✏️علی زارعی (دانشجوی اقلیم شناسی دانشگاه تهران)
آیا تا به حال فکر کردهاید که بتوان بدون نوشتن حتی یک خط کد، از قدرت و مزایای زبان پایتون استفاده نمود؟
این دقیقاً کاری است که با طراحی رابطهای گرافیکی در پایتون ممکن میشود.
در این روش، یک برنامهنویس با نوشتن توابع مورد نیاز، رابطی میسازد که هر کاربر بدون مهارت در برنامهنویسی، میتواند از آن استفاده و تنها با چند کلیک ساده دادههای خام خود را به نتایج دقیق کمی و گرافیکی تبدیل کند.
برای نمونه در شکل بالا، در فرآیند اعتبارسنجی دادههای ERA5 با دادههای ایستگاهی، کافی است فایل اکسل دادهها انتخاب شود تا برنامه بهصورت خودکار شاخصهایی مانند R²، RMSE و MAE را محاسبه کرده و نمودارهای مقایسهای را نمایش دهد.
هیچ نیازی به وارد کردن دستور یا کد نیست، همه چیز فقط با چند کلیک انجام میشود.
مزیت این رویکرد در آن است که توان پردازشی و تحلیلی پایتون در اختیار همه قرار میگیرد، حتی کسانی که تا امروز هیچ تجربهای در برنامهنویسی نداشتهاند . رابط گرافیکی، پلی میان پیچیدگی کد و راحتی کاربر است؛ ابزاری که کارهای دشوار را ساده و قابلدسترس میکند.
به عنوان مثالی دیگر، تنها کافی است که کاربر آدرس ذخیره باندهای RED و NIR را انتخاب کند تا برنامه به طور خودکار شاخص NDVI را محاسبه و ذخیره کند. این روش باعث میشود تحلیل دادههای اقلیمی و سنجشازدور با سرعت بالا، دقت زیاد و بدون نیاز به دانش فنی انجام شود.
در نهایت، رابطهای گرافیکی نشان میدهند که برای انجام تحلیلهای پیچیده، دیگر نیازی به برنامهنویس بودن نیست؛ کافی است کلیک کنید تا نتایج در اختیارتان قرار گیرد.
Follow us 👇
Telegram : https://t.me/GeoHelperData
آیا تا به حال فکر کردهاید که بتوان بدون نوشتن حتی یک خط کد، از قدرت و مزایای زبان پایتون استفاده نمود؟
این دقیقاً کاری است که با طراحی رابطهای گرافیکی در پایتون ممکن میشود.
در این روش، یک برنامهنویس با نوشتن توابع مورد نیاز، رابطی میسازد که هر کاربر بدون مهارت در برنامهنویسی، میتواند از آن استفاده و تنها با چند کلیک ساده دادههای خام خود را به نتایج دقیق کمی و گرافیکی تبدیل کند.
برای نمونه در شکل بالا، در فرآیند اعتبارسنجی دادههای ERA5 با دادههای ایستگاهی، کافی است فایل اکسل دادهها انتخاب شود تا برنامه بهصورت خودکار شاخصهایی مانند R²، RMSE و MAE را محاسبه کرده و نمودارهای مقایسهای را نمایش دهد.
هیچ نیازی به وارد کردن دستور یا کد نیست، همه چیز فقط با چند کلیک انجام میشود.
مزیت این رویکرد در آن است که توان پردازشی و تحلیلی پایتون در اختیار همه قرار میگیرد، حتی کسانی که تا امروز هیچ تجربهای در برنامهنویسی نداشتهاند . رابط گرافیکی، پلی میان پیچیدگی کد و راحتی کاربر است؛ ابزاری که کارهای دشوار را ساده و قابلدسترس میکند.
به عنوان مثالی دیگر، تنها کافی است که کاربر آدرس ذخیره باندهای RED و NIR را انتخاب کند تا برنامه به طور خودکار شاخص NDVI را محاسبه و ذخیره کند. این روش باعث میشود تحلیل دادههای اقلیمی و سنجشازدور با سرعت بالا، دقت زیاد و بدون نیاز به دانش فنی انجام شود.
