علوم و فنون نقشه برداری
سال:1398 | دوره:9 | شماره:3 |تعداد مقالات:16

مطالعه و برآورد مستمر زیست توده از طریق تصاویر ماهواره ای یکی از مهمترین موضوعاتی می باشد که در زمینه مطالعات اکوسیستم مورد توجه هستند. روش های اندازه گیری مستقیم زیست توده علیرغم دقیق بودن، معمولا با تخریب بخشی از پوشش گیاهی همراه می باشد که این عمل با توجه تعداد مورد نیاز برای مدلسازی ماهواره ای، علاوه بر ضرر رساندن به محیط زیست و کشاورزی، نیازمند تجهیزات خاص می باشد. در این پژوهش روشی ارایه شده است که بوسیله آن می توان با استفاده از تصاویر دوربین دیجیتال و بدون نیاز به تخریب فیزیکی، مقدار زیست توده را محاسبه کرد. در روش پیشنهادی با بررسی رابطه مقدار پوشش گیاهی (گندم زمستانه) که از تصویر دوربین دیجیتال از مزارع بدست می آید و NDVI که از داده های ماهواره ای همان مزارع محاسبه می شود، یک مدل توسعه داده شده است. با استفاده از این مدل، از تصاویر دوربین دیجیتال مقدار NDVI محاسبه می شود. با محاسبه NDVI از عکس دیجیتال، مقدار انرژی جذب شده فتوسنتزی با روابط معتبر موجود، محاسبه شد. سپس با استفاده از مدل های LUE (مونتیس) مقدار زیست توده برآورد گردید. ضریب تعیین بدست آمده در این پژوهش برای برآورد NDVI از تصاویر دوربین دیجیتال برابر با 71/0 ((RMSE= 0. 087 می باشد. همچنین ضریب تعیین بدست آمده در برآورد زیست توده با استفاده از داده های عکس دیجیتال برابر با 63/0 با RMSE= 238 g/m2 محاسبه شده است. از مزایای این روش نسبت به روش های زمینی سرعت، کمی هزینه و سهولت انجام آن می باشد. همچنین از این روش می توان در غیاب دسترسی به داده های ماهواره ای نیز استفاده نمود.

شناسایی و استخراج راه یکی از موضوعات مهم در زمینه فتوگرامتری و سنجش از دور و ماشین بینایی می باشد. تحقیقات بسیار زیادی در این خصوص بر مبنای تصاویر چندطیفی انجام شده که عمدتا نتایج نسبتا خوبی نیز به دست آمده است. در این مقاله، یک روش اتوماتیک و شی گرای سلسله مراتبی جهت شناسایی و استخراج عارضه راه در مناطق شهری پیشنهاد داده شده است. روش پیشنهادی این تحقیق مبتنی بر روش قطعه بندی شیفت میانگین [1] و مدل رنگی HSI [2] برای شناسایی عارضه راه است. ابتدا از تصویر چندطیفی قطعه بندی شده، شاخصهای طیفی NDVI [3] و NDWI [4] ایجاد شده، همچنین تصویر قطعه بندی شده فوق به فضای رنگی HSI انتقال یافت. در ادامه به کمک محصول رنگ و شاخصهای طیفی NDVI و NDWI و باند مادون قرمز نزدیک [5] راه های اولیه شناسایی شدند. سپس با تکنیک برداری سازی مبتنی بر دیاگرام ورونی [6] محور راه ها استخراج شد. پس از استخراج محور راه های اولیه، بر اساس قواعد توپولوژیکی قطعات زاید متصل به راه حذف گردیدند. به منظور آزمون روش پیشنهادی، از تصویر ماهواره ای چندطیفی محدوده Moonah کشور استرالیا که توسط انجمن بین المللی فتوگرامتری و سنجش از دور (ISPRS) ارایه شده، استفاده گردید. طبق نتایج ارزیابی، پارامترهای کامل بودن، صحت، کیفیت و F1Measure روش پیشنهادی به طور میانگین عبارتند از: 98%، 85%، 84% و 91% برآورد شده است. علاوه بر این، نتایج روش پیشنهادی با نتایج پنج روش از روش های برجسته موجود در استخراج راه، مورد قیاس قرار گرفت. نتایج حاصل از ارزیابی نشان می دهد که روش پیشنهادی در شناسایی و استخراج راه ها بر مبنای تصاویر چندطیفی ماهواره ای با قدرت تفکیک مکانی بالا، از قابلیت بسیار خوبی در مناطق شهری برخوردار است.

