GISLAND › ابزارهای رایگان GIS › بانک پرامپت‌های آماده پژوهش و تحلیل مکانی

۹۶ پرامپت • ۱۱ دسته • کپی با یک کلیک

بانک پرامپت‌های آماده پژوهش و تحلیل مکانی

پرامپت‌های مهندسی‌شده فارسی برای کد Google Earth Engine و Python (GeoPandas، rasterio)، QGIS و ArcGIS Pro، یادگیری ماشین و عمیق، رادار و فرونشست InSAR، هیدرولوژی (SWAT و HEC-HMS)، مکان‌یابی چندمعیاره، مصورسازی نقشه، آمار مکانی، مقاله‌نویسی، داوری و پایان‌نامه؛ با جای خالی برای اطلاعات پژوهش شما، جست‌وجو و دکمه کپی.

  • ۹۶ پرامپت در ۱۱ دسته
  • کپی با یک کلیک
  • بدون ادعای نتیجه و منبع ساختگی

استفاده مسئولانه از هوش مصنوعی در پژوهش

کد تولیدشده با هوش مصنوعی ممکن است خطا داشته باشد؛ قبل از استفاده آن را اجرا، آزمایش و با مستندات رسمی (مثلاً GEE Data Catalog و راهنمای کتابخانه‌ها) کنترل کنید. هرگز منبع، عدد یا یافته‌ای را که خودتان بررسی نکرده‌اید در مقاله نیاورید و از هوش مصنوعی برای ساختن رفرنس استفاده نکنید؛ هر ارجاع را در منبع اصلی ببینید. سیاست مجله هدف و دانشگاه درباره استفاده و افشای ابزارهای هوش مصنوعی را بخوانید و رعایت کنید. این پرامپت‌ها هیچ نتیجه‌ای را ادعا نمی‌کنند و فقط چارچوب درخواست هستند.

۹۶ پرامپت

1. سری زمانی NDVI ماهانه

کد Google Earth Engine کاربرد: ساخت نمودار و جدول NDVI ماهانه برای یک منطقه در چند سال

نقش تو: متخصص Google Earth Engine (JavaScript API) هستی.
هدف: برای [منطقه مطالعه] (مرز را از asset به آدرس [آدرس asset یا مختصات چندضلعی] بخوان) سری زمانی ماهانه NDVI را در بازه [بازه زمانی؛ مثلاً 2018-01-01 تا 2024-12-31] با داده [سنجنده؛ مثلاً Sentinel-2 SR Harmonized یا Landsat 8/9 C2 L2] بساز.
الزامات:
1. ماسک ابر و سایه ابر مناسب همان سنجنده (برای Sentinel-2 از QA60 یا Cloud Score+، برای لندست از QA_PIXEL) و اعمال scale factor درست.
2. محاسبه NDVI با normalizedDifference و ساخت کامپوزیت میانه ماهانه.
3. میانگین مکانی NDVI هر ماه با reduceRegion (scale = [قدرت تفکیک؛ مثلاً 10 یا 30]) و نمایش ui.Chart.
4. خروجی جدول (CSV) با ستون‌های year، month، ndvi_mean و تعداد تصاویر هر ماه به Google Drive.
5. ماه‌هایی که تصویر سالم ندارند را حذف کن و در کامنت توضیح بده.
کد را با کامنت فارسی، مرحله‌به‌مرحله و قابل اجرا در Code Editor بنویس و در پایان محدودیت‌ها و نکات کنترل کیفیت را فهرست کن.

2. طبقه‌بندی کاربری اراضی با Random Forest

کد Google Earth Engine کاربرد: تهیه نقشه LULC با نمونه‌های آموزشی و ارزیابی دقت

به‌عنوان متخصص سنجش از دور و GEE، کدی برای طبقه‌بندی کاربری/پوشش اراضی [منطقه مطالعه] در [سال یا فصل مورد نظر] با [سنجنده] بنویس.
کلاس‌ها: [فهرست کلاس‌ها؛ مثلاً آب، ساخته‌شده، کشاورزی، باغ، مرتع، بایر].
نمونه‌های آموزشی در FeatureCollection به آدرس [آدرس asset نمونه‌ها] با فیلد [نام فیلد کلاس] هستند.
مراحل:
1. ماسک ابر، کامپوزیت میانه و افزودن ویژگی‌ها: باندهای طیفی، NDVI، NDBI، MNDWI و در صورت نیاز ارتفاع و شیب از [DEM؛ مثلاً SRTM یا NASADEM].
2. تقسیم نمونه‌ها به آموزش/آزمون با randomColumn (نسبت [مثلاً 70/30]) و ترجیحاً به‌صورت مکانی جدا تا خودهمبستگی مکانی دقت را بیش‌برآورد نکند.
3. ee.Classifier.smileRandomForest با تعداد درخت [تعداد درخت] و گزارش اهمیت متغیرها.
4. ماتریس خطا، دقت کلی، کاپا، دقت تولیدکننده و کاربر.
5. محاسبه مساحت هر کلاس به هکتار و Export نقشه به Drive با CRS [سیستم مختصات؛ مثلاً EPSG:32639].
همه بخش‌ها را کامنت‌گذاری کن و بگو کدام پارامترها را باید با داده خودم تنظیم کنم.

3. آشکارسازی تغییرات کاربری بین دو تاریخ

کد Google Earth Engine کاربرد: ماتریس انتقال و نقشه تغییرات بین دو سال

در Google Earth Engine برای [منطقه مطالعه] آشکارسازی تغییرات بین [سال اول] و [سال دوم] را با [سنجنده] پیاده کن.
1. برای هر سال کامپوزیت هم‌فصل ([فصل؛ مثلاً خرداد تا مرداد]) بساز تا اثر فنولوژی کم شود.
2. هر سال را با روش یکسان (Random Forest با نمونه‌های [آدرس نمونه‌ها]) طبقه‌بندی کن.
3. ماتریس انتقال (from-to) را با ترکیب کد کلاس‌ها (class1*10 + class2) و frequencyHistogram محاسبه کن و به هکتار تبدیل کن.
4. نقشه «بدون تغییر/تغییر» و نقشه نوع تغییر با پالت مناسب بساز.
5. خروجی جدول ماتریس انتقال را به CSV و نقشه‌ها را به GeoTIFF Export کن.
در پایان بنویس چه منابع خطایی (اختلاف سنجنده، ابر، خطای طبقه‌بندی هر سال) باید در بخش روش گزارش شوند.

4. پهنه‌بندی سیلاب با Sentinel-1

کد Google Earth Engine کاربرد: تهیه نقشه آب‌گرفتگی قبل و بعد از رخداد با رادار

نقش: متخصص رادار و GEE.
برای رخداد سیل [نام یا محل رخداد] در [منطقه مطالعه]، با داده Sentinel-1 GRD (پلاریزاسیون [VV یا VH]، مد IW، مسیر [ASCENDING یا DESCENDING]) نقشه پهنه سیلابی بساز.
- بازه قبل از سیل: [تاریخ شروع و پایان قبل]؛ بازه بعد از سیل: [تاریخ شروع و پایان بعد].
- فیلتر speckle (مثلاً focal median یا Refined Lee) و ساخت موزاییک قبل و بعد.
- روش آشکارسازی: نسبت یا تفاضل (after/before) با آستانه [آستانه یا روش Otsu] و توضیح نحوه انتخاب آستانه.
- حذف آب دائمی با JRC Global Surface Water و حذف شیب‌های تند با [DEM].
- محاسبه مساحت سیل‌زده به هکتار و در صورت تمایل همپوشانی با لایه [لایه کاربری یا جمعیت].
- Export نقشه پهنه سیلاب به GeoTIFF و Shapefile.
کد را کامنت‌دار بنویس و یادآوری کن که نتیجه باید با تصاویر نوری یا داده میدانی اعتبارسنجی شود.

5. دمای سطح زمین (LST) از لندست

کد Google Earth Engine کاربرد: محاسبه LST از باند حرارتی Landsat 8/9 Collection 2

در GEE برای [منطقه مطالعه] و بازه [بازه زمانی]، دمای سطح زمین را از Landsat [8 یا 9] Collection 2 Level-2 محاسبه کن.
1. ماسک ابر با QA_PIXEL و اعمال scale/offset باند ST_B10 برای تبدیل به کلوین و سپس سلسیوس.
2. ساخت کامپوزیت [میانگین یا میانه] برای [فصل یا ماه‌های مورد نظر].
3. اگر بخواهم LST را خودم از رادیانس محاسبه کنم (روش تک‌کانال با گسیلمندی بر پایه NDVI)، نسخه دوم کد را هم جداگانه بنویس و تفاوت دو روش را توضیح بده.
4. آمار LST برای پلی‌گون‌های [لایه نواحی؛ مثلاً محلات شهری] با reduceRegions و خروجی CSV.
5. نقشه LST با پالت مناسب و legend.
نکات مربوط به زمان گذر ماهواره و مقایسه‌پذیری سال‌ها را هم ذکر کن.

6. تابع ماسک ابر برای چند سنجنده

کد Google Earth Engine کاربرد: نوشتن توابع ماسک ابر استاندارد و قابل استفاده مجدد

برای پروژه‌ام در GEE یک ماژول (فایل script جداگانه) با توابع ماسک ابر بنویس که بتوانم با require فراخوانی کنم:
- Sentinel-2 SR Harmonized: نسخه QA60 و نسخه Cloud Score+ (با آستانه قابل تنظیم [آستانه cs؛ مثلاً 0.6]).
- Landsat 5/7/8/9 Collection 2 Level-2: ماسک با بیت‌های QA_PIXEL (ابر، سایه ابر، سیروس، برف در صورت نیاز) و اعمال scale factor باندهای SR و ST.
- MODIS [محصول مورد نظر؛ مثلاً MOD09GA] با باند QA مربوط.
برای هر تابع: ورودی، خروجی، بیت‌های استفاده‌شده و منبع مستندات رسمی دیتاست در GEE Data Catalog را در کامنت بیاور.
یک مثال کوتاه اجرای هر تابع روی [منطقه مطالعه] در [بازه زمانی] هم اضافه کن.

7. Export استاندارد نقشه و جدول

کد Google Earth Engine کاربرد: خروجی گرفتن درست از تصویر و جدول به Drive یا Asset

یک قالب کد GEE برای Export بنویس که این موارد را پوشش دهد:
1. Export.image.toDrive برای تصویر [نام متغیر تصویر] با region = [منطقه مطالعه]، scale = [قدرت تفکیک]، crs = [سیستم مختصات]، maxPixels مناسب و fileFormat GeoTIFF (با گزینه cloudOptimized).
2. Export.image.toAsset برای ذخیره نتیجه میانی.
3. Export.table.toDrive برای FeatureCollection آماری با انتخاب ستون‌ها (selectors) و فرمت [CSV یا SHP یا GeoJSON].
4. نام‌گذاری خودکار فایل‌ها بر اساس [الگوی نام؛ مثلاً منطقه_سنجنده_سال].
5. خطاهای رایج (Too many pixels، Computation timed out، اختلاف CRS) و راه حل هر کدام.
کد را کامنت‌دار و تمیز بنویس.

8. شاخص‌های طیفی چندگانه در یک تابع

کد Google Earth Engine کاربرد: افزودن NDVI، NDWI، NDBI، SAVI و EVI به تصاویر

یک تابع GEE بنویس که به هر تصویر [سنجنده] باندهای شاخص زیر را اضافه کند: NDVI، EVI، SAVI (با L = [مقدار L؛ پیش‌فرض 0.5])، NDWI (McFeeters)، MNDWI، NDBI و NBR.
- نام باندها را برای Sentinel-2 و Landsat 8/9 به‌صورت جداگانه نگاشت کن (bandmap) تا یک تابع برای هر دو کار کند.
- فرمول هر شاخص و باندهای استفاده‌شده را در کامنت بیاور.
- تابع را روی کلکسیون [منطقه مطالعه] در [بازه زمانی] map کن و یک کامپوزیت میانه با همه شاخص‌ها نمایش بده.
- یک جدول کوچک (print) از میانگین هر شاخص در [منطقه مطالعه] بساز.

9. روند بلندمدت NDVI با Sen’s slope

کد Google Earth Engine کاربرد: تحلیل روند پیکسلی پوشش گیاهی در چند دهه

در GEE روند تغییرات NDVI فصل [فصل رشد؛ مثلاً فروردین تا خرداد] را برای [منطقه مطالعه] از [سال شروع] تا [سال پایان] با لندست 5/7/8/9 (Collection 2) پیکسل‌به‌پیکسل تحلیل کن.
1. هماهنگ‌سازی باندهای سنجنده‌های مختلف و در صورت نیاز ضرایب تطبیق بین سنجنده‌ها (با ذکر منبع ضرایب، و اگر منبع قطعی نداری صریحاً بگو).
2. ساخت کامپوزیت سالانه فصلی NDVI.
3. محاسبه شیب Sen با ee.Reducer.sensSlope و آزمون معنی‌داری Mann-Kendall (یا توضیح محدودیت پیاده‌سازی آن در GEE).
4. نقشه شیب روند با پالت واگرا و Export.
5. پیشنهاد روش اعتبارسنجی و موارد قابل گزارش در مقاله.

10. آب سطحی و نوسان دریاچه

کد Google Earth Engine کاربرد: پایش تغییرات مساحت آب یک دریاچه یا تالاب

در GEE مساحت آب سطحی [نام دریاچه یا تالاب] را در بازه [بازه زمانی] با [سنجنده] پایش کن.
- محدوده: [منطقه مطالعه یا بافر اطراف دریاچه].
- روش: MNDWI یا AWEI با آستانه [آستانه یا Otsu]؛ هر دو را پیاده کن و تفاوت‌ها را توضیح بده.
- محاسبه مساحت آب برای هر تصویر سالم و ساخت سری زمانی و نمودار.
- حذف تصاویر با پوشش ابر بالای [درصد ابر] درصد در محدوده دریاچه.
- مقایسه اختیاری با JRC Monthly Water History.
- خروجی CSV سری زمانی و GIF یا ویدئوی تایم‌لپس (Export.video).
تذکر بده که تغییرات فصلی را از روند بلندمدت جدا گزارش کنم.

11. نقشه آتش‌سوزی و شدت سوختگی (dNBR)

کد Google Earth Engine کاربرد: برآورد محدوده و شدت سوختگی بعد از آتش‌سوزی

برای آتش‌سوزی [نام یا محل رخداد] در [منطقه مطالعه] با [سنجنده] در GEE:
1. کامپوزیت قبل از آتش ([بازه قبل]) و بعد از آتش ([بازه بعد]) با ماسک ابر.
2. محاسبه NBR و dNBR و طبقه‌بندی شدت سوختگی با آستانه‌های رایج (منبع آستانه‌ها را ذکر کن).
3. استفاده اختیاری از محصول MODIS یا FIRMS برای تأیید محدوده.
4. محاسبه مساحت هر کلاس شدت و Export نقشه.
5. فهرست موارد عدم قطعیت (تفاوت فنولوژی، ابر، دود).