در نهایت، رابطهای گرافیکی نشان میدهند که برای انجام تحلیلهای پیچیده، دیگر نیازی به برنامهنویس بودن نیست؛ کافی است کلیک کنید تا نتایج در اختیارتان قرار گیرد.
Follow us 👇
Telegram : https://t.me/GeoHelperData
✍علی زارعی (پژوهشگر اقلیم شناسی دانشگاه تهران)
پوشش زمین (Land Cover) به نوع و وضعیت سطح زمین اشاره دارد و نشان میدهد که هر بخش از زمین توسط چه عناصری پوشیده شده است؛ مانند پوشش گیاهی، مناطق شهری، اراضی کشاورزی، پهنههای آبی یا زمینهای بایر. لندکاور یکی از مهمترین دادههای پایه در مطالعات اقلیمشناسی، محیطزیست، برنامهریزی شهری و مدیریت منابع طبیعی است، زیرا تغییرات آن در طول زمان میتواند نشاندهنده تأثیر فعالیتهای انسانی و تغییرات اقلیمی بر سطح زمین باشد.
در شکل بالا، نمونهای از نقشه پوشش زمین برای فصل تابستان نمایش داده شده است. این نقشه بهعنوان نمونهای از طبقهبندی لندکاور، الگوی توزیع انواع کاربری و پوشش زمین را در بخشی از استان هرمزگان نشان میدهد. تهیه چنین نقشههایی به پژوهشگران کمک میکند تا تغییرات محیطی را پایش کرده، مناطق حساس را شناسایی کنند و در نهایت درک دقیقتری از پویایی سرزمین در شرایط اقلیمی مختلف بهدست آورند.
Follow us 👇
Telegram : https://t.me/GeoHelperData
پوشش زمین (Land Cover) به نوع و وضعیت سطح زمین اشاره دارد و نشان میدهد که هر بخش از زمین توسط چه عناصری پوشیده شده است؛ مانند پوشش گیاهی، مناطق شهری، اراضی کشاورزی، پهنههای آبی یا زمینهای بایر. لندکاور یکی از مهمترین دادههای پایه در مطالعات اقلیمشناسی، محیطزیست، برنامهریزی شهری و مدیریت منابع طبیعی است، زیرا تغییرات آن در طول زمان میتواند نشاندهنده تأثیر فعالیتهای انسانی و تغییرات اقلیمی بر سطح زمین باشد.
در شکل بالا، نمونهای از نقشه پوشش زمین برای فصل تابستان نمایش داده شده است. این نقشه بهعنوان نمونهای از طبقهبندی لندکاور، الگوی توزیع انواع کاربری و پوشش زمین را در بخشی از استان هرمزگان نشان میدهد. تهیه چنین نقشههایی به پژوهشگران کمک میکند تا تغییرات محیطی را پایش کرده، مناطق حساس را شناسایی کنند و در نهایت درک دقیقتری از پویایی سرزمین در شرایط اقلیمی مختلف بهدست آورند.
Follow us 👇
Telegram : https://t.me/GeoHelperData
💻تهیه شده توسط علی زارعی (پژوهشگر اقلیم شناسی دانشگاه تهران)
تغییرات فضای_زمانی شرایط آسایش حرارتی 12 ماهه کشور ایران در سال 2024.
Follow us 👇
Telegram : https://t.me/GeoHelperData
تغییرات فضای_زمانی شرایط آسایش حرارتی 12 ماهه کشور ایران در سال 2024.
