرصت

رشته هوش مصنوعی در سال‌های اخیر به سرعت پیشرفت کرده ‎است. در کارهایی مانند تشخیص تصویر، درک مطلب خواندن و ترجمه متن با قابلیت هماهنگ سازی و در بعضی مواقع حتی با برتری‎گرفتن از دقت انسان، در حال استفاده است.

یادگیری ماشین، هوش مصنوعی و یادگیری عمیق به ما کمک می‎کنند تا به وسیله افزایش دقت در بهره‌وری در کشاورزی، کاهش جرم با گسترش مدل‌های پیش‎بینی پلیس و تخمین طوفان‌های پیشرو به منظور جلوگیری از آن، جهان را زیباتر ببینیم.یادگیری عمیق از شبکه های عصبی ایجاد شده توسط کامپیوتر استفاده می‌کند که در واقع الهام گرفته از شبکه عصبی مغز انسان هستند تا مسائل را حل کرده و پیش‎بینی هایی در برابر آن ارائه دهد.

یادگیری ماشین در ArcGIS

یادگیری ماشین به عنوان یک مولفه اصلی در تحلیل مکانی در GIS به شمار می‌رود. ابزارها و الگوریتم‌های مربوط به آن به منظور تحلیل‎های مرتبط با زمین و حل مسائل در سه زمینه طبقه بندی کلی، خوشه بندی و پیش بینی به کار می‎رود. با طبقه‌بندی می‌توانید از الگوریتم‌های ماشین بردار برای ایجاد لایه‌های طبقه‌بندی پوشش زمین استفاده کنید. خوشه‌بندی به شما اجازه می‌دهد تا مقادیر زیادی از داده‌های نقطه ورودی را پردازش کرده، خوشه‌های معنادار در این داده‌ها را شناسایی کرده، و خوشه‌های معنادار را از نویز پراکنده جدا کنید. الگوریتم های پیش‌بینی، مانند رگرسیون وزن دار جغرافیایی، به شما این توانایی را می‌دهد که روابط متغیر فضایی را مدل‌سازی کنید.

ظهور یادگیری عمیق

جالب نبود اگر ماشین ها می‌توانستند ویژگی‎هایی که به وسیله یک نگاه بر روی داده‎ها به دست می‎آید را بفهمند؟ این جا است که یادگیری عمیق به کار می‌رود. در یک شبکه‌ عصبی عمیق نورون‌هایی وجود دارند که به محرک‌ّها واکنش نشان داده و در یک لایه به یکدیگر متصل می‌شوند. شبکه‌های عصبی چندین دهه است که وجود دارند اما آموزش آن‌ها یک چالش بوده‌است. ظهور یادگیری عمیق در سال‌های اخیر را می‌توان به سه پیشرفت اولیه در دسترس بودن داده‌ها، محاسبات سریع و بهبود الگوریتمی نسبت داد.

کاربرد بینایی کامپیوتری در تحلیل فضای جغرافیایی

یکی از حوزه‌های هوش مصنوعی که یادگیری عمیق در آن بسیار خوب انجام شده‌است، بینایی کامپیوتر یا توانایی دیدن کامپیوترها است. این به ویژه برای GIS مفید است زیرا تصاویر ماهواره‌ای، هوایی و هواپیمای بدون سرنشین با سرعتی در حال تولید هستند که تجزیه و تحلیل و استخراج بینش از طریق ابزارهای سنتی را غیر ممکن می‌سازد.

طبقه‌بندی تصویر، تشخیص شی، تقسیم‌بندی معنایی و بخش بندی نمونه برخی از مهم‌ترین وظایف بینایی کامپیوتری هستند که می‌توانند برای GIS به کار روند. ساده‌ترین کار طبقه‌بندی تصویر است. برای مثال، کامپیوتر برچسب «گربه» را به تصویر یک گربه اختصاص می‌دهد. در GIS، این طبقه‌بندی برای طبقه‌بندی تصاویر جغرافیایی استفاده می‌شود. تصویری دیگر، طبقه بندی شده به عنوان «جمعیت متراکم» با استفاده ‏ GIS‏به برنامه‌ریزی مدیریت عابران پیاده و حمل و نقل هنگام وقایع عمومی پرداخته شود.

