آموزش مدل‌سازی و پیش‌بینی دمای سطح زمین و تحلیل جزایر حرارتی شهری با یادگیری ماشین

۱,۶۰۰,۰۰۰ تومان

  • مدرس: محمود بهروزی
  • تخصص: دکتری محیط زیست
  • موضوع: سنجش از دور حرارتی
  • نرم‌افزار اصلی پردازش داده‌های ماهواره‌ای: گوگل ارث انجین
  • نرم‌افزار مدل‌سازی و یادگیری ماشین: R
  • نرم‌افزار تحلیل مکانی و تهیه نقشه نهایی: ArcGIS Pro
  • الگوریتم‌های آموزشی: Random Forest (RF) و  XGBoost (XGB)
  • نوع آموزش: ویدیویی و پروژه‌محور
  • طول آموزش: بیش از ۸ ساعت
  • داده‌های ماهواره‌ای مورد استفاده: Landsat و Sentinel-2
  • مخاطبان: دانشجویان، پژوهشگران و کارشناسان رشته‌های محیط‌زیست، جغرافیا، اقلیم‌شناسی، سنجش از دور، GIS، برنامه‌ریزی شهری و علوم داده
  • داده‌های تمرینی: دارد
  • کدهای آموزش: دارد
  • پیش‌نیاز: آشنایی مقدماتی با مفاهیم GIS و سنجش از دور مفید است. آشنایی قبلی با Google Earth Engine، زبان R و ArcGIS Pro
توضیحات

توضیحات

جزایر حرارتی شهری یکی از مهم‌ترین پدیده‌های محیطی در شهرهای امروزی هستند که تحت تأثیر عواملی مانند کاهش پوشش گیاهی، گسترش سطوح ساخته‌شده و ویژگی‌های توپوگرافی شکل می‌گیرند. شناسایی الگوی مکانی این پدیده و بررسی ارتباط آن با متغیرهای محیطی، نقش مهمی در مطالعات اقلیم شهری، مدیریت محیط‌زیست و برنامه‌ریزی شهری دارد.

در این آموزش، با اجرای یک پروژه عملی در محدوده شهر تهران و اراضی پیرامونی آن، فرایند استخراج دمای سطح زمین (LST)، آماده‌سازی متغیرهای محیطی، مدل‌سازی و پیش‌بینی دما با الگوریتم‌های یادگیری ماشین و در نهایت تهیه نقشه الگوی جزایر حرارتی شهری را به‌صورت گام‌به‌گام فرا می‌گیرید.

در این پروژه، ابتدا با استفاده از تصاویر ماهواره‌ای Landsat و محیط ارث انجین، نقشه دمای سطح زمین استخراج می‌شود. سپس شاخص‌های محیطی شامل شاخص پوشش گیاهی (NDVI) و شاخص ساخت‌وساز (NDBI) از تصاویر Sentinel-2 محاسبه شده و در کنار متغیرهای توپوگرافی شامل ارتفاع (DEM) و شیب زمین (SLOPE) برای فرایند مدل‌سازی آماده می‌شوند.

Pic1

 

در ادامه، داده‌های آماده‌شده به محیط زبان برنامه‌نویسی R منتقل شده و با استفاده از دو الگوریتم پرکاربرد یادگیری ماشین، یعنی جنگل تصادفی (Random Forest) و تقویت گرادیان با استفاده از درخت‌های تصمیم (XGBoost)، مدل‌سازی و پیش‌بینی دمای سطح زمین انجام می‌شود. عملکرد مدل‌ها با معیارهای آماری ارزیابی و مقایسه شده و با استفاده از نمودارهای وابستگی جزئی (PDP)، نحوه ارتباط متغیرهای محیطی با پیش‌بینی‌های مدل مورد بررسی قرار می‌گیرد.

در مرحله پایانی، خروجی مدل‌ها به محیط GIS منتقل شده و نقشه‌های پیش‌بینی دمای سطح زمین و الگوی مکانی جزایر حرارتی شهری تهیه می‌شوند.

مزیت اصلی این آموزش، اجرای یک زنجیره کامل پژوهشی از استخراج داده‌های ماهواره‌ای تا مدل‌سازی، تفسیر نتایج و تهیه نقشه نهایی است. بنابراین، مخاطب صرفاً با ابزارها و دستورات نرم‌افزاری آشنا نمی‌شود، بلکه فرایند اجرای یک پروژه واقعی را یاد می‌گیرد و می‌تواند چارچوب مشابهی را در مطالعات و پروژه‌های دیگر به کار بگیرد.


