بایگانی دسته: مطلب روز

اطلس جدید، شکاف گسترده زیرساخت شهری را بین جنوب جهانی و شمال جهانی نشان می دهد

داده‌های جدید یک تیم تحقیقاتی بین‌المللی بُعد دیگری – به معنای واقعی کلمه – به درک تأثیرات اقتصادی و زیست‌محیطی چگونگی ساخت شهرها و زیرساخت های آن می‌افزاید.

اطلس جدید، شکاف گسترده زیرساخت شهری را بین جنوب جهانی و شمال جهانی نشان می دهد

مجموعه داده های جدید پیشگام، تفاوت های گسترده در ارتفاع زیرساخت های ساخته شده در مناطق شهری در سراسر جهان را نشان می دهد، اطلاعاتی که می تواند پیش بینی های مصرف انرژی و انتشار گازهای گلخانه ای را بهبود بخشد و برنامه ریزی شهری و تلاش های توسعه اقتصادی، از جمله پیشرفت به سوی سازمان ملل متحد پایدار را آگاه کند. یویو ژو، دانشیار علوم زمین شناسی و جوی در دانشگاه ایالتی آیووا و یکی از نویسندگان این مطالعه که امروز در مجموعه مقالات آکادمی ملی علوم، مجله معتبر آکادمی منتشر شد، گفت: اهداف توسعه.

ژو گفت: “این روش جدیدی برای اندازه گیری مناطق شهری است.” اکنون می‌توانیم به سؤالاتی که قبلاً نمی‌توانستیم پاسخ دهیم درباره توسعه شهر و ساختن آینده‌ای عادلانه‌تر و پایدارتر پاسخ دهیم.»

محققان با استفاده از داده‌های راداری جمع‌آوری‌شده توسط ماهواره Sentinel-1 آژانس فضایی اروپا، با ارجاع متقابل با مجموعه‌های داده دیگر، میانگین ارتفاع سازه‌های ساخته شده را در مربع‌های 500 در 500 متری در مناطق شهری محاسبه کردند و ویژگی‌های طبیعی را فیلتر کردند. مانند درختان سپس از اندازه‌گیری‌های ارتفاع برای برآورد حجم زیرساخت سرانه برای هر کشور و سطح نابرابری زیرسا خت‌ها در داخل کشورها استفاده کردند.

یکی از شگفت‌انگیزترین نتایج اندازه‌گیری‌ها، که بر اساس داده‌های سال 2015 است، شکاف زیرساختی بین شمال جهانی (شامل ایالات متحده، کانادا، اروپا، روسیه، ژاپن و استرالیا) و جنوب جهانی (آفریقا، آمریکای جنوبی) است. ، آمریکای مرکزی، خاورمیانه و بیشتر آسیا از جمله چین). ژو گفت که انتظار چنین اختلاف شدیدی را نداشت.

علیرغم داشتن 16 درصد از کل جمعیت، 45 کشور جهانی شمال مورد مطالعه تقریباً به اندازه 114 کشور جهانی جنوب زیرساخت های شهری دارند. از هر 10 نفر 9 نفر در کشوری زندگی می کنند که زیرساخت سرانه آن کمتر از میانگین جهانی شمال است. ایالات متحده بیش از 600 مترمکعب زیربنای شهری برای هر نفر دارد، در حالی که کشورهای کم‌ساختار به مراتب کمتر، مانند بنگلادش 20 متر مکعب برای هر نفر، زیربنای شهری دارند.

ژو گفت: «تفاوت 30 برابری بسیار زیاد است و این در درک نابرابری مهم است.

ساختمان های متراکم تر و بلندتر با رشد اقتصادی مرتبط هستند و سه چهارم اهداف توسعه پایدار سازمان ملل به طور مستقیم یا غیرمستقیم تحت تأثیر زیرساخت ها هستند. ژو گفت که درک عظیم شکاف زیرساختی جهانی و ترسیم آن با اندازه‌گیری‌های ملموس می‌تواند سیاست‌گذاران را هنگام بررسی استراتژی‌های توسعه راهنمایی کند.

اطلس زیرساخت همچنین در بررسی تفاوت های ساخت شهری در داخل کشورها مفید است. یک شاخص نابرابری که محققان استفاده کردند نشان می‌دهد که زیرساخت‌ها در جنوب جهانی به طور عادلانه کمتری نسبت به شمال جهانی پخش شده است، اگرچه این شکاف بسیار کمتر از تفاوت در زیرساخت کلی است. به عنوان مثال، این مطالعه نشان داد که ایالات متحده، برای مثال، نابرابری زیرساختی کمی بیشتر از میانگین جهانی دارد.

کارن ستو، پروفسور فردریک سی هیکسون، استاد جغرافیا و علوم شهرنشینی در دانشگاه ییل و همکارش، گفت: «اندازه شکاف زیرساخت نشان می‌دهد که ما نیاز به پیشرفت بسیار بیشتری در جهت تضمین دسترسی به زیرساخت‌ها و کاهش نابرابری‌ها در داخل و بین کشورها داریم. -نویسنده تحقیق این مجموعه داده های جدید به شناسایی جمعیت هایی که زیرساخت ها از آنها استفاده نمی کنند کمک می کند.

این اطلس همچنین به دانشمندان در درک بهتر چگونگی مشارکت شهرها در تغییرات آب و هوایی کمک می کند. دانستن نیازهای زیرساختی به پیش بینی تقاضا برای مصالح ساختمانی پر انرژی کمک می کند و شهرهای عمودی بیشتری مصرف انرژی کمتری برای حمل و نقل دارند. اطلاعات دقیق در مورد تغییرات ارتفاع، مطالعات سه بعدی اشکال شهری را بهبود می بخشد.

ژو گفت: «با این داده‌ها، می‌توانیم مدل‌سازی آب و هوا در مقیاس بزرگ را در مناطق شهری به طور قابل توجهی بهبود دهیم.

سایر اعضای تیم تحقیقاتی شامل وی چن، دانشجوی دکترای ایالت آیووا است. پنگ گونگ، دانشگاه هنگ کنگ؛ Xuecao Li، محقق سابق پسا دکترای ایالت آیووا که اکنون در دانشگاه کشاورزی چین مشغول به کار است. لین منگ، دانشجوی سابق دکترای ایالت آیووا و اکنون در دانشگاه واندربیلت. و کیوشنگ وو، دانشگاه تنسی.

اطلاعات بیشتر: یویو ژو و همکاران، نقشه‌برداری ماهواره‌ای از ارتفاعات ساخته‌شده شهری، شکاف‌ها و نابرابری‌های زیرساختی شدید را در جنوب جهانی، مجموعه مقالات آکادمی ملی علوم (2022) نشان می‌دهد. DOI: 10.1073/pnas.2214813119

رویکردی جهانی برای جلوگیری از رسیدن پلاستیک به اقیانوس

مانند بسیاری از مناطق ساحلی در سراسر جهان امروز، سواحل در چنای، هند، مقادیر زیادی زباله پلاستیکی را جذب می کنند. برای موج سوار نوجوان و ساکن محلی کاران چاکراوارتی، وجود پلاستیک در نقاط مورد علاقه او در موج سواری ناراحت کننده بود. بنابراین تصمیم گرفت برای آن کاری انجام دهد.

چاکراوارتی به داوطلبان دیگر پیوست تا زباله‌ها را با یک سازمان غیرانتفاعی به نام ساحل ناما، ناما چنای (که به «ساحل ما، چنای ما» ترجمه می‌شود) جمع‌آوری کند. در سال 2021، این سازمان 176000 پوند زباله پلاستیکی را از سواحل چنای حذف کرد. اما چاکروارتی احساس می کرد که می توان کارهای بیشتری انجام داد.

نوجوانی که در ساحل ایستاده و تخته موج سواری در دست دارد

او با پدربزرگش، مندیام ونکاتش، که در سن دیگو، کالیفرنیا زندگی می‌کند، تماس گرفت و کمک مالی 5000 دلاری از باشگاه روتاری سان‌رایز ونکاتش برای حمایت بیشتر از ساحل ناما، ناما چنای دریافت کرد. چاکراوارتی از طریق ارتباطات روتاری پدربزرگش همچنین با کارل نتلتون، بنیانگذار OpenOceans Global، یک سازمان مستقر در سن دیگو که از فناوری جغرافیایی و علم شهروندی برای کمک به توقف جریان پلاستیک به اقیانوس‌های جهان استفاده می‌کند، ملاقات کرد.

نتلتون Chakravarthy را با فرم ArcGIS Survey123 راه‌اندازی کرد که از آن برای ثبت اطلاعات در مورد سواحل چنای که به طور مداوم پر از پلاستیک هستند استفاده کرد. سپس داده ها در پورتال جغرافیایی جهانی OpenOceans بارگذاری شد. اکنون، در نقشه Ocean Plastic مبتنی بر وب سازمان، یک نماد چشم گاو نر قرمز در سواحل جنوب شرقی هند قرار دارد و یک پاپ آپ اطلاعاتی را در مورد زباله های پلاستیکی موجود در سواحل چنای، از جمله اینکه احتمالاً از کجا آمده و چه چیزی وجود دارد، نشان می دهد. برای تمیز کردن آن انجام شده است.

نتلتون امیدوار است که شهروندان دانشمندان در سراسر جهان همان کاری را انجام دهند که چاکراوارتی انجام داده است و داده هایی را برای OpenOceans Global در مورد سواحلی که به طور مداوم توسط زباله های پلاستیکی آلوده می شوند، ثبت کنند. به ویژه، او مایل است که متخصصان GIS رهبری را بر عهده بگیرند.

Karan Chakravarthy از ArcGIS Survey123 برای ثبت داده‌های مربوط به سواحل چنای هند استفاده کرد که به طور مداوم پر از پلاستیک هستند. (عکس از کاران چاکروارتی.)

چگونه زباله های پلاستیکی به اقیانوس می رسند

بر اساس تحقیقات The Pew Charitable Trusts و موسسه مشاوره پایداری SYSTEMIQ، سالانه 11 میلیون تن پلاستیک به اقیانوس می رسد و این تعداد تا سال 2040 سه برابر می شود، اگر راه حل های در مقیاس بزرگ به سرعت ایجاد نشود.

نتلتون با اشاره به بزرگترین لکه زباله در اقیانوس های جهان گفت: تصور رایج این است که بیشتر پلاستیک های اقیانوس در لکه زباله بزرگ اقیانوس آرام است که تخمین زده می شود دو برابر تگزاس است.

با این حال، طبق مطالعه اخیر دانشگاه ایالتی فلوریدا که در Frontiers in Marine Science منتشر شده است، از سال 2010 تا 2019، حدود 75 درصد از زباله های پلاستیکی سوء مدیریت شده در سواحل مشاهده می شود.

نقشه ای از جهان با نمادهای چشم گاو نر در سواحل و یک پاپ آپ برای چنای که عکس زنی را در حال تمیز کردن پلاستیک در ساحل نشان می دهد. نتلتون گفت که از رودخانه ها می آید.

OpenOceans Global به دنبال شناسایی چگونگی جریان پلاستیک به اقیانوس و تجمع در آن خطوط ساحلی است. طبق مطالعه‌ای که توسط سازمان غیرانتفاعی The Ocean Cleanup انجام شده و در Science Advances منتشر شده است، حدود 80 درصد پلاستیک‌هایی که از رودخانه‌ها عبور می‌کنند و به اقیانوس‌ها ختم می‌شوند از بیش از 1000 رودخانه می‌آیند که بسیاری از آنها در آسیا، آمریکای لاتین و آفریقا هستند. محققان دریافتند که رودخانه های کوچک شهری در مکان هایی با شیوه های مدیریت زباله ضعیف، بیشترین آلودگی پلاستیکی را به اقیانوس منتقل می کنند.

اما این بدان معنا نیست که زباله ها لزوماً از آنجا سرچشمه می گیرند. بسیاری از کشورهای با اقتصادهای با درآمد بالا – مانند ایالات متحده، ژاپن و فرانسه – در مصرف پلاستیک از بقیه دنیا پیشی می گیرند و سپس سالانه بیش از یک میلیون تن پلاستیک قابل بازیافت را به خارج از کشور ارسال می کنند که اغلب به مکان هایی با مشکلات مربوط به مدیریت زباله حمل می شود. .

نتلتون گفت: «ما فکر می‌کنیم راه‌هایی برای جلوگیری از رسیدن زباله‌های پلاستیکی به اقیانوس وجود دارد، اگر بدانیم از کجا می‌آیند.» اگرچه ایالات متحده و سایر کشورهای توسعه یافته بیشتر پلا ستیک را تولید می کنند، مطالعه ایالت فلوریدا نشان داد که 55 درصد پلاستیک اقیانوس ها از پنج کشور چین، فیلیپین، هند، برزیل و اندونزی به اقیانوس می رسد. همانطور که این مطالعه نشان داد، اگر فیلیپین تقریباً 16 درصد از پلا ستیک جهان را از طریق رودخانه‌های خود به اقیانوس بفرستد، جهان می‌تواند بر روی توسعه راه‌حل‌هایی برای این کشور تمرکز کند و منابع جهانی را پشت سر بگذارد تا فیلیپین را به اقیانوس صفر نزدیک کند.

سهم پلاستیک تا حد امکان ما می‌توانیم ببینیم که کدام راه‌حل‌ها در آنجا بهتر عمل می‌کنند – چه اجرای فناوری‌های مداخله در رودخانه برای جلوگیری از رسیدن بلاستیک به اقیانوس، توسعه محصولات جدید برای جایگزینی پلاستیک، یا اجرای فرآیندهای جدید برای مدیریت زباله – و سپس آن مدل‌ها را در دیگر آلاینده‌های پلاستیکی بالا تکرار کنیم. کشورها.”

داوطلبان 176000 پوند زباله پلاستیکی را از سواحل چنای هند در سال 2021 پاکسازی کردند.
داوطلبان 176000 پوند زباله پلاستیکی را از سواحل چنای هند در سال 2021 پاکسازی کردند.

نمایی جهانی از جایی که آلودگی بلاستیک از کجا سرچشمه می گیرد

برای شروع این پروژه بلندپروازانه، تیم OpenOceans Global از ArcGIS Online و ArcGIS Living Atlas of the World استفاده کرد تا نقشه‌ای را بسازد که بر روی مکان‌هایی که پلاستیک در خطوط ساحلی جهان ریخته می‌شود تمرکز کند.

نتلتون گفت: «می‌توانید روی نقشه کلیک کنید و رودخانه‌های جهان، جریان‌های اصلی اقیانوسی و یک عکس لحظه‌ای بسیار دقیق از جریان‌های اقیانوسی را ببینید». این ابزارها به مردم کمک می کند تا درک بهتری از نحوه حرکت زباله های پلاستیکی داشته باشند.

کاربران نقشه می‌توانند لایه‌هایی را فعال کنند که 20 رودخانه برتر را نشان می‌دهد که پلا ستیک را به اقیانوس کمک می‌کنند و در آنجا پلاستیک در چرخ‌گردهای اقیانوس جمع می‌شود. آنها همچنین می‌توانند داده‌های نظرسنجی را که شهروندان دانشمندان در مورد آلودگی پلاستیکی در سواحل محلی خود ارائه می‌کنند، مشاهده کنند.

شهروند دانشمندان با استفاده از Survey123 در دستگاه های تلفن همراه یا رایانه های رومیزی خود، نام ساحل یا منطقه ساحلی را وارد می کنند، مکان دقیق آن را بر روی نقشه مشخص می کنند، تصویری را آپلود می کنند که تجمع زباله را نشان می دهد، شرحی از موضوع ارائه می دهد، پیش بینی می کند که زباله ها در کجا محتمل است. و آنچه را که برای حل مشکل انجام می شود ثبت کنید. آنها همچنین اطلاعات تماس و اطلاعات سازمان هایی که با آنها کار می کنند را وارد می کنند.

پس از ارسال یک ورودی، یک نماد نقطه قرمز موقت به طور خودکار در نقشه وب جهانی OpenOceans ظاهر می شود. سپس یک تیم در سازمان اطلاعات را تأیید می کند و اگر همه چیز را بررسی کند، نقطه قرمز را به یک چشم گاو قرمز تبدیل می کند، که نشان می دهد منطقه ساحلی به طور فراگیر توسط پلاستیک آلوده شده است.

نتلتون می‌گوید: «نحوه برخورد با پلاستیک به عنوان یک مشکل محلی است – می‌دانید، «ساحل من روی آن پلاستیک است، بنابراین بهتر است دیگر از نی‌های پلاستیکی یا کیسه‌های پلاستیکی استفاده نکنم». “خب، این مهم است. اما هنوز دیدی جهانی از این که آن پلاستیک از کجا آمده است وجود ندارد.»

کارل نتلتون معتقد است که پزشکان زمین فضایی - به ویژه کاربران Esri - می توانند شهروند دانشمندان ایده آلی برای پروژه OpenOceans Global باشند.

او گفت: "آنها در ترکیب منحصر به فردی از علم و فناوری کار می کنند و واقعاً به محیط زیست اهمیت می دهند." «تقریباً در هر کشوری در سراسر جهان کاربران Esri وجود دارند و بسیاری از آنها در نزدیکی خطوط ساحلی زندگی می‌کنند یا به سواحل سفر می‌کنند که به طور فراگیر توسط پلا ستیک آلوده شده است. ما از کاربران Esri می خواهیم که نقش اساسی در پر کردن نقشه پلاستیکی اقیانوس ایفا کنند.