Follow us 👇
Telegram : https://t.me/GeoHelperData
✍ علی زارعی
نقشههای LCZ (Local Climate Zones) مناطقی را نشان میدهند که بر اساس ویژگیهای فیزیکی و محیطی مشخص، مانند نوع پوشش سطح، ساختار شهری (ارتفاع و تراکم ساختمانها) و خصوصیات حرارتی دستهبندی شدهاند و شامل ۱۷ کلاس استاندارد هستند (۱۰ کلاس شهری و ۷ کلاس طبیعی). این طبقهبندی بهویژه برای درک اثرات جزیره حرارتی شهری (UHI) و تحلیل تأثیر تغییرات کاربری زمین بر دماهای محلی مفید است و امروزه در مطالعات اقلیمی، شهری و محیط زیستی کاربرد گستردهای دارد.
نقشههای LCZ امکان مدلسازی دقیق پراکنش دما، باد، رطوبت و دیگر شاخصهای اقلیمی شهری را در مقیاس محلی فراهم میکنند و به محققان و برنامهریزان شهری کمک میکنند تا اثرات طراحی شهری، تراکم ساختمانها، پوشش زمین و فضای سبز را بر شرایط حرارتی و محیطی شهر تحلیل کنند. همچنین، LCZ ابزاری مؤثر برای بهینهسازی طراحی شهری، مدیریت فضاهای سبز و کاهش اثرات منفی گرمای شهری در برنامهریزی کلانشهری محسوب میشود و میتواند بهعنوان دادهای دقیق برای مطالعات محیطی و اقلیمی، ارزیابی جزیره حرارتی، تحلیل اثرات تغییرات کاربری زمین و تصمیمگیریهای استراتژیک در برنامهریزی شهری مورد استفاده قرار گیرد.
📌نقشه ارائهشده در این پست برای شهر تهران و حومه آن با تفکیک مکانی ۱۰۰ متر تهیه شده است.
Follow us 👇
Telegram : https://t.me/GeoHelperData
نقشههای LCZ (Local Climate Zones) مناطقی را نشان میدهند که بر اساس ویژگیهای فیزیکی و محیطی مشخص، مانند نوع پوشش سطح، ساختار شهری (ارتفاع و تراکم ساختمانها) و خصوصیات حرارتی دستهبندی شدهاند و شامل ۱۷ کلاس استاندارد هستند (۱۰ کلاس شهری و ۷ کلاس طبیعی). این طبقهبندی بهویژه برای درک اثرات جزیره حرارتی شهری (UHI) و تحلیل تأثیر تغییرات کاربری زمین بر دماهای محلی مفید است و امروزه در مطالعات اقلیمی، شهری و محیط زیستی کاربرد گستردهای دارد.
نقشههای LCZ امکان مدلسازی دقیق پراکنش دما، باد، رطوبت و دیگر شاخصهای اقلیمی شهری را در مقیاس محلی فراهم میکنند و به محققان و برنامهریزان شهری کمک میکنند تا اثرات طراحی شهری، تراکم ساختمانها، پوشش زمین و فضای سبز را بر شرایط حرارتی و محیطی شهر تحلیل کنند. همچنین، LCZ ابزاری مؤثر برای بهینهسازی طراحی شهری، مدیریت فضاهای سبز و کاهش اثرات منفی گرمای شهری در برنامهریزی کلانشهری محسوب میشود و میتواند بهعنوان دادهای دقیق برای مطالعات محیطی و اقلیمی، ارزیابی جزیره حرارتی، تحلیل اثرات تغییرات کاربری زمین و تصمیمگیریهای استراتژیک در برنامهریزی شهری مورد استفاده قرار گیرد.
📌نقشه ارائهشده در این پست برای شهر تهران و حومه آن با تفکیک مکانی ۱۰۰ متر تهیه شده است.
Follow us 👇
Telegram : https://t.me/GeoHelperData
Telegram
GeoHelper
ارائه دادههای اقلیمی، تصاویر ماهوارهای، نقشهها، مدلسازی، شاخصهای علمی (آسایش حرارتی، اقلیمی، بایوفیزیکی و زیستمحیطی).
زبانها و نرمافزارهای تحت پوشش : Python, R, MATLAB, GIS, Google Earth Engine, Google Earth و SPSS.
