بالاترین کیفیت
در پنج دهه اخیر به دلیل توسعه، مخاطرات محیطی رشد فزاینده ای داشته است که از جمله آن می توان به مخاطراتی همچون زمین لغزش، فرونشست زمین، سقوط بهمن، آتش سوزی و سیل اشاره نمود. معمولاً این مخاطرات به صورت مستقل مورد مطالعه قرار می گیرند اما به عنوان یک مجموعه جامع برای به منظور پیشبرد دانش و بهبود مدیریت و کاهش خسارات مالی و جانی ناشی از این مخاطرات طبیعی نیاز به توصیف همزمان دارند.
آتش سوزی، سیل و زمین لغزش به دلیل تغییر اقلیم و گرمایش جهانی از شایع ترین خطرات در کشور هستند که میزان وقوع آنها هر ساله در حال افزایش می باشد، به طوری که میانگین خسارات اقتصادی سالانه ناشی از زمین لغزش و سیل در ایران حدود 1705000 دلار برآورد گردیده است. از این رو شناسایی مناطق دارای پتانسیل بالای این مخاطرات می تواند به مدیران جهت برنامه ریزی و کاهش خسارات کمک شایانی نماید.
در سالهای اخیر با پیشرفت فناوری، حجم داده های کلان رشد بسیار چشمگیری داشته است. تحلیل این داده ها و کسب اطلاعات از منابع انبوه داده ها، ضرورتی اجتناب ناپذیر و یک چالش بزرگ محسوب میگردد. با توجه به این که، در دنیای امروز تصمیم سازی های تاثیرگذار در حوزه های مختلف و من جمله مدیریت بحران، بر اساس داده ها می باشد، از این رو، پردازش و تحلیل داده ها و کسب نتایج از این داده ها، به بخش جداییناپذیری از فرآیند تصمیم گیری تبدیل شده است و متخصصین تحلیل داده ها میتوانند در حل مسائل و چالشهای سازمانها نقش های کلیدی ایفا نمایند.
مدل سازی و تحلیل داده ها به عنوان یکی از برترین فناوریها، فرآیندهای تصمیمگیری را با استفاده از سیستمهای کامپیوتری تقریباً در تمام حوزهها، تسهیل می نماید. ازاینرو لزوم آشنایی با زبان برنامهنویسی و نرمافزارهایی که بستر مناسبی را به منظور تحلیل این داده ها فراهم می نمایند، بیش از پیش قابلدرک است، که در این میان، R یک زبان برنامهنویسی و نرم افزار جامع و ایده آل برای تحقق این اهداف می باشد که از محبوبیت بسیار زیادی در بین پژوهشگران و محافل علمی دنیا برخوردار می باشد.
در این آموزش، کار با نرم افزار و زبان برنامه نویسی R به همراه چگونگی مدل سازی مخاطرات طبیعی آموزش داده شده است.
بخش کوتاهی از ویدئوی جلسه ششم این دوره
بخش کوتاهی از ویدئوی جلسه ششم این دوره توضیحات
به طور کلی در تمامی رشتهها و حوزه هایی که روشهای آماری و مدل سازی بخشی از محاسبات و اهداف پروژه های تحقیقاتی می باشد میتوان از آن استفاده نمود. به منظور ارزیابی مخاطرات محیطی به داده های مکانی و زمانی نیاز است به طوری که در مخاطرات طبیعی، عوامل محیطی و پویا نقش دارند. عوامل محیطی شامل توپوگرافی (ارتفاع از سطح دریا، شیب و جهت جغرافیایی)، زمین شناسی (انواع صخره ها، عمق خاک و ویژگی های سنگ مادر)، هیدرولوژی (فاصله از رودخانه ها، تراکم زهکشی ها، زهکشی و رطوبت خاک)، ژئومورفولوژی (واحدهای فیزیوگرافی و واحدهای ریخت شناسی زمین)، جاده ها، ساخت و سازها و عوامل زیست محیطی همانند میزان بارندگی، درجه حرارت، رطوبت نسبی، خصوصیات پوشش گیاهی و غیره نقش های مهمی ایفا می نمایند.
