ریز مقیاس سازی دمای سطح زمین در گوگل ارث انجین

دمای سطح زمین یا land surface temperature به عنوان یکی از پارامترهای مهم محیطی، بسیار جذاب در دنیا مطرح است. این پارامتر، در مطالعات زمین‌شناسی، اقلیم‌شناسی، تغییرات اقلیمی، مدیریت منابع طبیعی، و حتی برنامه‌ریزی شهری اهمیت زیادی دارد. دمای سطح زمین تأثیر زیادی بر فعالیت‌های زیستی، توزیع گیاهان و جانوران، و رفتار اقلیمی انسان‌ها دارد. در محصول اموزشی ریز مقیاس سازی دمای سطح زمین در گوگل ارث انجین به شما آموزش خواهیم داد که چگونه میتوانید دمای سطح زمین را به 10 متر کاهش دهید.

یکی از شاخه های سنجش از دور سنجش از دور حرارتی است. در سنجش از دور حرارتی دمای سطح زمین اندازه گیری می شود. بعد از اینکه دمای جسم از صفر مطلق بیشتر رفت، جسم از خود انرژی ساطع می کند که در محدوده 8 تا 14 میکرومتری قرار داد. سنجنده هایی که بتوانند دمای سطح زمین را اندازه یگری کنند معدود بوده و استفاده از آن در بسیاری از علوم کاربری است.

اگر لیست سنجند هایی که باند حرارتی دارند را مشاهده نمایید خواهید که پیکسل سایز بزرگ دارند. برای نمونه در مودیس پیکسل سایز ما 1000 متری، در لندست 100 متری و در سنجنده استر 90 متری می باشد. این در حالی است که باند های اپتیک پیکسل سایز کمتری در این ماهواره ها دارند.

اگر دنبال چرایی این موضوع هستید، دلیل این امر وجود انرژی کم در طول موج های بلند است. همانگونه که میدانید با افزایش طول موج میزان انرژی کاهش می یابد. زمانی که انرژی ساطع شده در محدوده 8 تا 14 میکرومتر به سمت سنجنده باز می گردد، برای ثبت این انرژی دو تا حالت وجود دارد. یا استانه بر انگیختن سنجنده بالا باید برود که هزینه زیادی داشته و مقدور نیست یا اینکه باید دهانه سنجنده (دید لحظه ای) افزایش پیدا که بتواند انرژی بیشتری دریافت کند. از این رو پیکسل سایز تصاویر راداری بزرگ تر است.

زمانی که در مباحث کشاورزی یا شهری از این تصاویر راداری بخواهید استفاده کنید، به دلیل پیکسل سایز بزرگ امکان دیدن جزئیات بیشتر میسر نیست. اما آیا راه حلی برای آن وجود ندارد؟ ایا نمیشه که تصاویر را با رزولوشن بهتر تبدیل کرد که بهتر جزییات را دید. باید بهتون بگم میشه! با استفاده از تکنیک های رگرسیون خطی و غیر خطی میتوانید این کار را بکنید.
رگرسیون و انواع آن 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.

 

آموزش پیشنهادی دیگر ما : ریزمقیاس سازی تصاویر سنتنیل 5 در سامانه گوگل ارث انجین

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.

ویژگی دوره ریز مقیاس سازی دمای سطح زمین در گوگل ارث انجین

عنوان کلی: ریزمقیاس سازی دمای سطح زمین بر اساس تصاویر لندست و سنتنیل 2
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 محصول ریز مقیاس سازی دمای سطح زمین در گوگل ارث انجین

آموزش فراخوانی متغییر های مستقل
آموزش فراخوانی متغییر وابسته
آموزش نمونه برداری تصادفی
آموزش جداسزی نمونه های تست و آموزشی
آموزش جداسازی متغییرهای مستقل و وابسته
آموزش پیاده سازی رگرسیون غیر خطی با روش Random Forest
آموزش پیاده سازی رگرسیون غیر خطی با روش CART
آموزش اعتبار سنجی مدل بر اساس داده های تست
آموزش پیاده سازی رگرسیون خطی چند متغییره
آموزش استخراج ضرایب معادله رگرسیون چند متغییره
آموزش استفاده از ضرایب معادلات خطی چندگانه
آموزش تهیه لایه دمای سطح زمین با پیکسل سایز 10 متری
آموزش مدیریت زمان با تابع temporalCollection
آموزش تهیه نمودار سری زمانی با پیکسل سایز 10 متری
آموزش خروجی گرفتن از تصاویر ریز مقیاس شده

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.

رگرسیون های چند متغیره خطی

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 چند گانه خطی در بسیاری از زمینه‌ها مورد استفاده قرار می‌گیرد. یکی از کاربردهای آن در ریزمقیاس سازی است. به عنوان مثال، فرض کنید می‌خواهیم دمای سطح زمین را بر اساس عواملی مانند ارتفاع، تغییرات در بارش و پوشش ابر پیش‌بینی کنیم. اینجاست که رگرسیون چند گانه خطی وارد عمل می‌شود. با استفاده از این روش، می‌توانیم با ترکیب اطلاعات این عوامل، دمای سطح زمین را در مقیاس‌های کوچک‌تر و دقیق‌تر پیش‌بینی کنیم.
به عنوان یک مثال، فرض کنید می‌خواهیم دمای سطح زمین را در یک منطقه با استفاده از ارتفاع، تغییرات در بارش و پوشش ابر پیش‌بینی کنیم. با استفاده از رگرسیون چند گانه خطی، می‌توانیم یک مدل خطی ایجاد کنیم که این عوامل را به دمای زمین مرتبط می‌کند. این مدل می‌تواند به ما کمک کند تا دما را در نقاط مختلف منطقه با دقت بیشتری پیش‌بینی کنیم و ریزمقیاس سازی دما را انجام دهیم.

رگرسیون های غیر خطی در گوگل ارث انجین

رگرسیون غیر خطی یکی از روش‌های مورد استفاده در تحلیل داده‌هاست که به ما اجازه می‌دهد روابط پیچیده‌تر و غیر خطی بین متغیرها را مدل کنیم. در این روش، توابع غیر خطی برای توصیف روابط بین متغیرهای وابسته و مستقل استفاده می‌شود، که این توابع می‌توانند شامل توان، لگاریتمیک، چند جمله‌ای و غیره باشند.

یکی از روش‌های معروف رگرسیون غیر خطی، روش CART (Classification and Regression Trees) است. در این روش، برای هر متغیر مستقل، یک درخت تصمیم ایجاد می‌شود و با استفاده از معیارهایی مانند Gini impurity یا معیار Entropy، بهترین تقسیم برای هر گره انتخاب می‌شود. سپس با استفاده از این درخت‌های تصمیم، پیش‌بینی نهایی انجام می‌شود.

همچنین، روش Random Forest یک مدل مبتنی بر انبوهی از درخت‌های تصمیم است که برای ساخت هر درخت، از نمونه‌های تصادفی از داده استفاده می‌کند. سپس پیش‌بینی‌های تولید شده توسط هر درخت به دست آمده از این مجموعه درخت‌ها ترکیب می‌شوند تا پیش‌بینی نهایی انجام شود.

بنابراین، روش‌های CART و Random Forest به عنوان روش‌های غیر خطی شناخته می‌شوند و از توابع خطی برای مدل‌سازی استفاده نمی‌کنند. به جای آن، این روش‌ها بر پایه تجزیه و تحلیل ساختار غیر خطی داده‌ها عمل می‌کنند و از تجربه‌های داده‌ای برای انتخاب مدل پاسخ می‌دهد.

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