بایگانی دسته: مطالب

“وظایف دیرینه شناسان و مورخان کلاسیک و باستان شناسان به طور قابل ملاحظه ای مشابه است – حفاری، رمزگشایی و زنده کردن بقایای وسوسه انگیز زمانی که هرگز نخواهیم دید.” – آدرین مایر

امواج گرما از زمین خاک آلود، خشک و ترک خورده بلند شد. مگس های سیاه ریز در اطراف چشم ها و صورت تیم وزوز می کردند. تنها سایه زیر سایبانی بود که در سراسر سنگر باز کم عمق نصب شده بود که در آن نیم دوجین نفر به آرامی لایه ها را از بین بردند. کثیفی زمان است. هر چه آدم عمیق‌تر می‌کند، زمان به عقب‌تر می‌رود.

لایه ای با قدمت 23000 سال در تقریباً دو فوت پایین در معرض دید قرار گرفته است که رد پای یک زن و یک کودک نوپا را آشکار می کند. داستانی از سفر مایلی او در میان گل و لای سفالی نرم را روایت می کند. در آن نزدیکی یک تنبل غول پیکر و گله ای از ماموت ها پرسه می زدند. این کشف علم را مجبور می‌کند تا جدول زمانی انسان‌هایی که در قاره آمریکای شمالی زندگی می‌کنند را دوباره تنظیم کند و آن را به دوران پلیستوسن حداقل 10000 سال پیش ببرد.

اکتشافاتی مانند این گنجینه هایی هستند که باستان شناسان به دنبال آن هستند. باستان شناسان دانشمندان هستند – بخشی شکارچی گنج و بخشی قصه گو. آنها زمینه را به تاریخ اضافه می کنند.

باستان شناس باستان شناس باستان شناس باستان شناس باستان شناس باستان شناس باستان شناس باستان شناس — گودالی حفر شده در خاک گچی قهوه‌ای در دریاچه پلایا در پارک ملی وایت سندز، رد پای انسان بیشتری را در زیر سطح نشان می‌دهد. (عکس: خدمات پارک ملی)

رادار نفوذ به زمین

فناوری های پیشرفته به اکتشافات جدید گذشته کمک می کند. حتی با وجود اینکه رد پاها زیر دو فوت خاک مدفون شده بودند، بدون دیدن فیزیکی آنها کشف شدند. رادار نافذ زمینی (GPR) این کشف را ممکن کرد. GPR در سال های اخیر پیشرفت های چشمگیری داشته است، همراه با پیشرفت هایی در انواع دیگر برنامه های سنجش از راه دور.

وضوح GPR همراه با عمقی که GPR می تواند اشیا را تشخیص دهد، بهبود یافته است. رایانه ها می توانند داده های GPR را به تصاویر سه بعدی پردازش کنند و نمایه عمقی از ناحیه اسکن شده را ارائه دهند. اینگونه رد پاها شناسایی شد.

علاوه بر GPR، محققان از مغناطیس‌سنج‌هایی استفاده کردند که اختلالات موجود در رسوب را تأیید می‌کنند، که می‌توان آن‌ها را به صورت سه بعدی، البته با وضوح بسیار پایین‌تر، تصویربرداری کرد.

رسوب خود حافظه ای دارد که اثرات وزن و حرکت حیوان را به شیوه ای زیبا ثبت می کند. توماس اوربان، دانشمند پژوهشی دانشگاه کورنل که رهبری تیم کشف را بر عهده داشت، به ما راهی برای درک بیومکانیک جانوران منقرض شده می دهد که قبلاً هرگز نداشتیم.

معمولاً یافته های باستان شناسی مربوط به استخوان ها و مصنوعات است. ردپاهای فسیل شده “شبح” انسان ها و دیگر موجودات، آنها را زنده می کند و نماهایی از گذشته زنده را ارائه می دهد.

در شرایط ایده آل، GPR می تواند به عمق 30 متر (98 فوت) برسد. دقت و دامنه GPR به نوع رسوب، میزان رطوبت و سایر مورفولوژی های زمین شناسی بستگی دارد. زیربنای فناوری GPR و مغناطیس‌سنجی، سیستم‌های اطلاعات مکانی قوی (GIS) هستند که رکورد دیجیتالی کشف را حفظ می‌کنند و امکان تحلیل‌های مکانی بیشتر را فراهم می‌کنند. پیشرفت در یادگیری ماشینی تشخیص آینده را بهبود می بخشد.

در جاهای دیگر در قاره آمریکا، پروژه ای در مکزیک از دهه 1990 با استفاده از GPR برای نقشه برداری از سنوت ها و سفره های زیرزمینی مورد استفاده مایاها در جریان بوده است. یک سیستم غار آبی زیرزمینی به طول 215 مایل – طولانی ترین در جهان – در شبه جزیره یوکاتان نقشه برداری شده است. غواصان با کاوش در این سنوت ها بقایایی از حیوانات عصر یخبندان، از جمله ببر و ماموت را پیدا کردند.

لیدار و ALS

Lidar (تشخیص نور و محدوده) اکتشافات بیشتری را با کمک هوش مصنوعی و یادگیری ماشین ممکن می کند. برای مثال، در جنگل‌های گواتمالا، لیدار شهر ناشناخته باستانی مایا، تیکال را آشکار کرد.

لیدار یک سنسور فعال است که ارتفاع زمین را اندازه گیری می کند. با استفاده از یک سیستم اسکن لیزری هوابرد (ALS) که روی هواپیما، هلیکوپتر یا پهپاد نصب شده است، پرتوهای لیزر دستگاه لیدار چشم انداز را اسکن می کند. این سیستم مدت زمانی را که طول می کشد تا پرتو به یک جسم روی زمین برسد و به عقب برگردد را محاسبه می کند.

