เลิกแค่ “วาดแผนที่” สู่การเป็น “Geo-Developer” ทางรอดเดียวของคนสาย GIS ไทยในยุค AI

สวัสดีครับน้องๆ และเพื่อนร่วมชะตากรรมสาย GIS ทุกคน!

ช่วงนี้ใครที่ทำงานสายภูมิสารสนเทศ หรือกำลังเรียนอยู่ คงจะเริ่มรู้สึกเหมือนผมใช่ไหมครับว่า “โลกมันหมุนไวมาก” สมัยก่อนตอนผมเริ่มจับ GIS ใหม่ๆ แค่เราเปิดโปรแกรม ArcGIS หรือ QGIS ขึ้นมา ลากเส้นถนน นำเข้าพิกัดพอยต์ ระบายสีขอบเขตพื้นที่ให้สวยๆ แล้วส่งออกเป็นแผนที่… แค่นั้นเราก็ดูเป็น “เทพ” ในสายตาคนอื่นแล้ว

แต่เชื่อไหมครับว่าในปี 2026 นี้ แค่ “วาดแผนที่สวย” มันไม่พอจะเลี้ยงชีพได้ยืนยาวอีกต่อไปแล้วครับ วันนี้ผมเลยอยากมาชวนคุยเรื่องการขยับตัวเองจาก GIS Officer แบบเดิมๆ ไปสู่การเป็น “Geo-Developer” ซึ่งผมมองว่าเป็นทางรอด (และทางรุ่ง) ทางเดียวของเราในตอนนี้ครับ

ทำไมเราถึงต้องเลิกแค่ “คลิกเมาส์” วาดแผนที่?

ลองจินตนาการดูนะครับ ถ้าวันนี้หัวหน้าสั่งให้เรานับ “จำนวนหลังคาบ้าน” ในเขตกรุงเทพฯ ทั้งหมดเพื่อประเมินพื้นที่เสี่ยงภัย ถ้าเป็นสมัยก่อน เราคงต้องนั่งจิ้มเมาส์ไปทีละหลัง… จิ้มไป ตาแฉะไป กว่าจะเสร็จคงใช้เวลาเป็นเดือน

แต่ในโลกของ Geo-Developer เราใช้ GeoAI ครับ ปัจจุบันมีงานวิจัยที่ล้ำมาก เช่น สถาปัตยกรรมใหม่ๆ ในการสกัดขอบเขตหลังคาจากภาพถ่ายดาวเทียมโดยใช้ Deep Learning (Hussain et al., 2025) หรือแม้แต่การใช้โดรนบินสำรวจเพื่อตรวจจับอุปกรณ์ติดตั้งบนดาดฟ้าอาคาร (Santos et al., 2023)

เราแค่ทำหน้าที่ “กำกับดูแล” และ “เขียนคำสั่ง” ให้โมเดลเหล่านี้ทำงานแทนเรา ผลลัพธ์ที่ได้คือข้อมูลหลักล้านพิกัดในเวลาไม่กี่นาที แถมความแม่นยำยังสูงจนงาน Manual เทียบไม่ติด เห็นความต่างไหมครับ? คนนึงใช้แรงงาน (Manual) แต่อีกคนใช้ “สมองและเครื่องมือ” (Automation)

เมื่อโลกส่งข้อมูลมาให้เราวันละ 100 ล้าน Gigabyte!

อีกเหตุผลสำคัญที่บีบให้เราต้องเป็น Developer คือ “ขนาดของข้อมูล” ครับ ข้อมูลจาก Cyient (Bathers, 2026) ระบุว่าปัจจุบันมีดาวเทียม Earth Observation (EO) นับพันดวงโคจรรอบโลก และส่งข้อมูลกลับมามหาศาล หากประเมินแบบถล่มตัวที่สุด ดาวเทียมดวงหนึ่งส่งข้อมูล 100 TB ต่อวัน นั่นหมายความว่าอาจมีข้อมูลไหลลงมาสูงถึง 100,000,000 GB (100 Petabytes) ต่อวัน! ลองคิดดูครับ ถ้าเราต้องประมวลผลข้อมูลมหาศาลขนาดนี้ ลำพังแค่รอโหลดไฟล์ Hard Drive เราก็เต็มแล้วครับ แถมคอมพิวเตอร์ส่วนตัวเราก็ไม่มีทางประมวลผลไหว การประมวลผลในเครื่อง (Local Machine) มันจึงไม่พออีกต่อไป โจทย์มันใหญ่ขึ้น ความต้องการทรัพยากรคำนวณ (Computing Resources) มันสูงขึ้นมหาศาล

