سلام
اصولا برای انجام یک پروژه مطالعاتی به داده های میدانی نیاز است. اما برای آموزش روش و اینکه اجرای آن برای همه کابران ممکن باشد، در اینجا به عنوان مثال، داده های هدف از نقشه FLDAS نمونه برداری شده است و به داده های میدانی متکی نیست. با این کار گرچه رزولوشن مکانی نقشه تولید افزایش می یابد، اما دقت شما محدود به دقت داده FLDAS میشود که برای یک کار پژوهشی مناسب نیست.
موقث باشید
سلام
بهتر است مسئله را به دو فاز مستقل تشکیل نقشه مکانی و سپس گسترش زمانی تقسیم کنید.
شما حداقل به یک سری نمونه میدانی نیاز دارید تا بتوانید یک نقشه مکانی تشکیل دهید. سپس با استفاده از الگوریتم های سری زمانی به بررسی تغییرات سری زمانی بپردازید.
مثلا جواب سوالات زیر باید مشخص باشد:
- وسعت منطقه شما چقدر است؟
- تعداد نمونه هایی که میتوانید تهیه کنید چند تا است و توزیع آن چگونه است؟
- رزولوشن سری زمانی مد نظر چطور است؟ (روزانه، ماهانه یا سالیانه)
موفق باشید
سلام
میخواستم بپرسم اگر ماهواره smap برای یک مدتی از یک منطقه ای دادهای رطوبت خاک رو ارزیابی نکرده باشه و ما بخوایم رطوبت رو به صورت سری مکانی و زمانی از اون منطقه با تصاویر رادار و یادگیری ماشین بدست بیاریم چه دیتاهایی نیاز داریم برای پردازش که به صرت سری زمانی-مکانی رطوبت رو ارزیابی کنه؟و کدوم الگوریتم برای این کار بهتر عمل میکنه؟
خواهش میکنم.
بعید میدونم منطقه مطالعاتی شما در حد 1-2 سال به حدی تغییرات داشته باشد که نقشه ESRI معتبر نباشد.
اگر تغییرات زیاد دارید با تلفیق لندکاور ESRI و مادیس، یک سری نمونه جدید تولید کنید که برای مکان-زمان مورد مطالعه معتبر باشد و مجددا نقشه لندکاور را تولید کنید.
موفق باشید
ممنون از راهنمایی و آموزش خوبتون . داده هایی که قصد دارم برسی کنم مربوط به سال 2018و 2019 هستش و از این پروداکت نمیتونم استفاده کنم . ممنون میشم یک راهکار جایگزین بهم بدید . تشکر
سلام
پوشش گیاهی به عنوان ورودی به عنوان متغیری است که جلوی واریانس کلی رطوبت را بگیرد و مقادیر با توجه به هر کلاس لندکاور مقداری بایاس شوند. یعنی از دیدگاه دقت الگوریتم و مدل تغییر خاصی ایجاد نمی کند. ولی چون هدف نهایی تولید نقشه با رزولوشن ریزتر است، احتمالا نقشه لندکاور با رزولوشن ریزتر بهتر باشد. مثلا میتوانید از نقشه ESRI استفاده کنید که توضیح آن در محصول زیر داده شده است.
https://girs.ir/seri-landcover-data
موفق باشید
با سلام وقت بخیر
در این دوره نقشه پوشش گیاهی را به وسیله سنجنده مادیس بدست آوردید که قدرت تفکیک مکانی مناسبی ندارد و من قصد دارم تحقیقی روی یک زمین 30 متر در 30 متر انجام بدهم آیا این نقشه لندکاور که با مادیس بدست آمده برایم مشکلی ایجاد نمی کنید؟
اگر بخوام نقشه لند کاور را با لندست بدست بیارم و جایگزین کنم امکان پذیر است؟ امکانش هست کمکم کنید؟؟
تشکر از متن نقادانه شما دانشجوی گرامی
1- تغییرات و به روز رسانی ها در کتابخانه های کدنویسی همیشه وجود خواهد داشت و مادامی که تنها با تغییر جزیی ، دستور جدید قابل اجرا باشد، آموزش های قبلی معتبر است. که اگر غیر از این بود هیچ کتابی برای آموزش برنامه نویسی قابل چاپ نبود! همچنین، پیش تر تغییراتی که فرموید در جواب کامنت دوستان دیگری بیان شده بود و در چند کامنت بالاتر موجود است!
