اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.
فیلم مسترکلاس آموزش تخمین رطوبت خاک با سنتینل 1 و 2
تخمین رطوبت خاک بعنوان حلقه واسط تبادلات انرژی و آب بین زمین و اتمسفر نقش بسیار مهمی در بسیاری از مطالعات کشاورزی، هیدرولوژیکی، محیط زیستی و … دارد. با توسعه فناوری های ماهواره ای امکان تخمین رطوبت خاک توسط تصاویر ماهواره ای مرئی و راداری بوجود آمده است. در این مستر کلاس به آموزش نحوه فراخوانی، پیش پردازش و مدلسازی…
تخمین رطوبت خاک بعنوان حلقه واسط تبادلات انرژی و آب بین زمین و اتمسفر نقش بسیار مهمی در بسیاری از مطالعات کشاورزی، هیدرولوژیکی، محیط زیستی و … دارد.
با توسعه فناوری های ماهواره ای امکان تخمین رطوبت خاک توسط تصاویر ماهواره ای مرئی و راداری بوجود آمده است.
در این مستر کلاس به آموزش نحوه فراخوانی، پیش پردازش و مدلسازی رطوبت خاک با تصاویر راداری ماهواره ای سنتینل ۱ و تصاویر طیف مرئی سنتینل 2، با رابط نرم افزاری جاوا اسکریپت در سامانه گوگل ارث انجین پرداخته شده است.
همچنین نحوه عضویت و دانلود داده های شبکه جهانی رطوبت خاک برای مقایسه نتایج با داده های زمینی آموزش داده شد.
شرکت کنندگان بعد از تهیه این آموزش قادر خواهند بود تا نقشه های رطوبت خاک را در مقیاس های محلی و منطقه ای (<100 متر) با فواصل زمانی 5-12 روزه تولید کنند.
ویژگی های این دوره:
- مدرس: فرید فریدانی
- تخصص: تخمین و مدلسازی رطوبت خاک با استفاده از داده های ماهواره ای و مدل های فیزیکی
- موضوع: آموزش تخمین رطوب خاک با استفاده از داده های ماهواره های سنتینل 1 و 2
- نرم افزار: سامانه Google Earth Engine
- مدت آموزش: 3 ساعت و 45 دقیقه
- فرمت: ویدئوهای آموزشی
- داده تمرینی: ندارد
- مخاطب: دانشجویان، کارشناسان و محققین در زمینه علوم آب، خاک، کشاورزی و محیط زیست
- پیش نیاز: آشنایی مقدماتی با Google Earth Engine و مفاهیم رطوبت خاک
چطور تهیه کنم؟
برای تهیه فیلم ضبط شده این دوره، بر روی دکمه زیر کلیک کنید:
بخشی از تدریس مدرس
معرفی مدرس
- فرید فریدانی
- پژوهشگر در دانشگاه Università degli Studi di Napoli Federico II – ایتالیا
- دارنده مدرک کارشناسی مهندسی آب از دانشگاه فردوسی مشهد
- دارنده مدرک کارشناسی ارشد مهندسی کشاورزی از دانشگاه دانشگاه فردوسی مشهد
- دارنده مدرک دکتری علوم و مهندسی آب از دانشگاه دانشگاه فردوسی مشهد با موضوع “تخمین رطوبت خاک منطقه ریشه با استفاده از داده های ماهواره ای و مدل های فیزیکی”
- دارنده مدرک دکتری Cities and Landscapes از دانشگاه Università degli Studi della Basilicata- ایتالیا با موضوع “پایش محیط زیست در مقیاس های مختلف مکانی و زمانی با استفاده از روش‌های نوین مبتنی بر داده‌های ماهواره‌ای”
- برنده جایزه تحقیقاتی Pietro Della Valla برای انجام پروژه تحقیقاتی تخمین رطوبت خاک در ایران با همکاری محققین دانشگاه بازیلیکاتای ایتالیا و دانشگاه فردوسی مشهد
- عضو بنیاد ملی نخبگان ایران
عناوین آموزشی
این دوره آموزشی شامل موارد زیر است:
- بخش اول: فراخوانی تصاویر سنتینل ۱ و 2
- بخش دوم: تعیین منطقه مورد مطالعه
