سیستم های اطلاعات جغرافیایی (GIS) و تحلیل کاربری زمین

سود:

• توانایی تعریف منطق GIS کاربری زمین، تجزیه و تحلیل مناسب و دسترسی و نقش هوش مصنوعی در این گردش کار
• امکان استفاده صحیح از مفاهیم لایه، ویژگی و سیستم مختصات در طراحی تحلیل داستانی با هوش مصنوعی
• امکان تأیید مراحل تحلیل پیشنهادی هوش مصنوعی با کیفیت داده واقعی، دقت مکانی و مرجع مختصات

موتور برنامه ریزی شهری داده های مکانی است: چه چیزی در کجا، چقدر وجود دارد، چقدر از هم فاصله دارد. خانواده نرم‌افزاری که این داده‌ها را جمع‌آوری، ذخیره، پرس‌وجو و نقشه‌برداری می‌کند، سیستم‌های اطلاعات جغرافیایی (به انگلیسی GIS) نامیده می‌شوند. تجزیه و تحلیل کاربری زمین به سوالاتی مانند مکان ساخت مدرسه، مناسب بودن یک منطقه برای مسکن یا صنعت، به چند نفر یک منطقه سبز و غیره با GIS پاسخ می دهد. هوش مصنوعی یک دستیار قدرتمند در طراحی تنظیمات این تحلیل ها، ترتیب مراحل، ترتیب معیارها و وزن ها و گزارش نتیجه است. اما تجزیه و تحلیل بر اساس داده های مکانی است و کیفیت، سیستم مختصات و ارز داده های مکانی نتیجه را تعیین می کند. هوش مصنوعی نمی تواند این داده ها را ببیند. فقط داستانی را که شما ارائه می کنید ویرایش می کند. بنابراین، هر مرحله ای که توسط هوش مصنوعی پیشنهاد می شود باید با داده های واقعی و مرجع مختصات دقیق آزمایش شود.

سه مفهوم اساسی GIS

لایه: هر نوع داده یک لایه جداگانه است - جاده ها یک لایه، ساختمان ها لایه دیگر، شیب لایه دیگری است. تجزیه و تحلیل لایه ها را پوشش می دهد و به هم مرتبط می کند.

ویژگی: هر شی فضایی یک جدول دارد - منطقه، کاربری، وضعیت مالک یک بسته. سؤال فضایی اغلب یک سؤال ویژگی است: "قطعه هایی که کاربری آنها "فضای سبز" و مساحت آنها بیشتر از 5000 متر مربع است.

سیستم مرجع مختصات (CRS): چارچوبی ریاضی است که سطح منحنی زمین را به یک نقشه مسطح تبدیل می کند. ITRF/TM (به عنوان مثال سیستم های ملی که با کدهای EPSG تعریف شده اند) به طور گسترده در ترکیه استفاده می شود. CRS نادرست رایج‌ترین و موذی‌ترین خطای فضایی است: لایه‌ها همپوشانی ندارند، مناطق و فواصل کاملاً اشتباه هستند. اگر هوش مصنوعی محاسبه مسافت یا مساحت را پیشنهاد کند، اولین بررسی همیشه CRS است.

احتیاط: فرض نکنید که نتیجه مسافت یا مساحت درست است فقط به این دلیل که منطقی به نظر می رسد. با CRS نادرست، ممکن است دو لایه به نظر برسند که "همپوشانی" دارند و بر حسب متر می لغزند. همیشه مساحت ها را در متر مربع/هکتار با یک مرجع شناخته شده مقایسه کنید (مثلاً مساحت عنوان یک بسته).

منطق کاربری اراضی و تحلیل تناسب

تجزیه و تحلیل تناسب نشان می دهد که هر مکان برای یک هدف (مثلاً مسکن جدید) چقدر مناسب است. مراحل معمولی:

1. معیارها را تعیین کنید. شیب، خطر سیل، نزدیکی به حمل و نقل، استفاده فعلی، مناطق حفاظتی.
2. به هر معیار امتیاز دهید. به عنوان مثال، شیب 0-5٪ = 10 امتیاز، 5-15٪ = 6، 15٪ + = 1.
3. کاهش وزن. اگر معیار سیلاب در محل سکونت خیلی مهم باشد وزن آن زیاد خواهد بود.
4. ادغام لایه ها یک امتیاز تناسب اندام به هر سلول/رشته با جمع وزنی اختصاص دهید.
5. نظر بدهید و تایید کنید. نمره را با دانش میدانی و قانون گذاری امتحان کنید.

هوش مصنوعی در بحث در مورد ساختار معیار-وزن، یادآوری یک معیار فراموش شده و سازماندهی جدول امتیازات بسیار مفید است. اما به یاد داشته باشید که وزن ها قضاوت های ارزشی هستند: اینکه آیا اهمیت بیشتری به سیل یا حمل و نقل داده شود، یک انتخاب عمومی است، نه یک تصمیم هوش مصنوعی.

