نقش هوش مصنوعی در نقشه برداری

(همه آنچه لازم است درمورد GeoAI بدانیم)

 

در دنیای امروز، هوش مصنوعی و کاربرد های آن، بیش از هر حوزه ‌ی دیگری پر طرفدار و البته بحث‌ برانگیز است. اما یکی از موضوعات جالب ‌توجه برای یک متخصص نقشه ‌برداری، نقش این فناوری در ساده‌ سازی عملیات ‌ها، هوشمند سازی چرخه‌ ها و حتی نقش دستیار محوری آن در پروژه های نقشه برداری است.

تصور کنید یک تیم نقشه‌ برداری می‌ خواهد میزان جابجایی زمین را پس از یک زلزله بررسی کند. در روش‌ های سنتی، روزها زمان و انرژی صرف برداشت هزاران نقطه و تبدیل آن ها به داده‌ های قابل استفاده می ‌شد، اما امروز با یک کلیک و در زمانی بسیار کوتاه ‌تر، این عملیات به سرانجام می ‌رسد.

GeoAI  (هوش مصنوعی مکانی) قهرمان پشت‌ پرده‌ی این جادوی پنهان است.

هوش مصنوعی در چه حوزه‌ هایی به نقشه‌ بردار کمک می ‌کند؟

GeoAI  (یک دستیار هوش مصنوعی در نقشه برداری) می‌ تواند از قبل از عملیات زمینی تا بعد از تولید محصول نهایی، به نقشه‌ بردار کمک کند. و این کمک رسانی به دسته های اصلی زیر قابل تقسیم است:

۱. تشخیص خودکار عوارض

هوش مصنوعی مثل یک کارشناس مجرب، با بررسی عکس‌ های هوایی یا ماهواره‌ ای، انواع عوارض زمینی را شناسایی و روی نقشه مشخص می‌ کند. از ساختمان ‌ها و جاده‌ ها گرفته تا منهول ‌ها و تیر های برق که عوارضی به مراتب کوچک مقیاس هستند.

کاربردها:

• • • • به‌روزرسانی نقشه‌های شهری: در چند دقیقه، صدها عارضه جدید به نقشه اضافه می‌شود.

• • • • برآورد خسارت بلایای طبیعی: با مقایسه تصاویر قبل و بعد، مناطق تخریب شده شناسایی می‌شود.

• • • • برداشت اولیه در پروژه‌های عمرانی: برداشت سریع و دقیق عوارض برای احداث راه یا خطوط انتقال.

برای مطالعه بیشتر و اطلاع کامل از نقش هوش مصنوعی در هر یک از موارد فوق، پیشنهاد می کنیم که مقاله تشخیص خودکار عوارض مکانی به کمک هوش مصنوعی را مطالعه کنید.

۲. طبقه ‌بندی پوشش زمین  (Land Cover Classification)

هوش مصنوعی به هر پیکسل از تصویر یک برچسب (Lable) می ‌دهد تا مشخص شود آن نقطه روی سطح زمین، چه نوع پوششی دارد: آب، جنگل، مناطق شهری، زمین بایر، برف و یخ، تالاب و…

کاربردها:

• • • • تهیه نقشه کاربری اراضی: شناسایی دقیق مکان جنگل‌ ها، مراتع و زمین ‌های کشاورزی در زمانی بسیار کوتاه

• • • • پایش تغییرات کاربری اراضی: مقایسه دو نقشه در بازه‌ های زمانی مختلف برای تخمین میزان تخریب و یا افزایش محوطه یک کاربری خاص

• • • • محاسبه سطح زیر کشت: کمک به تفکیک محصولات کشاورزی و محاسبه میزان تولید برای برآورد حجم تولیدات ملی.

۳. پیش ‌بینی تغییرات

هوش مصنوعی با تحلیل روند تغییرات در سال‌ های گذشته، می تواند پیش ‌بینی ‌کند که یک منطقه در آینده به چه صورت خواهد بود: گسترش شهرها، عقب ‌نشینی خطوط ساحلی، یا پیشروی بیابان ‌ها.

کاربرد ها:

• • • • برنامه‌ ریزی زیرساخت ‌های شهری: طراحی شبکه آب، برق و گاز بر اساس جهت گسترش شهر.

• • • • مدیریت ریسک بلایای طبیعی: جلوگیری از ساخت‌ و ساز در مناطق مستعد رانش زمین یا فرسایش.

• • • • حفاظت از محیط زیست: پیش ‌بینی روند بیابان‌ زایی یا جنگل ‌زدایی برای تصمیم‌ گیری های مدیریتی هوشمندانه.

