پایتون و تحلیل داده‌های ماهواره‌ای – قسمت اول: شناسایی، حذف و بازیابی پیکسل‌های ابری

در این آموزش ویدیویی، روش‌های نوین شناسایی، حذف و بازیابی داده‌های ابری در تصاویر ماهواره‌ای لندست و سنتینل به‌صورت ترکیبی با استفاده از سامانه‌های Google Earth Engine و Google Colab ارائه شده است.

این دوره برای افرادی طراحی شده که آشنایی اولیه با سنجش از دور و محیط گوگل ارث انجین دارند و مایل‌اند مهارت‌های خود را در پردازش تصاویر ماهواره‌ای ارتقا دهند. تمامی مباحث آموزش کاملاً جدید بوده و پیش‌تر در هیچ یک از آموزش‌های فارسی زبان به این شکل مطرح نشده است.

مدرس دوره

دکتر امیرحسین احراری

• عضو رسمی انجمن توسعه‌دهندگان گوگل (Google Developer) در زمینه Google Earth Engine
• پژوهشگر سنجش از دور در حوزه محیط زیست، دانشگاه اولو فنلاند
• نویسنده اولین کتاب آموزشی گوگل ارث انجین به زبان فارسی
• با بیش از 10 سال سابقه تدریس سنجش از دور
• دکتری: مهندسی محیط زیست، دانشگاه اولو فنلاند
• کارشناسی ارشد: سنجش از دور آب و خاک، دانشگاه تهران

معرفی محصول

اهمیت موضوع

پیکسل‌های ابری در تصاویر ماهواره‌ای اپتیکی یکی از بزرگ‌ترین موانع در استفاده دقیق از داده‌ها هستند. حضور ابر باعث می‌شود بخش‌هایی از سطح زمین پوشیده و غیرقابل مشاهده شود و این موضوع به کاهش کیفیت تحلیل‌ها، افزایش خطا و بالا رفتن میزان عدم‌قطعیت در نتایج منجر می‌گردد.

این مشکل به‌ویژه در مناطق مرطوب و فصل‌های سرد بیشتر دیده می‌شود، جایی که تراکم ابر در تصاویر ماهواره‌ای به‌طور مداوم بالاست.

تکنیک‌های رفع مشکل ابر

برای کاهش اثرات ابر، روش‌های متنوعی توسعه یافته‌اند. در این آموزش بر روی دو بخش اصلی تمرکز شده است:

1. شناسایی پیکسل‌های ابری با استفاده از شاخص‌ها و ماسک‌های ارائه‌شده در داده‌های لندست و سنتینل.
2. بازیابی داده‌های از دست رفته با بهره‌گیری از تکنیک‌های آماری در محیط پایتون.

یکی از روش‌های کلیدی مورد استفاده در این آموزش، تکنیک میانگین‌گیری متحرک (Moving Average) است که از تابع rolling در پایتون پیاده‌سازی می‌شود. این روش با بررسی روند تغییرات زمانی در سری داده‌ها، امکان بازسازی مقادیر پیکسل‌های ابری را فراهم می‌کند و به کاهش نوسانات ناخواسته و بهبود کیفیت داده‌های نهایی کمک می‌نماید.

دستاورد شما از این آموزش

با مشاهده ویديوهای این محصول، شما می‌آموزید چگونه:

• پیکسل‌های ابری را در تصاویر ماهواره‌ای شناسایی و ماسک کنید.
• با استفاده از روش‌های آماری مانند میانگین متحرک، داده‌های گمشده را بازسازی نمایید.
• خروجی‌های دقیق‌تر و قابل اعتمادتر برای تحلیل‌های زیست‌محیطی و تغییرات کاربری زمین به دست آورید.