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
Milad –
سلام وقت بخیر
میخواستم بپرسم به جای SVR میتونیم از رگرسیون خطی استفاده کنیم؟
و اینکه رگرسیون سری زمانی تصاویر رو در نظر میگیره یا فقط برای یک تاریخ قابل انجام هست؟
Mohammad Kakooei –
سلام
بله میتوانید. یعنی از هر رگرسوینی میتوانید استفاده کنید و نتیجه را بررسی کنید. اما روشی که در مقاله پیشنهاد شده بر مبنای SVR است.
در اینجا نیاز به انحراف از معیار باند vv است و در نتیجه حداقل به ۳ تصویر سری زمانی نیاز است.
موفق باشید
Hasan –
سلام وقت بخیر
ممنون
بله منظورم وجود درخت هست که امواج ماکرویو رو تضعیف میکنه و scattering رو موج برگشتی ایجاد میشه. اگر بخوام توی مناطق جنگلی رطوبت رو حساب کنم چه پارامترهایی رو به عنوان وردی انتخاب کنم که دقت تخمین توی مناطق جنگلی بهتر بشه و تاثیر درخت کمتر باشه؟
اگ بخوام از تصاویر ماکرویو اکتیو و پسیو باهم استفاده کنم چون این تصاویر در دیتاست گوگل ارث انجین نیست میتونم به گوگل ارث انجین ایمپورتشون کنم بعد در gee کار کنم؟
Mohammad Kakooei –
سلام
بله، میتونید تصاویر رو به GEE ایمپورت کنید و از داده ها استفاده کنید. البته اندازه کل داده ها نباید از 250 گیگ بیشتر باشد.
من در مورد جنگل تجربه ای ندارم. اگر مقاله خاصی مد نظر شما است بفرمایید.
موفق باشید
Hasan –
سلام وقت بخیر
در مناطق جنگلی که پوشش گیاهی بر روی تصاویر رادار تاثیر دارد به نظر شما چه پارامتر هایی از تصاویر رادار رو میتونیم به عنوان ورودی الگوریتم اضافه کنیم که تاثیر پوشش گیاهی در ارزیابی رطوبت رو کمتر کند؟
Mohammad Kakooei –
سلام
منظورتون از پوشش جنگلی مناطقی که درخت داره؟!
برای ارزیابی رطوبت در محیط بیابانی مسئله پوشش گیاهای وجود نداره. در مناطق کشاورزی هم رطوبت خاک با تصاویر راداری در تصاویری سنجیده میشود که محیط دارای پوشش گیاهی از محصول نباشد.
موفق باشید
سمانه –
با سلام و وقت بخیر
من این آموزش خریداری کردم، منتهی نتیجه پهایی من یک حالت نوار نوار شدگی داره، ممنون میشم راهنماییم کنید مشکل از چیه
ممنون
https://code.earthengine.google.com/ce4c9b1e87e755b5fc503ac6434747d9
Mohammad Kakooei –
سلام
شما باید داده های موجود در کد خود را share کنید تا کد توسط دیگران قابل اجرا باشد.
سمانه –
من چطور میتونم فایل محدودمو بفرستم خدمتتون؟آدرس ایمیلتون لطف میکنید در اختیارم قرار بدید
Mohammad Kakooei –
از بخش share فایل به صورت any one can read اون رو مارک کنید.
سمانه باقری –
https://code.earthengine.google.com/?asset=users/samanehbagheri99/area
سلام و وقت بخیر
ببینید الان قابل اجرا هستش.
باتشکر
سمانه باقری –
با سلام
من این محصول را خریداری کردم منتهی فقد فایل کد بود . ممنون میشم کد اجراشده را برای من ارسال کنید
احمدنجفی –
سلام
کدها هم به رسید خریدتون ارسال شده. لطفا ایملتان را چک کنید.
غزاله باباپور –
سلام با تشکر از آموزش بسیار عالی شما، در بخش دوم شما از ۲ ماه جهت تهیه داده های آموزشی استفاده کردین و گفتین داده های تست هم نیاز به تغییر دارد، ادغام داده های آموزشی برای یک سال با دستور Merge انجام می شود. سوال من اینه برای تهیه داده های تست در یک سال هم باید هر 5 دیتایی که به صورت ماهانه بدست می آوریم با دستور addBands ادغام کنیم؟ ممنون میشم راهنمایی کنید.
