دانشمند داده‌های مکانی
Geospatial Data Scientist
دانشمند داده‌های مکانی با داده‌هایی کار می‌کند که به یک نقطه روی زمین وصل‌اند: تصویرهای ماهواره‌ای و هوایی، ابر نقاط LiDAR، مسیرهای GPS و لایه‌های GIS. او با Python، پایگاه دادهٔ مکانی، آمار مکانی و یادگیری ماشین از این داده‌ها مدل و محصول می‌سازد؛ مثلاً مدل ریسک آتش‌سوزی برای شبکهٔ برق، پایش مزرعه و جنگل از فضا، یا تحلیل نیاز زیرساختی یک منطقه. عنوانی که کارفرمایان در آگهی‌های ۲۰۲۶ به کار می‌برند Geospatial Data Scientist است؛ برچسب «GIS / Spatial Data Scientist» به این شکل عنوان شغلی نیست و دو شکل GIS Data Scientist و Spatial Data Scientist کمتر دیده می‌شوند. بسیاری از شرکت‌های این حوزه، مثل Planet و Esri، همین کار را با عنوان سادهٔ Data Scientist آگهی می‌کنند.
مقدمه و تعریف شغل
دانشمند دادهٔ مکانی (Geospatial Data Scientist) دانشمند داده‌ای است که روی یک نوع داده تخصص دارد: داده‌ای که «کجا» بخشی از معنای آن است. MITRE در آگهی Geospatial Data Scientist خود این نقش را کسی می‌داند که پشتوانهٔ نظری و فنی محکم را با توانایی صورت‌بندی مسئله، ساخت و سنجش راه‌حل و توضیح نتیجه ترکیب می‌کند، و روش‌های کار را از آمار مکانی و بهینه‌سازی فضایی تا GeoAI، تحلیل تصویر و سنجش از دور (remote sensing) برمی‌شمارد. در عمل دو نوع داده در کار است: دادهٔ برداری (نقطه، خط و چندضلعی، مثل آدرس، جاده و قطعهٔ زمین) و دادهٔ رستری (شبکهٔ پیکسل، مثل تصویر ماهواره یا مدل ارتفاعی). کار روزمره ترکیبی است از برنامه‌نویسی Python، کار با پایگاه دادهٔ مکانی، مدل‌سازی و ساخت نقشه و داشبورد برای کسانی که باید بر اساس نتیجه تصمیم بگیرند.
دو جریان این نقش را ساخته‌اند. اولی آمار مکانی است: طبق ویکی‌پدیا، Luc Anselin از پایه‌گذاران اقتصادسنجی فضایی (spatial econometrics) است و نرم‌افزار GeoDa و کتابخانهٔ متن‌باز PySAL از کار او و همکارانش بیرون آمده‌اند. دومی دسترسی به دادهٔ ماهواره‌ای و پردازش ابری است: طبق مقالهٔ ویکی‌پدیای Rebecca Moore، در ۲۰۰۸ سازمان زمین‌شناسی آمریکا (USGS) تصویرهای Landsat را رایگان در اینترنت گذاشت و Google Earth Engine، پروژه‌ای که Rebecca Moore بنیان گذاشت، در ۲۰۱۰ برای عموم باز شد؛ یکی از نخستین پروژه‌های بزرگ آن مطالعهٔ تغییر جنگل‌های جهان بود که در نوامبر ۲۰۱۳ در مجلهٔ Science منتشر شد. آگهی‌های امروز هر دو را می‌خواهند: آگهی وزارت مسکن، جوامع و حکومت محلی بریتانیا (MHCLG) آمار، پیش‌بینی و تحلیل مکانی برای برنامه‌ریزی، و آگهی Muon Space ساخت محصول داده از تصویر فروسرخ ماهواره‌ای. بخشی از بازار آمریکا هم دفاعی و اطلاعاتی (GEOINT) است: MITRE، PNNL و Esri (برای Data Scientist I) مجوز امنیتی دولت آمریکا را شرط کرده‌اند.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک دانشمند داده‌های مکانی
محصول داده از تصویر ماهواره‌ای
Muon Space از این نقش می‌خواهد تصویرهای سطح ۱ (Level-1) سنجنده‌های فروسرخ خود را به محصولات دادهٔ سطح بالاتر برای ماموریت پایش آتش‌سوزی FireSat و پایش محیط‌زیست تبدیل کند و کدی بنویسد که مستقیم وارد سرویس‌های مشتری می‌شود.
پایش کشاورزی از سری زمانی تصویر ماهواره
در Planet، دانشمند داده «مارکر»هایی می‌سازد که از سری زمانی متراکم تصویرهای ماهواره‌ای بینش بیرون می‌کشند؛ این مارکرها هستهٔ سیستم پایش زمین (AMS) هستند که به نهادهای پرداخت سیاست کشاورزی مشترک اتحادیهٔ اروپا (CAP) تحویل داده می‌شود.
مدل ریسک برای شبکهٔ برق
Neara از دانشمند دادهٔ مکانی می‌خواهد با ترکیب LiDAR، مدل زمین و دادهٔ آب‌وهوا، افتادگی و نوسان سیم‌ها و خطر افتادن درخت روی خط را شبیه‌سازی کند تا از آتش‌سوزی جلوگیری شود و تصمیم‌های سرمایه‌گذاری شرکت برق پشتوانهٔ داده داشته باشد.
داده‌های مکان و حرکت برای لجستیک
Relay، که طبق آگهی یک شبکهٔ تحویل مرسوله را اداره می‌کند، از Staff Data Scientist - Geospatial می‌خواهد مالک داده‌های مکان و حرکتی باشد که عملیات تحویل روی آن‌ها بنا شده، کیفیت آن‌ها را اندازه بگیرد و با سیگنال‌های شبکه مدل‌هایی بسازد که تحویل را سریع‌تر و قابل‌اعتمادتر کند.
مدل و داشبورد برای برنامه‌ریزی و زیرساخت
در MHCLG، دانشمند دادهٔ مکانی برای ابزار ALIGN کار می‌کند؛ پلتفرمی که به گفتهٔ آگهی راهبردها، داده، مدل‌ها و ابزارهای AI را کنار هم می‌گذارد تا نیاز زیرساختی محلی برای مسکن، رشد صنعتی و سناریوهای کاربری زمین شناسایی شود.
نقشهٔ ویژگی‌های جنگل
در بخش پژوهش جنگل NSW DPIRD (استرالیا)، این نقش با دادهٔ ابرطیفی، چندطیفی و LiDAR از ماهواره، هواپیما و زمین، مدل‌هایی می‌سازد که ویژگی‌های جنگل را توصیف و پیش‌بینی می‌کنند، و گاهی برای جمع‌آوری داده به جنگل می‌رود.