12. خشکسالی کشاورزی با VCI و TCI

کد Google Earth Engine کاربرد: پایش خشکسالی با شاخص‌های مبتنی بر MODIS

در GEE شاخص‌های VCI، TCI و VHI را برای [منطقه مطالعه] در بازه [بازه زمانی] با محصولات MODIS ([محصول NDVI؛ مثلاً MOD13Q1] و [محصول LST؛ مثلاً MOD11A2]) محاسبه کن.
- دوره مرجع برای کمینه و بیشینه: [سال‌های مرجع].
- هم‌ترازی زمانی و مکانی دو محصول (resample و هم‌دوره‌سازی ۱۶ روزه یا ماهانه).
- نقشه ماهانه VHI و کلاس‌بندی شدت خشکسالی با منبع آستانه‌ها.
- نمودار میانگین VHI برای [لایه شهرستان‌ها یا مزارع].
- محدودیت‌های تفسیر را توضیح بده.

13. گسترش شهری با شاخص‌های ساخته‌شده

کد Google Earth Engine کاربرد: پایش رشد محدوده ساخته‌شده یک شهر

در GEE روند گسترش اراضی ساخته‌شده [نام شهر] را بین [سال‌های مورد نظر] با [سنجنده] بررسی کن.
1. روش اول: طبقه‌بندی ساخته‌شده/غیرساخته‌شده با Random Forest و نمونه‌های [آدرس نمونه‌ها].
2. روش دوم: مقایسه با محصولات آماده (مثلاً Dynamic World یا ESA WorldCover) با ذکر محدودیت هر کدام.
3. محاسبه مساحت ساخته‌شده هر سال و نرخ رشد سالانه.
4. نقشه جهت رشد (مثلاً تحلیل در حلقه‌های بافر یا قطاع‌های جهتی از مرکز شهر).
5. Export نقشه‌ها و جدول آماری.

14. آماده‌سازی داده برای مدل یادگیری عمیق

کد Google Earth Engine کاربرد: استخراج patch و برچسب از GEE برای آموزش مدل

می‌خواهم داده آموزش مدل [نوع مدل؛ مثلاً U-Net] برای [هدف؛ مثلاً استخراج ساختمان یا مزارع] را از GEE تهیه کنم.
- تصویر: [سنجنده] برای [منطقه مطالعه] در [بازه زمانی]؛ برچسب: [آدرس asset برچسب‌ها].
- روش استخراج patchهای [اندازه patch؛ مثلاً 256×256] با neighborhoodToArray یا sampleRectangle و Export به TFRecord یا GeoTIFF.
- تقسیم مکانی train/validation/test برای جلوگیری از نشت داده.
- نرمال‌سازی باندها و ذخیره آمار نرمال‌سازی.
- نمونه کد خواندن TFRecord در Python (TensorFlow یا PyTorch).
توضیح بده کجا باید پارامترها را با داده خودم تنظیم کنم.

15. عیب‌یابی و بهینه‌سازی کد GEE

کد Google Earth Engine کاربرد: پیدا کردن خطا و کند بودن کد Earth Engine

کد Google Earth Engine زیر خطا می‌دهد یا خیلی کند است:
[کد خود را اینجا قرار دهید]
پیام خطا: [متن خطا]
لطفاً:
1. علت احتمالی خطا را توضیح بده (مثل استفاده از getInfo در حلقه، for کلاینتی، Memory limit، scale نامشخص).
2. نسخه اصلاح‌شده کد را با map، filter و reducerهای سمت سرور بنویس.
3. راه‌های کم کردن حجم محاسبه (filterBounds زودتر، select باندها، tileScale، bestEffort) را پیشنهاد کن.
4. تغییرات را خط‌به‌خط با کامنت فارسی مشخص کن.

16. تبدیل کد GEE از JavaScript به Python

کد Google Earth Engine کاربرد: اجرای همان تحلیل در Colab با earthengine-api و geemap

کد JavaScript زیر را که در Code Editor نوشته‌ام به Python (earthengine-api) برای اجرا در Google Colab تبدیل کن:
[کد JavaScript]
الزامات:
- احراز هویت و ee.Initialize با پروژه Cloud [نام پروژه].
- نمایش نقشه با geemap و معادل پایتونی ui.Chart.
- تبدیل توابع function به def و تفاوت‌های نحوی (مثل true/false، lambda، ee.Filter).
- بخش Export و بررسی وضعیت task.
- تفاوت‌های مهم دو API را در انتها خلاصه کن.

17. خودهمبستگی مکانی سراسری Moran’s I

آمار و تحلیل مکانی کاربرد: سنجش خوشه‌ای یا پراکنده بودن یک متغیر در کل منطقه

نقش: متخصص آمار مکانی.
داده: لایه [نوع لایه؛ مثلاً پلی‌گون شهرستان‌ها] با متغیر [نام متغیر] برای [منطقه مطالعه].
ابزار: [Python (PySAL/esda) یا R (spdep) یا ArcGIS Pro].
1. ساخت ماتریس وزن مکانی ([Queen یا Rook یا k نزدیک‌ترین همسایه یا فاصله آستانه]) و استانداردسازی سطری؛ دلیل انتخاب را توضیح بده.
2. محاسبه Moran’s I سراسری با آزمون جایگشت ([تعداد جایگشت؛ مثلاً 999]).
3. رسم Moran scatterplot.
4. راهنمای تفسیر I، z-score و p-value و جمله نمونه برای بخش نتایج (با جای خالی برای اعداد خودم، بدون عدد ساختگی).
5. حساسیت نتیجه به انتخاب ماتریس وزن را چطور بررسی کنم؟
کد کامل و کامنت‌دار بده.

18. خوشه‌های محلی LISA

آمار و تحلیل مکانی کاربرد: شناسایی خوشه‌های بالا-بالا، پایین-پایین و نقاط دورافتاده

با [Python/esda یا R/spdep یا GeoDa یا ArcGIS Pro (Cluster and Outlier Analysis)] شاخص Local Moran’s I را برای متغیر [نام متغیر] در لایه [نام لایه] محاسبه کن.
- ماتریس وزن [نوع وزن].
- آزمون معنی‌داری با جایگشت شرطی و تصحیح مقایسه‌های چندگانه (FDR یا Bonferroni)؛ تفاوت نتیجه با و بدون تصحیح را توضیح بده.
- نقشه کلاس‌های HH، LL، HL، LH و نامعنی‌دار با رنگ‌بندی استاندارد.
- جدول خروجی شامل شناسه، Ii، p-value و کلاس.
- نکات تفسیر و اشتباهات رایج در گزارش LISA.

19. تحلیل لکه‌های داغ Getis-Ord Gi*

آمار و تحلیل مکانی کاربرد: یافتن نقاط داغ و سرد معنی‌دار

برای داده [نوع داده؛ مثلاً نقاط تصادفات یا مقادیر آلودگی] در [منطقه مطالعه]، تحلیل Hot Spot با Getis-Ord Gi* انجام بده.
ابزار: [ArcGIS Pro (Hot Spot Analysis / Optimized Hot Spot Analysis) یا Python (esda.G_Local)].
1. اگر داده نقطه‌ای است، روش تجمیع به شبکه شش‌ضلعی یا مربعی با اندازه [اندازه سلول] را توضیح بده.
2. انتخاب فاصله آستانه با Incremental Spatial Autocorrelation یا روش معادل.
3. محاسبه Gi*، z-score و p-value و کلاس‌بندی اطمینان ۹۰، ۹۵ و ۹۹ درصد.
4. نقشه نهایی و متن نمونه تفسیر (با جای خالی برای اعداد).
5. تفاوت Gi* با Local Moran’s I را در دو پاراگراف توضیح بده.

20. رگرسیون وزنی جغرافیایی (GWR و MGWR)

آمار و تحلیل مکانی کاربرد: مدل‌سازی رابطه متغیرها با ضرایب متغیر در مکان

می‌خواهم رابطه [متغیر وابسته] با متغیرهای مستقل [فهرست متغیرها] را در [منطقه مطالعه] مدل کنم.
ابزار: [Python (mgwr) یا R (GWmodel) یا ArcGIS Pro].
1. ابتدا OLS سراسری و بررسی هم‌خطی (VIF) و خودهمبستگی مکانی باقیمانده‌ها.
2. GWR با کرنل [adaptive bisquare یا Gaussian] و انتخاب پهنای باند با AICc.
3. MGWR برای پهنای باند جداگانه هر متغیر و مقایسه با GWR.
4. نقشه ضرایب محلی، R² محلی و t-value با ماسک معنی‌داری.
5. جدول مقایسه OLS، GWR و MGWR (AICc، R² تعدیل‌شده) با جای خالی برای اعداد من.
6. هشدارهای تفسیر (هم‌خطی محلی، تعداد مشاهدات کم).
کد کامل و کامنت‌دار بنویس.

21. رگرسیون فضایی SAR و SEM

آمار و تحلیل مکانی کاربرد: انتخاب بین مدل وقفه فضایی و خطای فضایی

با [Python (spreg) یا R (spatialreg)] برای [متغیر وابسته] و متغیرهای [فهرست متغیرها] در [منطقه مطالعه]:
1. OLS و آزمون‌های Lagrange Multiplier (LM-lag، LM-error و نسخه‌های Robust) برای انتخاب مدل.
2. برازش Spatial Lag Model (SAR) و Spatial Error Model (SEM) و در صورت لزوم SDM.
3. محاسبه اثرات مستقیم، غیرمستقیم و کل در مدل SAR/SDM و توضیح اینکه چرا ضرایب خام مستقیماً تفسیر نمی‌شوند.
4. مقایسه مدل‌ها با AIC و Log-likelihood.
5. قالب جدول گزارش نتایج برای مقاله (خانه‌ها خالی برای اعداد خودم).

22. درون‌یابی با کریجینگ و IDW

آمار و تحلیل مکانی کاربرد: تهیه نقشه پیوسته از داده نقطه‌ای و مقایسه روش‌ها

داده نقطه‌ای [نام متغیر؛ مثلاً عمق آب زیرزمینی] با [تعداد] ایستگاه در [منطقه مطالعه] دارم.
ابزار: [ArcGIS Pro Geostatistical Analyst یا Python (PyKrige، scikit-gstat) یا R (gstat)].
1. تحلیل اکتشافی: هیستوگرام، نرمال بودن، روند و داده پرت؛ تبدیل لگاریتمی در صورت نیاز.
2. واریوگرام تجربی، برازش مدل ([کروی، نمایی، گوسی]) و گزارش nugget، sill و range.
3. کریجینگ معمولی (و در صورت روند، کریجینگ جهانی) و نقشه واریانس خطا.
4. IDW با توان‌های مختلف برای مقایسه.
5. اعتبارسنجی متقابل (Leave-one-out) و شاخص‌های RMSE، MAE و ME؛ جدول مقایسه با خانه‌های خالی.
6. نحوه گزارش روش در مقاله.

23. تحلیل الگوی نقطه‌ای

آمار و تحلیل مکانی کاربرد: بررسی خوشه‌ای، تصادفی یا منظم بودن پراکنش نقاط

برای پراکنش نقاط [نوع پدیده] در [منطقه مطالعه] با [Python (pointpats) یا R (spatstat) یا ArcGIS Pro]:
1. Average Nearest Neighbor و تفسیر نسبت R.
2. تابع K و L رایپلی با پوش مونت‌کارلو و توضیح اثر مرز.
3. تخمین تراکم کرنل (KDE) با انتخاب پهنای باند و مقایسه چند پهنای باند.
4. نکته مهم: تفاوت الگوی ناشی از توزیع جمعیت یا محدوده مجاز با خوشه‌بندی واقعی.
5. متن نمونه برای بخش روش با جای خالی پارامترها.

24. خوشه‌بندی مکانی DBSCAN و HDBSCAN

آمار و تحلیل مکانی کاربرد: گروه‌بندی نقاط بر اساس تراکم مکانی

با Python (scikit-learn و hdbscan) نقاط [نوع داده] در [منطقه مطالعه] را خوشه‌بندی کن.
1. تبدیل مختصات به سیستم متری [سیستم مختصات؛ مثلاً EPSG:32639] یا استفاده از متریک haversine.
2. انتخاب eps با نمودار k-distance و min_samples = [مقدار].
3. اجرای DBSCAN و HDBSCAN و مقایسه تعداد خوشه‌ها و نقاط نویز.
4. ساخت پلی‌گون هر خوشه (convex hull یا concave hull) و خروجی GeoPackage.
5. نقشه نهایی با GeoPandas و توضیح محدودیت‌ها.

25. مکان‌یابی چندمعیاره AHP در GIS

آمار و تحلیل مکانی کاربرد: ترکیب وزن‌دار لایه‌ها برای مکان‌یابی

می‌خواهم برای [هدف مکان‌یابی؛ مثلاً محل دفن پسماند] در [منطقه مطالعه] از AHP و همپوشانی وزنی استفاده کنم.
معیارها: [فهرست معیارها].
1. ماتریس مقایسه زوجی خالی برای این معیارها بساز و روش محاسبه وزن‌ها و نرخ ناسازگاری (CR) را با کد [Python یا Excel] توضیح بده.
2. استانداردسازی لایه‌ها (فازی یا خطی) و جهت مطلوبیت هر معیار.
3. Weighted Overlay در [ArcGIS Pro یا QGIS] یا با numpy/rasterio.
4. محدودیت‌ها (لایه‌های ممنوعه به‌صورت Boolean).
5. تحلیل حساسیت وزن‌ها.
تذکر: وزن‌ها باید از نظر کارشناسان من بیاید و تو نباید وزن نهایی را از خودت تعیین کنی.

26. آمار ناحیه‌ای رستر (Zonal Statistics)

آمار و تحلیل مکانی کاربرد: استخراج آمار رستر برای هر پلی‌گون

با [Python (rasterio، rasterstats یا xarray) یا ArcGIS Pro] آمار [شاخص یا متغیر رستری] را برای هر پلی‌گون لایه [لایه نواحی] محاسبه کن.
- آمارها: میانگین، میانه، انحراف معیار، کمینه، بیشینه و درصد پیکسل‌های معتبر.
- بررسی هم‌خوانی CRS و resample در صورت نیاز.
- مدیریت NoData و پیکسل‌های مرزی (all_touched).
- اجرای دسته‌ای برای چند فایل رستر (مثلاً سری زمانی [بازه زمانی]) و خروجی جدول طولانی (long format).
- نمودار مقایسه نواحی.