با تشخیص شی، کامپیوتر باید اشیا داخل یک تصویر و همچنین مکان آن‌ها را پیدا کند. این یک کار بسیار مهم در GIS است؛ زیرا آنچه را که در یک تصویر ماهواره‌ای، هوایی، یا هواپیماهای بدون سرنشین است پیدا می‌کند، آن را مکان‌یابی می‌کند و بر روی یک نقشه پیاده می‌کند. این کار می‌تواند برای نقشه‌ برداری زیرساخت‌، تشخیص ناهنجاری‌ّ و استخراج ویژگی استفاده شود.

یکی دیگر از وظایف مهم بینایی کامپیوتری، تقسیم‌بندی معنایی است. هر پیکسل از یک تصویر به عنوان متعلق به یک طبقه خاص طبقه‌بندی می‌شود. در GIS، تقسیم ‌بندی معنایی می‌تواند برای طبقه‌بندی پوشش زمین یا استخراج شبکه‌های جاده‌ای از تصاویر ماهواره‌ای استفاده شود.

یک مثال اولیه از استفاده از تقسیم‌بندی معنایی و تاثیر آن، موفقیتی است که حفاظت از جنگل Chesapeake در ترکیب فناوری GIS با ابزارهای هوش مصنوعی مایکروسافت مایکروسافت ‏CNTK‏ و راه‌ حل‌های ابری برای تولید اولین نقشه پوشش زمین با وضوح بالا در حوزه آبخیز Chesapeake داشته ‌است. این کار در GitHub موجود است و می‌تواند در یک ماشین مجازی علم داده مایکروسافت ‏DSVM‏ در Azureمستقر شود.

نوع دیگر تقسیم‌بندی، تقسیم‌بندی نمونه است. شما می‌توانید این را به عنوان یک تشخیص شی دقیق‌تر در نظر بگیرید که در آن مرز دقیق هر نمونه شی مشخص می‌شود. تقسیم‌بندی نمونه می‌تواند برای کارهایی مانند بهبود نقشه‌های پایه مورد استفاده قرار گیرد. این کار می‌تواند با اضافه کردن رد پاهای ساختمان یا بازسازی ساختمان‌های ۳ بعدی از داده‌های لایه دار انجام شود. esri اخیراً برای استفاده از یادگیری عمیق برای خودکارسازی فرآیند فشرده ساخت مدل‌های سه ‌بعدی پیچیده از داده‌های هوایی لیدار در بخش میامی – دید در فلوریدا، با NVIDIA هم‌کاری کرده‌است.

یادگیری عمیق برای نقشه برداری

در کار کردن با تصاویر ماهواره‌ای یکی از کاربردهای مهم یادگیری عمیق ایجاد نقشه‌های دیجیتالی با استخراج شبکه جاده‌ها و جانمایی ساختمان‌ها است. تصور کنید، یک مدل یادگیری عمیق آموزش دیده بر روی محدوده بزرگ جغرافیایی به کار رود و منجر به ساخته ‎شدن نقشه‌هایی، شامل همه راه‌ها در منطقه مورد نظر شود. سپس توانایی برای ایجاد جهت رانندگی در این شبکه جاده‌ای نیز برای شما فراهم شده باشد. این موضوع می‌تواند به صورت جزئی برای کشورهای در حال توسعه که نقشه‌های دیجیتالی با کیفیت بالا ندارند و یا محدوده‌هایی که چندین سال از آن‌ها نقشه ‌برداری نشده و در حال حاضر دارای سازه‌های جدیدی هستند مفید باشد.

نقشه‌های خوب به چیزی بیشتر از جاده‌ّها و سازه نیاز دارند. مدل‌های قطعه‌بندی موضعی مانند Mask R – CNN به طور خاص برای قسمت کردن جای پا مفید هستند و می‌توانند به ایجاد رد پاهای ساختمان بدون نیاز به دیجیتالی کردن دستی کمک کنند. این مدل‌ها به صورت شاخص هستند. در نگاه اول شاید بیشتر شبیه اثر هنری یک نقاش اسپانیایی باشند تا سازه‌های واقعی! ولی شایان ذکر است که این موضوع البته با به کارگیری نرم‌افزار ArcGIS PRO بر روی ترسیم‌های بدست آمده، تا حدودی قابل برطرف ‎شدن است.

مشاهده متن کامل انگلیسی از اینجا

خلاصه فارسی از : آرین خیری

کد مطلب : 98110201

مشاهده تازه‌های دیگر