Geographic Data Science with R: Visualizing and Analyzing Environmental Change

حوزه رو به رشد علم داده، تکنیک‌های فراوانی را برای تجزیه و تحلیل مجموعه داده‌های جغرافیایی بزرگ و پیچیده، از جمله تحلیل‌های توصیفی، توضیحی، و پیش‌بینی ارائه کرده است. با این حال، استفاده از این روش ها تنها بخشی از فرآیند کلی علم داده های جغرافیایی است. سایر مراحل حیاتی شامل غربالگری مقادیر داده های مشکوک، مدیریت داده های از دست رفته، هماهنگ سازی داده ها از منابع متعدد، خلاصه سازی داده ها، و تجسم داده ها و نتایج تجزیه و تحلیل است. اگرچه کتاب‌های زیادی در مورد روش‌های آماری و یادگیری ماشینی موجود است، تعداد کمی از آنها موضوع گسترده‌تر جریان‌های کاری علمی برای پردازش و تحلیل داده‌های مکانی را در بر می‌گیرد.

هدف علوم داده های جغرافیایی با R پر کردن این شکاف با ارائه مجموعه ای از آموزش ها با هدف آموزش است. شیوه های خوب برای استفاده از داده های مکانی برای رسیدگی به مشکلات در جغرافیای محیطی. این مبتنی بر زبان و محیط R است که در حال حاضر بهترین گزینه را برای کار با داده های مکانی و غیر مکانی متنوع در یک پلت فرم ارائه می دهد. تکنیک‌های اساسی برای پردازش و تجسم داده‌های جدولی، برداری، و شطرنجی از طریق یک سری مثال‌های عملی و پس از مطالعات موردی معرفی می‌شوند که انواع مختلفی از داده‌ها را برای رسیدگی به مشکلات پیچیده‌تر ترکیب می‌کنند.

این کتاب مخاطبان زیادی خواهد داشت. هم دانش‌آموزان و هم متخصصان می‌توانند از آن به عنوان یک کتاب کار برای یادگیری تکنیک‌های سطح بالا برای پردازش و تجزیه و تحلیل داده‌های مکانی با R استفاده کنند. همچنین به عنوان کتاب درسی مناسب است. اگرچه در نظر گرفته نشده است که مقدمه ای جامع برای R ارائه کند، اما به گونه ای طراحی شده است که برای خوانندگانی که حداقل دانشی در زمینه کدنویسی دارند اما تجربه کمی با R دارند، قابل دسترسی باشد.

Key ویژگی ها:

• تمركز بر توسعه گردش كار عملی برای پردازش و ادغام چندین منبع داده های جغرافیایی در R

• رویکرد مبتنی بر مثال که برنامه‌نویسی R و مفاهیم علم داده را از طریق آموزش می‌دهد. کاربردهای دنیای واقعی مربوط به آب و هوا، پوشش زمین و کاربری زمین، و مخاطرات طبیعی.

• استفاده مداوم از بسته‌های tidyverse برای دستکاری و تجسم داده‌های جدولی.

• تمرکز قوی بر تجزیه و تحلیل مجموعه داده های شطرنجی مستمر و طبقه بندی شده با استفاده از بسته جدید terra

• سازمان یافته به طوری که هر فصل بر اساس موضوعات و تکنیک های پوشش داده شده در فصل های قبل است

• می تواند برای مطالعه شخصی یا به عنوان کتاب درسی برای یک دوره علوم زمین فضایی استفاده شود.

The burgeoning field of data science has provided a wealth of techniques for analysing large and complex geospatial datasets, including descriptive, explanatory, and predictive analytics. However, applying these methods is just one part of the overall process of geographic data science. Other critical steps include screening for suspect data values, handling missing data, harmonizing data from multiple sources, summarizing the data, and visualizing data and analysis results. Although there are many books available on statistical and machine learning methods, few encompass the broader topic of scientific workflows for geospatial data processing and analysis.

The purpose of Geographic Data Science with R is to fill this gap by providing a series of tutorials aimed at teaching good practices for using geospatial data to address problems in environmental geography. It is based on the R language and environment, which currently provides the best option for working with diverse spatial and non-spatial data in a single platform. Fundamental techniques for processing and visualizing tabular, vector, and raster data are introduced through a series of practical examples followed by case studies that combine multiple types of data to address more complex problems.

The book will have a broad audience. Both students and professionals can use it as a workbook to learn high-level techniques for geospatial data processing and analysis with R. It is also suitable as a textbook. Although not intended to provide a comprehensive introduction to R, it is designed to be accessible to readers who have at least some knowledge of coding but little to no experience with R.

Key Features:

• Focus on developing practical workflows for processing and integrating multiple sources of geospatial data in R

• Example-based approach that teaches R programming and data science concepts through real-world applications related to climate, land cover and land use, and natural hazards.

• Consistent use of tidyverse packages for tabular data manipulation and visualization.

• Strong focus on analysing continuous and categorical raster datasets using the new terra package

• Organized so that each chapter builds on the topics and techniques covered in the preceding chapters

• Can be used for self-study or as the textbook for a geospatial science course.