فناوری Lidar GeoSLAM برای نقشه‌برداری از جنگل‌ها به عنوان بخشی از جنگل هوشمند مرکز نوآوری مبتنی بر پژوهش (SFI) در Ås، نروژ استفاده می‌شود. SFI SmartForest می‌خواهد بخش جنگلداری نروژ را در خط مقدم پیشرفت‌های تکنولوژیکی و صنعت 4.0 قرار دهد.
Industry 4.0 پیشرفت‌هایی را در فن‌آوری‌های دیجیتال و تولید توصیف میکند که روندها را به سمت آینده‌ای قابل همکاری سوق میدهد که با درجه بالایی از همکاری، جریان آزاد اطلاعات و ارتباطات بلادرنگ مشخص می‌شود. اگرچه Industry 4.0 هنوز در مراحل ابتدایی خود است، اولین پذیرندگان کارخانه های هوشمند – یا، در این مورد، جنگل های هوشمند – می توانند مزایای اتصال متقابل را ببینند.
SFI SmartForest به رهبری موسسه تحقیقات اقتصاد زیستی نروژی (NIBIO) قصد دارد صنعت 4.0 را در یک دوره هشت ساله به جنگلداری برساند. هدف اصلی بهبود کارایی بخش جنگلداری نروژ با ایجاد تحول دیجیتال با استفاده از فناوری های نوآورانه است. اهداف افزایش بهره وری، کاهش اثرات زیست محیطی و بررسی سایر مزایای آب و هوایی قابل توجه است.
SmartForest با تمرکز بر جنگل‌کاری، عملیات جنگل‌ها، تامین چوب و جریان اطلاعات دیجیتالی کلی، در حال سرمایه‌گذاری بر روی فناوری‌های توانمند معقول – مانند حسگرهای دستی Lidar – برای کمک به دستیابی به اهداف خود است. یکی از این راه حل های Lidar، اسکنر لیزری GeoSLAM ZEB Horizon است.
ترکیب اسکن لیزری دستی و پهپاد پیاده‌روی و اسکن با ZEB Horizon داده‌ها را از زیر سایه‌بان جنگل می‌گیرد. این اسکنر با پخش 300000 نقطه لیزر در ثانیه با برد تا 100 متر، مدل های سه بعدی متراکم از مناطق بزرگ را در مدت زمان کوتاهی تولید می کند. داده های دقیق ابر نقطه ای شامل کف جنگل، زباله ها، تنه درختان و پوشش گیاهی ضخیم است. در صورت نیاز، پهپادها پوشش گیاهی سنگین تاج پوشش جنگل را می گیرند و هر دو مجموعه داده را ادغام می کنند.
این تیم به سرپرستی راسموس آستروپ، مدیر مرکز، به طور منظم داده‌های ابر نقطه‌ای را در زمین‌هایی به مساحت 250 متر مربع، با جاه‌طلبی بیشتر برای اسکن مناطق بزرگتر در آینده، ضبط میکند. جمع‌آوری مکرر داده‌ها بخش مهمی از برنامه‌های SmartForest است و اسکنرهای دستی Lidar GeoSLAM در کنار جمع‌آوری داده‌های پهپاد به این امر کمک می‌کنند. ZEB Horizon توسعه داده شده است تا جمع‌آوری داده‌ها را به یک کار ساده و قابل تکرار برای راسموس و تیمش تبدیل کند و داده‌های با دقت بالا پایه‌ای برای مدل‌های یادگیری عمیق فراهم میکند.
تقسیم‌بندی خودکار تنه‌های درخت امکان شمارش آسان‌تر را فراهم میکند و فهرست دقیق جنگل‌ها را تا هر درختی فراهم میکند. تقسیم بندی منجر به استخراج ویژگی هایی برای درختان خاص مانند کیفیت چوب، زیست توده و سایر متغیرهای مرتبط با محیط زیست برای نظارت بر سلامت جنگل می شود.
استفانو پولیتی، دانشمند تحقیقاتی در NIBIO، درباره این اسکنر گفت: «سرعتی که ZEB Horizon داده‌ها را جمع‌آوری میکند، کل گردش کار را برای شرکت‌ها بسیار ساده و جذاب میکند، زیرا باعث صرفه‌جویی در وقت آنها می‌شود. این یک راه کارآمد برای جمع آوری حقیقت است که به ما برتری می دهد. در نهایت، ما می خواهیم از آن برای برنامه های نقشه برداری در مقیاس بزرگ استفاده کنیم.
این پروژه هنوز در مراحل اولیه است، اما SmartForest در حال حاضر به دنبال کاربردهای بالقوه دیگر برای اسکنر ZEB Horizon GeoSLAM است و تطبیق پذیری راه حل دستی Lidar را تصدیق می کند.
مانند بسیاری از مناطق ساحلی در سراسر جهان امروز، سواحل در چنای، هند، مقادیر زیادی زباله پلاستیکی را جذب می کنند. برای موج سوار نوجوان و ساکن محلی کاران چاکراوارتی، وجود پلاستیک در نقاط مورد علاقه او در موج سواری ناراحت کننده بود. بنابراین تصمیم گرفت برای آن کاری انجام دهد.
چاکراوارتی به داوطلبان دیگر پیوست تا زباله‌ها را با یک سازمان غیرانتفاعی به نام ساحل ناما، ناما چنای (که به «ساحل ما، چنای ما» ترجمه می‌شود) جمع‌آوری کند. در سال 2021، این سازمان 176000 پوند زباله پلاستیکی را از سواحل چنای حذف کرد. اما چاکروارتی احساس می کرد که می توان کارهای بیشتری انجام داد.
نوجوانی که در ساحل ایستاده و تخته موج سواری در دست دارد
او با پدربزرگش، مندیام ونکاتش، که در سن دیگو، کالیفرنیا زندگی میکند، تماس گرفت و کمک مالی 5000 دلاری از باشگاه روتاری سان‌رایز ونکاتش برای حمایت بیشتر از ساحل ناما، ناما چنای دریافت کرد. چاکراوارتی از طریق ارتباطات روتاری پدربزرگش همچنین با کارل نتلتون، بنیانگذار OpenOceans Global، یک سازمان مستقر در سن دیگو که از فناوری جغرافیایی و علم شهروندی برای کمک به توقف جریان پلاستیک به اقیانوس‌های جهان استفاده میکند، ملاقات کرد.
نتلتون Chakravarthy را با فرم ArcGIS Survey123 راه‌اندازی کرد که از آن برای ثبت اطلاعات در مورد سواحل چنای که به طور مداوم پر از پلاستیک هستند استفاده کرد. سپس داده ها در پورتال جغرافیایی جهانی OpenOceans بارگذاری شد. اکنون، در نقشه Ocean Plastic مبتنی بر وب سازمان، یک نماد چشم گاو نر قرمز در سواحل جنوب شرقی هند قرار دارد و یک پاپ آپ اطلاعاتی را در مورد زباله های پلاستیکی موجود در سواحل چنای، از جمله اینکه احتمالاً از کجا آمده و چه چیزی وجود دارد، نشان می دهد. برای تمیز کردن آن انجام شده است.
نتلتون امیدوار است که شهروندان دانشمندان در سراسر جهان همان کاری را انجام دهند که چاکراوارتی انجام داده است و داده هایی را برای OpenOceans Global در مورد سواحلی که به طور مداوم توسط زباله های پلاستیکی آلوده می شوند، ثبت کنند. به ویژه، او مایل است که متخصصان GIS رهبری را بر عهده بگیرند.
Karan Chakravarthy از ArcGIS Survey123 برای ثبت داده‌های مربوط به سواحل چنای هند استفاده کرد که به طور مداوم پر از پلاستیک هستند. (عکس از کاران چاکروارتی.)
چگونه زباله های پلاستیکی به اقیانوس می رسند
بر اساس تحقیقات The Pew Charitable Trusts و موسسه مشاوره پایداری SYSTEMIQ، سالانه 11 میلیون تن پلاستیک به اقیانوس می رسد و این تعداد تا سال 2040 سه برابر می شود، اگر راه حل های در مقیاس بزرگ به سرعت ایجاد نشود.
نتلتون با اشاره به بزرگترین لکه زباله در اقیانوس های جهان گفت: تصور رایج این است که بیشتر پلاستیک های اقیانوس در لکه زباله بزرگ اقیانوس آرام است که تخمین زده می شود دو برابر تگزاس است.
با این حال، طبق مطالعه اخیر دانشگاه ایالتی فلوریدا که در Frontiers in Marine Science منتشر شده است، از سال 2010 تا 2019، حدود 75 درصد از زباله های پلاستیکی سوء مدیریت شده در سواحل مشاهده می شود.
نقشه ای از جهان با نمادهای چشم گاو نر در سواحل و یک پاپ آپ برای چنای که عکس زنی را در حال تمیز کردن پلاستیک در ساحل نشان می دهد. نتلتون گفت که از رودخانه ها می آید.
OpenOceans Global به دنبال شناسایی چگونگی جریان پلاستیک به اقیانوس و تجمع در آن خطوط ساحلی است. طبق مطالعه‌ای که توسط سازمان غیرانتفاعی The Ocean Cleanup انجام شده و در Science Advances منتشر شده است، حدود 80 درصد پلاستیک‌هایی که از رودخانه‌ها عبور می‌کنند و به اقیانوس‌ها ختم می‌شوند از بیش از 1000 رودخانه می‌آیند که بسیاری از آنها در آسیا، آمریکای لاتین و آفریقا هستند. محققان دریافتند که رودخانه های کوچک شهری در مکان هایی با شیوه های مدیریت زباله ضعیف، بیشترین آلودگی پلاستیکی را به اقیانوس منتقل می کنند.
اما این بدان معنا نیست که زباله ها لزوماً از آنجا سرچشمه می گیرند. بسیاری از کشورهای با اقتصادهای با درآمد بالا – مانند ایالات متحده، ژاپن و فرانسه – در مصرف پلاستیک از بقیه دنیا پیشی می گیرند و سپس سالانه بیش از یک میلیون تن پلاستیک قابل بازیافت را به خارج از کشور ارسال می کنند که اغلب به مکان هایی با مشکلات مربوط به مدیریت زباله حمل می شود. .
نتلتون گفت: «ما فکر می‌کنیم راه‌هایی برای جلوگیری از رسیدن زباله‌های پلاستیکی به اقیانوس وجود دارد، اگر بدانیم از کجا می‌آیند.» اگرچه ایالات متحده و سایر کشورهای توسعه یافته بیشتر پلا ستیک را تولید می کنند، مطالعه ایالت فلوریدا نشان داد که 55 درصد پلاستیک اقیانوس ها از پنج کشور چین، فیلیپین، هند، برزیل و اندونزی به اقیانوس می رسد. همانطور که این مطالعه نشان داد، اگر فیلیپین تقریباً 16 درصد از پلا ستیک جهان را از طریق رودخانه‌های خود به اقیانوس بفرستد، جهان می‌تواند بر روی توسعه راه‌حل‌هایی برای این کشور تمرکز کند و منابع جهانی را پشت سر بگذارد تا فیلیپین را به اقیانوس صفر نزدیک کند.
سهم پلاستیک تا حد امکان ما می‌توانیم ببینیم که کدام راه‌حل‌ها در آنجا بهتر عمل می‌کنند – چه اجرای فناوری‌های مداخله در رودخانه برای جلوگیری از رسیدن بلاستیک به اقیانوس، توسعه محصولات جدید برای جایگزینی پلاستیک، یا اجرای فرآیندهای جدید برای مدیریت زباله – و سپس آن مدل‌ها را در دیگر آلاینده‌های پلاستیکی بالا تکرار کنیم. کشورها.”
داوطلبان 176000 پوند زباله پلاستیکی را از سواحل چنای هند در سال 2021 پاکسازی کردند.
نمایی جهانی از جایی که آلودگی بلاستیک از کجا سرچشمه می گیرد
برای شروع این پروژه بلندپروازانه، تیم OpenOceans Global از ArcGIS Online و ArcGIS Living Atlas of the World استفاده کرد تا نقشه‌ای را بسازد که بر روی مکان‌هایی که پلاستیک در خطوط ساحلی جهان ریخته می‌شود تمرکز کند.
