استخراج، پردازش، تولید و نمایش داده های جغرافیایی
حسین عساکره؛ فاطمه متولی میدانشاه؛ لیلا احدی
چکیده
در سالهای اخیر فعالیتهای انسانی، افزایش غلظت گازهای گلخانهای در جو، گرمایش جهانی و تغییر اقلیم در مقیاس جهانی و محلی را بههمراه داشته است. از اینرو شبیهسازی رفتار و تغییرات محتمل هریک از متغیرهای جوّی - اقیلمی در آینده و بررسی پاسخهای احتمالی دستگاه اقلیم به آن تغییرات، بسیار حائز اهمیت است. در پژوهش حاضر بهمنظور ریزگردانی ...
بیشتر
در سالهای اخیر فعالیتهای انسانی، افزایش غلظت گازهای گلخانهای در جو، گرمایش جهانی و تغییر اقلیم در مقیاس جهانی و محلی را بههمراه داشته است. از اینرو شبیهسازی رفتار و تغییرات محتمل هریک از متغیرهای جوّی - اقیلمی در آینده و بررسی پاسخهای احتمالی دستگاه اقلیم به آن تغییرات، بسیار حائز اهمیت است. در پژوهش حاضر بهمنظور ریزگردانی آماری، برازش و آزمون صحت مدل شبکه عصبی مصنوعی، دادههای روزانۀ دمای بیشینۀ ایستگاه همدید یزد و متغیرهای جوّی مدل HadCM3 در دوره آماری 2005 - 1961 مورد استفاده قرار گرفت. پس از انتخاب معماری و ساختار مناسب شبکه عصبی، از مقادیر شبیهسازی شده مدل HadCM3 تحت واداشتهای تابشی RCP2.6، RCP4.5 و RCP8.5 در دو دوره آماری 2050 - 2006 و 2095 - 2051 استفاده شد. نتایج حاکی از این بود که در هر دو دورۀ یاد شده افزایش دمای بیشینۀ ایستگاه همدید یزد در فصول زمستان (0.4 تا 6.9 درجه سلسیوس )، بهار (1.1 تا 5.7 درجه سلسیوس) و تابستان (1.1 تا 5.7 درجه سلسیوس) مورد انتظار است. در فصل پاییز فقط در ماههای نوامبر و دسامبر و تحت سناریوهای RCP4.5 و RCP8.5 افزایش دما در دوره دوم مورد انتظار است و در ماه اکتبر دمای بیشینه کاسته (0.6 تا 4.1 درجه سلسیوس ) میشود.
مرتضی نجفی؛ مجتبی رفیعیان؛ راما قلمبردزفولی
چکیده
پسماند شهری یکی از چالش های پیش روی شهرها و کلان شهرها در قرن 21 به شمار میرود. چالشی که کیفیت های محیط شهری، اقتصاد شهری و سلامت شهری را تحت تأثیر قرار میدهد. برنامه ریزی پیرامون مدیریت کارا در راستای کاهش و مدیریت پسماند شهری از جمله اهداف بانک جهانی در سال 2016 برای شهرهای بزرگ بود؛ اما برای برنامه ریزی و ...