نتیجه برای هر جسم زمینی که لیزر لمس می‌کند، یک نقطه ایجاد می‌کند و مسافت طی شده پرتو را محاسبه می‌کند. در طول یک اسکن، میلیاردها امتیاز جمع آوری می شود. سپس باستان شناسان زمین فضایی نقاط جمع آوری شده را در یک ابر نقطه ای پردازش می کنند (شکل 1). با انتخاب تنها نقاط طبقه بندی شده به عنوان زمین و آب، نقاط به یک تصویر شطرنجی تبدیل می شوند و باستان شناسان چشم اندازی از زمین برهنه زیر تاج درخت و پوشش گیاهی ارائه می دهند (شکل 2).

به این ترتیب، لیدار به عنوان یک راه غیر مخرب برای شناسایی سازندهای خاکی، حتی در جنگل های متراکم عمل می کند.

شکل 1. نرم افزار GIS میلیاردها نقطه لیدار را ادغام می کند. (تصویر: استفانی کلارک)

باستان شناس باستان شناس باستان شناس باستان شناس باستان شناس باستان شناس باستان شناس باستان شناس

شکل 2. نقاط لیدار به یک شطرنجی تبدیل می شوند که یک نمایش زمین برهنه از منظره را ارائه می دهد. (تصویر: استفانی کلارک)

باستان شناس باستان شناس باستان شناس باستان شناس باستان شناس باستان شناس باستان شناس باستان شناس

شکل 3. طبقه‌بندی مبتنی بر شیء مشتق از پیکسل، که با استفاده از یادگیری ماشین توسعه یافته است، سنگ‌های قبر بدون علامت را از تصاویر جمع‌آوری‌شده با پهپاد شناسایی می‌کند. (تصویر: استفانی کلارک)

تجزیه و تحلیل تصویر مبتنی بر شی

چالش با لیدار و تصاویر، حجم انبوه داده‌ها است که فراتر از محدوده آن چیزی است که یک انسان می‌تواند به صورت دستی بررسی کند. به دلیل اینکه ویژگی‌های باستان‌شناسی تا چه حد ضعیف هستند، جستجو اغلب نیازمند دستکاری مجموعه داده‌های تصویری با ترکیب باندهای چند طیفی و سپس ادغام آنها با داده‌های توپوگرافی است. برای کمک به این تلاش عظیم، هوش مصنوعی برای طبقه‌بندی مبتنی بر پیکسل و تجزیه و تحلیل تصاویر مبتنی بر شی (OBIA) برای برجسته کردن مناطق مورد علاقه برای مطالعه بیشتر استفاده می‌شود.

دیلن دیویس، دکتری. کاندیدای دانشگاه ایالتی پنسیلوانیا، پیشگام استفاده از OBIA برای یافتن کارهای خاکی مانند تپه‌های مدور، دیوارهای سنگی و جاده‌ها در بوفورت، کارولینای جنوبی بود. او از تصاویر NOAA با وضوح بالا که قبل از فصل طوفان 2008 از ساحل گرفته شده بود استفاده کرد.

باستان شناس باستان شناس باستان شناس باستان شناس باستان شناس باستان شناس باستان شناس باستان شناس

مقایسه شطرنجی: حلقه صدفی Sea Pines، جزیره هیلتون، کارولینای جنوبی. اعتبار: Dylan S. Davis، Matthew C. Sanger و Carl P. Lipo (2018): “تشخیص خودکار تپه با استفاده از تجزیه و تحلیل تصویر مبتنی بر لیدار و شی در شهرستان بوفورت، کارولینای جنوبی،” باستان شناسی جنوب شرقی [https://doi.org /10.1080/0734578X.2018.1482186]

در سطح محلی، باستان شناسان همین رویکرد را برای یافتن سنگ قبرها در گورستان های بدون علامت به کار می گیرند. یک سیستم طبقه‌بندی مبتنی بر شی مبتنی بر پیکسل به یک محقق کمک کرد تا به طور خودکار سنگ‌های قبر بالقوه را در یک گورستان با پوشش گیاهی متراکم شناسایی کند.
فناوری مورد استفاده برای OBIA برای کیلومتر شماری اینرسی بصری (VIO) نیز استفاده می شود. ناسا در حال آزمایش تکنیک های VIO برای کمک به فضانوردان در جهت یابی سطح ماه است (نگاه کنید به برنامه Artemis ناسا به سیستم مرجع فضایی ماه نیاز دارد). برای آرتمیس، VIO از دهانه های ماه به عنوان یک سیستم مرجع برای بدست آوردن موقعیت دقیق استفاده می کند.

دنیای سه بعدی مجازی

شاید یکی از مهم ترین کاربردهای فناوری برای تحقیقات و اکتشافات باستان شناسی، استفاده از جهان های غوطه ور سه بعدی مجازی باشد. کاوش در جهان‌های باستان به شکلی که ممکن است به نظر می‌رسیدند، بینش‌های بیشتری را به باستان‌شناسان و عموم مردم می‌دهد تا اکتشافات خود را تجربه کنند و ما را با تاریخ مرتبط کند.

سفر چند مایلی دختر جوانی که یک کودک نوپا را در 23000 سال پیش از یک چشم انداز عصر یخبندان حمل می کند، برای هر والدینی بسیار دور و در عین حال آشنا به نظر می رسد. این تصویر به اصل و نسب مشترک ما روح می بخشد. از طریق قدرت GIS و فن آوری های مدرن، او درست به قرن 21 قدم گذاشت.

