کتاب Applied Geospatial Data Science with Python

کتاب Applied Geospatial Data Science with Python (کاربرد علم داده‌های جغرافیایی با پایتون: از تحلیل و مدل‌سازی داده‌های مکانی برای یافتن راه حل‌های منحصر به فرد برای مشکلات زیست محیطی استفاده کنید.) با محوریت علوم داده و کاربرد آن در داده‌های جغرافیایی با استفاه از پایتون است.

در ادامه مقدمه‌ای از کتاب Applied Geospatial Data Science with Python را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Applied Geospatial Data Science with Python:

تا زمانی که این کتاب منتشر شود، جهان به‌تازگی رسماً از یک بیماری همه‌گیر جهانی خارج شده است و جامعه به‌عنوان یک کل تلاش می‌کند تا با شرایط عادی جدید در دوران پس از کووید (COVID) دست و پنجه نرم کند. در طول اعماق همه‌گیری، تجزیه و تحلیل فضایی در زمان اصلی از طریق کار عالی داشبورد COVID-19 دانشگاه جانز هاپکینز (JHU) نشان داده شد که می‌توانید آن را در https://coronavirus.jhu.edu/map.html پیدا کنید.

داشبورد JHU گسترش ویروس در سراسر جهان را تقریباً در زمان واقعی نظارت کرد و این نقشه احتمالاً اولین باری بود که توده‌ها در معرض قدرت تجزیه و تحلیل مکانی، تجسم داده‌های مکانی و علم داده‌های مکانی قرار گرفتند. با این حال، تجزیه و تحلیل فضایی از دیرباز برای تجزیه و تحلیل شیوع بیماری‌ها استفاده می‌شود.

در واقع، در سال 1854، جان اسنو نقشه ای از مرگ و میر ناشی از وبا در لندن تهیه کرد، که به او اجازه داد نشان دهد که وبا از طریق میکروب‌های چاه‌های آب منتشر می‌شود و نه از طریق میاسما در هوا، همانطور که بسیاری در آن زمان فکر می‌کردند.

رها شدن از این همه گیری جهانی تنها مشکلی نیست که جامعه مدرن ما با آن مواجه است. امروزه، مسائل مربوط به زنجیره تامین که اقتصادهای سراسر جهان با آن مواجه هستند، تورم را به بالاترین حدی می‌رساند که در چندین دهه گذشته مشاهده نشده است.

علاوه بر این، تغییرات آب و هوایی باعث خشک شدن رودهای بزرگ در سراسر جهان شده است، از جمله رودهای کلرادو و می‌سی‌سی‌پی در ایالات متحده، یانگ تسه در چین، راین در آلمان و دانوب در رومانی. تغییرات آب و هوایی همچنین منجر به رویدادهای شدید آب و هوایی می‌شود که منجر به سیل ویرانگر در مناطقی مانند فلوریدا در ایالات متحده و پاکستان در جنوب آسیا می‌شود.

ما همچنین در دورانی زندگی می‌کنیم که در آن افراد بیشتر و بیشتری مایلند از برابری دفاع کنند و با دیدن نابرابری‌ها آن را فریاد بزنند. در ایالات متحده و در سرتاسر جهان، تیم‌هایی از مردم در حال تحقیق در مورد نابرابری‌های برجسته از نظر عرضه جهانی غذا، دسترسی به مراقبت‌های بهداشتی و خدمات مالی هستند.

دیگران به دنبال نابرابری‌های کمتر شناخته شده مانند جزایر گرمایی شهری و نبود سایه هستند. در مجموع، تیم‌هایی از این دست سخت تلاش می‌کنند تا اطمینان حاصل کنند که نسل‌های آینده با بی‌عدالتی‌های اجداد خود مواجه نخواهند شد.

ما اکنون داده‌ها، ابزارها و فناوری‌هایی را داریم که می‌توانیم برای هر یک از این مشکلات کاری انجام دهیم. تجزیه و تحلیل فضایی و علم داده این پتانسیل را دارند که ارزش بسیار زیادی در یافتن راه حل‌ها، اجرای برنامه ریزی تاب آوری و آموزش بهتر خود و اطرافیانمان فراهم کنند. با این حال، در حالی که انجام تجزیه و تحلیل فضایی و تولید تجسم‌های متقاعد کننده اکنون آسان تر از همیشه است، اما بدون خطر نیست.

