شناسایی هات اسپات اقلیمی و محیطی در گوگل ارث انجین
شناسایی هات اسپات اقلیمی و محیطی در گوگل ارث انجین
هات اسپاتهای اقلیمی و محیطی، مناطقی هستند که به دلایل طبیعی و انسانی دچار تغییرات غیرمعمول یا شدید میشوند. این مناطق میتوانند شامل افزایش دما، کاهش بارش، تغییرات تبخیر و تعرق، یا تغییرات شدید پوشش گیاهی باشند که بر سلامت اکوسیستم و کیفیت محیط زیست تاثیرگذارند. شناسایی سریع و دقیق این هات اسپاتها نقش کلیدی در مدیریت منابع طبیعی، پیشبینی بحرانهای محیطی و اتخاذ تصمیمات حفاظتی دارد. در دوره رایگان شناسایی هات اسپات اقلیمی و محیطی در گوگل ارث انجین میتوانید در ارث انجین روزاهایی که یک روند بزرگتر از یک عدد مشخص است شناسایی شود. برای نمونه کدام روز ها دمای سطح زمین بیشتر از 45 درجه بوده است.
یکی از روشهای بسیار دقیق برای شناسایی هات اسپات، استفاده از سنجش از دور و تصاویر ماهوارهای است. دادههای ماهوارهای با ثبت پارامترهای اقلیمی و محیطی و ارائه شاخصهای طیفی مختلف، امکان شناسایی مناطق با تغییرات غیرمعمول و آنومالیها را فراهم میکنند. ترکیب این دادهها با الگوریتمهای یادگیری ماشین، دقت و سرعت تحلیل را افزایش داده و امکان شناسایی الگوهای پیچیده محیطی را فراهم میآورد.
هدف از این آموزش، ارائه تکنیکهای نوین برای شناسایی هات اسپاتهای اقلیمی و محیطی با استفاده از Google Earth Engine و یادگیری ماشین میباشد، به گونهای که کاربران بتوانند مناطق با تغییرات غیرمعمول در شاخصهای محیطی مختلف را به راحتی تشخیص دهند و تحلیلهای کاربردی انجام دهند.
ویژگی دوره شناسایی هات اسپات اقلیمی و محیطی در گوگل ارث انجین
عنوان کلی: شناسایی آنومالی یا هات اسپات ها در بستر گوگل ارث انجین
نرمافزار: گوگل ارث انجین
مدرس: آرمان صمدی
تصاویر : مودیس ( قابل اجرا روی هر نوع دیتاست است)
کد آماده : دارد
قیمت دوره: رایگان
موارد آموزش داده شده در دوره شناسایی هات اسپات اقلیمی و محیطی در گوگل ارث انجین
آموزش انتخاب و فیلتر کردن دادههای ماهوارهای
کار با تصاویر MODIS (MOD11A1)
فیلتر کردن تصاویر بر اساس محدوده مکانی (filterBounds) و بازه زمانی (filterDate)
آموزش پردازش دادهها و تبدیل واحدها
برش تصاویر بر اساس محدوده مورد نظر (clip)
تبدیل دما از کلوین به سانتیگراد
افزودن تاریخ هر تصویر به عنوان پراپرتی (set('date', ...))
آموزش محاسبه میانگین روزانه دما
محاسبه میانگین دما در محدوده انتخابی با reduceRegion
ساخت FeatureCollection شامل هر روز و میانگین دما
آموزش شناسایی هات اسپاتها (روزهای داغ)
فیلتر کردن روزهایی که میانگین دما بالاتر از مقدار آستانه (مثلاً 38 درجه) است
استخراج تاریخ روزهای هات اسپات به صورت FeatureCollection
آموزش نمایش خروجیها و گزارشدهی
نمایش تاریخهای هات اسپات با print
شمارش تعداد روزهای هات اسپات با .size()
آموزش تعمیم به سایر پارامترهای محیطی
امکان اعمال روش مشابه روی شاخصهای دیگر مانند بارش، تبخیر، پوشش گیاهی
شناسایی روزها یا مناطق با تغییرات غیرمعمول (آنومالیها)
کاربردهای شناسایایی هات اسپات ها یا انومالی های محیطی
۱. پایش و تحلیل دما و روزهای داغ
یکی از اصلیترین کاربردهای این آموزش، شناسایی روزهای با دمای بالا در طول سال است. با استفاده از دادههای ماهوارهای MODIS و پردازش در GEE، کاربران میتوانند مناطق و روزهایی که دمای سطح زمین از حد مشخصی بالاتر رفته است، شناسایی کنند. این اطلاعات برای مدیریت شهری، پیشبینی موجهای گرما و کاهش مخاطرات زیستمحیطی اهمیت زیادی دارد. همچنین، مقایسه روند دما در سالهای مختلف امکان ارزیابی تغییرات اقلیمی و شناسایی مناطق مستعد گرمایش شدید را فراهم میکند.