نتلتون گفت: «می‌توانید روی نقشه کلیک کنید و رودخانه‌های جهان، جریان‌های اصلی اقیانوسی و یک عکس لحظه‌ای بسیار دقیق از جریان‌های اقیانوسی را ببینید». این ابزارها به مردم کمک می کند تا درک بهتری از نحوه حرکت زباله های پلاستیکی داشته باشند.
کاربران نقشه می‌توانند لایه‌هایی را فعال کنند که 20 رودخانه برتر را نشان میدهد که پلا ستیک را به اقیانوس کمک می‌کنند و در آنجا پلاستیک در چرخ‌گردهای اقیانوس جمع می‌شود. آنها همچنین می‌توانند داده‌های نظرسنجی را که شهروندان دانشمندان در مورد آلودگی پلاستیکی در سواحل محلی خود ارائه می‌کنند، مشاهده کنند.
شهروند دانشمندان با استفاده از Survey123 در دستگاه های تلفن همراه یا رایانه های رومیزی خود، نام ساحل یا منطقه ساحلی را وارد می کنند، مکان دقیق آن را بر روی نقشه مشخص می کنند، تصویری را آپلود می کنند که تجمع زباله را نشان می دهد، شرحی از موضوع ارائه می دهد، پیش بینی می کند که زباله ها در کجا محتمل است. و آنچه را که برای حل مشکل انجام می شود ثبت کنید. آنها همچنین اطلاعات تماس و اطلاعات سازمان هایی که با آنها کار می کنند را وارد می کنند.
پس از ارسال یک ورودی، یک نماد نقطه قرمز موقت به طور خودکار در نقشه وب جهانی OpenOceans ظاهر می شود. سپس یک تیم در سازمان اطلاعات را تأیید می کند و اگر همه چیز را بررسی کند، نقطه قرمز را به یک چشم گاو قرمز تبدیل می کند، که نشان می دهد منطقه ساحلی به طور فراگیر توسط پلاستیک آلوده شده است.
نتلتون می‌گوید: «نحوه برخورد با پلاستیک به عنوان یک مشکل محلی است – می‌دانید، «ساحل من روی آن پلاستیک است، بنابراین بهتر است دیگر از نی‌های پلاستیکی یا کیسه‌های پلاستیکی استفاده نکنم». “خب، این مهم است. اما هنوز دیدی جهانی از این که آن پلاستیک از کجا آمده است وجود ندارد.»
کارل نتلتون معتقد است که پزشکان زمین فضایی - به ویژه کاربران Esri - می توانند شهروند دانشمندان ایده آلی برای پروژه OpenOceans Global باشند.
او گفت: "آنها در ترکیب منحصر به فردی از علم و فناوری کار می کنند و واقعاً به محیط زیست اهمیت می دهند." «تقریباً در هر کشوری در سراسر جهان کاربران Esri وجود دارند و بسیاری از آنها در نزدیکی خطوط ساحلی زندگی می‌کنند یا به سواحل سفر می‌کنند که به طور فراگیر توسط پلا ستیک آلوده شده است. ما از کاربران Esri می خواهیم که نقش اساسی در پر کردن نقشه پلاستیکی اقیانوس ایفا کنند.
برای شروع، به وب سایت OpenOceans Global بروید و فرم را برای شناسایی خطوط ساحلی آلوده به پلاستیک پر کنید. این فرم را می توان در گوشی های هوشمند، تبلت ها و رایانه های رومیزی و لپ تاپ استفاده کرد.
هرچه تعداد ورودی‌های بیشتری از طریق فرم OpenOceans Global’s Survey123 ارائه شود، این تصویر جهانی واضح‌تر خواهد بود. و هنگامی که OpenOceans Global نقاط داده کافی داشته باشد، تیم قادر خواهد بود منابع آلودگی بلاستیکی را در سواحل خاص – اعم از رودخانه‌ها، سیستم‌های آب طوفان، یا مدیریت ناکافی زباله‌های محلی – تشخیص دهد و نمادهای جدیدی را روی نقشه ایجاد کند تا آن را منعکس کند.
نتلتون می‌گوید: «دانستن منشأ پلاستیک به شناسایی راه‌حل‌هایی برای جلوگیری از رسیدن پلاستیک به اقیانوس کمک میکند. به عنوان مثال، قرار دادن موانع در رودخانه‌های کوچک محلی می‌تواند زباله‌ها را قبل از رسیدن به اقیانوس جمع‌آوری کند. از نظر تئوری، این مقدار پلاستیکی را که به سواحل ختم می‌شود کاهش میدهد و در نقطه‌ای مشخص، آن سواحل دیگر به طور فراگیر توسط پلاستیک آلوده نمی‌شوند.»
ردیابی پلاستیک از طریق اقیانوس باز
برای آلودگی پلاستیکی که از طریق اقیانوس آزاد به خشکی می رسد، شناسایی منبع چالش برانگیزتر است. در جزایر گالاپاگوس، که سواحل بکر آنها اکنون زباله‌های پلاستیکی را جمع‌آوری می‌کنند، یک ابتکار تحقیقاتی بین‌المللی به نام گالاپاگوس بدون آلودگی پلاستیکی از یک فرآیند پزشکی قانونی پیچیده برای تجزیه و تحلیل زباله‌های پلاستیکی و تعیین منبع آن استفاده میکند. تحقیقات این ابتکار نشان میدهد که بیش از 60 درصد بلاستیک هایی که به جزایر گالاپاگوس ختم می‌شوند از سرزمین اصلی آمریکای جنوبی (عمدتاً جنوب اکوادور و شمال پرو) می‌آیند که حدود 30 درصد از کشتی‌های ماهیگیری مجاور و کمتر از 10 درصد از شهرهای محلی می‌آیند.
اما همه مناطق ساحلی به داده های پزشکی قانونی دسترسی ندارند. بنابراین تیم OpenOceans Global با Jingyi Huang – که در آن زمان دانشجوی کارشناسی ارشد در دانشگاه Redlands بود و اکنون یک تحلیلگر سازمانی در Esri است – برای ایجاد یک برنامه نقشه‌برداری که پلا ستیک را در خطوط ساحلی به منبع احتمالی آن ردیابی میکند کار کرد.
یک برنامه ردیابی پلاستیکی را که در خطوط ساحلی به منبع احتمالی آن ختم می‌شود، ردیابی میکند.
این برنامه از داده‌های آنالیز لحظه‌ای جریان سطح اقیانوس (OSCAR) استفاده میکند که جریان‌های سطح اقیانوس را به همراه داده‌های جریان اقیانوس از اداره ملی اقیانوسی و جوی (NOAA) و داده‌های ماهواره‌ای از سازمان ملی هوانوردی و فضایی (ناسا) نشان میدهد. ). کاربران برنامه می توانند روی منطقه ای از اقیانوس که بلافاصله در مجاورت جایی که پلاستیک ساحلی پیدا شده است کلیک کنند و برنامه مسیری را به سمت منبع احتمالی آن ایجاد می کند. در مورد زباله های پلا ستیکی در جزایر گالاپاگوس، برنامه ردیابی OpenOceans Global با تحقیقات پزشکی قانونی گالاپاگوس بدون آلودگی پلاستیکی همسو می شود.
با این حال، قبل از اینکه برنامه با نقشه وب در دسترس عمومی OpenOceans Global گنجانده شود، ابزار ردیابی باید متغیرهای باد و امواج را در خود جای دهد، زیرا این متغیرها بر نحوه حرکت بلاستیک در اقیانوس تأثیر می‌گذارد. هوانگ قصد دارد این داده ها را با داده های فعلی اقیانوس موجود برنامه ادغام کند.
شهروند دانشمندان کلید یافتن راه حل هستند
در آینده، نتلتون امیدوار است که OpenOceans Global بتواند از تصاویر هوایی و هوش مصنوعی برای شناسایی محل تجمع پلا ستیک در خطوط ساحلی استفاده کند.
نتلتون گفت: «اما در حال حاضر، مؤثرترین و جامع‌ترین راه برای جمع‌آوری این داده‌ها، استفاده از شهروندان دانشمندان با استفاده از ابزار نقشه‌برداری Survey123 است». “شهرونددانشمندان برای موفقیت ما حیاتی هستند.”
او امیدوار است که افرادی که در جمع‌آوری داده‌ها شرکت می‌کنند، جامعه‌ای را از طریق OpenOceans Global تشکیل دهند که در آن می‌توانند در مورد چگونگی حفظ سواحل خود از آلودگی پلا ستیکی تبادل نظر کنند.
نتلتون می‌گوید: «از آنجایی که راه‌حل‌ها ارائه می‌شوند و خطوط ساحلی دیگر توسط پلا ستیک آلوده نمی‌شوند، نمادهای روی نقشه خود را سبز می‌کنیم تا نشان دهیم که مشکل برطرف شده است. “این هدف نهایی است.”
این شرکت مستقر در نروژ که قبلا با نام KVS Terratec شناخته می شد، با نام Field دوباره راه اندازی شد. این نام جدید نشان دهنده ادغام چندین نهاد برای تشکیل یک تامین کننده کل منحصر به فرد و تبدیل شدن به یکی از بزرگترین شرکت های داده های جغرافیایی، جمع آوری و تجزیه و تحلیل اروپا است.
حسگرهای مبتنی بر هوش مصنوعی برای گرفتن داده های با کیفیت بالا
داستان فیلد از اکتبر سال گذشته شروع شد، زمانی که شرکت فناوری KVS Technologies، Terratec مستقر در اسلو را خریداری کرد. KVS Technologies ابتدا با بازرسی از شبکه برق با استفاده از وسایل نقلیه هوایی بدون سرنشین (پهپادها یا “پهپادها”) و ارائه خدمات و نرم افزار پهپادها به شرکت های بزرگ شبکه که قبلا از هلیکوپتر برای بازرسی خطوط برق استفاده می کردند، آغاز شد.
این شرکت در اوایل از گرفتن داده های سنتی فاصله گرفت و امروزه حسگرهای آن از هوش مصنوعی (AI) برای شناسایی خطوط برق و گرفتن هوشمند داده های با کیفیت بالا از زیرساخت استفاده می کنند. درست قبل از ادغام با Terratec، KVS Technologies یک قرارداد بزرگ با شرکت آمریکایی اسپرایت، یکی از شرکت‌های تابعه Air Methods Corp، برای راه‌اندازی خدمات فناوری و بازرسی خود در بازار شبکه برق آمریکای شمالی منعقد کرد.
Terratec (شامل Blom، Foran AB و TerraPro) یکی از بزرگترین ارائه دهندگان خدمات داده های جغرافیایی در اروپا بود که داده ها را از زمین و هوا برای استفاده در نقشه برداری، مدل سازی و سایر پروژه های داده های زمین مرجع جمع آوری می کرد. این ادغام منجر به ایجاد گروه جدید KVS Terratec با 300 کارمند شد. از آن زمان، سرمایه‌گذار صنعتی DSD به تیم مالکیت ملحق شد و گروه Sevendof، یک شرکت متخصص در ساخت فناوری پهپادهای دوربرد برای اهداف صنعتی را خریداری کرد.
فیلد با ترکیب نقاط قوت KVS و Terratec به همراه سایر شرکت های ادغام شده، اکنون در موقعیت ایده آلی قرار دارد تا به عنوان یک تامین کننده کامل جمع آوری، تجزیه و تحلیل و دیجیتالی کردن همه چیز در فضای فیزیکی ظاهر شود.
ضبط، پردازش و تجسم داده ها به روشی معنادار
فیلد یک شرکت فناوری جاه طلب و متمرکز بر پایداری است. از صلاحیت داده‌های جغرافیایی، نرم‌افزار اختصاصی و فناوری‌های مکانی استفاده میکند تا داده‌ها و بینش‌های مورد نیاز برای ساختن و حفظ فردای بهتر را به مشتریان ارائه دهد. این شرکت به طیف گسترده ای از مشتریان در بخش های زیرساختی، ساخت و ساز، زیست محیطی و عمومی خدمات ارائه می دهد.
این شرکت با توجه به نیاز به ساخت و حفظ زیرساخت های جهان به روشی پایدار، قصد دارد جامعه مدرن را با تبدیل داده ها به بینش و دوقلوهای دیجیتالی زنده توانمند کند. برای دستیابی به این هدف، فیلد نرم‌افزار، حسگرهای پیشرفته و فناوری‌های مستقل را برای ضبط، پردازش و تجسم داده‌ها به روشی که شرکت به عنوان «روشی معنادار» توصیف میکند، ترکیب میکند.
