فیلم مسترکلاس آموزش مدل سازی و پیش بینی پراکنش گونه ای – مقدماتی و پیشرفته

1,002 بازدید

اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.

آموزش رایگان نرم افزار ENVI

در ENVI حرفه ای شو 🦾

0 تا 100 مفاهیم سنجش از دور

کاملا رایگان شروع کن 🧩

آموزش رایگان ArcGIS pro

واقعاااااا رایگاااااانه 🤗

آموزش گوگل ارث انجین

شدیدا توصیه شده 🌏

دانلود لندیوز 10 متری ایران و …

به کمک گوگل ارث انجین 🚀

کتاب موتور پردازش مجازی

اولین کتاب آموزش گوگل ارث انجین 📗

طبقه بندی تصاویر ماهواره ای

آشنایی با انواع روش ها 😲

پیش پردازش تصاویر ماهواره ای

هندسی – رادیومتریکی – اتمسفری 🀄

دانلود داده های آلتیمتری

ترازسنجی برای دریاچه ها 🧿

پوشش اراضی 10 متری

تولید شده توسط ESRI 🧐

نمایش سه بعدی در ArcGIS

مدل رقومی ارتفاع 🗻

مطالب پربازدید

مدلسازی پراکنش گونه ای
رشد سریع جمعیت و فعالیت­ های انسانی باعث آسیب قابل توجهی به محیط زیست و تنوع زیستی شده است و وجود این عوامل مخرب زیست­­ محیطی­، اهمیت استفاده از روش ­های کاربردی به منظور تعیین رویشگاه­ های مطلوب گونه­ ها را بیش از پیش مشخص می ­کند. ثبات و پایداری اکوسیستم ­ها نیازمند شناخت روابط بین پراکنش گیاهان و عوامل…

رشد سریع جمعیت و فعالیت­ های انسانی باعث آسیب قابل توجهی به محیط زیست و تنوع زیستی شده است و وجود این عوامل مخرب زیست­­ محیطی­، اهمیت استفاده از روش ­های کاربردی به منظور تعیین رویشگاه­ های مطلوب گونه­ ها را بیش از پیش مشخص می ­کند.

ثبات و پایداری اکوسیستم ­ها نیازمند شناخت روابط بین پراکنش گیاهان و عوامل محیطی می­باشد. عوامل محیطی غالب یک منطقه باعث محدود شدن و یا گسترش استقرار یک جامعه گیاهی خاص می ­شود که بیانگر رابطه­ تنگاتنگ میان عوامل محیطی و پوشش­ گیاهی است. بررسي ارتباط بين گونه­ هاي گياهی و عوامل محيطی همـواره از موضـوع­ هـای اساسـی در علم اکولـوژي گيـاهی بـوده اسـت.

یکی از الگوریتم­ های تحلیلی – آماری تعریف ­شده در خصوص شناخت روابط بین پراکنش گیاهان و عوامل محیطی، مدل­ های پراکنش گونه­­ ای (Species Distribution Modeling (SDM)) می ­باشد که می­ توانند با توجه به مشاهدات میدانی و نقشه ­های محیطی، دامنه جغرافیایی پراکنش گونه­ های گیاهی را مشخص کنند. این مدل­ ها براساس ارتباط بین پراکنش پوشش­ گیاهی و عوامل محیطی تاثیرگذار تعریف می ­شوند. با استفاده از مدل­ های پیش­ بینی کننده پراکنش گونه­ ای، می­ توان محدوده پراکنش گونه ­ها و رویشگاه ­هایشان را پیش ­بینی کرد و از آنها به عنوان ابزار مناسبی برای اهداف حفاظتی و مدیریتی سود برد.

تهيه نقشه­ های پيش ­بينی پراکنش گونه ­هاي گياهي، همگام با توسعه روش­ های آماری و سيستم اطلاعات جغرافيايي (GIS) وارد عرصه علم اکولوژی گياهی شده است. در دنیای امروز که داده‌های محیطی و فناوری‌های مرتبط با مدل‌سازی به سرعت در حال توسعه هستند، مدل‌های پراکنش گونه‌ای تبدیل به یکی از اساسی‌ترین ابزارها در زمینه مطالعات محیط زیستی شده‌اند.

