اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.
کاربرد رگرسیون وزنی جغرافیایی (GWR) در تحلیل و پیش بینی فضایی در ArcGIS
در این آموزش به کاربرد رگرسیون وزنی جغرافیایی یا Geographically Weighted Regressionدر بررسی روابط مکانی بین داده ها و پیداکردن مهمترین عامل تاثیرگذار در متغیر وابسته ونقشه کردن آن، همچنین پیش بینی صحیح بر پایه مدل ایجاد شده پرداخته می شود. رگرسیون وزنی جغرافیای (GWR)، یک روش رگرسیون محلی (Local) و فضایی است که برای مدل سازی روابط متغیر های…
در این آموزش به کاربرد رگرسیون وزنی جغرافیایی یا Geographically Weighted Regressionدر بررسی روابط مکانی بین داده ها و پیداکردن مهمترین عامل تاثیرگذار در متغیر وابسته ونقشه کردن آن، همچنین پیش بینی صحیح بر پایه مدل ایجاد شده پرداخته می شود.
رگرسیون وزنی جغرافیای (GWR)، یک روش رگرسیون محلی (Local) و فضایی است که برای مدل سازی روابط متغیر های فضایی استفاده می شود. تحلیل رگرسیون این امکان را به شما می دهد که به مدلسازی، بررسی و اکتشاف روابط مکانی بین داده ها بپردازید تا الگوهای مکانی عوامل مشاهده شده (متغیرهای مستقل) را بهتر درک کنید و پیش بینی صحیحی را برپایه این عوامل ارائه دهید.
مشخصات محصول
- قیمت: ۲۰ هزار تومان
- مدرس: محسن شریعتی
- زمان آموزش: ۲۷ دقیقه
- موضوع: کاربرد رگرسیون وزنی جغرافیایی (GWR) در تحلیل و پیش بینی فضایی
- نرم افزار: زیر سامانه ی ۱۰٫۵ ARCMAP
- فرمت: ویدیو های آموزشی MP4
- فایل تمرینی: دارد
- پیش نیاز: رگرسیون حداقل مربعات معمولی(OLS) در بررسی روابط فضایی
توضیحات محصول
گاهی اوقات در زندگی روزمره با حادثه ها یا اتفاقاتی رو به رو می شویم که ما را کنجکاو می کند تا عواملی که در بروز این اتفاقات دخیل هستند را جستجو کنیم، چراکه شاید این اتفاقات در آینده هم بروز کند. برای مثال این اتفاق می تواند بروز سیل، آتش سوزی، زلزله، تورم، افزایش جرایم، افزایش نرخ فقر، افزایش میزان تماس های اضطراری به مراکز اورژانس، کاهش نرخ تولد، افزایش آفات کشاورزی، فرونشت و کاهش منابع آب های زیر زمینی و شیوع یک بیماری و غیره باشد.
قطعاً در بروز هر کدام از این موارد عواملی دخیل خواهد بود که خسارات ناشی از آن ها را چندین برابر خواهد کرد. شاید انتخاب این عوامل در ظاهر ساده به نظر برسد، اما این طور نیست و یکی از سخت ترین و زمان برترین مراحل در هر مطالعه ای است. ما با استفاده از این تحلیل ها به راحتی می‌توانیم عوامل موثر در بروز هر رخداد یا اتفاقی را که برای ما اهمیت دارد پیدا کرده و برای آن یک برنامه ریزی میان مدت و طولانی مدت داشته باشیم، قطعاً این تحلیل میتواند میزان این متغیر های وابسته را در آینده با توجه به عوامل توضیحی پیش بینی کند که خود باعث صرفه جویی در هزینه های مالی و زمانی خواهد شد.
در ضمن پیش نیاز اجرای این تحلیل، فراگیری تحلیل کاربرد رگرسیون حداقل مربعات معمولی است.
شما علاوه بر انجام پروژه های علمی و پروژه ای خود میتوانید در زندگی و محل کار نیز از این تحلیل ها استفاده کرده و از نقشه های تهیه شده از آن نهایت استفاده را ببرید.