فیلد با رشد در مناطق وسیع و با مراتع بزرگ که در آن رشد می کند، ارتباط ایجاد می کند. راه حل های ما سبزتر، ایمن تر و هوشمندتر هستند. ما می‌خواهیم با نام فیلد به آن اشاره کنیم. او قول رشد بیشتر شرکت را می دهد، هم از طریق جذب فعال کارکنان و هم از طریق خرید شرکت های فناوری که متناسب با محصولات فیلد باشد.
کاتو واتنه، مدیرعامل فیلد می‌گوید: «راه‌حل‌های ما سبزتر، ایمن‌تر و هوشمندانه‌تر هستند؛ ما می‌خواهیم آن را با نام فیلد نشان دهیم.» (عکس: سباستین دال)
ایران به لحاظ جغرافیایی کشوری کم آب است و با بی توجهی به این واقعیت کم آبی تبدیل به بی آبی شده است، در سه دهه اخیر در کنار تغییرات اقلیمی و افزایش حرارت کره زمین و به ه‍مت طرح های کارشناسانه ی دولت و مجلس (سدسازیهای بی حساب و کتاب) و الگوی مصرف ویرانگر آب ٬ حفر صدها هزار چاه غیر مجاز و… منابع و توازن چند هزار ساله ی آب کشور در سی سال به فنا رفته است
بد نیست اشاره ایی کنم به بعضی آمارها در مورد آب: در سال ۱۳۴۵ منابع آب تجدیدپذیر کشور ۱۳۲ میلیارد مترمکعب بوده است .. اکنون این رقم به ۸۸ میلیارد مترمکعب رسیده است این در حالی است که جمعیت هم بیش از دو برابر شده است.
در سراسر جهان تنها دو کشور هستند که با استفاده جنون آمیز از منابع آ بهای سطحی٬ خود را بطور جدی در معرض بحران بی آبی قرار داده اند یکی از این دو کشور مصر است با بهره برداری ۴۶ درصدی از منابع آبهای سطحی خود و دیگری کشور نیست جز ایران که با بهره برداری ۹۷ درصدی از منابع آ بهای سطحی خود عملا این دست از منابع خود را به پایان رسانده و اینک در حال خشکاندن و غارت منابع آ بهای فسیلی خود است که در طی میلیونها سال جمع آمده اند.
در حال حاضر بیش از ۹۰ درصد منابع آ ب ایران را فقط بخش کشاورزی مصرف میکند.. این در حالی ست که در کشاورزی هم هنوز توفیقی حاصل ننمودیم سازمان جهانی فائو در گزارشی اعلام کرد مصرف آ ب در بخش کشاورزی ایران ٢٢ درصد بیشتر از متوسط مصرف جهانی است..
اما میزان تولید محصولات کشاورزی ما به ازای مصرف هر مترمکعب آب تنها حدود ۱ کیلوگرم است .. در حالی که بطور میانگین تولید کشاورزی جهان در ازای هر متر مکعب اب ۲/۵ کیلو محصول است!
بعضی کارشناسان معتقدند با توجه به اینکه کشاورزی ما ضررآور است و زیانی که وارد میکند بسبار زیادتر از سودی است که برای مملکت دارد باید کشاورزی را در ایران تعطیل کنند! تا آ ب بیشتری برای زندگی باقی بماند.
کشور ایران در طول تاریخ با مشکلات٬ جنگ ها، خیانت ها و شکست های بسیاری مواجه بوده.. اما هربار در نهایت خود را از دام بلا رهانیده است اما این بار خطر از نوعی دیگر است!
بحران آ ب به حدی ست که بزودی ایران متروکه خواهد شد
آیا معجزه ایی اتفاق خواهد افتاد؟ آیا دولت معجزه خواهد کرد؟
دولت از پرداخت حقوق کارمندان خود درمانده است!
آیا مردم معجزه خواهند کرد؟
چه بخواهیم چه نخواهیم با ادامه روند آ ب بزرگترین بحران پیش روی ایران است – بحرانی همراه با ناامنی های اجتماعی غیر قابل توصیف
بر اساس تحلیل جدید منتشر شده در ژورنال Science، اگر دمای جهانی بیش از 1.5 درجه سانتیگراد بالاتر از سطح قبل از صنعتی شدن باشد، ممکن است چندین نقطه اوج آب و هوایی ایجاد شود. حتی در سطوح فعلی گرمایش جهانی، جهان در حال حاضر در معرض خطر عبور از پنج نقطه اوج آب و هوای خطرناک است و خطرات با هر دهم درجه گرم شدن بیشتر افزایش می‌یابد.
یک تیم تحقیقاتی بین‌المللی شواهدی را برای نقاط اوج، آستانه‌های دمایی، مقیاس‌های زمانی و تأثیرات آنها از بررسی جامع بیش از 200 مقاله منتشر شده از سال 2008، زمانی که برای اولین بار نقاط اوج آب و هوا به‌طور دقیق تعریف شد، ترکیب کردند. آنها لیست نقاط اوج بالقوه را از 9 به شانزده افزایش داده اند.
این تحقیق که قبل از کنفرانس بزرگی با عنوان “نقاط اوج: از بحران آب و هوا تا تحول مثبت” در دانشگاه اکستر (12 تا 14 سپتامبر) منتشر شد، به این نتیجه رسید که گازهای گلخانه ای انسانی قبلاً زمین را به منطقه خطر نقاط اوج سوق داده است. پنج مورد از شانزده مورد ممکن است در دماهای امروزی ایجاد شوند: صفحات یخی گرینلند و غرب قطب جنوب، یخ زدگی گسترده ناگهانی، فروپاشی همرفت در دریای لابرادور، و مرگ عظیم صخره های مرجانی استوایی. چهار مورد از این موارد از رویدادهای احتمالی به گرمایش جهانی 1.5 درجه سانتیگراد منتقل می شوند و پنج مورد دیگر در این سطح از گرمایش امکان پذیر است.
نویسنده اصلی دیوید آرمسترانگ مک‌کی از مرکز تاب‌آوری استکهلم، دانشگاه اکستر و کمیسیون زمین می‌گوید: «ما می‌توانیم نشانه‌هایی از بی‌ثباتی را در بخش‌هایی از یخ‌های قطب جنوب غربی و گرینلند، در مناطق همیشه منجمد، جنگل‌های آمازون و احتمالاً مشاهده کنیم. گردش واژگونی اقیانوس اطلس نیز.”
“جهان در حال حاضر در معرض خطر برخی از نقاط اوج است. با افزایش بیشتر دمای جهانی، نقاط اوج بیشتری ممکن می شود.” او اضافه می کند.
شانس عبور از نقاط اوج را می توان با کاهش سریع انتشار گازهای گلخانه ای کاهش داد.
ششمین گزارش ارزیابی هیئت بین دولتی تغییرات آب و هوایی (IPCC)، بیان کرد که خطرات ایجاد نقاط اوج آب و هوا حدود 2 درجه سانتیگراد بالاتر از دمای قبل از صنعتی شدن و 2.5 تا 4 درجه سانتیگراد بسیار زیاد است.
این تجزیه و تحلیل جدید نشان می دهد که زمین ممکن است قبلاً وضعیت آب و هوایی “ایمن” را ترک کرده باشد، زمانی که دما از حدود 1 درجه سانتیگراد گرمتر شد. بنابراین نتیجه‌گیری از این تحقیق این است که حتی هدف توافق پاریس سازمان ملل برای محدود کردن گرمایش به زیر 2 درجه سانتیگراد و ترجیحاً 1.5 درجه سانتیگراد برای جلوگیری از تغییرات خطرناک آب و هوا کافی نیست. بر اساس این ارزیابی، احتمال نقطه اوج به طور قابل توجهی در «محدوده پاریس» 1.5-2 درجه سانتی گراد افزایش می یابد، با خطرات حتی بالاتر از 2 درجه سانتی گراد.
این مطالعه از توافقنامه پاریس و تلاش‌های مرتبط برای محدود کردن گرمایش زمین به 1.5 درجه سانتیگراد پشتیبانی علمی قوی میکند، زیرا نشان میدهد که خطر نقاط اوج فراتر از این سطح افزایش می‌یابد. برای داشتن 50 درصد شانس دستیابی به دمای 1.5 درجه سانتیگراد و در نتیجه محدود کردن خطرات نقطه اوج، انتشار گازهای گلخانه ای جهانی باید تا سال 2030 به نصف کاهش یابد و تا سال 2050 به صفر خالص برسد.
یوهان راکستروم، یکی از نویسندگان، رئیس کمیسیون زمین و مدیر مؤسسه تحقیقات تأثیرات آب و هوای پوتسدام می‌گوید: “جهان در حال حرکت به سمت 2 تا 3 درجه سانتیگراد گرمایش جهانی است. نقاطی که برای مردم سرتاسر جهان فاجعه بار خواهد بود. برای حفظ شرایط زندگی بر روی زمین، محافظت از مردم در برابر افراط‌ها و ایجاد جوامع باثبات، ما باید هر کاری که ممکن است برای جلوگیری از عبور از نقاط اوج انجام دهیم. هر دهم درجه مهم است.”
یکی از نویسندگان تیم لنتون، مدیر مؤسسه سیستم های جهانی در دانشگاه اکستر و یکی از اعضای کمیسیون زمین می گوید: «از زمانی که برای اولین بار نقاط اوج آب و هوایی را در سال 2008 ارزیابی کردم، فهرست رشد کرده و ارزیابی ما از خطراتی که آنها ایجاد می کنند افزایش یافته است. به طور چشمگیری.”
کار جدید ما شواهد قانع‌کننده‌ای را ارائه میکند که نشان میدهد جهان باید کربن زدایی اقتصاد را به شدت تسریع کند تا خطر عبور از نقاط اوج آب و هوا را محدود کند.»
برای دستیابی به این هدف، اکنون باید نقاط اوج اجتماعی مثبتی را ایجاد کنیم که تبدیل به آینده انرژی پاک را تسریع میکند.»
لنتون می‌افزاید: «همچنین ممکن است مجبور شویم برای مقابله با نقاط بحرانی آب و هوایی که نمی‌توانیم از آنها اجتناب کنیم وفق دهیم و از کسانی که ممکن است متحمل خسارات و خسارت‌های غیرقابل بیمه شوند حمایت کنیم.»
تیم بین‌المللی با بررسی داده‌های دیرینه‌اقلیمی، مشاهدات کنونی و خروجی‌های مدل‌های اقلیمی به این نتیجه رسید که 16 سیستم بیوفیزیکی اصلی درگیر در تنظیم آب و هوای زمین (به‌اصطلاح «عناصر اوج‌گیری») پتانسیل عبور از نقاط اوج را دارند که در آنها تغییر به خودکفایی تبدیل می‌شود.
این بدان معناست که حتی اگر افزایش دما متوقف شود، هنگامی که ورقه یخ، اقیانوس یا جنگل بارانی از نقطه اوج عبور کند، به حالت جدید تغییر خواهد کرد. مدت زمان انتقال بسته به سیستم از دهه ها تا هزاران سال متفاوت است. به عنوان مثال، اکوسیستم ها و الگوهای گردش جوی می توانند به سرعت تغییر کنند، در حالی که ریزش صفحات یخی کندتر است، اما منجر به افزایش اجتناب ناپذیر سطح دریا تا چندین متر می شود.
محققان این عناصر را به 9 سیستم که بر کل سیستم زمین اثر می‌گذارند، مانند قطب جنوب و جنگل‌های بارانی آمازون، و هفت سیستم دیگر که اگر سرنگون شوند، عواقب منطقه‌ای عمیقی به همراه خواهند داشت، دسته‌بندی کردند. مورد دوم شامل بادهای موسمی غرب آفریقا و مرگ بیشتر صخره های مرجانی در اطراف استوا است. چندین عنصر نوک جدید مانند همرفت دریای لابرادور و حوضه های زیر یخچالی قطب جنوب شرقی در مقایسه با ارزیابی سال 2008 اضافه شده اند، در حالی که یخ دریای تابستانی قطب شمال و نوسان جنوبی ال نینو (ENSO) به دلیل عدم وجود شواهدی از دینامیک واژگونی حذف شده اند.