به منظور کنترل مخاطرات محیطی در درجه اول نیاز به شناسایی مهمترین عوامل تأثیرگذار روی این مخاطرات و سپس شناسایی مناطق بحرانی برای هر یک از مخاطرات محیطی است که در صورت شناسایی همزمان و میزان همپوشانی آن ها نیز می تواند برای مدیریت و کنترل بهتر مورد استفاده قرار گیرد. مرور مطالعات نشان می دهد که هر یک از روش های مدل سازی دارای نقاط قوت و ضعف می باشد و به طور کلی رفتار هر مدل بسته به شرایط مختلف منطقه نیز متفاوت میباشد؛ بنابراین مقایسه و بهینه سازی مدل های یادگیری در ارزیابی مخاطرات محیطی دارای اهمیت می باشد.
چه نمونه هایی از مخاطرات طبیعی آموزش داده شده اند؟
- سیل 🌊
- آتش سوزی 🔥
- زلزله 🌟
- زمین لغزش ⚡
در این دوره، سعی ما بر این بود تا با ساده ترین زبان، مطالب به گونه ای ارائه شود تا به چگونگی انجام تحلیل ها و مدل سازی مخاطرات طبیعی در نرم افزار و زبان بسیار قدرتمند R به اندازه ای مسلط گردید تا بتوانید هر پروژه ای را در این نرم افزار پیاده سازی نمایید.
عناوين آموزشی
- مقدمه ای بر زبان برنامه نویسی R
- ساخت و مدیریت مجموعه داده ها در R
- معرفی نرم افزار R-Studio
- بسته های مورد نیاز برای تحلیل داده ها و مدل سازی
- معرفی انواع داده ها و وارد کردن آنها در R
- تبدیل داده های غیر مکانی به داده های مکانی
- وارد سازی داده های مکانی (وکتور و رستر) به R
- تهیه انواع نقشه های مبتنی بر فیزیوگرافی همانند شیب، جهت جغرافیایی، ارتفاع از سطح دریا
- تکنیک های مدل سازی (نظارت شده و نظارت نشده)
- مدل خطی تعمیم یافته (رگرسیون لوجستیک) (Generalized Linear Model)
- مدل های جمعی تعمیم یافته (Generalized Additive Model)
- ماشین بردار پشتیبان (Support Vector Machine)
- درخت تصمیم (Decision Tree)
- الگوریتم های ترکیبی (Ensemble Algorithm)
- جنگل تصادفی (Random Forest)
- درخت رگرسیون تقویت شده (Boosted Regression Tree or Gradient Boosting Machine )
- اعتبارسنجی متقابل و مقایسه تکنیک های مدل سازی
- تهیه نقشه های تعاملی در R با استفاده از بسته mapview
- تهیه نقشه های خروجی در R و تبادل نقشه با سایر نرم افزارها
معرفی مدرس
- سید جلیل علوی
- دانشیار و عضو هیات علمی دانشگاه تربیت مدرس
- مدرس تخصصی زبان برنامه نویسی R در علوم زمین
- مدرس ده ها دوره آموزشی در دانشگاه ها و مراکز علمی معتبر ایران
نازنین –
فیلم جلسه آخر برای من باز نمیشود ( فایل زیپ) لطفا مجدد برایم ارسال کنین ممنون
احمدنجفی –
مجددا فایل را دانلود کنید و تست نمائید.
1686224278 –
سلام من میخواستم کلاس برنه نویسی r مخاطرات طبیعی شرکت کنم
ولی موقع ثبت نام با خطا مواجه میشم
احمدنجفی –
با عرض سلام
لطفا مشکل دقیق خود را به ایمیل زیر اطلاع دهید:
ahmad.najafy@gmail.com
Ghasem3 –
سلام. من دوره را خریدم. ولی رم لبتابم۸ هست. برای انجام کدنویسی مخاطرات حداقل لبتاب با چه مشخصاتی لازم هست؟
سید جلیل علوی –
به نام خدا
با سلام. ضمن سپاس از طرح سوال مهم. در خصوص موردی که مطرح فرمودید باید عرض کنم که همان طور که استحضار دارید در مدلسازی مخاطرات طبیعی در زبان برنامه نویسی R با توجه به اینکه در این گونه تحلیل ها از فایل های رستری استفاده می گردد، ممکن است انجام این تحلیل ها یک کار پیچیده است که شامل مدیریت مجموعه دادههای بزرگ و انجام محاسبات فشرده است. مناسب بودن یک لپتاپ با رم ۸ گیگابایت برای انجام مدل سازی مخاطرات طبیعی به چندین عامل بستگی دارد:
۱. اندازه فایلهای رستری و مقیاس مورد مطالعه: فایلهای رستری بزرگتر برای پردازش به حافظه بیشتری نیاز دارند. اگر فایلهای رستری بسیار بزرگ باشند، ممکن است رم ۸ گیگابایتی کافی نباشد.