شناسایی و تشخیص گونه های درختی و اطلاعات مکانی دقیق آنها برای مدیریت جنگل های طبیعی، مصنوعی و همچنین پوشش گیاهی شهری امری حیاتی و ضروری است. لیزر اسکنر زمینی یک سنجنده فعال سنجش از دور می باشد که پتانسیل تولید اطلاعات مکانی با جزییات بالا را برای کاربردهایی در زمینه جنگلداری و حفاظت از طبیعت دارد. لیزر اسکنر زمینی جزییات ساختار درختان را در حد زیر شاخه توصیف می کند، از این رو می توان اطلاعات هندسی درختان را با دقت و صحت بالا از داده های ابر نقاط لیزر اسکنر زمینی بدست آورد. روند پیشنهادی در این مقاله به این صورت است که ابتدا از داده های ابر نقاط لیزر اسکنر زمینی سه گونه مختلف درختی که عبارت است از: Quercus_petraea گونه ای از درخت بلوط، Pinus_massoniana گونه ای از درخت کاج و Erythrophleum گونه ای از درخت لوبیا، پارامترهای هندسی این درختان استخراج شده است. برای هر کدام از این گونه ها 12 داده ابر نقطه لیزر اسکنر زمینی موجود بوده است. پس از آنکه پارامترهای هندسی این درختان استخراج شدند، با در نظر گرفتن این پارامترهای هندسی بعنوان ویژگی و با استفاده از الگوریتم های ماشین بردار پشتیبان و نزدیکترین همسایگی طبقه بندی این سه گونه ی درختی انجام شده است. لازم به ذکر است که میزان دقت روش های استخراج پارامترهای هندسی درختان توسط داده های مرجع که بصورت غیراتوماتیک تولید شدند، مورد ارزیابی قرار گرفته است. هدف در این مقاله ارزیابی الگوریتم های ماشین بردار پشتیبان و نزدیکترین همسایگی با تعداد پارامترهای هندسی و نمونه های آموزشی کمتر برای تشخیص این سه گونه از هم می باشد. نتایج ارزیابی دقت طبقه بندی 81% با استفاده از الگوریتم ماشین بردار پشتیبان و دقت 74% با الگوریتم نزدیکترین همسایگی را نشان می دهد که حاکی از قدرت تشخیص نسبتا خوب روش پیشنهادی برای طبقه بندی و تشخیص این سه گونه می باشد.

بیماری لپتوسپیروز که در ایران بیشتر با نام تب شالیزار شناخته می شود، امروزه به عنوان یکی از شایع ترین بیماری های مشترک میان انسان و دام) زیونوزها) می باشد که از آن به عنوان یک بیماری فراموش شده و درعین حال بااهمیت یاد می شود. این بیماری با عوامل محیطی ازجمله آب وهوا، پوشش زمین و ارتفاع و حتی عوامل اقتصادی-اجتماعی مانند وضعیت بهداشت محل سکونت و شغل وابستگی شدیدی دارد. با کمک سیستم اطلاعات مکانی و قابلیت های پیشرفته آن می توان با تولید نقشه های پیش بینی ریسک، برای شناسایی مناطق تحت خطر شیوع بیماری ها به تصمیم گیران بهداشت عمومی کشور کمک شایانی نمود. هدف این مطالعه شناسایی میزان تاثیر فاکتورهای محیطی بر روی الگوی شیوع لپتوسپیروز به منظور تولید نقشه پیش بینی ریسک در کل ایران می باشد. این امر با کمک آمار بیماری در یک دوره ده ساله از سال های 2009 تا 2018 به صورت نقطه ای و با به کارگیری قابلیت های سیستم اطلاعات مکانی و سنجش ازدور و هم چنین الگوریتم حداکثر آنتروپی (MAXENT) به عنوان یک روش مدل سازی کارآمد و با دقت، صورت گرفته است. فاکتورهای به کاررفته شامل بارندگی، ارتفاع، پوشش زمین، شاخص پوشش گیاهی نرمال شده، میانگین دما، بیشینه دمای ماهیانه، شیب، آب های سطحی و نقشه مناطق جابه جایی می باشد. نتایج این تحقیق نشان داد که علاوه بر سه استان شمالی ایران، مناطق شمال غربی و غرب کشور نیز از خطر شیوع این بیماری در امان نیستند. بارش و ارتفاع به عنوان دو پارامتر اصلی تاثیرگذار در توزیع حال حاضر لپتوسپیروز شناخته شدند و در مقابل شیب و آب های سطحی مشارکت نزدیک به صفر در مدل به عنوان کم تاثیرترین فاکتورها محاسبه شدند. در این مطالعه نقشه های پیش بینی ریسک برای شیوع بیماری لپتوسپیروز به نمایش گذاشته شده است که می تواند به منظور کنترل و پیشگیری شیوع این بیماری نه تنها برای سه استان شمالی کشور بلکه برای تمام ایران مورداستفاده قرار گیرد.

