یادگیری ماشین در ArcGIS :سیستم ها قرار است خودشان تصمیم بگیرند

دوذه آموزش یادگیری ماشین در gis

 

یادگیری ماشین در ArcGIS :سیستم ها قرار است خودشان تصمیم بگیرند.عنوان پستی است که توسط دکتر سعید جوی زاده تهیه و به اشتراک گذاشته می شود

مقدمه:

پیشرفت‌های مستمر Esri در ذخیره‌سازی داده‌ها و محاسبات موازی و توزیع شده، حل مسائل را در تقاطع یادگیری ماشین (ML) و GIS به طور فزاینده‌ای ممکن می‌سازد.

 

رابطه بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق

یادگیری ماشین چیست؟

ML به مجموعه ای از الگوریتم ها و تکنیک های داده محور اشاره دارد که پیش بینی، طبقه بندی و خوشه بندی داده ها را خودکار می کند. ML می تواند محاسباتی فشرده باشد و اغلب شامل داده های بزرگ و پیچیده است. این می تواند نقش مهمی در حل مسئله فضایی در طیف گسترده ای از حوزه های کاربردی از پیش بینی چند متغیره تا طبقه بندی تصویر تا تشخیص الگوی فضایی ایفا کند.

علاوه بر تکنیک‌های سنتی ML، ArcGIS همچنین دارای زیرمجموعه‌ای از تکنیک‌های ML است که ذاتاً فضایی هستند. روش‌های فضایی که برخی از مفاهیم جغرافیا را مستقیماً در محاسبات ادغام می‌کنند، می‌توانند به درک عمیق‌تری منجر شوند. مولفه فضایی اغلب به شکل معیارهایی از شکل، چگالی، مجاورت، توزیع فضایی یا مجاورت است. ML سنتی و ذاتاً فضایی می تواند نقش مهمی در حل مشکلات فضایی داشته باشد. ArcGIS از استفاده از ML در پیش‌بینی، طبقه‌بندی و خوشه‌بندی پشتیبانی می‌کند.

پیش بینی و یادگیری ماشین در GIS:

پیش بینی از معلوم برای تخمین مجهول استفاده می کند. ArcGIS شامل تکنیک های رگرسیون و درون یابی است که می تواند برای انجام تحلیل پیش بینی استفاده شود. ArcGIS دارای ابزارهایی برای کریجینگ بیزی تجربی (EBK)، درون یابی منطقه ای، پیش بینی رگرسیون EBK، رگرسیون حداقل مربعات معمولی (OLS)، رگرسیون اکتشافی OLS، و رگرسیون وزنی جغرافیایی (GWR) است. این ابزارها را می توان برای کارهایی مانند تخمین ارزش خانه بر اساس داده های فروش اخیر و ویژگی های خانه و جامعه مرتبط استفاده کرد.

بر اساس تجزیه و تحلیل هفت سال داده‌های تصادفات رانندگی، مدل مناطقی با بالاترین خطر تصادف را پیش‌بینی کرد. اینها با رنگ قرمز نشان داده شده اند. تجزیه و تحلیل بسیاری از عوامل مرتبط با تصادفات را در نظر گرفت: آب و هوا، زمان روز، محدودیت سرعت، نزدیکی به یک تقاطع، و ویژگی های جاده. مکان تصادفات واقعی به صورت نقاط قرمز/زرد نشان داده شده است.

طبقه بندی و یادگیری ماشین در GIS

طبقه بندی تعیین می کند که یک شی باید بر اساس مجموعه داده آموزشی به کدام دسته اختصاص داده شود. ArcGIS شامل بسیاری از روش های طبقه بندی برای استفاده در داده های سنجش از راه دور است. ابزارهایی که از این روش‌ها استفاده می‌کنند، مقادیر و پیکربندی‌های پیکسل را برای حل مشکلات تعیین انواع کاربری زمین یا شناسایی مناطق از دست رفته جنگل تجزیه و تحلیل می‌کنند. طبقه بندی حداکثر احتمال، درختان تصادفی و ماشین بردار پشتیبان نمونه هایی از این ابزارها هستند.