جهت مشاوره یا ثبت درخواست همکاری، به صفحه «همکاری با ما» مراجعه کنید.

۴. بهبود کیفیت داده ‌ها

هوش مصنوعی، می تواند نقاط از دست رفته، خطاها و نویزها را در داده‌ های مکانی و یا سری های زمانی تشخیص داده و اصلاح کند: مدل ‌های ارتفاعی زمین (DEM)، داده‌ های لایدار (LiDAR) و داده ‌های وکتوری.

کاربردها:

• • • • تکمیل نقاط پرشدگی در مدل های ارتفاعی DEM : تخمین مقادیر منطقی برای مناطق ابری یا سایه کوه‌ ها.

• • • • حذف خودکار پوشش گیاهی برای دستیابی به مدل ارتفاعی سطح زمین  DTM : جداسازی درختان و ساختمان‌ ها از سطح خالص زمین (این فرایند برای در پروژه‌ های راهسازی و زهکشی موضوعی بسیار حیاتی است).

• • • • تشخیص و اصلاح خطا های داده‌ های میدانی گیرنده های GPS : شناسایی نقاط پرت ناشی از اختلالات جوی.

هوش مصنوعی چطور می تواند به نقشه برداران کمک کند؟

پشت پرده خدمات پیچیده ای که هوش مصنوعی ارائه می دهد، هیچ جادویی در کار نیست. هوش مصنوعی فقط یک تشخیص‌ دهنده الگو بسیار پیشرفته است. فرآیند یادگیری هوش مصنوعی سه مرحله اصلی دارد:

مرحله ۱: تغذیه از داده ها (یادگیری از نمونه های موجود)

در مرحله اول هر الگوریتم هزاران مثال تصویری شامل نمونه هایی که توسط یک کارشناس متخصص برچسب گذاری شده است را پردازش می کند تا بتواند عارضه خاصی را تشخیص دهد و در حافظه خود ذخیره نماید.

مرحله ۲: یادگیری از الگوها (پیاده سازی قانون ها)

الگوریتم در هر یک از نمونه ها به دنبال ویژگی‌ هایی می‌گردد که یک عارضه را از سایرین جدا می ‌کند (رنگ، بافت، شکل، موقعیت)، به این مرحله از فرآیند «یادگیری ماشین» گفته می شود.

مرحله ۳: پیش‌ بینی نوع عارضه در نمونه ها جدید (استفاده از قانون شناسایی شده در عمل)

الگوریتم روی داده‌ های تازه و نادیده توسط الگوریتم اعمال می ‌شود. خروجی نهایی یک نقشه خام است که نیاز به ویرایش نهایی توسط نقشه ‌بردار متخصص دارد.

(برای مطالعه عمیق ‌تر این فرآیند و فعالیت هایی که باید در هر مرحله طی شود، مقاله تخصصی یادگیری ماشین در نقشه‌ برداری را بررسی نمایید.)

ابزارهای موجود برای ورود به دنیای هوش مصنوعی در نقشه برداری

برای شروع یادگیری هوش مصنوعی و یادگیری ماشین در نقشه برداری، نیازی به بودجه های میلیاردی یا تیم برنامه‌ نویسی متخصص ندارید. انواع هوش مصنوعی مورد استفاده در نقشه برداری در قالب ابزارهای رایگان و قدرتمندی در دسترس هستند:

سطح	نام ابزار	نوع دسترسی	کاربردها
مبتدی	QGIS + افزونه GeoAI	رایگان	اجرای هوش مصنوعی در فعالیت های نقشه برداری بدون نیاز به کد نویسی بهترین نقطه شروع
مبتدی	MOLUSCE  افزونه QGIS	رایگان	پیش ‌بینی تغییرات کاربری اراضی با شبکه عصبی
متوسط	Google Earth Engine	پلتفرم ابری رایگان	پردازش میلیون ‌ها تصویر ماهواره‌ ای بدون نیاز به سخت ‌افزار قوی و تنها با چند کلیک ساده
متوسط	SamGeo  افزونه QGIS	رایگان	تقسیم ‌بندی خودکار اشیاء با مدل متا
متوسط	Python + کتابخانه ‌های متن‌باز	رایگان	geopandas, rasterio, TensorFlow –  امکان ایجاد قدرت کامل تحلیل و مدل ‌سازی در نقشه برداری برای کاربران متخصص
پیشرفته	ArcGIS Pro	تجاری	مدل ‌های Deep Learning آماده و سفارشی

توصیه عملی: اگر در هوش مصنوعی و استفاده آن در نقشه برداری تازه کارید، با QGIS و افزونه‌ های رایگان آن شروع کنید و پس از چند ماه تلاش و کسب تجربه به سراغ Google Earth Engine و Python  بروید. و هرگز فراموش نکنید که ابزارها فقط وسیله هستند؛ دانش نقشه ‌برداری شماست که ارزشمند است.