تخصص‌های مختلف دانشمند داده‌های مکانی
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
سنجش از دور و رصد زمین
Remote Sensing / Earth Observation
ساخت محصول و مدل از تصویر ماهواره‌ای و هوایی؛ مثل Muon Space (تصویر فروسرخ)، Planet (سری زمانی تصویر برای کشاورزی) و Trinzic که در مرکز EROS سازمان USGS داده‌های سنجش از دور را برای ابزار AppEEARS ناسا ارزیابی می‌کند.
اطلاعات مکانی دفاعی
GEOINT (Geospatial Intelligence)
تحلیل مکانی و تصویر برای مأموریت‌های امنیتی و دفاعی؛ مثل MITRE و PNNL. در آمریکا این شاخه معمولاً تابعیت و مجوز امنیتی می‌خواهد.
دادهٔ مکان و حرکت
Mobility & Location Data
کار با مسیرهای GPS، تله‌متری و داده‌های مکان؛ Relay برای این نقش تجربهٔ عمیق با دادهٔ مکانی، تله‌متری یا پردازش مسیر GPS را می‌خواهد.
زیرساخت و شبکه‌های انرژی
Infrastructure & Utilities
مدل‌سازی ریسک و سرمایه‌گذاری روی زیرساخت با LiDAR و دوقلوی دیجیتال، مثل Neara؛ و تحلیل مکانی برای مطالعات حمل‌ونقل، انرژی و آب، مثل CPCS.
آمار مکانی و تحلیل سیاست‌گذاری
Spatial Statistics & Policy Analytics
پاسخ به سؤال‌های «کجا» برای دولت و برنامه‌ریزی: آمار، پیش‌بینی و مدل‌سازی مکانی برای سنجیدن گزینه‌های سیاستی؛ آگهی MHCLG دقیقاً همین را می‌خواهد.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
این نقش زیرمجموعهٔ دانش داده است، نه رقیب آن. پایه همان است (Python، آمار، یادگیری ماشین) و خیلی از کارفرمایان همان عنوان Data Scientist را به کار می‌برند: Planet برای تیمی که از تصویر ماهواره‌ای بینش استخراج می‌کند و Esri برای Data Scientist I. تفاوت در شکل داده است: مشاهده‌های نزدیک به هم در مکان معمولاً مستقل نیستند و همین نزدیکی سیگنال است؛ MITRE به همین دلیل خودهمبستگی فضایی (spatial autocorrelation) و آمار مکانی را در فهرست روش‌ها آورده است. علاوه بر این باید سیستم مختصات، فرمت‌های رستری و برداری و ابزارهایی مثل GDAL و PostGIS را بلد باشید.
تحلیلگر GIS یا تحلیلگر مکانی بیشتر درون نرم‌افزارهای GIS کار می‌کند: آماده‌سازی لایه‌ها، تحلیل‌هایی مثل دید (viewshed) و تحلیل زمین، و نقشه‌سازی. آگهی Geospatial Analyst در GRVTY ابزارهایی مثل ArcGIS Pro و RemoteView را در کنار Jupyter نام می‌برد. دانشمند دادهٔ مکانی علاوه بر این، مدل آماری و یادگیری ماشین می‌سازد و کد پروداکشن می‌نویسد. این دو نقش مکمل هم‌اند: Esri در آگهی Data Scientist I می‌نویسد تجربهٔ قبلی GIS لازم نیست، چون دانشمند داده کنار متخصصان GIS کار می‌کند.
هم‌پوشانی در تحلیل تصویر ماهواره‌ای و هوایی است: PNNL برای Data Scientist II - GEOINT/Remote Sensing تجربه با مدل‌های تشخیص شیء و segmentation مثل YOLO و SAM و مدل‌های پایهٔ مکانی (geospatial foundation models) را امتیاز می‌داند. اما مهندس بینایی ماشین بیشتر با دوربین، کالیبراسیون و هندسهٔ سه‌بعدی سروکار دارد؛ دانشمند دادهٔ مکانی با تصویری کار می‌کند که مختصات جغرافیایی دارد، اغلب از سنجنده‌های چندطیفی، فروسرخ یا رادار (SAR)، و نتیجه را با دادهٔ برداری، سری زمانی و آمار مکانی ترکیب می‌کند. بخش بزرگی از این نقش، مثل تحلیل مسیرهای GPS در Relay یا برنامه‌ریزی زیرساخت در MHCLG، اصلاً تصویر ندارد.
مهندس دادهٔ مکانی زیرساخت داده را می‌سازد: در آگهی Spatial Data Engineer II در Esri، کار اصلی بارگذاری منظم دادهٔ مکانی در پایگاه‌های داده با اسکریپت‌های Python و SQL و ارزیابی منابع دادهٔ تازه است. دانشمند دادهٔ مکانی روی همین داده تحلیل و مدل می‌سازد. مرز در عمل نرم است: MHCLG از دانشمند دادهٔ مکانی ساخت pipeline های تکرارپذیر و بهینه‌سازی کوئری‌های مکانی را هم می‌خواهد و Neara ساخت و نگهداری pipeline های دادهٔ مکانی را.
تأثیر در صنایع مختلف
دانشمند داده‌های مکانی در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
انرژی و شبکهٔ برق
Neara با LiDAR، مدل زمین و دادهٔ آب‌وهوا ریسک برخورد درخت با خط و آتش‌سوزی را مدل می‌کند تا شرکت‌های برق بدانند کجا را مقاوم‌سازی کنند
کشاورزی و سیاست کشاورزی
Planet برای نهادهای پرداخت سیاست کشاورزی مشترک اتحادیهٔ اروپا مارکرهایی از سری زمانی تصویر ماهواره‌ای می‌سازد که در چند کشور اروپایی به کار می‌روند
جنگل و منابع طبیعی
NSW DPIRD با دادهٔ ابرطیفی، چندطیفی و LiDAR پایش و مدیریت جنگل‌های این ایالت استرالیا را پشتیبانی می‌کند
آتش‌سوزی، آب‌وهوا و محیط‌زیست
Muon Space با ماهواره‌های فروسرخ برای تشخیص و پایش آتش‌سوزی، شناخت ابر و آب‌وهوا و پایش محیط‌زیست محصول داده می‌سازد
لجستیک و تحویل
Relay با داده‌های مکان و حرکت شبکهٔ تحویل خود مدل‌هایی می‌سازد که عملیات را سریع‌تر و قابل‌اعتمادتر کند
دفاع و امنیت ملی
MITRE و PNNL تحلیل مکانی، تصویر و یادگیری ماشین را برای مسائل امنیت ملی به کار می‌برند؛ MITRE همین مهارت‌ها را در حوزه‌های سلامت و حمل‌ونقل هم به کار می‌گیرد
دولت، برنامه‌ریزی و زیرساخت
MHCLG در بریتانیا با داده و مدل مکانی تصمیم‌های سرمایه‌گذاری زیرساخت محلی را پشتیبانی می‌کند و CPCS برای مطالعات زیرساخت حمل‌ونقل، انرژی و آب تحلیل مکانی انجام می‌دهد
علوم زمین و آرشیو داده
Trinzic در مرکز EROS سازمان USGS کیفیت داده‌های سنجش از دور را برای مرکز آرشیو LP DAAC ناسا ارزیابی می‌کند و برای کاربران notebook آموزشی می‌سازد
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
کار GIS یعنی نقشه کشیدن
نقشه فقط خروجی آخر است. MITRE مهارت عملی توسعهٔ نرم‌افزار را «الزامی» می‌داند و از آمار مکانی، یادگیری ماشین مکانی و GeoAI نام می‌برد؛ MHCLG برنامه‌نویسی قوی Python، آزمون فرضیه، مدل‌سازی و ساخت pipeline تکرارپذیر می‌خواهد.