برای شروع، به وب سایت OpenOceans Global بروید و فرم را برای شناسایی خطوط ساحلی آلوده به پلاستیک پر کنید. این فرم را می توان در گوشی های هوشمند، تبلت ها و رایانه های رومیزی و لپ تاپ استفاده کرد.

هرچه تعداد ورودی‌های بیشتری از طریق فرم OpenOceans Global’s Survey123 ارائه شود، این تصویر جهانی واضح‌تر خواهد بود. و هنگامی که OpenOceans Global نقاط داده کافی داشته باشد، تیم قادر خواهد بود منابع آلودگی بلاستیکی را در سواحل خاص – اعم از رودخانه‌ها، سیستم‌های آب طوفان، یا مدیریت ناکافی زباله‌های محلی – تشخیص دهد و نمادهای جدیدی را روی نقشه ایجاد کند تا آن را منعکس کند.

نتلتون می‌گوید: «دانستن منشأ پلاستیک به شناسایی راه‌حل‌هایی برای جلوگیری از رسیدن پلاستیک به اقیانوس کمک می‌کند. به عنوان مثال، قرار دادن موانع در رودخانه‌های کوچک محلی می‌تواند زباله‌ها را قبل از رسیدن به اقیانوس جمع‌آوری کند. از نظر تئوری، این مقدار پلاستیکی را که به سواحل ختم می‌شود کاهش می‌دهد و در نقطه‌ای مشخص، آن سواحل دیگر به طور فراگیر توسط پلاستیک آلوده نمی‌شوند.»

ردیابی پلاستیک از طریق اقیانوس باز

برای آلودگی پلاستیکی که از طریق اقیانوس آزاد به خشکی می رسد، شناسایی منبع چالش برانگیزتر است. در جزایر گالاپاگوس، که سواحل بکر آن‌ها اکنون زباله‌های پلاستیکی را جمع‌آوری می‌کنند، یک ابتکار تحقیقاتی بین‌المللی به نام گالاپاگوس بدون آلودگی پلاستیکی از یک فرآیند پزشکی قانونی پیچیده برای تجزیه و تحلیل زباله‌های پلاستیکی و تعیین منبع آن استفاده می‌کند. تحقیقات این ابتکار نشان می‌دهد که بیش از 60 درصد بلاستیک هایی که به جزایر گالاپاگوس ختم می‌شوند از سرزمین اصلی آمریکای جنوبی (عمدتاً جنوب اکوادور و شمال پرو) می‌آیند که حدود 30 درصد از کشتی‌های ماهیگیری مجاور و کمتر از 10 درصد از شهرهای محلی می‌آیند.

اما همه مناطق ساحلی به داده های پزشکی قانونی دسترسی ندارند. بنابراین تیم OpenOceans Global با Jingyi Huang – که در آن زمان دانشجوی کارشناسی ارشد در دانشگاه Redlands بود و اکنون یک تحلیلگر سازمانی در Esri است – برای ایجاد یک برنامه نقشه‌برداری که پلا ستیک را در خطوط ساحلی به منبع احتمالی آن ردیابی می‌کند کار کرد.

یک برنامه ردیابی پلاستیکی را که در خطوط ساحلی به منبع احتمالی آن ختم می‌شود، ردیابی می‌کند.

این برنامه از داده‌های آنالیز لحظه‌ای جریان سطح اقیانوس (OSCAR) استفاده می‌کند که جریان‌های سطح اقیانوس را به همراه داده‌های جریان اقیانوس از اداره ملی اقیانوسی و جوی (NOAA) و داده‌های ماهواره‌ای از سازمان ملی هوانوردی و فضایی (ناسا) نشان می‌دهد. ). کاربران برنامه می توانند روی منطقه ای از اقیانوس که بلافاصله در مجاورت جایی که پلاستیک ساحلی پیدا شده است کلیک کنند و برنامه مسیری را به سمت منبع احتمالی آن ایجاد می کند. در مورد زباله های پلا ستیکی در جزایر گالاپاگوس، برنامه ردیابی OpenOceans Global با تحقیقات پزشکی قانونی گالاپاگوس بدون آلودگی پلاستیکی همسو می شود.

با این حال، قبل از اینکه برنامه با نقشه وب در دسترس عمومی OpenOceans Global گنجانده شود، ابزار ردیابی باید متغیرهای باد و امواج را در خود جای دهد، زیرا این متغیرها بر نحوه حرکت بلاستیک در اقیانوس تأثیر می‌گذارد. هوانگ قصد دارد این داده ها را با داده های فعلی اقیانوس موجود برنامه ادغام کند.

شهروند دانشمندان کلید یافتن راه حل هستند

در آینده، نتلتون امیدوار است که OpenOceans Global بتواند از تصاویر هوایی و هوش مصنوعی برای شناسایی محل تجمع پلا ستیک در خطوط ساحلی استفاده کند.

نتلتون گفت: «اما در حال حاضر، مؤثرترین و جامع‌ترین راه برای جمع‌آوری این داده‌ها، استفاده از شهروندان دانشمندان با استفاده از ابزار نقشه‌برداری Survey123 است». “شهرونددانشمندان برای موفقیت ما حیاتی هستند.”

او امیدوار است که افرادی که در جمع‌آوری داده‌ها شرکت می‌کنند، جامعه‌ای را از طریق OpenOceans Global تشکیل دهند که در آن می‌توانند در مورد چگونگی حفظ سواحل خود از آلودگی پلا ستیکی تبادل نظر کنند.

نتلتون می‌گوید: «از آنجایی که راه‌حل‌ها ارائه می‌شوند و خطوط ساحلی دیگر توسط پلا ستیک آلوده نمی‌شوند، نمادهای روی نقشه خود را سبز می‌کنیم تا نشان دهیم که مشکل برطرف شده است. “این هدف نهایی است.”

خطر چند نقطه اوج آب و هوا بیشتر از 1.5 درجه سانتیگراد؛ گرم شدن کره زمین است.

آب و هوا

بر اساس تحلیل جدید منتشر شده در ژورنال Science، اگر دمای جهانی بیش از 1.5 درجه سانتیگراد بالاتر از سطح قبل از صنعتی شدن باشد، ممکن است چندین نقطه اوج آب و هوایی ایجاد شود. حتی در سطوح فعلی گرمایش جهانی، جهان در حال حاضر در معرض خطر عبور از پنج نقطه اوج آب و هوای خطرناک است و خطرات با هر دهم درجه گرم شدن بیشتر افزایش می‌یابد.

یک تیم تحقیقاتی بین‌المللی شواهدی را برای نقاط اوج، آستانه‌های دمایی، مقیاس‌های زمانی و تأثیرات آن‌ها از بررسی جامع بیش از 200 مقاله منتشر شده از سال 2008، زمانی که برای اولین بار نقاط اوج آب و هوا به‌طور دقیق تعریف شد، ترکیب کردند. آنها لیست نقاط اوج بالقوه را از 9 به شانزده افزایش داده اند.

این تحقیق که قبل از کنفرانس بزرگی با عنوان “نقاط اوج: از بحران آب و هوا تا تحول مثبت” در دانشگاه اکستر (12 تا 14 سپتامبر) منتشر شد، به این نتیجه رسید که گازهای گلخانه ای انسانی قبلاً زمین را به منطقه خطر نقاط اوج سوق داده است. پنج مورد از شانزده مورد ممکن است در دماهای امروزی ایجاد شوند: صفحات یخی گرینلند و غرب قطب جنوب، یخ زدگی گسترده ناگهانی، فروپاشی همرفت در دریای لابرادور، و مرگ عظیم صخره های مرجانی استوایی. چهار مورد از این موارد از رویدادهای احتمالی به گرمایش جهانی 1.5 درجه سانتیگراد منتقل می شوند و پنج مورد دیگر در این سطح از گرمایش امکان پذیر است.

نویسنده اصلی دیوید آرمسترانگ مک‌کی از مرکز تاب‌آوری استکهلم، دانشگاه اکستر و کمیسیون زمین می‌گوید: «ما می‌توانیم نشانه‌هایی از بی‌ثباتی را در بخش‌هایی از یخ‌های قطب جنوب غربی و گرینلند، در مناطق همیشه منجمد، جنگل‌های آمازون و احتمالاً مشاهده کنیم. گردش واژگونی اقیانوس اطلس نیز.”

“جهان در حال حاضر در معرض خطر برخی از نقاط اوج است. با افزایش بیشتر دمای جهانی، نقاط اوج بیشتری ممکن می شود.” او اضافه می کند.

شانس عبور از نقاط اوج را می توان با کاهش سریع انتشار گازهای گلخانه ای کاهش داد.

ششمین گزارش ارزیابی هیئت بین دولتی تغییرات آب و هوایی (IPCC)، بیان کرد که خطرات ایجاد نقاط اوج آب و هوا حدود 2 درجه سانتیگراد بالاتر از دمای قبل از صنعتی شدن و 2.5 تا 4 درجه سانتیگراد بسیار زیاد است.

این تجزیه و تحلیل جدید نشان می دهد که زمین ممکن است قبلاً وضعیت آب و هوایی “ایمن” را ترک کرده باشد، زمانی که دما از حدود 1 درجه سانتیگراد گرمتر شد. بنابراین نتیجه‌گیری از این تحقیق این است که حتی هدف توافق پاریس سازمان ملل برای محدود کردن گرمایش به زیر 2 درجه سانتیگراد و ترجیحاً 1.5 درجه سانتیگراد برای جلوگیری از تغییرات خطرناک آب و هوا کافی نیست. بر اساس این ارزیابی، احتمال نقطه اوج به طور قابل توجهی در «محدوده پاریس» 1.5-2 درجه سانتی گراد افزایش می یابد، با خطرات حتی بالاتر از 2 درجه سانتی گراد.

این مطالعه از توافقنامه پاریس و تلاش‌های مرتبط برای محدود کردن گرمایش زمین به 1.5 درجه سانتیگراد پشتیبانی علمی قوی می‌کند، زیرا نشان می‌دهد که خطر نقاط اوج فراتر از این سطح افزایش می‌یابد. برای داشتن 50 درصد شانس دستیابی به دمای 1.5 درجه سانتیگراد و در نتیجه محدود کردن خطرات نقطه اوج، انتشار گازهای گلخانه ای جهانی باید تا سال 2030 به نصف کاهش یابد و تا سال 2050 به صفر خالص برسد.

یوهان راکستروم، یکی از نویسندگان، رئیس کمیسیون زمین و مدیر مؤسسه تحقیقات تأثیرات آب و هوای پوتسدام می‌گوید: “جهان در حال حرکت به سمت 2 تا 3 درجه سانتیگراد گرمایش جهانی است. نقاطی که برای مردم سرتاسر جهان فاجعه بار خواهد بود. برای حفظ شرایط زندگی بر روی زمین، محافظت از مردم در برابر افراط‌ها و ایجاد جوامع باثبات، ما باید هر کاری که ممکن است برای جلوگیری از عبور از نقاط اوج انجام دهیم. هر دهم درجه مهم است.”

یکی از نویسندگان تیم لنتون، مدیر مؤسسه سیستم های جهانی در دانشگاه اکستر و یکی از اعضای کمیسیون زمین می گوید: «از زمانی که برای اولین بار نقاط اوج آب و هوایی را در سال 2008 ارزیابی کردم، فهرست رشد کرده و ارزیابی ما از خطراتی که آنها ایجاد می کنند افزایش یافته است. به طور چشمگیری.”

کار جدید ما شواهد قانع‌کننده‌ای را ارائه می‌کند که نشان می‌دهد جهان باید کربن زدایی اقتصاد را به شدت تسریع کند تا خطر عبور از نقاط اوج آب و هوا را محدود کند.»

برای دستیابی به این هدف، اکنون باید نقاط اوج اجتماعی مثبتی را ایجاد کنیم که تبدیل به آینده انرژی پاک را تسریع می‌کند.»

لنتون می‌افزاید: «همچنین ممکن است مجبور شویم برای مقابله با نقاط بحرانی آب و هوایی که نمی‌توانیم از آنها اجتناب کنیم وفق دهیم و از کسانی که ممکن است متحمل خسارات و خسارت‌های غیرقابل بیمه شوند حمایت کنیم.»

تیم بین‌المللی با بررسی داده‌های دیرینه‌اقلیمی، مشاهدات کنونی و خروجی‌های مدل‌های اقلیمی به این نتیجه رسید که 16 سیستم بیوفیزیکی اصلی درگیر در تنظیم آب و هوای زمین (به‌اصطلاح «عناصر اوج‌گیری») پتانسیل عبور از نقاط اوج را دارند که در آن‌ها تغییر به خودکفایی تبدیل می‌شود.

این بدان معناست که حتی اگر افزایش دما متوقف شود، هنگامی که ورقه یخ، اقیانوس یا جنگل بارانی از نقطه اوج عبور کند، به حالت جدید تغییر خواهد کرد. مدت زمان انتقال بسته به سیستم از دهه ها تا هزاران سال متفاوت است. به عنوان مثال، اکوسیستم ها و الگوهای گردش جوی می توانند به سرعت تغییر کنند، در حالی که ریزش صفحات یخی کندتر است، اما منجر به افزایش اجتناب ناپذیر سطح دریا تا چندین متر می شود.

محققان این عناصر را به 9 سیستم که بر کل سیستم زمین اثر می‌گذارند، مانند قطب جنوب و جنگل‌های بارانی آمازون، و هفت سیستم دیگر که اگر سرنگون شوند، عواقب منطقه‌ای عمیقی به همراه خواهند داشت، دسته‌بندی کردند. مورد دوم شامل بادهای موسمی غرب آفریقا و مرگ بیشتر صخره های مرجانی در اطراف استوا است. چندین عنصر نوک جدید مانند همرفت دریای لابرادور و حوضه های زیر یخچالی قطب جنوب شرقی در مقایسه با ارزیابی سال 2008 اضافه شده اند، در حالی که یخ دریای تابستانی قطب شمال و نوسان جنوبی ال نینو (ENSO) به دلیل عدم وجود شواهدی از دینامیک واژگونی حذف شده اند.

ریکاردا وینکلمان، یکی از نویسندگان، محقق در موسسه تحقیقات تاثیرات آب و هوای پوتسدام و عضو کمیسیون زمین می‌گوید: «به‌طور مهمی، بسیاری از عناصر سرخورده در سیستم زمین به هم مرتبط هستند، و باعث می‌شود نقاط اوج آبشاری به یک نگرانی جدی اضافه شود. فعل و انفعالات می‌توانند آستانه‌های دمایی بحرانی را کاهش دهند که فراتر از آن عناصر منفرد در بلندمدت شروع به بی‌ثبات شدن می‌کنند.”

آرمسترانگ مک‌کی می‌گوید: “ما اولین گام را برای به‌روزرسانی جهان در مورد خطرات نقطه اوج برداشته‌ایم. نیاز فوری به یک تحلیل عمیق‌تر بین‌المللی، به‌ویژه در مورد تعاملات عناصر اوج، وجود دارد، که کمیسیون زمین در حال شروع پروژه مقایسه مدل نقاط اوج است. (“TIPMIP”).”

همانطور که نقشه ها تغییر می کنند، اخلاق نقشه برداری نیز باید تغییر کند

نقشه ها یکی از جادویی ترین اختراعات تاریخ بشر هستند. نقشه بابلی جهان، یا Imago Mundi – لوحی گلی که نشان می دهد یک صفحه برچسب از آنچه در آن زمان تصور می شد کل جهان است – در قرن ششم قبل از میلاد ساخته شده است. همچنین شواهدی وجود دارد که نشان می‌دهد بیش از 5000 سال پیش نقشه‌هایی بر روی دیواره‌های غار حک شده‌اند.

نقشه ها محصول و بازتاب زمان خود هستند. نقشه 100 سال پیش به دلیل پیشرفت های اجتماعی، اقتصادی و تکنولوژیکی با نقشه ای که امروز ایجاد می شود، تفاوت اساسی دارد. به لطف پیشرفت های فناوری، نقشه های ساخته شده 100 سال آینده، از بسیاری جهات، پیچیده تر از نقشه هایی هستند که در حال حاضر تولید می شوند.

همانطور که نقشه ها تغییر می کنند، اخلاق نقشه برداری نیز باید تغییر کند
گفته می شود نقشه جهان بابلی در قرن ششم قبل از میلاد ساخته شده است.

پتانسیل برای نقشه برداری – و اینکه یک نقشه می تواند باشد – بسیار زیاد است. اما با این پتانسیل مسئولیت بزرگی به همراه دارد.

چگونه زمان نقشه ها را تغییر می دهد

تبدیل نقشه چیست؟ نقش تغییر یافته زمان ممکن است یکی از عمیق ترین عوامل باشد. مکاشفه قرن بیستم آلبرت انیشتین مبنی بر اینکه زمان از فضا جدا نیست در نقشه های قرن بیست و یکم نوشته شده است. اکنون نقشه‌های تایم لپس به مردم اجازه می‌دهند تا در طول روزها، هفته‌ها و سال‌ها کامل بچرخند و لحظاتی را در زمان مشخص به مکان خاصی مشخص کنند.