«مردی که تاریخ را می شناسد و در آن ساکن است، بُعد جدیدی به وجودش می بخشد… او در همه زمان ها زندگی می کند. سن ها متعلق به اوست، همه برای او یکسان زندگی می کنند.» – ویلیام فلیندرز پتری

ویلیام تیولو متخصص ارشد اطلاعات هوانوردی برای اداره هوانوردی فدرال است. او در سال 2016 فارغ التحصیل برنامه بورسیه مدیریت FAA برای رهبران نوظهور و مربی برنامه مربی ملی FAA است. او در مأموریت ویژه ای در وزارت حمل و نقل ایالات متحده خدمت کرد و یک ابتکار ملی استراتژیک جغرافیایی را تحت اقتدار مشارکت داده های باز کاخ سفید رهبری کرد.

Tewelow یک متخصص سیستم های اطلاعات جغرافیایی (GISP) است که دارای مدرک در زمینه فناوری اطلاعات جغرافیایی و مطالعات اطلاعاتی است. او در حال حاضر مدرک کارشناسی ارشد خود را در زمینه رهبری سازمانی با تمرکز بر مدیریت عملکرد دریافت می کند.
تیولو پس از 23 سال خدمت به عنوان متخصص اطلاعات جغرافیایی و تصویربرداری، یک هوانورد دریایی، یک هواشناس و یک اقیانوس شناس تاکتیکی با کسب سه مدال دستاورد، از نیروی دریایی ایالات متحده بازنشسته شد. او در میان اولین افرادی در کشور بود که در حین کار در مرکز فضایی استنیس ناسا، گواهینامه تخصصی زمین فضایی را از وزارت کار ایالات متحده دریافت کرد. او متاهل است، از مسافرت کردن، ارتباط با مردم، حل مشکلات و علاقه مندی به فناوری جدید لذت می برد. نقل قول مورد علاقه او این است: "ذهن مردی که با یک ایده جدید تغییر کرده است، هرگز نمی تواند به بعد اصلی خود بازگردد." ~ الیور وندل هلمز

درباره نویسنده: William Tewelow، GISP
ویلیام تیلوو مدیر اداره هوانوردی فدرال (FAA) است. او فارغ التحصیل برنامه بورسیه مدیریت FAA و مربی برنامه ملی مربی FAA است. در حالی که در ماموریت ویژه در وزارت حمل و نقل ایالات متحده، Tewelow پروژه را برای جمع سپاری پایگاه داده آدرس ملی برای مشارکت داده های باز کاخ سفید رهبری کرد. او یک متخصص سیستم های اطلاعات جغرافیایی (GISP) و یک سخنران STEMnet محقق مریلند است.

او دارای مدرک تحصیلی در زمینه فناوری اطلاعات جغرافیایی و مطالعات اطلاعاتی از دانشگاه نظامی آمریکا است و در حال حاضر برای دریافت مدرک در زمینه رهبری سازمانی ثبت نام کرده است.

تیولو پس از 23 سال خدمت به عنوان متخصص اطلاعات جغرافیایی و تصویربرداری، یک هوانورد دریایی، یک هواشناس و یک اقیانوس شناس تاکتیکی از نیروی دریایی ایالات متحده بازنشسته شد. او در میان اولین افرادی در کشور بود که در حین کار در مرکز فضایی استنیس ناسا در می سی سی پی، گواهینامه تخصصی زمین فضایی را از وزارت کار ایالات متحده دریافت کرد.

شبکه بسیار ظریف برای رودخانه ها

دسامبر 6, 2022 مازیار اتوکش دیدگاه‌تان را بنویسید:

غنای گونه ای و ویژگی های آب های جاری در سراسر جهان چگونه به هم مرتبط هستند؟ این سوال توسط تیمی به سرپرستی سامی دومیش در موسسه Leibniz-Für Gewässerökologie und Binnenfischerei (IGB) در آلمان مطرح شده است.

شبکه بسیار ظریف برای رودخانه ها — رودخانه ایراوادی که توسط بیورن کریستین توریسن عکاسی شده است. تحت مجوز Creative Commons Attribution-Share Alike 3.0 Unported بازتولید شده است.

برای کمک به پاسخ به این سوال، محققان نقشه‌ای با بالاترین وضوح از سیستم‌های رودخانه‌ای جهان که تاکنون تولید شده است، تهیه کرده‌اند. این نقشه مبنایی را برای تجزیه و تحلیل دقیق از ویژگی‌های زیستگاه‌های رودخانه‌ای و نحوه ارتباط آنها فراهم می‌کند.

رودخانه‌ها راه نجات تمام خشکی‌های روی زمین هستند. این همچنین در نقشه ای که سامی دومیش با همکاری سایر محققان از IGB و دانشگاه ییل تهیه کرده است قابل مشاهده است: شبکه ای با شاخه های ظریف از بخش های بالقوه رودخانه در تمام قاره ها امتداد دارد. این نقشه بر اساس مجموعه داده های “Hydrography90m” است که محققان دو سال و نیم صرف ساخت آن بر روی یک ابر رایانه در دانشگاه ایالات متحده کردند.

نقشه برداری دقیق

البته این نقشه در نوع خود اولین نیست. رودخانه ها و توزیع آنها در سراسر جهان در حال حاضر در مدل های متعدد نشان داده شده است. همه این نقشه ها بر اساس داده های ماهواره ای از نقش برجسته های توپوگرافی است: هر جا شکاف هایی در چشم انداز با ویژگی های خاص وجود داشته باشد، به طور بالقوه یک جریان آب نیز وجود خواهد داشت. و با این حال، هیچ مجموعه داده دیگری به اندازه Hydrography90m دقیق نیست.

سامی دومیش گفت: “ما یک مدل ارتفاعی با وضوح بالا از زمین گرفتیم و از نرم افزار منبع باز برای استخراج شبکه رودخانه از آن استفاده کردیم. برخلاف سایر مجموعه های داده قبلی، Hydrography90m همچنین بازوهای کوتاه و بسیار کوتاه آب های جاری را نقشه برداری می کند.” سطح دقت در نام است: کوتاه ترین واحد 90 متر طول دارد. از آنجایی که رودخانه های کوچک بیشترین سهم شبکه رودخانه های جهانی را به خود اختصاص می دهند (حدود 70%)، نقش مهمی در تنوع زیستی رودخانه ایفا می کنند.

