رگرسیون خطی ساده و چند متغییره در گوگل ارث انجین

در بسیاری از پروژه ها نیاز است که بین لایه های رستری خود به عنوان متغییر رابطه خطی یا رگرسیون خطی ایجاد کنید. برای نمونه رابطه بین دما و بارش یا دما و ارتفاع منطقه. در این حالت رگرسیون های ساده دو متغییره استفاده خواهد شد. اما گاهی وقت ها تعداد متغییر های مستقل ما زیاد و نیاز است که از چندین پارامتر ورودی استفاده شود در این حالت از معادلات چند گانه استفاده خواهد شد. در آموزش رگرسیون خطی ساده و چند متغییره در ارث انجین به صورت رایگان و جامع ایجاد رگرسیون دوگانه و چند گانه بین لایه های رستری آموزش داده خواهد شد.

آموزش کاربردی دیگر ما: تخمین بیومس با روش رگرسیون گیری در ارث انجین

رگرسیون خطی ساده و رگرسیون خطی چندگانه

رگرسیون خطی یکی از ابزارهای آماری است که برای تحلیل و پیش‌بینی روابط میان متغیرها استفاده می‌شود. این روش، با استفاده از مفهوم خطی بودن رابطه بین متغیرها، اقدام به تخمین پارامترهای مدل می‌نماید و به ما اجازه می‌دهد تا رابطه‌ای میان متغیرهای وابسته و مستقل را بررسی کنیم.

رگرسیون خطی ساده (دو متغیره)

در این نوع رگرسیون، تنها دو متغیر (یک متغیر وابسته و یک متغیر مستقل) در نظر گرفته می‌شوند. به عبارت دیگر، مدل رگرسیونی که بر اساس دو متغیر تشکیل شده و تلاش می‌کند تا رابطه خطی بین آن دو را بررسی کند، رگرسیون خطی دو گانه نامیده می‌شود.

رگرسیون خطی چندگانه (چند متغیره)

در این نوع رگرسیون، بیش از دو متغیر (یک متغیر وابسته و دو یا بیشتر از یک متغیر مستقل) در نظر گرفته می‌شوند. این نوع رگرسیون به ما اجازه می‌دهد تا تأثیر چندین متغیر مستقل بر یک متغیر وابسته را بررسی کنیم و رابطه خطی بین آن‌ها را مدل کنیم.

رگرسیون خطی دو گانه، که شامل دو متغیر (یک متغیر وابسته و یک متغیر مستقل) است، و رگرسیون خطی چندگانه که بیش از دو متغیر مستقل را در نظر می‌گیرد، از جمله رایج‌ترین انواع رگرسیون هستند. به عنوان مثال، در رگرسیون خطی دو گانه، ممکن است ما به دنبال تأثیر یک عامل محدودکننده بر عملکرد یک سیستم باشیم، در حالی که در رگرسیون خطی چندگانه، ممکن است تعدادی عوامل مختلف را به عنوان مستقل در نظر بگیریم و تأثیر هر یک را بر روی متغیر وابسته بررسی کنیم.
در هر دو نوع رگرسیون، هدف ما این است که با استفاده از داده‌های موجود، یک مدل خطی مناسب ایجاد کنیم که به ما اجازه می‌دهد تا متغیر وابسته را بهترین توضیح و پیش‌بینی را بر اساس متغیرهای مستقل فراهم آوریم.

ویژگی محصول آموزش رگرسیون خطی ساده و چند متغییره در گوگل ارث انجین

عنوان کلی: آموزش گام به گام متغییر های خطی ساده و چند متغییره برای تصاویر رستری
محصول: رایگان و مشاهده آنلاین
نرم‌افزار: سامانه گوگل ارث انجین
مدرس: آرمان صمدی
تصاویر: مودیس، SRTM
قیمت دوره: رایگان

موارد آموزش داده شده در محصول آموزش رگرسیون خطی ساده و چند متغییره در گوگل ارث انجین

آموزش فراخوانی متغییر های مستقل
آموزش فراخوانی لایه ارتفاعی منطقه
آموزش فراخوانی لایه شیب منطقه
آموزش فراخوانی لایه دمای منطقه ( تصاویر مودیس)
آموزش فراخوانی شاخص نرمال شده گیاهی منطقه ( تصاویر مودیس)
آموزش جداسازی متغییرهای مستقل و وابسته
آموزش پیاده سازی رگرسیون خطی دو متغییره
آموزش پیش بینی و استخراج ضرایب معادله رگرسیون خطی دو متغییره
آموزش پیاده سازی رگرسیون چند متغییره
آموزش پیش بینی و استخراج ضرایب معادله رگرسیون چند متغییره

نکات مهم در مورد این آموزش:
در این آموزش از رگرسیون خطی استفاده شده است.
از مبانی این دوره میتوانید در مباحث مختلف استفاده کنید.
از رگرسیون خطی برای لایه های رستری میتوانید استفاده کنید.

