آموزش مدل های توزیع گونه ها با GIS و یادگیری ماشین در R

سرفصل ها و درس ها

مقدمه ای بر دوره مدل سازی پراکنش گونه ها Introduction to the Species Distribution Modelling Course

• مقدمه دوره: مدرس و جزئیات دوره INTRODUCTION TO THE COURSE: Instructor & Course Details

• مدل سازی توزیع گونه ها چیست؟ What is Species Distribution Modelling?

• داده های مورد استفاده در دوره Data used in the course

• مقدمه ای بر R برای مدل سازی مناسب زیستگاه Introduction to R for habitat suitability modelling

• نتیجه گیری در بخش 1 Conclusion to Section 1

مبانی GIS برای مدل‌های توزیع گونه‌ها (SDM) - بخش 1 The Basics of GIS for Species Distribution Models (SDMs)-Part 1

• از کجا می توان داده های شطرنجی را برای ساخت SDM ها به دست آورد Where to Obtain Raster Data for Building SDMs

• دسترسی و پاکسازی داده های GBIF Accessing and Cleaning GBIF Data

• سایر منابع داده های موقعیت جغرافیایی گونه ها Other Sources of Species Geo-location Data

• استخراج داده های موقعیت جغرافیایی گونه ها از منابع دیگر در R Extract Species Geo-location Data from Other Sources in R

• دسترسی به اطلاعات آب و هوا و دیگر از طریق R Access Climate & Other Data via R

• کار با داده های ارتفاع در R Working With Elevation Data in R

• استخراج محصولات توپوگرافی از داده های ارتفاعی Deriving Topographic Products from Elevation Data

• نتیجه گیری در بخش 2 Conclusions to Section 2

پیش پردازش رستر و داده های فضایی برای SDM ها Pre-Processing Raster and Spatial Data for SDMs

• برخی از پیش نیازها Some Prerequisites

• CRS داده ها CRS of the Data

• داده های شطرنجی را تا حد معینی برش دهید Clip Raster Data to a Given Extent

• اندازه داده های رستر را تغییر دهید Resize the Raster Data

• تجسم داده های پایه Basic Data Visualization

• نتیجه گیری در بخش 3 Conclusions to Section 3

تکنیک های SDM کلاسیک Classical SDM Techniques

• منطق زیربنایی Underlying Rationale

• Bioclim Bioclim

• ارزیابی مدل Model Evaluation

• رابط Maxent در R Maxent Interface in R

• Maxent SDM در R Maxent SDM in R

• Maxent Analysis با بسته قرمز Maxent Analysis with the red package

• SDM دامنه در R Domain SDM in R

• نتیجه گیری در بخش 4 Conclusion to Section 4

مدل های یادگیری ماشین برای مناسب بودن زیستگاه Machine Learning Models for Habitat Suitability

• مدلسازی یادگیری ماشینی Machine Learning Modelling

• مراحل پیش پردازش قبل از مدل سازی با داده های حضور و غیاب Pre-processing Steps Prior to Modelling With Presence & Absence Data

• قبل از پیاده سازی یادگیری ماشینی Prior to Implementing Machine Learning

• GLM برای مناسب بودن زیستگاه GLMs for Habitat Suitability

• ماشین‌های بردار پشتیبانی Support Vector Machines

• kNN kNN

• جنگل تصادفی (RF) Random Forest (RF)

• دستگاه تقویت گرادیان (GBM) Gradient Boosting Machine (GBM)

• ارزیابی بیشتر مدل Further Model Evaluation

• نتیجه گیری در بخش 5 Conclusions to Section 5

سخنرانی های اضافی Extra Lectures

• رام Elevation Data را در داخل R بدست آورید Obtain Elevation Data rom Within R

• چگالی نقطه را ارزیابی کنید Evaluate Point Density

• معرفی بروشور Introduction to Leaflet

• Github Github

• تایم لپس برزیل Brazil Time Lapse

• اختصاص Legends در QGIS Assign Legends in QGIS