AIST, 2012: различия между версиями

Материал из GIS-Lab
Перейти к навигации Перейти к поиску
Нет описания правки
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 как установить])
#DTClassifier ([http://gis-lab.info/qa/dtclassifier.html#01 как установить])
#Набор тестовых данных ([http://gis-lab.info/data/samples/dtclassifier-demo.7z скачать])


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])
#Набор тестовых данных


Пример 3.
Пример 3.
#OpenModeller (как установить)
#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])
#Набор тестовых данных


Пример 4.
Пример 4.
#QGIS ([http://gis-lab.info/qa/qgis-osgeo4w.html как установить])
#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])
#Набор тестовых данных


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


Основные источники данных
Презентация с конференции (посмотреть, [http://gis-lab.info/docs/dubinin_geodata_aist.pdf скачать, 20 Мб]).


==Непараметрические классификаторы для анализа данных дистанционного зондирования==
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]


===Теория===
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 (classification and regression trees, CART, random forests)
==Деревья классификации для анализа данных дистанционного зондирования==


Метод опорных векторов
===Пример 1. Детектирование вырубок по многовременной съемке в DTClassifier/QGIS===


Нейронные сети
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).


===Практика===
[http://gis-lab.info/data/samples/dtclassifier-demo.7z Набор тестовых данных]


Пример 1. Детектирования вырубок по многовременной съемке в DTClassifier/QGIS
[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===


==Метод максимальной энтропии для пространственного нишевого анализа==
Знакомство с данными AVHRR. Подготовка данных. Дешифровочные признаки. Загрузка данных в R с помощью rgdal, обучение и классификация с помощью tree. Выгрузка результата. Валидация.


===Теория===
[http://gis-lab.info/qa/classify-trees-r.html Тестовые данные, подробное описание и код]
Bioclim


GARP
==Метод максимальной энтропии для пространственного нишевого анализа==


MaxEnt
===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.


===Практика===
[http://gis-lab.info/qa/openmodeller-intro.html Начало работы с openModeller]


Пример 3. Прогнозирование с учетом будущего климата
[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

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