ساخت معادلات و رگرسیون بر پایه داده زمینی در گوگل ارث انجین

یکی از سخت ترین فرایندهایی که در مطالعات علوم طبیعی و محیط زیست صورت خواهد گرفت برداشت نمونه های زمینی، انتقال آن به آزمایشگاه و استخراج پارامترهایی مانند شوری، دمای آبی، کلروفیل آب، تبخیر و خیلی دیگر از این موارد است. متاسفانه در مطالعات کمی از این داده ها داده های زمینی برای ساخت رگرسیون و معادلات استفاده می شود. اگر مقالات معتبر دنیا در زمینه ساخت این معادلات و رگرسیون ها را مشاهده کرد خواهید دید که با داده های یکسان با مطالعات کشور ما این رگرسیون ها استخراج شده است. در محصول آموزشی ساخت معادلات و رگرسیون بر پایه داده زمینی در گوگل ارث انجین به کمک متخصصین این علوم آمد ایم و میتوانید به سادگی معادلات و رگرسیون های خود را برداشت کنید.

برای آنکه روشن شود که منظور از ساخت این معادلات و رگرسیون ها چیست یک مثال کاربردی ارائه خواهد شد. فرض کنید شما در داخل یک منطقه هدفتون اندازه گیری میزان هدایت الکتریکی سطح زمین ( نماینده ای از شوری خاک) می باشد. ما چندین راه کار برای این مورد میتوانیم ارائه دهیم که هر کدام معایت و مزایای خود را دارا است.

متخصصین علوم طبیعی و محیط زیست با برداشت نمون هایی از داخل منطقه مطالعاتی شروع به برداشت نمونه هایی خواهند کرد. راهکار دیگر استفاده از تکنیک های سنجش ازدوری و استفاده از معادلاتی است که قبلا استخراج شده است. این دیدگاه با توجه به اینکه این معادلات با شرایط اقلیمی مناطق مورد مطالعه خود مقاله است امکان خطا دارد.

لذا داده های نقطه ای را با تکنیک های جی ای اس مانند درون یابی کریجینگ یا IDW درون یابی کرده و گزارش و خروجی هایی آماده خواهد شد. اما سوال اینجاست که چرا نباید از این داده های زمینی برای ساخت معادلات برای محاسبه شوری خاک استفاده کرد. یعنی معادله ای تولید کرد که هر گاه از آن معادله استفاده کنند میزان شوری منطقه محاسبه خواهد شد.

اگر شما موفق بشید که یک معادله ای تولید کنید که با شرایط کشور ما سازگار باشد هم میتوانید مقالات بسیار معتبری چاپ کنید و هم انیکه میزان سایتیشن مقاله شما بسیار بالا خواهد بود. هدف از این دوره آموزشی این هست که به شما عزیزان تکنیک ساخت رگرسیون خطی و غیر خطی را آموزش دهیم که به سادگی بتوانید در داخل کارهای خود معادلات تشکیل دهید و به سادگی از کنار داده های زمینی خود گذشت نکنید.

مزایای این دوره اموزشی:
امکان ساخت معادلات ساده خطی، نمایی و توانی
امکان ساخت رگرسیون های چند متغییره خطی برای هر پارامتری
امکان ساخت رگرسیون های غیر خطی برای هر متغییری مانند random forest و CART
با کمک این آموزش میتوانید به راحتی رگرسیون و معادلات تهیه کنید که در ژورنال های معتبر مقالات خود را به چاپ برسانید.

ویژگی دوره ساخت معادلات و رگرسیون بر پایه داده زمینی در گوگل ارث انجین

عنوان کلی: ساخت رگرسیون با داده های میدانی در گوگل ارث انجین
محصول: دانلود و دسترسی بعد از خرید
نرم‌افزار: سامانه گوگل ارث انجین
مدرس: آرمان صمدی
تصاویر: سنتینل 2 و لندست
کد آماده : دارد
رفرنس : دارد.

موارد آموزش داده شده در دوره ساخت معادلات و رگرسیون بر پایه داده زمینی در گوگل ارث انجین

آموزش فراخوانی تصاویر لندست
آموزش فراخوانی تصاویر سنتنیل2
آموزش اعمال فیلتر زمانی ، مکانی و ابر
آموزش کار با داده های زمینی برداشت شده در جی ای اس و انتقال فایل اکسل به جی ای اس
آموزش جداسازی داد های تست و آموزشی در جی ای اس
آموزش فراخوانی داده ای آموزشی به گوگل ارث انجین
آموزش ساخت معادلات و تعیین ضریب تعیین برای ارتباط داده زمینی و هر پارامتر
آموزش ساخت رگرسیون چند متغییره در گوگل ارث انجین
آموزش ساخت رگرسیون غیر خطی با روش random forest و CART
آموزش اعتبار سنجی نتایج خروجی رگرسیون
آموزش ساخت رگرسیون در اکسل

نکات مهم در مورد این آموزش:
در این آموزش از رگرسیون خطی و غیر خطی استفاده شده است.
از مبانی این دوره میتوانید در مباحث مختلف استفاده کنید.
در این این آموزش رگرسیون چند متغیره خطی و دو روش غیر خطی Random Forest و CART استفاده شده است.
در این آموزش برای تعیین باند های موثر از ضریب تعیین استفاده شده است.

