GIS plant

إليك كود Python لاستخراج وعرض المباني في ArcGIS Pro على الـ Basemap:
طريقة الاستخدام:
افتح ArcGIS Pro وافتح Python Window أو استخدم Notebook
غيّر المسارات الثلاثة في أعلى الكود:
aprx_path ← مسار ملف مشروعك .aprx
buildings_path ← مسار طبقة المباني (GDB أو Shapefile)
map_name ← اسم الخريطة داخل المشروع (الافتراضي: "Map")
شغّل الكود

import arcpy
import os
# ==========================================
# إعدادات المشروع
# ==========================================
# مسار مشروع ArcGIS Pro (.aprx)
aprx_path = r"C:\Projects\MyProject\MyProject.aprx" # غيّر المسار
# مسار طبقة المباني (Feature Class أو Shapefile)
buildings_path = r"C:\Projects\MyProject\MyProject.gdb\Buildings" # غيّر المسار
# اسم الخريطة داخل المشروع
map_name = "Map"
# ==========================================
# فتح المشروع وإضافة طبقة المباني
# ==========================================
def add_buildings_to_basemap(aprx_path, buildings_path, map_name="Map"):
try:
# فتح مشروع ArcGIS Pro
aprx = arcpy.mp.ArcGISProject(aprx_path)
print(f"✅ تم فتح المشروع: {aprx_path}")
# الوصول إلى الخريطة
maps = aprx.listMaps(map_name)
if not maps:
print(f"❌ لم يتم العثور على خريطة باسم '{map_name}'")
print(f"الخرائط المتاحة: {[m.name for m in aprx.listMaps()]}")
return
map_obj = maps[0]
print(f"✅ تم الوصول إلى الخريطة: {map_obj.name}")
# التحقق من وجود طبقة المباني
if not arcpy.Exists(buildings_path):
print(f"❌ الطبقة غير موجودة: {buildings_path}")
return
# التحقق إذا كانت الطبقة مضافة مسبقاً
existing_layers = [lyr.name for lyr in map_obj.listLayers()]
layer_name = os.path.basename(buildings_path)
if layer_name in existing_layers:
print(f"⚠️ الطبقة '{layer_name}' موجودة مسبقاً في الخريطة")
else:
# إضافة طبقة المباني إلى الخريطة
map_obj.addDataFromPath(buildings_path)
print(f"✅ تم إضافة طبقة المباني: {layer_name}")
# ==========================================
# تطبيق تنسيق على طبقة المباني
# ==========================================
buildings_layer = map_obj.listLayers(layer_name)[0]
# الوصول إلى CIM (تنسيق رسومي متقدم)
cim = buildings_layer.getDefinition('V3')
# تغيير لون التعبئة والحدود
renderer = cim.renderer
if hasattr(renderer, 'symbol'):
polygon_symbol = renderer.symbol.symbol
for layer_sym in polygon_symbol.symbolLayers:
if hasattr(layer_sym, 'color'):
# لون التعبئة: برتقالي شفاف
layer_sym.color = {
"type": "CIMRGBColor",
"values": [255, 165, 0, 120] # RGBA
}
buildings_layer.setDefinition(cim)
print("✅ تم تطبيق التنسيق على الطبقة")
# ==========================================
# حفظ المشروع
# ==========================================
aprx.save()
print("✅ تم حفظ المشروع بنجاح")
# ==========================================
# طباعة معلومات الطبقة
# ==========================================
print("\n📊 معلومات طبقة المباني:")
desc = arcpy.Describe(buildings_path)
print(f" - نوع البيانات: {desc.dataType}")
print(f" - نظام الإحداثيات: {desc.spatialReference.name}")
count = int(arcpy.management.GetCount(buildings_path)[0])
print(f" - عدد المباني: {count:,}")
except Exception as e:
print(f"❌ حدث خطأ: {e}")
import traceback
traceback.print_exc()
# ==========================================
# تشغيل الكود
# ==========================================
if __name__ == "__main__":
add_buildings_to_basemap(aprx_path, buildings_path, map_name)