تغییر از تولید نقشه‌های ایستا از مکان‌های ثابت به ایجاد راهنمایی‌های مکانی مبتنی بر زمان، به توسعه فناوری دیگری مربوط می‌شود که زمان و مکان را در دنیای فیزیکی، اجتماعی و سایبری ادغام می‌کند – به ویژه آنچه که به عنوان متاوره قرار می‌گیرد. در آینده، نقشه‌ها ممکن است فید مستمری از ویدیوهای مبتنی بر مکان باشند که به صورت سه‌بعدی حفظ می‌شوند – و با لایه‌های معنایی که مکان را نشان می‌دهند، داستان می‌گویند و به شبکه‌های اجتماعی متصل می‌شوند، پوشانده می‌شوند تا یک واقعیت افزوده ایجاد کنند.

لایه‌هایی که بخشی از جعبه ابزار نقشه‌نگار دیجیتالی هستند نیز تغییراتی را در درک مقیاس و زمان در افراد ایجاد کرده‌اند. به عنوان مثال، هنگام کار با لایه ها در GIS، می توان همزمانی را در مقیاس ها و سطوح مختلف جزئیات مدل کرد. مانند عروسک‌های ماتریوشکا که درون یکدیگر لانه می‌کنند، نقشه‌های لایه‌ای بینندگان را قادر می‌سازد تا از مقیاس کلان به مقیاس خرد با شفافیتی بروند که جهان، جهان، جامعه، جامعه و مردم را در یک سیستم فرا رشته‌ای در هم تنیده نشان می‌دهد. با در نظر گرفتن نماهای مختلف از یک نقشه، افراد می توانند وابستگی های متقابل موضوع را به گونه ای تجربه کنند که هیچ نقشه کلاسیکی نمی تواند اجازه دهد.

خود داده نیز در حال تغییر است. بینایی ماشین و فناوری دوربین تعبیه شده اکنون امکان تعیین مکان عکس ها را در زمان واقعی یا تقریبا واقعی فراهم می کند. بنابراین می توان عکس برج ایفل را به طور خودکار به مکان دقیق آن در پاریس، فرانسه مشخص کرد. علاوه بر این، چیزهایی که می توان نقشه برداری کرد در حال تغییر هستند.

انبوهی از ماهواره ها به انسان اجازه می دهد تا فضای بیرونی را کاوش کند و حتی دورافتاده ترین مناطق زمین را در سطح زمین اسکن کند. اما فراتر از خیابان‌ها و حتی کف اقیانوس، چه چیزی ممکن است پیش بیاید؟ شاید این نظارت بر فعالیت های انسانی به صورت دسته جمعی باشد – حرکات افراد و تعاملات شخصی دقیقه به دقیقه جمع آوری شود. به عنوان مثال، این به بینندگان نقشه حس باورنکردنی از نبض یک شهر یا شهر می دهد.

به نظر می رسد که هر اینچ از جهان نقشه برداری شده است. در واقع، حتی DNA برای ایجاد ژنوم انسان نقشه برداری شده است. پس بعدی چیه؟ شاید حدود 100 میلیارد نورون – به اضافه تریلیون ها اتصال به نام سیناپس – که مغز را می سازند، آن شبکه پیچیده ترین شبکه را ترسیم کند. این بیومتریک ها – معیارهای مشخصه های فیزیکی و ویژگی های رفتاری متمایز – هر موجودی را منحصر به فرد می کند. ترسیم این متافیزیک می تواند چیزهای زیادی را در مورد انسان آشکار کند.

نقشه های آینده

یکی از دلایل ایجاد چنین نقشه های دانه ای از انسان این است که امکان پذیر است. دلیل دیگر، قابل بحث تر، این است که نشان می دهد انسان ها چه کسانی هستند، از کجا آمده ایم و چه اتفاقی ممکن است برای ما بیفتد.

طی 200 یا 300 سال، نقشه‌ها احتمالاً ضبط ویدیویی از هر مرحله‌ای خواهند بود که تاکنون توسط واحدهای منفرد طی شده است و در وب اشیا و افراد نگهداری می‌شوند. امید به این امر این است که دانش بیشتر از فعالیت های انسانی موجب پایداری و طول عمر این گونه شود.

همراه با هوش مصنوعی جغرافیایی (GeoAI)، فن‌آوری‌هایی که افراد را قادر می‌سازد به معنای واقعی کلمه و از راه دور آنچه را که شخص دیگری انجام می‌دهد ببینند – مانند یک دوربین پوشیدنی که به دیگران اجازه می‌دهد تا دیدگاه یک فرد را در زمان واقعی تجربه کنند – به طور فزاینده‌ای برای کنترل، ارائه استفاده می‌شوند. راحتی، و مراقبت.

کاربردهای فناوری نقشه برداری که به دنبال کنترل افراد هستند بحث برانگیزترین هستند. آنها اطلاعاتی را برای اجرای قانون (حتی پلیس پیشگیرانه)، نظارت و اهداف تحقیق ارائه می دهند. در حال حاضر، شرکت های تخصصی وجود دارند که میلیاردها تصویر منبع باز را برای ارائه تشخیص وسیله نقلیه جمع آوری می کنند. و همین فناوری می تواند برای تطبیق بیومتریک استفاده شود.

فناوری مبتنی بر نقشه که راحتی را فراهم می کند، به ویژه با اینترنت اشیا در حال گسترش است. این نوع برنامه‌ها به افراد اجازه می‌دهند از طریق سرویس‌های مبتنی بر مکان و اشتراک‌گذاری بی‌درنگ داده با یکدیگر و دارایی‌هایشان ارتباط برقرار کنند. به‌عنوان مثال، به لطف فرآیندهای نوآورانه توزیع و انجام سفارش‌های امروزی، مردم می‌توانند مسیرهایی را که محصولات و خدمات آنها طی می‌کنند، تا لحظه لحظه و نقطه سیستم موقعیت‌یابی جهانی (GPS) از نزدیک نظارت کنند.

اپلیکیشن‌هایی که برای مراقبت‌ها طراحی شده‌اند، مانند نقشه‌های ایمنی مبتنی بر هوش مصنوعی، احتمالاً می‌توانند وضعیت افراد را فقط از طریق راه رفتن یا از طریق احساسات شناسایی شده در چهره‌شان تعیین کنند. به عنوان مثال، افرادی که مبتلا به زوال عقل هستند، ممکن است تحت نظر قرار گیرند تا مراقبان در صورت به خطر افتادن سلامتی یا امنیت شخصی بیمار، هشدار دریافت کنند.

در مجموع، همه این‌ها باعث ایجاد «überveillance» می‌شود، نوعی نظارت فراتر و فراتر از آن که متکی بر فناوری است که نه تنها همیشه روشن است، بلکه در واقع در انسان‌ها تعبیه شده است. پیامدهای این آینده بالقوه نقشه برداری سزاوار توجه دقیق و راهنمایی است.

یک چارچوب ژئواخلاق

در ژوئن 2022، انجمن جغرافیدانان آمریکا (AAG)؛ مرکز مطالعات فضایی در دانشگاه کالیفرنیا، سانتا باربارا؛ و Esri برای بررسی مسائلی که هنگام تغییر به داده‌های مکان محور انسان‌محور به وجود می‌آیند، نشستی را در مورد اطلاعات مکان و منافع عمومی برگزار کردند. این منجر به انتشار گزارشی شد که چارچوبی برای چگونگی همکاری جغرافیدانان، دانشمندان GIS، دانشمندان علوم اجتماعی، دانشمندان علوم کامپیوتر، متخصصان حقوقی، کارشناسان و فعالان کارگری، قانونگذاران و اعضای عمومی برای مقابله با چالش‌های پیش آمده ایجاد می‌کند. تکامل نقشه برداری پیشنهادات شامل موارد زیر است:

  • یک دستور کار تحقیقاتی ایجاد کنید که دربرگیرنده مسائل اخلاقی کلیدی، مانند مالکیت و استفاده از داده ها باشد. حریم خصوصی و ناشناس بودن؛ اعتماد و درک ریسک؛ تحلیل چند فرهنگی و چند ظرفیتی؛ به اشتراک گذاری داده و زیرساخت؛ و کدنویسی برای فراگیری.
  • مواد آموزشی و اهداف آموزشی را برای کسانی که اصول اخلاقی اطلاعات مکان را مطالعه می کنند، تهیه کنید.
  • ایجاد مسیری برای حرکت از بحث درباره اصول اخلاقی به تشکیل مقررات جهانی قابل اجرا و قابل اجرا.
  • افزایش گفت‌وگو با ذینفعان GIS غیر سنتی و غیرمستقیم و گسترش همکاری میان اعضای بخش‌های دانشگاهی، دولتی و خصوصی در مورد استفاده از اطلاعات مکان در طول چرخه حیات فناوری‌ها – به ویژه در رابطه با حریم خصوصی و سایر ابعاد مبتنی بر ارزش‌ها.

زمانی جغرافیدانان و متخصصان زمین فضایی به نقاط، خطوط و چندضلعی ها مشغول بودند. در حالی که این لایه‌های بنیادی همیشه به سیستم‌های اطلاعات جغرافیایی مرتبط خواهند بود، توانایی نقشه‌برداری بیشتر – از فضاهای کف خانه‌ها تا ابعاد داخلی قلب انسان – به روش‌های پیشرفته‌تر، نیازمند یکپارچگی است. نقشه های آینده نه تنها باید انعکاسی از وسیع ترین گستره فناوری، بلکه از سازگارترین و جدی ترین احترام به زندگی، حیثیت و حریم انسانی (و فراتر از انسان) باشد.

گزارش اطلاعات مکانی و منافع عمومی را دانلود کنید.

From the Meridian ستونی منظم از AAG است، یک انجمن علمی و آموزشی غیرانتفاعی که اعضای آن، از نزدیک به 100 کشور، در تئوری، روش‌ها و عمل جغرافیا علایق مشترک دارند. در مورد برنامه ها و عضویت AAG اطلاعات کسب کنید.

ادغام Lidar و Photogrammetry مبتنی بر پهپاد
تولید ابر نقطه سه بعدی متراکم با دقت فوق العاده بالا

پروژه AUAV در آلمان تنظیم بلوک بسته نرم افزاری فتوگرامتری را با ارجاع جغرافیایی مستقیم ابرهای نقطه Lidar یکپارچه کرده است تا دقت مربوطه را به میزان قابل توجهی بهبود بخشد.

سکوهای اخیر وسایل نقلیه هوایی بدون سرنشین (UAV یا “پهپاد”) به طور مشترک تصاویر و داده های Lidar را جمع آوری می کنند. ارزیابی ترکیبی آنها به طور بالقوه ابرهای نقطه سه بعدی را با دقت و وضوح چند میلی متری ایجاد می کند که تا کنون محدود به جمع آوری داده های زمینی است. این مقاله پروژه ای را تشریح می کند که تنظیم بلوک بسته نرم افزاری فتوگرامتری را با ارجاع جغرافیایی مستقیم ابرهای نقطه لیدار ادغام می کند تا دقت مربوطه را با یک مرتبه قدر بهبود بخشد. مزایای دیگر پردازش ترکیبی ناشی از افزودن اندازه‌گیری محدوده Lidar به تطبیق تصویر چند نمای استریو (MVS) در طول تولید ابرهای نقطه سه‌بعدی متراکم با دقت بالا است.

این پروژه با هدف نظارت بر منطقه فرونشست احتمالی حدود 10 میلی متر در سال توسط مجموعه ای مکرر از ابرهای نقطه سه بعدی بسیار دقیق و متراکم انجام شد. اندازه قابل توجه محل آزمایش در Hessigheim، آلمان، از جمع آوری داده های زمینی جلوگیری می کند. همانطور که در شکل 1 قابل مشاهده است، سایت شامل مناطق ساخته شده، مناطق استفاده کشاورزی و یک قفل کشتی به عنوان ساختار مورد علاقه خاص است.

شکل 1: منطقه آزمایش در رودخانه Neckar در Hessigheim، آلمان.

برای نظارت سنتی، شبکه ای از چندین ستون در مجاورت قفل ایجاد شد. همانطور که در شکل 2 نشان داده شده است، اهداف فتوگرامتری به ستون ها علامت می دهند تا آنها را به عنوان نقاط کنترل و کنترل برای ارجاع جغرافیایی در دسترس قرار دهند. برای جمع آوری داده های پهپاد، یک هشت کوپتر RIEGL RiCopter مجهز به سنسور RIEGL VUX-1LR Lidar و دو دوربین سونی آلفا 6000 مایل استفاده شد. با ارتفاع اسمی پرواز 50 متر از سطح زمین، فاصله نوار 35 متر و میدان دید اسکنر (FoV) 70 درجه، سیستم 300-400 نقطه بر متر مربع در هر نوار و 800 نقطه در متر مربع برای کل بلوک پرواز را ثبت کرد.

به دلیل همپوشانی طرف اسمی 50٪. پارامترهای ماموریت پرواز منجر به قطر ردپای لیزری روی زمین کمتر از 3 سانتی‌متر با فاصله نقطه‌ای 5 سانتی‌متر شد. دامنه نویز اسکنر 5 میلی متر است. مسیر پلت فرم توسط یک سیستم GNSS/IMU پهپاد APX-20 اندازه گیری شد تا امکان ارجاع جغرافیایی مستقیم فراهم شود. دو دوربین سونی آلفا 6000 مایل که بر روی پلتفرم RiCopter نصب شده‌اند، هر کدام فو وی 74 درجه دارند. آنها با زاویه دید 35± درجه به طرفین، تصاویر را در فاصله نمونه برداری از زمین (GSD) 1.5-3 سانتی متر با هر کدام 24 مگاپیکسل ثبت کردند.

ادغام Lidar و Photogrammetry مبتنی بر پهپاد
شکل 2: هدف فتوگرامتری روی ستون.

تنظیم نوار لیدار و مثلث بندی خودکار هوایی

پس از ارجاع جغرافیایی مستقیم، یک گردش کار معمولی Lidar شامل تنظیم نوار برای به حداقل رساندن تفاوت بین نوارهای همپوشانی است. این مرحله با تخمین کالیبراسیون نصب اسکنر و همچنین پارامترهای تصحیح برای راه حل مسیر GNSS/IMU، ارجاع جغرافیایی را بهبود می بخشد. به طور معمول، یک افست ثابت (Δx، Δy، Δz، Δroll، Δpitch، Δyaw) برای هر نوار تخمین زده می شود. از طرف دیگر، اصلاحات وابسته به زمان برای هر یک از این شش پارامتر را می توان با splines مدل کرد.

شکل 3 به طور مثال یک صفحه کنترل زمینی لیدار را نشان می دهد که برای ارجاع جغرافیایی مطلق استفاده می شود. هر سیگنال دارای دو صفحه سقف مانند در ابعاد 40 × 80 سانتی متر با موقعیت و جهت مشخص است. ارزیابی تنظیم نوار لیدار این پروژه به‌علاوه ستون‌های علامت‌دار نشان‌داده‌شده در شکل 2 را اعمال می‌کند. این اهداف فتوگرامتری، تفاوت ارتفاعی را به ابر نقطه ژئورنفرانس شده در 33 هدف ارائه می‌کنند.

در بررسی ها، این تفاوت ها منجر به دقت RMS 5.2 سانتی متری شد. برای فعال کردن ارجاع جغرافیایی بلوک تصویر مورب سونی آلفا توسط مثلث هوایی خودکار (AAT)، شش هدف فتوگرامتری به عنوان نقاط کنترل زمینی (GCPs) انتخاب شدند. 27 هدف باقیمانده در نقاط بازرسی مستقل (CPs) بین 5.2 سانتی متر (حداکثر) و 1.2 سانتی متر (حداکثر) با RMS 2.5 سانتی متر تفاوت داشتند.

شکل 3: هواپیمای کنترل لیدار.

بنابراین، نه تنظیم نوار لیدار و نه تنظیم بلوک بسته، دقت نقطه شی 3 بعدی مورد نیاز را در طول ارزیابی مستقل داده‌های حسگر مختلف به دست نمی‌آورند. با این حال، در صورتی که هر دو مرحله توسط به اصطلاح ژئورفرجنس هیبریدی ادغام شوند، دقت به طور قابل توجهی بهبود می یابد (Glira 2019).

ارجاع جغرافیایی ترکیبی لیدار و تصاویر هوایی

شکل 4 بخشی از نقاط Lidar پروژه را به تصویر می کشد که با مقدار شدت کد رنگی شده است. نقاط سفید پوشانده شده نشان دهنده نقاط پیوند از تنظیم بلوک بسته‌ای از تصاویر سونی آلفا هستند. معمولاً، این مرحله پارامترهای دوربین مربوطه را از روی مختصات پیکسلی مربوط به تصاویر همپوشانی تخمین می‌زند. مختصات شی این نقاط پیوند فقط یک محصول جانبی هستند.

در مقابل، ارجاع جغرافیایی ترکیبی این مختصات نقطه اتصال را برای به حداقل رساندن تفاوت آنها با نقاط Lidar مربوطه اعمال می کند. این فرآیند اصلاحات وابسته به زمان مسیر پرواز را شبیه به تنظیم سنتی نوار لیدار تخمین می زند. در این مرحله، مختصات نقطه کراوات، محدودیت‌های هندسی را از AAT اضافه می‌کنند. این محدودیت های قابل توجهی را از بلوک تصویر برای اصلاح هندسه اسکن Lidar فراهم می کند.

