بایگانی برچسب: s

10 مکان عالی برای تماشای ستاره در آسیا

آسیا با جوامع متعدد نجومی باستانی خود از کمبود نقاط خوب رصد ستاره ها رنج نمی برد. در اینجا برخی از منجم قرن بیست و یکم در شما وجود دارد!

صحرای عربستان: تپه های شنی تنها گستره وسیع و آسمان سیاه عمیقی را ارائه می دهند. همچنین دهانه رامون اسرائیل، دومین پارک در آسیا که وضعیت آسمان تاریک را به دست آورده است، وجود دارد

تبت: چین در حال آماده سازی برنامه Dark-Sky برای ذخیره گاه بلند خود واقع در استان نگاری است.

ستاره
منظره راه شیری و ستاره‌نگار در کمپ شیا گورو در کمپینگ شبانه، گذرگاه همپتا، رشته کوه هیمالیا، مانالی هند

هیمالیا: در سراسر نپال و تبت، ارتفاع زیاد و کمبود نور محیط در رشته کوه، شب های خیره کننده ای را تضمین می کند. یکی دیگر از نقاط خوب، پارک ملی ساگارماتا در نپال است که محل قله اورست است.

مغولستان: پارک ملی Gorkhi-Terelj یک شرط خوب در میان دشت های وسیع استپ است.

هند: دره دورافتاده نوبرا در لن لاداخ توسط بسیاری از ستاره شناسان و عکاسان نجومی توصیه می شود، همانطور که Coorg در گات های غربی توصیه می کند.

کره شمالی: از آنجایی که این کشور بیشتر چراغ‌های خود را در شب خاموش می‌کند، کمترین آلودگی نوری در آسمان جهان را دارد.

کره جنوبی: پارک بومگردی Yeongyang Firefly، در منتهی الیه شرق، اولین مکانی در آسیا بود که وضعیت آسمان تاریک را به دست آورد.

آسمان پرستاره شب و راه شیری در بالای قله های نپال دیده می شود

ژاپن: Yaeyama (جنوب‌غربی‌ترین مجمع‌الجزایر ژاپن) و آئوگاشیما (در دریای فیلیپین در جنوب توکیو) به‌عنوان بهشت‌های جزیره‌ای با شب‌های بسیار تاریک شناخته می‌شوند.

فیلیپین: راهنمایان سفر جزیره پالاوان، باتانس (شمالی ترین استان کشور) و کوه پولاگ، بلندترین قله لوزون را توصیه می کنند.

اندونزی: کوه برومو در شرق جاوه یک مکان محبوب عکاسی نجومی است. یکی دیگر از موارد مورد علاقه در بین ستارگان، کوه کینابالو در صباح، مالزی است.

تصویر نوردهی طولانی که مسیرهای ستاره ای را بر فراز آتشفشان کوه برومو، جاوا شرقی، اندونزی نشان می دهد

گردشگری نجومی به یک صنعت محبوب تبدیل شده است. تماشای ستارگان مطمئناً چیزی است که باید در سفرهای آینده خود به آن توجه کنید تا از محیط اطراف خود فراتر از روز و شب قدردانی کنید. شما نمی توانید آسمان های جادویی پیشنهادی را از دست بدهید…

چگونه پهپادها و فتوگرامتری می توانند از انتقال انرژی پشتیبانی کنند

تیم استودیوی مشاوره معماری WDS-LAB مستقر در لندن با استفاده از فناوری پهپاد و فتوگرامتری برای تخمین میزان انرژی خورشیدی قابل جذب در محیط‌های شهری، جریان کاری جدیدی ایجاد کرده‌اند. درک بهتر از مقدار انرژی خورشیدی که می‌توان مستقیماً از پشت بام‌ها جمع‌آوری کرد، می‌تواند از وظیفه پیچیده انتقال مناطق مسکونی کم تراکم موجود به انرژی‌های تجدیدپذیر پشتیبانی کند.

برای تحقق توافقنامه پاریس، حفظ گرمایش جهانی زیر 1.5 درجه سانتیگراد و رسیدن به “صفر خالص” در سال 2050، انتشار CO2 در مناطق مسکونی باید حداقل 78٪ در دهه آینده کاهش یابد. در سال 2020، طبق گزارش آمار مصرف برق و گاز زیر ملی ارائه شده توسط وزارت انرژی تجاری و استراتژی صنعتی، میانگین مصرف سالانه برق خانگی در بریتانیا 3750 کیلووات ساعت بود، در حالی که متوسط مصرف برق خانگی 2900 کیلووات ساعت بود (شکل 2). ).

با این حال، به گفته کمیته تغییرات آب و هوایی بریتانیا، حدود 29 میلیون خانه در بریتانیا دارای سیستم های ساخت و ساز قدیمی هستند و مسئول هدر دادن مقادیر زیادی انرژی برای گرمایش و/یا سرمایش در طول سال هستند. انرژی خورشیدی می‌تواند نقش مهمی در بازسازی خانه‌ها ایفا کند تا به آنها کمک کند تا درصد قابل‌توجهی از انرژی مورد نیاز خود را از انرژی‌های تجدیدپذیر به طور مستقیم در محل تامین کنند.

چگونه پهپادها و فتوگرامتری می توانند از انتقال انرژی پشتیبانی کنند
شکل 1: یک DJI Mavic Enterprise Advanced با لنز دوگانه و DJI Air 2S برای پروژه استفاده شد.

تیم WDS-LAB مطالعه‌ای را برای تخمین میزان انرژی خورشیدی قابل جذب در محیط‌های شهری انجام دادند. این تیم برای این مطالعه به تصاویر وسایل نقلیه هوایی بدون سرنشین (پهپاد ) تکیه کردند زیرا راه حلی مقرون به صرفه است. علاوه بر این، مدل های فتوگرامتری سه بعدی را با وضوح و دقت بالاتر نسبت به تصاویر ماهواره ای فعال می کند.

دقت مدل مش سه بعدی عامل مهمی در این پروژه به منظور ساخت مدل دقیق از ساختمان های مسکونی و به دست آوردن شیب مناسب سقف ها به منظور محاسبه میزان انرژی خورشیدی به آنها بود. این کار با استفاده از روش طبقه بندی هندسی مناسب انجام شد. هنگامی که مشخصات پنل های فتوولتائیک خورشیدی مشخص شد، می توان میزان برق تولید شده توسط یک آرایه پنل خورشیدی در ماه را به طور دقیق پیش بینی کرد.

این اطلاعات به طور بالقوه برای شوراهای محلی و سایر مقامات دولتی و همچنین صاحبان خانه جالب است. مطالعات آزمایشی اولیه بر روی محله‌های لندن انجام شد، اما از نظر تئوری این تکنیک پیمایشی را می‌توان در هر نقطه از جهان به کار برد.

شکل 2: توزیع برق مصرفی خانگی در بریتانیای کبیر (از وزارت انرژی تجاری و استراتژی صنعتی).

تولید مدل فتوگرامتری سه بعدی

روش توسعه یافته توسط WDS-LAB برای تعیین کمیت انرژی رسیده به پشت بام ها، میزان مساحتی را در نظر می گیرد که می تواند برای نصب آرایه های پانل های فتوولتائیک مستطیلی (PV) تجاری مناسب باشد. برای تولید مدل فتوگرامتری، از پهپاد تجاری DJI Enterprise Advanced مجهز به لنز دوگانه استفاده شد: یک لنز برای طیف حرارتی و یک لنز برای طیف نور مرئی (که قادر به دریافت تصاویر 48 مگاپیکسلی بود).

روش ثبت تصاویر برای مدل فتوگرامتری متکی بر ایجاد یک مأموریت پرواز نقشه برداری از پهپاد از پیش برنامه ریزی شده بود، به طوری که تصاویر می توانند به طور خودکار با توزیع یکنواخت و زاویه دوربین اوج جمع آوری شوند. وضوح بالای اپتیک پهپاد به این معنی است که پهپاد می تواند در حداکثر ارتفاع 120 متری مطابق با مقررات فضای هوایی در لندن پرواز کند و امکان پوشش منطقه وسیع تری را در زمان کمتری فراهم کند.

