طرح درس (براساس سرفصل)
| # | عنوان | توضیحات |
|---|---|---|
| 1 | جایگاه درس در برنامه درسی دوره | این درس با تمرکز بر پردازش ابری داده‌های ماهواره‌ای، شکاف بین ژئومورفولوژی نظری و تحلیل داده‌های عظیم (Big Data) را پر می‌کند. اهمیت کلیدی آن، توانمندسازی دانشجویان در کدنویسی و استفاده از API پلتفرم Google Earth Engine است که مهارتی حیاتی برای پژوهش‌های مدرن و بازار کار علوم مکانی محسوب می‌شود. |
| 2 | هدف کلی | هدف کلی این درس، توانمندسازی دانشجویان برای فراتر رفتن از تحلیل‌های سنتی و نرم‌افزارمحور و ورود به دنیای پردازش ابری و تحلیل داده‌های بزرگ ژئومورفولوژیک است. در پایان این درس، دانشجو می‌تواند با استفاده از مهارت کدنویسی در پلتفرم Google Earth Engine، به صورت مستقل پروژه‌های پژوهشی را از مرحله تعریف مسئله تا تحلیل، پیاده‌سازی و استخراج نتایج برای پدیده‌های مقیاس بزرگ به انجام رساند. |
| 3 | شایستگی های پایه | علاوه بر درک مبانی ژئومورفولوژی، دانشجویان باید علاقه و انگیزه برای یادگیری اصول اولیه کدنویسی (به زبان JavaScript برای GEE) و مفاهیم برنامه‌نویسی را داشته باشند. این شایستگی برای پیگیری بخش‌های عملی مبتنی بر Live Coding و اجرای پروژه‌ها ضروری است. |
| 4 | اهداف یادگیری | هدف اصلی، کسب مهارت عملی در کدنویسی (JavaScript) و پیاده‌سازی الگوریتم‌های پردازش تصویر با استفاده از API پلتفرم Google Earth Engine است. دانشجو در پایان دوره قادر خواهد بود با استفاده از اسکریپ‌های JavaScript، تحلیل‌های پیچیده ژئومورفولوژیک مانند پایش تغییرات و طبقه‌بندی با یادگیری ماشین را در یک محیط پردازش ابری اجرا کند. |
| 5 | روش تدریس | آموزش به صورت ترکیبی از ارائه مفاهیم نظری و بخش عملی همزمان (Live Coding) خواهد بود. مفاهیم تدریس‌شده بلافاصله در محیط Google Earth Engine یا Google Colab پیاده‌سازی می‌شوند تا دانشجویان مهارت کدنویسی و حل مسئله را به صورت عملی فرا گیرند. |
| 6 | وظایف دانشجو | از دانشجو انتظار می‌رود که علاوه بر حضور منظم در کلاس، در جلسات عملی Live Coding به صورت فعال مشارکت کرده و همزمان با مدرس، کدها را در محیط GEE اجرا و اشکال‌زدایی نماید. مسئولیت اصلی دانشجو شامل تکمیل منظم تکالیف برنامه‌نویسی، مطالعه مستندات فنی پلتفرم برای حل چالش‌های پیش رو، و در نهایت، تعریف و اجرای یک پروژه تحقیقاتی مستقل است. |
| 7 | منبع | Lillesand, T., Kiefer, R. W., & Chipman, J. (2015). Remote sensing and image interpretation. John Wiley & Sons. Unger Holtz, T. S. (2007). Introductory digital image processing: A remote sensing perspective. Hengl, T., & Reuter, H. I. (Eds.). (2008). Geomorphometry: concepts, software, applications (Vol. 33). Newnes. |
| 8 | مواد و امکانات آموزشی | این درس نیازمند یک کلاس مجهز به ویدئو پروژکتور و دسترسی پایدار و پرسرعت به اینترنت برای تمامی دانشجویان است. هر دانشجو ملزم به همراه داشتن یک لپ‌تاپ شخصی برای مشارکت در بخش‌های عملی کدنویسی است. مواد آموزشی اصلی شامل اسکریپت‌های نمونه، داده‌های ماهواره‌ای موجود در Google Earth Engine، اسلایدهای درسی، و پیوند به مستندات رسمی پلتفرم‌های GEE و Colab خواهد بود که توسط مدرس در اختیار دانشجویان قرار می‌گیرد. |
| 9 | نحوه ارزشیابی | ارزشیابی بر اساس تکالیف عملی و پروژه‌ها و آزمون پایان ترم خواهد بود. تمرکز اصلی بر توانایی دانشجو در پیاده‌سازی مستقل الگوریتم‌ها و تحلیل داده‌ها از طریق GEE است. |
| 10 | فایل | Pdf File |