מערכות מידע גיאוגרפיות (GIS) וניתוח שימושי קרקע

רווחים:

• יכולת להגדיר את היגיון ה-GIS של שימוש בקרקע, ניתוח התאמה ונגישות ואת תפקידה של AI בזרימת עבודה זו
• יכולת להשתמש במושגים של שכבה, תכונה ומערכת קואורדינטות בצורה נכונה בעת תכנון ספרות ניתוח עם AI
• יכולת לאמת שלבי ניתוח מוצעים בינה מלאכותית עם איכות נתונים אמיתית, דיוק מרחבי והתייחסות לקואורדינטות

המנוע של תכנון ערים הוא נתונים מרחביים: מה איפה, כמה יש, כמה רחוק זה מזה. משפחת התוכנה שאוספת, מאחסנת, שוללת וממפה את הנתונים הללו נקראת מערכות מידע גיאוגרפיות (בקיצור GIS; GIS באנגלית). ניתוח שימושי קרקע עונה על שאלות כמו היכן ייבנה בית ספר, האם אזור מתאים למגורים או לתעשייה, כמה אנשים שטח ירוק משרת וכו' עם GIS. AI הוא עוזר רב עוצמה בתכנון ההגדרה של ניתוחים אלה, רצף השלבים, סידור הקריטריונים והמשקלים ודיווח על התוצאה. אבל הניתוח מבוסס על נתונים מרחביים, והאיכות, מערכת הקואורדינטות והמטבע של הנתונים המרחביים קובעים את התוצאה. AI לא יכול לראות את הנתונים האלה; זה עורך רק את הסיפורת שאתה מספק. לכן, כל שלב המוצע על ידי AI חייב להיבדק עם נתונים אמיתיים והתייחסות קואורדינטות מדויקת.

שלושה מושגים בסיסיים של GIS

שכבה: כל סוג נתונים הוא שכבה נפרדת - כבישים הם שכבה אחת, בניינים הם שכבה אחרת, השיפוע הוא אחר. ניתוח הוא שכבת-על והקשר של שכבות.

תכונה: לכל אובייקט מרחבי יש טבלה - השטח, השימוש, מצב הבעלים של חבילה. השאלה המרחבית היא לעתים קרובות שאלת תכונה: "חבילות שהשימוש בהן הוא 'שטח ירוק' ושטחן גדול מ-5000 מ"ר".

מערכת התייחסות לקואורדינטות (CRS): זוהי המסגרת המתמטית שהופכת את פני השטח המעוקלים של כדור הארץ למפה שטוחה. ITRF/TM (למשל מערכות לאומיות המוגדרות על ידי קודי EPSG) נמצאות בשימוש נרחב בטורקיה. False CRS היא השגיאה המרחבית הנפוצה והערמומית ביותר: שכבות אינן חופפות, אזורים ומרחקים שגויים לחלוטין. אם AI מציע חישוב מרחק או שטח, הבדיקה הראשונה היא תמיד CRS.

זהירות: אל תניח שתוצאת מרחק או שטח נכונים רק בגלל שזה נראה סביר. עם CRS שגוי, שתי שכבות עשויות להיראות "חופפות" ולהחליק במטרים. השווה תמיד שטחים במ"ר/דונם עם התייחסות ידועה (למשל שטח הכותרת של חבילה).

ההיגיון של שימוש בקרקע וניתוח התאמה

ניתוח התאמה קובע עד כמה כל מיקום מתאים למטרה מסוימת (לדוגמה, דיור חדש). שלבים אופייניים:

1. הגדר את הקריטריונים. שיפוע, סכנת שיטפונות, קרבה לתחבורה, שימוש שוטף, אזורי הגנה.
2. ציון כל קריטריון. לדוגמה, שיפוע 0-5% = 10 נקודות, 5-15% = 6, 15%+ = 1.
3. לרדת במשקל. אם קריטריון ההצפה חשוב מאוד בבית המגורים, משקלו יהיה גבוה.
4. מיזוג שכבות. הקצה ציון כושר לכל תא/שדה עם סכום משוקלל.
5. הערה ואמת. בדוק את הציון עם ידע וחקיקה בתחום.

בינה מלאכותית שימושית מאוד בדיון על מבנה משקל-קריטריונים זה, מזכיר לך קריטריון שנשכח, וארגון טבלת הניקוד. אבל זכרו שמשקולות הן שיפוט ערכי: האם לתת משקל רב יותר להצפה או לתחבורה זו בחירה ציבורית, לא החלטה של ​​AI.