Mohammad Kakooei –
سلام
متوجه سوال شما نشدم. لطفا با جزییات بیان کنید که هدف شما چیست؟
N.n –
سلام وقت بخیر جناب کاکوئی
ممنون میشم اگر محصولی در زمینه ماشین لرنینگ در سنجش از دور و اموزشی که در این روش استفاده کردین معرفی بفرمایید یا اگر منبعی نیسز سراغ دارین بفرمایین
Mohammad Kakooei –
سلام
فارغ ار منبع؛ فلوچارت روش استفاده شده در توضیح محصول در بالای صفحه ارائه شده است. همچنین، مقاله ای که در اینجا به عنوان مبنا استفاده شده در اولین ویدئو معرفی شده است.
موفق باشید
omid –
سلام
تفکیک زمانی این چجوری هست؟
Mohammad Kakooei –
سلام
داده اصلی در اینجا سنتینل-۱ است و با توجه به اینکه انحراف از معیار باند vv باید محاسبه شود و حداقل به ۳ تصویر نیاز است، میتوان گفت مقدار متوسط را در بازه زمانی ۳ تصویر ارزیابی میشود که با توجه به منطقه حدود دو هفته تا یک ماه خواهد بود.
یگانه قمری قلعه –
سلام وقت شما بخیر
جناب دکتر من میخوام رطوبت خاک رو از سال 1401 به بعد و برای هر دوره تصویر برداری تصاویر راداری که هر 6 یا 12 روزه تصویر بردای انجام می شود جداگانه بدست بیارم نه به صورت سری زمانی. این فیلم آموزشی رو هم تهیه کردم و در این اموزش شما از نقشه کاربری سال 2018 استفاده کردین و تصاویر در بازه ماهانه هستش. الان من برای کار خودم باید کدوم قسمت از داده های ورودی رو تغییر بدم تا نتیجه درست و قابل قبولی بگیرم؟ ممنون میشم راهنمایی بفرمایید؟
Mohammad Kakooei –
سلام
ابتدا به مقاله مرجع مراجعه کنید. مقاله مرجع شامل تولید نقشه رطوبت و ارزیابی آن در زمان های مختلف است که در این آموزش به بخش تولید نقشه پرداخته شده است.
همچنین موضوع مورد نظر شما با موضوع مقاله تفاوت دارد و قابلیت اعمال آن به هر تصویر جدید نیاز به ارزیابی دارد.
mohammad mahdi –
سلام
از مدل های backscatter میتونیم تو ماشین لرنینگ برای ارزیابی رطوبت خاک استفاده کنیم؟
Mohammad Kakooei –
سلام
منظورتون از مدل backscatter چیه؟
Mohammadmahdi –
سلام
مدل هایی هستند مثلIEM(Integral equation model) که بسته به نوع خاک ضرایب پراکندگی vوhتصاویر رادار رو محاسبه میکنند.
Mohammad Kakooei –
سلام
مدلی که اشاره کردید یک مدل پارامتری با راه حل معین هست که البته نحوه تحلیل آن را میتوان به صورت های ابتکاری بررسی کرد.
مدل های ماشین لرنینگ هم انواع پارامتری و غیرپارامتری دارند و محدود به موارد خاصی نیستند و اگر منظورتان این است که بدون حل روابط انتگرالی بتوان با روش های ماشین لرنینگ جواب را تخمین زد، به نظرم قابل انجام است. اما من تجربه ای در این زمینه ندارم.
موفق باشید
محمد –
سلام
از داده های FLDAS واسه اموزش استفاده شده برای ارزیابی رطوبت یا داده هایی که سر زمین برداشت شده؟
Mohammad Kakooei –
سلام
اصولا برای انجام یک پروژه مطالعاتی به داده های میدانی نیاز است. اما برای آموزش روش و اینکه اجرای آن برای همه کابران ممکن باشد، در اینجا به عنوان مثال، داده های هدف از نقشه FLDAS نمونه برداری شده است و به داده های میدانی متکی نیست. با این کار گرچه رزولوشن مکانی نقشه تولید افزایش می یابد، اما دقت شما محدود به دقت داده FLDAS میشود که برای یک کار پژوهشی مناسب نیست.
موقث باشید