شکل 3: طبقه بندی ابر نقطه ای با Agisoft Metashape.

پس از جمع‌آوری مجموعه داده‌های تصویر، تیم تصاویر را با استفاده از نرم‌افزار فتوگرامتری Agisoft Metashape جمع‌آوری کرد و یک مدل سه‌بعدی بافت‌دار دقیق به دست آورد. با استفاده از الگوریتم یادگیری ماشین برای طبقه‌بندی خودکار ابر نقطه، می‌توان ساختمان‌ها را از همه ویژگی‌های دیگر (مانند درختان، خیابان‌ها و عناصر زمین) جدا کرد، که مراحل بعدی تجزیه و تحلیل قرار گرفتن در معرض خورشید را بر روی هندسه سقف ساده‌سازی کرد.

شکل 4: نمودار مسیر خورشید و نتایج تابش خورشید بر روی سقف های ایجاد شده با Rhinoceros 3D و Grasshopper.

پهپاد پهپاد پهپاد پهپاد پهپاد پهپاد پهپاد پهپاد پهپاد پهپاد پهپاد پهپاد پهپاد پهپاد پهپاد پهپاد پهپاد پهپاد پهپاد پهپاد پهپاد

الگوریتم های آنالیز خورشیدی سفارشی

با توجه به پیشینه معماری تیم WDS-LAB، آنها بر ابزارهای مدل سازی مش سه بعدی خارج از قلمرو نرم افزار نقشه برداری معمولی تکیه کردند. Rhinoceros 3D از آنجایی که در بین معماران و طراحان شهری رایج است مورد استفاده قرار گرفت. این امکان پردازش مش سه بعدی، رندر و تجسم بافت را فراهم می کند. همچنین به یک پلت فرم برنامه نویسی بصری چشمگیر مجهز شده است که امکان ایجاد الگوریتم های پیچیده برای تجزیه و تحلیل داده های محیطی سه بعدی (Grasshopper 3D) را با در نظر گرفتن پایگاه داده های آب و هوای محلی فراهم می کند.

الگوریتم‌های به‌دست‌آمده توانستند شبکه را به‌طور خودکار برش دهند و هندسه‌های سقف را طبقه‌بندی کنند و آن‌ها را از بقیه سطوح ساختمان جدا کنند. این باعث کاهش تعداد چند ضلعی هایی شد که باید توسط موتور آنالیز خورشیدی تجزیه و تحلیل شوند.

تجزیه و تحلیل دسترسی خورشیدی تعداد ساعت‌های خورشید و تشعشع خورشیدی برخوردی یک هندسه می‌تواند در یک دوره زمانی معین دریافت کند و انباشتگی آن را در هر سطح مش محاسبه کرد. این فرآیند مقادیر تابش افقی جهانی ساعتی و سایه هایی را که هر عنصر مجاور می تواند بر روی آنها ایجاد کند در نظر می گرفت. این یک عملیات محاسباتی سنگین بود، اما برش و طبقه بندی کل فرآیند تجزیه و تحلیل را بسیار سریعتر از تلاش برای تجزیه و تحلیل همه چیز به یکباره کرد.

شکل 5: تصویری که روند طبقه بندی و استخراج سقف ها را نشان می دهد.

محاسبه مساحت پنل های خورشیدی روی سقف

سقف‌های مسکونی اغلب دارای بی‌نظمی‌هایی مانند دودکش‌ها و ویژگی‌های مخابراتی یا سایر عناصر هستند که می‌توانند ادغام پنل‌های خورشیدی مستطیلی تجاری با ابعاد 1×1.7 متر را دشوار کنند. با این وجود، تخمین زده شد که 80 درصد از سطوح سقف از نظر هندسی برای تخصیص پانل های PV مناسب است، که به این معنی است که مساحت کل 17000 متر مربع از صفحات خورشیدی را می توان بر روی سقف های محله نمونه برداری شده نصب کرد (شکل 6).

شکل 6: مساحت تخمینی پنل های خورشیدی که روی پشت بام های همسایگی قرار می گیرند.

محاسبه سهم انرژی خورشیدی از پانل های خورشیدی

برای این مطالعه، تیم از پایگاه‌های داده استاندارد برای پانل‌های فتوولتائیک خورشیدی استفاده کرد و مقادیری را که در شکل 11 می‌توان مشاهده کرد، در نظر گرفت. در مجموع 2,335,016 کیلووات ساعت انرژی. بر اساس میانگین مصرف سالانه خانوارها در بریتانیای کبیر طبق وزارت انرژی تجاری و استراتژی صنعتی (2900 کیلووات ساعت در سال برای هر خانوار)، این مقدار انرژی خورشیدی که مستقیماً از پشت بام ها جمع آوری می شود، می تواند سالانه 800 خانوار را تامین کند.

از باتری ها برای ذخیره انرژی برای استفاده در شب استفاده می شد. از آنجایی که محله نمونه برداری شده دارای 258 اقامتگاه بود، به این نتیجه رسیدیم که اگر انرژی تولید شده در طول سال انباشته شود، سقف ها می توانند سه برابر انرژی مورد نیاز خورشیدی را جمع آوری کنند.

شکل 7: هندسه های طبقه بندی شده استخراج شده از مدل فتوگرامتری.

نتیجه گیری

استفاده از ابزارهای شبیه‌سازی محیطی معماری بر روی مدل‌های فتوگرامتری ثبت‌شده با هواپیماهای بدون سرنشین، سیستمی سریع و قابل اعتماد است که می‌تواند به ارزیابان انرژی و معماران کمک کند تا پتانسیل بهره‌برداری محلی از منابع انرژی تجدیدپذیر در محیط‌های شهری را بهتر درک کنند.

به لطف این گردش کار آزمایشی، WDS-LAB تخمین می‌زند که PVهای تخصیص داده شده در پشت بام محله‌ای مانند محله مورد مطالعه می‌توانند انرژی بیشتری از انرژی‌های تجدیدپذیر تولید کنند. انرژی اضافی را می توان برای تامین انرژی ساختمان های دیگر استفاده کرد و با مناطق دیگر با تراکم مسکونی بالاتر تعادل ایجاد کرد، بنابراین به شهری مانند لندن کمک کرد تا ردپای کربن خود را کاهش دهد.

پهپادها و فتوگرامتری ابزارهای عالی برای مطالعه روش‌های جدید برای ادغام انرژی‌های تجدیدپذیر در بافت‌های شهری هستند که به دستیابی به هندسه‌های دقیق‌تر و در نظر گرفتن وضعیت موجود «به عنوان ساخته شده» کمک می‌کنند. این کار نسبت به استفاده از مدل‌های CAD جمع‌آوری ساده‌شده که به‌صورت آنلاین از سازمان‌های مختلف در دسترس است، دقت بیشتری به فرآیند می‌دهد. اینها به طور منظم به روز نمی شوند و به طور کلی تغییرات احتمالی در سطوح ساختمان ها و عناصر بافت اطراف را در نظر نمی گیرند.

شکل 8: مدل سه بعدی فتوگرامتری محله بافت قبل از طبقه بندی سقف ها برای تجزیه و تحلیل خورشیدی.

تیم WDS-LAB به مطالعه مناطق شهری بیشتر برای گسترش پایگاه داده و ارزیابی پتانسیل کامل محله‌های لندن برای نصب پانل‌های PV برای کمک به انتقال شهر به انرژی‌های تجدیدپذیر ادامه خواهد داد. شکی نیست که انرژی خورشیدی شهری نقش مهمی در کاهش انتشار کربن خواهد داشت. مطالعاتی مانند این به افزایش آگاهی در مورد اینکه سقف خانه‌های مردم می‌تواند دسترسی ارزشمندی به انرژی‌های تجدیدپذیر ارائه دهد، کمک می‌کند.

شکل 9: میانگین ساعات خورشید در هر سقف، که در نتیجه یک نقشه گرما از توزیع خورشیدی ایجاد می شود.
شکل 10: سهم ماهانه آرایه خورشیدی. محاسبات با مقایسه نتایج با استفاده از دو موتور مختلف (Ladybug Legacy و Climate Studio) اعتبارسنجی شدند.
شکل 11: نتایج بر اساس مقادیر استاندارد برای پانل های فتوولتائیک خورشیدی.