۲. پیچیدگی مدلها: مدلهای پیچیدهتر به منابع محاسباتی بیشتری نیاز دارند. اگر مدلسازی مخاطرات طبیعی شامل محاسبات پیچیده باشد، ممکن است به رم بیشتری نیاز باشد.
۳. تعداد وظایف همزمان: اگر چندین وظیفه task یا برنامه به طور همزمان اجرا شوند، رم موجود را به اشتراک می گذارند که می تواند سرعت پردازش را کند کند.
به طور کلی، هر چند RAM هشت گیگابایتی می تواند وظایف سطح پایه تا متوسط را مدیریت کند، برای مدلسازی پیشرفته مخاطرات طبیعی در مقیاس بزرگ و همچنین فایلهای رستری بزرگ، یک لپتاپ با RAM بیشتر (۱۶ گیگابایت یا بیشتر) مناسبتر است.
البته مشخصات کامل سیستم لپ تاپ شما رو ذکر نفرمودید. اگر احیانا در اجرای کدها با مشکل مواجه شدید می توانید از گوگل colab هم به عنوان الترناتیو استفاده کنید که فکر می کنم نسبت به سیستم شما شاید عملکرد بهتری داشته باشد.
موفق باشید
با احترام
علوی
زهرا –
سلام استاد ارور object ‘DEM’ not found برای چیست من همه مراحل رو مطابق شما انجام دادم پکیج رستر را بارگذاری کردم و ورکینگ دایرکتوری رو هم درست ست کردم.
ziba –
سلام. موقع اجرای Maps %
saga$ta_morphometry$slope_aspect_curvature (unit_slope = “percent rise”,
unit_aspect = “degree”,
method = 6)
خطای زیر رو به میدهد
Error in `saga_execute()`:
! [Error] input file:
raster(ncols=6036, nrows=6124, xmn=359561.718750013, xmx=540641.718750013, ymn=3447163.75, ymx=3630883.75, crs=’+proj=utm +zone=39 +datum=WGS84 +units=m +no_defs’)[Error] Elevation
—
Backtrace:
▆
1. ├─DEM %>% …
2. └─saga$ta_morphometry$slope_aspect_curvature(…)
3. └─Rsagacmd::saga_execute(lib, tool, senv, .intern, .all_outputs, .verbose, args)
Run rlang::last_trace(drop = FALSE) to see 1 hidden frame.
>
میشه لطفا راهنمایی کنید؟
سیدجلیل علوی –
به نام خدا
با سلام
لطفا قبل از اجرای هر گونه کدی در R یا RStudio، براساس کد دستوری زیر دو بسته RSAGA و Rsagacmd را نصب کنید و مجددا بسته ها را بارگزاری کنید و تحلیل ها را انجام دهید. باز هم اگر ارور داد لطفا اطلاع دهید.
موفق باشید
با احترام
علوی
devtools::install_github(“r-spatial/RSAGA”, dependencies = TRUE)
devtools::install_github(“stevenpawley/Rsagacmd”)
زهرا دهقان منشادی –
سلام استاد بعد از کد
saga$ta_morphometry$slope_aspect_curvature (unit_slope = “percent rise”,
+ unit_aspect = “degree”,
+ method = 6)
ارور زیر را دریافت میکنم
Error in `saga_execute()`:
! [Error] input file:
raster(ncols=2012, nrows=2042, xmn=359561.718750013, xmx=540641.718750013, ymn=3447103.75, ymx=3630883.75, crs=’+proj=utm +zone=39 +datum=WGS84 +units=m +no_defs’)[Error] Elevation
Run `rlang::last_trace()` to see where the error occurred.
نصب ساگا، لایبرری آن و مراحل را هم طبق توضیحات شما انجام داده ام. ممنون میشم راهنمایی کنید.
