مدل ها و تکنیک های شهری

✅ عنوان:  آموزش مکان یابی بیمارستان در ArcGIS 👆 قسمت اول _ ۱ #آموزش #جی_آی_اس #مکان_یابی #ArcGIS #GIS ___ 🌐 کانال مدل ها و تکنیک ها در مطالعات شهری 🆔 @modelinggeo

🔹مجله علمی Land Use and Sustainable Development وابسته به دانشگاه آزاد اسلامی واحد شیراز، با گرید وزارت علوم، تحقیقات و فناوری و کسب رتبه +A در ارزیابی سال 1404 دانشگاه آزاد اسلامی، آماده پذیرش و انتشار مقالات ارزشمند پژوهشگران در زمینه‌های آمایش سرزمین، برنامه‌ریزی توسعه محیطی، جغرافیا و برنامه‌ریزی شهری و روستایی، برنامه ریزی و توسعه منطقه‌ای، کاربری اراضی، توسعه پایدار، محیط‌زیست و سیاست‌گذاری توسعه سرزمین است. 🔹این مجله برای پیش‌دفاع دانشجویان دکتری دانشگاه آزاد مورد تأیید بوده و دارای 3 امتیاز می باشد. در مرحله ارسال مقالات به زبان فارسی دریافت می شود و به زبان انگلیسی چاپ می‌شوند. برای اطلاعات بیشتر و ارسال مقاله، به وب‌سایت مجله مراجعه فرمایید: https://sanad.iau.ir/fa/Journal/jlusd دانشگاه آزاد اسلامی واحد شیراز

✅  اموزش Python در GIS 👆 در این ویدیو ادامه مسیر GIS + Python + هوش مصنوعی را می‌بینیم: 📌 جلسه سیزدهم ـ ۱۳. Python calculator tools, Conditionals, CON, Raster Calculator, SUM #آموزش #پایتون #Arc_GIS #Python 🌐 کانال مدل ها و تکنیک ها در مطالعات شهری 🆔 @modelinggeo

✅  آموزش Python در GIS در این ویدیو ادامه مسیر GIS + Python + هوش مصنوعی را می‌بینیم: 📌 جلسه دوازدهم ـ ۱۲ Python, Reclassify, Euclidean Distance,Site Selection,Feature to Raster. #آموزش #پایتون #Arc_GIS #Python _______________________________________ 🌐 کانال مدل ها و تکنیک ها در مطالعات شهری 🆔 @modelinggeo

✅  آموزش Python در GIS در این ویدیو ادامه مسیر GIS + Python + هوش مصنوعی را می‌بینیم: 📌 جلسه یازدهم ـ ۱۱ Python, Reclassify, Euclidean Distance, Bolliean Logic #آموزش #پایتون #Arc_GIS #Python __ 🌐 کانال مدل ها و تکنیک ها در مطالعات شهری 🆔 @modelinggeo

✅ معرفی روش: RT-AID؛ دلفی بلادرنگ مبتنی بر هوش مصنوعی برای آینده‌نگاری و تصمیم‌گیری ✍️ مجید اکبری: پژوهشگر آینده‌نگاری شهری _____________________________________ ⬅️ یکی از مسائل قدیمی روش دلفی این است که دستیابی به نظر جمعی خبرگان معمولاً به چند دور پرسشنامه، زمان زیاد، بازخوردهای مکرر و مشارکت مستمر خبرگان نیاز دارد. با طولانی‌شدن فرآیند نیز احتمال افت مشارکت و ریزش اعضای پانل افزایش می‌یابد. در سال ۲۰۲۵، Calleo و Pilla روشی با عنوان Real-Time AI Delphi (RT-AID) معرفی کردند که دلفی بلادرنگ را با مدل‌های هوش مصنوعی مولد ترکیب می‌کند. در این روش، هوش مصنوعی جایگزین خبره انسانی نیست؛ بلکه به‌عنوان یک عامل پشتیبان وارد فرآیند می‌شود تا دیدگاه‌های مکمل ایجاد کند، استدلال‌های مخالف را برجسته سازد، تحلیل بازخوردها را تسریع کند و به شکل‌گیری سناریوهای متنوع‌تر کمک کند. این روش در یک مطالعه آینده‌نگر درباره سیاست‌های اقلیمی و حمل‌ونقل شهر دوبلین تا سال ۲۰۳۵ آزمایش شده است. 🧩 چارچوب RT-AID