- بخش سوم: تعیین فیلترهای زمانی و مکانی
- بخش چهارم: تعریف تابع فیلتر پوشش ابر
- بخش پنجم: تعریف توابع محاسبه شاخص پوشش گیاهی
- بخش ششم: تعدیل نویز اسپکل
- بخش هفتم: حذف داده های پرت بازپراکنش سنتینل 1
- بخش هشتم: محاسبه حداکثر تفاوت بازپراکنش در هر پیکسل
- بخش نهم: شناسایی و ادغام تصاویر همزمان سنتیل 1 و 2
- بخش دهم: ایجاد نقاط نمونه گیری از تصاویر همزمان
- بخش یازدهم: تهیه نمودار پراکندگی مقادیر NDVI و حداکثر تفاوت بازپراکنش
- بخش دوازدهم: رگرسیون خطی بین مقادیر NDVI و حداکثر تفاوت بازپراکنش
- بخش سیزدهم: تخمین رطوبت خاک
- بخش چهاردهم: دانلود داده های زمینی رطوبت خاک از شبکه جهانی رطوبت خاک و مقایسه نتایج
- بخش پانزدهم: روش خروجی گرفتن از تصاویر و نتایج
معرفی نرم افزار
در این وبینار، از سامانه مجازی گوگل ارث انجین به عنوان نرم افزار استفاده شده است. این سامانه به عنوان بهترین ابزار تحت وب در سنجش از دور، بصورت تخصصی در زمینه پردازش داده های سری زمانی کاربرد دارد. امروزه با استفاده از این سامانه، تمامی تصاویر ماهواره ای رایگان در سنجش از دور بصورت رایگان در دسترس است و شما می توانید سنگین ترین پردازش ها را در مدت زمانی بسیار کوتاه انجام دهید.
لازم بذکر است که این سامانه بصورت متن باز بوده و قابلیت استفاده در انواع پروژه های تجاری و علمی مرتبط با سنجش از دور را دارد. هم چنین داده های موجود در گوگل ارث انجین بصورت تصحیح شده عرضه می شوند و کاربران به راحتی می توانند از آن ها در زمینه استخراج اطلاعات استفاده کنند.
کاربرد
رطوبت سطحی خاک در بسیاری از مطالعات زیست محیطی مرتبط با هیدرولوژی، هواشناسی و کشاورزی نقش اساسی دارد. برای کاربردهای هیدرولوژیکی و کشاورزی، برآورد دقیق رطوبت خاک ضروری است، زیرا وضعیت هیدرویک خاک یک متغیر کلیدی در فرآیند بارندگی – رواناب است. ارزیابی منظم این پارامتر می تواند به طور قابل توجهی تخمین سیل و خشکسالی را بهبود بخشد، زیرا بر میزان آب موجود برای رشد پوشش گیاهی تأثیر می گذارد. در بخش کشاورزی ماهیت بسیار پویای (مکانی و زمانی) رطوبت سطحی خاک بر بهره وری محصول به‌ویژه در مراحل حیاتی رشد گیاه تأثیر می‌گذارد و می توان از این پارامتر برای مدلسازی رشد گیاه نیز استفاده کرد.
شبکه‌های اندازه گیری درجای رطوبت خاک تنها نشان دهنده تغییرات نقطه ای رطوبت خاک هستند و معمولاً دوره‌های نسبتاً کوتاهی از مشاهده را پوشش می‌دهند، در حالی که به دست آوردن داده‌های ماهواره‌ای امکان بازیابی مداوم رطوبت خاک سطحی را در مقیاس منطقه‌ای و جهانی فراهم می‌کند.
رویکردهای مختلفی برای بازیابی رطوبت خاک با استفاده از حسگرهای نوری، مادون قرمز حرارتی (TIR) و مایکروویو (MW) توسعه یافته است. حسگرهای نوری در طیف حرارتی قادر به شناسایی تفاوت های دما هستند که به رطوبت سطح خاک مربوط باشد. تخمین رطوبت خاک با داده های مایکروویو بر اساس تضاد قوی بین خواص دی الکتریک آب و خاک خشک است. استقرار اخیر ماهواره های عملیاتی سنتینل ESA الگوی جدیدی را برای کاربردهای سنجش از دور ایجاد کرده است.
