مدل سازی رویشگاه گونه های گیاهی با یادگیری ماشین در گوگل ارث انجین

هر گونه ی گیاهی در طبیعت جایگاه مشخصی دارد: محدوده‌ ای از دما و بارش، نوعی خاک، ارتفاع و جهت دامنه‌ای که تنها در آن می‌تواند رشد کند و تولیدمثل کند. شناخت این جایگاه، پایه ی تصمیم‌گیری در احیای پوشش گیاهی، حفاظت از گونه‌ های در معرض خطر، مدیریت مرتع و جنگل و ارزیابی اثر تغییر اقلیم بر پراکنش گیاهان است. مدل سازی مطلوبیت رویشگاه این پرسش را به زبان داده پاسخ می‌دهد: با ترکیب نقاط ثبت شده حضور گونه در GBIF و لایه‌ های محیطی حاصل از تصاویر ماهواره‌ ای، نقشه‌ای تهیه می‌شود که احتمال مناسب بودن هر نقطه از سرزمین را برای رویش آن گونه نشان می‌دهد. در دوره آموزشی مدل سازی رویشگاه گونه های گیاهی با یادگیری ماشین در گوگل ارث انجین از پایه با تمامی موارد آموزش خواهید دید.
در این دوره می‌آموزید چگونه این مسیر را به‌صورت کامل و اصولی در گوگل ارث انجین و با الگوریتم جنگل تصادفی (Random Forest) طی کنید؛ بدون نیاز به رایانه ی قدرتمند و بدون دانلود حجم زیادی از داده، چون تمام محاسبات روی سامانه‌ی ابری گوگل انجام می‌شود. گوگل ارث انجین با توجه به متن باز بودن برای چاپ مقالات و پایان نامه ها گزینه بسیار مناسبی است.
تمرکز دوره بر منطق هر مرحله است، نه صرفاً اجرای کد. از پاک‌سازی رکورد های GBIF و حذف مختصات نا دقیق و نمونه‌ های تکراری، تا طراحی ناحیه‌ی نمونه برداری و ساخت نقاط عدم حضور، آماده‌سازی متغیرهای مؤثر بر رویش گیاهان مثل دما، بارش، ارتفاع، شیب، جهت شیب، فاصله از شبکه آبراهه و فاصله از رودخانه، آموزش مدل و ارزیابی آن با ماتریس خطا، ضریب کاپا و AUC، همه را روی یک گونه ی گیاهی واقعی در مقیاس کشور اجرا می کنید. سپس اهمیت هر متغیر را تحلیل و نتیجه را از نظر اکولوژیک تفسیر می‌ کنید، یعنی همان مراحلی که داوران مجلات علمی انتظار دارند. اگر دانشجو یا پژوهشگر منابع طبیعی، جنگل‌داری، مرتع‌داری، علوم گیاهی، محیط‌زیست یا GIS و سنجش از دور هستید، این دوره به جای ماه ها آزمون و خطا، یک روش‌شناسی منظم و ک دهای قابل‌استفاده در اختیارتان می‌گذارد و می توانید همین روش را برای هر گونه ی گیاهی دیگری در پایان‌نامه یا مقاله‌ی خود تکرار کنید. همین امروز دوره را تهیه کنید و اولین نقشه‌ی رویشگاه خودتان را بسازید.

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

ویژگی دوره مدل سازی رویشگاه گونه های گیاهی با یادگیری ماشین در گوگل ارث انجین

عنوان کلی: مدل سازی رویشگاه گونه های گیاهی با یادگیری ماشین
نرم‌افزار: گوگل ارث انجین
مدرس: آرمان صمدی
تصاویر : لندست؛ مودیس، SRTM، CHIRPS، ERA5 FLDAS و مودیس و لندست
کد آماده دارد.

این دوره برای کدام تیپ‌ های گیاهی مناسب است؟

روش آموزش داده شده در این دوره برای هر تیپ گیاهی قابل اجراست که رکورد های حضور کافی در GBIF داشته باشد. پیش از انتخاب گونه، تعداد نقاط حضور آن را در GBIF بررسی می کنیم و در دوره یاد می‌ گیرید این بررسی را چگونه انجام دهید. تیپ‌های اصلی:

درختان جنگلی زاگرس

مثل بلوط ایرانی، بنه و ون. پراکنش گسترده و روشن در ارتفاعات زاگرس دارند و رابطه‌ ی آن‌ها با اقلیم و توپوگرافی واضح است، پس برای شروع مدل سازی گزینه‌ های مناسبی‌اند.