این مدل‌ها این امکان را فراهم می نمایند تا به شکل علمی، توزیع گونه‌ها را مطالعه و تصمیم‌گیری‌های موثرتری را در حفاظت از تنوع زیستی و مدیریت محیط زیست انجام داد. در SDM، پراکنش مکاني گونه ­ها براساس توزيع مکانی متغيرهای محيطی، که با پوشش گياهی همبستگی دارند به صورت مدل (نقشه، جدول يا نمودار) ارائه مي ­شوند. اين مدل­ ها مي­ توانند نقش برجسته ­اي درنظارت، ارزيابي، احياء، حفاظت و توسعه پايدار اکوسيستم­ هاي جنگلی ايفا کنند.

پیش بینی پراکنش گونه ای

 

 

از آنجا که حضور هرگونه گياهي تحت تأثير عوامل محيطي و روابط بين گونه­ اي است و يک يا چند عامل محيطي بيشترين تاثیر را در حضور يک گونه گياهي خاص دارند، اگر به طريقي بتوان عوامل محيطي اثرگذار در پراکنش هرگونه گياهي را تعيين کرد و رفتار گونه را نسبت به متغيرهاي محيطی بررسی نمود مي­ توان به مدل­ های پيش­ بينی توزيع گونه­ ای دست يافت.

احتمال وقوع گونه ­ها را می­ توان با استفاده از روش ­های مختلف آماری و از طریق پردازش داده­ های محیطی و داده­ های پوشش ­گیاهی برآورد نمود، که به مدیران منابع طبیعی در زمینه ­هایی نظیر شناسایی عوامل مهم در برنامه­ ریزی­ های حفاظتی، تعیین اثرات اقلیم بر پراکنش جغرافیایی گونه­ های گیاهی، شناسایی رویشگاه ­های مناسب همراه با تعیین مهم­ترین عامل موثر در پراکنش گونه ­ها، رویشگاه­ های مناسب گونه ­های گیاهی، شناسایی رویشگاه­ های احتمالی جدید برای گونه­ های نادر و در معرض خطر انقرض در مناطق دور افتاده و ارزیابی کارآیی مناطق حفاظت­ شده، بررسی سناریوهای تغییر اقلیم بر پراکنش جغرافیایی گونه­ های گیاهی، کمک می ­کند.

زبان برنامه نویسی R به دلیل داشتن ویژگی‌های منحصر به فرد و قابلیت‌های بسیار پیشرفته برای تجزیه و تحلیل داده‌ها، به عنوان یکی از پرکاربردترین زبان‌های برنامه‌نویسی در حوزه مدل سازی پراکنش گونه ای  شناخته شده است. زبان برنامه نویسی R دارای بسته های متعددی برای انجام مدل‌سازی و تحلیل داده‌های مرتبط با پراکنش گونه‌ها می‌باشد. بسته هایی نظیر biomod2 و sdm و dismo به محققان ابزارهایی ارائه می‌دهند که امکان ساخت و ارزیابی مدل‌های پراکنش گونه‌ای را فراهم می‌کنند.

در این آموزش، کار با نرم افزار و زبان برنامه نویسی R به همراه چگونگی تحلیل داده ها در حوزه مدل سازی پراکنش گونه ای در سطح مقدماتی تا پیشرفته آموزش داده شده است.

مدل سازی مطلوبیت رویشگاه


ویژگی های آموزش:

  • مدرس: سید جلیل علوی
  • تخصص: اکولوژی آماری
  • موضوع: مدل سازی پراکنش گونه ای
  • نرم افزار: نرم افزار و زبان برنامه نویسی R
  • مدت زمان آموزش: حدود 18 ساعت
  • مخاطب: تمام حوزه های علمی
  • پیش نیاز: آشنایی مقدماتی با زبان برنامه نویسی R

چطور فیلم این دوره را تهیه کنم؟

برای تهیه فیلم ضبط شده این مسترکلاس، بر روی دکمه زیر کلیک کنید. پس از پرداخت، بلافاصله به ویدئوهای دوره دسترسی خواهید داشت.


