Machine learning has been a core component of spatial analysis in GIS. These tools and algorithms have been applied to geoprocessing tools to solve problems in three broad categories.
لقد كان التعلم الآلي مكونًا أساسيًا للتحليل المكاني في نظم المعلومات الجغرافية. تم تطبيق هذه الأدوات والخوارزميات على أدوات المعالجة الجغرافية لحل المشكلات في ثلاث فئات عريضة.
L'apprentissage automatique a été un élément central de l'analyse spatiale dans les SIG. Ces outils et algorithmes ont été appliqués aux outils de géotraitement pour résoudre des problèmes dans trois grandes catégories.
Classification:
Classification allows you can use support vector machine algorithms to create land cover classification layers.
تصنيف:
يتيح التصنيف إمكانية استخدام خوارزميات دعم آلة المتجهات لإنشاء طبقات تصنيف الغطاء الأرضي.
La classification vous permet d'utiliser des algorithmes de machine à vecteur de support pour créer des couches de classification de la couverture terrestre.
Clustering:
Clustering lets you process large quantities of input point data, identify the meaningful clusters within them, and separate them from the sparse noise.
تجمع:
يتيح لك نظام التجميع معالجة كميات كبيرة من بيانات نقطة الإدخال ، وتحديد مجموعات ذات معنى داخلها ، وفصلها عن الضوضاء المتفشية.
Regroupement:
Le clustering vous permet de traiter de grandes quantités de données de points d'entrée, d'identifier les clusters significatifs en leur sein et de les séparer du bruit clairsemé.
Prediction:
Prediction algorithms such as geographically weighted regression allows you to use geography to calibrate the factors that help you predict. These methods work well in several areas and their results are interpretable, but they need experts to identify or feed in those factors (or features) that affect the outcome that we’re trying to predict.
تنبؤ:
تسمح لك خوارزميات التنبؤ مثل الانحدار الموزون جغرافيا باستخدام الجغرافيا لمعايرة العوامل التي تساعدك على التنبؤ. تعمل هذه الطرق بشكل جيد في العديد من المجالات وتكون نتائجها قابلة للتفسير ، ولكنها تحتاج إلى خبراء لتحديد أو تغذية تلك العوامل (أو الميزات) التي تؤثر على النتيجة التي نحاول التنبؤ بها.
Prédiction:
Les algorithmes de prédiction tels que la régression pondérée géographiquement vous permettent d'utiliser la géographie pour calibrer les facteurs qui vous aident à prédire. Ces méthodes fonctionnent bien dans plusieurs domaines et leurs résultats sont interprétables, mais elles nécessitent des experts pour identifier ou intégrer les facteurs (ou caractéristiques) qui affectent le résultat que nous essayons de prédire.
One area of AI where deep learning has done exceedingly well is computer vision, or the ability for computers to see. This is particularly useful for GIS, as satellite, aerial and drone imagery is being produced at a rate that makes it impossible to analyse and derive insight from through traditional means.
أحد مجالات الذكاء الاصطناعى التي حقق فيها التعلم العميق أداءً جيدًا هو رؤية الكمبيوتر ، أو القدرة على رؤية أجهزة الكمبيوتر. هذا مفيد بشكل خاص لنظام المعلومات الجغرافية ، حيث يتم إنتاج صور الأقمار الصناعية والجوية والطائرات بدون طيار بمعدل يجعل من المستحيل تحليل واستنباط البصيرة من خلال الوسائل التقليدية.
Un domaine de l'IA où l'apprentissage en profondeur a extrêmement bien fonctionné est la vision par ordinateur ou la capacité des ordinateurs à voir. Cela est particulièrement utile pour les SIG, car les images satellites, aériennes et de drones sont produites à un rythme qui rend impossible l'analyse et la compréhension des informations par des moyens traditionnels.
