چالش های کلیدی در ایجاد شبکه های کنترل دقیق ژئودتیک چیست؟ این یکی از مهمترین وظایف زمین شناسان و نقشه برداران زمین است، زیرا شبکه های کنترل ژئودزی برای تغییر شکل و پایش محیطی سدها، تونل ها، برج های بلند، زمین لغزش ها و پل ها و غیره ضروری هستند. این مقاله چالش های اصلی مربوط به زوایای عمودی را مورد بحث قرار می دهد و توصیه هایی برای چگونگی غلبه بر آنها ارائه می دهد.
چالش‌های کلیدی هنگام ایجاد شبکه‌های کنترل دقیق ژئودزی مربوط به زوایای عمودی است که برای کاهش فواصل شیب جمع‌آوری‌شده به فواصل افقی استفاده می‌شوند. این رویکرد که “کاهش فاصله شیب مثلثاتی” نامیده می شود، به خوبی شناخته شده است و معمولاً در ژئودزی انجام می شود. با این حال، کاهش فواصل شیب به فواصل افقی باید بدون خطاهای سیستماتیک موجود انجام شود.
جمع آوری زوایای عمودی (یا زوایای اوج) با استفاده از ایستگاه توتال مسائل مختلفی را ایجاد می کند. خطای انکسار، اثر هندسی (به دلیل انحنا- چولگی مدل مرجع زمین) و اثرات فیزیکی (به دلیل انحراف قائم ها) چالش های اصلی هستند که زوایای عمودی جمع آوری شده را تحت تأثیر قرار می دهند (شکل 1). این اثرات نشان می دهد که زاویه عمودی یک مشاهده حساس است.
شکل 1: الف) انکسار و اثرات فیزیکی و ب) اثر هندسی بر زاویه عمودی و کاهش فاصله شیب.
اثرات روی زاویه عمودی
خطای انکسار به دلیل تغییر چگالی اتمسفر در امتداد خط مبنا رخ می دهد. گرادیان دمای هوا در جهت عمود بر خط دید عامل اصلی در مدل سازی اثر شکست است. همانطور که در شکل 1 نشان داده شده است، مشکلات هندسی و فیزیکی به دلیل عدم موازی بودن محورهای بالا در نقطه شروع و پایان خطوط مبنا در شبکه های کنترل ژئودزی رخ می دهد. مسئله هندسی مربوط به شکل مرجع زمین (مدل کروی یا بیضی) است. به دلیل مشکل انحنا، محورهای بالا موازی نخواهند بود.
با این حال، با انتخاب یک مدل بیضی شکل برای زمین، یک مشکل اضافی ظاهر می شود که به آن مشکل چولگی می گویند (یعنی محورهای بالا در نقاط A و B در بخش های معمولی / دید ریاضی یکسان نیستند). نتایج نشان می‌دهد که خطای هندسی (عدم موازی بودن محورهای بالا) می‌تواند به 32 ثانیه قوس برای طول خط پایه 1 کیلومتر با اختلاف ارتفاع 100 متر برسد، که در آن کاهش فاصله شیب مربوطه 8 میلی‌متر است.
مشکل فیزیکی (یا مشکل انحراف عمودی ها) به دلیل جدا شدن خط عادی از بیضی و شاقول مرجع زمین است. مشکل این است که مشاهدات روی سطح زمین جمع آوری می شوند (شکل فیزیکی زمین)، اما شکل ریاضی زمین (به عنوان مثال بیضی مرجع) برای محاسبات استفاده می شود. بنابراین، مشاهدات باید در حالت عادی به بیضی به عنوان مرجع اصلاح شوند.
ذکر این نکته ضروری است که در استقرار یک شبکه ژئودزی کلاسیک (سیستم مختصات نجومی محلی یا نجومی محلی) چه نوع سیستم مختصاتی تعریف شده است. انحراف مشکل عمودی می تواند به 16.5 میلی متر (برای زاویه اوج 70 درجه) و 4.2 میلی متر (برای زاویه اوج 85 درجه) برسد، با فرض طول خط پایه 1 کیلومتر.
اثرات هندسی و فیزیکی مستقیماً بر زوایای اوج تأثیر می گذارد و در نتیجه کاهش فواصل شیب را تحت تأثیر قرار می دهد. از آنجایی که این مشکلات به وضوح در دستورالعمل ها ذکر نشده است، کمی سازی این مشکلات در باقربندی و همکاران. (2022) می تواند برای تدوین دستورالعمل آینده مفید باشد.
راه حل هایی برای چالش ها
در دستورالعمل های موجود، راه حل پیشنهادی برای مشکلات فوق، قرائت متقابل زوایای عمودی است. با این حال، برای حذف خطای شکست، زاویه عمودی باید به طور همزمان از هر دو انتهای یک فاصله جمع آوری شود (به عنوان مثال، کتابچه راهنمای مهندس 2018، بخش 3-4 را ببینید). قرائت متقابل می تواند راه حلی برای اثرات هندسی و فیزیکی باشد اگر نقاط در یک ارتفاع باشند. در غیر این صورت برای تصحیح زوایای عمودی باید خطاهای هندسی و فیزیکی را در نظر گرفت.
هزینه و زمان هر دو از عوامل مهم در ایجاد شبکه های ژئودتیکی بهینه و دقیق هستند و باید همیشه مورد توجه قرار گیرند. جمع آوری مشاهدات متقابل زمان بر است، به ویژه در مناطق دارای توپوگرافی ناهموار (مانند سایت های سد)، و کار میدانی و هزینه های پروژه را افزایش می دهد.
علاوه بر این، به دلیل شرایط پروژه (به عنوان مثال توپوگرافی ناهموار موجود و نظارت بر برج های مرتفع) همیشه نمی توان از دستورالعمل ها پیروی کرد و شبکه کنترل ژئودزی را با نقاطی در همان ارتفاع طراحی کرد. نتایج نویسندگان نشان می دهد که بی توجهی به اثرات هندسی و فیزیکی می تواند منجر به خطاهای قابل توجهی شود، به خصوص اگر اختلاف ارتفاع زیادی بین نقاط وجود داشته باشد (حتی اگر زوایای عمودی به صورت متقابل جمع آوری شوند).
تاکنون، کتاب‌های درسی و یادداشت‌های سخنرانی ژئودتیک تنها تأثیر هندسی را بر زوایای افقی ارائه می‌کردند. اما چگونه می توان این خطا را برای زاویه عمودی فرموله و کمی سازی کرد؟ مشکل فیزیکی را می توان با استفاده از پایگاه داده گرانش منطقه ای و محاسبه انحراف دقیق اجزای عمودی اصلاح کرد. اطلاعات دقیق در مورد این مشکل و راه حل آن را می توان در باقربندی و همکاران یافت. (2022) و هایسکانن و موریتز (1967، ص 312).
چگونه از خواندن زوایای عمودی خودداری کنیم؟
دو روش می تواند به نقشه برداران زمین کمک کند تا جمع آوری زاویه عمودی را تنها با استفاده از فواصل شیب یک طرفه و زوایای افقی حذف کنند: تنظیم شبکه سه بعدی (ر.ک. گیلانی 2017، فصل 23)، و روشی که اخیراً توسط شیرازیان و همکاران پیشنهاد شده است. (2021) روش به کمک شبکه نامیده می شود.
در روش به کمک شبکه، در مرحله اول فقط می توان از فواصل شیب یک طرفه به صورت تنظیم شبکه آزاد سه بعدی استفاده کرد. فواصل افقی در مرحله بعد با استفاده از مختصات تنظیم شده (مولفه های شرق و شمال) محاسبه می شود. در نهایت، فواصل افقی محاسبه شده، همراه با زوایای افقی یا مشاهدات جهت، در تنظیم نهایی شبکه برای محاسبه شبکه ژئودتیک دو بعدی استفاده می شود.
شکل 2: تفاوت مختصات با استفاده از فواصل شیب متقابل و فواصل شیب یک طرفه (روش به کمک شبکه) در الف) سد مجن و ب) شبکه های ژئودزی 2 بعدی سد دامغان.
نویسندگان روش به کمک شبکه را با استفاده از دو شبکه ژئودزی در ایران (سد مژن و سد دامغان) ارزیابی کردند. شکل 2 تفاوت مختصاتی را نشان می دهد که با استفاده از مشاهدات متقابل و یک جهته (یعنی روش به کمک شبکه و فقط با استفاده از فواصل شیب و زوایای افقی) به دست آمده است. نتایج نشان می دهد که اختلاف بین نتایج دو روش کمتر از 1 میلی متر است و بنابراین ناچیز است. علاوه بر این، روش به کمک شبکه منجر به بیضی های خطای مشابه (یا در برخی نقاط، محورهای نیمه اصلی و نیمه کوچکتر) و اعداد افزونگی بهتر می شود.
مزایای روش کمک به شبکه
روش به کمک شبکه در مقایسه با تنظیم شبکه سه بعدی مزایایی دارد. مقایسه این دو روش نشان می دهد که تعداد درجات آزادی در روش به کمک شبکه بیشتر از تنظیم شبکه سه بعدی خواهد بود. این به این معنی است که میانگین افزونگی (یا افزونگی نسبی)، که یک عامل مهم کیفیت شبکه است (به ویژه هنگام طراحی شبکه ها)، در روش پیشنهادی توسط نویسندگان بالاتر است، همانطور که با آزمایش در دو شبکه نظارت بر تغییر شکل سد تایید شده است.
سد مجن در شهرستان شاهرود، استان سمنان، ایران. (تقدیمی از شرکت بین المللی صابر)
همانطور که کشورها به تدریج محدودیت های سفر خود را کاهش می دهند و با آغوش باز از گردشگران بین المللی استقبال می کنند، در اینجا لیستی سریع از اطلاعات فرهنگی در مورد برخی از جزایر جذاب قاره پهناور آسیا برای سفر بعدی شما آورده شده است!
مالزی
اعتبار عکس: Bajau Laut – MABUL
ساکنان جزیره بوهی دولانگ – باجائو لاوت (کولی های دریایی) جمعیت: 3000 نفر تخمین زده می شود مذهب: اکثرا مسلمان زبان: ساما-باجائو، زیرگروهی از خانواده زبان‌های استرالیایی شناخته شده برای: غواصان آزاد استثنایی بودن، تسلط بر هنر غواصی آزاد تا اعماق بیش از 20 متر در حالی که نفس خود را برای چند دقیقه حبس می کنند. آنها همچنین در ماهیگیری و غواصی عالی هستند و اغلب در ساخت خانه های انبوه و قایق هایی به نام لپا مهارت دارند.
باجائو لاوت که به عنوان استادان واقعی دریا شناخته می شود، برای نسل های زیادی در آب های مثلث مرجانی بین مالزی، فیلیپین و اندونزی پرسه می زند. بسیاری از آنها در قایق های چوبی از کلبه های چوبی ساخته شده در بالای صخره های مرجانی زندگی می کنند. در مالزی، آنها را می توان عمدتا در Mabul، Bohey Dulang، Sibuan، Maiga، Mantabuan، Selakan و Omadal یافت. اعتقاد بر این است که بسیاری از آنها زمان زیادی را در بیرون از آب می گذرانند که اگر روزی پا به خشکی بگذارند، بسیاری از آنها احساس “بیماری زمین” می کنند.
اندونزی
اعتبار عکس: ویکی پدیا
ساکنان جزیره لومبوک – قبیله ساساک جمعیت: 3.6 میلیون نفر تخمین زده می شود مذهب: عمدتاً مسلمان زبان: بالی، یک زبان مالایی-پلینزیایی شناخته شده برای: برای لباس های بافته شده سنتی. زنان قبیله ساساک از سنین پایین بافتنی را آموخته اند و اعتقاد بر این است که اگر دختری نداند، نمی تواند ازدواج کند.
اعتقاد بر این است که مردم ساساک از جاوه و سامباوا مهاجرت کرده‌اند و گفته می‌شود که بالیایی‌ها از بستگان نزدیک هستند، و با وجود اینکه قومیت و زبان مشترکی دارند، مردم ساسااک به جای هندوئیسم، اسلام را پذیرفته‌اند. این روستا متشکل از حدود 150 خانوار است که در خانه‌های کاهگلی با دیوارهای سرگین گاو زندگی می‌کنند که هر ماه برای دفع پشه‌ها و خنک نگه داشتن خانه تازه به خانه زده می‌شود. ساساک ها از طریق بافندگی و کشاورزی امرار معاش می کنند.
کامبوج
دهکده شناور در کوه رونگ، کامبوج
ساکنان جزیره کو رونگ جمعیت جزیره: 1396 نفر تخمین زده می شود زبان: خمر روستاها: روستای Koh Tuich (جنوب شرقی)، Prek Svay (شمال شرقی)، Daem Thkov (شرق)، و Sok San Village (غرب) روستاهای کوه رونگ عمدتاً دهکده‌های ماهیگیری کوچکی هستند که خانه‌های خود را بر روی خانه‌های چوبی بالای دریا می‌سازند. بسیاری از ساکنان محلی از ماهیگیری و کشت محصولات در مقیاس کوچک زندگی می کنند، اگرچه تعداد فزاینده ای شروع به یافتن شغل در بخش گردشگری جزیره کرده اند که به سرعت در حال رشد است.
این امر به ویژه در مورد روستای Koh Tuich صادق است زیرا نوک جنوب شرقی جزیره محل ورود بسیاری از گردشگران است – این باعث شده است که این منطقه در حال حاضر بیش از منازل مسکونی خانه مشاغل توریستی باشد.
هندوستان
جزیره راس، جزایر آندامان
ساکنان جزایر آندامان جمعیت جزیره: 343125 نفر تخمین زده شده (شامل جزایر نیکوبار) مذهب: بیشتر آنیمیسم توحیدی (مردم قبیله بر این باورند که پالوگا تنها خداست و مسئول همه اتفاقات روی زمین است). افراد این دین به حضور روح، ارواح و ارواح اعتقاد دارند و بر رویاها تأکید زیادی دارند – به رویاهای خود اجازه می دهند تا در مسیرهای مختلف زندگی خود تصمیم بگیرند. آداب دینی اضافی شامل هندوئیسم، مسیحیت، اسلام، سیک، بودیسم، جینیسم و دیانت بهائی است.
قبایل: قبیله جاراوا، قبیله سنتینلس، جانگیل (در سال 1921 منقرض شد)، اونگه، آندامان بزرگ
فیلیپین
جشنواره Dinagyang در ایلویلو، فیلیپین
ساکنان جزیره بوراکای – آتی و توماندوک جمعیت: تخمینی 40,363 (در سراسر فیلیپین) زبان: Ati، Aklanon، Hiligaynon، فیلیپینی موقعیت جغرافیایی: عمدتاً در جزایر بوراکای، پانای و نگروس متمرکز شده است. دین: شکلی از آنیمیسم که شامل ارواح خوب و بد است. اعتقاد بر این است که این ارواح ارواح طبیعت هستند که اغلب از رودخانه ها، دریا، آسمان و همچنین کوه ها محافظت می کنند. این ارواح همچنین ممکن است باعث بیماری یا آرامش شوند. مسیحیت همچنین در مناطقی پذیرفته شده است که بیشتر با “بیگانگان” در تماس بوده است.
لباس: ساده با زنانی که دامن‌های پیچیده می‌پوشند که گاهی از پارچه پوست ساخته شده است، و مردانی که لباس‌های کمری می‌پوشند، اما به دلیل مدرن‌سازی، بسیاری از آنها تی‌شرت، شلوار و صندل لاستیکی می‌پوشند. فرهنگ: مردم آتی در پانای به عنوان پزشکان گیاهان دارویی شناخته می شوند و بسیاری از مردم محلی برای حذف زالو از بدن افراد از آنها کمک می گیرند.
یکی از معدود قبایل ویسایاس، قبایل آتی و توماندوک جزیره پانای اولین کسانی هستند که این منطقه را خانه خود نامیده اند. از نظر ژنتیکی، گفته می شود که آنها به سایر گروه های بومی در کشور – به ویژه، Aetas (یا Negritos) مرتبط هستند زیرا ویژگی های فیزیکی مشابهی دارند.
امارات متحده عربی (UAE) طی سال‌های پس از تشکیل آن در سال 1971 با سرعت فوق‌العاده‌ای رشد کرده است. و دبی، جایی که بخش عمده ای از جمعیت کشور در آن زندگی می کنند، رشد شهری چشمگیری داشته اند. برای مثال، ابوظبی اکنون شهری مدرن با برج‌های اداری درخشان، شبکه حمل‌ونقل چندوجهی پیچیده، انرژی‌های تجدیدپذیر در مقیاس کاربردی و سیستم آموزشی است که در رتبه 20 برتر جهان قرار دارد.