بخش کوتاهی از جلسه اول این مسترکلاس


معرفی مدرس

  • سید جلیل علوی
  • دانشیار و عضو هیات علمی دانشگاه تربیت مدرس
  • سابقه تدریس نرم افزار و زبان برنامه نویسی R بیش از یک دهه

عناوین آموزشی

عناوین این آموزش به شرح زیر است:

  • مقدمه ای بر مدل سازی پراکنش گونه ای (SDM: Species Distribution Modeling)
  • ضرورت و کاربردهای مدل سازی پراکنش گونه ای
  • معرفی بسته های مورد نیاز برای SDM در R
  • انواع داده های مورد نیاز (گونه و متغیرهای محیطی) در SDM
  • وارد سازی داده های غیر مکانی و مکانی (برداری و رستری) R
  • تبدیل داده های غیر مکانی به مکانی
  • دانلود داده های گونه ها و متغیرهای محیطی از وب سایت های Worldclim، Chelsa و GBIF
  • رویکردهای مدل سازی مبتنی بر داده های حضور-غیاب (پارامتریک و ناپارامتریک همانند GLM، GAM، CART، RF و GBM).
  • رویکرد مدل سازی برای داده های صرفاً-حضور (MAXENT)
  • ارزیابی عملکرد رویکردهای مدل سازی
  • رویکرد های مدل سازی ترکیبی (Ensemble Modelling) در SDM
  • مدل سازی اثرات تغییر اقلیم بر پراکنش گونه ها
  • مطالعه تحلیل تغییر انداره دامنه پراکنش گونه ها در اثر تغییر اقلیم
  • ذخیره نقشه های حاصله در R برای استفاده در نرم افزارهای GIS دیگر
  • تفسیر نتایج مدل سازی:
    تحليل نقشه ها و پیش بینی توزیع زیستگاهها برای گونه های گیاهی و حیات وحش
    بررسی ارتباط بین متغیرهای زیست محیطی و پراکنش گونه ها
    چالش ها و مسائل احتمالی در مدل سازی مطلوبیت زیستگاه ها
    محدودیت ها و خطاهای مدل های مطلوبیت زیستگاه ها

معرفی نرم افزار

زبان R ریشه در زبان S دارد که به منظور تحلیل داده‌ها و مدل سازی پیشرفته توسعه یافته است. در دهه 1990، پروژه تحقیقاتی R  توسط دو آماردان به نام های Ross Ihaka  و Robert Gentleman  در گروه آمار دانشگاه Auckland کشور نیوزلند ‏کلید خورد. با توجه به اینکه اسم هر دو نفر با R شروع می شود، این نرم افزار به نام R نامگذاری گردید. R همانند بسیاری از زبان های محاسباتی، یک زبان کامپیوتری است که این امکان را برای کاربر فراهم می نماید تا الگوریتم ها را برنامه‌نویسی کرده و از ابزارهایی که توسط دیگران برنامه‌نویسی شده است، استفاده کند.

با نرم افزار و زبان برنامه نویسی R، هر کاری که تصور کنید را می توان انجام داد. با R می توانید توابع بنویسید، محاسبات را انجام دهید، از بیشتر تکنیک های آماری موجود استفاده کنید، نمودارهای ساده یا پیچیده ای ترسیم نمایید و حتی توابع کتابخانه ای خود را بنویسید. R  یک زبان برنامه‌نویسی و همچنین نرم افزاری رایگان برای محاسبات آماری و گرافیکی است که یک جامعه پژوهشی بین المللی بزرگ و فعال از آن حمایت می کند.  Rیک محیط کامل برای متخصصان داده است.

R پرکاربردترین زبان برای آمار و علوم داده است و در سال 2021 توسط مؤسسه مهندسان برق و الکترونیک IEEE آمریکا (Institute of Electrical and Electronics Engineers) در رتبه ششم محبوب ترین زبان علوم داده رتبه بندی شده است. زبان R هر نوع داده، دستکاری داده‌ها، مدل اماری و نمودار را شامل می شود که متخصصین داده‌های مدرن می‌تواند به آن نیاز داشته باشند.