بدون مدرک GIS یا جغرافیا نمی‌شود وارد این کار شد
Esri، سازندهٔ ArcGIS، در آگهی Data Scientist I می‌نویسد تجربهٔ قبلی GIS لازم نیست و مدرک ریاضی، آمار، کامپیوتر یا فیزیک را می‌پذیرد. MITRE هم در کنار رشته‌های GIS، علوم کامپیوتر و ریاضی را پذیرفته است. آنچه باید اضافه کنید مفاهیم پایهٔ مکانی و ابزارهای آن است.
این شغل یعنی یادگیری عمیق روی تصویر ماهواره
تصویر بخش مهمی است، اما همهٔ کار نیست. Relay با مسیرهای GPS و تله‌متری کار می‌کند، MHCLG با دادهٔ برنامه‌ریزی و پیش‌بینی، و CPCS با تحلیل مکانی برای مطالعات زیرساخت. حتی در کارهای تصویری، Trinzic مدل‌های کلاسیک مثل random forest را امتیاز می‌داند.
دادهٔ مکانی همان دو ستون طول و عرض جغرافیایی است
مختصات بدون سیستم مختصات درست معنایی ندارد و لایه‌هایی که از منابع مختلف می‌آیند اغلب روی هم نمی‌نشینند. Neara از این نقش می‌خواهد برای دقت مکانی و تبدیل سیستم مختصات (CRS) معیار کنترل کیفیت تعریف کند. علاوه بر این، نزدیکی مکانی خودش ساختار آماری می‌سازد که مدل‌های معمولی آن را نادیده می‌گیرند.
فقط دارندگان دکترا استخدام می‌شوند
بسته به نقش فرق می‌کند. PNNL برای Data Scientist II کارشناسی با ۲ سال تجربه را کافی می‌داند و Muon Space کارشناسی با ۵ سال تجربه را به‌جای دکترا می‌پذیرد. در مقابل، نقش پژوهشی NSW DPIRD مدرک تحصیلات تکمیلی می‌خواهد و دکترا را ترجیح می‌دهد.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
کارها مشخص‌ترند و بیشتر وقت صرف آماده‌سازی داده، اجرای تحلیل‌های تعریف‌شده و یاد گرفتن ابزارها و دادهٔ تیم می‌شود. در آگهی Esri برای این سطح، کار شامل ساخت ویژگی، انتخاب مدل و تنظیم آن، و ساخت نمونه‌های اولیه برای نمایش به مشتری است.
- ◆یکسان کردن سیستم مختصات چند لایهٔ داده پیش از تحلیل
- ◆پاک‌سازی و ادغام داده از چند منبع با GeoPandas و SQL
- ◆اجرای یک مدل موجود روی منطقهٔ تازه و بررسی چشمی خروجی روی نقشه
- ◆نوشتن notebook و توضیح روش برای همکاران
میانی (۲–۵ سال)
مسئولیت یک محصول داده یا مدل را از نمونهٔ اولیه تا پروداکشن دارید. در Planet این یعنی اجرای مارکرها برای تحویل‌های واقعی در چند کشور اروپایی و بررسی کیفیت پیش از رسیدن به مشتری؛ در Muon Space یعنی تبدیل الگوریتم به کد پروداکشن و اعتبارسنجی کمّی محصول.
- ◆اجرای pipeline تحویل ماهانه و بررسی نمونه‌هایی که نتیجهٔ غیرعادی دارند
- ◆مقایسهٔ خروجی مدل با دادهٔ مرجع و گزارش دقت
- ◆شرکت در جلسهٔ فنی با تیم مشتری برای روشن کردن نیازهای محصول
- ◆بهبود الگوریتم پردازش تصویر و نوشتن تست برای آن
ارشد (۵+ سال)
بخش بزرگی از کار، صورت‌بندی مسئله، کار با مشتری و توضیح نتیجه به تصمیم‌گیرندگان است. Neara از این سطح می‌خواهد در دفتر مشتری با تیم‌های GIS آن‌ها کار کند و معیارهای ریسک را به تصمیم سرمایه‌گذاری تبدیل کند؛ Relay از Staff Data Scientist تعریف معیار کیفیت داده و نقشهٔ راه فنی را می‌خواهد.