مدل سازی دبی رودخانه ها

مجموعه داده ها در مجموع 726 میلیون بخش رودخانه بالقوه را شامل می شود. اصطلاح «پتانسیل» در این زمینه بسیار مهم است: سامی دومیش گفت: «در ابتدا، ما نمی‌دانیم رودخانه‌ها واقعاً کجا جریان دارند. دانشمند و تیمش در حال حاضر در حال مدل‌سازی دبی‌ها برای شناسایی رودخانه‌هایی هستند که در واقع آب را حمل می‌کنند – چه در طول سال یا به صورت متناوب.

برای انجام این کار، آنها از داده‌های 30000 ایستگاه سنجش در سراسر جهان استفاده می‌کنند که در آن‌ها مقادیری آب در بخش‌های تعریف‌شده رودخانه برای سال‌ها جمع‌آوری شده است. علاوه بر این، محققان به داده های جامع در مورد طیف گسترده ای از پارامترهای محیطی مانند بارش، دما، کاربری زمین، ویژگی های خاک و شیب دسترسی دارند. در مدل، این پارامترها مربوط به مقادیر آب اندازه گیری شده در هر مورد است.

جوزپه آماتولی، نویسنده اصلی این مطالعه، گفت: “در این رابطه، ما با یادگیری ماشین کار می کنیم. این بدان معناست که با هر مجموعه داده جدید، مدل ما در تشخیص اینکه کدام متغیرهای پارامتر مربوط به حجم آب است، بهتر و بهتر می شود.” اگر مدل کار کند، می‌توان آن را در تمام بخش‌های رودخانه در سراسر جهان اعمال کرد، حتی اگر ایستگاه سنجش نداشته باشند: در این حالت، مدل دبی احتمالی، یعنی مقدار آب رودخانه برای کل منطقه را از روی پارامترهای محیطی موجود محاسبه می‌کند.

اعتبارسنجی مدل

برای اعتبارسنجی مدل، محققان ابتدا آن را با 70 درصد از مجموعه داده‌های کمیت آب موجود تغذیه می‌کنند. پس از آموزش به این روش، مدل وظیفه تعیین مقادیر مناسب آب از پارامترهای محیطی 30 درصد باقیمانده را دارد. اگر این مقادیر به اندازه کافی با مقادیر اندازه گیری شده واقعی مطابقت داشته باشند، مدل به درستی عمل می کند – در غیر این صورت، مدل می تواند بهبود یابد.

با این حال، انحرافات سیستماتیک مدل همچنین می تواند به این معنی باشد که پارامترهای خاصی وجود دارد – که محققان هیچ داده ای برای آنها ندارند – که نقش مهمی دارند، یکی برداشت آب توسط انسان است. سپس مدل تطبیقی می‌تواند برای تعیین دبی تمام بخش‌های رودخانه در سراسر جهان استفاده شود.

سامی دومیش گفت: «به‌ویژه در مناطق خشک، این احتمال وجود دارد که رودخانه‌های حاوی آب به میزان قابل توجهی کمتر از آنچه مجموعه داده‌های ما نشان می‌دهد وجود داشته باشد. این فرض همچنین توسط یک مطالعه انجام شده توسط نویسندگانی که از مجموعه داده‌های HydroRIVERS با جزئیات کمتر استفاده کردند، پشتیبانی می‌شود. آنها تخمین زدند که تنها حدود 60 درصد از رودخانه های جهان به طور متناوب یا در طول سال آب را حمل می کنند.

این مدل به سوالات کلیدی پاسخ می دهد: رودخانه هایی که به طور دائم یا موقت آب را حمل می کنند چقدر طول می کشند؟ کجا تراکم جریان زیاد یا کم وجود دارد؟ و این چه تاثیری بر تنوع زیستی دارد؟ همچنین می توان در مورد سؤالاتی از این قبیل اظهارات مفصل داد زیرا Hydrography90m حوضه های آبریز بخش های رودخانه را در مقیاس بسیار کوچک ثبت می کند.

از آنجایی که داده های زیست محیطی در حال حاضر برای هر یک از این حوضه های 5 هکتاری موجود است، این داده ها می توانند برای توصیف وجود جوامع گونه ای استفاده شوند، به عنوان مثال، کدام داده های آب و هوایی یا شیب ها با آن جوامع مرتبط است. به عنوان مثال، مناطق مختلف جهان دارای آب و هوای مدیترانه ای هستند – نه تنها حوزه مدیترانه، بلکه برخی از بخش های ساحل غربی ایالات متحده نیز.

فقط شروع

تجزیه و تحلیل ترکیب گونه‌ها در آنجا محققان را قادر می‌سازد تا در مورد جغرافیای زیستی این زیستگاه‌ها نتیجه‌گیری کنند، یعنی اینکه کدام یک از اثرات زیست‌محیطی به وجود گونه‌های خاص کمک می‌کند. و این تازه شروع آن است:

سامی دومیش می‌گوید: «وقتی بدانیم چقدر آب در کجا جریان دارد، می‌توانیم تجزیه و تحلیل دقیقی از زیستگاه‌های رودخانه‌ای در سراسر جهان انجام دهیم، تا کوچک‌ترین بازوی رودخانه». حتی در نقاطی از جهان که عملاً برای انسان غیرقابل دسترس است.

