Κέρδη:
- Δυνατότητα ορισμού της λογικής του GIS της χρήσης γης, της ανάλυσης καταλληλότητας και προσβασιμότητας και του ρόλου της τεχνητής νοημοσύνης σε αυτή τη ροή εργασιών
- Δυνατότητα σωστής χρήσης των εννοιών του επιπέδου, των χαρακτηριστικών και του συστήματος συντεταγμένων κατά το σχεδιασμό ανάλυσης μυθοπλασίας με AI
- Δυνατότητα επαλήθευσης των προτεινόμενων βημάτων ανάλυσης με τεχνητή νοημοσύνη με πραγματική ποιότητα δεδομένων, χωρική ακρίβεια και αναφορά συντεταγμένων
Η μηχανή του πολεοδομικού σχεδιασμού είναι τα χωρικά δεδομένα: τι είναι πού, πόσο υπάρχει, πόσο μακριά. Η οικογένεια λογισμικού που συλλέγει, αποθηκεύει, αναζητά και χαρτογραφεί αυτά τα δεδομένα ονομάζεται Συστήματα Γεωγραφικών Πληροφοριών (GIS για συντομία, GIS στα Αγγλικά). Μια ανάλυση χρήσης γης απαντά σε ερωτήματα όπως πού θα κατασκευαστεί ένα σχολείο, αν μια περιοχή είναι κατάλληλη για στέγαση ή βιομηχανία, πόσα άτομα εξυπηρετεί μια περιοχή πρασίνου κ.λπ. με GIS. Το AI είναι ένας ισχυρός βοηθός στο σχεδιασμό της ρύθμισης αυτών των αναλύσεων, στην αλληλουχία των βημάτων, στην τακτοποίηση των κριτηρίων και των βαρών και στην αναφορά του αποτελέσματος. Αλλά η ανάλυση βασίζεται σε χωρικά δεδομένα και η ποιότητα, το σύστημα συντεταγμένων και το νόμισμα των χωρικών δεδομένων καθορίζουν το αποτέλεσμα. Το AI δεν μπορεί να δει αυτά τα δεδομένα. Επεξεργάζεται μόνο τη μυθοπλασία που παρέχετε. Επομένως, κάθε βήμα που προτείνεται από την τεχνητή νοημοσύνη πρέπει να ελέγχεται με πραγματικά δεδομένα και ακριβή αναφορά συντεταγμένων.
Τρεις βασικές έννοιες του GIS
Επίπεδο: Κάθε τύπος δεδομένων είναι ένα ξεχωριστό επίπεδο — οι δρόμοι είναι ένα επίπεδο, τα κτίρια είναι άλλο, η κλίση είναι ένα άλλο. Η ανάλυση επικαλύπτει και συσχετίζει επίπεδα.
Χαρακτηριστικό: Κάθε χωροαντικείμενο έχει έναν πίνακα — την περιοχή, τη χρήση, την κατάσταση κατόχου ενός αγροτεμαχίου. Το χωρικό ερώτημα είναι συχνά μια ερώτηση χαρακτηριστικών: «τεμάχια των οποίων η χρήση είναι «χώρος πρασίνου» και των οποίων η έκταση είναι μεγαλύτερη από 5000 m²».
Σύστημα αναφοράς συντεταγμένων (CRS): Είναι το μαθηματικό πλαίσιο που μετατρέπει την καμπύλη επιφάνεια της Γης σε επίπεδο χάρτη. Το ITRF/TM (π.χ. εθνικά συστήματα που ορίζονται από κωδικούς EPSG) χρησιμοποιούνται ευρέως στην Τουρκία. Το False CRS είναι το πιο συνηθισμένο και πιο ύπουλο χωρικό σφάλμα: τα επίπεδα δεν επικαλύπτονται, οι περιοχές και οι αποστάσεις είναι εντελώς λανθασμένες. Εάν το AI προτείνει υπολογισμό απόστασης ή περιοχής, ο πρώτος έλεγχος είναι πάντα CRS.
Προσοχή: Μην υποθέσετε ότι ένα αποτέλεσμα απόστασης ή περιοχής είναι σωστό μόνο και μόνο επειδή φαίνεται λογικό. Με λανθασμένο CRS, δύο επίπεδα μπορεί να φαίνεται ότι "επικαλύπτονται" και γλιστρούν κατά μέτρα. Να συγκρίνετε πάντα τις εκτάσεις σε m²/εκτάριο με μια γνωστή αναφορά (π.χ. την περιοχή τίτλου ενός αγροτεμαχίου).
