تعیین رطوبت خاک با استفاده از داده های راداری – محاسبه رطوبت خاک با سنتینل 1
۵۲۰,۰۰۰ تومان
- مدرس: محمد کاکوئی
- تخصص: متخصص برنامه نویسی، پردازش تصویر و سنجش از دور
- موضوع: تعیین رطوبت خاک با داده های راداری
- نرم افزار: سامانه گوگل ارث انجین
- ماهواره: سنتینل ۱
- فرمت آموزش: ویدئوهای آموزشی MP4
- طول آموزش: ۱ ساعت و ۲۰ دقیقه
- کد تمرینی: دارد
توضیحات
در این محصول تعیین رطوبت خاک با استفاده از داده های راداری محاسبه می شود. در واقع محاسبه رطوبت خاک با سنتینل ۱ انجام می شود. میزان رطوبت خاک دارای اهمیت زیادی در چرخه آبی است. همچنین، در مباحث مربوط به کشاورزی می تواند شاخصی برای خشکسالی باشد. در نتیجه، موسسات کشاورزی و کشاورزها می توانند از اطلاعات پردازش شده بهره ببرند. یکی از کاربردهای تعیین رطوبت خاک مربوط به شناسایی ناهنجاری ها و بلایای طبیعی از قبیل خشک سالی، سیل و رانش زمین است. برای این کار باید تصاویر سری زمانی تحلیل شوند تا روشی با قابلیت اطمینان بالا طراحی شود.
به دلیل اینکه داده های راداری به شرایط جوی و زمان تصویربرداری وابسته نیستند، قابلیت اجرایی بالایی در مناطق مختلف دارند. داده های سنتینل ۱ با رزولوشن ۱۰ متر به عنوان داده های اصلی در این آموزش مورد استفاده قرار گرفتند. هم اکنون، به جز سنتینل ۱، ماهواره دیگری وجود ندارد که داده هایی با این دقت را به صورت رایگان ارائه دهد.
همچنین داده های پیش پردازش شده landcover classification به عنوان یکی از ویژگی های ورودی به الگوریتم طبقه بندی استفاده شد. از داده های FLDAS به عنوان هدف طبقه بندی بهره بردیم. داده استفاده شده از رطوبت عمق ۰ تا ۱۰ سانتی متر است که به عملکر سنتینل ۱ نزدیک باشد (طول موج – برابر ۵ سانتی متر است).
برای پیاده سازی از محیط پردازش ابری GEE (Google Earth Engine) بهره بردیم. در این محیط دسته های داده مختلفی در دسترس هستند، توان پردازشی بالایی دارد و فضای کدنویسی آن پیچیده نیست.
تعیین رطوبت خاک با استفاده از داده های راداری
توضیحات محصول آموزشی
روندی که این آموزش برای تعیین میزان رطوبت خاک در بستر GEE انجام می دهد در شکل زیر نشان داده شده است.
تعیین رطوبت خاک با استفاده از داده های راداری
ویژگی های آموزشی عبارتند از باند VV، زاویه برخورد، میانگین زمانی VV، انحراف از معیار باند VV و نوع پوشش زمین.
هدفی که برای هر نمونه داده در نظر گرفته می شود برابر رطوبت خاک در عمق ۰ تا ۱۰ سانتی متر است. فرایند آموزش توسط روش های یادگیری ماشین (جنگل تصادفی و SVM) انجام می شود و رطوبت خاک با رزولوشن مکانی ۱۰ سانتی متر تولید می شود.
