بایگانی دسته: مطلب روز

آوردن تجزیه و تحلیل فضایی داده های بزرگ به ابر

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.

BIG DATA
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.

(BIG DATA) (BIG DATA) (BIG DATA) (BIG DATA) (BIG DATA) (BIG DATA) (BIG DATA) (BIG DATA) (BIG DATA) (BIG DATA) (BIG DATA)

بیشتر بدانید

با ArcGIS GeoAnalytics Engine شروع کنید.

سفری به واقعیت جدید؛ برداشت‌ها از HxGN Live Global 2022

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).

 نیروگاه راه حل های واقعیت دیجیتالی است، زمین فضا
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

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.

راه های جدید برای دسترسی به BIG DATA در فضای ابری
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:

تأثیر ارزش جغرافیایی – بخش کشاورزی

ا 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.

مقدمه

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.

مقاله جلد این مجموعه را می توانید اینجا بخوانید

چالش ها

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.

مقاله دوم این مجموعه را می توانید اینجا بخوانید

فناوری ژئوفضایی و کاربردهای آن

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.

مقاله سوم این مجموعه را می توانید اینجا بخوانید

تاثیر ارزش جغرافیایی

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

برنامه های افزودنی آنلاین ArcGIS ویژگی های جدیدی دریافت می کنند

ArcGIS Online چندین افزونه قدرتمند دارد که به کاربران کمک می کند تا گردش کار نقشه برداری و تجزیه و تحلیل مبتنی بر ابر خود را افزایش دهند و بهره وری را افزایش دهند. این برنامه‌های افزودنی به طور یکپارچه با ArcGIS Online ادغام می‌شوند و انجام کارهایی مانند کار با داده‌ها و تصاویر بلادرنگ و تعامل با اعضای انجمن را آسان‌تر می‌کنند.

به روز رسانی های اخیر ArcGIS Online شامل ویژگی های جدیدی برای پنج مورد از این برنامه های افزودنی است. برای اطلاعات بیشتر در مورد نحوه گنجاندن این قابلیت های جدید در کار خود، ادامه مطلب را بخوانید.

بر اساس داده های زمان واقعی تصمیمات روشنگری بگیرید

ArcGIS Velocity یک نرم‌افزار بی‌درنگ و کلان داده به‌عنوان راه‌حل سرویس (SaaS) است که به سازمان‌ها اجازه می‌دهد تا داده‌ها را از حسگرها و ردیاب‌های دارایی دریافت، تجسم، تجزیه و تحلیل و عمل کنند. همچنین سازمان‌ها را قادر می‌سازد تا حجم بالایی از داده‌های تاریخی را پردازش کنند تا بینشی در مورد الگوها و روندها به دست آورند و ناهنجاری‌ها را کشف کنند.

در سال 2022، کاربران ArcGIS Velocity به فیدها و تجزیه و تحلیل های بیشتری دسترسی پیدا کردند. کاربران دارای اشتراک ArcGIS Velocity Standard اکنون می توانند تا 10 فید و تجزیه و تحلیل را اجرا کنند و کاربران با اشتراک ArcGIS Velocity Advanced می توانند تا 15 فید و تجزیه و تحلیل را اجرا کنند. چندین پیشرفت نیز برای آگاه ساختن کاربران از نیازهای مدیریت اشتراک انجام شده است. به عنوان مثال، اعلان‌های نرخ داده فید که کاربران اکنون دریافت می‌کنند، فیدهای خاصی را که از حداکثر نرخ داده فراتر می‌روند، روشن می‌کند.

برنامه های افزودنی آنلاین ArcGIS ویژگی های جدیدی دریافت می کنند
ArcGIS Image for ArcGIS Online به کاربران امکان میزبانی، تجزیه و تحلیل و پخش تصاویر و مجموعه داده های شطرنجی را در ArcGIS Online می دهد.

چندین پیشرفت در فیدها، خروجی‌ها و تجزیه و تحلیل‌ها در Velocity نیز انجام شده است. کاربران می توانند با استفاده از نوع فید gRPC، یک فراخوانی روش از راه دور منبع باز با کارایی بالا که داده های بلادرنگ را از طریق نقطه پایانی میزبانی شده به ArcGIS منتقل می کند، ادغام هایی را برای ارائه دهندگان داده بلادرنگ ایجاد کنند که خارج از جعبه پشتیبانی نمی شوند.

geofencing پویا، که اخیراً نیز منتشر شده است، به پشتیبانی از کاربرانی که نیاز به یافتن روابط، انجام غنی سازی فضایی و تصمیم گیری بر اساس نزدیکی فضایی بین دو فید زمان واقعی دارند، کمک می کند. ابزارهایی که از این قابلیت ها پشتیبانی می کنند عبارتند از Detect Incidents، Filter by Geometry، Calculate Distance و Join Features.

اعضای انجمن را با ArcGIS Hub درگیر کنید

با ArcGIS Hub، سازمان‌ها می‌توانند از داده‌ها و فناوری‌هایی که قبلاً در ArcGIS Online در اختیار دارند برای کار با ذینفعان داخلی و خارجی در پروژه‌های خاص و طرح‌های گسترده‌تر استفاده کنند.

دو دکمه جدید در ArcGIS Hub – انتخاب و ترسیم یک ناحیه – به بازدیدکنندگان سایت اجازه می دهد تا داده ها را بر اساس نقطه یا چند ضلعی فیلتر کنند، بافرهایی را در اطراف نقاط و چند ضلعی ها ترسیم کنند و از ابزار جدید ترسیم چند خط استفاده کنند.

در انواع خاصی از کارت‌های گالری، که کاربران Hub از آن‌ها برای نمایش مجموعه داده‌ها، برنامه‌های مرتبط، و سایت‌ها و صفحات اضافی استفاده می‌کنند، بهبودهایی صورت گرفته است. اکنون می‌توان کارت‌های نقشه و iframe را علاوه بر کارت‌های برنامه به اشتراک گذاشت. در تنظیمات این کارت‌ها، دو گزینه جدید وجود دارد: Enable Sharing که می‌تواند روشن یا خاموش شود و Button Always Visible که دکمه‌ای را هنگام روشن نگه می‌دارد.

وقتی دکمه «فعال کردن اشتراک‌گذاری» خاموش می‌شود، دکمه اشتراک‌گذاری تنها زمانی ظاهر می‌شود که بازدیدکنندگان سایت هاب روی مورد قرار بگیرند. و هنگامی که بازدیدکنندگان روی دکمه اشتراک گذاری کلیک می کنند، می توانند پیوندی را کپی کنند (برای اشتراک گذاری با دیگران) که مستقیماً به آن کارت در سایت هاب می رود.

در حالی که مالکان و سازندگان سایت قبلاً می‌توانستند کاتالوگ و ابرداده‌های مجموعه را در قالب‌های استاندارد و قابل همکاری، مانند DCAT-US 1.1 و DCAT-AP 2.0.1 در معرض نمایش بگذارند، Hub اکنون از فیدهای RSS 2.0 پشتیبانی می‌کند. این به بازدیدکنندگان سایت امکان می‌دهد تا تغییرات روزانه محتوای یک سایت را راحت‌تر ببینند.

سازندگان و صاحبان سایت همچنین می توانند هنگام ویرایش یا تغییر دامنه اصلی سایت خود، تغییر مسیرهای دامنه را تنظیم کنند. این تضمین می‌کند که اعضای انجمن می‌توانند بدون هیچ گونه مغایرتی به سایت‌های هاب دسترسی داشته باشند، زمانی که آدرس دامنه اصلی تغییر یا تغییر داده شده است.

در نهایت، چندین راه جدید برای کاربران وجود دارد تا هنگام مشاهده یک مجموعه داده روی نقشه، داده ها را کاوش کرده و با آنها تعامل داشته باشند. دو دکمه جدید در سمت راست صفحه انتخاب و ترسیم یک ناحیه هستند.

اینها به بازدیدکنندگان سایت اجازه می دهد تا داده ها را بر اساس نقطه یا چند ضلعی فیلتر کنند. رسم بافر در اطراف نقاط و چند ضلعی. و از ابزار جدید ترسیم چند خط استفاده کنید، که به کاربران اجازه می دهد یک خط روی نقشه بکشند، فیلتر را بر اساس ناحیه انتخاب کنند و با استفاده از واحدهای مختلف، اندازه بافر را تنظیم کنند.

نحوه کار ذینفعان با تصاویر را ساده کنید

تصاویر و داده های شطرنجی به تصمیم گیرندگان این امکان را می دهد که ببینند چه اتفاقی در زمین می افتد و بلافاصله تغییرات را درک کنند. اما داده‌های تصویری فضای زیادی را اشغال می‌کنند و در قالب‌های مختلفی ارائه می‌شوند، بنابراین افراد معمولاً به دلایل زیر کار با آنها را دشوار می‌دانند:

  • تهیه تصاویر و راه اندازی زیرساخت زمان بر و پرهزینه است.
  • مدیریت و عادی سازی تصاویر برای استفاده در گردش کار تحلیلی دشوار است.
  • با افزایش حجم داده، ماندن در بودجه دشوار است.

با این حال، ArcGIS Online، راه ساده‌تر و یکپارچه‌تری را برای سازمان‌ها برای استفاده از تصاویر ارائه می‌دهد. پسوند ArcGIS Image for ArcGIS Online به سازمان‌ها اجازه می‌دهد تا بدون خروج از ArcGIS آنلاین، میزبانی، تجزیه و تحلیل و پخش تصاویر و مجموعه‌های شطرنجی را انجام دهند.

هنگامی که تصویر در سیستم ثبت یک سازمان قرار می گیرد، کاربران و ذینفعان مستقیماً به داده ها دسترسی دارند و می توانند از آن برای انجام کارهای زیر استفاده کنند:

تجزیه و تحلیل تصویر و شطرنجی را در مقیاس هایی اجرا کنید که از یک سایت خاص تا کل کره زمین را شامل می شود.

کشف تغییرات، بازرسی دارایی ها، نظارت بر پوشش گیاهی، ردیابی جریان آب و برنامه ریزی مسیرها و شبکه ها.
داده ها و نتایج تجزیه و تحلیل را با ذینفعان داخلی و خارجی به عنوان برنامه های تعاملی، داشبورد و گزارش ها به اشتراک بگذارید.

ArcGIS Image Online یک پسوند نوع کاربری ممتاز است که قابلیت‌های میزبانی، تحلیل و پخش تصویر را به انواع کاربر Creator و GIS Professional اضافه می‌کند. در حالی که ذخیره سازی و تجزیه و تحلیل اعتبارات را مصرف می کند، این رویکرد همچنین می تواند اعتبارات استفاده نشده را به کار بیاندازد و سازمان ها را در هزینه ایستادن و حفظ زیرساخت های خود صرفه جویی کند.

برای اینکه بدانید چگونه یک شرکت کوچک، شریک Esri، Skytec، ArcGIS Image Online را در عملیات تجاری خود گنجانده است، به «راه حل تصویرسازی SaaS کمک می‌کند تا استارت‌آپ حفاظت از محیط زیست را سریع‌تر تشخیص دهد» مراجعه کنید.