بیشتر
پسماند شهری یکی از چالش های پیش روی شهرها و کلان شهرها در قرن 21 به شمار میرود. چالشی که کیفیت های محیط شهری، اقتصاد شهری و سلامت شهری را تحت تأثیر قرار میدهد. برنامه ریزی پیرامون مدیریت کارا در راستای کاهش و مدیریت پسماند شهری از جمله اهداف بانک جهانی در سال 2016 برای شهرهای بزرگ بود؛ اما برای برنامه ریزی و مدیریت مناسب، بحث شناخت متغیرهای اثرگذار بر پسماند شهری مطرح میگردد. چالش مدیریت و برنامه ریزی مناسب پسماند شهری برای شهر تهران و مناطق 22 گانه آن نیز مطرح میباشد. این پژوهش با هدف تحلیل الگوی توزیع فضایی تولید پسماند شهری (متغیرهای مستقل) و میزان پسماند شهری (متغیروابسته) به دنبال بررسی متغیرهای اثرگذار بر پسماند شهری در سطح شهر تهران و مناطق 22 گانه آن است. پژوهش حاضر از نوع کاربردی و توسعه ای و روش آن توصیفی - تحلیلی (قیاسی) مبتنی بر تحلیل های فضایی و مکانی می باشد. سطح اطلاعات مورد استفاده، 123 ناحیه است که داده های آن از سازمان پسماند شهرداری تهران، مرکز آمار و شهرداری تهران تهیه شده است. تکنیک های مورد استفاده در این پژوهش شامل رگرسیون حداقل مربعات و رگرسیون موزون جغرافیایی برای بررسی رابطه و پیش بینی مبتنی بر آن و شبکه عصبی مصنوعی برای پیش بینی بر اساس ماهیت متغیرها می باشد. نتایج به دست آمده بیان کرد که متغیر قیمت زمین با ضریب منفی 0.96 رابطه معناداری با پسماند شهری نداشته است و متغیرهای مهاجرت و کاربری های شهری - بهداشتی درمانی به ترتیب با ضرایب (0.123 و 0.186) بر میزان پسماند شهری در مناطق شمالی اثرگذار میباشد. از بُعد روشی نیز تحلیل واریانس میان رگرسیون ها بیان کرد که رگرسیون موزون جغرافیایی با ضریب 2.355 برتری به نسبت رگرسیون حداقل مربعات داشته است. همچنین ضرایب تعیین نهایی مدل ها بیان کرد که شبکه عصبی مصنوعی با ضریب 0.967 عملکرد بهتری در بُعد غیرمکانی برای پیش بینی مدل و میزان پسماند شهری داشته است.
علی اصغر آل شیخ؛ سعید مهری
چکیده
جنگل های زاگرس بیشترین تأثیر را در تأمین آب، حفظ خاک و تعدیل آب و هوای کشور دارد. با این وجود بخش قابل توجهی از این جنگل ها دچار پدیده ی زوال درختان بلوط شده است. مشخص نبودن پارامترهای مؤثر در زوال و نحوه ی ارتباط پارامترها، از جمله عواملی هستند که باعث سخت تر شدن شناخت و مدل سازی این پدیده می شود. هدف این پژوهش تعیین پارامترهای تاثیرگذار ...
بیشتر
جنگل های زاگرس بیشترین تأثیر را در تأمین آب، حفظ خاک و تعدیل آب و هوای کشور دارد. با این وجود بخش قابل توجهی از این جنگل ها دچار پدیده ی زوال درختان بلوط شده است. مشخص نبودن پارامترهای مؤثر در زوال و نحوه ی ارتباط پارامترها، از جمله عواملی هستند که باعث سخت تر شدن شناخت و مدل سازی این پدیده می شود. هدف این پژوهش تعیین پارامترهای تاثیرگذار برای مدل سازی زوال درختان بلوط و مدل سازی این پدیده با استفاده از شبکه های عصبی مصنوعی در استان لرستان است. در این پژوهش، پارامترهای دما، بارش، ارتفاع، شیب، جهت، نوع خاک و میزان ریزگردها به عنوان پارامترهای اولیه انتخاب شدند. همچنین از عملگرهای ضرب، لگاریتم، تبدیلات هذلولی و آنالیز مؤلفه های اصلی برای ترکیب پارامترها استفاده شد. به دلیل معلوم نبودن نحوه ی ارتباط و میزان اثر هر پارامتر، از شبکه های عصبی مصنوعی برای مدل سازی پدیده زوال استفاده شد. در مجموع 385 ترکیب مختلف از پارامترهای اولیه، با استفاده از عملگرهای فوق تولید و در سه معماری پیش خور با سه لایه پنهان، احتمالاتی و معماری ماشین بردار پشتیبان در شبکه های عصبی، (در مجموع تعداد 1155 شبکه ی عصبی) ارزیابی شد. نتایج ارزیابی نشان داد معماری احتمالاتی (87/0=R) با ورودی های ارتفاع، جهت، شیب، ریز گرد، نوع خاک و مؤلفه ی اصلی (بارش و دما) بهترین عملکرد را در مدل سازی زوال درختان بلوط دارد. با توجه به نتایج، استفاده از شبکه های عصبی مصنوعی احتمالاتی در شرایط عدم قطعیت و وجود دانش جزئی از پدیده، توصیه می شود. همچنین نتایج نشان دادند که استفاده از مؤلفه ی اصلی پارامترهای دما و بارش، استرس ناشی از خشکی را بهتر مدل می کند. استفاده از ترکیب بهینه ی پارامترها، در مدل احتمالاتی نسبت به ترکیب عادی، باعث افزایش 05/0 ضریب همبستگی شد.
