برنامه نویسی پایتون :: بیسین - سایت تخصصی مهندسی آب

ابزار وبمستر

Bootstrap Example

عضويت در خبرنامه ايـميـل پايگاه بيسيــن - عضويت پس از کليک بر روي لينک فعال سازي که براي شما ارسال خواهد شد تکميل مي شود




پیش بینی سری زمانی در پایتون - قسمت 8


تراکم (Dense)

قبل از استفاده از مدل هایی که در واقع در چند مرحله زمانی کار می کنند، ارزش بررسی عملکرد مدل های عمیق تر، قدرتمندتر و تک مرحله ورودی را دارد. در اینجا یک مدل شبیه به مدل linear وجود دارد، با این تفاوت که چندین لایه Dense بین ورودی و خروجی را جمع می کند:


پیش بینی سری زمانی در پایتون - قسمت 7


مدل های تک مرحله ای

ساده ترین مدلی که می توانید بر اساس این نوع داده ها بسازید، مدلی است که مقدار یک ویژگی را تنها در شرایط فعلی، 1 برابر گام (1 ساعت) در آینده پیش بینی می کند. بنابراین با ایجاد مدل هایی برای پیش بینی مقدار یک ساعت (T (degC در آینده شروع کنید.


پیش بینی سری زمانی در پایتون - قسمت 6


پنجره سازی داده ها

مدل های موجود در این مجموعه آموزشی بر اساس پنجره ای از نمونه های متوالی داده ها، مجموعه ای از پیش بینی ها را ایجاد می کنند.


ویژگی های اصلی پنجره های ورودی عبارتند از:


پیش بینی سری زمانی در پایتون - قسمت 5


نرمال سازی داده ها

مقیاس گذاری ویژگی ها قبل از آموزش شبکه عصبی مهم است. عادی سازی یا نرمال سازی روش معمول انجام این مقیاس بندی است. میانگین را از آن کم کنید و سپس با انحراف معیار هر ویژگی تقسیم کنید.


پیش بینی سری زمانی در پایتون - قسمت 4


تقسیم داده ها

ما برای مجموعه ها، اعتبار سنجی و آزمون از تقسیم (70٪، 20٪، 10٪) استفاده خواهیم کرد. توجه داشته باشید که داده ها قبل از تقسیم به طور تصادفی تغییر نمی کنند. این به دو دلیل است.


پیش بینی سری زمانی در پایتون - قسمت 1


این آموزش مقدمه ای برای پیش بینی سری زمانی با استفاده از TensorFlow است. چند مدل مختلف از جمله شبکه های عصبی Convolutional و Recurrent یعنی (CNN ها و RNN ها) را ایجاد می کند.


این در دو بخش اصلی، با زیر بخش ها پوشش داده شده است:

  • پیش بینی برای یک بازه زمانی واحد:
    • یک ویژگی واحد
    • همه ویژگی ها

پیش بینی با مدل های LSTM در کراس


حافظه طولانی کوتاه-مدت (به انگلیسی: Long short-term memory) یا به اختصار ال‌اس‌تی‌ام (تلفظ تحت‌اللفظی LSTM)، یک معماری شبکه عصبی بازگشتی (یک شبکه عصبی مصنوعی) است که در سال ۱۹۹۷ میلادی توسط سپ هوخرایتر و یورگن اشمیدهوبر ارائه شد، و بعداً در سال ۲۰۰۰ میلادی توسط فیلیکس ژرس بهبود داده شد.


پیش بینی سری زمانی داده های آب و هوا در پایتون


در علوم مختلف، به یک توالی یا دنباله از متغیرهای تصادفی که در فاصله های زمانی ثابت نمونه برداری شده باشند، اصطلاحاً سری زمانی یا پیشامد تصادفی در مقطع زمان می‌گویند. به عبارت دیگر منظور از یک سری زمانی مجموعه‌ای از داده‌های آماری است که در فواصل زمانی مساوی و منظمی جمع‌آوری شده باشند. روش‌های آماری ای که این گونه داده‌های آماری را مورد استفاده قرار می‌دهد مدل های تحلیل سری‌ زمانی نامیده می‌شود. مانند فروش فصلی یک شرکت طی سه سال گذشته. یک سری زمانی مجموعهٔ مشاهدات تصادفی ای است که بر اساس زمان مرتب شده باشند. مثال‌های آن در اقتصاد و حتی رشته‌های مهندسی دیده می‌شود.