عناوین آموزشی
مهمترین عناوین آموزش داده شده در این محصول عبارتند از:
- کاربرد خود همبستگی فضایی در نمایش روابط مکانی داده ها
- کاربرد Geographically Weighted Regression
- نقشه کردن ضرایب متغیرهای مستقل
- کاربرد Symbology
- طبقه بندی مدل پیش بینی شده توسط رگرسیون وزنی جغرافیایی
- مقایسه مدل پیش بینی شده با مدل اولیه
تهیه محصول
فروش این محصول آموزشی فعلا متوقف شده است
لینک های مفید
نوشته های مرتبط :
کتاب الکترونیکی: آموزش مقدماتی QGIS 3.10
1,246 بازدید
جدیدترین کتاب آموزش پایتون در ArcGIS
368 بازدید
یادگیری عملی نرمافزار QGIS – مقدماتی
1,203 بازدید
آموزش های رایگان پیشنهادی :
چطور نقشه لندکاور 10 متری ایران را دانلود کنیم؟
1,174 بازدید
آموزش مکان یابی در QGIS – روش بولین
1,177 بازدید
آموزش دانلود تصویر ماهواره ای از گوگل ارث انجین
2,561 بازدید
11 دیدگاه. ارسال دیدگاه جدید
با سلام و عرض ادب و احترام
با تشکر از تولید محصول آموزشی، یک انتقادی داشتم نسبت به محصول تولید شده،بنده اون رو تهیه کردم ولی نتونستم مفهوم درستی از اون داشته باشم،اول اینکه به صورت جهشی یهو یک بحثی رو تموم میکنین،دوم اینکه صدا ضبط شده با صدای اطراف مرج شده تمرکز نمیشه کرد(مثل صدای زوزه موتور)،سوم اینکه اصلا مفهوم درستی از هدف کار و اینکه فایل call اساسا چی هست چطوری رسیدین بهش رو نگفتین، چهارم اینکه نحوه بیان خیلی مهمه در القا یک هدف و من اینو کم احساس کردم در این محصول شاید همه اینها بخاطر زمان کم باشه ولی این دلیل نمیشه چون مهندس احراری ام در بازه کوتاه یه آموزشی رو توضیح میدن ولی کاربر اونو کاملا دریافت میکنه که چی هست. پیشنهاد میکنم جناب نجفی یک بار خودشون این محصول رو مشاهده کنن.
از حرف بنده امیدوارم دلخور نشین.
عرض سلام و احترام
سپاس از توجه شما
بنده دوباره محصول را بررسی خواهم کرد.
پیشنهاد میکنم پیش نیاز این محصول را تهیه بفرمایید.
سلام
با دیدگاه های رضا موافقم. اگر این آموزش پیش نیاز داشته لازم بوده که به صراحت در همین صفحه ذکر شود.
هدف از تهیه آموزش آشنایی با مفاهیم اصلی ، مثلا در این تابع انواع Kernel Type و یا انواع Bandwidth Metode و امثال اینها است.
عرض سلام و احترام.
در قسمت مشخصات محصول، موضوع پیش نیاز مطرح شده است.
لطفا به موضوع پیش نیاز توجه بفرمایید.
سلام و وقت بخیر، من هم از کیفیت آموزش از کیفیت راضی نبودم
سلام
ببخشید برای مدلسازی زمین لغزش هم این روش به کار میره؟
عرض سلام و وقت بخیر
بسته به نوع متغیر های خود برای مدل سازی میتوانید از این روش استفاده کنید اما باید توجه داشته باشید که مطالعات دیگری پیرامون این موضوع وجود داشته باشد و از اطلاعات آن استفاده کنید.
با سلام
ضمن تشکر و قدردانی
به هر حال زحمت زیادی کشبده شده که این موصوع اموزش داده شود. بنده این مفهوم را چند سال پیش کار کردم و با زحمت زیادی تونستم پیدا کنم روش را.
سوالی که داشتم اینه که ایا میتوان یک پلیگون که دارای ویژگی خاصی است را به عنوان یک متغییر مستقل تعریف کرد.
با تشکر
عرض سلام و ادب
لطف دارید
بله تمامی اطلاعات چه به صورت پلیگن و چه نقطه در نهایت میتواند به صورت اطلاعات توصیفی در مدل استفاده شود.
چرا فروش متوقف شده؟؟؟
از آموزش آپدیت شده آن استفاده کنید که جایگزین این آموزش شد
به لینک زیر مراجعه شود:
مدل سازی روابط مکانی در آمار فضایی