۱) تعریف مسئله آینده‌نگاری و افق زمانی ابتدا مسئله تصمیم‌گیری، محدوده سیستم و افق آینده مشخص می‌شود. ۲) مرور اسناد و استخراج عوامل کلیدی روندها، مسائل، نیروهای تغییر و متغیرهای مؤثر بر مسئله شناسایی می‌شوند. ۳) طراحی گزاره‌ها یا سیاست‌های آینده مجموعه‌ای از سیاست‌ها، اقدامات یا گزاره‌های آینده برای ارزیابی توسط خبرگان تدوین می‌شود. ۴) تشکیل پانل خبره انسانی متخصصان مرتبط وارد سامانه دلفی بلادرنگ می‌شوند و بدون انتظار برای پایان «دور اول» می‌توانند بازخورد آماری و نظرات سایر اعضا را مشاهده کنند. ۵) ورود عامل هوش مصنوعی به پانل مدل مولد به‌عنوان عامل پشتیبان، دیدگاه‌های جایگزین، نقد، پرسش‌های تازه و استدلال‌هایی را وارد بحث می‌کند که ممکن است در یک پانل کوچک انسانی مطرح نشده باشند. ۶) بازخورد و بازنگری بلادرنگ هر خبره می‌تواند با مشاهده توزیع نظرات و استدلال‌های جدید، ارزیابی خود را حفظ یا اصلاح کند. ۷) سنجش همگرایی دیدگاه‌ها تغییرات پاسخ‌ها، پراکندگی، انسجام و میزان همگرایی پانل به شکل پیوسته ارزیابی می‌شود. ۸) تولید روایت آینده در مرحله نهایی می‌توان خروجی کمّی و کیفی خبرگان را به مدل مولد داد تا یک یا چند روایت منسجم از آینده بر اساس نتایج واقعی پانل ساخته شود.

برخلاف دلفی کلاسیک، این فرایند الزاماً متکی به «دور اول، دور دوم، دور سوم» نیست و ماهیتی بلادرنگ و پویا دارد. 🏙 کاربرد RT-AID در آینده‌نگاری شهری در مطالعه معرفی‌کننده روش، مسئله این بود: سیاست‌های امروز شهر دوبلین چگونه می‌توانند وضعیت حمل‌ونقل، کیفیت هوا و پایداری شهری را تا سال ۲۰۳۵ تغییر دهند؟ پژوهشگران شش حوزه اصلی را مورد توجه قرار دادند:

آلودگی هوا کیفیت هوا الگوهای رفت‌وآمد کاهش انتشار آلاینده‌ها عادات حمل‌ونقلی الگوهای ترافیکی

✅ نکته پایانی

برای آینده‌نگاری شهری، این روش به‌ویژه زمانی جذاب است که مسئله جدید، چندبعدی و نامطمئن باشد و تعداد خبرگان محدود یا زمان تصمیم‌گیری کوتاه باشد.