ارتباط با ما :
@Ali_Zarei76
زبانها و نرمافزارهای تحت پوشش : Python, R, MATLAB, GIS, Google Earth Engine, Google Earth و SPSS.
ارتباط با ما :
@Ali_Zarei76
✍ علی زارعی (پژوهشگر اقلیم شناسی دانشگاه تهران)
🌎در مطالعات اقلیمشناسی، تحلیل روند تغییرات متغیرهای اقلیمی مانند دما، بارش و... از اهمیت بالایی برخوردار است، زیرا روندها نشاندهنده جهت و شدت تغییرات اقلیمی در بازههای زمانی بلندمدت هستند و به ما امکان میدهند تغییرات تدریجی محیطی را شناسایی کنیم.
📈 محاسبه روند با استفاده از رگرسیون، به دلیل سادگی، شفافیت و توان پیشبینی تغییرات آینده، به عنوان یکی از ابزارهای استاندارد در مطالعات اقلیمشناسی شناخته شده است. شیب خط رگرسیون، شاخص مستقیمی از میزان تغییر متغیر اقلیمی در واحد زمان است و میتواند در مطالعات منطقهای و ملی مورد استفاده قرار گیرد.
💻استفاده از سامانه Google Earth Engine (GEE) برای تحلیل روند، مزایای چشمگیری دارد. این پلتفرم امکان پردازش دادههای اقلیمی بهصورت ابری و بدون نیاز به دانلود فایلهای حجیم را فراهم میکند و حتی با حداقل منابع سختافزاری، میتوان دادههای ماهانه یا سالانه چند دههای را برای یک یا چند منطقه مورد مطالعه تحلیل کرد. همچنین GEE امکان استخراج مناطق دلخواه و محدودههای جغرافیایی دقیق را فراهم میکند و با استفاده از روشهای کدنویسی، میتوان روند تغییرات متغیرهای اقلیمی را برای هر محدوده مورد نظر محاسبه و به صورت نمودار و جدول ارائه نمود.
به طور خلاصه، تحلیل روند رگرسیونی با استفاده از سامانه GEE، روشی سریع، کمهزینه و قابل اعتماد برای بررسی تغییرات اقلیمی منطقهای است که به پژوهشگر اجازه میدهد بدون درگیر شدن با حجم بالای داده و مشکلات مدیریت آن، نتایج تحلیلی خود را به شکل علمی و دقیق ارائه دهد.
📈نمودار بالا روند تغییرات دمای هوا را در بازه 30 ساله (2024-1995) برای یک محدوده جغرافیایی مشخص نشان میدهد که محاسبه و ترسیم آن با استفاده از سامانه Google Earth Engine انجام شده است.
Follow us 👇
Telegram : https://t.me/GeoHelperData
🌎در مطالعات اقلیمشناسی، تحلیل روند تغییرات متغیرهای اقلیمی مانند دما، بارش و... از اهمیت بالایی برخوردار است، زیرا روندها نشاندهنده جهت و شدت تغییرات اقلیمی در بازههای زمانی بلندمدت هستند و به ما امکان میدهند تغییرات تدریجی محیطی را شناسایی کنیم.
📈 محاسبه روند با استفاده از رگرسیون، به دلیل سادگی، شفافیت و توان پیشبینی تغییرات آینده، به عنوان یکی از ابزارهای استاندارد در مطالعات اقلیمشناسی شناخته شده است. شیب خط رگرسیون، شاخص مستقیمی از میزان تغییر متغیر اقلیمی در واحد زمان است و میتواند در مطالعات منطقهای و ملی مورد استفاده قرار گیرد.