این امر به ویژه در صورتی مفید است که هر دو سنسور بر روی یک پلت فرم پرواز کنند و بنابراین مسیر یکسانی داشته باشند. ارجاع جغرافیایی ترکیبی علاوه بر این اطلاعات مربوط به نقاط کنترل زمینی مورد استفاده در هنگام تنظیم بلوک بسته را باز می کند. بنابراین، ارجاع جغرافیایی داده‌های لیدار دیگر نیازی به هواپیماهای کنترلی اختصاصی لیدار ندارد. درعوض، تمام اطلاعات مربوط به نقطه چک و نقطه کنترل مورد نیاز از اهداف فتوگرامتری استاندارد موجود است که از اهمیت عملی بالایی برخوردار است.

شکل 4: نقاط لیدار رنگ شده با شدت و نقاط اتصال فتوگرامتری (سفید).

نویسندگان از یک اسپلاین انعطاف پذیر به عنوان یک مدل قدرتمند برای تصحیح مسیر استفاده کردند. این انعطاف پذیری به طور بالقوه می تواند منجر به تغییر شکل های سیستماتیک در صورت اعمال در طول تنظیم استاندارد نوار شود. در مقابل، یکپارچه‌سازی اطلاعات از فریم‌های تصویر دوبعدی پایدار که در طول تنظیم بلوک بسته‌بندی جهت‌گیری شده‌اند، به طور قابل اعتمادی از چنین اثرات منفی جلوگیری می‌کند.

شکل 5 نتیجه رویکرد ترکیبی از نرم افزار OPALS مورد استفاده را نشان می دهد. شش GCP که با دایره‌های قرمز مشخص شده‌اند و 27 هدف باقی‌مانده که به‌عنوان CP استفاده می‌شوند، با AAT که قبلاً مورد بحث قرار گرفت، منطبق هستند. برای ژئو ارجاع هیبریدی، اختلاف ارتفاع – حداقل 1.5 سانتی متر، حداکثر 0.7 سانتی متر و میانگین 0.4- سانتی متر است. انحراف استاندارد مربوطه 0.6 سانتی متر به وضوح نشان می دهد که دقت زیر سانتی متر اکنون امکان پذیر است.

ابرهای نقطه ای ترکیبی از Lidar و استریو چند نمای

نقاط اتصال فتوگرامتری همانطور که در شکل 4 نشان داده شده است فقط یک محصول جانبی از تنظیم بلوک بسته نرم افزاری هستند، زیرا ابرهای نقطه سه بعدی متراکم توسط MVS در مرحله بعدی ارائه می شوند. در اصل، دقت هندسی ابرهای نقطه MVS به طور مستقیم با GSD و در نتیجه مقیاس تصاویر مربوطه مطابقت دارد. این اجازه می دهد تا داده های سه بعدی را حتی در محدوده زیر سانتی متری برای وضوح تصویر مناسب ضبط کنید. با این حال، تطبیق تصویر استریو، دید نقاط شی را در حداقل دو تصویر فرض می‌کند.

این می تواند یک مشکل برای ساختارهای سه بعدی بسیار پیچیده باشد. در مقابل، اصل اندازه‌گیری قطبی حسگرهای لیدار زمانی سودمند است که ظاهر جسم با مشاهده از موقعیت‌های مختلف به سرعت تغییر کند. این امر برای اشیاء نیمه شفاف مانند پوشش گیاهی یا میله های جرثقیل (نگاه کنید به شکل 4)، برای اجسام در حال حرکت مانند وسایل نقلیه و عابران پیاده، یا در دره های بسیار باریک شهری و همچنین در محل های ساخت و ساز صادق است.

یکی دیگر از مزایای لیدار پتانسیل اندازه گیری پاسخ های متعدد سیگنال های منعکس شده است که نفوذ پوشش گیاهی را امکان پذیر می کند. از سوی دیگر، افزودن بافت تصویر به ابرهای نقطه لیدار هم برای تجسم و هم برای تفسیر سودمند است. در ترکیب با قابلیت رزولوشن بالا MVS، این از استدلال برای ادغام مناسب Lidar و MVS در طول تولید ابر نقطه سه بعدی پشتیبانی می کند.

شکل 5: اختلاف ارتفاع ابر نقطه لیدار تا اهداف علامت دار. GCP ها به صورت دایره های قرمز علامت گذاری می شوند.

شکل 6 یک مش بافت سه بعدی را نشان می دهد که از تصاویر سونی آلفا توسط خط لوله MVS در نرم افزار SURE از nFrames ایجاد شده است. همانطور که در شکل 7 مشاهده می شود، جزئیات هندسی بسیار بیشتری در دسترس است، به عنوان مثال. در بالای کلیسا و در پوشش گیاهی پس از داده های Lidar یکپارچه شده است. شمارش چهره معمولاً با پیچیدگی هندسی سازگار است، که برای بخش کوچک برج کلیسا نیز قابل مشاهده است. به عنوان مثال، شکل 6 شامل تقریباً 325000 چهره است، در حالی که شکل 7 دارای 372000 مثلث است.

شکل 6: مش 3 بعدی بافت از MVS.
شکل 7: مش سه بعدی بافت از Lidar و MVS.

شکل 8 و 9 ویژگی های مکمل Lidar و MVS را برای نقاط سه بعدی در قسمت دیگری از محل آزمایش نشان می دهد. شکل 8 نقاط RGB رنگ تولید شده توسط MVS را نشان می دهد. داده های Lidar روی هم پوشانده شده با توجه به ارتفاع مربوطه کد رنگی می شوند. در نهایت، خط زرد نمایانگر نمایه ای است که برای استخراج نقاط نشان داده شده در شکل 9 استفاده می شود. اختلاف بین ابرهای نقطه از MVS (قرمز) و لیدار (آبی) به ویژه در درختان مشهود است، جایی که Lidar امکان تشخیص بازگشت های متعدد را در امتداد یک مسیر تک پرتو لیزری نشان می دهد.

در حالی که ابرهای نقطه ای همانطور که در شکل های 8 و 9 نشان داده شده است مجموعه ای نامرتب از نقاط هستند، مش ها همانطور که در شکل های 6 و 7 نشان داده شده اند نمودارهایی هستند که از رئوس، لبه ها و وجوه تشکیل شده اند که اطلاعات مجاورت صریح را ارائه می دهند. تفاوت اصلی بین مش ها و ابرهای نقطه ای در دسترس بودن بافت با وضوح بالا و تعداد کمتر موجودیت ها است.

این به ویژه برای تفسیر خودکار بعدی مفید است. به طور کلی، بسیاری از نقاط (Lidar) را می توان با یک چهره مرتبط کرد. نویسندگان از این رابطه چند به یک برای تقویت چهره‌ها با ویژگی‌های متوسط ​​Lidar که از نقاط مرتبط مربوطه مشتق شده‌اند، استفاده کردند.

این آنها را قادر می سازد تا اطلاعات ذاتی هر دو حسگر را در نمایش مش به منظور دستیابی به بهترین تقسیم بندی معنایی ممکن یکپارچه کنند. شکل 10 مش برچسب‌گذاری‌شده را که توسط طبقه‌بندی‌کننده PointNet++ پیش‌بینی شده بود (سمت چپ) و برچسب‌های منتقل شده به ابر نقطه متراکم Lidar (راست)، نشان می‌دهد که توسط فاکتور 20 برای تجسم نمونه‌برداری شده است.

کد رنگ کلاس زیر استفاده می شود: نما (زرد)، سقف (قرمز)، سطح غیر قابل نفوذ (سرخابی)، فضای سبز (سبز روشن)، پوشش گیاهی متوسط ​​و بالا (سبز تیره)، وسیله نقلیه (فیروزه ای)، دودکش/آنتن (نارنجی) ) و بهم ریختگی (خاکستری).

شکل 8: مقایسه نقاط سه بعدی از اندازه گیری MVS (RGB) و Lidar (ارتفاع کد شده). خط زرد نمایه نشان داده شده در شکل 9 را مشخص می کند.

ارسال به راحتی با استفاده مجدد از رابطه چند به یک بین نقاط لیدار و چهره ها انجام شد. بنابراین، تقسیم‌بندی معنایی ابر نقطه لیدار از ویژگی‌هایی استفاده می‌کند که در ابتدا فقط برای مش در دسترس بوده‌اند، به عنوان مثال. بافت از این رو، تقسیم بندی مش معنایی از ویژگی های ذاتی هر دو نمایش استفاده می کند، که یکی دیگر از مزایای تصویر مشترک و پردازش Lidar است.

شکل 9. نمایه استخراج شده با نقاط سه بعدی از Lidar (آبی) و MVS (قرمز).
شکل 10: مش برچسب گذاری شده (سمت چپ) و برچسب ها به ابر نقطه متراکم Lidar (راست) منتقل شده اند.

نتیجه

این مقاله یک گردش کار برای ارجاع جغرافیایی هیبریدی، بهبود و طبقه بندی پهپاد با وضوح فوق العاده بالا Lidar و ابرهای نقطه تصویر ارائه می دهد. در مقایسه با یک ارزیابی جداگانه، جهت گیری ترکیبی دقت را از 5 سانتی متر به کمتر از 1 سانتی متر بهبود می بخشد.

علاوه بر این، هواپیماهای کنترلی لیدار منسوخ می شوند، بنابراین تلاش برای ارائه اطلاعات کنترلی در زمین به طور قابل توجهی کاهش می یابد. نویسندگان انتظار دارند با جایگزین کردن دوربین‌های فعلی نصب شده بر روی RIEGL RiCopter با یک سیستم فاز یک iXM با کیفیت بالا، بهبود بیشتری حاصل شود تا تصاویر رادیومتری بهتر با وضوح بالاتر به دست آید. این امر بیشتر از تولید و تجزیه و تحلیل ابرهای نقطه‌ای با کیفیت بالا پشتیبانی می‌کند و بنابراین امکان ضبط داده‌های مبتنی بر پهپاد را برای برنامه‌های بسیار چالش برانگیز فراهم می‌کند.

سپاسگزاریها

بخش هایی از تحقیقات ارائه شده در قالب پروژه ای که توسط موسسه فدرال هیدرولوژی آلمان (BfG) در کوبلنتس اعطا شده بود، تامین شد. از Gottfried Mandlburger، Wilfried Karel (TU Wien) و Philipp Glira (AIT) برای پشتیبانی و انطباق آنها با نرم افزار OPALS در طول ارجاع جغرافیایی ترکیبی تشکر می کنیم. پشتیبانی Tobias Hauck از nFrames در طول کار مشترک با SURE نیز تایید شده است.

بیشتر بخوانید

شاخص قيمت توليدكننده محصولات مرغداري‌هاي صنعتي كشور تابستان ١٤٠١

مرغداری

در فصل تابستان ١٤٠١ تغییرات شاخص قیمت تولیدکننده بخش مرغداریهای صنعتی کشور نسبت به فصل قبل (تورم فصلی) به ٤٩,٤ درصد رسید که در مقایسه با همین اطلاع در فصل قبل (١٩.٥ درصد)، ٢٩.٩ واحد درصد افزایش یافته‌است. در میان قلم­های مرغداری­های صنعتی، بیشترین افزایش مربوط به قلم” جوجه‌ی یکروزه” (٧٢.١ درصد)، کمترین افزایش مربوط به قلم ” کود” (٩.٣ درصد) می­‌باشد.

چکیده

در فصل تابستان سال ١٤٠١ شاخص قیمت تولید کننده بخش مرغداری­‌های صنعتی کشور (بر مبنای ١٠٠=١٣٩٥) برابر با ٩١١,١ بوده است که نسبت به فصل قبل (تورم فصلی) ٤٩.٤ درصد و نسبت به فصل مشابه سال قبل (تورم نقطه به نقطه) ٨٩.٦ درصد افزایش یافته‌است. در فصل مورد بررسی میانگین شاخص قیمت چهار فصل منتهی به فصل جاری نیز نسبت به دوره مشابه سال قبل (نرخ تورم سالانه) ٥٢.٤ درصد افزایش یافته‌است.

افزایش تورم فصلی

در فصل تابستان ١٤٠١ تغییرات شاخص قیمت تولیدکننده بخش مرغداری­های صنعتی کشور نسبت به فصل قبل (تورم فصلی) به ٤٩,٤ درصد رسید که در مقایسه با همین اطلاع در فصل قبل (١٩.٥ درصد)، ٢٩.٩ واحد درصد افزایش یافته‌است. در میان قلم­های مرغداری­های صنعتی، بیشترین افزایش مربوط به قلم” جوجه‌ی یکروزه” (٧٢,١ درصد)، کمترین افزایش مربوط به قلم ” کود” (٩,٣ درصد) می­‌باشد.

افزایش تورم نقطه به نقطه

در فصل تابستان ١٤٠١ تغییرات شاخص قیمت تولیدکننده بخش مرغداری­های صنعتی کشورنسبت به فصل مشابه سال قبل (تورم نقطه به نقطه) ٨٩,٦ درصد بوده‌است که در مقایسه با همین اطلاع در فصل قبل (٤٦.١ درصد) ٤٣.٥ واحد درصد افزایش داشته‌است.

به عبارتی، میانگین قیمت دریافتی توسط تولیدکنندگان محصولات مرغداری­های صنعتی به ازای تولید قلم­های خود در داخل کشور، در فصل تابستان ١٤٠١ نسبت به فصل تابستان ١٤٠٠، ٨٩.٦ درصد افزایش دارد. در بین قلم­های مرغداری­های صنعتی، کمترین تورم نقطه به نقطه مربوط به قلم ” کود” (٣٣,١ درصد) و بیشترین آن مربوط به قلم “مرغ گوشتی” (١١١,٣ درصد) می­‌باشد.

افزایش تورم سالانه

 در تابستان ١٤٠١ تغییرات میانگین شاخص قیمت تولیدکننده محصولات مرغداری­های صنعتی در داخل کشور در چهار فصل منتهی به این فصل نسبت به مدت مشابه در سال قبل به ٥٢,٤ درصد رسید که نسبت به همین اطلاع در فصل قبل (٤٣.٤ درصد)، ٩.٠ واحد درصد افزایش نشان می­دهد. در فصل مورد بررسی، در میان قلم­های مرغداری­های صنعتی کشور، کمترین تورم سالانه مربوط به قلم ” کود ” (٢٨,٥ درصد) و بیش­ترین آن مربوط به قلم “پولت”  (٥٧,٠ درصد) می­‌باشد.

شاخص استاني

بررسي شاخص قيمت توليدكننده محصولات مرغداری­هاي صنعتي كشور در تابستان ١٤٠١  نشان مي­دهد که بیشترین میزان افزایش شاخص کل نسبت به فصل قبل مربوط به استان اردبیل با ٧٦,٣ درصد و کمترین میزان افزایش مربوط به استان سیستان و بلوچستان با ٦.٣ درصد بوده است.

بررسی­ها نشان می‌­دهد که شاخص کل در فصل جاری نسبت به فصل مشابه سال قبل، در همه استان­ها با افزایش روبه­ رو بوده است. بیشترین میزان افزایش مربوط به استان ایلام با ١١٨,٥درصد و کمترین میزان افزایش آن مربوط به استان سیستان و بلوچستان با ٥١.٠ درصد می‌باشد.

سیارک قاتل دایناسور باعث ایجاد سونامی جهانی شد که هزاران مایل از محل برخورد، بستر دریا را در نوردید.

سیارک قاتل دایناسور باعث ایجاد سونامی جهانی شد که هزاران مایل از محل برخورد، بستر دریا را در نوردید.

سیارکی به وسعت مایل ها که 66 میلیون سال پیش به زمین برخورد کرد تقریباً تمام دایناسورها و سه چهارم گونه های گیاهی و جانوری این سیاره را از بین برد.بر اساس مطالعه جدیدی که توسط دانشگاه میشیگان انجام شده است، این امر باعث ایجاد یک سونامی هیولایی با امواجی به ارتفاع مایل شد که هزاران مایل از محل برخورد در شبه جزیره یوکاتان مکزیک، کف اقیانوس را در نوردید.

این مطالعه که برای انتشار آنلاین در 4 اکتبر در ژورنال AGU Advances برنامه ریزی شده است، اولین شبیه سازی جهانی سونامی برخورد Chicxulub را ارائه می کند که در یک مجله علمی معتبر منتشر می شود. علاوه بر این، محققان U-M رکوردهای زمین شناسی را در بیش از 100 مکان در سراسر جهان بررسی کردند و شواهدی پیدا کردند که پیش بینی مدل های آنها را در مورد مسیر و قدرت سونامی تایید می کند.

مولی رنج، نویسنده اصلی این مقاله، که این مطالعه مدل‌سازی را برای پایان‌نامه کارشناسی ارشد انجام داده است، می‌گوید: «این سونامی به اندازه‌ای قوی بود که رسوبات حوضه‌های اقیانوسی را در نیمه‌ی زمین در سراسر جهان برهم زد و فرسایش داد، و یا شکافی در سوابق رسوبی یا مجموعه‌ای از رسوبات قدیمی‌تر باقی گذاشت. تحت نظر اقیانوس‌شناس فیزیکی U-M و نویسنده همکار مطالعه، برایان آربیک و دیرینه‌شناس U-M و تد مور، نویسنده مشترک مطالعه.

