طرح درس (براساس سرفصل)
| # | عنوان | توضیحات |
|---|---|---|
| 1 | جایگاه درس در برنامه درسی دوره | این درس به عنوان یک واحد تخصصی پیشرفته در برنامه درسی دوره دکتری ژئومورفولوژی، با هدف توانمندسازی دانشجویان در بهره‌گیری از فناوری‌های نوین سنجش از دور ابری (Cloud-based Remote Sensing)، طراحی شده است. با توجه به ماهیت داده‌محور (Data-driven) پژوهش‌های معاصر در علوم زمین، این درس پلی میان مبانی نظری ژئومورفولوژی و مهارت‌های عملی تحلیل داده‌های ماهواره‌ای عظیم (Big Earth Data) ایجاد می‌کند. دانشجویان با تسلط بر پلتفرم‌های قدرتمندی چون Google Earth Engine و Google Colab Notebook، ابزارهای لازم برای اجرای تحلیل‌های مکانی-زمانی پیچیده در مقیاس‌های بزرگ را کسب می‌کنند. |
| 2 | هدف کلی | هدف کلی این درس، گذار دانشجویان دکتری ژئومورفولوژی از جایگاه مصرف‌کننده صرف داده‌های مکانی به تولیدکننده دانش از طریق تحلیل‌های پیشرفته و داده‌محور است. این درس می‌کوشد با ادغام مبانی نظری علوم زمین و مهارت‌های عملی برنامه‌نویسی در محیط‌های پردازش ابری، شکاف میان دانش کلاسیک ژئومورفولوژی و ابزارهای نوین علوم داده‌های زمین (Earth Data Science) را پر کند. |
| 3 | شایستگی های پایه | دانشجویان پس از اتمام موفقیت‌آمیز این درس، به مجموعه‌ای از شایستگی‌های کلیدی دست خواهند یافت. این شایستگی‌ها شامل تسلط بر برنامه‌نویسی JavaScript در محیط Google Earth Engine و Python در Google Colab برای پردازش داده‌های نوری و راداری، درک عمیق اصول فیزیکی سنجش از دور مایکروویو و تداخل‌سنجی راداری (InSAR)، توانایی پیاده‌سازی مدل‌های فرآیندی پیچیده نظیر RUSLE وILSWE، قابلیت استخراج و تحلیل پارامترهای بیوفیزیکی از مجموعه داده‌های جهانی (مانند SoilGrids) و سنجنده‌هایی همانند TROPOMI و مهارت تلفیق داده‌های چندمنبعی (Multi-source Data Fusion) برای پایش پدیده‌های دینامیک سطح زمین مانند فرونشست، زمین‌لغزش و فرسایش است. در نهایت، دانشجو قادر خواهد بود یک مسئله تحقیقاتی مستقل را از مرحله تعریف تا تحلیل و ارائه نتایج، با استفاده از این تکنیک‌ها به سرانجام برساند. |
| 4 | اهداف یادگیری | اهداف اصلی این دوره بر سه محور اصلی استوار است. 1- تسلط فنی: کسب مهارت کامل در استفاده از APIهای JavaScript و Python پلتفرم Google Earth Engine برای دسترسی، پیش‌پردازش و تحلیل سری‌های زمانی داده‌های ماهواره‌ای (Landsat, Sentinel, ALOS PALSAR)؛ 2- درک مفهومی: تعمیق دانش فیزیکی حاکم بر سنجش از دور راداری (SAR) و تداخل‌سنجی (InSAR) و ارتباط آن با پدیده‌های ژئومورفیک مانند تغییر شکل سطح زمین و خصوصیات مورفومتری؛ 3- کاربرد پژوهشی: توانمندسازی دانشجو برای فرموله‌بندی و اجرای یک پروژه تحقیقاتی ژئومورفولوژیک از ابتدا تا انتها. |
| 5 | روش تدریس | این درس با رویکردی ترکیبی و کارگاهی (Workshop-based) ارائه می‌شود. هر جلسه با یک مرور مفهومی کوتاه بر مبانی نظری مرتبط آغاز شده و بلافاصله به بخش عملی در محیط‌های برنامه‌نویسی Google Earth Engine و Google Colab Notebook منتقل می‌شود. تدریس مبتنی بر یادگیری از طریق انجام (Learning by Doing) است، به طوری که دانشجویان به صورت گام به گام و همزمان با مدرس، اسکریپت‌ها را نوشته، اجرا و رفع اشکال می‌کنند. در نهایت، با تعریف یک پروژه نهایی، دانشجو فرصت می‌یابد تا خلاقیت و مهارت‌های حل مسئله خود را در یک چالش تحقیقاتی به کار گیرد. |
| 6 | وظایف دانشجو | از دانشجویان انتظار می‌رود که در تمامی جلسات درس به صورت فعال حضور داشته باشند و پیش از هر جلسه، مروری بر مباحث نظری و کدهای جلسه قبل داشته باشند. |
| 7 | مواد و امکانات آموزشی | این دوره به حداقل امکانات سخت‌افزاری نیاز دارد و بر زیرساخت‌های پردازش ابری متکی است. دانشجویان تنها به یک رایانه شخصی متصل به اینترنت پایدار و یک حساب کاربری گوگل (Google Account) برای دسترسی به پلتفرم‌های Google Earth Engine و Google Colab نیاز دارند. کلیه مواد آموزشی، شامل اسکریپت‌های کد، نوت‌بوک‌های پایتون، مجموعه داده‌های تمرینی، اسلایدهای آموزشی و مقالات تکمیلی، از طریق یک سامانه اموزش مجازی دانشگاه یا یک مخزن کد اشتراکی (مانند GitHub) در اختیار دانشجویان قرار خواهد گرفت. کلاس‌ها در محیطی مجهز به ویدئو پروژکتور و دسترسی به اینترنت برگزار می‌شود تا امکان نمایش زنده کدنویسی و اجرای همزمان اسکریپت‌ها توسط دانشجویان فراهم باشد. |
| 8 | نحوه ارزشیابی | ارزشیابی دانشجویان در این دوره به صورت مستمر و مبتنی بر عملکرد خواهد بود. همچنین آزمون نهایی پایان درس نیز مطابق با برنامه آمزوشی دانشگاه اخذ خواهد شد. |
| 9 | فایل | Pdf File |