机器学习的兴起(ML):如何在GIS中使用人工智能

GIS中的机器学习与人工智能

你可能听说过机器学习(ML)。但是你并不确定如何在GIS环境中使用它。

简单地说,机器学习从你从未想过的嘈杂的数据发现模式中变得有意义。换句话说,它是编写软件的软件。

ML不是应用预先建立的功能,而是通过重复看到的条件获得经验,并建立一个模型以应用于新的情况。

例如,Google可能会使用贝叶斯分类来过滤垃圾邮件。或者,Facebook可能会将其用于面部识别并自动识别图像中的面部。ML甚至可以在每部电影中制作Nicholas Cage。

但是我们如何在GIS环境中使用它呢?

机器学习类型(ML)

机器学习的两大类是监督无监督。它们都可以以各种方式应用于GIS应用程序。首先,两者有什么区别?

SUPERVISED LEARNING只是将数据拟合到预测函数中。例如,如果在图形中绘制数百万个样本点,则可以拟合一条线来近似函数。

不受控制的学习可识别数据使用未标记数据的模式。例如,它需要数百万个图像并通过训练算法运行它们。经过数万亿次线性代数运算后,它可以拍摄新照片并将其分割成聚类。

最重要的是,机器学习是关于最佳地解决问题。因此,它可以自动学习从经验中进行改进

最近,GIS正在将人工智能应用于分类,预测和分割等领域。

图像分类(支持向量机)

当你观察卫星图像时,要知道你是在看树木还是草地……还是在道路与建筑物之间,并不总是很容易。想象一下计算机知道的难度。

支持向量机(SVM)是一种机器学习技术,它采用分类数据并查看极端情况。接下来,它根据称为“超平面”的数据绘制决策边界线。并且“超平面”边缘推动的数据点是“支持向量”

而“支持向量”是重要的,因为它们是最接近对立类的数据点。因为这些点是唯一考虑的点,所以在模型中可以忽略所有其他训练点。从本质上讲,您可以提供树木和草的SVM培训样本。基于此训练数据,它构建模型,生成自己的决策边界。

现在,这种监督分类的结果并不完美,算法仍然有更多的学习要做。我们仍然需要处理道路,湿地和建筑等功能。随着算法获得更多的训练数据,它最终会在任何地方进行分类。

使用经验贝叶斯克里格法(EBK)进行预测

如您所知,克里金插值基于空间模式预测未知值。它基于变差函数估计权重。估计表面的质量反映在权重的质量上。更具体地说,您希望权重能够提供无偏预测和最小方差。

与适用于整个数据集的整个模型的克里金法不同,EBK克里金法通过对整个数据集进行子设置来模拟至少一百个本地模型。因为模型可以在局部变形以使用克里金方法拟合每个单独的半变异函数,所以它克服了平稳性的挑战。

经验贝叶斯克里金法(EBK)中,它使用多达100次的模拟一次又一次地预测。每个半变异函数彼此不同。最后,它将所有半变差函数混合为最终曲面。您无法使用传统的克里金法进行自定义。

最后,它输出它认为最好的解决方案。像蒙特卡洛分析一样,它会在后台为您重复运行它。如果它是一个随机过程,你让随机过程耗尽一千多次。您可以在结果数据中看到趋势,并使用它来证明您的选择是正确的。这就是为什么EBK几乎总是比直接克里金法更好地预测的原因。

K-means的图像分割与聚类

到目前为止,K-means算法是最流行的数据聚类方法之一。在K均值分段中,它将未标记的数据分组为由变量K表示的组数量

这种无监督学习方法基于特征的相似性迭代地将每个数据点分配到K个分组之一中。例如,相似性可以基于光谱特征和位置。

无监督分类中,k均值算法首先对图像进行分割以进行进一步分析。接下来,为每个群集分配土地覆盖类。

但是,GIS可以以其他独特方式使用群集。例如,数据点可能代表犯罪,您可能想要聚集热点和低点犯罪。或者,您可能希望根据社会经济,健康或环境(如污染)特征进行细分。

深度学习和大数据培训的过程

无论您是在GIS还是其他领域,机器学习如今都是嗡嗡声。这是关于提取大数据集。因为如果您可以让计算机检测到这些功能,它会向您显示您从未注意到的内容。

因为数据太多,您可以从中发现固有的模式。最终结果是训练有素的神经网络,只有一组加权值。

当您训练大数据时,这就是您需要获得所有火力的时候。但是一旦你训练了模型,它就只是一个文件中有一组权重的模型……这就是为什么机器学习是人工智能的一种形式 – 因为你可以训练你的数据,然后将它应用到一些全新的东西并预测什么它是。

总体而言,GIS使用机器学习进行预测,分类和聚类。AI和ML仍然是一个不断发展的领域,每天仍在开发大量框架。

转载自:https://gisgeography.com/deep-machine-learning-ml-artificial-intelligence-ai-gis/

You may also like...

发表评论

您的电子邮箱地址不会被公开。

CAPTCHAis initialing...