بررسی سوابق زمین‌شناسی بر «بخش‌های مرزی»، رسوبات دریایی که درست قبل یا درست پس از برخورد سیارک و انقراض دسته جمعی K-Pg متعاقب آن، که دوره کرتاسه را بسته است، نهشته شده است.

Range که این پروژه را به عنوان یک دانشجوی کارشناسی در آزمایشگاه Arbic در سال 1397 آغاز کرد، گفت: “توزیع فرسایش و وقفه هایی که ما در بالاترین رسوبات دریایی کرتاسه مشاهده کردیم با نتایج مدل ما مطابقت دارد، که به ما اطمینان بیشتری در پیش بینی های مدل می دهد.” گروه علوم زمین و محیط زیست.

نویسندگان مطالعه محاسبه کردند که انرژی اولیه در سونامی ضربه ای تا 30000 برابر بیشتر از انرژی سونامی زمین لرزه اقیانوس هند در دسامبر 2004 بود که بیش از 230000 نفر را کشت و یکی از بزرگترین سونامی ها در تاریخ مدرن است.

شبیه‌سازی‌های این تیم نشان می‌دهد که سونامی برخورد عمدتاً به سمت شرق و شمال شرق به اقیانوس اطلس شمالی و از جنوب غربی از طریق دریای آمریکای مرکزی (که قبلاً آمریکای شمالی و آمریکای جنوبی را جدا می‌کرد) به اقیانوس آرام جنوبی تابش می‌کرد.

در آن حوضه‌ها و در برخی مناطق مجاور، سرعت جریان زیر آب احتمالاً از 20 سانتی‌متر در ثانیه (0.4 مایل در ساعت) فراتر رفته است، سرعتی که به اندازه‌ای قوی است که رسوبات ریزدانه در کف دریا را فرسایش دهد.

بر اساس شبیه سازی این تیم، در مقابل، اقیانوس اطلس جنوبی، اقیانوس آرام شمالی، اقیانوس هند و منطقه ای که امروز مدیترانه است تا حد زیادی در برابر قوی ترین اثرات سونامی محافظت شدند. در آن مکان‌ها، سرعت جریان مدل‌سازی‌شده احتمالاً کمتر از آستانه ۲۰ سانتی‌متر بر ثانیه بود.

برای بررسی رکورد زمین شناسی، U-M’s Moore رکوردهای منتشر شده از 165 بخش مرزی دریایی را تجزیه و تحلیل کرد و توانست اطلاعات قابل استفاده از 120 مورد از آنها را به دست آورد. بیشتر رسوبات از هسته های جمع آوری شده در طول پروژه های علمی حفاری اقیانوس به دست آمد.

اقیانوس اطلس شمالی و اقیانوس آرام جنوبی کمترین مکان ها را با رسوبات مرزی کامل و بدون وقفه در مرز K-Pg داشتند. در مقابل، بیشترین تعداد کامل بخش های مرزی K-Pg در اقیانوس اطلس جنوبی، اقیانوس آرام شمالی، اقیانوس هند و مدیترانه یافت شد.

آربیک، استاد علوم زمین و محیط زیست که ناظر این پروژه بود، گفت: «ما تأییدی را در رکوردهای زمین‌شناسی برای مناطق پیش‌بینی‌شده بیشترین تأثیر در اقیانوس باز یافتیم». شواهد زمین شناسی قطعا مقاله را تقویت می کند.

به گفته نویسندگان، رخنمون های مرز K-Pg در سواحل شرقی جزایر شمالی و جنوبی نیوزلند که بیش از 12000 کیلومتر (7500 مایل) از سایت برخورد یوکاتان فاصله دارند، از اهمیت ویژه ای برخوردار است.

رسوبات به شدت آشفته و ناقص نیوزیلند، که نهشته های اولیستوسرومال نامیده می شوند، در اصل نتیجه فعالیت های زمین ساختی محلی هستند. اما با توجه به قدمت ذخایر و موقعیت آنها به طور مستقیم در مسیر مدل‌سازی شده سونامی برخورد Chicxulub، تیم تحقیقاتی U-M به منشأ متفاوتی مشکوک است.

Range گفت: “ما احساس می کنیم که این ذخایر در حال ثبت اثرات سونامی ضربه ای هستند و این شاید گویاترین تایید اهمیت جهانی این رویداد باشد.”

بخش مدل‌سازی مطالعه از استراتژی دو مرحله‌ای استفاده کرد. ابتدا، یک برنامه کامپیوتری بزرگ به نام هیدروکد، 10 دقیقه اول هرج و مرج این رویداد را شبیه سازی کرد که شامل برخورد، تشکیل دهانه و شروع سونامی بود. این کار توسط یکی از نویسندگان براندون جانسون از دانشگاه پردو انجام شد.

بر اساس یافته‌های مطالعات قبلی، محققان یک سیارک با قطر 14 کیلومتر (8.7 مایل) را مدل‌سازی کردند که با سرعت 12 کیلومتر در ثانیه (27000 مایل در ساعت) حرکت می‌کرد. به پوسته گرانیتی پوشانده شده توسط رسوبات غلیظ و آب های کم عمق اقیانوس برخورد کرد و دهانه ای به وسعت 100 کیلومتر (62 مایل) را منفجر کرد و ابرهای متراکمی از دوده و غبار را به جو پرتاب کرد.

دو دقیقه و نیم پس از برخورد سیارک، پرده ای از مواد پرتاب شده دیواره ای از آب را از محل برخورد به بیرون رانده کرد و برای مدت کوتاهی موجی به ارتفاع 4.5 کیلومتر (ارتفاع 2.8 مایل) را تشکیل داد که با سقوط پرتاب به عقب فرو نشست. زمین.

ده دقیقه پس از برخورد پرتابه به یوکاتان و در فاصله 220 کیلومتری (137 مایلی) از محل برخورد، موج سونامی به ارتفاع 1.5 کیلومتر (به ارتفاع 0.93 مایل) – حلقه ای شکل و در حال انتشار به بیرون – شروع به فراگیر کرد. در سراسر اقیانوس در همه جهات، طبق شبیه سازی U-M.

در 10 دقیقه، نتایج شبیه‌سازی هیدروکد iSALE جانسون در دو مدل انتشار سونامی MOM6 و MOST برای ردیابی امواج غول‌پیکر در سراسر اقیانوس وارد شد. MOM6 برای مدل‌سازی سونامی در اعماق اقیانوس استفاده شده است و NOAA از مدل MOST به صورت عملیاتی برای پیش‌بینی سونامی در مراکز هشدار سونامی خود استفاده می‌کند.

مور، استاد بازنشسته علوم زمین و محیط زیست گفت: «نتیجه بزرگ در اینجا این است که دو مدل جهانی با فرمول‌بندی‌های متفاوت نتایج تقریباً یکسانی به دست آوردند و داده‌های زمین‌شناسی در بخش‌های کامل و ناقص با این نتایج مطابقت دارد.» “مدل ها و داده های راستی آزمایی به خوبی مطابقت دارند.”

طبق شبیه سازی تیم:

یک ساعت پس از برخورد، سونامی به خارج از خلیج مکزیک و به اقیانوس اطلس شمالی گسترش یافته بود.

چهار ساعت پس از برخورد، امواج از مسیر دریای آمریکای مرکزی و به اقیانوس آرام عبور کرده بودند.

24 ساعت پس از برخورد، امواج از شرق بیشتر اقیانوس آرام و از غرب بیشتر اقیانوس اطلس را عبور داده و از دو طرف وارد اقیانوس هند شده بودند.

48 ساعت پس از برخورد، امواج سونامی قابل توجهی به اکثر خطوط ساحلی جهان رسیده بود.

برای مطالعه فعلی، محققان تلاشی برای تخمین میزان سیل ساحلی ناشی از سونامی انجام ندادند.

با این حال، مدل‌های آن‌ها نشان می‌دهد که ارتفاع امواج اقیانوس باز در خلیج مکزیک از 100 متر (328 فوت) فراتر می‌رفت، با ارتفاع موج بیش از 10 متر (32.8 فوت) با نزدیک شدن سونامی به مناطق ساحلی اقیانوس اطلس شمالی و بخش‌هایی از جنوب. سواحل اقیانوس آرام آمریکا

با نزدیک شدن سونامی به آن خطوط ساحلی و برخورد با آب های کم عمق، ارتفاع موج از طریق فرآیندی به نام shoaling به طور چشمگیری افزایش می یافت. سرعت فعلی برای اکثر مناطق ساحلی در سراسر جهان از آستانه 20 سانتی متر در ثانیه فراتر می رفت.

به گفته نویسندگان این مطالعه، “بسته به هندسه ساحل و امواج در حال پیشروی، بیشتر مناطق ساحلی تا حدی زیر آب می روند و فرسایش می یابند.” “هر سونامی مستند تاریخی در مقایسه با چنین تاثیر جهانی کمرنگ است.”

ویدیو: https://youtu.be/hy6wfjqFBE0

آربیک گفت که یک مطالعه بعدی برای مدل سازی میزان طغیان ساحلی در سراسر جهان برنامه ریزی شده است. این مطالعه توسط واسیلی تیتوف از آزمایشگاه محیط زیست دریایی اقیانوس آرام اداره ملی اقیانوسی و جوی، که یکی از نویسندگان مقاله AGU Advances است، رهبری خواهد شد.

علاوه بر Range، Arbic، Moore، Johnson و Titov، نویسندگان این مطالعه آلیستر آدکرافت از دانشگاه پرینستون، جوزف آنسونگ از دانشگاه غنا، کریستوفر هالیس از دانشگاه ویکتوریا از ولینگتون، کریستوفر اسکاتز از پروژه PALEOMAP و او وانگ از آزمایشگاه دینامیک سیالات ژئوفیزیک NOAA و شرکت دانشگاه برای تحقیقات جوی.

بودجه توسط بنیاد ملی علوم و صندوق حمایت از دانشیاران دانشگاه میشیگان، که توسط جوایز دانشکده مارگارت و هرمان سوکول حمایت می شود، ارائه شده است. شبیه سازی های MOM6 بر روی ابررایانه Flux ارائه شده توسط خدمات فنی محاسباتی تحقیقاتی پیشرفته دانشگاه میشیگان انجام شد.

شاخص قيمت توليدكننده بخش صنعت- فصل تابستان ١٤٠١ (بر مبنای سال پایه ١٣٩٥)

صنعت

در فصل تابستان ١٤٠١، شاخص قیمت تولیدکننده بخش صنعت ٧٥٠,٩ می­باشد که نسبت به فصل قبل (تورم فصلی) ٢.٣ درصد کاهش، نسبت به فصل مشابه سال قبل (تورم نقطه به نقطه) ٣٠.١ درصد افزایش و در چهارفصل منتهی به فصل جاری نسبت به دوره مشابه سال قبل (تورم سالانه) ٤٠.٤ درصد افزایش داشته است.

شاخص قیمت کل

در فصل تابستان ١٤٠١، شاخص قیمت تولیدکننده بخش صنعت ٧٥٠,٩ می­باشد که نسبت به فصل قبل (تورم فصلی) ٢.٣ درصد کاهش، نسبت به فصل مشابه سال قبل (تورم نقطه به نقطه)  ٣٠.١ درصد افزایش و در چهارفصل منتهی به فصل جاری نسبت به دوره مشابه سال قبل (تورم سالانه) ٤٠.٤ درصد افزایش داشته است.

کاهش تورم فصلی

در فصل تابستان ١٤٠١، درصد تغییرات شاخص قیمت تولیدکننده بخش صنعت نسبت به فصل قبل (تورم فصلی) ٢,٣- درصد می­باشد که در مقایسه با همین اطلاع در فصل قبل (١٢.٥ درصد)، ١٤.٨ واحد درصد کاهش داشته است. به عبارتی، میانگین قیمت دریافتی توسط تولیدکنندگان محصولات صنعتی به ازای تولید کالاهای خود در داخل کشور، در فصل تابستان ١٤٠١ نسبت به فصل قبل، ٢.٣ درصد کاهش دارد.

در این فصل بیش­ترین تورم فصلی با ٢٣.٢ درصد مربوط به گروه ” ساخت محصولات دارويي، مواد شيميايي مورد استفاده در داروسازي و محصولات دارويي گياهي” و کم­ترین تورم فصلی با ١.٧ درصد مربوط به گروه “ساخت منسوجات” می­باشد. در این فصل شاخص گروه­های “ساخت کُک و فراورده‌های حاصل از پالايش نفت”  و “ساخت فلزات پايه” با  ٩.٦ درصد و گروه  “ساخت مواد شیمیایی و فراورده­های شیمیایی” با ٣.٧ درصد با کاهش مواجه بوده­‌اند.

کاهش تورم نقطه به نقطه

در فصل تابستان ١٤٠١، درصد تغییرات شاخص قیمت تولیدکننده بخش صنعت نسبت به فصل مشابه سال قبل (تورم نقطه به نقطه) ٣٠,١ درصد می­‌باشد که در مقایسه با همین اطلاع در فصل قبل (٤٦.٣ درصد)، ١٦.٢ واحد درصد کاهش داشته است.

به عبارتی، میانگین قیمت دریافتی توسط تولیدکنندگان محصولات صنعتی به ازای تولید کالاهای خود در داخل کشور، در فصل تابستان ١٤٠١ نسبت به فصل مشابه سال قبل، ٣٠.١ درصد افزایش دارد. در این فصل بیش­ترین تورم نقطه به نقطه با ٨٠.٧ درصد مربوط به گروه “ساخت مواد غذایی” و کم­ترین تورم نقطه به نقطه با ١٧.٢ درصد مربوط به گروه “ساخت محصولات رایانه­ای، الکترونیکی و نوری” می­باشد. در این فصل تورم نقطه به نقطه گروه “ساخت فلزات پايه” ١.٠- درصد بوده است.

کاهش تورم سالانه

در فصل تابستان١٤٠١، درصد تغییرات شاخص قیمت تولیدکننده بخش صنعت در چهار فصل منتهی به این فصل نسبت به دوره مشابه سال قبل، ٤٠,٤ درصد می­باشد که در مقایسه با همین اطلاع در فصل قبل (٤٨.٠ درصد)، ٧.٦ واحد درصد کاهش داشته است.

به عبارتی، میانگین قیمت دریافتی توسط تولیدکنندگان محصولات صنعتی به ازای تولید کالاهای خود در داخل کشور، در چهار فصل منتهی به تابستان ١٤٠١ نسبت به دوره مشابه سال قبل، ٤٠.٤ درصد افزایش دارد. در این فصل بیش­ترین تورم سالانه با ٧١.٢ درصد مربوط به گروه” ساخت محصولات غذايي ” و کم­ترین تورم سالانه با ٢١.٢ درصد مربوط به گروه “ساخت محصولات رایانه‌ای، الکترونیکی و نوری” می­‌باشد.

دریافت گزارش تفصیلی

یک خودآموز به یک مدرس GIS تأثیرگذار تبدیل می شود

دکتر شارلوت اسمیت برای یک متخصص GIS نسبتاً جدید خودآموخته، تأثیر زیادی بر جامعه آموزش GIS داشته است.یک مدرس دانشکده در دانشگاه کالیفرنیا (UC)، برکلی، و استاد مدعو در Instituto Tecnológico y de Estudios Superiores de Occidente (ITESO) در گوادالاخارا، مکزیک، دوره‌های GIS را تدریس می‌کند که پیشینه او در بهداشت عمومی و علوم بهداشت محیطی را به روشی واقعاً یکپارچه در بر می‌گیرد.

یک خودآموز به یک مدرس GIS تأثیرگذار تبدیل می شود

دکتر شارلوت اسمیت ویراستار مجله پیشگیری از بیماری‌های مزمن مرکز کنترل و پیشگیری از بیماری‌ها (CDC) است. یکی از بخش‌هایی که او روی آن تمرکز می‌کند «عکس‌های فوری GIS» است که شامل مقاله‌های 1000 کلمه‌ای درباره پروژه‌های بهداشت عمومی است که شامل کاوش یا تجزیه و تحلیل فضایی است. اسمیت و همکارانش از مردم دعوت می کنند تا مقالاتی را برای انتشار ارسال کنند.

اسمیت گفت: «این هیجان انگیز است که دانش‌آموزان قدرت گنجاندن مکان در تحلیل‌های آماری، تجسم داده‌ها و داستان‌گویی را درک کنند. “آنها در حال یادگیری تکنیک های GIS هستند، اما در نهایت، همه چیز در مورد این است که آنها می توانند با این فناوری انجام دهند و چگونه می توانند از اطلاعات برای حمایت و ایجاد تغییراتی که می خواهند ببینند استفاده کنند.”

اسمیت همیشه یک معلم نبوده و تلاش های او در GIS تنها حدود هفت سال پیش آغاز شد. اما او تقریباً به محض پایان یافتن اولین مجموعه درس‌های یادگیری از آموزش Esri شروع به نوشتن برنامه‌های درسی GIS کرد و به سرعت خود را در جامعه آموزش GIS غرق کرد.