27. همبستگی و رگرسیون بین شاخص‌های ماهواره‌ای

آمار و تحلیل مکانی کاربرد: تحلیل رابطه مثلاً LST و NDVI

رابطه بین [متغیر اول؛ مثلاً LST] و [متغیر دوم؛ مثلاً NDVI] را برای [منطقه مطالعه] در [بازه زمانی] بررسی کن.
ابزار: [Python یا R].
1. نمونه‌گیری تصادفی یا منظم پیکسل‌ها با فاصله کافی و توضیح مسئله خودهمبستگی مکانی در p-value.
2. ضریب همبستگی پیرسون و اسپیرمن و نمودار پراکنش با خط برازش.
3. رگرسیون ساده و چندگانه با متغیرهای [متغیرهای کمکی] و بررسی فرضیات.
4. پیشنهاد روش مقاوم به خودهمبستگی (مثلاً رگرسیون فضایی یا اصلاح درجه آزادی).
5. متن نمونه گزارش با جای خالی برای اعداد.

28. آماده‌سازی و پاک‌سازی داده مکانی در Python

آمار و تحلیل مکانی کاربرد: آماده کردن لایه‌ها قبل از تحلیل آماری

یک notebook پایتون (GeoPandas، Shapely، pyproj) برای آماده‌سازی داده [نام داده] بنویس:
1. خواندن [فرمت؛ مثلاً Shapefile یا CSV دارای lat/lon] و ساخت GeoDataFrame.
2. بررسی و اصلاح هندسه نامعتبر (make_valid)، حذف تکراری‌ها و مقادیر گمشده.
3. تبدیل به [سیستم مختصات متری] و محاسبه مساحت/طول.
4. پیوند مکانی (sjoin) با لایه [لایه دوم] و پیوند جدولی با [جدول].
5. خروجی GeoPackage و گزارش خلاصه کیفیت داده.

29. انتخاب روش آماری مناسب برای سؤال پژوهش

آمار و تحلیل مکانی کاربرد: راهنمای انتخاب تحلیل مکانی قبل از شروع کار

سؤال پژوهش من: [سؤال پژوهش]
داده‌ها: [توضیح داده‌ها؛ نوع (نقطه، پلی‌گون، رستر)، تعداد، مقیاس، دوره زمانی].
لطفاً:
1. ۳ تا ۵ روش آماری/مکانی مناسب را با دلیل پیشنهاد بده.
2. فرضیات هر روش و داده لازم را بگو.
3. اگر سؤالم با داده موجود قابل پاسخ نیست، صریحاً بگو و پیشنهاد اصلاح بده.
4. یک جریان کار (workflow) گام‌به‌گام برای روش پیشنهادی اول بنویس.
5. منابع روش‌شناختی معتبر را فقط در صورتی نام ببر که از وجودشان مطمئنی و بنویس که باید خودم آن‌ها را بررسی کنم.

30. آمار مکانی در R با sf و spdep

آمار و تحلیل مکانی کاربرد: قالب کامل تحلیل در R از خواندن داده تا نقشه

یک اسکریپت R برای تحلیل [متغیر] در لایه [نام لایه] بنویس:
- بسته‌ها: sf، spdep، tmap (یا ggplot2)، dplyr.
- خواندن داده، بررسی CRS و تبدیل به [سیستم مختصات].
- ساخت همسایگی (poly2nb یا knearneigh) و وزن‌ها (nb2listw).
- Moran’s I سراسری، LISA و نقشه خوشه‌ها.
- خروجی جدول نتایج و ذخیره نقشه با کیفیت چاپ ([dpi؛ مثلاً 300]).
کد را تمیز و با کامنت فارسی بنویس.

31. مدل‌سازی تناسب زیستگاه یا پتانسیل با Random Forest

آمار و تحلیل مکانی کاربرد: پیش‌بینی مکانی با یادگیری ماشین و اعتبارسنجی مکانی

می‌خواهم [پدیده هدف؛ مثلاً پتانسیل فرسایش یا حضور گونه] را در [منطقه مطالعه] با Random Forest پیش‌بینی کنم.
متغیرهای پیش‌بین رستری: [فهرست لایه‌ها]. داده هدف: [توضیح نقاط یا نمونه‌ها].
1. استخراج مقادیر رستر در نقاط و بررسی هم‌خطی.
2. آموزش مدل در [Python (scikit-learn) یا R (ranger یا caret)].
3. اعتبارسنجی متقابل مکانی (spatial block CV) به‌جای CV تصادفی و توضیح دلیل.
4. اهمیت متغیرها و نمودارهای وابستگی جزئی.
5. تولید نقشه پیش‌بینی و نقشه عدم قطعیت.
6. شاخص‌های ارزیابی (AUC یا RMSE) با جدول خالی برای اعداد من.

32. پیشنهاد عنوان مقاله

مقاله‌نویسی و داوری کاربرد: ساخت عنوان دقیق و جذاب برای مقاله سنجش از دور

نقش: ویراستار علمی مجلات سنجش از دور.
مشخصات پژوهش من:
- موضوع: [موضوع]
- منطقه مطالعه: [منطقه مطالعه]
- داده و سنجنده: [سنجنده]
- روش اصلی: [روش]
- بازه زمانی: [بازه زمانی]
- مجله هدف: [نام مجله هدف]
۱۰ عنوان انگلیسی پیشنهاد بده (۵ عنوان توصیفی، ۵ عنوان سؤال‌محور یا نتیجه‌محور) و ترجمه فارسی هر کدام را بیاور. عنوان‌ها نباید یافته‌ای را ادعا کنند که در داده‌های من نیست. در پایان بگو کدام عنوان با سبک مجله هدف سازگارتر است و چرا.

33. نگارش چکیده ساختاریافته

مقاله‌نویسی و داوری کاربرد: نوشتن چکیده ۲۵۰ کلمه‌ای از روی خلاصه پژوهش

با استفاده از یادداشت‌های زیر، یک چکیده انگلیسی ساختاریافته (Background، Objective، Methods، Results، Conclusions) در حداکثر [تعداد کلمه؛ مثلاً 250] کلمه بنویس:
- مسئله: [مسئله پژوهش]
- منطقه و داده: [منطقه مطالعه]، [سنجنده]، [بازه زمانی]
- روش: [روش]
- یافته‌های واقعی من (فقط همین‌ها): [یافته‌ها با اعداد]
- پیام اصلی: [نتیجه اصلی]
قوانین: هیچ عدد یا یافته‌ای اضافه نکن؛ اگر اطلاعاتی کم است، جای آن را با [؟] مشخص کن. سپس ۵ کلیدواژه پیشنهاد بده که در عنوان تکرار نشده باشند.

34. نقشه مرور ادبیات

مقاله‌نویسی و داوری کاربرد: سازمان‌دهی مرور منابع بر اساس محورها و شکاف پژوهشی

می‌خواهم بخش مرور ادبیات مقاله‌ام درباره [موضوع] با تمرکز بر [سنجنده یا روش] در [منطقه یا اقلیم مشابه] را بنویسم.
فهرست مقالاتی که خودم خوانده‌ام و خلاصه هر کدام: [فهرست منابع واقعی با خلاصه]
لطفاً:
1. منابع را در ۳ تا ۵ محور موضوعی دسته‌بندی کن.
2. برای هر محور یک پاراگراف ترکیبی (synthesis، نه فهرست‌وار) پیشنهاد بده که فقط به همین منابع ارجاع دهد.
3. شکاف پژوهشی را از دل همین منابع استخراج کن و بگو پژوهش من چطور آن را پوشش می‌دهد.
4. هیچ منبعی خارج از فهرست من نساز؛ اگر به منبع بیشتری نیاز است، فقط کلیدواژه جست‌وجو پیشنهاد بده.

35. نوشتن بخش روش (Methods)

مقاله‌نویسی و داوری کاربرد: تبدیل مراحل کار به متن روش قابل تکرار

مراحل کار من این‌هاست: [مراحل کار به زبان ساده]
داده‌ها: [سنجنده، سطح پردازش، تاریخ تصاویر، داده‌های میدانی]
نرم‌افزار و نسخه: [نرم‌افزارها]
یک بخش Materials and Methods انگلیسی بنویس با زیربخش‌های Study area، Data، Pre-processing، Analysis و Accuracy assessment.
قوانین: جزئیات لازم برای تکرارپذیری (پارامترها، آستانه‌ها، CRS، قدرت تفکیک) را بیاور و هر جا اطلاعات ندادم [؟] بگذار. جمله‌ای درباره نتایج ننویس. در پایان فهرست مواردی که داوران معمولاً در روش می‌پرسند و در متن من نیست را بده.

36. توصیف منطقه مطالعه

مقاله‌نویسی و داوری کاربرد: نوشتن پاراگراف Study area با اطلاعات معتبر

یک پاراگراف Study area برای [منطقه مطالعه] بنویس با استفاده فقط از این اطلاعات که خودم از منابع معتبر جمع کرده‌ام: [مختصات، مساحت، اقلیم، ارتفاع، کاربری غالب، جمعیت؛ همراه با منبع هر عدد].
- ساختار: موقعیت، ویژگی‌های طبیعی، ویژگی‌های انسانی، دلیل انتخاب منطقه برای این پژوهش.
- اعداد را فقط از داده‌های من بیاور و منبع هر عدد را در پرانتز نگه دار.
- یک کپشن پیشنهادی برای نقشه موقعیت (Figure 1) بنویس.

37. تفسیر نتایج و جدول‌ها

مقاله‌نویسی و داوری کاربرد: نوشتن متن Results از روی جدول و نمودار

جدول/نمودار نتایج من: [جدول یا اعداد را اینجا بگذارید]
روش: [روش]
یک متن Results انگلیسی بنویس که:
1. مهم‌ترین الگوها را به ترتیب اهمیت گزارش کند و به جدول و شکل ارجاع دهد.
2. فقط اعداد موجود در جدول من را بیاورد و هیچ عددی را گرد یا تغییر ندهد مگر اینکه بگویی.
3. تفسیر علّی و مقایسه با منابع را به Discussion واگذار کند.
4. پیشنهاد بدهد کدام نتیجه بهتر است به شکل نمودار نمایش داده شود.

38. نگارش بحث (Discussion)

مقاله‌نویسی و داوری کاربرد: مقایسه نتایج با منابع و توضیح سازوکارها

یافته‌های اصلی من: [یافته‌ها]
منابعی که برای مقایسه خوانده‌ام و یافته هر کدام: [فهرست منابع واقعی]
بخش Discussion را با این ساختار پیشنهاد بده: ۱) خلاصه یافته کلیدی ۲) مقایسه با مطالعات قبلی (فقط منابع من) ۳) توضیح سازوکارهای محتمل با زبان محتاطانه ۴) پیامدهای کاربردی برای [ذی‌نفعان؛ مثلاً مدیریت شهری] ۵) محدودیت‌ها (داده، قدرت تفکیک، اعتبارسنجی) ۶) پیشنهاد پژوهش آینده.
هیچ ادعایی فراتر از داده‌ها نکن و جاهایی که نیاز به منبع دارد را با [ارجاع لازم] مشخص کن.

39. نتیجه‌گیری کوتاه و دقیق

مقاله‌نویسی و داوری کاربرد: جمع‌بندی پیام اصلی مقاله

بر اساس چکیده و بحث زیر، یک Conclusion انگلیسی در [تعداد کلمه؛ مثلاً 200] کلمه بنویس:
[چکیده و نکات اصلی بحث]
- تکرار عین جملات چکیده ممنوع.
- پاسخ به سؤال پژوهش، ارزش افزوده روش، کاربرد عملی و یک جمله درباره پژوهش آینده.
- بدون عدد جدید و بدون منبع جدید.

40. نامه همراه (Cover Letter) برای ارسال مقاله

مقاله‌نویسی و داوری کاربرد: نوشتن نامه به سردبیر مجله

یک Cover Letter رسمی برای ارسال مقاله با عنوان [عنوان مقاله] به مجله [نام مجله هدف] بنویس.
اطلاعات: نویسنده مسئول [نام و وابستگی]، نوع مقاله [Research article یا Review]، نوآوری اصلی [نوآوری در یک یا دو جمله]، تناسب با scope مجله [دلیل تناسب].
موارد لازم: اعلام عدم ارسال هم‌زمان به مجله دیگر، اعلام تعارض منافع ([دارد/ندارد])، در دسترس بودن داده ([توضیح])، و در صورت استفاده از ابزار هوش مصنوعی، جمله افشای استفاده مطابق سیاست مجله.
لحن حرفه‌ای و حداکثر یک صفحه.

41. پاسخ به داوران (Response to Reviewers)

مقاله‌نویسی و داوری کاربرد: نوشتن پاسخ محترمانه و نقطه‌به‌نقطه به نظرات داور

نظرات داور: [متن نظرات داور]
اصلاحاتی که واقعاً انجام داده‌ام: [توضیح اصلاحات و شماره صفحه/خط]
یک Response to Reviewers انگلیسی با قالب Comment → Response → Changes in manuscript بنویس.
- لحن محترمانه و دقیق؛ اگر با نظری موافق نیستم ([شماره نظر])، پاسخ مستدل و مؤدبانه بنویس.
- هیچ اصلاحی را که انجام نداده‌ام ادعا نکن؛ جاهایی که اصلاح نکرده‌ام را با [اقدام لازم] علامت بزن.
- در انتها یک پاراگراف تشکر کوتاه برای سردبیر بنویس.

42. بیان مسئله و مقدمه

مقاله‌نویسی و داوری کاربرد: نوشتن مقدمه قیفی از کلی به خاص

برای مقاله‌ام درباره [موضوع] در [منطقه مطالعه] یک مقدمه با ساختار قیفی پیشنهاد بده:
۱) اهمیت جهانی/ملی مسئله ۲) نقش سنجش از دور و [سنجنده یا روش] ۳) کارهای پیشین (فقط از منابعی که می‌دهم: [فهرست منابع]) ۴) شکاف پژوهشی ۵) هدف و سؤال‌ها/فرضیه‌ها ۶) ساختار مقاله.
جاهایی که ادعای آماری یا کلی نیاز به منبع دارد را با [ارجاع لازم] مشخص کن و آمار از خودت نساز.

43. کپشن شکل و جدول

مقاله‌نویسی و داوری کاربرد: نوشتن توضیح کامل و مستقل برای شکل‌ها

برای شکل‌ها و جدول‌های زیر کپشن انگلیسی کامل و مستقل بنویس (خواننده بدون متن اصلی بفهمد):
[فهرست شکل‌ها: محتوا، داده، تاریخ، واحد، سیستم مختصات]
در هر کپشن: چه چیزی نمایش داده شده، داده و تاریخ، واحدها، معنی رنگ‌ها یا نمادها و منبع داده (مثلاً اعتبار تصویر لندست یا سنتینل). از تفسیر نتیجه در کپشن خودداری کن.