بررسی پیامدهای فوران آتشفشان تونگا؛ نگاهی دقیق به تاثیرات آن در زیر دریا

نویسنده: Ben Simpson, Jamie McMichael-Phillips 

پروژه نقشه برداری بستر فوران تونگا (TESMaP) یک ماموریت مشترک برای کشف اثرات زیر دریای فوران آتشفشان هونگا-تونگا هونگا-هااپای در ژانویه 2022 است. موسسه ملی تحقیقات آب و جو نیوزیلند (NIWA) و بنیاد نیپون ژاپن با استفاده از دانش، تجربه و منابع جمعی خود امیدوارند که بفهمند چه اتفاقی افتاده است، چه مقدار مواد جابجا شده است و آتشفشان به چه شکلی باقی مانده است. کمک به بهبود پیش‌بینی سونامی و پیش‌بینی بهتر اثرات انفجار آتشفشان‌های زیردریایی، که به نوبه خود به محافظت از مردم در برابر بلایای طبیعی مشابه در آینده کمک می‌کند.

در 15 ژانویه 2022، یک کشور اقیانوس آرام جنوبی با بیش از 104000 نفر شاهد فوران غیرمنتظره و بی سابقه آتشفشان هونگا-تونگا هونگا-هااپای (HT-HH) بود. تاثیر فوری عواقب فاجعه باری برای جزایر مجاور تونگا داشت. جزیره اصلی Tongatapu با خاکستر سمی فرش شده بود و رونق صوتی در سراسر جهان سفر کرد. شکل بستر دریا بر سرعت و اندازه سونامی حاصل تأثیر زیادی داشت.

مرگ و میر و خسارت تا آمریکای جنوبی ثبت شد و امواج استرالیا، نیوزلند و ژاپن را درنوردید و حتی سواحل کالیفرنیا، آلاسکا و شیلی را لمس کرد. همچنین کابل‌های فیبر نوری زیردریایی را که تونگا را به جهان متصل می‌کرد، قطع کرد و این کشور را در خاموشی طولانی‌مدت قرار داد.

در آوریل 2022، مؤسسه ملی تحقیقات آب و جو نیوزیلند (NIWA) و بنیاد نیپون ژاپن، مأموریت مشترکی را برای کشف اثرات زیردریایی انفجار، با استفاده از دانش، تجربه و منابع جمعی خود برای ایجاد تصویری دقیق و ارزشمند اعلام کردند. از پیامدهای فوران در زیر سطح اقیانوس.

پروژه نقشه برداری بستر فوران تونگا (TESMaP) توسط بنیاد نیپون تامین می شود و توسط The Nippon Foundation-GEBCO Seaabed 2030 Project، که هدف آن نقشه برداری از کل کف اقیانوس جهان تا سال 2030 و ارائه این اطلاعات از طریق یک نقشه قطعی رایگان است، پشتیبانی می شود.

آتشفشان
نمای هوایی از آتشفشان هونگا-تونگا هونگا-هاآپای (HT-HH). (تصویر با حسن نیت ارائه شده: تیم نظرسنجی SEA-KIT NIWA-Nippon Foundation TESMaP)

مدل سازی فوران های آینده

در حال حاضر حدود 680 میلیون نفر در مناطق ساحلی زندگی می کنند و انتظار می رود این رقم در کمتر از 30 سال به یک میلیارد نفر افزایش یابد. این جوامع ساحلی با خطر فزاینده طوفان و سونامی روبرو هستند که می تواند کل محله ها را از بین ببرد و زندگی را در عرض چند دقیقه به خطر بیندازد. از آنجایی که آتشفشان‌های مشابه متعددی در سرتاسر جهان وجود دارد، به‌ویژه در امتداد حلقه آتش اقیانوس آرام، فوران HT-HH یک خطر حیاتی برای جامعه را برجسته می‌کند که با کمبود دانش تشدید می‌شود.

از طریق تحقیقات و بررسی های دقیق، گسترش دانش جمعی از توپوگرافی زیر دریا برای درک آنچه اتفاق افتاده، چه مقدار مواد جابجا شده است و چه شکلی آتشفشان باقی مانده حیاتی است. این اطلاعات امکان بهبود پیش بینی سونامی و پیش بینی بهتر اثرات انفجار را فراهم می کند. آتشفشان های زیر دریا، که به نوبه خود به محافظت از مردم در برابر بلایای طبیعی مشابه در آینده کمک می کند.

در فاز یک TESMaP که بین آوریل و مه انجام شد، دانشمندان نیوا در کشتی تحقیقاتی RV Tangaroa اقیانوس اطراف HT-HH را بررسی کردند که هزاران کیلومتر مربع را پوشش می‌دهد و تصاویر ویدیویی از برخورد فوران جمع‌آوری می‌کند. فاز دوم، که بین ژوئیه و آگوست انجام شد، از کشتی 12 متری بدون سرنشین (USV) Maxlimer SEA-KIT International برای انجام یک ماه نقشه برداری بیشتر در داخل دهانه دهان استفاده کرد. این تحقیق – که در منطقه ای انجام شده است که به دلایل ایمنی نمی تواند توسط NIWA بررسی شود – برای یافته های کلی پروژه بسیار مهم است.

SEA-KIT USV Maxlimer در حال آماده شدن برای اعزام به تونگا.

مواد جابجا شده

با توجه به بزرگی شدید انفجار، تغییرات چشمگیری در آتشفشان قابل انتظار بود. اما در عوض، محققان کشتی RV Tangaroa برای این سفر یک ماهه از یافتن آن هنوز تا حد زیادی دست نخورده شگفت زده شدند. دانشمندان نیوا در مجموع 22000 کیلومتر مربع از بستر دریای اطراف را نقشه برداری کردند و تغییراتی را در مساحت 8000 کیلومتر مربع مشاهده کردند.

آنها تا هفت کیلومتر مکعب مواد جابجا شده را ثبت کردند – برای پر کردن سه میلیون استخر شنای المپیک کافی است. کابل اینترنت خانگی قطع شده تونگا در زیر 30 متر خاکستر و رسوب مدفون شد و دانشمندان گل شنی و امواج عمیق خاکستر را تا 50 کیلومتری آتشفشان پیدا کردند.

تأثیرات اکوسیستم

تأثیرات روی اکوسیستم نیز مورد بررسی قرار گرفت. این آتشفشان فاقد بیولوژی بود، اما به طور قابل توجهی ویژگی هایی در فاصله 15 کیلومتری وجود داشت که هنوز دارای جمعیت های فراوان و متنوعی از حیات دریایی بود. کوه‌های دریایی اطراف دارای تنوع زیستی معمولی مانند مرجان‌ها، اسفنج‌ها، ستاره‌های دریایی و صدف‌ها بودند که نشان‌دهنده انعطاف‌پذیری چنین اکوسیستم‌های دریایی است و به دانشمندان مبنایی برای نظارت بر بازیابی در آینده می‌دهد.

داده های اولیه ستون آب نشان داد که هنوز در حال بهبود است و مقداری خاکستر معلق در هوا هنوز به طور کامل در کف دریا ته نشین نشده است. همچنین شواهدی وجود دارد که نشان می دهد آتشفشان ممکن است همچنان در حال فوران باشد، با یک لایه خاکستر متراکم که در ستون آب بالایی نزدیک محل یافت می شود.

USV Maxlimer در تونگا.

نقشه برداری شکاف ها با USV

به عنوان بخشی از فاز دو، USV Maxlimer شکل فعلی دهانه دهان را ترسیم کرد و شرایط محیطی آب بالای آن را اندازه‌گیری کرد، در حالی که همه این‌ها از راه دور از پایگاه SEA-KIT در بریتانیا، در فاصله 16000 کیلومتری، کنترل می‌شدند. استفاده از USV Maxlimer به عنوان یک پلتفرم قابل تنظیم برای طیف وسیعی از حسگرها، فرصتی منحصر به فرد برای جمع آوری داده ها به طور ایمن و پیوسته از داخل دهانه دهان در طول یک ماه کامل فراهم کرد

. در طول این ماموریت، USV Maxlimer فقط 100 لیتر سوخت در روز مصرف کرد که کمتر از 2 درصد مصرف سوخت یک کشتی معمولی است. علاوه بر کاهش خطر برای مردم، استقرار یک USV برای بررسی در داخل دهانه دهان باعث می شود انتشار کربن برای پروژه کم باقی بماند.