فیلترکردن ابرنقطه حاصل از فتوگرامتری رقومی و نیز داده های LiDAR یا حذف عوارض غیرزمینی و رسیدن به سطح زمین با هدف تولید DTM صورت می گیرد. روش های متنوعی توسط محققین مختلف به منظور تفکیک نقاط زمینی و غیرزمینی در داده ابرنقاط پیشنهاد شده است. اکثر روش های کاملا اتوماتیک یک نقطه ضعف مشترک دارند و آن کارایی آنها فقط برای نوع خاصی از سطح زمین می باشد. همچنین، اکثر این الگوریتم ها در مناظر ساده نتایج خوبی دارند و در مناظر پیچیده با مشکلاتی مواجه می گردند. در این مقاله روش های فیلترکردن ابرنقاط در قالب سه گروه: اول روش های سنتی شامل روش های شیب مبنا، سطح مبنا، مورفولوژی، TIN، قطعه بندی و غیره، دوم روش هایی که الگوریتم های خاصی را مورد بررسی قرار داده و یا الگوریتم های موجود را بهبود داده اند و سعی در افزایش کارایی آنها داشته اند، و سوم روش های فیلترکردن مبتنی بر تکنیکهای نوین یادگیری ماشین و یادگیری عمیق، مورد بررسی قرار گرفته و تجزیه و تحلیل جامعی از نحوه عملکرد این روش ها بعمل آمده، چالش ها و مشکلات اجرایی آنها مورد بررسی قرار گرفته و روش هایی که نسبت به سایر روش های فیلترکردن، کارایی بالاتری برای نواحی مختلف کوهستانی، جنگلی، شهری دارند، شناسایی و مزایا و معایب هر روش ارایه و پیشنهاداتی جهت بکارگیری روش های مختلف در نواحی متفاوت ارایه گردیده است. نتایج این تحلیل در راستای بهبود عملکرد روش های فیلترکردن، ترکیب روش های بهبود یافته و نیز استفاده از روش های نوین یادگیری ماشین و یادگیری عمیق در این زمینه پیشنهاد می گردد.

دریاچه ارومیه به جهت داشتن انواع گونه های حیات وحش، انواع گونه های پوشش گیاهی در سطح جزایر، ایجاد تعادل طبیعی در منطقه آذربایجان، ارزش توریستی، تفریحی و اجتماعی، ارزش طبی، ذخیره گاه زیست سپهر و همچنین به عنوان یک تالاب بین المللی دارای اهمیت ویژه ای است. ازطرفی مطالعه پارامترهای هواشناسی دریاچه ارومیه و بررسی تغییرات تراز آن، به منظور اعمال مدیریت برمنابع آب حایز اهمیت است. درنتیجه به منظور احیای دوباره دریاچه ارومیه و مدیریت منابع آب این دریاچه لازم است نقش پارامترهای موثر مشخص شود. لذا در این تحقیق از روش شبکه عصبی استفاده شد و پارامترهای هواشناسی نظیر تبخیر، دما، بارش و مقادیرسالانه برداشت از آب های زیرزمینی چاه های اطراف دریاچه ارومیه و مقادیرسالانه دبی ورودی به دریاچه بین سالهای 1376 تا1390، به عنوان پارامترهای ورودی و ارتفاع و مساحت سالانه آب دریاچه به عنوان پارامترهای خروجی وارد شبکه عصبی شدند. دراین تحقیق از قوانین لونبرگ برای آموزش شبکه استفاده شد. پس از آموزش مدل توسط پارامترهای هواشناسی، مشخص گردید مدل شبکه عصبی به شکل کاملا مناسبی و با دقت بالایی داده ها را تقریب می زند. این شبکه، مساحت دریاچه ارومیه را به اندازه 3% خطا و 97% دقت و سطح تراز دریاچه با خطای m 8/0 تخمین میزند. همچنین ضریب همبستگی پارامتر برداشت از آب های زیرزمینی با ارتفاع و مساحت 4/0-و ضریب همبستگی بارش با 2 پارامتر وابسته 15/0+ وضریب دبی ورودی 4/0+ به دست آمد. پس از بررسی مدل معلوم شد که پارامتر های برداشت از چاه های زیرزمینی و مقدار دبی ورودی دریاچه نسبت به دیگر پارامترها برروی ارتفاع و مساحت تاثیربیشتری دارند.

