اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.
فیلم وبینار ریز مقیاس سازی داده های رطوبت خاک روزانه در سامانه گوگل ارث انجین
فیلم وبینار ریز مقیاس سازی داده های رطوبت خاک روزانه در سامانه گوگل ارث انجین منتشر شد! این آموزش در ارتباط با روش ریز مقیاس سازی داده های ماهواره ای رطوبت خاک با استفاده از روش های رگرسیونی آماری به منظور افزایش جزییات مکانی این داده ها است. همچنین طی 80 دقیقه شما با مهم ترین و پرکاربردترین روش ریز…
فیلم وبینار ریز مقیاس سازی داده های رطوبت خاک روزانه در سامانه گوگل ارث انجین منتشر شد!
این آموزش در ارتباط با روش ریز مقیاس سازی داده های ماهواره ای رطوبت خاک با استفاده از روش های رگرسیونی آماری به منظور افزایش جزییات مکانی این داده ها است. همچنین طی 80 دقیقه شما با مهم ترین و پرکاربردترین روش ریز مقیاس سازی بصورت سری زمانی برای داده های رطوبت خاک آشنا می شوید.
مشخصات:
- مدرس: امیرحسین احراری
- تخصص: کارشناس سنجش از دور و پردازش تصاویر ماهواره ای
- موضوع: ریز مقیاس سازی داده های رطوبت خاک
- نرم افزار: سامانه گوگل ارث انجین
- داده های تمرینی: دارد
- مدت آموزش: ۸۰ دقیقه
- پیش نیاز: دارد – آشنایی مقدماتی با سامانه گوگل ارث انجین
کیفیت این آموزش بصورت ۱۰۰ در ۱۰۰ از طرف آکادمی سنجش از دور تضمین می شود و در صورت عدم رضایت از محصول تمامی مبلغ پرداختی بازگردانده خواهد شد.
تهیه آموزش:
به منظور تهیه این آموزش بر روی دکمه زیر 👇 کلیک نمایید و پس از پرداخت وجه بلافاصله آموزش را دانلود کنید.
توضیحات
مهم ترین مزیت این آموزش آن است که شما روش های ریزمقیاس سازی بر اساس الگوریتم های یادگیری ماشین را بصورت کاربردی فرا خواهید گرفت.
توجه داشته باشید که این محصول برای افرادی مناسب است که از قبل با سامانه گوگل ارث انجین و دستورات پایه ای آن آشنایی دارند. در آموزش های قبلی روش ریز مقیاس سازی بر روی یک تصویر تدریس شده و این اولین بار است که بصورت سری زمانی در این دوره تدریس شده است.
عناوین آموزشی
مهم ترین عناوین آموزشی عبارت اند از:
- روش کار با پروداکت رطوبت خاک سه ساعته GLDAS
- روش تولید تصاویر رزوانه رطوبت خاک
- روش ترکیب داده های رطوبت خاک با سایر متغیرهای زیست محیطی
- کار با پروداکت های کاربردی مادیس مرتبط با رطوبت خاک
- ریز مقیاس سازی با استفاده از روش یادگیری ماشین از ۱۰ کیلومتر به ۱ کیلومتر
- ایجاد حلقه محاسباتی روزانه برای یرآورد رطوبت خاک
- تولید پروداکت های چند زمانه رطوبت خاک ۱ کیلومتری
مدرس:
- امیرحسین احراری
- کارشناس سنجش از دور و پردازش تصاویر ماهواره ای
- نویسنده اولین و پرفروش ترین کتاب آموزش گوگل ارث انجین در ایران
رطوبت خاک و ریزمقیاس سازی
رطوبت خاک یکی از مولفه های زیست محیطی مهم در بسیاری از مطالعات علوم زمین از جمله کشاورزی و منابع آب است. با این حال تعداد و تنوع این داده ها در سنجش از دور نسبت به سایر مولفه ها بسیار کمتر و با محدودیت های جدی از جمله توان تفکیک مکانی پایین مواجه است.