 

little icon در این آموزش چه مهارت‌هایی کسب می‌کنید؟

پس از مشاهده ویدئوهای این آموزش، با فرایندها و مهارت‌های زیر آشنا خواهید شد:

  • استخراج دمای سطح زمین (LST) از تصاویر ماهواره‌ای Landsat در ارث انجین
  • محاسبه شاخص‌های NDVI و NDBI با استفاده از تصاویر Sentinel-2
  • آماده‌سازی متغیرهای محیطی و توپوگرافی برای مدل‌سازی
  • انتقال و پردازش داده‌های مکانی در محیط R
  • پیاده‌سازی الگوریتم‌های یادگیری ماشین Random Forest و XGBoost
  • ارزیابی و مقایسه عملکرد مدل‌ها با معیارهای RMSE، MAE و R²
  • تفسیر روابط متغیرهای محیطی با دمای سطح زمین با استفاده از نمودارهای PDP
  • پیش‌بینی مکانی دمای سطح زمین و تهیه نقشه‌های خروجی
  • تهیه و نمایش الگوی مکانی جزایر حرارتی شهری در ArcGIS Pro

 

little icon یکی از ویدئوهای آموزش به عنوان نمونه:


little icon مراحل اجرای پروژه آموزشی

در این دوره، یک پروژه کاربردی در محدوده شهر تهران و اراضی پیرامونی آن در چند مرحله اجرا می‌شود:

مرحله اول: استخراج دمای سطح زمین

با استفاده از تصاویر ماهواره‌ای Landsat و قابلیت‌های Google Earth Engine، داده‌های مورد نیاز برای محاسبه و تهیه نقشه دمای سطح زمین (LST) استخراج می‌شوند.

مرحله دوم: استخراج متغیرهای محیطی

با استفاده از تصاویر Sentinel-2، شاخص پوشش گیاهی (NDVI) و شاخص سطوح ساخته‌شده (NDBI) محاسبه می‌شوند. همچنین داده‌های ارتفاع (DEM) و شیب زمین (SLOPE) به‌عنوان متغیرهای توپوگرافی آماده‌سازی می‌شوند.

مرحله سوم: آماده‌سازی داده‌ها و مدل‌سازی با یادگیری ماشین

داده‌های رستری آماده‌شده به محیط R منتقل شده و با استفاده از الگوریتم‌های Random Forest و XGBoost، مدل‌های پیش‌بینی دمای سطح زمین اجرا می‌شوند.

مرحله چهارم: ارزیابی و مقایسه مدل‌ها

عملکرد مدل‌های اجراشده با استفاده از معیارهای RMSE، MAE و ضریب تعیین (R²) ارزیابی و مقایسه می‌شود.

مرحله پنجم: تفسیر روابط متغیرهای محیطی

با استفاده از نمودارهای وابستگی جزئی (Partial Dependence Plots یا PDP)، نحوه تغییر پیش‌بینی‌های مدل در ارتباط با تغییر متغیرهایی مانند پوشش گیاهی، سطوح ساخته‌شده، ارتفاع و شیب بررسی می‌شود.

مرحله ششم: تهیه نقشه‌های پیش‌بینی و تحلیل جزایر حرارتی

خروجی مدل‌های یادگیری ماشین به محیط GIS منتقل شده و نقشه‌های پیش‌بینی دمای سطح زمین و الگوی مکانی جزایر حرارتی شهری تهیه می‌شوند.

pic2


little icon سرفصل‌های آموزشی:

به شرح زیر است:

۱. آشنایی با پدیده جزایر حرارتی شهری و طراحی پروژه

۲. استخراج دمای سطح زمین با تصاویر Landsat در گوگل ارث انجین

۳. استخراج شاخص‌های محیطی از تصاویر Sentinel-2

۴. آماده‌سازی داده‌ها، انتقال به R و اجرای مدل‌های یادگیری ماشین

۵. ارزیابی و مقایسه عملکرد مدل‌های یادگیری ماشین

۶. تفسیر روابط متغیرهای محیطی با استفاده از نمودارهای PDP

۷. تهیه نقشه‌های پیش‌بینی دمای سطح زمین

۸. تهیه الگوی جزایر حرارتی شهری در ArcGIS Pro


little icon نرم‌افزارها، داده‌ها و الگوریتم‌های مورد استفاده

نرم‌افزارها و محیط‌های پردازشی:

  • Google Earth Engine: استخراج و پردازش داده‌های ماهواره‌ای
  • R و RStudio: آماده‌سازی داده‌ها و اجرای مدل‌های یادگیری ماشین
  • ArcGIS Pro: تحلیل مکانی و تهیه نقشه‌های نهایی