طبیعتاً، نقشه‌ها و داده‌های مکانی بازنمایی فرآیندهای دنیای واقعی هستند و اغلب ناقص هستند یا به راحتی قابل دستکاری هستند و در نتیجه حقیقت را می‌توان تحریف کرد. یکی از نمونه‌های اخیر دستکاری نقشه در رویدادی اتفاق افتاد که از آن زمان «شارپی گیت» نام گرفت، که در آن دونالد ترامپ، رئیس‌جمهور وقت، نقشه مسیر طوفان NOAA را با یک شارپی در مخالفت با جامعه علمی تغییر داد. اگرچه این مثال ممکن است خنده دار به نظر برسد، اما تفاوت‌های ظریف زیادی در تجزیه و تحلیل فضایی، علم داده و نقشه برداری وجود دارد که شما باید به عنوان یک دانشمند در حال رشد داده‌های مکانی از آن‌ها آگاه باشید.

کتاب Applied Geospatial Data Science with Python برای دانشمندان داده نوشته شده است که به دنبال ترکیب تجزیه و تحلیل مکانی در کار خود هستند و برای متخصصان سیستم اطلاعات جغرافیایی (GIS) که به دنبال ترکیب روش‌های علم داده در کار خود هستند. هدف ما این است که این متن به این جوامع کمک کند تا یک درک مشترک و زبان محلی مشترک ایجاد کنند و آن‌ها را قادر می‌سازد تا بافت جغرافیایی را به درستی در مدل سازی، تجزیه و تحلیل و تجسم ادغام کنند.

کتاب Applied Geospatial Data Science with Python با مبانی GIS و علم داده آغاز می‌شود و سپس به نمونه‌های مفصلی از گردش‌های کاری علم داده‌های مکانی که بر اساس کاربردهای عملی علم داده‌های جغرافیایی ساخته شده‌اند و در صنعت ناشناس هستند، می‌پردازد. ما با آموزش اصول منبع یابی و کار با داده‌های مکانی شروع خواهیم کرد. بر اساس این، ما به شما آموزش خواهیم داد که چگونه داده‌های مکانی و تفکر فضایی را در فرآیندهای علم داده خود ادغام کنید تا امیدواریم عملکرد مدل را بهبود بخشید و نمایش دقیق‌تری از جهان اطراف خود ایجاد کنید.

ما امیدواریم که شما به عنوان عضوی از نسل بعدی دانشمندان داده‌های مکانی، قدرت استفاده از تفکر و تجزیه و تحلیل فضایی را داشته باشید، که ممکن است به ما کمک کند تا راه حل‌هایی برای مشکلاتی که در حال حاضر با جامعه ما مواجه است پیدا کنیم و بهتر برای آینده آینده آماده شویم.

کتاب Applied Geospatial Data Science with Python برای چه کسی است؟

اگر دانشمند داده‌ای هستید که می‌خواهید تفکر مکانی را در جریان کاری خود بگنجانید یا یک متخصص GIS هستید که به دنبال ترکیب روش‌های علم داده در جریان کاری شماست، این کتاب برای شما مناسب است. برای تجزیه و تحلیل داده‌ها و/یا علم داده باید دانش پایه ای از پایتون داشته باشید.

آنچه کتاب Applied Geospatial Data Science with Python پوشش می‌دهد:

فصل اول، معرفی سیستم‌های اطلاعات جغرافیایی و علم داده‌های مکانی، پایه‌های کتاب را با معرفی GIS و اشتراکات و تفاوت‌های آن با علم داده‌های جغرافیایی پایه‌ریزی می‌کند. در این فصل، ما همچنین از طریق خط لوله علم داده که در سراسر کتاب دنبال خواهید کرد، قدم می‌زنیم.

فصل 2 کتاب Applied Geospatial Data Science with Python، داده‌های مکانی چیست و کجا می‌توانم آن را پیدا کنم؟، انواع و قالب‌های رایج داده‌های مکانی را به شما معرفی می‌کند که در جریان‌های کاری علم داده‌های جغرافیایی خود با آن‌ها کار خواهید کرد. در این فصل، ما همچنین دسته‌های مختلفی از داده‌های مکانی را معرفی خواهیم کرد، از جغرافیای انسانی گرفته تا داده‌های خاص کشور و منطقه.