این کد نحوه انجام پیش بینی جدول زمانی را با استفاده از مدل LSTM نشان می دهد.


واسنجی مدل آب زیرزمینی با برنامه نویسی و یادگیری ماشین


یادگیری ماشین در آبهای زیرزمینی و مدل کالیبراسیون با MODFLOW ،Flopy ،PySal و Scikit Learn موضوع این پست است. کیفیت کار مدل سازی آب های زیرزمینی به سه عامل متکی است: توزیع مکانی-زمانی داده های مشاهده شده، ساخت و کالیبراسیون مدل و نتیجه گیری های حاصل از شبیه سازی های پیش بینی شده. بر اساس پیچیدگی های ابزارهای عددی، مقدار پارامترهای درگیر، کالیبراسیون آب های زیرزمینی می تواند یک چالش جدی برای مبتدیان، طراحان متوسط ​​یا پیشرفته با بسیاری از موفقیت ها و شکست ها باشد. نتیجه گیری اغلب با استرس روانی همراه است.


راهنمای مرجع فنی HEC-HMS - اجرای HEC-HMS با Jython


اجرای HEC-HMS با Jython - از Jython می توان برای اجرای HMS، یک برنامه جاوا، به روشی "بدون سر" استفاده کرد. حداقل به HEC-HMS نیاز خواهید داشت. همچنین ممکن است اسکریپت خود را از طریق یک فایل دسته ای یا IDE اجرا کنید، در این صورت شما به یک نمونه از Jython نیاز خواهید داشت.


مدل های چند لایه پرسپترون برای پیش بینی سری زمانی داده آب


پرسپترون چند لایه یا به اختصار MLP می توانند برای پیش بینی سری زمانی استفاده شوند. چالشی در استفاده از MLP برای پیش بینی سری زمانی در تهیه داده ها وجود دارد. به طور خاص، مشاهدات تأخیر (لگ) مشاهداتی باید به بردارهای اجزا مسطح شود. در این آموزش، شما می آموزید که چگونه مجموعه ای از مدل های MLP را برای طیف وسیعی از مسائل پیش بینی سری زمانی استاندارد ایجاد کنید. هدف این آموزش ارائه نمونه های مستقل از هر مدل در مورد هر نوع مسئله سری زمانی به عنوان الگویی است که می توانید آن را کپی کرده و برای مشکل پیش بینی سری زمانی خاص خود تطبیق دهید.


لیست بسته های خاص پایتون برای مدل سازی آب های زیرزمینی


توسعه نرم افزار منبع باز ابزارهای شگفت انگیز جدیدی را در همه زمینه ها به ارمغان می آورد. در هیدروژئولوژی و مدل سازی آبهای زیرزمینی تعداد روزافزونی از بسته های نرم افزاری و نرم افزاری خاص منبع باز وجود دارد. ما می خواستیم جدیدترین کتابخانه های مربوط به پایتون مربوط به هیدروژئولوژی را جمع آوری کنیم، از مراجع درخواست کردیم و از طریق وب تحقیق کردیم تا لیست زیر را به شما ارائه دهیم.