שלב אחר שלב: בניית ניתוח התאמה עם AI

1. הגדירו את המטרה והתחום. "זמינות אתר דיור חדש ברובע X."
2. ערוך מלאי נתונים. רשום את השכבות שברשותך, המקורות, התאריכים וה-CRS שלהן.
3. בעלי קריטריונים-משקלים לטיוטת AI. שאל אם חסרים קריטריונים.
4. צרו יחד את טבלת הניקוד. הבהרת ספים לכל קריטריון.
5. תרגם את זרימת העבודה לשלבי GIS. איזה שכבה, איזה תהליך, באיזה סדר.
6. בדוק את איכות הנתונים. עמידה בזמנים, דיוק, תאימות ל-CRS.
7. אמת את התוצאה. תחום, חקיקה, התייחסות ידועה.

הנחיה חלשה / הנחיה חזקה

הנחיה חלשה: "מצא את המקום הטוב ביותר לדיור".

AI אינו יודע לא את התחום, לא את הנתונים ולא את הקריטריונים; זה מחזיר טקסט גנרי וחסר תועלת.

הנחיה חזקה: "אני מקים ניתוח התאמה: יעד אזור מגורים חדש, אזור עבודה [מחוז]. השכבות שיש לי: שיפוע (מ-DEM), סיכון שיטפונות (SHW), רשת כבישים, שימושי קרקע קיימים, אזורים מוגנים. (א) מזכיר לי קריטריונים שאולי חסרים, (ב) הצע טבלה של ספי ניקוד סבירים, שבו ספי הניקוד הסופי, סימון הערך הסופי (c) מכילים את ספי הערך הסופי של כל ג. משקולות עבורי;

ההנחיה השנייה הופכת את ה-AI לשותף לדיון, ושומרת על מקבל ההחלטות עם המתכנן.

ארבע תבניות הניתנות להעתקה

משימה: הצע קבוצה של קריטריונים לניתוח התאמה עבור הרשימה הבאה של יעדים ושכבות. פלט: קריטריון | למה זה חשוב | סף ניקוד אפשרי | "האם הוא מכיל שיפוטים ערכיים". רשום גם את כל הקריטריונים שעלולים להיות חסרים. מטרה: [...] | סביבת עבודה: [...] | שכבות: [...]

משימה: בחן את טבלת שקלול הקריטריונים שלהלן. (א) בדוק אם סכום המשקולות משמעותי, (ב) סמן קריטריונים סותרים או כפולים, (ג) רשום הנחות שעלולות להטעות את התוצאה. קבלת החלטות; פשוט בדוק. טבלה: [...]

משימה: תרגם את שלבי הניתוח הבאים לזרימת עבודה של GIS. לכל שלב: שכבת/שכבות קלט, סוג תהליך, פלט ומערכת קואורדינטות/נקודת יחידה שיש לשקול. כתיבת קוד; פשוט תאר את זרימת העבודה שלך. צעדים: [...]

משימה: תרגם את מלאי הנתונים הבא לתרשים בקרת איכות. עמודות: שכבה | מקור | תאריך/נוכחי | CRS | מגבלה ידועה/סיכון לשגיאה.סמן שכבות שיש לבצע שאילתה לפני השימוש.מלאי: [...]

טבלה: סוג ניתוח ואימות

ניתוח

השאלה שהוא שאל

תפקידה של AI

אימות קריטי

התאמה

איפה זה מתאים?

מבנה משקל-קריטריון

משקל = בחירה ציבורית; C.R.S.

נגישות

כמה קרוב/נגיש?

מתאר בחירת שיטה

עדכון נתוני רשת

צפיפות/כיסוי

כמה יש, איך זה מחולק?

המלצת כיתה וסף

מקור נתונים של אוכלוסייה/אזור

לשנות

מה השתנה?

ספרות השוואה

תאימות לתאריך ו-CRS

חיץ/מרחק

מה יש בתוך הגבול?

