0

وبلاگ

سامانه آموزش سیستم اطلاعات جغرافیایی و سنجش از دور مقالات دانش محور علم داده مکانی چیست ؟

علم داده مکانی چیست ؟

ما را در شبکه های اجتماعی دنبال کنید

Follow us on Social Networks

Instagram: giscoders

علم داده مکانی یا Spatial Data Science چیست ؟

در دنیایی که تصمیم گیری به طور روز افزون تحت تأثیر داده ها قرار می گیرد، فهم اینکه چطور داده های مکانی می توانند مفید باشند، دارای اهمیت است. علم داده مکانی زیر شاخه ای از علم داده است و  در واقع تقاطع بین علم داده و سیستم اطلاعات جغرافیایی است که تمرکز ویژه ای بر داده های مکانی و تکنیک های ویژه محاسباتی دارد. موقعیت مکانی در علم داده با استفاده از محاسبات آماری مد نظر هستند تا داده های به دست آمده، تنظیم و بسط داده شوند و به صور مختلف گرافیکی نمایش داده شوند. اینکه داده ها دارای اطلاعات مختصاتی طول و عرض جغرافیایی باشند به معنای علم داده مکانی نیست. در عوض، علم داده مکانی بر موقعیت مکانی پدیده ها و درک روایط مکانی بین آنها است. اکنون قصد داریم علم داده مکانی را بیشتر مورد بررسی قرار دهیم. علم داده مکانی چه تفاوتی با آنالیزهای مکانی دارد ؟ و اینکه چه مثال هایی از علم داده مکانی وجود دارد ؟

علم داده یا data science چیست ؟

علم داده در اصل، علم مطالعه داده ها و اطلاعات و منابع آن، جمع آوری، سازمان دهی، پردازش و نمایش آنها می باشد. علم داده یک حوزه میان-رشته ای است که عناصری از علم آمار، علم کامپیوتر، تحقیقات کاربردی، ریاضیات و برنامه نویسی را مورد استفاده قرار می دهد. متخصصین علم داده از ابزارهایی همچون زبان های برنامه نویسی R و یا پایتون برای پاکسازی، تجمیع و ذخیره داده ها استفاده می کنند تا یک مدل پیش بینی کننده و تحلیلی ایجاد کنند. نخستین وظیفه یک متخصص علم داده در ترجمه و تبدیل داده های خام با استفاده از تکنیک های پیشرفته به یک نگرش کاربردی است. این نگرش کاربردی می تواند به فرم تکنیک هایی همچون یادگیری ماشین، آنالیز داده های حجیم و نمایش و بصری سازی داده ها باشد. اما تفاوت بین علم داده مکانی با علم داده در آن است که عناصر آنالیزهای مکانی به علم داده مکانی افزوده شده است و تحلیل های مکانی در موقعیت محوری و کانونی آنالیزهای علم داده مکانی قرار گرفته است.

تحلیل های مکانی (Spatia Analysis) در مقابل علم داده مکانی (Spatial Data Science) ؟

پیش از ورود به جزئیات علم داده مکانی، چه تفاوتی بین علم داده مکانی و آنالیز های مکانی وجود دارد؟ به دلیل آنکه همیشه نمی توان خط مشخصی بین این دو مفهوم ترسیم نمود، ابتدا به علم داده مکانی می پردازیم. تمرکز علم داده مکانی بر استخراج اطلاعات معنادار از داده ها از طریق محاسبات و اکتشافات علمی است. در اینجا به برخی از تمایزات و ابهاماتی که بین آنالیزهای مکانی و علم داده مکانی وجود دارد و اینکه هر کدام در چه دسته ای قرار می گیرند، می پردازیم:

علم داده مکانی

آنالیزهای مکانی

– استفاده از تکنیک های جمع آوری داده ها و تجمیع آنها

– استفاده از تکنیک های یادگیری ماشین همچون تشخیص الگو و طبقه بندی داده ها

– بررسی و تحلیل آنومالی ها و روابط از طریق داده کاوی به صورت علم داده-محور

– به کارگیری داده ای حجیم، به دست آمده از سنسورها و سایر انواع داده های اینترنت اشیا (IoT)

– پاکسازی داده ها و استفاده از گردش های کاری ETL از طریق مهندسی داده

– خودکارسازی و اجرایی سازی چرخه های کاری برنامه نویسی

– یافتن الگوها، خوشه ها و نقاط داغ  – بهینه سازی مکان ها همچون استفاده از تحلیل های مکان یابی

– مطالعه روابط متقابل بین پدیده ها و دلیل حدوث آنها

– استفاده از آنالیزهای اکتشافی در یافتن روابط بین متغیرها

– مدل سازی عوارض مکان-محور، شامل شبیه سازی و پیش بینی

– استفاده از تکنیک های ترسیم نقشه و نمایش عوارض سطح زمین

علم داده مکانی و آنالیزهای مکانی هر دو با داده های خام موقعیتی و مکانی و تحلیل ها آغاز می شوند و به سمت دیدگاه ها و نگرش های مکانی پیش می روند. اما نکته کلیدی آن است که علم داده مکانی، از تکنیک های و خودکاری سازی های تخصصی و خاص استفاده می کند.

