ریزمقیاس سازی تصاویر گریس با یادگیری ماشین و مدل خطی

یکی از با ارزش ترین تصاویر ماهواره ای دنیا که آنومالی و نوسانات آب های زیرزمینی را مورد اندازه قرار میدهد تصاویر ماهواره ای grace است. این تصاویر بر پایه مدل های مختلف (سه مدل) به بررسی آنومالی آب های زیرزمینی در سطح خشکی و دریاها می پردازد. مهم ترین ویژگی این دیتاست وجود پیکسل سایز بزرگ 111 هزار متری و 56 هزار متری میباشد. این مشکل باعث میشود که در مقیاس ناحیه ای خیلی نتواند جواب گو باشد. در دوره آموزشی ریزمقیاس سازی تصاویر گریس با یادگیری ماشین و مدل خطی در بستر گوگل ارث انجین آموزش خواهید دید که چگونه پیکسل سایز این تصاویر را کاهش دهید.

با وجود محدودیت توان تفکیک مکانی در داده‌های ماهواره‌ای GRACE، این داده‌ها همچنان یکی از باارزش‌ترین منابع در مطالعات محیط‌زیستی و علوم طبیعی به شمار می‌روند. در این آموزش می‌آموزید چگونه با بهره‌گیری از متغیرهای مختلف محیطی، داده‌های GRACE را به‌صورت مؤثر ریزمقیاس‌سازی کرده و برای تحلیل‌های دقیق‌تر در مقیاس‌های محلی قابل استفاده کنید.

دوره پیشنهادی: اندازه گیری عمق سیلاب در گوگل ارث انجین 

ماهواره GRACE

ماهواره GRACE که مخفف Gravity Recovery And Climate Experiment است، یکی از مهم‌ترین منابع داده‌ای برای پایش تغییرات ذخیره آب در مقیاس جهانی محسوب می‌شود. داده‌های GRACE از سال 2002 تا به امروز (در ادامه با مأموریت GRACE-FO) به‌صورت ماهانه منتشر شده و امکان بررسی نوسانات توده آب را در بازه‌ای طولانی‌مدت فراهم می‌کند. این داده‌ها توسط سه مرکز تولید مدل شامل CSR (Texas/CSR)، GFZ (Germany/GFZ) و JPL (NASA/JPL) پردازش می‌شوند و خروجی هر سه مدل به‌صورت جداگانه ارائه می‌گردد.

داده‌های GRACE در دو نسخه اصلی از نظر قدرت تفکیک مکانی منتشر می‌شوند: نسخه با پیکسل حدود ۱۱۱ کیلومتری و نسخه بهبود یافته با پیکسل حدود ۵۶ کیلومتری. این داده‌ها میزان آنومالی آب معادل (Equivalent Water Thickness) را ارائه می‌کنند که نشان‌دهنده مجموع تغییرات ذخیره کل آب زمینی شامل رطوبت خاک، برف، رواناب سطحی، آب‌های دریاچه‌ها و سدها، آب‌های سطحی و همچنین آب‌های زیرزمینی است. GRACE علاوه‌بر خشکی‌ها، پهنه‌های آبی و اقیانوسی را نیز پوشش می‌دهد و قادر است تغییرات جرم آب را در مقیاس جهانی با دقت بالا اندازه‌گیری کند.

الگوریتم های به کار رفته در این دوره:

Random Forest (RF)
Linear Regression

ویژگی دوره ریزمقیاس سازی تصاویر گریس با یادگیری ماشین و مدل خطی

عنوان کلی: ریزمقیاس سازی تصاویر ماهواره ای Grace
نرم‌افزار: گوگل ارث انجین
مدرس: آرمان صمدی
تصاویر گریس
کد آماده : دارد
رفرنس : دارد

موارد آموزش داده شده در دوره ریزمقیاس سازی تصاویر گریس با یادگیری ماشین و مدل خطی