در این زمینه، تصاویر رادار Sentinel-1 امکان بازیابی رطوبت خاک سطحی را با کمک اطلاعات شاخص پوشش گیاهی بدست آمده از داده های Sentinel-2 با وضوح مکانی و زمانی بالا فراهم کرده است.
مخاطبان
مخاطبان این دوره می تواند از دانشجویان، محققین و کارشناسانی باشند که در زمینه های محیط زیست، منابع طبیعی، کشاورزی، منابع آب، علوم خاک و … فعالیت دارند. مطالب این دوره آموزشی متناسب با تسلط اکثریت شرکت کنندگان به مبانی علمی و همچنین برنامه نویسی جاوا اسکریپ در طی 2 جلسه ارائه شد.
چطور تهیه کنم؟
برای تهیه فیلم ضبط شده این دوره، بر روی دکمه زیر کلیک کنید:
37 دیدگاه. ارسال دیدگاه جدید
با سلام
بنظر میرسد دوره کاربردی باشد.
من ابهاماتی در خصوص این دوره دارم که برای ثبتنام باید بدانم. در خصوص بخش 13 و 14 توضیحی داده نشده است. مثلا برای براورد رطوبت خاک از روش جدیدی استفاده میشود یا روش های مثل downscaling یا optram یا totram استفاده میشود؟ همچنین داده های زمینی رطوبت خاک از شبکه جهانی رطوبت خاک منظور مثلا SMAP هست یا داده های اندازه گیری شده است؟
ممنون میشم اگر پاسخ کاملی بدهید.
با سلام
خیلی ممنونم.
روش برآورد رطوبت خاک در این آموزش به مانند روش های optram یا totram براساس تفسیر توزیع پیکسل های منطقه مورد مطالعه است، با این تفاوت که توزیع پیکسل ها در صفحه یا فضای بین داده های رادار و مرئی (RADAR-VI) تفسیر می شوند. مزیت این روش نسبت روش های دیگر را می توان عدم وابستگی داده های سنتینل 1 به شرایط آب و هوایی و شرایط زمانی روز و شب دانست که تصاویر بیشتری را برای تحلیل در اختیار ما قرار می دهد.
شبکه جهانی رطوبت خاک هم پایگاه داده ای است که مقادیر رطوبت خاک اندازه گیری شده بصورت زمینی و کلاسیک را در سراسر دنیا در اختیار کاربران قرار می دهد.
بمنظور تسریع در فرآیند تدریس، از شرکت کنندگان گرامی در این دوره تفاضا می شود مراحل ثبت نام و فعال سازی حساب ارث انجین خود را قبل از شروع دوره مطابق لینک زیر انجام دهند:
https://girs.ir/signup-gee/
با تشکر
سلام. این تخمین رطوبت در چه مقیاسی است؟ تا چه عمقی از خاک؟ چه دقت مکانی ؟ پین پوینتینگ دارد یا نه کلی است؟
با سلام
– با توجه به محدودتی که ارث انجین برای انجام محاسبات روی تعداد مشخصی پیکسل (چند ده میلیون پیکسل) تعریف کرده است، تفکیک مکانی در این روش می تواند از 50 در 50 متر شروع شود و با افزایش ابعاد منطقه مورد مطالعه و یا بازه زمانی مورد مطالعه ممکن است لازم باشد که تفکیک مکانی کاهش یابد (مثلا 100 در 100 مثر).
– تفکیک زمانی هم بسته به دسترسی تصاویر سنتینل 1 می تواند حداکثر 12 روز یکبار باشد.
– عمق مورد اندازه گیری در این روش و بصورت کلی برای اکثر محصولات ماهواره ای بین 0 تا حداکثر 10 سانتیمتر بالای خاک هست.
– حداکثر دقت همان 50 در 50 متر است. بنابراین اگر شرایط خاک در این ابعاد همگن و همنواخت باشد می تواند مقدار رطوبت خاک تخمین زده شده را به نقاط داخل پیکسل تعمیم داد.
