https://github.com/kadyb/geoinf2022
Konferencja Geoinformacja 2022 Warsztaty: "Dane przestrzenne w uczeniu maszynowym - środowisko R"
https://github.com/kadyb/geoinf2022
data-science geospatial gis machine-learning r
Last synced: over 1 year ago
JSON representation
Konferencja Geoinformacja 2022 Warsztaty: "Dane przestrzenne w uczeniu maszynowym - środowisko R"
- Host: GitHub
- URL: https://github.com/kadyb/geoinf2022
- Owner: kadyb
- Created: 2022-10-27T20:42:43.000Z (over 3 years ago)
- Default Branch: main
- Last Pushed: 2022-11-09T20:47:22.000Z (over 3 years ago)
- Last Synced: 2024-06-11T16:07:05.348Z (about 2 years ago)
- Topics: data-science, geospatial, gis, machine-learning, r
- Language: HTML
- Homepage: https://kadyb.github.io/GEOINF2022/
- Size: 9 MB
- Stars: 4
- Watchers: 4
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Dane przestrzenne w uczeniu maszynowym
To repozytorium zawiera materiały do warsztatu "**Dane przestrzenne w uczeniu maszynowym - środowisko R**" przeprowadzonego podczas konferencji [Geoinformacja: Nauka – Praktyka – Edukacja](https://geoinformacja20uam.pl/) (02.12.2022 r.).
**R** jest jednym z najbardziej popularnych języków programowania używanych do analizy danych.
**R** znalazł szczególne zastosowanie w takich dziedzinach jak ekologia, leśnictwo, hydrologia czy teledetekcja dzięki swojej prostocie, możliwości automatyzacji powtarzalnych zadań oraz ogromnemu wsparciu przez jego społeczność.
**R** stanowi świetną alternatywę dla standardowych aplikacji GIS znacząco rozszerzając ich możliwość w kontekście statystycznej analizy danych i uczenia maszynowego.
## Wymagania
Warsztat skierowany jest do osób, które posiadają podstawową wiedzę i doświadczenie w środowisku **R**.
Wymagana jest również podstawowa wiedza z zakresu GIS oraz teledetekcji satelitarnej.
Jeśli jesteś osobą początkującą i chcesz rozszerzyć (lub odnowić) swoją wiedzę odnośnie środowiska **R**, to polecam bezpłatny kurs online "[Pogromcy Danych](http://pogromcydanych.icm.edu.pl/)" przygotowany przez Uniwersytet Warszawski.
Dostępny jest również podręcznik w języku polskim: "[Elementarz programisty: Wstęp do programowania używając R](https://jakubnowosad.com/elp/)".
Kolejne podręczniki (w języku angielskim) dotyczące przestrzennej analizy danych to:
- [**Spatial Data Science with R and “terra”**](https://rspatial.org/terra/)
- [Geocomputation with R](https://geocompr.robinlovelace.net/)
- [Spatial Data Science, with applications in R](https://r-spatial.org/book/)
## Wstęp
**1. Instalacja R**
**R** jest językiem programowania.
Można go pobrać dla [Windows](https://cloud.r-project.org/bin/windows/base/R-4.2.2-win.exe), [MacOS](https://cloud.r-project.org/bin/macosx/) oraz [Linux](https://cloud.r-project.org/bin/linux/).
**2. Instalacja RStudio**
**RStudio** natomiast jest zintegrowanym środowiskiem programistycznym z edytorem kodu.
Aplikacja dostępna jest również na różnych platformach do pobrania w [tym miejscu](https://posit.co/download/rstudio-desktop/).
**3. Instalacja pakietów**
Jednym z najpopularniejszych pakietów do analizy przestrzennej w R jest pakiet [**terra**](https://github.com/rspatial/terra).
Umożliwia on analizę zarówno danych rastrowych i wektorowych.
Można go zainstalować w następujący sposób:
```r
install.packages("terra")
```
Następnie można go załadować używając funkcji `library()`.
```r
library("terra")
```
Dokumentację do tego pakietu znajdziesz tutaj:
## Materiały 🚩
Niezbędne dane rastrowe (scena Landsat 8, klasyfikacja pokrycia terenu) oraz wektorowe znajdziesz na [Dysku Google](https://drive.google.com/file/d/1WfAYCd42nLoEhpyICJxoVOaGR-t1Jcdj/view) oraz [Zenodo](https://zenodo.org/record/7299645).
Po pobraniu dane należy rozpakować.
Interaktywne zeszyty (*.Rmd*) oraz statyczne dokumenty (*.html*) możesz pobrać z repozytorium [https://github.com/kadyb/GEOINF2022](https://github.com/kadyb/GEOINF2022):
1. [Klasyfikacja nienadzorowana](https://kadyb.github.io/GEOINF2022/Grupowanie.html)
2. [Klasyfikacja nadzorowana](https://kadyb.github.io/GEOINF2022/Klasyfikacja.html)
3. [Zadanie](https://kadyb.github.io/GEOINF2022/Zadanie.html)
Opis kanałów spektralnych znajdziesz [tutaj](https://landsat.gsfc.nasa.gov/satellites/landsat-8/landsat-8-bands/).
Informacje o klasach pokrycia terenu Sentinel-2 Global Land Cover (S2GLC) znajdziesz [tutaj](https://s2glc.cbk.waw.pl/extension).
## Kontakt
Jeśli masz jakieś pytania albo potrzebujesz pomocy, napisz do mnie pod adres krzysztof.dyba@amu.edu.pl.