۱. مقدمه: هوش مصنوعی به عنوان یک قابلیت در سراسر ArcGIS

هوش مصنوعی (AI) یک محصول مجزا در اکوسیستم Esri نیست، بلکه یک **قابلیت فراگیر** است که در چندین محصول تعبیه شده تا توانایی‌های آن‌ها را افزایش دهد. این قابلیت از محصولات پایه‌ای مانند **ArcGIS Pro، ArcGIS Online و ArcGIS Enterprise** گرفته تا ابزارهای موبایل و فضای توسعه‌دهندگان گسترش یافته است.

تعاریف کلیدی

• **هوش مصنوعی (AI):** مفهوم گسترده برای ماشین‌هایی که وظایف هوشمندانه انجام می‌دهند.
• **یادگیری ماشین (ML):** زیرمجموعه AI که به طور خودکار الگوها و قوانین را از داده‌ها استخراج می‌کند.
• **یادگیری عمیق (DL):** زیرمجموعه ML که از شبکه‌های عصبی عمیق استفاده می‌کند و برای داده‌های بدون ساختار مانند **تصاویر، ابر نقاط (LiDAR)، متن و ویدئو** در GIS بسیار مفید است.

۲. هوش مصنوعی مکانی (GeoAI): ادغام هوش مصنوعی و تحلیل مکانی

**GeoAI** حاصل ادغام تکنیک‌های قدرتمند هوش مصنوعی با تحلیل‌های مکانی و فناوری‌های ژئواسپشیال برای **حل مسائل مکانی پیچیده** است. معرفی آخرین تکنیک‌های یادگیری عمیق، راه‌های جدیدی برای حل مسائل قدیمی و همچنین پرداختن به مسائل کاملاً جدید و پیچیده‌تر با داده‌های بزرگ‌تر به شیوه‌ای **خودکار و کارآمد** فراهم کرده است.

کاربردهای عملی GeoAI

• تشخیص خسارت: مقایسه تصاویر قبل و بعد از بلایای طبیعی.
• ارزیابی وضعیت جاده: تحلیل تصاویر هوایی برای شناسایی وضعیت زیرساخت‌ها.
• شناسایی دارایی‌های شهری: استخراج تیرهای برق و خطوط انتقال نیرو از داده‌های ابر نقاط.
• پیش‌بینی رشد شهری: تشخیص تغییرات پوشش زمین از تصاویر ماهواره‌ای.

الگوهای اصلی یادگیری ماشین در ArcGIS

• **استخراج ویژگی‌ها:** شناسایی ردپای ساختمان‌ها یا دارایی‌ها از تصاویر/LiDAR.
• **انجام پیش‌بینی‌ها:** پیش‌بینی شیوع بیماری یا ریسک وقوع رویدادهای ژئواسپشیال.
• **یافتن الگوها و خوشه‌ها:** شناسایی الگوهایی در داده‌ها که به صورت بصری قابل تشخیص نیستند.
• **تشخیص ناهنجاری‌ها:** شناسایی داده‌های پرت و غیرعادی.

۳. گردش کار یادگیری ماشین و رویکردهای پیاده‌سازی

چرخه حیات یادگیری ماشین:

1. **آماده‌سازی داده:** جمع‌آوری، پاک‌سازی و برچسب‌گذاری.
2. **آموزش مدل:** ساخت یک مدل برای انجام یک کار خاص.
3. **استنتاج (Inferencing):** استفاده از مدل آموزش‌دیده برای تولید نتایج.
4. **تحلیل و استخراج بینش:** تحلیل‌های بیشتر بر روی نتایج مدل.
5. **اشتراک‌گذاری:** ساخت محصولات اطلاعاتی (نقشه‌ها و داشبوردها).

دو رویکرد اصلی برای استفاده از GeoAI

• **ایجاد مدل سفارشی:** مناسب برای موارد تجاری بسیار خاص، تشخیص در یک جغرافیای منحصر به فرد یا کار با تصاویر راداری/ابرطیفی.
• **استفاده از مدل‌های از پیش آموزش‌دیده:** (Pre-trained Models) مزایایی مانند **راحتی، کاهش زمان/هزینه** و قابلیت اطمینان بالا دارند. بیش از **۸۰ مدل** از این نوع در **ArcGIS Living Atlas** موجود است.

۴. نمایش‌های عملی و ابزارها

پیش‌نیازهای فنی برای GeoAI در ArcGIS Pro / Enterprise

نمونه‌های کلیدی GeoAI

• **مدل Segment Anything (SAM):** استخراج ویژگی‌ها از تصویر تنها با یک **دستور متنی (Text Prompt)** (مثلاً: "blue car").
• **مدل Burn Scar:** مدل از پیش آموزش‌دیده (ناسا و IBM) برای شناسایی مناطق سوخته با تصاویر ماهواره‌ای.
• **GeoAI در Survey123:** اجرای مدل‌های DL به صورت **آفلاین** روی دستگاه موبایل (مانند تشخیص بیماری گیاهی یا محو کردن پلاک خودروها).

۵. دستیارهای هوش مصنوعی و هوش مصنوعی مولد (Generative AI)

این حوزه با هدف **توانمندسازی کاربران و افزایش بهره‌وری** در حال توسعه است:

• **جستجوی معنایی** در ArcGIS Pro: پیدا کردن ابزارهای ژئوپراسسینگ با زبان طبیعی.
• **دستیار کوئری SQL:** کمک به کاربران در نوشتن کوئری‌های پیچیده با زبان طبیعی.
• **نقشه‌سازی هوشمند** در Map Viewer: تغییر استایل و نمادگذاری لایه‌ها با دستورات متنی.
• **دستیار ArcGIS Hub:** تحلیل داده‌ها و پاسخ به سوالات جامعه با زبان‌های بومی (مانند Darug).
• **ادغام با Microsoft Co-pilot:** استفاده از Co-pilot برای یافتن محتوا و ساخت نقشه در ArcGIS for Teams.

۶. چشم‌انداز آینده و دلایل اهمیت کنونی هوش مصنوعی

محبوبیت فزاینده GeoAI ناشی از نیاز به **اتوماسیون**، توانایی کار با **حجم و پیچیدگی داده‌ها** و **پیشرفت قدرت محاسباتی** است. GeoAI **جایگزین اصول GIS نیست، بلکه توسعه‌ای بر تحلیل‌های سنتی است.** «رویکرد جغرافیایی» (درک مسئله، بررسی داده، تحلیل، آزمایش و تصمیم‌گیری) همچنان حیاتی باقی می‌ماند.