تحقیقات خلاصه شده در اینجا در Earth System Science Data منتشر شده است

سنجش از دور, مطلب روز

مدلسازی و شبیه سازی شهرها با دوقلو دیجیتال Digital Twins؛ از داده های خام تا محصول نهایی

دسامبر 6, 2022 مازیار اتوکش دیدگاه‌تان را بنویسید:

نوشته: Anders Logg, Vasilis Naserentin

مفهوم Digital Twins یا دوقلو دیجیتال در سال‌های اخیر عملاً گسترده شده است، اما در محیط ساخته شده، اصطلاح سنتی مدت‌ها «مدل شهر سه‌بعدی» بوده است. با این حال، دوقلو دیجیتال به طور فزاینده ای به عنوان یک مفهوم مفید که فراتر از مدل های سه بعدی شهر گسترش می یابد، نه تنها برای مدل سازی، بلکه برای شبیه سازی شهرها نیز پذیرفته می شود. بنابراین دوقلو دیجیتال چیست، چگونه از آنها استفاده می‌شود و چه چالش‌هایی در بر دارند؟

مفهوم دوقلوی دیجیتال در سال های اخیر عملاً منفجر شده است، همانطور که با افزایش روزافزون تعداد مقالات علمی که از این مفهوم استفاده می کنند، مشهود است. این مفهوم از صنعت تولید سرچشمه می گیرد که در آن استفاده از مدل های CAD امکان ایجاد کپی دیجیتال دقیق از اجزا و محصولات را فراهم می کند. اولین استفاده از این اصطلاح به سال 2003 برمی گردد و اغلب به گریوز و ویکرز نسبت داده می شود، اما می توان ارجاعات قبلی به این مفهوم را یافت. مطمئناً، درک این موضوع که مدل‌های ریاضی و اخیراً دیجیتالی سیستم‌های فیزیکی از اهمیت زیادی هم برای علم و هم برای مهندسی برخوردار هستند به قرن‌ها قبل برمی‌گردد.

تعریف دوقلو دیجیتال Digital Twins

پس یک دوقلو دیجیتال چیست؟ هم در ادبیات علمی و هم بیشتر از آن، در روایت‌های تجاری، «دوقلو دیجیتال» یک مفهوم کاملاً کشسان است که برای برچسب‌گذاری فناوری‌ها یا سیستم‌هایی که ممکن است مطابق با همه معیارهای یک دوقلو دیجیتال باشند یا نباشند، استفاده می‌شود. آیا یک دوقلو دیجیتال نیاز به یک مدل سه بعدی دارد؟ آیا یک دوقلو دیجیتال باید داده‌های حسگر زمان واقعی را شامل شود؟ آیا یک دوقلو دیجیتال نیاز به مدل سازی و شبیه سازی ریاضی دارد؟

نگاهی به برخی از تعاریف متعددی که برای مفهوم دوقلو دیجیتال ارائه شده است، آموزنده و جالب است، زیرا به نظر می‌رسد برخی از همگرایی نسبت به یک تعریف پذیرفته شده جهانی وجود دارد. به عنوان مثال، اکثر تعاریف اکنون موافق هستند که یک دوقلو دیجیتال مدلی از یک سیستم فیزیکی است که سیستم فیزیکی را در زمان واقعی منعکس می کند و امکان تجزیه و تحلیل و پیش بینی سیستم فیزیکی را فراهم می کند. بنابراین می توان از دوقلو دیجیتال هم برای تجزیه و تحلیل سیستم فیزیکی (“آنچه هست”) و هم برای پیش بینی رفتار آینده آن تحت فرضیات داده شده (“چه چیزی ممکن است”) استفاده کرد.

این تعریف تا حدی با تعریف رشید و همکاران همپوشانی دارد. (2020): “یک دوقلو دیجیتال به عنوان یک نمایش مجازی از یک دارایی فیزیکی تعریف می شود که از طریق داده ها و شبیه سازها برای پیش بینی، بهینه سازی، نظارت، کنترل و تصمیم گیری در زمان واقعی فعال می شود.

” تعریف مشابهی توسط IBM استفاده شده است: “یک دوقلو دیجیتال نمایش مجازی یک شی یا سیستم است که چرخه حیات خود را در بر می گیرد، از داده های زمان واقعی به روز می شود و از شبیه سازی، یادگیری ماشین و استدلال برای کمک به تصمیم گیری استفاده می کند.” این دو تعریف اخیر بر دو فناوری تأکید دارند که ممکن است برای فعال کردن عملکرد پیش‌بینی دوقلو دیجیتال استفاده شوند: شبیه‌سازی و یادگیری ماشین.

مدلسازی و شبیه سازی شهرها با دوقلو دیجیتال Digital Twins؛ از داده های خام تا محصول نهایی — **شکل 1: جزئیات مرز یک مش حجمی چهار وجهی سه بعدی که از داده های ابر کاداستر و نقطه تولید می شود.**

تعریفی که اغلب در ادبیات قبلی در مورد دوقلو دیجیتال دیده می شود این است که توسط گلسگن و استارگل (2012): ” دوقلو دیجیتال یک شبیه سازی چندفیزیکی یکپارچه، چند مقیاسی و احتمالاتی از یک سیستم […] ساخته شده است که از بهترین فیزیکی موجود استفاده می کند.

مدل‌ها، به‌روزرسانی‌های حسگر، […]، برای منعکس کردن زندگی Twins[فیزیکی] متناظر آن.” تعریف ساده‌تری در ویکی‌پدیا ارائه شده است: «یک دوقلو دیجیتال یک نمایش مجازی است که به عنوان همتای دیجیتالی بلادرنگ یک شی یا فرآیند فیزیکی عمل می‌کند».

در حوزه شهرهای دیجیتال، استوتر و همکاران. (2021) بر استفاده از مدل‌های شهر سه بعدی به عنوان بخش اساسی یک دوقلو دیجیتال تأکید می‌کند: «[دوقلو دیجیتالها] باید بر اساس مدل‌های سه‌بعدی شهر، حاوی اشیایی با اطلاعات هندسی و معنایی باشد. باید حاوی داده های حسگر زمان واقعی باشد. و باید انواع تحلیل ها و شبیه سازی ها را ادغام کند تا بتواند بهترین تصمیمات طراحی، برنامه ریزی و مداخله را اتخاذ کند.

