مهندسی فناوری اطلاعات مکانی
سال:1394 | دوره:3 | شماره:4 |تعداد مقالات:6

آگاهی از مشخصات جمعیتی یک شهر از نیازهای اولیه تصمیم گیرندگان شهری می باشد. این در حالی است که داده های جمعیتی عموما در بازه های زمانی بلند مدت از قبیل ده یا پنج ساله تهیه و یا بازبینی می شوند. در این فاصله زمانی، جمعیت با اعمال تخمین های غیر شهودی و تقریبی از قبیل نرخ متوسط مهاجرت و یا داده های آماری دقیق تری چون زاد و ولد تخمین زده می شود. در کنار نادقیق بودن نتایج تخمین های جمعیتی نکته مهم عدم امکان استفاده از آنها برای ارائه برآوردی از پراکندگی جمعیت می باشد. این تحقیق با احساس نیاز به بهبود تخمین جمعیت و بالاخص تعیین پراکندگی جمعیت در محیط های شهری به ارائه روشی مبتنی بر بکارگیری داده های مکانی پرداخته است. فرضیه تحقیق عبارتست از اینکه عامل مکان در قالب کاربری اراضی و تراکم و پراکندگی جمعیت دارای ارتباط مشخصی با یکدیگر می باشند. در صورت مشخص بودن ارتباط مزبور و وجود تخمین های دقیق تر و عینی تری از تغییرات کاربری اراضی، می توان این تغییرات را در تراکم و پراکندگی جمعیت تصویر نمود. نتیجه این فرآیند افزودن فاکتوری عینی و قابل اطمینان در تخمین جمعیت است که می تواند سبب بهبود روش های تخمینی موجود گردد. در این تحقیق چند ارتباط اصلی میان کاربری اراضی و جمعیت از قبیل سکونت، تمایل به زندگی در مجاورت یکدیگر و همچنین توزیع پیوسته جمعیت در حوزه مکانی معرفی شده اند. این ارتباط ها با استفاده از روش تخمین و حداکثرسازی در محیط محاسباتی یک سیستم اطلاعات مکانی تصویر مبنا پیاده سازی شده اند تا شبیه سازی از جمعیت و پراکندگی آن در شهری مانند تهران حاصل گردد. روش تخمین و حداکثرسازی در این تحقیق به عنوان نوعی از درونیابی سطحی بکار گرفته شده است. داده های کاربری اراضی مورد نیاز نیز از تصاویر ماهواره ای IRS-D مربوط به تاریخ های 06/03/2012 و 26/10/2013 استخراج شده است. نتایج حاصل برآورد مناسبی از جمعیت و پراکندگی آن را در منطقه مورد مطالعه خاطر نشان می سازد.

تحقیقات اخیر نشان داده است که طبقه بندی تصاویر سنجش ازدور با کمک روش هایی که از اطلاعات مکانی در کنار اطلاعات طیفی استفاده می کند، نسبت به روش های مبتنی بر فقط اطلاعات طیفی، دقیق تر می باشد. اگرچه طبقه بندی به روش ماشین بردار پشتیبان دارای نتایج دقیق در بیشتر تصاویر سنجش ازدور می باشد ولی این طبقه بندی کننده ذاتا بر مبنای فقط اطلاعات تک پیکسل عمل می کند، که این یک محدودیت برای استفاده از آن می باشد. در این مقاله، تلفیق ماشین بردار پشتیبان با میدان های تصادفی مارکوف به منظور طبقه بندی داده های پلاریمتری رادار با روزنه مجازی از یک منطقه شامل گونه های مختلف جنگلی، پوشش گیاهی و آب بر اساس افزودن اطلاعات مکانی انجام می شود. به منظور انتخاب ویژگی های پلاریمتری مناسب و همچنین برآورد خودکار پارامترهای بهینه مورد نیاز، از الگوریتم ژنتیک استفاده می شود. به منظور بررسی عملکرد روش پیشنهادی، نتایج بدست آمده از این روش با نتایج تعدادی از روش های پایه در طبقه بندی تصاویر پلاریمتری و دو روش جدید به نام های aMRF و MSVC مقایسه شد. در نهایت طبقه بندی به این روش نسبت به روش های ویشارت، ویشارت-مارکوف، SVM، aMRF و MSVC به ترتیب 19، 14، 11، 5 و 3 درصد افزایش دقت را نشان می دهد.