او گفت: «آنچه مرا جذب کرد و در دنیای تحلیل فضایی نگه داشت، جنبه اجتماعی است. “GIS بسیار در مورد جامعه است، و این انجمن واقعا می تواند شما را با انگیزه نگه دارد.”

اسمیت کار خود را به عنوان یکی از لیتوگرافی های معروف گرافیست هلندی M. C. Escher توصیف می کند، “با پله ها در همه جهات و افراد در همان زمان بالا و پایین می روند.”

او در رشته میکروبیولوژی در دانشگاه میشیگان تحصیل کرد و به عنوان محقق در بخش میکروبیولوژی و ایمونولوژی ادامه داد. از آنجا به دانشگاه کلمبیا رفت تا کارهای مشابهی را به عنوان زیست شناس مولکولی انجام دهد.

پس از آن، به نظر می رسد، کنجکاوی سیری ناپذیر و میل بی حد و حصر او برای یادگیری، زمانی که ایده مشارکت بیشتر در کار بهداشت جامعه را به ذهنش خطور کرد. اسمیت به ارتقای سلامت در محیط های محلی علاقه مند شد، بنابراین تصمیم گرفت مدرک کارشناسی ارشد خود را در رشته بهداشت جامعه از کالج بروکلین دریافت کند. او معتقد است که تحصیل بیشتر و کسب مدارک معتبر بهترین راه برای ایجاد تغییر شغلی است.

اسمیت مدرک تحصیلی خود را به پایان رساند، اما او هرگز به طور کامل در آن زمینه کار نکرد، زیرا اتفاقاً علاقه جدیدی در این زمینه ایجاد شد.

او گفت: «در طول دوره کارشناسی ارشد، یک دوره کارآموزی در اداره آب شهر نیویورک گرفتم که به شغل تبدیل شد و به شغلی در بخش آب آشامیدنی تبدیل شد. به همین دلیل است که به دانش آموزان می گویم هرگز به فرصت ها نه نگویید. شما نمی‌دانید که از آن چه خواهید ساخت یا به چه چیزی تبدیل خواهد شد.»

اسمیت این کار را جذاب می‌دانست، به‌ویژه وقتی نوبت به ارزیابی کیفیت آب می‌رسید.

«مردم شیر آب را باز می‌کنند، و فکر می‌کنند همین است. خوب است، “او گفت. اما اکنون با فلینت، میشیگان و بحران اخیر آب در جکسون، می سی سی پی، می توانیم ببینیم که آب پاک نباید بدیهی انگاشته شود. اگر آسان بود، آن مشکلات در چند ساعت حل می شد. برای اطمینان از کیفیت خوب آب آشامیدنی، نیاز به دانش فنی، اراده سیاسی، تامین مالی، مقررات و آموزش اپراتور است.

اسمیت 6 سال را در اداره آب شهر نیویورک گذراند تا اینکه مدیر کیفیت آب یک شرکت فرانسوی شد که 35 شرکت آب آشامیدنی را در ایالات متحده و همچنین سایر شرکت‌ها در سراسر جهان مالک و اداره می‌کرد. در این مرحله از حرفه خود، او بر حل مشکلات کیفیت آب و توسعه برنامه های انطباق با مقررات تمرکز کرد. هنگامی که شرکت تابعه آمریکایی فروخته شد، او این انتخاب را داشت که یا به شرکت خرید بپیوندد یا نه.

او گفت: “من انتخاب نکردم.” «و وقتی «نه» را انتخاب می‌کنید، فرصتی برای انجام کاری جدید و بهتر دارید.»

این زمانی بود که او Charlotte Smith & Associates, Inc. را تأسیس کرد، یک شرکت مشاوره که به شرکت‌های برق در سراسر جهان کمک می‌کند تا کیفیت آب را بهبود بخشند. برای تقریباً 30 سال، او ارزیابی‌های سیستم‌های آب را انجام داده و اپراتورهای سیستم توزیع آب را برای یافتن و حل مشکلات کیفیت آب، در میان بسیاری از مشاغل دیگر، آموزش داده است.

در میان همه اینها، اسمیت تصمیم گرفت برای ادامه تحصیل در مقطع دکترا به مدرسه برود. او شنیده بود که لژیونلا، باکتری عامل بیماری لژیونرها، در تک یاخته ها زندگی می کند و از هضم و در نتیجه تخریب جلوگیری می کند.

اسمیت گفت: «فکر می‌کردم این یکی از جالب‌ترین چیزهایی بود که در تمام زندگی‌ام شنیده بودم، و فکر می‌کردم که این کار چه می‌کند. “خب، هیچ کس قرار نبود به شارلوت اسمیت و همکاران پول بدهد تا بفهمد.”

بنابراین او یک کمک هزینه تحقیقاتی علمی برای دستیابی به نتایج (STAR) از آژانس حفاظت از محیط زیست (EPA) دریافت کرد و برای پاسخ به این سوال وارد برنامه دکترا در دانشگاه کالیفرنیا برکلی شد. او دو باکتری – H. پیلوری، که باعث سرطان معده می شود، و E. coli، که باعث بیماری اسهالی می شود – برای اینکه ببینیم آیا آنها می توانند از هضم در تک یاخته ها زنده بمانند یا خیر.

اسمیت گفت: «پاسخ برای هلیکوباکتر پیلوری منفی و برای E. coli بله است. خوشحال بودم چون جوابم را داشتم.»

به گفته اسمیت، پایان نامه دکترا باید اینگونه باشد.

او گفت: “شما باید در مورد یک سوال وسواس داشته باشید.” “اگر چنین چیزی را دارید، پس به مدرسه برگردید، کمی وقت بگذارید، به سوال پاسخ دهید و به زندگی خود ادامه دهید.”

اسمیت به زندگی خود ادامه داد. پس از پاسخ به سؤال خود، او نقش کاملاً جدیدی را در دانشگاه برعهده گرفت و دروس علوم بهداشت محیطی و آب آشامیدنی و بهداشت را در دانشگاه برکلی در دانشکده بهداشت عمومی تدریس کرد. او به مدیریت Charlotte Smith & Associates ادامه داد (و هنوز هم دارد). علاوه بر این، این مرحله جدید از زندگی او به او فرصت داد تا فناوری ای را که در مورد آن کنجکاو شده بود کشف کند: GIS.

او گفت: «من فقط یک سری کامل از درس‌های یادگیری Esri را انجام دادم. “آنها شگفت انگیزند. آنها برای مطالعه مستقل عالی هستند، زیرا تقریباً هر مرحله یک تصویر دارد، بنابراین شما می دانید که در مسیر درستی قرار دارید.

اسمیت از طریق درس‌های بیاموز، از GIS در علوم بهداشت عمومی و بهداشت محیط قدردانی کرد.

او گفت: “GIS به ما کمک می کند تا تصویر کامل را درک کنیم.” هرچه بیشتر و بیشتر به نقشه‌سازی و تحلیل فضایی وارد شدم، چهار دوره GIS ایجاد کردم. در نهایت دروسی را که تدریس می‌کردم کنار گذاشتم، و اکنون همه چیز GIS است. من یک مشتاق GIS شده ام.”

دانش‌آموزان او از GIS برای ترسیم مکان‌های فواره‌های نوشیدنی در سرتاسر برکلی استفاده کرده‌اند تا به شهر کمک کنند مصرف آب را به جای نوشیدنی‌های شیرین افزایش دهند. دانش‌آموزان از ArcGIS Survey123 برای جمع‌آوری داده‌ها در مورد سرویس‌های بهداشتی دانشگاه استفاده کرده‌اند تا اطمینان حاصل شود که دانشگاه دارای حمام‌های در دسترس و شامل جنسیت است. آنها از Survey123 برای جمع آوری داده های کمی و کیفی در مورد دسترسی به آب آشامیدنی سالم در گوادالاخارا و در جوامع روستایی دریاچه چاپالا، مکزیک استفاده کرده اند. اسمیت به دانش‌آموزان خود یاد می‌دهد که چگونه از فناوری Esri مانند ArcGIS Online، ArcGIS Dashboards و ArcGIS StoryMaps و همچنین نحوه انجام تجزیه و تحلیل جغرافیایی استفاده کنند.

اسمیت با اشاره به دوره های هشت هفته ای و ترم خود گفت: “من از آنچه این دانش آموزان می توانند در مدت زمان کوتاهی خلق کنند شگفت زده شده ام.”

در حالی که اسمیت حدود پنج سال است که GIS را به دانشجویان کارشناسی و کارشناسی ارشد تدریس می کند، او تا سال گذشته هرگز یک دوره رسمی دانشگاهی در GIS گذرانده بود. او که همیشه یادگیرنده مادام العمر بود، در برنامه کارشناسی ارشد علوم کاربردی در تحلیل فضایی برای سلامت عمومی دانشگاه جان هاپکینز ثبت نام کرد.

او گفت: «از آنجایی که من هرگز یک دوره GIS را گذرانده بودم، هیچ الگویی برای آموزش نداشتم. روشی که من GIS را تدریس کرده ام بر اساس روشی است که دروس دیگر را تدریس کرده ام. اما من سوال کردم که آیا این بهترین راه برای آموزش GIS است.

اسمیت که از اساتید و دانشجویان جانز هاپکینز یاد می‌گیرد، می‌گوید که نه تنها با شرکت در این برنامه استاد بهتری می‌شود، بلکه می‌آموزد به روش‌های مختلف به پروژه‌ها نزدیک شود.

اسمیت گفت: “جامعه GIS پر از افرادی است که مایل به اشتراک گذاری، ارتباط و حمایت از یکدیگر هستند.” “به عنوان یک فرد مبتلا به بیماری عصبی و تحرک محدود، عضوی از جامعه GIS من را حفظ می کند.”

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.

جاده یکی از شاخصه های شهری است. آنها فواصل طولانی را به طور مؤثر، سریع، راحت و ایمن به یکدیگر متصل می کنند. بنابراین، شرایط فعلی آنها باید نظارت شود تا از مطابقت با استانداردها اطمینان حاصل شود. با این حال، روش های سنتی برای نظارت بر وضعیت جاده ها زمان بر، کار فشرده و گاهی ذهنی هستند.

یک روش نسبتاً جدید برای نظارت بر وضعیت جاده، فناوری وسایل نقلیه هوایی بدون سرنشین (UAV یا “پهپاد”) است. پهپادها یکی از سریع‌ترین فناوری‌های در حال رشد در زمینه‌های مختلفی مانند کشاورزی و کشاورزی دقیق، جنگل‌ها، نظارت بر سلامت اکولوژیکی و ساختاری و نقشه‌برداری زمین‌شناسی، توپوگرافی و باستان‌شناسی هستند.

داده های مبتنی بر پهپاد با پرواز پهپاد بر فراز منطقه مورد مطالعه و گرفتن تصاویر متعدد جمع آوری می شود. در کنترل از راه دور پهپاد دو نوع مختلف از برنامه های پروازی، یعنی برنامه های پرواز دستی و خلبان خودکار وجود دارد. هر دو طرح مزایای خاص خود را دارند. طرح پرواز خلبان خودکار برای جمع آوری داده ها ساده است.

برنامه پرواز از راه دور در رابط تنظیم می شود و پهپاد پرواز می کند و داده ها را به طور خودکار دریافت می کند. با این حال، برنامه پرواز باید با توجه به ویژگی های سکوی پهپاد تنظیم شود که حداکثر زمان پرواز، سرعت پرواز، ارتفاع از سطح زمین و فاصله افقی است.

کسب، پردازش و مشاهده داده های پهپاد

برنامه پرواز خلبان خودکار ممکن است به دلیل زمین یا شرایط سخت منطقه مورد مطالعه، مانند داشتن شیب های تند یا داشتن کابل ها و تیرها، سازه ها یا درختان خط برق بالای سر، مناسب نباشد. در این موارد، پرواز دستی ممکن است به دلایل ایمنی بهتر باشد. علاوه بر این، دو نوع مختلف تصویر – تصاویر نادر و مایل – را می توان با استفاده از فناوری UAV ثبت کرد (شکل 1 را ببینید).

تصاویر مایل کیفیت مدل سه بعدی (3 بعدی) را به خصوص در ساختارهای عمودی افزایش می دهد. دوربین روی پهپاد یکی دیگر از اجزای مهم برای جمع آوری داده های با کیفیت بالا است و مشخصات دوربین به طور مستقیم بر کیفیت تصاویر گرفته شده تأثیر می گذارد. تصاویر دو بعدی (2 بعدی) به دست آمده را می توان برای نظارت بر شرایط جاده استفاده کرد. با این حال، آنها ممکن است از نقشه برداری دقیق پشتیبانی نکنند زیرا تصاویر منفرد هیچ اطلاعات عمقی ارائه نمی دهند.

استخراج خودکار اطلاعات جاده ها از داده های مبتنی بر پهپاد
شکل 1: جمع آوری داده های مبتنی بر پهپاد و بازرسی وضعیت جاده.

مدل های سه بعدی را می توان از تصاویر دو بعدی نیز تولید کرد. اکثر پهپادها معمولاً دارای سیستم ماهواره‌ای ناوبری جهانی (GNSS) و حسگرهای واحد اندازه‌گیری اینرسی (IMU) هستند که مکان‌های دوربین را با دقت در سطح سانتی‌متری ارائه می‌کنند. بنابراین، مدل سه بعدی را می توان با استفاده از تکنیک های ساختاری از حرکت (SfM) تولید کرد. تکنیک SfM نقاط پیوندی را در هر تصویر پیدا می کند که می تواند در تصاویر متوالی مطابقت داشته باشد. علاوه بر این، مکان ها و جهت گیری های دوربین نیز با استفاده از معادلات فتوگرامتری تخمین زده می شوند.

در نهایت، ابرهای نقطه سه بعدی شی مورد نظر را می توان بازسازی کرد. چندین گزینه نرم افزار تجاری کاربرپسند (Pix4D Mapper، Agisoft Metashape، 3Dsurvey، UASMaster، Photomodeler، و غیره) و نرم افزار منبع باز (VisualSFM، MicMac، COLMAP، و غیره) برای تبدیل تصاویر دو بعدی به ابرهای نقطه سه بعدی با استفاده از تکنیک SfM وجود دارد.

علاوه بر این، ارتوموزائیک، مدل های دیجیتال سطح (DSM) و مدل های دیجیتال زمین (DTMs) را می توان با استفاده از چنین نرم افزارهایی تولید کرد. این خروجی ها را می توان با استفاده از نرم افزارهای مختلفی مانند Quick Terrain Modeller و Global Mapper مشاهده کرد (شکل 2 را ببینید).

شکل 2: ابر نقطه سه بعدی در Quick Terrain Modeller و DSM در Global Mapper.

استخراج اطلاعات جاده از داده های پهپاد

اطلاعات جاده مانند سطح جاده، خط مرکزی و خط کشی خطوط، مشخصات، مقاطع عرضی و مشکلات را می توان از ابرهای نقطه سه بعدی استخراج کرد. این بینش در مورد وضعیت جاده برای بهبود عملکرد جاده، راحتی و ایمنی قابل توجه است. برای جمع آوری اطلاعات راه، ابتدا سطح راه باید از سایر اشیاء شهری یا روستایی متمایز و طبقه بندی شود.

الگوریتم های یادگیری ماشینی مانند Random Forest را می توان برای طبقه بندی سطوح جاده ها استفاده کرد و این الگوریتم ها نتایج طبقه بندی را هم سریع و هم با دقت بالا تولید می کنند. هنگامی که سطح جاده طبقه بندی شد، سایر اطلاعات هندسی را می توان به راحتی استخراج کرد.

خط کشی و خط وسط جاده معمولاً برای مدلسازی جاده، برنامه ریزی و ایمنی استفاده می شود. علاوه بر این، این اطلاعات برای اهداف ناوبری، به ویژه در زمینه رانندگی خودکار در آینده نزدیک، به طور فزاینده ای مهم خواهد بود. اگر خطوط جاده با استفاده از یک رنگ خاص (بیشتر سفید یا زرد) مشخص شده باشند، می توان آنها را مستقیماً با استفاده از ویژگی RGB استخراج کرد.

مقادیر RGB رنگ مدل سه بعدی را بیان می کنند و با استفاده از تصاویر از نرم افزار پردازش تصویر منتقل می شوند. در برخی موارد، به ویژه در جاده های محلی، خطوط جاده ممکن است با رنگ خاصی مشخص نشده باشند یا خط کشی های جاده آسیب دیده و پیوسته نباشند. در چنین مواردی، چندین روش – مانند الگوریتم‌های بهبود یافته مبتنی بر نمودار Voronoi – می‌تواند برای استخراج خط وسط جاده و خط‌ها با استحکام و دقت بیشتری معرفی شود.

«پروفایل جاده» به بخش عمودی گرفته شده در امتداد محور تراز (خط مرکزی) جاده اشاره دارد. تجزیه و تحلیل شیب جاده مهم است زیرا در صورت یخ زدگی می تواند منبع خطر باشد.

پروفایل های جاده را می توان از طریق DSM استخراج کرد. داده های DSM را می توان از ابرهای نقطه سه بعدی با استفاده از الگوریتم های درون یابی مختلف تولید کرد. یکی از متداول ترین الگوریتم های درون یابی، وزن معکوس فاصله (IDW) است. مقادیر ارتفاع به صورت شطرنجی در DSM ثبت می شود. سپس، بعد Z خط مرکز جاده از DSM استخراج می شود تا مشخصات جاده را به راحتی و با دقت به دست آوریم (شکل 3 را ببینید).