راه حل های جدید و بهبود یافته ArcGIS را امتحان کنید

راه حل های ArcGIS شامل پیکربندی های خاص صنعت ArcGIS است که با نیازهای تجاری کاربران مطابقت دارد و به سرعت راه اندازی و استقرار می یابد. آنها از داده‌های معتبر کاربران استفاده می‌کنند و برای بهبود عملیات، ارائه بینش جدید، و ارتقای خدمات در صنایعی طراحی شده‌اند که از آب و برق و مخابرات گرفته تا امنیت دولتی و عمومی را شامل می‌شود.

راه حل جدید تجزیه و تحلیل اعتبار سنجی آتش، وظایف ساختاری را برای انجام تجزیه و تحلیل های مورد نیاز برای تهیه نقشه های اعتباربخشی آتش نشان می دهد.

در ماه جولای، راه حل جدید تجزیه و تحلیل اعتبارسنجی آتش منتشر شد. می‌توان از آن برای تکمیل گردش‌های کاری تحلیل فضایی و ایجاد نقشه‌های آتش‌سوزی که با الزامات تعیین‌شده توسط کمیسیون بین‌المللی اعتباربخشی آتش (CFAI) مطابقت دارد، استفاده کرد. نسخه ژوئیه همچنین شامل پیشرفت هایی در راه حل های موجود در صنایعی بود که ArcGIS Solutions از آن ها پشتیبانی می کند، از جمله نقشه های پایه سه بعدی، تجزیه و تحلیل جرم، و مدیریت درخت.

تمام تنظیمات ArcGIS Solutions را کاوش کنید و در مورد قابلیت های آنها مطالعه کنید. سپس برای استقرار آنها به ArcGIS Online وارد شوید.

گزینه های بیشتر برای طراحی و ارائه طرح های دو بعدی و سه بعدی

ArcGIS Urban به برنامه ریزان این امکان را می دهد که نقشه های دوبعدی و سه بعدی کدهای منطقه بندی، کدهای کاربری زمین و ساختارهای فیزیکی جامعه خود را مدل کنند تا زمینه را برای پروژه های توسعه جدید فراهم کنند. وقتی این مدل‌ها فراتر از بخش برنامه‌ریزی به اشتراک گذاشته می‌شوند، به ذینفعان و عموم این امکان را می‌دهند که تغییرات پیشنهادی را برای جامعه خود پیش‌نمایش کرده و بازخوردشان را ارائه کنند.

به‌روزرسانی‌های ArcGIS Urban به برنامه‌ریزان گزینه‌های طراحی بیشتری برای نقشه‌های دو بعدی و سه بعدی خود می‌دهد.

اکنون، برنامه‌ریزان هنگام اعمال منطقه‌بندی و پوشش‌ها روی نقشه‌های دوبعدی، از جمله رنگ‌های سفارشی و سبک‌های طرح کلی، گزینه‌های استایل بیشتری دارند. برنامه‌ریزان همچنین می‌توانند ساختمان‌هایی را که قبلاً از نقشه‌ها حذف شده‌اند بازگردانند، ادغام دو قطعه را خنثی کنند، و یک منطقه را به نوع قبلی خود برگردانند.

در برنامه ریزی برای توسعه جامعه، برنامه ریزان اغلب از تجزیه و تحلیل مناسب بودن سایت برای یافتن مکان های بهینه برای مسکن، مدارس و فضای باز آینده استفاده می کنند. اما گردآوری این تحلیل ها می تواند پرهزینه و زمان بر باشد. ابزار مناسب ArcGIS Urban جایگزینی برای گردآوری اسناد و صفحات گسترده متفاوت ارائه می دهد.

در عوض، ArcGIS Urban محاسبات در حین پرواز را بر اساس شرایط منطقه بندی موجود و پیشنهادی ایجاد می کند. به‌روزرسانی‌های اخیر این ابزار، مقایسه گزینه‌های مختلف را آسان‌تر کرده و به کاربران امکان کپی و اجرای چندین تحلیل از یک مدل مناسب را می‌دهد.

هنگامی که طرح ها و پروژه ها آماده بررسی توسط ذینفعان خارجی هستند، برنامه ریزان راه های جدیدی برای ارائه مدل های شهری خود دارند. با عملکرد جدید دیدگاه‌ها، می‌توانند مهم‌ترین دیدگاه‌ها را در یک طراحی به تصویر بکشند و یک توالی از پیش تعریف‌شده ایجاد کنند تا بینندگان را از یک دیدگاه به دیدگاه بعدی هدایت کند.

برنامه ریزان همچنین می توانند مدل های شهری خود را مستقیماً به عنوان صحنه های وب برای استفاده در وب سایت های خارجی، در داستان های ArcGIS StoryMaps و در ارائه ها صادر کنند. جزئیات مربوط به یک پروژه یا طرح خاص – از جمله یک تصویر کوچک، پیوندها به محتوای وب خارجی، و تاریخ شروع و پایان پروژه – اکنون در کنار داشبورد پروژه و بخش نظرات قابل دسترسی هستند. این به مردم یک نقطه تماس واحد برای مشاهده اطلاعات طرح و پروژه و ارائه بازخورد می دهد.

در نهایت، برنامه ریزان و تیم های GIS می توانند از ArcGIS Urban API جدید برای نوشتن و خواندن داده های جمع آوری شده از سیستم رکورد مدل شهری خود استفاده کنند. این به آنها اجازه می دهد تا عملکردهای ArcGIS Urban را گسترش دهند.

برنامه‌های افزودنی ArcGIS Online به کاربران قابلیت‌های قدرتمندی برای افزایش بهره‌وری و انجام فرآیندهای نقشه‌برداری و تحلیل پیچیده در فضای ابری می‌دهد. برنامه‌های افزودنی باید با مجوز حداقل برای یک نوع کاربر اصلی (GIS Professional یا Creator) خریداری شوند یا می‌توانند به یک حساب سازمانی موجود اضافه شوند. 

نقشه برداری توپوگرافی برای مدلسازی خطر بهمن – استفاده از نوآوری ها در فتوگرامتری ماهواره ای و لیدار در نیوزیلند

نویسندگان: Aubrey MillerPascal SirgueySimon Morris

پروژه در Aotearoa/نیوزیلند استفاده از DEM های با کیفیت بالا از نقشه برداری فتوگرامتری ماهواره ای (SPM) با فناوری های Lidar را برای مدل سازی خطراتی مانند بهمن برفی ترکیب می کند. نقشه‌برداری توپوگرافی حاصل می‌تواند برنامه‌ریزی و آمادگی را برای مقابله با جابجایی‌های انبوه برف و زباله‌ها در مناطق کوهستانی بهبود بخشد.

جابجایی‌های انبوه مانند بهمن‌های برفی و جریان‌های زباله خطراتی را برای مردم و زیرساخت‌ها در مناطق کوهستانی در سراسر جهان به همراه دارد. این خطرات را می‌توان با نرم‌افزار مدل‌سازی پیشرفته برای پشتیبانی از تصمیم‌گیری و کاهش ریسک شبیه‌سازی کرد، که برای معنادار کردن نتایج به مدل‌های ارتفاع دیجیتال با وضوح بالا (DEMs) نیاز دارد. پیشرفت‌ها در نقشه‌برداری فتوگرامتری ماهواره‌ای (SPM) DEM‌های با کیفیت بالا را به بسیاری از مناطق آلپی که قبلاً فاقد توپوگرافی دیجیتال مدرن بودند، می‌آورد.

در عین حال، از فناوری‌های لیدار برای کالیبره کردن مدل‌های خطر و ارائه ظرفیت واکنش سریع برای تعیین کمیت تأثیر مخاطراتی مانند بهمن برفی استفاده می‌شود. تحقیقات در حال انجام در Aotearoa/نیوزیلند اهمیت نقشه برداری توپوگرافی را در برنامه ریزی و آمادگی بهمن برفی برجسته می کند.

فناوری های نقشه برداری

توسعه ابزارهای منبع باز مانند Ames Stereo Pipeline ناسا (Beyer et al., 2018) گردش کار نقشه برداری فتوگرامتری ماهواره ای (SPM) را بسیار بهبود بخشیده است. تحقیقات در حال انجام در مرکز تحقیقات کوهستان (MRC) با هدف خودکارسازی گردش کار SPM برای تولید مدل‌های ارتفاعی دیجیتال با وضوح بالا (DEMs) دقیق به فاصله نمونه زمین تصویر، بدون نیاز به بررسی‌های کنترل زمینی است.

MRC در حال توسعه ابزارهایی برای خودکارسازی تشخیص تغییرات سه بعدی با نقشه برداری مکرر برای نظارت بر منظره و نقشه برداری از خطرات مانند برف و بهمن سنگ با طیف فزاینده ای از صورت های فلکی ماهواره ای از جمله Pléiades (PHR، Neo)، Worldview و SkySat است. به عنوان مثال، یک DSM 2 متری تولید شده از تصویر استریوی Pléiades PHR 0.5 متری برای تعیین کمیت توزیع عمق برف استفاده شده است (Eberhard et al., 2021).

صورت فلکی حسگر نسل بعدی مانند Pléiades Neo 0.3 متری زمان بازدید مجدد را کاهش می دهد، بنابراین سطح تشخیص و دقت بدست آمده توسط SPM را بهبود می بخشد.

شکل 1: نمونه هایی از SPM در Aotearoa، نیوزیلند، با سنسور Pléiades PHR. چند ضلعی های نارنجی، فریم های منفرد از اکتساب SkySat را قبل از پردازش SPM نشان می دهند.

توپوگرافی چالش برانگیز در یک اکتساب. اکنون به طور موثر با فناوری‌های نقشه‌برداری با وضوح بسیار بالا (VHR) که نزدیک‌تر به زمین عمل می‌کنند، تکمیل می‌شود. اسکن لیزری زمینی (TLS) و UAV-Lidar برای حل جزئیات دقیق در زمین های شدید و همچنین برای استقرار سریع برای مستندسازی خطرات طبیعی استفاده می شود. در کنار هم، پیشرفت‌ها در نقشه‌برداری توپوگرافی، محققان خطر را قادر می‌سازد که هم بینش جدیدی در مورد حساسیت مدل‌های خطر به نمایش توپوگرافی و هم داده‌های اعتبارسنجی بی‌سابقه برای مدل‌سازی به دست آورند.

بازنمایی توپوگرافی در مدلسازی بهمن

مدل‌های خطر پویا مانند شبیه‌سازی حرکت توده‌ای سریع (RAMMS) حرکات توده‌ای مانند بهمن برفی را در زمین واقعی شبیه‌سازی می‌کنند که با یک DEM نشان داده می‌شود. خروجی های مدل خطر به آماده شدن برای رویدادهای شدید کمک می کند و به طراحی سازه های کاهش دهنده مانند برم ها برای کاهش خطر برای مردم و زیرساخت ها از بهمن کمک می کند. برای مثال، مدل‌ها برای نقشه‌برداری نشانه خطر و مشخصات طراحی ساختمان‌ها و جاده‌هایی که در مناطق در معرض خطر یک بهمن ۱۰۰ ساله یا ۳۰۰ ساله قرار دارند، استفاده می‌شوند.

