AIST, 2012

Материал из GIS-Lab
Перейти к навигации Перейти к поиску
Эта страница опубликована в основном списке статей сайта
по адресу http://gis-lab.info/qa/../docs/aist/index.html


Материалы для самостоятельной работы и ознакомления

Географические информационные системы (ГИС) - это информационные системы, которые работают с особым видом данных - геоданными (называемых также пространственными, географическими, геопространственными данными). Основными особенностями геоданных являются:

  • привязка к системам координат, позволяющим устанавливать местоположение любых элементов в глобальном географическом пространстве;
  • большие объемы;
  • тесная связь геометрической и атрибутивной информации.

Геоданные и их анализ позволяют решать множество практических задач, включая задачи природно-ресурсного картографирования. Однако обычно природа объекта анализа достаточно сложна. Дешифрируемые объекты как правило отличаются большой вариабельностью и мультимодальностью, и для их выделения лучше использовать непараметрические методы, т.е. методы, не накладывающие ограничений на статистическое распределение треннировочных данных. До недавних пор непараметрические классификаторы и другие методы машинного обучения были недоступны из-за банального недостатка вычислительной мощности и плохой методологической интеграции ГИС с другими областями (таких как медицинская диагностика и компьютерное зрение). Прогресс последних лет позволил наконец применить эти методы к большим массивам геоданных включая данные дистанционного зондирования. Такие методы, как деревья классификации и регрессии, метод опорных векторов и нейронные сети получили достаточно широкое распространение в науке, но до сих пор не очень активно используются на практике.

В мини-курсе мы кратко рассмотрим с какими геоданными и задачами приходится сталкиваться ГИС-аналитику, разберем несколько практических примеров применения деревьев классификации для выделения интересующих объектов или явлений, а также метод максимальной энтропии применительно к ситуации, когда у исследователя нет данных об отсутствии объекта, а есть только данные о присутствии.

План:

  1. Геоданные: задачи, источники, методы, ПО для работы с ними
  2. Непараметрические классификаторы для анализа данных дистанционного зондирования
  3. Метод максимальной энтропии для пространственного нишевого анализа

Материалы мини-курса можно найти здесь: http://gis-lab.info/docs/aist

Программное обеспечение необходимое для примеров

Пример 1.

  1. QGIS (как установить в Windows, Linux, MacOS, Android)
  2. DTClassifier (как установить)

Пример 2.

  1. QGIS (как установить в Windows, Linux, MacOS, Android)
  2. CRAN R (установить Windows, Linux)

Пример 3.

  1. OpenModeller (установщики для Windows, Mac OS и RPM-based дистрибутивов Linux можно взять здесь)

Пример 4.

  1. QGIS (как установить в Windows, Linux, MacOS, Android)
  2. MaxEnt (скачать)

Геоданные: задачи, источники, методы, ПО для работы с ними

Презентация с конференции (посмотреть, скачать, 20 Мб).

Ссылки на упомянутые данные:

Ссылки на ПО:

Деревья классификации для анализа данных дистанционного зондирования

Пример 1. Детектирование вырубок по многовременной съемке в DTClassifier/QGIS

Знакомство с данными Landsat TM/ETM+. Основные дешифровочные признаки. Загрузка данных, задание тренировочных образцов соответствующих вырубкам леса, обучение и классификация данных в DTClassifier/QGIS используя деревья классификации (реализация из OpenCV).

Набор тестовых данных

Подробное описание и код

Пример 2. Выделение сгореших территорий по данным AVHRR в R с помощью GDAL, tree

Знакомство с данными AVHRR. Подготовка данных. Дешифровочные признаки. Загрузка данных в R с помощью rgdal, обучение и классификация с помощью tree. Выгрузка результата. Валидация.

Тестовые данные, подробное описание и код

Метод максимальной энтропии для пространственного нишевого анализа

Пример 3. Прогнозирование распределений явлений с учетом будущего климата и openModeller

Знакомство с понятием ниши, openModeller и климатическими данными. Моделирование экологической ниши и предсказание пространственного распределения объекта с учетом изменений среды.

Начало работы с openModeller

Пример использования openModeller Desktop для новых условий

Пример 4. Моделирование местообитаний с MaxEnt