امارات متحده عربی (UAE) با دقت تنوع اقتصاد این کشور را به دور از سلطه نفت پیگیری کرد.
پیش از پنجاهمین سالگرد تأسیس کشور، مرکز آمار و رقابت فدرال امارات متحده عربی (FCSC) با استفاده از GIS نقشه کشور و مردم آن را ترسیم کرد تا میزان پیشرفت کشور را تعیین کند.
FCSC GIS را برای نوسازی گردش کار و تجسم شاخص های آماری که برای بخش هایی مانند بهداشت، آموزش، محیط زیست و اقتصاد جمع آوری می کند، اتخاذ کرد. داده‌های GIS 1Map امارات متحده عربی را تغذیه می‌کند، مجموعه‌ای از لایه‌های نقشه قرار گرفته در یک سایت مرکز، ایجاد شده با استفاده از ArcGIS Hub، که شامل جاده‌ها، امکانات و اطلاعات جمعیتی است. اطلاعات موجود در 1Map به ساکنان این امکان را می دهد که ببینند امارات چگونه عمل می کند و وزارتخانه های دولتی را قادر می سازد تا نقاط قوت و ضعف کشور را ارزیابی کنند تا بتوانند سرمایه گذاری ها را بهتر هدف قرار دهند.
مروا الکابانی، کارشناس GIS در FCSC گفت: “ما طرح زمین آماری GeoStat خود را چهار سال پیش راه اندازی کردیم.” ما با جمع‌آوری مجموعه داده‌های دقیق امکانات از وزارتخانه‌ها، مانند امکانات بهداشت و آموزش، و امکان‌سازی آمار برای ترسیم بیش از ۷۰ شاخص ملی، شروع کردیم.»
تعیین اهداف و رسیدن به اهداف
کشف نفت در دهه 1950 باعث رشد امارات متحده عربی شد و مرواریدسازی، ماهیگیری و کشاورزی را به عنوان صنایع کلیدی جایگزین کرد. دو دهه پیش، تقریباً تمام اقتصاد کشور مبتنی بر نفت بود. اکنون نفت کمتر از 30 درصد از تولید ناخالص داخلی امارات را تشکیل می دهد. مجموعه ای از طرح ها سرمایه گذاری ملی را از وابستگی به نفت دور کرده است.
اعلیحضرت شیخ محمد بن زاید آل نهیان، سومین رئیس جمهور امارات در سال 2015 در مورد این تلاش و تمرکز مداوم به سوی آینده ای بدون نفت صحبت کرد.
در 50 سال آینده، زمانی که ممکن است آخرین بشکه نفت را داشته باشیم، سوال این است که آیا وقتی نفت به خارج از کشور ارسال شود، ناراحت خواهیم شد؟ او درخواست کرد. اگر امروز در بخش‌های مناسب سرمایه‌گذاری کنیم، می‌توانم به شما بگویم، جشن خواهیم گرفت.»
امارات متحده عربی با سرمایه‌گذاری در زیرساخت‌ها، مهمان‌نوازی و گردشگری و فناوری، تنوع‌بخش بوده است. سه صندوق سرمایه گذاری مستقل در امارات وجود دارد که از طرف دولت سرمایه گذاری می کنند، از جمله سازمان سرمایه گذاری ابوظبی که دارایی های نزدیک به 700 میلیارد دلار است. هدف بسیاری از سرمایه گذاری ها بهبود کیفیت زندگی است – برای مثال، با تبدیل امارات متحده عربی به مقصدی برای مراقبت های بهداشتی در سطح جهانی.
کاتالوگ امکانات جامعه امارات متحده عربی به هر کسی اجازه می دهد تا مکان های بهداشتی، آموزشی، تفریحی، مذهبی و فرهنگی را در سراسر کشور جستجو کند.
در تعقیب این هدف، آمار باعث پیشرفت های اجتماعی شده است. اول، امارات باید در مورد سلامت مردم خود بداند. سپس، نیاز به گردآوری جزئیات در مورد امکانات بهداشتی و درمانی داشت.
الکابانی گفت: «ما کاتالوگ تأسیسات ملی را با جمع آوری مجموعه داده های تأسیسات بهداشتی همراه با شاخص هایی مانند تعداد مالکیت عمومی، تعداد تخت آنها و تعداد کادر پزشکی و پزشکان آغاز کردیم. ما آن را برای تغذیه پلت فرم زمین آماری خود ترسیم کردیم. سپس ما امکانات را با نقشه های جمعیتی و اداری خود پوشاندیم تا توزیع جغرافیایی آنها را درک و ارزیابی کنیم.
ساختن یک نقشه مدرن
FCSC توسط وزارت امور کابینه موظف شده است تا داده‌ها را از نهادهای دولت فدرال – از جمله داده‌های مکان در صورت لزوم – به شیوه‌ای یکپارچه جمع‌آوری کند و در عین حال بهترین شیوه‌ها را در مورد کیفیت داده‌ها و استانداردها ایجاد کند. نام و نام تجاری 1Map توسط FCSC از هدف یکپارچه سازی داده های کشور پشتیبانی می کند، که با قابلیت های GIS مدرن برای مقابله با چالش ها در بخش ها هماهنگ است.
تیم FCSC در چهار سال راه طولانی را پیموده است. این کار با تهیه نقشه‌های اداری پایه ملی برای ولسوالی‌ها و بخش‌های فرعی همزمان با تعریف مناطق شهری ملی آغاز شد. این فرآیند شامل تنظیم استانداردهای ملی و هماهنگ سازی داده ها برای تولید یک پایگاه جغرافیایی معتبر و به روز بود.
تیم FCSC GIS با شرکای فدرال و محلی برای پیاده سازی یک پورتال ملی اطلاعات جغرافیایی مشترک کار می کند که داده های مکانی را از شرکا جمع آوری می کند. سپس FCSC داده‌ها را پردازش می‌کند تا آنها را هماهنگ و استاندارد کند و از آن برای ایجاد برنامه‌ها و سایت‌های مختلفی استفاده می‌کند که از طریق پورتال یک‌مپ 1Map به جامعه و شرکای دولتی خدمت می‌کنند.
ایجاد یک اکوسیستم ملی داده دیجیتال یک اولویت کلیدی برای دولت امارات است. FCSC به عنوان نهاد اصلی فدرال برای این تلاش روی پروژه های مختلفی کار کرده است. یکی از این پروژه‌ها، شاخص بلوغ داده‌ها است که هدف آن کمک به آژانس‌ها برای مدیریت و مدیریت داده‌های خود مطابق با استانداردهای بین‌المللی و بهترین شیوه‌ها برای اطمینان از دسترسی، جریان، حاکمیت و کیفیت داده‌ها است. مثال دیگر پروژه شبکه داده امارات است که از تبادل داده های اداری فدرال پشتیبانی می کند.
مناطق شهری در امارات متحده عربی از زمان تأسیس این کشور به شدت رشد کرده است.
در FCSC، حرکت به سمت GIS به آرامی با مجوزهای ArcGIS Pro و ArcGIS Online آغاز شد. اما این سازمان به زودی به ArcGIS Enterprise گسترش یافت تا یکپارچه سازی سیستم ArcGIS هر وزارتخانه را از طریق همکاری پورتال به پورتال امکان پذیر کند. نقشه 1 امارات نقشه‌های اساسی را ارائه می‌کند که هر وزارتخانه با داده‌های خود بر روی آنها می‌سازد. سپس همه وزارتخانه‌ها نقشه‌های خود را از طریق ArcGIS Enterprise به اشتراک می‌گذارند که به آنها اجازه می‌دهد تا قدرت و امنیت داده‌هایی را که ایجاد می‌کنند حفظ کنند.
مجموعه داده های 1Map شامل توزیع جمعیت است. کاربری زمین و مسکن؛ امکانات عمومی مانند بیمارستان ها، مدارس، و مقاصد فرهنگی و مذهبی؛ و مناطق طبیعی و پارک های حفاظت شده. سپس این داده ها بیشتر تجزیه می شوند. به عنوان مثال، با داده های جمعیت، جزئیات جمعیتی اضافه شده – مانند جنسیت، شهروندی، و سن – در مقیاس های جغرافیایی مختلف در دسترس می شود. نقشه ها هر یک از این شاخص ها و همچنین تراکم جمعیت را در سراسر کشور نشان می دهند.
بسیاری از داده های 1Map حساس و محدود هستند. بنابراین در حالی که برخی از مجموعه داده ها عمومی هستند، برخی دیگر فقط در اختیار وزارتخانه های خاص یا محققان تایید شده هستند.
داده‌ها در داشبوردهایی که با داشبوردهای ArcGIS ساخته شده‌اند نمایش داده می‌شوند تا پیشرفت در مسائل را نشان دهند، برخی از آنها مختص اهداف یک وزارتخانه هستند، در حالی که برخی دیگر برای کل کشور اعمال می‌شوند. به عنوان مثال، یک داشبورد در معرض دید عموم، کل تجارت بین المللی غیرنفتی را برای کشور جمع آوری می کند. نقشه های روایی، ساخته شده با ArcGIS StoryMaps، برای برقراری ارتباط بهتر با مردم استفاده می شود.
یک داستان ArcGIS StoryMaps از تصاویر ماهواره‌ای زمین در شب برای نشان دادن رشد شهری در کشور استفاده می‌کند. داده ها با استفاده از ArcGIS Hub سازماندهی می شوند که به نشان دادن پیشرفت کمک می کند. و کارشناسان تجزیه و تحلیل بیشتری بر روی داده ها انجام می دهند تا رهبران را آگاه کنند، پیشرفت سیاست های موجود را بررسی کنند، و سیاست های جدیدی را طراحی کنند که بر پیشبرد کشور تمرکز دارد.
اندازه گیری برای برنامه ریزی، عمل و درک
رقابت در مسائل مربوط به کیفیت زندگی در نحوه عملکرد FCSC نقش اساسی دارد. به عنوان مثال، یک محاسبات اولیه توسط سازمان های بین المللی در مورد دسترسی روستایی به جاده ها نشان داد که تنها 76 درصد از مردم ساکن در مناطق روستایی به یک جاده تمام فصل در فاصله دو کیلومتری دسترسی داشتند.
الکابانی با بیان اینکه چگونه گزارش مجمع جهانی اقتصاد در سال 2019، امارات متحده عربی را در رتبه هفتم جهان از نظر کیفیت زیرساخت های جاده ای قرار داده است، گفت: “جاده های امارات شگفت انگیز هستند، بنابراین منطقی نیست که مناطق روستایی فاقد پوشش جاده ای باشند.” شاخص رفاه لگاتوم، امارات متحده عربی را در رتبه اول رضایت از جاده ها و بزرگراه ها در جهان قرار داد.
ما به مجموعه داده‌ای که سازمان بین‌المللی برای درک آن استفاده کرده بود، نگاه کردیم. الکابانی گفت: سپس مرزهای روستایی و شهری را از شهرداری‌های محلی ادغام کردیم، یک شبکه جمعیتی ملی ایجاد کردیم که آمارهای محلی را برای تخمین جمعیت منعکس می‌کند، و همه این داده‌ها را با شبکه راه‌ها بر اساس روش بانک جهانی پوشش دادیم. اکنون وقتی این شاخص را اجرا می کنیم، نشان می دهد که 99.54 درصد از ساکنان مناطق روستایی به جاده ای در فاصله دو کیلومتری دسترسی دارند.
این یکی از نمونه‌های متعددی بود که نشان می‌دهد چگونه نقشه‌ها به تأیید صحت داده‌ها کمک می‌کنند و چگونه داده‌ها به تأیید صحت نقشه‌ها کمک می‌کنند.
اندازه گیری های شادی
تا سال 2071، صدمین سالگرد تأسیس امارات متحده عربی (امارات متحده عربی)، این کشور قصد دارد «بهترین کشور جهان» باشد، همانطور که در برنامه دولت امارات متحده عربی در سال 2071 آمده است.
با تکیه بر موفقیت های مرکز آمار و رقابت فدرال (FCSC) در نقشه برداری از دستاوردهای کشور تا کنون، پیشرفت در 50 سال آینده بر چهار ستون متمرکز خواهد بود: دولت متمرکز بر آینده، تعالی در آموزش، اقتصاد دانش متنوع و شاد. و جامعه منسجم این طرح بر اساس سخنرانی مرحوم زاید بن سلطان آل نهیان، پدر بنیانگذار امارات متحده عربی است که گفت هدف نهایی این اتحادیه دستیابی به شادی در جامعه است.
یک برنامه ملی برای شادی و رفاه برای کمک به ساکنان امارات متحده عربی در یافتن هدف، زندگی سالم، ایجاد روابط و تحقق پتانسیل خود ایجاد شده است. اندازه‌گیری اهداف از طریق نظرسنجی انجام می‌شود و نقشه‌ها و داشبوردها بر هر شاخص روشن‌تر می‌شوند.
مانند بسیاری از کشورها، آمار رسمی امارات از مدت ها قبل در صفحات گسترده نگهداری می شود. اما به لطف اهداف توسعه پایدار سازمان ملل (SDGs) که در سال 2017 به تصویب رسید، حرکت رو به رشدی برای قرار دادن این اندازه‌گیری‌ها روی نقشه وجود دارد. آموزش و رشد اقتصادی قرار دادن شاخص‌ها بر روی نقشه، نمای مهمی را ارائه می‌کند که به رفع نابرابری‌ها کمک می‌کند و مشخص می‌کند که در کجا باید تأثیرات تغییرات آب و هوایی محدود شود.
وقتی همه‌گیری کووید-19 شیوع پیدا کرد، FCSC به تازگی نقشه‌های امکانات بهداشتی و توزیع جمعیت را راه‌اندازی کرده بود. این داده ها برای شناسایی مناطق در معرض خطر و کمک به رهبران در درک اهمیت نقشه ها و زمین آمار برای مدیریت بحران حیاتی شد.
الکابانی گفت: «ذینفعان دولتی استفاده از GIS و قابلیت‌های اطلاعات مکانی را در بخش‌های مختلف تأیید می‌کنند، با تقاضای رو به رشد برای جلسات مبتنی بر نقشه که در آن داشبوردهای جغرافیایی به‌عنوان یک ابزار پشتیبانی تصمیم‌گیری استفاده می‌شوند».
اخیرا، FCSC از تصاویر ماهواره ای و یادگیری ماشینی برای پر کردن شکاف های داده استفاده می کند. این تیم تمام ردپای ساختمان‌ها را در سراسر کشور جمع‌آوری کرده است و از داده‌های کنتور هوشمند در مورد مصرف برق و گاز برای استخراج تخمین جمعیت برای محل زندگی و کار مردم استفاده کرده است. FCSC به طور مستمر به منابع داده غیرسنتی مانند استفاده از داده های مکان تلفن ناشناس برای درک الگوهای حرکتی افراد نگاه می کند. این به مقایسه امکانات و فرصت ها در مناطق مختلف جغرافیایی کمک می کند، که ورودی عالی برای اهداف برنامه ریزی است.
“ما باید آماده باشیم. الکابانی گفت: ما باید داده های خود را آماده کنیم. ما باید رفاه و رقابت را بسنجیم تا اطمینان حاصل کنیم که استانداردهای کیفیت زندگی بالا حفظ و ارتقا می‌یابد.»
سازمان بین المللی مهاجرت یک کاربر اصلی از داده های GIS است. داده های جغرافیایی قابل دسترس، قابل اعتماد و به موقع در کار آن در دنیای به سرعت در حال تغییر امروز که در آن بیش از صد میلیون نفر در سراسر جهان تنها در ماه می آواره شدند، ضروری است. استفاده از قدرت داده‌های مکانی نه تنها برای سیاست‌گذاری مرتبط با مهاجرت ضروری است، بلکه برای حمایت از تصمیم‌گیری آگاهانه و اقدام مؤثر در محل در یک بحران انسانی ضروری است.
سازمان بین المللی مهاجرت (IOM)، که بخشی از سیستم سازمان ملل متحد است، خدمات و توصیه هایی را برای تحقق مهاجرت انسانی و منظم به نفع همه دولت ها و مهاجران ارائه می دهد. سیستم های اطلاعات مکانی (GIS) و مدیریت داده ها برای ماموریت IOM بسیار مهم هستند.
محمد بکر، مسئول سیستم‌های اطلاعات جغرافیایی در دفتر مرکزی IOM در ژنو، سوئیس، می‌گوید: «داده‌های جغرافیایی کاملاً با زمینه‌های مهاجرت و جابه‌جایی داخلی مرتبط هستند که کاملاً مبتنی بر مکان هستند». ابزارهای GIS طیف وسیعی از کاربردها برای IOM دارند، به ویژه برای ماتریس ردیابی جابجایی (DTM) که کل جهان را پوشش می دهد.