ریکاردا وینکلمان، یکی از نویسندگان، محقق در موسسه تحقیقات تاثیرات آب و هوای پوتسدام و عضو کمیسیون زمین می‌گوید: «به‌طور مهمی، بسیاری از عناصر سرخورده در سیستم زمین به هم مرتبط هستند، و باعث می‌شود نقاط اوج آبشاری به یک نگرانی جدی اضافه شود. فعل و انفعالات می‌توانند آستانه‌های دمایی بحرانی را کاهش دهند که فراتر از آن عناصر منفرد در بلندمدت شروع به بی‌ثبات شدن می‌کنند.”
آرمسترانگ مک‌کی می‌گوید: “ما اولین گام را برای به‌روزرسانی جهان در مورد خطرات نقطه اوج برداشته‌ایم. نیاز فوری به یک تحلیل عمیق‌تر بین‌المللی، به‌ویژه در مورد تعاملات عناصر اوج، وجود دارد، که کمیسیون زمین در حال شروع پروژه مقایسه مدل نقاط اوج است. (“TIPMIP”).”
آموزش پژوهش واقعی را در مدرسه پژوهش کمی وکیفی ایران متفاوت تجربه کنید:
دوره آنلاین۶۶ساعته Academic Writing ویژه مقاله نویسی
تاریخ شروع:دوشنبه ۱۲ دی ماه ۱۴۰۱، روزهای شنبه و دوشنبه ۱۸:۳۰ تا ۲۱:۳۰؛
گواهینامه بین المللی Mpt اکادمی اتریش ⚜️مدرس دکتر ناهید زرین جویی با بیش از ۱۵ سال سابقه تدریس و مدیر دپارتمان زبان تخصصی آکادمی ✍️ سرفصل ها: ۱. سبک نوشتار آکادمیک ۲. علائم نگارشی ۳. گرامر آکادمیک ۴. ساختارهای پیشرفته
۵. کلمات آکادمیک و لینک دهنده‌ها جهت پیوستگی در نوشتار ۶. پاراگراف‌نویسی آکادمیک ۷. تکنیکهای پارافریزینگ ۸. عبارات ثابت انگلیسی و معادل‌های آنها در بخشهای مختلف مقاله علمی ۹. مکاتبات با ژورنال‌ها و افراد ۱۰. مرور و مشاوره هزینه دانشجویی:یک میلیون و ششصد هزارتومان؛قابل پرداخت در ۲ بخش این دوره به درخواست دانشپذیران آکادمی که دوره های مقاله نویسی را شرکت نموده اند به منظور نگارش روان انگلیسی مقالات پس از مدتها پژوهش بر روی نیازها تشکیل گردید. با توجه به حجم تقاضا، از واریز وجه قبل از هماهنگی با بخش آموزش خودداری بفرمایید تماس ۰۹۱۰۰۰۷۱۸۰۴ 👇 www.analysisacademy.com
مدیرکل دفتر حفاظت و حمایت سازمان منابع طبیعی کشور در واکنش به انتقادات وارد شده به واگذاری ۵۰۰۰ معدن به شرکت‌های خصوصی با بیان اینکه تمام معادن بر اساس قوانین و ضوابط بررسی خواهند شد، گفت: بسیاری از مناطق کشور جزو مناطق ممنوعه هستند بنابراین فعالیت معدن در این مناطق ممنوع است.
مسعود جلالی در گفت و با ایسنادر واکنش به انتقادات وارد شده نسبت به مزایده و واگذاری ۵۰۰۰ معدن به شرکت‌های خصوصی اظهار کرد: مزایده ۵۰۰۰ معدن به معنای مجاز شدن فعالیت تمام این معدن‌ها در عرصه‌های مرتعی نیست. تمامی این معادن باید بر اساس قانون استعلام شوند و ما نیز باید براساس قوانین و ضوابط موجود در این حوزه ، تمام معادن را بررسی کنیم.
وی ادامه داد: بر اساس قانون، بهره‌برداری از معادنی که در جنگل‌ها، پارک‌های جنگلی، ذخیره‌گاه‌های منابع طبیعی، عرصه‌های جنگل‌کاری شده و عرصه‌هایی که در معرض فرسایش بادی و آبی هستند، ممنوع است و ما اجازه فعالیت معدنی در این عرصه‌ها را نخواهیم داد.
وی ادامه داد: بر اساس قانون، بهره‌برداری از معادنی که در جنگل‌ها، پارک‌های جنگلی، ذخیره‌گاه‌های منابع طبیعی، عرصه‌های جنگل‌کاری شده و عرصه‌هایی که در معرض فرسایش بادی و آبی هستند، ممنوع است و ما اجازه فعالیت معدنی در این عرصه‌ها را نخواهیم داد.
مدیرکل دفتر حفاظت و حمایت سازمان منابع طبیعی ادامه داد: بر اساس ضوابط ۵۰۰۰ معدن، بسیاری از آنها حذف خواهند شد و آن تعدادی هم که مجوز فعالیت می‌گیرند، برخورد سختگیرانه‌ای خواهیم داشت تا هم هنگام بهره‌برداری و هم بعد از بهره‌برداری تمام ضوابط رعایت شود.
وی با بیان اینکه ضایعات معدنی در عرصه‌های منابع طبیعی یکی از مشکلات جدی صنعت معدن است، گفت: با توجه به اینکه تکنیکهای بهره‌برداری از معادن بسیار قدیمی هستند، بهره‌برداری از معادن باطله‌ریزی و ضایعات فراوانی را در عرصه‌های منابع طبیعی ایجاد میکند، یعنی به غیر از بحث تخریب بسیار زیادی که در حوزه منابع طبیعی داریم، حجم زیادی از باطله‌های معدنی، عرصه‌های طبیعی را دچار مشکلات بسیاری میکند.
جلالی تاکید کرد: با سختگیری شدیدی این ضوابط و قوانین اعمال خواهد شد و مجوز فعالیت تمام ۵۰۰۰ معدن صادر نخواهد شد چرا که بسیاری از مناطق کشور جزو مناطق ممنوعه از نظر بهره‌برداری هستند.
وی ادامه داد: در این بررسیها تمام موارد همچون جاده‌های دسترسی به معادن، منابع آبی که در همجواری آنها وجود دارد، چشمه‌ها، روستاییانی که در آن منطقه سکونت دارند و… در کانون توجه قرار می‌گیرد. در بسیاری از این مناطق فعالیت آبخیزداری انجام داده‌ایم و این مناطق بسیار مهم هستند بنابراین اجازه فعالیت معادن در چنین مناطقی را هرگز نخواهیم داد.
مدیرکل دفتر حفاظت سازمان منابع طبیعی افزود: بسیاری از هزینه‌های دولت صرف احیا و بازسازی این مناطق و احداث آبخیزداری شده است و نمی توانیم در این عرصه‌ها به معادن اجازه فعالیت دهیم بنابراین با بسیاری از مناطقی که شرایط بهره‌برداری از آنها وجود ندارد، مخالفت خواهد شد.
وی با تاکید بر اینکه مزایده ۵۰۰۰ معدن به معنای صدور مجوز فعالیت آنها نیست و مزایده باید روند خاصی را طی کند، اظهار کرد: یکی از مراحل موجود در فرایند مزایده اخذ نظر سازمان منابع طبیعی و آبخیزداری کشور مبنی بر موافقت و یا مخالفت است و در صورت مخالفت، هیچ کس اجازه فعالیت معدنی در آن منطقه را نخواهد داشت.
جلالی تصریح کرد: حتی اگر تعداد این ۵۰۰۰ معدن به ۲۰ هزار هم برسد ما بررسی‌های خود را انجام می‌دهیم. ما نگرانی بابت بررسی این معادن نداریم. تنها نگرانی ما فشار و حجم بالای کار است چراکه تاکنون نیز تمام ادارات کل منابع طبیعی استانها درگیر پاسخگویی به این استعلام‌گیری‌ها هستند و ما باید تک به تک این معادن را در یک بازه زمانی دوماهه بررسی کنیم، از این جهت باید تمام نیروهای خود را بسیج کنیم تا این کار به خوبی انجام شود.
وی با تاکید بر اینکه تمام استعلامات به‌دقت و بر اساس ضوابط و قوانین منابع طبیعی بررسی خواهد شد، گفت: با وجود احترام به فعالیت معادن در کشور به دلیل اینکه جزو موهبت‌های الهی هستند که در کشور قرار دارند اما لازم است که در شیوه و نوع بهره‌برداری از معادن تجدید نظر و اولویت‌های معادن در کشور تعیین شود.
مدیرکل دفتر حفاظت و حمایت سازمان منابع طبیعی در پایان با تاکید بر اینکه معادن ذخیره‌ای هستند که باید برای نسل آینده نیز حفظ شوند، گفت: سیاست بهره‌برداری نباید به گونه‌ای باشد که هرچه معدن در کشور وجود دارد را در مدت‌زمانی مشخص بهره‌برداری کنیم و نسل آینده از این نعمت بی‌بهره شوند. نگهداری‌ها باید به‌صورتی باشد که نسل‌های دیگر نیز از این نعمت بهره ببرند.
نقشه ها یکی از جادویی ترین اختراعات تاریخ بشر هستند. نقشه بابلی جهان، یا Imago Mundi – لوحی گلی که نشان می دهد یک صفحه برچسب از آنچه در آن زمان تصور می شد کل جهان است – در قرن ششم قبل از میلاد ساخته شده است. همچنین شواهدی وجود دارد که نشان میدهد بیش از 5000 سال پیش نقشه‌هایی بر روی دیواره‌های غار حک شده‌اند.
نقشه ها محصول و بازتاب زمان خود هستند. نقشه 100 سال پیش به دلیل پیشرفت های اجتماعی، اقتصادی و تکنولوژیکی با نقشه ای که امروز ایجاد می شود، تفاوت اساسی دارد. به لطف پیشرفت های فناوری، نقشه های ساخته شده 100 سال آینده، از بسیاری جهات، پیچیده تر از نقشه هایی هستند که در حال حاضر تولید می شوند.
گفته می شود نقشه جهان بابلی در قرن ششم قبل از میلاد ساخته شده است.
پتانسیل برای نقشه برداری – و اینکه یک نقشه می تواند باشد – بسیار زیاد است. اما با این پتانسیل مسئولیت بزرگی به همراه دارد.
چگونه زمان نقشه ها را تغییر می دهد
تبدیل نقشه چیست؟ نقش تغییر یافته زمان ممکن است یکی از عمیق ترین عوامل باشد. مکاشفه قرن بیستم آلبرت انیشتین مبنی بر اینکه زمان از فضا جدا نیست در نقشه های قرن بیست و یکم نوشته شده است. اکنون نقشه‌های تایم لپس به مردم اجازه می‌دهند تا در طول روزها، هفته‌ها و سال‌ها کامل بچرخند و لحظاتی را در زمان مشخص به مکان خاصی مشخص کنند.
تغییر از تولید نقشه‌های ایستا از مکان‌های ثابت به ایجاد راهنمایی‌های مکانی مبتنی بر زمان، به توسعه فناوری دیگری مربوط می‌شود که زمان و مکان را در دنیای فیزیکی، اجتماعی و سایبری ادغام میکند – به ویژه آنچه که به عنوان متاوره قرار می‌گیرد. در آینده، نقشه‌ها ممکن است فید مستمری از ویدیوهای مبتنی بر مکان باشند که به صورت سه‌بعدی حفظ می‌شوند – و با لایه‌های معنایی که مکان را نشان می‌دهند، داستان می‌گویند و به شبکه‌های اجتماعی متصل می‌شوند، پوشانده می‌شوند تا یک واقعیت افزوده ایجاد کنند.
لایه‌هایی که بخشی از جعبه ابزار نقشه‌نگار دیجیتالی هستند نیز تغییراتی را در درک مقیاس و زمان در افراد ایجاد کرده‌اند. به عنوان مثال، هنگام کار با لایه ها در GIS، می توان همزمانی را در مقیاس ها و سطوح مختلف جزئیات مدل کرد. مانند عروسک‌های ماتریوشکا که درون یکدیگر لانه می‌کنند، نقشه‌های لایه‌ای بینندگان را قادر می‌سازد تا از مقیاس کلان به مقیاس خرد با شفافیتی بروند که جهان، جهان، جامعه، جامعه و مردم را در یک سیستم فرا رشته‌ای در هم تنیده نشان میدهد. با در نظر گرفتن نماهای مختلف از یک نقشه، افراد می توانند وابستگی های متقابل موضوع را به گونه ای تجربه کنند که هیچ نقشه کلاسیکی نمی تواند اجازه دهد.