CyberGIS & HPC: เมื่อ “ซูเปอร์คอมพิวเตอร์” คือทางออกของโจทย์ระดับ Petabyte

เมื่อคอมพิวเตอร์ที่บ้านเอาไม่อยู่ เราจึงต้องการทางออกที่เรียกว่า CyberGIS ครับ ศาสตราจารย์ Shaowen Wang (2010) ได้นำเสนอแนวคิด CyberGIS เพื่อเป็นโครงสร้างพื้นฐานยุคใหม่ที่ผสมผสานระหว่างระบบเครือข่ายประสิทธิภาพสูง (Cyberinfrastructure) เข้ากับการวิเคราะห์เชิงพื้นที่

แต่หัวใจสำคัญที่ทำให้ CyberGIS ทำงานได้จริง คือสิ่งที่เรียกว่า HPC หรือ High-Performance Computing ครับ

HPC คืออะไร? ถ้าจะให้อธิบายง่ายๆ HPC ก็คือ “ซูเปอร์คอมพิวเตอร์” ที่ไม่ได้มีแค่ CPU ตัวเดียวเหมือนคอมฯ ที่เราใช้ทำงาน แต่มันคือการเอาคอมพิวเตอร์ประสิทธิภาพสูงจำนวนมากมาเชื่อมต่อกันเป็น Cluster เพื่อช่วยกันประมวลผลงานชิ้นเดียวพร้อมๆ กัน (Parallel Computing) ลองจินตนาการดูครับว่า ถ้าเรามีงานที่คอมพิวเตอร์ทั่วไปต้องใช้เวลาคำนวณ 1 ปี HPC สามารถทำให้เสร็จได้ภายในไม่กี่ชั่วโมง!

ทำไม CyberGIS ต้องคู่กับ HPC? เพราะงานด้าน GeoAI หรือการวิเคราะห์ข้อมูลดาวเทียมระดับโลกที่เราคุยกันนั้น มันกินทรัพยากรมหาศาลเกินกว่าที่ CPU หรือ GPU ในเครื่องเราจะรับไหว:

Parallel Processing: ข้อมูลดาวเทียม 100 ล้าน GB สามารถถูกซอยย่อยเป็นชิ้นเล็กๆ แล้วส่งให้ HPC หลายร้อยตัวช่วยกันประมวลผลพร้อมกันในพริบตา
Huge Memory: การประมวลผล Big Data ต้องใช้แรม (RAM) มหาศาล ซึ่ง HPC มีหน่วยความจำระดับที่คอมพิวเตอร์ทั่วไปเทียบไม่ติด
Complex Simulation: การจำลองการอพยพคนหรือการพยากรณ์อากาศที่ต้องคำนวณสมการคณิตศาสตร์ที่ซับซ้อน จำเป็นต้องใช้พลังจาก HPC เท่านั้น

พูดง่ายๆ คือ CyberGIS ช่วยให้เราไม่ต้องโหลดข้อมูลมหาศาลมาไว้ในเครื่อง แต่เราส่ง “คำสั่ง” ผ่านอินเทอร์เน็ตไปให้ HPC บนระบบ Cloud ทำการวิเคราะห์แทนเรา แล้วส่งกลับมาเพียงแค่ “คำตอบ” เท่านั้น ซึ่งโครงสร้างแบบนี้แหละครับที่ทำให้เกิดงานวิจัยเจ๋งๆ ระดับโลกตามหัวข้อข้างล่างนี้