انواع رگرسیون با کاربرد در سنجش از دور

رگرسیون یکی از مهم‌ترین و پرکاربردترین روش‌های تحلیل داده در آمار و علم داده است که برای بررسی رابطه بین یک متغیر وابسته (متغیر پاسخ یا وابسته) و یک یا چند متغیر مستقل (متغیرهای ورودی یا مستقل) به کار می‌رود. هدف اصلی از استفاده از رگرسیون، پیش‌بینی یا توصیف متغیر پاسخ بر اساس متغیرهای مستقل است. به صورت کلی با تایید بر علم سنجش از در دو نوع رگرسیون میتوان است برد. رگرسیون خطی و رگرسیون غیر خطی که امروز از آن استفاده های مختلفی می شود.
رگرسیون خطی یکی از ساده‌ترین و پرکاربردترین روش‌های تحلیل داده است که برای بررسی رابطه بین یک متغیر وابسته و یک یا چند متغیر مستقل استفاده می‌شود. در رگرسیون خطی، فرض می‌شود که ارتباط بین متغیرهای وابسته و مستقل به صورت یک خط است، یعنی متغیرهای وابسته به صورت یک تابع خطی از متغیرهای مستقل قابل پیش‌بینی هستند. کاربردهای رگرسیون خطی بسیار گسترده است و شامل پیش‌بینی، توصیف رابطه بین متغیرها، کنترل متغیرهای مستقل و بررسی تأثیر آنها بر متغیر وابسته می‌شود.
البته ما دراین آموزش رگرسیون خطی چند گانه را نیز آموزش داده ایم که میتوانید در داخل کارهای خود از آن استفاده کنید.رگرسیون چند گانه خطی یک روش آماری است که برای بررسی رابطه بین یک متغیر وابسته و دو یا بیشتر از یک متغیر مستقل به کار می‌رود. در این نوع رگرسیون، یک مدل خطی با استفاده از چندین متغیر مستقل برای پیش‌بینی یک متغیر وابسته ایجاد می‌شود.

رگرسیون غیر خطی یک نوع از مدل‌های رگرسیون است که فرضیات آن در مورد رابطه بین متغیرهای وابسته و مستقل، خطی نیست. به عبارت دیگر، این نوع رگرسیون فرض می‌کند که رابطه بین متغیرهای وابسته و مستقل به صورت غیر خطی است، یعنی نمی‌توان آن را با یک تابع خطی توصیف کرد.
در رگرسیون غیر خطی، تابعی غیر خطی برای توصیف رابطه بین متغیرهای مستقل و وابسته استفاده می‌شود، مانند توان، لگاریتمیک، چند جمله‌ای، تابع‌های مثلثی و غیره. این توابع غیر خطی می‌توانند روابط پیچیده‌تری را نمایش دهند که به صورت خطی قابل توصیف نیستند. روش های CART و Random forest را درمیتوان در داخل گوگل ارث انجین پیاده سازی کرد.

رویکرد های استفاده از داد های زمینی در مقالات مختلف

با بررسی مقالات معتبر در دنیا شاهد 3 دیدگاه مختلف خواهیم بود. در دیدگاه اول شاخص های مختلف در یک زمینه را در دنیا شناسایی کرده و با داده های زمینی اعتبار سنجی صورت خواهد گرفت و بهترین شاخص برای منطقه مورد مطالعه شناسایی خواهد شد. گاها نیز شاهد این موضوع خواهیم بود که حتی ضرایب شاخص ها را اصلاح کنند.
رویکرد دوم استفاده از رگرسیون های خطی و غیر خطی و ایجاد ارتباط بین باندهای مختلف یک تصاویر ماهوار ای و داده زمینی می باشد. در این حالت معادله ای تشکیل که بیشترین میزان ضریب تعیین را داشته باشد. این معادله به عنوان یک معادله جامع مورد بررسی قرار خواهد گرفت و این مقالات معمولا سایتیشن های بالا خواهند گرفت.
رویکرد سوم که به نوعی از رویکرد دوم پیروی می کند ارتباط به داده های زمینی و شاخص های مختلف مورد بررسی قرار خواهد گرفت. برای نمونه فرض کنید شما داده های استرس گیاهی را داشته باشید. لذا از شاخص های مختلف گیاهی برای این منظور استفاده خواهند کرد. این روش نیز در دنیا طرفداران بسیار زیادی دارد.

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