ردیابی جمعیت های آواره
DTM برای جمع آوری و تجزیه و تحلیل داده ها به منظور انتشار اطلاعات حیاتی چند لایه در مورد تحرک، آسیب پذیری ها و نیازهای جمعیت های آواره استفاده می شود. این ماتریس داده های مبتنی بر شواهد را به IOM و سایر ذینفعان ارائه می دهد تا بتوانند تصمیمات آگاهانه ای در مورد برنامه ریزی کمک و بازیابی در جوامع آسیب دیده اتخاذ کنند.
ما به طور سیستماتیک اطلاعات مکانی را در مورد الگوهای تحرک انسانی در سراسر جهان مدیریت می کنیم. با بیش از 7000 گردآورنده داده و بیش از 600 متخصص فنی در بیش از 80 کشور، حضور جهانی ماتریس ردیابی جابجایی بسیار زیاد است. خروجی منتشر شده ما – گزارش ها، نقشه ها و مجموعه داده ها – نزدیک به 1.5 میلیون بار دانلود شده است.
این کارایی عملیاتی را بهبود می بخشد، به ویژه در بحران های بشردوستانه که در آن داده های قابل اعتماد و به روز در مورد پویایی جابجایی می تواند عواقب نجات بخش داشته باشد. نیازی به گفتن نیست که تجسم‌های آنلاین GIS نتایج و شاخص‌های کلیدی را بر روی نقشه‌ها و محصولات آماری آسان‌خوان برای مخاطبان گسترده نشان می‌دهد. به عنوان مثال، در پاسخ به همه‌گیری COVID-19، تیم تجزیه و تحلیل جغرافیایی DTM از تجسم جغرافیایی اثرات COVID-19 بر تحرک انسان در سطوح جهانی، منطقه‌ای و کشوری پشتیبانی کرد.
اردوگاه پناهندگان در بنگلادش. داده های ارتفاع از تصاویر پهپاد به IOM اجازه می دهد تا پناهگاه های در معرض خطر سیل و رانش زمین را تجزیه و تحلیل کند. (تصویر با احترام: IOM)
علاوه بر DTM، داده های جغرافیایی نیز برای پروژه مهاجران گمشده IOM که در سال 2014 برای مستندسازی مرگ و میر و ناپدید شدن در طول سفرهای مهاجرتی در سراسر جهان اجرا شد، جمع آوری شده است. هر مکان نشان دهنده یک حادثه مرگ یا ناپدید شدن یک مهاجر است. هر عدد نشان دهنده یک شخص و همچنین خانواده ها و جوامعی است که آنها از خود به جای گذاشته اند.
بکر می‌گوید موقعیت‌های جغرافیایی ثبت‌شده حوادث تخمینی هستند، اما برای ترسیم خطراتی که افرادی که خانه‌های خود را به دنبال زندگی بهتر ترک می‌کنند، در طول سفر با آنها مواجه می‌شوند.» ما اخیراً به نقطه عطف وحشتناک 50000 مرگ ثبت شده در طول مهاجرت رسیده ایم. چالش‌های اطلاعاتی فراوان در زمینه ثبت مرگ و میر در طول جابجایی‌های نامنظم به این معنی است که تعداد بیشتری از آنها بدون سند باقی می‌مانند.»
چالش ها
او و 25 همکارش متخصص GIS در سراسر جهان با اطمینان از استفاده مؤثر از سیستم‌ها و زیرساخت‌های داده، به ویژه در مواقع اضطراری، به عملیات IOM کمک می‌کنند. همچنین مسئولیت هماهنگی انبار داده مرکزی DTM و اطمینان از جریان روان داده ها از ارزیابی های مختلف و جمع آوری داده های مکانی به وب سایت ها، ژئوپورتال ها و سایر برنامه های IOM/DTM است.
چالش‌های خاصی برای مدیریت داده‌ها وجود دارد که باید با آنها مقابله کرد، زیرا اغلب مربوط به مناطقی است که – مطمئناً در آن لحظه – تنها داده‌های ژئودتیکی موجود غیرقابل اعتماد هستند. بکر توضیح می دهد: “تغییرات سریع سرزمینی به دلیل بلایای طبیعی یا در دسترس نبودن مرزهای اداری رسمی، داشتن یک پایگاه محکم برای جمع آوری و تجسم داده ها در پایین ترین سطح اداری را دشوار می کند.” ما عمدتاً با ایجاد مرزهای عملیاتی برای حصول اطمینان از جمع‌آوری داده‌ها با کیفیت مناسب، روی این موضوع کار می‌کنیم. این مرزهای عملیاتی فقط برای استفاده محدود به منظور اطلاع رسانی به جامعه بشردوستانه از دقیق ترین روند جابجایی و مهاجرت است.
نگرانی ویژه دیگر دسترسی به داده های مربوط به وضعیت واقعی است. تصاویر ماهواره‌ای و نقشه‌های GIS برای ارائه اطلاعات لازم برای ارزیابی و پایش به تیم‌های واکنش به بلایا کلیدی هستند. با توجه به دشواری به‌دست‌آوردن به‌موقع جدیدترین تصاویر با وضوح بالا، اولویت‌بندی مداخلات و اطمینان از پاسخ مؤثر برای تیم‌های حاضر در زمین می‌تواند چالش برانگیز باشد. برای مقابله با این موضوع، ما همزمان از ارائه دهندگان مختلف تصاویر ماهواره ای درخواست می کنیم، به این امید که به محض وقوع رویداد، این تصاویر برای تجزیه و تحلیل در دسترس قرار گیرند. در بسیاری از موارد می‌توانیم پیش‌بینی کنیم که آنها اتفاق خواهند افتاد، اما دقیقاً نمی‌دانیم چه زمانی.»
مسیرهای مهاجرت در چندین منطقه از جمله مسیر مدیترانه ای که در اینجا نشان داده شده است، نظارت می شود. IOM از سال 2014 در مجموع 25000 مهاجر کشته یا مفقود شده در این مسیر را ثبت کرده است. (تصویر از: IOM)
سنجش از دور
باکر و تیمش با همکاری سایر سازمان‌های بشردوستانه می‌خواهند زیرساختی را برای استفاده از سنجش از دور برای پشتیبانی از واکنش سریع، کاهش خطر و برنامه‌ریزی در مکان‌هایی که نقشه‌برداری نشده‌اند یا در مکان‌های غیرقابل دسترس هستند، ایجاد کنند. ما بسیار علاقه مند به اجرای مسئولانه سنجش از دور با استفاده از پهپادها (وسایل نقلیه هوایی بدون سرنشین، ویرایش) و تصاویر ماهواره ای در ترکیب با هوش مصنوعی و یادگیری ماشین هستیم.
این امر امکان انتشار سریع اطلاعاتی را فراهم می‌کند که تصمیم‌گیرندگان و امدادگران را قادر می‌سازد تا کمک‌های بهتری را به جمعیت مهاجر ارائه کنند.” یک مثال یک برنامه نظارتی است که در بنگلادش راه اندازی شده است که نیازها و آسیب پذیری ها را از طریق یک چارچوب مدیریت اطلاعات گسترده ردیابی می کند. مکان هایی که مردم در طی سیل اخیر در آنجا پناه گرفتند، با استفاده از یادگیری ماشین (با همکاری مرکز ماهواره ای سازمان ملل) ردیابی و نقشه برداری می شوند. داده های نقشه که مکان موقت را نشان می دهد بر اساس تجزیه و تحلیل تصاویر پهپاد است.
داده‌های ارتفاعی با وضوح بالا از تصاویر پهپاد به IOM (با همکاری ناسا) اجازه مدلسازی سیل‌ها و لغزش‌های آینده را داده است. این همچنین ما را قادر می سازد تا پناهگاه های در معرض خطر در این مناطق را تجزیه و تحلیل کنیم و از واکنش کافی حمایت کنیم.
وقتی از بکر در مورد اولویت‌های سال آینده پرسیده می‌شود، پاسخ می‌دهد: «اولویت‌ها بر اساس آنچه می‌بینیم در حال وقوع است، تعیین می‌شود. اما برای ما به عنوان کارشناسان اطلاعات جغرافیایی، ما توجه ویژه ای به ارائه فیدهای زنده از روند مهاجرت و سایر داده های مرتبط به مرکز داده های جغرافیایی شبکه سازمان ملل خواهیم داشت.
ما روش های تجزیه و تحلیل جغرافیایی خود را با همه آژانس های سازمان ملل به اشتراک خواهیم گذاشت. این امر در دسترس بودن جهانی داده های مکانی مبتنی بر شواهد در مورد مهاجرت و جابجایی را تقویت می کند. اگر این تصمیمات آگاهانه تر را افزایش دهد، تأثیرات مثبت آن برای مهاجران و جامعه به عنوان یک کل می تواند بسیار زیاد باشد.»
درباره سازمان بین المللی مهاجرت
سازمان بین المللی مهاجرت (IOM) که در سال 1951 تأسیس شد، سازمان بین المللی پیشرو در زمینه مهاجرت است. این سازمان بخشی از سیستم سازمان ملل متحد است و دارای 174 کشور عضو، 8 کشور با وضعیت ناظر و دفاتر در بیش از 100 کشور است. این سازمان به ترویج مهاجرت انسانی و منظم به نفع همه اختصاص دارد. بودجه ای معادل 2.5 میلیارد دلار و 17761 کارمند در 523 مکان دارد. IOM در جستجوی راه حل های عملی برای مشکلات مهاجرت کمک می کند و به مهاجران نیازمند، از جمله پناهندگان و آوارگان داخلی کمک های بشردوستانه ارائه می کند.
سال گذشته، علیرغم تأثیرات همه‌گیری COVID-19، کمک‌های بشردوستانه IOM به 31.7 میلیون نفر رسید. این سازمان همچنین از پیشبرد قوانین مهاجرت بین‌المللی، بحث‌ها و راهنمایی‌های سیاسی، حمایت از حقوق مهاجران، سلامت مهاجرت و بعد جنسیتی مهاجرت حمایت می‌کند.
این مقاله بر روی GIS و ردیابی جابجایی IOM تمرکز دارد. در سال 2021، داده های مربوط به تحرک جمعیت در 78 کشور جمع آوری، تجزیه و تحلیل و منتشر شد. با تجزیه و تحلیل جغرافیایی داده های جابجایی و جریان، ماتریس ردیابی جابجایی (DTM) منجر به انتشار بیش از 2400 گزارش، محصولات نقشه برداری و مجموعه داده ها شده است و محصولات آن 1.5 میلیون بار دانلود شده است.
DTM علاوه بر اینکه به طور سیستماتیک در عملیات واکنش بشردوستانه، فرآیندهای بازیابی و بازگشت مستقر می شود، به عنوان یک ابزار آمادگی نیز بسیار موثر است، به عنوان مثال. برای نقشه برداری از مکان های تخلیه و جابجایی احتمالی.
نقشه‌ها را می‌توان برای شناسایی پناهگاه‌های موقت جدید، با ردیابی تکامل بر اساس تجزیه و تحلیل تصاویر پهپاد (در این مورد 7604 پناهگاه) استفاده کرد. کاربران می توانند برای سهولت مقایسه بین نقشه ها از تاریخ های مختلف جابجا شوند. (تصویر از: IOM)
بر اساس اعلامیه اخیر، آژانس فضایی آمریکا ناسا با موفقیت سیارک دیمورفوس را از مدار اصلی خود در کیهان خارج کرد. این سنگ فضایی در 11 میلیون کیلومتری زمین برخورد کرد. این اولین بار است که انسان مسیر یک شی فرازمینی را تغییر می دهد. دانشمندان از این آزمایش موفقیت آمیز به وجد آمده اند، و به درستی، با این مأموریت که توسط چندین متخصص برچسب یک پیشرفت عظیم و عصر جدیدی برای بشریت زده شده است.
این سناریویی است که یادآور فیلم «به بالا نگاه نکن» درباره کشف یک دنباله‌دار است که در مسیر برخورد مستقیم با زمین به دور منظومه شمسی می‌چرخد. مشکلی که بخش اصلی داستان را شکل می‌دهد این است که به نظر می‌رسد اصلاً برای کسی جالب نیست و فیلم حاوی پیامی بسیار مهم درباره نحوه ارتباط ما، اولویت‌های ما و بحران آب و هوا است. این یک فیلم بسیار خنده دار است، اما مهمتر از همه.
مشکلات خارج از سیاره خودمان مانند مواردی که در فیلم برجسته شده همان چیزی است که ناسا در زندگی واقعی با آن سر و کار دارد – و البته به طور مختصر، مسائل مبرم بر روی زمین به اندازه کافی وجود دارد. با این حال، هدف این سرمقاله تمرکز بر انواع سناریوهای قیامت نیست، بلکه در نظر گرفتن راه حل های مشکلات ما است. و اگر روی حوزه تخصصی خود بزرگنمایی کنیم، دیدن راه‌حل‌هایی که از بخش هیدروگرافی می‌آیند عالی است. صنعت ما چگونه می تواند به چالش هایی که با آن روبرو هستیم کمک کند؟
نقشه برداری از اقیانوس ها برای به دست آوردن بینش های حیاتی
شاید واضح ترین روشی که در آن حرفه هیدروگرافی می تواند به مشکلاتی که آینده ما را تهدید می کند کمک کند، نقشه برداری از کف اقیانوس باشد. پیشرفت های تکنولوژیکی روند تحقق این امر را تسریع کرده است. به دلایل متعددی، نقشه برداری از اقیانوس ها انواع بینش های بسیار مفیدی را در اختیار ما قرار می دهد. به عنوان مثال، داده های عمق سنجی می توانند دانشمندان را در مورد تغییرات محیطی آگاه کنند و به محققان اجازه دهند تا افزایش سطح دریا، فرسایش زمین و فرونشست زمین را بهتر تجزیه و تحلیل کنند.
همچنین ابزاری حیاتی برای درک زندگی در اقیانوس است، زیرا شکل بستر دریا تأثیر قابل توجهی بر طیف وسیعی از فرآیندهای اقیانوس دارد. یک مثال خوب برای این جریان ها هستند: اگر بتوانید الگوهای جریان اقیانوس ها را پیش بینی کنید، می توانید حرکت بدنه های آبی را در نظر بگیرید که به نوبه خود می تواند توسط دانشمندان برای مدل سازی افزایش سطح آب دریاها استفاده شود. چنین درک هایی برای چگونگی محافظت از سواحل خود بسیار مهم خواهد بود.
مقاله «بررسی‌های عمق‌سنجی: پیشرفت‌ها و موانع» نوشته Italo Oliveira Ferreira و Laura Coelho de Andrade شما را به سفری می‌برد که چگونه سنجش از دور به طور فزاینده‌ای برای انجام بررسی‌های زیر آب مورد استفاده قرار می‌گیرد و چندین روش کلیدی را که در نقشه‌برداری هیدروگرافی به کار می‌روند برجسته می‌کند.
همانطور که مقاله نشان می‌دهد، ظهور تکنیک‌های آکوستیک، اپتیک و رادار دانش ما را در مورد آب‌سنجی در دهه‌های گذشته منجنیق کرده است. علاوه بر این، روش‌هایی توسعه یافته‌اند که قادر به ارائه کنترل کیفی بهتری از اطلاعات هیدروفضایی به‌دست‌آمده هستند. اکنون، در عصر یادگیری ماشینی و هوش مصنوعی، طبقه‌بندی بستر دریا با دقت بی‌سابقه‌ای در حال تبدیل شدن به واقعیت است.
ارتقاء دانش و درک عمومی از اقیانوس جهان و به ویژه اعماق دریا و بستر اعماق دریا برای مدیریت چالش های آینده ضروری است. (ارسالی از: موسسه فدرال آلمان برای علوم زمین و منابع طبیعی/BGR)
دلیل دیگری وجود دارد که چرا مردم ممکن است بستر دریا را جالب بدانند. برخی از نواحی کف دریا حاوی مواد معدنی هستند که معمولاً در فناوری مدرن مورد استفاده قرار می گیرند و به عنوان فلزات خاکی کمیاب شناخته می شوند. آیا یک تصویر کاملتر از کف اقیانوس راه را برای بهره برداری بیشتر از این منابع باز می کند؟ و تا چه حد آن چیزی است که ما باید آن را مطلوب بدانیم؟
شاید پیشنهاد خوبی برای مطالعه تاثیر یک صنعت جدید قبل از شروع صنعت باشد. این دقیقاً همان چیزی است که هندریک دی بوف در مقاله خود با عنوان فرود در دشت آبیسال توضیح می دهد، که بر چگونگی جمع آوری داده های محیطی کامل برای ارزیابی تأثیر جمع آوری گره های چند فلزی تمرکز دارد.