این تعریف یادآور سنت طولانی در محیط ساخته شده برای ایجاد مدل های سه بعدی از شهرها و ساختمان ها است، که ممکن است با داده های معنایی غنی شده و به عنوان مبنایی برای تجزیه و تحلیل، از جمله، به عنوان مثال، تحلیل نور روز و انرژی، و همچنین شبیه سازی استفاده شود.

مواردی مانند ترافیک، راحتی باد یا کیفیت هوا. در محیط ساخته شده، اصطلاح سنتی «مدل شهر سه بعدی» است، و به تازگی مفهوم دوقلو دیجیتال به عنوان یک مفهوم مفید و چیزی فراتر از مدل‌های سه بعدی شهر مورد پذیرش قرار گرفته است.

داده های خام

نقطه شروع برای ایجاد دوقلو دیجیتال یک شهر، دسترسی به داده های خام است. این داده ها ممکن است از اسکن های هوایی به شکل ابرهای نقطه ای ایجاد شوند. سپس ابرهای نقطه ای برای ایجاد مدل های شهر دو بعدی یا سه بعدی پردازش می شوند. دسترسی به داده ها بین کشورها متفاوت است و ممکن است همیشه باز یا آزادانه در دسترس نباشد.

در سوئد، Lantmäteriet، مرجع نقشه‌برداری، کاداستر و ثبت زمین سوئد، مجموعه‌ای از مجموعه‌های داده شامل ابرهای نقطه‌ای و نقشه‌های دوبعدی را برای کل سوئد (با پرداخت هزینه) ارائه می‌کند. در همین حال، مجموعه داده های دقیق تر و با کیفیت بالاتر، از جمله مدل های سه بعدی، در اختیار شهرداری های محلی است.

در هلند وضعیت متفاوت است. آدرس‌ها و ساختمان‌های 3D Baseregister (BAG) دسترسی رایگان و آزاد به مدل‌های سه بعدی را برای تمام ده میلیون ساختمان در کشور فراهم می‌کند. علاوه بر این، مجموعه داده به طور منظم و خودکار بازسازی می شود تا یک مدل سه بعدی به روز از کل کشور ارائه کند.

شکل 2: نتایج اولیه از شبیه سازی آسایش باد شهری توسط DTCC (در Unreal Engine ارائه شده است).

مدل های داده

برای ساختن یک دوقلو دیجیتالی با پیچیدگی و کاربرد، ضروری است در نظر بگیریم که کدام مدل داده برای تعریف دوقلو دیجیتال استفاده می شود. توجه داشته باشید که این با مدل(های) ریاضی مورد استفاده برای شبیه سازی و پیش بینی متفاوت است.

انتخاب مدل داده دیکته می‌کند که کدام داده می‌تواند نمایش داده شود، و کدام مواردی که ممکن است توسط دوقلو دیجیتال پشتیبانی شود. مدل داده اجرای یک هستی شناسی خاص است که به طور صریح یا ضمنی توسط پیاده سازی تعریف شده است. هستی شناسی نحوه توصیف و درک داده های دوقلو دیجیتال را از نظر کلاس ها، ویژگی ها و روابط تعریف می کند. چندین مدل داده و قالب‌های تبادل متناظر برای مدل‌سازی شهر پیشنهاد شده‌اند.

یکی از برجسته ترین آنها CityGML است که استانداردی از کنسرسیوم فضایی باز (OGC) است. فرمت CityJSON مرتبط (همچنین یک استاندارد OGC) یک رمزگذاری ساده شده و بسیار برنامه نویس پسندتر از مدل CityGML است.

مشترک بسیاری از مدل‌های داده برای مدل‌سازی شهر، مفهوم سطح جزئیات (LOD) است. این مفهوم، مدل داده را قادر می‌سازد تا نمایش‌های مختلف شهر را با سطوح مختلف جزئیات (رزولوشن هندسی) برای اهداف مختلف ذخیره کند.

وجود همزمان چندین سطح از جزئیات در یک دوقلو دیجیتال تأکید می کند که دوقلو دیجیتال در واقع مدلی از سیستم فیزیکی است که منعکس می کند، و نمایش دیجیتال و همچنین دقت آن توسط هر دو مورد استفاده که دوقلو دیجیتال برای آنها طراحی شده است دیکته می شود. ، کیفیت داده ها و منابع محاسباتی موجود.

شکل 3: تجسم یک دوقلو دیجیتال از پردیس دانشگاه صنعتی چالمرز در گوتنبرگ (در Unreal Engine ارائه شده است).

تولید داده

موارد استفاده مختلف از یک دوقلو دیجیتال اغلب به نمایش داده های بسیار متفاوتی نیاز دارند. برای مدل‌سازی یک شهر، اگر از یک معمار یا یک دانشمند محاسباتی سؤال شود، ممکن است درک آنچه که یک مدل سه بعدی با کیفیت بالا را تشکیل می‌دهد، بسیار متفاوت باشد. برای معمار، یک مدل سه بعدی با کیفیت بالا ممکن است به معنای مجموعه ای دقیق از شبکه های سطحی باشد که توپوگرافی شهر و هندسه ساختمان های آن را توصیف می کند.

مش های سطح ممکن است هم ناسازگار و هم ناسازگار باشند، زیرا مش ها بیشتر برای تجسم و محاسبات ساده مانند آنالیز نور روز استفاده می شوند. از سوی دیگر، برای یک دانشمند محاسباتی، یک مدل سه بعدی با کیفیت بالا ممکن است به معنای یک شبکه حجمی با وضوح پایین، برازش مرزی و منطبق باشد که ممکن است برای اجرای چیزهایی مانند شبیه‌سازی دینامیک جریان محاسباتی (CFD) استفاده شود.