44. ویرایش زبانی متن انگلیسی

مقاله‌نویسی و داوری کاربرد: بهبود روانی و دقت متن بدون تغییر محتوا

متن زیر بخشی از مقاله سنجش از دور من است:
[متن انگلیسی]
آن را از نظر گرامر، روانی و اصطلاحات تخصصی ویرایش کن.
- معنی علمی و اعداد را تغییر نده.
- تغییرات مهم را در جدول «متن اصلی | متن پیشنهادی | دلیل» بیاور.
- اصطلاحات نادرست (مثل اشتباه گرفتن accuracy و precision، resolution و scale) را مشخص کن.
- سبک نگارش را با [سبک مجله؛ مثلاً American English و صدای فعال] هماهنگ کن.

45. تبدیل پایان‌نامه به مقاله

مقاله‌نویسی و داوری کاربرد: استخراج یک مقاله متمرکز از فصل‌های پایان‌نامه

خلاصه فصل‌های پایان‌نامه من: [خلاصه فصل‌ها]
محدودیت مجله هدف: [تعداد کلمه، تعداد شکل، نوع مقاله]
1. یک یا دو ایده مقاله مستقل از این پایان‌نامه پیشنهاد بده و برای هر کدام سؤال اصلی را بنویس.
2. برای ایده اول، طرح کلی مقاله (outline) با تعداد کلمه پیشنهادی هر بخش بده.
3. بگو کدام بخش‌ها حذف یا خلاصه شوند و کدام شکل‌ها بمانند.
4. یادآوری کن که رعایت قوانین دانشگاه و استاد راهنما درباره انتشار لازم است.

46. بررسی آمادگی مقاله قبل از ارسال

مقاله‌نویسی و داوری کاربرد: چک‌لیست نهایی پیش از Submit

این نسخه مقاله من است: [متن یا بخش‌های اصلی]
مجله هدف: [نام مجله هدف] — راهنمای نویسندگان را خودم بررسی کرده‌ام و نکات کلیدی‌اش این است: [نکات راهنمای نویسندگان]
یک چک‌لیست ارزیابی بده و برای هر مورد وضعیت (کامل/ناقص/نامشخص) را مشخص کن: هم‌خوانی عنوان، چکیده و نتیجه‌گیری؛ تکرارپذیری روش؛ ارزیابی دقت؛ کیفیت شکل‌ها؛ در دسترس بودن داده؛ ارجاع درست به داده‌های ماهواره‌ای؛ افشای استفاده از AI؛ قالب منابع.
در پایان ۵ ایرادی که احتمالاً داور می‌گیرد را پیش‌بینی کن.

47. پردازش دسته‌ای رسترها با rasterio

Python، GeoPandas و rasterio کاربرد: برش، تغییر سیستم مختصات و هم‌مرجع‌سازی ده‌ها فایل رستر با یک اسکریپت

یک اسکریپت Python (rasterio، numpy، pathlib) بنویس که همه فایل‌های [فرمت؛ مثلاً GeoTIFF] پوشه [مسیر پوشه ورودی] را به‌صورت دسته‌ای پردازش کند:
1. برش با مرز [مسیر فایل مرز؛ Shapefile یا GeoPackage] با rasterio.mask و crop=True.
2. تبدیل به [سیستم مختصات مقصد؛ مثلاً EPSG:32639] با calculate_default_transform و reproject (روش نمونه‌برداری: [nearest برای داده طبقه‌ای / bilinear برای داده پیوسته]).
3. هم‌اندازه کردن پیکسل‌ها روی شبکه رستر مرجع [مسیر رستر مرجع] تا همه خروجی‌ها دقیقاً روی هم بیفتند.
4. حفظ nodata، نوع داده و فشرده‌سازی (LZW یا DEFLATE) و نوشتن خروجی با پسوند _proc.
5. ثبت گزارش (log) برای فایل‌های خطادار بدون توقف کل اجرا.
کد را با تابع‌های جدا، کامنت فارسی و بخش تنظیمات در ابتدای فایل بنویس و بگو برای فایل‌های بسیار بزرگ چطور با windowed read حافظه را مدیریت کنم.

48. دانلود خودکار تصاویر از کاتالوگ STAC

Python، GeoPandas و rasterio کاربرد: جست‌وجو و دانلود صحنه‌های Sentinel-2 یا Landsat با pystac-client بدون رابط وب

می‌خواهم با Python و کتابخانه pystac-client از کاتالوگ [نام کاتالوگ STAC؛ مثلاً Microsoft Planetary Computer یا Earth Search] تصاویر [سنجنده] را برای [منطقه مطالعه با bbox یا GeoJSON] در بازه [بازه زمانی] پیدا کنم.
1. جست‌وجو با فیلتر ابر کمتر از [درصد ابر] و فهرست کردن صحنه‌ها در یک DataFrame (شناسه، تاریخ، درصد ابر).
2. انتخاب فقط باندهای [فهرست باندها] و خواندن مستقیم COG با rioxarray یا odc-stac فقط برای محدوده منطقه (بدون دانلود کل صحنه).
3. اعمال scale/offset درست مجموعه داده و ماسک ابر با لایه [SCL یا QA_PIXEL].
4. ذخیره خروجی به GeoTIFF یا NetCDF با نام‌گذاری تاریخ‌دار.
نکات احراز هویت یا امضای URL (در صورت نیاز همان کاتالوگ) و محدودیت‌های مجوز داده را هم توضیح بده؛ اگر مطمئن نیستی نام یک collection یا باند چیست، صریحاً بگو باید در مستندات همان کاتالوگ بررسی شود.

49. تحلیل سری زمانی داده اقلیمی NetCDF با xarray

Python، GeoPandas و rasterio کاربرد: محاسبه میانگین، ناهنجاری و روند ماهانه بارش یا دما برای یک منطقه

با xarray و rioxarray روی داده [نام داده؛ مثلاً CHIRPS، ERA5-Land یا TerraClimate] با فایل‌های [مسیر یا الگوی فایل‌ها] کار کن:
1. باز کردن چند فایل با open_mfdataset، بررسی نام متغیر [نام متغیر]، واحد و سیستم مختصات.
2. برش با مرز [مسیر فایل مرز] (rio.clip) و در نظر گرفتن وزن عرض جغرافیایی (cos lat) در میانگین مکانی اگر شبکه درجه‌ای است.
3. ساخت سری ماهانه و سالانه با resample و groupby('time.month')؛ محاسبه ناهنجاری نسبت به دوره پایه [دوره پایه؛ مثلاً 1991-2020].
4. نقشه میانگین بلندمدت و نقشه ناهنجاری سال [سال مورد نظر].
5. خروجی CSV سری زمانی و GeoTIFF نقشه‌ها.
فقط کد و روش را بده و هیچ عددی از نتیجه پیش‌بینی نکن؛ نکات تبدیل واحد (مثلاً متر به میلی‌متر یا کلوین به سلسیوس) را مخصوص همین داده توضیح بده.

50. تحلیل دسترسی شبکه معابر با OSMnx

Python، GeoPandas و rasterio کاربرد: محاسبه فاصله یا زمان پیاده‌روی تا خدمات شهری روی شبکه واقعی خیابان‌ها

یک notebook با OSMnx، NetworkX و GeoPandas بنویس تا دسترسی ساکنان [نام شهر یا محدوده] به [نوع خدمت؛ مثلاً پارک، مدرسه یا درمانگاه] را بسنجد.
1. دریافت شبکه [walk یا drive] از OpenStreetMap و تبدیل به سیستم مختصات متری [EPSG مناسب].
2. خواندن نقاط خدمات از [فایل خودم یا تگ OSM؛ مثلاً amenity=school] و نقاط مبدأ از [بلوک‌های آماری یا شبکه شش‌ضلعی با اندازه ...].
3. محاسبه کوتاه‌ترین فاصله شبکه‌ای هر مبدأ تا نزدیک‌ترین خدمت (multi-source Dijkstra) و تبدیل به زمان با سرعت [سرعت فرض‌شده].
4. ساخت ایزوکرون‌های [مثلاً 5، 10، 15] دقیقه و نقشه موضوعی دسترسی.
5. خروجی GeoPackage و جدول خلاصه.
محدودیت‌های داده OSM در ایران (کامل نبودن شبکه یا تگ‌ها) را یادآوری کن و راهی برای کنترل کیفیت شبکه پیشنهاد بده.

51. تبدیل نقشه طبقه‌بندی به پلیگون و جدول مساحت

Python، GeoPandas و rasterio کاربرد: وکتوری کردن خروجی طبقه‌بندی، حذف لکه‌های ریز و محاسبه مساحت هر کلاس

نقشه طبقه‌بندی‌شده [مسیر رستر کلاس‌ها] با کدهای کلاس [فهرست کد: نام کلاس] دارم. با rasterio.features، GeoPandas و scipy کدی بنویس که:
1. ابتدا فیلتر اکثریت (majority/mode) با پنجره [اندازه پنجره؛ مثلاً 3×3] یا sieve با حداقل [تعداد پیکسل] پیکسل اعمال کند.
2. رستر را با features.shapes به پلیگون تبدیل و کد و نام کلاس را به جدول اضافه کند.
3. مساحت هر پلیگون و جمع مساحت هر کلاس را در سیستم مختصات متری [EPSG] به هکتار و درصد حساب کند.
4. اگر دو نقشه از دو تاریخ دارم ([مسیر رستر دوم])، ماتریس انتقال (from-to) مساحت بین کلاس‌ها را بسازد.
5. خروجی GeoPackage و جدول Excel بدهد.
توضیح بده چرا مساحت به‌دست‌آمده از شمارش پیکسل، بدون اصلاح خطای طبقه‌بندی، برآورد قطعی نیست.

52. پردازش ابر نقاط LiDAR با PDAL و laspy

Python، GeoPandas و rasterio کاربرد: ساخت DTM، DSM و مدل ارتفاع تاج پوشش (CHM) از فایل LAS/LAZ

فایل‌های ابر نقاط [مسیر فایل‌های LAS یا LAZ] با چگالی تقریبی [چگالی نقطه در متر مربع؛ اگر می‌دانم] و سیستم مختصات [EPSG] دارم.
با PDAL (pipeline JSON) و Python یک گردش کار بنویس:
1. بررسی متادیتا، کلاس‌های موجود و حذف نقاط نویز (outlier).
2. طبقه‌بندی نقاط زمین با SMRF یا CSF اگر کلاس زمین وجود ندارد.
3. ساخت DTM از نقاط زمین و DSM از اولین برگشت‌ها با اندازه پیکسل [اندازه پیکسل]؛ پر کردن حفره‌ها.
4. محاسبه CHM = DSM − DTM، حذف مقادیر منفی و کلاه‌گذاری مقادیر غیرواقعی بالای [حداکثر ارتفاع منطقی].
5. در صورت نیاز، تشخیص تک‌درخت یا ساختمان را فقط به‌عنوان گام اختیاری پیشنهاد بده.
برای هر پارامتر بگو چطور با داده خودم آن را تنظیم و نتیجه را بصری کنترل کنم.

53. مدل خودکار در ModelBuilder با Iterator

QGIS، ArcGIS Pro و ModelBuilder کاربرد: ساخت مدل ArcGIS Pro برای اجرای یک پردازش تکراری روی ده‌ها لایه

در ArcGIS Pro می‌خواهم یک مدل ModelBuilder بسازم که برای همه [نوع داده؛ مثلاً feature classها یا رسترهای] موجود در [مسیر geodatabase یا پوشه] این مراحل را انجام دهد: [فهرست ابزارها به ترتیب؛ مثلاً Clip، Project، Calculate Field].
1. انتخاب Iterator مناسب (Iterate Feature Classes، Iterate Rasters یا Iterate Field Values) و دلیل انتخاب.
2. استفاده از Inline Variable Substitution مثل %Name% برای نام‌گذاری خروجی‌ها.
3. تعریف پارامترهای مدل تا کاربر دیگر بتواند ورودی/خروجی را از پنجره ابزار انتخاب کند.
4. تنظیم Environments (Extent، Cell Size، Snap Raster، Output Coordinate System).
5. نکات جلوگیری از رونویسی خروجی‌ها و عیب‌یابی خطاهای رایج.
مراحل را مثل یک راهنمای قدم‌به‌قدم کلیک‌به‌کلیک بنویس و در پایان بگو کدام بخش را بهتر است به اسکریپت Python تبدیل کنم.

54. Graphical Modeler و اسکریپت PyQGIS

QGIS، ArcGIS Pro و ModelBuilder کاربرد: خودکارسازی پردازش در QGIS و تبدیل مدل به اسکریپت Processing

در QGIS نسخه [نسخه QGIS] می‌خواهم این گردش کار را خودکار کنم: [شرح مراحل؛ مثلاً بافر جاده‌ها، تفاضل از مرز، محاسبه مساحت].
1. ساخت مدل در Graphical Modeler با ورودی‌های قابل انتخاب و خروجی نهایی.
2. استفاده از ابزار Batch Processing برای اجرای مدل روی [تعداد یا فهرست فایل‌ها].
3. خروجی گرفتن از مدل به اسکریپت Python (Export as Script Algorithm) و توضیح ساختار کلاس QgsProcessingAlgorithm.
4. یک اسکریپت مستقل PyQGIS که همین کار را با processing.run اجرا کند.
5. مدیریت سیستم مختصات و لایه‌های موقت (TEMPORARY_OUTPUT).
نام دقیق الگوریتم‌ها (مثلاً native:buffer) را بنویس و اگر مطمئن نیستی نامی در نسخه من وجود دارد، بگو در Processing Toolbox بررسی کنم.

55. ساخت Script Tool با ArcPy

QGIS، ArcGIS Pro و ModelBuilder کاربرد: تبدیل یک اسکریپت پایتون به ابزار قابل استفاده در جعبه‌ابزار ArcGIS Pro

یک Script Tool برای ArcGIS Pro (Python Toolbox با پسوند .pyt یا ابزار در ATBX) بنویس که کار زیر را انجام دهد: [شرح کار؛ مثلاً محاسبه درصد پوشش هر کاربری در هر محله].
پارامترها: [فهرست پارامترها با نوع؛ مثلاً لایه محلات (Feature Layer)، رستر کاربری (Raster Layer)، فیلد شناسه (Field)، خروجی جدول].
الزامات:
1. اعتبارسنجی پارامترها (updateParameters و updateMessages) مثلاً فعال/غیرفعال شدن فیلد بر اساس لایه.
2. استفاده از arcpy.da cursors به‌جای روش‌های قدیمی و پیام‌های پیشرفت با arcpy.AddMessage.
3. بررسی وجود مجوز اکستنشن لازم (مثلاً Spatial Analyst) و پیام خطای فارسی/انگلیسی واضح.
4. مستندسازی ابزار (توضیح پارامترها برای Help).
کد کامل با کامنت و راهنمای اضافه کردن آن به پروژه را بده.