این اولین باری بود که از یک یو اس وی برای این نوع ماموریت استفاده شد و نشان داد که چگونه این فناوری راه‌های جدیدی را برای درک اقیانوس‌های ما پیش‌گام است. Maxlimer، اولین SEA-KIT X-class USV، کشتی آزمایش و توسعه این شرکت است.

او بخشی از برنده جایزه Nippon Foundation-GEBCO در نمایشگاه Shell Ocean Discovery XPRIZE در سال 2019 بود و از آن زمان به «اولین‌های» متعددی دست یافت، از جمله اولین بازرسی خط لوله دریایی بدون خدمه و اولین ترانزیت تجاری بین‌المللی بدون خدمه در سال 2019. USV همچنین 22 روز کار را به پایان رساند. عملیات بررسی از راه دور در حاشیه قاره اروپا در سال 2020، نقشه برداری بیش از 1000 کیلومتر مربع از کف اقیانوس.

جمع آوری داده ها در زمان واقعی

سنسورهای موجود در عرشه داده‌های عمق سنجی، داده‌های پراکندگی پشتی ستون آب، سرعت صوت، رسانایی، دما، کدورت، کاهش اکسیداسیون، فشار با عمق و داده‌های جاری را جمع‌آوری کردند، که همگی درک تأثیر زیردریایی فوران و فعالیت‌های مداوم را توسعه داده و پشتیبانی می‌کنند.

USV از قابلیت وینچ تازه نصب شده برای فرورفتگی حسگرها و یدک‌ها برای جمع‌آوری داده‌های ستون آب تا عمق 300 متری و ارائه نگاه دقیق‌تری به لایه رسوب معلق استفاده کرد. این مجموعه داده‌های اقیانوس‌شناسی به شناسایی لایه‌های فعالیت زمین گرمایی و همچنین تغییر در شوری و ذرات محلول کمک می‌کند و برای مطالعات مقایسه‌ای با نمونه‌های جمع‌آوری‌شده در خارج از دهانه دهان توسط RV Tangaroa استفاده خواهد شد.

Maxlimer به همراه سه عضو تیم SEA-KIT حدود 40 روز در Nuku’alofa، تونگا مستقر بودند. در طول این مدت، کشتی همچنین برای استفاده برای بررسی‌های زیست‌محیطی قبل از کابل‌گذاری جدید احتمالی برای اتصال مجدد جزایر، و همچنین برای نقشه‌برداری از آتشفشان‌های دیگر در منطقه و ایجاد نقشه‌های تغییر از فوران‌های قبلی در دسترس بود.

SEA-KIT USV Maxlimer در حال بازگشت از Caldera HT-HH در تونگا.

اتحاد مجدد صنعت ژئوفضایی؛ بازگشت به تجارت در Intergeo

نوشته: Wim van Wegen 

حال و هوای Intergeo 2022 تقریباً شبیه به دوران قبل از همه‌گیری بود و طیف گسترده‌ای از راه‌حل‌های سخت‌افزاری و نرم‌افزاری نوآورانه به نمایش درآمد. صنعت زمین فضایی به وضوح به تجارت بازگشته است! علاوه بر این، با تعداد بسیار زیاد شرکت‌هایی که قبلاً برای نمایشگاه سال آینده ثبت‌نام کرده‌اند، به نظر می‌رسد همه سیستم‌ها به دنبال یک Intergeo 2023 حتی بزرگتر و بهتر در برلین هستند.

Intergeo 2022 اولین نسخه حضوری از زمانی بود که COVID-19 جهان را به بن بست رساند، بنابراین بسیاری از علاقه مندان به زمین فضایی برای مدت طولانی منتظر آن بودند. و بر اساس حال و هوای مرکز نمایشگاه در اسن در طول سه روز این رویداد، آنها به وضوح ناامید نشدند، زیرا جو در نمایشگاه تجاری و کنفرانس پیشرو در جهان برای حرفه نقشه برداری و نقشه برداری تقریباً شبیه به زمان های همه گیر قبل بود.

در حالی که نسخه امسال این رویداد رسماً به عنوان یک نسخه ترکیبی توصیف شد، در واقع می توان آن را به عنوان یک گام بزرگ در جهت بازگشت همه چیز به حالت عادی دانست. با این اوصاف، کووید-19 به وضوح آثاری از خود بر جای گذاشته است، زیرا تعدادی از غرفه‌داران با غرفه‌های کوچک‌تری نسبت به سال‌های گذشته حضور داشتند. محدودیت آنها قابل درک است، زیرا عدم اطمینان مداوم در جهان باعث شده است که بسیاری از مشاغل دو بار در مورد بودجه و تصمیمات سرمایه گذاری فکر کنند.

برای دیدن سخت افزار، نرم افزار و همتایان هیجان زده هستم

با این حال، به محض اینکه Intergeo 2022 درهای خود را در اسن، دومین شهر بزرگ در منطقه روهر، که بزرگترین منطقه شهری آلمان است و قلب تپنده Wirtschaftswunder (معجزه اقتصادی) آلمانی بود، به سرعت راه را برای هیجان باز کرد. دهه 1950 و 1960 برای بسیاری از تقریباً 14000 بازدیدکننده، یکی از دلایل کلیدی برای شرکت به وضوح ملاقات با دوستان قدیمی (و جدید) و در نهایت دیدن همتایان خود در جامعه ژئوماتیک در زندگی واقعی بود، که البته بسیار لذت بخش تر است. از تلاش برای تعامل روی صفحه نمایش این امر قطعا به فضای پرنشاطی که فضای سالن های نمایشگاه را پر کرده بود افزود.

اتحاد مجدد صنعت زمین فضایی
بازگشت به تجارت در Intergeo
حال و هوای Intergeo 2022 تقریباً شبیه به دوران قبل از همه‌گیری بود و طیف گسترده‌ای از راه‌حل‌های سخت‌افزاری و نرم‌افزاری نوآورانه به نمایش درآمد. صنعت زمین فضایی به وضوح به تجارت بازگشته است! علاوه بر این، با تعداد بسیار زیاد شرکت‌هایی که قبلاً برای نمایشگاه سال آینده ثبت‌نام کرده‌اند، به نظر می‌رسد همه سیستم‌ها به دنبال یک Intergeo 2023 حتی بزرگتر و بهتر در برلین هستند.
به محض اینکه Intergeo 2022 درهای خود را در Essen باز کرد، هر تردیدی به سرعت جای خود را برای هیجان باز کرد. (ارسالی از: Fokuspokus Media)

نیازی به گفتن نیست که Intergeo 2022 بسیار بیشتر از فرصتی برای ملاقات حضوری با افراد بود. همچنین مکان مناسبی برای دریافت به‌روزرسانی عمده در مورد آخرین راه‌حل‌های سخت‌افزاری و نرم‌افزاری بود که باعث رشد صنعت زمین‌فضایی می‌شوند، از راه‌حل‌های نقشه‌برداری زمینی گرفته تا وسایل نقلیه هوایی بدون سرنشین (پهپادها یا پهپادها) و سایر راه‌حل‌های خودکار برای ثبت واقعیت جهان.

بازدیدکنندگان همچنین می‌توانند نمونه‌های متعددی را ببینند که چگونه سیستم‌های اطلاعات جغرافیایی پیشرفته امروزی و راه‌حل‌های مدل‌سازی اطلاعات ساختمان (BIM) پتانسیل خود را در تجزیه و تحلیل داده‌ها، نظارت و پشتیبانی تصمیم‌گیری آشکار می‌کنند. امسال تمرکز ویژه‌ای روی دوقلوهای دیجیتالی شد که به طور فزاینده‌ای برای زنده کردن مدل‌های استاتیک با اطلاعات پویا و هم‌زمان و شبیه‌سازی سناریوهای گسترده در واقعیت منعکس‌شده‌شان استفاده می‌شوند. در مورد دوقلوهای دیجیتال، شهر میزبان سال آینده Intergeo در حال حاضر روی یک مورد استفاده واقعی جالب کار می کند.