تصویر رطوبت خاک پیش پردازش شده FLDAS
محاسبه رطوبت خاک با سنتینل ۱
تصویر رطوبت خاک تولید شده با سنتینل-۱
عناوین آموزشی
عناوین آموزش داده شده عبارت است از:
- فراخوانی داده پیش پردازش شده رطوبت خاک در GEE از سال ۱۹۸۲ تا ۲۰۱۹
- فراخوانی داده پیش پردازش شده نوع پوشش سطح زمین
- فراخوانی داده سنتینل ۱ در مکان و زمان مشخص
- محاسبه میانگین تصاویر سری زمانی
- محاسبه انحراف از معیار تصاویر سری زمانی
- تشکیل پایگاه داده شامل ویژگی ها و هدف برای آموزش الگوریتم طبقه بندی
- نمونه برداری از پایگاه داده
- ترکیب نمونه های مختلف که در زمان های متفاوت تشکیل شده اند
- آموزش الگوریتم طبقه بندی و اعمال به داده های تست
ویدئوی معرفی آموزش
تعیین رطوبت خاک با استفاده از داده های راداری:
نقد و بررسی‌ها
محصولات مرتبط
سلطانی –
با سلام.من طبق فیلمی که تدریس کردین میخوام داده های GLDAS را فراخوانی کنم اررو میده .نمیدونم چرا؟یا اگه میشه آیدیتون یا ایمیلتونو بدین سوالمو کامل تر بپرسم یعنی از خطایی که داره عکس بگیرم بفرستم.و سوال دوم تعیین شوری خاک با تصاویر رادار فیلمی دارین؟
Mohammad Kakooei –
سلام
میتوانید با ایمیل من در ارتباط باشید
kakooey.m@gmail.com
خیر، هنوز برای شوری خاک با داده های راداری محصولی تولید نکرده ام
امیدمحمدی –
سلام
وقت بخیر
ببخشید یک سوال داشتم از رطوبت خاک،خاستم راهنمایی کنید
اموزش رطوبت خاک از سنتینل ایا به دادهای مشاهداتی نیاز داره اگر بخاهیم برای یکسال ان را استخراج کنیم ؟
روشی که برای محاسبه ی ان استفادید کردید ایا روش منحصربفردی هست یا اینکه روشهای متعددی وجود داره ؟
چون من برای کارم میخاستم از دادهای رطوبت خاک اماده استفاده کنم میبینم دقتشون کم هستن حالا اگر بخام از این محصول استفاده کنم واسه یکسال ایا حجم کار و زمانی که نیاز هست چقدر میتونه باشه ؟
ممنونم
سارا یوسفی –
برای چندین محصول گندم، چغندرقند و محصولات باغی. تا عمق ۱۵ سانتی متری
Mohammad Kakooei –
محدوده بررسی و کاربرد شما از زمینه های فعال در تعیین رطوبت خاک است و قطعا به داده های میدانی نیاز دارید.
سارا یوسفی –
با عرض سلام
من محصولی در رابطه با ذخیره رطوبت خاک جهت به دست آوردن میزان نیاز آبیاری می خواهم آیا در این آموزش این موارد وجو دارد؟ و با توجه به اینکه داده های مشاهداتی در منطقه در رابطه با رطوبت خاک موجود نیست از چه طریقی می توان اعتبارسنجی را انجام داد؟
با تشکر
Mohammad Kakooei –
سلام
بستگی به کاربرد شما دارد و ممکن است این آموزش برای شما مفید و یا به کار شما بی ربط باشد.
آبیاری چه محصولی مد نظر است و در چه عمقی به رطوبت خاک نیاز دارید؟
سعید –
سلام وقت بخیر با عرض پوزش استخراج رطوبتی که ارائه فرمودی صحیح نیست در واقع شما بر اساس چند دیتا ارائه نمودی در صورتی که پارامترهای سطحی را در محاسبات لحاظ نفرمودی مانند زبری سطح^-ثابت دی الکتریک با احترام
Mohammad Kakooei –
سلام
وقتی از تکنیک های داده کاوی بهره میبریم، در واقع امیدواریم که متغیرهای فیزیکی را در ویژگی های استخراجی لحاظ میکنیم. با این وجود، تحقیقات در مورد نحوه محدود کردن نتایج با توجه به پارامترهای فیزیکی، یک زمینه فعال هست.
در اینجا از یک مقاله ۲۰۱۹ که در مجله ISI با عنوان Physics and Chemistry of the Earth چاپ شده است استفاده کردیم. در واقع در این محصول و اکثر محصولات سایت، روشی ابداع نمیکنیم، بلکه از روش هایی که در مجلات معتبر چاپ شده است بهره میبریم و آن ها را در بسترهای مختلف پیاده سازی میکنیم.
موفق باشید
mohammad sadegh tahmouresi –
عرض سلام و احترام کد این ویدیو آموزشی رو عم اکر میشه با ویدیو در اختیارمون میزارین سپاس
Mohammad Kakooei –
سلام
بله، ممکن هست..
شما میتوانید از باند ۲ و ۷ مادیس استفاده کنید… ولی در مورد دقتش اطلاع ندارم
اگر مفاله ای در این مورد دیدم، حتما محصول تولید میکنم…. شما اگر رفرنسی دارید همین جا اطلاع دهید.
پی نوشت:
در محصول زیر از لندست ۸ برای تولید رطوبت خاک استفاده شده که میتونه مفید باشه
https://girs.ir/soil-humidity
در محصول زیر از باند ۲ و ۷ مادیس برای شناسایی مناطق دچار آتش سوزی استفاده شده است.
https://girs.ir/استفاده-از-google-earth-engine-برای-شناسایی-مناطق-آتش-س
پیمان –
سلام آیا امکان پذیر هست که با استفاده از داده های مودیس در تفکیک مکانی ۲۵۰ متر هم بتوان شاخصی برای رطوبت خاک تعریف کرد؟
در صورت مثبت بودن پاسخ شما برنامه ی برای ساختن این محول آموزشی دارید.