مدل‌های خطر پویا به دقت و وضوح DEM اساسی حساس هستند. مصنوعات حاصل از تولید و درونیابی DEM، یا از توپوگرافی قدیمی، می توانند منجر به خطاهای متعاقب در خروجی های مدل خطر شوند. در عین حال، DEM های با وضوح بالاتر (به عنوان مثال 1 یا 2 متر) زبری سطح بالاتری را در مقایسه با همتایان با وضوح پایین خود ثبت می کنند، که بر نحوه شبیه سازی جریان بهمن در همان زمین تأثیر می گذارد.

شکل 2: نقشه برداری اسکنر RIEGL VZ-6000 از زمین بهمن در فیوردلند، نیوزلند. (تصویر با احترام: Downer Ltd، Milford Road Alliance)

تفاوت های ظریف بین DEM ها به دلیل فناوری حسگر و تکنیک نقشه برداری نیز می تواند بر مدل سازی خطر تأثیر بگذارد. به عنوان مثال، استفاده از یک مدل سطح دیجیتال (DSM) در مقابل یک مدل زمین دیجیتال (DTM) ممکن است زبری سطح اضافی را در مدل ایجاد کند که زمین شامل پوشش گیاهی قابل توجهی باشد. همچنین، هنگام نقشه برداری از زمین های شیب دار، جهت گیری حسگر بر نمایش توپوگرافی مشتق و دقت تأثیر می گذارد.

نسبت های پایه به ارتفاع بزرگتر در SPM دقت را بهبود می بخشد، اما به قیمت افزایش احتمال انسداد زمین. اسکن زمینی می‌تواند زمین‌های بسیار شیب‌دار را حل کند، اما ممکن است اسکن‌های متعددی برای کاهش موانع مورد نیاز باشد. پلت فرم های وسایل نقلیه هوایی بدون سرنشین (UAV یا “پهپاد”) می توانند به پر کردن شکاف بین نقشه برداری توپوگرافی ماهواره ای و زمینی کمک کنند.

لیدار زمینی و بهمن در فیوردلند

تیمی از متخصصان اختصاصی کاهش بهمن، خطرات بهمن برفی را در جاده میلفورد در فیوردلند، نیوزلند با استفاده از ابزارهای مختلف، از جمله شبکه ای از ایستگاه های هواشناسی کوهستانی، وب کم های HD و یک اسکنر فوق برد RIEGL VZ-6000 مدیریت می کنند (شکل ها). 2 و 3). این اسکنر برای تولید DEM بدون برف از زمین بهمن در تابستان و همچنین نقشه برداری مجدد در زمستان برای تخمین عمق برف استفاده می شود. این اسکنر همچنین برای مستندسازی مسیرهای بهمن پس از یک رویداد برای کالیبره کردن مدل RAMMS بهمن استفاده می شود.

شکل 3: اسکن زمین های آلپی (که فقط با هلیکوپتر قابل دسترسی است) در تابستان. (تصویر با احترام: Downer Ltd، Milford Road Alliance)

برد این اسکنر نمای دقیقی از برف رها شده در بهمن و همچنین برف به جا مانده را ارائه می دهد. به عنوان مثال، تکنسین‌ها از شدت لیدار در محدوده مادون قرمز نزدیک برای توصیف لایه‌بندی برف در دیواره تاج که پس از رها شدن بهمن در مسیر مک‌فرسون در سال 2020 (شکل 4) تا فاصله 2 کیلومتری باقی مانده است، استفاده کردند، بنابراین داده‌های ارزشمند بسته برف مورد استفاده را ارائه می‌کنند. در مدل سازی چگالی پالس، به طور متوسط ​​468 نقطه در متر مربع، لایه های پیچیده را در بسته برف حل کرد و ارتفاع شکستگی را قادر ساخت که از فاصله ایمن اندازه گیری شود.

همچنین از اسکنر در کنار SPM برای تولید DEM برای مدل‌سازی خطر استفاده می‌شود. ترکیبی از 24 اسکن با مجموع سه میلیارد نقطه برای تولید یک DSM 0.5 متری در 5 کیلومتر مربع استفاده شد. تحقیقات اخیر (Miller et al., 2022) نشان می دهد که چگونه تفاوت های ظریف در نمایش زمین در مسیر بهمن مک فرسون بین TLS و SPM DSM بر نحوه تکرار مدل خطر بهمن واقعی حاکم است، با پیامدهایی برای چگونگی انتخاب مدل سازهای خطر DEM مناسب.

برای زمین معین شکل 4 یک سایه تپه 0.5 متری از TLS را در بالای بهترین DEM قبلی موجود برای منطقه (15 متر) نشان می دهد. بهمن در سال 2020 با مواد منفجره از یک هلیکوپتر رها شد تا خطر بزرگراه را کاهش دهد. این مدل سازی نشان می دهد که بیش از 70000 تن برف در عرض سه ثانیه رها می شود و با سرعت بیش از 200 کیلومتر در ساعت حرکت می کند، در هوا بر فراز صخره می رود و در فاصله کوتاهی از بزرگراه توقف می کند. برای مدل‌سازی فیزیک بهمن بزرگی که در زمین‌های شدید جریان دارد، نقشه‌برداری توپوگرافی با وضوح بالا مورد نیاز بود.

شکل 4: یک تپه‌سایه 0.5 متری (TLS) که بر روی 15 متر سایه تپه (NZSoSDEM) با نمونه‌ای از دامنه بازگشتی لیدار از شکستگی بهمن در فاصله نزدیک به 2 کیلومتری اسکنر قرار دارد.

پهپاد-لیدار و بهمن در پارک ملی

استفاده از پهپادها برای نقشه برداری بهمن، سطح جدیدی از جزئیات را در برآورد حجم زباله ها فراهم می کند. این تخمین ها برای تکرار رویداد واقعی با یک شبیه سازی کامپیوتری استفاده می شود. پس از کالیبره شدن، سناریوهای مدل‌سازی شده (یعنی اگر بهمن بزرگ‌تر بود چه می‌شد؟ اگر یک ابر پودری ایجاد شد؟) می‌تواند به برنامه‌ریزان کمک کند تا خطرات ناشی از بهمن‌های آینده را کاهش دهند. هر دو بررسی SPM و UAV-Lidar نقشه های DEM of Difference (DoDs) و تخمین حجم را برای زباله های بهمن ارائه می دهند.

چرخه گسترده بهمن در پارک ملی کوه آئوراکی کوک نیوزلند در جولای 2022 باعث ایجاد برخی از بزرگترین بهمن های مشاهده شده در این پارک در چند دهه اخیر شد. یک بررسی پهپادی که به سفارش وزارت حفاظت انجام شد، بقایای یک بهمن بزرگ برفی را در نزدیکی روستای کوه کوک، جایی که اخیراً یک اسکله برای منحرف کردن بهمن‌ها از جاده‌ها و ساختمان‌ها ساخته شده بود، ترسیم کرد. یک پهپاد سری DJI Matrice 300، با موقعیت‌یابی سینماتیک (RTK) در زمان واقعی و حسگر DJI L1 Lidar، 35 هکتار را با 531 نقطه در متر مربع ترسیم کرد.

DSM 0.5 متری با DSM 2 متری SPM مشتق شده از Pléiades PHR برای تخمین حجم زباله های بهمن (11386 ± 175860 مترمکعب) تفاوت داشت که برای کالیبره کردن مدل RAMMS و کمک به ارزیابی خطر ایجاد شده برای روستا توسط بهمن های آینده شکل 5 تصاوير و نمونه‌هاي DoD از دو رويداد بهمن در پارک ملي کوه آئوراکي کوک را نشان مي‌دهد که توسط UAV-Lidar در جولاي 2022 و SPM اندازه‌گيري شد – يک DSM 2 متري که از تصاوير 0.5 متري SkySat در اکتبر 2021 توليد شد. به لطف پلتفرم های webGL مانند Potree به طور موثر و تعاملی تجسم شود.

نتیجه

نوآوری‌ها در نقشه‌برداری فتوگرامتری ماهواره‌ای (SPM) نقشه‌برداری توپوگرافی با وضوح بالا را از زمین‌های چالش‌برانگیز آلپی که قبلاً فاقد چنین داده‌هایی بودند، ممکن می‌سازد. در عین حال، پیشرفت‌های فناوری لیدار از اسکنرهای زمینی و پهپادها ظرفیت واکنش سریع را برای نقشه‌برداری و مستندسازی خطرات طبیعی با جزئیات بی‌سابقه فراهم می‌کند.

مدل‌سازی بهمن برفی به DEM‌های باکیفیت برای شبیه‌سازی رویدادها در زمین‌های دنیای واقعی متکی است و داده‌هایی را ارائه می‌دهد که برای کاهش خطرات ناشی از بهمن‌های بزرگ برای مردم و زیرساخت‌ها استفاده می‌شود. پیشرفت‌های آینده در دقت، وضوح، پوشش و ظرفیت بازبینی فناوری‌های نقشه‌برداری توپوگرافی، برنامه‌ریزی و آمادگی بهتری را برای خطرات جابجایی انبوه در مناطق کوهستانی فراهم می‌کند.

شکل 5: نمونه ای از DoD برای زباله های بهمن، بین DSM های تولید شده از UAV-Lidar و SPM (سمت چپ) و SkySat و Pléiades DSM های تولید شده از SPM (راست). تصاویر ارتو از DJI Matrice و SkySat به ترتیب در بالا سمت چپ و راست. (داده ها: وزارت حفاظت)

چگونه GIS می تواند به کاهش انتشار گازهای گلخانه ای کمک کند؟

ArcGIS به روش های زیادی برای کمک به کاهش انتشار ترافیک استفاده می شود. از مسیریابی هوشمند و کاهش ازدحام گرفته تا تشویق مردم به دوچرخه سواری یا پیاده روی، و کمک به هدایت سیاست حمل و نقل دولت، GIS به تمیزتر شدن هوا کمک می کند.

GIS از دیرباز برای بهبود کارایی بسیاری از انواع سفرهای وسایل نقلیه در صنایع مختلف مورد استفاده قرار گرفته است و همچنان ادامه دارد. با تجزیه و تحلیل حجم عظیمی از داده ها از منابع متفاوت، می توان تصمیمات لجستیکی و مسیریابی بهتری اتخاذ کرد، زمان کلی سفر را کاهش داد، هزینه سوخت را کاهش داد و آلودگی را کاهش داد.

یک مثال، یک زنجیره بزرگ خواربارفروشی اروپایی است که از ArcGIS برای کاهش انتشار CO2 ناوگان خودروهای خود، با ادغام جریان‌های داده‌های متعدد مرتبط با آلاینده‌ها استفاده می‌کند – ایجاد تصویری بزرگ که تصمیم‌گیری هوشمند را قدرتمند می‌کند.

