利益:
- 空間測定 (傾斜、方位、面積) は GIS と現場の仕事であり、測定は人工知能に要求されるものではないことを理解します。
- 測定データと現場観察を統合し、人工知能を使用して機会制約リストと使用ゾーニングの推奨事項を作成する機能
- 人工知能の合成を仮説として捉え、現場で逆読みし、エンジニアリングが必要な材料を分離する能力
優れたランドスケープデザインは、プロットを「聞く」ことから始まります。水はどこから流れ、太陽はどこから射し、風はどこから吹き、人々はどの道をすでに利用しているのでしょうか。敷地分析は、敷地の物理的、生態学的、社会的特性を体系的に調査することであり、設計の基礎となる現実の基礎となります。 GIS（地理情報システム / GIS）は、空間データ（傾斜角、標高、土壌、水域、構造物）をレイヤーごとに地図化して解析するソフトウェアです。この単元では、ドメイン分析における解釈および合成パートナーとして AI を使用する方法を学びます。しかし、測定と位置精度が GIS と現場で維持される理由がわかります。
フィールド分析の層
プロットを読み取るときの一般的なレイヤーは次のとおりです。
- 地形: 標高と傾斜 (地表の傾斜の程度 - 水の流れ、アクセス、実現可能性を決定します)。
- アスペクト: 斜面が向いている方向。日射量と風の影響を決定します。
- 水文学: 水がどこから来てどこに流れるか、洪水と貯留地域。
- 土壌と地質: 土壌の種類、排水、支持力。
- 植生と生態学: 既存の樹木、自然生物、保護すべき組織。
- 人間レイヤー: 現在の使用状況、アクセス、近隣地域、ビュー。
GIS はこれらのレイヤーを控えめに作成します。 AI は、これらのレイヤーを関連付けて解釈し、フィールド観察ノートを合成するのに役立ちます。重要なルール: AI は傾斜を測定したり、地図上に座標を生成したりすることはできません。これは、提供された測定データを理解し、優先順位を推奨するのに役立ちます。
ヒント：AIに「その土地の傾きは何ですか？」と尋ねます。尋ねないでください。彼はそれを知ることができず、でっち上げかもしれません。代わりに、GIS から受け取った傾斜データを提示して、「この傾斜分布に従って、どのエリアが歩くのに適しており、どのエリアが座るのに適しており、どのエリアが保水に適しているでしょうか?」と尋ねます。コメントを求めてください。
ステップバイステップ: データから解釈まで
ステップ 1 — 測定データを収集します。 GISや現地調査から傾き、方位、水流方向などのデータを抽出します。このステップは人間と車両の作業です。
ステップ 2 — 現場の観察に注目してください。フィールドで見たものを書き留めます（濡れた隅、風の強い尾根、日陰のエリア、摩耗した道）。
ステップ 3 — AI に合成させます。測定データと観察メモを渡し、「機会と制約のマップ」の形式でコメントを求めます。
ステップ 4 — 逆読み取り。 AI の解釈を現場の現実と比較します。合わない部分は修正してください。
ステップ 5 — それを設計上の決定に結び付けます。分析から得られた機会/制約を具体的な設計上の決定 (どこで、何を) に変換します。
ミニケース3個
ケース 1 — 傾きの解釈。丘陵地帯の公園プロジェクトでは、GIS 傾斜データは 5% ～ 22% の間で変動しました。 YZはそれを観察メモと組み合わせ、「15％以上の地域は段々畑、8％以下は自由な牧草地、残りは歩行区域」という提案書を作成した。建築家はこれを現場で検証し、時間を 60% 節約しました。最後のテラスラインは彼が自分で描きました。
ケース 2 — 水浸し。校庭では度々浸水が発生した。フィールドノート + 斜面 + 土壌データは YZ に与えられました。 YZ は、傾斜の低い粘土の隅は自然の蓄積点であり、雨の庭に変えることができると指摘しました。エンジニアは排水の計算も行いました。
ケース 3 — 捏造が発覚。インターンはAIに「この区画の平均傾きはいくらですか?」と直接質問しました。彼は尋ねた。 AIは自信のある数字を出しました。上級建築家は、これには根拠がないことに気づきました。AI はその区画を見ていなかったのです。この措置は CBS から取得されました。実際の値は異なりました。教訓: AI ではなく車両から位置測定値を取得します。
コピー可能な 4 つのテンプレート
1) 機会と制約の合成:
あなたの役割: ランドスケープアナリスト。測定データと現場観察をお伝えします。データ: 傾斜分布 [...]、方位 [...]、水の流れ方向 [...]、土壌 [...]。観察: [濡れたコーナー、風の強い尾根、影、既存の道]。これらを総合して機会と制約のリストを作成します。サイズフィッティング。私があなたに与えるデータを解釈してください。
2) 使用ゾーニングの推奨事項:
私が提供する傾斜と方向のデータに基づいて、区画を機能ゾーン (歩行、座ったり集まったり、保水、密集した植生、遊び) に分割することを提案します。各推奨事項がどのようなデータに基づいているかを書き留めます。これは草案であり、現場で検証される予定であると述べます。
3) フィールドトリップのチェックリスト:
[4 ヘクタールの川沿いの公園] プロジェクトの現場分析旅行で観察およびメモする必要がある項目のチェックリストを作成します: 地形、水、土壌、植生、日向/日陰、風、人間の利用、アクセス、近隣。
4) 分析と設計のブリッジ:
この機会と制約のリストを、各機会について「これをどのように活用するか」、各制約について「これをどのように克服/管理するか」という具体的な設計上の決定に変換します。エンジニアリング（排水、保持）が必要な項目にもマークを付けます。
弱いプロンプト / 強いプロンプト
弱いプロンプト:
このプロットを分析してください。
AIはプロットを認識しません。データがない場合は、一般的な発言をするか、測定値をでっちあげます。
強力なプロンプト:
あなたの役割: ドメイン アナリスト。測定データ (GIS より): 傾斜 4 ～ 18%、北向きの傾斜、南東への水の流れ、粘土質の土壌、中央排水。現場の観察: 北隅は常に日陰で湿気があり、南端は風が通り、既存のプラタナス並木は保存され、東端には歩行者専用道路が設けられています。機会と制約のリストはこのデータから導き出されます。各項目の基礎となるデータを書き留めます。測定値をでっち上げないでください。
測定データと観察が与えられると、AI が真の合成を生成し、「測定フィッティング」制約によって幻覚が遮断されます。
データソースとロールテーブル
レイヤー
データはどこから来たのでしょうか?
AIの役割
男の役割
勾配/標高
GIS、計測
コメント
測定・確認
向き
GIS
帰属
検証
水文学
GIS+フィールド
パターンの提案
エンジニアアカウント
土壌
掘削/実験室
意味がある
テスト、決断
現在の工場
フィールドインベントリ
合成
検出、保護
人間の使用
野外観察
概要
観察、コメント
よくある間違い
- AIに位置測定を要求します。傾き、面積、距離はGIS・計測作業となります。 AIならそれを補うことができる。
- 校外学習は省略します。現場に立って見ることに代わるデータはありません。
- 単一のレイヤーを見てみます。チャンスはレイヤーの交差点（斜面＋水＋影）で生まれます。
- 解釈と現場を比較しない。 AI 合成は仮説です。現場で検証しました。
- エンジニアリングの問題をコメントに圧縮します。排水能力と静電気の保持は別個に計算する必要があります。
要約すれば
現場分析では、測定と位置精度は GIS と現場の仕事です。 AI は、この測定データと現場観察を統合し、機会制約マップとゾーニングの推奨事項を作成する強力なパートナーです。測定データの収集、現場観察、AI合成、現場逆読み、設計への連携までを実行します。 AI に測定を依頼しないでください。データを与えて、それを理解してください。合成は常に現場で検証されるべき仮説です。
アプリケーションタスク
プロットの傾斜、方位、水の流れを (実際の GIS データまたは合理的な仮定を使用して) 説明し、フィールド観察メモを書きます。 「機会制約合成」テンプレートを使用して分析を作成し、「分析設計ブリッジ」テンプレートを使用してそれを少なくとも 5 つの具体的な設計決定に変換します。エンジニアリングが必要な項目にチェックを入れてください。
チェックリスト
- [ ] 計測データはGIS/計測から取得したものであり、AI化はしていません。
- [ ] フィールド観察ノートを文字にしました。
- [ ] 複数のレイヤーの交差による AI 合成を構築しました。
- [ ] 私はその統合を現場の現実と逆読みしました。
- [ ] エンジニアリングが必要な項目を個別にマークし、専門家に指示しました。