مجتبی رحیمینسب؛ یزدان عامریان
چکیده
بارش باران یکی از مهمترین پدیدههای جوّی است که بر زندگی بشر اثر میگذارد. پیشبینی بارش باران برای اهداف مختلفی مانند برنامهریزی فعالیتهای کشاورزی، پیشبینی سیلاب، پایش خشکسالی و تأمین آب مصرفی از اهمیت بالایی برخوردار است. هدف این مقاله پیشبینی بارش ماهانه در ایران با استفاده از روش جدید ترکیب شبکههای عصبی مصنوعی و ...
بیشتر
بارش باران یکی از مهمترین پدیدههای جوّی است که بر زندگی بشر اثر میگذارد. پیشبینی بارش باران برای اهداف مختلفی مانند برنامهریزی فعالیتهای کشاورزی، پیشبینی سیلاب، پایش خشکسالی و تأمین آب مصرفی از اهمیت بالایی برخوردار است. هدف این مقاله پیشبینی بارش ماهانه در ایران با استفاده از روش جدید ترکیب شبکههای عصبی مصنوعی و فیلتر کالمن توسعهیافته میباشد، که برای این هدف از دادههای میانگین بارش ماهانه حدود 180 ایستگاه سینوپتیک ایران که در سراسر کشور پراکنده هستند، طی سالهای 1951 تا 2016استفاده شده و به پیشبینی بارش ماهانه برای سال 2017 با استفاده از روش مقاله پرداخته شده است. در این مطالعه ایران شامل 8 پهنه اقلیمی است که به روش کوپن-گایگر تقسیمبندی شده است. از شبکه عصبی مصنوعی چندلایه با دو لایه مخفی که در هر لایه 10 نورون قرار گرفته است، برای پیشبینی در هر یک از پهنههای اقلیمی استفاده شد که برای آموزش این شبکه از فیلتر کالمن توسعه یافته استفاده گردید. اختلاف مقادیر بارش ماهانه اندازهگیری شده در سال 2017 و مقادیر حاصل از پیشبینی در تمام ایستگاهها محاسبه گردید. جذر میانگین مربعات این اختلافات (RMSE) در حالت نرمال برای 8 پهنه اقلیمی در مراحل آزمون و پیشبینی محاسبه گردید که برای اقلیم بیابان خشک و بسیار گرم نسبت به اقلیم بیابان خشک و سرد کمتر است و برای اقلیم نیمهبیابانی خشک و سرد نسبت به اقلیم نیمهبیابانی خشک و بسیار گرم کمتر است و برای اقلیم معتدل با تابستانهای خشک و بسیار گرم نسبت به اقلیم معتدل پرباران با تابستانهای گرم کمتر است و برای اقلیم برفی با تابستانهای خشک و بسیار گرم نسبت به اقلیم برفی با تابستانهای خشک و گرم کمتر میباشد. در بیشتر موارد RMSE بدست آمده در اقلیمهای بسیار گرم دارای مقدار کمتری است که نشان دهنده کارایی بهتر روش مقاله در پیشبینی بارش در این نوع اقلیم میباشد.
محمدرحیم رهنماء؛ محمد اجزاشکوهی؛ بهنام عطا
چکیده
توجه به توسعه فیزیکی شهری پایدار، به عنوان یک ضرورت اساسی در برنامههای توسعهی شهری، حاکی از اهمیت این موضوع در تقویت جبهههای فرهنگی، اجتماعی و کالبدی شهر میباشد. تغییرات پوشش سرزمین و توسعه شهرها سبب تخریب زیستگاههای طبیعی و کاهش تنوع زیستی شده است، یکی از روشهای مورد استفاده برنامهریزان جهت کنترل روند تغییرات پوشش سرزمین ...