با استفاده از الگوریتمی که اثرات شیب جاده، سرعت، ضریب بار و سایر پارامترها را در نظر می‌گرفت، توانست آلاینده‌ها را برای هر نوع موتور در ناوگان خود، از دیزلی گرفته تا برقی، در تمام مسیرهای حمل‌ونقل محاسبه کند.

با وارد کردن این اطلاعات به نقشه‌های هوشمند، شرکت با اطمینان پیش‌بینی کرد که کدام موتورها برای هر مسیر کارآمدتر هستند و تنظیماتی را شناسایی کرد که عملکرد ناوگان را بهینه می‌کند، انتشار کربن را حذف می‌کند و هزینه‌ها را کاهش می‌دهد.

کاهش انتشار CO2 وسایل نقلیه خود به این شرکت اجازه داد تا مزیت رقابتی خود را هم به عنوان یک برند و هم به عنوان یک اپراتور کارآمد افزایش دهد.

مدیریت هوشمند ترافیک

در حوزه ترافیک، GIS برای برنامه‌ریزی و ساخت بزرگراه‌های هوشمند در بریتانیا، توسط سازمان‌هایی مانند National Highways و Costain استفاده می‌شود – بزرگراه‌هایی که می‌توانند جریان ترافیک را در روزهای گرم کاهش دهند تا سطح آلودگی را کاهش دهند.

سیستم‌های GIS کیفیت هوا را از حسگرهای بلادرنگ بررسی می‌کنند تا امکان کاهش سریع و اعمال محدودیت سرعت را فراهم کنند. در حالی که در سایر شهرها، GIS برای نظارت و کنترل جریان ترافیک در زمان واقعی استفاده می شود و در صورت لزوم از طریق مداخلات سریع، اختلال در جاده ها را به حداقل می رساند.

برای مثال، در منطقه بیرمنگام، محل برگزاری بازی‌های اخیر مشترک المنافع، ArcGIS برای پشتیبانی از داشبورد بلادرنگ استفاده می‌شود. ارائه حمل و نقل برای West Midlands با اطلاعات مکانی اساسی برای حفظ حرکت مردم از طریق واکنش به حوادث، ازدحام، یا پیش‌بینی اتفاقات بعدی.

داشبورد با ترکیب داده های حمل و نقل زنده از تقریباً 20 شریک بخش دولتی و خصوصی، از جمله مقامات محلی، راه آهن، تراموا، اپراتورهای اتوبوس، شبکه راه آهن و بزرگراه های ملی، تصویر عملیاتی مشترکی را به همه ذینفعان ارائه می دهد.

بینش حاصل بسیار ارزشمند است، درک رفتار در سراسر شبکه را بهبود می بخشد و اجازه می دهد تا تصمیمات سریعتر گرفته شود.

حمل و نقل برای لندن (TfL) برای تشویق افراد بیشتری از اتومبیل خود و به سمت روش‌های فعال‌تر حرکت در اطراف، از GIS برای حمایت از رویکرد خیابان‌های سالم خود با تجزیه و تحلیل کتابخانه وسیعی از داده‌های مکانی برای کمک به اطلاع‌رسانی تصمیمات سرمایه‌گذاری در پیاده‌روی، دوچرخه‌سواری استفاده می‌کند. و زیرساخت های حمل و نقل

برنامه ریزی شهری

TfL ابزار شهرسازی خود را با استفاده از ArcGIS برای تسریع در ارائه طرح‌های جدید برای ایجاد خیابان‌های سالم توسعه داد. برنامه ریزان در TfL – چه آنها مسئول مسیرهای راه آهن، زیرزمینی، جاده ای، اتوبوس، دوچرخه سواری یا عابر پیاده باشند – می توانند بیش از 200 مجموعه داده را پرس و جو و تجزیه و تحلیل کنند و به طور دقیق مزایای بالقوه پیشنهادهای مختلف را ارزیابی کنند.

چگونه GIS می تواند به کاهش انتشار گازهای گلخانه ای کمک کند؟

تنها در دو سال گذشته، TfL ساخت و ساز را در بیش از 100 کیلومتر خطوط دوچرخه سواری جدید یا ارتقا یافته برای کمک به کاهش وابستگی به خودروها برای سفرهای کوتاه آغاز کرده است. از طریق طرح های خیابانی سالم مانند این، TfL انتشار گازهای گلخانه ای را کاهش می دهد و کیفیت زندگی را برای همه در لندن بهبود می بخشد.

از نقطه نظر سیاست، GIS توسط ریکاردو، یکی از سازمان‌های پیشرو که داده‌های زیست‌محیطی را به دولت‌ها در سراسر جهان ارائه می‌کند، برای کمک به اثبات نیاز به تغییر سیاست‌ها و ابتکارات جدید برای جلوگیری از تغییرات آب و هوایی استفاده می‌شود. از ArcGIS برای خودکارسازی تجزیه و تحلیل داده های پیچیده و به اشتراک گذاری داده های کیفیت هوا و انتشار گازهای گلخانه ای با سهولت بیشتری با مشتریان دولتی استفاده می کند.

برای مثال، این شرکت انتشارات ترافیکی را به داده‌های جاده‌های باز Ordnance Survey اختصاص داده است که به وزارت تجارت، انرژی و استراتژی صنعتی دولت بریتانیا (BEIS)، درک عمیق‌تری از رابطه بین انتشار گازهای گلخانه‌ای و زیرساخت‌های حمل‌ونقل بریتانیا می‌دهد.

زیرساخت‌های حمل‌ونقل به طور کلی با ورود گسترده 5G، راه‌اندازی شبکه‌های گسترده اینترنت اشیا با حسگرهای جدید، کمک به هدایت هوش مصنوعی و پشتیبانی از طیف وسیعی از حالت‌های نوظهور حمل‌ونقل، از جمله وسایل نقلیه خودران، هوشمندتر می‌شوند.

این چشم‌انداز به‌طور فزاینده‌ای به شبکه‌های دیجیتالی متحرک نیاز خواهد داشت که با GIS ساخته شده‌اند و به اپراتورها بینشی را ارائه می‌دهند که مشتری‌مدار، ایمن، پایدار و حرکت مردم را حفظ کنند.

تطبیق پذیری پهپادها برای نقشه کشی و نقشه برداری

در سال‌های اخیر، پهپاد از جایگاه خود به عنوان یک اخلالگر فراتر رفته و به بخشی استاندارد از ابزار نقشه‌برداران برای نقشه برداری تبدیل شده است. یکی از مواردی که این هواپیمای بدون سرنشین را بسیار محبوب می کند، تطبیق پذیری آن است که در این مجموعه از مقالات GIM International نشان داده شده است. آنها تعداد زیادی از امکانات پهپادها را برای کاربردهای گسترده در شرایط مختلف برجسته می کنند.

استخراج خودکار اطلاعات جاده ها از داده های مبتنی بر پهپاد

وقتی صحبت از نظارت بر وضعیت جاده‌ها می‌شود، فناوری پهپاد می‌تواند بر بسیاری از معایب مرتبط با روش‌های سنتی غلبه کند که می‌تواند زمان‌بر، کار فشرده و گاهی ذهنی باشد. این مقاله فرصت‌هایی را برای استخراج خودکار اطلاعات داده‌های مبتنی بر پهپاد در مورد ساخت و ساز جاده، موجودی و محیط‌های جاده بررسی می‌کند.

مقاله را اینجا بخوانید

ادغام Lidar و Photogrammetry مبتنی بر پهپاد

پلتفرم های اخیر 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.

مقاله را اینجا بخوانید

نقشه برداری خاک با پهپاد

در بخش علوم زمین، حسگرهای اندازه‌گیری ویژگی‌های زمین به سرعت برای استفاده از هواپیماهای بدون سرنشین سازگار می‌شوند، زیرا پیشرفت‌های جدید در فناوری منجر به افزایش اندازه و بار وسایل نقلیه هوایی بدون سرنشین (پهپادها یا پهپادها) شده است. این مقاله دو مطالعه را ارائه می‌کند که فرصت‌هایی را برای افزودن طیف‌سنج پرتو گاما به یک پهپاد به منظور ترسیم بافت یا آلودگی خاک بررسی می‌کند.

مقاله را اینجا بخوانید

قبل از استفاده از پهپاد برای پروژه های آمایش سرزمین چه نکاتی را باید در نظر گرفت؟

پهپادها تصاویر ارتووماتیکی را ارائه می دهند که از آنها می توان داده های مکانی – از جمله مرزهای بسته قابل مشاهده، خطوط کلی ساختمان و مختصات – را استخراج کرد. در حال حاضر بسیاری از شرکت‌های فناوری زمین‌فضایی راه‌حل‌های مبتنی بر پهپاد با فناوری پیشرفته ارائه می‌کنند و بسیاری از ارائه‌دهندگان سخت‌افزار و نرم‌افزار جدید نیز وارد بازار شده‌اند. به لطف کاهش قیمت پهپادها، بسیاری از نقشه برداران زمین اکنون یا در حال آزمایش پهپادها هستند و یا در حال استفاده روزانه از آنها هستند. بنابراین، سوالات کلیدی که قبل از تصمیم گیری برای استفاده از یک پهپاد در پروژه بعدی مدیریت زمین خود نیاز به پاسخ دارند، چیست؟

مقاله را اینجا بخوانید

چالش های پیمایش جزایر فارو

جزایر فارو که در شمال اقیانوس اطلس قرار دارند و تقریباً از اسکاتلند، ایسلند و نروژ فاصله دارند، مجمع الجزایری ناهموار و صخره ای را تشکیل می دهند. هوای خنک و ابری، همراه با بادهای شدید و بارش باران شدید در تمام طول سال، به این معنی است که این یک محیط بررسی چالش برانگیز است. مقامات نقشه برداری در جستجوی بهترین روش برای ثبت این محیط خیره کننده به پهپادها روی آورده اند. این مقاله داستان نقشه برداری و بررسی یک نقطه واقعا نفس گیر در زمین را بیان می کند.

مقاله را اینجا بخوانید

تطبیق پذیری پهپادها برای نقشه کشی و نقشه برداری

بررسی UAS Lidar بر روی سایت باستانی Pueblo

باستان شناسان ده ها سال است که روی Sand Canyon Pueblo در کلرادو، ایالات متحده آمریکا مطالعه می کنند. امروزه نقشه برداری و تجسم سنتی پر زحمت دیگر برای مطالعات دقیق کافی نیست. بررسی ترکیبی از یک سیستم هوایی بدون سرنشین (UAS) با لیدار نشان داده است که چگونه ابرهای نقطه ای دقیق و متراکم امکان کشف سازه هایی که قبلاً مستند نشده بودند را میسر می سازد. با این حال، همانطور که نویسنده به طور قانع کننده ای نشان می دهد، انجام یک نظرسنجی UAS Lidar نیازمند دانش و مهارت های کامل است.