موضوع جمع آوری پسماند یک چالش بزرگ برای جوامع مدرن می باشد حدود 80% از کل هزینه مدیریت پسماند را شامل می شود. بنابراین برنامه ریزی صحیح جمع آوری پسماند جهت به کارگیری اصولی منابع، می تواند از ایجاد هزینه های اضافی جلوگیری نماید و موجب بالا رفتن اثربخشی و درنهایت بهره وری مدیریت پسماند گردد. هدف از این تحقیق، یافتن مسیری های مناسب جمع آوری پسماند شهری با استفاده از داده های مکان مبنا طوری که زمان مجموع سفرهای وسایل نقلیه کمینه کردن شود. از طرفی محدودیت های حداکثر زمان مسافرت، حداکثر کل فاصله ی طی شده، حداکثر تعداد سطل زباله بررسی شده رعایت شود. در این تحقیق از تلفیق مسیله مسیریابی وسیله نقلیه (VRP) با سیستم اطلاعات جغرافیایی (GIS) استفاده می شود. سناریوهای تحقیق بر پایه یک ناوگان ثابت غیریکنواخت با تعداد ثابتی از هر نوع ماشین با هزینه و ظرفیت های محدود و متفاوت می باشد. مسیله سازگار شده تحقیق با توجه به ویژگی های جمع آوری پسماند، مسیله مسیریابی وسایل نقلیه با ظرفیت دار نا متقارن و پنجره زمانی نرم [1] (ACVRPTWS) می باشد. در ادامه به منظور اجرای یک نمونه کاربردی از مسیله مورد نظر برروی مسیله جمع آوری پسماند در یک پایلوت از شهر تهران موردبررسی قرار گرفت. در ادامه نتایج حاصل از ACVRPTWS با واقعیت مقایسه شده و نشان از کاهش 14 و 24 درصدی زمان مسافرت و زمان کل مسافرت می دهد. در واقع با استفاده از این روش می توان شبکه ای طراحی کرد که به کمک آن کاهش قابل توجهی در هزینه های جمع آوری پسماند داشته باشد به عبارت دیگر الگوریتم پیشنهادی توانسته است یک تناسب منطقی بین تعداد سطل های زباله مورد بررسی، حجم پسماند جمع آوری شده، مسافت پیموده شده و مدت زمان سرویس دهی هر وسلیه نقلیه برقرار کند. لازم به ذکر است که الگوریتم پیشنهادی در 5 دقیقه اجرا شده است.

کیفیت زندگی شهری به عنوان یک مفهوم کلیدی جهت تامین نیازهای اساسی شهروندان در راستای رفاه عمومی، بهزیستی اجتماعی و رضایتمندی افراد و همچنین ابزاری کارآمد برای ارزیابی سیاست های عمومی، رتبه بندی مکان ها و پایش سیاست ها و راهبردهای مدیریت و برنامه ریزی شهری می باشد. هدف اصلی از انجام این پژوهش سنجش کیفیت زندگی شهری بر اساس دو رویکرد عینی و ذهنی در سطح محلات منطقه یک شهر قم می باشد. در همین راستا با توجه به ویژگی های ناحیه مورد مطالعه و داده های در دسترس دو قلمرو دسترسی و آلودگی صوتی به همراه شاخص ها و معرف های آن ها هم از طریق محاسبه بر روی داده های کمی و انجام تحلیل های فضایی و هم از طریق پرسش از شهروندان، مورد ازیابی قرار گرفت. جهت استخراج و مدلسازی شاخص های دهگانه دو قلمرو اصلی تحقیق از لایه های کاربری اراضی و شبکه معابر شهری و همچنین داده های جمعیتی حاصل از سرشماری مرکز آمار ایران استفاده گردیده است. با توجه به نتایج بدست آمده از همپوشانی لایه های مربوط به شاخص ها در بعد عینی یک الگوی خاص از میزان کیفیت زندگی در سطح منطقه مورد مطالعه حاصل گردید که نشان می داد مرکز شهر دارای بالاترین میزان کیفیت و با دور شدن از مرکز شهر از میزان آن کاسته می گردد. اما نتایج حاصل از تحلیل های فضایی بر روی داده های جمع آوری شده از طریق پرسشنامه کمی متفاوت گردید و الگوی بدست آمده در بعد عینی دچار تغییر و جا به جایی گردید. در نهایت به منظور فراهم نمودن یک ابزار مدیریتی اقدام به رتبه بندی محلات بر اساس شاخص های نهایی استخراج شده با استفاده از روش TOPSIS صورت گرفت. بر اساس نتایج بدست آمده رتبه اول در بعد عینی و ذهنی به ترتیب محله های نوبهار و باجک 3 می باشند. در نهایت اقدام به بررسی همبستگی میان نتایج شاخص های کیفیت زندگی در دو بعد عینی و ذهنی صورت گرفت که نتایج نشان دهنده رابطه معنادار مثبت و همبستگی نسبتا خوبی در بین اکثر شاخص ها است.