مهندسی داده (Data Engineering)

مهندسی داده، شاخه ای از علم کامپیوتر است که با مدیریت، ایجاد، ذخیره سازی، نگهداری، استفاده و انتشار داده ها و اطلاعات سر و کار دارد. مهندسی داده از ابزارهایی همچون برنامه نویسی پایتون، SQL و R استفاده می کند که دستیار و کمک ابزارهایی در حفظ و نگهداری و سازمان دهی داده های حجیم می باشند.

مهندسی داده، را شاید بتوان بخش وقت گیر و زمانبر علم داده دانست. اما مهندسی داده از طرف دیگر بخش مهم و ضروری آنالیزها نیز محسوب می شود، زیرا به اندازه داده ها، این بعد دارای اهمیت است. متخصصین علم داده، داده ها را برای آنالیزها آماده سازی می کنند. برای مثال، آنها داده های پرت یا نواقص داده ها را برطرف می کنند، فیلدهایی به داده ها اضافه می کنند، اطلاعات مکانی را به داده های آماری و توصیفی اضافه می نمایند و یا داده ها را مرتب و تنظیم می کنند. عموماً، گردش کاری علم داده با مهندسی داده و گردش کاری ETL آغاز می شود.

اکتشاف (Data exploration) و مصورسازی (visualization) داده ها

اکتشاف داده ها و مصورسازی آنها یکی از وجوه مهم داده ها محسوب می شوند. به این صورت که ابتدا اکتشاف داده های خام به طریق سیستماتیک انجام می گیرد که بتوان داده ها را بهتر درک نمود و تصمیم گیری بهتری در مورد آنها اتخاذ کرد. مصورسازی بخش ضروری و مهمی در پروسه درک داده ها است. مصورسازی به ما کمک می کند که خیلی سریع، الگوها و روابط بین آنها را در داده ها تشخیص دهیم. این مسئله می تواند در استخراج اطلاعات از حجم زیادی از داده ها مورد استفاده قرار گیرد. در ضمن می توانیم از تکنیک های مصورسازی برای اعتبارسنجی و اطمینان از صحت داده ها نیز استفاده کنیم.

پروسه مصورسازی داده ها ابتدا با درک و فهم بهتر داده ها آغاز می شود، سپس در ادامه می توانید پاسخی برای حل مسائل داشته باشید و نهایتاً در انتها می توانید توجیه و تفسیری از داده های خود داشته باشید تا با مخاطبین خود به اشتراک بگذارید.

تحلیل های مکانی (Spatial Analysis)

تحلیل های مکانی چیزی است که GIS در مورد آن صحبت می کند که می تواند از مکان یابی تا تحلیل های مکانی – زمانی  و یا مدل سازی های پیش بینی کننده را شامل شود. آنالیزهای مکانی نشان می دهند که اشیا یا پدیده ها یا عوارض در کجا قرار گرفته اند و چطور با یکدیگر در ارتباط و یا کنش متقابل هستند. آنالیزهای مکانی، ابزاری برای آنالیز  توزیع جمعیت و یا هر عارضه مکانی دیگر در یک فضای جغرافیایی و مکانی است. شما از این طریق قادر خواهید بود، مسائل مکان-محور را از طریق اندازه گیری، کمی سازی و فهم جهان، حل کنید. تحلیل های مکانی تنها شامل موقعیت های نقطه ای نیست، بلکه شامل خطوط، پلیگون ها یا چند ضلعی ها، لایه های رستری و اطلاعات غیر مکانی یا آماری و توصیفی نیز می گردد. حتی زمانی که بخواهید چگونگی جا به جایی مردم را نشان دهید و الگوهایی همچون نقاط داغ را پیدا کنید، آنالیزهای مکانی ابزاری مناسب و کارآمد برای این موضوع است.

یادگیری ماشین (Machine Learning) و هوش مصنوعی (Artificial Intelligence)

یادگیری ماشین، پروسه یادگیری و یا آموزش کامپیوتر بدون آنکه به صورت اختصاصی برنامه نویسی انجام گیرد، است. مفهوم هوش مصنوعی و یادگیری ماشین ابزار دیگری در تحلیل های مکانی محسوب می گردد. ایده اصلی یادگیری ماشین، آن است که این مفهوم به افزایش سرعت فرایندها از طریق آنالیز حجم زیادی از داده ها بدون استفاده از ورودی های انسانی کمک می کند. برای مثال، شما می توانید یک نقشه پوشش اراضی با صحت بالا را با استفاده از الگوریتم های طبقه بندی کننده یادگیری ماشین، تنها با استفاده از داده های نمونه یا داده های آموزشی، اجرا نمائید.

از آنالیز داده های حجیم گرفته تا خوشه بندی، یادگیری ماشین راهی برای خودکار سازی فرایندها و عملکردها است تا اینکه نگرش و بینش بهتری از داده ها پیدا کنیم. با افزایش حجم داده هایی که سازمان ها و ارگان ها، جمع آوری و ذخیره سازی و تحلیل می کنند، یادگیری ماشین در حال تبدیل شدن به یک بخش ضروری در بسیاری از پروسه های کاری تبدیل می گردد.

