سود:
- امکان راه اندازی و اجرای اتوماسیون گردش کار با پشتیبانی هوش مصنوعی با PyQGIS و طراح مدل
- توانایی مدیریت حریم خصوصی داده های شخصی، حق چاپ، مجوز و محدودیت های مسئولیت مهندسی در یک پروژه پایان به انتها
- توانایی طراحی یک پروژه ژئوماتیک در یک جریان مبتنی بر هوش مصنوعی اما مبتنی بر تأیید از جمعآوری داده تا تحویل
امتحان ماژول
1. کدام یک از موارد زیر اصل اساسی است که ریسک خروجی هوش مصنوعی را در مهندسی پیمایش تعیین می کند؟
- الف) خطر یک خروجی برابر است با آسیبی که در صورت معیوب بودن آن خروجی ایجاد می کند. بر این اساس مقیاس های اعتبارسنجی ✔
- ب) خروجی هوش مصنوعی به طور کلی امن است زیرا روان و با اطمینان نوشته شده است
- ج) زمانی که از جدیدترین مدل استفاده می شود، اعتبارسنجی غیر ضروری است
- د) اگر خروجی به یک استاندارد اشاره دارد، نیازی به کنترل اضافی نیست
توضیح: ریسک یک خروجی برابر است با آسیبی که در صورت معیوب بودن آن خروجی ایجاد می کند. در حالی که یک خطای جزئی در خلاصه ادبیات تا حد زیادی بی ضرر است، یک خطا در مرز کاداستر یا مقدار ارتفاع می تواند منجر به نقض مالکیت، کاربرد نامناسب ساخت و ساز و آسیب به دارایی شود. بنابراین شدت تأیید مقیاس با آسیب احتمالی است.
2. کدام وظیفه در کنترل کیفیت یک مجموعه اندازه گیری GNSS به طور ایمن و مناسب به هوش مصنوعی اختصاص داده می شود؟
- الف) نهایتاً صحت مختصات نقطه را پذیرفته و آماده ثبت نام نماید
- ب) ویرایش جداول مشاهده خام و علامت گذاری نقاط دورافتاده / ناسازگاری های احتمالی ✔
- ج) تأیید مقادیر کاربرد مستقیماً بدون توجه به اصول اندازه گیری
- د) معتبر در نظر گرفتن نتیجه بدون محاسبه خطای پایانی
توضیح: ایمنترین سهم هوش مصنوعی وظایف جانبی است که مهندس میتواند آنها را کنترل کند، مانند سازماندهی دادههای خام پراکنده و حاشیهنویسی، پرچمگذاری ناسازگاریها و موارد پرت. پذیرش نهایی صحت مختصات نقطه با تایید مهندس باقی می ماند که شامل خطاهای بسته شدن و اصول اندازه گیری می شود. هوش مصنوعی که بگوید «نکته کاملاً درست است» مدرکی نیست.
3. کدام اطلاعات باید به وضوح در درخواست تبدیل مختصات به هوش مصنوعی بیان شود؟
- الف) فقط نام نقاط
- ب) فقط نام طرح هدف، داده مهم نیست
- ج) سیستم مختصات منبع و هدف (Datum + Projection/EPSG) و پارامترهای تبدیل ✔
- د) نام شخصی که اندازه گیری را انجام می دهد
توضیح: تبدیل مختصات تنها زمانی معنا پیدا می کند که سیستم منبع، سیستم هدف (داده + طرح ریزی، به عنوان مثال کد EPSG) و پارامترهای تبدیل مورد نیاز مشخص شده باشند. فقط گفتن "تبدیل این به UTM" باعث می شود مشخص نباشد که کدام مبنا از کدام مبنا به کدام مبنا منتقل می شود و ممکن است باعث تغییر متراژ مبنا شود.
4. کدام یک از موارد زیر عملی ترین راه برای تأیید خروجی یک تبدیل است؟
- الف) مشاهده تعداد ارقام اعشار در خروجی
- ب) نگاه کردن به اینکه مدل چقدر سریع جواب می دهد
- ج) انتقال نتیجه به CAD بدون بررسی
- د) قرار دادن نقطه کنترلی که مختصات آن از طریق همان تبدیل مشخص است و مقایسه آن با مقدار مورد انتظار ✔
توضیح: عبور از یک یا چند نقطه کنترل که مختصات آنها از طریق همان تبدیل مشخص است و مقایسه آنها با مقدار مورد انتظار به سرعت خطاهای پارامتر و داده را آشکار می کند. تفاوت سیستماتیک ده ها متر معمولاً علامت داده / پارامتر اشتباه است. این واقعیت که خروجی صاف به نظر می رسد دلیلی بر صحت نیست.