سلام و وقت بخیر. ببخشید من توی کلاس شرکت کردم ولی آدرس ایمیل استاد رو یادداشت نکردم و توی فیلم ها هم نیست. امکانش هست آدرس ایمیل استاد رو داشته باشم؟؟
farid.faridanibardaskan@unina.it
با سلام آموزش “تخمین رطوبت خاک منطقه ریشه” رو تهیه نمیکنید؟؟ یا این دوره برای این هدف میتونه کمکی کنه؟
با سلام.
امکان برگزاری یک دوره جدید برای محاسبه رطوبت خاک منطقه ریشه در صورت استقبال کاربران وجود دارد. اما در این حین می توانید با داشتن مقادیر رطوبت خاک سطحی از روش ارائه شده در این آموزش و روش پیشنهادی در مقالات زیر به سری زمانی رطوبت خاک منطقه ریشه دست پیدا کنید:
1- Faridani, F., Farid, A., Ansari, H., & Manfreda, S. (2017). Estimation of the root-zone soil moisture using passive microwave remote sensing and SMAR Model. Journal of Irrigation and Drainage Engineering, 143(1), 04016070.
2- Gheybi, F., Paridad, P., Faridani, F., Farid, A., Pizarro, A., Fiorentino, M., & Manfreda, S. (2019). Soil moisture monitoring in Iran by implementing satellite data into the root-zone SMAR model. Hydrology, 6(2), 44.
3- Farokhi, M., Faridani, F., Lasaponara, R., Ansari, H., & Faridhosseini, A. (2021). Enhanced estimation of root zone soil moisture at 1 km resolution using SMAR model and MODIS-based downscaled AMSR2 soil moisture data. Sensors, 21(15), 5211.
سلام. یه سری ابهامات برای من وجود داره برای تهیه این پکیج 1. این روش براورد از چه رفرنسی استفاده کرده لطفا مقاله ای که در این زمیته استفاده شده رو قرار دهید2. بدون استفاده از سنتینل 2 تنها با استفاده از سنتینل 1 قابل اجرا است یا خیر؟؟
روش برآورد رطوبت خاک در این آموزش به مانند روش های optram یا totram براساس تفسیر توزیع پیکسل های منطقه مورد مطالعه است، با این تفاوت که توزیع پیکسل ها در صفحه یا فضای بین داده های رادار و مرئی (RADAR-VI) تفسیر می شوند. مزیت این روش نسبت روش های دیگر را می توان عدم وابستگی داده های سنتینل 1 به شرایط آب و هوایی و شرایط زمانی روز و شب دانست که تصاویر بیشتری را برای تحلیل در اختیار ما قرار می دهد.
Reference:
Narayanarao Bhogapurapu, Subhadip Dey, Saeid Homayouni, Avik Bhattacharya, Y.S. Rao,
Field-scale soil moisture estimation using sentinel-1 GRD SAR data,
Advances in Space Research,
Volume 70, Issue 12,
2022,
Pages 3845-3858,
ISSN 0273-1177,
https://doi.org/10.1016/j.asr.2022.03.019.
(https://www.sciencedirect.com/science/article/pii/S0273117722002058)
سلام لطفا پاسخ بنده رو بدید
تشکر
با سلام
از اونجایی که این دوره وبینار ضبط شده هستش کد R و … در اختیار شرکت کنندگان قرار داده شده که در حال حاضر در فایل های دانلود شده موجود نیستند. ممنون میشم اگر این موارد رو اضافه بفرمایید.
سلام
به پنل کاربری شرکت کنندگان اضافه شده. به سایت آکادمی واردشده و پنل خود را ببینید. لطفا بررسی کنید و نتیجه را همینجا اطلاع دهید.
سلام
چک کردم متاسفانه اضافه نشده.
با سلام و احترام
هر مشکلی در فرایند دانلود دارید لطفا با بخش پشتیبانی سایت در روزها و ساعات اداری مکاتبه کنید تا مشکل رو برطرف کنند. girs.academy@gmail.com
موفق باشید
سلام
اضافه نشده
این آموزش با توجه به اینکه در محیط ارث انجین بوده و از زبان برنامه نویسی جاوااسکریپت استفاده می کند بعید میدونم ربطی به برنامه نویسی R داشته باشد.