- ◆جلسه با تیم GIS مشتری برای فهم جریان داده و محدودیت‌های آن
- ◆تعریف معیارهای کیفیت دادهٔ مکانی و پایش آن در pipeline
- ◆بازبینی روش و کد دانشمندان دادهٔ دیگر
- ◆ارائهٔ نتیجه و عدم قطعیت آن به مدیران ارشد
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈آماده‌سازی، تمیز کردن و ادغام داده‌های مکانی از منابع و فرمت‌های مختلف (رستر، بردار، ابر نقاط، مسیر GPS) و ساخت pipeline تکرارپذیر برای آن
- ◈کنترل کیفیت دادهٔ مکانی: دقت مختصات، تبدیل سیستم مختصات (CRS) و هم‌خوانی لایه‌هایی که از منابع جدا آمده‌اند
- ◈تحلیل و مدل‌سازی مکانی: آمار مکانی، خودهمبستگی فضایی، پیش‌بینی و بهینه‌سازی فضایی
- ◈ساخت مدل‌های یادگیری ماشین و یادگیری عمیق روی تصویر ماهواره‌ای و هوایی، LiDAR و سری‌های زمانی
- ◈تبدیل تصویر خام ماهواره به محصول دادهٔ قابل استفاده و اعتبارسنجی کمّی آن پیش از تحویل به مشتری
- ◈نوشتن کد پروداکشن و استقرار مدل و pipeline در محیط ابری
- ◈ساخت نقشه، داشبورد و نقشهٔ وب تعاملی برای توضیح نتیجه
- ◈کار مستقیم با تیم‌های GIS و کارشناسان مشتری برای فهم دادهٔ آن‌ها و ارائهٔ نتیجه به مدیران غیرفنی
- ◈مستندسازی روش، نوشتن گزارش فنی و سند طراحی محصول داده
- ◈در سطوح ارشد: تعیین معیارهای کیفیت دادهٔ مکانی، نقشهٔ راه فنی و منتورینگ دانشمندان دادهٔ دیگر
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک دانشمند داده‌های مکانی موفق به آن‌ها نیاز دارد
مهارت‌های فنی
GeoPandas، Rasterio، Xarray و GDAL؛ MITRE ساخت جریان کاری و مصورسازی مکانی با Python را می‌خواهد و Muon Space کار با COG، Xarray و GDAL را
PostGIS و کوئری‌های مکانی؛ MITRE مدیریت پایگاه دادهٔ مکانی و MHCLG بهینه‌سازی کوئری مکانی را می‌خواهد
سیستم مختصات و projection، دادهٔ رستری و برداری؛ Trinzic آشنایی با پردازش رستر و بردار را شرط کرده است
ساخت ویژگی، انتخاب و تنظیم مدل و سنجش آن؛ از وظایف آگهی Data Scientist I در Esri
خودهمبستگی فضایی، زمین‌آمار (geostatistics) و رگرسیون مکانی؛ در فهرست روش‌های آگهی MITRE
QGIS یا ArcGIS؛ MITRE تجربه با ابزارهای رایج GIS و Trinzic کار با ArcGIS، ERDAS، ENVI و QGIS را می‌خواهد
تصویر چندطیفی، ابرطیفی، رادار (SAR) و LiDAR؛ MITRE و NSW DPIRD هر دو این داده‌ها را نام برده‌اند
تشخیص شیء و segmentation با PyTorch؛ PNNL از YOLO، Detectron2، DINOv2، SAM و مدل‌های پایهٔ مکانی نام می‌برد
Planet کد قابل نگهداری و مستند و کار در یک codebase مشترک را می‌خواهد و Trinzic کار با Git/GitHub را
COG، GeoParquet و STAC؛ Muon Space و MHCLG از این فرمت‌ها نام برده‌اند
Spark و Apache Sedona؛ MHCLG تجربه با PySpark را امتیاز می‌داند و MITRE فناوری‌هایی مثل GeoMesa و Sedona را
Leaflet، OpenLayers یا ArcGIS JS API؛ MITRE تجربه با پیکربندی نقشهٔ وب و داشبورد را می‌خواهد
مهارت‌های نرم
MITRE دنبال کسی است که بتواند مسئله را صورت‌بندی کند، راه‌حل بسازد و بسنجد و نتیجه را توضیح دهد
Neara سابقهٔ ارائهٔ یافته‌های پیچیده به مشتری و مدیران ارشد را می‌خواهد و CPCS مصورسازی و متن کوتاه برای مخاطب غیرفنی را
Esri مشاورهٔ نزدیک با مشتری را جزو وظایف آورده و Muon Space شرکت در جلسه‌های فنی با مشتری را
Planet گزارش پژوهشی و گزارش برای مشتری می‌خواهد و Muon Space تجربهٔ نوشتن سند طراحی و ATBD را امتیاز می‌داند
کار با مهندسان نرم‌افزار، دانشمندان کالیبراسیون و مهندسان سنجنده (Muon Space) یا پژوهشگران، دولت و صنعت (NSW DPIRD)
دانش حوزه‌ای
Trinzic ارزیابی فراداده و انطباق با استانداردها و روش‌های QA/QC را می‌خواهد و Neara معیار دقت مکانی را
آگهی‌ها دانش حوزه را امتیاز می‌دانند: شبکهٔ برق در Neara، آتش‌سوزی و هواشناسی در Muon Space، کشاورزی و سیاست کشاورزی اروپا در Planet، جنگل در NSW DPIRD
Muon Space یادگیری هندسه و مشخصات سنجنده و روش‌های georeferencing را جزو کار می‌داند
در آمریکا بسیاری از این نقش‌ها مجوز امنیتی (MITRE، PNNL) یا امکان دسترسی قانونی به اطلاعات تحت کنترل صادرات (Muon Space) را شرط می‌کنند
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به دانشمند داده‌های مکانی
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه‌ها: Python، کار با داده و Git
همهٔ آگهی‌های بررسی‌شده Python می‌خواهند؛ MITRE صریحاً می‌نویسد مهارت عملی توسعهٔ نرم‌افزار «الزامی» است. Python را تا جایی یاد بگیرید که با pandas جدول بخوانید، تمیز کنید و خلاصه بگیرید، و از همین ابتدا کدتان را با Git نگه دارید؛ Planet و Trinzic کار با Git را در شرایط آورده‌اند.
مبانی GIS: سیستم مختصات، رستر و بردار، QGIS
پیش از مدل‌سازی باید بدانید دادهٔ مکانی چطور ذخیره و اندازه‌گیری می‌شود: سیستم مختصات و تصویر نقشه (projection)، تفاوت دادهٔ برداری (نقطه، خط، چندضلعی) و رستری (شبکهٔ پیکسل)، و عملیات پایه مثل buffer و spatial join. Neara از این نقش می‌خواهد برای تبدیل سیستم مختصات (CRS) و دقت مکانی معیار کنترل کیفیت تعریف کند؛ یعنی خطای مختصات در این کار جدی گرفته می‌شود. QGIS رایگان است و برای تمرین کافی است.
علم دادهٔ مکانی با Python و PostGIS
حالا همان کارهای QGIS را با کد انجام دهید: GeoPandas برای دادهٔ برداری، PostGIS برای ذخیره و کوئری مکانی، و آمار مکانی. نکتهٔ اصلی این مرحله این است که در دادهٔ مکانی، مشاهده‌های نزدیک به هم معمولاً شبیه هم‌اند؛ MITRE به همین دلیل خودهمبستگی فضایی (spatial autocorrelation) و آمار مکانی را در فهرست روش‌ها آورده است. کتاب رایگان Geographic Data Science with Python این مفاهیم را با کد توضیح می‌دهد.
سنجش از دور و یادگیری ماشین
بخش بزرگی از آگهی‌ها با تصویر ماهواره‌ای و هوایی کار می‌کنند: MITRE تصویر چندطیفی و ابرطیفی و رادار (SAR) را نام می‌برد و NSW DPIRD کار با دست‌کم دو مورد از دادهٔ ابرطیفی، چندطیفی و LiDAR را شرط کرده است. باندهای طیفی و شاخص‌هایی مثل NDVI را یاد بگیرید، طبقه‌بندی پوشش زمین را با یک مدل کلاسیک مثل random forest انجام دهید (آگهی Trinzic همین را امتیاز می‌داند) و دقت نتیجه را با دادهٔ مرجع بسنجید.