آموزش آشنایی با انواع پروداکت ماهواره ای Grace
آموزش فراخوانی متغییر های مستقل (متغییر های تاثیر گزار بر روی گریس) (دما، بارش، تبخیر، شاخص گیاهی، ارتفاع، شاخص پوشش برف
آموزش جداسازی متغیر وابسته و مستقل
آموزش اجرای مدل رگرسیون خطی
آموزش اعتبار سنجی مدل رگرسیون خطی
آموزش پیش بینی برای سال هایی که داده گریس وجود ندارد ( نسخه 4 تا سال 2017 موجود است)
آموزش اجرای مدل رندم فارست
آموزش ریزمقیاس سازی بر اساس مدل رندم فارست
آموزش اعتبار سنجی نتایج رندم فارست
آموزش پیش بینی برای سال هایی که داده گریس وجود ندارد.
آموزش ترسیم نمودار و مقدار ضریب R2 برای اعتبار سنجی

مدل های مورد استفاده در این دوره آموزشی

در این دوره آموزشی از دو مدل یادگیری ماشین رندم فارست و رگرسیون خطی استفاده شده است. هر کدام از این مدل ها میتواند محدودیت و مزایای خاص داشته باشد. در ادامه به بررسی کلی از مدل خواهیم پرداخت.

1- Random Forest

مدل Random Forest یکی از قدرتمندترین الگوریتم‌های یادگیری ماشین در حوزه ریزمقیاس‌سازی داده‌های سنجش‌ازدور است، زیرا توانایی بسیار بالایی در مدیریت داده‌های غیرخطی، پیچیده و متغیرهای متعدد محیطی دارد. این مدل با ساخت تعداد زیادی درخت تصمیم و ترکیب نتایج آن‌ها، می‌تواند روابط پنهان بین داده‌های ورودی (مانند بارش، دما، تبخیر و تعرق، پوشش گیاهی و… ) و خروجی موردنظر یعنی آنومالی جرمی GRACE را با دقت بالا استخراج کند. ویژگی مهم Random Forest این است که به‌صورت خودکار تعامل بین متغیرها را تشخیص می‌دهد و نسبت به خطاهای داده‌ای و نویز بسیار مقاوم است. در این دوره، از این مدل برای ایجاد یک رابطه پیش‌بینی قوی استفاده شده تا رزولوشن پایین GRACE جبران شده و خروجی نهایی با تفکیک مکانی بسیار بهتر تولید شود. همچنین توانایی مدل در تحلیل اهمیت متغیرها (Feature Importance) کمک می‌کند تا مشخص شود کدام عوامل محیطی نقش بیشتری در تغییرات ذخیره آب دارند، که این مسئله برای مطالعات هیدرولوژیک بسیار ارزشمند است.

2-Linear Regression

در کنار مدل‌های پیشرفته یادگیری ماشین، استفاده از رگرسیون خطی اهمیت ویژه‌ای دارد زیرا یک چارچوب ساده، شفاف و قابل تفسیر برای تحلیل تغییرات ارائه می‌دهد. مدل رگرسیون خطی بر پایه یافتن رابطه مستقیم بین متغیرهای محیطی و تغییرات جرمی GRACE عمل می‌کند و به کاربران اجازه می‌دهد درک دقیقی از روندها و میزان تأثیرگذاری هر متغیر داشته باشند. اگرچه این مدل نسبت به الگوریتم‌های غیرخطی مانند Random Forest قدرت انعطاف کمتری دارد، اما به دلیل رفتار پایدار، سرعت بالا و سهولت در پیاده‌سازی، یک ابزار ارزشمند برای ریزمقیاس‌سازی اولیه و همچنین ارزیابی کیفیت داده‌ها محسوب می‌شود. در این دوره، رگرسیون خطی به‌عنوان یک مدل پایه (Baseline Model) مورد استفاده قرار گرفته تا نشان دهد چگونه به کمک روابط ساده ریاضی نیز می‌توان بخشی از محدودیت قدرت تفکیک مکانی داده‌های GRACE را برطرف کرد و در عین حال نتایج قابل اتکایی برای مقیاس‌های محلی به دست آورد.

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