Satelity umożliwiają więcej niż obserwację tego, co znajduje się na powierzchni Ziemi. Zbiory zdjęć, wykonywanych cyklicznie przy każdym przelocie satelity, układają się w szeregi czasowe. Obserwowana jest zmienność środowiska, jak i infrastruktury. Dobór zobrazowań, narzędzi do ich przetwarzania oraz modelu umożliwiającego analizę interesującego zjawiska to wszystko, co jest potrzebne ekspertowi Data Science do predykcji przyszłości. W artykule przedstawiono kroki potrzebne do zbudowania modelu prognostycznego dla zmiennej meteorologicznej nazywanej Land Surface Temperature (temperatura powierzchni obiektów na Ziemi) przy użyciu Pythona i jego bibliotek. Wiedza zawarta w tekście pozwoli czytelnikowi na wyprowadzenie własnych modeli dla serii czasowych charakteryzujących się sezonowością...

Zagadnienia poruszane w tym artykule:

• Wstęp: rozdzielczość rozdzielczości nierówna;
• Część 1: Przygotowanie danych;
• Zrozumienie typu danych;
• Przetworzenie danych;
• Część 2: Eksploracja danych;
• Brakujące wartości;
• Część 3: Modelowanie przebiegów;
• Podział zbioru na treningowy i testowy;
• ARIMA;
• SARIMA;
• Dodatek 1: Pobieranie danych MODIS;
• Dodatek 2: Podstawowe biblioteki używane w artykule;

Artykuł pochodzi z magazynu Programista nr 85 (6/2019). Jest to numer z października 2019 r. Spis treści tego wydania: https://programistamag.pl/programista-6-2019-85/

Autorem artykułu jest Szymon Moliński. Inżynier danych i kierownik techniczny w firmie Data Lions. Od studiów chciał łączyć swoje zainteresowanie inżynierią kosmiczną oraz medycyną techniczną i udało się – w dużej mierze dzięki Pythonowi. Jest członkiem trójmiejskiej społeczności Hackerspace. Natłok myśli programisty ucisza, tańcząc breakdance.

>>FRAGMENT TEGO ARTYKUŁU DO POBRANIA<<