برونسپاری
آموزش آنلاین
کسب درآمد
×

سنجش از دور gee worldclim

بودجه
از
۷۰۰,۰۰۰ تومان
تا
۲,۰۰۰,۰۰۰ تومان
زمان پیشنهادی
۷ روز
کارفرمای جدید
فارس
وضعیت
منتشر شده
ثبت پیشنهاد روی پروژه
ثبت پروژه مشابه
عنوان: مقادیر بهره وری اولیه خالص بالای سطح زمین با استفاده از داده‌های سنجش از دور و رویکرد یادگیری با توجه به مطالب ذکر شده در بالا، به‌منظور پیش بینی مقادیر NPP مراتع در دهه‌های آینده باید از داده‌ها مختلفی از قبیل داده‌های سنجش از دوری، سری زمانی داده‌های NPP و سناریوی‌های اقلیمی و همچنین تکنولوژی‌های مانند GEE و رویکردهای یادگیری ماشین استفاده‌کرد. سناریوهای اقلیمی آینده را می‌توان در قالب داده‌های WorldClim در مدل‌سازی استفاده‌کرد. این داده‌ها شامل اطلاعات اقلیمی ماهانه و سالانه برای سراسر جهان بوده و مبتنی بر مدل‌های اقلیمی برای پیش بینی شرایط اقلیمی در آینده هستند. این داده‌ها شامل مشخصاتی مانند دما، بارش، رطوبت و سایر شاخص‌های اقلیمی می‌باشند. این داده‌ها به‌صورت شبکه‌ای ارائه‌شده و دارای رزولوشن‌های مختلفی مانند 10 دقیقه و 2.5 دقیقه بوده و تاکنون از آنها به‌طور گسترده‌ای در مدل‌سازی اقلیمی و تحلیل تغییرات اقلیمی استفاده شده‌است. علاوه بر داده‌های سنجش از دوری و NPP مورد نیاز در این تحقیق، سامانه GEE از داده‌های WorldClim نیز پشتیبانی می‌کند و این داده‌ها را برای استفاده در پروژه‌های مختلف در اختیار کاربران خود قرار می‌دهد. لذا به نظر می‌رسد که سامانه GEE می‌تواند روند انجام این پژوهش را تسهیل کند. با توجه به مطالب فوق‌الذکر به نظر می‌رسد که استفاده از سناریوهای اقلیمی برای پیش‌بینی NPP، می‌تواند به تصمیمات بهتر و دقیق‌تر در زمینه مدیریت منابع‌طبیعی کمک کند. با توجه به تأثیر اقلیم بر NPP، پیش‌بینی دقیق تغییرات اقلیمی به دولت‌ها و سازمان‌های مربوطه کمک می‌کند تا برنامه‌های مناسب برای کاهش اثرات ضرر ناشی از تغییرات اقلیمی را تدوین کنند. لذا همان طور که ذکر شد، در این تحقیق سعی می‌شود که اقدام به مطالعه روند تغییرات NPP در مراتع البرز جنوبی کرده و در این کار از داده‌های سنجش از دوری و اطلاعات اقلیمی بهره برده شود. در این تحقیق اقدام به مدل‌سازی ارتباط بین مقادیر NPP و داده‌های هواشناسی با استفاده از روش‌های یادگیری ماشین منتخب کرده و سپس اقدام به پیش بینی مقادیر NPP مبتنی بر داده‌های سناریوهای اقلیمی می‌شود. در انتها نیز اقدام به مقایسه عملکرد روش‌ها یادگیری ماشین منتخب در پیش بینی مقادیر NPP می‌شود. می خواهیم که فرد مسلط به gee، سنجش از دور برای محاسبه NPP، انواع یادگیری عمیق، برای تحلیل پوشش گیاهی 8 استان

مشاهده جزئیات پیشنهادهای این پروژه
گزارش تخلف
ثبت پیشنهاد روی پروژه
ثبت پروژه مشابه
پروژه را با دوستان خود به اشتراک بگذارید
کپی لینک
پروژه‌های اسپانسر
پروژه‌های مشابه
کارلنسر را در شبکه های اجتماعی دنبال کنید
شماره تماس ۲۸۴۲۶۴۴۳ ۰۲۱
آدرس ایمیل info@karlancer.com
پشتیبانی