آنالیز داده های حجیم (Big data analytics)

آنالیز داده فرایندی است که داده ها برای آنکه معنادارشده و از آنها استتنتاج گردد، آماده سازی و تحلیل می شوند تا نهایتاً در گام بعدی بر اساس نگرش به دست آمده از آنها، تصمیم گیری های آتی اتخاذ گردد. این مفاهیم می توانند در هر تجارت و یا زمینه کاری همچون حمل و نقل، بازاریابی و یا خرده فروشی نیز مورد استفاده قرار گیرند. آنالیز داده های حجیم، به طور چشم گیری باعث ایجاد تحول و انقلاب در کسب و کارها شده است. دنیای تکنولوژی، سال ها است که از آنالیز داده های حجیم استفاده می کند. در نتیجه همگام با دیجیتالی شدن بیشتر دنیا، این مفاهیم نیز اهمیت و رشد بیشتری پیدا کرده اند. آنالیز داده های حجیم، به تحلیل ها و آنالیزهایی مربوط می شود که در ارتباط با تحلیل حجم بسیار زیادی از داده ها قرار دارند. 

اگرچه داده های حجیم (Big Data) در زیرشاخه و ذیل آنالیزهای مکانی می تواند قرار بگیرد، ایده اصلی آن است که این تحلیل ها در مقیاس های مختلفی انجام می گیرد و اینکه داده های مکانی شامل چه چیزی باشند، خیلی اهمیت ندارد (نقطه، خط، پلیگون و یا رستر). در هر صورت این روش ها و تکنیک ها می توانند ابزار بسیار مفیدی در علم داده قلمداد شوند.

مدل سازی و اسکریپت نویسی

خودکارسازی پروسه های کاری، مدت ها است که روشی برای کاهش نیروی کار دستی و فیزیکی محسوب می گردد. خودکارسازی فرایندها و پروسه ها به ما امکان تمرکز بر روی کارهای مهم تر را فراهم می آورد. و در نتیجه در زمان صرفه جویی می کند و باعث ایجاد پروسه های کاری تکرارپذیر می گردد. در یک پروسه کاری رایج علم داده ای، شما ابتدا همه چیزها، از مهندسی داده گرفته تا آنالیزها را به صورت ترتیبی در کنار یکدیگر قرار می دهید و سپس آنها را خودکار سازی نموده تا پروسه های تعریف شده از طریق تکرار فرایند مورد نظر را انجام دهند. این وضعیت به شما امکان می دهد که یک سیستم خودعملکردی را بازتولید و یا توسعه دهید. هنگامی که شما قابلیت های تحلیلی را سازماندهی می کنید، این بخش را می توان بخش عمده ای از ETL دانست (واژه  مخفف Extract, Load and Transform) . اما این بدین معنا نیست که شما این پروسه کاری را به صورت روزانه اجرا می کنید، بلکه سیکل تکرار آن می تواند ماهانه، هفتگی و یا سالانه نیز باشد.

قطعات پازل علم داده مکانی

علم داده مکانی، به کمپانی ها و شرکت ها کمک می کند، تصمیمات بهتری با استفاده از داده های مکان-محور داشته باشند تا استراتژی های تجاری خود را بتوانند بهتر و آگاهانه تر مدیریت و هدایت کنند. علاوه بر این، این آنالیزها می توانند پیش بینی های دقیق تری در فیلدهای مختلفی همچون اقتصاد، علوم اجتماعی، مهندسی و علوم محیطی داشته باشند. قدرت علم داده در حال گسترش و فتح تمامی جوانب زندگی روزمره انسان ها می باشد. علم داده مکانی، می تواند الگوها را از طریق تکنیک های محاسباتی پیشرفته، بارزسازی و آشکار نماید، تکنیک هایی همچون، یادگیری ماشین، آنالیز داده های حجیم و … . این الگوها در غیر این صورت به صورت مخفی باقی می مانند.

ما را در شبکه های اجتماعی دنبال کنید

Follow us on Social Networks

Instagram: giscoders

ما را در شبکه های اجتماعی دنبال کنید

Follow us on Social Networks

Instagram: giscoders

برچسب ها:

مطالب زیر را حتما مطالعه کنید

نقشه های کروپلت – مقدمه ای بر طبقه بندی داده

تصاویر چند طیفی (Multi-spectral) در مقایسه با تصاویر ابر طیفی (Hyper-spectral)

فتوگرافی هوایی (Aerial Photography) در مقابل ارتوفوتوگرافی (Orthophotography)

راهنمای جامع لیدار (Light Detection and Ranging – LiDAR)

سنجش از دور چیست ؟

منابع داده GIS رایگان در سطح جهانی : داده های رستری و برداری

دیدگاهتان را بنویسید

Copy Protected by Chetan's WP-Copyprotect.

با عضویت در خبرنامه از آموزش های جدید رایگان در ایمیل خود مطلع شوید