Η λογική της χρήσης γης και ανάλυση καταλληλότητας
Μια ανάλυση καταλληλότητας βαθμολογεί πόσο κατάλληλη είναι κάθε τοποθεσία για έναν σκοπό (για παράδειγμα, νέα κατοικία). Τυπικά βήματα:
- Θέστε τα κριτήρια. Κλίση, κίνδυνος πλημμύρας, εγγύτητα σε συγκοινωνίες, τρέχουσα χρήση, περιοχές προστασίας.
- Βαθμολογήστε κάθε κριτήριο. Για παράδειγμα, κλίση 0-5% = 10 βαθμοί, 5-15% = 6, 15%+ = 1.
- Χάστε βάρος. Εάν το κριτήριο της πλημμύρας είναι πολύ σημαντικό στην κατοικία, το βάρος του θα είναι μεγάλο.
- Συγχώνευση επιπέδων. Εκχωρήστε μια βαθμολογία φυσικής κατάστασης σε κάθε κελί/πεδίο με ένα σταθμισμένο άθροισμα.
- Σχολιάστε και επαληθεύστε. Δοκιμάστε τη βαθμολογία με γνώσεις πεδίου και νομοθεσία.
Η τεχνητή νοημοσύνη είναι πολύ χρήσιμη για τη συζήτηση αυτής της κατασκευής κριτηρίου-βάρους, υπενθυμίζοντας σας ένα ξεχασμένο κριτήριο και οργανώνοντας τον πίνακα βαθμολόγησης. Αλλά να θυμάστε ότι τα βάρη είναι αξιολογικές κρίσεις: το αν θα δοθεί μεγαλύτερη βαρύτητα στις πλημμύρες ή στις μεταφορές είναι δημόσια επιλογή και όχι απόφαση τεχνητής νοημοσύνης.
Βήμα προς βήμα: Κατασκευή ανάλυσης καταλληλότητας με AI
- Καθορίστε τον σκοπό και τον τομέα. "Διαθεσιμότητα νέων κατοικιών στην περιοχή Χ."
- Κάντε ένα απόθεμα δεδομένων. Καταχωρίστε τα επίπεδα που έχετε, τις πηγές, τις ημερομηνίες και το CRS τους.
- Έχετε προσχέδια κριτηρίων AI. Ρωτήστε εάν λείπουν κριτήρια.
- Δημιουργήστε μαζί τον πίνακα βαθμολόγησης. Αποσαφηνίστε τα όρια για κάθε κριτήριο.
- Μετάφρασε τη ροή εργασίας σε βήματα GIS. Ποιο στρώμα, ποια διαδικασία, με ποια σειρά.
- Ελέγξτε την ποιότητα των δεδομένων. Επικαιρότητα, ακρίβεια, συμμόρφωση με το CRS.
- Επαληθεύστε το αποτέλεσμα. Πεδίο, νομοθεσία, γνωστή αναφορά.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή: "Βρείτε το καλύτερο μέρος για στέγαση."
Η τεχνητή νοημοσύνη δεν γνωρίζει ούτε τον τομέα, ούτε τα δεδομένα, ούτε τα κριτήρια. Επιστρέφει ένα γενικό και άχρηστο κείμενο.
Ισχυρή προτροπή: "Δημιουργώ μια ανάλυση καταλληλότητας: στοχεύω νέα κατοικημένη περιοχή, περιοχή εργασίας [περιοχή]. Τα επίπεδα που έχω: κλίση (από DEM), κίνδυνος πλημμύρας (SHW), οδικό δίκτυο, υπάρχουσα χρήση γης, προστατευόμενες περιοχές. (α) υπενθυμίζω τα κριτήρια που μπορεί να λείπουν, (β) προτείνω έναν πίνακα με εύλογη τιμή βαθμολόγησης (κριτήριο) Οριστικοποιήστε τα βάρη για εμένα.
Η δεύτερη προτροπή καθιστά την τεχνητή νοημοσύνη συνεργάτη συζήτησης, κρατώντας τον υπεύθυνο λήψης αποφάσεων με τον προγραμματιστή.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
Εργασία: Προτείνετε ένα σύνολο κριτηρίων ανάλυσης καταλληλότητας για την ακόλουθη λίστα στόχων και βαθμίδων. Έξοδος: κριτήριο | γιατί είναι σημαντικό | πιθανό όριο βαθμολογίας | «περιέχει αξιολογικές κρίσεις». Αναφέρετε επίσης τυχόν κριτήρια που μπορεί να λείπουν. Σκοπός: [...] | Χώρος εργασίας: [...] | Στρώματα: [...]