#آینده_پژوهی #دلفی #هوش_مصنوعی #RT_AID #RealTimeDelphi 🌐کانال آینده نگاری شهری 🆔 @urbanfuturing

✅ معرفی روش: CRISPA؛ روشی نوین برای ساختن سناریوها و بسته‌های سیاستی بر پایه سازگاری منطقی ✍️ مجید اکبری: پژوهشگر آینده نگاری شهری ⬅️ عدم‌قطعیت، چالش بنیادین تصمیم‌گیری عمومی در حوزه‌هایی مثل حمل‌ونقل، شهرسازی، انرژی و برنامه‌ریزی فضایی است. روش‌های رایجِ سناریوپردازی یا تعداد عوامل را به دو محور کلیدی کاهش می‌دهند و یا با ماتریس‌های پیچیده، فضای سناریو را محدود می‌کنند. در این میان، CRISPA (تحلیل سیاست‌سناریوی اثر متقابل) به‌عنوان توسعه‌ای وابستگی‌محور از تحلیل توازن اثر متقابل (CIB) معرفی شده است. برخلاف CIB که روابط را «تأثیر مثبت/منفی» می‌بیند، CRISPA می‌پرسد: «آیا عامل i به عامل j نیاز دارد؟» و بر همین اساس، سناریوها و بسته‌های سیاستی را از نظر سازگاری منطقی ارزیابی می‌کند. مقاله معرفی‌کننده این روش در سال ۲۰۲۶ در European Journal of Futures Research منتشر شده است. 🧩 چارچوب CRISPA

CRISPA پنج گام اصلی دارد: ۱) تعیین پرسش سیاستی و دیدگاه تصمیم‌گیرنده ۲) شناسایی عوامل و حالت‌های آن‌ها عوامل بیرونی: خارج از کنترل تصمیم‌گیرنده عوامل درونی: اقدامات و سیاست‌های قابل انتخاب ۳) ارزیابی روابط وابستگی میان حالت‌ها امتیاز مثبت: نیازمندی امتیاز منفی: تناقض یا بازدارندگی صفر: عدم رابطه مستقیم ۴) محاسبه شاخص سازگاری سناریوها جمع امتیازهای منفی = ناسازگاری محلی شاخص سازگاری بین ۰ و ۱ ۵) تحلیل تناسب و استواری بسته‌های سیاستی شاخص استواری: بدترین تناسب یک بسته سیاستی با سناریوهای بیرونی سازگار در این روش، ماتریس وابستگی می‌تواند به‌صورت گراف جهت‌دار نیز نمایش داده شود. CRISPA احتمال نمی‌دهد؛ فقط ترکیب‌های منطقاً ناسازگار را حذف می‌کند و اجازه می‌دهد ترکیب‌های سازگار ولی کم‌احتمال هم باقی بمانند.

🏙 کاربرد CRISPA

CRISPA برای مسائل شهری که چند عدم‌قطعیت بیرونی با چند گزینه سیاستی درهم‌تنیده‌اند، بسیار مناسب است. نمونه مقاله، پروژه متروی بروکسل است: عوامل بیرونی: سطح ترافیک، حمایت سیاسی، وضعیت خاک عوامل درونی: اجرای قیمت‌گذاری جاده‌ای، ادامه ساخت مترو یافته‌ها نشان داد: برخی سناریوهای بیرونی ناسازگارند. هیچ بسته سیاستی‌ای در همه سناریوهای بیرونی کاملاً سازگار نیست. «مترو + قیمت‌گذاری جاده‌ای» بهترین تناسب را با ترافیک بالا، خاک مناسب و حمایت سیاسی قوی دارد. «مترو بدون قیمت‌گذاری» بدترین تناسب را دارد. «قیمت‌گذاری بدون مترو» استوارترین بسته است، هرچند بهترین تناسب برای هیچ سناریوی خاصی نیست. این منطق در برنامه‌ریزی شهری، حمل‌ونقل، انرژی و سازگاری اقلیمی قابل استفاده است.

