کتاب صوتی نقشه برداری فقر شهری با یادگیری عمیق از تصاویر ماهواره ای: یک رویکرد چندبعدی

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب نقشه برداری فقر شهری با یادگیری عمیق از تصاویر ماهواره ای: یک رویکرد چندبعدی

موضوع کلی: سنجش از دور و هوش مصنوعی در توسعه پایدار

موضوع میانی: فقر شهری و تصویربرداری ماهواره‌ای

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر سنجش از دور و هوش مصنوعی در توسعه پایدار
• 2. مفهوم فقر شهری و چالش‌های اندازه‌گیری آن
• 3. نقش فناوری‌ها در پایش اهداف توسعه پایدار (SDGs)
• 4. چرا سنجش از دور و هوش مصنوعی برای فقر شهری؟
• 5. مروری بر مقاله الهام بخش: چارچوب کلی و اهمیت آن
• 6. تعریف فقر چندبعدی و ابعاد مختلف آن
• 7. شاخص‌های سنتی فقر: محدودیت‌ها و نقاط قوت
• 8. ابعاد فقر شهری: مسکن، زیرساخت، بهداشت، آموزش
• 9. شاخص‌های اجتماعی-اقتصادی در بستر شهری
• 10. شناسایی مناطق آسیب‌پذیر شهری با رویکردهای سنتی
• 11. مبانی سنجش از دور: مفاهیم اولیه و طیف الکترومغناطیس
• 12. اصول تصویربرداری ماهواره‌ای و انواع سنجنده‌ها
• 13. تفکیک مکانی، طیفی، رادیومتریکی و زمانی در تصاویر ماهواره‌ای
• 14. منابع داده‌های ماهواره‌ای: پلتفرم‌ها و آرشیوها
• 15. پردازش اولیه تصاویر ماهواره‌ای: تصحیحات رادیومتریکی و هندسی
• 16. معرفی نرم‌افزارهای پردازش تصاویر سنجش از دور
• 17. شاخص‌های طیفی و کاربرد آن‌ها در محیط شهری (NDVI, NDBI)
• 18. تحلیل بافت و الگوهای مکانی در تصاویر شهری
• 19. طبقه‌بندی کاربری اراضی و پوشش زمین در شهرها
• 20. تحلیل تغییرات شهری با تصاویر ماهواره‌ای
• 21. تصاویر اپتیکی با تفکیک مکانی بالا (VHR): WorldView, Pleiades, GeoEye
• 22. تصاویر اپتیکی با تفکیک مکانی متوسط (HR): Sentinel-2, Landsat
• 23. کاربرد تصاویر شب تاب (Nighttime Lights) در تخمین فعالیت اقتصادی
• 24. تصاویر رادار با روزنه مصنوعی (SAR): Sentinel-1 و کاربردهای آن
• 25. ترکیب تصاویر رادار و اپتیکی در محیط‌های شهری
• 26. داده‌های LiDAR و مدل‌های ارتفاعی رقومی (DEM)
• 27. داده‌های مکانی OpenStreetMap و نقش آن‌ها
• 28. تصاویر هوایی و پهپادی به عنوان داده مکمل
• 29. دسترسی و دانلود داده‌های ماهواره‌ای (Google Earth Engine, Copernicus Hub)
• 30. انتخاب بهترین مجموعه داده برای پروژه‌های فقر شهری
• 31. مبانی هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
• 32. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 33. رگرسیون و طبقه‌بندی: الگوریتم‌های پایه
• 34. معیارهای ارزیابی مدل‌های یادگیری ماشین
• 35. مقدمه‌ای بر شبکه‌های عصبی مصنوعی (ANNs)
• 36. فعال‌سازها و توابع زیان در شبکه‌های عصبی
• 37. بهینه‌سازی و گرادیان کاهشی
• 38. مشکل بیش‌برازش (Overfitting) و روش‌های مقابله با آن
• 39. معرفی فریم‌ورک‌های یادگیری عمیق (TensorFlow, PyTorch)
• 40. راه اندازی محیط توسعه برای یادگیری عمیق
• 41. شبکه‌های عصبی پیچشی (CNNs): اصول و معماری
• 42. لایه‌های پیچشی، Pooling و Fully Connected
• 43. شبکه‌های پیش‌ساخته (Pre-trained Models): ImageNet و انتقال یادگیری
• 44. معماری‌های معروف CNN: VGG, ResNet, Inception
• 45. شبکه‌های U-Net برای تقسیم‌بندی معنایی تصاویر
• 46. شبکه‌های تولیدی خصمانه (GANs) و کاربردهای آن‌ها
• 47. مدل‌های خودرمزگذار (Autoencoders) برای یادگیری ویژگی