A pylon is an essential structure in various industries. It serves roles like supporting power lines or signaling important locations. Detecting pylons in high-resolution satellite or aerial imagery is crucial for infrastructure maintenance and ensuring power grid reliability. Detecting pylons is important for safety, as it can help in identifying damaged or fallen pylons. It can also prevent accidents by ensuring clear visibility of road signs and signals. Detecting pylons can be useful for optimizing traffic flow and aiding in urban planning decisions. Use this deep learning model to automate the task of detecting pylons in high-resolution satellite or aerial imagery.
الصرح هو هيكل أساسي في مختلف الصناعات. إنه يخدم أدوارًا مثل دعم خطوط الكهرباء أو الإشارة إلى المواقع المهمة. يعد اكتشاف الأبراج في الصور الفضائية أو الجوية عالية الدقة أمرًا بالغ الأهمية لصيانة البنية التحتية وضمان موثوقية شبكة الطاقة. يعد اكتشاف الأبراج أمرًا مهمًا للسلامة، لأنه يمكن أن يساعد في تحديد الأبراج التالفة أو المتساقطة. ويمكنه أيضًا منع وقوع الحوادث من خلال ضمان الرؤية الواضحة لعلامات وإشارات الطريق. يمكن أن يكون اكتشاف الأبراج مفيدًا لتحسين تدفق حركة المرور والمساعدة في اتخاذ قرارات التخطيط الحضري. استخدم نموذج التعلم العميق هذا لأتمتة مهمة اكتشاف الأبراج في الصور الفضائية أو الجوية عالية الدقة.

Using Google Earth Engine to extract land salinity using a programming languageاستخدام google earth engine في استخراج تملح الأرض مع لغه البرمجه

بمناسبه اليوم الوطني السعودي إن شاء الله سوف يتم إنشاء دورة عن استخدام الذكاء الاصطناعي والتعلم العميق بخصم 50%من قيمة الكورس+شهادة والتعرف على السوق العمل السعودي. On the occasion of Saudi National Day, God willing, a course will be held on the use of artificial intelligence and deep learning at a 50% discount on the value of the course + a certificate and an introduction to the Saudi labor market.

This deep learning model is used to extract roads from high resolution (1 meter) aerial/satellite imagery. Road layers are useful in preparing base maps and analysis workflows for urban planning and development, change detection, infrastructure planning, and a variety of other applications.يُستخدم نموذج التعلم العميق هذا لاستخراج الطرق من الصور الجوية/الأقمار الصناعية عالية الدقة (1 متر). تعتبر طبقات الطريق مفيدة في إعداد الخرائط الأساسية وتحليل سير العمل للتخطيط والتطوير الحضري، واكتشاف التغيير، وتخطيط البنية التحتية، ومجموعة متنوعة من التطبيقات الأخرى.

نموذج التعلم العميق لاكتشاف واستخراج التغطية الخضراء من الصور الجوية والأقمار الصناعية عالية الدقةAn educational model for exploring and extracting large green resources from satellites and satellites with high precision

Building fingerprint using deep learningبناء البصمة باستخدام التعلم العميق

الاستشعار عن بعد باستخدام بايثون: اكتشاف التغيير وتحليل السلاسل الزمنيةRemote Sensing with Python: Change Detection and Time Series Analysis

إن شاء الله سوف يكون هناك فيديو شرح عن استخدام الذكاء الاصطناعي في Gis

للمهتمين بتطبيقات الذكاء الاصطناعي في مجال الجغرافيا GeoAI --- مقال علمي بعنوان - GeoAI: spatially explicit artificial intelligence techniques for geographic knowledge discovery and beyond - تم نشره في 30 Oct 2019

- يتكلم في مقدمته عن التطور الأخير في الذكاء الاصطناعي AI عموما ودور توافر البيانات عالية الجودة، وتطور الأجهزة والبرمجيات لمعالجة هذه البيانات بكفاءة .

- يتناول البحث أيضا مجموعة من الأمثلة تتضمن بعض الأمثلة الحديثة للتقدم في تقنيات الذكاء الاصطناعي في الجغرافيا :

1. الكشف عن ميزات التضاريس وآثار المباني الموزعة بكثافة باستخدام البيانات الجغرافية عالية الدقة وتقنيات التعلم العميق.
2. استخراج المعلومات من الخرائط التاريخية الممسوحة ضوئيا باستخدام أساليب الذكاء الاصطناعي.
3. التصنيف الدلالي لسحب نقاط LiDAR لمهام مثل تصنيف الغطاء الأرضي.
4. طرق جديدة للاستيفاء المكاني (interpolation)، والتي يمكن أن تحسن دقة تحليل البيانات المكانية.
5. التقدم في التنبؤ بحركة المرور، والذي يمكن أن يساعد في التنبؤ بأنماط حركة المرور وإدارتها.

توضح هذه الأمثلة كيفية تطبيق تقنيات الذكاء الاصطناعي على المهام الجغرافية وأنواع البيانات المختلفة، مما يؤدي إلى التقدم في مجال الجغرافيا.

- كما يتحدث البحث عن ثقافة إنشاء البيانات ومشاركتها والتغيرات الكبيرة في السنوات الأخيرة في هذه الثقافة.

يمكنكم الإطلاع على البحث كاملا من خلال الرابط التالي:
https://drive.google.com/file/d/1CsYASdEmzKC-otzlgvkNO6UJf7-9ki7y/view?usp=sharing

الاحد ٩/٢

واى استفسار بخصوص التقديم هيكون معاكم فريق مساعده
#بالتوفيق