برخی از این گره‌ها سرشار از فلزات مورد نیاز برای گذار به اقتصاد سبز هستند، مانند منگنز، مس، کبالت و نیکل: فلزاتی که برای تولید باتری‌ها، پنل‌های خورشیدی و توربین‌های بادی حیاتی هستند. باید روشن باشد که استخراج در مقیاس وسیع از این مواد کمیاب خاکی باید با نهایت دقت انجام شود و من صمیمانه امیدوارم که همه علاقه مند باشند که کف اقیانوس ما را با چنین دقتی مدیریت کنند. بنابراین، فقط به بالا نگاه نکنید، بلکه لطفا به پایین نیز نگاه کنید!
“وظایف دیرینه شناسان و مورخان کلاسیک و باستان شناسان به طور قابل ملاحظه ای مشابه است – حفاری، رمزگشایی و زنده کردن بقایای وسوسه انگیز زمانی که هرگز نخواهیم دید.” – آدرین مایر
امواج گرما از زمین خاک آلود، خشک و ترک خورده بلند شد. مگس های سیاه ریز در اطراف چشم ها و صورت تیم وزوز می کردند. تنها سایه زیر سایبانی بود که در سراسر سنگر باز کم عمق نصب شده بود که در آن نیم دوجین نفر به آرامی لایه ها را از بین بردند. کثیفی زمان است. هر چه آدم عمیق‌تر می‌کند، زمان به عقب‌تر می‌رود.
لایه ای با قدمت 23000 سال در تقریباً دو فوت پایین در معرض دید قرار گرفته است که رد پای یک زن و یک کودک نوپا را آشکار می کند. داستانی از سفر مایلی او در میان گل و لای سفالی نرم را روایت می کند. در آن نزدیکی یک تنبل غول پیکر و گله ای از ماموت ها پرسه می زدند. این کشف علم را مجبور می‌کند تا جدول زمانی انسان‌هایی که در قاره آمریکای شمالی زندگی می‌کنند را دوباره تنظیم کند و آن را به دوران پلیستوسن حداقل 10000 سال پیش ببرد.
اکتشافاتی مانند این گنجینه هایی هستند که باستان شناسان به دنبال آن هستند. باستان شناسان دانشمندان هستند – بخشی شکارچی گنج و بخشی قصه گو. آنها زمینه را به تاریخ اضافه می کنند.
گودالی حفر شده در خاک گچی قهوه‌ای در دریاچه پلایا در پارک ملی وایت سندز، رد پای انسان بیشتری را در زیر سطح نشان می‌دهد. (عکس: خدمات پارک ملی)
رادار نفوذ به زمین
فناوری های پیشرفته به اکتشافات جدید گذشته کمک می کند. حتی با وجود اینکه رد پاها زیر دو فوت خاک مدفون شده بودند، بدون دیدن فیزیکی آنها کشف شدند. رادار نافذ زمینی (GPR) این کشف را ممکن کرد. GPR در سال های اخیر پیشرفت های چشمگیری داشته است، همراه با پیشرفت هایی در انواع دیگر برنامه های سنجش از راه دور.
وضوح GPR همراه با عمقی که GPR می تواند اشیا را تشخیص دهد، بهبود یافته است. رایانه ها می توانند داده های GPR را به تصاویر سه بعدی پردازش کنند و نمایه عمقی از ناحیه اسکن شده را ارائه دهند. اینگونه رد پاها شناسایی شد.
علاوه بر GPR، محققان از مغناطیس‌سنج‌هایی استفاده کردند که اختلالات موجود در رسوب را تأیید می‌کنند، که می‌توان آنها را به صورت سه بعدی، البته با وضوح بسیار پایین‌تر، تصویربرداری کرد.
رسوب خود حافظه ای دارد که اثرات وزن و حرکت حیوان را به شیوه ای زیبا ثبت می کند. توماس اوربان، دانشمند پژوهشی دانشگاه کورنل که رهبری تیم کشف را بر عهده داشت، به ما راهی برای درک بیومکانیک جانوران منقرض شده می دهد که قبلاً هرگز نداشتیم.
معمولاً یافته های باستان شناسی مربوط به استخوان ها و مصنوعات است. ردپاهای فسیل شده “شبح” انسان ها و دیگر موجودات، آنها را زنده می کند و نماهایی از گذشته زنده را ارائه می دهد.
در شرایط ایده آل، GPR می تواند به عمق 30 متر (98 فوت) برسد. دقت و دامنه GPR به نوع رسوب، میزان رطوبت و سایر مورفولوژی های زمین شناسی بستگی دارد. زیربنای فناوری GPR و مغناطیس‌سنجی، سیستم‌های اطلاعات مکانی قوی (GIS) هستند که رکورد دیجیتالی کشف را حفظ می‌کنند و امکان تحلیل‌های مکانی بیشتر را فراهم می‌کنند. پیشرفت در یادگیری ماشینی تشخیص آینده را بهبود می بخشد.
در جاهای دیگر در قاره آمریکا، پروژه ای در مکزیک از دهه 1990 با استفاده از GPR برای نقشه برداری از سنوت ها و سفره های زیرزمینی مورد استفاده مایاها در جریان بوده است. یک سیستم غار آبی زیرزمینی به طول 215 مایل – طولانی ترین در جهان – در شبه جزیره یوکاتان نقشه برداری شده است. غواصان با کاوش در این سنوت ها بقایایی از حیوانات عصر یخبندان، از جمله ببر و ماموت را پیدا کردند.
نقشه: ویلیام تولو
لیدار و ALS
Lidar (تشخیص نور و محدوده) اکتشافات بیشتری را با کمک هوش مصنوعی و یادگیری ماشین ممکن می کند. برای مثال، در جنگل‌های گواتمالا، لیدار شهر ناشناخته باستانی مایا، تیکال را آشکار کرد.
لیدار یک سنسور فعال است که ارتفاع زمین را اندازه گیری می کند. با استفاده از یک سیستم اسکن لیزری هوابرد (ALS) که روی هواپیما، هلیکوپتر یا پهپاد نصب شده است، پرتوهای لیزر دستگاه لیدار چشم انداز را اسکن می کند. این سیستم مدت زمانی را که طول می کشد تا پرتو به یک جسم روی زمین برسد و به عقب برگردد را محاسبه می کند.
نتیجه برای هر جسم زمینی که لیزر لمس می‌کند، یک نقطه ایجاد می‌کند و مسافت طی شده پرتو را محاسبه می‌کند. در طول یک اسکن، میلیاردها امتیاز جمع آوری می شود. سپس باستان شناسان زمین فضایی نقاط جمع آوری شده را در یک ابر نقطه ای پردازش می کنند (شکل 1). با انتخاب تنها نقاط طبقه بندی شده به عنوان زمین و آب، نقاط به یک تصویر شطرنجی تبدیل می شوند و باستان شناسان چشم اندازی از زمین برهنه زیر تاج درخت و پوشش گیاهی ارائه می دهند (شکل 2).
به این ترتیب، لیدار به عنوان یک راه غیر مخرب برای شناسایی سازندهای خاکی، حتی در جنگل های متراکم عمل می کند.
شکل 1. نرم افزار GIS میلیاردها نقطه لیدار را ادغام می کند. (تصویر: استفانی کلارک)
شکل 3. طبقه‌بندی مبتنی بر شیء مشتق از پیکسل، که با استفاده از یادگیری ماشین توسعه یافته است، سنگ‌های قبر بدون علامت را از تصاویر جمع‌آوری‌شده با پهپاد شناسایی می‌کند. (تصویر: استفانی کلارک)
تجزیه و تحلیل تصویر مبتنی بر شی
چالش با لیدار و تصاویر، حجم انبوه داده‌ها است که فراتر از محدوده آن چیزی است که یک انسان می‌تواند به صورت دستی بررسی کند. به دلیل اینکه ویژگی‌های باستان‌شناسی تا چه حد ضعیف هستند، جستجو اغلب نیازمند دستکاری مجموعه داده‌های تصویری با ترکیب باندهای چند طیفی و سپس ادغام آنها با داده‌های توپوگرافی است. برای کمک به این تلاش عظیم، هوش مصنوعی برای طبقه‌بندی مبتنی بر پیکسل و تجزیه و تحلیل تصاویر مبتنی بر شی (OBIA) برای برجسته کردن مناطق مورد علاقه برای مطالعه بیشتر استفاده می‌شود.
دیلن دیویس، دکتری. کاندیدای دانشگاه ایالتی پنسیلوانیا، پیشگام استفاده از OBIA برای یافتن کارهای خاکی مانند تپه‌های مدور، دیوارهای سنگی و جاده‌ها در بوفورت، کارولینای جنوبی بود. او از تصاویر NOAA با وضوح بالا که قبل از فصل طوفان 2008 از ساحل گرفته شده بود استفاده کرد.
مقایسه شطرنجی: حلقه صدفی Sea Pines، جزیره هیلتون، کارولینای جنوبی. اعتبار: Dylan S. Davis، Matthew C. Sanger و Carl P. Lipo (2018): “تشخیص خودکار تپه با استفاده از تجزیه و تحلیل تصویر مبتنی بر لیدار و شی در شهرستان بوفورت، کارولینای جنوبی،” باستان شناسی جنوب شرقی [https://doi.org /10.1080/0734578X.2018.1482186]
در سطح محلی، باستان شناسان همین رویکرد را برای یافتن سنگ قبرها در گورستان های بدون علامت به کار می گیرند. یک سیستم طبقه‌بندی مبتنی بر شی مبتنی بر پیکسل به یک محقق کمک کرد تا به طور خودکار سنگ‌های قبر بالقوه را در یک گورستان با پوشش گیاهی متراکم شناسایی کند. فناوری مورد استفاده برای OBIA برای کیلومتر شماری اینرسی بصری (VIO) نیز استفاده می شود. ناسا در حال آزمایش تکنیک های VIO برای کمک به فضانوردان در جهت یابی سطح ماه است (نگاه کنید به برنامه Artemis ناسا به سیستم مرجع فضایی ماه نیاز دارد). برای آرتمیس، VIO از دهانه های ماه به عنوان یک سیستم مرجع برای بدست آوردن موقعیت دقیق استفاده می کند.
دنیای سه بعدی مجازی
شاید یکی از مهم ترین کاربردهای فناوری برای تحقیقات و اکتشافات باستان شناسی، استفاده از جهان های غوطه ور سه بعدی مجازی باشد. کاوش در جهان‌های باستان به شکلی که ممکن است به نظر می‌رسیدند، بینش‌های بیشتری را به باستان‌شناسان و عموم مردم می‌دهد تا اکتشافات خود را تجربه کنند و ما را با تاریخ مرتبط کند.
سفر چند مایلی دختر جوانی که یک کودک نوپا را در 23000 سال پیش از یک چشم انداز عصر یخبندان حمل می کند، برای هر والدینی بسیار دور و در عین حال آشنا به نظر می رسد. این تصویر به اصل و نسب مشترک ما روح می بخشد. از طریق قدرت GIS و فن آوری های مدرن، او درست به قرن 21 قدم گذاشت.
«مردی که تاریخ را می شناسد و در آن ساکن است، بُعد جدیدی به وجودش می بخشد… او در همه زمان ها زندگی می کند. سن ها متعلق به اوست، همه برای او یکسان زندگی می کنند.» – ویلیام فلیندرز پتری
ویلیام تیولو متخصص ارشد اطلاعات هوانوردی برای اداره هوانوردی فدرال است. او در سال 2016 فارغ التحصیل برنامه بورسیه مدیریت FAA برای رهبران نوظهور و مربی برنامه مربی ملی FAA است. او در مأموریت ویژه ای در وزارت حمل و نقل ایالات متحده خدمت کرد و یک ابتکار ملی استراتژیک جغرافیایی را تحت اقتدار مشارکت داده های باز کاخ سفید رهبری کرد.
Tewelow یک متخصص سیستم های اطلاعات جغرافیایی (GISP) است که دارای مدرک در زمینه فناوری اطلاعات جغرافیایی و مطالعات اطلاعاتی است. او در حال حاضر مدرک کارشناسی ارشد خود را در زمینه رهبری سازمانی با تمرکز بر مدیریت عملکرد دریافت می کند.
تیولو پس از 23 سال خدمت به عنوان متخصص اطلاعات جغرافیایی و تصویربرداری، یک هوانورد دریایی، یک هواشناس و یک اقیانوس شناس تاکتیکی با کسب سه مدال دستاورد، از نیروی دریایی ایالات متحده بازنشسته شد. او در میان اولین افرادی در کشور بود که در حین کار در مرکز فضایی استنیس ناسا، گواهینامه تخصصی زمین فضایی را از وزارت کار ایالات متحده دریافت کرد. او متاهل است، از مسافرت کردن، ارتباط با مردم، حل مشکلات و علاقه مندی به فناوری جدید لذت می برد. نقل قول مورد علاقه او این است: "ذهن مردی که با یک ایده جدید تغییر کرده است، هرگز نمی تواند به بعد اصلی خود بازگردد." ~ الیور وندل هلمز
درباره نویسنده: William Tewelow، GISP ویلیام تیلوو مدیر اداره هوانوردی فدرال (FAA) است. او فارغ التحصیل برنامه بورسیه مدیریت FAA و مربی برنامه ملی مربی FAA است. در حالی که در ماموریت ویژه در وزارت حمل و نقل ایالات متحده، Tewelow پروژه را برای جمع سپاری پایگاه داده آدرس ملی برای مشارکت داده های باز کاخ سفید رهبری کرد. او یک متخصص سیستم های اطلاعات جغرافیایی (GISP) و یک سخنران STEMnet محقق مریلند است.
او دارای مدرک تحصیلی در زمینه فناوری اطلاعات جغرافیایی و مطالعات اطلاعاتی از دانشگاه نظامی آمریکا است و در حال حاضر برای دریافت مدرک در زمینه رهبری سازمانی ثبت نام کرده است.
تیولو پس از 23 سال خدمت به عنوان متخصص اطلاعات جغرافیایی و تصویربرداری، یک هوانورد دریایی، یک هواشناس و یک اقیانوس شناس تاکتیکی از نیروی دریایی ایالات متحده بازنشسته شد. او در میان اولین افرادی در کشور بود که در حین کار در مرکز فضایی استنیس ناسا در می سی سی پی، گواهینامه تخصصی زمین فضایی را از وزارت کار ایالات متحده دریافت کرد.
غنای گونه ای و ویژگی های آب های جاری در سراسر جهان چگونه به هم مرتبط هستند؟ این سوال توسط تیمی به سرپرستی سامی دومیش در موسسه Leibniz-Für Gewässerökologie und Binnenfischerei (IGB) در آلمان مطرح شده است.
رودخانه ایراوادی که توسط بیورن کریستین توریسن عکاسی شده است. تحت مجوز Creative Commons Attribution-Share Alike 3.0 Unported بازتولید شده است.
برای کمک به پاسخ به این سوال، محققان نقشه‌ای با بالاترین وضوح از سیستم‌های رودخانه‌ای جهان که تاکنون تولید شده است، تهیه کرده‌اند. این نقشه مبنایی را برای تجزیه و تحلیل دقیق از ویژگی‌های زیستگاه‌های رودخانه‌ای و نحوه ارتباط آنها فراهم می‌کند.
رودخانه‌ها راه نجات تمام خشکی‌های روی زمین هستند. این همچنین در نقشه ای که سامی دومیش با همکاری سایر محققان از IGB و دانشگاه ییل تهیه کرده است قابل مشاهده است: شبکه ای با شاخه های ظریف از بخش های بالقوه رودخانه در تمام قاره ها امتداد دارد. این نقشه بر اساس مجموعه داده های “Hydrography90m” است که محققان دو سال و نیم صرف ساخت آن بر روی یک ابر رایانه در دانشگاه ایالات متحده کردند.
نقشه برداری دقیق
البته این نقشه در نوع خود اولین نیست. رودخانه ها و توزیع آنها در سراسر جهان در حال حاضر در مدل های متعدد نشان داده شده است. همه این نقشه ها بر اساس داده های ماهواره ای از نقش برجسته های توپوگرافی است: هر جا شکاف هایی در چشم انداز با ویژگی های خاص وجود داشته باشد، به طور بالقوه یک جریان آب نیز وجود خواهد داشت. و با این حال، هیچ مجموعه داده دیگری به اندازه Hydrography90m دقیق نیست.