کاربردهای رگرسیون خطی

رگرسیون‌ها به عنوان یکی از قدرتمندترین ابزارهای آماری در تحلیل داده‌ها و پیش‌بینی رویدادها به کار می‌روند و در انواع مختلفی از زمینه‌های علمی و کاربردی مورد استفاده قرار می‌گیرند. این استفاده‌ها شامل موارد زیر می‌شود:

پیش‌بینی کردن

یکی از کاربردهای اصلی رگرسیون‌ها، پیش‌بینی و پیش‌بینی متغیرهای وابسته بر اساس متغیرهای مستقل است. به عنوان مثال، میتوانید دمای منطقه را بر اساس ارتفاع و پوشش گیاهی منطقه پیش بینی کنید.

تحلیل رابطه‌ها

رگرسیون‌ها به ما اجازه می‌دهند تا روابط بین متغیرها را درک کرده و تأثیر هر متغیر مستقل بر متغیر وابسته را بسنجیم. برای نمونه بر اساس ضرایب مثبت یا منفی که داریم میتوانیم رابطه مثبت یا منفی بین دما و ارتفاع را استخراج کنیم.

کنترل عوامل مخرب

با استفاده از رگرسیون، می‌توان عوامل مخرب و تأثیر آن‌ها بر متغیرهای وابسته را شناسایی کرده و این تأثیرات را کنترل کرد.

تصمیم‌گیری

تحلیل رگرسیون به ما اطلاعاتی در مورد عوامل مؤثر و تأثیر آن‌ها بر متغیرهای وابسته می‌دهد که می‌تواند در فرآیند تصمیم‌گیری‌های مختلف، از جمله برنامه‌ریزی استراتژیک و مدیریت منابع، مفید باشد.

ریزمقیاس سازی

یکی دیگر از کاربردهای رگرسیون های خطی ریزمقیاس سازی می باشد. برای نمونه بر اساس رابطه که بین دمای (1000 متری مودیس) و لایه ارتفاعی ( 30 متری) تولید خواهد شد لایه دمایی با پیکسل سایز 30 متری تولید کرد.

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

سوالات پرتکرار در رابطه با محصول آموزش رگرسیون خطی ساده و چند متغییره در ارث انجین

آیا این محصول دارای پشتیبان است؟
بله، تمامی محصولات ما دارای پشتیبانی کامل است.

این محصول دانلودی است یا پستی؟
محصولات ما به صورت دانلودی ارایه میشوند.

آیا حق کپی برداری وجود دارد؟
کپی برداری به هیچ عنوان مجاز نبوده و پیگرد قانونی دارد.
آیا میتوان این محصول رایگان را دانلود کرد؟
خیر ، محصولات رایگان ما به صورت مشاهده آنلاین است.

دسترسی به کدهای دوره

لینک مسقتیم:

https://code.earthengine.google.com/1c88a56dcdd46b2147624be50576ad3d

ریزکد ها

Map.centerObject(geometry);

var DEM = ee.Image(“USGS/SRTMGL1_003”)
.select(‘elevation’)
.clip(geometry)
.rename(‘DEM’);
Map.addLayer(DEM,{min:43,max:3205},’DEM’,false);

var slope = ee.Terrain.slope(DEM).rename(‘slope’);

var NDVI = ee.ImageCollection(“MODIS/061/MYD13Q1”)
.filterBounds(geometry)
.filterDate(‘2019-04-01′,’2019-08-01’)
.select(‘NDVI’)
.mean()
.clip(geometry)
.multiply(0.0001)
.rename(‘NDVI’);
Map.addLayer(NDVI,{min:0.15,max:0.62},’NDVI’,false);

var LST = ee.ImageCollection(“MODIS/061/MOD11A2”)
.filterBounds(geometry)
.filterDate(‘2019-04-01′,’2019-08-01’)
.select(‘LST_Day_1km’)
.mean()
.clip(geometry)
.multiply(0.02)
.rename(‘LST’);
Map.addLayer(LST,{min:290,max:323},’LST’,false);

///Linear Regression

var dataset = DEM.addBands(LST);
print(dataset,’dataset’);

var linearfit = dataset.reduceRegion({
reducer:ee.Reducer.linearFit(),
geometry:geometry,
scale:1000,
bestEffort:true,
maxPixels:1e9});

//print(linearfit,’linearfit’)

var lst_predict = DEM.multiply(-0.0065).add(322.24);
Map.addLayer(lst_predict,{},’lst_predict’,false);

////Multi Regression

var dataset2 = ee.Image.cat([DEM,slope,NDVI,LST]);

var constant = ee.Image(1);
var xVar = dataset2.select([‘DEM’,’slope’,’NDVI’]);
var yVar = dataset2.select(‘LST’);
var imgRegrees = ee.Image.cat([constant,xVar,yVar]);
print(imgRegrees,’imgRegrees’)

var multi_regression = imgRegrees.reduceRegion({
reducer:ee.Reducer.linearRegression({
numX:4,
numY: 1

}),

geometry:geometry,
scale:1000,
bestEffort:true});

print(multi_regression,’multi_regression’);

var lst_predict2 = dataset2.expression(‘(326.8412)-(-0.0059*dem)-(0.229*slope)-(17.175*NDVI)’,{

‘dem’:dataset2.select(‘DEM’),
‘slope’:dataset2.select(‘slope’),
‘NDVI’:dataset2.select(‘NDVI’),

});

Map.addLayer(lst_predict2,{},’lst_predict2′)