💻استفاده از سامانه Google Earth Engine (GEE) برای تحلیل روند، مزایای چشمگیری دارد. این پلتفرم امکان پردازش دادههای اقلیمی بهصورت ابری و بدون نیاز به دانلود فایلهای حجیم را فراهم میکند و حتی با حداقل منابع سختافزاری، میتوان دادههای ماهانه یا سالانه چند دههای را برای یک یا چند منطقه مورد مطالعه تحلیل کرد. همچنین GEE امکان استخراج مناطق دلخواه و محدودههای جغرافیایی دقیق را فراهم میکند و با استفاده از روشهای کدنویسی، میتوان روند تغییرات متغیرهای اقلیمی را برای هر محدوده مورد نظر محاسبه و به صورت نمودار و جدول ارائه نمود.
به طور خلاصه، تحلیل روند رگرسیونی با استفاده از سامانه GEE، روشی سریع، کمهزینه و قابل اعتماد برای بررسی تغییرات اقلیمی منطقهای است که به پژوهشگر اجازه میدهد بدون درگیر شدن با حجم بالای داده و مشکلات مدیریت آن، نتایج تحلیلی خود را به شکل علمی و دقیق ارائه دهد.
📈نمودار بالا روند تغییرات دمای هوا را در بازه 30 ساله (2024-1995) برای یک محدوده جغرافیایی مشخص نشان میدهد که محاسبه و ترسیم آن با استفاده از سامانه Google Earth Engine انجام شده است.
Follow us 👇
Telegram : https://t.me/GeoHelperData
انجمن اقلیم شناسی و تغییر اقلیم برگزار میکند:
سلسله نشستهای علمی-تخصصی تغییر اقلیم
تحلیلی بر بیهنجاری های بارشی ایران -از دیدگاه هواشناسی و اقلیم شناسی
👤دبیر نشست:
دکتر علی اکبر شمسیپور
🎤سخنرانان:
دکتر احد وظیفه
دکتر مصطفی کریمی
زمان: دوشنبه ۸ دیماه ۱۴۰۴
مکان: دانشکده جغرافیا، سالن شهدا
نشانی برخط:
*Vroom.ut.ac.ir/igut*
Follow us 👇
Telegram : https://t.me/GeoHelperData
سلسله نشستهای علمی-تخصصی تغییر اقلیم
تحلیلی بر بیهنجاری های بارشی ایران -از دیدگاه هواشناسی و اقلیم شناسی
👤دبیر نشست:
دکتر علی اکبر شمسیپور
🎤سخنرانان:
دکتر احد وظیفه
دکتر مصطفی کریمی
زمان: دوشنبه ۸ دیماه ۱۴۰۴
مکان: دانشکده جغرافیا، سالن شهدا
نشانی برخط:
*Vroom.ut.ac.ir/igut*
Follow us 👇
Telegram : https://t.me/GeoHelperData
visualization_GEE.zip
31.3 MB
💻هنگام نوشتن کد برای ترسیم نقشهها در سامانه Google Earth Engine، اگر تنظیمات Visualization را در کد مشخص نکنیم، نقشه وضوح و گویایی خود را از دست میدهد و الگوهای مکانی بهدرستی قابل تشخیص نخواهند بود. تعیین پارامترهایی مانند min و max برای دامنه داده و انتخاب palette مناسب، بخش مهمی از تحلیل علمی دادههای مکانی محسوب میشود. در این ویدئوی آموزشی کوتاه توضیح میدهم که چگونه با نوشتن کدهای مربوط به تنظیم صحیح Visualization، میتوان نقشههایی خوانا، گویا و قابل تفسیر تولید کرد.
Follow us 👇
Telegram : https://t.me/GeoHelperData
Follow us 👇
Telegram : https://t.me/GeoHelperData
✍ علی زارعی
🌎نقشه تهیه شده، زمان سفر زمینی از هر نقطه به نزدیکترین منطقه با جمعیت متراکم را در سال ۲۰۱۵ نشان میدهد. مناطق با جمعیت متراکم به عنوان نواحی پیوسته با تراکم حداقل ۱۵۰۰ نفر در هر کیلومتر مربع یا مناطقی با پوشش غالب شهری و جمعیت حداقل ۵۰,۰۰۰ نفر تعریف شدهاند.
