مدل‌ سازی مطلوبیت زیستگاه جانوران با یادگیری ماشین در گوگل ارث انجین

آیا تا به حال از خود پرسیده‌ اید یک گونه‌ی جانوری، از گوزن و پلنگ گرفته تا پرندگان مهاجر و حتی حشرات، دقیقاً در کدام منطقه میتوانند زندگی می‌کند و چرا؟ پاسخ به این پرسش، قلب بسیاری از پژوهش های محیط‌زیستی، برنامه‌ های حفاظت از تنوع زیستی و مقالات معتبر بین‌المللی است. امروز با ترکیب داده‌های ثبت شده‌ی حضور گونه‌ها در GBIF، تصاویر ماهواره ای و قدرت یادگیری ماشین، می‌ توان نقشه‌ ی مطلوبیت زیستگاه را با دقتی تهیه کرد که تا همین چند سال پیش تنها در اختیار آزمایشگاه های بزرگ دنیا بود. در دوره آموزشی مدل‌ سازی مطلوبیت زیستگاه جانوران با یادگیری ماشین در گوگل ارث انجین از پایه و صفر به شما آموزش خواهیم داد که با مدل رندم فارست مناطق مطلوب گونه ها را پیدا کنید.
بهترین بخش ماجرا این است که همه ی این کار ها روی سامانه‌ی ابری گوگل ارث انجین انجام می‌ شود؛ بدون نیاز به رایانه‌ ی قدرتمند، بدون دانلود حجم عظیمی از داده و بدون هزینه ی نرم‌افزار این خیلی عالی نیست!. در این دوره همراه با شما از اولین نقطه ی حضور تا نقشه ی نهایی همراهی می‌کنیم؛ از پاک‌سازی داده‌های GBIF و ساخت نقاط عدم‌ حضور، تا آماده‌سازی متغیرهای محیطی مثل پوشش گیاهی، بارش، دما، ارتفاع، شیب و فاصله از آب و جاده را خواهید آموخت این دوره آموزشی را با دوستان خود به اشتراک بگذارید.
این دوره کاملاً پروژه‌ محور است و آنچه یاد می گیرید را بلافاصله روی یک گونه‌ ی واقعی در مقیاس کشور اجرا می‌ کنید. الگوریتم جنگل تصادفی را آموزش می‌دهید، نقشه‌ ی مطلوبیت زیستگاه می‌ سازید، مدل را با ماتریس درهم‌ ریختگی، ضریب کاپا و AUC ارزیابی می کنید و اهمیت هر متغیر را تحلیل می‌کنید؛ یعنی دقیقاً همان مراحلی که داوران مجلات علمی از شما می‌ خواهند. اگر دانشجو یا پژوهشگر محیط‌زیست، منابع طبیعی، زیست‌شناسی یا GIS و سنجش از دور هستید، این دوره مسیر شما را برای نوشتن پایان‌نامه و مقاله کوتاه می‌ کند و به‌جای ماه‌ ها آزمون و خطا، در چند جلسه به یک روش‌ شناسی استاندارد و کد های آماده می رسید. با پایان دوره، نه‌ تنها نقشه ی خروجی حرفه‌ ای و قابل‌ارائه دارید، بلکه می‌توانید همین روش را برای هر گونه‌ی دیگری تکرار کنید. همین امروز ثبت‌نام کنید و اولین نقشه‌ی زیستگاه خودتان را بسازید.

دوره پیشنهادی:شناسایی مناطق مستعد سیلاب با یادگیری ماشین در گوگل ارث انجین

ویژگی دوره مدل‌ سازی مطلوبیت زیستگاه جانوران با یادگیری ماشین در گوگل ارث انجین

عنوان کلی: مدل سازی پراکنش گونه (Species Distribution Modeling ) با یادگیری ماشین
نرم‌افزار: گوگل ارث انجین
مدرس: آرمان صمدی
تصاویر : لندست؛ مودیس، SRTM، CHIRPS، ERA5 و FLDAS
کد آماده دارد.

این دوره آموزشی برای کدام دسته از جانوارن مناسب است:

• پرندگان
• پستانداران
• گیاهان آوندی
• پروانه‌ها و سنجاقک‌ها
• خزندگان و دوزیستان

توجه داشته باشید باید سایت GBIF بررسی شود و وجود نقاط حضور گونه بررسی شود.