نقشه زی توده روی زمین جنگل برای مدیریت پایدار بوم سازگان های جنگلی و گزارش انتشار کربن، امری ضروری و اجتناب ناپذیر است. هدف از این مطالعه مقایسه رگرسیون وزن دار جغرافیایی با رگرسیون کریگینگ با مبنای رگرسیون خطی چندگانه برای برآورد زی توده روی زمین جنگل های بلوط زاگرس با استفاده از نمونه های میدانی، اطلاعات طیفی و شاخص های پوشش گیاهی استخراج شده از تصاویر لندست 8 است. به منظور جمع آوری اطلاعات، 32 بلوک با ابعاد 1000 متر در 1000 متر به طور سیستماتیک با فاصله 2 کیلومتر پیاده شد. سپس در هر بلوک تعداد 7 قطعه نمونه با ابعاد 30 متر در 30 متر روی یکی از قطرهای اصلی شبکه پیاده شد. در مجموع از 224 قطعه نمونه 30 متر در 30 متر، 184 قطعه نمونه در بخش های جنگلی قرار گرفته بود و تحلیل ها با استفاده از 184 نمونه اجرا شد. پس از محاسبه کربن اندوخته شده در هر قطعه نمونه، کارایی دو روش رگرسیون وزن دار جغرافیایی و رگرسیون کریگینگ برای برآورد و تهیه نقشه زی توده ارزیابی شد. نتایج نشان داد که رگرسیون وزن دار جغرافیایی (ضریب تبیین 61/0 و جذر میانگین مربعات خطای نسبیی نسبی 22) کارایی بهتری برای برآورد و تهیه نقشه زی توده روی زمین جنگل های بلوط نسبت به رگرسیون کریگینگ (ضریب تبیین 47/0 و جذر میانگین مربعات خطای نسبیی نسبی 28) دارد.

هدف از این مقاله ارزیابی و بهبود دقت تعیین موقعیت داخلی با استفاده از حسگرهای گوشی هوشمند مبتنی بر روش Pedestrian Dead Reckoning (PDR) است. در بعضی شرایط خاص مانند آتش سوزی یا قطع برق که باعث ناتوانی روش های تعیین موقعیت مبتنی بر زیرساخت می شوند، بکارگیری روش PDR مبتنی بر حسگرهای گوشی هوشمند که تعیین موقعیت را به صورت پیوسته انجام می دهد یک راه حل مناسب است. در این مقاله به ارزیابی مولفه های موثر روش تعیین موقعیت داخلی بر اساس تشخیص نوع حرکت کاربر پرداخته می شود. ابتدا نمونه های حرکتی با استفاده از بردارهای ویژگی حاصل از داده های حسگرها و سه الگوریتم طبقه بندی درخت تصمیم گیری، ماشین بردار پشتیبان و K نزدیک ترین همسایه ارزیابی می شوند. بردارهای ویژگی پیشنهادی به طور قابل توجهی در مقایسه با ویژگی های تحقیقات پیشین در سه الگوریتم طبقه بندی بهبود حاصل می کنند. از منظر الگوریتم طبقه بندی، ماشین بردار پشتیبان با صرف بیشترین زمان پردازش بهترین عملکرد را با دقت 3/99% ارایه می دهد. در مرحله ی دوم به منظور محلی سازی، تشخیص گام بر اساس تعریف دو حدآستانه ی بالا و پایین و حدآستانه ی زمانی بر مقادیر نرم شتاب انجام می شود. مولفه جهت نیز از ترکیب داده های شتاب سنج، مغناطیس سنج و ژیروسکوپ بدست می آید. آزمایشات محلی سازی در حالی که کاربر گوشی را روبه روی خود نگه داشته برای دو حالت پیاده روی و دویدن در سه مسیر (مربع، دایره، مستطیل) انجام می شوند. میانگین دقت نهایی حاصل از پیاده روی برای سه مسیر به ترتیب برابر با 55/1، 82/1 و 34/2 بدست آمدند. دقت نهایی برای دویدن نیز برای سه مسیر به ترتیب برابر با 7/2، 6/2 و 53/3 حاصل شد.