در یک پروژه بازسازی که قرار است یک سایت 73 هکتاری را به یک منطقه شهری مدرن به نام میدان زیمنس‌اشتات تبدیل کند، جدیدترین محله برلین دو بار “ساخته” خواهد شد: ابتدا در دنیای دیجیتال و سپس در دنیای واقعی. یک دوقلو دیجیتال جامع به عنوان پایه ای برای ساخت و ساز و عملیات بعدی کل منطقه عمل خواهد کرد.

دوقلوهای دیجیتال و متاورس

دوقلوهای دیجیتال نیز در کنفرانس مطبوعاتی سنتی در دومین روز از Intergeo در کانون توجه قرار گرفتند. یکی از سخنرانان هانسیورگ کوترر بود که از ژانویه 2023 به بعد توسط رودولف استایگر به عنوان رئیس انجمن ژئودزی، اطلاعات جغرافیایی و مدیریت زمین آلمان (DVW) جانشین وی شد.

کوترر اظهار داشت که زمین به سرعت در حال تغییر است و ما نیاز به نقشه برداری، مدل سازی و اجرای شبیه سازی ها به عنوان مبنایی برای بحث و تحلیل سناریو داریم تا از تصمیمات آگاهانه در سطح مورد نیاز حمایت کنیم. او توضیح داد که حرفه ژئوماتیک یک بازیگر اصلی در این است، که همچنین از ما می‌خواهد بزرگ فکر کنیم و دیدگاه‌ها و شایستگی‌های مختلف خود را در چیزی بزرگ‌تر ادغام کنیم.

کاترر با «چیزی بزرگتر» به متاورس اشاره می کرد که در رویداد امسال یک کلمه رایج بود. اگرچه ممکن است متاورس هنوز هم برای بسیاری از مردم یک اصطلاح انتزاعی باشد، اما می‌توان آن را تکامل «صنعت 4.0» و اینترنت اشیا دانست. در متاورس، استفاده از AR و VR چیزهای فیزیکی را وارد دنیای دیجیتال موازی می کند. داده های جغرافیایی برای ایجاد دوقلوهای دیجیتالی پویا که بلوک های سازنده مهم متاورز را تشکیل می دهند و ارزش افزوده می کنند، ضروری خواهد بود.

کنفرانس مطبوعاتی سنتی در دومین روز از Intergeo بر روی تغییرات آب و هوا متمرکز بود. (ارسالی از: Fokuspokus Media)

باربارا رایان، مدیر اجرایی شورای جهانی صنعت ژئوفضایی (WGIC)، متاورس را «عملکرد اجباری» برای مردم توصیف کرد. او توضیح داد که اصطلاح متاورس برای اولین بار حدود 20 سال پیش در رمان علمی تخیلی Snow Crash نوشته نیل استفنسون ابداع شد. این نشان می‌دهد که همه چیز با چه سرعتی حرکت می‌کند، و شکی نیست که روزی همه ما در دو جهان زندگی خواهیم کرد: دنیای مجازی و فیزیکی.»

توماس هرینگ، رئیس ژئوسیستم در Hexagon، اظهار داشت که دوقلوهای دیجیتال در حال حاضر نوعی متاورس هستند، اما متاورژن حتی پیچیده تر و در زمان واقعی خواهد بود. این امر باعث آگاهی مصرف کنندگان و جامعه گسترده تر از فناوری و آنچه داده های مکانی می توانند انجام دهند، خواهد شد. امیدوارم به جذب جوانان یا استعدادهای جدید به صنعت ما نیز کمک کند.”

نمایشگاه نمایشگاه نمایشگاه نمایشگاه نمایشگاه نمایشگاه نمایشگاه نمایشگاه نمایشگاه نمایشگاه نمایشگاه نمایشگاه نمایشگاه نمایشگاه نمایشگاه نمایشگاه نمایشگاه نمایشگاه نمایشگاه نمایشگاه نمایشگاه نمایشگاه نمایشگاه نمایشگاه

داده های جغرافیایی برای مبارزه با تغییرات آب و هوایی

تغییر اقلیم بدون شک در فهرست اولویت‌های جامعه جهانی قرار دارد. بنابراین، مناسب بود که کنفرانس مطبوعاتی به این موضوع بپردازد که چگونه راه‌حل‌های جغرافیایی می‌توانند به جهان برای مبارزه با این چالش اجتماعی یا سازگاری با اثرات آن کمک کنند. کوترر اظهار داشت که او یک نمایش دیجیتالی از محیط زیست، از جمله چشم انداز، پوشش، ساختمان ها و فرآیندهای فیزیکی را به عنوان مبنایی برای توانمند ساختن تصمیم گیرندگان در بسیاری از رشته ها – از معماران و زیست شناسان گرفته تا مهندسان عمران و شهرداران – برای کاهش تأثیر می داند. تغییرات آب و هوایی

مارتینا کلرله، کارشناس آب و هوا در دانشگاه علوم کاربردی فرانکفورت و رهبر پروژه در caREL (یک پلت فرم تحقیقاتی با استفاده از داده‌های مکانی برای حمایت از اهداف آب و هوایی، از جمله جاه‌طلبی‌های اروپا برای تبدیل شدن به اولین قاره جهان از نظر آب و هوایی خنثی)، صنعت زمین فضایی را ترغیب به مبارزه کرد. تغییر اقلیم با تمام ابزارهای موجود او وظیفه ما را به اشتراک گذاشتن همه داده ها با جهان به صورت رایگان توصیف کرد تا تلاش متحد خود را برای دستیابی به اهداف توافق پاریس تقویت کنیم.

اسکات کروزیر، معاون نظرسنجی و نقشه برداری در Trimble، موافق است که به اشتراک گذاری اطلاعات در واقع کاملاً حیاتی است و گفت که این صنعت می تواند با به اشتراک گذاشتن فراوانی داده های جغرافیایی مرتبط با راه حل های نقشه برداری و نقشه برداری پیشرفته امروزی کمک کند. توماس هرینگ موافق بود که برای تصمیم گیرندگان مهم است که به تمام اطلاعاتی که نیاز دارند دسترسی داشته باشند و افزود که همه داده ها می توانند برای ایجاد یک تأثیر عظیم استفاده شوند.

درصد بازدیدکنندگان زن و همچنین تعداد دانش‌آموزان افزایش یافته بود. (ارسالی از: Fokuspokus Media)

نقش Intergeo در پیشبرد صنعت زمین فضایی

در سومین و آخرین روز Intergeo، من با Kaja Hoppe (رئیس توسعه کسب و کار) از DVW و Christiane Salbach (کارگردان)، همراه با Hinte (سازمان دهنده Intergeo) در سالن مطبوعات برای یک فنجان قهوه ملاقات کردم. با توجه به اینکه تعداد بازدیدکنندگان در اسن فراتر از انتظارات بود و نشانه های مشهود زیادی از مشارکت، آنها به وضوح از موفقیت این رویداد خشنود بودند.

علاوه بر داشتن حس قوی از اتحاد مجدد صنعت، آنها همچنین از بسیاری از تماس های جدید – اغلب به صورت تصادفی – آگاه بودند که ماهیت باز جامعه جغرافیایی را نشان می داد. قابل ذکر است که درصد بازدیدکنندگان زن افزایش یافته بود و همچنین تعداد دانش آموزان نیز افزایش یافته بود. با توجه به کمبود استعداد و تقاضای روزافزون برای فارغ التحصیلان جدید در بازار کار زمین فضایی، حضور تعداد زیادی از جوانان دلگرم کننده است.

