نوع مقاله : مقاله پژوهشی

نویسندگان

• علیرضا شریفی ¹
• مریم پیران ²

¹ گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران

² گروه مدیریت برنامه ریزی آموزشی، دانشکده روان شناسی و علوم تربیتی، دانشگاه شیراز، شیراز، ایران

چکیده

یشینه و اهداف: رشته مهندسی نقشه‌برداری در حال گذار از یک حرفه عمدتا ابزارمحور به یک حوزه یکپارچه اطلاعات مکانی است که در آن اندازه‌گیری، تعیین موقعیت، سنجش از دور، مدل‌سازی سه‌بعدی، پایگاه داده، خدمات وب، پردازش ابری و هوش مصنوعی در یک گردش‌کار مشترک به هم متصل می‌شوند. این تغییر به معنای کاهش اهمیت دروس پایه نیست؛ بلکه محیطی را که این مبانی در آن به کار می‌روند گسترده‌تر می‌کند. در نتیجه، برنامه کارشناسی با یک مساله طراحی آموزشی روبه‌رو است؛ افزودن هر فناوری جدید می‌تواند برنامه را به فهرستی متراکم از نرم‌افزارها تبدیل کند، در حالی که حفظ برنامه‌ای عمدتا سنتی ممکن است فارغ‌التحصیل را برای خودکارسازی، یکپارچه‌سازی و ارائه داده‌های مکانی جدید آماده نکند. هدف این پژوهش توسعه یک چارچوب شایستگی مبتنی بر شواهد برای نقشه‌بردار آینده و تبدیل آن به نقشه‌راه چهارساله است؛ به‌گونه‌ای که شایستگی‌های مشترک، سطح اولویت، روابط پیش‌نیازی و خروجی‌های عملی قابل ارائه در نمونه‌کار دانشجو مشخص شوند.
روش‌ها‌: پژوهش با رویکرد مرور روایتی هدفمند و نگاشت شایستگی انجام شد. بدنه شواهد از چهار گروه منبع تشکیل شد: اسناد حرفه‌ای و آموزشی نهادهای بین‌المللی نقشه‌برداری و اطلاعات مکانی؛ استانداردها و راهنماهای مرتبط با داده مکانی، تعامل‌پذیری و اطلاعات سه‌بعدی؛ مستندات رسمی فناوری‌های باز و ابری که در گردش‌کارهای مهندسی نقشه برداری کاربرد گسترده دارند؛ و مطالعات علمی جدید درباره هوش مکانی (GeoAI) و دوقلوهای دیجیتال. منابع زمانی وارد فرایند شدند که حداقل یکی از چهار نقش را پشتیبانی کنند: تعریف بنیان‌های ماندگار حرفه، مستندسازی تحول دیجیتال، مشخص‌کردن رویه فنی تعامل‌پذیر، یا معرفی یک توانمندی نوظهور با کاربرد فراتر از یک نرم‌افزار خاص. مهارت‌های استخراج‌شده با سه معیار اهمیت بنیادی برای هویت حرفه‌ای، گستره کاربرد در محیط‌های شغلی و پژوهشی، و اهمیت راهبردی برای گردش‌کارهای آینده ارزیابی شدند. سپس روابط پیش‌نیازی بررسی شد تا مهارت‌های پیشرفته پیش از دروس پایه قرار نگیرند و از این طریق مدل پنج‌لایه و توالی هشت‌نیم‌سال ساخته شد.
یافته‌ها: تحلیل منابع به مدلی با پنج لایه به‌هم‌پیوسته انجامید. لایه نخست شامل دروس پایه نقشه‌برداری، ژئودزی و فتوگرامتری است. لایه دوم سامانه اطلاعات مکانی (GIS)، برنامه‌نویسی، مدل داده، پایگاه داده مکانی و خودکارسازی بازتولیدپذیر را پوشش می‌دهد. لایه سوم ارتباط میان برداشت زمینی، هوایی و فضایی را با سنجش از دور، فتوگرامتری پهپادپایه، پویشگرهای لیزری، ابرنقاط و مدل‌سازی سه‌بعدی برقرار می‌کند. لایه چهارم به یادگیری ماشین، یادگیری عمیق، هوش مکانی، رابط‌های برنامه‌نویسی وب، پردازش ابری، نقشه‌های تحت وب، یکپارچه‌سازی مدل‌سازی اطلاعات ساختمان و دوقلوهای دیجیتال می‌پردازد. لایه پنجم ماهیتی میان‌بخشی دارد و استانداردها، اخلاق، حاکمیت داده، مستندسازی، کنترل نسخه، بازتولیدپذیری، کار تیمی و ارتباط حرفه‌ای را دربرمی‌گیرد.
نتیجه‌گیری: نقشه‌بردار آینده را می‌توان متخصص سامانه‌های مکانی دانست که داده را از برداشت تا اعتبارسنجی، ذخیره‌سازی، تبدیل، تحلیل، مدل‌سازی و ارائه خروجی هدایت می‌کند. بنابراین برنامه پیشنهادی رشته مهندسی نقشه‌برداری را با برنامه‌نویسی یا هوش مصنوعی جایگزین نمی‌کند؛ بلکه دروس پایه را لایه کنترل‌کننده مهارت‌های دیجیتال قرار می‌دهد و برنامه‌نویسی را ابزاری برای شفافیت، مقیاس‌پذیری و بازتولیدپذیری گردش‌کار می‌داند. مهم‌ترین تغییر آموزشی، عبور از تدریس برنامه‌های منفرد به آموزش مفاهیم قابل انتقال و حل مساله از ابتدا تا انتها است. فارغ‌التحصیل باید بتواند توضیح دهد چرا یک مختصات قابل اعتماد است، یک مجموعه‌داده چگونه سازمان‌دهی می‌شود، یک تحلیل چگونه بازتولید می‌شود، نتیجه چگونه از طریق استاندارد یا رابط تبادل می‌گردد و محدودیت داده یا مدل کجا بر تصمیم اثر می‌گذارد. محدودیت اصلی مطالعه آن است که پیش از اجرای ملی باید با مقررات حرفه‌ای، نیاز کارفرمایان، زیرساخت دانشگاه و شرایط بازار کار کشور اعتبارسنجی و بومی‌سازی شود.