گام به گام: ساخت تجزیه و تحلیل مناسب بودن با هوش مصنوعی

1. هدف و دامنه را تعریف کنید. "در دسترس بودن سایت مسکن جدید در منطقه X."
2. موجودی داده را تهیه کنید. لایه هایی که دارید، منابع، تاریخ و CRS آنها را فهرست کنید.
3. معیارها-وزن های پیش نویس هوش مصنوعی داشته باشید. بپرسید آیا معیارهای گم شده ای وجود دارد یا خیر.
4. جدول امتیازدهی را با هم بسازید. آستانه های هر معیار را روشن کنید.
5. گردش کار را به مراحل GIS ترجمه کرد. کدام لایه، کدام فرآیند، به چه ترتیبی.
6. کیفیت داده ها را بررسی کنید به موقع بودن، دقت، انطباق با CRS.
7. نتیجه را تأیید کنید. حوزه، قانون، مرجع شناخته شده.

اعلان ضعیف / اعلان قوی

اعلان ضعیف: "بهترین مکان را برای مسکن پیدا کنید."

هوش مصنوعی نه دامنه، نه داده ها و نه معیارها را می شناسد. یک متن عمومی و بی فایده را برمی گرداند.

درخواست قوی: "من در حال تنظیم یک تجزیه و تحلیل مناسب بودن هستم: منطقه مسکونی جدید، منطقه کاری [منطقه] را هدف قرار دهید. لایه هایی که دارم: شیب (از DEM)، خطر سیل (SHW)، شبکه جاده، کاربری زمین موجود، مناطق حفاظت شده. (الف) معیارهایی را به من یادآوری می کند که ممکن است گم شده باشند، (ب) جدولی از مقادیر معقول را برای هر یک از آنها پیشنهاد می کند اوزان را برای من نهایی کنید.

فرمان دوم هوش مصنوعی را به یک شریک بحث تبدیل می کند و تصمیم گیرنده را در کنار برنامه ریز نگه می دارد.

چهار قالب قابل کپی

وظیفه: مجموعه‌ای از معیارهای تحلیل تناسب را برای فهرست اهداف و ردیف‌های زیر پیشنهاد کنید. خروجی: معیار | چرا مهم است | آستانه امتیاز ممکن | "آیا حاوی قضاوت های ارزشی است". همچنین معیارهایی را که ممکن است گم شده باشند فهرست کنید. هدف: [...] | فضای کاری: [...] | لایه ها: [...]

وظیفه: جدول وزن معیارهای زیر را بررسی کنید. (الف) بررسی کنید که آیا مجموع اوزان قابل توجه است، (ب) معیارهای متناقض یا تکراری را علامت گذاری کنید، (ج) مفروضاتی را فهرست کنید که ممکن است نتیجه را گمراه کنند. تصمیم گیری؛ فقط چک کنید.جدول: [...]

وظیفه: مراحل تجزیه و تحلیل زیر را به یک گردش کار GIS ترجمه کنید. برای هر مرحله: لایه(های) ورودی، نوع فرآیند، خروجی و سیستم مختصات / نقطه واحد باید در نظر گرفته شود. کد نوشتن؛ فقط گردش کار خود را شرح دهید. مراحل: [...]

وظیفه: موجودی داده های زیر را به یک نمودار کنترل کیفیت ترجمه کنید. ستون ها: لایه | منبع | تاریخ / فعلی | CRS | حد شناخته شده/خطر خطا.لایه هایی را که باید قبل از استفاده پرس و جو شوند علامت گذاری کنید. موجودی: [...]

جدول: نوع تحلیل و اعتبارسنجی

تجزیه و تحلیل

سوالی که پرسید

نقش هوش مصنوعی

تایید بحرانی

مناسب بودن

کجا مناسب است؟

ساختار معیار-وزن

وزن = انتخاب عمومی; C.R.S.

دسترسی

چقدر نزدیک/در دسترس است؟

طرح کلی انتخاب روش

به روز رسانی داده های شبکه

تراکم/پوشش

چقدر هست، چگونه توزیع می شود؟

توصیه کلاس و آستانه

منبع داده جمعیت/منطقه

تغییر دهید

چه چیزی تغییر کرده است؟

داستان مقایسه

تاریخ و مطابقت با CRS

بافر/فاصله

داخل مرز چیه؟

منطق فاصله

واحد و CRS

سه کیف کوچک

مورد 1 - تله CRS. یک کارآموز دو لایه را همپوشانی می کند. به نظر می رسد نقشه "همپوشانی" دارد. هنگامی که هوش مصنوعی بافری را که چاپ می کند تجزیه و تحلیل می کند، بافر 500 متری به طرز عجیبی کوچک است. مشکل: یک لایه در CRS جغرافیایی (درجه) است، دیگری در CRS متریک است. 500 "درجه" بی معنی است. پس از طرح ریزی به CRS صحیح، نتیجه بهبود می یابد. این یکی از نامرئی ترین اشتباهات گران قیمت است.