5. حیاتی ترین پیش نیاز برای محاسبات صحیح بافر و مساحت در GIS چیست؟
- الف) لایه در سیستم مختصات متریک (پروجکشن) مناسب ✔
- ب) رنگ لایه
- ج) ترتیب ستون ها در جدول ویژگی ها
- د) نام فایل لایه باید کوتاه باشد
توضیح: محاسبات مسافت و مساحت فقط در یک سیستم مختصات متریک (پیش بینی شده) معنادار است. بافر مستقیم در مختصات جغرافیایی (طول / عرض جغرافیایی بر حسب درجه) به دلیل سردرگمی درجه-متر نتایج نادرستی می دهد. بنابراین، لایه باید قبل از تجزیه و تحلیل در پروجکشن مناسب قرار گیرد.
6. روش استاندارد اندازه گیری دقت نقشه پوشش زمین در طبقه بندی تصاویر ماهواره ای چیست؟
- الف) نگاه کردن به اینکه رنگ های نقشه چقدر زنده هستند
- ب) ایجاد یک ماتریس خطا با نمونه های مستقل از حقیقت زمین و محاسبه دقت کلی/کاپا ✔
- ج) تکیه بر تعداد زیاد طبقات
- د) نگاه به وضوح تصویر و فرض صحت
توضیحات: دقت طبقهبندی با ایجاد یک ماتریس سردرگمی با نمونههای حقیقت پایه مستقل و گزارش آن با معیارهایی مانند دقت کلی و کاپا ارزیابی میشود. "خوب بودن" نقشه یا زنده بودن رنگ های کلاس دلیلی بر دقت نیست.
7. عنصر اساسی که دقت موقعیتی را در تولید ارتفتو فتوگرامتری و DSM تضمین می کند چیست؟
- الف) فقط تعداد زیادی عکس بگیرید
- ب) پهپاد مدل گران قیمتی است
- ج) کنترل دقت با نقاط کنترل زمینی با اندازه گیری دقیق و نقاط کنترل مستقل ✔
- د) پرواز باید در یک روز ابری انجام شود
توضیحات: نقاط کنترل زمینی (GCP) مدل فتوگرامتری را به سیستم مختصات دنیای واقعی متصل می کند و دقت مقیاس/موقعیت را تعیین می کند. علاوه بر این، دقت با محاسبه RMSE با نقاط کنترل مستقلی که وارد مدل نمی شوند، آزمایش می شود. صرفاً افزایش تعداد تصاویر یا گران شدن پهپاد، دقت را تضمین نمی کند.
8. کدام مرحله برای تولید مدل دیجیتال زمین (DTM) از ابر نقطه LiDAR اجباری است؟
- الف) تبدیل تمام نقاط به یک سطح همانطور که هست
- ب) فقط از بالاترین امتیاز استفاده کنید
- ج) حذف مقادیر چگالی
- د) جداسازی نقاط غیر زمینی (ساختمان، درخت) با فیلتر زمین ✔
توضیحات: DTM نشان دهنده سطح زمین لخت است. بنابراین، نقاط غیرزمینی مانند ساختمان ها، درختان، وسایل نقلیه باید از هم جدا شوند (فیلتر زمین/طبقه بندی). اگر این مرحله نادیده گرفته شود، سطح بالایی (DSM) به دست می آید، نه DTM. هوش مصنوعی میتواند طبقهبندی را تسریع کند، اما نتیجه باید با سطح مقطع پروفایل تایید شود.
9. یکی از رایج ترین و خطرناک ترین اشتباهات در تولید نقشه خودکار با هوش مصنوعی چیست؟
- الف) نادیده گرفتن عناصر اجباری مانند مقیاس، افسانه، سیستم مختصات و درجه دقت ✔
- ب) استفاده از پست های بازرسی بیش از حد
- ج) گروه بندی لایه ها
- د) اضافه کردن عنوان به برگه
توضیح: نمادسازی و برچسبگذاری خودکار سریع است، اما اگر عناصر نقشهبرداری ضروری مانند مقیاس، افسانه، فلش شمال، سیستم مختصات و یادداشت دقت وجود نداشته باشد، نقشه گمراهکننده و رسماً غیرقابل استفاده میشود. جذابیت بصری جایگزینی برای این عناصر ضروری نیست.
10. وضعیت خروجی هوش مصنوعی هنگام کار با داده های کاداستر و ثبت زمین چگونه باید باشد؟
- الف) داده های قطعی و قابل ثبت مستقیم در سند مالکیت محسوب می شود.