مقاله را اینجا بخوانید

نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری

بررسی UAS Lidar بر روی سایت باستانی Pueblo
ایجاد یک مدل زمین دیجیتال دقیق و متراکم نیاز به تخصص دارد

نویسنده: Gert Riemersma 

باستان شناسان ده ها سال است که روی Sand Canyon Pueblo در کلرادو، ایالات متحده آمریکا مطالعه می کنند. امروزه نقشه برداری و تجسم سنتی پر زحمت دیگر برای مطالعات دقیق کافی نیست. بررسی ترکیبی از یک سیستم هوایی بدون سرنشین (UAS) با لیدار نشان داده است که چگونه ابرهای نقطه ای دقیق و متراکم امکان کشف سازه هایی که قبلاً مستند نشده بودند را میسر می سازد. با این حال، همانطور که نویسنده به طور قانع کننده ای نشان می دهد، انجام یک نظرسنجی UAS Lidar نیازمند دانش و مهارت های کامل است.

دره های یادبود ملی باستانی در کلرادو، ایالات متحده، یک چشم انداز باستان شناسی مهم است که حاوی منابع تاریخی و زیست محیطی فراوانی است. این منطقه اکنون یک نقطه تفریحی است، اما در حدود سال 1240 پس از میلاد این منطقه توسط جامعه پوئبلو اشغال شد، که بیش از 70 روستا را ساخت که حدود 30000 نفر در آن ساکن بودند. تنها در سند کانیون، بیش از 90 سازه زیرزمینی معروف به “کیوا” توسط خانواده ها به عنوان سکونت مورد استفاده قرار گرفت.

بین سال های 1984 و 1995، سایت مورد مطالعه، نقشه برداری و کاوش با استفاده از تکنیک های سنتی بررسی قرار گرفت. Routescene Inc. برای نقشه‌برداری دقیق‌تر از این سایت غنی از نظر فرهنگی، که توسط دفتر مدیریت زمین مدیریت می‌شود، با مشارکت Caddis Aerial برای ایجاد یک مدل زمین دیجیتال زمین برهنه دقیق (DTM) همکاری کرد. این رویکرد بر اساس یک سیستم Lidar – که می تواند در پوشش گیاهی متراکم نفوذ کند و تراکم های بالا ایجاد کند – بر روی یک هواپیمای بدون سرنشین (UAV یا “پهپاد”) نصب شده بود.

پهپاد

DJI M600 Pro به دلیل پایداری و ظرفیت بالابری آن به عنوان پلتفرم انتخاب شد. این پهپاد بسته به باد و سایر شرایط آب و هوایی می تواند مدت زمان پروازی بین 15 تا 20 دقیقه داشته باشد و در یک پرواز مساحت حداقل 400×400 متر را به تصویر می کشد و کاربران را قادر می سازد تا مناطق بیش از دو کیلومتر مربع در روز را بررسی کنند. LidarPod Routescene که در سال 2013 برای استفاده در پهپادها طراحی شده است شامل مجموعه ای از حسگرها از جمله Velodyne HDL32 است.

با سرعت اسکن تا 1.4 میلیون نقطه در ثانیه از 32 لیزر مختلف که در یک میدان دید 40 درجه زاویه دارند، این امکان نفوذ بالای پوشش گیاهی را فراهم می کند. مودم رادیویی داخلی نه تنها فرمان و کنترل را قادر می‌سازد، بلکه و مهمتر از آن، عملیات – کامل با نظارت بر تضمین کیفیت (QA) در زمان واقعی – را در فاصله بیش از 2 کیلومتر امکان‌پذیر می‌کند.

بررسی UAS Lidar بر روی سایت باستانی Pueblo
ایجاد یک مدل زمین دیجیتال دقیق و متراکم نیاز به تخصص دارد
Figure 1: Preparing for take-off.

باستانی باستانی باستانی باستانی باستانی باستانی باستانی باستانی باستانی باستانی باستانی باستانی باستانی باستانی باستانی باستانی باستانی باستانی باستانی باستانی باستانی

برخاستن و بررسی

نقطه برخاستن در جاده خاکی اصلی در شمال منطقه امکان دید کافی را تا لبه های بیرونی منطقه فراهم می کند (شکل 1). این پهپاد در ارتفاع 40 متری نسبت به نقطه برخاستن پرواز کرد. ارتفاع در مرزهای غربی و شرقی به دلیل موج دار بودن زمین 20 متر و در جنوب به دلیل صخره های شیب دار 60 متر بود. برای دستیابی به تراکم نقطه DTM بسیار بالا، پهپاد با سرعت 5 متر بر ثانیه به پایین ترین حد ممکن پرواز کرد.

تنظیم همپوشانی بین خطوط پرواز مجاور روی 100٪ به این معنی است که هر قطعه زمین دو بار بررسی شده است، که منجر به تراکم نقطه بالاتر و برخورد نقاط لیزر بیشتری به زمین می شود. طرح پرواز از برنامه GS Pro DJI در پهپاد آپلود شد.

M600 Pro به صورت دستی برای شروع ماموریت پرواز کرد و برنامه پرواز از داخل برنامه GS Pro اجرا شد. برای اهداف ژئوارفرانس دقیق، هشت نقطه کنترل زمینی (GCPs) با GNSS اندازه‌گیری شد و اهداف لیدار با قطر 60 سانتی‌متر که بر روی سه‌پایه‌ها نصب شده بودند، روی آن‌ها قرار گرفتند (شکل 2).

به لطف مواد بسیار بازتابنده آنها، اهداف به راحتی در ابر نقطه قابل شناسایی بودند. پس از هر ماموریت، داده ها از LidarPod دانلود شده و با استفاده از LidarViewer Pro بازرسی می شوند. این نرم‌افزار اختصاصی کاربر را قادر می‌سازد تا با استفاده از Filter Development Toolkit برای توسعه و اعمال فیلترها، یک گردش کار پردازش Lidar ایجاد کند.

شکل 2: هدف لیدار در بالای یک GCP (سمت چپ)، با GNSS اندازه گیری شده است.

شرایط پرواز

این بررسی در اکتبر 2018 انجام شد. دما در اوایل صبح بین 15 تا 20 درجه سانتیگراد بود که در طلوع خورشید 5 درجه افزایش یافت. برنامه ریزی ماموریت پهپاد باید ارتفاع 2100 متری را در نظر می گرفت زیرا با افزایش ارتفاع پرواز و همچنین به دلیل شرایط جوی مانند دما و رطوبت، عملکرد هواپیما کاهش می یابد. ارتفاع پرواز و شرایط جوی در ارتفاع به اصطلاح چگالی ترکیب می شوند.

هوای سرد صبحگاهی منجر به تراکم ارتفاع 2750 تا 3050 متر شد. علاوه بر ارتفاع تراکم، چالش های دیگر شامل خلبانی یک هواپیمای تازه خریداری شده و محموله بود. 40 درصد از ظرفیت باتری پس از تکمیل خط پرواز فعلی باقی ماند و پهپاد پس از آن به محل برخاستن پرواز کرد و معمولاً با 30 درصد ظرفیت فرود آمد. این حاشیه ایمنی سخاوتمندانه به عنوان یک رویکرد معقول در نظر گرفته شد. وزش باد در اواسط صبح تمایل داشت که شرایط پرواز را چالش برانگیزتر کند. با این حال، چهار پرواز با موفقیت انجام شد و آخرین خط پرواز درست قبل از تقویت بیشتر باد و فراتر از محدودیت های عملیاتی به پایان رسید.

تله

از آنجایی که همیشه این احتمال وجود دارد که داده‌های اضافی در تاریخ بعدی – چه برنامه‌ریزی‌شده یا برنامه‌ریزی نشده – جمع‌آوری شوند، پیش‌بینی این امر با علامت‌گذاری همه GCPها با استفاده از یک میخ دائمی که به زمین می‌خورد، یک روش استاندارد است. بررسی مجدد در اواسط زمستان انجام شد، زمانی که GCPs زیر 30 سانتی متر از پوشش برف مدفون شدند. تجزیه و تحلیل داده ها اختلافی را در موقعیت GCP ها نسبت به ابر نقطه نشان داد.

تجزیه و تحلیل بیشتر بیشتر نشان داد که خطاها به دلیل ذخیره مختصات GCP در مایکروسافت اکسل ایجاد شده است که همه اعداد را تا شش رقم اعشار گرد می کند. برای مختصات جغرافیایی این یک عدم دقت تا 4 متر معرفی کرد. بنابراین یک کلمه احتیاط: مراقب نحوه جمع آوری و ذخیره داده های نظرسنجی باشید! بارگذاری مجدد داده های خام اصلی در قالب دیگری مشکل را حل کرد، اما نقشه برداران زمین نسبتاً ناراضی بودند. درسی که گرفت!

شکل 3: ابر نقطه UAS Lidar شامل بیش از 3.2 میلیارد نقطه.

نتایج

بیش از 3.2 میلیارد امتیاز جمع آوری و پردازش شد (شکل 3). فیلترهای مورد استفاده در یک توالی خودکار عبارتند از کاهش بخش، کاهش شناسه لیزری، تبدیل مختصات، ایجاد شبکه، “ابزار زمین برهنه” ساخته شده، یک شبکه اسکیم و در نهایت فیلتر صادرات LAS. این فرآیند عملاً تمام پوشش گیاهی را از ابر نقطه حذف کرد تا ساختارهایی را که باستان شناسان به آن علاقه مند بودند به تفصیل در معرض دید قرار دهد. کیواهای بدون سند و سازه های دیگر (شکل 4). این نتایج، که بدون بررسی های زمینی پر زحمت به دست آمدند، دقیق هستند و به باستان شناسان اجازه می دهند تا کارهای آینده خود را بر روی سازه های تازه یافته متمرکز کنند.

شکل 4: DTM زمین برهنه ساختارهایی را که قبلاً مستند نشده بودند نشان داد.

چالش های پیمایش جزایر فارو
تطبیق پذیری پهپادها در مجمع الجزایر دورافتاده و ناهموار

نوشته:  Wim van Wegen 

جزایر فارو که در شمال اقیانوس اطلس قرار دارند و تقریباً از اسکاتلند، ایسلند و نروژ فاصله دارند، مجمع الجزایری ناهموار و صخره ای را تشکیل می دهند. هوای خنک و ابری، همراه با بادهای شدید و بارش باران شدید در تمام طول سال، به این معنی است که این یک محیط بررسی چالش برانگیز است. مقامات نقشه برداری در جستجوی بهترین روش برای ثبت این محیط خیره کننده به پهپادها روی آورده اند. این مقاله داستان نقشه برداری و بررسی یک نقطه واقعا نفس گیر در زمین را بیان می کند.

آب و هوا همیشه یک عامل در 18 جزیره و اطراف آن است که جزایر فارو را تشکیل می دهند. باد یا باران بیش از حد، خبر بدی برای نقشه‌برداران است. در گذشته، Umhvørvisstovan (آژانس محیط زیست فارو، که مسئول نقشه برداری و نظارت بر پیشرفت در سراسر جزایر، از جمله نقشه برداری خطوط ساحلی است) از هواپیما برای گرفتن تصاویر مورد نیاز برای نقشه برداری و نقشه برداری استفاده می کرد.