56. سری نقشه با Atlas یا Map Series

QGIS، ArcGIS Pro و ModelBuilder کاربرد: تولید خودکار ده‌ها نقشه هم‌شکل برای هر شهرستان، برگه یا محدوده

می‌خواهم برای هر [واحد؛ مثلاً شهرستان یا برگه 1:25000] در لایه [نام لایه پوشش] یک نقشه جداگانه با قالب یکسان بسازم، در [QGIS Atlas یا ArcGIS Pro Map Series].
1. تنظیم لایه پوشش، فیلد نام صفحه و ترتیب صفحات.
2. بزرگ‌نمایی خودکار روی هر عارضه با حاشیه [درصد حاشیه] یا مقیاس ثابت [مقیاس].
3. عنوان پویا با عبارت/Dynamic Text (مثلاً نام واحد و مساحت آن) و نقشه موقعیت (locator map) که واحد فعلی را برجسته کند.
4. نمایش فقط عوارض داخل واحد فعلی (فیلتر یا clip پویا) و راهنمای نقشه که فقط کلاس‌های موجود را نشان دهد.
5. خروجی PDF چندصفحه‌ای یا PNG جدا با نام‌گذاری خودکار.
در هر مرحله عبارت یا تنظیم دقیق را بنویس و نکات فونت فارسی و راست‌به‌چپ در Layout را هم بگو.

57. زمین‌مرجع کردن و رقومی‌سازی نقشه قدیمی

QGIS، ArcGIS Pro و ModelBuilder کاربرد: زمین‌مرجع کردن نقشه اسکن‌شده و رقومی‌سازی بدون خطای توپولوژی

یک نقشه اسکن‌شده [نوع نقشه؛ مثلاً نقشه توپوگرافی قدیمی یا نقشه طرح جامع] با مقیاس [مقیاس] و سیستم مختصات احتمالی [سیستم مختصات یا نامشخص] دارم و می‌خواهم در [QGIS یا ArcGIS Pro] آن را زمین‌مرجع و رقومی کنم.
1. انتخاب نقاط کنترل (GCP): تعداد مناسب، پراکنش و منابع مختصات مرجع ([منبع؛ مثلاً شبکه کیلومتری روی نقشه یا تصویر ماهواره‌ای]).
2. انتخاب نوع تبدیل (Helmert، Polynomial 1/2، Thin Plate Spline) و تفسیر RMSE و باقیمانده هر نقطه.
3. ساخت لایه‌های رقومی با دامنه‌ها (domain) یا فرم ورود داده برای فیلدهای [فهرست فیلدها].
4. تنظیم Snapping و قوانین توپولوژی (هم‌پوشانی نداشتن پلیگون‌ها، گسستگی خطوط) و رفع خطاها.
5. مستندسازی دقت مکانی خروجی در متادیتا.
محدودیت‌ها و خطاهای رایج (مثل اعوجاج کاغذ و اختلاف دیتوم) را توضیح بده.

58. پیاده‌سازی U-Net برای قطعه‌بندی تصویر

یادگیری ماشین و عمیق در سنجش از دور کاربرد: کد PyTorch برای آموزش U-Net روی patchهای تصویر و ماسک (ساختمان، آب، مزرعه)

یک پیاده‌سازی تمیز U-Net در PyTorch (یا با کتابخانه segmentation_models_pytorch) برای قطعه‌بندی [هدف؛ مثلاً ساختمان یا پهنه آبی] بنویس.
داده: patchهای [اندازه patch] با [تعداد باند] باند از [سنجنده] در پوشه [مسیر تصاویر] و ماسک‌های متناظر در [مسیر ماسک‌ها].
1. کلاس Dataset با خواندن GeoTIFF (rasterio)، نرمال‌سازی با آمار ذخیره‌شده و augmentation مناسب تصاویر ماهواره‌ای (چرخش ۹۰ درجه، قرینه‌سازی).
2. معماری با ورودی چندباندی و انتخاب encoder [مثلاً ResNet34]؛ نحوه سازگار کردن وزن‌های پیش‌آموزش‌دیده RGB با باندهای اضافه.
3. تابع خطای [Dice + BCE یا Focal] و دلیل انتخاب در کلاس‌های نامتوازن.
4. حلقه آموزش با اعتبارسنجی، ذخیره بهترین مدل و معیارهای IoU و F1.
5. پیش‌بینی روی تصویر بزرگ با پنجره لغزان و هم‌پوشانی و ذخیره خروجی زمین‌مرجع.
هیچ دقتی را پیش‌بینی نکن؛ فقط بگو کدام معیارها را گزارش کنم.

59. مقایسه RF، SVM و XGBoost با اعتبارسنجی مکانی

یادگیری ماشین و عمیق در سنجش از دور کاربرد: مقایسه منصفانه چند طبقه‌بند با تنظیم ابرپارامتر و جلوگیری از نشت مکانی

جدول نمونه‌ها با ویژگی‌های [فهرست ویژگی‌ها؛ مثلاً باندها و شاخص‌ها] و برچسب [نام ستون کلاس] و مختصات هر نمونه در [مسیر فایل] دارم. با scikit-learn و xgboost کدی بنویس که:
1. سه مدل Random Forest، SVM (با RBF و استانداردسازی ویژگی‌ها) و XGBoost را مقایسه کند.
2. اعتبارسنجی متقاطع مکانی (Spatial/Group K-Fold بر اساس بلوک‌های [اندازه بلوک] یا شناسه پلیگون نمونه) به‌جای تقسیم تصادفی پیکسل‌ها انجام دهد.
3. ابرپارامترها را با GridSearchCV یا RandomizedSearchCV داخل همان فولدهای مکانی تنظیم کند (nested CV در صورت امکان).
4. معیارهای OA، F1 هر کلاس و ماتریس درهم‌ریختگی را برای هر مدل جدا گزارش کند.
5. نتیجه را بدون اغراق تفسیر کند؛ اگر تفاوت مدل‌ها کمتر از تغییرپذیری بین فولدهاست، همین را بگوید.
کد را قابل اجرا و با کامنت فارسی بنویس.

60. طرح نمونه‌برداری و ارزیابی دقت با برآورد مساحت

یادگیری ماشین و عمیق در سنجش از دور کاربرد: طراحی نمونه‌های مرجع و محاسبه دقت و مساحت تعدیل‌شده نقشه تغییرات

نقشه [نوع نقشه؛ مثلاً تغییرات جنگل یا کاربری] با کلاس‌های [فهرست کلاس‌ها] و مساحت نقشه‌ای هر کلاس [مساحت‌ها یا: باید از نقشه محاسبه شود] دارم.
بر اساس رویکرد «good practices» در ارزیابی دقت و برآورد مساحت (Olofsson و همکاران، 2014 — مشخصات دقیق مقاله را خودم بررسی می‌کنم):
1. طراحی نمونه‌برداری تصادفی طبقه‌بندی‌شده و روش تعیین حجم نمونه کل و تخصیص به کلاس‌ها، با فرض‌های [دقت کاربر مورد انتظار هر کلاس] که خودم وارد می‌کنم.
2. پروتکل تفسیر نمونه‌ها (داده مرجع: [تصاویر با قدرت تفکیک بالا یا بازدید میدانی]) و نحوه ثبت عدم قطعیت مفسر.
3. کد Python برای محاسبه ماتریس خطا بر حسب نسبت مساحت، دقت کاربر و تولیدکننده، OA و مساحت تعدیل‌شده با فاصله اطمینان ۹۵٪.
4. جدول خالی گزارش نتایج.
هیچ عددی برای نتیجه فرض نکن.

61. تفسیرپذیری مدل با SHAP و اهمیت ویژگی

یادگیری ماشین و عمیق در سنجش از دور کاربرد: توضیح اینکه کدام متغیرها پیش‌بینی مدل را هدایت می‌کنند

مدل [نوع مدل؛ مثلاً Random Forest یا XGBoost] را برای [هدف؛ مثلاً پیش‌بینی حساسیت زمین‌لغزش یا عملکرد محصول] با متغیرهای [فهرست متغیرها] آموزش داده‌ام.
کدی با کتابخانه shap و scikit-learn بنویس که:
1. اهمیت ویژگی جایگشتی (permutation importance) روی داده آزمون مکانی را حساب کند و تفاوتش با impurity importance را توضیح دهد.
2. مقادیر SHAP (TreeExplainer) را حساب و نمودارهای summary، dependence برای [دو متغیر مهم مورد نظر] و یک نمونه تکی (waterfall) را رسم کند.
3. همبستگی بالای متغیرها را بررسی و اثر آن بر تفسیر SHAP را هشدار دهد.
4. در صورت نیاز، نقشه مکانی سهم SHAP یک متغیر را بسازد.
5. یک پاراگراف راهنما بنویسد که چطور نتایج را بدون ادعای رابطه علّی در مقاله گزارش کنم.

62. یادگیری انتقالی برای طبقه‌بندی صحنه با داده کم

یادگیری ماشین و عمیق در سنجش از دور کاربرد: استفاده از مدل پیش‌آموزش‌دیده وقتی نمونه برچسب‌خورده کم است

برای طبقه‌بندی [نوع واحد؛ مثلاً patchهای تصویر یا تصاویر پهپادی] در کلاس‌های [فهرست کلاس‌ها] فقط حدود [تعداد] نمونه برچسب‌خورده دارم.
1. گزینه‌های مدل پیش‌آموزش‌دیده را مقایسه کن (ImageNet در برابر مدل‌های پیش‌آموزش‌دیده روی داده سنجش از دور) و بگو کدام با [تعداد و نوع باندهای من] سازگارتر است؛ اگر از وجود یک مدل یا وزن مطمئن نیستی، صریحاً بگو.
2. کد PyTorch برای fine-tuning مرحله‌ای (ابتدا لایه آخر، سپس باز کردن لایه‌های عمیق‌تر) با نرخ یادگیری مناسب.
3. augmentation و توازن کلاس‌ها (weighted sampler یا class weights).
4. اعتبارسنجی با تقسیم مکانی یا زمانی و گزارش معیارهای هر کلاس.
5. راهکارهای افزایش داده برچسب‌خورده (active learning یا برچسب‌زنی نیمه‌خودکار).

63. عیب‌یابی آموزش مدل یادگیری عمیق

یادگیری ماشین و عمیق در سنجش از دور کاربرد: تشخیص علت بیش‌برازش، واگرایی loss یا خروجی تک‌کلاسه

مدل [نوع مدل؛ مثلاً U-Net یا CNN] را برای [هدف] آموزش می‌دهم و این مشکل را دارم: [شرح مشکل؛ مثلاً loss اعتبارسنجی بعد از چند epoch بالا می‌رود یا همه پیکسل‌ها یک کلاس پیش‌بینی می‌شوند].
تنظیمات من: [اندازه داده، نسبت کلاس‌ها، batch size، learning rate، optimizer، تابع خطا، augmentation].
بخشی از کد یا لاگ آموزش: [کد یا لاگ]
1. فهرست علت‌های محتمل را به ترتیب احتمال بنویس و برای هر کدام یک آزمون سریع تشخیصی پیشنهاد بده (مثلاً overfit روی یک batch کوچک، بررسی نرمال‌سازی و هم‌ترازی ماسک با تصویر).
2. نشت داده بین train و validation (patchهای هم‌پوشان یا هم‌مکان) را بررسی کن.
3. اصلاحات پیشنهادی را با تغییر دقیق در کد بنویس.
4. بگو کدام نمودارها و معیارها را برای پایش آموزش ذخیره کنم.

64. پیش‌پردازش Sentinel-1 GRD در SNAP

رادار SAR و فرونشست InSAR کاربرد: ساخت Graph استاندارد کالیبراسیون و تصحیح زمین برای تصاویر راداری

می‌خواهم تصاویر Sentinel-1 GRD با قطبش [VV/VH] برای [هدف؛ مثلاً پایش سیلاب یا رطوبت خاک] در [منطقه مطالعه] را در SNAP نسخه [نسخه SNAP] پیش‌پردازش کنم.
1. ترتیب استاندارد مراحل در Graph Builder: Apply Orbit File، Thermal Noise Removal، Border Noise Removal، Calibration (Sigma0 یا Gamma0)، Speckle Filter، Range-Doppler Terrain Correction، تبدیل به dB.
2. برای هر مرحله پارامترهای مهم و دلیل انتخاب (مثلاً نوع و اندازه فیلتر لکه، DEM مورد استفاده، اندازه پیکسل [اندازه پیکسل]).
3. اجرای دسته‌ای Graph روی چند تصویر با Batch Processing یا gpt از خط فرمان.
4. Subset روی منطقه و خروجی GeoTIFF.
5. خطاهای رایج (نبود فایل مدار، مشکل حافظه) و راه رفع آن.
اگر نام دقیق یک عملگر در نسخه من فرق دارد، بگو در منوی Radar بررسی کنم.

65. طراحی گردش کار InSAR سری زمانی برای فرونشست

رادار SAR و فرونشست InSAR کاربرد: انتخاب بین SBAS و PS و برنامه پردازش فرونشست دشت

می‌خواهم نرخ فرونشست [نام دشت یا شهر] را در بازه [بازه زمانی] با Sentinel-1 SLC بررسی کنم. منابع محاسباتی من: [سخت‌افزار و نرم‌افزارهای در دسترس؛ مثلاً SNAP، StaMPS، ISCE، MintPy یا سرویس LiCSAR/LiCSBAS].
1. مقایسه روش‌های PS و SBAS برای منطقه‌ای با [نوع پوشش؛ مثلاً کشاورزی و شهری] و پیشنهاد مناسب‌تر با دلیل.
2. انتخاب مسیر (track)، جهت گذر (صعودی/نزولی) و تعداد تصاویر؛ بررسی پوشش تصاویر در بازه من.
3. مراحل پردازش از coregistration تا تولید سری زمانی جابه‌جایی و نقشه نرخ متوسط.
4. منابع خطای اصلی (اتمسفر، از دست رفتن همدوسی، خطای unwrapping) و روش کاهش هر کدام.
5. برنامه زمان‌بندی تقریبی کار و خروجی‌هایی که باید در پایان‌نامه یا مقاله ارائه کنم.
هیچ عددی برای نرخ فرونشست منطقه حدس نزن.