توان تفکیک مکانی پایین این داده ها بدلیل ماهیت امواج مایکرویو غیرفعال است که بدلیل کاهش میزان انرژی در دسترس برای تصویر برداری ماهواره ها ایجاد می شود. با این حال با استفاده از روش های ریز مقیاس سازی و ارتباط میان رطوبت خاک و متغیرهای زیست محیطی امکان افزایش جزییات مکانی این پروداکت ها با استفاده از الگوریتم های یادگیری ماشین فراهم شده است.
میزان پیشرفت در این زمینه به اندازه ای است که امروزه می توان داده های ۱۰ یا ۲۰ کیلومتری را با استفاده از تکینک ریز مقیاس سازی به ۱ کیلومتر افزایش داد.
تهیه آموزش
به منظور تهیه این آموزش بر روی دکمه زیر 👇 کلیک نمایید و پس از پرداخت وجه بلافاصله آموزش را دانلود کنید.
نوشته های مرتبط :
آموزش های رایگان پیشنهادی :
دانلود و پردازش داده های سنجنده PROBA-V
335 بازدید
آموزش ژئورفرنس عکس هوایی در نرم افزارهای مختلف
3,105 بازدید
آموزش مکان یابی در ArcGIS به روش بولین
774 بازدید
آموزش مکان یابی به روش بولین در GIS
4,221 بازدید
22 دیدگاه. ارسال دیدگاه جدید
با سلام و ادب
استاد گرامی من در دوره قبلی شما یعنی دوره گوگل ارث انجین که هفته پیش تمام شد شرکت کردم لزومی میبینید در این کلاس هم شرکت کنم البته در مستر کلاس دما و بارش هم ثبت نام کردم
با سلام و احترام
تکنیک هایی که در دوره شما تدریس شد برای انجام چنین کاری کافی است. درسته که در اون کلاس بصورت مستقيم به این موضوع اشاره نشد اما تکنیک های آن را بصورت کامل بلد هستید. با این حال اگر احساس نیاز می کنید می توانید در این دوره شرکت نمایید. در کلاس شما ریز مقیاس سازی با داده های SMAP انجام شد و در این کلاس با داده های GLDAS که روزانه هستند تدریس می شود.
موفق باشید
با سلام و خسته نباشید.
جناب آقای احراری سوالی که بنده دارم اینه که واحد داده های اسمپ برحسب میلی متر هستند ولی داده هایی که ما بصورت زمینی برداشت میکنیم بصورت وزنی یا حجمی هستند. چطور میتوانیم این محصول رو با همچین داده هایی اعتبارسنجی کنیم؟
ممنون🙏
با سلام و احترام
می توانید تبدیل واحد روی داده ها انجام دهید. البته من فعلا وارد بخش اعتبارسنجی داده های رطوبت خاک نشدم که دقیقا در این زمینه راهکار داشته باشم.
علاوه بر موضوع تبدیل واحد میتوانید همه داده ها رو استانداردسازی یا نرمال سازی کنید تا قابل مقایسه شوند.
موفق باشید
سلام خدمت استاد محترم
من خیلی منتظر برگذاری این دوره بودم. فقط خواهشی که دارم اینه که اگه ممکنه این دوره یک روز دیگه مثل چهارشنبه ۱۵ تیر برگذار بشه و اگر تاریخ قابل تغییر نیست همون پنجشنبه حدود ساعت ۱۶ یا ۱۷ برگذار بشه
اگر بتونید این لطف رو در حق من کنید خیلی ممنون میشم
سپاسگزارم
با سلام و احترام
شرمنده پیام شما رو دیر دیدیم. اما در صورتی که ثبت نام کرده باشید لینک فیلم کلاس براتون ارسال شده و مطلبی را از دست ندادید.
