ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Geographic Data Science with R: Visualizing and Analyzing Environmental Change

دانلود کتاب علم داده های جغرافیایی با R: تجسم و تجزیه و تحلیل تغییرات محیطی

Geographic Data Science with R: Visualizing and Analyzing Environmental Change

مشخصات کتاب

Geographic Data Science with R: Visualizing and Analyzing Environmental Change

ویرایش:  
نویسندگان:   
سری: Chapman & Hall/CRC Data Science Series 
ISBN (شابک) : 1032347716, 9781032347714 
ناشر: CRC Press/Chapman & Hall 
سال نشر: 2023 
تعداد صفحات: 309
[310] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 46 Mb 

قیمت کتاب (تومان) : 53,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 1


در صورت تبدیل فایل کتاب Geographic Data Science with R: Visualizing and Analyzing Environmental Change به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب علم داده های جغرافیایی با R: تجسم و تجزیه و تحلیل تغییرات محیطی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب علم داده های جغرافیایی با R: تجسم و تجزیه و تحلیل تغییرات محیطی



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.

توضیحاتی درمورد کتاب به خارجی

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.


فهرست مطالب

Cover
Half Title
Series Page
Title Page
Copyright Page
Dedication
Contents
List of Figures
List of Tables
Preface
About the Author
1. Introduction to R
	1.1. Basic Calculations
	1.2. R Objects
		1.2.1. Vectors
		1.2.2. Matrices and lists
		1.2.3. Data frames
	1.3. R Functions
		1.3.1. Data input and graphics
		1.3.2. Statistical analysis
	1.4. Tips for Programming in R
	1.5. Practice
2. Graphics with ggplot2
	2.1. Creating a Simple Plot
	2.2. Aesthetic Mappings
	2.3. Facets
	2.4. Geometric Objects
	2.5. Scales
	2.6. Themes
	2.7. Combining ggplot Functions
	2.8. Other Types of Plots
		2.8.1. Scatterplots
		2.8.2. Bar charts
		2.8.3. Histograms
		2.8.4. Boxplots
	2.9. Practice
3. Processing Tabular Data
	3.1. Single Table Verbs
		3.1.1. Select and rename
		3.1.2. The pipe operator
		3.1.3. Filter
		3.1.4. Arrange
		3.1.5. Mutate and transmute
		3.1.6. Application
	3.2. Summarizing
		3.2.1. Counts
		3.2.2. Summary functions
	3.3. Pivoting Data
	3.4. Joining Tables
	3.5. Practice
4. Dates in R
	4.1. Converting Characters to Dates
	4.2. Other lubridate Operators and Functions
	4.3. Practice
5. Vector Geospatial Data
	5.1. Importing Geospatial Data
	5.2. Creating Simple Maps
	5.3. Overlaying Vector Datasets
	5.4. Choropleth Maps
	5.5. Modifying the Appearance of the Map
	5.6. Exporting Graphics Output
	5.7. Practice
6. Raster Geospatial Data—Continuous
	6.1. Importing Raster Data
	6.2. Maps of Raster Data
	6.3. Multilayer Rasters
	6.4. Computations on Raster Objects
	6.5. Practice
7. Raster Geospatial Data—Discrete
	7.1. Importing and Mapping Land Cover Data
	7.2. Reclassifying Raster Data
	7.3. Focal Analysis of Raster Data
	7.4. Land Cover Change Analysis
	7.5. Land Cover Transition Matrices
	7.6. Mapping Specific Land Cover Changes
	7.7. Practice
8. Coordinate Reference Systems
	8.1. Reprojecting Vector Data
	8.2. Reprojecting Raster Data
	8.3. Specifying Coordinate Reference Systems
	8.4. Practice
9. Combining Vector Data with Continuous Raster Data
	9.1. Accessing Data with R Packages
	9.2. Zonal Statistics
	9.3. Zone Size and Raster Cell Size
	9.4. Extracting Raster Values with Point Data
	9.5. Practice
10. Combining Vector Data with Discrete Raster Data
	10.1. Visualizing and Manipulating Vector Data
	10.2. Zonal Summaries of Discrete Raster Data
	10.3. Summarizing Land Cover With Stream Buffers
	10.4. Summarizing Land Cover With Point Buffers
	10.5. Practice
11. Application—Wildfire Severity Analysis
	11.1. Remote Sensing Image Analysis
	11.2. Burn Severity Classification
	11.3. The Wildland-Urban Interface
	11.4. Topographic Effects
		11.4.1. Data processing
		11.4.2. Generalized additive modeling
	11.5. Practice
12. Application—Species Distribution Modeling
	12.1. Tree Species Data
	12.2. WorldClim Historical Climate Data
	12.3. Modeling the Climate Niche
		12.3.1. Subalpine fir
		12.3.2. Douglas-fir
	12.4. Accuracy Assessment
	12.5. Climate Change Projections
	12.6. Practice
Appendix
Bibliography
Index




نظرات کاربران