✅ پنج سناریو ممکن برنامه‌ریزی شهری در سال ۲۰۲۳

(با نگاه CRISPA به ترکیب عوامل بیرونی و بسته‌های سیاستی) ۱- شهر هوشمند و داده‌محور ترکیب رشد فناوری و فشار بودجه با سرمایه‌گذاری در زیرساخت داده، پلتفرم مشارکت دیجیتال و مدیریت الگوریتمی خدمات شهری. ۲- شهر فشرده و حمل‌ونقل عمومی‌محور واکنش به افزایش جمعیت و محدودیت زمین با تراکم‌افزایی، قیمت‌گذاری ترافیک و توسعه مترو/BRT. ۳- شهر سبز و تاب‌آور اقلیمی مواجهه با بحران اقلیمی و مخاطرات طبیعی از طریق زیرساخت سبز، مدیریت آب، انرژی تجدیدپذیر و عدالت محیطی. ۴- شهر مشارکتی و اجتماع‌محور تقویت جامعه مدنی و نارضایتی از حکمرانی متمرکز، با برنامه‌ریزی پایین‌به‌بالا، بودجه محله‌ای و شوراهای شهروندی. ۵- شهر چندمرکزی و منطقه‌ای پاسخ به رشد حاشیه‌نشینی و گسست مرکز-پیرامون با توسعه کریدورهای حمل‌ونقل، قطب‌های فرعی و همکاری بین‌شهری. 📍این سناریوها صرفاً «ممکن» هستند؛ CRISPA می‌تواند سازگاری درونی و استواری آن‌ها را در برابر آینده‌های مختلف بسنجد، اما درباره مطلوبیت یا احتمال آن‌ها داوری نمی‌کند. برای داوری ارزشی، باید گام‌های تکمیلی مانند MCDA، MAMCA یا ارزیابی تأثیرات ذی‌نفعان افزوده شود.

🔻 نکته پایانی

این روش حد وسطی است میان سناریوپردازی کیفی و مدل‌سازی‌های سنگین عدم‌قطعیت عمیق (DMDU). این روش شفاف، مشارکتی و کم‌داده است و به تصمیم‌گیرندگان کمک می‌کند بسته‌های سیاستی سازگار و استوار را پیش از ارزیابی‌های تفصیلی‌تر شناسایی کنند

#آینده_نگاری_شهری #سناریوپردازی #برنامه_ریزی_شهری #CRISPA 🌐کانال آینده نگاری شهری 🆔 @urbanfuturing

✅  آموزش Python در GIS در این ویدیو ادامه مسیر GIS + Python + هوش مصنوعی را می‌بینیم: 📌 جلسه دهم ـ ۱۰ـ۲ ادامه Python,  Site Selection for new School, Reclassify, Con, Wighted Overlay #آموزش #پایتون #Arc_GIS #Python __ 🌐 کانال مدل ها و تکنیک ها در مطالعات شهری 🆔 @modelinggeo

✅  آموزش Python در GIS در این ویدیو ادامه مسیر GIS + Python + هوش مصنوعی را می‌بینیم: 📌 جلسه دهم ـ ۱۰ Python,  Site Selection for new School, Reclassify, Con, Wighted Overlay #آموزش #پایتون #Arc_GIS #Python ___ 🌐 کانال مدل ها و تکنیک ها در مطالعات شهری 🆔 @modelinggeo

✅  آموزش Python در GIS در این ویدیو ادامه مسیر GIS + Python + هوش مصنوعی را می‌بینیم: 📌 جلسه نهم ـ ۹ Python, Site Selection for Cutting down Forest Trees, Merge, Buffer, Union, Erase #آموزش #پایتون #Arc_GIS #Python ___ 🌐 کانال مدل ها و تکنیک ها در مطالعات شهری 🆔 @modelinggeo

