حساب الكثافة

تحليل الكثافة ينقل كميات معروفة لبعض الظواهر وإنشاء خريطة كثافة عن طريق نشر هذه الكميات عبر الخريطة. يمكن استخدام هذه الأداة، مثال، لإظهار تركيزات الإضاءة أو الأعاصير والوصول إلى مرافق الرعاية الصحية والكثافات السكانية.

استيفاء النقاط

تسمح هذه الأداة بتوقع القيم الموجودة في المواقع الجديدة استنادًا إلى القياسات الموجودة في مجموعة النقاط. تحصل هذه الأداة على البيانات النقطية مع القيم في كل نقطة وتقوم بإرجاع المناطق المُصنفة من قيم القيم المُتوقعة. يمكن استخدام هذه الأداة، مثال، لتوقع مستويات سقوط الأمطار في مُستجمع الأمطار المستندة إلى القياسات التي تم الحصول عليها في نقاط تجمع الأمطار الفردية.

استخدام القرب

تساعد هذه الأدوات في الإجابة على أحد الأسئلة الهامة في التحليل المكاني: "ماذا يوجد بالقرب من ماذا؟"

• حساب المسافة حساب المسافة الإقليدية من مصدر واحد والاتجاه والتخصيص من أو مصدر واحد أو مجموعة مصادر.
• تقوم تحديد شبكة تكلفة السفر المثلى بحساب شبكة التكلفة المثلى من مجموعة من المناطق المدخلة.
• تقوم أداة تحديد مسار تكلفة السفر كخط متصل بحساب مسار الخطوط المتصلة لأقل تكلفة بين المصادر والوجهات المعروفة.

حساب المسافة

حساب المسافة الإقليدية من مصدر واحد والاتجاه والتخصيص من أو مصدر واحد أو مجموعة مصادر. يمكنك استخدام هذه الأداة لتحديد المسافة التي يبعدها الموقع عن طريق أو مبنى أو منتزه. يمكنك أيضًا تحديد الاتجاه الذي يجب عليك السفر منه من موقع للعودة إلى مصدر في أكثر الاتجاهات المباشرة. يمكنك رؤية كل المواقع في منطقة الدراسة التي تعد المصدر الأقرب.

مراقبة الغطاء النباتي

يُنفذ عملية حسابية في نطاقات طبقة بيانات نقطية متعددة النطاقات لإظهار معلومات تغطية الحياة النباتية في منطقة الدراسة.

تحليل تضاريس

تساعد هذه الأدوات في تحليل أسطح البيانات النقطية.

• احتساب المنحدر يقوم باحتساب انحدار التضاريس.
• اشتقاق الواجهة تقوم باحتساب اتجاه الانحدار والميل لكل موقع.
• إنشاء طريقة العرض تقوم بتحديد ما يمكن رؤيته من أي نقطة أفقيًا.
• المستجمع المائي حساب المنطقة المساهمة أعلى المواقع المحددة على السطح.

اشتقاق المظهر

تستخدم لتحديد اتجاه انحدار الحد الأقصى لمعدل تغيير القيمة من كل خلية إلى الخلايا المجاورة لها. يمكن اعتبار الواجهة في صورة اتجاه انحدار.

إدارة البيانات

يتم استخدام هذه الأدوات لكل من إدارة البيانات الجغرافية اليومية ولدمج البيانات السابقة للتحليل.

• استخراج البيانات النقطية قص أجزاء من مجموعة بيانات نقطية للتحليل مستقبلاً.
• إعادة تخطيط القيم تعيين قيم مختلفة لخلايا البيانات النقطية.
• تحويل المعلم إلى بيانات نقطية تحويل البيانات النقطية الاتجاهية لبيانات نقطية.
• تحويل البيانات النقطية إلى معلم تحويل البيانات الاتجاهية لبيانات نقطية.

مجموعة أدوات التعلم الشامل

تُستخدم هذه الأدوات لاكتشاف معالم معينة في صورة أو لتصنيف وحدات البكسل في مجموعة بيانات نقطية. التعلم الشامل هو نوع من التعلم الآلي بذكاء اصطناعي يكتشف المعالم في الصور باستخدام طبقات متعددة في الشبكات العصبية حيث كل طبقة قادرة على استخراج معلم فريد أو أكثر في الصورة. تستخدم هذه الأدوات الطرق التي تم التدريب عليها لاكتشاف معالم معينة في أطر التعلم الشامل الخارجية—مثل TensorFlow وCNTK وKeras—وإخراج المعالم أو تصنيف الخرائط.

• تُنتج أداة تصنيف وحدات البكسل باستخدام التعلم الشامل بيانات نقطية مصنفة باستخدام نموذج تعلم شامل مدرب.
• تُنتج أداة اكتشاف الكائنات باستخدام التعلم الشامل تصنيف معلم يحتوي على كائنات توجد مجموعة بيانات نقطية للإدخال باستخدام نموذج تعلم شامل ومدرب.

تصنيف وحدات البكسل باستخدام التعلم الشامل

Runs a trained deep learning model on an input raster to produce a classified raster, with each valid pixel having a class label assigned.

اكتشاف الكائنات باستخدام التعلم الشامل

Runs a trained deep learning model on an input raster to produce a feature class containing the objects it finds. The features can be bounding boxes or polygons around the objects found, or points at the centers of the objects.