خود داده نیز در حال تغییر است. بینایی ماشین و فناوری دوربین تعبیه شده اکنون امکان تعیین مکان عکس ها را در زمان واقعی یا تقریبا واقعی فراهم می کند. بنابراین می توان عکس برج ایفل را به طور خودکار به مکان دقیق آن در پاریس، فرانسه مشخص کرد. علاوه بر این، چیزهایی که می توان نقشه برداری کرد در حال تغییر هستند.
انبوهی از ماهواره ها به انسان اجازه می دهد تا فضای بیرونی را کاوش کند و حتی دورافتاده ترین مناطق زمین را در سطح زمین اسکن کند. اما فراتر از خیابان‌ها و حتی کف اقیانوس، چه چیزی ممکن است پیش بیاید؟ شاید این نظارت بر فعالیت های انسانی به صورت دسته جمعی باشد – حرکات افراد و تعاملات شخصی دقیقه به دقیقه جمع آوری شود. به عنوان مثال، این به بینندگان نقشه حس باورنکردنی از نبض یک شهر یا شهر می دهد.
به نظر می رسد که هر اینچ از جهان نقشه برداری شده است. در واقع، حتی DNA برای ایجاد ژنوم انسان نقشه برداری شده است. پس بعدی چیه؟ شاید حدود 100 میلیارد نورون – به اضافه تریلیون ها اتصال به نام سیناپس – که مغز را می سازند، آن شبکه پیچیده ترین شبکه را ترسیم کند. این بیومتریک ها – معیارهای مشخصه های فیزیکی و ویژگی های رفتاری متمایز – هر موجودی را منحصر به فرد می کند. ترسیم این متافیزیک می تواند چیزهای زیادی را در مورد انسان آشکار کند.
نقشه های آینده
یکی از دلایل ایجاد چنین نقشه های دانه ای از انسان این است که امکان پذیر است. دلیل دیگر، قابل بحث تر، این است که نشان می دهد انسان ها چه کسانی هستند، از کجا آمده ایم و چه اتفاقی ممکن است برای ما بیفتد.
طی 200 یا 300 سال، نقشه‌ها احتمالاً ضبط ویدیویی از هر مرحله‌ای خواهند بود که تاکنون توسط واحدهای منفرد طی شده است و در وب اشیا و افراد نگهداری می‌شوند. امید به این امر این است که دانش بیشتر از فعالیت های انسانی موجب پایداری و طول عمر این گونه شود.
همراه با هوش مصنوعی جغرافیایی (GeoAI)، فن‌آوری‌هایی که افراد را قادر می‌سازد به معنای واقعی کلمه و از راه دور آنچه را که شخص دیگری انجام میدهد ببینند – مانند یک دوربین پوشیدنی که به دیگران اجازه میدهد تا دیدگاه یک فرد را در زمان واقعی تجربه کنند – به طور فزاینده‌ای برای کنترل، ارائه استفاده می‌شوند. راحتی، و مراقبت.
کاربردهای فناوری نقشه برداری که به دنبال کنترل افراد هستند بحث برانگیزترین هستند. آنها اطلاعاتی را برای اجرای قانون (حتی پلیس پیشگیرانه)، نظارت و اهداف تحقیق ارائه می دهند. در حال حاضر، شرکت های تخصصی وجود دارند که میلیاردها تصویر منبع باز را برای ارائه تشخیص وسیله نقلیه جمع آوری می کنند. و همین فناوری می تواند برای تطبیق بیومتریک استفاده شود.
فناوری مبتنی بر نقشه که راحتی را فراهم می کند، به ویژه با اینترنت اشیا در حال گسترش است. این نوع برنامه‌ها به افراد اجازه می‌دهند از طریق سرویس‌های مبتنی بر مکان و اشتراک‌گذاری بی‌درنگ داده با یکدیگر و دارایی‌هایشان ارتباط برقرار کنند. به‌عنوان مثال، به لطف فرآیندهای نوآورانه توزیع و انجام سفارش‌های امروزی، مردم می‌توانند مسیرهایی را که محصولات و خدمات آنها طی می‌کنند، تا لحظه لحظه و نقطه سیستم موقعیت‌یابی جهانی (GPS) از نزدیک نظارت کنند.
اپلیکیشن‌هایی که برای مراقبت‌ها طراحی شده‌اند، مانند نقشه‌های ایمنی مبتنی بر هوش مصنوعی، احتمالاً می‌توانند وضعیت افراد را فقط از طریق راه رفتن یا از طریق احساسات شناسایی شده در چهره‌شان تعیین کنند. به عنوان مثال، افرادی که مبتلا به زوال عقل هستند، ممکن است تحت نظر قرار گیرند تا مراقبان در صورت به خطر افتادن سلامتی یا امنیت شخصی بیمار، هشدار دریافت کنند.
در مجموع، همه این‌ها باعث ایجاد «überveillance» می‌شود، نوعی نظارت فراتر و فراتر از آن که متکی بر فناوری است که نه تنها همیشه روشن است، بلکه در واقع در انسان‌ها تعبیه شده است. پیامدهای این آینده بالقوه نقشه برداری سزاوار توجه دقیق و راهنمایی است.
یک چارچوب ژئواخلاق
در ژوئن 2022، انجمن جغرافیدانان آمریکا (AAG)؛ مرکز مطالعات فضایی در دانشگاه کالیفرنیا، سانتا باربارا؛ و Esri برای بررسی مسائلی که هنگام تغییر به داده‌های مکان محور انسان‌محور به وجود می‌آیند، نشستی را در مورد اطلاعات مکان و منافع عمومی برگزار کردند. این منجر به انتشار گزارشی شد که چارچوبی برای چگونگی همکاری جغرافیدانان، دانشمندان GIS، دانشمندان علوم اجتماعی، دانشمندان علوم کامپیوتر، متخصصان حقوقی، کارشناسان و فعالان کارگری، قانونگذاران و اعضای عمومی برای مقابله با چالش‌های پیش آمده ایجاد میکند. تکامل نقشه برداری پیشنهادات شامل موارد زیر است:
یک دستور کار تحقیقاتی ایجاد کنید که دربرگیرنده مسائل اخلاقی کلیدی، مانند مالکیت و استفاده از داده ها باشد. حریم خصوصی و ناشناس بودن؛ اعتماد و درک ریسک؛ تحلیل چند فرهنگی و چند ظرفیتی؛ به اشتراک گذاری داده و زیرساخت؛ و کدنویسی برای فراگیری.
مواد آموزشی و اهداف آموزشی را برای کسانی که اصول اخلاقی اطلاعات مکان را مطالعه می کنند، تهیه کنید.
ایجاد مسیری برای حرکت از بحث درباره اصول اخلاقی به تشکیل مقررات جهانی قابل اجرا و قابل اجرا.
افزایش گفت‌وگو با ذینفعان GIS غیر سنتی و غیرمستقیم و گسترش همکاری میان اعضای بخشهای دانشگاهی، دولتی و خصوصی در مورد استفاده از اطلاعات مکان در طول چرخه حیات فناوری‌ها – به ویژه در رابطه با حریم خصوصی و سایر ابعاد مبتنی بر ارزش‌ها.
زمانی جغرافیدانان و متخصصان زمین فضایی به نقاط، خطوط و چندضلعی ها مشغول بودند. در حالی که این لایه‌های بنیادی همیشه به سیستم‌های اطلاعات جغرافیایی مرتبط خواهند بود، توانایی نقشه‌برداری بیشتر – از فضاهای کف خانه‌ها تا ابعاد داخلی قلب انسان – به روش‌های پیشرفته‌تر، نیازمند یکپارچگی است. نقشه های آینده نه تنها باید انعکاسی از وسیع ترین گستره فناوری، بلکه از سازگارترین و جدی ترین احترام به زندگی، حیثیت و حریم انسانی (و فراتر از انسان) باشد.
From the Meridian ستونی منظم از AAG است، یک انجمن علمی و آموزشی غیرانتفاعی که اعضای آن، از نزدیک به 100 کشور، در تئوری، روش‌ها و عمل جغرافیا علایق مشترک دارند. در مورد برنامه ها و عضویت AAG اطلاعات کسب کنید.
پروژه AUAV در آلمان تنظیم بلوک بسته نرم افزاری فتوگرامتری را با ارجاع جغرافیایی مستقیم ابرهای نقطه Lidar یکپارچه کرده است تا دقت مربوطه را به میزان قابل توجهی بهبود بخشد.
سکوهای اخیر وسایل نقلیه هوایی بدون سرنشین (UAV یا “پهپاد”) به طور مشترک تصاویر و داده های Lidar را جمع آوری می کنند. ارزیابی ترکیبی آنها به طور بالقوه ابرهای نقطه سه بعدی را با دقت و وضوح چند میلی متری ایجاد می کند که تا کنون محدود به جمع آوری داده های زمینی است. این مقاله پروژه ای را تشریح می کند که تنظیم بلوک بسته نرم افزاری فتوگرامتری را با ارجاع جغرافیایی مستقیم ابرهای نقطه لیدار ادغام می کند تا دقت مربوطه را با یک مرتبه قدر بهبود بخشد. مزایای دیگر پردازش ترکیبی ناشی از افزودن اندازه‌گیری محدوده Lidar به تطبیق تصویر چند نمای استریو (MVS) در طول تولید ابرهای نقطه سه‌بعدی متراکم با دقت بالا است.
این پروژه با هدف نظارت بر منطقه فرونشست احتمالی حدود 10 میلی متر در سال توسط مجموعه ای مکرر از ابرهای نقطه سه بعدی بسیار دقیق و متراکم انجام شد. اندازه قابل توجه محل آزمایش در Hessigheim، آلمان، از جمع آوری داده های زمینی جلوگیری می کند. همانطور که در شکل 1 قابل مشاهده است، سایت شامل مناطق ساخته شده، مناطق استفاده کشاورزی و یک قفل کشتی به عنوان ساختار مورد علاقه خاص است.
شکل 1: منطقه آزمایش در رودخانه Neckar در Hessigheim، آلمان.
برای نظارت سنتی، شبکه ای از چندین ستون در مجاورت قفل ایجاد شد. همانطور که در شکل 2 نشان داده شده است، اهداف فتوگرامتری به ستون ها علامت می دهند تا آنها را به عنوان نقاط کنترل و کنترل برای ارجاع جغرافیایی در دسترس قرار دهند. برای جمع آوری داده های پهپاد، یک هشت کوپتر RIEGL RiCopter مجهز به سنسور RIEGL VUX-1LR Lidar و دو دوربین سونی آلفا 6000 مایل استفاده شد. با ارتفاع اسمی پرواز 50 متر از سطح زمین، فاصله نوار 35 متر و میدان دید اسکنر (FoV) 70 درجه، سیستم 300-400 نقطه بر متر مربع در هر نوار و 800 نقطه در متر مربع برای کل بلوک پرواز را ثبت کرد.
به دلیل همپوشانی طرف اسمی 50٪. پارامترهای ماموریت پرواز منجر به قطر ردپای لیزری روی زمین کمتر از 3 سانتی‌متر با فاصله نقطه‌ای 5 سانتی‌متر شد. دامنه نویز اسکنر 5 میلی متر است. مسیر پلت فرم توسط یک سیستم GNSS/IMU پهپاد APX-20 اندازه گیری شد تا امکان ارجاع جغرافیایی مستقیم فراهم شود. دو دوربین سونی آلفا 6000 مایل که بر روی پلتفرم RiCopter نصب شده‌اند، هر کدام فو وی 74 درجه دارند. آنها با زاویه دید 35± درجه به طرفین، تصاویر را در فاصله نمونه برداری از زمین (GSD) 1.5-3 سانتی متر با هر کدام 24 مگاپیکسل ثبت کردند.
شکل 2: هدف فتوگرامتری روی ستون.