🌀 خدمات تخصصی کانال : 👇👇👇 👨‍🎓 انجام و تحلیل پروژه های نرم افزاری : 📊 SPSS, AMOS, lisrel, MATLAB (SIMULINK), smart pls, Eviews, excel, R, MINITAB, GAMS, Super Decisions, DEA solver, EXPERT CHOICE, micmac, ScenarioWizard ... 🔸روش های تحلیل آماری : 📊 (FUZZY) AHP, (FUZZY) ANP, (FUZZY) TOPSIS, (FUZZY) DEA, (FUZZY) ELECTRE, (FUZZY) VIKOR, (FUZZY) SAW, (FUZZY) DEMATEL, (FUZZY) MCDM, ISM, Meta SWOT, Gry, MABAC, COPRAS, SWARA, WASPAS 🔸فصل_سوم پایان نامه (روش شناسی تحقیق) ✅ قیمت 👈 توافقی (با تخفیف ویژه) 🔹فصل_چهارم پایان نامه (تجزیه و تحلیل داده ها) ✅ قیمت 👈 توافقی (با تخفیف ویژه) 🔸#فصل_پنجم پایان نامه (نتیجه گیری) ✅ قیمت 👈 توافقی (با تخفیف ویژه) 🔴 ارتباط (سفارش_پروژه) : 🆔 @shaaarnameh 📚 سالها تجربه و کادری مجرب و متخصص در رشته های مختلف، پشتوانه و تضمین کننده کیفیت کاری ماست . ____ 🌐 کانال مدل ها و تکنیک ها در مطالعات شهری 🆔 @modelinggeo

✅  آموزش Python در GIS در این ویدیو ادامه مسیر GIS + Python + هوش مصنوعی را می‌بینیم: 📌 جلسه هشتم ـ ۸ Python, Hydrology , Flow Direction, Sink, Fill, Flow Accoumolation, Stream, Stream Order, Basin, Watershed #آموزش #پایتون #Arc_GIS #Python ___ 🌐 کانال مدل ها و تکنیک ها در مطالعات شهری 🆔 @modelinggeo

✅  آموزش Python در GIS در این ویدیو ادامه مسیر GIS + Python + هوش مصنوعی را می‌بینیم: 📌 جلسه هفتم ـ ۷ Interpolation, IDW, SPLINE #آموزش #پایتون #Arc_GIS #Python ___ 🌐 کانال مدل ها و تکنیک ها در مطالعات شهری 🆔 @modelinggeo

✅  آموزش Python در GIS در این ویدیو ادامه مسیر GIS + Python + هوش مصنوعی را می‌بینیم: 📌 جلسه ششم ـ ۶ Python, Creat Contour, TIN, View Shade #Arc_GIS #Python ___ 🌐 کانال مدل ها و تکنیک ها در مطالعات شهری 🆔 @modelinggeo

✅ معرفی تکنیک جدید CORASO : رویکرد نوین رتبه‌بندی گزینه‌ها

🔸روش CORASO (یک روش تصمیم‌گیری چندمعیاره) یک متد جدید در حوزه رتبه‌بندی گزینه‌هاست که ایده اصلی آن بر اساس نزدیکی به راه‌حل ایده‌آل (بهترین) و فاصله از راه‌حل ضدایده‌آل (بدترین) استوار است. این روش توسط Adis Puška (2025) ارائه شد. برخلاف روش‌های سنتی که صرفاً بر اساس فاصله از بهترین حالت تصمیم‌گیری می‌کنند، CORASO هر دو سوی طیف (هم بهترین و هم بدترین وضعیت) را در محاسبات خود لحاظ می‌کند و دیدی جامع‌تر به تصمیم‌گیرنده می‌دهد. این روش به‌طور مشخص در دسته روش‌های تصمیم‌گیری چندمعیاره (MCDM) برای اولویت‌بندی گزینه‌ها قرار می‌گیرد و با ساختار ریاضی ساده خود، جایگزینی کارآمد برای روش‌های پیچیده‌تر محسوب می‌شود. 🔹یکی از نکات کلیدی در پیاده‌سازی این روش، توجه به کیفیت داده‌های ورودی است. تحقیقات نشان می‌دهد که وجود مقادیر صفر در معیارهای هزینه‌ای (Cost) و یا اعداد منفی در ماتریس تصمیم، می‌تواند فرآیند نرمال‌سازی را با اختلال مواجه کند. روش CORASO با ارائه دو رابطه مجزا برای نرمال‌سازی معیارهای سود (بیشتر بهتر) و هزینه (کمتر بهتر)، این چالش را مدیریت کرده و دقت محاسبات را افزایش می‌دهد.

