AIST, 2012: различия между версиями
Нет описания правки |
Voltron (обсуждение | вклад) м (исправил ссылку на описание DTclassifier) |
||
(не показано 30 промежуточных версий 2 участников) | |||
Строка 1: | Строка 1: | ||
{{Статья|Опубликована|../docs/aist/index}} | |||
{{Аннотация|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: | Географические информационные системы (ГИС) - это информационные системы, которые работают с особым видом данных - геоданными (называемых также пространственными, географическими, геопространственными данными). Основными особенностями геоданных являются: | ||
Строка 20: | Строка 23: | ||
Пример 1. | Пример 1. | ||
#QGIS (как установить в [http://gis-lab.info/qa/qgis-osgeo4w.html Windows] | #QGIS (как установить в [http://gis-lab.info/qa/qgis-osgeo4w.html Windows], [http://hub.qgis.org/wiki/quantum-gis/Download Linux, MacOS, Android]) | ||
#DTClassifier ([http://gis-lab.info/qa/dtclassifier.html#01 как установить]) | |||
# | |||
Пример 2. | Пример 2. | ||
#QGIS (как установить в [http://gis-lab.info/qa/qgis-osgeo4w.html Windows]) | #QGIS (как установить в [http://gis-lab.info/qa/qgis-osgeo4w.html Windows], [http://hub.qgis.org/wiki/quantum-gis/Download Linux, MacOS, Android]) | ||
#CRAN R (установить [http://cran.gis-lab.info/bin/windows/ Windows], [http://cran.gis-lab.info/bin/linux/ Linux]) | #CRAN R (установить [http://cran.gis-lab.info/bin/windows/ Windows], [http://cran.gis-lab.info/bin/linux/ Linux]) | ||
Пример 3. | Пример 3. | ||
#OpenModeller ( | #OpenModeller (установщики для Windows, Mac OS и RPM-based дистрибутивов Linux можно взять [http://sourceforge.net/projects/openmodeller/files/openModeller%20Desktop/1.1.0/ здесь]) | ||
Пример 4. | Пример 4. | ||
#QGIS ([http://gis-lab.info/qa/qgis-osgeo4w.html | #QGIS (как установить в [http://gis-lab.info/qa/qgis-osgeo4w.html Windows], [http://hub.qgis.org/wiki/quantum-gis/Download Linux, MacOS, Android]) | ||
#MaxEnt ([http://www.cs.princeton.edu/~schapire/maxent/ скачать]) | #MaxEnt ([http://www.cs.princeton.edu/~schapire/maxent/ скачать]) | ||
==Геоданные: задачи, источники, методы, ПО для работы с ними== | ==Геоданные: задачи, источники, методы, ПО для работы с ними== | ||
Презентация с конференции (посмотреть, [http://gis-lab.info/docs/dubinin_geodata_aist.pdf скачать, 20 Мб]). | |||
Ссылки на упомянутые данные: | |||
* [http://gis-lab.info/qa/vmap0.html VMap0] | |||
* [http://osm.org OpenStreetMap] | |||
* [http://gis-lab.info/qa/orbview3.html Orbview-3] | |||
* [http://gis-lab.info/qa/landsat-glovis.html Landsat] | |||
* [http://gis-lab.info/qa/laadsweb.html MODIS] | |||
* [http://gis-lab.info/qa/laadsweb.html SRTM] | |||
* [http://gis-lab.info/qa/aster-gdem.html ASTER GDEM] | |||
Ссылки на ПО: | |||
* [http://qgis.org QGIS ] | |||
* [http://www.gdal.org GDAL/OGR] | |||
* [http://cran.r-project.org R] | |||
* [http://postgis.refractions.net PostGIS] | |||
* [http://www.gaia-gis.it/gaia-sins Spatialite] | |||
Деревья классификации | ==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). | |||
[http://gis-lab.info/data/samples/dtclassifier-demo.7z Набор тестовых данных] | |||
[http://gis-lab.info/qa/dtclassifier.html Подробное описание и код] | |||
Пример 2. Выделение сгореших территорий по данным AVHRR в R с помощью GDAL, tree | ===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. | |||
[http://gis-lab.info/qa/classify-trees-r.html 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. | |||
[http://gis-lab.info/qa/openmodeller-intro.html Начало работы с openModeller] | |||
Пример | [http://gis-lab.info/qa/openmodeller-demo.html Пример использования openModeller Desktop для новых условий] | ||
Пример 4. Моделирование местообитаний с MaxEnt | ===Пример 4. Моделирование местообитаний с MaxEnt=== |
Текущая версия от 13:59, 28 марта 2012
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:
- Геоданные: задачи, источники, методы, ПО для работы с ними
- Непараметрические классификаторы для анализа данных дистанционного зондирования
- 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.
- QGIS (как установить в Windows, Linux, MacOS, Android)
- DTClassifier (как установить)
Пример 2.
- QGIS (как установить в Windows, Linux, MacOS, Android)
- CRAN R (установить Windows, Linux)
Пример 3.
- OpenModeller (установщики для Windows, Mac OS и RPM-based дистрибутивов Linux можно взять здесь)
Пример 4.
- QGIS (как установить в Windows, Linux, MacOS, Android)
- 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).
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.
Пример использования openModeller Desktop для новых условий