تیم مرکز شهرهای دوقلو دیجیتال (DTCC) در سوئد در حال حاضر در حال توسعه یک پلتفرم منبع باز برای نمایش و تولید مدل های داده با کیفیت بالا برای دوقلوهای دیجیتال شهرها هستند. یکی از مراحل کلیدی، تولید شبکه‌های سطحی با کیفیت بالا و شبکه‌های حجمی چهاروجهی از داده‌های کاداستر و ابر نقطه‌ای با کارایی بالا است (شکل 1). این امکان تولید ساده و کارآمد مدل های سه بعدی را برای هر بخشی از سوئد (یا هر نقطه دیگری از جهان که داده های سازگار دارد) را فراهم می کند.

تولید مش در حال حاضر به مدل های LOD1 محدود شده است، به این معنی که ساختمان ها به صورت منشورهای چند ضلعی (بام های تخت) نشان داده می شوند. با این حال، کار برای گسترش نسل مش به مدل‌های LOD2، از جمله شکل‌های غیر مسطح پشت بام بر اساس تقسیم‌بندی سقف‌ها از عکس‌های ارتو با استفاده از تکنیک‌های یادگیری ماشین، در حال انجام است.

شکل 4: تجسم یک شبکه جاده به عنوان بخشی از دوقلوی دیجیتالی یک منطقه در مرکز گوتنبرگ (در Unreal Engine ارائه شده است).

مدل سازی و شبیه سازی

با وجود مش های محاسباتی که به راحتی برای هر شهری در دسترس هستند، طبیعی است که استفاده از مدل سازی و شبیه سازی مبتنی بر فیزیک را برای فعال کردن تجزیه و تحلیل و پیش بینی پیشرفته در نظر بگیریم. نمونه‌هایی از پدیده‌های فیزیکی که ممکن است در مطالعه شهرها مرتبط باشند عبارتند از آسایش باد شهری (شرایط باد در سطح خیابان)، کیفیت هوا، نویز، و میدان‌های الکترومغناطیسی (برای تحلیل پوشش شبکه).

یکی از نمونه‌های این شبیه‌سازی که در حال حاضر در DTCC بررسی می‌شود، شبیه‌سازی آسایش باد شهری است. این شبیه‌سازی از یک روش مرز غوطه‌ور برای معادلات رینولدز میانگین ناویر-استوکس (RANS) با استفاده از IPS IBOFlow استفاده می‌کند. تمرکز فعلی بر تأیید و اعتبارسنجی نتایج شبیه‌سازی برای مجموعه‌ای از موارد معیار شبیه‌سازی باد شهر است که قبلاً در تونل‌های باد مورد مطالعه قرار گرفته‌اند.

برخی از نتایج اولیه در شکل 2 نشان داده شده است. نمونه‌های دیگر از مدل‌سازی و شبیه‌سازی مبتنی بر فیزیک که در حال حاضر در DTCC مورد بررسی قرار می‌گیرند، شامل شبیه‌سازی کیفیت هوا، صدای خیابان، حرکت جمعیت و شبیه‌سازی ژئوتکنیکی بر اساس مدل‌های الاستوپلاستیک از خاک رس نرم است که مقدار زیادی را تشکیل می‌دهد. از زیرزمینی گوتنبرگ

تجسم

تجسم داده‌ها در مقیاس شهری، خود زمینه‌ای برای تحقیقات مداوم است. اطلاعات فیزیکی، مانند جریان باد و کیفیت هوا (به عنوان مثال، غلظت آلاینده ها)، باید به گونه ای ارائه شود که برای کاربر نهایی قابل درک باشد، اما بدون ساده سازی بیش از حد نتایج علمی. ارتباط موثر نتایج مستلزم چندین تکرار طراحی است که در آن محققین، توسعه دهندگان و کاربران نهایی/ذینفعان درگیر هستند.

DTCC به طور فعال با سهامداران اصلی مانند آژانس حمل و نقل سوئد در پروژه های تحقیقاتی همکاری می کند که چگونگی ارتباط بهترین نتایج شبیه سازی را با گروه های مختلف کاربر بررسی می کند. پروژه‌های تحقیقاتی در حال انجام در حوزه تجسم بر راه‌حل‌های مختلف برای اشتقاق داده، آماده‌سازی، بسته‌بندی، همگن‌سازی و انتشار تمرکز می‌کنند.

موتورهای گرافیکی مختلف آزمایش شده و مورد استفاده قرار می گیرند، به عنوان مثال، Unreal Engine و OpenGL، و همچنین پیاده سازی های مختلف برنامه های کاربردی وب مبتنی بر Mapbox، CesiumJS و Babylon.js.

شکل 5: تجسم داده های حجمی به عنوان بخشی از دوقلوی دیجیتالی یک منطقه در مرکز گوتنبرگ (در Unreal Engine ارائه شده است).

چالش های فنی

چالش‌های زیادی در ایجاد یک دوقلوی دیجیتالی از چیزی بسیار پیچیده مانند یک شهر وجود دارد. از آنجایی که شهر خود یک سیستم پیچیده است که نه تنها خیابان‌ها و ساختمان‌های شهر، بلکه ساکنان آن، اتومبیل‌های در حال حرکت در خیابان‌ها، تعامل با محیط اطراف (باد و آب) و همچنین زیرساخت‌های زیرزمینی را در بر می‌گیرد. – که گاهی اوقات نادیده گرفته می شود و در عین حال بسیار قابل توجه است – طبیعی است که ایجاد یک دوقلوی دیجیتالی شهر به همان اندازه پیچیده باشد.