به طور خلاصه، منصفانه است که نتیجه بگیریم که Intergeo 2022 در اسن یک بازگشت قوی از رویداد سالانه را رقم زد که یک شهر آلمانی را برای چند روز در هر پاییز به پایتخت جهانی بخش نقشه برداری و نقشه برداری تبدیل می کند. در نتیجه، اکنون همه چیز برای Intergeo سال آینده که در برلین برگزار می شود بسیار امیدوارکننده به نظر می رسد.

تعداد قابل توجهی از شرکت‌ها برای نمایشگاه سال آینده ثبت‌نام کرده‌اند و گوشه «غرفه خود را ایمن کنید» در یکی از سالن‌ها دائماً شلوغ بود. سالباخ ​​که جذابیت منحصربه‌فرد برلین را به عنوان عاملی اضافی برای افزایش پتانسیل Intergeo 2023 برای موفقیت بزرگ‌تر ستایش کرد، تأیید کرد: «رزرو مجدد از سقف گذشته است. علاوه بر این، کمیته سازماندهی قصد دارد نقش محتوا را به منظور گسترش کلمه در مورد پتانسیل بین رشته‌ای فضای جغرافیایی، به عنوان مثال در مورد انرژی، زیرساخت، برنامه‌ریزی شهری و توسعه روستایی، گسترش دهد.

هوپ: “هدف ما ایجاد آگاهی بهتر از آنچه صنعت ما می تواند انجام دهد، هم برای سیاستمداران و هم برای مردم است.” علاوه بر این، شبکه‌سازی نقش مهم‌تری در برلین خواهد داشت و تمرکز بیشتری بر نقشه‌بردار نسل بعدی خواهد بود. همانطور که مارتینا کلرله در کنفرانس مطبوعاتی گفت: “اگر می خواهید قهرمان شوید، مهندس شوید.” الگوهای زیادی در صنعت زمین فضایی وجود دارد و در GIM International، ما از حمایت از تلاش های Intergeo برای ارائه صدای بین المللی به آنها خرسندیم.

تیم Geomares، نماینده GIM International، Geo-Matching و Hydro International.

شبکه های کنترل ژئودتیک: چالش ها و راه حل ها
ابزارهای ضروری برای تغییر شکل و نظارت بر محیط

نوشته :  Mohammad BagherbandiMasoud Shirazian

چالش های کلیدی در ایجاد شبکه های کنترل دقیق ژئودتیک چیست؟ این یکی از مهمترین وظایف زمین شناسان و نقشه برداران زمین است، زیرا شبکه های کنترل ژئودزی برای تغییر شکل و پایش محیطی سدها، تونل ها، برج های بلند، زمین لغزش ها و پل ها و غیره ضروری هستند. این مقاله چالش های اصلی مربوط به زوایای عمودی را مورد بحث قرار می دهد و توصیه هایی برای چگونگی غلبه بر آنها ارائه می دهد.

چالش‌های کلیدی هنگام ایجاد شبکه‌های کنترل دقیق ژئودزی مربوط به زوایای عمودی است که برای کاهش فواصل شیب جمع‌آوری‌شده به فواصل افقی استفاده می‌شوند. این رویکرد که “کاهش فاصله شیب مثلثاتی” نامیده می شود، به خوبی شناخته شده است و معمولاً در ژئودزی انجام می شود. با این حال، کاهش فواصل شیب به فواصل افقی باید بدون خطاهای سیستماتیک موجود انجام شود.

جمع آوری زوایای عمودی (یا زوایای اوج) با استفاده از ایستگاه توتال مسائل مختلفی را ایجاد می کند. خطای انکسار، اثر هندسی (به دلیل انحنا- چولگی مدل مرجع زمین) و اثرات فیزیکی (به دلیل انحراف قائم ها) چالش های اصلی هستند که زوایای عمودی جمع آوری شده را تحت تأثیر قرار می دهند (شکل 1). این اثرات نشان می دهد که زاویه عمودی یک مشاهده حساس است.

شکل 1: الف) انکسار و اثرات فیزیکی و ب) اثر هندسی بر زاویه عمودی و کاهش فاصله شیب.

اثرات روی زاویه عمودی

خطای انکسار به دلیل تغییر چگالی اتمسفر در امتداد خط مبنا رخ می دهد. گرادیان دمای هوا در جهت عمود بر خط دید عامل اصلی در مدل سازی اثر شکست است. همانطور که در شکل 1 نشان داده شده است، مشکلات هندسی و فیزیکی به دلیل عدم موازی بودن محورهای بالا در نقطه شروع و پایان خطوط مبنا در شبکه های کنترل ژئودزی رخ می دهد. مسئله هندسی مربوط به شکل مرجع زمین (مدل کروی یا بیضی) است. به دلیل مشکل انحنا، محورهای بالا موازی نخواهند بود.

با این حال، با انتخاب یک مدل بیضی شکل برای زمین، یک مشکل اضافی ظاهر می شود که به آن مشکل چولگی می گویند (یعنی محورهای بالا در نقاط A و B در بخش های معمولی / دید ریاضی یکسان نیستند). نتایج نشان می‌دهد که خطای هندسی (عدم موازی بودن محورهای بالا) می‌تواند به 32 ثانیه قوس برای طول خط پایه 1 کیلومتر با اختلاف ارتفاع 100 متر برسد، که در آن کاهش فاصله شیب مربوطه 8 میلی‌متر است.

مشکل فیزیکی (یا مشکل انحراف عمودی ها) به دلیل جدا شدن خط عادی از بیضی و شاقول مرجع زمین است. مشکل این است که مشاهدات روی سطح زمین جمع آوری می شوند (شکل فیزیکی زمین)، اما شکل ریاضی زمین (به عنوان مثال بیضی مرجع) برای محاسبات استفاده می شود. بنابراین، مشاهدات باید در حالت عادی به بیضی به عنوان مرجع اصلاح شوند.

ذکر این نکته ضروری است که در استقرار یک شبکه ژئودزی کلاسیک (سیستم مختصات نجومی محلی یا نجومی محلی) چه نوع سیستم مختصاتی تعریف شده است. انحراف مشکل عمودی می تواند به 16.5 میلی متر (برای زاویه اوج 70 درجه) و 4.2 میلی متر (برای زاویه اوج 85 درجه) برسد، با فرض طول خط پایه 1 کیلومتر.

اثرات هندسی و فیزیکی مستقیماً بر زوایای اوج تأثیر می گذارد و در نتیجه کاهش فواصل شیب را تحت تأثیر قرار می دهد. از آنجایی که این مشکلات به وضوح در دستورالعمل ها ذکر نشده است، کمی سازی این مشکلات در باقربندی و همکاران. (2022) می تواند برای تدوین دستورالعمل آینده مفید باشد.

راه حل هایی برای چالش ها

در دستورالعمل های موجود، راه حل پیشنهادی برای مشکلات فوق، قرائت متقابل زوایای عمودی است. با این حال، برای حذف خطای شکست، زاویه عمودی باید به طور همزمان از هر دو انتهای یک فاصله جمع آوری شود (به عنوان مثال، کتابچه راهنمای مهندس 2018، بخش 3-4 را ببینید). قرائت متقابل می تواند راه حلی برای اثرات هندسی و فیزیکی باشد اگر نقاط در یک ارتفاع باشند. در غیر این صورت برای تصحیح زوایای عمودی باید خطاهای هندسی و فیزیکی را در نظر گرفت.

هزینه و زمان هر دو از عوامل مهم در ایجاد شبکه های ژئودتیکی بهینه و دقیق هستند و باید همیشه مورد توجه قرار گیرند. جمع آوری مشاهدات متقابل زمان بر است، به ویژه در مناطق دارای توپوگرافی ناهموار (مانند سایت های سد)، و کار میدانی و هزینه های پروژه را افزایش می دهد.

علاوه بر این، به دلیل شرایط پروژه (به عنوان مثال توپوگرافی ناهموار موجود و نظارت بر برج های مرتفع) همیشه نمی توان از دستورالعمل ها پیروی کرد و شبکه کنترل ژئودزی را با نقاطی در همان ارتفاع طراحی کرد. نتایج نویسندگان نشان می دهد که بی توجهی به اثرات هندسی و فیزیکی می تواند منجر به خطاهای قابل توجهی شود، به خصوص اگر اختلاف ارتفاع زیادی بین نقاط وجود داشته باشد (حتی اگر زوایای عمودی به صورت متقابل جمع آوری شوند).

