تحلیل هیدرولوژیکی تالاب شادگان با GIS و یادگیری ماشین

ما به دنبال یک متخصص GIS و یادگیری ماشین هستیم که بتواند تحلیل جامعی برای ارزیابی هیدرولوژیکی تالاب شادگان (خوزستان، ایران) انجام دهد. هدف، شناسایی مناطق پرریسک هیدرولوژیکی با استفاده از داده‌های سنجش از دور، Shapefile ارائه‌شده از رامسر، و الگوریتم جنگل تصادفی است. این پروژه باید در بازه زمانی 2 هفته تکمیل شود. وظایف و خروجی‌های مورد انتظار: 1 جمع‌آوری و پیش‌پردازش داده‌ها: • جمع‌آوری تصاویر ماهواره‌ای لندست 8/9 یا سنتینل-2 برای تالاب شادگان (مختصات تقریبی: 48.2-48.8 طول شرقی، 30.5-31.0 عرض شمالی) در بازه *******. • دانلود داده‌های اقلیمی (بارش، دما) از ERA5 و مدل رقومی ارتفاع (DEM) از SRTM یا ALOS. • استفاده از Shapefile ارائه‌شده از رامسر (features_param_idrvis.*) برای تعریف دقیق محدوده تالاب و اعتبارسنجی تحلیل‌ها. • پیش‌پردازش تصاویر: تصحیح اتمسفری، حذف ابر، محاسبه شاخص‌های NDWI (سطح آب)، NDVI (پوشش گیاهی)، و شاخص کدورت (کیفیت آب). 2 طبقه‌بندی پوشش زمین: • اجرای الگوریتم جنگل تصادفی برای طبقه‌بندی پوشش زمین به کلاس‌های آب، نیزار، کشاورزی، و شهری. • استفاده از داده‌های توصیفی Shapefile (در صورت وجود) برای داده‌های آموزشی یا اعتبارسنجی. • دستیابی به دقت حداقل 85% با روش k-fold cross-validation. • پیشنهاد داده‌های آموزشی (ground truth) از منابع باز (مثل Google Earth) یا Shapefile در صورت لزوم. 3 تحلیل آسیب‌پذیری هیدرولوژیکی: • ترکیب معیارهای NDWI، NDVI، کدورت، بارش، DEM، و کاربری زمین با الگوریتم جنگل تصادفی برای تولید نقشه اولویت احیا (کلاس‌های پرریسک، متوسط، کم‌ریسک). • ارائه گزارش اهمیت متغیرها (feature importance) برای نشان دادن تأثیر هر معیار (مثلاً NDWI یا کدورت). 4 تحویل فایل‌ها و مستندات: • نقشه‌های رستری (فرمت GeoTIFF) برای NDWI، NDVI، کدورت، پوشش زمین، و نقشه اولویت احیا. • کدهای استفاده‌شده (ترجیحاً در Python با کتابخونه‌های scikit-learn و rasterio، یا Google Earth Engine). • گزارش فنی (3-5 صفحه، فرمت Word یا PDF) شامل روش‌شناسی، نتایج، اهمیت متغیرها، و محدودیت‌های تحلیل. • فایل‌های داده خام و پردازش‌شده (در Google Drive یا سرور ابری). • توضیح مختصر درباره نحوه استفاده از Shapefile رامسر در تحلیل (مثلاً برای محدوده یا اعتبارسنجی). مهارت‌های مورد نیاز: • تسلط به GIS (QGIS، ArcGIS) و سنجش از دور (Google Earth Engine یا ENVI). • تجربه با الگوریتم‌های یادگیری ماشین، به‌ویژه جنگل تصادفی. • توانایی کار با داده‌های ماهواره‌ای (لندست، سنتینل)، اقلیمی (ERA5)، و Shapefile. • مهارت در Python یا R برای تحلیل داده و نگارش گزارش علمی.