مقاطع عرضی جاده ایجاد یک سکوی جاده با شیب های خاص عمود بر خط مرکزی راه را فراهم می کند. همچنین مقاطع برای انتقال آب از سطح جاده به کنار جاده و طراحی کانال های زهکشی در کنار جاده مهم هستند. به طور مشابه، بعد Z خطوط عمود بر خط مرکز جاده از DSM استخراج می شود تا مقاطع عرضی جاده به راحتی و با دقت به دست آید (شکل 3 را ببینید).

شکل 3: خط مرکز راه، پروفیل و استخراج مقطع.

در نهایت، پریشانی جاده را می توان از ابرهای نقطه سه بعدی نیز تشخیص داد. تشخیص دقیق پریشانی جاده یک ورودی مهم برای اقدامات تعمیر و نگهداری است. نگهداری و تعمیرات به موقع باید انجام شود تا عمر سرویس جاده افزایش یابد و راحتی و ایمنی جاده برای رانندگان به حداکثر برسد.

علاوه بر این، تعمیرات و نگهداری به موقع ممکن است هزینه های طولانی مدت را کاهش دهد. روش‌ها و تکنیک‌های مختلف قادر به تشخیص خودکار پریشانی جاده هستند (شکل 4 را ببینید).

شکل 4: بازرسی آسیب جاده.

نتیجه گیری

پهپادها علاوه بر کاربرد در سایر رشته‌ها، در بررسی و تولید انواع اطلاعات به‌روز جاده‌ای اهمیت زیادی دارند. به طور خاص، استفاده از پهپادها در پروژه‌های جاده‌ای در سال‌های اخیر افزایش یافته است زیرا آنها می‌توانند نقش مهمی در کنترل موجودی و ایمنی جاده‌ها، بررسی‌های مکرر زمین و تجزیه و تحلیل شبکه‌های جاده‌ای پایدار، و نقشه‌برداری و طرح‌ریزی فعالیت‌ها ایفا کنند.

استخراج خودکار اطلاعات با نرم افزارهای بسته کوچک و همچنین نرم افزارهای سنتی GIS بسیار موثر است. در نتیجه، امکان استخراج اطلاعات در مورد ساخت و ساز جاده، موجودی و محیط جاده از داده های مبتنی بر پهپاد وجود دارد. اجتناب ناپذیر است که در آینده نزدیک، استفاده از سیستم های پهپاد جایگاه خود را به عنوان یک روش اندازه گیری ضروری در ساخت و ساز جاده ها و تولید سایر اطلاعات جاده ای حفظ کند.

بیشتر بخوانید

“داده های جغرافیایی هنوز به اندازه کافی برای بهبود زندگی مردم استفاده نمی شود”

مصاحبه Lynn Radford  با دکتر نادین علامه، مدیرعامل کنسرسیوم فضایی باز (OGC)

در اواسط دهه 1990، نرم افزار سیستم اطلاعات جغرافیایی (GIS) به طور فزاینده ای در حوزه منابع طبیعی و دفاعی مورد استفاده قرار گرفت. با این حال، هزینه های بالا، انعطاف ناپذیری و ناتوانی در به اشتراک گذاری داده های مکانی بین سیستم ها باعث ناامیدی شدید می شد، زیرا کاربران مجبور به استفاده از روش های ناکارآمد، زمان بر و مستعد انتقال داده بودند.

این منجر به ایجاد کنسرسیوم فضایی باز (OGC) برای توسعه استانداردهای بین المللی برای قابلیت همکاری شد. امروزه، استانداردهای جامعه OGC مبنای ایجاد رابط های باز و رمزگذاری در محصولات و خدمات مبتنی بر مکان برای استفاده در سراسر جهان را تشکیل می دهد. در این مصاحبه، دکتر نادین علامه، مدیر عامل OGC، پیشرفت هایی را که در طول سه دهه گذشته به دست آمده است، و آنچه هنوز باید انجام شود تا اطلاعات جغرافیایی واقعاً به نفع کل جامعه «قابل یافتن، در دسترس، قابل استفاده و قابل استفاده مجدد (FAIR)» شود را منعکس می کند.

کنسرسیوم فضایی باز در اواسط دهه 1990 تاسیس شد. بخش ژئوفضایی از آن زمان تاکنون چگونه تکامل یافته است؟

صادقانه بگویم، داده‌های جغرافیایی به قدری گسترده مورد استفاده قرار گرفته‌اند و بیش از همیشه در بسیاری از صنایع، کارکردها و حوزه‌ها بین رشته‌ای هستند که مطمئن نیستم دیگر چیزی به نام «بخش جغرافیایی» وجود داشته باشد. شما نمی توانید آن را به عنوان یک صنعت مستقل ببینید – geospatial همه جا وجود دارد. اما برای اینکه داده‌های مکانی واقعاً مفید باشند، همیشه باید به یک مشکل خاص در یک حوزه خاص مانند حمل و نقل، هوانوردی، کشاورزی یا موارد دیگر مرتبط باشند.

جامعه جهانی با چالش‌های عمده‌ای مواجه است که بسیاری از آن‌ها به تغییرات آب و هوایی مربوط می‌شوند، و داده‌های مکانی می‌توانند نقش مهمی در کمک به رفع بسیاری از این چالش‌ها داشته باشند. اما هیچ کس تمام داده ها را ندارد، بنابراین باید آنها را با یکدیگر مبادله کنیم. در عین حال، شرکت های BigTech اکنون اغلب داده های بهتری نسبت به دولت ها دارند.

این یک پویایی جالب ایجاد می کند و آژانس های نقشه برداری ملی را وادار می کند تا خود را دوباره اختراع کنند و خود را برای همکاری بیشتر باز کنند، زیرا متوجه می شوند که نوآوری باید از مشارکت های دولتی و خصوصی (PPPs) حاصل شود. من فکر می کنم این بهترین زمان برای حضور در فضای مکانی است!

OGC چگونه با این همگام است؟

زمانی که ما 28 سال پیش تاسیس شدیم، هدف ایجاد یک انجمن بی طرف برای دولت، دانشگاه و صنعت برای همکاری در استانداردهای باز برای افزایش قابلیت همکاری جغرافیایی در همه سیستم ها بود. تمرکز عمدتاً بر جنبه‌های فنی مرتبط کردن سیستم‌های مختلف به منظور تبادل داده بود. اما اگر تغییر نکنید، شکست می خورید، بنابراین OGC در طول سال ها تغییر کرده است، اگرچه برای مدت طولانی ما هنوز عمدتاً به دلیل استانداردهای خود شناخته شده بودیم.

از زمانی که سه سال پیش وارد هیئت شدم، تلاشی عمدی انجام دادیم تا از «چی» فاصله بگیریم و بیشتر روی «چرا» تمرکز کنیم: کمک به اعضای خود برای حل جمعی مشکلات با استفاده از داده‌های مکانی مبتنی بر استانداردها و نوآوری.

با در نظر گرفتن مشکلات آنها به عنوان نقطه شروع، سپس به استانداردهایی که در حال حاضر داریم و هنوز باید آنها را توسعه دهیم نگاه می کنیم – زیرا همه چیز آنقدر جدید است که استانداردهای مرتبط گاهی حتی هنوز وجود ندارند. فراتر از آن، ما شکاف‌های قابلیت همکاری را با بهترین شیوه‌ها در مورد نحوه استفاده از استانداردها و آزمایش‌های انطباق پر می‌کنیم تا اطمینان حاصل کنیم که محصولات یا راه‌حل‌ها واقعاً از استانداردها استفاده می‌کنند.

ما همچنین تعهد خود را برای کاهش موانع تشدید می کنیم تا مردم بتوانند از داده های مکانی در همه صنایع استفاده کنند. به عنوان مثال، ما اکنون بومی ابر شده‌ایم، با درک اینکه چگونه «ابر» باعث ایجاد یک تغییر اساسی در نحوه ذخیره، اشتراک‌گذاری، دسترسی، ادغام و تجزیه و تحلیل داده‌های مکانی می‌شود. به طور کلی، ما در تلاش هستیم تا پایه استانداردهای خود را مدرن‌سازی کنیم تا آنها را برای توسعه‌دهندگان دوست‌دارتر کنیم – بازار انبوه‌تر – به طوری که شما بتوانید APIهای جغرافیایی را با داده‌های دیگر ترکیب و مطابقت دهید تا از تصمیم‌گیری‌تان پشتیبانی کند، بدون اینکه متخصص جغرافیایی باشید.

ما امیدواریم که دانشمندان کامپیوتر، توسعه دهندگان نرم افزار و بسیاری دیگر که تا کنون آن را به عنوان “داده های مکان” به جای “داده های مکانی” می شناسند، یاد بگیرند که برای اتصال نقطه ها ما را به عنوان جامعه پیشرو با ابزارها، دانش و داده هایی ببینند که می تواند کار را برای آنها آسان تر کند.

دکتر نادین علامه، مدیر عامل کنسرسیوم فضایی باز (OGC): «داده‌های جغرافیایی در بسیاری از جنبه‌های جامعه حیاتی است؛ به پیش‌بینی و واکنش به تغییرات آب‌وهوایی و بلایای طبیعی، زیرساخت‌های داده‌های مکانی دریایی برای حفاظت از اقیانوس‌هایمان فکر کنید، و البته همه ما نقش آن را در نظارت و مدیریت بیماری‌ها دیدیم. – در طول همه‌گیری کووید-19 گسترش یافته است.”

چگونه همه اینها پایه عضویت شما را تغییر می دهد؟

تعداد اعضای ما نه تنها در حال افزایش است – از 450 به 580 نفر در سال گذشته – بلکه در حال متنوع شدن است. در گذشته، صنعت، دولت ها و دانشگاه ها هر کدام یک سوم از کل را تشکیل می دادند، اما اکنون 42 درصد از اعضای ما از صنعت هستند و بسیاری از آنها استارتاپ هستند. ما باید تا جایی که می توانیم فراگیر باشیم، زیرا فضای جغرافیایی دیگر در گوشه ای نیست. و این ترکیبی از مشاغل جوان و نوآور در کنار شرکت‌ها و دولت‌های سنتی‌تر و بزرگ‌تر، تضمین می‌کند که ما به حرکت رو به جلو ادامه می‌دهیم.

جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا

OGC چگونه به استفاده از داده های مکانی برای خیر جامعه کمک می کند؟

خب، داده های مکانی در بسیاری از جنبه های جامعه حیاتی است. به پیش بینی و واکنش به تغییرات آب و هوایی و بلایای طبیعی فکر کنید، برای زیرساخت های داده های مکانی دریایی برای محافظت از اقیانوس های ما، و البته همه ما نقش آن را در نظارت و مدیریت شیوع بیماری در طول همه گیری COVID-19 دیدیم. انجمن بین رشته‌ای ما در سراسر جهان، مردم، جوامع و فناوری‌ها را به هم متصل می‌کند تا به آنها در حل این چالش‌های جهانی و رفع نیازهای روزمره کمک کند.

و ماموریت ما در ساخت بلوک‌های ساختمانی – یعنی داده‌های مکانی – «قابل یافتن، در دسترس، قابل همکاری و قابل استفاده مجدد (FAIR)» با استفاده از استانداردها، این را ملموس می‌کند. مهمتر از همه، از آنجایی که استانداردهای ما به غیر از اعضای ما برای همه افراد و سازمان‌های دیگر باز است، OGC در نهایت به مزایا برای همه سرعت می‌بخشد.

به طور متوسط، 70 درصد از زمان پروژه های یکپارچه سازی داده ها صرف آماده سازی داده ها می شود، بنابراین با سهولت دسترسی سازمان ها – و حتی کارشناسان غیرمکانی – برای حل این مشکلات، به داده های قابل استفاده برای حل این مشکلات صرفه جویی می کنیم. از پول و تن از زمان. علاوه بر این، من فکر می کنم مهم است که به این نکته اشاره کنیم که داشتن داده های بسیار با مسئولیت خاصی همراه است.

ما مفتخریم که یکی از اولین سازمان‌هایی هستیم که منشور Locus را امضا کرده است، که استفاده مسئولانه از داده‌های موقعیت مکانی را ترویج می‌کند، و ما به طور منظم جلساتی را برای ایجاد آگاهی در مورد استفاده اخلاقی از داده‌ها در میان اعضای خود برگزار می‌کنیم و مناطقی را که ممکن است مورد سوء استفاده قرار گیرند را مشخص کنیم. .

جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا

اما من حدس می‌زنم سازمان شما به تنهایی نمی‌تواند این کار را انجام دهد؟

درست است! ما متخصص در زمین فضایی هستیم، اما نمی توانیم در هر حوزه ای متخصص باشیم. برای مثال یک پروژه شهر هوشمند را در نظر بگیرید. این شامل طیف گسترده ای از جنبه ها مانند سنسورها، آب و هوا، انرژی و ویژگی های متحرک است. بنابراین، علاوه بر اعضای خود، ما حدود صد شریک اتحاد داریم: هم در سطح فنی و هم در کارشناسان حوزه. به این ترتیب، ما می توانیم از همان ابتدا شرکای متخصص مربوطه را درگیر کنیم. علاوه بر این، مسائلی مانند تغییرات آب و هوایی به جهان توسعه یافته محدود نمی شود، بنابراین ما مشتاق هستیم به کشورهای در حال توسعه نیز کمک کنیم تا سرعت خود را افزایش دهند.

این مستلزم کار در بالاترین سطح دولت است، مانند ISO، IHO، USGS، NASA، ESA و UN-GGIM. اما در حالی که ما در سطح جهانی فعال هستیم، مشکلات فوری معمولاً محلی هستند. اینجاست که انجمن های منطقه ای ما وارد می شوند و از گفتگوها و اقدامات در مورد مواردی مانند قرارداد سبز و افق 2022 در اروپا، قانون جدید داده های جغرافیایی در ایالات متحده، SDI قطب شمال در کانادا، ظرفیت سازی و ترجمه اسناد در آمریکای لاتین حمایت می کنند. ، و غیره.

علاوه بر این، ما میزبان حدود 70 گروه کاری مختلف در حوزه های مختلف، از بلایا و آب و هوا گرفته تا دوقلوهای دیجیتالی هستیم. این رویکرد اعضای ما را قادر می‌سازد تا افراد دیگری را با مسائل و اهداف مشابه بیابند، گرد هم آیند و عمیق‌تر بگردند یا بینش‌هایی را در مورد موارد استفاده خاص به اشتراک بگذارند – چه در حوزه خود یا در منطقه خود.

به عنوان بخشی از تعهد ما به گشودگی و به اشتراک گذاری دانش، هر کارمند هر سازمان عضو – بزرگ یا کوچک – می تواند از پورتال برای جستجوی اعضای دیگر استفاده کند، در جلسات سه ماهه اعضا در سراسر جهان شرکت کند – که علاوه بر شبکه سازی عالی هستند. به هر حال، جلسات واقعی – و به هر یک از گروه های کاری بپیوندید. من متوجه شده ام که استارت آپ ها به خصوص از عضویت در این جامعه از نظر به دست آوردن اعتبار و اعتماد بیشتر سود می برند. بعلاوه رعایت استانداردهای بین المللی شناخته شده، ارتباط مشتریان بالقوه را چه از لحاظ فنی و چه غیر فنی آسان تر می کند.

جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا جغرافیا

جغرافیا
نادین علامه می‌خواهد OGC به عنوان خانه همه چیز مربوط به داده‌های مکانی در نظر گرفته شود – مکانی که می‌توانید با دیگران ارتباط برقرار کنید، تصمیم بگیرید از کدام فناوری استفاده کنید، استارت‌آپ‌های جدید بیابید، به شکل‌دهی استراتژی‌های دولتی کمک کنید و به توسعه استانداردها کمک کنید… بخشی فعال از یک جامعه هستید

صنعت زمین فضایی در حال حاضر چقدر به عادلانه شدن داده ها کمک می کند؟ و چه کارهای بیشتری باید انجام شود؟

فناوری به سرعت در حال پیشرفت است و نوآوری ها در حال افزایش هستند – مانند محاسبات ابری، رایانش لبه، 5G، اینترنت اشیا، هوش مصنوعی و اکتشاف فضا – اما هزینه های بلایا نیز در حال افزایش است، بنابراین به نظر می رسد که هنوز از داده ها برای تا چه حد می تواند زندگی مردم را در این سیاره بهبود بخشد. «FAIR» دلایل این امر را خلاصه می‌کند: اطلاعات اغلب هنوز به سختی یافت می‌شوند، دسترسی به آن سخت است، ادغام آن دشوار است و تکرار آنچه در گذشته کارآمد است، دشوار است.