محدوده مورد مطالعه من توسط تصاویر مودیس بهتر پوشش داده میشه
متاسفانه داده های FLDAS دقت پایین داره و این آموزش که شما زحمت کشیدید دقت بسیار بالا
مونا –
سلام ممنون از آموزشتون ولی تو قسمتی که باید میانگین بگیر از vvهمش یا خطای تعریف نشده میده یا vv_mean: Layer error: reduce.mean: Error in map(ID=null):
Image.select: Pattern ‘vv’ did not match any bands یا این خطاست میشه لطفا راهنمایی کنید ؟؟؟
mohammad kakooei –
سلام
با get link لینک کدتون رو بگیرید و برای من ایمیل کنید
Kakooey.m@gmail.com
امیر –
با سلام رطوبت محاسبه شده با سنتیل ۱ همون رطوبت سطحی خاک است؟ اگر نه که رطوبت خاک در چه عمق هایی محاسبه میکنه با تشکر
Mohammad Kakooei –
سلام
با تبعیت از مقاله ای که برای این کار بهره بردیم، داده استفاده شده از رطوبت عمق ۰ تا ۱۰ سانتی متر است که به عملکر سنتینل ۱ نزدیک باشد (طول موج سنتینل-۱ برابر ۵ سانتی متر است).
موفق باشید
mohammad sadegh –
سلام خسته نباشید
من این آموزش رو تهیه کردم یه سوال خدمتتون داشتم دقت کدوم ماهواره برای رطوبت خاک تو حوضه دریاچه ارومیه از همه بیشتره؟
سنتینل ۱ یا SMOS یا SMAP یا …؟
Mohammad Kakooei –
سلام
قطعا سنتینل-۱ دارای دقت بیشتری هست. بعید میدانم که SMOS و SMAP برای مطالعه مد نظر شما، کاربرد داشته باشه.
موفق باشید
امیرسپهر شاملو –
با سلام امکانش هست پایش ماهواره ای بارش را هم تدریس کنید
Mohammad Kakooei –
سلام و وقت بخیر
فعلا برنامه ای برای تولید ندارم.
ان شالله در آینده، محصولی در این زمینه آماده میکنم.
سلطانی –
با سلام.ایا فیلم آموزشی در رابطه با شوری خاک از تصاویر رادار دارید؟
mohammad kakooei –
سلام
این آموزش به زودی در سایت قرار خواهد گرفت
ahmad_frahmand –
سلام و درود!
نتیجه اجرا کد شما در قسمت میانگین لایر سنتینل این هست!S1_col_01.select(…).mean is not a function
لطفا رهنمایی کنید
ahmad_frahmand –
سلام و روز بخیر!
جناب کاکویی تشکر از بحث علی تان . کد هایکه نوشتید برای من چند ین بار خطا میدهد. لطفا نموده رهنمایی کنید .
S1_VV_LIA_01: Layer error: List.get: List index must be between 0 and 1, or -2 and -1. Found 2.
بعد از اینکه بخواهی به لیست تبدیل کنید این خطا را دریافت می کنید .
بعد در گرفتن میانگین هم و الی اخر هیچ کد پیش نمیرود و در کد دست کاری هم نکردیم کد های خود شما هست. لطفا رهنمای کنید /
درود
mohammad kakooei –
سلام و وقت بخیر. خواهش میکنم
لینک ها رو تست کردم، سالم هستند
این خطا یعنی وقتی به لیست تبدیل میشه و میخوای ازش get کنی بیشتر از اندازه لیست داری فراخوانی میکنی
ببین اندازه imageCollection چقدر هست تا اندازه رو رعایت کرده باشی
میتونی لینک کد رو برای من بفرستی تا ببینم کجاش ایراد داره
kakooey.m@gmail.com
موفق باشید
امیرحسین –
با عرض سلام و تشکر بابت آموزش عالی تون
ببخشید من زمانی که یک محدوده نسبتا بزرگتری رو انتخاب می کنم با خطای زیر مواجه می شوم ممنون میشم راهنمایی بفرمایید
Feature Collection (Error) User memory limit exceeded
mohammad kakooei –
سلام و تشکر از لطفتون
خطا که مشخصه. “User memory limit exceeded” یعنی بیشتر از میزان تعریف شده برای هر کاربر به حافظه نیاز داره. و همون طور که گفتید احتمالا با توجه به محدوده بزرگی که انتخاب کردید این اتفاق افتاده.