66. اعتبارسنجی نتایج InSAR با GNSS و ترازیابی

رادار SAR و فرونشست InSAR کاربرد: تبدیل جابه‌جایی LOS به قائم و مقایسه با داده زمینی

نقشه سرعت جابه‌جایی در راستای خط دید (LOS) از [روش و نرم‌افزار] برای [منطقه] دارم و داده زمینی [نوع داده؛ مثلاً ایستگاه‌های GNSS یا خطوط ترازیابی دقیق] با [تعداد ایستگاه و بازه زمانی] در اختیار دارم.
1. روش تبدیل LOS به جابه‌جایی قائم با فرض نبود جابه‌جایی افقی، و روش ترکیب گذرهای صعودی و نزولی برای تفکیک مؤلفه قائم و شرقی-غربی؛ فرض‌های هر روش را صریح بنویس.
2. هم‌مرجع کردن نقطه مرجع InSAR با داده زمینی و هم‌دوره کردن بازه‌های زمانی.
3. استخراج مقدار InSAR در اطراف هر ایستگاه (میانگین در شعاع [شعاع]) و کد Python برای مقایسه.
4. معیارهای مقایسه (RMSE، بایاس، همبستگی) و نمودار پراکنش.
5. متن خالی بخش «اعتبارسنجی» که اعداد آن را بعداً خودم وارد کنم.

67. ارتباط فرونشست با افت آب زیرزمینی

رادار SAR و فرونشست InSAR کاربرد: طراحی تحلیل آماری بین نرخ فرونشست و داده چاه‌های پیزومتری

نقشه نرخ فرونشست از InSAR و داده تراز آب [تعداد] چاه پیزومتری در [نام دشت] در بازه [بازه زمانی] دارم. لایه‌های کمکی: [مثلاً ضخامت آبرفت، زمین‌شناسی، کاربری اراضی].
1. روش درون‌یابی افت سطح آب و ملاحظات آن (تعداد و پراکنش چاه‌ها).
2. تحلیل همبستگی/رگرسیون بین نرخ فرونشست و افت آب در محل چاه‌ها، با در نظر گرفتن خودهمبستگی مکانی و تأخیر زمانی احتمالی.
3. مقایسه سری زمانی جابه‌جایی InSAR و هیدروگراف چاه‌ها برای چند چاه نماینده.
4. اگر داده کافی دارم، رگرسیون فضایی یا GWR برای بررسی ناهمگونی مکانی رابطه.
5. محدودیت‌ها: همبستگی به معنای علیت نیست و نقش لایه‌های رسی/ضخامت آبرفت.
کد Python و ساختار جدول نتایج خالی را بده؛ هیچ نتیجه‌ای فرض نکن.

68. تداخل‌سنجی دوتصویری (DInSAR) برای جابه‌جایی رخداد

رادار SAR و فرونشست InSAR کاربرد: تولید اینترفروگرام و نقشه جابه‌جایی برای زلزله یا زمین‌لغزش

می‌خواهم جابه‌جایی ناشی از [رخداد؛ مثلاً زلزله تاریخ ...] در [منطقه] را با یک جفت تصویر Sentinel-1 SLC (قبل: [تاریخ]، بعد: [تاریخ]) در SNAP بررسی کنم.
1. معیارهای انتخاب جفت مناسب (خط مبنای زمانی و مکانی، همان track و subswath).
2. مراحل: TOPS Split، Apply Orbit، Back-Geocoding، Enhanced Spectral Diversity، Interferogram Formation، TOPS Deburst، حذف فاز توپوگرافی، فیلتر Goldstein، Unwrapping با SNAPHU، تبدیل فاز به جابه‌جایی و Terrain Correction.
3. تفسیر نقشه همدوسی و اینترفروگرام (هر fringe معادل چه مقدار جابه‌جایی LOS برای طول موج C-band است) و نشانه‌های خطای unwrapping یا اثر اتمسفر.
4. شکل‌های لازم برای گزارش.
فقط روش را توضیح بده و درباره بزرگی جابه‌جایی رخداد من حدسی نزن.

69. آماده‌سازی ورودی‌های مدل SWAT

هیدرولوژی؛ SWAT و HEC-HMS کاربرد: تهیه DEM، کاربری، خاک و جدول‌های lookup و داده هواشناسی برای ArcSWAT یا QSWAT

می‌خواهم مدل SWAT را با [ArcSWAT یا QSWAT+] برای حوضه [نام حوضه] اجرا کنم. داده‌های در دسترس: DEM [منبع و قدرت تفکیک]، کاربری [منبع و سال]، خاک [منبع؛ مثلاً نقشه خاک ملی یا FAO HWSD]، ایستگاه‌های [تعداد] باران‌سنجی و دماسنجی در بازه [بازه زمانی].
1. چک‌لیست آماده‌سازی هر لایه: سیستم مختصات یکسان، برش، اندازه پیکسل و فرمت.
2. ساخت جدول lookup کاربری با کدهای پایگاه داده SWAT (مثل AGRL، FRST، URBN) و جدول lookup خاک؛ اگر کد مناسب برای یک کلاس محلی مطمئن نیست، گزینه‌ها و ریسک انتخاب را بگو.
3. محاسبه پارامترهای خاک کاربر (usersoil) که باید از منابع معتبر استخراج کنم و نه حدس زده شوند.
4. قالب فایل‌های هواشناسی (pcp، tmp و فایل مکان ایستگاه‌ها) و برخورد با داده گمشده.
5. انتخاب آستانه آبراهه و تعریف HRU (درصد آستانه‌ها) با دلیل.

70. واسنجی و اعتبارسنجی SWAT با SWAT-CUP

هیدرولوژی؛ SWAT و HEC-HMS کاربرد: طراحی واسنجی SUFI-2 و گزارش معیارهای کارایی مدل

خروجی مدل SWAT حوضه [نام حوضه] و داده دبی مشاهداتی ایستگاه [نام ایستگاه] با گام [روزانه یا ماهانه] برای [بازه زمانی] دارم.
1. تقسیم دوره به گرم‌کردن (warm-up)، واسنجی و اعتبارسنجی و دلیل آن.
2. انتخاب پارامترهای اولیه حساس برای [دبی؛ و در صورت نیاز رسوب] (مثل CN2، ALPHA_BF، GW_DELAY، ESCO) و محدوده تغییر هر کدام با روش تغییر (r__ یا v__).
3. تنظیم SUFI-2 در SWAT-CUP: تعداد شبیه‌سازی، تابع هدف و تکرارها؛ تحلیل حساسیت سراسری.
4. معیارهای کارایی NSE، PBIAS، R² و KGE و شاخص‌های عدم قطعیت p-factor و r-factor؛ برای آستانه‌های رضایت‌بخش به Moriasi و همکاران (2007) ارجاع بده ولی بگو مقادیر را در منبع اصلی چک کنم.
5. جدول خالی گزارش نتایج و متن روش.
هیچ مقدار NSE یا نتیجه‌ای برای حوضه من فرض نکن.

71. پارامترهای حوضه برای HEC-HMS از GIS

هیدرولوژی؛ SWAT و HEC-HMS کاربرد: محاسبه CN، زمان تمرکز و زمان تأخیر زیرحوضه‌ها برای مدل بارش-رواناب

می‌خواهم مدل HEC-HMS حوضه [نام حوضه] را بسازم. لایه‌ها: زیرحوضه‌ها [مسیر]، آبراهه اصلی [مسیر]، DEM [مسیر]، کاربری [مسیر] و گروه هیدرولوژیک خاک [مسیر یا منبع].
1. ساخت شبکه CN با ترکیب کاربری و گروه هیدرولوژیک (جدول CN را از منبع رسمی مثل TR-55 خودم تطبیق می‌دهم) و میانگین وزنی CN هر زیرحوضه در [QGIS یا ArcGIS Pro].
2. محاسبه مساحت، طول آبراهه اصلی، شیب متوسط حوضه و آبراهه.
3. محاسبه زمان تمرکز با چند رابطه (مثلاً کرپیچ، SCS Lag) و مقایسه آن‌ها؛ زمان تأخیر = ضریب × Tc.
4. انتخاب روش‌های تلفات، تبدیل و روندیابی (SCS CN، SCS Unit Hydrograph، Muskingum) و پارامترهای لازم هر کدام.
5. جدول خروجی پارامترها برای ورود به HEC-HMS نسخه [نسخه].
روابط را با واحدهای دقیق بنویس و بگو کدام ضرایب باید با شرایط منطقه واسنجی شوند.

72. استخراج آبراهه و زیرحوضه‌ها از DEM

هیدرولوژی؛ SWAT و HEC-HMS کاربرد: تحلیل هیدرولوژیک DEM با WhiteboxTools، QGIS یا ArcGIS Pro

از DEM [منبع؛ مثلاً SRTM 30m، ALOS یا Copernicus GLO-30] برای [منطقه] می‌خواهم شبکه آبراهه و زیرحوضه‌ها را استخراج کنم، با [WhiteboxTools در Python، QGIS (GRASS/SAGA) یا ArcGIS Pro Hydrology].
1. اصلاح DEM: پر کردن چاله‌ها (Fill) یا Breach و دلیل ترجیح breaching در برخی مناطق؛ در صورت داشتن لایه آبراهه واقعی، burning.
2. جهت جریان (D8 یا D∞) و انباشت جریان.
3. تعیین آستانه آبراهه ([تعداد سلول یا مساحت]) و روش انتخاب آن با مقایسه با آبراهه‌های نقشه یا تصویر.
4. رتبه‌بندی استرالر، نقطه خروجی [مختصات خروجی] با snap pour point و مرزبندی حوضه و زیرحوضه‌ها.
5. محاسبه شاخص‌های ریخت‌سنجی (تراکم زهکشی، ضریب گراویلیوس، نسبت انشعاب).
کد یا مراحل ابزار به ابزار را بنویس.

73. آماده‌سازی بارش طرح و تحلیل فراوانی

هیدرولوژی؛ SWAT و HEC-HMS کاربرد: تحلیل فراوانی بارش حداکثر و ساخت هایتوگراف طرح برای مدل بارش-رواناب

داده بارش حداکثر [روزانه یا ۲۴ساعته] سالانه ایستگاه [نام ایستگاه] برای [تعداد سال] سال در [مسیر فایل] دارم و می‌خواهم ورودی HEC-HMS برای دوره‌های بازگشت [مثلاً 2، 10، 25، 50، 100 سال] بسازم.
1. کنترل کیفیت سری (داده پرت، همگنی و استقلال؛ آزمون‌های مناسب).
2. برازش توزیع‌های Gumbel، GEV، Log-Pearson III و لوگ‌نرمال در Python (scipy) و انتخاب بهترین توزیع با آزمون نکویی برازش و L-moments.
3. برآورد بارش طرح هر دوره بازگشت با فاصله اطمینان.
4. ساخت هایتوگراف طرح با [روش؛ مثلاً توزیع SCS نوع II یا روش بلوک متناوب] و منحنی IDF در صورت داشتن داده کوتاه‌مدت.
5. تبدیل بارش نقطه‌ای به منطقه‌ای (ضریب کاهش سطحی) و هشدار درباره کاربرد آن.
هیچ مقدار بارش طرحی را فرض نکن.

74. طراحی معیارها و لایه‌های محدودیت مکان‌یابی

مکان‌یابی چندمعیاره MCDA کاربرد: تبدیل الزامات قانونی و کارشناسی به معیار، محدودیت و بافر قابل پیاده‌سازی در GIS

برای مکان‌یابی [نوع کاربری؛ مثلاً نیروگاه خورشیدی، محل دفن پسماند یا ایستگاه آتش‌نشانی] در [منطقه مطالعه] می‌خواهم فهرست معیارها و محدودیت‌ها را طراحی کنم.
ضوابط و منابعی که در اختیار دارم: [فهرست ضوابط، آیین‌نامه‌ها یا نظر کارشناسان با فاصله‌های ذکرشده].
1. تفکیک لایه‌ها به محدودیت (Boolean) و عامل (پیوسته) با جدول: نام لایه، منبع داده پیشنهادی، نوع، جهت مطلوبیت، روش استانداردسازی.
2. برای هر فاصله یا آستانه، فقط مقادیری را بنویس که از ضوابط من آمده؛ هر جا مقدار مشخص نیست با [مقدار از ضابطه] جای خالی بگذار و هیچ عدد قانونی از خودت نساز.
3. بررسی هم‌پوشانی و همبستگی معیارها (مثلاً فاصله از جاده و فاصله از شهر) و پیشنهاد حذف یا ادغام.
4. مقیاس و قدرت تفکیک مناسب لایه‌ها.
5. نمودار گردش کار مکان‌یابی از داده خام تا نقشه نهایی.

75. وزن‌دهی معیارها با روش بهترین-بدترین (BWM)

مکان‌یابی چندمعیاره MCDA کاربرد: طراحی پرسشنامه خبرگان و محاسبه وزن با BWM

می‌خواهم وزن معیارهای [فهرست معیارها] را برای [هدف مکان‌یابی] با روش Best-Worst Method تعیین کنم و از [تعداد] خبره نظر بگیرم.
1. یک پرسشنامه فارسی کوتاه طراحی کن که از هر خبره بهترین و بدترین معیار و بردارهای Best-to-Others و Others-to-Worst (مقیاس ۱ تا ۹) را بپرسد.
2. کد Python (با scipy.optimize یا PuLP) برای حل مدل خطی BWM و محاسبه وزن‌ها و نسبت سازگاری هر خبره.
3. روش تجمیع نظر چند خبره (میانگین هندسی وزن‌ها یا مدل گروهی) و برخورد با پاسخ‌های ناسازگار.
4. مقایسه کوتاه BWM با AHP از نظر تعداد مقایسه‌ها و سازگاری.
5. جدول خالی گزارش وزن‌ها.
وزن‌ها باید فقط از پاسخ خبرگان من محاسبه شود؛ وزن نمونه نساز.

76. رتبه‌بندی گزینه‌های مکانی با TOPSIS و VIKOR

مکان‌یابی چندمعیاره MCDA کاربرد: مقایسه و رتبه‌بندی چند سایت نامزد بر اساس معیارها و وزن‌های مشخص

[تعداد] سایت نامزد برای [کاربری] دارم و مقدار هر معیار برای هر سایت در جدول [مسیر فایل یا جدول] است. وزن معیارها از [روش وزن‌دهی؛ مثلاً AHP یا BWM] به‌دست آمده: [وزن‌ها].
1. کد Python برای TOPSIS: نرمال‌سازی برداری، ماتریس وزن‌دار، ایده‌آل مثبت و منفی با توجه به نوع معیار (سود/هزینه) و ضریب نزدیکی.
2. کد VIKOR با پارامتر v (پیش‌فرض ۰٫۵) و شرایط پذیرش (acceptable advantage و acceptable stability).
3. مقایسه رتبه‌های دو روش و همبستگی رتبه‌ای Spearman.
4. اتصال نتایج به لایه نقاط سایت‌ها در GIS و نقشه رتبه.
5. متن خالی بخش نتایج که خودم با اعداد واقعی پر کنم.