سیدجلیل علوی –
به نام خدا
با سلام
لطفا قبل از اجرای هر گونه کدی در R یا RStudio، براساس کد دستوری زیر دو بسته RSAGA و Rsagacmd را نصب کنید و مجددا بسته ها را بارگزاری کنید و تحلیل ها را انجام دهید. باز هم اگر ارور داد لطفا اطلاع دهید.
موفق باشید
با احترام
علوی
devtools::install_github(“r-spatial/RSAGA”, dependencies = TRUE)
devtools::install_github(“stevenpawley/Rsagacmd”)
زهرا دهقان منشادی –
سلام استاد. بسیار از پاسخگویی شما سپاسگزارم. پکیج RSAGA را نصب نکرده بودم. آن را هم نصب و ابتدا هر دوی این لایبرری ها را فراخوانی کردم اما باز هم ارور پابرجاست.
سیدجلیل علوی –
سلام.
ضمن سپاس.
وقت به خیر. لطفا به این آدرس (sjalavi3@gmail.com) ایمیل دهید تا در صورت امکان از طریق نرم افزارهای ارتباط از راه دور نظیر anydesk بتوانم راهنمایی و مشکل شما را حل کنم.
با احترام
علوی
Ghasem –
با سلام و احترام
مدلسازی را انجام دادم و نتایج به صورت
Prediction LS NLS
LS 32 28
NLS 88 383
مشاهده شد. اما برای تهیه نقشه پیش بینی زمین لغزش، پس از اجرای کد
Landslide_Map_GLM head(Landslide_Vars) را اجرا می کنم می بینم که سه لایه مورد استفاده همش NA نوشته شده
Aspect Slope1 Geology
[1,] NA NA NA
[2,] NA NA NA
[3,] NA NA NA
[4,] NA NA NA
[5,] NA NA NA
[6,] NA NA NA
لطفا راهنمایی بفرمایید. چندین مرحله هم تکرار کردم هر بار با همین خطا مواجه می شدم.
سیدجلیل علوی –
سلام. وقت به خیر.
ضمن سپاس، لطفا برای فایل رستری که همان پیش بینی شده است دستور summary را اجرا کنید. ممکن است برای بعضی از پیکسل ها که در داده ی رستری اولیه فاقد مقدار یا value هستند، مقدار پیش بینی شده NA شده باشد. مثلا اگر فایل رستری شما که نقشه پیش بینی هست به نام Landslide_Map_GLM باشد دستور زیر را اجرا کنید:
summary(Landslide_Map_GLM )
این تابع خلاصه آماری از داده ی رستری شما را ارائه می کنید.
اگر داده شما دارای مقادیر آمار توصیفی باشد، همان طور که عرض کردم ممکن است بعضی از پیکسل ها مقدار نداشته باشند.
دستوری که شما ارائه کردید با استفاده از تابع head بوده است که به طور پیش فرض فقط 6 ردیف اول را نمایش می دهید.
موفق باشید
با احترام
علوی
Ghasem –
با سلام من برای رسم گراف VIP در random forest کد زیر را اجرا کردم
set.seed(1434)
(vis <- vi(rf_fit, method = "permute", target = "mpg", nsim = 10,
metric = "rmse", pred_wrapper = Landslide_Vars_DF$brt_Pred, train = mtcars))
Plot variable importance scores#
vip(vis, include_type = TRUE, all_permutations = TRUE,
geom = "point", aesthetics = list(color = "forestgreen", size = 3))
اما قبل از ترسیم با این خطا مواجه شدم
Error in pred_wrapper(object, newdata = train_x) :
could not find function "pred_wrapper"
لطفا راهنمایی کنید. تشکر
Ghasem –
با عرض پوزش بنده سوال قبل را طرح کردم و در ادامه که تلاش کردم؛ با رفع مشکلات کد فوق از جمله تعریف train باز هم ارور زیر موجود است
Error in `[.data.frame`(train, , target, drop = TRUE) :
undefined columns selected
>
سیدجلیل علوی –
به نام خدا
با سلام
این خطا زمانی حادث می شود که شما می خواهید ستونی را در داده خودتان انتخاب کنید که وجود ندارد. لطفا چک کنید تا مطمئن باشید ستون درست را انتخاب کردید.
موفق باشید