مقیاس، فرمت‌های cloud-native و پروداکشن
در کار واقعی داده بزرگ‌تر از یک لپ‌تاپ است و خروجی باید هر بار درست تکرار شود. Muon Space کار با COG و Xarray و GDAL و آشنایی با جریان‌های کاری cloud-native را می‌خواهد، MHCLG از PostGIS، Apache Sedona و GeoParquet نام می‌برد و MITRE فناوری‌های دادهٔ حجیم مکانی مثل GeoMesa و Sedona را امتیاز می‌داند. در کنار این‌ها، مدل‌های یادگیری عمیق برای تصویر مکانی را با TorchGeo تمرین کنید.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
GIS و پایگاه دادهٔ مکانی
نرم‌افزار GIS رایگان و متن‌باز؛ آگهی Trinzic آن را در کنار ArcGIS، ERDAS و ENVI برای پردازش تصویر نام برده است
نرم‌افزار GIS شرکت Esri؛ در آگهی‌های GRVTY و Trinzic آمده و Esri تجربه با نرم‌افزارهای خودش را برای Data Scientist I امتیاز می‌داند
افزونهٔ مکانی PostgreSQL برای ذخیره و کوئری دادهٔ مکانی؛ MHCLG آن را اول فهرست ابزارهایش آورده است
کتابخانه‌های Python
کار با دادهٔ برداری به سبک pandas؛ PNNL آن را در کنار GDAL و Google Earth Engine نام برده است
GDAL کتابخانهٔ پایه برای خواندن و تبدیل فرمت‌های رستری و برداری است و Rasterio رابط Python آن برای رستر؛ در آگهی‌های Muon Space، PNNL و Esri دهلی‌نو آمده‌اند
کار با آرایه‌های چندبعدی، مثل سری زمانی تصویر ماهواره؛ Muon Space و Trinzic آن را نام برده‌اند
سنجش از دور، دادهٔ حجیم و GeoAI
پردازش دادهٔ مکانی حجیم روی Spark؛ MHCLG آن را نام برده و MITRE آن را با عنوان GeoSpark (Apache Sedona) امتیاز می‌داند
نقشهٔ وب و مصورسازی
کتابخانهٔ JavaScript برای نقشهٔ تعاملی وب؛ MITRE آن را در کنار OpenLayers و ArcGIS JS API نام برده است
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
دانشمند دادهٔ مکانی جونیور / Data Scientist I
۰ تا ۲ سال
~$90K
میانگین سالانه (آمریکا)
انجام بخش‌های مشخص زیر نظر افراد ارشد: آماده‌سازی و ادغام داده، ساخت ویژگی، آموزش و سنجش مدل، نقشه و گزارش. Esri برای این سطح دست‌کم یک سال تجربه می‌خواهد
دانشمند دادهٔ مکانی
۲ تا ۵ سال
مسئولیت یک محصول داده یا مدل از نمونهٔ اولیه تا پروداکشن و کنترل کیفیت آن؛ PNNL از این سطح می‌خواهد مسئولیت کارها یا پروژه‌های کوچک را بگیرد و به نیروهای تازه‌کار کمک کند
دانشمند دادهٔ مکانی ارشد
۵+ سال
~$150K
میانگین سالانه (آمریکا)
کار مستقیم با مشتری، ساخت مدل‌های پیچیده و تبدیل نتیجه به تصمیم سرمایه‌گذاری؛ آگهی Neara با ۵ سال تجربه دقیقاً همین را می‌خواهد
Staff / Lead Geospatial Data Scientist
پس از سطح ارشد
تعیین راهبرد و نقشهٔ راه فنی داده‌های مکانی و منتورینگ؛ Relay این را از Staff Data Scientist می‌خواهد و MITRE تجربهٔ هدایت تیمی از دانشمندان دادهٔ مکانی را امتیاز می‌داند
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
داده‌های حجیم و فرمت‌های گوناگون
عمومییک پروژه ممکن است تصویر رستری، لایهٔ برداری، ابر نقاط و جدول معمولی را با هم داشته باشد. MHCLG فهرستی از فناوری‌ها و فرمت‌ها را نام می‌برد (PostGIS، Apache Sedona، GeoPackage، GeoJSON، GeoParquet، WFS) و NSW DPIRD کار با داده‌های بسیار بزرگ روی رایانش ابری، سرور راه دور و Linux را شرط کرده است.
دقت مختصات و هم‌خوانی لایه‌ها
عمومیاگر سیستم مختصات دو لایه یکی نباشد یا یکی از آن‌ها چند متر جابه‌جا باشد، نتیجهٔ تحلیل بی‌صدا غلط می‌شود. Neara از این نقش می‌خواهد برای دقت مکانی، تبدیل سیستم مختصات و هم‌خوانی ساختاری داده‌هایی که از منابع جدا آمده‌اند معیار کنترل کیفیت تعریف کند.
اعتبارسنجی بدون دادهٔ مرجع کافی
تحقیقاتیسنجیدن یک نقشه یا محصول ماهواره‌ای به دادهٔ زمینی یا مرجع نیاز دارد که همیشه در دسترس نیست. Muon Space کیفیت علمی و اعتبارسنجی کمّی محصولات را جزو کار می‌داند و Planet از دانشمند داده می‌خواهد نتیجه را پیش از رسیدن به مشتری بررسی و تأیید کند.
مجوز امنیتی و تابعیت در بخش دفاعی آمریکا
شرکت بزرگبخشی از آگهی‌های آمریکا در حوزهٔ دفاعی و اطلاعاتی است. MITRE تابعیت آمریکا و امکان گرفتن مجوز Top Secret/SCI را شرط کرده، PNNL مجوز امنیتی فدرال، Esri برای Data Scientist I تابعیت و مجوز امنیتی، و Muon Space به دلیل مقررات کنترل صادرات، وضعیت U.S. person یا امکان گرفتن مجوز صادرات را. برای کسی که این شرایط را ندارد، شرکت‌های تجاری و بازارهای دیگر، مثل نقشهای Planet در اروپا یا CPCS در کانادا، مسیر واقع‌بینانه‌ترند.
توضیح نتیجه برای تصمیم‌گیرندگان
عمومیخروجی این کار اغلب به تصمیم‌های پرهزینه می‌رسد، مثل سرمایه‌گذاری روی مقاوم‌سازی شبکهٔ برق. Neara می‌خواهد معیارهای پیچیدهٔ ریسک به بینشی قابل دفاع برای تصمیم سرمایه‌گذاری تبدیل شود و NSW DPIRD انتقال روشن نتیجه به مخاطبان علمی و غیرمتخصص را شرط کرده است.