היגיון מרחק

יחידה ו-CRS

שלושה מיני תיקים

מקרה 1 - מלכודת CRS. מתמחה חופף שתי רבדים; נראה שהמפה "חופפת". כאשר ה-AI מנתח מאגר שהוא מדפיס, המאגר של 500 מטר מתברר כקטן באופן מוזר. בעיה: שכבה אחת היא ב-CRS גיאוגרפי (תואר), השניה ב-CRS מטרי; 500 "מעלות" הן חסרות משמעות. לאחר הקרנה ל-CRS הנכון, התוצאה משתפרת. זו אחת הטעויות הבלתי נראות מבין הטעויות היקרות ביותר.

מקרה 2 - קריטריון נשכח. צוות משתמש בשיפוע, שיטפון ונגישות כקריטריונים להתאמת דיור. בקש מה-AI לפקח על העריכה; AI "האם הוספת את קריטריון הסיכון הגיאולוגי/אסון (תקלה, מפולת)?" הוא מזכיר. הצוות מבין שהם פספסו את הקריטריון הקריטי הזה. ה-AI לא קיבל החלטה, הוא סגר נקודה עיוורת.

מקרה 3 - שקיפות משקל. עירייה מגישה למועצה מפת התאמה. AI מדפיס בבירור בטיוטה של ​​הדוח שכל משקל הוא העדפה והמפה תשתנה עם משקלים שונים. המועצה שאלה "מה יקרה אם נגדיל את משקל ההצפה?" הוא הופך להיות מסוגל לשאול. שקיפות הופכת ניתוח מהטלה לכלי לדיון.

טעויות נפוצות

• לא בודק CRS. הטעות הנפוצה והיקרה ביותר בניתוח מרחבי; בדוק לפני כל פעולת מרחק/אזור.
• בטעות בין המשקולות לעובדות טכניות. משקל הוא שיפוט ערכי; זה חייב להיות שקוף ולהישאר נתון לוויכוח.
• התעלמות ממטבע הנתונים. שכבת שימוש הקרקע הישנה מטעה את שיקול הדעת של היום.
• טועה ב-AI כמקור נתונים. AI לא יכול לראות את השכבה; עורך את העלילה. הנתונים מגיעים תמיד ממקור אמיתי ומאומת.
• לא בודק את התוצאה בשטח. אזור עשוי להופיע "מתאים" במפה, אבל בשטח זה עשוי להיות מציאות אחרת לגמרי.

לסיכום

GIS הוא מנוע הנתונים המרחביים של התכנון; שכבה, תכונה ומערכת קואורדינטות הם שלושת מושגי היסוד שלה. ניתוח התאמה מדרג כל מיקום למטרה עם קריטריונים, ניקוד ומשקולות. בינה מלאכותית היא כלי עזר רב עוצמה בתכנון ההגדרה הזו, מזכירה קריטריונים חסרים, מיון זרימת העבודה והדיווח; אבל הוא לא יכול לראות את הנתונים ולקבל החלטה. הטעות הכי ערמומית היא מערכת הקואורדינטות השגויה; משקולות אינן טכניות אלא שיפוט ערכי וצריכות להיות שקופות. אמת כל תוצאה עם נתונים עדכניים, CRS מדויק ומידע בשטח.

משימת יישום

בחר מטרה (לדוגמה, מיקום חדש למשתלה). (1) ערוך מלאי של השכבות שיש לך או שאתה מניח עם התבנית הרביעית; כתוב את מצב ה-CRS והרעננות של כל שכבה. (2) עם התבנית הראשונה, הצע קבוצה של קריטריונים-משקלים ל-AI וללכוד לפחות קריטריון אחד חסר. (3) סמנו אילו משקלים הם שיפוט ערכי ורשמו במשפט אחד כיצד הייתם מסבירים אותם לאסיפה. (4) תאר כיצד תאמת את התוצאה בשטח.

רשימת בדיקה

• [ ] בדקתי וסנכרנתי את מערכת הקואורדינטות (CRS) של כל השכבות.
• [ ] קבעתי את הקריטריונים ועשיתי סריקת AI לאיתור קריטריונים חסרים.
• [ ] סימנתי שהמשקולות הן שיפוט ערכי ושמרתי אותן שקיפות.
• [ ] הערכתי את מטבע הנתונים ואת הדיוק.
• [ ] השתמשתי ב-AI כעוזר עריכה, לא כמקור נתונים.
• [ ] אימתתי את התוצאה עם התייחסות ידועה וידע בשטח.
• [ ] שמרתי את מלאי הנתונים ואת עקבות האימות.