تحلیل هیدرولوژیکی تالاب

جمع‌آوری و پیش‌پردازش داده‌ها: • جمع‌آوری تصاویر ماهواره‌ای لندست 8/9 یا سنتینل-2 برای تالاب شادگان (مختصات تقریبی: 48.2-48.8 طول شرقی، 30.5-31.0 عرض شمالی) در بازه 2015-2025. • دانلود داده‌های اقلیمی (بارش، دما) از ERA5 و مدل رقومی ارتفاع (DEM) از SRTM یا ALOS. • استفاده از Shapefile ارائه‌شده از رامسر (features_param_idrvis.*) برای تعریف دقیق محدوده تالاب و اعتبارسنجی تحلیل‌ها. • پیش‌پردازش تصاویر: تصحیح اتمسفری، حذف ابر، محاسبه شاخص‌های NDWI (سطح آب)، NDVI (پوشش گیاهی)، و شاخص کدورت (کیفیت آب). 2 طبقه‌بندی پوشش زمین: • اجرای الگوریتم جنگل تصادفی برای طبقه‌بندی پوشش زمین به کلاس‌های آب، نیزار، کشاورزی، و شهری. • استفاده از داده‌های توصیفی Shapefile (در صورت وجود) برای داده‌های آموزشی یا اعتبارسنجی. • دستیابی به دقت حداقل 85% با روش k-fold cross-validation. • پیشنهاد داده‌های آموزشی (ground truth) از منابع باز (مثل Google Earth) یا Shapefile در صورت لزوم. 3 تحلیل آسیب‌پذیری هیدرولوژیکی: • ترکیب معیارهای NDWI، NDVI، کدورت، بارش، DEM، و کاربری زمین با الگوریتم جنگل تصادفی برای تولید نقشه اولویت احیا (کلاس‌های پرریسک، متوسط، کم‌ریسک). • ارائه گزارش اهمیت متغیرها (feature importance) برای نشان دادن تأثیر هر معیار (مثلاً NDWI یا کدورت). 4 تحویل فایل‌ها و مستندات: • نقشه‌های رستری (فرمت GeoTIFF) برای NDWI، NDVI، کدورت، پوشش زمین، و نقشه اولویت احیا. • کدهای استفاده‌شده (ترجیحاً در Python با کتابخونه‌های scikit-learn و rasterio، یا Google Earth Engine). • گزارش فنی (3-5 صفحه، فرمت Word یا PDF) شامل روش‌شناسی، نتایج، اهمیت متغیرها، و محدودیت‌های تحلیل. • فایل‌های داده خام و پردازش‌شده (در Google Drive یا سرور ابری). • توضیح مختصر درباره نحوه استفاده از Shapefile رامسر در تحلیل (مثلاً برای محدوده یا اعتبارسنجی). مهارت‌های مورد نیاز: • تسلط به GIS (QGIS، ArcGIS) و سنجش از دور (Google Earth Engine یا ENVI). • تجربه با الگوریتم‌های یادگیری ماشین، به‌ویژه جنگل تصادفی. • توانایی کار با داده‌های ماهواره‌ای (لندست، سنتینل)، اقلیمی (ERA5)، و Shapefile. • مهارت در Python یا R برای تحلیل داده و نگارش گزارش علمی.

sanaaz

امتیاز : 0/5

لیست پیشنهادها