تجزیه و تحلیل تغییر پوشش زمین با پایتون و GDAL


تصاویر ماهواره ای توانایی دیدن سطح زمین در سال های اخیر را برای ما فراهم کرده است، اما ما در درک پویایی پوشش زمین و تعامل با عوامل اقتصادی، جامعه شناختی و سیاسی چندان موفق نبوده ایم. برخی از نقص های این تجزیه و تحلیل در استفاده از نرم افزار تجاری GIS مشاهده شد، اما محدودیت های دیگری نیز در نحوه اعمال فرآیندهای منطقی و ریاضی بر روی مجموعه ای از تصاویر ماهواره ای وجود دارد. کار با داده های جغرافیایی روی پایتون امکان فیلتر کردن، محاسبه، برش، تلفیق و صادرات داده های رستری و برداری را با استفاده شرایط کارآمدی از توان محاسباتی فراهم می کند و دامنه بیشتری در تجزیه و تحلیل داده ها دارد.


آیا مدل سازهای عددی بدون برنامه نویسی محدود هستند؟


یک سؤال بزرگ وقتی پیش آمد که در دوران مدرن یا در 5 سال گذشته با مدل سازی عددی سر و کار داشته باشیم، و این سؤال این است که مهارت های برنامه نویسی باید در یک هیدروژئولوژیست - مدل ساز عددی چقدر وجود داشته باشد؟ این سؤال بالاتر از این سؤال است: آیا یک متخصص هیدروژنولوژیست - باید به هر زبانی برنامه نویسی کد تولید کند؟


Google Earth Engine چیست؟


یکی از جدیدترین برنامه های ارائه شده توسط Google،محیط Google Earth Engine، یک پلت فرم پیشرفته پردازش زمین شناسی مبتنی بر فضای ابری است که عمدتاً برای تجزیه و تحلیل داده های زیست محیطی در مقیاس سیاره ای طراحی شده است. این مجموعه ای از کاتالوگ چند پتایی از تصاویر ماهواره ای و مجموعه داده های مکانی را در اختیار کاربران قرار می دهد تا به کاربران امکان تجسم، دستکاری، ویرایش و ایجاد داده های مکانی را به روشی آسان و سریع ارائه دهند. این مجموعه طیف گسترده ای از ابزارهای دستکاری مکانی را در اختیار دانشمندان، محققان و توسعه دهندگان قرار می دهد تا تغییرات، روند نقشه ها و تعیین اختلافات در سطح زمین را تشخیص دهند.


راهنمای دریافت داده ماهواره - داده بارش با اسکریپت پایتون

شکل 1: به عنوان مثال نتایج جستجوی Mirador برای IMERG.


بررسی اجمالی:

داده های GPM IMERG را با استفاده از پایتون بخوانید.

این دستورالعمل نحوه خواندن داده ها از مجموعه داده IMERG ماموریت جهانی اندازه گیری بارش (GPM) با استفاده از پایتون را نشان می دهد.


بهترین شکل:

کاربر می خواهد داده های GPM IMERG را با استفاده از پایتون بخواند


پایش فضایی کیفیت آب


با معرفی کیفیت آب Ulyssys Viewer، یک اسکریپت سفارشی برای تجسم پویا از شرایط کلروفیل و رسوب بدنهای آب بر روی تصاویر Sentinel-2 و Sentinel-3 می توان بدست آورد. کار آندرس زلینسکی و گرگلی پادنیی-گلیس در دور دوم مسابقه اسکریپت سفارشی Sentinel Hub جایزه اول را بدست آورده است و در مخزن GitHub ما موجود است. این پست بخشی از سلسله پستهای  مهمان است که توسط نویسندگان اسکریپت نوشته شده است، در مورد ورود آنها به مسابقه ما صحبت می کند، به بینش بیشتری در مورد نحوه کار اسکریپت ها و آنچه می توان با استفاده از آنها دست یافت.