سرعت تغییر ابزارهای AI
استارتاپابزارها به‌سرعت عوض می‌شوند. Planet از دانشمند داده می‌خواهد در کار روزانه از ایجنت‌های AI استفاده کند و با embedding های تصویر کار کند، PNNL از مدل‌هایی مثل SAM و مدل‌های پایهٔ مکانی نام می‌برد و Esri برای Data Scientist I تجربه با هوش مصنوعی مولد و مدل‌های زبانی بزرگ می‌خواهد. یادگیری مداوم بخشی از کار است؛ MITRE هم به‌روز ماندن را جزو وظایف نوشته است.
حقوق و بازار کار جهانی
حقوق جهانی دانشمند داده‌های مکانی
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- ZipRecruiter US, 'Geospatial Data Scientist', as of Oct 22 2026: 25th–75th pct; median = average
- Esri posting, Data Scientist I (St. Louis; 1+ yrs; geospatial ML), first published Jun 24 2026: posted base range; median = midpoint
- Neara posting, Data Scientist, Geospatial (Houston; 5+ yrs), published Oct 14 2026: posted salary range; median = midpoint
- CPCS posting, Bilingual Spatial Data Scientist (Consultant / Senior / Principal levels), listed Oct 13 2026: posted range; median = midpoint
- Glassdoor UK, 'Geospatial Data Scientist', estimate updated Oct 2026 (12 salaries), base pay: 25th–75th pct; median
- Planet Labs posting, Data Scientist (satellite imagery, Haarlem; 4+ yrs), published Sep 28 2026: posted salary range; median = midpoint
- NSW DPIRD posting, Geospatial Data Scientist (Parramatta; Professional Officer Grade 1–4), listed Oct 12 2026: posted range; median = midpoint
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: مفاهیم پایهٔ GIS با QGIS
سیستم مختصات، رستر و بردار و عملیات پایهٔ مکانی را در QGIS تمرین کنید تا بدانید ابزارهای Python دقیقاً چه کاری انجام می‌دهند.
ماه ۲: GeoPandas و PostGIS
همان عملیات را با کد تکرار کنید و یک پایگاه دادهٔ PostGIS برای پروژه‌تان بسازید.
ماه ۳: آمار مکانی
وزن‌های مکانی، Moran's I و رگرسیون مکانی را یاد بگیرید و پروژهٔ تحلیل خوشه‌بندی مکانی را بسازید.
ماه ۴: سنجش از دور
باندهای طیفی و شاخص‌ها را یاد بگیرید و پروژهٔ پایش پوشش گیاهی را در Earth Engine انجام دهید.
ماه ۵: یادگیری عمیق روی تصویر مکانی
یک مدل segmentation با TorchGeo آموزش دهید و دقت آن را روی منطقه‌ای که مدل ندیده بسنجید.
ماه ۶: پورتفولیو و درخواست کار
دو یا سه پروژه را با README، نقشه و توضیح محدودیت‌ها مرتب کنید و رزومه را با زبان آگهی‌ها بنویسید: کنترل کیفیت داده، مدل‌سازی مکانی، اعتبارسنجی و ارائهٔ نتیجه.
پروژه‌های پیشنهادی برای رزومه
نقشهٔ دسترسی پیاده به خدمات شهری
مبتدیشبکهٔ خیابان‌های یک شهر را از OpenStreetMap بگیرید و برای هر محله فاصلهٔ پیاده تا نزدیک‌ترین درمانگاه یا مدرسه را حساب کنید. نتیجه را روی یک نقشهٔ تعاملی نشان دهید و در README توضیح دهید کدام محله‌ها کم‌برخوردارند.
تحلیل خوشه‌بندی مکانی یک شاخص اجتماعی یا اقتصادی
متوسطیک دادهٔ عمومی در سطح محله یا شهرستان (مثلاً قیمت مسکن یا نرخ بیکاری) بگیرید، با PySAL شاخص Moran's I و تحلیل محلی (LISA) را اجرا کنید و نشان دهید کجا خوشه‌های بالا و پایین وجود دارد. یک رگرسیون معمولی را با رگرسیون مکانی مقایسه کنید.
پایش تغییر پوشش گیاهی با سری زمانی Sentinel-2
متوسطبرای یک منطقه (مثلاً اطراف یک دریاچه یا جنگل) سری زمانی NDVI چند سال را در Earth Engine بسازید، تغییرهای معنادار را پیدا کنید و نتیجه را با تصویرهای با وضوح بالاتر یا دادهٔ مرجع بسنجید. روش را مثل یک گزارش فنی کوتاه مستند کنید.
segmentation ساختمان یا پوشش زمین از تصویر هوایی
پیشرفتهبا یک دیتاست برچسب‌خوردهٔ عمومی، مدلی برای جدا کردن ساختمان‌ها یا کلاس‌های پوشش زمین آموزش دهید. دقت را با IoU روی منطقه‌ای که مدل ندیده بسنجید و خروجی را به لایهٔ برداری (چندضلعی) با مختصات درست تبدیل کنید.
pipeline کیفیت دادهٔ مسیرهای GPS
پیشرفتهیک دادهٔ عمومی مسیر GPS (مثلاً تاکسی یا دوچرخه) را پاک کنید، توقف‌ها را تشخیص دهید و نقطه‌ها را روی شبکهٔ خیابان تطبیق دهید. برای کیفیت داده معیار تعریف کنید (درصد نقطه‌های پرت، فاصله تا خیابان) و آن را در هر اجرا گزارش کنید؛ مشابه کاری که Relay از دانشمند دادهٔ مکانی خود می‌خواهد.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
طبق ویکی‌پدیا، در بلژیک به دنیا آمد، کارشناسی اقتصاد و کارشناسی ارشد آمار و اقتصادسنجی را در Vrije Universiteit Brussel گرفت و در ۱۹۷۷ برای دورهٔ دکترای علوم منطقه‌ای دانشگاه Cornell به آمریکا رفت. مرکز GeoDa برای تحلیل و محاسبات مکانی را در دانشگاه ایالتی آریزونا بنیان گذاشت که در ۲۰۱۶ به دانشگاه شیکاگو منتقل شد؛ امروز در همان دانشگاه استاد است.
طبق ویکی‌پدیا، از پایه‌گذاران اقتصادسنجی فضایی است و کتاب Spatial Econometrics: Methods and Models او بیش از ۶٬۰۰۰ بار ارجاع گرفته است. روش‌های تازه‌ای در تحلیل مکانی توسعه داد و نرم‌افزارهای SpaceStat و GeoDa و همکاری در کتابخانهٔ متن‌باز PySAL از کارهای اوست؛ GeoDa در شش سال اول بیش از ۵۶ هزار کاربر داشت. در ۲۰۰۸ به عضویت آکادمی ملی علوم آمریکا انتخاب شد.