۲. پایش شدت و پراکنش بارش
روشهای آموزش داده شده، قابل تعمیم به شاخصهای دیگر محیطی مانند بارش نیز هستند. کاربران میتوانند روزهایی با شدت بارش بالا یا کمسابقه را شناسایی کنند و پراکنش مکانی بارش در طول سال را تحلیل نمایند. این کاربرد برای مدیریت منابع آب، پیشبینی خطر سیلاب و برنامهریزی کشاورزی بسیار مفید است.
۳. شناسایی آنومالیهای محیطی
با استفاده از همین روشها میتوان آنومالیها و تغییرات غیرمعمول محیطی را تشخیص داد؛ به عنوان مثال، کاهش غیرمعمول پوشش گیاهی، افزایش تبخیر یا تغییرات شدید رطوبت خاک در مناطق مختلف. شناسایی این هات اسپاتها، پایهای برای تصمیمگیری در مدیریت بحرانهای محیطی و پایش سلامت اکوسیستم است.
۴. تحلیل روند طولانی مدت و مقایسه سالانه
با پردازش سریهای زمانی، میتوان تعداد روزهای داغ، سرد، بارانی یا خشک را در هر سال محاسبه و تحلیل کرد. این تحلیلها به محققان و مدیران محیط زیست کمک میکند تا روندهای بلندمدت تغییرات اقلیمی را شناسایی و مقایسه کنند و مناطقی که بیشترین تغییرات را تجربه میکنند، برجسته شود.
۵. کاربردهای مدیریتی و علمی
خروجیهای این آموزش، میتوانند در مدیریت شهری، کشاورزی، منابع طبیعی و برنامهریزی محیطی به کار گرفته شوند. به عنوان مثال، شناسایی مناطق مستعد گرما یا کمبود آب، اطلاعرسانی به کشاورزان و برنامهریزی برای حفاظت از زیستگاهها. همچنین، دانشجویان و محققان میتوانند از این دادهها در پژوهشهای علمی، مقالهنویسی و تحلیلهای مدلسازی محیطی استفاده کنند.
Map.centerObject(geometry);
var LST = ee.ImageCollection("MODIS/061/MOD11A1")
.filterBounds(geometry)
.filterDate('2024','2025')
.select('LST_Day_1km')
.map(function(image){
var lstC = image.clip(geometry)
.multiply(0.02)
.subtract(273.15)
.rename('LST');
var dateS = ee.Date(image.get('system:time_start'))
.format('YYYY-MM-dd');
return lstC.set('date', dateS);
}
);
print(LST,'LST');
var Daily = LST.map(function(image){
var mean = image.reduceRegion({
reducer: ee.Reducer.mean(), geometry:geometry, scale:1000, maxPixels:1e13
})
.get('LST');
return ee.Feature(null,{date:image.get('date'), LST:mean}
);
}
);
print(Daily,'Daily');
var hot_day = Daily.filter(ee.Filter.gt('LST',38))
.map(function(img){
return ee.Feature(null,{date:img.get('date')}
);
}
);
print('Date Days LST up 45 ', hot_day);
print('Count Date Days LST up 45 ', hot_day.size());
https://code.earthengine.google.com/15128aab615d737c14086ced19ff2e5b
دانشجویی - سازمانی - پایان نامه
گوگل ارث انجین
کاربردی و پروژه محور
شاخص های RS
مشخصات کامل دوره ها
نقد و بررسیها
هنوز بررسیای ثبت نشده است.