تاکنون، کتاب‌های درسی و یادداشت‌های سخنرانی ژئودتیک تنها تأثیر هندسی را بر زوایای افقی ارائه می‌کردند. اما چگونه می توان این خطا را برای زاویه عمودی فرموله و کمی سازی کرد؟ مشکل فیزیکی را می توان با استفاده از پایگاه داده گرانش منطقه ای و محاسبه انحراف دقیق اجزای عمودی اصلاح کرد. اطلاعات دقیق در مورد این مشکل و راه حل آن را می توان در باقربندی و همکاران یافت. (2022) و هایسکانن و موریتز (1967، ص 312).

چگونه از خواندن زوایای عمودی خودداری کنیم؟

دو روش می تواند به نقشه برداران زمین کمک کند تا جمع آوری زاویه عمودی را تنها با استفاده از فواصل شیب یک طرفه و زوایای افقی حذف کنند: تنظیم شبکه سه بعدی (ر.ک. گیلانی 2017، فصل 23)، و روشی که اخیراً توسط شیرازیان و همکاران پیشنهاد شده است. (2021) روش به کمک شبکه نامیده می شود.

در روش به کمک شبکه، در مرحله اول فقط می توان از فواصل شیب یک طرفه به صورت تنظیم شبکه آزاد سه بعدی استفاده کرد. فواصل افقی در مرحله بعد با استفاده از مختصات تنظیم شده (مولفه های شرق و شمال) محاسبه می شود. در نهایت، فواصل افقی محاسبه شده، همراه با زوایای افقی یا مشاهدات جهت، در تنظیم نهایی شبکه برای محاسبه شبکه ژئودتیک دو بعدی استفاده می شود.

ژئودزی -
شکل 2: تفاوت مختصات با استفاده از فواصل شیب متقابل و فواصل شیب یک طرفه (روش به کمک شبکه) در الف) سد مجن و ب) شبکه های ژئودزی 2 بعدی سد دامغان.

ژئودزی -ژئودزی -ژئودزی -ژئودزی -ژئودزی -ژئودزی -ژئودزی -ژئودزی -ژئودزی -ژئودزی -ژئودزی -ژئودزی -ژئودزی -ژئودزی -ژئودزی -ژئودزی -ژئودزی –

نویسندگان روش به کمک شبکه را با استفاده از دو شبکه ژئودزی در ایران (سد مژن و سد دامغان) ارزیابی کردند. شکل 2 تفاوت مختصاتی را نشان می دهد که با استفاده از مشاهدات متقابل و یک جهته (یعنی روش به کمک شبکه و فقط با استفاده از فواصل شیب و زوایای افقی) به دست آمده است. نتایج نشان می دهد که اختلاف بین نتایج دو روش کمتر از 1 میلی متر است و بنابراین ناچیز است. علاوه بر این، روش به کمک شبکه منجر به بیضی های خطای مشابه (یا در برخی نقاط، محورهای نیمه اصلی و نیمه کوچکتر) و اعداد افزونگی بهتر می شود.

مزایای روش کمک به شبکه

روش به کمک شبکه در مقایسه با تنظیم شبکه سه بعدی مزایایی دارد. مقایسه این دو روش نشان می دهد که تعداد درجات آزادی در روش به کمک شبکه بیشتر از تنظیم شبکه سه بعدی خواهد بود. این به این معنی است که میانگین افزونگی (یا افزونگی نسبی)، که یک عامل مهم کیفیت شبکه است (به ویژه هنگام طراحی شبکه ها)، در روش پیشنهادی توسط نویسندگان بالاتر است، همانطور که با آزمایش در دو شبکه نظارت بر تغییر شکل سد تایید شده است.

سد مجن در شهرستان شاهرود، استان سمنان، ایران. (تقدیمی از شرکت بین المللی صابر)

آنچه باید در مورد گردشگری جزیره بدانید

همانطور که کشورها به تدریج محدودیت های سفر خود را کاهش می دهند و با آغوش باز از گردشگران بین المللی استقبال می کنند، در اینجا لیستی سریع از اطلاعات فرهنگی در مورد برخی از جزایر جذاب قاره پهناور آسیا برای سفر بعدی شما آورده شده است!

مالزی

اعتبار عکس: Bajau Laut – MABUL

ساکنان جزیره بوهی دولانگ – باجائو لاوت (کولی های دریایی)
جمعیت: 3000 نفر تخمین زده می شود
مذهب: اکثرا مسلمان
زبان: ساما-باجائو، زیرگروهی از خانواده زبان‌های استرالیایی
شناخته شده برای: غواصان آزاد استثنایی بودن، تسلط بر هنر غواصی آزاد تا اعماق بیش از 20 متر در حالی که نفس خود را برای چند دقیقه حبس می کنند. آنها همچنین در ماهیگیری و غواصی عالی هستند و اغلب در ساخت خانه های انبوه و قایق هایی به نام لپا مهارت دارند.

باجائو لاوت که به عنوان استادان واقعی دریا شناخته می شود، برای نسل های زیادی در آب های مثلث مرجانی بین مالزی، فیلیپین و اندونزی پرسه می زند. بسیاری از آنها در قایق های چوبی از کلبه های چوبی ساخته شده در بالای صخره های مرجانی زندگی می کنند. در مالزی، آنها را می توان عمدتا در Mabul، Bohey Dulang، Sibuan، Maiga، Mantabuan، Selakan و Omadal یافت. اعتقاد بر این است که بسیاری از آنها زمان زیادی را در بیرون از آب می گذرانند که اگر روزی پا به خشکی بگذارند، بسیاری از آنها احساس “بیماری زمین” می کنند.


اندونزی

اعتبار عکس: ویکی پدیا

ساکنان جزیره لومبوک – قبیله ساساک جمعیت: 3.6 میلیون نفر تخمین زده می شود
مذهب: عمدتاً مسلمان
زبان: بالی، یک زبان مالایی-پلینزیایی
شناخته شده برای: برای لباس های بافته شده سنتی. زنان قبیله ساساک از سنین پایین بافتنی را آموخته اند و اعتقاد بر این است که اگر دختری نداند، نمی تواند ازدواج کند.

اعتقاد بر این است که مردم ساساک از جاوه و سامباوا مهاجرت کرده‌اند و گفته می‌شود که بالیایی‌ها از بستگان نزدیک هستند، و با وجود اینکه قومیت و زبان مشترکی دارند، مردم ساسااک به جای هندوئیسم، اسلام را پذیرفته‌اند. این روستا متشکل از حدود 150 خانوار است که در خانه‌های کاهگلی با دیوارهای سرگین گاو زندگی می‌کنند که هر ماه برای دفع پشه‌ها و خنک نگه داشتن خانه تازه به خانه زده می‌شود. ساساک ها از طریق بافندگی و کشاورزی امرار معاش می کنند.


کامبوج

دهکده شناور در کوه رونگ، کامبوج

ساکنان جزیره کو رونگ
جمعیت جزیره: 1396 نفر تخمین زده می شود
زبان: خمر
روستاها: روستای Koh Tuich (جنوب شرقی)، Prek Svay (شمال شرقی)، Daem Thkov (شرق)، و Sok San Village (غرب)
روستاهای کوه رونگ عمدتاً دهکده‌های ماهیگیری کوچکی هستند که خانه‌های خود را بر روی خانه‌های چوبی بالای دریا می‌سازند. بسیاری از ساکنان محلی از ماهیگیری و کشت محصولات در مقیاس کوچک زندگی می کنند، اگرچه تعداد فزاینده ای شروع به یافتن شغل در بخش گردشگری جزیره کرده اند که به سرعت در حال رشد است.

این امر به ویژه در مورد روستای Koh Tuich صادق است زیرا نوک جنوب شرقی جزیره محل ورود بسیاری از گردشگران است – این باعث شده است که این منطقه در حال حاضر بیش از منازل مسکونی خانه مشاغل توریستی باشد.