The figure below shows some of the most important computer vision tasks or use cases and how they can be applied to GIS:
يوضح الشكل أدناه بعض أهم مهام رؤية الكمبيوتر أو حالات الاستخدام وكيفية تطبيقها على نظم المعلومات الجغرافية:
La figure ci-dessous montre certaines des tâches de vision par ordinateur ou des cas d'utilisation les plus importants et comment ils peuvent être appliqués aux SIG:
The simplest is Image Classification, in which the computer assigns a label, such as ‘cat’ or ‘dog’ to an image. This can be used in GIS to categorize geotagged photos. In the example above, we have an image that’s been classified as having a ‘dense crowd’ and such pedestrian activity classification can be used for pedestrian and traffic management planning during public events.
أبسط صور التصنيف ، حيث يعين الكمبيوتر تسمية ، مثل "القط" أو "الكلب" لصورة. يمكن استخدام هذا في نظام المعلومات الجغرافية لتصنيف الصور ذات علامات جغرافية. في المثال أعلاه ، لدينا صورة تم تصنيفها على أنها "حشد كثيف" ويمكن استخدام تصنيف نشاط المشاة هذا في تخطيط إدارة المشاة والمرور خلال الأحداث العامة.
La plus simple est la classification d'images, dans laquelle l'ordinateur attribue une étiquette, telle que «chat» ou «chien» à une image. Cela peut être utilisé dans le SIG pour classer les photos géolocalisées. Dans l'exemple ci-dessus, nous avons une image qui a été classée comme ayant une «foule dense» et une telle classification des activités piétonnes peut être utilisée pour la planification de la gestion des piétons et de la circulation lors des événements publics.
Next, we have Object Detection in which the computer needs to find objects within an image as well as their location . This is a very important task in GIS — finding what is in satellite, aerial or drone imagery, and where, and plotting it on a map can be used for infrastructure mapping, anomaly detection and feature extraction.
بعد ذلك ، لدينا "اكتشاف الكائنات" حيث يحتاج الكمبيوتر إلى العثور على كائنات داخل صورة وكذلك موقعها. هذه مهمة مهمة للغاية في نظام المعلومات الجغرافية GIS - العثور على ما هو في صور الأقمار الصناعية أو الجوية أو بدون طيار ، وأين ، والتخطيط لها على خريطة يمكن استخدامها لرسم خرائط البنية التحتية ، والكشف عن الشذوذ واستخراج الميزات.
Ensuite, nous avons la détection d'objets dans laquelle l'ordinateur doit trouver des objets dans une image ainsi que leur emplacement. Il s'agit d'une tâche très importante dans le SIG - trouver ce qui se trouve dans l'imagerie satellite, aérienne ou de drone, et où, et le tracer sur une carte peut être utilisé pour la cartographie des infrastructures, la détection des anomalies et l'extraction des fonctionnalités.
Another important task in computer vision is Semantic Segmentation — in which we classify each pixel of an image as belonging to a particular class. For instance, in the image in Fig 1, the cat is in the yellow pixels, and the green pixels belong to the ground class and the sky is in blue. In GIS, semantic segmentation can be used for Land Cover Classification or to extract road networks from satellite imagery.
المهمة المهمة الأخرى في رؤية الكمبيوتر هي "الفصل الدلالي" - حيث نقوم بتصنيف كل بكسل من الصورة على أنها تنتمي إلى فئة معينة. على سبيل المثال ، في الصورة في الشكل 1 ، يكون القط بالبكسل الأصفر ، والبكسل الأخضر ينتمي إلى الطبقة الأرضية والسماء باللون الأزرق. في نظام المعلومات الجغرافية ، يمكن استخدام التجزئة الدلالية لتصنيف الغطاء الأرضي أو لاستخراج شبكات الطرق من صور الأقمار الصناعية.
Une autre tâche importante en vision par ordinateur est la segmentation sémantique - dans laquelle nous classons chaque pixel d'une image comme appartenant à une classe particulière. Par exemple, dans l'image de la figure 1, le chat est dans les pixels jaunes, et les pixels verts appartiennent à la classe sol et le ciel est en bleu. Dans le SIG, la segmentation sémantique peut être utilisée pour la classification de la couverture terrestre ou pour extraire les réseaux routiers de l'imagerie satellite.
Another type of segmentation is Instance Segmentation, that you can think of as a more precise object detection in which the precise boundary of each object instance is marked out. This can be used for tasks like improving basemaps by adding building footprints or reconstructing 3D buildings from LiDAR data.