موفق باشید
سلام خدمت استاد محترم
چند سوال در این خصوص داشتم که ممنون میشم راهنمایی بفرمایید
1- آیا دقت داده های GLDAS در حال حاضر 25 کیلومتری است یا 10 کیلومتری؟
2- برای تولید داده های رطوبت خاک GLDAS که ترکیبی از داده ای زمینی و ماهواره ای است و حاصل مدلسازی در مدلهای سطح زمین میباشد، از تصاویر رطوبت خاک کدام ماهواره استفاده شده است؟
3- چگونه میشود اثبات کرد که با ریز مقیاس سازی داده های رطوبت خاک، دقت داده های رطوبت خاک افزایش پیدا خواهد کرد؟ آیا رفرنس معتبری در این زمینه موجود هست؟
4- آیا داده های رطوبت خاک GLDAS که ترکیبی از داده ای زمینی و ماهواره ای است، نسبت به داده های رطوبت خاکی که صرفاً حاصل از تصاویر ماهواره ای سنجنده های مختص این پارامتر (مانند SMAP و AMSR2) هستند، دارای دقت بالاتری هست یا خیر؟ ممنون میشم اگر رفرنسی باشه معرفی کنید.
با سلام و احترام
همانطور که در آموزش نیز بیان شده بصورت ۲۵ کیلومتری است.
داده های شبیه سازی شده ترکیبی از داده های زمینی و ماهواره ای و مدل سازی ها هستند. این کنه دقیقا از کدام تصاویر ماهواره ای در تولید این مدل استفاده شده را می توانید در منابع مربوط به آن جستجو نمایید.
https://developers.google.com/earth-engine/datasets/catalog/NASA_GLDAS_V021_NOAH_G025_T3H
ریزمقیاس سازی اساسا به شما کمک میکنه تا الگوی مکانی تغییرات را دقیق تر مطالعه کنید. روش های ریزمقیاس سازی در اصل برای همین منظور ایجاد شده و مقالات بسیاری در این رابطه نوشته شده است.
عبارت soil moisture downscaling را در گوگل جستجو کنید و مقالات نوشته شده دراین زمینه را مطالعه نمایید.
بنده مقایسه ای بین GLDAS و SMAP بصورت آماری انجام ندادم اما به نظرم داده های شبیه سازی شده مانند GLDAS باید دقت بالاتری داشته باشه چون assimilation برای افزایش دقت نتایج تولید شده است. در حال حاضر دارم روی این موضوع کار میکنم و تا چندماه آینده نتایج آن را منتشر خواهم کرد.
موفق باشید
5- برای کاری که من در نظر دارم انجام بدم، نیاز دارم که سری زمانی برای تمامی پیکسل های تصویر استخراج بشه. آیا راهی هست که بدون کلیک کردن روی پیکسل ها، برای تمامی پیکسل ها (به تفکیک UTM آنها) یک خروجی کلی داشته باشیم؟
6- مورد دیگه ای که ممنون میشم راهنمایی بفرمایید این هست که آیا میشه سری زمانی رطوبت میانگین رو در منطقه مورد نظرمون (توسط میانگین گیری از رطوبت پیکسل ها به صورت روزانه) به روش های مختلف (روش های مختلف میانگین گیری) محاسبه کرد؟
تصویر استک نهایی که تولید میشه عملا در هر پیکسل مقدار رطوبت خاک در تاریخ های مختلف رو شامل میشه.
بله سری زمانی میانگین رطوبت منطقه را هم با دستور chart می توانید محاسبه کنید.
موفق باشید
با سلام و احترام
خواسم بدونم امکانش هست دوره ای در خصوص ریزمقیاس سازی داده های هوا اقلیم و سناریوهای تغییراقلیم براساس گزارش ششم برگزار نمایید؟
با سلام و احترام
ریزمقیاس سازی داده های بارش در سایت موجود است.
https://girs.ir/gee-precipitation-1km/
موفق باشید
سلام خدمت استاد احراری عزیز
استاد من برای منطقه مورد مطالعه خودم این کد رو اجرا کردم ولی داده های NAN زیادی داشت که احتمالا به خاطر اثر ابر بوده. آیا راهی وجود داره که اثر ابر رو از بین ببرم؟
با سلام و احترام
بله در داده های روزانه اثر ابر مخصوصا در ماه های سرد و عرض های جغرافیایی بالا داده های تعریف نشده زیادی در محاسبات است. برای حل این مشکل فقط میشه داده ها رو بصورت هفتگی یا 16 روزه تبدیل کرد تا اثر این خطاها به حداقل برسد.