- ب) به عنوان چک/پیش نویس مقدماتی. اعتبار نهایی بستگی به اندازه گیری، قانون و تایید مقامات دارد ✔
- ج) حل اختلافات ملکی به تنهایی
- د) بدون نیاز به کنترل به سند رسمی تبدیل می شود.
توضیح: اطلاعات مرز، مساحت و مالکیت کاداستر دارای عواقب قانونی است. هوش مصنوعی بیشترین پیش از پرواز، اسکن ناسازگاری و پیش نویس را تولید می کند. اعتبار نهایی بستگی به اندازه گیری، قانون و تایید مهندس/موسسه مجاز دارد. اعلام خروجی هوش مصنوعی به عنوان "نهایی" خطر قانونی و حرفه ای ایجاد می کند.
11. مهم ترین بررسی قبل از استفاده از اسکریپت GeoPandas/PyProj تولید شده توسط هوش مصنوعی چیست؟
- الف) با فرض صحیح بودن کد چون طولانی است
- ب) با توجه به اینکه کافی است بدون خطا کار کند
- ج) آن را با داده های کوچک و شناخته شده تست اجرا کنید و CRS و رتبه ✔ را تأیید کنید
- د) تایید نام متغیرها به عنوان زیبا
توضیح: کد تولید شده باید با داده های تست کوچکی که نتیجه آن مشخص است اجرا شود و خروجی و رتبه مورد انتظار بررسی شود. به ویژه، اینکه آیا تعریف CRS (سیستم مختصات) به درستی اختصاص داده شده است یا خیر، یک خطای مهم است. false CRS بیصدا متر دریفت ایجاد میکند. فقط به این دلیل که کد "کار می کند" به این معنی نیست که درست است.
12. هنگام ارائه یک مجموعه داده کاداستری/آدرس حاوی داده های مکان و اطلاعات شخصی به هوش مصنوعی، رویکرد صحیح چیست؟
- الف) تمام اطلاعات مالک واقعی و هویت را همانطور که هست ارسال کنید
- ب) نادیده گرفتن حریم خصوصی زیرا سودمند خواهد بود
- ج) چسباندن داده ها در یک انجمن عمومی
- د) ناشناس کردن داده های شخصی یا کار با ارزش های نماینده/محیط تایید شده ✔
توضیح: دادههای حاوی دادههای شخصی (نام مالک، شناسه TR، مکان حساس) نباید برخلاف خطمشی و قوانین شرکت به مدل خارجی ارسال شود. داده ها باید ناشناس باشند، باید از مقادیر نمونه/نماینده استفاده شود، یا باید از یک محیط تایید شده/داخلی استفاده شود. توجیه "به هر حال مفید" الزام محرمانه بودن را از بین نمی برد.
13. هدف اصلی استفاده از شاخص NDVI در طبقه بندی پوشش زمین چیست؟
- الف) اندازه گیری زنده ماندن/تراکم پوشش گیاهی از نوارهای مادون قرمز و قرمز نزدیک ✔
- ب) اندازه گیری ارتفاع زمین بر حسب متر
- ج) تعیین مالک بسته
- د) تبدیل سیستم مختصات
توضیحات: NDVI (شاخص تفاوت عادی شده گیاهی) بنیه / تراکم پوشش گیاهی سبز را با استفاده از تفاوت نوارهای مادون قرمز و قرمز اندازه گیری می کند. پوشش گیاهی نشانگر قدرتمندی در تشخیص آب و زمین برهنه است. قد به تنهایی مالکیت را اندازه گیری یا تعیین نمی کند.
14. کدام عبارت برای نقش خروجی هوش مصنوعی در یک برنامه کاربردی حیاتی یا کار کاداستر دقیق تر است؟
- الف) اگر خروجی هوش مصنوعی به اندازه کافی روان باشد، نیازی به تایید مهندس نیست
- ب) هوش مصنوعی یک شتاب دهنده است. جایگزین تاییدیه و مسئولیت مهندس ذیصلاح نمی شود ✔
- ج) مسئولیت به شرکت تولید کننده مدل منتقل می شود
- د) هنگام استفاده از گرانترین مدل نیازی به تأیید نیست
بیانیه: در مهندسی و تولید نقشه، خروجی هوش مصنوعی جایگزین کنترل و تایید کارشناس ذیصلاح در کارهایی که دارای عواقب امنیتی و قانونی است، نمی شود. این فقط یک ابزار شتاب دهنده و تولید پیش نویس است. مسئولیت نهایی و امضا با مهندس مجاز باقی می ماند.