بنابراین، وظیفه ساختن دوقلو دیجیتال به طور ضروری پروژه ای است که باید متخصصان بسیاری از رشته های مختلف را درگیر کند. چالش‌های فنی درگیر در ساختن دوقلو دیجیتال، هم شامل چالش‌های بین‌رشته‌ای در همکاری بین اعضای تیم از رشته‌های بسیار متفاوت و هم چالش‌های فنی درون رشته‌ای یا دامنه خاص از قبل ایجاد شده، مانند نحوه پیاده‌سازی یک حل‌کننده المان محدود با کارآمدترین روش برای یکی می‌شود.

از بسیاری از مدل‌های ریاضی که با هم مدل چندفیزیکی را تشکیل می‌دهند که دوقلوی دیجیتالی است.

چالش های غیر فنی

با کنار گذاشتن چالش‌های فنی، چالش‌های اصلی که تاکنون در DTCC تجربه شده‌اند، همگی به داده‌ها مربوط می‌شوند:

مالکیت داده در سراسر سازمان ها: داده ها اغلب نه رایگان هستند و نه باز. سازمان‌ها، حتی شهرداری‌ها، تمایلی به اشتراک‌گذاری آزادانه داده‌های خود ندارند، زیرا در مقطعی سرمایه‌گذاری قابل‌توجهی در جمع‌آوری و مدیریت آن انجام داده‌اند. این در نقاط مختلف جهان متفاوت است. در برخی موارد (مانند هلند)، داده ها در واقع رایگان و باز هستند.

دوقلو چون واقعیت دائما در حال تغییر است. تنها راه برای اتصال مجدد دوقلو دیجیتال به دوقلو فیزیکی، سرمایه گذاری در یک پروژه جدید و پرهزینه است. بنابراین، فرآیند ایجاد دوقلو دیجیتال باید به طور خودکار انجام شود تا بتوان آن را به طور مداوم بازسازی و بازسازی کرد.

کیفیت داده در بین رشته‌ها: همانطور که در مثال فوق الذکر از یک مش برای استفاده توسط یک معمار در مقابل یک دانشمند محاسباتی، یک مجموعه داده خاص ممکن است برای یک مورد خاص با کیفیت بالا در نظر گرفته شود، اما ممکن است برای موارد استفاده دیگر از کیفیت بسیار پایینی برخوردار باشد.

پایداری داده در طول زمان: ایجاد یک دوقلو دیجیتال باید به عنوان یک فرآیند درک شود تا به عنوان یک پروژه. نمونه‌های زیادی از شهرها، شهرداری‌ها و سایر سازمان‌ها وجود دارد که روی پروژه‌هایی برای ایجاد یک مدل سه بعدی یا حتی یک دوقلو دیجیتال سرمایه‌گذاری می‌کنند، اما چند سال بعد (یا حتی فقط چند ماه) متوجه می‌شوند که دوقلوی دیجیتال دیگر منعکس‌کننده شرایط فیزیکی نیست.

شکل 6: تجسم یک دوقلو دیجیتال از حومه گوتنبرگ (با استفاده از WebGL ارائه شده است).

سپاسگزاریها

این اثر بخشی از مرکز شهرهای دوقلو دیجیتال است که توسط آژانس نوآوری سوئد Vinnova تحت کمک مالی شماره 2019-00041 پشتیبانی می‌شود. نویسندگان می‌خواهند از اپیک گیمز برای تأمین مالی بخش‌هایی از این اثر با یک مگا گرانت Epic تشکر کنند. علاوه بر این، آنها از Sanjay Somanath، Daniel Sjölie، Andreas Rudenå و Orfeas Eleftheriou برای ارائه تصاویر موجود در اینجا سپاسگزاری می کنند. این مقاله بر اساس «شهرهای دوقلو دیجیتالی: مدل‌سازی چند رشته‌ای و شبیه‌سازی با عملکرد بالا شهرها» است که برای اولین بار در نسخه ژوئن 2022 خبرنامه ECCOMAS منتشر شد.

مطلب روز

آوردن تجزیه و تحلیل فضایی داده های بزرگ به ابر

دسامبر 5, 2022 مازیار اتوکش دیدگاه‌تان را بنویسید:

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.

خبر روز, سنجش از دور, مطلب روز

سفری به واقعیت جدید؛ برداشت‌ها از HxGN Live Global 2022

دسامبر 4, 2022 مازیار اتوکش دیدگاه‌تان را بنویسید:

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.

مطلب روز

راه های جدید برای دسترسی به BIG DATA در فضای ابری

دسامبر 3, 2022 مازیار اتوکش دیدگاه‌تان را بنویسید:

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:

مطلب روز

تأثیر ارزش جغرافیایی – بخش کشاورزی

دسامبر 2, 2022 مازیار اتوکش دیدگاه‌تان را بنویسید:

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

مطلب روز

برنامه های افزودنی آنلاین ArcGIS ویژگی های جدیدی دریافت می کنند

دسامبر 1, 2022 مازیار اتوکش دیدگاه‌تان را بنویسید:

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.

مطلب روز

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

دسامبر 1, 2022 مازیار اتوکش دیدگاه‌تان را بنویسید:

نویسندگان: Aubrey Miller, Pascal Sirguey, Simon 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)

مطلب روز

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

نوامبر 30, 2022 مازیار اتوکش دیدگاه‌تان را بنویسید:

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.

مطلب روز

تطبیق پذیری پهپادها برای نقشه کشی و نقشه برداری

نوامبر 30, 2022 مازیار اتوکش دیدگاه‌تان را بنویسید:

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

مطلب روز

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

نوامبر 28, 2022 مازیار اتوکش دیدگاه‌تان را بنویسید:

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.

سایت Geonline، سایتی مرجع برای مرتفع نمودن نیاز علاقمندان، پژوهشگران، دانشجویان و دانش آموزان در حوزه جغرافیا است که برای تمامی سنین و سطوح مطالب کاربردی دارد.