Εργασία: Εξετάστε τον παρακάτω πίνακα στάθμισης κριτηρίων. (α) Ελέγξτε εάν το άθροισμα των βαρών είναι σημαντικό, (β) επισημάνετε αντικρουόμενα ή διπλά κριτήρια, (γ) παραθέστε υποθέσεις που μπορεί να παραπλανήσουν το αποτέλεσμα. Λήψη αποφάσεων; απλά ελέγξτε.Πίνακας: [...]
Εργασία: Μεταφράστε τα ακόλουθα βήματα ανάλυσης σε μια ροή εργασιών GIS. Για κάθε βήμα: στρώμα(τα) εισόδου, τύπος διεργασίας, έξοδος και σύστημα συντεταγμένων / σημείο μονάδας που πρέπει να ληφθούν υπόψη. Κώδικας γραφής. απλώς περιγράψτε τη ροή εργασίας σας. Βήματα: [...]
Εργασία: Μεταφράστε το ακόλουθο απόθεμα δεδομένων σε ένα γράφημα ποιοτικού ελέγχου. Στήλες: στρώμα | πηγή | ημερομηνία/τρέχουσα | CRS | γνωστό όριο/κίνδυνος σφάλματος. Σημειώστε επίπεδα που πρέπει να ερωτηθούν πριν από τη χρήση. Απόθεμα: [...]
Πίνακας: τύπος ανάλυσης και επικύρωση
Ανάλυση
Η ερώτηση που έκανε
Ο ρόλος του AI
κρίσιμη επαλήθευση
Καταλληλότητα
Πού είναι κατάλληλο;
Κατασκεύασμα κριτηρίου-βάρους
Βάρος = δημόσια επιλογή. C.R.S.
προσβασιμότητα
Πόσο κοντά/προσβάσιμο;
Περίγραμμα επιλογής μεθόδου
Ενημέρωση δεδομένων δικτύου
Πυκνότητα/κάλυψη
Πόσο υπάρχει, πώς διανέμεται;
Σύσταση τάξης και κατωφλίου
Πηγή δεδομένων πληθυσμού/περιοχής
αλλαγή
Τι άλλαξε;
συγκριτική μυθοπλασία
Ημερομηνία και συμμόρφωση με το CRS
buffer/απόσταση
Τι υπάρχει εντός των συνόρων;
λογική απόστασης
Μονάδα και CRS
τρεις μίνι θήκες
Περίπτωση 1 — Παγίδα CRS. Ένας ασκούμενος επικαλύπτει δύο επίπεδα. ο χάρτης φαίνεται να "επικαλύπτεται". Όταν το AI αναλύει ένα buffer που εκτυπώνει, το buffer των 500 μέτρων αποδεικνύεται περίεργα μικρό. Πρόβλημα: το ένα επίπεδο είναι σε γεωγραφικό (βαθμός) CRS, το άλλο σε μετρικό CRS. Οι 500 «μοίρες» δεν έχουν νόημα. Μετά την προβολή στο σωστό CRS, το αποτέλεσμα βελτιώνεται. Αυτό είναι ένα από τα πιο αόρατα από τα πιο ακριβά λάθη.
Περίπτωση 2 — Ξεχασμένο κριτήριο. Μια ομάδα χρησιμοποιεί την κλίση, την πλημμύρα και την προσβασιμότητα ως κριτήρια για την καταλληλότητα της στέγασης. Ζητήστε από το AI να επιβλέπει την επεξεργασία. AI "Έχετε προσθέσει το κριτήριο γεωλογικού/κινδύνου καταστροφής (ρήγμα, κατολίσθηση);" θυμίζει. Η ομάδα συνειδητοποιεί ότι έχασε αυτό το κρίσιμο κριτήριο. Το AI δεν πήρε απόφαση, έκλεισε ένα τυφλό σημείο.