پایش سطح آب سدها از طریق تصاویر ماهواره


در شکل بالا سطح آب جاری سد استرکفونتین (98.3٪)، سد براندولی (59.9٪) و هاکسکین پان (0٪) در آفریقای جنوبی با استفاده از تصاویر Sentinel-2 تهیه شده توسط ESA تعیین شد. همه ما از طریق مستندهای تلویزیونی، اخبار در رسانه های رسمی یا بسترهای رسانه های اجتماعی بیشتر و بیشتر در آگاهی از تصاویر ماهواره ای قرار می گیریم. دلیل اصلی همه اینها، سیاست داده های باز است که ابتدا توسط ناسا و بعد از آن توسط برنامه کوپرنیک اتحادیه اروپا اتخاذ شده است، که تصاویر ماهواره ای را تقریباً برای همه قابل دسترسی کرده است. قادر بودن به دیدن سیاره ما از راه دور، دیدگاه های ما در مورد کره زمین و چگونگی تغییر آن را تغییر می دهد. ما می توانیم تغییرات فصلی، ویرانی های ناشی از بلایای طبیعی یا پیامدهای تغییرات آب و هوایی را مشاهده کنیم. 


تهیه لایه تنوع پوشش زمین با eo-learn - قسمت 2

پشته ای از تصاویر Sentinel-2 از یک منطقه کوچک در اسلوونی، و به دنبال آن یک پیش بینی پوشش زمین، که از طریق روش های ارائه شده در این پست بدست آمده است. قسمت دوم درباره کاربری اراضی و طبقه بندی پوشش اراضی با eo-Learn در اینجا در دسترس است. این قسمت از امتداد قسمت اول انتخاب می شود، جایی که ما یک رویکرد اساسی در مورد موارد زیر ارائه کردیم:

  • تقسیم منطقه مورد علاقه (AOI) به EOPatches
  • به دست آوردن داده های تصویر Sentinel-2 و ماسک های ابری
  • محاسبه اطلاعات اضافی از جمله شاخص پوشش گیاهی با اختلاف عادی (NDVI)، شاخص آب عادی تفاوت (NDWI)، هنجار اقلیدسی باند های شامل (NORM) و غیره.
  • افزودن داده های مرجع شطرنجی از داده های بردار به EOPatches


تهیه لایه تنوع پوشش زمین با eo-learn - قسمت 1

 

eo-Learn یک کتابخانه پایتون منبع باز است که به عنوان پلی بین ارتباط زمین مشاهده / سنجش از راه دور و اکوسیستم Python برای علم داده و یادگیری ماشین عمل می کند. ما در حال حاضر یک پست وبلاگ اختصاصی در اینجا داریم که شما را به خواندن تشویق می کنید. این کتابخانه از آرایه های بی شماری و هندسه های زیبا به منظور ذخیره و اداره داده های سنجش از دور استفاده می کند. هم اکنون در منبع GitHub ما موجود است و می توانید مستندات بیشتری را در صفحه ReadTheDocs بیابید.


درباره بهترين هاي بيسيـــن بدانيد...

Bird

يکي از مهمترين اهداف اين سايت تهيه آموزش هاي روان از ابزارهاي کاربردي علوم آب است.

اهميت مطالعات محيطي با ابزارهاي نوين در چيست؟

امروز با فارغ التحصيلي جمع کثير دانشجويان سالهاي گذشته و حال، با گذر از کمي گرايي ديگر صرف وجود مدارک دانشگاهي حرف اول را در بازار کار نمي زند؛ بلکه سنجش ديگري ملاک؛ و شايسته سالاري به ناچار! باب خواهد شد. يکي از مهم ترين لوازم توسعه علمي در هر کشور و ارائه موضوعات ابتکاري، بهره گيري از ابزار نوين است، بيسين با همکاري مخاطبان مي تواند در حيطه علوم آب به معرفي اين مهم بپردازد.

جستجو در بيسين


ابزارهاي نوين

بیسین - سایت تخصصی مهندسی آب

بیسین جهت ارائه مطالب و خدمات تخصصی در حیطه نرم افزارها و مدل های شبیه سازی مهندسی آب با رویکرد پژوهشی-آموزشی ایجاد شده است که توسعه خود را در گرو همکاری مخاطبان می بیند.

اطلاعات سايت

  • www.Basin.ir@gmail.com
  • بهزاد سرهادي
  • شناسه تلگرام: SubBasin
  • شماره واتساپ: 09190622992-098
  • شماره تماس: 09190622992-098

W3Schools