کاربرد

مدل‌های پراکنش گونه‌ای (Species Distribution Models یا SDMs) ابزارهای قدرتمندی هستند که در حوزه‌های مختلف زیست‌شناسی و محیط‌زیست برای تحلیل و پیش‌بینی توزیع گونه‌ها و ارتقاء مدیریت منابع طبیعی و حفاظت از محیط زیست استفاده می‌شوند. این ابزارها به محققان و تصمیم‌گیران امکان می‌دهند تا با بهره‌گیری از داده‌ها و دانش علمی، تصمیمات بهتری را اتخاذ کرده و به چالش‌ها و فرصت‌های مرتبط با توزیع گونه‌ها پاسخ دهند. کاربرد‌های اصلی SDMs را می توان به صورت زیر خلاصه نمود:

  1. پیش‌بینی پراکنش گونه‌ها: یکی از کاربردهای اصلی SDMs پیش‌بینی پراکنش جغرافیایی گونه‌ها است. این پیش‌بینی‌ها به محققان و مدیران محیط زیست کمک می‌کنند تا بهترین تصمیم‌های مرتبط با حفاظت از گونه‌ها و مدیریت منابع طبیعی را اتخاذ نمایند.
  2. مطالعات زیست‌شناسی و اکولوژی گونه ها: در زمینه‌های زیست‌شناسی و اکولوژی، SDMs به محققان امکان می‌دهند تا به عنوان یک ابزار برای مطالعه و تفسیر توزیع گونه‌ها در محیط طبیعی مورد استفاده قرار گیرند. این مدل‌ها می‌توانند به ما کمک کنند تا ارتباطات بین محیط و توزیع گونه‌ها را درک و تفسیر نماییم.
  3. تأثیرات تغییرات اقلیمی: SDMs به ما امکان می‌دهند تا تأثیرات تغییرات اقلیمی بر توزیع و پراکنش گونه‌ها را بررسی کنیم. این ابزارها به ما اطلاعاتی می‌دهند که گونه‌ها به چه صورتی به تغییرات دما، بارش و عوامل محیطی دیگر پاسخ می‌دهند. این اطلاعات در مدیریت تغییرات اقلیمی و تدابیر اقلیمی مورد استفاده قرار می‌گیرند.
  4. کنترل آفات: در کشاورزی و مدیریت طبیعی، SDMs به مدیران منابع طبیعی و کشاورزی کمک می‌کنند تا به بهترین راهکارها برای کنترل آفات و بیماری‌ها در محیط طبیعی و کشاورزی دست یابند. با استفاده از SDMs می‌توان توزیع مکانی آفات و بیماری‌ها را پیش‌بینی کرد و اقدامات مرتبط با مدیریت آنها را برنامه‌ریزی کرد.

مخاطبان

مخاطبان حوزه مدل‌سازی پراکنش گونه‌ای (Species Distribution Models یا SDMs) بسیار گسترده و متنوع هستند. این حوزه ترکیبی از علوم زیست‌شناسی، علوم محیطی، اکولوژی، مدیریت منابع طبیعی و مدل سازی می‌باشد.