با توجه به این که بخش کشاورزی بیشترین مصرف کننده آب است، اتخاذ روش مناسب و توسعه مدلی برای تخصیص بهینه آب به محصولات کشاورزی یکی از مهم ترین گام ها در جهت مدیریت منابع آب است. هدف اصلی این مقاله تخصیص بهینه آب به محصولات کشاورزی در شرایط محدودیت آبی و با استفاده از الگوریتم های فرا ابتکاری ژنتیک و انبوه ذرات و مقایسه کارایی آن ها است. روش انجام تحقیق بدین صورت است که ابتدا داده های لازم توسط توابع و تحلیل های مکانی سیستم اطلاعات مکانی (GIS) تهیه و آماده سازی می شوند. سپس آورد منابع آبی استخراج می گردد و میزان آب موردنیاز هرکدام از محصولات کشاورزی محاسبه می شود. سپس بر اساس مساحت و عملکرد محصول هر زمین و درآمد حاصله از هر محصول، تابع هدف محاسبه و با استفاده از الگوریتم های ژنتیک و انبوه ذرات آورد منابع آب به زمین های کشاورزی تخصیص داده می شود. این تخصیص به گونه ای است که سود اقتصادی حاصل از محصولات تمام زمین ها حداکثر شود. نتایج تحقیقات نشان می دهد که سود حاصل از تخصیص با الگوریتم انبوه ذرات، 106938976 ریال بیشتر از الگوریتم ژنتیک است. همچنین نتایج تست همگرایی الگوریتم ها، حاکی از سرعت همگرایی بسیار بالاتر انبوه ذرات است. نتایج تست تکرارپذیری الگوریتم ها نیز، ثبات بالاتر الگوریتم انبوه ذرات را نمایان می کند (واریانس جواب های نرمال شده الگوریتم ژنتیک در 10 اجرا 0.151 و الگوریتم انبوه ذرات 0.104 است). با توجه به نتایج ارزیابی زمان اجرای الگوریتم ها در دو حالت تعریف شرط توقف (تعداد اجرا و رسیدن به دقتی خاص)، الگوریتم انبوه ذرات در هر دو حالت زمان اجرای کمتری (به میزان به ترتیب 320 و 272 ثانیه) دارد. درمجموع الگوریتم انبوه ذرات در تمام جنبه های بررسی شده برتری قابل توجهی نسبت به الگوریتم ژنتیک دارد. تنها مساله در اجرای این الگوریتم، تخصیص ندادن هیچ آبی به برخی از زمین ها است. درواقع با توجه به این موضوع، به نظر می رسد که در مواقع کمبود آب برای رسیدن به سود اقتصادی بیشتر، بهتر است به جای کم آبیاری، برخی از زمین ها خشک شوند.

با توجه به آثار سوء آلودگی هوا بر سلامت انسان ها و محیط، پیش بینی و مدلسازی این پدیده از جمله مسائل مهم در چند دهه گذشته بوده است. دینامیک غیر خطی و حجم بالای داده های آلودگی هوا، مشکلات پیش بینی این پدیده پیچیده را، بویژه در پردازش های پویا، دوچندان کرده است. هدف این پژوهش، ارائه الگوریتمی برخط است که بتواند با حل مشکلات روش های پیشین در پیش بینی برخط آلودگی هوا، سری زمانی آلودگی هوای شهر تهران را به صورت پویا پیش بینی کند. الگوریتم برخط ارائه شده بر مبنای ماشین بردار پشتیبان طراحی شده است. در الگوریتم ارائه شده، پیش بینی مبتنی بر داده های جریانی جمع آوری شده توسط سنجنده های آلودگی هوا، سنجنده های هواشناسی و همچنین داده های مکانی همچون ترافیک، ارتفاع متوسط منطقه و ویژگی های سطح زمین انجام می شود. نتایج حاصل شده بیانگر دقت مناسب الگوریتم برخط، جهت پیش بینی پویای آلودگی هوای شهر تهران می باشد. استفاده از داده های یک سال جهت انجام تست، دقت 0.71 و خطای جذر میانگین مربعات 0.54 و ضریب تعیین 0.81 را حاصل کرده است. افزون بر دقت مناسب، سرعت بالای پردازش ها در الگوریتم برخط، کارایی این الگوریتم را برای طراحی سیستمی آنلاین جهت پیش بینی آلودگی هوای شهر تهران برای چند ساعت آینده به اثبات می رساند.