با این حال، این بدون محدودیت نبود، زیرا هواپیما باید چند روز قبل از شرکت های فتوگرامتری در دانمارک یا ایسلند رزرو می شد. این اغلب با توجه به آب و هوای متغیر در منطقه دشوار بود – به ویژه در دوره هایی که اکثر شرکت ها مشغول ثبت تصاویر در جاهای دیگر بودند.

تطبیق پذیری پهپادها در مجمع الجزایر دورافتاده و ناهموار
نقشه ای که موقعیت جزایر فارو را نسبت به بقیه اروپا نشان می دهد.

روی آوردن به نقشه برداری هوایی بدون خدمه

بنابراین در سال 2015، Umhvørvisstovan تصمیم گرفت به جای هواپیماها با وسایل نقلیه هوایی بدون سرنشین (پهپادها یا “پهپادها”) کار کند. تیم بررسی محلی در مورد نقاط قوت فتوگرامتری هواپیماهای بدون سرنشین تحقیق کردند و دریافتند که داده‌های جغرافیایی گرفته‌شده توسط پهپاد می‌توانند با کار و تلاش کمتری نسبت به فتوگرامتری مبتنی بر هواپیما، عکس‌های ارتوفوتوگرافی تولید کنند.

مزایای صرفه جویی در نیروی کار به عنوان یک مزیت مهم در نظر گرفته شد، زیرا تنها شش کارمند برای انجام تمام مسئولیت های نقشه برداری در Umhvørvisstovan وجود دارد. سه نفر از آنها بر روی نقشه برداری و نقشه برداری در خشکی کار می کنند، در حالی که سه نفر دیگر روی نمودارهای دریایی برای کشتی ها و کشتی ها کار می کنند (به زیر مراجعه کنید).

مزیت دیگر این است که هنگام استفاده از هواپیماهای بدون سرنشین، آسمان صاف ضروری نیست. در واقع، تا زمانی که پهپاد بتواند زیر ابرها کار کند، گاهی اوقات نتیجه با پوشش ابر بهتر است. با این حال، آب و هوای بد در اوایل سال جاری به این معنی بود که Umhvørvisstovan تا نیمه دوم مه 2021 قادر به جمع‌آوری داده‌ای با استفاده از پهپادها نبود.

حتی در شرایط آرام‌تر، مه گاهی اوقات مشکل ایجاد می‌کرد – به‌خصوص زمانی که در پایین‌ترین حد ممکن بود. ارتفاع پرواز پهپاد مه می‌تواند حسگر زمینی را فعال کند، در نتیجه سیستم ایمنی پهپاد را فعال می‌کند، بدون ذکر این واقعیت که تصاویر جمع‌آوری‌شده هنگام پرواز در مه غیرقابل استفاده هستند.

بنابراین در سال 2015، شرکت دانمارکی COWI که قبلاً تجربه گسترده ای در نقشه برداری هواپیماهای بدون سرنشین داشت، یک خلبان هواپیمای بدون سرنشین را به جزایر فارو فرستاد که وظیفه جمع آوری تصاویر پایتخت (تورشاون) و دومین شهر بزرگ (کلاکسویک) را داشت. این پروژه با موفقیت فاروئی ها را در مورد قابلیت های پهپادها برای برنامه های نقشه برداری متقاعد کرد و کمتر از یک سال بعد تیم شروع به خرید پهپادها برای خود کرد. پس از مدتی تحقیق، آنها در نهایت دو پهپاد بال ثابت FX-61 را با نصب Pixhawk از شرکت دانمارکی Nordic Drone خریداری کردند. بعداً، در سال 2020، یک eBee X برای تکمیل ناوگان خریداری شد.

کوهنوردی که صخره‌های درانگارنیر – پشته دریایی نمادین با سوراخی در آن – در جزایر فارو را تحسین می‌کند. (با احترام: Shutterstock)

انعطاف پذیری و سایر مزایا

برای Umhvørvisstovan، مزیت کلیدی پهپادها انعطاف پذیری آنهاست. یکی دیگر از مزایای عمده نقشه برداران فاروئی این واقعیت است که نقشه برداری پهپاد مستلزم یک گردش کار نسبتاً کوتاه است، از جمع آوری داده ها تا محصولات نهایی. این بدان معنی است که تصاویر به سرعت در دسترس هستند، به علاوه نقشه برداران از کنترل هر مرحله از فرآیند قدردانی می کنند. اکنون، در صورت وجود هرگونه خطا یا داده‌های غیرقابل اعتماد، نقشه‌برداران می‌توانند خطاها را تصحیح کنند یا خودشان به سرعت داده‌های جدید را جمع‌آوری کنند، بدون اینکه به دیگران وابسته باشند.

سهولت استفاده و نتایج با کیفیت بالا

در مکانی منحصر به فرد مانند جزایر فارو، واقع در وسط اقیانوس اطلس، نقشه برداری هوایی از جزایر به دور از یک پروژه پیمایشی پیشرو است و مستلزم پیشگامی های زیادی است. برای انجام ماموریت های چالش برانگیز به طور موثر و ایمن، دانستن توانایی ها و همچنین محدودیت های پهپاد و نحوه واکنش آن در شرایط مختلف مهم است. استفاده Umhvørvisstovan از پهپادها بدون اشتباه نبوده است، اما آنها در نهایت تیم را قادر می سازند تا تجربیات ارزشمند زیادی را به دست آورد.

هدف اصلی نقشه برداری از تمام مناطق شهری در جزایر است و نقشه هایی که از تصاویر گرفته شده ایجاد می شود عمدتاً برای برنامه ریزی زمین و برای ثبت ملی استفاده می شود. .شهرداری Tórshavn حتی پهپاد مخصوص به خود را دارد تا بتواند نقشه شهر را با نرخی بالاتر از توانایی آژانس تهیه کند. از سال 2017، Umhvørvisstovan 117130 تصویر با وضوح بالا جمع آوری کرده است که به طور متوسط ​​تقریباً 30000 در سال است. نقشه های مبتنی بر پهپاد دارای میانگین فاصله نمونه برداری از زمین 3 سانتی متر هستند که به طور قابل توجهی بالاتر از قبل است.

هر دو پهپاد در ناوگان Umhvørvisstovan – پهپاد Phantom FX-61 با بال ثابت مجهز به دوربین Pixhawk و SenseFly eBee X با دوربین Aerial X – برای پروژه‌های مختلف بسیار خوب عمل کرده‌اند. تیم متوجه شد که این دو سیستم مزایا و معایبی دارند.

اکوسیستم SenseFly بسیار قوی و کاربرپسند است، در حالی که تنظیمات Pixhawk و Mission Planner از مزیت تعمیر و نگهداری سریع مانند در مورد فرود سخت یا هنگام تعویض سروو برخوردار است. هر دو پهپاد همچنین نشان داده‌اند که می‌توانند به خوبی با شرایط اغلب بادی و متلاطم بالای جزایر فارو کنار بیایند.

برای پردازش، این تیم از زمانی که کار با پهپادها را آغاز کردند، از Pix4D استفاده کردند. آنها دریافته اند که این نرم افزار فتوگرامتری/نقشه برداری بسیار موثر و قوی است که نتایج با کیفیت بالا را همراه با سهولت استفاده ارائه می دهد.

خروجی ابر نقطه ای دقیق و واضح از بررسی پهپاد از جزایر فارو.

نقشه برداری از یک جزیره کوچک

اخیرا، Umhvørvisstovan جزیره کوچک Svínoy (با اندازه 2.34 کیلومتر مربع) را نقشه برداری کرد. ماموریت جمع آوری داده ها به سه پرواز تقسیم شد که در مجموع 1997 تصویر بر اساس برنامه ریزی دقیق پرواز برای صرفه جویی در وقت خلبان جمع آوری شد. باد، مطمئناً طبق استانداردهای فاروئی، در طول پروازها ملایم بود. اگرچه مقداری آشفتگی وجود داشت و چیدمان زمین چالش برانگیز بود، eBee X توانست با خیال راحت در برخی از فضاهای مسطح در Svínoy بلند شود و فرود بیاید.

داده‌های گرفته‌شده در Pix4Dmatic پردازش شدند، که کمی بیش از ده ساعت طول کشید تا کل مجموعه داده‌ها خرد شود. سپس نقشه نهایی ویرایش و حاشیه نویسی شد تا جزئیات مهمی مانند خطوط ساحلی، مسکن – از جمله نام جاده ها و آدرس ها – و همچنین مزارع و زمین های کشاورزی اضافه شود. نقشه به دست آمده برای دانلود رایگان به عنوان یک منبع دسترسی آزاد در دسترس است.

نمای جامع Svínoy ارائه شده در نرم افزار Pix4Dmatic.

همگام شدن با آخرین هنر در نقشه برداری

یک درس مهم برای Umhvørvisstovan این بوده است که به اشتراک گذاشتن تجربیات با دیگر خلبانان پهپاد راهی موثر برای یادگیری و آماده ماندن برای چالش های پیش بینی نشده است. در این زمینه، تیم کوچکی از متخصصان زمین‌فضایی جزایر فارو روابط نزدیکی با سایر خلبانان پهپاد دارند – به‌ویژه در کشورهای شمال اروپا. در این شبکه از خلبانان پهپاد، آنها گرد هم می آیند تا در مورد چالش ها بحث کنند، در مورد مسائل به یکدیگر کمک کنند و نحوه عملکرد کشورشان از نظر نقشه برداری و سایر موارد را به اشتراک بگذارند.

تیم Umhvørvisstovan مشتاق همگام شدن با امکاناتی است که فناوری جدید به ارمغان می آورد و شرکت در کنفرانس ها در صنعت نقشه برداری و GIS را به عنوان راه ارزشمند دیگری برای یادگیری در مورد آخرین روندها و پیشرفت ها می دانند. با وجود موقعیت ایزوله، زیرساخت ارتباطی جزایر فارو بسیار مدرن است. بنابراین، در عصر فناوری امروزی که اطلاعات با سرعت رعد و برق حرکت می‌کنند، به‌روز ماندن در مورد جدیدترین فناوری نقشه‌برداری برای تیم نسبتاً آسان است و بدون شک پروژه‌های نقشه‌برداری موفق‌تری را انجام خواهند داد. در آینده.

قدردانی

نوشتن این مقاله بدون کمک فوق العاده آندریاس کلاین آرنبیرگ، خلبان هواپیمای بدون سرنشین در Umhvørvisstovan ممکن نبود.

هیدروگرافی جزایر فارو

از آنجایی که جزایر فارو در اقیانوس اطلس واقع شده اند، نقشه برداری ساحلی و هیدروگرافیک نیز ستون مهمی برای مقامات است. مسئولیت هیدروگرافی و نقشه برداری در ژانویه 2020 از مقامات دانمارکی به مقامات فارو واگذار شد. بستر دریای فارو 300000 کیلومتر مربع را پوشش می دهد و می تواند تا عمق 3.6 کیلومتری در شمال برسد. با این حال، یک کشور کوچک گاهی اوقات می تواند یک مزیت باشد. اداره هیدروگرافی و اداره زمین و نقشه برداری در جزایر فارو در واقع در یک بخش در Umhvørvisstovan هستند. این بدان معناست که خشکی و دریا دقیقاً در کنار یکدیگر قرار دارند که فرصت‌های همکاری بزرگی را ارائه می‌دهد.