اثر او فقط در مقاله نماند؛ نرم‌افزاری که ساخت روش‌ها را به دست کاربران رساند. به نظر می‌رسد در این حوزه، ابزاری که دیگران بتوانند به کار ببرند به اندازهٔ خودِ روش اهمیت دارد.
طبق ویکی‌پدیا، در ۱۹۷۷ از دانشگاه Brown در رشتهٔ هوش مصنوعی فارغ‌التحصیل شد و سال‌ها مهندس نرم‌افزار بود. برای منطقهٔ روستایی محل زندگی‌اش، که امدادگران با نقشهای دستی از ۱۹۸۳ در آن راه پیدا می‌کردند، نقشهٔ دیجیتال ساخت؛ اول با نرم‌افزار عمومی، بعد با نرم‌افزار حرفه‌ای GIS و سرانجام با Earth Viewer شرکت Keyhole. همین باعث شد Google برای پروژه‌ای که بعدها Google Earth شد به او پیشنهاد کار بدهد.
Google Earth Outreach و Google Earth Engine را بنیان گذاشت. Earth Engine از درخواست مؤسسهٔ Imazon در برزیل برای تحلیل تصویر ماهواره‌ای و جلوگیری از قطع غیرقانونی جنگل شروع شد و در ۲۰۱۰ برای عموم باز شد. به گفتهٔ Imazon، این کار کمک کرد قطع غیرقانونی درخت در منطقهٔ Paragominas از ۲۰۰۷ تا ۲۰۱۰، ۹۷٪ کم شود. در ۲۰۱۳ عنوان Champion of Change کاخ سفید برای علم باز را گرفت.
مسیر او از یک مسئلهٔ واقعی محلی شروع شد، نه از یک فناوری. پیداست که آشنایی عمیق با یک مسئلهٔ مکانی ملموس می‌تواند نقطهٔ ورود محکمی به این حوزه باشد.
طبق سایت شخصی‌اش، دانشیار گروه جغرافیا و پایداری دانشگاه تنسی در ناکسویل و Amazon Scholar است و در علم دادهٔ مکانی، GeoAI، سنجش از دور، توسعهٔ نرم‌افزار متن‌باز و رایانش ابری کار می‌کند.
به گفتهٔ سایت خودش، بیش از ۱۰۰ پروژهٔ متن‌باز ساخته، از جمله geemap، leafmap و samgeo که در این صفحه هم معرفی شده‌اند، و بیش از ۹۰۰ ویدیوی آموزشی در YouTube منتشر کرده است. جایزهٔ Google Open Source Award از جمله جوایزی است که در سایتش آمده و در ژوئن ۲۰۲۶ نسخهٔ ۱٫۰ پلتفرم GIS متن‌باز GeoLibre را منتشر کرده است.
ابزارها و آموزش‌های رایگان او برای خیلی از تازه‌واردان نقطهٔ شروع است. شیوهٔ کارش نشان می‌دهد که ساختن و آموزش علنی ابزار، راهی برای دیده شدن در این حوزه است؛ کاری که در مقیاس کوچک‌تر از هر کسی برمی‌آید.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Geospatial Data Scientist
تحلیل نیازمندی‌ها
Hands-on software development skills are a must.
این جمله مرز این نقش با کار سنتی GIS را مشخص می‌کند: فقط کار با نرم‌افزار کافی نیست و باید خودتان کد بنویسید، ابزار بسازید و نمونهٔ اولیه را اجرا کنید.
ضروریTypically requires a minimum of 5 years of related experience with a Bachelor’s degree; or 3 years and a Master’s degree; or a PhD with relevant experience who can immediately contribute at this job step; or equivalent combination of related education and work experience.
این آگهی برای نقطهٔ ورود نیست. کارشناسی ارشد دو سال از تجربهٔ لازم کم می‌کند و دکترا با تجربهٔ مرتبط هم پذیرفته می‌شود؛ برای تازه‌کار، نقش‌هایی مثل Data Scientist I مناسب‌ترند.
ضروریBachelor’s degree in Geospatial Data Science, Geospatial Intelligence, Geographic Information Systems, GeoInformatics, Computer Science, Mathematics, or related degree.
رشتهٔ GIS لازم نیست؛ علوم کامپیوتر و ریاضی هم در فهرست‌اند. کسی که از این رشته‌ها می‌آید باید مفاهیم مکانی را جداگانه یاد بگیرد و در پروژه‌ها نشان دهد.
ضروریApplied experience with common GIS tools, developing geospatial workflows, and visualizations using Python.
یعنی بتوانید یک جریان کار کامل را از خواندن داده تا نقشهٔ نهایی با Python بسازید؛ ابزارهایی مثل GeoPandas، Rasterio و GDAL و یک نرم‌افزار GIS مثل QGIS یا ArcGIS.
ضروریApplied experience in spatial analysis and modeling, and ETL of spatiotemporal datasets and managing spatial databases.
بخش بزرگی از کار، آماده‌سازی دادهٔ مکانی-زمانی و نگهداری آن در پایگاه دادهٔ مکانی مثل PostGIS است. بدون این مرحله، مدل‌سازی ممکن نیست.
ضروریApplied experience in the configuration of web-mapping, dashboard applications, and remotely sensed data.
نتیجه باید به دست کاربر برسد: نقشهٔ وب و داشبورد. در کنار آن، کار با دادهٔ سنجش از دور (تصویر ماهواره و هوایی) هم بخشی از انتظار است.
مهمFamiliarity with geostatistics, spatial machine learning, geosimulation, or GeoAI, and multispectral and hyperspectral imagery or synthetic aperture radar.
«Familiarity» یعنی آشنایی کافی است، نه تسلط. اما باید بدانید زمین‌آمار و یادگیری ماشین مکانی چه مسئله‌ای را حل می‌کنند و تصویر چندطیفی، ابرطیفی و رادار چه تفاوتی دارند.
مهمFamiliarity working with spatiotemporal data in graph databases, such as ArcGIS Knowledge, Neo4j, or ArangoDB.
در برخی پروژه‌ها رابطه‌ها، مثلاً حرکت میان مکان‌ها، به شکل گراف ذخیره می‌شوند. این مورد امتیاز است و می‌توان بعداً یادش گرفت.
مفیدMust be eligible to obtain and maintain a Top Secret/SCI U.S Government issued Security Clearance. Per the U.S. Government’s eligibility requirements, you must be a U.S Citizen to be considered for a security clearance.
