نقشه توپوگرافی 25000کرمان
@Geospatial_technology

چشم انداز مکانی (ابعاد جدید در کارتوگرافی)
کتابهای کانال GT را در هاشتاگ زیر دنبال کنید👇
#Books
@Geospatial_technology

این کتاب برای اولین بار و منحصرا در کانال GT به اشتراک گذاشته می شود.
@Geospatial_technology

پرتاب ماهواره سنجش از دور Resourcesat-2A توسط کشور هند

سازمان تحقیقات فضایی هند (ISRO)، جدیدترین ماهواره سنجش از دور خود به نام Resourcesat-2A را در هفتم دسامبر 2016 توسط پرتاب گر PSLV-C36 از مرکز فضایی Satish Dhawan واقع در Sriharikota هند به فضا پرتاب نمود.
این ماهواره 1235 کیلوگرمی پس از پرتاب موفق در ارتفاع 827 کیلومتری از سطح زمین قرار داد. پرتاب این ماهواره خورشید آهنگ (SSO) بدنبال ماموریت ماهواره های سنجش از دور ResourceSat-1 و ResourceSat-2 آن سازمان که در سال های 2003 و 2011، پرتاب گردیدند، انجام گرفت. ماهواره Resourcesat-2A دارای سه سنجنده مختلف به نام های، سنجنده LISS-4 با توان تفکیک مکانی 5.8 متر در سه باند طیفی مرئی و مادون قرمز نزدیک، سنجنده LISS-3 دارای سه باند طیفی VNIR و یک باند کوتاه مادون قرمز (SWIR) با توان تفکیک مکانی 23.5 متر و در آخر سنجنده AWiFS با سه باند طیفی VNIR و یک باند SWIR با توان تفکیک مکانی 56 متر، می باشد.
همچنین این ماهواره دارای دو بخش ذخیره اطلاعات موقت به حجم 200 گیگابایت بوده که اطلاعات ذخیره شده از سنجنده ها را تا هنگام دسترسی به نزدیک ترین ایستگاه اخذ زمینی در خود نگهداری می نماید. هدف اصلی از پرتاب ماهواره سنجش از دور Resourcesat-2A، تصویربرداری مداوم از سطح زمین به منظور پایش منابع طبیعی مختلف است.
🔸🔹🔸🔹🔸🔹🔸🔹🔸🔸🔹🔹🔸🔹
عضویت در کانال GT را از دست ندهید👇
https://telegram.me/Geospatial_technology

🔸🔹🔸🔹🔸🔹🔸🔹🔸🔸🔹🔹🔸🔹
عضویت در کانال GT را از دست ندهید👇
https://telegram.me/Geospatial_technology

🔸🔹🔸🔹🔸🔹🔸🔹🔸🔸🔹🔹🔸🔹
عضویت در کانال GT را از دست ندهید👇
https://telegram.me/Geospatial_technology

نرم افزار SNAP یک نرم افزار پردازشی قوی و ویژه جهت کار با داده های مختلف ماهواره های سنتینل می باشد. این نرم افزار را از GT دانلود کنید.
در این لینک👇 به صورت مبسوط با این نرم افزار آشنا شوید.
http://step.esa.int/main/toolboxes/snap/
@Geospatial_technology

دانلود GeoExpress v9.5.3.4633 x86/64 - نرم افزار فشرده سازی داده های جغرافیایی حجیم

نرم افزار GeoExpress نرم افزاری کاربردی برای ایجاد، مدیریت، دسترسی و توزیع تصاویر عظیم و حجیم جغرافیایی مانند عکس های هوایی و تصاویر ماهواره ای بدون افت وضوح تصویر و یا کیفیت است که این امر موجب صرفه جویی در فضای ذخیره سازی و بالا رفتن سرعت بارگذاری این تصاویر خواهد شد. کیفیت تصویر وقتی با داده ها و تصاویر جغرافیایی سرو کار داریم به امری مهم بدل می گردد اما به طبع با بالا رفتن کیفیت حجم و اندازه ی تصاویر نیز افزایش می یابد GeoExpress حجم و سایز تصاویر را تا 5 درصد از اندازه و حجم اصلی آن ها کاهش می دهد بدون اینکه ذره ای از کیفیت و وضوحشان کاسته شود. به علاوه شما می توانید از داده های تولیدی این برنامه در سایر نرم افزار های جغرافیایی مانند ArcGIS ،ERDAS ،ENVI ،Socet وGXP ،Microstation و ... بهره ببرید.