با سلام مجدد
ضمن عرض پوزش بخاطر تاخیر در پاسخ دهی
بدلیل مشکلی که در کامپیوتر بنده بوجود آمده، سعی می کنم طی هفته آینده کد آر رو در اختیار دوستان قرار بدهم. با این وجود، بدون داشتن کد آر و در هر زبان برنامه نویسی دیگر حتی اکسل هم می توانید مطابق توضیحات من در فیلم آموزشی رابطه رگرسیونی ۲-5 درصد بالای داده ها را بدست آورید.
سلام خسته نباشید
دانلود داده زمینی و ارزیابی دقت با اونها به این معنی هست که دیگه نیازی به برداشت زمینی نداریم؟ چون برای پایان نامه برداشت زمینی لازم هست با تشکر
با سلام.
به منظور نشان دادن دقت روش مطرح شده در این دورده، منطقه ای که در آن داده های رطوبت خاک بصورت دقیق اندازه گیری می شوند انتخاب شد و در نهایت نتایج با داده های زمینی موجود در آن منطقه مقایسه شد که تطابق خوبی را نشان می داد. بعنوان کار پایان نامه شما یا می توانید این روش را برای مناطقی که از قبل داده اندازه گیری شده باشد اجرا کنید، یا باید خودتان اندازه گیری را انجام دهید. بستگی به نظر استاد راهنمایتان دارد. خود روش ارایه شده نیازی به داده زمینی ندارد ولی از لحاظ کار علمی و نوشتن پایان نامه در هر صورت باید داده زمینی ای وجود داشته باشد که بتوانید مقایسه کنید.
سلام وقت بخیر
من میخوام رطوبت خاک رو با رزلوشن مکانی و زمانی بالا بدست بیارم. تصاویر اسمپ رزلوشن مکانی نسبتا خوبی دارن ولی رزلوشن زمانی پایینی دارن ولی smos بر عکس رزلوشنش نسبت به اسمپ. من اگر بخوام از یه الگوریتمی استفاده کنم که از طریق downscailing رزلوشن مکانی رطوبت رو بهبود بدم در حد مثلا ۱ کیلومتر و از طرفی رزلوشن زمانیم هم بالا باشه. به نظر شما چطور میتونم همزمان از این دو تصویر در الگوریتمم استفاده کنم؟
و یه مورد دیگه اینکه واسه downscailing باید پارامترهای دیگه ای رو هم در نظر بگیرم. منطقم مربوط به جنگل هست چون پوشش گیاهی بر روی تصاویر رادار تاثیر میذاره به نظر شما کدوم پارامترهای تصویر رادار مثل سنتینل ۱ یا رادارست رو واسه downscailing الگوریتمم استفاده کنم؟
با سلام و احترام
به نظرم باید با استفاده از روش رگرسیون بین تصویر اسمپ و تصویر رطوبت خاک توان تفکیک زمانی بالا یک معادله ایجاد کرده و تصویر رطوبت خاک اسمپ روزانه را پیش بینی کنید.
برای در نظر داشتن پوشش گیاهی به نظرم شاخص NDVI از منطقه و ماهواره هدف داشته باشید کافی هست.
موفق باشید
سلام وقت بخیر
من میخوام رطوبت خاک رو با رزلوشن مکانی و زمانی بالا بدست بیارم. تصاویر اسمپ رزلوشن مکانی نسبتا خوبی دارن ولی رزلوشن زمانی پایینی دارن ولی smos بر عکس رزلوشنش نسبت به اسمپ. من اگر بخوام از یه الگوریتمی استفاده کنم که از طریق downscailing رزلوشن مکانی رطوبت رو بهبود بدم در حد مثلا ۱ کیلومتر و از طرفی رزلوشن زمانیم هم بالا باشه. به نظر شما چطور میتونم همزمان از این دو تصویر در الگوریتمم استفاده کنم؟
و یه مورد دیگه اینکه واسه downscailing باید پارامترهای دیگه ای رو هم در نظر بگیرم. منطقم مربوط به جنگل هست چون پوشش گیاهی بر روی تصاویر رادار تاثیر میذاره به نظر شما کدوم پارامترهای تصویر رادار مثل سنتینل ۱ یا رادارست رو واسه downscailing الگوریتمم استفاده کنم؟
با سلام و احترام
به نظرم باید با استفاده از روش رگرسیون بین تصویر اسمپ و تصویر رطوبت خاک توان تفکیک زمانی بالا یک معادله ایجاد کرده و تصویر رطوبت خاک اسمپ روزانه را پیش بینی کنید.