✅ مراحل کامل روش CORASO 1️⃣ گام اول: تشکیل ماتریس تصمیم و نرمال‌سازی در این مرحله، گزینه‌ها در برابر معیارها قرار می‌گیرند. سپس داده‌ها با استفاده از دو فرمول مجزا نرمال‌سازی می‌شوند: ▫️فرمول مخصوص معیارهای سود (مثبت) ▫️فرمول مخصوص معیارهای هزینه (منفی) ⚠️ توجه: مقادیر نباید منفی باشند و در معیارهای هزینه‌ای، مقدار صفر مجاز نیست (تا از خطای تقسیم بر صفر جلوگیری شود). 2️⃣ گام دوم: وزن‌دهی و محاسبه مقدار تجمعی (Sj) پس از نرمال‌سازی، معیارها بر اساس نظر خبرگان وزن‌دهی می‌شوند. سپس برای هر گزینه، مقدار تجمعی (Sj) از جمع وزنی مقادیر نرمال‌شده محاسبه می‌گردد که نشان‌دهنده وضعیت کلی هر گزینه است. 3️⃣ گام سوم: محاسبه انحراف از راه‌حل‌های ایده‌آل در این گام، فاصله هر گزینه از بهترین وضعیت ممکن (ایده‌آل مثبت) و بدترین وضعیت ممکن (ایده‌آل منفی) محاسبه می‌شود. این ویژگی باعث می‌شود تا گزینه‌ای انتخاب شود که هم به ایده‌آل نزدیک‌تر و هم از ضدایده‌آل دورتر باشد. 4️⃣ گام چهارم: محاسبه شاخص نهایی (Q) و رتبه‌بندی در نهایت، شاخص نهایی CORASO (Q) با تلفیق انحرافات محاسبه شده و گزینه‌ها بر اساس مقدار Q رتبه‌بندی می‌شوند. هرچه مقدار Q بالاتر باشد، نشان‌دهنده کیفیت و مطلوبیت بیشتر آن گزینه است.

🔸مزایای روش CORASO

▫️روش CORASO دارای مزایای متعددی است، از جمله: ▫️در نظر گرفتن هم‌زمان بهترین و بدترین سناریو برای انتخاب دقیق‌تر ▫️ساختار ریاضی شفاف و گام‌های محاسباتی ساده ▫️قابلیت استفاده برای داده‌های کمی و کیفی (با تبدیل مناسب) ▫️ارائه هشدارهای دقیق برای جلوگیری از خطاهای عددی (مانند صفر در معیارهای هزینه) ▫️مناسب برای مسائل با معیارهای متعدد در حوزه مدیریت، مهندسی و اقتصاد

📌 چنانچه نیازمند مشاوره و تحلیل پروژه خود با این روش هستید، می‌توانید با ما در ارتباط باشید. 🆔 @shaaarnameh 👩‍💻مناسب همه گرایش‎ها #CORASO 🌐 کانال مدل ها و تکنیک ها در مطالعات شهری 🆔 @modelinggeo

