استخدام المقاربة

تساعدك هذه الأدوات في الإجابة على بعض الأسئلة الأكثر شيوعًا المطروحة في التحليل المكاني: ماذا يوجد بالقرب من ماذا؟ وما هو المسار الأمثل؟

• 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 الوجهات والمصادر المعروفة.
• تقوم أداة تراكم المسافة بحساب المسافة المتراكمة لكل خلية إلى المصادر، مما يسمح بمسافة الخطوط المستقيمة ومسافة التكلفة والمسافة الحقيقية للسطح بالإضافة إلى العوامل الرأسية والأفقية.
• تقوم أداة تخصيص المسافة بحساب تخصيص المسافة لكل خلية إلى المصادر المزودة بناء على مسافة الخطوط المستقيمة ومسافة التكلفة والمسافة الحقيقية للسطح بالإضافة إلى العوامل الرأسية والأفقية.
• تقوم أداة المسار الأمثل كخط بحساب المسار الأمثل من الوجهات إلى المصادر كخط.
• تقوم أداة المسار الأمثل كبيانات نقطية بحساب المسار الأمثل من الوجهات إلى المصادر كبيانات نقطية.
• تقوم أداة اتصالات المنطقة المثالية بحساب شبكة الاتصال المثالية بين منطقتين مدخلتين أو أكثر.

التعلم الشامل

تُستخدم هذه الأدوات لاكتشاف أو تصنيف 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.
• ينتج تصنيف الكائنات باستخدام التعلم الشامل تصنيف معالم أو جدولاً يتم فيه تعيين كل كائن إدخال في البيانات النقطية للإدخال مع تسمية التصنيف باستخدام نموذج التعلم الشامل المدرب.

التحليل متعدد الأبعاد

تتيح لك الأدوات الموجودة في مجموعة أدوات التحليل متعددة الأبعاد إجراء تحليل للبيانات العلمية عبر متغيرات وأبعاد متعددة.

تمثل البيانات متعددة الأبعاد البيانات المجمعة في أوقات وأعماق وارتفاعات متعددة. يُستخدم هذا النوع من البيانات بشكل شائع في علوم الغلاف الجوي وعلوم المحيطات والأرض. باستخدام مجموعة الأدوات هذه، يمكنك تحليل البيانات النقطية متعددة الأبعاد بتنسيقات متعددة، بما في ذلك netCDF وHDF وGRIB ومجموعة بيانات الفسيفساء متعددة الأبعاد وتنسيق البيانات النقطية للسحابة (CRF) الخاص بـ Esri.

يدرج الجدول التالي أدوات التحليل متعدد الأبعاد ويوفر وصفًا موجزًا لكل منها.

• يُنشئ تجميع البيانات النقطية متعددة الأبعاد مجموعة بيانات نقطية متعددة الأبعاد بتجميع متغيرات البيانات النقطية متعددة الأبعاد الموجودة على امتداد بُعد.
• يحسب إنشاء انحراف متعدد الأبعاد الانحراف لكل شريحة في بيانات نقطية متعددة الأبعاد لإنشاء بيانات نقطية متعددة الأبعاد.
• تقدر أداة إنشاء البيانات النقطية للاتجاه اتجاه كل وحدة بكسل على طول بُعد واحد أو أكثر من المتغيرات في البيانات النقطية متعددة الأبعاد.
• تحسب أداة التنبؤ باستخدام بيانات نقطية للاتجاه البيانات النقطية متعددة الأبعاد المتوقعة باستخدام البيانات النقطية للاتجاه الناتجة من أداة إنشاء البيانات النقطية للاتجاه.
• تستخرج أداة العثور على إحصائيات وسيطة قيمة البُعد أو مؤشر النطاق الذي يتم عنده الحصول على إحصاء محدد لكل وحدة بكسل في بيانات نقطية متعددة الأبعاد أو متعددة النطاقات.