بالاترین کیفیت
فیلم وبینار ریزمقیاس سازی پروداکت NDVI ماهواره نوا از 5 به 1 کیلومتر در سامانه گوگل ارث انجین منتشر شد.
در این آموزش بر اساس روش رگرسیون خطی روش تلفیق داده های نوا و مادیس برای تولید پروداکت 1 کیلومتری از پروداکت NDVI ماهواره نوا توسط امیرحسین احراری تدریس شده است.
توضیحات:
در این آموزش روش ریز مقیاس سازی پروداکت NDVI ماهواره نوا با استفاده از روش رگرسیون خطی آموزش داده شده است. چگونگی تلفیق داده های نوا و مادیس برای افزایش جزییات مکانی پروداکت NDVI این ماهواره موضوع اصلی این آموزش است.
همچنین بر اساس روش رگرسیون خطی بین متغیرهای مستقل و وابسته چگونگی افزایش جزییات مکانی پروداکت پوشش گیاهی نوا تدریس شد.
عناوین آموزشی
مهم ترین عناوین آموزشی این آموزش عبارت اند از:
- روش فراخوانی و کار با پروداکت NDVI ماهواره نوا
- روش فراخوانی و کار با پروداکت NDVI مادیس
- روش تبدیل داده های روزانه به پروداکت های هفتگی و ماهیانه
- مقایسه پروداکت NDVI مادیس و نوا
- ریزمقیاس سازی پروداکت NDVI نوا با تصاویر مادیس
- افزایش جزییات مکانی پروداکت 5 کیلومتری به 1 کیلومتر
مشخصات پروداکت NDVI NOAA
- بازه زمانی در دسترس: 2013-1981
- توان تفکیک زمانی: روزانه و ماهیانه
- توان تفکیک مکانی: 5 کیلومتر
- پوشش مکانی: جهانی
- مزیت: برای مطالعه پوشش گیاهی در دهه 80 و 90 میلادی بهترین جایگزین برای مادیس است.
مدرس کیست؟
- امیرحسین احراری
- کارشناس سنجش از دور و پردازش تصاویر ماهواره ای
- نویسنده اولین و پرفروش ترین کتاب آموزش جامع گوگل ارث انجین در ایران
مهدی –
سلام وقتتون بخیر
اگر امکانش هست. آموزش های مرتبط با پایتون ، یادگیری عمیق و یادگیری ماشین رو به صورت موضوعی(چه با رویکرد سنجش از دوری و چه با رویکرد اصلی این مباحث: مهندسی برق، کامپیوتر) و چه به صورت جامع با تدریس افراد متخصص در زبان پایتون و حوزه یادگیری عمیق در سایتتون بیشتر منتشر کنید.
در حال حاضر زبان برنامه نویسی پایتون پر طرفدار ترین زبان برنامه نویسی است، اما متاسفانه در سایت شما بیشتر به زبان R پرداخته میشه و یا آموزش هایی که هست، قدیمی هستن . لطفا در بحث یادگیری عمیق و ماشین از متخصصین رشته های برق و کامپیوتر که تسلط بیشتری به این مباحث دارند. استفاده کنید
متشکرم از سایت خوبتون
احمدنجفی –
سلام خدمت شما و ممنون از پیشنهادتون
موارد زیر را مشاهده کردید؟
رگرسیون: گام اول Deep Learning یا یادگیری عمیق در پایتون – یادگیری عمیق با پایتون
طبقه بندی: گام دوم Deep Learning یا یادگیری عمیق در پایتون
خوشه بندی و کاهش ویژگی: گام سوم و چهارم از یادگیری عمیق در پایتون
شبکه های عصبی مصنوعی: گام پنجم از یادگیری عمیق در پایتون
امیرحسین احراری –
با سلام و احترام
ممنون از پیشنهاد شما.
بله با شما موافق هستیم که پایتون در حال حاضر کارایی بیشتری دارد اما مشکل مدرسین برق و کامپیوتر این هست که اگرچه تسلط برنامه نویسی بیشتری دارند اما عدم آشنایی آن ها با کاربردهای سنجش از دور و GIS باعث میشه که دوره هاشون خیلی کاربردی نباشه. الان در سایت های مختلف اگر مراجعه کنید آموزش های بسیار زیادی در زمینه پایتون و یادگیری ماشین هست (که توسط همین متخصصین تولید می شود) اما از لحاظ محتوا با ماهیت داده های ماهواره ای و مکانی و موضوعات کاربردی حیطه های ما همخوانی ندارد. با این حال اگر مدرسی در این زمینه پیدا کنیم حتما آموزش ها شون در سایت منتشر خواهد شد.