2- برای داده تمرین همیشه از داده هایی استفاده میشود که برای همه در دسترس است و اگرنه باید همیشه معطل داده میدانی باشیم! در محصولات آموزشی، روش و الگوریتم آموزش داده میشود و با داده هدف مد نظر کاربر قابل جایگزینی است.
3- نظر شما در رابطه با شیوه ضبط قابل احترام است اما با نظر بنده یکسان نیست. مطالب و مشکلاتی که در نوشتن اسکریپت قابل بیان است با اسکریپت آماده (که البته تدریس آن ساده تر است) قابل بررسی نیست.
4- منظور شما از محدودیت مقاله برای من گنگ است. در هر حال اگر این آموزش برای منطقه مطالعاتی شما قابل اجرا نیست و محدودیت دارد، با آقای نجفی هماهنگ کنید تا مبلغ پرداختی به شما عودت شود.
موفق باشید
کلاس بندی مورد استفاده در gee تغییر سینتکس داده و عوض شده است. به لینک زیر مراجعه کرده و اصلاح کنید:
https://groups.google.com/g/google-earthengine-announce/c/rCu4FP_Cn08/m/DqC192X9BAAJ?pli=1
به جای استفاده از svm باید از Classifier.libsvm استفاده شود.
همچنین نوع نمونه برداری داده تمرین را نیز اصلاح کنید.
همچنین بهتر است پیش از ضبط یکبار مراحل را طی کرده و سپس اقدام به اجرای دوباره و ضبط نمایید. همچنین محدودیت های روش را از مقاله مطالعه بفرمایید سپس آنرا پیاده سازی کنید.
موفق و پیروز باشید.
سلام
موارد زیر را در نظر بگیرید.
1- مقاله مرجع از دو بخش تشکیل شده که شامل تعیین رطوبت خاک و بررسی سری زمانی تغییرات رطوبت است. همان طور که در اینجا توضیح داده شده است، این محصول مربوط به تعیین رطوبت خاک است که در فلوچارت مربوطه نیز نشان داده شده است. بخش دوم مقاله که البته ربطی به این محصول ندارد، از داده های GLDAS استفاده شده تا ناهنجاری های سری زمانی رطوبت خاک به کمک همبستگی با نقشه رطوبت سنتینل 1 (که از گام قبل به دست آمد) محاسبه شود.
مطابق فلوچارتی که در ابتدای همین صفحه آورده شده است، داده های ورودی سنتینل-1 و داده هدف نمونه های میدانی in situ هستند ولی به دلیل عدم دسترسی به نمونه های میدانی در اینجا از داده FLDAS به عنوان داده هدف استفاده شده است.
2- برای رگرسیون از ee.Classifier.svm استفاده شده است که همانطور که قبلا در جواب کامنت یکی از دوستان عرض کردم به دلیل آپدیت کتابخانه گوگل ارث انجین به دستور ee.Classifier.libsvm تبدیل شده است.
3- برای بررسی ایراد در کد ارسالی باید لینک را با Get Link بگیرید و ارسال کنید. مطابق آموزش ویدئوی 4 در https://girs.ir/basics-gee اقدام کنید.
موفق باشید
الان نگاهی به مقاله ای که به عنوان رفرنس استفاده کردین انداختم دیدم که اصلا از GLDAS به عنوان تارگت استفاده نکرده. بلکه از داده های in situ به عنوان تارگت استفاده کرده. به خاطر اینکه داده های S1 زمان کمی و پوشش میده برای تکمیلشون از داده های GLDAS استفاده کرده.
ممنونم. متاسفانه این کد برای منطقه و زمانی که مد نظر منه اصلا کار نمیکنه و من دو هفته ست ریز به ریز همه چیز و مرور میکنم نمیفهمم مشکل کجاست. لینک کد و واستون ایمیل کردم.
الان نگاهی به مقاله ای که به عنوان رفرنس استفاده کردین انداختم دیدم که اصلا از GLDAS به عنوان تارگت استفاده نکرده. به خاطر اینکه داده های S1 زمان کمی و پوشش میده برای تکمیلشون از داده های GLDAS استفاده کرده. همین طور از رگرسیون از نوع support vector استفاده کرده که من اصلا ندیدم توی این کد ازش استفاده بشه. میشه لطفا کد من رو بررسی کنید که من بتونم نقشه soil moisture برای منظقه مورد مطالعه خودم به دست بیارم؟
سلام
استفاده از این روش برای موضوع مطالعاتی شما مناسب است. اما توصیه میکنم از داده های میدانی به عنوان مقدار هدف استفاده کنید.