داده‌های مورد استفاده:

  • Landsat: استخراج دمای سطح زمین (LST)
  • Sentinel-2: استخراج شاخص‌های محیطی NDVI و NDBI
  • SRTM: تهیه مدل رقومی ارتفاع (DEM) و شیب زمین (SLOPE)

الگوریتم‌ها و روش‌های تحلیلی:

  • Random Forest (RF)
  • Extreme Gradient Boosting (XGBoost)
  • Partial Dependence Plots (PDP)

little icon کاربردهای این آموزش

مهارت‌ها و روش‌های ارائه‌شده در این محصول می‌توانند در زمینه‌های مختلف پژوهشی و اجرایی مورد استفاده قرار گیرند، از جمله:

  • شناسایی و تحلیل پهنه‌های گرم و سرد شهری با استفاده از نقشه‌های دمای سطح زمین
  • بررسی ارتباط پوشش گیاهی و سطوح ساخته‌شده با الگوی دمای سطح زمین
  • مدل‌سازی و پیش‌بینی مکانی دمای سطح زمین با الگوریتم‌های یادگیری ماشین
  • انجام مطالعات مرتبط با جزایر حرارتی شهری و اقلیم شهری
  • استفاده در پایان‌نامه‌ها، رساله‌ها و مقالات علمی در حوزه جغرافیا، محیط‌زیست و سنجش از دور
  • اجرای پروژه‌های پژوهشی و تخصصی مرتبط با برنامه‌ریزی شهری و مدیریت محیط‌زیست
  • توسعه مهارت‌های کاربردی در ترکیب سنجش از دور، تحلیل داده‌های مکانی و یادگیری ماشین

little icon این آموزش برای چه کسانی مناسب است؟

این دوره برای دانشجویان، پژوهشگران و کارشناسان حوزه‌های زیر طراحی شده است:

  • جغرافیا و اقلیم‌شناسی
  • سنجش از دور و سیستم اطلاعات جغرافیایی (GIS)
  • محیط زیست و علوم محیطی
  • برنامه‌ریزی شهری و منطقه‌ای
  • مهندسی محیط‌زیست
  • علوم داده و کاربردهای یادگیری ماشین در مطالعات محیطی

همچنین، اگر در حال انجام پایان‌نامه یا پروژه‌ای درباره جزایر حرارتی شهری، دمای سطح زمین، پوشش گیاهی، گسترش سطوح ساخته‌شده یا کاربرد یادگیری ماشین در مطالعات محیطی هستید، این آموزش می‌تواند مسیر اجرای پروژه شما را از استخراج داده تا مدل‌سازی و تهیه نقشه نهایی روشن‌تر کند.


 

little icon پیش‌نیازهای آموزشی

آشنایی مقدماتی با مفاهیم GIS و سنجش از دور برای استفاده بهتر از محتوای این دوره توصیه می‌شود.

آشنایی قبلی با گوگل ارث انجین، زبان برنامه‌نویسی R و ArcGIS Pro می‌تواند به یادگیری سریع‌تر مراحل پروژه کمک کند؛ بااین‌حال، آشنایی قبلی با این محیط‌ها الزامی نیست و فرایند اجرای پروژه برای افراد علاقه‌مند به یادگیری این روش‌ها نیز در نظر گرفته شده است.

همچنین، آشنایی مقدماتی با مفاهیم یادگیری ماشین مزیت محسوب می‌شود، اما تمرکز دوره بر اجرای عملی الگوریتم‌ها، ارزیابی مدل‌ها و تفسیر خروجی‌ها است.


 

little icon معرفی مدرس

محمود بهروزی

  • دارنده مدرک دکتری محیط زیست از دانشگاه تهران
  • دارای سابقه پژوهشی در حوزه محیط‌ زیست و تحلیل‌های مکانی
  • دارای بیش از ۴۶ مقاله علمی‌پژوهشی
  • دارای ۱۰ مقاله ISI و دو عنوان کتاب
  • فعال در زمینه آموزش و کاربرد فناوری‌های مکانی، سنجش از دور، مدل سازی محیط زیستی و تحلیل داده‌های مکانی
نظرات (0)

نقد و بررسی‌ها

هنوز بررسی‌ای ثبت نشده است.

اولین کسی باشید که دیدگاهی می نویسد “آموزش مدل‌سازی و پیش‌بینی دمای سطح زمین و تحلیل جزایر حرارتی شهری با یادگیری ماشین”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *