100 واژه ضروری GIS

Remote Sensing چیست؟
تصور کنید می‌خواهید بدانید یک مزرعه در استان دیگری چه وضعیتی دارد. نمی‌توانید بروید آنجا. اما یک ماهواره می‌تواند از ۷۰۰ کیلومتری بالای سر آن مزرعه عکس بگیرد. این می‌شود *Remote Sensing یا سنجش از دور — جمع‌آوری اطلاعات بدون تماس مستقیم.ماهواره Landsat این کار را از دهه ۱۹۷۲ انجام می‌دهد. Sentinel-2 اروپایی هر ۵ روز یک بار از همه جای زمین عکس می‌گیرد.### داده مکانی چیست؟هر داده‌ای که موقعیت جغرافیایی داشته باشد،

Spatial Data است. نقشه کاربری اراضی یک استان، مختصات GPS یک مزرعه، یا تصویر ماهواره‌ای — همه اینها داده مکانی هستند.داده مکانی دو نوع اصلی دارد:

Raster Data — تصویر شبکه‌ای از پیکسل‌ها. مثل یک عکس دیجیتال. تصویر Sentinel-2 که هر پیکسل آن ۱۰ متر از زمین را نشان می‌دهد، Raster است.

Vector Data — نقطه، خط، یا چندضلعی. مرز یک مزرعه در شیپ‌فایل، یا مسیر یک رودخانه — اینها Vector هستند.### GIS — ابزار تحلیل

GIS یا سیستم اطلاعات جغرافیایی، نرم‌افزاری است که این داده‌ها را نمایش می‌دهد و تحلیل می‌کند. ArcGIS و QGIS دو نمونه معروف هستند. فکر کنید به GIS مثل Excel، اما برای نقشه‌ها.### مختصات و CRS

وقتی می‌گوییم یک نقطه کجاست، باید یک استاندارد داشته باشیم. این استاندارد را

CRS یا سیستم مرجع مکانی می‌نامیم. WGS84 همان سیستمی است که GPS گوشی شما استفاده می‌کند. UTM Zone 39N برای ایران مناسب‌تر است چون اعوجاج کمتری دارد.### Georeferencing و Orthorectification

گاهی یک تصویر قدیمی داریم که مختصات ندارد.

Georeferencing یعنی به آن مختصات بدهیم — مثل تطبیق یک عکس هوایی قدیمی با نقشه امروزی.اما تصاویر ماهواره‌ای روی کوه‌ها اعوجاج دارند.

Orthorectification این اعوجاج توپوگرافی را حذف می‌کند. بدون این تصحیح، مرز یک مزرعه کوهستانی در تصویر جابجا به نظر می‌رسد.### باندهای طیفی — چشم‌های ماهواره

چشم انسان سه رنگ می‌بیند: قرمز، سبز، آبی. ماهواره‌ها بیشتر می‌بینند. هر

Spectral Band یک محدوده طول موج است. باند مادون قرمز نزدیک (NIR) که چشم ما نمی‌بیند، برای گیاهان بسیار مهم است — گیاه سالم این باند را زیاد بازتاب می‌دهد.### وضوح‌های مختلف

–Spatial Resolution: کوچک‌ترین چیزی که می‌توان دید. Sentinel-2 وضوح ۱۰ متری دارد — یعنی هر پیکسل ۱۰×۱۰ متر زمین است.
– Temporal Resolution: هر چند وقت یک بار تصویر می‌گیرد. Sentinel-2 هر ۵ روز.
– Radiometric Resolution: چند سطح روشنایی می‌تواند ثبت کند. ۱۲ بیتی یعنی ۴۰۹۶ سطح — جزئیات بیشتر.### تصحیح اتمسفری — FLAASH

وقتی ماهواره تصویر می‌گیرد، نور از اتمسفر رد می‌شود. ذرات گرد و غبار، بخار آب، و گازها روی مقدار ثبت‌شده تأثیر می‌گذارند.

Atmospheric Correction این اثرات را حذف می‌کند.

FLAASH یکی از بهترین الگوریتم‌های تصحیح اتمسفری است که در نرم‌افزار ENVI اجرا می‌شود. خروجی آن Reflectance یا بازتاب سطحی است — مقداری که واقعاً از زمین بازتاب شده، نه آنچه اتمسفر تغییر داده.تفاوت

Radiance و Reflectance: Radiance مقدار خام سنسور است. Reflectance مقدار تصحیح‌شده است که می‌توانید آن را با تصاویر دیگر مقایسه کنید. برای محاسبه NDVI درست، باید از Reflectance استفاده کنید.### DEM، DTM، DSM

DEM یا مدل رقومی ارتفاع، نقشه ارتفاع زمین است. SRTM یک DEM رایگان با وضوح ۳۰ متری است.

DTM مدل زمین خالص است — بدون ساختمان و درخت. DSM مدل سطح است — با همه چیز روی زمین. برای شهرسازی DSM مهم است، برای هیدرولوژی DTM.### Land Cover در برابر Land Use

 

Land Cover پوشش فیزیکی زمین است: جنگل، آب، خاک لخت. Land Use کاربری انسانی است: پارک ملی، زمین کشاورزی، منطقه صنعتی. یک منطقه می‌تواند پوشش جنگلی داشته باشد اما کاربری آن پارک ملی باشد.—

## بخش دوم: شاخص‌های طیفی — زبان گیاهان (۲۵ دقیقه)

### NDVI — معروف‌ترین شاخص

NDVI* یا شاخص تفاضلی نرمال‌شده گیاهی، ساده‌ترین و پرکاربردترین شاخص است:
$$NDVI = \frac{NIR – Red}{NIR + Red}$$
مقدار بین ۱- و ۱+ است. گیاه سالم و متراکم: ۰.۶ تا ۰.۹. خاک لخت: حدود ۰.۱. آب: منفی.
در فصل ر

شد گندم، NDVI بالا می‌رود. وقتی گندم می‌رسد و زرد می‌شود، NDVI پایین می‌آید. این تغییر زمانی اطلاعات زیادی می‌دهد.
### EVI — نسخه بهتر برای مناطق پرتراکم
*EVI حساسیت کمتری به خاک دارد و در مناطق با پوشش گیاهی بسیار زیاد (مثل جنگل‌های استوایی) بهتر عمل می‌کند. برای مناطق خشک ایران، NDVI معمولاً کافی است.### NDWI — آب را پیدا کنیدNDWI برای تشخیص سطوح آبی است. دریاچه‌ها، رودخانه‌ها، و مناطق سیل‌زده را می‌توان با این شاخص نقشه‌برداری کرد.### NDBI — شهر را ببینید

NDBI مناطق ساخته‌شده را تشخیص می‌دهد. برای پایش گسترش شهری در طول زمان بسیار مفید است.### SAVI — برای مناطق خشک

در مناطق با پوشش گیاهی کم، خاک زیر گیاه روی NDVI تأثیر می‌گذارد.

SAVI این اثر را با یک ضریب تصحیح می‌کند. برای مناطق نیمه‌خشک ایران، SAVI اغلب از NDVI دقیق‌تر است.### LAI — چقدر برگ داریم؟

LAI یا شاخص سطح برگ، نسبت سطح کل برگ‌ها به سطح زمین است. LAI=3 یعنی هر متر مربع زمین، ۳ متر مربع برگ دارد. برای تخمین بیوماس و عملکرد محصول استفاده می‌شود.### LST — دمای سطح زمین

 

LST از باندهای حرارتی ماهواره محاسبه می‌شود. کاربرد مهم آن نقشه جزیره گرمایی شهری است — شهرها گرم‌تر از اطراف خود هستند. همچنین برای پایش خشکسالی در ترکیب با NDVI استفاده می‌شود.—

## بخش سوم: یادگیری ماشین — کامپیوتر یاد می‌گیرد (۳۵ دقیقه)

### Machine Learning چیست؟

در برنامه‌نویسی سنتی، شما قوانین می‌نویسید: “اگر NDVI بیشتر از ۰.۵ بود، گیاه است.” اما

Machine Learning برعکس است — شما داده می‌دهید و کامپیوتر خودش قوانین را یاد می‌گیرد.مثال: به جای اینکه بگویید “گندم NDVI بین ۰.۴ تا ۰.۷ دارد”، هزار نمونه از مزارع گندم و غیرگندم می‌دهید. مدل خودش یاد می‌گیرد چه الگویی گندم است.

### Supervised vs Unsupervised

 

Supervised Learning — یادگیری با برچسب. هر نمونه آموزشی یک برچسب دارد: “این پیکسل گندم است، این جنگل است.” مدل یاد می‌گیرد از ویژگی‌ها به برچسب برسد.

Unsupervised Learning — بدون برچسب. مدل خودش الگوها را پیدا می‌کند. K-means یک روش معروف است که پیکسل‌های مشابه را دسته‌بندی می‌کند — بدون اینکه بدانید هر دسته چیست.### داده آموزشی — Ground Truth

 

Training Data یا Ground Truth، داده‌های واقعی زمینی هستند. نقاط GPS که در مزرعه ثبت کرده‌اید و نوع محصول را یادداشت کرده‌اید — این می‌شود Ground Truth. کیفیت مدل مستقیماً به کیفیت این داده‌ها بستگی دارد.### Feature و Label

 

Feature ویژگی ورودی مدل است. مقدار NDVI، EVI، باند NIR، باند قرمز — هر کدام یک Feature هستند.

Label خروجی واقعی است. “گندم”، “جنگل”، “آب” — اینها Label هستند.### Overfitting و Underfitting

 

Overfitting یعنی مدل داده آموزشی را حفظ کرده، نه یاد گرفته. دقت روی داده آموزشی ۹۹٪ است اما روی داده جدید ۶۰٪. مثل دانش‌آموزی که سؤالات امتحان قبلی را حفظ کرده اما مفهوم را نفهمیده.

Underfitting یعنی مدل حتی الگوی ساده را هم نمی‌آموزد. مثل استفاده از یک خط مستقیم برای توصیف یک پدیده پیچیده.### Cross-Validation — ارزیابی درست

چطور بفهمیم مدل واقعاً یاد گرفته؟

Cross-Validation داده را به چند بخش تقسیم می‌کند. مدل روی بعضی بخش‌ها آموزش می‌بیند و روی بقیه آزمایش می‌شود. این کار چند بار تکرار می‌شود. نتیجه قابل اعتمادتر است.### Confusion Matrix — جدول اشتباهات

 

Confusion Matrix نشان می‌دهد مدل کجا اشتباه کرده. مثلاً از ۱۰۰ پیکسل جنگل، ۸۵ تا را درست تشخیص داده و ۱۵ تا را مرتع گفته. این اطلاعات برای بهبود مدل حیاتی است.### معیارهای ارزیابی

–

Accuracy: چند درصد کل پیش‌بینی‌ها درست بودند؟
– Precision: از آنچه مدل “گندم” گفت، چند درصد واقعاً گندم بود؟
– Recall: از همه گندم‌های واقعی، چند درصد را پیدا کرد؟
– Kappa Coefficient: دقت با تصحیح تصادف — معیار استاندارد در نقشه‌برداری کاربری اراضی.### Random Forest — جنگل تصمیم‌گیری

 

Random Forest مجموعه‌ای از درخت‌های تصمیم است. هر درخت یک رأی می‌دهد و اکثریت برنده می‌شود. برای طبقه‌بندی محصولات کشاورزی از تصاویر چندزمانه بسیار محبوب است — سریع، دقیق، و نیاز به تنظیم کمی دارد.

Decision Tree یک درخت تصمیم ساده است: “اگر NDVI > 0.5 و باند آبی < 0.1، پس گندم.” قابل فهم اما کمتر دقیق از Random Forest.### SVM — مرز بهینه

 

SVM یا ماشین بردار پشتیبان، بهترین مرز را بین کلاس‌ها پیدا می‌کند. برای تفکیک شهری از غیرشهری با داده کم، عملکرد خوبی دارد.### k-NN — همسایه‌ها تصمیم می‌گیرند

 

k-NN* ساده‌ترین الگوریتم است: برای هر نقطه جدید، k نزدیک‌ترین نمونه آموزشی را پیدا کن و اکثریت برند

ه است. برای تخمین نوع خاک از نمونه‌های همسایه مفید است.
—
## بخش چهارم: یادگیری عمیق — مغز مصنوعی (۴۰ دقیقه)
### Deep Learning — لایه‌های یادگیری
*Deep Learning یادگیری ماشین با شبکه‌های عصبی چندلایه است. هر لایه یک ویژگی پیچیده‌تر یاد می‌گیرد. لایه اول لبه‌ها را می‌بیند، لایه دوم اشکال، لایه سوم اشیاء.Neural Network مدل ریاضی برگرفته از نورون‌های مغز است. هر نورون مصنوعی ورودی‌ها را وزن‌دهی می‌کند، جمع می‌زند، و یک خروجی می‌دهد.### CNN — چشم مصنوعی 

CNN یا شبکه عصبی کانولوشنی، معماری تخصصی برای تصویر است. به جای اینکه هر پیکسل را جداگانه ببیند، پنجره‌ای روی تصویر می‌کشد و الگوهای محلی را یاد می‌گیرد. برای تشخیص جاده، ساختمان، و مزرعه از تصویر هوایی استفاده می‌شود.### RNN و LSTM — حافظه زمانی

 

RNN و LSTM برای داده‌های توالی‌دار مناسب هستند. سری زمانی NDVI — مقدار NDVI هر ۵ روز در طول یک سال — یک توالی است. LSTM می‌تواند الگوی رشد محصول را یاد بگیرد و خشکسالی را پیش‌بینی کند.### Transformer — معماری انقلابی

 

Transformer معماری مبتنی بر توجه (Attention) است. ابتدا برای متن ساخته شد، اما Vision Transformer آن را برای تصویر آورد. امروز بسیاری از بهترین مدل‌های طبقه‌بندی تصویر ماهواره‌ای از Transformer استفاده می‌کنند.### Semantic Segmentation — هر پیکسل یک برچسب

 

Semantic Segmentation به هر پیکسل تصویر یک برچسب می‌دهد: این پیکسل آب است، این جنگل، این شهر. خروجی یک نقشه کامل است — نه فقط یک برچسب برای کل تصویر.### Object Detection — پیدا کردن اشیاء

 

Object Detection اشیاء را پیدا می‌کند و دور آنها کادر می‌کشد. شمارش خودروها در پارکینگ از تصویر هوایی، یا پیدا کردن پنل‌های خورشیدی — کاربردهای رایج هستند.### Instance Segmentation — هر شیء جداگانه

 

Instance Segmentation یک قدم جلوتر از Semantic Segmentation است. نه فقط “اینجا ساختمان است”، بلکه “این ساختمان شماره ۱ است، آن ساختمان شماره ۲.” هر شیء مرز دقیق خودش را دارد.### U-Net — ستاره سگمنتیشن

 

U-Net معماری CNN محبوبی است که شکل U دارد — اطلاعات را فشرده می‌کند و دوباره گسترش می‌دهد. برای استخراج نقشه سیلاب از تصویر رادار، تشخیص مزارع، و نقشه‌برداری جاده بسیار استفاده می‌شود.### ResNet — عمق بدون مشکل

 

ResNet با اتصالات باقیمانده (Residual Connections) مشکل آموزش شبکه‌های خیلی عمیق را حل کرد. پایه بسیاری از مدل‌های طبقه‌بندی تصویر ماهواره‌ای است.### Transfer Learning — دانش قرض گرفتن

آموزش یک CNN از صفر نیاز به میلیون‌ها تصویر و هفته‌ها زمان دارد.

Transfer Learning می‌گوید: از یک مدل از‌پیش‌آموزش‌دیده شروع کن. مدلی که روی میلیون‌ها تصویر آموزش دیده، ویژگی‌های عمومی تصویر را بلد است. شما فقط آن را برای مسئله خودتان تنظیم می‌کنید.

Fine-tuning یعنی این تنظیم دقیق — چند لایه آخر مدل را با داده خودتان دوباره آموزش می‌دهید. با ۵۰۰ تصویر ماهواره‌ای از منطقه خودتان می‌توانید یک مدل خوب بسازید.### Data Augmentation — داده بیشتر بدون جمع‌آوری

داده کم مشکل رایج است.

Data Augmentation تصاویر موجود را تغییر می‌دهد: چرخش، برش، آینه‌کاری، تغییر روشنایی. از ۱۰۰ تصویر، ۱۰۰۰ تصویر می‌سازد. مدل تنوع بیشتری می‌بیند و بهتر تعمیم می‌دهد.### پارامترهای آموزش

 

Batch Size تعداد نمونه‌هایی است که مدل یک‌بار می‌بیند. Epoch یک دور کامل روی همه داده آموزشی است. آموزش با batch=32 در ۵۰ epoch یعنی مدل ۵۰ بار همه داده را دیده.

Loss Function خطای مدل را می‌سنجد. Cross-entropy برای طبقه‌بندی رایج است. مدل سعی می‌کند این خطا را کم کند.

Backpropagation روش به‌روزرسانی وزن‌هاست. خطا از خروجی به ورودی برمی‌گردد و هر وزن کمی تنظیم می‌شود.

Activation Function مثل ReLU، غیرخطی بودن شبکه را تأمین می‌کند. بدون آن، شبکه عمیق فقط یک خط مستقیم است.### Attention Mechanism — تمرکز هوشمند

 

Attention به مدل می‌گوید کجا نگاه کند. وقتی می‌خواهید مرز مزرعه را تشخیص دهید، مدل باید روی لبه‌ها تمرکز کند، نه وسط مزرعه. Attention این تمرکز را یاد می‌گیرد.### GAN — تولید تصویر مصنوعی

 

GAN دو شبکه رقیب دارد: یکی تصویر مصنوعی می‌سازد، دیگری سعی می‌کند تشخیص دهد واقعی است یا مصنوعی. نتیجه تصاویر بسیار واقعی است. کاربرد در GeoAI: Super-Resolution — تبدیل تصویر ۱۰ متری به معادل ۲.۵ متری.### Autoencoder — فشرده‌سازی هوشمند

 

Autoencoder داده را فشرده می‌کند و دوباره بازسازی می‌کند. برای کاهش ابعاد باندهای طیفی مفید است — از ۱۳ باند Sentinel-2 به ۵ ویژگی اصلی.### Foundation Model — مدل‌های بزرگ

 

Foundation Model

مدل‌های بزرگی هستند که روی داده‌های عظیم آموزش دیده‌اند و برای وظایف متعدد قابل استفاده‌اند. در GeoAI، مدل‌هایی مثل Prithvi از NASA-IBM روی تصاویر ماهواره‌ای آموزش دیده‌اند و می‌توانند پایه بسیاری از کارها باشند.

—

## بخش پنجم: سنسورها و داده‌های ماهواره‌ای (۲۵ دقیقه)

### Multispectral و Hyperspectral

Multispectral تصویر با چند باند است — معمولاً ۳ تا ۱۳ باند. Sentinel-2 با ۱۳ باند نمونه خوبی است.

Hyperspectral صدها باند باریک دارد. می‌تواند نوع دقیق خاک، بیماری گیاه، یا ترکیب شیمیایی را تشخیص دهد. گران‌تر و پردازش سنگین‌تری نیاز دارد.

### SAR — دید در ابر

SAR یا رادار روزنه سنتزی، با ماکروویو کار می‌کند. ابر، باران، و شب مانع آن نمی‌شوند. Sentinel-1 یک SAR رایگان است. برای پایش سیلاب زیر ابر، تشخیص تغییرات زمین، و پایش کشاورزی در مناطق ابری بسیار ارزشمند است.

### LiDAR — لیزر اندازه‌گیر

LiDAR با لیزر ارتفاع را با دقت سانتی‌متری اندازه می‌گیرد. DEM با دقت بسیار بالا، ارتفاع تاج درختان، و مدل‌سازی ساختمان‌ها از کاربردهای آن است.

### تصویر چندزمانه

Time Series Imagery مجموعه تصاویر از یک منطقه در زمان‌های مختلف است. مثال: دنبال کردن رشد محصول در طول فصل کشاورزی — از کاشت تا برداشت.

### Cloud Masking — پاکسازی ابر

یکی از بزرگ‌ترین مشکلات تصاویر اپتیک، ابر است. Cloud Masking پیکسل‌های ابری را شناسایی و حذف می‌کند. قبل از محاسبه NDVI روی سری زمانی Sentinel-2، باید ابرها را پاک کنید — وگرنه مقادیر غلط وارد تحلیل می‌شوند.

### Mosaic — پازل تصویری

یک تصویر ماهواره‌ای معمولاً یک منطقه کوچک را پوشش می‌دهد. Mosaic چند تصویر کنار هم را ترکیب می‌کند تا یک منطقه بزرگ‌تر پوشش داده شود. مثلاً برای پوشش کامل یک استان، چند سین Landsat را کنار هم می‌چینید.

### Pan-sharpening — وضوح بیشتر

ماهواره‌ها معمولاً یک باند پانکروماتیک با وضوح بالا دارند (مثلاً ۱۵ متر) و باندهای رنگی با وضوح پایین‌تر (مثلاً ۳۰ متر). Pan-sharpening این دو را ترکیب می‌کند تا تصویر رنگی با وضوح بالاتر بسازد.

### Change Detection — تغییر را ببینید

Change Detection دو تصویر از یک منطقه در زمان‌های مختلف را مقایسه می‌کند. تخریب جنگل، گسترش شهر، یا خشک شدن دریاچه — همه با این روش قابل تشخیص هستند.

### Super-Resolution — وضوح هوشمند

Super-Resolution با یادگیری عمیق وضوح تصویر را افزایش می‌دهد. مدل یاد می‌گیرد از یک تصویر ۱۰ متری، جزئیاتی معادل تصویر ۲.۵ متری بسازد — بدون اینکه واقعاً تصویر با وضوح بالاتر داشته باشید.

—

## بخش ششم: مفاهیم تخصصی GeoAI (۲۵ دقیقه)

### GeoAI — تلاقی دو دنیا

GeoAI جایی است که هوش مصنوعی و علوم مکانی به هم می‌رسند. پیش‌بینی خشکسالی با ترکیب داده ماهواره‌ای و یادگیری ماشین، یا تشخیص خودکار سیل از تصویر رادار — اینها GeoAI هستند.

### Spatial Autocorrelation — همسایه‌ها شبیه هم هستند

Spatial Autocorrelation یعنی مقادیر نزدیک به هم معمولاً مشابه هستند. مزارع همسایه NDVI مشابهی دارند. این اصل در بسیاری از الگوریتم‌های مکانی استفاده می‌شود.

### Geostatistics و Kriging

Geostatistics روش‌های آماری برای داده مکانی است. Kriging یک روش درون‌یابی است که از همبستگی مکانی استفاده می‌کند. اگر رطوبت خاک را در ۵۰ نقطه اندازه گرفته‌اید، Kriging می‌تواند نقشه پیوسته رطوبت برای کل منطقه بسازد.

### Spatial Interpolation — پر کردن خلأها

Spatial Interpolation مقدار را در نقاطی که داده ندارید از نقاط اطراف تخمین می‌زند. نقشه دمای پیوسته از ایستگاه‌های پراکنده هواشناسی — یک مثال کلاسیک است.

### Digital Twin — دوقلوی دیجیتال

Digital Twin یک مدل مجازی به‌روز از یک سیستم واقعی است. یک شهر دیجیتال که ترافیک، آب‌وهوا، و مصرف انرژی را در لحظه نشان می‌دهد. در کشاورزی، دوقلوی دیجیتال یک مزرعه می‌تواند بهترین زمان آبیاری را پیش‌بینی کند.

### Geospatial Foundation Model

Geospatial Foundation Model مدل‌های پایه‌ای هستند که اختصاصاً روی داده‌های مکانی و ماهواره‌ای آموزش دیده‌اند. مدل Prithvi از NASA و IBM نمونه‌ای است که می‌تواند پایه بسیاری از کارهای تحلیل تصویر ماهواره‌ای باشد.

### Vision-Language Model در GeoAI

VLM مدلی است که هم تصویر و هم متن را می‌فهمد. تصور کنید بتوانید در یک آرشیو میلیونی تصاویر ماهواره‌ای جستجو کنید و بنویسید: “مزارع خشک‌شده کنار رودخانه” — مدل تصاویر مرتبط را پیدا می‌کند.

### Point Cloud — ابر نقاط سه‌بعدی

Point Cloud* مجموعه‌ای از میلیون‌ها نقطه سه‌بعدی است که LiDAR تولید می‌کند. ارتفاع دقیق تاج درختان، مدل‌سازی ساختمان‌ها، و تولید DEM با

دقت بالا از کاربردهای آن است.
### Geofencing — مرز مجازی
*Geofencing یک مرز مجازی جغرافیایی تعریف می‌کند. وقتی یک دام یا خودرو وارد یا خارج از این مرز شود، یک رویداد فعال می‌شود — مثلاً یک هشدار ارسال می‌شود.### Spatiotemporal Model — مکان و زمان با همSpatiotemporal Model هم بعد مکان و هم زمان را در نظر می‌گیرد. پیش‌بینی گسترش آتش‌سوزی — کجا و چه زمانی گسترش می‌یابد — نیاز به چنین مدلی دارد.### Data Fusion — ترکیب منابع مختلف

 

Data Fusion داده از چند سنسور یا منبع را ترکیب می‌کند. ادغام تصویر SAR (که از زیر ابر می‌بیند) با تصویر اپتیک (که رنگ و طیف دارد) برای پایش سیل در هوای ابری — یک مثال عملی است.### Explainable AI — چرا این تصمیم؟

 

XAI یا هوش مصنوعی قابل تفسیر، نشان می‌دهد مدل چرا یک تصمیم گرفته. SHAP نشان می‌دهد کدام ویژگی بیشترین تأثیر را داشته. Grad-CAM روی تصویر نشان می‌دهد مدل به کدام بخش نگاه کرده. برای اعتماد به مدل در تصمیم‌گیری‌های مهم، XAI ضروری است.### MLOps — مدیریت چرخه حیات مدل

 

MLOps فرایند مدیریت مدل در دنیای واقعی است. مدل طبقه‌بندی محصول باید هر فصل با داده جدید به‌روز شود. MLOps این فرایند را خودکار می‌کند — از جمع‌آوری داده تا آموزش مجدد و استقرار.### Edge AI — هوش مصنوعی در لبه

 

Edge AI مدل را روی دستگاه محلی اجرا می‌کند، نه سرور ابری. پردازش تصویر پهپاد مستقیم روی خود پهپاد — بدون نیاز به اینترنت. سریع‌تر، ارزان‌تر، و مستقل از اتصال شبکه.—

## بخش هفتم: ابزارها و پلتفرم‌ها (۲۰ دقیقه)

### ENVI — نرم‌افزار تخصصی

 

ENVI نرم‌افزار تخصصی پردازش تصویر سنجش از دور است. FLAASH، طبقه‌بندی طیفی، و تحلیل باندها — همه در ENVI قابل انجام است. اگر با FLAASH کار کرده‌اید، با ENVI آشنا هستید.### Google Earth Engine — قدرت ابری

 

Google Earth Engine یا GEE، پلتفرم ابری است که آرشیو کامل تصاویر ماهواره‌ای را در اختیار دارد و محاسبات را روی سرورهای Google انجام می‌دهد. محاسبه NDVI برای کل ایران در چند دقیقه — کاری که روی کامپیوتر شخصی روزها طول می‌کشد.### QGIS — متن‌باز و رایگان

 

QGIS نرم‌افزار متن‌باز GIS است. با افزونه Semi-Automatic Classification می‌توانید طبقه‌بندی تصویر انجام دهید. رایگان، قدرتمند، و با جامعه کاربری بزرگ.### Python — زبان GeoAI

 

Python زبان اصلی GeoAI است. کتابخانه‌های کلیدی:
– rasterio: خواندن و نوشتن تصاویر GeoTIFF
– GDAL: پردازش داده مکانی در سطح پایین
– geopandas: کار با داده‌های Vector مثل pandas### PyTorch و TensorFlow

 

PyTorch و TensorFlow فریمورک‌های اصلی یادگیری عمیق هستند. آموزش U-Net برای سگمنتیشن، یا ResNet برای طبقه‌بندی — با این ابزارها انجام می‌شود. PyTorch در تحقیقات محبوب‌تر است.### STAC — استاندارد دسترسی به داده

 

STAC یا SpatioTemporal Asset Catalog، استانداردی برای فراداده تصاویر ماهواره‌ای است. با STAC می‌توانید به راحتی تصاویر Sentinel-2 را در یک بازه زمانی و مکانی خاص جستجو و دانلود کنید.### API‌های ماهواره‌ای

 

Copernicus برای دانلود Sentinel-1 و Sentinel-2 رایگان است. USGS EarthExplorer برای Landsat. این API‌ها دسترسی برنامه‌نویسی به داده‌های خام ماهواره‌ای را فراهم می‌کنند.—

## بخش هشتم: کاربردهای عملی (۲۵ دقیقه)

### Crop Classification — کدام مزرعه چیست؟

 

Crop Classification نوع محصول کشاورزی را از تصویر تشخیص می‌دهد. کلید موفقیت، سری زمانی NDVI است — گندم، جو، و ذرت الگوهای رشد متفاوتی دارند. Random Forest روی این سری زمانی نتایج خوبی می‌دهد.### Yield Prediction — چقدر محصول داریم؟

 

Yield Prediction میزان تولید محصول را قبل از برداشت تخمین می‌زند. ترکیب LAI، NDVI، دمای هوا، و بارش به‌عنوان Feature، و عملکرد واقعی مزارع به‌عنوان Label — یک مدل رگرسیون می‌تواند پیش‌بینی دقیقی بدهد.### Drought Monitoring — خشکسالی کجاست؟

 

Drought Monitoring با ترکیب NDVI، LST، و داده بارش انجام می‌شود. نقشه شدت خشکسالی استانی که هر ماه به‌روز می‌شود — ابزار مهمی برای مدیریت بحران آب است.### Deforestation Detection — جنگل‌ها را نجات دهید

 

Deforestation Detection با Change Detection و CNN انجام می‌شود. مقایسه تصاویر ماهانه، مناطق تخریب‌شده را شناسایی می‌کند. سیستم‌های هشدار اولیه برای جنگل‌های آمازون از همین روش استفاده می‌کنند.### Flood Mapping — نقشه سیل در هوای ابری

 

Flood Mapping* با تصاویر SAR انجام می‌شود — چون SAR از زیر ابر می‌بیند. Sentinel-1 قبل و بعد از سیل مقایسه می‌شود. آب مناطق سیل‌زده را به‌خوبی نشان می‌دهد. این نقشه برای مدیریت بحران و امد