این شرط قطعی است: بدون تابعیت آمریکا نمی‌شود برای این آگهی اقدام کرد. بسیاری از نقشهای دفاعی و اطلاعاتی این حوزه در آمریکا همین شرط را دارند.
ضروریتحلیل مسئولیت‌ها
Support the development of geospatial data science, modeling, analysis, visualization, and engineering deliverables for sponsor projects and programs, internal research and development, and corporate strategic initiatives.
کار پروژه‌محور است و برای سازمان‌های دولتی حامی انجام می‌شود؛ هم پروژهٔ مشتری، هم پژوهش داخلی. خروجی‌ها از تحلیل و مدل تا مصورسازی و ابزار مهندسی را دربرمی‌گیرند.
Remain current on open-source, industry, academia, and US Government techniques and tools for geospatial data science, modeling, analysis, visualization, and engineering.
به‌روز ماندن جزو وظایف نوشته شده است، نه کار اضافه. ابزارهای متن‌باز این حوزه، مثل کتابخانه‌های Python و مدل‌های تازهٔ GeoAI، مدام تغییر می‌کنند.
Apply a variety of spatial data science techniques to tackle customer challenges to include geospatial statistics, spatial optimization, spatial pattern analysis, geospatial artificial intelligence, spatial autocorrelation, activity-based intelligence, imagery analysis, remote sensing, and geospatial data visualization approaches.
این فهرست عملاً نقشهٔ مهارت‌های این شغل است: از آمار مکانی و خودهمبستگی فضایی تا تحلیل تصویر و GeoAI. لازم نیست در همه متخصص باشید، اما باید بدانید هر روش برای چه مسئله‌ای است.
Build and test geospatial prototypes in MITRE, government, and commercial cloud environments.
ساخت نمونهٔ اولیه روی محیط‌های ابری مختلف، از جمله ابرهای دولتی. آشنایی با Docker و کار روی سرور و ابر در اینجا به کار می‌آید.
نتیجه‌گیری کلی
این آگهی تصویر کاملی از دانشمند دادهٔ مکانی می‌دهد: کسی که هم برنامه‌نویس است، هم با پایگاه دادهٔ مکانی و ابزارهای GIS کار می‌کند، هم آمار مکانی و یادگیری ماشین بلد است و هم نتیجه را با نقشه و داشبورد به دست کاربر می‌رساند. بازهٔ حقوق اعلام‌شده ۱۲۴٬۴۰۰ تا ۱۸۶٬۶۰۰ دلار در سال با نقطهٔ میانی ۱۵۵٬۵۰۰ دلار است. شرط تابعیت آمریکا و مجوز امنیتی آن را برای بیشتر مهاجران تازه دست‌نیافتنی می‌کند، اما فهرست مهارت‌هایش با آگهی‌های تجاری این حوزه هم‌خوان است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
BLS آمار جداگانه‌ای برای دانشمند دادهٔ مکانی ندارد. برای کل دانشمندان داده پیش‌بینی می‌کند اشتغال در آمریکا از ۲۰۲۵ تا ۲۰۳۵، ۳۵٪ رشد کند؛ بسیار سریع‌تر از میانگین همهٔ مشاغل. این نزدیک‌ترین گروه رسمی است، نه پیش‌بینی مستقیم برای تخصص مکانی. گروه رسمی نزدیک دیگر، نقشه‌برداران و فتوگرامترها (Cartographers and Photogrammetrists)، با ۱۴٬۷۰۰ شغل در ۲۰۲۵، رشد ۷٪ تا ۲۰۳۵ پیش‌بینی شده است.
منبع: BLS Occupational Outlook Handbook — Data Scientists (2025–35)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
BLS آمریکا پیش‌بینی می‌کند اشتغال دانشمندان داده از ۲۰۲۵ تا ۲۰۳۵، ۳۵٪ رشد کند و به‌طور میانگین سالانه حدود ۲۴٬۸۰۰ فرصت شغلی برای این گروه ایجاد شود. BLS گروه جداگانه‌ای برای دانشمند دادهٔ مکانی ندارد.
BLS برای گروه نقشه‌برداران و فتوگرامترها، که به کار GIS و تصویر هوایی نزدیک است، رشد ۷٪ از ۲۰۲۵ تا ۲۰۳۵ و حدود ۹۰۰ فرصت شغلی در سال پیش‌بینی می‌کند.
ابزارهای AI بخشی از کار روزمره را عوض می‌کنند: Planet از دانشمند داده می‌خواهد در کار روزانه از ایجنت‌های AI استفاده کند و Esri برای Data Scientist I تجربه با هوش مصنوعی مولد و سیستم‌های ایجنتی می‌خواهد. یعنی ارزش کار بیشتر در صورت‌بندی مسئله، کنترل کیفیت داده، اعتبارسنجی و توضیح نتیجه است. ریسک دیگر وابستگی بخشی از بازار آمریکا به پروژه‌های دفاعی و دولتی است که تابعیت و مجوز امنیتی می‌خواهند؛ بازار تجاری (انرژی، کشاورزی، لجستیک) و کشورهای دیگر این محدودیت را ندارند.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۲۵ منبع بررسی شده است.
- Geospatial Data Scientist — MITRE (job posting)
- Data Scientist, Geospatial — Neara (job posting)
- Remote Sensing Data Scientist — Muon Space (job posting)
- Data Scientist (Haarlem) — Planet Labs (job posting)
- Data Scientist I — Esri (job posting)
- Staff Data Scientist - Geospatial — Relay (job posting)
- Geospatial Data Scientist — MHCLG, UK (job posting on LinkedIn)
- Geospatial Data Scientist — NSW DPIRD, Australia (job posting on LinkedIn)
- Bilingual Spatial Data Scientist — CPCS (job posting on LinkedIn)
- Geospatial Data Scientist — Trinzic / KBR at USGS EROS (job posting on LinkedIn)
- Data Scientist II - GEOINT/Remote Sensing — PNNL (job posting on LinkedIn)
- Product Engineer - Geospatial Data Science — Esri New Delhi (job posting)
- Spatial Data Engineer II — Esri (job posting)
- Geospatial Analyst - Mid — GRVTY (job posting)
- ZipRecruiter — Geospatial Data Scientist salary, United States
- Glassdoor UK — Geospatial Data Scientist salaries
- BLS Occupational Outlook Handbook — Data Scientists
- BLS Occupational Outlook Handbook — Cartographers and Photogrammetrists
- Luc Anselin — Wikipedia
- Rebecca Moore (scientist) — Wikipedia
- Qiusheng Wu — personal site (gishub.org)
- Geographic Data Science with Python — Rey, Arribas-Bel, Wolf
- Geocomputation with Python — Dorman, Graser, Nowosad, Lovelace
- Spatial Data Science: With Applications in R — Pebesma, Bivand
- TorchGeo — GitHub