Home › Roadmap › GeoAI › Part 4

Semantic Segmentation of Land Cover

📘 পিক্সেল স্তরে ভূমি শ্রেণি।

🌐 Pixel-level land-cover mapping.

🌏 জিওএআই🎚 Beginner📍 Part 4 / 12🧩 3 সাব-টপিক

🌏

ধারণা · Concept

কী এবং কেন

📘 বাংলা ব্যাখ্যা:
পিক্সেল স্তরে ভূমি শ্রেণি।

🌐 English:
Pixel-level land-cover mapping.

🗂 কোথায় পড়ে

৫. জিওএআই → জিওএআই → Semantic Segmentation of Land Cover

🎯 এই শাখার লক্ষ্য

Apply ML/DL to imagery and spatio-temporal data

🧰 টুলস

TorchGeo, segment-geospatial, geoai

🪜

ধাপে ধাপে শিখুন · Step-by-step

কেন শিখবেন → কীভাবে শিখবেন → উদাহরণ → সাধারণ ভুল

💡 কেন গুরুত্বপূর্ণ?

প্রতিটি পিক্সেলে ক্লাস—বিস্তারিত ভূমি আচ্ছাদন ও পানি মানচিত্র।

ধাপ 1
ছবি ও লেবেল মাস্ক একই গ্রিডে (একই CRS, রেজোলিউশন)
ধাপ 2
প্যাচে কাটা ও অগমেন্টেশন (flip, rotate)
ধাপ 3
U-Net / DeepLabV3+ প্রশিক্ষণ (segmentation_models_pytorch); ক্লাস ভারসাম্যের জন্য Dice/Focal loss
ধাপ 4
IoU/F1 দিয়ে মূল্যায়ন; বড় ছবিতে sliding window ও ওভারল্যাপ দিয়ে পূর্বাভাস

🧪 বাস্তব উদাহরণ

Sentinel-2 + U-Net দিয়ে সুন্দরবনের ম্যানগ্রোভ, পানি ও চর মানচিত্র।

⚠️ সাধারণ ভুল

প্যাচের কিনারায় পূর্বাভাসে দাগ—ওভারল্যাপ ও মিশ্রণ ব্যবহার করুন।

🔑 মূল শব্দ (Key terms)

semantic segmentationU-NetDeepLabIoUDice losstiling

সাব-টপিক ও বিস্তারিত · Sub-topics

টপিক → সাব-টপিক → সাব-সাব টপিক

4.1 U-Net আর্কিটেকচার

4.2 লেবেল মাস্ক প্রস্তুতি

4.3 IoU ও F1 দিয়ে মূল্যায়ন

🎬

ভিডিও · Videos (বাংলা ও English)

ক্লিক করলে সাইটের ভেতরেই ফ্লোটিং প্লেয়ারে চলবে · ভিডিও MySQL-এ সংরক্ষিত

📺 আরও খুঁজুন

🇧🇩 Bangla GeoAI ↗
🌐 Qiusheng Wu ↗Spatial Thoughts ↗

💻

হাতে-কলমে · Try it (GeoAI)

এডিট করে Run চাপুন · Ctrl+Enter

import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report
# Pixel classification with spectral features (synthetic Sentinel-2 like bands)
rng=np.random.default_rng(7)
def sample(n,mu): return rng.normal(mu,0.03,(n,4))   # blue, green, red, nir
X=np.vstack([sample(300,[.05,.06,.04,.02]),sample(300,[.04,.08,.05,.40]),sample(300,[.12,.13,.15,.20])]); y=np.repeat([0,1,2],300)
ndvi=((X[:,3]-X[:,2])/(X[:,3]+X[:,2]))[:,None]; X=np.hstack([X,ndvi])
idx=rng.permutation(900); tr,te=idx[:600],idx[600:]
m=RandomForestClassifier(200,random_state=0).fit(X[tr],y[tr])
print(classification_report(y[te],m.predict(X[te]),target_names=["water","vegetation","urban"]))

❓

সেল্ফ-চেক · Self check

🔗

সংযুক্ত কনসেপ্ট · Connected concepts