درختان جنگلی هیرکانی

مثل راش، ممرز، انجیلی و سرخدار. به رطوبت و دمای مشخصی وابسته‌ اند و برای مدل سازی اثر اقلیم و ارتفاع بر رویشگاه مناسب اند.

درختان و درختچه‌های نیمه‌ خشک

مثل ارس، چنار و کنار. مناسب بررسی تأثیر بارش، خاک و جهت دامنه.

گیاهان مرتعی

مثل درمنه و گون. درمنه به دلیل پراکنش گسترده مناسب است؛ گون چون گونه های بسیار زیاد و پراکنده دارد، باید گونه ی پررکورد جدا انتخاب شود.

گیاهان بیابانی و شورپسند

مثل سازند و تاغ. مناسب بررسی نقش خاک، شوری و بارش کم.

گیاهان ساحلی و مانگرو

مثل حرا. مناسب مدل سازی رویشگاه‌ های ساحلی با متغیر هایی مثل فاصله از دریا و دمای سطح.

گیاهان دارویی و خویشاوندان وحشی گیاهان زراعی

مثل آنغوزه و گونه‌های وحشی گندم، جو، بادام و پسته. کاربرد مهمی در حفاظت و اصلاح نباتات دارند.

موارد آموزش داده شده در دوره مدل سازی رویشگاه گونه های گیاهی با یادگیری ماشین در گوگل ارث انجین

آموزش ثبت نام در سایت GBIF
آموزش دانلود اطلاعات حضور گونه گیاهی از سایت GBIF
آموزش کار با داده های سایت GBIF
آموزش تبدیل داده های سایت GBIF به شیپ فایل
آموزش انتقال داده های سایت GBIF به گوگل ارث انجین
آموزش تهیه نقاط حضور و عدم حضور گونه انتخابی
آموزش تهیه نقشه فاصله از رودخانه
آموزش کار با داده های اقلیمی (ERA5, FLDAS,)
آموزش بدست آوردن دمای هوا از دمای سطح زمین
آموزش کار با لایه ارتفاعی و مشتقات آن
آموزش نمونه برداری و جداسازی نمونه های آموزشی و تست
آموزش آموزش مدل رندم فارست
آموزش تهیه نقشه حضور گونه گیاهی
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 مدل سازی مطلوبیت رویشگاه گونه‌های گیاهی

مدل‌ سازی مطلوبیت رویشگاه یعنی پیش‌بینی اینکه یک گونه‌ ی گیاهی در چه مناطقی می‌تواند رشد کند و زنده بماند. برای این کار، نقاط حضور گونه با متغیرهای محیطی مانند دما، بارش، ارتفاع، شیب، جهت شیب، تابش خورشیدی، خاک و فاصله از آب ترکیب می‌شود. این رابطه ها معمولاً ساده و خطی نیستند: یک گونه‌ ی گیاهی ممکن است فقط در بازه ی مشخصی از ارتفاع و بارش رشد کند، یا اثر یک متغیر مثل شیب به جهت دامنه و میزان رطوبت خاک وابسته باشد.
اینجا یاد گیری ماشین نقش اصلی را بازی می کند. الگوریتم‌ هایی مثل جنگل تصادفی بدون نیاز به فرض‌ های آماری سخت‌گیرانه، 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 رویشگاه 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؛ مثلاً اینکه رویش یک گونه‌ی درختی بیشتر تابع بارش است یا ارتفاع.
ترکیب یادگیری ماشین با گوگل ارث انجین این کار را در مقیاس کشور یا قاره ممکن می‌کند، بدون نیاز به دانلود حجم زیادی داده یا رایانه‌ی قدرتمند. با این حال، کیفیت نتیجه به داده بستگی دارد: رکوردهای حضور، که بخش زیادی از آن‌ها نمونه‌های هرباریومی با مختصات نادقیق‌اند، 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 نمی‌شود.

مدرس دوره آموزشی:

آرمان صمدی
دانش‌آموخته رشته سنجش‌ازدور و جی‌ای اس دانشگاه تهران
کارشناس سنجش‌ازدور و سامانه اطلاعات جغرافیایی
مدیر و بنیان‌گذار وب سایت مدرسه سنجش از دور