دفتر هیدروگرافی در Umhvørvisstovan تنها شامل سه نفر از کارکنان است که بر روی هیدروگرافی، نقشه برداری و مدیریت تمرکز دارند. این مسئولیت شامل هشت نمودار کاغذی دریایی و 21 نمودار ناوبری الکترونیکی است. علاوه بر این، هاوستووان (موسسه تحقیقات دریایی فارو) اخیراً یک کشتی تحقیقاتی جدید به طول 54 متر را راه اندازی کرده است که یک سیستم چند پرتوی Kongsberg EM712 را در خود جای داده است. Umhvørvisstovan مسئول عملیات این است و داده های آب متوسط ​​تا عمیق را جمع آوری می کند. Landsverk (سازمان راه های فاروئی) مسئول جمع آوری داده های سطح و داده های عمق سنجی برای نظارت بر تغییرات در بنادر و بنادر است.

نقشه برداری موبایل با… گوسفند!

چند سال پیش، مجمع الجزایر فارو یکی از معدود مکان هایی بود که در نمای خیابان گوگل در دسترس نبود. از آنجایی که به نظر می‌رسید گوگل قصدی برای نقشه‌برداری از جزایر فارو برای آینده قابل پیش‌بینی ندارد، یکی از کارمندان هیئت گردشگری جزایر فارو راه‌حل خود را ارائه کرد. به جای «نمای خیابان»، او ترتیبی داد تا یک چوپان محلی و گوسفندانش با اتصال دوربین‌هایی به گوسفندها، «نمای گوسفند 360» را تولید کنند تا از محیط اطراف هنگام حرکت آنها عکس بگیرند. از آنجایی که این جزایر بیشتر از گوسفندان جمعیت دارند، این راه حل نقشه برداری سیار از نظر سادگی بسیار عالی بود.

پس از شنیدن پروژه Sheep View، گوگل با اشتیاق پاسخ داد و جزایر فارو را با نمای خیابان Trekker و دوربین های 360 درجه عرضه کرد. این امر به ساکنان و گردشگران این امکان را داد تا به گوسفندان در ثبت تصاویر مجمع الجزایر زیبا کمک کنند. به لطف این تلاش‌ها، Google Street View اکنون جزایر فارو را شامل می‌شود.

برای اطلاعات بیشتر اینجا را ببینید.

این مقاله در ابتدا در GIM International منتشر شده است.

جزیره Borðoy از منظر پهپاد دیده می شود. تصویر نمایی آفتابی از شهر Klaksvik در تابستان را نشان می دهد.

نقشه برداری خاک با پهپاد
استفاده از طیف سنج های پرتو گاما در بررسی های هوابرد

نوشته:Ronald KoomansHan LimburgSteven van der Veeke 

در بخش علوم زمین، حسگرهای اندازه‌گیری ویژگی‌های زمین به سرعت برای استفاده از هواپیماهای بدون سرنشین سازگار می‌شوند، زیرا پیشرفت‌های جدید در فناوری منجر به افزایش اندازه و بار وسایل نقلیه هوایی بدون سرنشین (پهپادها یا پهپادها) شده است. این مقاله دو مطالعه را ارائه می‌کند که فرصت‌هایی را برای افزودن طیف‌سنج پرتو گاما به یک پهپاد به منظور ترسیم بافت یا آلودگی خاک بررسی می‌کند.

طیف سنج های پرتو گاما سنت طولانی استفاده به عنوان یک ابزار ژئوفیزیکی برای نقشه برداری خواص خاک و رسوب دارند، اما اندازه و وزن بزرگ آنها تاکنون مانع از استفاده این حسگرها در کاربردهای پهپادها شده است. با این حال، پیشرفت‌های اخیر در سخت‌افزار حسگر، همراه با الگوریتم‌های پردازش داده‌ها که استخراج آخرین تکه اطلاعات از داده‌های به‌دست‌آمده را امکان‌پذیر می‌سازد، منجر به تولید طیف‌سنج‌های پرتو گاما با وزن کمتر از ۳ کیلوگرم شده است. این کاهش وزن قابل توجه به این معنی است که اکنون می توان آنها را به هواپیماهای بدون سرنشین متصل کرد و طیف جدیدی از کاربردها را برای استفاده از طیف سنج های پرتو گاما در بررسی های هوابرد باز می کند.

از سنسور تا نقشه خاک

یک طیف سنج پرتو گاما به طور مستقیم غلظت رادیونوکلئیدهای موجود در محیط را اندازه گیری می کند، خواه رادیونوکلئیدهای طبیعی مانند پتاسیم، اورانیوم و توریم و یا رادیونوکلئیدهای مصنوعی مانند سزیم (137Cs). این اندازه‌گیری‌ها ورودی مدل‌های کاربردی را فراهم می‌کند که غلظت پرتوزا با ویژگی خاک یا آلاینده مورد نظر مرتبط است. برای انجام این کار، بسیار مهم است که اندازه گیری های میدانی نتایج کمی و دقیق را ارائه دهند. بنابراین کالیبراسیون مناسب سنسور و انتخاب مناسب اندازه سنسور در رابطه با کاربرد آن ضروری است.

حسگرهای پرتو گاما را می توان برای نقشه برداری خاک، مطالعات زیست محیطی و استخراج معادن بر اساس رویکرد سه مرحله ای استفاده کرد (شکل 1). این کار با اتصال یک حسگر زیر یک پهپاد برای اندازه گیری رادیونوکلئیدها شروع می شود. در مرحله بعد، یک مدل کاربردی توسعه داده می شود که داده های اندازه گیری شده را به پارامترهای خاک ترجمه می کند. سپس می توان نقشه های ویژگی های مورد علاقه را تولید کرد.

نقشه برداری خاک با پهپاد
استفاده از طیف سنج های پرتو گاما در بررسی های هوابرد
شکل 1: رویکرد سه مرحله ای برای نگاشت مبتنی بر حسگر، توسعه یک مدل کاربردی و تولید نقشه برای کاربر نهایی.

مطالعه مقایسه نقشه خاک

برای ترسیم ترکیب خاک، یک طیف سنج پرتو گاما اغلب با استفاده از وسیله نقلیه زمینی مانند تراکتور، گاتور یا کواد استفاده می شود. با این حال، استفاده از پهپاد این امکان را فراهم می‌کند که ویژگی‌های خاک زمین‌هایی را که دسترسی به آن دشوار است، مانند زمانی که زمین پوشیده از پوشش گیاهی است یا دسترسی به مزرعه نامطلوب است، ترسیم کند.

برای ارزیابی کیفیت نقشه‌های حاصل که توسط یک طیف‌سنج پرتو گاما نصب شده در زیر یک پهپاد اندازه‌گیری شد، نویسندگان مطالعه مقایسه‌ای را برای پیش‌بینی ویژگی‌های فیزیکی خاک ۴۰ هکتار از زمین‌های کشاورزی در فلوولند، هلند طراحی کردند. در این پروژه، اندازه‌گیری‌ها با استفاده از یک طیف‌سنج پرتو گاما (حسگر MS-2000 از Medusa Radiometrics) که روی یک تراکتور نصب شده بود، با اندازه‌گیری‌های یک طیف‌سنج پرتو گامای هواپیمای بدون سرنشین (سنسور MS-1000 از Medusa Radiometrics) و با اندازه‌گیری‌ها مقایسه شد.

نمونه های سنتی خاک MS-1000 یک سیستم آشکارساز پرتو گاما کم مصرف، سبک و قوی است که مخصوص استفاده با هواپیماهای بدون سرنشین طراحی شده است. این حسگر که 7.7 کیلوگرم وزن دارد، تحت یک پهپاد استاندارد و تجاری (DJI M600 PRO) نصب شده است. این پهپاد در ارتفاع متوسط ​​14 متری با خطوط بررسی 30 متری پرواز کرد.

مدل کاربردی در این مطالعه بر اساس 14 نمونه خاک برداشت شده و در آزمایشگاه بر روی محتوای رادیونوکلئید و کسر رس آنالیز شد. از مدل (شکل 2) برای ترجمه مقادیر میدان 232Th به نقشه ای استفاده شد که غلظت ریزدانه ها (<50μm) را نشان می دهد.

شکل 2: مدل کاربرد برای ترجمه غلظت توریم (Bq/kg) به کسر خاک رس، که به عنوان اندازه دانه <50 میکرومتر تعریف شده است، استفاده شد.

شکل 3 نقشه‌های حاصل را نشان می‌دهد که این مدل کاربردی برای ترجمه غلظت فضایی 232th به تغییرات اندازه دانه فضایی استفاده شد. اندازه‌گیری‌های زمینی، تغییرات محتوای خاک رس را هنگام اندازه‌گیری آن با آشکارساز MS-2000 در تراکتور نشان می‌دهد. نقشه هوابرد، محتوای خاک رس را بر اساس اندازه‌گیری‌های با استفاده از آشکارساز هواپیمای بدون سرنشین MS-1000 نشان می‌دهد. مجموعه جداگانه ای از 44 نمونه خاک برداشت شد و برای اعتبار سنجی آماری مستقل استفاده شد.

نقشه‌های اندازه‌گیری‌های زمینی و اندازه‌گیری‌های هواپیمای بدون سرنشین مطابقت نزدیکی دارند، اما نتایج حاصل از پهپاد «صاف‌تر» هستند و وضوح فضایی کمتری را نشان می‌دهند. این تفاوت در اندازه ساختارهای فضایی قابل انتظار است زیرا پهپاد تابش را از یک منطقه بزرگتر می گیرد و در نتیجه ردپای بزرگتری دارد. تجزیه و تحلیل دقیق‌تر و اعتبارسنجی نقشه‌ها نشان داد که کیفیت نقشه هواپیمای بدون سرنشین با بررسی زمینی برابری می‌کند و هر دو رویکرد به خوبی نمونه‌برداری از خاک هستند.

شکل 3: نقشه اندازه دانه برگرفته از بررسی زمینی (سمت چپ) و بررسی هوایی (راست). نقاط نشان دهنده نقاط نمونه مستقل مورد استفاده در اعتبار سنجی هستند.

نقشه برداری آلودگی خاک

آلودگی محیطی ناشی از فعالیت های انسانی به عنوان یکی از خطرات مدرن پیشرفت های صنعتی جامعه شناخته شده است. این آلودگی شامل آلاینده‌های آلی و فلزات سنگین به دلیل انتشار تاریخی توسط شیوه‌های صنعتی فعلی و سابق است. از آنجایی که آلاینده ها می توانند با جذب موجودات زنده وارد زنجیره غذایی شوند، بازسازی محیطی یا بسته شدن مکان های آلوده در اولویت است.