GIS Inspiration: ส่องงานวิจัยล้ำๆ ที่ Geo-Developer ระดับโลกกำลังทำ

ถ้าน้องๆ ยังนึกไม่ออกว่าเราจะเอาพลังของ CyberGIS และ GeoAI ไปทำอะไรได้บ้าง นี่คือตัวอย่าง “Cool Studies” ที่ฝั่งตะวันตกเขากำลังขับเคลื่อนกันครับ:

Accessibility Research (ความเท่าเทียมที่วัดได้ด้วยพิกัด): เขาไม่ได้ดูแค่ว่าโรงพยาบาลอยู่ที่ไหนครับ แต่เขาทำแผนที่ระดับประเทศ (National-scale) อย่างงานของ Ye et al. (2024) ที่วิเคราะห์เวลาในการเดินทางไปโรงพยาบาลทั่วประเทศจีนแบบละเอียดถึง 1 กิโลเมตร! เพื่อดูว่าใครบ้างที่ถูกทอดทิ้งเข้าไม่ถึงบริการสาธารณะ หรืออย่างงานของ Zhang et al. (2025) ที่ใช้ Machine Learning มาวิเคราะห์การจัดวางพื้นที่สีเขียวในเมืองเพื่อลดเกาะความร้อน (Heat Island) ให้มีประสิทธิภาพที่สุด ข้อมูลเหล่านี้ถูกนำไปใช้ตัดสินใจเชิงนโยบายเพื่อปรับปรุงเมืองให้เท่าเทียมและน่าอยู่ขึ้นจริงๆ
Real-time Evacuation System (ระบบหนีภัยอัจฉริยะ): เมื่อเกิดภัยพิบัติ ข้อมูลวินาทีต่อวินาทีคือชีวิตครับ งานของ Lv et al. (2025) ได้นำเสนอโมเดลจำลองการอพยพคนจำนวนมหาศาลขณะเกิดน้ำท่วมเมือง (Large-scale real-time evacuation) โดยใช้ระบบที่เชื่อมโยงหลายโมเดลเข้าด้วยกัน เพื่อหาทางรอดที่ดีที่สุด หรือที่ล้ำไปกว่านั้นคือการใช้ Large Language Models (LLM) มาทำงานร่วมกับ Knowledge Graph เพื่อช่วยนำทางหนีไฟในอาคารแบบ Real-time (Wang et al., 2025) ซึ่งทั้งหมดนี้ต้องอาศัยการประมวลผลที่รวดเร็วและแม่นยำมากครับ
Smart Agriculture (เกษตรแม่นยำ): เลิกเดาสภาพอากาศครับ ปัจจุบันมีการใช้ IoT มาช่วยบริหารจัดการน้ำให้มีประสิทธิภาพสูงสุด (Mohamed et al., 2026) และการใช้ Machine Learning/Deep Learning มาช่วยระบุความเครียดของพืชจากภาวะภัยแล้ง (Ali et al., 2024) ช่วยให้เกษตรกรลดต้นทุนและเพิ่มรายได้มหาศาลโดยใช้ทรัพยากรน้อยลง

งานระดับนี้บอกเลยครับว่า “คอมพิวเตอร์ตั้งโต๊ะ” ทั่วไปเอาไม่อยู่แน่นอนครับ มันต้องใช้ Geo-Developer ที่รู้วิธีดึงพลังจาก Cloud และ HPC มาใช้เท่านั้น

แล้วเราจะเริ่มเปลี่ยนตัวเองยังไงดี?