کلیدواژه‌ها

• مهندسی نقشه‌برداری
• آموزش مهندسی نقشه برداری
• تحول دیجیتال
• هوش مکانی
• علم داده مکانی
• مهارت‌های آینده

عنوان مقاله [English]

The Future Surveyor: A Roadmap for Geomatics Skills in the Era of Artificial Intelligence and Digital Transformation

نویسندگان [English]

• A. Sharifi ¹
• M. Piran ²

¹ Department of Surveying and Geoinformatics Engineering, Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University, Tehran, Iran

² Department of Educational and Curriculum Management and Planning, Faculty of Psychology and Educational Sciences, Shiraz University, Shiraz, Iran

چکیده [English]

Background and Objectives: Surveying and geomatics are moving from an instrument-centered profession toward a connected geospatial information discipline in which measurement, positioning, Earth observation, three-dimensional modelling, databases, web services, cloud computing and artificial intelligence are increasingly combined within the same workflow. This transformation does not reduce the importance of geodetic reference systems, field observations or uncertainty; rather, it changes the context in which these foundations are applied. Undergraduate programs therefore face a curriculum-design problem: adding every emerging technology can produce an overloaded list of software, while preserving a mainly traditional syllabus can leave graduates unable to automate, integrate and communicate modern geospatial data. This study develops an evidence-informed competency framework for the “future surveyor” and converts it into a four-year learning roadmap. The objectives were to identify competencies that should remain common to most geomatics graduates, separate foundational capabilities from advanced and specialist capabilities, define prerequisite relationships between them, and propose project outputs through which students can demonstrate learning in a professional portfolio.
Methods: A targeted narrative review and competency-mapping procedure was used. The evidence base combined professional and educational documents from international surveying and geospatial organizations, standards and implementation guidance for positional accuracy, geospatial interoperability and three-dimensional information, official technical documentation for widely used open and cloud geospatial technologies, and recent peer-reviewed studies on geospatial artificial intelligence and digital twins. Sources were retained when they supported at least one of four functions: defining enduring professional foundations, documenting current digital transformation, specifying interoperable technical practice, or describing an emerging capability with broad relevance to geomatics. Competencies were coded into conceptual groups and compared using three criteria: foundational importance to professional identity, breadth of applicability across employment and research settings, and strategic relevance to future geospatial workflows. Dependencies were then examined so that advanced capabilities were not placed before their mathematical, geodetic, data-management or programming prerequisites. The synthesis produced five connected competency layers and an eight-semester progression, with each stage linked to an assessable project or portfolio artefact.
Findings: The resulting framework contains five layers. The first comprises surveying measurement, geodesy, coordinate reference systems, adjustment, uncertainty, satellite positioning and quality assurance. The second comprises geographic information systems, programming, data models, spatial databases and reproducible automation. The third connects ground, airborne and spaceborne observation through remote sensing, unmanned aerial photogrammetry, laser scanning, point clouds and three-dimensional modelling. The fourth introduces machine learning, deep learning, geospatial artificial intelligence, web application programming interfaces, cloud-native processing, web mapping, building information modelling integration and digital twins. The fifth is cross-cutting and includes standards, ethics, data governance, documentation, version control, reproducibility, teamwork and communication. The roadmap therefore begins with measurement, mathematics, introductory programming and geographic information systems; progresses through geodesy, satellite positioning, spatial databases and Earth observation; and only then moves to advanced three-dimensional processing, machine learning, web and cloud systems, and integrated GeoAI.
Conclusion: A future-ready surveyor is best understood as a geospatial system professional who can preserve measurement traceability while moving data through acquisition, validation, storage, transformation, analysis, modelling and delivery. The proposed curriculum therefore does not replace classical surveying with coding or artificial intelligence. It treats geodetic reference, accuracy and uncertainty as the control layer on which digital competence is built, and it treats programming as a means of making workflows transparent, scalable and reproducible rather than as an end in itself. The most important curricular shift is from teaching isolated applications toward teaching transferable concepts and complete workflows. A graduate should be able to explain why a coordinate is trustworthy, how a dataset is structured, how an analysis can be reproduced, how an interface can exchange the result, and where model or data limitations affect decisions. The framework is intentionally adaptable because labor markets, professional regulation, equipment access and institutional capacity differ between countries. Its main limitation is that it is a synthesis framework rather than an empirical survey of one national labor market, so local validation with employers, professional bodies, students and accreditation requirements remains necessary before implementation.

کلیدواژه‌ها [English]

• Surveying engineering
• Geomatics education
• Digital transformation
• Geospatial artificial intelligence
• Spatial data science
• Future skills

COPYRIGHTS

© 2026 The Author(s).  This is an open-access article distributed under the terms and conditions of the Creative Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)

(https://creativecommons.org/licenses/by-nc/4.0/)