  1. زیست‌شناسان و اکولوژیست‌ها: این گروه از مخاطبان عمده در حوزه SDMs هستند. زیست‌شناسان و اکولوژیست‌ها از SDMs برای مطالعه پراکنش جغرافیایی گونه‌ها، توزیع آنها در محیط زیست و نیز تأثیرات عوامل مختلف محیطی بر آنها استفاده می‌کنند. آنها از SDMs برای بررسی الگوهای زیستی گونه‌ها، پیش‌بینی تغییرات آینده در توزیع گونه‌ها، ارزیابی تأثیر تغییرات محیطی و همچنین برنامه‌ریزی مدیریتی و حفاظتی استفاده می‌کنند.
  2. محققان محیطی و مدیران منابع طبیعی: مدل‌سازی پراکنش گونه‌ای برای محققان محیطی و مدیران منابع طبیعی نقش مهمی در تصمیم‌گیری‌های مربوط به مدیریت پایدار منابع طبیعی و حفاظت از تنوع زیستی دارد. آنها از SDMs برای جمع‌آوری و تجزیه و تحلیل داده‌های مکانی و محیطی، پیش‌بینی توزیع گونه‌ها در شرایط فعلی و آینده، ارزیابی تأثیرات تغییرات محیطی و برنامه‌ریزی برای حفاظت از منابع طبیعی استفاده می‌کنند.
  3. برنامه‌ریزان محیطی و توسعه‌دهندگان: برنامه‌ریزان محیطی و توسعه‌دهندگان نیاز به اطلاعات دقیق در مورد توزیع گونه‌ها و تأثیرات تغییرات محیطی بر آنها دارند. SDMs به آنها کمک می‌کند تا در فرآیند برنامه‌ریزی توسعه و استفاده از منابع طبیعی، عوامل محیطی و تنوع زیستی را در نظر بگیرند و تصمیمات مناسبی بگیرند.
  4. حفاظت‌گران محیط زیست و سازمان‌های حفاظتی: سازمان‌ها و گروه‌های حفاظتی نیازبه اطلاعات دقیق در مورد توزیع گونه‌ها و مناطق مهم حفاظتی برای حفظ تنوع زیستی دارند. آنها از SDMs برای شناسایی مناطق با اهمیت بالا برای حفاظت، تهدیدات محیطی و تغییرات آنها بر توزیع گونه‌ها، برنامه‌ریزی برای حفاظت از مناطق بحرانی و ارزیابی اثربخشی اقدامات حفاظتی استفاده می‌کنند.
  5. دانشجویان و پژوهشگران: دانشجویان و پژوهشگران در زمینه زیست‌شناسی، اکولوژی و علوم محیطی نیز از SDMs برای انجام پروژه‌های تحقیقاتی، تجزیه و تحلیل داده‌های زیستی و محیطی، و بررسی روابط بین زیستگاه و توزیع گونه‌ها استفاده می‌کنند.
  6. جامعه عمومی و علاقه‌مندان به حفاظت از محیط زیست: مدل‌سازی پراکنش گونه‌ای می‌تواند به جامعه عمومی و علاقه‌مندان به حفاظت از محیط زیست نشان دهد که چگونه تغییرات محیطی و فعالیت‌های انسانی می‌توانند بر توزیع گونه‌ها و تنوع زیستی تأثیر بگذارند. این اطلاعات می‌تواند به آنها کمک کند تا در تصمیم‌گیری‌های روزمره خود در مورد استفاده از منابع طبیعی و حفاظت از محیط زیست، مسئولانه عمل کنند.

به طور کلی، مخاطبان حوزه مدل‌سازی پراکنش گونه‌ای شامل زیست‌شناسان، اکولوژیست‌ها، محققان محیطی، مدیران منابع طبیعی، برنامه‌ریزان محیطی و توسعه‌دهندگان، حفاظت‌گران محیط زیست و سازمان‌های حفاظتی، دانشجویان و پژوهشگران، و جامعه عمومی و علاقه‌مندان به حفاظت از محیط زیست می‌باشند. همه این مخاطبان از SDMs برای درک بهتر توزیع گونه‌ها، پیش‌بینی تغییرات آینده و برنامه‌ریزی مدیریتی و حفاظتی استفاده می‌کنند.

در این آموزش، سعی ما بر این است تا با ساده ترین زبان، مطالب به گونه ای ارائه شود که حتی بدون داشتن پیش زمینه قبلی، به زبان بسیار قدرتمند R در حوزه مدل سازی پراکنش گونه ای به اندازه ای مسلط گردید تا بتوانید هر پروژه ای را در این زبان برنامه نویسی پیاده سازی نمایید.


چطور فیلم این دوره را تهیه کنم؟

برای تهیه فیلم ضبط شده این مسترکلاس، بر روی دکمه زیر کلیک کنید. پس از پرداخت، بلافاصله به ویدئوهای دوره دسترسی خواهید داشت.