ผมไม่ได้บอกให้ทิ้งโปรแกรมที่คุ้นเคยนะครับ แต่ให้เริ่มเพิ่ม “อาวุธ” เข้าไปในมือทีละนิด โดยใช้เครื่องมือฟรีๆ ที่มีอยู่ทั่วโลกมาเป็นครูฝึกให้เราครับ:

1. หัดคุยกับคอมพิวเตอร์ผ่าน Python เลิกกลัวการเขียน Code ครับ เพราะยุคนี้มี Library ที่ออกแบบมาเพื่อชาว GIS โดยเฉพาะ ทำให้เราจัดการข้อมูลพันๆ ไฟล์ได้อัตโนมัติ

เครื่องมือแนะนำ: เริ่มต้นที่ Google Colab (ไม่ต้องติดตั้งโปรแกรมในเครื่อง) แล้วลองหัดใช้ Library อย่าง GeoPandas สำหรับจัดการข้อมูล Vector หรือ Rasterio สำหรับข้อมูลภาพถ่ายดาวเทียม
แหล่งเรียนรู้: ลองดูใน Kaggle หรือ Geemap.org ของ Prof. Qiusheng Wu ซึ่งมีตัวอย่างโค้ด GIS เจ๋งๆ ให้ลองทำตามเยอะมากครับ

2. ก้าวออกจากเครื่องตัวเองสู่ Cloud ในเมื่อข้อมูลระดับ Petabyte มันโหลดลงเครื่องไม่ไหว เราก็ต้องย้ายตัวเองไปหาข้อมูลครับ

เครื่องมือแนะนำ: Google Earth Engine (GEE) คือพระเอกของงานนี้ครับ มันคือการใช้พลัง HPC ของ Google มาประมวลผลข้อมูลดาวเทียมย้อนหลัง 40 ปีได้ในไม่กี่นาที
แหล่งเรียนรู้: แนะนำให้สมัคร Account (ฟรีสำหรับงานวิจัยและสาธารณะ) แล้วเริ่มจาก GEE Documentation

3. ใช้ AI เป็น “มือขวา” (AI-Assisted Learning) ยุคนี้เราไม่ต้องนั่งงมหา Error ในโค้ดเองจนดึกดื่นแล้วครับ เรามี AI มาเป็นติวเตอร์ส่วนตัว

เครื่องมือแนะนำ: ChatGPT หรือ Gemini (ที่พวกเรากำลังใช้อยู่นี่แหละ!)
เทคนิค: ลองใช้ Prompt อย่าง “ช่วยเขียน Python โดยใช้ GeoPandas เพื่อตัดขอบเขตพิกัดในจังหวัดขอนแก่นให้หน่อย” AI จะช่วยไกด์วิธีการเขียนโค้ดและอธิบายตรรกะให้เราเสร็จสรรพ ทำให้เราเรียนรู้ได้เร็วขึ้นมหาศาลครับ

ส่งท้ายจากใจพี่บอม

เทคโนโลยีไม่ได้มาแย่งงานเราครับ แต่มันมาแย่งงาน “คนที่ปรับตัวไม่เป็น” ต่างหาก การเปลี่ยนตัวเองมาเป็น Geo-Developer อาจจะเหนื่อยในช่วงแรกที่ต้องเริ่มหัดเขียน Code หรือศึกษาเรื่อง CyberGIS และ HPC แต่เชื่อผมเถอะครับว่า เมื่อเราทำได้ เราจะเห็นโลกใบเดิมในมุมที่กว้างขึ้น และที่สำคัญ… เราจะกลายเป็น “ทรัพยากรหายาก” ที่ตลาดต้องการตัวมากที่สุดในตอนนี้ครับ

สู้ๆ นะครับทุกคน ผมเชื่อว่าพวกเราทำได้!

