اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.
آموزش تحلیلهای همبستگی و رگرسیون فضایی برای متخصصین علوم زمین
آموزش حاضر با هدف آشنایی و کسب مهارت پژوهشگران و متخصصین علوم زمین با آزمونهای «همبستگی و رگرسیون» در جهت تحلیل و تشریح چند و چون روابط بین متغیرهای محیطی آماده و تهیه گردید. در این راستا سعی شد تا یک مجموعه جامع و مفصل و بدون ابهام در ارتباط با تحلیلهای همبستگی و رگرسیون فراهم شود.
در عین حال، تفاوت عمده این آموزش با آموزشهای رایج در این زمینه، عبارت از «رویکرد پیکسلمبنا» بوده است که تبیین کاملتر و مشخصتر روابط بین متغیرهای محیطی را میسر میسازد. بنابراین دادههای مورد استفاده مشتمل بر لایههای رستری مربوط به متغیرها و ابزار تجزیه و تحلیلها مشتمل بر نرمافزارهای پردازش فضایی به اسامی SAGA و IDRISI بود.
انتظار میرود تا کاربران این مجموعه آموزشی در طی مسیر، آگاهی و اشراف کافی و خوب از تحلیلهای همبستگی و رگرسیونی فضایی در راستای تبیین فرضیات و روابط بین متغیرها کسب نمایند.
تهیه آموزش:
به منظور خرید این محصول آموزشی بر روی گزینه زیر کلیک کرده و بلافاصله محصول را دانلود نمایید.
مشخصات محصول آموزشی:
- مدرس: مرتضی قراچورلو
- تخصص: دکترای ژئومورفولوژی
- موضوع: همبستگی و رگرسیون فضایی
- نرم افزارها: SAGA و IDRISI
- مدت زمان: 5 ساعت و 15 دقیقه
- مخاطب: علاقهمندان مدلسازی و تحلیل روابط فضایی
- نوع آموزش: ویدیویی
- پاورپوینت: ندارد
- داده های تمرینی: دارد
- پیش نیاز: آشنایی مقدماتی با داده های رستری
توضيحات آموزش:
کاربرد این محصول آموزشی در زمینه مدلسازی و پیش بینی پدیده ها در فضای رستری است. در این مجموعه آموزشی علاوه بر این که با مفاهیم و اصلاحات نظری روشهای آماری آشنا خواهید شد که پیش نیاز ورود به هر گونه آزمون آماری است، جزئیات و نکات ریز و درشت آزمونهای همبستگی و رگرسیون را درخواهید یافت.
نحوه تحلیل نتایج آزمونها با توجه با آمارههای مهم و تعیینکننده، میتواند شما را در تبیین و تعمیم روابط مکانی یاری برساند. قدرت و توان تعمیمدهی و پیشبینی پدیدههای مکانی از راه رویکرد پیکسلمبنا و پیوسته نسبت به رویکرد گسسته و نقطهای افزایش مییابد. بر همین اساس شما از طریق کاربست این رویکرد قادر خواهید بود مسائل دنیای واقعی را به طور جامع و مشخصتری مدلسازی و پیشبینی نمایید.
پیشرفتهای چشمگیری که در زمینه «تحلیل رقومی سطح زمین» به کمک نرم افزارهای تحلیل فضایی حاصل شده است، تا حدود زیادی شما را از مراجعه به زمین و صرف وقت و هزینه زیاد رها ساخته و در عین حال مکمل ارزنده برداشتهای میدانی به شمار میرود. بنابراین بایسته است که با قابلیتهای گوناگون این نرمافزارها به ویزه در زمینه پیشبینی پدیدهها و متغیرهای فضایی آشنایی لازم را کسب نماییم.
در این محصول آموزشی از داده های رقومی ماهواره ای شامل مدل رقومی ارتفاع (DEM) و تصاویر لندست جهت استخراج لایه های رقومی متغیرهای محیطی استفاده شده است. البته با توجه به موضوع و هدف آموزش، از شرح نحوه استخراج این متغیرها صرفنظر شد.
مخاطبان این محصول آموزشی دانشجویان، پژوهشگران و متخصصینی هستند که نیازمند انجام تحلیل روابط محیطی و مدلسازی فضایی این روابط هستند. در عین حال هر پژوهشگر و متخصصی که علاقمند به فراگیری تحلیلهای آماری همبستگی و رگرسیون به شکل روشن و ساده است، میتواند از این آموزش بهرهمند شود. با توجه به این که شیوه انجام آزمونهای رگرسیونی در محیط نرم افزارهای مورد استفاده به صورت اصولی و گام به گام و با ذکر جزئیات مهم آنها توضیح داده شده است، بخش سوم این آموزش میتواند به عنوان یک مرور کلی بر نرمافزارهای مورد نظر نیز مطرح باشد.
