機器學習(ML)的興起：如何在GIS中使用人工智能?
GIS中的機器學習與人工智能?
你可能聽說過 機器學習（ML） . 但是你不確定如何在GIS的環境中使用它。
簡單地說，機器學習是有意義的，從嘈雜的數據發現模式，你永遠不會認為存在。換句話說，是軟件編寫軟件。
ML沒有應用預先構建的函數，而是通過重復看到的條件來獲得經驗，并構建一個模型來應用于新的情況。
例如，谷歌可能使用貝葉斯分類來過濾垃圾郵件。另外，Facebook可能會將其用于面部識別，并自動識別圖像中的面部。我甚至可以在每部電影中呈現尼古拉斯·凱奇。
添加微信好友, 獲取更多信息
復制微信號
但是我們如何在GIS中使用它呢？
機器學習類型（ML）?
機器學習的兩大類是 被監督的 和 無監督的 . 它們都可以以各種方式應用于GIS應用。首先，兩者有什么區別？
監督學習 只是將數據擬合到一個函數中進行預測。例如，如果在一個圖中繪制數百萬個采樣點，可以用一條線來近似一個函數。
無監督學習 識別使用未標記數據的模式的數據。例如，它需要數以百萬計的圖像，并通過訓練算法運行它們。經過數萬億次的線性代數運算，它可以拍到一張新的照片，并將其分割成簇。
最重要的是，機器學習是關于優化解決問題的。所以它是自動的 自主學習 和 從經驗中改進 .
最近，GIS將人工智能應用于分類、預測和分割等領域。
圖像分類（支持向量機）?
當你看衛星圖像時，并不總是很容易知道你是在看樹還是草……或者道路還是建筑物。所以想象一下計算機知道這有多困難。
支持向量機（SVM）是一種機器學習技術，它獲取分類數據并觀察極值。接下來，它根據稱為 “超平面” . “超平面”邊緣向上推的數據點是 “支持向量” .
“支持向量”之所以重要，是因為它們是最接近對立類的數據點。因為這些點是唯一考慮的， 模型中可以忽略所有其他訓練點 . 基本上，您可以向SVM提供樹木和草地的訓練樣本。在此訓練數據的基礎上，建立了相應的決策邊界模型。
現在，這個結果 supervised classification 不是很完美，算法還有很多東西要學。我們仍然需要對道路、濕地和建筑物等特征進行研究。隨著算法得到更多的訓練數據，它最終將改進到任何地方的分類。
經驗貝葉斯克里金預測?
你可能知道， kriging interpolation 根據空間模式預測未知值。它根據變異函數估計權重。估計曲面的質量反映在權重的質量上。更具體地說，您需要能夠給出無偏預測和最小方差的權重。
與適合整個數據集的一個完整模型的克里金不同，EBK克里金至少模擬了100個 local models by sub-setting the whole data set . 由于該模型可以局部變形以適應每個個體的半變異函數，因此克服了平穩性的挑戰。
在 Empirical Bayesian Kriging (EBK) 它使用各種各樣的模擬，反復預測多達100次。每一個半變差函數彼此都不相同。最后，它將所有半變差圖混合為最終曲面。你不能像傳統的克里格那樣定制。
最后，它輸出它認為是更佳解決方案的內容。就像蒙特卡洛分析一樣，它在后臺為您重復運行它。如果這是一個隨機過程，你會讓這個隨機過程運行上千次。您可以看到結果數據中的趨勢，并使用它來證明您的選擇是正確的。這就是為什么 EBK幾乎總是比直接克里金預測得更好。 .
基于k均值的圖像分割與聚類?
K均值算法是目前更流行的數據聚類 *** 之一。在k均值分割中，它將未標記的數據分組到 組數 代表 變量K .
這種無監督學習 *** 根據特征的相似性，迭代地將每個數據點分配到K組中的一個。例如，相似性可以基于光譜特征和位置。
在一個 unsupervised classification ，k均值算法首先對圖像進行分割，以便進一步分析。接下來，為每個集群分配一個土地覆蓋類。
然而，GIS可以以其他獨特的方式使用集群。例如，數據點可能代表犯罪，您可能希望進行群集 熱點和低點 犯罪。或者，您可能希望根據社會經濟、健康或環境（如污染）特征進行細分。
大數據的深度學習與培訓過程?
無論你是在GIS或其他領域，機器學習都是這些天的熱門話題。它是關于提取大數據集的。因為如果你能讓電腦檢測到這些功能，它會向你展示你從未注意到的東西。
因為有太多的數據，您可以從中發現固有的模式。最終的結果就是一個訓練好的神經 *** ，它只有一組加權值。
當你訓練大數據的時候，這是你需要所有你能得到的火力的時候。但是一旦你訓練了模型，它只是一個文件中有一組權重的模型……這就是為什么機器學習是人工智能的一種形式——因為你可以訓練你的數據，然后把它應用到全新的東西上，并預測它是什么。
總體而言，GIS使用機器學習進行預測、分類和聚類。AI和ML仍然是一個不斷發展的領域，每天仍在開發許多框架。
閱讀更多: Introduction to Machine Learning | Google’s Machine Learning Crash Course
來源：開源地理空間基金會中文分會
來源鏈接：https://www.osgeo.cn/post/1f34b
本站聲明:網站內容來源于 *** ,如有侵權,請聯系我們,我們將及時處理。