خوشه بندی و یادگیری ماشین در GIS:

خوشه بندی مشاهدات را بر اساس شباهت ها در ارزش یا مکان گروه بندی می کند. ArcGIS شامل طیف وسیعی از الگوریتم‌ها است که خوشه‌ها را بر اساس یک یا چند ویژگی، مکان یا ترکیبی از هر دو ویژگی و مکان پیدا می‌کنند. این روش‌های خوشه‌بندی را می‌توان برای کارهایی مانند تقسیم‌بندی نواحی مدارس بر اساس ویژگی‌های اجتماعی-اقتصادی و جمعیت شناختی استفاده کرد. نمونه‌هایی از ابزارهای خوشه‌بندی در ArcGIS شامل خوشه‌بندی چند متغیره فضایی محدود، خوشه‌بندی چند متغیره، خوشه‌بندی مبتنی بر چگالی، تقسیم‌بندی تصویر، تجزیه و تحلیل نقطه داغ، ابزارهای تحلیل خوشه‌ای و پرت، و ابزارهای کاوی الگوی فضا زمان است.

خودکار سازی و یادگیری ماشین در GIS:

علاوه بر روش‌ها و تکنیک‌های ML در ابزارهای ArcGIS، ML در سرتاسر پلتفرم ArcGIS برای فعال کردن پیش‌فرض‌های هوشمند، مبتنی بر داده، خودکارسازی گردش کار و بهینه‌سازی نتایج استفاده می‌شود.

برای مثال، روش پیش‌بینی رگرسیون EBK از تحلیل مؤلفه‌های اصلی (PCA) به عنوان ابزاری برای کاهش ابعاد برای بهبود پیش‌بینی‌ها استفاده می‌کند. نقاط ترتیب برای شناسایی روش ساختار خوشه‌بندی (OPTICS) در ابزارهای خوشه‌بندی مبتنی بر چگالی، از تکنیک‌های ML برای انتخاب یک تحمل خوشه بر اساس نمودار دسترسی معین استفاده می‌کند. ابزار خوشه بندی چند متغیره محدود فضایی از رویکردی به نام انباشت شواهد استفاده می کند تا احتمالات مربوط به نتایج خوشه بندی را در اختیار کاربر قرار دهد.

حوزه ML گسترده، عمیق و دائما در حال تکامل است. ArcGIS یک پلت فرم باز و قابل تعامل است که امکان ادغام روش‌ها و تکنیک‌های مکمل را به چندین روش فراهم می‌کند: از طریق ArcGIS API برای Python، بسته سایت ArcPy برای Python و R-ArcGIS Bridge. این ادغام به کاربران ArcGIS اجازه می‌دهد تا مشکلات پیچیده را با ترکیب ابزارهای داخلی قدرتمند با هر بسته ML که نیاز دارند حل کنند – از scikit-learn و TensorFlow در Python گرفته تا caret در R گرفته تا IBM Watson و Microsoft AI – و همچنان از اعتبار سنجی فضایی، غنی‌سازی جغرافیایی بهره مند شوند. و تجسم نتایج در ArcGIS. ترکیب این بسته‌ها و فناوری‌های مکمل با سیستم‌های ثبت، بینش و تعاملی که پلتفرم ArcGIS فراهم می‌کند، بیشتر از مجموع قطعات آن است.

نویسنده جاناتان بلوم در برنامه Esri Story Maps خود، نقشه‌برداری از جغرافیای وام‌دهی آنلاین، از ابزارهای رگرسیون وزن‌دار جغرافیایی (GWR) در ArcGIS برای بررسی تأثیر رتبه‌بندی درجه وام بر نرخ بهره متوسط ​​استفاده کرد.

پلتفرم arcgis و یادگیری ماشین

بسیاری از ابتکارات کلیدی Esri برای پیشبرد و ادغام روش‌های ML در سراسر پلتفرم وجود دارد. این نقشه راه شامل روش‌هایی مانند جنگل‌های تصادفی، شبکه‌های عصبی، رگرسیون لجستیک، و پیش‌بینی سری‌های زمانی و همچنین تجربیات کاربر ساده‌شده برای ادغام با کتابخانه‌ها و بسته‌های محبوب ML است. تمرکز مداوم بر پردازش توزیع شده نقش مهمی در این پیشرفت ها ایفا خواهد کرد.

علاوه بر ایجاد ML سنتی در ArcGIS و بهبود سهولت ادغام ML با ArcGIS، Esri فعالانه در تلاش است تا تقاطع GIS و ML را گسترش دهد. این تمرکز بر نوآوری در ML فضایی برای توسعه الگوریتم‌ها و رویکردهایی که فضا را در محاسبات ادغام می‌کنند، همچنان به کاربران ArcGIS برای بهره‌گیری از آخرین پیشرفت‌های فناوری و محاسبات و در عین حال تمرکز بر حل مشکلات به روشی اساسی فضایی، قدرت می‌دهد.

 

پیشرفت‌های مستمر Esri در ذخیره‌سازی داده‌ها و محاسبات موازی و توزیع شده، حل مسائل را در تقاطع یادگیری ماشین (ML) و GIS به طور فزاینده‌ای ممکن می‌سازد.

رابطه بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق

ML به مجموعه ای از الگوریتم ها و تکنیک های داده محور اشاره دارد که پیش بینی، طبقه بندی و خوشه بندی داده ها را خودکار می کند. ML می تواند محاسباتی فشرده باشد و اغلب شامل داده های بزرگ و پیچیده است. این می تواند نقش مهمی در حل مسئله فضایی در طیف گسترده ای از حوزه های کاربردی از پیش بینی چند متغیره تا طبقه بندی تصویر تا تشخیص الگوی فضایی ایفا کند.

علاوه بر تکنیک‌های سنتی ML، ArcGIS همچنین دارای زیرمجموعه‌ای از تکنیک‌های ML است که ذاتاً فضایی هستند. روش‌های فضایی که برخی از مفاهیم جغرافیا را مستقیماً در محاسبات ادغام می‌کنند، می‌توانند به درک عمیق‌تری منجر شوند. مولفه فضایی اغلب به شکل معیارهایی از شکل، چگالی، مجاورت، توزیع فضایی یا مجاورت است. ML سنتی و ذاتاً فضایی می تواند نقش مهمی در حل مشکلات فضایی داشته باشد. ArcGIS از استفاده از ML در پیش‌بینی، طبقه‌بندی و خوشه‌بندی پشتیبانی می‌کند.

پیش بینی از معلوم برای تخمین مجهول استفاده می کند. ArcGIS شامل تکنیک های رگرسیون و درون یابی است که می تواند برای انجام تحلیل پیش بینی استفاده شود. ArcGIS دارای ابزارهایی برای کریجینگ بیزی تجربی (EBK)، درون یابی منطقه ای، پیش بینی رگرسیون EBK، رگرسیون حداقل مربعات معمولی (OLS)، رگرسیون اکتشافی OLS، و رگرسیون وزنی جغرافیایی (GWR) است. این ابزارها را می توان برای کارهایی مانند تخمین ارزش خانه بر اساس داده های فروش اخیر و ویژگی های خانه و جامعه مرتبط استفاده کرد.

بر اساس تجزیه و تحلیل هفت سال داده‌های تصادفات رانندگی، مدل مناطقی با بالاترین خطر تصادف را پیش‌بینی کرد. اینها با رنگ قرمز نشان داده شده اند. تجزیه و تحلیل بسیاری از عوامل مرتبط با تصادفات را در نظر گرفت: آب و هوا، زمان روز، محدودیت سرعت، نزدیکی به یک تقاطع، و ویژگی های جاده. مکان تصادفات واقعی به صورت نقاط قرمز/زرد نشان داده شده است.

طبقه بندی تعیین می کند که یک شی باید بر اساس مجموعه داده آموزشی به کدام دسته اختصاص داده شود. ArcGIS شامل بسیاری از روش های طبقه بندی برای استفاده در داده های سنجش از راه دور است. ابزارهایی که از این روش‌ها استفاده می‌کنند، مقادیر و پیکربندی‌های پیکسل را برای حل مشکلات تعیین انواع کاربری زمین یا شناسایی مناطق از دست رفته جنگل تجزیه و تحلیل می‌کنند. طبقه بندی حداکثر احتمال، درختان تصادفی و ماشین بردار پشتیبان نمونه هایی از این ابزارها هستند.