✅ معرفی مدل راهبردی نوین NOISE - راه‌حل‌محور، آینده‌نگر و اقدام‌گرا 🎯 یک مدل پیشرفته و راه‌حل‌محور برای برنامه‌ریزی استراتژیک، تحلیل مسائل پیچیده و تدوین برنامه‌های عملیاتی، که جایگزینی مدرن و کارآمد برای مدل سنتی SWOT محسوب می‌شود. 🔍 مؤلفه‌های تحلیلی مدل: ✅ Needs (نیازها) – شناسایی شکاف‌ها، کاستی‌ها و الزامات اساسی ✅ Opportunities (فرصت‌ها) – شناسایی ظرفیت‌ها، منابع و بسترهای موجود برای تغییر ✅ Improvements (بهبودها) – تدوین راهکارهای عملیاتی برای ارتقای وضع موجود ✅ Strengths (نقاط قوت) – شناسایی داشته‌ها، توانمندی‌ها و مزیت‌های رقابتی ✅ Exceptions (استثناها) – شناسایی رویه‌ها و موفقیت‌های موجود قابل تکرار و گسترش 🎯 مناسب برای: 👨‍🎓 دانشجویان دکتری و کارشناسی ارشد در رشته‌های جغرافیا، شهرسازی، گردشگری، مدیریت، برنامه‌ریزی، سیاست‌گذاری و علوم اجتماعی 👩‍🔬 پژوهشگران حوزه توسعه، حکمرانی و مطالعات راهبردی 🏛 مشاوران و مدیران سازمان‌های دولتی و خصوصی 📚 نویسندگان مقالات علمی، پایان‌نامه‌ها و طرح‌های پژوهشی ⚖️ تحلیل‌گران سیاست‌گذاری و برنامه‌ریزی استراتژیک 📌 حوزه کاربرد: برنامه‌ریزی راهبردی، توسعه شهری و منطقه‌ای، آینده پژوهی، سیاست‌گذاری عمومی، مدیریت سازمانی، تحلیل مسائل پیچیده و تدوین برنامه‌های عملیاتی برای مشاوره، پیاده‌سازی مدل NOISE در پروژه‌های دانشگاهی و پژوهشی، تحلیل راهبردی یا نگارش مقالات و پایان‌نامه‌ها، از طریق آیدی زیر در ارتباط باشید: 🔴 ارتباط (سفارش_پروژه) : 🆔 @shaaarnameh ____ 🌐 کانال مدل ها و تکنیک ها در مطالعات شهری 🆔 @modelinggeo

🌀 خدمات تخصصی کانال : 👇👇👇 👨‍🎓 انجام و تحلیل پروژه های نرم افزاری : 📊 SPSS, AMOS, lisrel, MATLAB (SIMULINK), smart pls, Eviews, excel, R, MINITAB, GAMS, Super Decisions, DEA solver, EXPERT CHOICE, micmac, ScenarioWizard ... 🔸روش های تحلیل آماری : 📊 (FUZZY) AHP, (FUZZY) ANP, (FUZZY) TOPSIS, (FUZZY) DEA, (FUZZY) ELECTRE, (FUZZY) VIKOR, (FUZZY) SAW, (FUZZY) DEMATEL, (FUZZY) MCDM, ISM, Meta SWOT, Gry, MABAC, COPRAS, SWARA, WASPAS 🔸فصل_سوم پایان نامه (روش شناسی تحقیق) ✅ قیمت 👈 توافقی (با تخفیف ویژه) 🔹فصل_چهارم پایان نامه (تجزیه و تحلیل داده ها) ✅ قیمت 👈 توافقی (با تخفیف ویژه) 🔸#فصل_پنجم پایان نامه (نتیجه گیری) ✅ قیمت 👈 توافقی (با تخفیف ویژه) 🔴 ارتباط (سفارش_پروژه) : 🆔 @shaarnameh1 📚 سالها تجربه و کادری مجرب و متخصص در رشته های مختلف، پشتوانه و تضمین کننده کیفیت کاری ماست . ____ 🌐 کانال مدل ها و تکنیک ها در مطالعات شهری 🆔 @modelinggeo

🎥  آموزش Python در GIS در این ویدیو ادامه مسیر GIS + Python + هوش مصنوعی را می‌بینیم: 📌 جلسه پنجم #آموزش #پایتون #Arc_GIS #Python ___ 🌐 کانال مدل ها و تکنیک ها در مطالعات شهری 🆔 @modelinggeo