Reference

Ali, T., Rehman, S. U., Ali, S., Mahmood, K., Obregon, S. A., Iglesias, R. C., … Ashraf, I. (2024, December 3). Smart agriculture: utilizing machine learning and deep learning for drought stress identification in crops. Scientific Reports. Springer Science and Business Media LLC. http://doi.org/10.1038/s41598-024-74127-8
Bathers, G. (2023, May 8). The platformization of satellite data. Cyient. Retrieved March 25, 2026, from https://www.cyient.com/blog/the-platformization-of-satellite-data
Hussain, Z. khadim ., Congshi, J., Adrees, M., Chaudhary, H., & Shafqat, R. (2025, April). A Novel Architecture for building rooftop extraction using remote sensing and deep learning. Remote Sensing Applications: Society and Environment. Elsevier BV. http://doi.org/10.1016/j.rsase.2025.101551
Lv, W., Deng, F., Wang, J., Han, Y., & Yang, S. (2025, April). Large-scale real-time evacuation modeling during urban floods: A coupled agent-based multi-model framework. Simulation Modelling Practice and Theory. Elsevier BV. http://doi.org/10.1016/j.simpat.2025.103075
Mohamed, Z. E., Afify, M. K., Badr, M. M., & Omar, O. A. (2026, January 16). IoT-driven smart irrigation system to improve water use efficiency. Scientific Reports. Springer Science and Business Media LLC. http://doi.org/10.1038/s41598-025-33826-6
Santos, L. M. A. dos., Zanoni, V. A. G., Bedin, E., & Pistori, H. (2023, July). Deep learning applied to equipment detection on flat roofs in images captured by UAV. Case Studies in Construction Materials. Elsevier BV. http://doi.org/10.1016/j.cscm.2023.e01917
Wang, S. (2010, June 25). A CyberGIS Framework for the Synthesis of Cyberinfrastructure, GIS, and Spatial Analysis. Annals of the Association of American Geographers. Informa UK Limited. http://doi.org/10.1080/00045601003791243
Wang, T., Du, P., Dang, P., Liu, T., & Li, P. (2025, March 2). A real-time mapping method for knowledge graph-driven large language models: a focus on indoor fire evacuations. International Journal of Digital Earth. Informa UK Limited. http://doi.org/10.1080/17538947.2025.2468407
Ye, P., Ye, Z., Xia, J., Zhong, L., Zhang, M., Lv, L., … Li, Q. (2024, October 15). National-scale 1-km maps of hospital travel time and hospital accessibility in China. Scientific Data. Springer Science and Business Media LLC. http://doi.org/10.1038/s41597-024-03981-y
Zhang, Y., Ge, J., Wang, S., & Dong, C. (2025, February). Optimizing urban green space configurations for enhanced heat island mitigation: A geographically weighted machine learning approach. Sustainable Cities and Society. Elsevier BV. http://doi.org/10.1016/j.scs.2024.106087

Hello to all my juniors and fellow GIS travelers!

For those of you working in Geo-Informatics or currently studying, I’m sure you feel it too—the world is spinning incredibly fast. Back when I first started in GIS, simply opening ArcGIS or QGIS, digitizing roads, importing points, and styling a polygon boundary was enough to make you look like a “pro” in the eyes of others.

But believe me, in 2026, just “making a pretty map” isn’t enough to sustain a career in the long run anymore. Today, I want to talk about shifting ourselves from a traditional GIS Officer to a “Geo-Developer.” I see this as the only path for survival—and growth—for us right now.

Why Must We Stop “Click-and-Drag” Map Making?

Imagine your boss asks you to count every rooftop in Bangkok to assess disaster risk areas. In the old days, you’d sit there staring at satellite imagery, clicking on every single house… one by one… for months.

In the world of a Geo-Developer, we don’t do that. We use GeoAI. There is cutting-edge research happening right now, such as novel architectures for building rooftop extraction using deep learning (Hussain et al., 2025) or using UAVs (drones) to detect equipment on flat roofs (Santos et al., 2023).

Our job is to “supervise” and “write the instructions” for these models to work for us. The result? Millions of data points in minutes, with accuracy that manual labor can’t touch. See the difference? One uses manual labor, while the other uses “brains and automation.”

When the World Sends Us 100 Million Gigabytes a Day!

Another crucial reason forcing us to become Developers is the scale of data. Research from Cyient (Bathers, 2026) indicates that there are thousands of Earth Observation (EO) satellites orbiting the earth, capturing hundreds of terabytes of data daily. Even a conservative estimate suggests that nearly 100,000,000 GB (100 Petabytes) of data is transmitted every single day!