بیشتر
توجه به توسعه فیزیکی شهری پایدار، به عنوان یک ضرورت اساسی در برنامههای توسعهی شهری، حاکی از اهمیت این موضوع در تقویت جبهههای فرهنگی، اجتماعی و کالبدی شهر میباشد. تغییرات پوشش سرزمین و توسعه شهرها سبب تخریب زیستگاههای طبیعی و کاهش تنوع زیستی شده است، یکی از روشهای مورد استفاده برنامهریزان جهت کنترل روند تغییرات پوشش سرزمین و کاربری اراضی، مدلسازی میباشد. این مطالعه با هدف مدلسازی تغییرات کاربری اراضی شهر گنبدکاووس با استفاده از LCM انجام شد. آشکارسازی تغییرات کاربری اراضی با استفاده از تصاویر ماهواره لندست متعلق به سالهای 1366، 1379، 1389 و 1393 انجام شد. مدلسازی نیروی انتقال با استفاده از پرسپترون چندلایه شبکه عصبی مصنوعی و 10 متغیر انجام پذیرفت. سپس با استفاده از مدل پیشبینی سخت و دوره واسنجی 1366 تا 1379 مدلسازی برای سال 1389 صورت گرفت و برای ارزیابی با نقشه واقعیت زمینی سال 1389 مورد مقایسه قرار گرفت، در پایان نیز با استفاده از دوره واسنجی 1379 تا 1389 پوشش سرزمین سال 1404 ،1419 و 1429پیشبینی شد. نتایج نشان میدهد در کل دوره مورد مطالعه به ترتیب 32/2858 کاربری شهری و 47/1106 اراضی آبی افزایش داشته و همچنین به ترتیب 77/2331 اراضی بایر و 5/2135 هکتار از وسعت اراضی دیم کاسته شده است. نتایج مدلسازی نیروی انتقال در اکثر زیرمدلها صحت بالایی را نشان میدهد. نتایج مدلسازی با استفاده از زنجیرههای مارکوف نشان داد که در سالهای آتی شهر گنبدکاووس توسعه شدیدی خواهد داشت و اغلب به سمت شرق و جنوب خواهد بود، همچنین توسعه در سمت شمال و غرب نیز وجود دارد که در صورت عدم توجه باعث توسعه حاشیهنشینی خواهد شد.
ناهید سجادیان
چکیده
تاکنون طرحهایی چند در جهت کاهش آلودگی هوای شهر تهران به مرحله اجراگذاشته شده است. اما مسئله این است که در کنار سایر کاستیها، این طرحها اغلب با تبعیت از مدیریت بحران به جای مدیریت ریسک،در واقع عکسالعملی منفعلانه ومقطعی در مقابل افزایش آلودگی هوا بوده ودر تصمیمات مدیریتی مبتنی بر این طرحها از سامانه پشتیبانی تصمیمگیری استفاده ...
بیشتر
تاکنون طرحهایی چند در جهت کاهش آلودگی هوای شهر تهران به مرحله اجراگذاشته شده است. اما مسئله این است که در کنار سایر کاستیها، این طرحها اغلب با تبعیت از مدیریت بحران به جای مدیریت ریسک،در واقع عکسالعملی منفعلانه ومقطعی در مقابل افزایش آلودگی هوا بوده ودر تصمیمات مدیریتی مبتنی بر این طرحها از سامانه پشتیبانی تصمیمگیری استفاده نشده است. لذا این پژوهش به سبب اهمیت موضوع با روشی تحلیلی-کاربردی وبا استفاده از دادههای ساعتی، غلظت منوکسید کربن 12 ایستگاه از مجموعه ایستگاههای سنجش آلودگی هوا متعلق به شرکت کنترل کیفیت هوا وهمچنین دادههای هواشناسی سرعت باد، جهت باد ودما مربوط به ایستگاه مهرآباد، همگی مربوط به سال1389، و دادههای حجم همسنگ سواری معابر شهر تهران با هدف پیشبینی زمانی-مکانی آلودگی هوای ناشی از حمل ونقل شهری کلانشهر تهران در راستای کاربرد در سامانه پشتیبانی تصمیمگیری فضایی مدیریت کیفیت هوا و با هدف نهایی مدیریت بهینه حمل و نقل شهری کلانشهر تهران به تحقیق پرداخت. در این راستا، از آنجا که هدف غایی تحقیق حاضر، بهرهگیری از نتایج آن در کنترل بهینه حمل و نقل شهری به عنوان منبع مهم آلاینده هوا است؛ از روش LUR برای سنجش شاخص منوکسید کربن در حمل و نقل کلانشهر تهران در کنار سایر آلایندهها استفاده گردید.سپس از شبکه عصبی مصنوعی برای پیشبینی زمانی احتمال وقوع آلودگی هوا البته با تأکید بر مدیریت ریسک بهره گرفته شد؛ و سپس بر پایه پیشبینیهای زمانی حاصل از شبکه عصبی مصنوعی، با استفاده از شاخص کریجینگ مناطقی که احتمال وقوع آلودگی هوا در آنها بالاست، شناسایی گردید. براساس یافتههای تحقیق، نتایج مناسب تشخیص داده شد به گونهای که میتوان از این الگو در سامانه پشتیبانی مدیریت کیفیت هوا به هدف نهایی مدیریت بهینه حمل و نقل شهری کلانشهر تهران استفاده نمود.