عناوين آموزشی:
مهم ترین عناوين آموزش داده شده در این محصول عبارت اند از:
بخش اول: اصول، مفاهیم و تعاریف آماری:
- تعریف آمار و انواع آن
- انواع متغیرها
- آزمون فرض آماری (مفاهیم و اصطلاحات آزمون فرضیه)
بخش دوم: همبستگی و رگرسیون:
- همبستگی و مفهوم آن
- شرایط برقراری همبستگی
- ضریب همبستگی و مفهوم آن
- رگرسیون و انواع آن
- نحوه پیشبینی و معادلات رگرسیونی
- آمارههای رگرسیون و تشریح آنها
- روشهای رگرسیونی
بخش سوم: تحیل همبستگی و رگرسیون با رویکرد رستری:
الف: آزمون همبستگی و رگرسیون در محیط نرمافزار SAGA
- مفهوم و اهمیت رویکرد رستری در آزمون همبستگی و رگرسیون
- محیط نرمافزار SAGA و پیکربندی آن
- نحوه ورود دادهها
- تشریح متغیرهای دخیل در روابط رگرسیونی
- نحوه همسانسازی و نرمالسازی متغیرها
- سیستم شبکه سلولی (گرید) لایههای رستری
- نمودار پراکنش و رگرسیون دومتغیره
- رگرسیون چندمتغیره و تحلیل نتایج آن شامل: الف- روش جبری، ب- روش گام به گام
- نحوه خروجی گرفتن از نتایج حاصل
ب: آزمون همبستگی و رگرسیون در محیط نرمافزار IDRISI
- محیط نرمافزار IDRISI و اجزای آن
- نحوه تعریف پروژه و پوشه کاری
- شرایط و مشخصات لایههای رستری متغیرها
- نحوه تبدیل و ورود لایههای رستری
- نحوه تعریف و ایجاد لایه ماسک براساس فایل حوضه مورد مطالعه
- رگرسیون دومتغیره و تشریح خروجی آن
- رگرسیون چندمتغیره و تشریح نتایج مربوط
معرفی نرم افزارها:
در این محصول، از نرمافزارهای تحلیل فضایی در علوم زمین شامل دو نرمافزار SAGA و IDRISI استفاده شده است. نرمافزارهای فوق از قابلیتها و امکانات بسیار متعددی در زمینه تحلیل روابط فضایی بین متغیرهای محیطی و نیز مدلسازی این روابط جهت تصمیمگیریهای محیطی برخوردار بوده و طیف وسیعی از انواع دادههای رقومی و تصاویر ماهواره ای را پشتیبانی میکنند.
اتکاء به قوه خلاقیت و دید نظاممند در خصوص مسائل و موضوعات زیستمحیطی میتواند از این نرمافزارها به عنوان ابزاری توانمند در حل مسائل چالش برانگیز و رفع پیچیدگی های زیستمحیطی پیش رو بهره بگیرد.
بخش های کوتاهی از آموزش:
تهیه آموزش:
به منظور خرید این محصول آموزشی بر روی گزینه زیر کلیک کرده و بلافاصله محصول را دانلود نمایید.
6 دیدگاه. ارسال دیدگاه جدید
بسیار عالی
سلام! متشکرم خانم دکتر عزیز!
با سلام
ممنونم از آقای دکتر برای آموزش خوبشون. سوالی داشتم آیا با روشی که در اینجا ارائه کرده اند میتوان رابطه رگرسیونی بین چند نقشه رستری همگی به عنوان متغیر مستقل و چند نقشه رستری همگی به عنوان متغیر وابسته برقرار کرد و به یک معادله رگرسیونی رسید؟ سپاس
سلام. وقت بخیر. سپاسگزارم.
در تحلیل رگرسیون چندمتغیره، متغیر مستقل میتونه هر تعداد باشه، ولی متغیر وابسته فقط یکی هستش. حال نمیدونم در نرم افزارهای دیگه شاید این امکان وجود داشته باشه که متغیر وابسته هم به تعداد دو یا بیشتر باشه.
موفق و کامروا باشید!
سلام وقت بخیر ممنونم از آموزش خوبتون..من یک متغیر وابسته و 8 متغیر مستقل دارم..اما هر هشت تا لایه گریدسیستم های متفاوتی دارن..با روشclip grid with polygon هم نشد یعنی خطا میده و انجام نمیشه ..در نهایت هم خود رگرسیون خطا میده..میخواستم ببینم مشکل از گرید سیستمه؟ یا چون لایه ها سنگین هست مشکل ایجاد میشه
سلام. وقت بخیر. سپاس از لطفتون.
منظور از گرید سیستم همون سیستم مختصات هستش یا چیز دیگری است. بزرگ بودن لایه رستری از لایه مرجع مشکلی پیش نمیاره. فقط موقعی مشکل بوجود میاد که لایه تون کوچک تر از لایه مرجع باشه. در این صورت نمیشه سطر و ستون اضافه کرد. امیدوارم پاسخ لازم را دریافت کرده باشید. موفق باشید.