فصل 3 کتاب Applied Geospatial Data Science with Python، کار با سیستم‌های مختصات جغرافیایی و پیش‌بینی‌شده، شما را با سیستم‌های مختصات جغرافیایی و پیش‌بینی‌شده آشنا می‌کند و به شما کمک می‌کند از برخی از رایج‌ترین مشکلات کار با داده‌های مکانی اجتناب کنید.

فصل 4، بررسی بسته‌های علوم داده‌های جغرافیایی، طیف گسترده‌ای از بسته‌های علوم داده‌های مکانی پایتون را پوشش می‌دهد که به شما امکان می‌دهد پردازش، تحلیل، تجسم و مدل‌سازی داده‌های مکانی را انجام دهید.

فصل 5 کتاب Applied Geospatial Data Science with Python، تجسم داده‌های اکتشافی، به شما نشان می‌دهد که چگونه از قدرت داده‌های مکانی برای ایجاد برنامه‌های نگاشت استاتیک و پویا قانع‌کننده استفاده کنید.

فصل 6، آزمون فرضیه و تصادفی فضایی، شما را با موضوع تصادفی فضایی کامل و انواع آزمون‌های آماری آشنا می‌کند تا بهتر درک کنید که آیا داده‌های شما الگوهای موجود در فضا را منعکس می‌کند یا خیر.

فصل 7 کتاب Applied Geospatial Data Science with Python، مهندسی ویژگی‌های فضایی، نحوه استخراج ویژگی‌های مبتنی بر فضایی جدید به نام ویژگی‌های فضایی خلاصه و ویژگی‌های فضایی مجاورت را از هر دو دارایی داده‌های جدولی و جغرافیایی فعال می‌کند.

فصل 8 کتاب Applied Geospatial Data Science with Python، خوشه‌بندی فضایی و منطقه‌بندی، شما را با دسته‌ای از مدل‌های یادگیری ماشینی بدون نظارت معروف به مدل‌های خوشه‌بندی آشنا می‌کند که از طریق آن‌ها خوشه‌ها و مناطق فضایی را از داده‌های خود ایجاد خواهید کرد.

فصل 9، توسعه مدل‌های رگرسیون فضایی، چشمان شما را به قدرتی باز می‌کند که داده‌های مکانی می‌توانند از طریق ترکیب اثرات مکانی به مدل‌های رگرسیون بیاورند.

فصل 10 کتاب Applied Geospatial Data Science with Python، توسعه راه‌حل‌هایی برای مسائل بهینه‌سازی فضایی، به شما نشان می‌دهد که چگونه از برنامه‌ریزی خطی در ترکیب با داده‌های مکانی برای حل مسائلی مانند مسئله مسیریابی خودرو و مسئله پوشش مجموعه مکان استفاده کنید.

فصل 11 کتاب Applied Geospatial Data Science with Python، مباحث پیشرفته در علم داده‌های مکانی، موضوعات پیشرفته‌تری را در مهندسی ویژگی‌های فضایی، مدل‌سازی فضایی و اخلاق فضایی پوشش می‌دهد.

سرفصل‌های کتاب Applied Geospatial Data Science with Python:

• Applied Geospatial Data Science with Python
• Acknowledgments
• Contributors
• About the author
• About the reviewer
• Preface
• Part 1:The Essentials of Geospatial Data Science
  • Chapter 1: Introducing Geographic Information Systems and Geospatial Data Science
  • Chapter 2: What Is Geospatial Data and Where Can I Find It?
  • Chapter 3: Working with Geographic and Projected Coordinate Systems
  • Chapter 4: Exploring Geospatial Data Science Packages
• Part 2: Exploratory Spatial Data Analysis
  • Chapter 5: Exploratory Data Visualization
  • Chapter 6: Hypothesis Testing and Spatial Randomness
  • Chapter 7: Spatial Feature Engineering
• Part 3: Geospatial Modeling Case Studies
  • Chapter 8: Spatial Clustering and Regionalization
  • Chapter 9: Developing Spatial Regression Models
  • Chapter 10: Developing Solutions for Spatial Optimization Problems
  • Chapter 11: Advanced Topics in Spatial Data Science
• Index
• Other Books You May Enjoy

فایل کتاب Applied Geospatial Data Science with Python را می‌توانید پس از پرداخت، دریافت کنید.