سامی دومیش گفت: “ما یک مدل ارتفاعی با وضوح بالا از زمین گرفتیم و از نرم افزار منبع باز برای استخراج شبکه رودخانه از آن استفاده کردیم. برخلاف سایر مجموعه های داده قبلی، Hydrography90m همچنین بازوهای کوتاه و بسیار کوتاه آب های جاری را نقشه برداری می کند.” سطح دقت در نام است: کوتاه ترین واحد 90 متر طول دارد. از آنجایی که رودخانه های کوچک بیشترین سهم شبکه رودخانه های جهانی را به خود اختصاص می دهند (حدود 70%)، نقش مهمی در تنوع زیستی رودخانه ایفا می کنند.
مدل سازی دبی رودخانه ها
مجموعه داده ها در مجموع 726 میلیون بخش رودخانه بالقوه را شامل می شود. اصطلاح «پتانسیل» در این زمینه بسیار مهم است: سامی دومیش گفت: «در ابتدا، ما نمی‌دانیم رودخانه‌ها واقعاً کجا جریان دارند. دانشمند و تیمش در حال حاضر در حال مدلسازی دبی‌ها برای شناسایی رودخانه‌هایی هستند که در واقع آب را حمل می‌کنند – چه در طول سال یا به صورت متناوب.
برای انجام این کار، آنها از داده‌های 30000 ایستگاه سنجش در سراسر جهان استفاده می‌کنند که در آنها مقادیری آب در بخش‌های تعریف‌شده رودخانه برای سال‌ها جمع‌آوری شده است. علاوه بر این، محققان به داده های جامع در مورد طیف گسترده ای از پارامترهای محیطی مانند بارش، دما، کاربری زمین، ویژگی های خاک و شیب دسترسی دارند. در مدل، این پارامترها مربوط به مقادیر آب اندازه گیری شده در هر مورد است.
جوزپه آماتولی، نویسنده اصلی این مطالعه، گفت: “در این رابطه، ما با یادگیری ماشین کار می کنیم. این بدان معناست که با هر مجموعه داده جدید، مدل ما در تشخیص اینکه کدام متغیرهای پارامتر مربوط به حجم آب است، بهتر و بهتر می شود.” اگر مدل کار کند، می‌توان آن را در تمام بخش‌های رودخانه در سراسر جهان اعمال کرد، حتی اگر ایستگاه سنجش نداشته باشند: در این حالت، مدل دبی احتمالی، یعنی مقدار آب رودخانه برای کل منطقه را از روی پارامترهای محیطی موجود محاسبه می‌کند.
اعتبارسنجی مدل
برای اعتبارسنجی مدل، محققان ابتدا آن را با 70 درصد از مجموعه داده‌های کمیت آب موجود تغذیه می‌کنند. پس از آموزش به این روش، مدل وظیفه تعیین مقادیر مناسب آب از پارامترهای محیطی 30 درصد باقیمانده را دارد. اگر این مقادیر به اندازه کافی با مقادیر اندازه گیری شده واقعی مطابقت داشته باشند، مدل به درستی عمل می کند – در غیر این صورت، مدل می تواند بهبود یابد.
با این حال، انحرافات سیستماتیک مدل همچنین می تواند به این معنی باشد که پارامترهای خاصی وجود دارد – که محققان هیچ داده ای برای آنها ندارند – که نقش مهمی دارند، یکی برداشت آب توسط انسان است. سپس مدل تطبیقی می‌تواند برای تعیین دبی تمام بخش‌های رودخانه در سراسر جهان استفاده شود.
سامی دومیش گفت: «به‌ویژه در مناطق خشک، این احتمال وجود دارد که رودخانه‌های حاوی آب به میزان قابل توجهی کمتر از آنچه مجموعه داده‌های ما نشان می‌دهد وجود داشته باشد. این فرض همچنین توسط یک مطالعه انجام شده توسط نویسندگانی که از مجموعه داده‌های HydroRIVERS با جزئیات کمتر استفاده کردند، پشتیبانی می‌شود. آنها تخمین زدند که تنها حدود 60 درصد از رودخانه های جهان به طور متناوب یا در طول سال آب را حمل می کنند.
این مدل به سوالات کلیدی پاسخ می دهد: رودخانه هایی که به طور دائم یا موقت آب را حمل می کنند چقدر طول می کشند؟ کجا تراکم جریان زیاد یا کم وجود دارد؟ و این چه تاثیری بر تنوع زیستی دارد؟ همچنین می توان در مورد سؤالاتی از این قبیل اظهارات مفصل داد زیرا Hydrography90m حوضه های آبریز بخش های رودخانه را در مقیاس بسیار کوچک ثبت می کند.
از آنجایی که داده های زیست محیطی در حال حاضر برای هر یک از این حوضه های 5 هکتاری موجود است، این داده ها می توانند برای توصیف وجود جوامع گونه ای استفاده شوند، به عنوان مثال، کدام داده های آب و هوایی یا شیب ها با آن جوامع مرتبط است. به عنوان مثال، مناطق مختلف جهان دارای آب و هوای مدیترانه ای هستند – نه تنها حوزه مدیترانه، بلکه برخی از بخش های ساحل غربی ایالات متحده نیز.
فقط شروع
تجزیه و تحلیل ترکیب گونه‌ها در آنجا محققان را قادر می‌سازد تا در مورد جغرافیای زیستی این زیستگاه‌ها نتیجه‌گیری کنند، یعنی اینکه کدام یک از اثرات زیست‌محیطی به وجود گونه‌های خاص کمک می‌کند. و این تازه شروع آن است:
سامی دومیش می‌گوید: «وقتی بدانیم چقدر آب در کجا جریان دارد، می‌توانیم تجزیه و تحلیل دقیقی از زیستگاه‌های رودخانه‌ای در سراسر جهان انجام دهیم، تا کوچک‌ترین بازوی رودخانه». حتی در نقاطی از جهان که عملاً برای انسان غیرقابل دسترس است.
مفهوم Digital Twins یا دوقلو دیجیتال در سال‌های اخیر عملاً گسترده شده است، اما در محیط ساخته شده، اصطلاح سنتی مدت‌ها «مدل شهر سه‌بعدی» بوده است. با این حال، دوقلو دیجیتال به طور فزاینده ای به عنوان یک مفهوم مفید که فراتر از مدل های سه بعدی شهر گسترش می یابد، نه تنها برای مدل سازی، بلکه برای شبیه سازی شهرها نیز پذیرفته می شود. بنابراین دوقلو دیجیتال چیست، چگونه از آنها استفاده می‌شود و چه چالش‌هایی در بر دارند؟
مفهوم دوقلوی دیجیتال در سال های اخیر عملاً منفجر شده است، همانطور که با افزایش روزافزون تعداد مقالات علمی که از این مفهوم استفاده می کنند، مشهود است. این مفهوم از صنعت تولید سرچشمه می گیرد که در آن استفاده از مدل های CAD امکان ایجاد کپی دیجیتال دقیق از اجزا و محصولات را فراهم می کند. اولین استفاده از این اصطلاح به سال 2003 برمی گردد و اغلب به گریوز و ویکرز نسبت داده می شود، اما می توان ارجاعات قبلی به این مفهوم را یافت. مطمئناً، درک این موضوع که مدل‌های ریاضی و اخیراً دیجیتالی سیستم‌های فیزیکی از اهمیت زیادی هم برای علم و هم برای مهندسی برخوردار هستند به قرن‌ها قبل برمی‌گردد.
تعریف دوقلو دیجیتال Digital Twins
پس یک دوقلو دیجیتال چیست؟ هم در ادبیات علمی و هم بیشتر از آن، در روایت‌های تجاری، «دوقلو دیجیتال» یک مفهوم کاملاً کشسان است که برای برچسب‌گذاری فناوری‌ها یا سیستم‌هایی که ممکن است مطابق با همه معیارهای یک دوقلو دیجیتال باشند یا نباشند، استفاده می‌شود. آیا یک دوقلو دیجیتال نیاز به یک مدل سه بعدی دارد؟ آیا یک دوقلو دیجیتال باید داده‌های حسگر زمان واقعی را شامل شود؟ آیا یک دوقلو دیجیتال نیاز به مدل سازی و شبیه سازی ریاضی دارد؟
نگاهی به برخی از تعاریف متعددی که برای مفهوم دوقلو دیجیتال ارائه شده است، آموزنده و جالب است، زیرا به نظر می‌رسد برخی از همگرایی نسبت به یک تعریف پذیرفته شده جهانی وجود دارد. به عنوان مثال، اکثر تعاریف اکنون موافق هستند که یک دوقلو دیجیتال مدلی از یک سیستم فیزیکی است که سیستم فیزیکی را در زمان واقعی منعکس می کند و امکان تجزیه و تحلیل و پیش بینی سیستم فیزیکی را فراهم می کند. بنابراین می توان از دوقلو دیجیتال هم برای تجزیه و تحلیل سیستم فیزیکی (“آنچه هست”) و هم برای پیش بینی رفتار آینده آن تحت فرضیات داده شده (“چه چیزی ممکن است”) استفاده کرد.
این تعریف تا حدی با تعریف رشید و همکاران همپوشانی دارد. (2020): “یک دوقلو دیجیتال به عنوان یک نمایش مجازی از یک دارایی فیزیکی تعریف می شود که از طریق داده ها و شبیه سازها برای پیش بینی، بهینه سازی، نظارت، کنترل و تصمیم گیری در زمان واقعی فعال می شود.
” تعریف مشابهی توسط IBM استفاده شده است: “یک دوقلو دیجیتال نمایش مجازی یک شی یا سیستم است که چرخه حیات خود را در بر می گیرد، از داده های زمان واقعی به روز می شود و از شبیه سازی، یادگیری ماشین و استدلال برای کمک به تصمیم گیری استفاده می کند.” این دو تعریف اخیر بر دو فناوری تأکید دارند که ممکن است برای فعال کردن عملکرد پیش‌بینی دوقلو دیجیتال استفاده شوند: شبیه‌سازی و یادگیری ماشین.
شکل 1: جزئیات مرز یک مش حجمی چهار وجهی سه بعدی که از داده های ابر کاداستر و نقطه تولید می شود.
تعریفی که اغلب در ادبیات قبلی در مورد دوقلو دیجیتال دیده می شود این است که توسط گلسگن و استارگل (2012): ” دوقلو دیجیتال یک شبیه سازی چندفیزیکی یکپارچه، چند مقیاسی و احتمالاتی از یک سیستم […] ساخته شده است که از بهترین فیزیکی موجود استفاده می کند.
مدل‌ها، به‌روزرسانی‌های حسگر، […]، برای منعکس کردن زندگی Twins[فیزیکی] متناظر آن.” تعریف ساده‌تری در ویکی‌پدیا ارائه شده است: «یک دوقلو دیجیتال یک نمایش مجازی است که به عنوان همتای دیجیتالی بلادرنگ یک شی یا فرآیند فیزیکی عمل می‌کند».
در حوزه شهرهای دیجیتال، استوتر و همکاران. (2021) بر استفاده از مدل‌های شهر سه بعدی به عنوان بخش اساسی یک دوقلو دیجیتال تأکید می‌کند: «[دوقلو دیجیتالها] باید بر اساس مدل‌های سه‌بعدی شهر، حاوی اشیایی با اطلاعات هندسی و معنایی باشد. باید حاوی داده های حسگر زمان واقعی باشد. و باید انواع تحلیل ها و شبیه سازی ها را ادغام کند تا بتواند بهترین تصمیمات طراحی، برنامه ریزی و مداخله را اتخاذ کند.
این تعریف یادآور سنت طولانی در محیط ساخته شده برای ایجاد مدل های سه بعدی از شهرها و ساختمان ها است، که ممکن است با داده های معنایی غنی شده و به عنوان مبنایی برای تجزیه و تحلیل، از جمله، به عنوان مثال، تحلیل نور روز و انرژی، و همچنین شبیه سازی استفاده شود.
مواردی مانند ترافیک، راحتی باد یا کیفیت هوا. در محیط ساخته شده، اصطلاح سنتی «مدل شهر سه بعدی» است، و به تازگی مفهوم دوقلو دیجیتال به عنوان یک مفهوم مفید و چیزی فراتر از مدل‌های سه بعدی شهر مورد پذیرش قرار گرفته است.
داده های خام
نقطه شروع برای ایجاد دوقلو دیجیتال یک شهر، دسترسی به داده های خام است. این داده ها ممکن است از اسکن های هوایی به شکل ابرهای نقطه ای ایجاد شوند. سپس ابرهای نقطه ای برای ایجاد مدل های شهر دو بعدی یا سه بعدی پردازش می شوند. دسترسی به داده ها بین کشورها متفاوت است و ممکن است همیشه باز یا آزادانه در دسترس نباشد.
در سوئد، Lantmäteriet، مرجع نقشه‌برداری، کاداستر و ثبت زمین سوئد، مجموعه‌ای از مجموعه‌های داده شامل ابرهای نقطه‌ای و نقشه‌های دوبعدی را برای کل سوئد (با پرداخت هزینه) ارائه می‌کند. در همین حال، مجموعه داده های دقیق تر و با کیفیت بالاتر، از جمله مدل های سه بعدی، در اختیار شهرداری های محلی است.
در هلند وضعیت متفاوت است. آدرس‌ها و ساختمان‌های 3D Baseregister (BAG) دسترسی رایگان و آزاد به مدل‌های سه بعدی را برای تمام ده میلیون ساختمان در کشور فراهم می‌کند. علاوه بر این، مجموعه داده به طور منظم و خودکار بازسازی می شود تا یک مدل سه بعدی به روز از کل کشور ارائه کند.
شکل 2: نتایج اولیه از شبیه سازی آسایش باد شهری توسط DTCC (در Unreal Engine ارائه شده است).
مدل های داده
برای ساختن یک دوقلو دیجیتالی با پیچیدگی و کاربرد، ضروری است در نظر بگیریم که کدام مدل داده برای تعریف دوقلو دیجیتال استفاده می شود. توجه داشته باشید که این با مدل(های) ریاضی مورد استفاده برای شبیه سازی و پیش بینی متفاوت است.
انتخاب مدل داده دیکته می‌کند که کدام داده می‌تواند نمایش داده شود، و کدام مواردی که ممکن است توسط دوقلو دیجیتال پشتیبانی شود. مدل داده اجرای یک هستی شناسی خاص است که به طور صریح یا ضمنی توسط پیاده سازی تعریف شده است. هستی شناسی نحوه توصیف و درک داده های دوقلو دیجیتال را از نظر کلاس ها، ویژگی ها و روابط تعریف می کند. چندین مدل داده و قالب‌های تبادل متناظر برای مدلسازی شهر پیشنهاد شده‌اند.
یکی از برجسته ترین آنها CityGML است که استانداردی از کنسرسیوم فضایی باز (OGC) است. فرمت CityJSON مرتبط (همچنین یک استاندارد OGC) یک رمزگذاری ساده شده و بسیار برنامه نویس پسندتر از مدل CityGML است.
مشترک بسیاری از مدل‌های داده برای مدلسازی شهر، مفهوم سطح جزئیات (LOD) است. این مفهوم، مدل داده را قادر می‌سازد تا نمایش‌های مختلف شهر را با سطوح مختلف جزئیات (رزولوشن هندسی) برای اهداف مختلف ذخیره کند.
وجود همزمان چندین سطح از جزئیات در یک دوقلو دیجیتال تأکید می کند که دوقلو دیجیتال در واقع مدلی از سیستم فیزیکی است که منعکس می کند، و نمایش دیجیتال و همچنین دقت آن توسط هر دو مورد استفاده که دوقلو دیجیتال برای آنها طراحی شده است دیکته می شود. ، کیفیت داده ها و منابع محاسباتی موجود.
شکل 3: تجسم یک دوقلو دیجیتال از پردیس دانشگاه صنعتی چالمرز در گوتنبرگ (در Unreal Engine ارائه شده است).
تولید داده
موارد استفاده مختلف از یک دوقلو دیجیتال اغلب به نمایش داده های بسیار متفاوتی نیاز دارند. برای مدلسازی یک شهر، اگر از یک معمار یا یک دانشمند محاسباتی سؤال شود، ممکن است درک آنچه که یک مدل سه بعدی با کیفیت بالا را تشکیل می‌دهد، بسیار متفاوت باشد. برای معمار، یک مدل سه بعدی با کیفیت بالا ممکن است به معنای مجموعه ای دقیق از شبکه های سطحی باشد که توپوگرافی شهر و هندسه ساختمان های آن را توصیف می کند.
مش های سطح ممکن است هم ناسازگار و هم ناسازگار باشند، زیرا مش ها بیشتر برای تجسم و محاسبات ساده مانند آنالیز نور روز استفاده می شوند. از سوی دیگر، برای یک دانشمند محاسباتی، یک مدل سه بعدی با کیفیت بالا ممکن است به معنای یک شبکه حجمی با وضوح پایین، برازش مرزی و منطبق باشد که ممکن است برای اجرای چیزهایی مانند شبیه‌سازی دینامیک جریان محاسباتی (CFD) استفاده شود.