Περίπτωση 3 — Διαφάνεια βάρους. Ένας δήμος υποβάλλει χάρτη καταλληλότητας στο συμβούλιο. Η τεχνητή νοημοσύνη εκτυπώνει ξεκάθαρα στο προσχέδιο της αναφοράς ότι κάθε βάρος είναι μια προτίμηση και ο χάρτης θα αλλάξει με διαφορετικά βάρη. Το συμβούλιο ρώτησε "τι θα συμβεί αν αυξήσουμε το βάρος της πλημμύρας;" γίνεται ικανός να ρωτήσει. Η διαφάνεια μετατρέπει την ανάλυση από επιβολή σε εργαλείο συζήτησης.
Συνήθη λάθη
- Δεν γίνεται έλεγχος του CRS. Το πιο συνηθισμένο και ακριβό λάθος στη χωρική ανάλυση. Ελέγξτε πριν από κάθε λειτουργία απόστασης/περιοχής.
- Λάθος των βαρών για τεχνικά δεδομένα. Το βάρος είναι μια αξιακή κρίση. Πρέπει να είναι διαφανές και να παραμένει συζητήσιμο.
- Παράβλεψη νομίσματος δεδομένων. Το παλιό στρώμα χρήσης γης παραπλανά τη σημερινή κρίση.
- Παρεξήγηση AI για πηγή δεδομένων. Το AI δεν μπορεί να δει το επίπεδο. επεξεργάζεται την πλοκή. Τα δεδομένα προέρχονται πάντα από πραγματική, επαληθευμένη πηγή.
- Μη δοκιμή του αποτελέσματος στο πεδίο. Μια περιοχή μπορεί να φαίνεται «κατάλληλη» στον χάρτη, αλλά στο έδαφος μπορεί να είναι μια εντελώς διαφορετική πραγματικότητα.
Συνοπτικά
Το GIS είναι η μηχανή χωρικών δεδομένων του σχεδιασμού. Το επίπεδο, το χαρακτηριστικό και το σύστημα συντεταγμένων είναι οι τρεις βασικές του έννοιες. Η ανάλυση καταλληλότητας βαθμολογεί κάθε τοποθεσία για έναν σκοπό με κριτήρια, βαθμολογία και βάρη. Η τεχνητή νοημοσύνη είναι ένα ισχυρό βοήθημα για το σχεδιασμό αυτής της ρύθμισης, υπενθυμίζοντας κριτήρια που λείπουν, ταξινομώντας τη ροή εργασίας και αναφορές. αλλά δεν μπορεί να δει τα δεδομένα και να πάρει απόφαση. Το πιο ύπουλο λάθος είναι το λάθος σύστημα συντεταγμένων. Τα βάρη δεν είναι τεχνικές αλλά αξιολογικές κρίσεις και πρέπει να είναι διαφανή. Επαληθεύστε κάθε αποτέλεσμα με ενημερωμένα δεδομένα, ακριβή CRS και πληροφορίες πεδίου.
Εργασία εφαρμογής
Επιλέξτε έναν σκοπό (για παράδειγμα, μια νέα τοποθεσία βρεφονηπιακού σταθμού). (1) Κάντε μια απογραφή των επιπέδων που έχετε ή υποθέτετε με το τέταρτο πρότυπο. Γράψτε το CRS και την κατάσταση φρεσκάδας κάθε επιπέδου. (2) Με το πρώτο πρότυπο, προτείνετε ένα σύνολο κριτηρίων-βαρών στο AI και καταγράψτε τουλάχιστον ένα κριτήριο που λείπει. (3) Σημειώστε ποια βάρη είναι αξιολογικές κρίσεις και γράψτε με μία πρόταση πώς θα τα εξηγούσατε στη συνέλευση. (4) Περιγράψτε πώς θα επαληθεύσετε το αποτέλεσμα στο πεδίο.
λίστα ελέγχου
- [ ] Έλεγξα και συγχρονίζω το σύστημα συντεταγμένων (CRS) όλων των επιπέδων.
- [ ] Έθεσα τα κριτήρια και έκανα τη σάρωση AI για κριτήρια που λείπουν.
- [ ] Σημείωσα ότι τα βάρη είναι αξιολογικές κρίσεις και τα κράτησα διαφανή.
- [ ] Αξιολόγησα το νόμισμα και την ακρίβεια των δεδομένων.
- [ ] Χρησιμοποίησα το AI ως βοηθό επεξεργασίας, όχι ως πηγή δεδομένων.
- [ ] Επαλήθευσα το αποτέλεσμα με γνωστή αναφορά και γνώση πεδίου.
- [ ] Αποθήκευσα το απόθεμα δεδομένων και το ίχνος επαλήθευσης.