تنظیم نوار لیدار و مثلث بندی خودکار هوایی
پس از ارجاع جغرافیایی مستقیم، یک گردش کار معمولی Lidar شامل تنظیم نوار برای به حداقل رساندن تفاوت بین نوارهای همپوشانی است. این مرحله با تخمین کالیبراسیون نصب اسکنر و همچنین پارامترهای تصحیح برای راه حل مسیر GNSS/IMU، ارجاع جغرافیایی را بهبود می بخشد. به طور معمول، یک افست ثابت (Δx، Δy، Δz، Δroll، Δpitch، Δyaw) برای هر نوار تخمین زده می شود. از طرف دیگر، اصلاحات وابسته به زمان برای هر یک از این شش پارامتر را می توان با splines مدل کرد.
شکل 3 به طور مثال یک صفحه کنترل زمینی لیدار را نشان می دهد که برای ارجاع جغرافیایی مطلق استفاده می شود. هر سیگنال دارای دو صفحه سقف مانند در ابعاد 40 × 80 سانتی متر با موقعیت و جهت مشخص است. ارزیابی تنظیم نوار لیدار این پروژه به‌علاوه ستون‌های علامت‌دار نشان‌داده‌شده در شکل 2 را اعمال میکند. این اهداف فتوگرامتری، تفاوت ارتفاعی را به ابر نقطه ژئورنفرانس شده در 33 هدف ارائه می‌کنند.
در بررسی ها، این تفاوت ها منجر به دقت RMS 5.2 سانتی متری شد. برای فعال کردن ارجاع جغرافیایی بلوک تصویر مورب سونی آلفا توسط مثلث هوایی خودکار (AAT)، شش هدف فتوگرامتری به عنوان نقاط کنترل زمینی (GCPs) انتخاب شدند. 27 هدف باقیمانده در نقاط بازرسی مستقل (CPs) بین 5.2 سانتی متر (حداکثر) و 1.2 سانتی متر (حداکثر) با RMS 2.5 سانتی متر تفاوت داشتند.
شکل 3: هواپیمای کنترل لیدار.
بنابراین، نه تنظیم نوار لیدار و نه تنظیم بلوک بسته، دقت نقطه شی 3 بعدی مورد نیاز را در طول ارزیابی مستقل داده‌های حسگر مختلف به دست نمی‌آورند. با این حال، در صورتی که هر دو مرحله توسط به اصطلاح ژئورفرجنس هیبریدی ادغام شوند، دقت به طور قابل توجهی بهبود می یابد (Glira 2019).
ارجاع جغرافیایی ترکیبی لیدار و تصاویر هوایی
شکل 4 بخشی از نقاط Lidar پروژه را به تصویر می کشد که با مقدار شدت کد رنگی شده است. نقاط سفید پوشانده شده نشان دهنده نقاط پیوند از تنظیم بلوک بسته‌ای از تصاویر سونی آلفا هستند. معمولاً، این مرحله پارامترهای دوربین مربوطه را از روی مختصات پیکسلی مربوط به تصاویر همپوشانی تخمین می‌زند. مختصات شی این نقاط پیوند فقط یک محصول جانبی هستند.
در مقابل، ارجاع جغرافیایی ترکیبی این مختصات نقطه اتصال را برای به حداقل رساندن تفاوت آنها با نقاط Lidar مربوطه اعمال می کند. این فرآیند اصلاحات وابسته به زمان مسیر پرواز را شبیه به تنظیم سنتی نوار لیدار تخمین می زند. در این مرحله، مختصات نقطه کراوات، محدودیت‌های هندسی را از AAT اضافه می‌کنند. این محدودیت های قابل توجهی را از بلوک تصویر برای اصلاح هندسه اسکن Lidar فراهم می کند.
این امر به ویژه در صورتی مفید است که هر دو سنسور بر روی یک پلت فرم پرواز کنند و بنابراین مسیر یکسانی داشته باشند. ارجاع جغرافیایی ترکیبی علاوه بر این اطلاعات مربوط به نقاط کنترل زمینی مورد استفاده در هنگام تنظیم بلوک بسته را باز می کند. بنابراین، ارجاع جغرافیایی داده‌های لیدار دیگر نیازی به هواپیماهای کنترلی اختصاصی لیدار ندارد. درعوض، تمام اطلاعات مربوط به نقطه چک و نقطه کنترل مورد نیاز از اهداف فتوگرامتری استاندارد موجود است که از اهمیت عملی بالایی برخوردار است.
شکل 4: نقاط لیدار رنگ شده با شدت و نقاط اتصال فتوگرامتری (سفید).
نویسندگان از یک اسپلاین انعطاف پذیر به عنوان یک مدل قدرتمند برای تصحیح مسیر استفاده کردند. این انعطاف پذیری به طور بالقوه می تواند منجر به تغییر شکل های سیستماتیک در صورت اعمال در طول تنظیم استاندارد نوار شود. در مقابل، یکپارچه‌سازی اطلاعات از فریم‌های تصویر دوبعدی پایدار که در طول تنظیم بلوک بسته‌بندی جهت‌گیری شده‌اند، به طور قابل اعتمادی از چنین اثرات منفی جلوگیری میکند.
شکل 5 نتیجه رویکرد ترکیبی از نرم افزار OPALS مورد استفاده را نشان می دهد. شش GCP که با دایره‌های قرمز مشخص شده‌اند و 27 هدف باقیمانده که به‌عنوان CP استفاده می‌شوند، با AAT که قبلاً مورد بحث قرار گرفت، منطبق هستند. برای ژئو ارجاع هیبریدی، اختلاف ارتفاع – حداقل 1.5 سانتی متر، حداکثر 0.7 سانتی متر و میانگین 0.4- سانتی متر است. انحراف استاندارد مربوطه 0.6 سانتی متر به وضوح نشان می دهد که دقت زیر سانتی متر اکنون امکان پذیر است.
ابرهای نقطه ای ترکیبی از Lidar و استریو چند نمای
نقاط اتصال فتوگرامتری همانطور که در شکل 4 نشان داده شده است فقط یک محصول جانبی از تنظیم بلوک بسته نرم افزاری هستند، زیرا ابرهای نقطه سه بعدی متراکم توسط MVS در مرحله بعدی ارائه می شوند. در اصل، دقت هندسی ابرهای نقطه MVS به طور مستقیم با GSD و در نتیجه مقیاس تصاویر مربوطه مطابقت دارد. این اجازه می دهد تا داده های سه بعدی را حتی در محدوده زیر سانتی متری برای وضوح تصویر مناسب ضبط کنید. با این حال، تطبیق تصویر استریو، دید نقاط شی را در حداقل دو تصویر فرض میکند.
این می تواند یک مشکل برای ساختارهای سه بعدی بسیار پیچیده باشد. در مقابل، اصل اندازه‌گیری قطبی حسگرهای لیدار زمانی سودمند است که ظاهر جسم با مشاهده از موقعیت‌های مختلف به سرعت تغییر کند. این امر برای اشیاء نیمه شفاف مانند پوشش گیاهی یا میله های جرثقیل (نگاه کنید به شکل 4)، برای اجسام در حال حرکت مانند وسایل نقلیه و عابران پیاده، یا در دره های بسیار باریک شهری و همچنین در محل های ساخت و ساز صادق است.
یکی دیگر از مزایای لیدار پتانسیل اندازه گیری پاسخ های متعدد سیگنال های منعکس شده است که نفوذ پوشش گیاهی را امکان پذیر می کند. از سوی دیگر، افزودن بافت تصویر به ابرهای نقطه لیدار هم برای تجسم و هم برای تفسیر سودمند است. در ترکیب با قابلیت رزولوشن بالا MVS، این از استدلال برای ادغام مناسب Lidar و MVS در طول تولید ابر نقطه سه بعدی پشتیبانی می کند.
شکل 5: اختلاف ارتفاع ابر نقطه لیدار تا اهداف علامت دار. GCP ها به صورت دایره های قرمز علامت گذاری می شوند.
شکل 6 یک مش بافت سه بعدی را نشان می دهد که از تصاویر سونی آلفا توسط خط لوله MVS در نرم افزار SURE از nFrames ایجاد شده است. همانطور که در شکل 7 مشاهده می شود، جزئیات هندسی بسیار بیشتری در دسترس است، به عنوان مثال. در بالای کلیسا و در پوشش گیاهی پس از داده های Lidar یکپارچه شده است. شمارش چهره معمولاً با پیچیدگی هندسی سازگار است، که برای بخش کوچک برج کلیسا نیز قابل مشاهده است. به عنوان مثال، شکل 6 شامل تقریباً 325000 چهره است، در حالی که شکل 7 دارای 372000 مثلث است.
شکل 6: مش 3 بعدی بافت از MVS.
شکل 7: مش سه بعدی بافت از Lidar و MVS.
شکل 8 و 9 ویژگی های مکمل Lidar و MVS را برای نقاط سه بعدی در قسمت دیگری از محل آزمایش نشان می دهد. شکل 8 نقاط RGB رنگ تولید شده توسط MVS را نشان می دهد. داده های Lidar روی هم پوشانده شده با توجه به ارتفاع مربوطه کد رنگی می شوند. در نهایت، خط زرد نمایانگر نمایه ای است که برای استخراج نقاط نشان داده شده در شکل 9 استفاده می شود. اختلاف بین ابرهای نقطه از MVS (قرمز) و لیدار (آبی) به ویژه در درختان مشهود است، جایی که Lidar امکان تشخیص بازگشت های متعدد را در امتداد یک مسیر تک پرتو لیزری نشان می دهد.
در حالی که ابرهای نقطه ای همانطور که در شکل های 8 و 9 نشان داده شده است مجموعه ای نامرتب از نقاط هستند، مش ها همانطور که در شکل های 6 و 7 نشان داده شده اند نمودارهایی هستند که از رئوس، لبه ها و وجوه تشکیل شده اند که اطلاعات مجاورت صریح را ارائه می دهند. تفاوت اصلی بین مش ها و ابرهای نقطه ای در دسترس بودن بافت با وضوح بالا و تعداد کمتر موجودیت ها است.
این به ویژه برای تفسیر خودکار بعدی مفید است. به طور کلی، بسیاری از نقاط (Lidar) را می توان با یک چهره مرتبط کرد. نویسندگان از این رابطه چند به یک برای تقویت چهره‌ها با ویژگی‌های متوسط Lidar که از نقاط مرتبط مربوطه مشتق شده‌اند، استفاده کردند.
این آنها را قادر می سازد تا اطلاعات ذاتی هر دو حسگر را در نمایش مش به منظور دستیابی به بهترین تقسیم بندی معنایی ممکن یکپارچه کنند. شکل 10 مش برچسب‌گذاری‌شده را که توسط طبقه‌بندی‌کننده PointNet++ پیش‌بینی شده بود (سمت چپ) و برچسب‌های منتقل شده به ابر نقطه متراکم Lidar (راست)، نشان میدهد که توسط فاکتور 20 برای تجسم نمونه‌برداری شده است.
کد رنگ کلاس زیر استفاده می شود: نما (زرد)، سقف (قرمز)، سطح غیر قابل نفوذ (سرخابی)، فضای سبز (سبز روشن)، پوشش گیاهی متوسط و بالا (سبز تیره)، وسیله نقلیه (فیروزه ای)، دودکش/آنتن (نارنجی) ) و بهم ریختگی (خاکستری).
شکل 8: مقایسه نقاط سه بعدی از اندازه گیری MVS (RGB) و Lidar (ارتفاع کد شده). خط زرد نمایه نشان داده شده در شکل 9 را مشخص می کند.
ارسال به راحتی با استفاده مجدد از رابطه چند به یک بین نقاط لیدار و چهره ها انجام شد. بنابراین، تقسیم‌بندی معنایی ابر نقطه لیدار از ویژگی‌هایی استفاده میکند که در ابتدا فقط برای مش در دسترس بوده‌اند، به عنوان مثال. بافت از این رو، تقسیم بندی مش معنایی از ویژگی های ذاتی هر دو نمایش استفاده می کند، که یکی دیگر از مزایای تصویر مشترک و پردازش Lidar است.
شکل 9. نمایه استخراج شده با نقاط سه بعدی از Lidar (آبی) و MVS (قرمز).
شکل 10: مش برچسب گذاری شده (سمت چپ) و برچسب ها به ابر نقطه متراکم Lidar (راست) منتقل شده اند.
نتیجه
این مقاله یک گردش کار برای ارجاع جغرافیایی هیبریدی، بهبود و طبقه بندی پهپاد با وضوح فوق العاده بالا Lidar و ابرهای نقطه تصویر ارائه می دهد. در مقایسه با یک ارزیابی جداگانه، جهت گیری ترکیبی دقت را از 5 سانتی متر به کمتر از 1 سانتی متر بهبود می بخشد.