برای بررسی سری زمانی موضوعات مربوط به Sample migration را مطالعه کنید.
موفق باشید
سلام وقتتون بخیر من میخوام میزان رطوبت حریم تخت جمشیدرو محاسبه کنم . آیا این روش برای من اعتبار علمی برخوردار خواهدبود و دوم اینکه میزان رطوبت طی سال های مختلف مانند تایم لاین رو میتونم داشته باشم؟
ممنون
جواب این سوال به سادگی یک بله یا خیر نیست. امکانش هست ولی باید بررسی شود. مثلا راه حل زیر میتواند جزو گزینه ها باشد.
ورودی X (مثلا سنتینل 1)، متغیر میانی Z (مثلا داده SMAP) و داده هدف Y (نمونه های میدانی)
یک ساختار دو طبقه در نظر بگیرید که از X به Z و از Z به Y منتج شود. این ساختار را برای منطقه مورد مطالعه خود train کنید. حال برای منطقه دیگر، طبقه دوم را ثابت نگه دارید و طبقه اول را تغییر دهید.
البته موارد زیادی باید مورد توجه قرار بگیرد، مثلا تعداد و تنوع داده های Y در منطقه مورد مطالعه شما دارای تاثیر زیادی بر دقت این روش است.
موفق باشید.
خیلی ممنونم که پاسخ دادین. در مورد سوال اول همانطور که گفتین من میتونم به جای FLDAS از داده های به دست اومده از TDR استفاده کنم. سوال دیگه ای که پیش میاد اینه که اگر من از TDR برای یک منطقه استفاده کنم؛ میتونم رطوبت خاک و فقط برای منطقه ای که ازش دیتا جمع اوری کردم به دست بیارم یا اینکه اگر با داده های زمینی منطقه خودم Train کنم برای مناطق دیگه هم قابل استفاده است؟
Mohammadmahdi –
سلام مدل هایی هستند مثلIEM(Integral equation model) که بسته به نوع خاک ضرایب پراکندگی vوhتصاویر رادار رو محاسبه میکنند.
Mohammad Kakooei –
سلام منظورتون از مدل backscatter چیه؟
mohammad mahdi –
سلام از مدل های backscatter میتونیم تو ماشین لرنینگ برای ارزیابی رطوبت خاک استفاده کنیم؟
Mohammad Kakooei –
سلام اصولا برای انجام یک پروژه مطالعاتی به داده های میدانی نیاز است. اما برای آموزش روش و اینکه اجرای آن برای همه کابران ممکن باشد، در اینجا به عنوان مثال، داده های هدف از نقشه FLDAS نمونه برداری شده است و به داده های میدانی متکی نیست. با این کار گرچه رزولوشن مکانی نقشه تولید افزایش می یابد، اما دقت شما محدود به دقت داده FLDAS میشود که برای یک کار پژوهشی مناسب نیست. موقث باشید
محمد –
سلام از داده های FLDAS واسه اموزش استفاده شده برای ارزیابی رطوبت یا داده هایی که سر زمین برداشت شده؟
Mohammad Kakooei –
سلام بهتر است مسئله را به دو فاز مستقل تشکیل نقشه مکانی و سپس گسترش زمانی تقسیم کنید. شما حداقل به یک سری نمونه میدانی نیاز دارید تا بتوانید یک نقشه مکانی تشکیل دهید. سپس با استفاده از الگوریتم های سری زمانی به بررسی تغییرات سری زمانی بپردازید. مثلا جواب سوالات زیر باید مشخص باشد: - وسعت منطقه شما چقدر است؟ - تعداد نمونه هایی که میتوانید تهیه کنید چند تا است و توزیع آن چگونه است؟ - رزولوشن سری زمانی مد نظر چطور است؟ (روزانه، ماهانه یا سالیانه) موفق باشید
سعید –
سلام میخواستم بپرسم اگر ماهواره smap برای یک مدتی از یک منطقه ای دادهای رطوبت خاک رو ارزیابی نکرده باشه و ما بخوایم رطوبت رو به صورت سری مکانی و زمانی از اون منطقه با تصاویر رادار و یادگیری ماشین بدست بیاریم چه دیتاهایی نیاز داریم برای پردازش که به صرت سری زمانی-مکانی رطوبت رو ارزیابی کنه؟و کدوم الگوریتم برای این کار بهتر عمل میکنه؟