تیم مرکز شهرهای دوقلو دیجیتال (DTCC) در سوئد در حال حاضر در حال توسعه یک پلتفرم منبع باز برای نمایش و تولید مدل های داده با کیفیت بالا برای دوقلوهای دیجیتال شهرها هستند. یکی از مراحل کلیدی، تولید شبکه‌های سطحی با کیفیت بالا و شبکه‌های حجمی چهاروجهی از داده‌های کاداستر و ابر نقطه‌ای با کارایی بالا است (شکل 1). این امکان تولید ساده و کارآمد مدل های سه بعدی را برای هر بخشی از سوئد (یا هر نقطه دیگری از جهان که داده های سازگار دارد) را فراهم می کند.
تولید مش در حال حاضر به مدل های LOD1 محدود شده است، به این معنی که ساختمان ها به صورت منشورهای چند ضلعی (بام های تخت) نشان داده می شوند. با این حال، کار برای گسترش نسل مش به مدل‌های LOD2، از جمله شکل‌های غیر مسطح پشت بام بر اساس تقسیم‌بندی سقف‌ها از عکس‌های ارتو با استفاده از تکنیک‌های یادگیری ماشین، در حال انجام است.
شکل 4: تجسم یک شبکه جاده به عنوان بخشی از دوقلوی دیجیتالی یک منطقه در مرکز گوتنبرگ (در Unreal Engine ارائه شده است).
مدل سازی و شبیه سازی
با وجود مش های محاسباتی که به راحتی برای هر شهری در دسترس هستند، طبیعی است که استفاده از مدل سازی و شبیه سازی مبتنی بر فیزیک را برای فعال کردن تجزیه و تحلیل و پیش بینی پیشرفته در نظر بگیریم. نمونه‌هایی از پدیده‌های فیزیکی که ممکن است در مطالعه شهرها مرتبط باشند عبارتند از آسایش باد شهری (شرایط باد در سطح خیابان)، کیفیت هوا، نویز، و میدان‌های الکترومغناطیسی (برای تحلیل پوشش شبکه).
یکی از نمونه‌های این شبیه‌سازی که در حال حاضر در DTCC بررسی می‌شود، شبیه‌سازی آسایش باد شهری است. این شبیه‌سازی از یک روش مرز غوطه‌ور برای معادلات رینولدز میانگین ناویر-استوکس (RANS) با استفاده از IPS IBOFlow استفاده می‌کند. تمرکز فعلی بر تأیید و اعتبارسنجی نتایج شبیه‌سازی برای مجموعه‌ای از موارد معیار شبیه‌سازی باد شهر است که قبلاً در تونل‌های باد مورد مطالعه قرار گرفته‌اند.
برخی از نتایج اولیه در شکل 2 نشان داده شده است. نمونه‌های دیگر از مدلسازی و شبیه‌سازی مبتنی بر فیزیک که در حال حاضر در DTCC مورد بررسی قرار می‌گیرند، شامل شبیه‌سازی کیفیت هوا، صدای خیابان، حرکت جمعیت و شبیه‌سازی ژئوتکنیکی بر اساس مدل‌های الاستوپلاستیک از خاک رس نرم است که مقدار زیادی را تشکیل می‌دهد. از زیرزمینی گوتنبرگ
تجسم
تجسم داده‌ها در مقیاس شهری، خود زمینه‌ای برای تحقیقات مداوم است. اطلاعات فیزیکی، مانند جریان باد و کیفیت هوا (به عنوان مثال، غلظت آلاینده ها)، باید به گونه ای ارائه شود که برای کاربر نهایی قابل درک باشد، اما بدون ساده سازی بیش از حد نتایج علمی. ارتباط موثر نتایج مستلزم چندین تکرار طراحی است که در آن محققین، توسعه دهندگان و کاربران نهایی/ذینفعان درگیر هستند.
DTCC به طور فعال با سهامداران اصلی مانند آژانس حمل و نقل سوئد در پروژه های تحقیقاتی همکاری می کند که چگونگی ارتباط بهترین نتایج شبیه سازی را با گروه های مختلف کاربر بررسی می کند. پروژه‌های تحقیقاتی در حال انجام در حوزه تجسم بر راه‌حل‌های مختلف برای اشتقاق داده، آماده‌سازی، بسته‌بندی، همگن‌سازی و انتشار تمرکز می‌کنند.
موتورهای گرافیکی مختلف آزمایش شده و مورد استفاده قرار می گیرند، به عنوان مثال، Unreal Engine و OpenGL، و همچنین پیاده سازی های مختلف برنامه های کاربردی وب مبتنی بر Mapbox، CesiumJS و Babylon.js.
شکل 5: تجسم داده های حجمی به عنوان بخشی از دوقلوی دیجیتالی یک منطقه در مرکز گوتنبرگ (در Unreal Engine ارائه شده است).
چالش های فنی
چالش‌های زیادی در ایجاد یک دوقلوی دیجیتالی از چیزی بسیار پیچیده مانند یک شهر وجود دارد. از آنجایی که شهر خود یک سیستم پیچیده است که نه تنها خیابان‌ها و ساختمان‌های شهر، بلکه ساکنان آن، اتومبیل‌های در حال حرکت در خیابان‌ها، تعامل با محیط اطراف (باد و آب) و همچنین زیرساخت‌های زیرزمینی را در بر می‌گیرد. – که گاهی اوقات نادیده گرفته می شود و در عین حال بسیار قابل توجه است – طبیعی است که ایجاد یک دوقلوی دیجیتالی شهر به همان اندازه پیچیده باشد.
بنابراین، وظیفه ساختن دوقلو دیجیتال به طور ضروری پروژه ای است که باید متخصصان بسیاری از رشته های مختلف را درگیر کند. چالش‌های فنی درگیر در ساختن دوقلو دیجیتال، هم شامل چالش‌های بین‌رشته‌ای در همکاری بین اعضای تیم از رشته‌های بسیار متفاوت و هم چالش‌های فنی درون رشته‌ای یا دامنه خاص از قبل ایجاد شده، مانند نحوه پیاده‌سازی یک حل‌کننده المان محدود با کارآمدترین روش برای یکی می‌شود.
از بسیاری از مدل‌های ریاضی که با هم مدل چندفیزیکی را تشکیل می‌دهند که دوقلوی دیجیتالی است.
چالش های غیر فنی
با کنار گذاشتن چالش‌های فنی، چالش‌های اصلی که تاکنون در DTCC تجربه شده‌اند، همگی به داده‌ها مربوط می‌شوند:
مالکیت داده در سراسر سازمان ها: داده ها اغلب نه رایگان هستند و نه باز. سازمان‌ها، حتی شهرداری‌ها، تمایلی به اشتراک‌گذاری آزادانه داده‌های خود ندارند، زیرا در مقطعی سرمایه‌گذاری قابل‌توجهی در جمع‌آوری و مدیریت آن انجام داده‌اند. این در نقاط مختلف جهان متفاوت است. در برخی موارد (مانند هلند)، داده ها در واقع رایگان و باز هستند.
دوقلو چون واقعیت دائما در حال تغییر است. تنها راه برای اتصال مجدد دوقلو دیجیتال به دوقلو فیزیکی، سرمایه گذاری در یک پروژه جدید و پرهزینه است. بنابراین، فرآیند ایجاد دوقلو دیجیتال باید به طور خودکار انجام شود تا بتوان آن را به طور مداوم بازسازی و بازسازی کرد.
کیفیت داده در بین رشته‌ها: همانطور که در مثال فوق الذکر از یک مش برای استفاده توسط یک معمار در مقابل یک دانشمند محاسباتی، یک مجموعه داده خاص ممکن است برای یک مورد خاص با کیفیت بالا در نظر گرفته شود، اما ممکن است برای موارد استفاده دیگر از کیفیت بسیار پایینی برخوردار باشد.
پایداری داده در طول زمان: ایجاد یک دوقلو دیجیتال باید به عنوان یک فرآیند درک شود تا به عنوان یک پروژه. نمونه‌های زیادی از شهرها، شهرداری‌ها و سایر سازمان‌ها وجود دارد که روی پروژه‌هایی برای ایجاد یک مدل سه بعدی یا حتی یک دوقلو دیجیتال سرمایه‌گذاری می‌کنند، اما چند سال بعد (یا حتی فقط چند ماه) متوجه می‌شوند که دوقلوی دیجیتال دیگر منعکس‌کننده شرایط فیزیکی نیست.
شکل 6: تجسم یک دوقلو دیجیتال از حومه گوتنبرگ (با استفاده از WebGL ارائه شده است).
سپاسگزاریها
این اثر بخشی از مرکز شهرهای دوقلو دیجیتال است که توسط آژانس نوآوری سوئد Vinnova تحت کمک مالی شماره 2019-00041 پشتیبانی می‌شود. نویسندگان می‌خواهند از اپیک گیمز برای تأمین مالی بخش‌هایی از این اثر با یک مگا گرانت Epic تشکر کنند. علاوه بر این، آنها از Sanjay Somanath، Daniel Sjölie، Andreas Rudenå و Orfeas Eleftheriou برای ارائه تصاویر موجود در اینجا سپاسگزاری می کنند. این مقاله بر اساس «شهرهای دوقلو دیجیتالی: مدلسازی چند رشته‌ای و شبیه‌سازی با عملکرد بالا شهرها» است که برای اولین بار در نسخه ژوئن 2022 خبرنامه ECCOMAS منتشر شد.
به دلیل اندازه آن، ذخیره داده های بزرگ (BIG DATA) با استفاده از نرم افزارهای سنتی پردازش داده ها دشوار و پردازش آنها پیچیده است. به جای انتقال داده های بزرگ به محیط های محاسباتی تخصصی، سازمان ها معمولاً این داده ها را در ابرهای مدیریت شده ذخیره و تجزیه و تحلیل می کنند.
ArcGIS GeoAnalytics Engine قدرت قابلیت‌های تجزیه و تحلیل فضایی Esri را به جایی می‌آورد که داده‌های بزرگ (BIG DATA) مبتنی بر ابر سازمان‌ها زندگی می‌کنند: در دریاچه‌های داده، انبارهای داده و پایگاه‌های داده. محیط های ابری پشتیبانی شده عبارتند از Microsoft Azure Synapse Analytics، Amazon EMR و Google Cloud Dataproc.
با استفاده از ابزار تجزیه و تحلیل Find Hot Spots در ArcGIS GeoAnalytics Engine، دانشمندان داده 16 میلیارد رکورد تلفن همراه را پردازش کردند تا الگوهای قدرت سیگنال سلولی را در سراسر ایالات متحده ایجاد کنند. (داده های Cell Analytics با رضایت قبلی Ookla، تکثیر، تجزیه و تحلیل و منتشر شد.)
دانشمندان داده و تحلیلگران GIS مستقیماً از داخل Apache Spark، موتور پردازش داده در مقیاس بزرگ که برای تجزیه و تحلیل داده های بزرگ(BIG DATA) طراحی شده است، به GeoAnalytics Engine دسترسی دارند. این باعث می‌شود که تجزیه و تحلیل فضایی روی داده‌های بزرگ(BIG DATA) سریعتر و کارآمدتر شود در حالی که فراتر از اصول اولیه است.
انجام تجزیه و تحلیل در جایی که داده ها ذخیره می شوند
در گذشته، داده ها باید به جایی منتقل می شدند که تجزیه و تحلیل در دسترس بود، معمولاً در محیط های تحلیل تخصصی. اما انتقال داده های انبوه هزینه زیادی دارد و زمان بر است و سیلوهای داده را ایجاد می کند.
اساساً به همین دلیل است که دانشمندان داده Spark – یک موتور تجزیه و تحلیل منبع باز که برای پردازش مقادیر زیادی داده استفاده می شود – به عنوان محیط کلان داده انتخابی خود انتخاب کردند. از محاسبات خوشه‌ای برای افزایش سرعت پردازش داده‌های بزرگ (BIG DATA) استفاده می‌کند در حالی که میزبان کتابخانه‌های مختلف توابع تحلیلی است که مستقیماً به داده‌هایی که در آن ذخیره می‌شوند تحویل داده می‌شوند.
GeoAnalytics Engine بومی Spark است، بنابراین از قدرت محاسباتی Spark استفاده می کند و در عین حال حجم عظیمی از داده های مکانی را به سرعت پردازش می کند. بدون GeoAnalytics Engine، پردازش مجموعه داده های بزرگ (BIG DATA) می تواند ساعت ها یا حتی روزها طول بکشد. اما تست بنچمارک انجام شده توسط Esri نشان می‌دهد که عملکرد GeoAnalytics Engine 10 تا 100 برابر سریعتر از سایر گزینه‌های تحلیل فضایی منبع باز است.
پردازش 16 میلیارد رکورد در پنج دقیقه
سازمان‌های دولتی و سازمان‌های تجاری اغلب با ده‌ها میلیارد رکورد کار می‌کنند تا اطلاعات عملی را از داده‌ها به دست آورند. به عنوان مثال، داده های پوشش شبکه سلولی بسیار زیاد است و اگر تجزیه و تحلیل فضایی مناسب روی آن اعمال شود، می تواند اطلاعات زیادی را نشان دهد.
استفاده‌های واقعی از داده‌های پوشش سلولی ناشناس شامل تعیین مکان‌های پوشش رضایت‌بخش یا نامطلوب شبکه‌های تلفن همراه و یافتن تعداد افراد در یک سایت خاص برای مدت زمان خاص است. Cell Analytics، از شریک Esri Ookla، داده های بزرگی را در مورد نحوه عملکرد شبکه های سلولی در سراسر جهان هر روز جمع آوری می کند.
با استفاده از مجموعه داده ای از حدود 16 میلیارد رکورد غیرشخصی از Cell Analytics (مجموعه داده پوشش سلولی از Speedtest)، تیمی از دانشمندان داده در Esri از ابزارهای Find Hot Spots و Find Dwell Locations در GeoAnalytics Engine برای شناسایی الگوهای قدرت سیگنال سلولی و انسان استفاده کردند. حضور و تحرک استخراج، تبدیل، بارگذاری و تجزیه و تحلیل 16 میلیارد رکورد کمتر از پنج دقیقه طول کشید. سپس این تیم توانست به سرعت داشبوردهای تعاملی، برنامه های وب و موبایل، داستان های مبتنی بر نقشه و مدل های تحلیلی بسازد تا اطلاعات عملی را با سهامداران به اشتراک بگذارد.
در این سناریو، اگر دانشمندان داده از بسته‌های تحلیل فضایی سنتی استفاده می‌کردند، باید داده‌ها را به صورت جغرافیایی فهرست‌بندی می‌کردند که زمان قابل‌توجهی را می‌طلبد. GeoAnalytics Engine به کاربران این امکان را می‌دهد که از آن مرحله بگذرند و داده‌های مکانی را فوراً به کار گیرند و فرآیند رسیدن از داده‌های خام به نتایج عملی را ساده‌تر کند.
این بدان معنی است که تجزیه و تحلیل داده ها می تواند بلافاصله شروع شود. کاربران می توانند به جای از دست دادن زمان ارزشمند برای جابجایی و آماده سازی داده ها، بر پشتیبانی از ماموریت در دست تمرکز کنند. و پس از تولید، نتایج تجزیه و تحلیل به راحتی قابل ارتباط است تا ذینفعان بتوانند عمل کنند.
یک نقشه هگزبین، خوشه هایی از 311 تماس و زمان پاسخ را نشان می دهد. سطل‌های تاریک‌تر مناطقی را نشان می‌دهند که کمک تماس با 311 کارآمدی کمتری داشت. (داده ها توسط شهر نیویورک ارائه شده است.)
دیدن تصویر کامل
GeoAnalytics Engine کاربران را قادر می سازد تا تحلیل های جامعی از موقعیت های خاص ایجاد کنند. دارای کتابخانه ای از بیش از 120 توابع و ابزار تجزیه و تحلیل – از ابزارهای تبدیل ساده و تجمیع فضایی تا الگوریتم های آماری پیشرفته که در بسته های منبع باز موجود نیستند – در یک گردش کار استاندارد تجزیه و تحلیل کلان داده ها. بنابراین، دانشمندان داده و تحلیلگران GIS دیگر مجبور نیستند بسته های تجزیه و تحلیل فضایی را با هم وصله کنند تا تصویر کاملی از یک موقعیت بدست آورند.