موفق باشید
سلام آقاي احراري
ممنون بابت آموزشهاي بسيار عالي و پاسخگوييتان
شما در اين آموزش از GLDAS سه ساعته بعنوان داده مرجع استفاده و با تابع temporalCollection آن را به GLDAS روزانه تبديل و با داده هاي كمكي (Anciliary) موديس روزانه مدلسازي كرديد. حال اگر داده مرجع ما ماهانه باشد (مثلا آيداهو) براي مدلسازي بايد داده هاي كمكي موديس را از حالت روزانه به ماهانه تبديل كنيم؟ آيا ميتوان از همان تابع temporalCollection استفاده كرد؟ ممنون
با سلام و احترام
بله درسته در اون حالت باید مادیس تبدیل به ماهیانه شود که با استفاده از تابع temporalCollection قابل انجام است.
موفق باشید
سلام
دکمه خرید کار نمیکنه
هر چی میزنم فقط میچرخه و اتفاقی نمیافته.
لطفا مرورگر خود را عوض کنید و مجددا امتحان نمایید. نتیجه را اطلاع دهید
با تشکر
سلام استاد عزیز
من در این دوره شرکت کردم و بسیار مفید بود.
سوالی در این خصوص دارم. این کد شامل تمام داده های کمکی مورد نیاز که در رفرنس ریزمقیاس سازی که خودتون معرفی کردید نبود. علت این موضوع چیه؟
از طرفی من نیاز دارم که سری زمانی داده های رطوبت خاک رو برای داده های اسمپ تولید کنم. رزولوشن زمانی اسمپ بین 2 الی 3 روز هست. مهم نیست که برای اسمپ سری زمانی 1 روزه داشته باشم بلکه همون 2 الی 3 روزه برام عالیه. آیا میتونم سری 2 الی 3 روزه رو برای داده های اسمپ طبق این روش داشته باشم؟ البته خیلی برام مهم هست که عیناً از همون داده های کمکی که در رفرنس استفاده شده استفاده کنم که بتونم به عنوان رفرنس بهش استناد کنم آخه برای کار پایان نامه هست. نمیدونم آیا میشه با همون داده های کمکی رفرنس به این هدف رسید یا خیر. دلیل من برای این سوال اینه که توی رفرنس که خودتون معرفی کردید داده های سری زمانی خیلی بیشتر از 2 الی 3 روز هست.
خیلی ممنون میشم راهنمایی کنید. واقعا جواب این سوالات برام مهمه
با سلام و احترام
حتما نیاز نیست که لزوما همه متغیرها رو وارد کنید. در این مقاله نقش هریک از متغیرها رو بررسی کرده. به همین دلیل تعداد متغیرهای بیشتری رو در نظر گرفته از طرف دیگر هدف من آموزش روش مورد استفاده بوده است.
رفرنس های بسیاری هست که این کار رو به اشکال مختلف و با ترکیب داده های مختلف انجام دادن. باید حتما سایر فیچرهایی که استفاده می کنید همین ۲ یا ۳ روزه باشند که از لحاظ زمانی با داده رطوبت خاک شما منطبق باشد. من پیشنهاد میکنم حتما برای کار پژوهشی رفرنس های مختلفی که در این رابطه نوشته شده را نیز چک کنید.
موفق باشید
شما فرمودید که باید از فیچرهایی استفاده بشه که ۲ یا ۳ روزه باشند. آیا نمیشه داده های کمکی رزولوشن زمانی بیشتر از ۲ یا ۳ روز داشته باشند ولی سری زمانی ۲ یا ۳ روزه ایجاد کرد؟
چون توی همین وبینار برای تولید داده‌های های سری زمانی روزانه از داده‌های کمکی ای استفاده شده که روزانه نیستند
با سلام و احترام
در صورت متغیر بودن یک فیچر در فواصل زمانی کوتاه مدت، حتما باید از لحاظ زمانی همزمان باشند.
موفق باشید