یک راه معمول برای ذخیره اطلاعات مکانی-زمانی اشیا در حال حرکت، نمایش مسیر حرکت شئ متحرک به شکل خط سیر سه بعدی (موقعیت جغرافیایی نقاط به همراه زمان) است. در سال های اخیر تحقیقات گسترده ای در حوزه خط سیر انجام شده است. با این حال، در این مطالعات، ایده خط سیر معنایی یک مفهوم نسبتا جدید است که با هدف انجام آنالیزهای معنایی موثر روی داده ها انجام می شود. در خط سیر معنایی که یک نمایش ثانویه از خط سیر مکانی است، حرکت شی به شکل دنباله ای از توقف ها و حرکت ها توصیف می شود. تولید خط سیر معنایی از داده های خام جمع آوری شده، یک فرآیند با چندین گام پردازش است که با توجه به حجم عظیم داده ها، یکی از پیش پردازش های موردنیاز کاهش تعداد نقاط خط سیر با حفظ دقت موردنیاز با استفاده از تکینک های فشرده سازی است. با وجود این، اغلب تکنیک های کاهش داده خط سیر که بر اساس ساده سازی خطی هستند، قادر به حفظ مناطق توقف و حرکت نیستند. در این مقاله روشی برای فشرده سازی داده های خط سیر بر اساس سرعت نقاط ارائه شده است که از ترکیب دو تابع فاصله در درونیابی و محاسبه خطای نقاط استفاده کرده است. تابع فاصله اول بر اساس سرعت نقاط است که برای محاسبه خطای تقریب خط سیر استفاده شده و تابع فاصله دوم تابعی بر اساس توسعه الگوریتم شناخته شده داگلاس-پوکر است که از فرض ثابت بودن شتاب در محاسبه خطا در تقریب استفاده کرده است. الگوریتم ارائه شده روی داده های واقعی خط سیر پیاده سازی شده و نتایج به دست آمده حاکی از بهبود عمکرد در حفظ مناطق توقف در مقایسه با الگوریتم های فشرده سازی دیگر است.

امروزه شناسایی فاکتورهای موثر بر آتش سوزی جنگل ها از اهمیت بسیار بالایی برخوردار است زیرا سالانه مساحت زیادی از جنگل های جهان بر اثر آتش سوزی نابود می شوند. با شناسایی این فاکتورها می توانیم نقاط و زمان های پرخطر برای آتش سوزی را شناسایی نمائیم و با وضع قوانین و سیاست های کارآمد در مدیریت جنگل و نظارت بیشتر در جهت مقابله با فاکتورهای محرک آتش برآییم. در این تحقیق، فاکتورهای موثر بر آتش سوزی های جنگل گلستان شناسایی شده اند. در این راستا، از روش رگرسیون وزن دار جغرافیایی (GWR) در ترکیب با الگوریتم ژنتیک استفاده شد. روش ترکیبی پیشنهادی روش مناسبی برای مسائل رگرسیون مکانی است زیرا فاکتورهای موثر با لحاظ نمودن دو ویژگی خاص داده های مکانی یعنی خودهمبستگی و ناایستایی مکانی شناسایی گشتند. در این تحقیق، از داده های سه آتش سوزی مختلف و دو روش وزن دهی گوسین و مکعبی سه گانه در GWR استفاده گشت. مقدارR2 با استفاده از هسته گوسین 0.9538، 0.9990 و 0.9903 و با استفاده از هسته مکعبی سه گانه 0.9931، 0.9999 و 0.9980 به دست آمد. نتایج تحقیقات نشان داد که هر دو دسته فاکتورهای بیوفیزیکی و انسانی تاثیر بسزایی در آتش سوزی های مناطق مورد مطالعه داشتند. از فاکتورهای بیوفیزیکی ارتفاع، جهت شیب، حداقل دما، متوسط دما و از فاکتورهای انسانی کاربری زمین و فاصله از مناطق مسکونی در بیشتر حالت ها موثر شناخته شدند. همچنین با استفاده از هسته مکعبی سه گانه برای وزن دهی در GWR، نتایج دقیق تر و مناسب تری به دست آمد.