👆مستند جدید و فوق العاده با موضوع بحران آب در ایران ساخته شده توسط شبکه خبری الجزیره انگلیسی

مقاله فوق فوق العاده"مدلسازی تابش و بیلان انرژی با استفاده از تصاویر لندست 8 تحت شرایط حرارتی-هیدرولوژی مختلف

مدل و الگوریتم درخت تصمیم (decision tree)داده کاوی

درخت­های تصمیم روشی برای نمایش یک سری از قوانین هستند که منتهی به یک رده یا مقدار می­شوند. برای مثال، می­خواهیم متقاضیان وام را به دارندگان ریسک اعتبار خوب و بد تقسیم کنیم. شکل یک درخت تصمیم را که این مسئله را حل می­کد نشان می­دهد و همه مؤلفه­ های اساسی یک یک درخت تصمیم در آن نشان داده شده است : نود تصمیم، شاخه ­ها و برگ­ها براساس الگوریتم، ممکن است دو یا تعداد بیشتری شاخه داشته باشد. برای مثال، CART درختانی با تنها دو شاخه در هر نود ایجاد می­کند. هر شاخه منجر به نود تصمیم دیگر یا یک نود برگ می­شود. با پیمایش یک درخت تصمیم از ریشه به پایین به یک مورد یک رده یا مقدار نسبت می­دهیم. هر نود از داده ­های یک مورد برای تصمیم­ گیری درباره آن انشعاب استفاده می­کند.
درخت­های تصمیم از طریق جداسازی متوالی داده­ها به گروه­های مجزا ساخته می­شوند و هدف در این فرآیند افزایش فاصله بین گروه­ها در هر جداسازی است.
یکی از تفاوت­ها بین متد­های ساخت درخت تصمیم این است که این فاصله چگونه اندازه­ گیری می­شود. درخت­های تصمیمی که برای پیش­بینی متغیرهای دسته­ ای استفاده می­شوند، درخت­ های classification نامیده می­شوند زیرا نمونه­ ها را در دسته ­ها یا رده­ ها قرار می­دهند. درخت­های تصمیمی که برای پیش­بینی متغیرهای پیوسته استفاده می­شوند درخت­های regression نامیده می­شوند.
هر مسیر در درخت تصمیم تا یک برگ معمولا قابل فهم است. از این لحاظ یک درخت تصمیم می­تواند پیش­بینی­ های خود را توضیح دهد، که یک مزیت مهم است. با این حال این وضوح ممکن است گمراه­کننده باشد. برای مثال، جداسازی های سخت در درخت­های تصمیم دقتی را نشان می­دهند که کمتر در واقعیت نمود دارند. (چرا باید کسی که حقوق او ۴۰۰۰۰۱ است از نظر ریسک اعتبار خوب باشد درحالیکه کسی که حقوقش ۴۰۰۰۰ است بد باشد. بعلاوه، از آنجاکه چندین درخت می­توانند داده­ های مشابه­ای را با دقت مشابه نشان دهند، چه تفسیری ممکن است از قوانین شود؟
درخت­های تصمیم تعداد دفعات کمی از داده­ ها گذر می­کنند (برای هر سطح درخت حداکثر یک مرتبه) و با متغیرهای پیش­بینی­ کننده زیاد بخوبی کار می­کنند. درنتیجه، مدل‌ها بسرعت ساخته می­شوند، که آنها را برای مجموعه ­داده های بسیار مناسب می­سازد. اگر به درخت اجازه دهیم بدون محدودیت رشد کند زمان ساخت بیشتری صرف می­­شود که غیرهوشمندانه است، اما مسئله مهمتر این است که با داده ­ها overfit می­شوند. اندازه درخت­ها را می­توان از طریق قوانین توقف کنترل کرد. یک قانون معمول توقف محدود کردن عمق رشد درخت است.
راه دیگر برای توقف هرس کردن درخت است. درخت می­تواند تا اندازه نهایی گسترش یابد، سپس با استفاده از روش­های اکتشافی توکار یا با مداخله کاربر، درخت به کوچکترین اندازه­ای که دقت در آن از دست نرود کاهش می­یابد.
یک اشکال معمول درخت­های تصمیم این‌ است‌که آ‌‌‌‌ن‌ها تقسیم­کردن را براساس یک الگوریتم حریصانه انجام می­دهند که در آن تصمیم­ گیری اینکه براساس کدام متغیر تقسیم انجام شود، اثرات این تقسیم در تقسیم ­های آینده را درنظر نمی­گیرد.
بعلاوه الگوریتم­ هایی که برای تقسیم استفاده می­شوند، معمولا تک ­متغیری هستند: یعنی تنها یک متغیر را در هر زمان در نظر می­گیرند. درحالیکه این یکی از دلایل ساخت سری مدل است، تشخیص رابطه بین متغیرهای پیش­بینی کننده را سخت­تر می­کند.
🔸🔹🔸🔹🔸🔹🔸🔹🔸🔸🔹🔹🔸🔹
عضویت در کانال GT را از دست ندهید👇
https://telegram.me/Geospatial_technology

کدهای اجرای الگوریتم decision tree در متلب به همراه فیلم آموزشی آن.
🔸🔹🔸🔹🔸🔹🔸🔹🔸🔸🔹🔹🔸🔹
عضویت در کانال GT را از دست ندهید👇
https://telegram.me/Geospatial_technology