Mohammad Kakooei –
خواهش میکنم. بعید میدونم منطقه مطالعاتی شما در حد 1-2 سال به حدی تغییرات داشته باشد که نقشه ESRI معتبر نباشد. اگر تغییرات زیاد دارید با تلفیق لندکاور ESRI و مادیس، یک سری نمونه جدید تولید کنید که برای مکان-زمان مورد مطالعه معتبر باشد و مجددا نقشه لندکاور را تولید کنید. موفق باشید
محمد تاج –
ممنون از راهنمایی و آموزش خوبتون . داده هایی که قصد دارم برسی کنم مربوط به سال 2018و 2019 هستش و از این پروداکت نمیتونم استفاده کنم . ممنون میشم یک راهکار جایگزین بهم بدید . تشکر
Mohammad Kakooei –
سلام پوشش گیاهی به عنوان ورودی به عنوان متغیری است که جلوی واریانس کلی رطوبت را بگیرد و مقادیر با توجه به هر کلاس لندکاور مقداری بایاس شوند. یعنی از دیدگاه دقت الگوریتم و مدل تغییر خاصی ایجاد نمی کند. ولی چون هدف نهایی تولید نقشه با رزولوشن ریزتر است، احتمالا نقشه لندکاور با رزولوشن ریزتر بهتر باشد. مثلا میتوانید از نقشه ESRI استفاده کنید که توضیح آن در محصول زیر داده شده است. https://girs.ir/seri-landcover-data موفق باشید
محمد تاج –
با سلام وقت بخیر در این دوره نقشه پوشش گیاهی را به وسیله سنجنده مادیس بدست آوردید که قدرت تفکیک مکانی مناسبی ندارد و من قصد دارم تحقیقی روی یک زمین 30 متر در 30 متر انجام بدهم آیا این نقشه لندکاور که با مادیس بدست آمده برایم مشکلی ایجاد نمی کنید؟ اگر بخوام نقشه لند کاور را با لندست بدست بیارم و جایگزین کنم امکان پذیر است؟ امکانش هست کمکم کنید؟؟
Mohammad Kakooei –
تشکر از متن نقادانه شما دانشجوی گرامی 1- تغییرات و به روز رسانی ها در کتابخانه های کدنویسی همیشه وجود خواهد داشت و مادامی که تنها با تغییر جزیی ، دستور جدید قابل اجرا باشد، آموزش های قبلی معتبر است. که اگر غیر از این بود هیچ کتابی برای آموزش برنامه نویسی قابل چاپ نبود! همچنین، پیش تر تغییراتی که فرموید در جواب کامنت دوستان دیگری بیان شده بود و در چند کامنت بالاتر موجود است! 2- برای داده تمرین همیشه از داده هایی استفاده میشود که برای همه در دسترس است و اگرنه باید همیشه معطل داده میدانی باشیم! در محصولات آموزشی، روش و الگوریتم آموزش داده میشود و با داده هدف مد نظر کاربر قابل جایگزینی است. 3- نظر شما در رابطه با شیوه ضبط قابل احترام است اما با نظر بنده یکسان نیست. مطالب و مشکلاتی که در نوشتن اسکریپت قابل بیان است با اسکریپت آماده (که البته تدریس آن ساده تر است) قابل بررسی نیست. 4- منظور شما از محدودیت مقاله برای من گنگ است. در هر حال اگر این آموزش برای منطقه مطالعاتی شما قابل اجرا نیست و محدودیت دارد، با آقای نجفی هماهنگ کنید تا مبلغ پرداختی به شما عودت شود. موفق باشید
محسن مقدس –
کلاس بندی مورد استفاده در gee تغییر سینتکس داده و عوض شده است. به لینک زیر مراجعه کرده و اصلاح کنید: https://groups.google.com/g/google-earthengine-announce/c/rCu4FP_Cn08/m/DqC192X9BAAJ?pli=1 به جای استفاده از svm باید از Classifier.libsvm استفاده شود. همچنین نوع نمونه برداری داده تمرین را نیز اصلاح کنید. همچنین بهتر است پیش از ضبط یکبار مراحل را طی کرده و سپس اقدام به اجرای دوباره و ضبط نمایید. همچنین محدودیت های روش را از مقاله مطالعه بفرمایید سپس آنرا پیاده سازی کنید. موفق و پیروز باشید.