با توجه به گسترش شهرها و پیچیده تر شدن شبکه ی راه های درون شهری به ویژه در شهرهای بزرگ، مسیله ی مسیریابی و در واقع یافتن کوتاه ترین مسیر تبدیل به یکی از دغدغه های افراد در هنگام تصمیم گیری برای انتخاب مسیر در جابجایی از مبدا حرکت به یک مقصد مشخص، شده است. روشی که در این پژوهش برای حل مسیله ی کوتاه ترین مسیر پیشنهاد می شود، استفاده از ترکیب الگوریتم های فراابتکاری ژنتیک (GA) و جستجوی ممنوع (TS) می باشد. بدین منظور پس از اعمال یک سری پیش پردازش هندسی بر روی شبکه ی مورد نظر برای سرعت بخشیدن به روند جستجوی الگوریتم از یک محدوده ی جستجو حول نود مبدا و مقصد استفاده می شود. در الگوریتم پیشنهادی، تابع هزینه به صورت یک عدد مختلط تعریف می شود که قسمت حقیقی آن نشان دهنده ی مجموع وزن یال های واقعی و قسمت موهومی آن نشان دهنده ی تعداد یال های مجازی و در واقع تعداد عدم اتصالات بین نود ها در کروموزوم های الگوریتم ژنتیک می باشد. همچنین در بحث اعمال جهش بر روی کروموزوم های الگوریتم ژنتیک، از الگوریتم جستجوی ممنوع استفاده می گردد. علت پیشنهاد این روش، جدید بودن و نیز زمان بر بودن روش های قطعی مثل الگوریتم دایجسترا و نیز جواب نامناسب الگوریتم ژنتیک خالص(غیر ترکیبی) از لحاظ وزن نهایی مسیر در حل مسیله ی مسیریابی در شبکه های واقعی بخصوص شبکه های بزرگ می باشد. به منظور ارزیابی کارایی الگوریتم پیشنهادی، الگوریتم بر روی یک شبکه ی واقعی جهت دار شامل 739 نود و 1160 یال که بخشی از شبکه ی راه های شهر تهران می باشد، پیاده سازی شد. نتایج نشان می دهد که در الگوریتم پیشنهادی، طول مسیر تا حد ممکن به جواب حاصل از الگوریتم قطعی دایجسترا نزدیک است. این الگوریتم طول نهایی مسیر را 5 درصد بیشتر پیش بینی می کند. اما از لحاظ سرعت اجرا به طور متوسط 12/5 برابر نسبت به الگوریتم دایجسترا سریع تر است. در مقایسه با الگوریتم ژنتیک خالص نیز الگوریتم پیشنهادی از نظر طول مسیر به طور متوسط 9 درصد کوتاه تر می باشد و از نظر زمان اجرا سرعت الگوریتم پیشنهادی با الگوریتم ژنتیک خالص تقریبا برابر است. همچنین به لحاظ قابلیت تکرارپذیری نیز الگوریتم پیشنهادی 36/25 درصد، تکرارپذیری را نشان می دهد.