نوشته های مرتبط :

آموزش های رایگان پیشنهادی :

14 دیدگاه. ارسال دیدگاه جدید

  • سید عرفان
    1402-08-28 9:34 ب.ظ

    با سلام
    آیا امکا دانلود داده های گونه ها از وب سایت های ، Chelsa و GBIF برای استان های مورد نظر در ایران مثلا آذربایجان غربی وجود دارد؟

    پاسخ
  • سید جلیل علوی
    1402-08-30 12:47 ق.ظ

    به نام خدا
    با سلام
    ضمن سپاس، در خصوص سوالی که نطرح فرمودید باید عرض کنم خدمت شما که داده های وب سایت Chelsa برای تمام دنیا قابل دسترسی و دانلود هست. بعد از دانلود نیاز هست که داده ها را برای استان مورد نظر کراپ و ماسک کنید.

    در خصوص داده های GBIF در مقیاس جهانی داده های خوبی قابل دانلود هستند. اما برای گونه های موجود در ایران ما خلاهای زیادی داریم. ممکن است برای بعضی از گونه ها حتی یک رکورد هم از ایران نداشته باشیم. بسته به گونه مورد نظر تعداد رکوردها کاملا متفاوت هست. در زبان برنامه نویسی R به راحتی می توان از بسته های مورد نظر اطلاعات و رکوردهای مربوط به گونه ها را استخراج نمود و سپس مدل سازی کرد.
    با احترام
    علوی

    پاسخ
  • سلام
    در این آموزش برای مدلسازی از چه پکیج های استفاده میکنید؟

    پاسخ
    • سیدجلیل علوی
      1402-09-04 7:57 ق.ظ

      به نام خدا
      با سلام
      ضمن تشکر، در خصوص این سوال که در این دوره آموزشی برای مدل سازی از چه بسته هایی استفاده می شود باید عرض کنم، همان طور که اطلاع دارید برای مدل سازی مطلوبیت رویشگاه در زبان برنامه نویسی R بسته های مختلفی وجود دارد که در این دوره بسته به هدفی که خواهیم داشت و تکنیک مدل سازی از بسته هایی نظیر biomod2، usdm، dismo، flexsdm و ENMEval استفاده خواهد شد. البته برای وارد سازی داده های مکانی و غیرمکانی، تبدیل داده های غیرمکانی به داده مکانی، دانلود داده های وب سایت chelsa و GBIF از بسته های خاص خود استفاده خواهد شد.
      با احترام
      علوی

      پاسخ
  • Samasepehrii@gmail.com
    1402-09-29 1:39 ب.ظ

    درود وقتتون بخیر، این دوره نیاز به پیش نیاز داره؟ من مدلسازی و برنامه نویسی تا به حال کار نکردم، و اینکه خروجی این مدلسازی رو برا استفاده در نرم افزار مارکسان میخوام برا مقاله، ایا کاربردی هست برام؟؟؟؟

    پاسخ
    • سیدجلیل علوی
      1402-10-03 12:00 ق.ظ

      به نام خدا
      با سلام
      ضمن تشکر، در خصوص سوالی که مطرح فرمودید باید خدمت شما عرض کنم که چنانچه با زبان برنامه نویسی R آشنایی نداشته باشید و با آن کار نکرده باشید، درک و اجرای کدهای این دوره برای شما سخت خواهد بود. هر چند من سعی کردم کار با زبان R را در چند جلسه اول توضیح دهم. اما ممکن است برای شما کمی سخت باشد. چنانچه این دوره را تهیه کرده اید و سوالی در این خصوص داشتید بنده در خدمتم.
      موفق و پیروز باشید
      با احترام
      علوی

      پاسخ
  • با سلام
    من قصد مدلسازی و پیش بینی تنوع زیستی (فلور) را دارم.
    خواستم بپرسم این دوره این مبحث را پوشش می دهد؟
    با تشکر