این در جریان سیل اخیر در آلمان و آتش سوزی های جنگلی در کالیفرنیا بسیار مشهود بود. خانه‌ها و زندگی‌ها صرفاً به این دلیل ویران شدند که اطلاعات درست به موقع در دسترس نبود، یا اگر بود، هیچ‌کس نمی‌دانست با سرعت کافی با آن چه کند. من فکر می‌کنم یکی از دلایلی که ما به اندازه کافی پیشرفت نمی‌کنیم این است که بسیاری از شرکت‌ها هنوز بیش از حد فرصت‌طلب هستند و در تلاش برای بازدهی کوتاه‌مدت هستند. ما می‌توانیم با همکاری یکدیگر به چیزهای بیشتری دست یابیم، اما هنوز تعداد کمی از مدیران کسب‌وکار چنین فکر می‌کنند. بنابراین ما به رهبری بیشتری نیاز داریم. این در مورد داشتن یک دیدگاه بلند مدت است.

به هر حال، این برای دولت‌ها نیز صادق است، که هنوز هم بزرگترین مشتریان پروژه‌های زمین‌فضایی هستند. در حالت ایده‌آل، آن‌ها باید در تشویق شرکت‌هایی که سرمایه‌گذاری می‌کنند – و به‌ویژه استارت‌آپ‌ها – به سازمان‌هایی مانند OGC بپیوندند تا قبل از اینکه همه چیز به یک آشفتگی بزرگ تبدیل شود، در اکوسیستم بزرگ‌تر قرار بگیرد. زیرا قابلیت همکاری یک مشکل کوتاه مدت نیست. بیایید صادق باشیم… ساختن چیزی که به عنوان یک راه حل مستقل کار کند بسیار آسان است، اما پس از آن ما فقط با منابع داده متعددی مواجه می شویم که با یکدیگر صحبت نمی کنند. به عنوان مثال، ما شاهد پروژه های ماهواره ای تک ماموریتی هستیم.

اما تفکر بزرگ و احساس مسئولیت جهانی شرکت کجاست؟ ما باید بنشینیم و داده‌ها را در مقطعی قابل اجرا کنیم، و انجام این کار در حال حاضر آسان‌تر است به جای پنج سال که هزینه بیشتری دارد. این مستلزم تعهد بیشتر به همکاری و مشارکت بیشتر است تا افراد مناسب بتوانند از همان ابتدا در توسعه استانداردها مشارکت داشته باشند. تنها در این صورت است که می توانیم هماهنگ کردن سیلوها و اطمینان از اینکه آنها می توانند با یکدیگر صحبت کنند، شروع کنیم. این امر نوآوری را سرعت می بخشد و پای را برای همه رشد می دهد.

فرآیند توسعه یک استاندارد بین المللی جدید شامل چه مواردی است؟

تولید یک استاندارد OGC که شامل فرآیند توسعه محتوای فنی مبتنی بر اجماع بین‌المللی بسیار رسمی و نسبتاً طولانی است که با بررسی شدید و رای‌گیری رسمی، توسط چهار کمیته مدیریت می‌شود. با این حال، همه چیز در سال 2022 به قدری سریع پیش می رود که امروزه هیچ کس نمی تواند وقت خود را تلف کند، بنابراین ما روند را تغییر داده و آن را بسیار چابک تر کرده ایم. در برنامه نوآوری ما، یک استاندارد می تواند توسط هر گروهی از اعضا آغاز شود.

آنها گرد هم می آیند و در یک فرآیند تحقیق و توسعه مشترک بر روی چالش های فضایی در دنیای واقعی در یک سری از سرعت ها، در یک سری از بسترهای آزمایشی یا پروژه های آزمایشی کار می کنند. مستندات کار آنها به استانداردی مناسب برای توسعه‌دهندگان تبدیل می‌شود، از جمله کد، نمونه‌ها و قطعه‌های قابل استفاده مجدد. بسترهای آزمایشی برای آزمایش‌های فنی مانند توسعه API، هوش مصنوعی و یادگیری ماشینی، جریان داده‌های سه بعدی، سیستم‌های مرجع هماهنگ برای فضا، یکپارچه‌سازی حسگرها و آزمایش‌های بومی ابری هستند – این موارد بسیار آینده‌نگر است!

این به کارشناسان در سراسر جهان اجازه می دهد تا با آزمایش محصولات و ایده های خود در عمل، نوآوری را تسریع بخشند. و البته هدف نهایی توسعه طرحی است به طوری که در صورت وقوع سیل یا بلایای طبیعی دیگر، بتوانید تحت فشار زمان به اطلاعات آماده برای تصمیم گیری دسترسی داشته باشید تا مجبور نباشید هر بار از صفر شروع کنید. ما در حال حاضر 30 عضو مختلف داریم که روی ایجاد چنین طرحی برای سیل کار می کنند و برنامه هایی برای انجام همین کار برای آتش سوزی های جنگلی، خشکسالی و بیماری های همه گیر وجود دارد.

مشارکت OGC در انجمن استانداردهای Metaverse که اوایل امسال راه اندازی شد چیست؟

متاورس شاید آخرین دوقلوی دیجیتالی توزیع شده جهان باشد: نه تنها دنیای واقعی را به صورت سه بعدی شبیه سازی می کند، بلکه در واقع آن را در یک محیط 4 بعدی کاملاً غوطه ور تکرار می کند که خطوط بین واقعی و مصنوعی را محو می کند. با این حال، متاورس یک چیز واحد نیست، بلکه مانند اینترنت، مجموعه‌ای از پلتفرم‌ها و فناوری‌ها است. به این ترتیب، برای اطمینان از همکاری همه چیز برای تشکیل یک کل منسجم، استانداردهای باز، دانش و بهترین شیوه ها برای موفقیت آن کاملاً اساسی خواهد بود.

با این حال، به عنوان یک فناوری جدید، بسیاری از استانداردهایی که برای حل مشکلات در متاورژن مورد نیاز خواهند بود، هنوز وجود ندارند. به همین دلیل است که ما انجمن استانداردهای Metaverse را تأسیس کردیم. داده‌های مکانی در متاورژن ضروری خواهند بود: داده‌های رصد زمین، داده‌های ارتفاع سه بعدی، داده‌های حمل‌ونقل، اطلاعات ساختمان‌ها، شمارش درختان، دوقلوهای دیجیتالی اقیانوس، مناطق شهری و غیره. و جامعه OGC می‌تواند در زمینه‌های سه بعدی، مدل‌سازی و شبیه‌سازی، هوش مصنوعی، جریان، واقعیت‌های افزوده و مجازی، مسیریابی، نقشه‌برداری و موارد دیگر – همه در مقیاس، تخصص داشته باشد.

بنابراین، ما در حال راه اندازی یک گروه کاری Geo for Metaverse هستیم تا گفتگو با طراحان و توسعه دهندگان در جامعه metaverse را در مورد استفاده از داده های مکانی بلادرنگ، از جمله در برنامه های گیمیفیکیشن، تسهیل کنیم. از وزش باد از میان درختان گرفته تا امواج روی آب، اثرات می‌توانند بر اساس داده‌های واقعی و نه فقط یک ماکت باشند… احتمالات بسیار زیاد و بسیار هیجان‌انگیز هستند.

آرزوهای شما برای آینده چیست؟

من می‌خواهم OGC به عنوان خانه همه چیز مربوط به داده‌های مکانی در نظر گرفته شود – مکانی که می‌توانید با دیگران ارتباط برقرار کنید، تصمیم بگیرید که از کدام فناوری استفاده کنید، استارت‌آپ‌های جدید پیدا کنید، به شکل‌دهی استراتژی‌های دولتی کمک کنید و به توسعه استانداردها کمک کنید… جایی که در آن هستید. بخشی فعال از یک جامعه من مایلم عضویت ما دو یا حتی سه برابر شود – نه فقط برای تعداد، بلکه به این دلیل که یک پایگاه عضویت گسترده‌تر از اکوسیستم بسیار بزرگ‌تر پشتیبانی می‌کند.

و در نهایت، من می‌خواهم OGC به‌جای استانداردهای ما به خاطر تأثیر ما شناخته شود. چه در زمینه آب و هوا یا همه‌گیری، من از ما می‌خواهم که درک و انعطاف‌پذیری جهان را با اطمینان از عادلانه بودن داده‌های مکانی تسریع کنیم تا دانشمندان بتوانند بر آنچه که بهترین انجام می‌دهند تمرکز کنند. اگر بتوانیم با هم در ایجاد پایه ای برای استانداردهای زمین فضایی بومی ابری موفق باشیم، ساده سازی اساسی تلاش و هزینه مورد نیاز برای اشتراک گذاری و استفاده از اطلاعات مکانی را تصور کنید.

انفجار نوآوری را به لطف در دسترس قرار دادن قدرت جغرافیایی برای همه تصور کنید. و تصور کنید که چگونه گرفتن بهترین شیوه‌ها برای داده‌های آماده تحلیل و جریان‌های کاری اطلاعات آماده تصمیم در نقشه‌ها می‌تواند تلاش‌های اجتنابی و کاهشی را برای محافظت از افراد بیشتری در سیاره ما در برابر بلایای آینده بهبود بخشد!

شبیه‌سازی‌ها نشان می‌دهند که برخورد ممکن است ماه را تنها در چند ساعت تشکیل داده باشد

ماه

اکثر تئوری ها ادعا می کنند که ماه از بقایای برخورد بین زمین و جسمی به اندازه مریخ به نام Theia تشکیل شده است که در طول ماه ها یا سال ها در مدار گرد آمده است. یک شبیه‌سازی جدید نظریه متفاوتی را مطرح می‌کند – ماه ممکن است بلافاصله، در عرض چند ساعت، زمانی که مواد زمین و Theia مستقیماً پس از برخورد به مدار پرتاب شد، شکل گرفته باشد.

میلیاردها سال پیش، نسخه‌ای از زمین ما که به نظر بسیار متفاوت از زمینی است که امروز در آن زندگی می‌کنیم، مورد اصابت جسمی به اندازه مریخ به نام Theia قرار گرفت – و از آن برخورد ماه شکل گرفت. اینکه دقیقاً چگونه این شکل‌گیری رخ داده، معمایی علمی است که محققان دهه‌ها بدون پاسخ قطعی آن را بررسی کرده‌اند.

بیشتر تئوری ها ادعا می کنند که ماه از زباله های این برخورد تشکیل شده است و در طول ماه ها یا سال ها در مدار ادغام می شود. یک شبیه‌سازی جدید نظریه متفاوتی را مطرح می‌کند – ماه ممکن است بلافاصله، در عرض چند ساعت، زمانی که مواد زمین و Theia مستقیماً پس از برخورد به مدار پرتاب شد، شکل گرفته باشد.

ژاکوب کگریس، محقق فوق دکتری در مرکز تحقیقات ایمز ناسا در دره سیلیکون کالیفرنیا و نویسنده اصلی مقاله در مورد این نتایج که در The Astrophysical Journal Letters منتشر شده است، می گوید: “این طیف جدیدی از مکان های شروع احتمالی را برای تکامل ماه باز می کند.” . ما وارد این پروژه شدیم بدون اینکه دقیقاً بدانیم نتایج این شبیه‌سازی‌های با وضوح بالا چه خواهد بود. بنابراین، علاوه بر چشم‌گشایی بزرگی که وضوح استاندارد می‌تواند پاسخ‌های گمراه‌کننده به شما بدهد، بسیار هیجان‌انگیز بود که نتایج جدید می‌تواند شامل شود. یک ماهواره وسوسه انگیز شبیه ماه در مدار.”

شبیه‌سازی‌های مورد استفاده در این تحقیق از جزئی‌ترین شبیه‌سازی‌ها در نوع خود هستند که در بالاترین وضوح از هر شبیه‌سازی برای مطالعه منشأ ماه یا سایر برخوردهای غول‌پیکر عمل می‌کنند. این قدرت محاسباتی اضافی نشان داد که شبیه‌سازی‌های با وضوح پایین‌تر می‌توانند جنبه‌های مهم این نوع برخوردها را از دست بدهند، و به محققان این امکان را می‌دهد تا رفتارهای جدیدی را مشاهده کنند که مطالعات قبلی نمی‌توانستند ببینند.

پازل تاریخ سیاره

درک منشاء ماه مستلزم استفاده از آنچه در مورد ماه می دانیم – دانش ما از جرم، مدار و تجزیه و تحلیل دقیق نمونه های سنگ ماه – و ارائه سناریوهایی است که می تواند به آنچه امروز می بینیم منجر شود.

تئوری‌های رایج قبلی می‌توانستند برخی از جنبه‌های ویژگی‌های ماه، مانند جرم و مدار آن را به خوبی توضیح دهند، اما با برخی اخطارهای عمده. یکی از معماهای برجسته این است که چرا ترکیب ماه بسیار شبیه به زمین است. دانشمندان می توانند ترکیب یک ماده را بر اساس امضای ایزوتوپی آن مطالعه کنند، که یک سرنخ شیمیایی از چگونگی و مکان ایجاد یک شی است. نمونه‌های قمری که دانشمندان توانسته‌اند در آزمایشگاه‌ها مطالعه کنند، بر خلاف سنگ‌های مریخ یا جاهای دیگر منظومه شمسی، نشانه‌های ایزوتوپی بسیار شبیه به سنگ‌های زمین را نشان می‌دهند. این باعث می‌شود که بسیاری از مواد تشکیل‌دهنده ماه در اصل از زمین آمده باشند.

در سناریوهای قبلی که تیا به مدار می‌پاشد و تنها با مواد کمی از زمین مخلوط می‌شود، کمتر احتمال دارد که چنین شباهت‌های قوی را ببینیم – مگر اینکه تیا از نظر ایزوتوپی نیز شبیه زمین باشد، اتفاقی غیرمحتمل. در این نظریه، مواد بیشتری از زمین برای ایجاد ماه استفاده می شود، به ویژه لایه های بیرونی آن، که می تواند به توضیح این شباهت در ترکیب کمک کند.

تئوری های دیگری برای توضیح این شباهت ها در ترکیب ارائه شده است، مانند مدل سینستیا – که در آن ما ه در داخل چرخشی از سنگ های تبخیر شده از برخورد تشکیل می شود – اما اینها احتمالاً برای توضیح مدار فعلی ماه تلاش می کنند.

این تئوری شکل‌گیری سریع‌تر و تک‌مرحله‌ای توضیحی تمیزتر و ظریف‌تر برای هر دو این مسائل برجسته ارائه می‌دهد. همچنین می تواند راه های جدیدی برای یافتن پاسخ برای معماهای حل نشده دیگر ارائه دهد. این سناریو می‌تواند ماه را در مداری گسترده قرار دهد که فضای داخلی آن کاملاً مذاب نیست و به طور بالقوه ویژگی‌هایی مانند مدار کج‌شده و پوسته نازک ما ه را توضیح می‌دهد – و آن را به یکی از جذاب‌ترین توضیح‌ها برای منشا ما ه تبدیل می‌کند.

نزدیک‌تر شدن به تایید اینکه کدام یک از این نظریه‌ها درست است، نیازمند تجزیه و تحلیل نمونه‌های ما ه آینده است که برای مطالعه از ماموریت‌های آتی آرتمیس ناسا به زمین بازگردانده می‌شوند. همانطور که دانشمندان به نمونه‌هایی از سایر بخش‌های ما ه و از اعماق زیر سطح ما ه دسترسی پیدا می‌کنند، می‌توانند نحوه تطابق داده‌های دنیای واقعی را با این سناریوهای شبیه‌سازی‌شده مقایسه کنند و آنچه را که آنها در مورد چگونگی تکامل ما ه بر روی آن نشان می‌دهند، مقایسه کنند. میلیاردها سال تاریخ…

یک منبع مشترک

فراتر از یادگیری بیشتر در مورد ماه، این مطالعات می تواند ما را به درک اینکه چگونه زمین خودمان به دنیای امروزی پناه دهنده حیات تبدیل شده است، نزدیک تر کند.

وینسنت اکه، محقق دانشگاه دورهام و یکی از نویسندگان مقاله می گوید: «هرچه بیشتر در مورد چگونگی پیدایش ماه بیاموزیم، بیشتر در مورد تکامل زمین خودمان کشف می کنیم. “تاریخ آنها در هم تنیده شده است – و می تواند در داستان های سیارات دیگر که توسط برخوردهای مشابه یا بسیار متفاوت تغییر کرده اند منعکس شود.”

کیهان مملو از برخوردها است — برخوردها بخش مهمی از چگونگی شکل گیری و تکامل اجسام سیاره ای هستند. بر روی زمین، ما می دانیم که تاثیر تیا و سایر تغییرات در طول تاریخ آن بخشی از چگونگی جمع آوری مواد لازم برای زندگی است. هرچه دانشمندان بهتر بتوانند آنچه را که در این برخوردها اتفاق می‌افتد شبیه‌سازی و تجزیه و تحلیل کنند، ما آمادگی بیشتری برای درک چگونگی تکامل یک سیاره به گونه‌ای که مانند زمین خودمان قابل سکونت است، خواهیم داشت.

این تحقیق یک تلاش مشترک بین ایمز و دانشگاه دورهام است که توسط گروه تحقیقاتی تأثیر غول سیاره ای مؤسسه کیهان شناسی محاسباتی پشتیبانی می شود. شبیه‌سازی‌های مورد استفاده با استفاده از کد منبع باز SWIFT، (SPH با وظایف ریز بین وابسته) اجرا شدند، که بر روی سرویس فشرده حافظه DiRAC (تحقیق توزیع‌شده با استفاده از محاسبات پیشرفته) (“COSMA”)، به میزبانی دانشگاه دورهام انجام شد.