اانرژی خورشیدی در مقایسه با سایر منابع انرژی یکی از مهم ترین، قابل دسترس ترین و پاک ترین منابع انرژی کره زمین است که بهره برداری درست و بهینه از آن موجب پیشرفت های چشمگیر در بخش انرژی می گردد. این انرژی به عنوان یک منبع مفید و نامحدود که فاقد خطرات و اثرات نامطلوب زیست محیطی است، می تواند جایگزین مناسبی برای سوخت های فسیلی و همچنین فرصتی مناسب در مناطقی با اقلیم گرم و خشک از جمله بخش های وسیعی از ایران برای رشد و توسعه اقتصادی باشد. هدف از این پژوهش پتانسیل سنجی کشور ایران به لحاظ اقلیمی و زیرساختی جهت یافتن مناطق مستعد برای احداث نیروگاه خورشیدی فتوولتاییک است. به این منظور ابتدا به بررسی همه جانبه عوامل موثر بر انرژی خورشیدی، ازجمله متغیرهای اقلیمی (شدت تابش و میانگین دمای سالیانه)، مکانی (فاصله از خطوط انتقال نیرو و راه های دسترسی، فاصله از شهر ها و فاصله از گسل ها)، محیطی (ارتفاع، شیب، جهت شیب و کاربری اراضی) و هواشناسی (رطوبت، روز های ابری، روزهای غبارآلود، سرعت باد) پرداخته شده و سپس با توجه به ماهیت مکانی متغیرهای موثر در مکان یابی نیروگاه خورشیدی فتوولتاییک و با تلفیق آن ها به وسیله روش فازی در محیط سیستم اطلاعات مکانی، مناطق مستعد در سطح کشور شناسایی و در چهار سطح نامناسب (65%)، خوب (23%)، عالی (11%) و ممتاز (1%) برحسب بیشترین امتیاز برهم نهی فازی طبقه بندی می شود. در این رتبه بندی استان های کرمان، خراسان جنوبی، فارس، یزد، هرمزگان و سیستان و بلوچستان به ترتیب مناسب ترین مناطق شناخته شدند. در مجموع مساحتی بالغ بر 557. 000 کیلومترمربع از خاک ایران دارای پتانسیل بالا جهت احداث نیروگاه خورشیدی فتوولتاییک است.

در این مقاله مروری بر روش های موقعیت یابی مبتنی بر مدل مکانی در محیط های داخلی ارایه شده است. در این روش ها از مدل مکانی تولید شده از نقشه ی محیط به عنوان یک ابزار همیار برای موقعیت یابی و ناوبری استفاده می شود. در مجموع دو مدل مکانی سلولی و گراف مبنا برای مدل سازی در فضا های بسته موجود است. محققان با در نظر گرفتن خصوصیات مدل، مسیله ی مورد مطالعه و فناوری موقعیت یابی مورد استفاده ی خود، یکی از مدل های مکانی یا ترکیبی از آنها را به کار می گیرند. چگونگی استفاده از مدل و نحوه ی ترکیب مدل ها نیز دارای روش های متفاوتی است. در این مقاله سعی شده است انواع مدل سازی مکانی و روش های استفاده از آن ها در موقعیت یابی معرفی و بررسی شود. به دلیل تنوع روش ها، انتخاب یک روش به عنوان روش بهینه میسر نیست. چراکه هر روش وابسته به نوع محیط و مسیله ی مورد مطالعه، کارایی متفاوتی دارند. به نظر می رسد، در صورت امکان، استفاده ی ترکیبی از روش ها راه حل موثری باشد. چراکه در برخی موارد مزیت های یک روش، معایب روش دیگر را پوشش می دهد.

زمین لغزش یکی از پدیده های طبیعی است که سالانه سبب ایجاد خسارات مالی و جانی فراوانی در سطح کشور می شود. از این رو تشخیص مناطق مستعد لغزش، برای به کارگیری روش های پیشگیری یا مقابله با ناپایداری دامنه ها به منظور کاهش خطر و ریسک حاصل از آن ها، بسیار اهمیت دارد. در این پژوهش روشی جهت پهنه بندی خطر زمین لغزش، مبتنی بر تحلیل های مکانی و مدل سازی عدم قطعیت ارایه می گردد که بر پایه داده کاوی رخدادهای پیشین است. بدین منظور در موتور استنتاج روش پیشنهادی از الگوریتم عصبی-فازی تطبیقی با ساختاری منطبق بر تحلیل حساسیت خطر لغزش استفاده شده است. منطقه مورد مطالعه این پژوهش استان البرز می باشد. در روش پیشنهادی، فاکتورهایی چون ارتفاع، سنگ شناسی، شیب، جهت شیب، فاصله از گسل و بارندگی که از مهم ترین علل ناپایداری دامنه هستند به عنوان عوامل ایجاد لغزش در نظر گرفته شده و نقشه رستری هر یک از فاکتورها در محیط GIS تولیدشده و در بانک داده مکان مرجع ذخیره سازی شده است. سپس مناطق حساس به زمین لغزش با استفاده از یافته های مدل پیشنهادی تهیه گردیده و درنهایت مدل به کمک داده های ارزیابی مورد اعتبار سنجی قرار گرفته است. نتایج مدل پیشنهادی با متوسط ریشه مربع خطا 819/0 و ضریب همبستگی 934/0 دقت نسبتا مناسبی را به منظور پهنه بندی خطر زمین لغزش ارایه می دهد. همچنین در نقشه توزیع مکانی خطر لغزش در منطقه موردمطالعه، مساحت مناطق با خطرپذیری بالا بیشترین مساحت را نسبت به مساحت کل استان به خود اختصاص می دهد که نشان دهنده خطرپذیری بالای استان البرز در بروز لغزش ها می باشد.