    پاسخ
    • سیدجلیل علوی
      1402-12-10 3:35 ب.ظ

      سلام. وقت به خیر.
      ضمن سپاس از طرح سوال خیلی خوب، در خصوص موردی که مطرح فرمودید باید عرض کنم خدمت شما که با توجه به این که حضور و عدم حضور گونه ها به صورت 0 و 1 و یا صرفا حضور (1) ثبت و سپس مدل سازی می گردد این دوره صرفا این نوع داده ها را پوشش می دهد. از آن جا که شاخص های تنوع زیستی به صورت غنا (که متغیر پاسخ از نوع شمارشی می باشد) و یا شاخص های دیگر نظیر شانون، سیمپسون و غیره محاسبه می شوند، ماهیت این نوع داده ها با داده های حضور و عدم حضور متفاوت است از این رو بایستی از تکنیک های مدل سازی دیگر نظیر مدل های خطی و یا جمعی تعمیم یافته (با توزیع متغیر پاسخ نظیر گوسی و یا گاما و پواسون و توابع پیوند غیر از logit و probit و cloglog که برای داده های حضور و عدم حضور به کار می رود) و یا تکنیک های درخت مبنا نظر الگوریتم جنگل تصادفی، درخت های رگرسیون تقویت شده و غیره استفاده کنید.
      پیشنهاد می کنم از کتاب ارزشمند زیر که قابل دانلود هست برای مدل سازی تنوع زیستی در زبان برنامه نویسی R استفاده کنید:

      Tree diversity analysis

      https://apps.worldagroforestry.org/downloads/Publications/PDFS/b13695.pdf

      با احترام
      علوی

      پاسخ
      • ممنونم از پاسختون.
        فقط من اشتباه گفتم فون رو بررسی میکنم.
        در هر حال مرسی از پاسخ جامعتون. ببخشید روش هایی که فرمودید همان هایی هستند که در دوره مستر کلاس آموزش ماشین یادگیری تدریس کردید؟

        پاسخ
        • سید جلیل علوی
          1402-12-10 6:50 ب.ظ

          سلام مجدد خواهش می کنم.
          چون روش های تحلیلی بسیار زیادی در این خصوص وجود دارد من تا جایی که یادم هست در دوره یادگیری ماشین به بخشی از آن ها اشاره کردم. البته در این گونه مطالعه ها، همان طور که عرض کردم ماهیت متغیر پاسخ در انتخاب آزمون آماری مناسب بسیار تعیین کننده هست. امید وارم که پاسخ گویا بوده باشد. کتاب ارسالی رو حتما دانلود و مطالعه فرمایید.
          با تجدید احترام
          علوی

          پاسخ
  • با سلام من با نرم افزار R آشنایی ندارم و کمی در حال کار با پایتون هستم حدود دو ماه میخواستم و الان باید یک پروژه را شروع کنم برای مدلسازی تنوع زیستی، آیا استفاده از این دوره میتونه کمکم کنه و با کمک این دوره میتونم کارها رو پیش ببرم .
    ممنون میشم راهنمایی کنید تشکر.

    پاسخ
    • سیدجلیل علوی
      1403-01-10 1:39 ب.ظ

      سلام. وقت به خیر. ضمن سپاس. در خصوص سوالی که مطرح فرمودید با عرض کنم خدمت شما که همان طور که اطلاع دارید برای برررسی تنوع شاخص های متعددی وجود دارد که از جمله آن ها می توان به شاخص غنا، شانون، سیمپسون و غیره اشاره داشت. برای مدل سازی تنوع زیستی شما بایستی از تکنیک های مدل سازی که در بخش یادگیری ماشین به آن ها اشاره شد بایستی استفاده نمایید. که در آن شاخص های تنوع زیستی به عنوان متغیر پاسخ به همراه سایر متغیرهای محیطی مورد بررسی قرار می گیرد. با توجه به این که در مدل های پراکنش گونه ای تنها حضور و عدم حضور گونه ها و یا داده های صرفا حضور مورد بررسی قرار می گیرند، طبیعتا برای متغیرهای تنوع زیستی که ماهیت کمی پیوسته دارند همانند شاخص شانون، کارآیی ندارد به همین دلیل بایستی از تکنیک های رگرسیونی به جای تکنیک های طبقه بندی استفاده کنید. البته در مورد شاخص غنای گونه ای داستان کمی متفاوت است. هم می توانید غنای گونه ای را در هر واحد نمونه برداری محاسبه کنید و آن را نسبت به متغیرهای محیطی مدل سازی کنید و همین این که می توانید برای تک تک گونه ها که در هر واحد نمونه برداری وجود دارند، مدل سازی پراکنش گونه ای انجام دهید و نقشه پتانسل حضور را برای هر گونه به صورت انفرادی تهسه کنسد و در نهایت آن ها را stack کنید و به نقشه غنا دست یابید. این رویکرد به SSDM: Stacked Species Distribution Models معروف می باشد. برای کسب اطلاعات در خصوص این رویکرد می توانید به لینک زیر مراجعه کنید:

