Привет! Как проделать вот такое интересное исследование с применением QGIS: Расчет будущей урожайности по индексу NDVI (Normalized Difference Vegetation Index) возможен на основе анализа изменений в зеленой массе растений. NDVI вычисляется с помощью спутниковых или аэрокосмических снимков и измеряет степень зеленой растительности на определенной площади. Чтобы предсказать будущую урожайность, можно использовать следующую методику: Шаг 1: Сбор данных Соберите исторические данные NDVI на протяжении нескольких лет во время вегетационного периода вашего урожая. Обычно этот период включает в себя сезон роста и развития растений. Шаг 2: Определите среднее значение NDVI Вычислите среднее значение NDVI для каждого временного шага в течение вегетационного периода на основе имеющихся данных за предыдущие годы. Шаг 3: Установите связь между NDVI и урожайностью Сравните и анализируйте значения NDVI и фактическую урожайность за предыдущие годы. Определите зависимость между ними и выявите тренды или паттерны. Шаг 4: Создайте модель прогноза На основе обнаруженных зависимостей можно построить модель прогнозирования. Используйте регрессионный анализ или другие статистические методы для создания уравнения, связывающего NDVI и ожидаемую урожайность. Шаг 5: Примените модель к текущим данным Примените разработанную модель к текущим данным NDVI, чтобы предсказать будущую урожайность. Используйте снимки NDVI, полученные в реальном времени, и примените уравнение из модели для расчета ожидаемой урожайности.
@@antonbiatov9203 Привет Нашел пример регрессионного анализа, но чет не очень понимаю что с ним делать дальше. ;-) import pandas as pd import statsmodels.api as sm # Чтение данных из файла CSV data = pd.read_csv('data.csv') # Определение независимых и зависимой переменных X = data[['X']] y = data['y'] # Добавление столбца единиц в матрицу X для константы (свободного члена) X = sm.add_constant(X) # Создание и обучение модели линейной регрессии model = sm.OLS(y, X) results = model.fit() # Вывод результатов print(results.summary()) # Предсказание на новых данных X_new = pd.DataFrame({'X': [6, 7, 8]}) X_new = sm.add_constant(X_new) y_pred = results.predict(X_new) print("Predictions:", y_pred)
@@antonbiatov9203 всё, удалось скачать. Просьба, Вы не могли бы объяснить как анализировать и интерпретировать данные собранные с листа растения прибором экспресс диагностики? У нас есть прибор, мне задачу поставили научиться с ним работать, как снимать показатели разобралась, с индексами худо- бедно также. Правда не все индексы нашла, например индексы отражения флавоноидов...А вот как их интерпретировать 🤦♀️
Привет!
Как проделать вот такое интересное исследование с применением QGIS:
Расчет будущей урожайности по индексу NDVI (Normalized Difference Vegetation Index) возможен на основе анализа изменений в зеленой массе растений. NDVI вычисляется с помощью спутниковых или аэрокосмических снимков и измеряет степень зеленой растительности на определенной площади. Чтобы предсказать будущую урожайность, можно использовать следующую методику:
Шаг 1: Сбор данных
Соберите исторические данные NDVI на протяжении нескольких лет во время вегетационного периода вашего урожая. Обычно этот период включает в себя сезон роста и развития растений.
Шаг 2: Определите среднее значение NDVI
Вычислите среднее значение NDVI для каждого временного шага в течение вегетационного периода на основе имеющихся данных за предыдущие годы.
Шаг 3: Установите связь между NDVI и урожайностью
Сравните и анализируйте значения NDVI и фактическую урожайность за предыдущие годы. Определите зависимость между ними и выявите тренды или паттерны.
Шаг 4: Создайте модель прогноза
На основе обнаруженных зависимостей можно построить модель прогнозирования. Используйте регрессионный анализ или другие статистические методы для создания уравнения, связывающего NDVI и ожидаемую урожайность.
Шаг 5: Примените модель к текущим данным
Примените разработанную модель к текущим данным NDVI, чтобы предсказать будущую урожайность. Используйте снимки NDVI, полученные в реальном времени, и примените уравнение из модели для расчета ожидаемой урожайности.
3 и 4 шаг самый интересный. И главное где взять эти самые исторические данные по урожайности?🙂
@@antonbiatov9203 Привет!
А что надо и в каком формате? ;-)
@@antonbiatov9203
Привет
Нашел пример регрессионного анализа, но чет не очень понимаю что с ним делать дальше. ;-)
import pandas as pd
import statsmodels.api as sm
# Чтение данных из файла CSV
data = pd.read_csv('data.csv')
# Определение независимых и зависимой переменных
X = data[['X']]
y = data['y']
# Добавление столбца единиц в матрицу X для константы (свободного члена)
X = sm.add_constant(X)
# Создание и обучение модели линейной регрессии
model = sm.OLS(y, X)
results = model.fit()
# Вывод результатов
print(results.summary())
# Предсказание на новых данных
X_new = pd.DataFrame({'X': [6, 7, 8]})
X_new = sm.add_constant(X_new)
y_pred = results.predict(X_new)
print("Predictions:", y_pred)
Добрый! А где файл можно взять с формулами? Или нельзя?))
Антон, можете прикрепить в описании видео сылку на упоминаемую вами книгу?
Добавил ссылку на книгу в описание видео
@@antonbiatov9203 Спасибо!
Отличный семинар! Спасибо. Жаль, что ссылка на книгу не открывается.
Странно, может убрали из открытого доступа
@@antonbiatov9203 всё, удалось скачать. Просьба, Вы не могли бы объяснить как анализировать и интерпретировать данные собранные с листа растения прибором экспресс диагностики? У нас есть прибор, мне задачу поставили научиться с ним работать, как снимать показатели разобралась, с индексами худо- бедно также. Правда не все индексы нашла, например индексы отражения флавоноидов...А вот как их интерпретировать 🤦♀️
@@mashikc3no к сожалению не смогу помочь. Никогда раньше с таким не работал.