Cơ hội

[AI for Good Webinar - 27.04.2021] Phân tích dữ liệu vệ tinh và phân loại machine learning với QGIS - Phần 1

30/03/2021 GeoLink Thu Giang 0 Nhận xét

(English below)

Bạn có muốn nâng cao kỹ năng của mình trong lĩnh vực xử lý ảnh vệ tinh bằng Machine Learning không? Bạn có biết những kiến ​​thức cơ bản về GIS (hệ thống thông tin địa lý) hay QGIS (một ứng dụng mã nguồn mở để xem, chỉnh sửa và phân tích dữ liệu không gian địa lý)? Vậy thì hãy thoải mái tham gia hội thảo này! Hội thảo giới thiệu cách thức phân loại hình ảnh vệ tinh có thể được thực hiện với QGIS bằng cách chỉ ra cách truy xuất, xử lý và phân loại hình ảnh vệ tinh, cũng như cách đánh giá hiệu suất của các thuật toán Machine Learning thông qua ma trận lỗi và chỉ số độ chính xác.

Hội thảo liên quan đến hai plugin QGIS: Plugin phân loại bán tự động (SCP) và dzetsaka. SCP được sử dụng cho phần lớn các hoạt động tiền xử lý như truy xuất hình ảnh Sentinel 2 cho một khu vực quan tâm, hiệu chỉnh khí quyển DOS (Phép trừ đối tượng tối), lựa chọn các dải cụ thể để phân loại, tạo tổng hợp và tính toán đại số dải (tức là, Chuẩn hóa Chỉ số thực vật khác biệt (NDVI). Plugin dzetsaka được sử dụng để phát hiện và phân loại các khu vực đã xây dựng bắt đầu từ hình ảnh vệ tinh được xử lý trước với Mô hình hỗn hợp Gaussian, Random Forest và thuật toán Machine Learning K-Nearest Neighbors.

Bên cạnh hai plugin, một số chức năng QGIS cốt lõi và được đưa vào hội thảo để cắt hình ảnh vệ tinh và tạo tệp vectơ của dữ liệu đào tạo. Cuối cùng, kết quả của thuật toán học máy được so sánh với bản đồ toàn cầu về các khu định cư của con người - GHS-BUILT (Sentinel-1) do Trung tâm Nghiên cứu Chung (JRC) của Ủy ban Châu Âu sản xuất để đánh giá hiệu suất của chúng. Trước khi được sử dụng để đánh giá hiệu suất của các thuật toán, GHS-BUILT (Sentinel-1) được điều chỉnh cho phù hợp với hệ quy chiếu tọa độ, độ phân giải và các loại kết quả phân loại. Việc điều chỉnh GHS-BUILT (Sentinel-1) liên quan đến nhiều hoạt động riêng biệt (loại bỏ, hợp nhất ô, lấy mẫu lại và phân loại lại). Vì lý do này, Công cụ lập mô hình đồ họa QGIS được giới thiệu trong bài thực hành vì nó cho phép tự động hóa chuỗi hoạt động. Bên cạnh sự thích ứng của GHS-BUILT (Sentinel-1), việc tính toán ma trận lỗi và chỉ số độ chính xác cho mỗi kết quả phân loại cũng được tích hợp với Trình lập mô hình đồ họa.

Vui lòng xem hai hướng dẫn một trang về các yêu cầu phần mềm và tập dữ liệu cho các bài tập. Bạn cần tạo tài khoản cá nhân của mình trên Copernicus Open Access Hub ít nhất 2 tuần trước hội thảo.

Thông tin và Yêu cầu đối với Hội thảo
Hướng dẫn cho người tham dự

Hội thảo có hai phần:

Phần 1: 27 tháng 4 năm 2021, 14:00 - 16:00 CEST
Phần 2: 11 tháng 5 năm 2021, 14:00 - 16:00 CEST

 

Đăng ký tại ĐÂY

https://itu.zoom.us/webinar/register/WN_WxJcc8VdSbm5yMtn8y631Q

-----------------

Workshop: Satellite Data Analysis and Machine Learning Classification with QGIS – Part 1


Would you like to increase your skills in the field of satellite images processing using Machine Learning? Do you know the basics of GIS (geographic information system) or QGIS (an open-source application to view, edit and analyze geospatial data)? Then please feel free to join this workshop! It introduces how classification of satellite imagery can be done with QGIS by showing how to retrieve, process and classify satellite imagery, as well as how to assess performance of machine learning algorithms through error matrix and accuracy indexes.

The workshop involves two QGIS plugins: Semi-automatic Classification Plugin (SCP) and dzetsaka. SCP is used for majority of preprocessing operations such as retrieval of the Sentinel 2 imagery for an area of interest, DOS (Dark object subtraction) atmospheric correction, selection of specific bands for classification, creation of composite and computation of band algebra (i.e., Normalized Difference Vegetation Index (NDVI). The dzetsaka plugin is used to detect and classify built-up areas starting from preprocessed satellite imagery with Gaussian Mixture Model, Random Forest and K-Nearest Neighbors machine learning algorithms.

Besides the two plugins, some core QGIS functionalities and are included in the workshop for clipping satellite imagery and creating vector file of training data. Lastly, outcomes of the machine learning algorithm are compared with the global map of human settlements – GHS-BUILT (Sentinel-1) produced by Joint Research Center (JRC) of European Commission to assess their performance. Before being used for assessing algorithms’ performances, GHS-BUILT (Sentinel-1) is adapted to coordinate reference system, resolution, and classes of classification outcomes. Adaptation of GHS-BUILT (Sentinel-1) involves many isolated operations (reprojection, tile merging, resampling, and reclassification). For this reason, the QGIS Graphical Modeler is introduced in the exercise because it allows automation of chain of operations. Besides the adaptation of GHS-BUILT (Sentinel-1), the computation of error matrix and accuracy indexes for each classification outcome are integrated with the Graphical Modeler too.

Please see the two one-pager guidelines for the software requirements and the datasets for the exercises. You need to create your personal account on Copernicus Open Access Hub at least 2 weeks prior to the workshop. 


The workshop has two parts:

  • Part 1: 27 April 2021, 14:00 – 16:00 CEST

  • Part 2: 11 May 2021, 14:00 – 16:00 CEST

REGISTER HERE

https://itu.zoom.us/webinar/register/WN_WxJcc8VdSbm5yMtn8y631Q

popup

Số lượng:

Tổng tiền: