مطالعه بر تکنیک های علم داده و یادگیری ماشین جهت سیستم های اطلاعات جغرافیایی (GIS)

مطالعه بر تکنیک های علم داده و یادگیری ماشین جهت سیستم های اطلاعات جغرافیایی (GIS)

رضا فیضی1

1) کارشناس ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، گرایش آب و خاک، سرپرست gis شرکت فنی مهندسی محب نیرو (مهندسین مشاور)، استان خوزستان، ایران.

کد IOI مقاله : XKGC-AZBGHA
محل انتشار : اولین کنفرانس بین المللی رویکردهای نوین در مهندسی و علوم پایه(icnabs.ir/1st)
چکیده :
    یادگیری ماشینی به مجموعه‌ای از تکنیک‌ها و الگوریتم‌های «عملکرد داده» اشاره دارد که داده‌ها را به‌طور خودکار پیش‌بینی، طبقه‌بندی و خوشه‌بندی می‌کنند. یادگیری ماشین نقش کلیدی در حل مسائل جغرافیایی دارد که طیف وسیعی از وظایف از جمله طبقه‌بندی تصاویر ماهواره‌ای، شناسایی الگوهای فضایی و پیش‌بینی‌های چند متغیره را انجام می‌دهد. نرم افزار ArcGIS علاوه بر تکنیک های سنتی یادگیری ماشینی (ML) دارای زیرمجموعه ای از تکنیک های یادگیری ماشینی است که ماهیت فضایی دارند. این روش های فضایی مستقیماً چشم انداز جغرافیایی را در محاسبات خود لحاظ می کنند، می توانند درک عمیق تری را در ما ایجاد کنند. این جزء فضایی به شکل پردازش برداری، چگالی، اتصال، توزیع فضایی و مجاورت است. هر دوی این تکنیک‌ها و تکنیک‌های یادگیری ماشین (یادگیری ماشین)، سنتی و ذاتاً فضایی، می‌توانند نقش مهمی در حل مسائل فضایی ایفا کنند و ArcGIS به روش‌های مختلفی از استفاده از این تکنیک‌ها پشتیبانی می‌کند. سنجش از دور (RS) یکی از مهم‌ترین روش‌های رصد سطح زمین است و نقش اساسی در بسیاری از زمینه‌ها از جمله تغییرات آب و هوا، بررسی زمین و منابع، پایش بلایا، پایش رشد محصول، شهرنشینی و تغییر کاربری زمین دارد. نقش پوشش زمین را ایفا می کند. در دهه های اخیر، پیشرفت سریع در فناوری ماهواره و حسگر منجر به رشد قابل توجهی در میزان داده ها از انواع سیستم عامل ها و حسگرها شده است و ما را وارد عصر داده های بزرگ سنجش از دور (RSBD) کرده است. داده های بزرگ سنجش از دور به ما کمک می کند تا دامنه کاربردهای سنجش از دور را گسترش دهیم و چالش های جدیدی را برای پردازش و تجزیه و تحلیل آن ارائه کنیم. از سوی دیگر، پیشرفت در RS با پیشرفت در فناوری اطلاعات و هوش مصنوعی همراه است. دانشمندان RS الگوریتم‌های یادگیری ماشین (مانند شبکه‌های عصبی مصنوعی، ماشین‌های بردار پشتیبان و جنگل‌های تصادفی) را برای بهبود عملکرد برنامه‌های RS معرفی کرده‌اند. به طور خاص، در سال های اخیر پیشرفت زیادی در فناوری هوش مصنوعی به عنوان یادگیری عمیق صورت گرفته است که کاربردهای گسترده ای در بسیاری از زمینه ها دارد. یادگیری عمیق با توانایی بالای یادگیری سلسله مراتبی و ویژگی های نماینده و تمایز، موج جدیدی از مطالعات را در پردازش و تجزیه و تحلیل داده های سنجش از دور بزرگ آغاز کرده است.

کلمات کلیدی : علم داده یادگیری ماشین سیستم های اطلاعات جغرافیایی gis