رویکرد فعلی برای مدیریت و نظارت بر سایت‌های آلوده شامل روش‌های تهاجمی و اغلب کار فشرده است، به‌ویژه به منظور جمع‌آوری نمونه‌ها برای تعیین کمیت و نقشه‌برداری توزیع آلاینده‌ها. در نتیجه، خطوط توزیع آلاینده بر اساس نمونه‌ها، بسته به اندازه نمونه و فاصله بین نمونه‌ها در معرض تعدادی خطای بالقوه است، با این خطر که «نقاط داغ» بدون نقشه باقی بمانند.

بسیاری از آلاینده ها در رسوبات آبی به ذرات رس جذب می شوند. این بدان معنی است که سطوح آلاینده به شدت با ترکیب این رسوبات در هنگام زیر آب، یا زمانی که رسوبات در دشت های سیلابی رسوب می کنند، مرتبط است. در نهر Spittelwasser، یکی از شاخه های رودخانه البه در آلمان، دشت های سیلابی به عنوان حوضه های انباشته برای فاضلاب های بسیار آلوده در طول حوادث سیل مورد استفاده قرار می گرفت و باعث می شد که آنها با مواد شیمیایی آلی مانند دیوکسین ها آلوده شوند.

دشت های سیلابی قبلاً موضوع تحقیقات متعددی در مورد آلودگی رسوبات و خاک بوده است. تصمیم برای انجام یک بررسی نقشه برداری از طریق هواپیماهای بدون سرنشین گرفته شد، تا حدی به این دلیل که دسترسی به برخی از مناطق از نظر فیزیکی دشوار بود و تا حدودی به دلیل ناشناخته بودن مالکان زمین برای برخی از مناطق، که به این معنی بود که مجوز دسترسی نمی توانست به دست آورد. برای بررسی هوابرد، MS-1000 زیر یک پهپاد DJI M600 نصب شد. این پهپاد در ارتفاع متوسط ​​7 متری با خطوط بررسی به فاصله 10 متر از هم پرواز کرد و این امکان را فراهم کرد که این سایت 50 هکتاری تنها در سه روز نقشه برداری شود.

شکل 4: طیف سنج پرتو گاما MS-1000 که تحت یک پهپاد تجاری استاندارد DJI M600 نصب شده است.

این بررسی منجر به نقشه های یکپارچه سطوح آلاینده رسوب شد (شکل 5) که نشان می دهد اکثریت منطقه دارای غلظت نسبتاً کم آلاینده است، اما برخی از نقاط داغ وجود دارد. این داده ها اطلاعات دقیقی را در مورد آلودگی در مقیاس حوضه رودخانه به دولت ارائه می دهد که برای تعریف اقدامات اصلاحی مناسب بسیار مهم است.

نتیجه گیری

صنعت نقشه برداری جغرافیایی در سال های اخیر به دلیل استفاده از پهپادها برای تهیه نقشه های سطح زمین تغییرات قابل توجهی داشته است. تاکنون استفاده از پهپادها در حوزه ژئوفیزیک محدود بوده است و بیشتر این کار با بررسی های زمینی یا بررسی از هواپیماهای بزرگتر انجام می شود. با این حال، صنعت ژئوفیزیک به تکامل خود ادامه می‌دهد و حسگرها کوچک‌تر، سبک‌تر و کاربرپسندتر شده‌اند. این حسگرهای کوچکتر اکنون می توانند در ترکیب با هواپیماهای بدون سرنشین برای نقشه برداری از بافت خاک و آلودگی خاک با وضوح مکانی بالا استفاده شوند.

هر دو پیمایش هواپیمای بدون سرنشین ارائه شده در این مقاله با استفاده از یک پهپاد خارج از قفسه و یک طیف سنج پرتو گاما اجرا شدند. اولین مطالعه نشان داد که چگونه بافت خاک را می توان با استفاده از چنین تنظیماتی ترسیم کرد. مطالعه دوم نشان داد که از همین تنظیمات می توان برای نقشه برداری از آلاینده ها با وضوح فضایی بی سابقه استفاده کرد. این نتایج نشان می‌دهد که حسگرهای پرتو گاما برای استفاده معمول در پروژه‌های نقشه‌برداری هواپیمای بدون سرنشین آماده هستند. این امکان را برای انجام نقشه برداری با وضوح بالا از بافت خاک و آلودگی خاک در مناطقی که در غیر این صورت غیرقابل دسترس بودند، باز می کند.

شکل 5: غلظت دیوکسین (PCDD/DF) در یک منطقه از دشت های سیلابی. نقاط نشان دهنده مکان های نمونه هستند و مقیاس رنگ آنها با رنگ های نقشه یکسان است.

طیف سنج پرتو گاما چیست؟

یک طیف سنج پرتو گاما غلظت عناصر رادیواکتیو را در زمین اندازه گیری می کند. همه سنگ‌ها، خاک و رسوبات حاوی آثار کوچک اما قابل اندازه‌گیری از رادیونوکلئیدهای طبیعی مانند پتاسیم (40K)، اورانیوم (238U) و توریم (232Th) هستند. تابش ساطع شده توسط این هسته ها حاوی اطلاعاتی در مورد ترکیب کانی شناسی سنگ ها و خاک ها است. این پدیده، به عنوان مثال، در اکتشاف نفت و گاز و مواد معدنی برای به دست آوردن تصویری کیفی از ترکیب معدنی یک منطقه یا ماتریس سنگ استفاده می شود.

توجه به این نکته مهم است که برخلاف بسیاری از فناوری‌های ژئوفیزیک دیگر، طیف‌سنج‌های پرتو گاما حسگرهای غیرفعال هستند. آنها به جای انتشار تشعشع، آن را جذب می کنند. احتمال جذب و در نتیجه راندمان تشخیص مستقیماً با حجم آشکارساز متناسب است. بنابراین، یک آشکارساز بزرگتر به معنای کارایی بهتر است. این وابستگی به اندازه دلیلی است که در نقشه برداری سنتی هوابرد، از بسته های آشکارساز چند کریستالی بزرگ 80 کیلوگرمی استفاده می شود. با این حال، پیشرفت‌های اخیر منجر به حسگرهای بسیار سبک‌تر شده است که استفاده از طیف‌سنج‌های پرتو گاما را در زیر هواپیماهای بدون سرنشین امکان‌پذیر می‌سازد.

سپاسگزاریها

پروژه های نقشه برداری شرح داده شده برای Landesanstalt für Altlastenfreistellung (LAF) در Sachsen Anhalt، آلمان، و برای Wageningen Environmental Research، هلند انجام شد.

بیشتر بخوانید

نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری نقشه برداری

شاخص قيمت توليدكننده محصولات گاوداري‌هاي صنعتي كشور تابستان ١٤٠١

گاوداری

در فصل تابستان ١٤٠١ تغییرات شاخص قیمت تولیدکننده بخش گاوداری‌­های صنعتی نسبت به فصل قبل (تورم فصلی) به ٧,٨ درصد رسید که در مقایسه با همین اطلاع در فصل قبل (٥٠.٨ درصد)، ٤٣.٠ واحد درصد کاهش دارد. در میان اقلام گاوداری صنعتی، کمترین تورم فصلی مربوط به قلم ” گوساله نر زیر چهار ماه” (٠.٧ درصد) و بیش­ترین آن مربوط به قلم ” گاو ماده شیری” (١٥.٤ درصد) می‌­باشد.

چکیده

در فصل تابستان ١٤٠١‌ شاخص قیمت تولیدکننده بخش گاوداری‌­های صنعتی (بر مبنای ١٠٠=١٣٩٥) برابر با ٨٦٣,٢ بوده‌است که نسبت به فصل قبل (تورم فصلی) ٧.٨ درصد و نسبت به فصل مشابه سال قبل (تورم نقطه به نقطه) ٧٥.٤ درصد افزایش یافته­است. میانگین شاخص چهار فصل منتهی به فصل جاری نیز نسبت به دوره مشابه سال قبل (نرخ تورم سالانه) ٦٧.٢ درصد افزایش یافته­است.

کاهش تورم فصلی

در فصل تابستان ١٤٠١ تغییرات شاخص قیمت تولیدکننده بخش گاوداری­های صنعتی نسبت به فصل قبل (تورم فصلی) به ٧,٨ درصد رسید که در مقایسه با همین اطلاع در فصل قبل (٥٠.٨ درصد)، ٤٣.٠ واحد درصد کاهش دارد. در میان اقلام گاوداری صنعتی، کمترین تورم فصلی مربوط به قلم ” گوساله نر زیر چهار ماه” (٠,٧ درصد) و بیش­ترین آن مربوط به قلم “گاو ماده شیری”  (١٥,٤ درصد) می‌­باشد.

کاهش تورم نقطه به نقطه

در فصل تابستان ١٤٠١ تغییرات شاخص قیمت تولیدکننده بخش گاوداری­های صنعتی نسبت به فصل مشابه سال قبل (تورم نقطه به نقطه) به  ٧٥,٤ درصد رسید که در مقایسه با همین اطلاع در فصل قبل (٩٧.٢ درصد)، ٢١.٩ واحد درصد کاهش داشته است. به عبارتی، میانگین قیمت دریافتی توسط تولیدکنندگان محصولات گاوداری­‌های صنعتی به ازای تولید قلم­‌های خود در داخل کشور، در فصل تابستان ١٤٠١ نسبت به فصل تابستان ١٤٠٠، ٧٥.٤ درصد افزایش دارد. در بین اقلام گاوداری­‌های صنعتی، کمترین تورم نقطه به نقطه مربوط به قلم “گاو تلیسه” (٣٤.٨ درصد) و بیش­ترین آن مربوط به قلم “شیر” (٩٢.٩ درصد) می­‌باشد.

کاهش تورم سالانه

تغییرات میانگین شاخص قیمت تولیدکننده محصولات گاوداری­‌های صنعتی در داخل کشور در چهار فصل منتهی به فصل تابستان ١٤٠١ نسبت به مدت مشابه در سال قبل به ٦٧,٢ درصد رسید که نسبت به همین اطلاع در فصل قبل (٦٧.٣ درصد)،٠.١ واحد درصد کاهش نشان می­‌دهد. در فصل مورد بررسی، در میان اقلام گاوداری­های صنعتی در کشور، کمترین تورم سالانه مربوط به قلم ” گوساله نر زیر چهار ماه” (٣٥.١ درصد) و بیشترین آن مربوط به “شیر” (٨٠.٣ درصد) می­‌باشد.

شاخص استاني

بررسي شاخص قيمت توليدكننده محصولات گاوداري‌هاي صنعتي كشور در تابستان ١٤٠١ نشان مي­دهد که عدد شاخص در اکثر استان­ها نسبت به فصل قبل با افزایش روبه­ رو بوده است. بیشترین میزان افزایش مربوط به استان هرمزگان با ٢٦,٦ درصد و بیشترین میزان کاهش مربوط به استان گیلان با ٤.١- درصد می‌­باشد.

مقایسه شاخص کل استان­ها در فصل جاری نسبت به فصل مشابه سال قبل نشان می­دهد که بیشترین درصد تغییر مربوط به استان اردبیل با ١٤١,٦ درصد (افزایش) و کمترین آن مربوط به استان خوزستان با ٣٩.٦ درصد (افزایش) می­‌باشد.

دریافت گزارش تفصیلی