علاوه بر این، هواپیماهای کنترلی لیدار منسوخ می شوند، بنابراین تلاش برای ارائه اطلاعات کنترلی در زمین به طور قابل توجهی کاهش می یابد. نویسندگان انتظار دارند با جایگزین کردن دوربین‌های فعلی نصب شده بر روی RIEGL RiCopter با یک سیستم فاز یک iXM با کیفیت بالا، بهبود بیشتری حاصل شود تا تصاویر رادیومتری بهتر با وضوح بالاتر به دست آید. این امر بیشتر از تولید و تجزیه و تحلیل ابرهای نقطه‌ای با کیفیت بالا پشتیبانی میکند و بنابراین امکان ضبط داده‌های مبتنی بر پهپاد را برای برنامه‌های بسیار چالش برانگیز فراهم میکند.
سپاسگزاریها
بخش هایی از تحقیقات ارائه شده در قالب پروژه ای که توسط موسسه فدرال هیدرولوژی آلمان (BfG) در کوبلنتس اعطا شده بود، تامین شد. از Gottfried Mandlburger، Wilfried Karel (TU Wien) و Philipp Glira (AIT) برای پشتیبانی و انطباق آنها با نرم افزار OPALS در طول ارجاع جغرافیایی ترکیبی تشکر می کنیم. پشتیبانی Tobias Hauck از nFrames در طول کار مشترک با SURE نیز تایید شده است.
در Intergeo، Emesent سه محصول جدید را راه‌اندازی کرد که به متخصصان زمین‌فضایی در صرفه‌جویی در زمان کمک میکند و در عین حال داده‌های دقیق را برای دوقلوهای دیجیتال و برنامه‌های BIM ضبط میکند. Emesent یک شرکت پیشگام در زمینه استقلال هواپیماهای بدون سرنشین، نقشه برداری Lidar و تجزیه و تحلیل داده ها است.
این محصولات عبارتند از Hovermap ST-X، نوع جدید Hovermap با دقت بهبود یافته و برد حسگر 300 متر، یک افزودنی رادیویی دوربرد که دامنه ارتباط با Hovermap را تا 20 برابر افزایش می دهد، و پلت فرم Aura Emesent که ارائه می دهد. پردازش یکپارچه SLAM و محیط تجسم ابر نقطه ای برای کاربران Hovermap. دکتر استفان هرابار، مدیر عامل شرکت، گفت: «ما از راه‌اندازی این محصولات هیجان‌زده هستیم که در کنار هم به مشتریانمان اجازه می‌دهند تا داده‌های سه بعدی متراکم و دقیق را در مناطق بزرگ و پیچیده در زمان کمتری ثبت کنند و نتایج را با جزئیات عالی ببینند تا بینش‌های جدیدی به دست آورند.» و یکی از بنیانگذاران Emesent.
گسترش دامنه اسکن خودکار لیدار
Hovermap ST-X جدیدترین نسخه برنده جایزه Hovermap خودمختاری و دستگاه نقشه برداری Emesent است. جدیدترین فناوری سنجش لیدار را برای ارائه ابرهای نقطه ای با چگالی بالا با افزایش پوشش و دقت بهبود یافته ترکیب می کند. این دستگاه دارای برد سنجش 300 متر، بازگشت های سه گانه و بیش از یک میلیون نقطه در ثانیه است، داده های دقیق و دقیق را در یک منطقه بزرگتر در زمان کمتری ثبت می کند. مشتریانی که مناطق وسیعی را برای استخراج معدن، ساخت و ساز و جنگلداری اسکن می‌کنند، از این ویژگی‌ها بهره خواهند برد و زمان سریع‌تری برای بینش فراهم می‌کنند.
دقت حسگر لیدار بهبود یافته، الگوریتم Wildcat SLAM برنده جایزه و نقاط کنترل زمینی خودکار اختیاری نتایجی را با دقت زیر سانتی متر ارائه می دهند. دقت و تراکم افزایش یافته همچنین به اسکن های داخلی ساختمان ها، کارخانه های صنعتی و سایر دارایی ها برای پلان های طبقه و برنامه های اسکن به BIM کمک می کند.
همانند نسخه‌های قبلی، Hovermap ST-X استقلال پیشرفته پهپاد نقشه برداری را برای اسکن مناطق غیرقابل دسترس از GPS فراهم میکند یا می‌تواند برای اسکن‌های دستی، کوله‌پشتی یا روی وسیله نقلیه استفاده شود. طراحی دارای استاندارد IP65 که در شرایط آب و هوایی مهر و موم شده است، امکان استفاده در شرایط مرطوب یا گرد و غبار را نیز فراهم می کند. آندره برودریک، معاون محصول در Emesent گفت: «Hovermap ST-X مطمئناً یک ابزار ارزشمند برای متخصصان بازرسی زمین و دارایی و نقشه برداری خواهد بود. این یک راه حل اسکن همه کاره برای عکسبرداری از مناطق بزرگ در فضای باز یا فضاهای پیچیده داخلی در اختیار آنها قرار می دهد.
بازرسی و نقشه برداری سریع
لوازم جانبی رادیویی دوربرد Emesent به Hovermap متصل می‌شود تا دامنه اتصال را تا 20 برابر افزایش دهد (تا یک کیلومتر برای برنامه‌های پروازی از سطح زمین). Broodryk اضافه کرد: «رادیو برد بلند ما به اپراتورها اجازه میدهد تا از مزایای کامل قابلیت‌های خودکار و نقشه برداری Hovermap ST-X بهره ببرند و دامنه کاربردهای آن را گسترش دهند.
“همچنین با Hovermap ST سازگار است، بنابراین مشتریان فعلی نیز از آن سود خواهند برد.” رادیو برد بلند با قابلیت اسکن محیط های بزرگ و پیچیده در یک پرواز و در عین حال حفظ پیوند ارتباطی برای به روز رسانی نقاط بین راه و پیش نمایش پوشش ابر نقطه در طول پرواز، در زمان اپراتورها در میدان صرفه جویی می کند. این نیاز به اسکن از چندین مکان یا ادغام مجموعه داده ها در پس پردازش را از بین می برد.
ساده کردن گردش کار اسکن لیزری سه بعدی
Aura، پلتفرم پردازش، تجسم و تجزیه و تحلیل یکپارچه Emesent، یک گردش کار ساده را برای کاربران Hovermap فراهم میکند تا داده‌های خود را پردازش کنند، نتایج را مشاهده کنند، مجموعه داده‌ها را تمیز کنند و اندازه‌گیری‌هایی را برای استخراج بینش و تصمیم‌گیری انجام دهند. موتور تجسم آئورا برای ابرهای نقطه ای متراکم و دقیق تولید شده توسط Hovermap ST و ST-X بهینه شده است.
کاربران می‌توانند ابرهای نقطه‌ای با بیش از یک میلیارد نقطه را با وضوح کامل مشاهده کنند تا اطمینان حاصل کنند که جزئیات و بینش‌های مهم از دست نمی‌روند. Broodryk اظهار داشت: “Aura راه حلی ارائه می دهد که گردش کار کاربر را بدون درز و بدون دردسر، مهم نیست که مجموعه داده ها چقدر بزرگ یا متعدد، ابرهای نقطه ای متراکم یا ساختارهای سه بعدی پیچیده هستند.” “Aura همچنین پایه و اساس ماژول های تحلیل ابری نقطه ای آینده را که در حال توسعه آن هستیم، ایجاد می کند.”
Hovermap ST-X استقلال پیشرفته پهپاد را برای اسکن مناطق غیرقابل دسترس از GPS فراهم می کند یا می تواند برای اسکن های دستی، کوله پشتی یا روی وسیله نقلیه استفاده شود. (با احترام: Emesent)
در فصل تابستان ١٤٠١ تغییرات شاخص قیمت تولیدکننده بخش مرغداریهای صنعتی کشور نسبت به فصل قبل (تورم فصلی) به ٤٩,٤ درصد رسید که در مقایسه با همین اطلاع در فصل قبل (١٩.٥ درصد)، ٢٩.٩ واحد درصد افزایش یافته‌است. در میان قلمهای مرغداریهای صنعتی، بیشترین افزایش مربوط به قلم” جوجه‌ی یکروزه” (٧٢.١ درصد)، کمترین افزایش مربوط به قلم ” کود” (٩.٣ درصد) می‌باشد.
چکیده
در فصل تابستان سال ١٤٠١ شاخص قیمت تولید کننده بخش مرغداریهای صنعتی کشور (بر مبنای ١٠٠=١٣٩٥) برابر با ٩١١,١ بوده است که نسبت به فصل قبل (تورم فصلی) ٤٩.٤ درصد و نسبت به فصل مشابه سال قبل (تورم نقطه به نقطه) ٨٩.٦ درصد افزایش یافته‌است. در فصل مورد بررسی میانگین شاخص قیمت چهار فصل منتهی به فصل جاری نیز نسبت به دوره مشابه سال قبل (نرخ تورم سالانه) ٥٢.٤ درصد افزایش یافته‌است.
افزایش تورم فصلی
در فصل تابستان ١٤٠١ تغییرات شاخص قیمت تولیدکننده بخش مرغداریهای صنعتی کشور نسبت به فصل قبل (تورم فصلی) به ٤٩,٤ درصد رسید که در مقایسه با همین اطلاع در فصل قبل (١٩.٥ درصد)، ٢٩.٩ واحد درصد افزایش یافته‌است. در میان قلمهای مرغداریهای صنعتی، بیشترین افزایش مربوط به قلم” جوجه‌ی یکروزه” (٧٢,١ درصد)، کمترین افزایش مربوط به قلم ” کود” (٩,٣ درصد) می‌باشد.
افزایش تورم نقطه به نقطه
در فصل تابستان ١٤٠١ تغییرات شاخص قیمت تولیدکننده بخش مرغداریهای صنعتی کشورنسبت به فصل مشابه سال قبل (تورم نقطه به نقطه) ٨٩,٦ درصد بوده‌است که در مقایسه با همین اطلاع در فصل قبل (٤٦.١ درصد) ٤٣.٥ واحد درصد افزایش داشته‌است.
به عبارتی، میانگین قیمت دریافتی توسط تولیدکنندگان محصولات مرغداریهای صنعتی به ازای تولید قلمهای خود در داخل کشور، در فصل تابستان ١٤٠١ نسبت به فصل تابستان ١٤٠٠، ٨٩.٦ درصد افزایش دارد. در بین قلمهای مرغداریهای صنعتی، کمترین تورم نقطه به نقطه مربوط به قلم ” کود” (٣٣,١ درصد) و بیشترین آن مربوط به قلم “مرغ گوشتی” (١١١,٣ درصد) می‌باشد.
افزایش تورم سالانه
در تابستان ١٤٠١ تغییرات میانگین شاخص قیمت تولیدکننده محصولات مرغداریهای صنعتی در داخل کشور در چهار فصل منتهی به این فصل نسبت به مدت مشابه در سال قبل به ٥٢,٤ درصد رسید که نسبت به همین اطلاع در فصل قبل (٤٣.٤ درصد)، ٩.٠ واحد درصد افزایش نشان میدهد. در فصل مورد بررسی، در میان قلمهای مرغداریهای صنعتی کشور، کمترین تورم سالانه مربوط به قلم ” کود ” (٢٨,٥ درصد) و بیشترین آن مربوط به قلم “پولت” (٥٧,٠ درصد) می‌باشد.
شاخص استاني
بررسي شاخص قيمت توليدكننده محصولات مرغداریهاي صنعتي كشور در تابستان ١٤٠١ نشان ميدهد که بیشترین میزان افزایش شاخص کل نسبت به فصل قبل مربوط به استان اردبیل با ٧٦,٣ درصد و کمترین میزان افزایش مربوط به استان سیستان و بلوچستان با ٦.٣ درصد بوده است.
بررسیها نشان میدهد که شاخص کل در فصل جاری نسبت به فصل مشابه سال قبل، در همه استانها با افزایش روبه رو بوده است. بیشترین میزان افزایش مربوط به استان ایلام با ١١٨,٥درصد و کمترین میزان افزایش آن مربوط به استان سیستان و بلوچستان با ٥١.٠ درصد می‌باشد.
