کتاب صوتی تحلیل پیشرفته داده‌های مکانی با R: گام به گام با Applied Spatial Data Analysis

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل پیشرفته داده‌های مکانی با R: گام به گام با Applied Spatial Data Analysis

موضوع کلی: تحلیل داده‌های فضایی

موضوع میانی: تحلیل داده‌های فضایی با R

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده‌های فضایی
• 2. چرا تحلیل داده‌های فضایی مهم است؟
• 3. مفاهیم اساسی داده‌های مکانی
• 4. انواع داده‌های مکانی (برداری و رستری)
• 5. معرفی R و محیط توسعه RStudio
• 6. نصب بسته‌های ضروری برای تحلیل داده‌های فضایی در R
• 7. کار با داده‌های برداری در R (فایل‌های Shapefile، GeoJSON)
• 8. خواندن و نوشتن داده‌های برداری در R
• 9. مدیریت داده‌های برداری در R (انتخاب، فیلترینگ، پیوستن)
• 10. کار با داده‌های رستری در R (فایل‌های GeoTIFF، ASCII Grid)
• 11. خواندن و نوشتن داده‌های رستری در R
• 12. مدیریت داده‌های رستری در R (برش، استخراج، ادغام)
• 13. سیستم‌های مختصات مرجع (CRS)
• 14. مفهوم Projection و Datum
• 15. کار با CRS در R
• 16. تبدیل بین سیستم‌های مختصات مختلف
• 17. نمایش و مصورسازی داده‌های مکانی در R
• 18. مصورسازی داده‌های برداری (نقاط، خطوط، چندضلعی‌ها)
• 19. مصورسازی داده‌های رستری
• 20. کار با بسته‌های مصورسازی تعاملی (ggplot2, sf, leaflet)
• 21. مقدمه‌ای بر آمار فضایی
• 22. مفهوم وابستگی فضایی (Spatial Autocorrelation)
• 23. شاخص موران (Moran's I)
• 24. شاخص گِتـیس-فـرد G (Getis-Ord G)
• 25. آزمون‌های آماری فضایی
• 26. کار با بسته‌های آمار فضایی در R (spdep)
• 27. مقدمه‌ای بر تحلیل ناهمگنی فضایی (Spatial Heterogeneity)
• 28. مفهوم استنتاج فضایی (Spatial Inference)
• 29. مدل‌سازی رگرسیون فضایی
• 30. مدل رگرسیون اِکـا (Econometric Model)
• 31. مدل رگرسیون با خطای خودهمبسته فضایی (SAR)
• 32. مدل رگرسیون با باقی‌مانده خودهمبسته فضایی (SEM)
• 33. مدل رگرسیون با متغیر وابسته خودهمبسته فضایی (SLX)
• 34. انتخاب بین مدل‌های رگرسیون فضایی
• 35. ارزیابی مدل‌های رگرسیون فضایی
• 36. تجزیه و تحلیل پراکندگی فضایی (Spatial Pattern Analysis)
• 37. تحلیل نقاط داغ (Hotspot Analysis)
• 38. تحلیل نقاط سرد (Coldspot Analysis)
• 39. تحلیل پراکندگی نقاط (Point Pattern Analysis)
• 40. مفهوم روند فضایی (Spatial Trend)
• 41. تحلیل سطح (Surface Analysis)
• 42. ایجاد مدل‌های ارتفاعی رقومی (DEM)
• 43. محاسبه شیب و جهت (Slope and Aspect)
• 44. مشاهده‌پذیری (Viewshed Analysis)
• 45. هیدرولوژی رقومی (Hydrological Analysis)
• 46. تحلیل جریان (Flow Direction and Accumulation)
• 47. محاسبه شبکه‌های آبراهه
• 48. مقدمه‌ای بر درون‌یابی فضایی (Spatial Interpolation)
• 49. درون‌یابی مقید (Kriging)
• 50. انتخاب تابع واریوگرام (Variogram)
• 51. مدل‌سازی واریوگرام
• 52. انواع کرایژینگ (ساده، معمولی، یونیورسیال)
• 53. درون‌یابی با وزن‌دهی معکوس مجذور (IDW)
• 54. درون‌یابی با سطوح روندی (Trend Surface Interpolation)
• 55. درون‌یابی رقومی (Spline Interpolation)
• 56. ارزیابی روش‌های درون‌یابی
• 57. مدل‌سازی سه‌بعدی مکانی
• 58. تولید سطوح سه‌بعدی از نقاط
• 59. مصورسازی سه‌بعدی داده‌ها
• 60. شبکه‌های سه‌بعدی (3D Meshes)
• 61. تحلیل سه‌بعدی (مثلاً حفر و پر کردن)
• 62. تحلیل داده‌های مکانی-زمانی
• 63. مفهوم داده‌های مکانی-زمانی
• 64. مصورسازی داده‌های مکانی-زمانی
• 65. مدل‌سازی رگرسیون مکانی-زمانی
• 66. تحلیل روندهای مکانی-زمانی
• 67. تحلیل خوشه‌بندی مکانی-زمانی
• 68. تحلیل داده‌های شبکه‌ای (Network Analysis)
• 69. مقدمه‌ای بر داده‌های شبکه‌ای
• 70. ساخت گراف از داده‌های شبکه‌ای
• 71. یافتن کوتاه‌ترین مسیر
• 72. تحلیل پوشش (Service Area Analysis)
• 73. تحلیل تخصیص (Allocation Analysis)
• 74. تحلیل جریان در شبکه‌ها
• 75. تحلیل آلودگی و انتشار در شبکه‌ها
• 76. تحلیل داده‌های شبکه‌ای با R
• 77. مدیریت و ذخیره‌سازی داده‌های مکانی بزرگ
• 78. پایگاه‌های داده مکانی (PostGIS, SpatiaLite)
• 79. کار با پایگاه‌های داده مکانی در R
• 80. استفاده از فرمت‌های داده‌ای کارآمد (GeoPackage)
• 81. فشرده‌سازی داده‌های مکانی
• 82. مدیریت حافظه برای داده‌های بزرگ
• 83. تحلیل مکانی در محیط ابری
• 84. مقدمه‌ای بر یادگیری ماشین مکانی
• 85. آموزش مدل‌های یادگیری ماشین روی داده‌های مکانی
• 86. استفاده از ویژگی‌های مکانی در مدل‌ها
• 87. پیش‌بینی بر اساس داده‌های مکانی
• 88. کاربرد یادگیری ماشین در طبقه‌بندی مکانی
• 89. کاربرد یادگیری ماشین در خوشه‌بندی مکانی
• 90. کاربرد یادگیری ماشین در درون‌یابی مکانی
• 91. مقدمه‌ای بر یادگیری عمیق مکانی (Deep Learning for Spatial Data)
• 92. شبکه‌های عصبی کانولوشنال (CNN) برای تصاویر رستری
• 93. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های مکانی-زمانی
• 94. کاربرد یادگیری عمیق در سنجش از دور
• 95. کاربرد یادگیری عمیق در تشخیص اشیاء مکانی
• 96. کاربرد یادگیری عمیق در پیش‌بینی رویدادهای مکانی
• 97. مقدمه‌ای بر مدل‌سازی دینامیک مکانی
• 98. مدل‌سازی تغییرات مکانی در طول زمان
• 99. مدل‌سازی فرآیندهای مکانی (مثلاً گسترش شهر)
• 100. شبیه‌سازی مکانی