خوشه بندی مشاهدات را بر اساس شباهت ها در ارزش یا مکان گروه بندی می کند. ArcGIS شامل طیف وسیعی از الگوریتم‌ها است که خوشه‌ها را بر اساس یک یا چند ویژگی، مکان یا ترکیبی از هر دو ویژگی و مکان پیدا می‌کنند. این روش‌های خوشه‌بندی را می‌توان برای کارهایی مانند تقسیم‌بندی نواحی مدارس بر اساس ویژگی‌های اجتماعی-اقتصادی و جمعیت شناختی استفاده کرد. نمونه‌هایی از ابزارهای خوشه‌بندی در ArcGIS شامل خوشه‌بندی چند متغیره فضایی محدود، خوشه‌بندی چند متغیره، خوشه‌بندی مبتنی بر چگالی، تقسیم‌بندی تصویر، تجزیه و تحلیل نقطه داغ، ابزارهای تحلیل خوشه‌ای و پرت، و ابزارهای کاوی الگوی فضا زمان است.

علاوه بر روش‌ها و تکنیک‌های ML در ابزارهای ArcGIS، ML در سرتاسر پلتفرم ArcGIS برای فعال کردن پیش‌فرض‌های هوشمند، مبتنی بر داده، خودکارسازی گردش کار و بهینه‌سازی نتایج استفاده می‌شود.

برای مثال، روش پیش‌بینی رگرسیون EBK از تحلیل مؤلفه‌های اصلی (PCA) به عنوان ابزاری برای کاهش ابعاد برای بهبود پیش‌بینی‌ها استفاده می‌کند. نقاط ترتیب برای شناسایی روش ساختار خوشه‌بندی (OPTICS) در ابزارهای خوشه‌بندی مبتنی بر چگالی، از تکنیک‌های ML برای انتخاب یک تحمل خوشه بر اساس نمودار دسترسی معین استفاده می‌کند. ابزار خوشه بندی چند متغیره محدود فضایی از رویکردی به نام انباشت شواهد استفاده می کند تا احتمالات مربوط به نتایج خوشه بندی را در اختیار کاربر قرار دهد.

حوزه ML گسترده، عمیق و دائما در حال تکامل است. ArcGIS یک پلت فرم باز و قابل تعامل است که امکان ادغام روش‌ها و تکنیک‌های مکمل را به چندین روش فراهم می‌کند: از طریق ArcGIS API برای Python، بسته سایت ArcPy برای Python و R-ArcGIS Bridge. این ادغام به کاربران ArcGIS اجازه می‌دهد تا مشکلات پیچیده را با ترکیب ابزارهای داخلی قدرتمند با هر بسته ML که نیاز دارند حل کنند – از scikit-learn و TensorFlow در Python گرفته تا caret در R گرفته تا IBM Watson و Microsoft AI – و همچنان از اعتبار سنجی فضایی، غنی‌سازی جغرافیایی بهره مند شوند. و تجسم نتایج در ArcGIS. ترکیب این بسته‌ها و فناوری‌های مکمل با سیستم‌های ثبت، بینش و تعاملی که پلتفرم ArcGIS فراهم می‌کند، بیشتر از مجموع قطعات آن است.

نویسنده جاناتان بلوم در برنامه Esri Story Maps خود، نقشه‌برداری از جغرافیای وام‌دهی آنلاین، از ابزارهای رگرسیون وزن‌دار جغرافیایی (GWR) در ArcGIS برای بررسی تأثیر رتبه‌بندی درجه وام بر نرخ بهره متوسط ​​استفاده کرد.

بسیاری از ابتکارات کلیدی Esri برای پیشبرد و ادغام روش‌های ML در سراسر پلتفرم وجود دارد. این نقشه راه شامل روش‌هایی مانند جنگل‌های تصادفی، شبکه‌های عصبی، رگرسیون لجستیک، و پیش‌بینی سری‌های زمانی و همچنین تجربیات کاربر ساده‌شده برای ادغام با کتابخانه‌ها و بسته‌های محبوب ML است. تمرکز مداوم بر پردازش توزیع شده نقش مهمی در این پیشرفت ها ایفا خواهد کرد.

علاوه بر ایجاد ML سنتی در ArcGIS و بهبود سهولت ادغام ML با ArcGIS، Esri فعالانه در تلاش است تا تقاطع GIS و ML را گسترش دهد. این تمرکز بر نوآوری در ML فضایی برای توسعه الگوریتم‌ها و رویکردهایی که فضا را در محاسبات ادغام می‌کنند، همچنان به کاربران ArcGIS برای بهره‌گیری از آخرین پیشرفت‌های فناوری و محاسبات و در عین حال تمرکز بر حل مشکلات به روشی اساسی فضایی، قدرت می‌دهد.

بدون دیدگاه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.