نمیدونم کجای کد به مشکل میخورید ولی احتمالا با Export کردن نتیجه، مشکل حل بشه
برای بررسی دقیق، لینک کدتون رو برای من ایمیل کنید تا یک راه حل پیدا کنم
kakooey.m@gmail.com
سیاوش –
با سلام و قدردانی از مبحث آموزشی بسیار عالی شما
لطفاً در مورد عمق رطوبت محاسبه شده و واحد محاسبه شده رطوبت توضیحاتی ارائه دهید. با تشکر
mohammad kakooei –
سلام و وقت بخیر
لطف دارید
در مورد عمق رطوبت در توضیح این محصول ذکر شده و همون رو اینجا کپی میکنم، ” داده استفاده شده از رطوبت عمق ۰ تا ۱۰ سانتی متر است که به عملکر سنتینل ۱ نزدیک باشد (طول موج برابر ۵ سانتی متر است).” و این استدلال مبتنی بر مقاله ای است که برای آموزش از اون بهره بردیم.
واحد هم به صورت (m3/m3) بیان میشه (متر مکعب بر روی متر مکعب). که معیار معمولی برای بیان حجم آب در حجم خاک است.
علی –
سلام با تشکر از اموزش بسیار عالی شما، سئوالی که داشتم اینه که در بخش دوم شما از ۲ ماه جهت تهیه داده های اموزشی استفاده کردین و پیشنهاد دادین که می توان جهت یکسال نیز این داده ها رو تهیه کرد، سئوال من اینه بعد تهیه این موارد برای یک سال در کدام بخش کد باید جهت تعیین یک تصویر مشخص در یک تاریخ خاص رو معین کنیم تا میزان رطوبت خاک رو محاسبه کنه،
همچنین در صورت امکان در خصوص عمق و واحد رطوبت محاسبه شده توضیحاتی ارائه دهید.
با سپاس فراوان
mohammad kakooei –
سلام، لطف دارید
مانند تغییری که از بخش اول به بخش دوم ایجاد شد. این کار باید چند بار (به تعداد ماه های مورد علاقه) تکرار بشه و در هر کدام هم داده های FLDAS و هم داده های Sentinel-1 را با filterDate فیلتر کنید.
در نهایت تمامی نمونه هایی که تولید کردید را با هم یکی کنید (مشابه خط ۹۹ بخش دوم) و نقشه نهایی را تولید کنید.
موفق باشید
بهروز رستمی –
با سلام
خرید این محصول امکان پذیر نیست، لطفا بررسی کنید
با تشکر
احمد نجفی –
سلام
مشکلی وجود ندارد. مجددا سعی کنید.
نگین –
سلام
میشه روی این محصول تخفیف بزارید؟
مهدی احمدی –
سلام
آیا پوشش گیاهی منطقه مورد مطالعه (مثلا منطقه مذکور دارای زراعت نیشکر باشد) تاثیری بر پردازش رطوبت خاک می‌گذارد!؟
با تشکر
Mohammad Kakooei –
سلام
بله، حتما تنوع پوشش گیاهی بر پردازش رطوبت خاک موثر هست
تنوع پوششی که در این آموزش مد نظر قرار گرفته است، شامل ۱۷ کلاس بودند که به عنوان نمونه عبارت بودند از:
۱- جنگل سوزنی همیشه سبز
۲- جنگل پهن برگ همیشه سبز
۳- جنگل سوزنی دارای برگ ریزان
۴- جنگل پهن برگ دارای برگ ریزان
….
۱۰- مرتع
۱۱- تالاب های دائمی
۱۲- مزارع زراعی
۱۳- مناطق شهری
….
البته با تمرکز به نوع مزارع زراعی هم امکان بررسی جداگانه وجود دارد
موفق باشید
Mohammad Kakooei –
سلام
بله، نوع پوشش منطقه بر تحلیل میزان رطوبت خاک موثر است. در این آموزش ۱۷ نوع کلاس برای منطقه در نظر گرفته شده است که برخی از آن ها عبارت بودند از:
۱- جنگل سوزنی برگ همیشه سبز
۲- جنگل پهن برگ همیشه سبز
۳- جنگل سوزنی برگ دارای برگ ریزان
۴- جنگل مختلط
۵- مرتع
۶- مزارع زراعی
۷- اراضی شهری
و ……
برای تحلیل بیشتر می توان نوع مزارع زراعی را هم در تحلیل در نظر گرفت.
موفق باشید
احمد سمیر –
سلام و درود! خیلی عالی ، اما اگر یک آموزشی روی تشخیص ضخامت برف روی همین تصاویر راداری ارائه نمایید خیلی عالی خواهد شد
mohammad kakooei –
سلام، سلامت باشید
ان شالله در آینده نزدیک تولید میشه