If we try to process this much data locally, our hard drives would be full before the download even finishes. Local Machine processing is no longer enough. The problems are getting bigger, and the demand for computing resources is skyrocketing.

CyberGIS & HPC: The Solution for Petabyte-Level Challenges

When your home computer can’t handle the load, we need a solution called CyberGIS. Professor Shaowen Wang (2010) introduced the CyberGIS framework to synthesize cyberinfrastructure, GIS, and spatial analysis.

The heart of CyberGIS is HPC (High-Performance Computing). Simply put, HPC is a “Supercomputer” composed of many high-performance nodes connected as a cluster to process a single task simultaneously (Parallel Computing). A task that would take a normal computer a year to calculate can be finished by an HPC in just a few hours.

Why does CyberGIS need HPC?

Parallel Processing: 100 million GB of data can be split into tiny pieces and sent to hundreds of HPC nodes to process at once.
Huge Memory: Big Data requires massive RAM that local PCs simply don’t have.
Complex Simulation: Simulating human evacuations or weather forecasts requires the raw power of HPC.

In short, CyberGIS means you don’t have to download data. You send “commands” over the internet to the HPC on the cloud, and it sends back only the “answer.” This structure is what enables the amazing research I’ve listed below.

GIS Inspiration: Cool Research by Global Geo-Developers

If you can’t visualize what to do with CyberGIS and GeoAI, look at these “Cool Studies” currently driving the Western world:

Accessibility Research (Equality Measured by Coordinates): It’s not just about where the hospital is. Researchers are creating national-scale 1-km maps of hospital travel time and accessibility, as seen in the work by Ye et al. (2024). Others are optimizing urban green spaces to mitigate heat islands using geographically weighted machine learning (Zhang et al., 2025). This data is used for policy decisions to create truly equitable cities.
Real-time Evacuation Systems: During a disaster, every second is a life. Lv et al. (2025) presented a large-scale real-time evacuation model for urban floods. Even more advanced is using Large Language Models (LLM) combined with Knowledge Graphs to guide indoor fire evacuations in real-time (Wang et al., 2025).
Smart Agriculture: No more guessing the weather. Today, IoT-driven smart irrigation improves water use efficiency (Mohamed et al., 2026), and machine learning identifies drought stress in crops (Ali et al., 2024). This allows farmers to reduce costs and increase income using fewer resources.

Work at this level is impossible on a “Desktop PC.” It requires a Geo-Developer who knows how to harness the power of the Cloud and HPC.

How Do We Start Changing?

I’m not saying you should throw away your familiar software. Instead, start adding “weapons” to your arsenal one by one using these tools:

Speak to Computers via Python: Stop being afraid of coding. Python has libraries designed specifically for GIS professionals to automate thousands of files.
- Tool: Start with Google Colab (No installation needed). Learn GeoPandas for vector data or Rasterio for satellite imagery.
- Learning Resource: Check out Kaggle or Geemap.org by Prof. Qiusheng Wu.
Move from Local to Cloud: If petabytes won’t fit on your machine, go to where the data lives.
- Tool: Google Earth Engine (GEE) is the hero here. It uses Google’s HPC to process 40 years of satellite data in minutes.
- Learning Resource: Sign up for a free GEE account and start with the official GEE Documentation.
Use AI as your “Co-pilot” (AI-Assisted Learning): You don’t have to struggle with bugs alone anymore.
- Tool: ChatGPT or Gemini.
- Technique: Use prompts like “Write a Python script using GeoPandas to clip coordinates within Khon Kaen province.” AI will guide your coding and explain the logic, speeding up your learning immensely.

Final Thoughts from P’Bom

Technology isn’t coming to take our jobs; it’s coming to take the jobs of “those who refuse to adapt.” Becoming a Geo-Developer might be exhausting at first—learning to code or understanding CyberGIS and HPC is a steep curve. But trust me, once you master it, you will see the world from a much wider perspective. More importantly, you will become a “rare resource” that the market needs most right now.

Keep fighting, everyone. I believe we can do it!