مورد 2 - معیار فراموش شده. یک تیم از شیب، سیل و دسترسی به عنوان معیار مناسب بودن مسکن استفاده می کند. از هوش مصنوعی بخواهید بر ویرایش نظارت کند؛ هوش مصنوعی "آیا معیار خطر زمین شناسی/فاجعه (گسل، رانش زمین) را اضافه کرده اید؟" او یادآوری می کند. تیم متوجه می شود که آنها این معیار مهم را از دست داده اند. هوش مصنوعی تصمیمی نگرفت، نقطه کوری را بست.

مورد 3 - شفافیت وزن. یک شهرداری نقشه تناسب را به شورا ارائه می کند. هوش مصنوعی به وضوح در پیش نویس گزارش چاپ می کند که هر وزن یک اولویت است و نقشه با وزن های مختلف تغییر می کند. این شورا پرسید: اگر وزن سیل را افزایش دهیم چه اتفاقی می افتد؟ او قادر به پرسیدن می شود. شفافیت تحلیل را از یک تحمیل به ابزاری برای بحث تبدیل می کند.

اشتباهات رایج

• بررسی نکردن CRS رایج ترین و پرهزینه ترین اشتباه در تحلیل فضایی; قبل از هر عملیات مسافت/منطقه بررسی کنید.
• اشتباه گرفتن وزن ها با حقایق فنی. وزن یک قضاوت ارزشی است. باید شفاف و قابل بحث باقی بماند.
• نادیده گرفتن ارز داده لایه کاربری قدیمی قضاوت امروز را گمراه می کند.
• اشتباه گرفتن هوش مصنوعی با منبع داده هوش مصنوعی نمی تواند لایه را ببیند. طرح را ویرایش می کند داده ها همیشه از منبع واقعی و تأیید شده می آیند.
• آزمایش نکردن نتیجه در میدان. ممکن است یک منطقه روی نقشه «مناسب» به نظر برسد، اما در روی زمین ممکن است واقعیتی کاملاً متفاوت باشد.

به طور خلاصه

GIS موتور داده های مکانی برنامه ریزی است. لایه، ویژگی و سیستم مختصات سه مفهوم اساسی آن هستند. تجزیه و تحلیل مناسبت هر مکان را برای یک هدف با معیارها، امتیازدهی و وزن امتیاز می دهد. هوش مصنوعی کمکی قدرتمند در طراحی این تنظیمات، یادآوری معیارهای گمشده، مرتب‌سازی گردش کار و گزارش‌دهی است. اما او نمی تواند داده ها را ببیند و تصمیم بگیرد. موذیانه ترین اشتباه، سیستم مختصات اشتباه است. وزن ها فنی نیستند بلکه قضاوت های ارزشی هستند و باید شفاف باشند. هر نتیجه را با داده های به روز، CRS دقیق و اطلاعات میدانی بررسی کنید.

وظیفه کاربردی

هدفی را انتخاب کنید (مثلاً یک مکان جدید مهد کودک). (1) فهرستی از لایه هایی که دارید یا فرض می کنید با قالب چهارم تهیه کنید. وضعیت CRS و تازگی هر لایه را بنویسید. (2) با الگوی اول، مجموعه‌ای از معیارها-وزن‌ها را به هوش مصنوعی پیشنهاد کنید و حداقل یک معیار گمشده را ثبت کنید. (3) مشخص کنید کدام وزن ها قضاوت های ارزشی هستند و در یک جمله بنویسید که چگونه آنها را برای مجمع توضیح می دهید. (4) توضیح دهید که چگونه نتیجه را در فیلد تأیید می کنید.

چک لیست

• [ ] من سیستم مختصات (CRS) همه لایه ها را بررسی و همگام کردم.
• [ ] معیارها را تنظیم کردم و AI را برای معیارهای گمشده اسکن کردم.
• [ ] من مشخص کردم که وزن ها قضاوت های ارزشی هستند و آنها را شفاف نگه داشتم.
• [ ] ارز و دقت داده را ارزیابی کردم.
• [ ] من از هوش مصنوعی به عنوان دستیار ویرایش استفاده کردم، نه به عنوان منبع داده.
• [ ] من نتیجه را با یک مرجع شناخته شده و دانش میدانی تأیید کردم.
• [ ] من موجودی داده ها و ردیابی تأیید را ذخیره کردم.