77. وزن‌دهی Fuzzy AHP برای قضاوت‌های نامطمئن

مکان‌یابی چندمعیاره MCDA کاربرد: محاسبه وزن معیارها با اعداد فازی مثلثی وقتی نظر خبرگان قطعی نیست

خبرگان من در مقایسه معیارهای [فهرست معیارها] برای [هدف] قضاوت قطعی ندارند و می‌خواهم از Fuzzy AHP استفاده کنم.
1. جدول تبدیل عبارات کلامی به اعداد فازی مثلثی را پیشنهاد کن و بگو از کدام مقیاس رایج گرفته شده تا خودم منبع آن را بررسی کنم.
2. کد Python برای تجمیع ماتریس‌های فازی [تعداد] خبره (میانگین هندسی) و محاسبه وزن با روش [Chang extent analysis یا Buckley]؛ محدودیت شناخته‌شده روش Chang (وزن صفر برای برخی معیارها) را توضیح بده.
3. غیرفازی‌سازی و نرمال‌سازی وزن‌ها و بررسی سازگاری ماتریس قطعی‌شده.
4. مقایسه وزن‌ها با AHP کلاسیک روی همان داده.
5. توضیح کوتاه برای بخش روش مقاله، بدون ذکر نتیجه.

78. سناریوهای ریسک با میانگین وزنی مرتب (OWA)

مکان‌یابی چندمعیاره MCDA کاربرد: تولید نقشه‌های مکان‌یابی از بدبینانه تا خوش‌بینانه با OWA

لایه‌های استانداردشده [فهرست لایه‌ها] و وزن معیارها [وزن‌ها] را برای مکان‌یابی [کاربری] در [منطقه] دارم. می‌خواهم به‌جای یک نقشه، چند سناریوی تصمیم با OWA بسازم.
1. توضیح ساده تفاوت WLC و OWA و مفهوم وزن‌های ترتیبی، ریسک‌پذیری (ORness) و جبران‌پذیری (tradeoff).
2. کد Python (numpy/rasterio) برای محاسبه OWA پیکسل‌به‌پیکسل با وزن‌های ترتیبی [مجموعه وزن‌های ترتیبی یا: با quantifier فازی بساز].
3. تولید سناریوهای بسیار بدبینانه تا بسیار خوش‌بینانه و محاسبه ORness هر سناریو.
4. مقایسه نقشه‌ها: مساحت پهنه‌های بسیار مناسب و پایداری پیکسل‌ها در سناریوها.
5. پیشنهاد نحوه ارائه نتایج به تصمیم‌گیر.
هیچ نتیجه‌ای از نقشه من فرض نکن.

79. چک‌لیست نقشه آماده انتشار

مصورسازی داده و نقشه کاربرد: بازبینی نقشه مقاله یا پایان‌نامه از نظر اصول کارتوگرافی

این نقشه را برای [مقاله در مجله ... یا پایان‌نامه] آماده می‌کنم. مشخصات: موضوع [موضوع نقشه]، داده [نوع داده؛ پیوسته/طبقه‌ای]، سیستم مختصات [سیستم]، ابعاد خروجی [عرض ستون مجله یا اندازه صفحه]، نرم‌افزار [QGIS، ArcGIS Pro یا Python].
توضیح نقشه فعلی یا عناصر آن: [شرح یا فهرست عناصر]
1. یک چک‌لیست بازبینی بده: سیستم تصویر مناسب منطقه، مقیاس‌نما، جهت شمال (در صورت لزوم)، راهنما، منبع داده، شبکه مختصات، نقشه موقعیت.
2. انتخاب طیف رنگی متناسب با نوع داده (ترتیبی، واگرا، طبقه‌ای) و ایمن برای کوررنگی، و پرهیز از طیف rainbow برای داده پیوسته.
3. خوانایی متن‌ها در اندازه چاپ، اندازه فونت حداقل و وضوح خروجی ([DPI مورد نیاز مجله]).
4. شرایط ارائه چند نقشه کنار هم (مقیاس و راهنمای مشترک).
5. خطاهای رایج نقشه‌های مقالات GIS و پیشنهاد اصلاح برای نقشه من.

80. نقشه چندپانلی انتشاری با matplotlib و cartopy

مصورسازی داده و نقشه کاربرد: کد Python برای شکل چندپانلی مقایسه چند تاریخ یا چند متغیر

یک کد Python (matplotlib، cartopy یا GeoPandas، rasterio) بنویس که شکل [تعداد سطر × ستون] پانلی از [داده‌ها؛ مثلاً نقشه NDVI سال‌های 2000، 2010 و 2020] برای [منطقه] بسازد.
1. استفاده از یک طیف رنگی و بازه مقدار ثابت (vmin/vmax) برای همه پانل‌ها و یک colorbar مشترک با عنوان و واحد [واحد].
2. مرز منطقه، شبکه مختصات با برچسب درجه، مقیاس‌نما و برچسب (a)، (b)، (c) برای هر پانل.
3. اندازه شکل مطابق [عرض یک یا دو ستون مجله به سانتی‌متر] و خروجی PNG با [DPI] و PDF برداری.
4. پشتیبانی از متن فارسی در صورت نیاز (arabic_reshaper و python-bidi یا فونت مناسب) یا متن انگلیسی برای مجله بین‌المللی.
5. تابعی که بتوانم با تغییر فهرست فایل‌ها دوباره از آن استفاده کنم.

81. نقشه تعاملی وب با folium یا leafmap

مصورسازی داده و نقشه کاربرد: ساخت نقشه HTML تعاملی برای نمایش نتایج پژوهش یا پروژه

می‌خواهم نتایج [نوع نتیجه؛ مثلاً نقشه پهنه‌بندی خطر و نقاط نمونه] را به‌صورت نقشه تعاملی HTML منتشر کنم، با [folium یا leafmap].
داده‌ها: [فهرست لایه‌ها و فرمت‌ها].
1. افزودن نقشه پایه (OpenStreetMap و تصویر ماهواره‌ای با ذکر منبع و مجوز) و کنترل لایه‌ها.
2. نمایش رستر (با کاشی یا تبدیل به PNG زمین‌مرجع یا COG) و وکتور با طبقه‌بندی رنگی و راهنما.
3. پنجره pop-up و tooltip با فیلدهای [فهرست فیلدها] به فارسی.
4. ابزار جست‌وجو، اندازه‌گیری و نمایش تمام‌صفحه.
5. ذخیره HTML و نکات حجم فایل، کاهش دقت هندسه و انتشار در وب‌سایت.
کد را کامل و با کامنت بنویس.

82. طبقه‌بندی داده و انتخاب پالت رنگ نقشه موضوعی

مصورسازی داده و نقشه کاربرد: انتخاب روش کلاس‌بندی (Jenks، چندک، فاصله برابر) و رنگ مناسب داده

داده [نام متغیر؛ مثلاً تراکم جمعیت محلات] با توزیع [چوله، نرمال یا نامشخص] و مقادیر در ستون [نام ستون] فایل [مسیر] دارم و می‌خواهم نقشه کروپلت بسازم.
1. کد Python (mapclassify و GeoPandas) برای مقایسه روش‌های Natural Breaks، Quantile، Equal Interval، Std Mean و Head/Tail Breaks و محاسبه شاخص GVF هر کدام.
2. رسم هیستوگرام داده با مرز کلاس‌ها برای هر روش تا تفاوت‌ها دیده شود.
3. راهنمای انتخاب تعداد کلاس و روش بر اساس هدف نقشه (مقایسه بین نقشه‌ها، برجسته کردن مقادیر حدی).
4. پیشنهاد پالت ColorBrewer مناسب (ترتیبی یا واگرا با نقطه میانی [مقدار مرجع]) و ایمن برای کوررنگی.
5. هشدار درباره نقشه کردن مقادیر مطلق در برابر نرخ/تراکم.

83. نمودار سری زمانی و عدم قطعیت برای مقاله

مصورسازی داده و نقشه کاربرد: رسم سری زمانی، روند و بازه اطمینان به شکل استاندارد انتشار

سری زمانی [متغیر؛ مثلاً مساحت دریاچه یا میانگین LST] از [سال تا سال] با [گام زمانی] در فایل [مسیر] دارم و ستون عدم قطعیت [نام ستون یا: ندارم] موجود است.
1. کد matplotlib یا Plotly برای نمودار سری زمانی با نقاط داده، باند عدم قطعیت (در صورت وجود) و خط روند.
2. افزودن خط روند Sen’s slope یا رگرسیون خطی با بازه اطمینان و گزارش آماره‌ها در کپشن (نه داخل نمودار شلوغ).
3. علامت‌گذاری رخدادهای مهم با برچسب [فهرست رخدادها و تاریخ‌ها] بدون شلوغ کردن نمودار.
4. نمودار ترکیبی دو محور فقط اگر واقعاً لازم است و هشدار درباره سوءبرداشت از آن.
5. تنظیمات اندازه، فونت و خروجی برداری برای مجله.
هیچ داده نمونه ساختگی را به‌عنوان نتیجه من نشان نده؛ برای تست کد فقط داده مصنوعی برچسب‌دار بساز.

84. انتخاب و ارزیابی موضوع پایان‌نامه

پایان‌نامه و پروپوزال کاربرد: پیدا کردن موضوع قابل انجام در GIS و سنجش از دور متناسب با داده و زمان

من دانشجوی [مقطع و رشته] هستم، به [حوزه‌های علاقه] علاقه دارم، به داده‌های [داده‌های در دسترس] دسترسی دارم، با نرم‌افزارهای [مهارت‌ها] کار کرده‌ام و حدود [مدت زمان] برای انجام پایان‌نامه وقت دارم.
1. پنج ایده موضوع پیشنهاد بده که با داده و مهارت من قابل انجام باشد؛ برای هر کدام: سؤال اصلی، داده لازم، روش احتمالی و ریسک اصلی.
2. برای هر ایده بگو با چه کلیدواژه‌هایی در Google Scholar، Scopus و پایگاه‌های فارسی (مثل SID و Magiran) جست‌وجو کنم تا تکراری نبودن و شکاف پژوهشی را خودم بررسی کنم.
3. جدول امتیازدهی امکان‌پذیری (داده، زمان، نوآوری، علاقه، کاربرد) برای مقایسه ایده‌ها.
4. سؤال‌هایی که باید قبل از نهایی کردن با استاد راهنما مطرح کنم.
هیچ مقاله یا منبعی را به‌عنوان پیشینه نام نبر مگر اینکه صریحاً بگویی باید وجودش را بررسی کنم.

85. نگارش پروپوزال پایان‌نامه

پایان‌نامه و پروپوزال کاربرد: ساخت پیش‌نویس بخش‌های اصلی فرم پروپوزال دانشگاه

موضوع پایان‌نامه من: [عنوان پیشنهادی]. خلاصه ایده: [چند خط درباره مسئله، منطقه، داده و روش]. دانشگاه: [نام دانشگاه؛ اگر فرم خاصی دارد سرفصل‌هایش را بنویسید].
یک پیش‌نویس پروپوزال فارسی با این بخش‌ها بنویس:
1. بیان مسئله (از کلی به جزئی، با جای خالی [ارجاع] برای هر ادعایی که نیاز به منبع دارد).
2. ضرورت و اهمیت پژوهش.
3. اهداف کلی و ویژه، سؤال‌ها یا فرضیه‌ها (هم‌خوان با هم).
4. روش پژوهش: منطقه، داده، مراحل و نرم‌افزارها، روش اعتبارسنجی.
5. نوآوری پژوهش (فقط بر اساس توضیحات من، بدون ادعای اثبات‌نشده) و کاربران نتایج.
6. واژه‌های کلیدی فارسی و انگلیسی.
هیچ منبع، آمار یا عددی نساز؛ جاهای لازم را با [ارجاع] و [آمار از منبع رسمی] علامت بزن.

86. تبدیل سؤال پژوهش به اهداف، فرضیه و متغیر

پایان‌نامه و پروپوزال کاربرد: هم‌راستا کردن سؤال، هدف، فرضیه، متغیر و روش تحلیل

سؤال اصلی پژوهش من: [سؤال]. سؤال‌های فرعی (اگر دارم): [سؤال‌ها]. داده‌ها: [داده‌ها].
1. یک جدول هم‌راستایی بساز: سؤال ← هدف ویژه ← فرضیه (در صورت لزوم) ← متغیر مستقل/وابسته ← شاخص عملیاتی و داده ← روش تحلیل ← خروجی مورد انتظار (نوع خروجی، نه نتیجه).
2. بررسی کن آیا فرضیه‌ها آزمون‌پذیرند و با روش آماری یا مکانی انتخابی قابل بررسی‌اند.
3. سؤال‌های مبهم یا خیلی گسترده را بازنویسی کن.
4. متغیرهایی را که داده‌شان را ندارم یا اندازه‌گیری‌شان مبهم است مشخص کن.
5. پیشنهاد بده کدام بخش‌ها اکتشافی بمانند و فرضیه نداشته باشند.

87. زمان‌بندی و مدیریت ریسک پایان‌نامه

پایان‌نامه و پروپوزال کاربرد: برنامه‌ریزی مراحل پایان‌نامه تا دفاع با جدول گانت و برنامه جایگزین

پایان‌نامه من درباره [موضوع] است؛ تاریخ تصویب پروپوزال [تاریخ] و مهلت دفاع [تاریخ یا تعداد ماه] است. مراحل اصلی: [فهرست مراحل؛ مثلاً جمع‌آوری داده، بازدید میدانی، پردازش، مدل‌سازی، نگارش، مقاله].
1. یک جدول زمان‌بندی ماهانه (قابل تبدیل به نمودار گانت در Excel) با وابستگی مراحل و نقاط کنترل با استاد راهنما.
2. ریسک‌های رایج پروژه‌های GIS/RS (تأخیر در دریافت داده سازمانی، ابر در تصاویر، خرابی سخت‌افزار، نتیجه‌ندادن مدل) و برای هر کدام احتمال، اثر و برنامه جایگزین.
3. برنامه پشتیبان‌گیری و مستندسازی کد و داده (ساختار پوشه‌ها، نسخه‌بندی).
4. زمان‌بندی نگارش موازی فصل‌ها با پردازش.
5. چک‌لیست ماهانه پیشرفت.