• 48. شبکه‌های مبتنی بر ترانسفورمر (Transformers) در بینایی ماشین
• 49. شبکه‌های سیامی (Siamese Networks) برای مقایسه تصاویر
• 50. انتخاب معماری مناسب برای استخراج ویژگی‌های فقر
• 51. پیش‌پردازش تصاویر ماهواره‌ای برای یادگیری عمیق
• 52. نرمال‌سازی و استانداردسازی داده‌های تصویری
• 53. افزایش داده (Data Augmentation) برای مقابله با کمبود داده
• 54. استخراج ویژگی‌های هندسی و بافتی از تصاویر
• 55. استخراج ویژگی‌های طیفی و شاخص‌های محیطی
• 56. استخراج اطلاعات از مدل‌های ارتفاعی رقومی (DEM)
• 57. تحلیل الگوهای مکانی و تراکم ساختمان‌ها
• 58. استخراج شبکه راه‌ها و زیرساخت‌های حمل و نقل
• 59. شناسایی فضای سبز و آبی در محیط شهری
• 60. ترکیب ویژگی‌های مختلف برای ایجاد یک بردار ویژگی جامع
• 61. اهمیت داده‌های زمینی (Ground Truth) در آموزش مدل‌ها
• 62. جمع‌آوری داده‌های پیمایشی خانوار و سرشماری
• 63. داده‌های جمعیت‌شناختی و اجتماعی-اقتصادی
• 64. روش‌های برچسب‌گذاری (Labeling) تصاویر برای فقر شهری
• 65. چالش‌ها و محدودیت‌های داده‌های زمینی در مناطق محروم
• 66. یادگیری انتقالی (Transfer Learning) در نقشه‌برداری فقر
• 67. یادگیری چندوجهی (Multi-modal Learning) با داده‌های مختلف
• 68. ادغام تصاویر اپتیکی، رادار و شب تاب
• 69. استفاده از مدل‌های خودنظارتی (Self-supervised Learning)
• 70. یادگیری تقویتی مکانی (Spatial Reinforcement Learning)
• 71. شبکه‌های گراف عصبی (GNNs) برای تحلیل روابط مکانی
• 72. یادگیری نیمه‌نظارتی (Semi-supervised Learning) با داده‌های محدود
• 73. دسته‌بندی خوشه‌ای (Clustering) برای شناسایی مناطق همگن
• 74. تخمین تراکم جمعیت و سطح معیشت با یادگیری عمیق
• 75. پیش‌بینی شاخص‌های توسعه انسانی از تصاویر ماهواره‌ای
• 76. تقسیم‌بندی داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و آزمون
• 77. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 78. معیارهای ارزیابی مدل‌های رگرسیون (MAE, RMSE, R-squared)
• 79. معیارهای ارزیابی مدل‌های طبقه‌بندی (دقت، فراخوانی، F1-score)
• 80. Cross-Validation و روش‌های اعتبارسنجی قوی
• 81. اهمیت قابلیت تفسیرپذیری در مدل‌های فقر
• 82. روش‌های تفسیر مدل: LIME, SHAP, Grad-CAM
• 83. شناسایی ویژگی‌های مهم در پیش‌بینی فقر
• 84. بصری‌سازی نقاط تمرکز مدل بر روی تصاویر
• 85. درک دلایل تصمیم‌گیری مدل‌های یادگیری عمیق
• 86. مطالعه موردی: نقشه‌برداری فقر در آفریقا با تصاویر ماهواره‌ای
• 87. مطالعه موردی: تحلیل مناطق زاغه‌نشین در هند
• 88. کاربرد در برنامه‌ریزی شهری و توسعه زیرساخت‌ها
• 89. پایش بحران‌ها و بلایای طبیعی در مناطق فقیرنشین
• 90. ارزیابی اثربخشی برنامه‌های کاهش فقر
• 91. ملاحظات اخلاقی در استفاده از هوش مصنوعی برای فقر
• 92. حریم خصوصی و امنیت داده‌ها در جمع‌آوری اطلاعات
• 93. خطر سوگیری (Bias) در داده‌ها و مدل‌های هوش مصنوعی
• 94. نقش دولت‌ها و سازمان‌های بین‌المللی در استفاده مسئولانه
• 95. چارچوب‌های سیاستی برای بهره‌برداری از نتایج نقشه برداری فقر
• 96. چالش‌های داده‌ای: دسترسی، کیفیت و کمبود داده‌های زمینی
• 97. چالش‌های مدل‌سازی: قابلیت تعمیم و پایداری مدل‌ها
• 98. ترکیب هوش مصنوعی با سیستم‌های اطلاعات مکانی (GIS)
• 99. روندهای نوظهور در یادگیری عمیق و سنجش از دور
• 100. آینده نقشه برداری فقر شهری و نقش دانشجو در آن