من تو دانشگاه در حال حاضر با متخصصین کامپیوتر در پروژه های زیست محیطی همکاری دارم ولی متاسفانه بدلیل عدم آشنایی با سنجش از دور و GIS هیچ نقشی در حل مشكلات برنامه نویسی ما ندارند. تعداد متخصصین برق و کامپیوتری که با کاربردهای ما آشنایی داشته باشند بسیار کم هست.
موفق باشید
مهدی –
سلام وقتتون بخیر
ممنون از پاسخ گوی شما دو عزیز
بله در سایت های مختلف آموزش های جامع در زمینه یادگیری عمیق و ماشین وحود دارد، البته در زمینه آموزش های موضوعی یادگیری عمیق برای مثال استفاده از شبکه هایCNN وGAN در پردازش تصاویر مختلف نه صرفا تصاویر ماهواره ایی، جای این آموزش ها خالی است
البته در زمینه gis به صورت محدود در سایت های مختلف آموزش هایی وجود دارد. اما در زمینه کار های سنجش از دوری، دانشکده های نقشه برداری تهران و خواجه نصیر گاهی دوره هایی رو برگزار میکنند، که میتوان با این مدرسین صحبت میکند
خیلی ممنون
امیرحسین احراری –
ممنون از پیشنهاد شما. ولی نظر شخص من هست (شاید بسیاری مخالف این باشند) که کار با تصاویر دیجیتالی غیرمرتبط با علوم مکانی کمک کننده نیست. من قبلا در کار با متلب این موضوع رو تست کردم و اصلا تجربه خوبی در این زمینه نداشتم. دوره هایی هم در این زمینه هرچقدر محدود برگزار کردیم و خروجی های مناسبی نداشته.
به هر صورت در صورتی که مدرسی در این زمینه علاقه مند به تدریس در سایت ما باشه استقبال خواهیم کرد.
موفق باشید
امید رضا کفایت مطلق –
با درود و احترام
نخست جا دارد از جناب مهندس احراری بابت کلاس های مفید و کاربردی قدردانی کنم. واقعا قابل تحسین هستین..
بنده دانشجوی دکتری آب و هواشناسی هستم و برای بخشی از رسالم نیاز پرودکت NDVI مودیس با تفکیک زمانی روزانه دارم. اما متاسفانه تفکیک روزانه این پرودکت رو نه تنها در مودیس بلکه در سایر سنجنده ها نیافتم. تنها سنجنده ای که روزانه داشت AVHRR بود که اونم تفکیک مکانیش 0.05 درجه (5600 متری) بود. اگر پرودکتی با تفکیک روزانه و تفکیک مکانی 500-1000 متری موجوده یا روشی برای تبدیل 16 روزه به روزانه هست، ممنون میشم راهنمایی بفرمایید.
پیشاپیش از حسن نیت حضرتعالی سپاسگزارم.
ارادتمند
کفایت مطلق
امیرحسین احراری –
با سلام و احترام
ممنون از پیام شما. داده های NDVI مادیس بصورت روزانه در لینک زیر در دسترس است. در سامانه ارث انجین می توانید فراخوانی و استفاده کنید. داده بصورت 500 متری هست.
https://developers.google.com/earth-engine/datasets/catalog/MODIS_MOD09GA_006_NDVI
موفق باشید
امید رضا کفایت مطلق –
با درود مجدد و سپاس از راهنماییتون..
جسارتا بنده همین پرودکت رو برای ی روز خاص دانلود کردم و قبل از اجرای فرمول fillvalue و scalefactor هم تصحیح کردم. اما خروجی NDVI خارج از دامنه آن می بود. البته وقتی قبل از اجرای فرمول NDVI ، از داده های هریک از باندها قدر مطلق گرفتم خروجی درست شد و دامنه بین 1- و 1+ قرار گرفت. به نظر شما قدرمطلق گرفتن از داده ها درسته؟ هرچند که باز هم Gap آماری بالایی وجود خواهد داشت. برای کم کردن این گپ های آماری پیشنهاد خاصی دارین؟
بازم از راهنماییتون صمیمانه سپاسگزارم
امیرحسین احراری –
با سلام و احترام
قطعا در کد شما ایرادی وجود دارد. به هیچ عنوان آماده سازی داده ها نیاز به قدرمطلق گیری ندارد چون ماهیت داده ها تغییر می کند.
موفق باشید