Reference

Ali, T., Rehman, S. U., Ali, S., Mahmood, K., Obregon, S. A., Iglesias, R. C., … Ashraf, I. (2024, December 3). Smart agriculture: utilizing machine learning and deep learning for drought stress identification in crops. Scientific Reports. Springer Science and Business Media LLC. http://doi.org/10.1038/s41598-024-74127-8
Bathers, G. (2023, May 8). The platformization of satellite data. Cyient. Retrieved March 25, 2026, from https://www.cyient.com/blog/the-platformization-of-satellite-data
Hussain, Z. khadim ., Congshi, J., Adrees, M., Chaudhary, H., & Shafqat, R. (2025, April). A Novel Architecture for building rooftop extraction using remote sensing and deep learning. Remote Sensing Applications: Society and Environment. Elsevier BV. http://doi.org/10.1016/j.rsase.2025.101551
Lv, W., Deng, F., Wang, J., Han, Y., & Yang, S. (2025, April). Large-scale real-time evacuation modeling during urban floods: A coupled agent-based multi-model framework. Simulation Modelling Practice and Theory. Elsevier BV. http://doi.org/10.1016/j.simpat.2025.103075
Mohamed, Z. E., Afify, M. K., Badr, M. M., & Omar, O. A. (2026, January 16). IoT-driven smart irrigation system to improve water use efficiency. Scientific Reports. Springer Science and Business Media LLC. http://doi.org/10.1038/s41598-025-33826-6
Santos, L. M. A. dos., Zanoni, V. A. G., Bedin, E., & Pistori, H. (2023, July). Deep learning applied to equipment detection on flat roofs in images captured by UAV. Case Studies in Construction Materials. Elsevier BV. http://doi.org/10.1016/j.cscm.2023.e01917
Wang, S. (2010, June 25). A CyberGIS Framework for the Synthesis of Cyberinfrastructure, GIS, and Spatial Analysis. Annals of the Association of American Geographers. Informa UK Limited. http://doi.org/10.1080/00045601003791243
Wang, T., Du, P., Dang, P., Liu, T., & Li, P. (2025, March 2). A real-time mapping method for knowledge graph-driven large language models: a focus on indoor fire evacuations. International Journal of Digital Earth. Informa UK Limited. http://doi.org/10.1080/17538947.2025.2468407
Ye, P., Ye, Z., Xia, J., Zhong, L., Zhang, M., Lv, L., … Li, Q. (2024, October 15). National-scale 1-km maps of hospital travel time and hospital accessibility in China. Scientific Data. Springer Science and Business Media LLC. http://doi.org/10.1038/s41597-024-03981-y
Zhang, Y., Ge, J., Wang, S., & Dong, C. (2025, February). Optimizing urban green space configurations for enhanced heat island mitigation: A geographically weighted machine learning approach. Sustainable Cities and Society. Elsevier BV. http://doi.org/10.1016/j.scs.2024.106087

Stop Just "Drawing Maps" ... Becoming a "Geo-Developer" is the Only Way to Survive for Thai GIS Professionals in the AI Era

ทำไมเราถึงต้องเลิกแค่ “คลิกเมาส์” วาดแผนที่?

เมื่อโลกส่งข้อมูลมาให้เราวันละ 100 ล้าน Gigabyte!

CyberGIS & HPC: เมื่อ “ซูเปอร์คอมพิวเตอร์” คือทางออกของโจทย์ระดับ Petabyte

GIS Inspiration: ส่องงานวิจัยล้ำๆ ที่ Geo-Developer ระดับโลกกำลังทำ

แล้วเราจะเริ่มเปลี่ยนตัวเองยังไงดี?

ส่งท้ายจากใจพี่บอม

Reference

Why Must We Stop “Click-and-Drag” Map Making?

When the World Sends Us 100 Million Gigabytes a Day!

CyberGIS & HPC: The Solution for Petabyte-Level Challenges

GIS Inspiration: Cool Research by Global Geo-Developers

How Do We Start Changing?

Final Thoughts from P’Bom

Reference

format_list_bulleted Contents