موارد آموزش داده شده در دوره مدل‌ سازی مطلوبیت زیستگاه جانوران با یادگیری ماشین در گوگل ارث انجین

آموزش ثبت نام در سایت GBIF
آموزش دانلود اطلاعات حضور گونه از سایت GBIF
آموزش کار با داده های سایت GBIF
آموزش تبدیل به شیپ فایل داده های سایت GBIF
آموزش انتقال داده ها به گوگل ارث انجین
آموزش تهیه نقاط حضور و عدم حضور گونه
آموزش تهیه نقشه فاصله از اب های موجود (بحث آشامیدن جانداران)
آموزش تهیه نقشه فاصله از جاده
آموزش کار با داده های اقلییمی (ERA5, FLDAS, TerraClimate)
آموزش کار با لایه ارتفاعی و مشتقات آن
آموزش محاسبه شاخص نرمال شده گیاهی با تصاویر لندست و مودیس
آموزش کار با دمای سطح زمین با تصویر لندست و مودیس
آموزش نمونه برداری و جداسازی نمونه های آموزشی و تست
آموزش آموزش مدل رندم فارست
آموزش تهیه نقشه حضور گونه
آموزش اعتبار سنجی مدل و تشکل ماتریس خطا
آموزش محاسبه ضریب صحت کلی
آموزش محاسبه ضریب کاپل
آموزش محاسبه ضریب خطای کاربر و خطای تولید کننده
آموزش خروجی گرفتن از تصاویر
آموزش محاسبه ضریب اهمیت و ترسیم نمودار آن

نقش یادگیری ماشین در مدل‌سازی مطلوبیت زیستگاه جانوران

مدل‌سازی مطلوبیت زیستگاه یعنی پیش‌ بینی اینکه یک گونه در چه مناطقی می‌تواند زندگی کند. برای این کار، نقاط حضور گونه با متغیر های محیطی مانند اقلیم، ارتفاع، شیب، پوشش گیاهی، فاصله از آب و فعالیت انسانی ترکیب می‌ شود. این رابطه‌ها معمولاً ساده و خطی نیستند: یک گونه ممکن است فقط در بازه ی مشخصی از ارتفاع و بارش دیده شود، یا اثر یک متغیر به مقدار متغیر دیگر وابسته باشد.
اینجا یادگیری ماشین نقش اصلی را بازی می کند. الگوریتم‌ هایی مثل جنگل تصادفی (Random Forest) بدون نیاز به فرض‌ های آماری سخت گیرانه، روابط غیرخطی و تعامل بین متغیرها را از خود داده یاد می‌گیرند و برای هر پیکسل از نقشه احتمال حضور گونه را می‌دهند. این احتمال همان نقشه‌ی مطلوبیت زیستگاه است. علاوه بر پیش‌بینی، این الگوریتم‌ها اهمیت هر متغیر را هم نشان می‌دهند و مشخص می‌کنند کدام عامل محیطی بیشترین اثر را بر پراکنش گونه دارد.
ترکیب یادگیری ماشین با گوگل ارث انجین این کار را در مقیاس کشور یا قاره ممکن می کند، بدون نیاز به دانلود حجم زیادی داده یا رایانه‌ی قدرتمند. با این حال، کیفیت نتیجه به داده بستگی دارد: رکورد های حضور باید پاک‌سازی و thinning شوند، نقاط عدم‌ حضور مصنوعی را باید با دقت ساخت، و مدل را باید با معیارهایی مثل AUC، کاپا و تقسیم مکانی داده ارزیابی کرد. یادگیری ماشین ابزار قدرتمندی است، ولی جایگزین دانش اکولوژیک پژوهشگر نمی‌ شود.
مدرس دوره آموزشی:

آرمان صمدی
دانش‌آموخته رشته سنجش‌ازدور و جی‌ای اس دانشگاه تهران
کارشناس سنجش‌ازدور و سامانه اطلاعات جغرافیایی
مدیر و بنیان‌گذار وب‌سایت مدرسه سنجش از دور
مدرس بیش از 300 محصول آموزشی