      https://cran.r-project.org/web/packages/SSDM/vignettes/SSDM.html

      به صور خلاصه اگر هدف شما مدل سازی تنوع زیستی براساس شاخص های غنا، شانون، سییمپسون، مارگالف، و کلا شاخص هایی که ماهیت کمی دارند، باشد این دوره نمی تواند به شما کمک کنید. اما اگر صرفا بخواهید روی غنا تمرکز کنید از این دوره می توانید استفاده کنید. همان طور که عرض شد بایستی براساس ماهیت متغیر پاسخ در این خصوص تصمیم گیری شود.لازم به توضیح است که در این دوره رویکرد SSDM توضیح نشده است.
      با آرزوی سلامتی و موفقیت
      علوی

      پاسخ
      • iman_4109@yahoo.com
        1403-01-17 8:15 ب.ظ

        سلام و عرض ادب مجدد جناب دکتر
        ممنون از پاسخ خوب شما
        من شاید به دلیل اشنایی کم با موضوع واضح و با ذکر اهداف سوالم را از شما نپرسیدم –
        من دو هدف در ابتدای کار دارم :
        ۱- یادگیری نحوه استخراج صحیح اطلاعات از GBIF برای گونه های مختلف گیاه، حیوانات و … از یک منطقه و یا کشور
        ۲- ایجاد نقشه غنای (Richness) هرگونه با استفاده از مدل های SDM و پیش بینی اون به صورت تک به تک و در پایان ensemble این نقشه ها
        ممنون می شوم مجدد بفرمایید این دوره کمک میکند و اگر نیاز هست امورش دیگرب هم داشته باشم بفرمایید. تشکر

        پاسخ
        • سیدجلیل علوی
          1403-01-26 3:01 ب.ظ

          به نام خدا
          با سلام
          در خصوص سوال (یادگیری نحوه استخراج صحیح اطلاعات از GBIF برای گونه های مختلف گیاه، حیوانات و … از یک منطقه و یا کشور) من سعی کردم به طور مختصر و مفید در این دوره نحوه دانلود داده ها را از GBIF با بسته های مربوطه توضیح دهم.

          در خصوص مورد دوم، دو تا بحث مطرح هست. این که برای مدل سازی و تهیه نقشه غنا شما می توانید غنای را در هر واحد نمونه برداری محاسبه کنید و سپس مدل سازی کرده و براساس متغیرهای پیشگو که به صورت نقشه موجود هستند، نقشه غنای را تهیه کنید.
          در خصوص تهیه نقشه غنا همان طور که عرض کردم می توانید برای هر گونه مدل سازی پراکنش گونه ای را انجام دهید و سپس احتمال حضور را به داده 0 و 1 تبدیل کنید و سپس نقشه های 0 و1 مربوط به تمامی گونه را جمع و به نقشه غنا برسید. اگر این رویکرد مد نظر شما باشد می توانید از این دوره استفاده کنید.
          به طور آلترناتیو می توانید از بسته SSDM استفاده کنید که من توضیح ندادم در این دوره.
          در مورد رویکرد ترکیبی یا اجماع توضیح دادم.
          موفق باشید

          پاسخ

دیدگاهتان را بنویسید

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

این فیلد را پر کنید
این فیلد را پر کنید
لطفاً یک نشانی ایمیل معتبر بنویسید.

keyboard_arrow_up