📉📈این اطلاعات جهانی توسط پروژه نقشهبرداری مالاریا دانشگاه آکسفورد، گوگل، مرکز تحقیقات مشترک اتحادیه اروپا (JRC) و دانشگاه توئنته، هلند تولید شده است. دادههای پایه شامل جادهها (با استفاده از دادههای OpenStreetMap و Google Roads)، راهآهن، رودخانهها، دریاچهها، اقیانوسها، شیب و ارتفاع زمین، پوشش زمین و مرزهای کشوری هستند. به هر لایه داده، بر اساس نوع عارضه و شرایط فیزیکی زمین، سرعت سفر مشخصی برای عبور از هر پیکسل اختصاص داده شده است. سپس تمامی لایهها با یکدیگر ترکیب شدند تا یک «سطح مقاومت حرکتی» ایجاد شود؛ بهگونهای که هر پیکسل، سرعت یا هزینه زمانی کلی سفر را بر اساس نوع پوشش و شرایط زمین نشان میدهد.
✅ این نقشه برای تحقیقات سلامت، مدیریت بحران و امدادرسانی، برنامهریزی توسعه شهری و منطقهای، تحقیقات محیطی و توسعه پایدار، بسیار مفید است و میتواند تصمیمگیریهای فضایی و سیاستگذاری در ایران را بهبود دهد.
Follow us 👇
Telegram : https://t.me/GeoHelperData
🌎نقشه تهیه شده، زمان سفر زمینی از هر نقطه به نزدیکترین منطقه با جمعیت متراکم را در سال ۲۰۱۵ نشان میدهد. مناطق با جمعیت متراکم به عنوان نواحی پیوسته با تراکم حداقل ۱۵۰۰ نفر در هر کیلومتر مربع یا مناطقی با پوشش غالب شهری و جمعیت حداقل ۵۰,۰۰۰ نفر تعریف شدهاند.
📉📈این اطلاعات جهانی توسط پروژه نقشهبرداری مالاریا دانشگاه آکسفورد، گوگل، مرکز تحقیقات مشترک اتحادیه اروپا (JRC) و دانشگاه توئنته، هلند تولید شده است. دادههای پایه شامل جادهها (با استفاده از دادههای OpenStreetMap و Google Roads)، راهآهن، رودخانهها، دریاچهها، اقیانوسها، شیب و ارتفاع زمین، پوشش زمین و مرزهای کشوری هستند. به هر لایه داده، بر اساس نوع عارضه و شرایط فیزیکی زمین، سرعت سفر مشخصی برای عبور از هر پیکسل اختصاص داده شده است. سپس تمامی لایهها با یکدیگر ترکیب شدند تا یک «سطح مقاومت حرکتی» ایجاد شود؛ بهگونهای که هر پیکسل، سرعت یا هزینه زمانی کلی سفر را بر اساس نوع پوشش و شرایط زمین نشان میدهد.
✅ این نقشه برای تحقیقات سلامت، مدیریت بحران و امدادرسانی، برنامهریزی توسعه شهری و منطقهای، تحقیقات محیطی و توسعه پایدار، بسیار مفید است و میتواند تصمیمگیریهای فضایی و سیاستگذاری در ایران را بهبود دهد.
Follow us 👇
Telegram : https://t.me/GeoHelperData
Telegram
GeoHelper
ارائه دادههای اقلیمی، تصاویر ماهوارهای، نقشهها، مدلسازی، شاخصهای علمی (آسایش حرارتی، اقلیمی، بایوفیزیکی و زیستمحیطی).
زبانها و نرمافزارهای تحت پوشش : Python, R, MATLAB, GIS, Google Earth Engine, Google Earth و SPSS.
ارتباط با ما :
@Ali_Zarei76
زبانها و نرمافزارهای تحت پوشش : Python, R, MATLAB, GIS, Google Earth Engine, Google Earth و SPSS.
ارتباط با ما :
@Ali_Zarei76