برای در نظر داشتن پوشش گیاهی به نظرم شاخص NDVI از منطقه و ماهواره هدف داشته باشید کافی هست.
موفق باشید
ممنون دستتون دردنکنه. به نظرتون به جز روش رگریسون میتونم از الگوریتم های دیگه مثل دیپ لرنینگ این کارو انجام بدم؟
بله با استفاده از شبکه های عصبی قابل انجام است.
موفق باشید
ممنون دستتون دردنکنه. به نظرتون به جز روش رگریسون میتونم از الگوریتم های دیگه مثل دیپ لرنینگ این کارو انجام بدم؟
چرا با استفاده از شبکه های عصبی نیز قابل انجام است.
موفق باشید
سلام وقت بخیر
میخواستم بپرسم چطور میتونم با استفاده از رگرسیون رطوبت خاک smos که روزانه هست و smap که هر سه روز هست رو تلفیق کنم و رطوبت روزانه با رزلوشن مکانی در حد smap داشته باشم؟
با سلام و احترام
اول داده های متناظر smap و smos را استخراج کرده و سپس معادله خط بین آن دو را محاسبه و بر روی داده های smos روزانه اعمال کنید.
موفق باشید
بمنظور کوچک مقیاس سازی و یا ترکیب داده های ماهواره ای با تفکیک مکانی متفاوت می توانید از روشی که در مقاله من در مورد همین موضوع هست هم استفاده کنید.
لینک مقاله:
https://scholar.google.com/citations?view_op=view_citation&hl=en&user=dlQW_XMAAAAJ&citation_for_view=dlQW_XMAAAAJ:ufrVoPGSRksC
سلام وقت بخیر خسته نباشید
من دانشجوی دکتری آبیاری و زهکشی هستم که دوره مذکور در عنوان را تحت آموزش شما شرکت کردم.
من پروژه ای دارم که باید رطوبت خاک را با استفاده از سنجنده ها پیش بینی کنم. دوره شما را نتوانستم خوب چیاده سازی کنم چند راهنمایی میخواستم اگر امکانش هست ممنون می شوم
من طول و عرض نقاط مورد بررسی را از گوگل ارث وارد کد کردم و جایگزین نمودم ولی کد اجرا نشد
من یک سری زمین دارم در یک کشت و صنعت و میخواهم با استفاده از کد شما و تغییراتی که بر روی آن انجام می دهم بتوانم رطوبت خاک را پیش بینی کنم.
میخواهم یک توضیح اجمالی در صورت امکان به من بدهید چون سردرگمم
خیلی ممنون
با سلام.
اطمینان حاصل کنید که جای طول و عرض جغرافیایی را اشتباه وارده نکرده باشید. و یا گاهی اوقات محدوده ای را که بصورت یک چندضلعی است بصورت نقطه وارده نکرده باشید.
بخش اول کد که مربطو به تعیین محدوده ها و نقاط ایستگاه هاست رو باید کاملا براساس منطقه مطالعاتی خودتون تغییر بدید. خطوط ۱ تا ۲۰ کد حدودا
سلام ببخشید میشه دسترسی به کد R رو برای ماهایی که کلاس رو آفلاین دیدیم فراهم کنید؟
سلام
به پنل کاربریتون مراجعه کنید باید بتونید کدها رو ببینید.
سلام. وقت شما بخیر باشه
نقشه خروجی که من بدست آوردم بعضی قسمت ها no data داره. چطور می شه برطرف کرد؟
خیلی ممنون می شم راهنمایی بفرمایید