با تعاریفی که تا اینجا از هوش مصنوعی در نقشه برداری انجام دادیم، ممکن است این سوال برای شما ایجاد شده باشد که:

آیا هوش مصنوعی می تواند جای یک نقشه ‌بردار را بگیرد؟

پاسخ قطعی ما به این پرسش فقط یک کلمه است: خیر. و برای این پاسخ هم دلایلی داریم که در زیر به آن خواهیم پرداخت:

• • هوش مصنوعی نمی تواند چیزی را بصورت مستقل بفهمد

در واقع هوش مصنوعی فقط از روی تمام قوانینی که برایش وضع شده است تشخیص می ‌دهد. هوش مصنوعی مورد استفاده در نقشه برداری نمی‌ داند جاده چیست یا چرا ساخته شده فقط طبق چیزهایی که به آن آموزش داده شده است، می تواند خصوصیات و ویژگی ها را تشخیص داده و نمایش دهد. به یاد داشته باشید که این نقشه‌ بردار متخصص است که استثناها را می ‌شناسد.

• • هوش مصنوعی به داده ‌های آموزشی با کیفیت وابسته است.

هوش مصنوعی برای یافتن ویژگی های مختلف عوارض متنوع به آموزش و داده های برچسب گذاری شده نیار دارد و چه کسی داده ‌ها را تأمین، برچسب ‌گذاری و تأیید می‌ کند؟ نقشه ‌بردار متخصص.

• •  قضاوت نهایی و تصمیم‌ گیری بر عهده انسان است.

در پروژه‌ های رسمی و کاربردی (مثل کاداستر، شهرسازی و خطوط انتقال)، مسئولیت نهایی با نقشه ‌بردار است، نه هوش مصنوعی.

هوش مصنوعی «پیشنهاد» می ‌دهد و این نقشه‌ بردار است که «تصمیم» می ‌گیرد تا پاسخ های هوش مصنوعی را بپذیرد، در پروژه هایش استفاده کند یا خیر…

به بیان ساده برای پاسخ به این پرسش، می توان به یک مثال تاریخی اشاره کرد: ماشین ‌حساب هرگز جای یک ریاضی‌ دان را نگرفت، بلکه او را قدرتمند تر کرد تا بتواند راحت تر به فعالیت های خود بپردازد، GeoAI هم دقیقاً همین نقش را برای نقشه‌ برداران ایفا می‌ کند.

جمع ‌بندی و پیشنهادات

در این مقاله، سفری جامع به دنیای هوش مصنوعی در نقشه ‌برداری (GeoAI) داشتیم:

از چهار کاربرد اصلی (تشخیص عوارض، طبقه‌ بندی پوشش زمین، پیش ‌بینی تغییرات، بهبود کیفیت داده‌ ها)، تا فرآیند سه مرحله‌ ای یادگیری ماشین (یعنی نمایش مثال ‌های فراوان، کشف الگو ها، و سپس پیش ‌بینی در داده‌ های جدید) و در نهایت ابزارهای عملی برای شروع استفاده از هوش مصنوعی در نقشه برداری را مرور کردیم. همچنین به مهم ‌ترین نگرانی یک نقشه بردار پاسخ دادیم:  که آیا هوش مصنوعی می تواند باعث شود یک نقشه بردار شغل خود را از دست بدهد؟ و یافتیم که هوش مصنوعی در حوزه های مختلف تهدید نیست، فرصت است.

و در نهایت یافتیم که آینده از آنِ نقشه‌ بردارانی است که هم مبانی علمی خود را محکم می‌ دانند، هم ابزارهای جدید را با آغوش باز می ‌پذیرند و هم همیشه قضاوت نهایی را خودشان انجام می‌ دهند.

GeoMapZone به عنوان یک سایت جامع برای آموزش نقشه برداری، با مقالات و ابزارهای کاربردی خود در جهت راحت تر کردن این پروسه از ابتدا تا انتها در کنار شماست، بنابراین به شما پیشنهاد میکنیم که همواره برای پاسخ به سوالات خود با شبکه های اجتماعی ژئومپ زون همراه باشید.

 

سوالات پرتکرار (FAQ)