مطالعه حاضر، مدل سازی تغییرات کاربری اراضی محدوده شهرستان خرم آباد، استان لرستان را به منظور آشکارسازی تغییرات صورت گرفته در شهر، مدنظر قرار داده است. در این راستا تصاویر ماهواره ای سنجنده های TM، ETM+ و OLI ماهواره لندست مربوط به سه دهه 1374، 1384 و 1394 مورد استفاده قرار گرفت. بعد از انجام تصحیحات هندسی، جاافتادگی نوار و رادیومتریک بر روی تصاویر، نقشه های محدوده شهر با استفاده از روش طبقه بندی حداکثر احتمال در سال های موردمطالعه تهیه شد. سپس با استفاده از پارامترهای موثر در توسعه شهری شامل؛ فاصله از رودخانه، فاصله از جاده، فاصله از روستا، شیب، جهت، ارتفاع و کاربری در سال پایه بودند، با استفاده از مدل ژیومد و الگوریتم های یادگیری برمبنای نمونه وزنی مشابهت و شبکه عصبی مصنوعی پرسپترون چندلایه، میزان دقت شبیه سازی های انجام شده موردبررسی قرار گرفت. نهایتا برای صحت سنجی، نقشه های شبیه سازی شده و نقشه واقعیت زمین با یکدیگر تطابق داده شدند. نتایج نشان داد مدل ژیومد، الگوریتم یادگیری بر مبنای نمونه وزنی مشابهت و الگوریتم پرسپترون چندلایه به ترتیب دارای ضریب کاپا 79/.، 77/. و 72/. می باشد. بنابراین، مدل ژیومد در شبیه سازی توسعه شهری شهر خرم آباد کارایی مناسب تری نسبت به دیگر مدل های موردبررسی دارد. پیشنهاد می شود مدیران و برنامه ریزان از مدل ژیومد برای پیش بینی توسعه شهری استفاده کنند.

یک Chat Bot اپراتور پاسخ گویی خودکار می باشد که می تواند مانند اپراتور انسانی با مشتریان گفت وگو انجام داده، به پرسش های آنها پاسخ دهد، مشکلاتشان را حل کند و بازخورد بگیرد. قابلیت یادگیری Chat Bot ها با استفاده بیشتر از آنها، پاسخگویی بلادرنگ، حس صحبت کردن با یک کاربر انسانی از ویژگی های خوب آنهاست که می توان از این ظرفیت برای ارایه خدمات مبتنی بر مکان استفاده نمود، در این مقاله یک Chat Botطراحی شده است که قابلیت گفت و گوی متنی و پاسخگویی به پرسش های کاربران بر مبنای موقعیت مکانی آنها و تفسیر پرسش های مکانی، انجام تجزیه و تحلیل های مکانی و ارایه پاسخ به صورت کیفی را دارد. در واقع این ChatBot یک سیستم هوشمند 24 ساعته است که بدون خستگی و تاثیرپذیری از محرک های محیطی می تواند به کاربران خود با در نظر گرفتن موقعیت مکانی آنها خدمات ارایه دهد. نتیجه نظر سنجی از کاربرانی که از این Chat Bot استفاده کردند حکایت از رضایتمندی 98 درصدی کاربران برای استفاده از این سرویس نسبت به سایر سرویس های موجود دارد. قابلیت گفت و گوی متنی به زبان محاوره ای، پاسخ دهی سریع، سادگی استفاده از آن و حس گفت و گو کردن با کاربر انسانی از جمله دلایل رضایتمندی جامعه استفاده کنندگان از این ChatBot می باشد.