88. آماده‌سازی جلسه دفاع

پایان‌نامه و پروپوزال کاربرد: ساخت ساختار اسلایدها و پاسخ به سؤالات احتمالی هیئت داوران

پایان‌نامه من با عنوان [عنوان] آماده دفاع است. خلاصه فصل‌ها و یافته‌های واقعی‌ام: [خلاصه، شامل اعداد اصلی از متن پایان‌نامه]. زمان ارائه: [دقیقه].
1. ساختار اسلایدها با تعداد پیشنهادی و زمان هر بخش (مسئله، اهداف، منطقه، داده و روش، نتایج، بحث، نوآوری، محدودیت‌ها، پیشنهادها).
2. برای هر اسلاید یک پیام اصلی یک‌جمله‌ای فقط بر اساس خلاصه من.
3. فهرست ۱۵ سؤال احتمالی داوران درباره روش، داده، اعتبارسنجی و تعمیم‌پذیری، با نکات کلیدی پاسخ که فقط از اطلاعات من استخراج شده باشد؛ جاهایی که اطلاعات کافی ندادم را با [تکمیل شود] علامت بزن.
4. نکات طراحی اسلاید نقشه‌محور (خوانایی، رنگ، متن کم).
5. تمرین زمان‌بندی و مدیریت سؤال‌هایی که پاسخشان را نمی‌دانم.

89. گزارش استاندارد نتایج آزمون‌های آماری

آمار و تحلیل مکانی کاربرد: نوشتن نتایج آزمون با آماره، درجه آزادی، p-value، اندازه اثر و فاصله اطمینان

خروجی آزمون‌های آماری من از [نرم‌افزار؛ مثلاً SPSS، R یا Python] این است: [خروجی یا جدول آزمون‌ها؛ مثلاً t-test، ANOVA، کای‌دو، همبستگی].
1. هر نتیجه را به سبک APA (نسخه [نسخه]) در یک جمله فارسی و یک جمله انگلیسی بنویس: آماره، درجه آزادی، p دقیق، اندازه اثر و فاصله اطمینان.
2. اگر اندازه اثر یا فاصله اطمینان در خروجی نیست، بگو چطور آن را از همان داده محاسبه کنم (کد) و عدد نساز.
3. بررسی کن آیا پیش‌فرض‌های آزمون (نرمال بودن، همگنی واریانس، استقلال مشاهدات و استقلال مکانی) گزارش شده‌اند.
4. تفاوت «معنی‌دار آماری» و «مهم در عمل» را در تفسیر رعایت کن و از عبارت‌هایی مثل «اثبات شد» پرهیز کن.
5. در صورت آزمون‌های متعدد، اصلاح p (Bonferroni یا FDR) را پیشنهاد بده.

90. گزارش ارزیابی دقت نقشه طبقه‌بندی

آمار و تحلیل مکانی کاربرد: جدول و متن استاندارد ماتریس درهم‌ریختگی، دقت هر کلاس و F1

ماتریس درهم‌ریختگی نقشه [نوع نقشه] با کلاس‌های [فهرست کلاس‌ها] را دارم: [ماتریس با سطر=نقشه و ستون=مرجع یا برعکس؛ مشخص کنید].
1. کد Python برای محاسبه OA، دقت کاربر و تولیدکننده (و خطای حذف و اضافه)، F1 هر کلاس و میانگین ماکرو.
2. قالب جدول انتشار با جهت درست سطر و ستون و توضیح کپشن.
3. درباره ضریب کاپا: توضیح بده چرا برخی پژوهشگران گزارش آن را توصیه نمی‌کنند و اگر مجله آن را می‌خواهد چطور در کنار معیارهای دیگر گزارش شود.
4. اگر نمونه‌برداری طبقه‌بندی‌شده بوده، هشدار بده که ماتریس شمارشی باید بر اساس نسبت مساحت وزن‌دهی شود.
5. یک پاراگراف نتایج با جای خالی [عدد] بنویس که خودم از خروجی کد پر کنم.

91. گزارش خطا و عدم قطعیت مدل پیش‌بینی

آمار و تحلیل مکانی کاربرد: گزارش RMSE، MAE، بایاس و تحلیل باقیمانده‌های مکانی برای مدل رگرسیونی

مدل [نوع مدل؛ مثلاً رگرسیون، Random Forest یا کریجینگ] برای پیش‌بینی [متغیر هدف] با واحد [واحد] دارم و مقادیر مشاهده‌ای و پیش‌بینی داده آزمون در [مسیر فایل] با مختصات موجود است.
1. کد محاسبه RMSE، MAE، بایاس (ME)، R² و nRMSE و توضیح تفاوت R² روی داده آموزش و آزمون.
2. نمودار پراکنش مشاهده در برابر پیش‌بینی با خط ۱:۱ و نمودار باقیمانده‌ها.
3. نقشه باقیمانده‌ها و آزمون Moran’s I روی آن‌ها برای بررسی خودهمبستگی مکانی باقیمانده.
4. برآورد عدم قطعیت پیش‌بینی (بازه پیش‌بینی، quantile regression forest یا واریانس کریجینگ؛ متناسب با مدل من).
5. متن گزارش با [عدد]های خالی و ذکر اینکه اعتبارسنجی تصادفی یا مکانی بوده است.

92. چک‌لیست تکرارپذیری بخش تحلیل آماری

آمار و تحلیل مکانی کاربرد: نوشتن بخش آماری روش‌ها به‌گونه‌ای که دیگران بتوانند تحلیل را تکرار کنند

تحلیل‌های آماری و مکانی پژوهش من این‌هاست: [فهرست تحلیل‌ها، نرم‌افزارها و تنظیمات].
1. یک پاراگراف «Statistical analysis» (فارسی و انگلیسی) بنویس که شامل: هدف هر آزمون، پیش‌فرض‌ها و نحوه بررسی آن‌ها، تعریف ماتریس وزن مکانی (در صورت وجود)، سطح معنی‌داری، اصلاح آزمون‌های متعدد، نرم‌افزار و نسخه بسته‌ها باشد.
2. فهرست اطلاعاتی که در توضیحات من کم است (مثلاً seed تصادفی، تعداد تکرار، نحوه برخورد با داده گمشده یا پرت) را با سؤال مشخص کن.
3. پیشنهاد ساختار مخزن کد و داده (README، محیط نرم‌افزاری، فایل تنظیمات) برای ضمیمه یا انتشار.
4. جمله‌ای برای بخش Data availability متناسب با شرایط داده من ([داده عمومی، سازمانی یا محرمانه]).

93. نوشتن گزارش داوری به‌عنوان داور

مقاله‌نویسی و داوری کاربرد: داوری منصفانه و ساختاریافته مقاله دیگران در حوزه GIS و سنجش از دور

از من خواسته شده مقاله‌ای با عنوان [عنوان] را برای مجله [نام مجله] داوری کنم. خلاصه و یادداشت‌های خودم از خواندن مقاله: [یادداشت‌ها]. (متن محرمانه مقاله را در ابزار هوش مصنوعی وارد نمی‌کنم مگر اینکه سیاست مجله اجازه دهد.)
1. ساختار گزارش داوری: خلاصه یک‌پاراگرافی مقاله، ارزیابی کلی، نظرات اصلی (major) و فرعی (minor) با شماره.
2. فقط بر اساس یادداشت‌های من، نظرها را با لحن سازنده و مشخص بازنویسی کن (به بخش/شکل/جدول اشاره کند و راه اصلاح پیشنهاد دهد).
3. چک‌لیست ارزیابی روش‌شناسی مخصوص مقالات GIS/RS: داده و پیش‌پردازش، نمونه‌برداری و اعتبارسنجی مستقل، گزارش دقت، تکرارپذیری.
4. پیش‌نویس پیام محرمانه به سردبیر و توصیه نهایی که خودم انتخاب می‌کنم: [پذیرش، اصلاح جزئی، اصلاح اساسی، رد].
هیچ نقصی را که در یادداشت‌های من نیست به مقاله نسبت نده.

94. بازنویسی مقاله ردشده برای مجله بعدی

مقاله‌نویسی و داوری کاربرد: استفاده از نظرات رد مقاله برای بهبود و ارسال به مجله دیگر

مقاله من با عنوان [عنوان] از مجله [نام مجله] رد شد. دلایل و نظرات داوران/سردبیر: [متن نظرات]. مجله‌های بعدی که در نظر دارم: [فهرست مجله‌ها].
1. نظرات را دسته‌بندی کن: ایراد اساسی علمی، مشکل تناسب با مجله، مشکل نگارشی/ارائه.
2. برای هر ایراد اساسی، اقدام اصلاحی مشخص پیشنهاد بده و بگو کدام‌ها نیاز به تحلیل یا داده جدید دارد.
3. معیارهای انتخاب مجله بعدی (دامنه موضوعی، نوع مقاله، زمان داوری، هزینه انتشار، نمایه شدن) را فهرست کن تا خودم از وب‌سایت رسمی هر مجله بررسی کنم؛ از اطلاعات حدسی درباره ضریب تأثیر یا هزینه استفاده نکن.
4. فهرست تغییرات قالب‌بندی (طول چکیده، ساختار، سبک ارجاع، Highlights) که باید طبق راهنمای نویسندگان مجله جدید انجام دهم.
5. پیش‌نویس Cover Letter جدید بدون اشاره منفی به مجله قبلی.

95. مکاتبه با سردبیر مجله

مقاله‌نویسی و داوری کاربرد: نوشتن نامه پیگیری وضعیت، درخواست تمدید مهلت اصلاحات یا اعتراض مستدل

نوع نامه: [پیگیری وضعیت مقاله / درخواست تمدید مهلت اصلاحات / اعتراض (appeal) به تصمیم / اصلاح اشتباه پس از پذیرش]. شناسه مقاله: [Manuscript ID]. اطلاعات واقعی: [تاریخ ارسال، تاریخ آخرین تغییر وضعیت، دلیل درخواست، مدت تمدید مورد نیاز یا دلایل اعتراض].
1. یک ایمیل انگلیسی کوتاه، محترمانه و حرفه‌ای به سردبیر بنویس.
2. برای اعتراض: فقط اگر دلیل علمی مشخص دارم (مثل سوءبرداشت داور از روش) آن را با استدلال و ارجاع به بخش‌های مقاله مطرح کن و لحن را غیرتهاجمی نگه دار؛ اگر دلایل من ضعیف است صادقانه بگو که اعتراض احتمالاً مؤثر نیست.
3. پیشنهاد زمان مناسب برای پیگیری بر اساس زمان معمول داوری که باید در وب‌سایت مجله ببینم.
4. یک نسخه فارسی از متن برای اطمینان از فهم من.

96. کنترل هماهنگی نسخه اصلاح‌شده با پاسخ داوران

مقاله‌نویسی و داوری کاربرد: اطمینان از اینکه هر وعده در پاسخ به داوران واقعاً در متن اعمال شده است

پاسخ به داوران من: [متن Response to Reviewers]. فهرست تغییرات متن اصلاح‌شده با شماره صفحه/خط: [فهرست تغییرات یا متن بخش‌های اصلاح‌شده].
1. یک جدول ردیابی بساز: شماره نظر داور ← وعده داده‌شده در پاسخ ← محل تغییر در متن (صفحه/خط) ← وضعیت (اعمال شد / نیافتم / ناقص).
2. موارد ناسازگار را مشخص کن: شماره صفحه/خط اشتباه، عدد یا عبارت متفاوت بین پاسخ و متن، شکل یا جدول جدیدی که در پاسخ آمده ولی در متن نیست.
3. بررسی کن تغییرات در چکیده، نتیجه‌گیری، شکل‌ها و Highlights هم‌خوان شده‌اند.
4. چک‌لیست نهایی قبل از ارسال نسخه اصلاحی (نسخه با Track Changes، نسخه تمیز، فایل پاسخ، به‌روزرسانی Data availability).
فقط بر اساس متن‌هایی که دادم قضاوت کن و تغییری را فرض نکن.

چطور از پرامپت‌ها استفاده کنم؟

  1. ۱
    پرامپت را پیدا و کپی کنیدبا جست‌وجو یا دکمه‌های دسته‌بندی پرامپت مناسب را پیدا کنید و دکمه «کپی پرامپت» را بزنید.
  2. ۲
    جاهای خالی را پر کنیدعبارت‌های داخل [ ] مثل [منطقه مطالعه]، [بازه زمانی] و [سنجنده] را با اطلاعات واقعی پژوهش خودتان جایگزین کنید.
  3. ۳
    خروجی را بررسی و آزمایش کنیدکد را اجرا و نتایج را با داده مرجع کنترل کنید؛ متن را با منابع واقعی خودتان تطبیق دهید.
می‌خواهید GEE، آمار مکانی یا مقاله‌نویسی را اصولی یاد بگیرید؟با GISLAND برای انتخاب دوره مشورت کنید.

یادگیری عمیق‌تر

سؤالات متداول

این پرامپت‌ها برای کدام ابزار هوش مصنوعی است؟

برای چت‌بات‌های عمومی مثل ChatGPT، Claude یا Gemini نوشته شده‌اند؛ کیفیت پاسخ به مدل و اطلاعاتی که در جاهای خالی می‌گذارید بستگی دارد.

می‌توانم متن تولیدشده را مستقیم در مقاله بگذارم؟

نه بدون بازبینی. متن را خودتان ویرایش و با داده و منابع واقعی تطبیق دهید و سیاست مجله درباره افشای استفاده از هوش مصنوعی را رعایت کنید.

کد Earth Engine تولیدشده اجرا نمی‌شود؛ چه کنم؟

از پرامپت «عیب‌یابی و بهینه‌سازی کد GEE» استفاده کنید و متن خطا را در آن بگذارید؛ برای یادگیری اصولی هم دوره Google Earth Engine را ببینید.

چرا جاهای خالی داخل کروشه است؟

تا یادتان باشد اطلاعات واقعی پژوهش خودتان را جایگزین کنید؛ پرامپت بدون این اطلاعات خروجی کلی و کم‌ارزش می‌دهد.

ثبت‌نام و مشاوره دوره‌های پژوهشی و GEE

برای دوره‌های Google Earth Engine، پایتون و مقاله‌نویسی، یا مشاوره پژوهش، فرم را پر کنید.

  • ۰۹۱۲۰۴۳۸۸۷۴
  • مشاوره انتخاب دوره و مسیر یادگیری
  • پاسخ از طرف تیم GISLAND

    بعد از ارسال، با شما تماس می‌گیریم. شماره شما فقط برای همین درخواست استفاده می‌شود.

    ابزارهای رایگان دیگر GISLAND

    همه ابزارهای رایگان GIS · آموزش‌های رایگان GISLAND · دانلود داده‌های GIS ایران