سیارکی به وسعت مایل ها که 66 میلیون سال پیش به زمین برخورد کرد تقریباً تمام دایناسورها و سه چهارم گونه های گیاهی و جانوری این سیاره را از بین برد.بر اساس مطالعه جدیدی که توسط دانشگاه میشیگان انجام شده است، این امر باعث ایجاد یک سونامی هیولایی با امواجی به ارتفاع مایل شد که هزاران مایل از محل برخورد در شبه جزیره یوکاتان مکزیک، کف اقیانوس را در نوردید.
این مطالعه که برای انتشار آنلاین در 4 اکتبر در ژورنال AGU Advances برنامه ریزی شده است، اولین شبیه سازی جهانی سونامی برخورد Chicxulub را ارائه می کند که در یک مجله علمی معتبر منتشر می شود. علاوه بر این، محققان U-M رکوردهای زمین شناسی را در بیش از 100 مکان در سراسر جهان بررسی کردند و شواهدی پیدا کردند که پیش بینی مدل های آنها را در مورد مسیر و قدرت سونامی تایید می کند.
مولی رنج، نویسنده اصلی این مقاله، که این مطالعه مدل‌سازی را برای پایان‌نامه کارشناسی ارشد انجام داده است، می‌گوید: «این سونامی به اندازه‌ای قوی بود که رسوبات حوضه‌های اقیانوسی را در نیمه‌ی زمین در سراسر جهان برهم زد و فرسایش داد، و یا شکافی در سوابق رسوبی یا مجموعه‌ای از رسوبات قدیمی‌تر باقی گذاشت. تحت نظر اقیانوس‌شناس فیزیکی U-M و نویسنده همکار مطالعه، برایان آربیک و دیرینه‌شناس U-M و تد مور، نویسنده مشترک مطالعه.
بررسی سوابق زمین‌شناسی بر «بخشهای مرزی»، رسوبات دریایی که درست قبل یا درست پس از برخورد سیارک و انقراض دسته جمعی K-Pg متعاقب آن، که دوره کرتاسه را بسته است، نهشته شده است.
Range که این پروژه را به عنوان یک دانشجوی کارشناسی در آزمایشگاه Arbic در سال 1397 آغاز کرد، گفت: “توزیع فرسایش و وقفه هایی که ما در بالاترین رسوبات دریایی کرتاسه مشاهده کردیم با نتایج مدل ما مطابقت دارد، که به ما اطمینان بیشتری در پیش بینی های مدل می دهد.” گروه علوم زمین و محیط زیست.
نویسندگان مطالعه محاسبه کردند که انرژی اولیه در سونامی ضربه ای تا 30000 برابر بیشتر از انرژی سونامی زمین لرزه اقیانوس هند در دسامبر 2004 بود که بیش از 230000 نفر را کشت و یکی از بزرگترین سونامی ها در تاریخ مدرن است.
شبیه‌سازی‌های این تیم نشان میدهد که سونامی برخورد عمدتاً به سمت شرق و شمال شرق به اقیانوس اطلس شمالی و از جنوب غربی از طریق دریای آمریکای مرکزی (که قبلاً آمریکای شمالی و آمریکای جنوبی را جدا می‌کرد) به اقیانوس آرام جنوبی تابش می‌کرد.
در آن حوضه‌ها و در برخی مناطق مجاور، سرعت جریان زیر آب احتمالاً از 20 سانتی‌متر در ثانیه (0.4 مایل در ساعت) فراتر رفته است، سرعتی که به اندازه‌ای قوی است که رسوبات ریزدانه در کف دریا را فرسایش دهد.
بر اساس شبیه سازی این تیم، در مقابل، اقیانوس اطلس جنوبی، اقیانوس آرام شمالی، اقیانوس هند و منطقه ای که امروز مدیترانه است تا حد زیادی در برابر قوی ترین اثرات سونامی محافظت شدند. در آن مکان‌ها، سرعت جریان مدل‌سازی‌شده احتمالاً کمتر از آستانه ۲۰ سانتی‌متر بر ثانیه بود.
برای بررسی رکورد زمین شناسی، U-M’s Moore رکوردهای منتشر شده از 165 بخش مرزی دریایی را تجزیه و تحلیل کرد و توانست اطلاعات قابل استفاده از 120 مورد از آنها را به دست آورد. بیشتر رسوبات از هسته های جمع آوری شده در طول پروژه های علمی حفاری اقیانوس به دست آمد.
اقیانوس اطلس شمالی و اقیانوس آرام جنوبی کمترین مکان ها را با رسوبات مرزی کامل و بدون وقفه در مرز K-Pg داشتند. در مقابل، بیشترین تعداد کامل بخش های مرزی K-Pg در اقیانوس اطلس جنوبی، اقیانوس آرام شمالی، اقیانوس هند و مدیترانه یافت شد.
آربیک، استاد علوم زمین و محیط زیست که ناظر این پروژه بود، گفت: «ما تأییدی را در رکوردهای زمین‌شناسی برای مناطق پیش‌بینی‌شده بیشترین تأثیر در اقیانوس باز یافتیم». شواهد زمین شناسی قطعا مقاله را تقویت می کند.
به گفته نویسندگان، رخنمون های مرز K-Pg در سواحل شرقی جزایر شمالی و جنوبی نیوزلند که بیش از 12000 کیلومتر (7500 مایل) از سایت برخورد یوکاتان فاصله دارند، از اهمیت ویژه ای برخوردار است.
رسوبات به شدت آشفته و ناقص نیوزیلند، که نهشته های اولیستوسرومال نامیده می شوند، در اصل نتیجه فعالیت های زمین ساختی محلی هستند. اما با توجه به قدمت ذخایر و موقعیت آنها به طور مستقیم در مسیر مدل‌سازی شده سونامی برخورد Chicxulub، تیم تحقیقاتی U-M به منشأ متفاوتی مشکوک است.
Range گفت: “ما احساس می کنیم که این ذخایر در حال ثبت اثرات سونامی ضربه ای هستند و این شاید گویاترین تایید اهمیت جهانی این رویداد باشد.”
بخش مدل‌سازی مطالعه از استراتژی دو مرحله‌ای استفاده کرد. ابتدا، یک برنامه کامپیوتری بزرگ به نام هیدروکد، 10 دقیقه اول هرج و مرج این رویداد را شبیه سازی کرد که شامل برخورد، تشکیل دهانه و شروع سونامی بود. این کار توسط یکی از نویسندگان براندون جانسون از دانشگاه پردو انجام شد.
بر اساس یافته‌های مطالعات قبلی، محققان یک سیارک با قطر 14 کیلومتر (8.7 مایل) را مدل‌سازی کردند که با سرعت 12 کیلومتر در ثانیه (27000 مایل در ساعت) حرکت می‌کرد. به پوسته گرانیتی پوشانده شده توسط رسوبات غلیظ و آب های کم عمق اقیانوس برخورد کرد و دهانه ای به وسعت 100 کیلومتر (62 مایل) را منفجر کرد و ابرهای متراکمی از دوده و غبار را به جو پرتاب کرد.
دو دقیقه و نیم پس از برخورد سیارک، پرده ای از مواد پرتاب شده دیواره ای از آب را از محل برخورد به بیرون رانده کرد و برای مدت کوتاهی موجی به ارتفاع 4.5 کیلومتر (ارتفاع 2.8 مایل) را تشکیل داد که با سقوط پرتاب به عقب فرو نشست. زمین.
ده دقیقه پس از برخورد پرتابه به یوکاتان و در فاصله 220 کیلومتری (137 مایلی) از محل برخورد، موج سونامی به ارتفاع 1.5 کیلومتر (به ارتفاع 0.93 مایل) – حلقه ای شکل و در حال انتشار به بیرون – شروع به فراگیر کرد. در سراسر اقیانوس در همه جهات، طبق شبیه سازی U-M.
در 10 دقیقه، نتایج شبیه‌سازی هیدروکد iSALE جانسون در دو مدل انتشار سونامی MOM6 و MOST برای ردیابی امواج غول‌پیکر در سراسر اقیانوس وارد شد. MOM6 برای مدل‌سازی سونامی در اعماق اقیانوس استفاده شده است و NOAA از مدل MOST به صورت عملیاتی برای پیش‌بینی سونامی در مراکز هشدار سونامی خود استفاده میکند.
مور، استاد بازنشسته علوم زمین و محیط زیست گفت: «نتیجه بزرگ در اینجا این است که دو مدل جهانی با فرمول‌بندی‌های متفاوت نتایج تقریباً یکسانی به دست آوردند و داده‌های زمین‌شناسی در بخشهای کامل و ناقص با این نتایج مطابقت دارد.» “مدل ها و داده های راستی آزمایی به خوبی مطابقت دارند.”
طبق شبیه سازی تیم:
یک ساعت پس از برخورد، سونامی به خارج از خلیج مکزیک و به اقیانوس اطلس شمالی گسترش یافته بود.
چهار ساعت پس از برخورد، امواج از مسیر دریای آمریکای مرکزی و به اقیانوس آرام عبور کرده بودند.
24 ساعت پس از برخورد، امواج از شرق بیشتر اقیانوس آرام و از غرب بیشتر اقیانوس اطلس را عبور داده و از دو طرف وارد اقیانوس هند شده بودند.
48 ساعت پس از برخورد، امواج سونامی قابل توجهی به اکثر خطوط ساحلی جهان رسیده بود.
برای مطالعه فعلی، محققان تلاشی برای تخمین میزان سیل ساحلی ناشی از سونامی انجام ندادند.
با این حال، مدل‌های آنها نشان میدهد که ارتفاع امواج اقیانوس باز در خلیج مکزیک از 100 متر (328 فوت) فراتر می‌رفت، با ارتفاع موج بیش از 10 متر (32.8 فوت) با نزدیک شدن سونامی به مناطق ساحلی اقیانوس اطلس شمالی و بخش‌هایی از جنوب. سواحل اقیانوس آرام آمریکا
با نزدیک شدن سونامی به آن خطوط ساحلی و برخورد با آب های کم عمق، ارتفاع موج از طریق فرآیندی به نام shoaling به طور چشمگیری افزایش می یافت. سرعت فعلی برای اکثر مناطق ساحلی در سراسر جهان از آستانه 20 سانتی متر در ثانیه فراتر می رفت.
به گفته نویسندگان این مطالعه، “بسته به هندسه ساحل و امواج در حال پیشروی، بیشتر مناطق ساحلی تا حدی زیر آب می روند و فرسایش می یابند.” “هر سونامی مستند تاریخی در مقایسه با چنین تاثیر جهانی کمرنگ است.”
ویدیو: https://youtu.be/hy6wfjqFBE0
آربیک گفت که یک مطالعه بعدی برای مدل سازی میزان طغیان ساحلی در سراسر جهان برنامه ریزی شده است. این مطالعه توسط واسیلی تیتوف از آزمایشگاه محیط زیست دریایی اقیانوس آرام اداره ملی اقیانوسی و جوی، که یکی از نویسندگان مقاله AGU Advances است، رهبری خواهد شد.
علاوه بر Range، Arbic، Moore، Johnson و Titov، نویسندگان این مطالعه آلیستر آدکرافت از دانشگاه پرینستون، جوزف آنسونگ از دانشگاه غنا، کریستوفر هالیس از دانشگاه ویکتوریا از ولینگتون، کریستوفر اسکاتز از پروژه PALEOMAP و او وانگ از آزمایشگاه دینامیک سیالات ژئوفیزیک NOAA و شرکت دانشگاه برای تحقیقات جوی.
بودجه توسط بنیاد ملی علوم و صندوق حمایت از دانشیاران دانشگاه میشیگان، که توسط جوایز دانشکده مارگارت و هرمان سوکول حمایت می شود، ارائه شده است. شبیه سازی های MOM6 بر روی ابررایانه Flux ارائه شده توسط خدمات فنی محاسباتی تحقیقاتی پیشرفته دانشگاه میشیگان انجام شد.
سایت Geonline، در نظر دارد تا با ارائه مطالب، مقالات، اخبار، کتاب، فیلم، پادکست و آموزش های جامع در حوزه علوم جغرافیایی و سنجش از دور ؛ سایتی مرجع برای مرتفع نمودن نیاز علاقمندان، پژوهشگران، دانشجویان و دانش آموزان در حوزه جغرافیا باشد.