منیره شمشیری؛ مهدی آخوندزاده هنزائی
چکیده
بحث پیشبینی زمینلرزه بهمنظور کاهش تلفات و آسیبهای آن از اهمیت بالایی برخوردار است؛ به ویژه در منطقه لرزهخیزی مانند ایران که سالانه شاهد وقوع این پدیده طبیعی میباشد. تشخیص ناهنجاریهای قبل از زلزله نقش بسزایی در این امر داراست. تغییرات یونسفری که با اندازهگیریهای از راه دور(مانند استفاده از سیستم ...
بیشتر
بحث پیشبینی زمینلرزه بهمنظور کاهش تلفات و آسیبهای آن از اهمیت بالایی برخوردار است؛ به ویژه در منطقه لرزهخیزی مانند ایران که سالانه شاهد وقوع این پدیده طبیعی میباشد. تشخیص ناهنجاریهای قبل از زلزله نقش بسزایی در این امر داراست. تغییرات یونسفری که با اندازهگیریهای از راه دور(مانند استفاده از سیستم تعیین موقعیت جهانی) قابل شناسایی هستند به پیشنشانگرهای یونسفری زلزله معروف میباشند. در این مطالعه دو مجموعه داده از محتوای الکترونهای یونسفر که حاصل از پردازش دادههای GPS با نرم افزار Bernese است برای دو مورد مطالعاتی زلزله اهر آذربایجان شرقی (۲۱ مرداد ۱۳۹۱) و زلزله کاکی بوشهر (20فروردین1392) مورد استفاده قرار گرفته و نتایج آن با دادههای ایستگاه جهانی مقایسه گردیده است. از آنجا که تغییرات TEC[1] رفتاری غیرخطی دارد بدین منظور برای پیشبینی و تشخیص تغییرات آن از تلفیق شبکه عصبی ( با به کارگیری پرسپترون چندلایه ([2]MLP)) و الگوریتم PSO[3] استفاده گردیده است. الگوریتم PSO با عملکردی مبتنی بر جمعیت میتواند در بهبود وزن برآورد شده توسط شبکه عصبی مؤثر واقع شود. با تجزیه و تحلیل علل ناهنجاریهای یونسفر از جمله میدانهای ژئومغناطیسی و فعالیتهای خورشیدی و حذف آنها از پردازشهای مورد نظر، نتایج حاصل نشان میدهد که برخی از این ناهنجاریها ناشی از وقوع زلزله است و به کارگیری الگوریتمهای هوشمند توانسته است کارآیی مناسبی در جهت پیشبینی سریهای زمانی غیر خطی داشته باشد. خروجی حاصل از تلفیق شبک عصبی و PSO نشان میدهد که هر دو ناهنجاریهای مثبت و منفی رخ میدهند. ناهنجاریهای قبل از زلزله غالباً نزدیک به کانون زلزله رخ میدهند و در 3 روز قبل از زلزله اهر آذربایجان شرقی و 2 تا 6 روز قبل از زلزله کاکی بوشهر قابل رؤیت میباشند. [1]- Total Electron Content [2]-Multi Layer Perceptron [3]- Particle Swarm Optimization Particle Swarm Optimization