برای انجام تجزیه و تحلیل کامل تصویر با GeoAnalytics Engine، دانشمندان داده در Esri اطلاعات عمومی را از وب‌سایت داده‌های باز شهر نیویورک به‌دست آوردند تا ببینند که در کجا شکایت‌های نویز در تعداد زیاد رخ می‌دهد. مقامات شهری می‌توانند از نتایج تحلیلی مانند این برای شناسایی مکان‌هایی که نیاز به استفاده از منابع دستکاری نویز بیشتری دارد استفاده کنند.
در نیویورک، ساکنان می‌توانند با مرکز خدمات مشتریان 311 شهر تماس بگیرند یا پیامی ارسال کنند تا شکایت‌های صوتی را مطرح کنند (و به سایر خدمات شهری غیر اضطراری دسترسی پیدا کنند). تیم Esri برای انجام تجزیه و تحلیل، 27 میلیون پرونده شکایت نویز را برای یک دوره 10 ساله به دست آورد.
اگر اعضای تیم برای پاسخ دادن به سؤال اصلی خود به تجزیه و تحلیل سنتی متکی بودند، می توانستند از داده های 311 برای تعیین اینکه آیا شکایات نویز افزایش یافته، کاهش یافته یا ثابت مانده اند استفاده می کردند، اما یافتن اینکه کجاست بسیار دشوارتر بود. و اینکه شکایات چه زمانی رخ داده است و چه مدت طول کشیده است تا به آنها پاسخ داده شود. اینجاست که تحلیل فضایی وارد می‌شود.
با استفاده از GeoAnalytics Engine برای پردازش داده‌ها، تیم یک نقشه هگزبین ایجاد کرد تا خوشه‌هایی از 311 شکایت نویز را به همراه زمان‌های پاسخ مربوط به آنها نشان دهد. سطل‌های تیره‌تر روی نقشه، مناطقی را نشان می‌دهند که پاسخگویی مقامات شهری به شکایات مربوط به سر و صدا بیشتر طول می‌کشد که نشان‌دهنده کارآمدی کمتر خدمات 311 است.
ادامه به تکامل تجزیه و تحلیل فضایی کلان داده(BIG DATA)
از آنجایی که سازمان‌ها حجم بیشتری از داده‌های مکانی را به دست می‌آورند که نیاز به پردازش و تجزیه و تحلیل دارند، قابلیت‌های GeoAnalytics Engine همچنان به رشد خود ادامه می‌دهند. نسخه‌های آینده بر افزودن ابزارها و توابع، پیشبرد نحوه ورود و به اشتراک‌گذاری داده‌ها از موتور GeoAnalytics و افزایش قابلیت‌های تجسم تمرکز خواهند کرد.
صنعت زمین فضایی به کدام سمت می رود؟ شرکت ها روی کدام فعالیت های اصلی تمرکز خواهند کرد؟ پیشرفت های سریع تکنولوژیکی چگونه آینده را شکل خواهند داد؟ نسخه اخیر HxGN Live Global در لاس وگاس یک مرکز مهم برای حرفه ای ها تشکیل داد که می خواستند تصویر واضحی از آنچه در زمینه نقشه برداری و نقشه برداری در پیش است به دست آورند – و همچنین، همانطور که در طول رویداد آشکار شد، به طور فزاینده ای خارج از آن.
هگزاگون بدون شک یک نیروگاه راه حل های واقعیت دیجیتال است، بنابراین جای تعجب نداشت که شرکت کنندگان در کنفرانس پرچمدار این شرکت، HxGN Live Global 2022، در اوایل سال جاری در جدیدترین حسگرها، نرم افزارها و فناوری های مستقل غوطه ور شدند. همه چیز به طرز خیره کننده ای به نمایش گذاشته شده بود، با سالن مملو از حضور مدیران پرشور هگزاگون در یک صحنه بزرگ که توسط نماهای صوتی و تصویری خیره کننده پشتیبانی می شد. چشم انداز آینده این شرکت میلیارد دلاری با به روز رسانی ها، راه اندازی محصول و سایر اعلامیه ها آمیخته شد. اما فلسفه پشت تحولات تکنولوژیکی چیست و چگونه بر کار نقشه بردار تأثیر می گذارد؟
متاورس
HxGN Live Global 2022 در The Venetian Resort در لاس وگاس، ایالات متحده آمریکا، از 20 تا 22 ژوئن برگزار شد. کلمه کلیدی امسال قطعا «متاورس» بود. یکی از مشکلات کلمات رایج این است که آنها اغلب معنای واقعی را پنهان می کنند تا اینکه به طور موثر آن را منتقل کنند. با این حال، در لاس وگاس، خوشبختانه بحث ها عمیق تر شد. به گفته کنسرسیوم فضایی باز، متاورس «اینترنت است که توسط فناوری‌های سه بعدی بلادرنگ دگرگون شده است، اما تأثیر سه‌بعدی بلادرنگ در حال تغییر فضای جغرافیایی نیز هست.
در فراجهان، دنیای واقعی و اینترنت با هم ادغام خواهند شد – و اطلاعات مکانی و فناوری کلید این ترکیب خواهند بود. در یک سخنرانی کلیدی در مورد این موضوع، به نام “جایی که متاورس با تجارت روبرو می شود”، بورخارد بوکم، مدیر ارشد فناوری شش ضلعی، نیز بر این نکته تاکید کرد که فضای مکانی و فراجهان در هم تنیده شده اند. او متاورس را “سفر به واقعیت جدید” توصیف کرد که صنعت را متحول می کند.
او توضیح داد که این سفر همراه با فناوری جدید ایجاد شده توسط هگزاگون است، در حالی که او روی تمام اجزای مورد نیاز برای ایجاد یک واقعیت دیجیتال هوشمند زوم کرد – از فتوگرامتری پیشرفته و راه حل های سنجش از دور غنی شده با هوش مصنوعی (AI) و روباتیک. به GIS و مدل سازی اطلاعات ساختمان (BIM).
بورخارد بوکم متاورژن را به عنوان “سفر به واقعیت جدید” توصیف کرد که صنعت زمین فضایی را متحول می کند.
پایداری
برای این سخنرانی کلیدی، اریک یوزفسون به بوئکم روی صحنه پیوست. او مدیرعامل R-Evolution، زیرمجموعه نوآوری پایدار و سرمایه‌گذاری فناوری سبز Hexagon است که هدف آن اختراع مجدد و توانمندسازی صنعت برای مقابله با خطرات پیچیده زیست محیطی است. به گفته جوزفسون، پایداری “بزرگترین فرصت تجاری قرن بیست و یکم” است. او این بیانیه را با نمونه هایی از دیجیتالی کردن تولید انرژی خورشیدی و جذب مقادیر زیادی CO2 در جنگل های علف دریایی پشتیبانی کرد. اوایل آن روز صبح، اولا رولن یک جلسه توجیهی صبحانه برای نمایندگان رسانه‌هایی که این رویداد را پوشش می‌دادند برگزار کرده بود.
رولن که از 31 دسامبر به عنوان رئیس و مدیر عامل Hexagon توسط پائولو گوگلیلمینی جانشین وی خواهد شد، چهار تغییر عمده را بیان کرد که به اعتقاد او صنعت زمین فضایی و کار نقشه برداران را در دهه آینده تغییر خواهد داد: از خرید به اشتراک، از اتوماسیون به خودمختاری. از سوخت‌های فسیلی گرفته تا انرژی‌های تجدیدپذیر، و از دوقلوی دیجیتال تا واقعیت دیجیتال هوشمند. با “واقعیت دیجیتالی هوشمند”، Hexagon به این معنی است که یک مدل مجازی این پتانسیل را دارد که بسیار بیشتر از یک کپی دیجیتالی از فضای بیرون باشد. تعامل منابع داده ایستا و زنده با هم می تواند آنچه را که در واقعیت اتفاق می افتد نشان دهد.
دموکراتیک سازی ژئوفضایی
به طور سنتی، صنعت زمین فضایی تحت سلطه نقشه برداران زمین و متخصصان GIS بود. بر اساس داده‌های به‌دست‌آمده با استفاده از دستگاه‌های با فناوری پیشرفته که بر روی پلت‌فرم‌های زمینی، هوابرد یا سیار نصب شده‌اند، آنها دانش و مهارت‌های تخصصی خود را برای مکان‌یابی و نقشه‌برداری عناصر دنیای واقعی به کار گرفتند. بینش های حاصل عمدتاً برای حمایت از پروژه های معماری، مهندسی و ساخت و ساز (AEC) یا برای حل چالش های مدیریت زمین استفاده شد.
با این حال، پیشرفت‌های فناوری اخیر جمع‌آوری حجم بیشتری از داده‌های مکانی بسیار دقیق‌تر و دقیق‌تر را آسانتر کرده است. علاوه بر این، اکنون می‌توان چندین منبع داده را برای ایجاد مدل‌های سه‌بعدی محیط‌ها، از جمله ساختمان‌ها و سایر ویژگی‌های فیزیکی – و حتی دوقلوهای دیجیتال کل شهرها – با هزینه بسیار کمتر از قبل ترکیب کرد.
در دسترس بودن گسترده‌تر این داده‌ها، فرصت‌های بی‌شماری را برای کاربرد راه‌حل‌های مکانی در طیف وسیعی از بخش‌هایی که قبلاً کشف نشده بودند، باز کرده است. این دموکراتیزه‌سازی فضای جغرافیایی پیامدهای عمیقی برای جهت‌گیری آینده شرکت‌هایی مانند Hexagon دارد و این موضوع در طول رویداد HxGN Live به طور فزاینده‌ای آشکار شد.
دوقلویی دیجیتال
در حالی که متاورس یک موضوع رایج در کنفرانس بود، بسیاری از موضوعات مورد بحث در طول جلسات متعدد به دوقلوهای دیجیتال و فناوری زمین فضایی زیربنایی مربوط می شد. این امر منطقی است، زیرا دوقلوهای دیجیتال را می توان به عنوان یک بلوک سازنده مهم متاوره از نظر دسترسی به دنیای فیزیکی در یک محیط مجازی در نظر گرفت. اما این در عمل به چه معناست؟
«دوقلویی دیجیتال» چگونه به زندگی روزمره و به طور کلی جامعه سود می‌رساند؟ در HxGN Live، تجربه دیرینه هگزاگون از ترکیب ورودی‌های حسگرهای ثبت واقعیت با نرم‌افزار و ابزارهای تجسم پیشرفته برای فعال کردن اطلاعات از راه دور و مبتنی بر مکان به وضوح درخشید. این شرکت نشان داد که چگونه می‌توان از واقعیت‌های دیجیتال هوشمند برای بهبود موقعیت‌ها و فعالیت‌های محل، بهبود عملکرد و کارایی استفاده کرد.
به عنوان مثال، در حین کار با یک دارایی، مکانیک ها و مهندسان می توانند به دستورالعمل های گام به گام در مورد نحوه تعمیر آن دسترسی مستقیم داشته باشند. این می تواند به ساده سازی وظایف تعمیر و نگهداری و کاهش ضایعات مواد و کار مجدد کمک کند.
Ola Rollén HxGN Live 2022 را با سخنرانی کلیدی در مورد “What Stands in Way تبدیل به راه می شود” آغاز کرد.
زمین فضا زمین فضا زمین فضا زمین فضا زمین فضا زمین فضا زمین فضا زمین فضا زمین فضا زمین فضا زمین فضا زمین فضا زمین فضا زمین فضا زمین فضا زمین فضا زمین فضا زمین فضا زمین فضا
مردم محور
شکی نیست که فناوری دیجیتال به طور غیرقابل برگشتی چهره نقشه برداری و نقشه برداری را تغییر می دهد. اما علیرغم تغییر از اتوماسیون به خودمختاری، هنوز به متخصصان ماهر به شدت مورد نیاز است. به عنوان مثال، اکنون که دوقلوهای دیجیتال در حال حرکت به خط مقدم هستند، به طور فزاینده ای از آنها خواسته می شود تا اطلاعات معناداری را از مدل به دنیای فیزیکی برگردانند.
بنابراین، در بحبوحه این جشن از برخی پیشرفت‌های فن‌آوری شگفت‌انگیز – که بسیاری از آنها واکنش واقعاً مشتاق تماشاگران را که از سراسر جهان به لاس‌وگاس سفر کرده بودند، برانگیخت – دیدن یک پیام مردم‌محور شاداب بود. در یکی از جلسات پربیننده ارائه شد.
توماس هرینگ، رئیس بخش Geosystems Hexagon، در یک سخنرانی مشترک با کریگ مارتین، رئیس بخش ایالات متحده / کانادا و ANZ این شرکت گفت: “در دنیای فناوری، مردم تفاوت را ایجاد می کنند.” مارتین گفت: “هیچکس نمی داند نقشه برداران چه کار می کنند، تا زمانی که دیگر این کار را انجام ندهند.”
سخنرانی پرمخاطب آنها بر نیاز به نسل جدیدی از نقشه برداران و کارشناسان زمین فضایی و چگونگی جذب آنها به صنعت متمرکز بود. آنها حرفه نقشه برداری را به برنامه نویسی رایانه تشبیه کردند که قبلاً تصویری خفه کننده داشت. فقط برای آدم های نادان بود اکنون، سال‌ها بعد، برنامه‌نویسی به یک شغل شیک و مد روز تبدیل شده است.
بنابراین چگونه می‌توانیم اطمینان حاصل کنیم که متخصصان نقشه‌برداری/داده‌های جغرافیایی نیز باحال تلقی می‌شوند؟ هرینگ جلسه را با فراخوانی برای اقدام برای صنعت به پایان رساند: گسترش آگاهی و ایجاد شور و نشاط.
آیا جذب بچه ها به نقشه برداری هدفی دست نیافتنی به نظر می رسد؟ آیا تلاش برای وسوسه کردن جوانان بیشتر به مطالعه ژئوماتیک بیهوده است؟ به نقل از اولا رولن در طول سخنرانی خود: “روز قبل از اینکه چیزی واقعاً یک پیشرفت باشد، ایده دیوانه کننده ای است.”
اسکنر لیزری نسل بعدی: جدید لایکا BLK360
هگزاگون از فرصت HxGN Live 2022 استفاده کرد و Leica BLK360 کاملاً جدید را معرفی کرد که برای ساده‌سازی قابل‌توجهی تصویربرداری از واقعیت و تسهیل ایجاد سریع محصولات معنادار طراحی شده است. این اسکنر لیزری تصویربرداری دقیق پیشرفته از Leica Geosystems مجهز به فناوری اسکن سریع و سیستم اینرسی بصری (VIS) است که به طور خودکار اسکن‌ها را در محل ترکیب می‌کند.
در نتیجه، گرفتن یک اسکن کامل Lidar با تصاویر کروی فقط 20 ثانیه طول می کشد، که باعث می شود بیش از پنج برابر سریعتر از BLK360 اصلی باشد. BLK360 جدید را می توان با استفاده از برنامه موبایل Leica Cyclone FIELD 360 کنترل کرد. همگام‌سازی کامل داده‌ها بین دستگاه‌های دارای Wi-Fi از گردش‌های کاری خودکار پشتیبانی می‌کند که منجر به تولید سریعتر مجموعه داده‌های کامل می‌شود.
Wim van Wegen از GIM International در حین عرضه در HxGN Live 2022 راه‌حل اسکنر لیزری کاملاً جدید Leica BLK360 را به دست آورد.
راه های جدید برای دسترسی به BIG DATA در فضای ابری – از آنجایی که سازمان‌ها به ذخیره‌سازی بیشتری برای داده‌های خود نیاز دارند، فناوری‌های ذخیره‌سازی داده‌ها باید برای حفظ و پردازش کافی داده‌ها سازگار شوند. انبارهای داده ابری این کار را انجام می دهند و دسترسی و پردازش داده هایی مانند اطلاعات نقطه فروش، داده های تله متری از حسگرها و سرنخ های فروش تولید شده توسط وب سایت ها را آسان تر می کنند. برای کاربران Esri، ArcGIS Pro 2.9 (و جدیدتر) و ArcGIS Enterprise 10.9.1 (و جدیدتر) از اتصال به انبارهای داده ابری و انتشار آن داده ها پشتیبانی می کنند.
مزایای انبارهای داده ابری
هر کسی که با جریان های ثابت داده کار می کند – چه فهرست نویسی تراکنش های فروش برای فروشگاه های زنجیره ای مواد غذایی یا ردیابی داده های تولید شده توسط ناوگان کامیون های حمل و نقل – به یک راه حل ذخیره سازی داده نیاز دارد که بتواند با دریافت های عظیم داده های ساخت یافته همگام شود.