Mohammad Kakooei –
سلام موارد زیر را در نظر بگیرید. 1- مقاله مرجع از دو بخش تشکیل شده که شامل تعیین رطوبت خاک و بررسی سری زمانی تغییرات رطوبت است. همان طور که در اینجا توضیح داده شده است، این محصول مربوط به تعیین رطوبت خاک است که در فلوچارت مربوطه نیز نشان داده شده است. بخش دوم مقاله که البته ربطی به این محصول ندارد، از داده های GLDAS استفاده شده تا ناهنجاری های سری زمانی رطوبت خاک به کمک همبستگی با نقشه رطوبت سنتینل 1 (که از گام قبل به دست آمد) محاسبه شود. مطابق فلوچارتی که در ابتدای همین صفحه آورده شده است، داده های ورودی سنتینل-1 و داده هدف نمونه های میدانی in situ هستند ولی به دلیل عدم دسترسی به نمونه های میدانی در اینجا از داده FLDAS به عنوان داده هدف استفاده شده است. 2- برای رگرسیون از ee.Classifier.svm استفاده شده است که همانطور که قبلا در جواب کامنت یکی از دوستان عرض کردم به دلیل آپدیت کتابخانه گوگل ارث انجین به دستور ee.Classifier.libsvm تبدیل شده است. 3- برای بررسی ایراد در کد ارسالی باید لینک را با Get Link بگیرید و ارسال کنید. مطابق آموزش ویدئوی 4 در https://girs.ir/basics-gee اقدام کنید. موفق باشید
شیوا –
الان نگاهی به مقاله ای که به عنوان رفرنس استفاده کردین انداختم دیدم که اصلا از GLDAS به عنوان تارگت استفاده نکرده. بلکه از داده های in situ به عنوان تارگت استفاده کرده. به خاطر اینکه داده های S1 زمان کمی و پوشش میده برای تکمیلشون از داده های GLDAS استفاده کرده.
شیوا –
ممنونم. متاسفانه این کد برای منطقه و زمانی که مد نظر منه اصلا کار نمیکنه و من دو هفته ست ریز به ریز همه چیز و مرور میکنم نمیفهمم مشکل کجاست. لینک کد و واستون ایمیل کردم. الان نگاهی به مقاله ای که به عنوان رفرنس استفاده کردین انداختم دیدم که اصلا از GLDAS به عنوان تارگت استفاده نکرده. به خاطر اینکه داده های S1 زمان کمی و پوشش میده برای تکمیلشون از داده های GLDAS استفاده کرده. همین طور از رگرسیون از نوع support vector استفاده کرده که من اصلا ندیدم توی این کد ازش استفاده بشه. میشه لطفا کد من رو بررسی کنید که من بتونم نقشه soil moisture برای منظقه مورد مطالعه خودم به دست بیارم؟
Mohammad Kakooei –
سلام استفاده از این روش برای موضوع مطالعاتی شما مناسب است. اما توصیه میکنم از داده های میدانی به عنوان مقدار هدف استفاده کنید. برای بررسی سری زمانی موضوعات مربوط به Sample migration را مطالعه کنید. موفق باشید
رضا حیدری –
سلام وقتتون بخیر من میخوام میزان رطوبت حریم تخت جمشیدرو محاسبه کنم . آیا این روش برای من اعتبار علمی برخوردار خواهدبود و دوم اینکه میزان رطوبت طی سال های مختلف مانند تایم لاین رو میتونم داشته باشم؟ ممنون
Mohammad Kakooei –
جواب این سوال به سادگی یک بله یا خیر نیست. امکانش هست ولی باید بررسی شود. مثلا راه حل زیر میتواند جزو گزینه ها باشد. ورودی X (مثلا سنتینل 1)، متغیر میانی Z (مثلا داده SMAP) و داده هدف Y (نمونه های میدانی) یک ساختار دو طبقه در نظر بگیرید که از X به Z و از Z به Y منتج شود. این ساختار را برای منطقه مورد مطالعه خود train کنید. حال برای منطقه دیگر، طبقه دوم را ثابت نگه دارید و طبقه اول را تغییر دهید. البته موارد زیادی باید مورد توجه قرار بگیرد، مثلا تعداد و تنوع داده های Y در منطقه مورد مطالعه شما دارای تاثیر زیادی بر دقت این روش است. موفق باشید.
شیوا –
خیلی ممنونم که پاسخ دادین. در مورد سوال اول همانطور که گفتین من میتونم به جای FLDAS از داده های به دست اومده از TDR استفاده کنم. سوال دیگه ای که پیش میاد اینه که اگر من از TDR برای یک منطقه استفاده کنم؛ میتونم رطوبت خاک و فقط برای منطقه ای که ازش دیتا جمع اوری کردم به دست بیارم یا اینکه اگر با داده های زمینی منطقه خودم Train کنم برای مناطق دیگه هم قابل استفاده است؟