إدريسي

التاريخ والخلفية

في هذا الإطار، تم تطوير تيرسيت لأول مرة في عام 1987 من قبل البروفيسور ج. رونالد إيستمان من جامعة كلارك، قسم الجغرافيا. يواصل الدكتور ايستمان كونه المطور الرئيسي وكبير المهندسين المعماريين للبرمجيات. تم تسمية البرنامج في البداية على اسم رسام الخرائط محمد الإدريسي (1100-1166). في يونيو 2020 ، أصدرت مختبرات كلارك برنامج تيرسييت 2020 للمراقبة الجيومكانية والنمذجة، الإصدار 19. إلى جانب بحثها الأساسي وتركيزها العلمي، تحظى تيرسيت بشعبية كأداة أكاديمية لتدريس النظريات الاساسية وراء نظم المعلومات الجغرافية في الكليات والجامعات .

وفي السياق ذاته، تتم إدارة وتحديث تيرسيت بواسطة مختبرات كلارك. مقرها داخل كلية الدراسات العليا للجغرافيا بجامعة كلارك، تشتهر مختبرات كلارك وأدواتها البرمجية بالتقدم في مجالات مثل دعم القرار، وإدارة عدم اليقين وتطوير المصنف وتحليل السلاسل الزمنية، والتغيير والنمذجة الديناميكية. تشترك مختبرات كلارك مع منظمات مثل مؤسسة جوردون و بيتي مور، و جوجل.اورج، وزارة الزراعة الأمريكية، والأمم المتحدة، و منظمة الحفاظ على الطبيعة، وامازون و جمعية حماية الحياة البرية.

التطورات الرئيسية في برنامج تيرسيت 2020

من جهة ثانية، منذ عام 1987 ، تم استخدام تيرسيت من قبل محترفين في مجموعة واسعة من الصناعات في أكثر من 180 دولة حول العالم. في المجموع، هناك أكثر من 300 أداة تحليلية توفر مجموعة أدوات موجهة اساسا إلى البيانات النقطية، لمعالجة مجموعة البيانات الجغرافية المكانية لاستكشاف عالمنا سريع التغير.

الادريسي- الاستشعار عن بعد

علاوةً على ذلك، •تمت كذلك إضافة خيارات تحرير الصور إلى قائمة التنظيف اليدوي للتصنيف عن طريق الرقمنة المباشرة، أو فئة مقنعة.

• المراجع
• روابط خارجية
• Clark Labs Tech Notes Blog
• REDD Blog
• Earth Trends Blog
• IDRISI Canada Home Page
• IDRISI Brazil Website

وفي السياق ذاته، •إجراء تنظيف ما بعد التصنيف- الذي يفرض وحدة تعيين دنيا محددة عن طريق ازالة الميزات (مجموعات متجاورة من وحدات البكسل) أصغر من الحد المحدد.

وعلى صعيد آخر، •عينة فرعية- إجراء لاخذ عينات فرعية من بيانات التدريب، بما في ذلك إنشاء عينات متوازنة حيث يكون لكل فصل عينة متساوية الحجم.

إضافةً إلى ذلك، •ملوحة التربة- وحدة تنشئ مؤشرات لملوحة التربة بناء على الانعكاس في النطاقات الزرقاء والخضراء والأحمر و الأشعة تحت الحمراء القريبة. في المجموع يتم دعم 10 مؤشرات.

في هذا الإطار، •تم تبسيط الرقمنة التي تظهر على الشاشة إلى حد كبير لتسهيل المشاريع التي تحتاج إلى تطوير عدد كبير من مواقع التدريب، كما يوفر خيار مراقبة مناطق مواقع التدريب. هذا مفيد بشكل خاص عند محاولة تحقيق عينات متوازنة للتعلم الآلي.

علاوةً على ذلك، •التوافق - وحدة تقوم باخراج تعيينات الفئة الأكثر شيوعا من مجموعة من التصنيفات، ويفيد هذا في إنشاء تصنيف المجموعات.

وفي هذا السياق، •هو مصنف جديد يعتمد على كلا التصنيفين الناعم والصلب مدعوم. فضلًا عن ذلك يتم تقديم أداة آلية لوضع المعلمات-إجراء «بحث الشبكة» الذي يختبر القيم المتغيرة للمعلمات باستخدام التحقق المتبادل.

كذلك، •تنفيذ خوارزمية الغابة العشوائية للتصنيف، فضلًا عن التصنيف الصعب يمكن كذلك إخراج صور تصنيف احتمالية ناعمة. يمكن كذلك حفظ نماذج واستخدامها لتصنيف الصور الجديدة. وبالتالي يمكن تدريب النماذج في مكان أو وقت واحد، ثم تطبيقها في مكان أو وقت مختلف طالما يتم استخدام نفس المتغيرات.