هناك نوع آخر من التجزئة هو Instance Segmentation ، الذي يمكنك التفكير فيه على أنه اكتشاف كائن أكثر دقة يتم فيه تمييز الحدود الدقيقة لكل مثيل كائن. يمكن استخدام هذا لمهام مثل تحسين خرائط الأساس عن طريق إضافة آثار أقدام المبنى أو إعادة بناء المباني ثلاثية الأبعاد من بيانات LiDAR.
Un autre type de segmentation est la segmentation d'instance, que vous pouvez considérer comme une détection d'objet plus précise dans laquelle la limite précise de chaque instance d'objet est délimitée. Cela peut être utilisé pour des tâches telles que l'amélioration des fonds de carte en ajoutant des empreintes de bâtiment ou en reconstruisant des bâtiments 3D à partir de données LiDAR.
An important application of deep learning for satellite imagery is to create digital maps by automatically extracting road networks and building footprints.
أحد التطبيقات المهمة للتعلم العميق لصور الأقمار الصناعية هو إنشاء خرائط رقمية عن طريق استخراج شبكات الطرق تلقائيًا وبناء آثار الأقدام.
Une application importante de l'apprentissage en profondeur pour l'imagerie satellite consiste à créer des cartes numériques en extrayant automatiquement les réseaux routiers et en créant des empreintes.
Imagine applying a trained deep learning model on a large geographic area and arriving at a map containing all the roads in the region, as well as the ability to create driving directions using this detected road network. This can be particularly useful for developing countries that do not have high quality digital maps or in areas where newer development have taken place.
تخيل تطبيق نموذج تعلم عميق مدرب على منطقة جغرافية كبيرة والوصول إلى خريطة تحتوي على جميع الطرق في المنطقة ، فضلاً عن القدرة على إنشاء اتجاهات القيادة باستخدام شبكة الطرق المكتشفة. قد يكون ذلك مفيدًا بشكل خاص للبلدان النامية التي لا تملك خرائط رقمية عالية الجودة أو في المناطق التي حدثت فيها تطورات أحدث.
Imaginez appliquer un modèle d'apprentissage en profondeur formé sur une grande zone géographique et arriver à une carte contenant toutes les routes de la région, ainsi que la possibilité de créer des itinéraires en utilisant ce réseau routier détecté. Cela peut être particulièrement utile pour les pays en développement qui ne disposent pas de cartes numériques de haute qualité ou dans des zones où un développement plus récent a eu lieu.
Good maps need more than just roads though — they need buildings. Recent developments of instance segmentation models like Mask-RCNN are particularly useful for building footprint segmentation, and can help create building footprints without any need of manual digitizing.
تحتاج الخرائط الجيدة إلى أكثر من مجرد طرق - فهي بحاجة إلى المباني. تعد التطورات الحديثة لنماذج تجزئة المثيلات مثل Mask-RCNN مفيدة بشكل خاص لبناء تجزئة البصمة ، ويمكن أن تساعد في إنشاء آثار أقدام للمباني دون الحاجة إلى الرقمنة يدويًا.
Les bonnes cartes ont besoin de bien plus que de simples routes - elles ont besoin de bâtiments. Les développements récents de modèles de segmentation d'instance comme Mask-RCNN sont particulièrement utiles pour créer une segmentation d'empreinte et peuvent aider à créer des empreintes de bâtiment sans avoir besoin d'une numérisation manuelle.
Object extraction by applying AI and Machine learning to satellite imagery.
استخراج الكائنات عن طريق تطبيق الذكاء الاصطناعي والتعلم الآلي على صور الأقمار الصناعية.
Extraction d'objets en appliquant l'IA et l'apprentissage automatique à l'imagerie satellite.
Grouping the data using spatial and non spatial claissification and clustering.
تجميع البيانات باستخدام التصنيف المكاني وغير المكاني.
Regroupement des données à l'aide d'une classification et d'un regroupement spatiaux et non spatiaux.
Prediction using spatial and non spatial data.
التنبؤ باستخدام البيانات المكانية وغير المكانية.
Prédiction utilisant des données spatiales et non spatiales.