پایگاه داده های سنتی ممکن است در هنگام ارائه این داده ها به مخاطبان گسترده با چالش هایی مواجه شوند. اگر داده ها در محل ذخیره شوند، یک استقرار موجود احتمالاً نیاز به افزایش مقیاس دارد که هزینه قابل توجهی دارد. اگر یک مجموعه داده به عنوان منبعی برای برنامه‌ای که در سراسر جهان در دسترس است استفاده شود، دسترسی به داده‌ها در آن مقیاس به یک چالش مهم تبدیل می‌شود.
هنگامی که داده های ساختاریافته از منابع مختلف در یک انبار داده ابری ذخیره می شود، کاربران ArcGIS Pro 2.9 (و جدیدتر) و ArcGIS Enterprise 10.9.1 (و جدیدتر) می توانند این داده ها را به عنوان لایه های تصویر نقشه منتشر کنند.
انبارهای داده ابری مزایای متعددی نسبت به سایر اشکال ذخیره سازی داده های ساخت یافته دارند، از جمله موارد زیر:
هزینه کل مالکیت کمتر: انبارهای داده ابری در زیرساخت هایی قرار دارند که توسط یک مرکز داده نگهداری می شود. این امر هزینه های راه اندازی و نگهداری سخت افزار و شبکه مورد نیاز را کاهش می دهد.
سرعت و عملکرد بهبود یافته: برخلاف راه‌حل‌های سنتی داده‌های ساختاریافته، انبارهای داده ابری به طور سیستماتیک با در نظر گرفتن دسترسی به داده‌ها مهندسی می‌شوند. چندین سرور برای متعادل سازی بار بهینه پیاده سازی شده اند که منجر به کارایی بیشتر در هنگام بازیابی داده ها می شود.
دسترسی و ادغام بهتر داده ها: یک مزیت مشترک کار در فضای ابری، توانایی در دسترس قرار دادن خدمات و داده ها در چندین منطقه است. این یک قابلیت مهم انبارهای داده ابری است زیرا آنها به طور مداوم داده ها را در سراسر جهان سرویس می دهند.
مقیاس پذیری و کشش: مطابق با سایر سرویس های مبتنی بر ابر، انبارهای داده ابری می توانند به طور نامحدود برای رفع نیازهای کاربران مقیاس شوند.
نحوه دسترسی به داده های ذخیره شده در انبار داده ابری
توانایی اتصال و استفاده از داده‌ها از انبارهای داده ابری در ArcGIS Pro 2.9 و ArcGIS Enterprise 10.9.1 در ویندوز، لینوکس و Kubernetes پیاده‌سازی شد. این نرم افزار از اتصال به سه انبار داده ابری پشتیبانی می کند: Google BigQuery، Snowflake و Amazon Redshift.
افزودن این داده ها به ArcGIS Pro مانند افزودن داده از هر پایگاه داده دیگری است. یکی از چالش های اصلی کار با انبارهای داده ابری، دسترسی است. دسترسی به داده‌های ذخیره‌شده در انبارهای داده ابری هزینه‌ای دارد، چیزی که توسعه‌دهندگان باید هنگام ساختن نقشه‌های وب یا برنامه‌هایی که بر این داده‌ها تکیه می‌کنند، در نظر داشته باشند.
برای متعادل کردن هزینه و دسترسی، ناشران داده می توانند داده ها را از انبارهای داده ابری به ArcGIS Enterprise به عنوان خدمات نقشه منتشر کنند. سه راه برای انجام این کار وجود دارد که بر اساس تعداد دفعات نیاز کاربران به بازیابی داده های ذخیره شده در انبارهای داده ابری است:
دسترسی مستقیم به داده‌ها: بازیابی داده‌های ذخیره‌شده در انبار داده‌های ابری راهی عالی برای ناشران داده است تا نحوه رفتار داده‌های ساختاریافته و نیمه‌ساختار یافته با سایر گردش‌های کاری را آزمایش کنند. هنگامی که آنها یک لایه تصویر نقشه را منتشر می کنند، به طور مستقیم به انبار داده ارجاع می دهد و در صورت نیاز برای انجام درخواست ها، داده ها را پرس و جو می کند. با توجه به هزینه های مربوط به بازیابی داده ها، این گردش کار باید فقط برای مجموعه داده های کوچکتر یا زمانی که به روزترین داده مورد نیاز است در نظر گرفته شود.
دسترسی به داده‌ها از طریق یک عکس فوری: هنگام انتشار داده‌ها در انبار داده ابری به‌عنوان عکس فوری، داده‌هایی که در انبار داده ابری ذخیره می‌شوند در فروشگاه داده ArcGIS کپی می‌شوند. هنگامی که یک لایه تصویر نقشه نیاز به بازیابی داده ها دارد، به جای اینکه در انبار داده ابری، به مکانی در ArcGIS Data Store اشاره می کند. این پیکربندی به سازمان‌ها اجازه می‌دهد تا از هزینه‌های مرتبط با دسترسی مستقیم به داده‌ها در انبار داده ابری اجتناب کنند.
با این حال، به خاطر داشته باشید که به‌روزرسانی‌های ایجاد شده در سطح انبار داده ابری به‌طور خودکار روی عکس فوری اعمال نمی‌شوند. برای اطمینان از انجام به‌روزرسانی‌ها، ناشران داده باید به‌روزرسانی‌های درخواستی را در پورتال ArcGIS Enterprise انجام دهند.
دسترسی به داده ها از طریق نمای مادی شده: این روش دسترسی به داده ها در انبار داده ابری از لایه های پرس و جو در ArcGIS Pro پشتیبانی می کند. در یک نمای تحقق یافته، درخواست‌ها برای بازیابی داده‌ها همچنان مستقیماً به انبار داده ابری ارسال می‌شوند، اما نه در برابر خود داده‌ها. درعوض، درخواست‌ها به یک پرس‌وجوی ذخیره‌شده مناسب در انبار داده ابری ارسال می‌شوند.
این یک گزینه میان راه برای ناشران داده است که به به روزترین داده ها در زیرمجموعه ای کاملاً تعریف شده از کل مجموعه داده نیاز دارند. برنامه‌هایی که به عملکرد سریعتر پرس و جو نیاز دارند، برخلاف عملکرد طراحی سریعتر، باید از نماهای واقعی روی عکس‌های فوری استفاده کنند.
همگام با تکامل داده های بزرگ
همانطور که بسیاری از جهان به سمت پذیرش گسترده‌تر فناوری اینترنت اشیا (IoT) و وب 3.0 حرکت می‌کنند، میزان داده‌های تولید شده تنها به افزایش مقیاس ادامه خواهد داد. انبارهای داده ابری استانداردی است که برای کاربرانی که با حجم عظیمی از داده های ساختاریافته کار می کنند، پذیرفته شده است.
ArcGIS Pro 2.9 (و جدیدتر) و ArcGIS Enterprise 10.9.1 (و جدیدتر) راه های مختلفی برای دسترسی به داده ها در انبارهای داده ابری ارائه می دهند که به کاربران امکان می دهد آسانتر و مقرون به صرفه تر کاوش، تجسم و به اشتراک گذاری حجم زیادی از ساختار یافته را داشته باشند. داده ها.
برای کسب اطلاعات بیشتر در مورد نحوه پشتیبانی Esri از اتصال به انبارهای داده ابری، پست های وبلاگ زیر را در بلاگ ArcGIS بخوانید:
با تولید کل مواد غذایی 960 میلیون تن (MT)، ارزش ناخالص افزوده (GVA) برآورد شده توسط کشاورزی، جنگلداری و ماهیگیری برای اقتصاد هند در سال مالی 2020 به 19.48 لک کرور INR (254.17 میلیارد دلار آمریکا) رسید. مشارکت 20٪ در تولید ناخالص داخلی (سال مالی 2020) و ایجاد اشتغال برای بیش از 55 درصد از جمعیت هند، کشاورزی یکی از بخش های مهم اقتصاد هند است.
هند بزرگترین تولید کننده شیر، ادویه جات، حبوبات، چای، بادام هندی و جوت و همچنین دومین تولید کننده بزرگ برنج، گندم، دانه های روغنی، میوه ها و سبزیجات، نیشکر و پنبه در جهان است. با پوشش حدود 45 درصد از شبه جزیره، فعالیت های کشاورزی در هند هر سال سهم بیشتری در تجارت جهانی مواد غذایی داشته است.
در عین حال، هند همچنان با چالش های پیچیده ای مواجه است که باعث نگرانی اقتصاد در حال رشد می شود. به عنوان دومین کشور پرجمعیت جهان، تقاضا برای غذا همچنان به رشد خود ادامه می دهد در حالی که بازده کشاورزی 25 درصد کمتر از میانگین جهانی برای محصولات عمده است. هند در مقایسه با کشورهایی مانند چین و آفریقای جنوبی، حداقل دو برابر آب برای تولید یک واحد غذا مصرف می کند.
نزدیک به 80 درصد از آب شیرین هند در کشاورزی استفاده می شود و بیش از نیمی از زمین های زیر کشت هند زیر کشت محصولات پر آب است. به طور متوسط 6.8 درصد از کل تولید، خسارات کشاورزی بیش از 130000 کرور INR (16.96 میلیارد دلار) در سال 2020 بوده است. خزانه کشور سالانه 2.5 درصد از تولید ناخالص داخلی هر سال را تحت تأثیر قرار می دهد.
طبق برآوردها، انتظار می رود تقاضا برای غلات غذایی تا سال 2030 به 355 تن افزایش یابد (در مقابل 296 تن در سال 2020). از آنجایی که هند در تلاش برای دستیابی به خودکفایی غلات است، تولید کشاورزی همچنان به منابع فشرده و مغرضانه منطقه ای ادامه می دهد. عدم قطعیت های اقلیمی همراه با معیشت ناپایدار، جمعیت را از کشاورزی دور می کند. با وابستگی شدید به محصولات زراعی آب، شکاف بین تقاضا و عرضه آب هر روز بیشتر می شود. با توجه به اینکه 30 درصد از مساحت هند در حال حاضر تخریب شده است،
بدتر شدن کیفیت خاک و آب بر عملکرد محصول تأثیر می گذارد و در عین حال تهدیدی برای امنیت غذایی است. ناهماهنگی های زنجیره تامین منجر به هدر رفت محصولات کشاورزی در مقیاس بزرگ می شود. درآمد ضعیف مزارع و سازگاری ضعیف با تغییر زمان که با تغییرات آب و هوایی و بلایای طبیعی ترکیب شده است، کشاورزی را روز به روز سخت‌تر می‌کند. با افزایش جمعیت، فشار بر تبدیل زمین های قابل کشت همچنان افزایش خواهد یافت. تقاضا برای تولید «بیشتر و بهتر با کمتر» همچنان افزایش خواهد یافت.
جامعه کشاورزان هند در بهره گیری از روش ها و فناوری های علمی کند بوده است. در حالی که مکانیزاسیون مزارع در ایالات متحده و اروپا بیش از 95٪ است، هند با 40٪ از آنها عقب تر است. جذب فناوری اطلاعات نیز همچنان در هند بسیار کم و 10 درصد است. موقعیت نسبتاً پایین تولید کشاورزی و بازده محصولات کشاورزی هند در مقابل سایر کشورها، کاهش منابع طبیعی و گرم شدن کره زمین، نیاز به اتخاذ رویکردهای پایدار مبتنی بر علم را برجسته می کند، بدون آن هند به عنوان یک کشور به سختی نگاه خواهد کرد. بار.
نیاز زمان این است که فناوری‌هایی را بپذیریم که می‌توانند آگاهی موقعیتی بهتر و هوشمندی عملی را ارائه دهند و به جامعه کشاورز با تصمیم‌گیری آگاهانه کمک کنند. نیاز به فناوری هایی وجود دارد که می تواند به بهبود چرخه زندگی محصول از مزرعه تا چنگال کمک کند، به استفاده بهینه از آب برای آبیاری کمک کند، هدر رفت محصول را به حداقل برساند و در عین حال نظارت بر عدم قطعیت ها را فراهم کند و به کشاورزان کمک کند تا اقدامات مناسب را در زمان مناسب انجام دهند.
با توجه به چالش‌های پیچیده چند رشته‌ای که بخش کشاورزی با آن مواجه است، زیرساخت‌های جغرافیایی، از طریق نقشه‌برداری و تجزیه و تحلیل بصری، قابلیت‌های بی‌نظیری برای آشکار کردن بینش عمیق‌تر در روابط و الگوها، پاسخ به سؤالات پیچیده و حمایت از تصمیم‌های آگاهانه برای تقویت کشاورزی پایدار ارائه می‌دهد. با گسترش اطلاعات مکان، دسترسی بهبود یافته به داده‌های مکانی، جمع‌آوری سریع داده‌ها از طریق پهپادها و مقرون‌به‌صرفه بودن، فناوری‌های جغرافیایی پیچیدگی‌ها را ابهام می‌کنند و به باز کردن ارزش در سراسر زنجیره ارزش کشاورزی کمک می‌کنند.
قابلیت‌های پیشرفته GIS از جمله مدلسازی فضایی و تحلیل پیش‌بینی با استفاده از هوش مصنوعی، یادگیری ماشین و تجزیه و تحلیل، هوش ویژه مکان را برای پیش‌بینی دقیق سناریوهای احتمالی برای کاهش، برنامه‌ریزی و پاسخ‌دهی فراهم می‌کند. با گسترش زیاد اینترنت در روستاهای هند، ابزارهای GIS سیار نقشی حیاتی در دموکراتیک کردن اطلاعات جغرافیایی و توانمندسازی کشاورزان دارای مالکیت‌های کوچک با اطلاعات بلادرنگ برای تصمیم‌گیری آگاهانه و کاهش خطر ایفا می‌کنند.
فناوری های جغرافیایی با ایفای نقش محوری در گرد هم آوردن داده ها در زمین، خاک، زمین شناسی، آب و هوا، محصولات زراعی، آب، آبیاری، کودها، آفت کش ها، زنجیره تامین، بازارها و شرایط بازار از طریق یک زبان بصری مشترک، ابزارهای قدرتمندی برای برنامه ریزی، طراحی ارائه می کنند. ، نظارت و مدیریت فعالیت ها در سراسر چرخه زندگی محصول.
با ادغام دستگاه‌های مبتنی بر اینترنت اشیاء هوشمند مکان و زیرساخت‌های مزرعه، کشاورزی دقیق مبتنی بر جغرافیایی پتانسیل اقتصادی متحول‌کننده‌ای را برای کشاورزی پایدار با آب و هوای هوشمند ارائه می‌دهد و بازده محصول را 18 تا 25 درصد بهبود می‌بخشد. یکپارچه‌سازی زیرساخت‌های زنجیره تامین هوشمند مکان با فعالیت‌های تامین مالی و کشاورزی بر روی یک پلت فرم GIS می‌تواند ارتباطات بازار را تقویت کرده و تلفات را تا ۲۵ تا ۳۰ درصد کاهش دهد، علاوه بر صرفه‌جویی قابل توجه در سوخت و کاهش ردپای کربن.
چهارمین مقاله از این مجموعه را می توانید اینجا بخوانید
این امر، همراه با ارزش اقتصادی ارائه شده توسط فناوری‌های فضایی در حمایت از شیوه‌های کشاورزی پایدار از جمله احیای زمین و مدیریت منابع طبیعی، تأثیر قابل‌توجهی بر اقتصاد کشاورزی می‌گذارد. یک برآورد محافظه کارانه از تأثیر ارزش جغرافیایی (GVI) بر بخش کشاورزی در جدول زیر آورده شده است.
نقش بخش کشاورزی که برای اقتصاد حیاتی است، در دستیابی به امنیت غذایی، افزایش درآمد کشاورزان و ایجاد فرصت های شغلی حیاتی است. استفاده از فناوری‌های مکانی برای کشاورزی پایدار فرصتی بزرگ برای بهبود بهره‌وری و تحقق در این بخش است. با توجه به اینکه تاثیر تغییرات آب و هوا روز به روز سخت تر می شود، تحول دیجیتال با قابلیت جغرافیایی نیاز لحظه ای برای مبارزه با چالش های چند وجهی است. زیرساخت های جغرافیایی همچنین بینش های مبتنی بر شواهد را با پشتوانه دقیق علمی برای تقویت حاکمیت و چارچوب نظارتی ارائه می دهد که می تواند اصلاحات کشاورزی بسیار مورد نیاز را در کشور تسریع بخشد.
پنجمین مقاله از این مجموعه را می توانید اینجا بخوانید
سایت Geonline، سایتی مرجع برای مرتفع نمودن نیاز علاقمندان، پژوهشگران، دانشجویان و دانش آموزان در حوزه جغرافیا است که برای تمامی سنین و سطوح مطالب کاربردی دارد.