هندوستان

جزیره
جزیره راس، جزایر آندامان

ساکنان جزایر آندامان
جمعیت جزیره: 343125 نفر تخمین زده شده (شامل جزایر نیکوبار)
مذهب: بیشتر آنیمیسم توحیدی (مردم قبیله بر این باورند که پالوگا تنها خداست و مسئول همه اتفاقات روی زمین است). افراد این دین به حضور روح، ارواح و ارواح اعتقاد دارند و بر رویاها تأکید زیادی دارند – به رویاهای خود اجازه می دهند تا در مسیرهای مختلف زندگی خود تصمیم بگیرند. آداب دینی اضافی شامل هندوئیسم، مسیحیت، اسلام، سیک، بودیسم، جینیسم و دیانت بهائی است.

قبایل: قبیله جاراوا، قبیله سنتینلس، جانگیل (در سال 1921 منقرض شد)، اونگه، آندامان بزرگ


فیلیپین

جشنواره Dinagyang در ایلویلو، فیلیپین

ساکنان جزیره بوراکای – آتی و توماندوک
جمعیت: تخمینی 40,363 (در سراسر فیلیپین)
زبان: Ati، Aklanon، Hiligaynon، فیلیپینی
موقعیت جغرافیایی: عمدتاً در جزایر بوراکای، پانای و نگروس متمرکز شده است.
دین: شکلی از آنیمیسم که شامل ارواح خوب و بد است. اعتقاد بر این است که این ارواح ارواح طبیعت هستند که اغلب از رودخانه ها، دریا، آسمان و همچنین کوه ها محافظت می کنند. این ارواح همچنین ممکن است باعث بیماری یا آرامش شوند. مسیحیت همچنین در مناطقی پذیرفته شده است که بیشتر با “بیگانگان” در تماس بوده است.

لباس: ساده با زنانی که دامن‌های پیچیده می‌پوشند که گاهی از پارچه پوست ساخته شده است، و مردانی که لباس‌های کمری می‌پوشند، اما به دلیل مدرن‌سازی، بسیاری از آنها تی‌شرت، شلوار و صندل لاستیکی می‌پوشند.
فرهنگ: مردم آتی در پانای به عنوان پزشکان گیاهان دارویی شناخته می شوند و بسیاری از مردم محلی برای حذف زالو از بدن افراد از آنها کمک می گیرند.

یکی از معدود قبایل ویسایاس، قبایل آتی و توماندوک جزیره پانای اولین کسانی هستند که این منطقه را خانه خود نامیده اند. از نظر ژنتیکی، گفته می شود که آنها به سایر گروه های بومی در کشور – به ویژه، Aetas (یا Negritos) مرتبط هستند زیرا ویژگی های فیزیکی مشابهی دارند.

امارات متحده عربی به مناسبت 50 سالگی، رشد و کیفیت زندگی را ترسیم می کند

امارات متحده عربی (UAE) طی سال‌های پس از تشکیل آن در سال 1971 با سرعت فوق‌العاده‌ای رشد کرده است. و دبی، جایی که بخش عمده ای از جمعیت کشور در آن زندگی می کنند، رشد شهری چشمگیری داشته اند. برای مثال، ابوظبی اکنون شهری مدرن با برج‌های اداری درخشان، شبکه حمل‌ونقل چندوجهی پیچیده، انرژی‌های تجدیدپذیر در مقیاس کاربردی و سیستم آموزشی است که در رتبه 20 برتر جهان قرار دارد.

به مناسبت 50 سالگی امارات متحده عربی
امارات متحده عربی (UAE) با دقت تنوع اقتصاد این کشور را به دور از سلطه نفت پیگیری کرد.

پیش از پنجاهمین سالگرد تأسیس کشور، مرکز آمار و رقابت فدرال امارات متحده عربی (FCSC) با استفاده از GIS نقشه کشور و مردم آن را ترسیم کرد تا میزان پیشرفت کشور را تعیین کند.

FCSC GIS را برای نوسازی گردش کار و تجسم شاخص های آماری که برای بخش هایی مانند بهداشت، آموزش، محیط زیست و اقتصاد جمع آوری می کند، اتخاذ کرد. داده‌های GIS 1Map امارات متحده عربی را تغذیه می‌کند، مجموعه‌ای از لایه‌های نقشه قرار گرفته در یک سایت مرکز، ایجاد شده با استفاده از ArcGIS Hub، که شامل جاده‌ها، امکانات و اطلاعات جمعیتی است. اطلاعات موجود در 1Map به ساکنان این امکان را می دهد که ببینند امارات چگونه عمل می کند و وزارتخانه های دولتی را قادر می سازد تا نقاط قوت و ضعف کشور را ارزیابی کنند تا بتوانند سرمایه گذاری ها را بهتر هدف قرار دهند.

مروا الکابانی، کارشناس GIS در FCSC گفت: “ما طرح زمین آماری GeoStat خود را چهار سال پیش راه اندازی کردیم.” ما با جمع‌آوری مجموعه داده‌های دقیق امکانات از وزارتخانه‌ها، مانند امکانات بهداشت و آموزش، و امکان‌سازی آمار برای ترسیم بیش از ۷۰ شاخص ملی، شروع کردیم.»

تعیین اهداف و رسیدن به اهداف

کشف نفت در دهه 1950 باعث رشد امارات متحده عربی شد و مرواریدسازی، ماهیگیری و کشاورزی را به عنوان صنایع کلیدی جایگزین کرد. دو دهه پیش، تقریباً تمام اقتصاد کشور مبتنی بر نفت بود. اکنون نفت کمتر از 30 درصد از تولید ناخالص داخلی امارات را تشکیل می دهد. مجموعه ای از طرح ها سرمایه گذاری ملی را از وابستگی به نفت دور کرده است.

اعلیحضرت شیخ محمد بن زاید آل نهیان، سومین رئیس جمهور امارات در سال 2015 در مورد این تلاش و تمرکز مداوم به سوی آینده ای بدون نفت صحبت کرد.

در 50 سال آینده، زمانی که ممکن است آخرین بشکه نفت را داشته باشیم، سوال این است که آیا وقتی نفت به خارج از کشور ارسال شود، ناراحت خواهیم شد؟ او درخواست کرد. اگر امروز در بخش‌های مناسب سرمایه‌گذاری کنیم، می‌توانم به شما بگویم، جشن خواهیم گرفت.»

امارات متحده عربی با سرمایه‌گذاری در زیرساخت‌ها، مهمان‌نوازی و گردشگری و فناوری، تنوع‌بخش بوده است. سه صندوق سرمایه گذاری مستقل در امارات وجود دارد که از طرف دولت سرمایه گذاری می کنند، از جمله سازمان سرمایه گذاری ابوظبی که دارایی های نزدیک به 700 میلیارد دلار است. هدف بسیاری از سرمایه گذاری ها بهبود کیفیت زندگی است – برای مثال، با تبدیل امارات متحده عربی به مقصدی برای مراقبت های بهداشتی در سطح جهانی.

کاتالوگ امکانات جامعه امارات متحده عربی به هر کسی اجازه می دهد تا مکان های بهداشتی، آموزشی، تفریحی، مذهبی و فرهنگی را در سراسر کشور جستجو کند.

در تعقیب این هدف، آمار باعث پیشرفت های اجتماعی شده است. اول، امارات باید در مورد سلامت مردم خود بداند. سپس، نیاز به گردآوری جزئیات در مورد امکانات بهداشتی و درمانی داشت.

الکابانی گفت: «ما کاتالوگ تأسیسات ملی را با جمع آوری مجموعه داده های تأسیسات بهداشتی همراه با شاخص هایی مانند تعداد مالکیت عمومی، تعداد تخت آنها و تعداد کادر پزشکی و پزشکان آغاز کردیم. ما آن را برای تغذیه پلت فرم زمین آماری خود ترسیم کردیم. سپس ما امکانات را با نقشه های جمعیتی و اداری خود پوشاندیم تا توزیع جغرافیایی آنها را درک و ارزیابی کنیم.

ساختن یک نقشه مدرن

FCSC توسط وزارت امور کابینه موظف شده است تا داده‌ها را از نهادهای دولت فدرال – از جمله داده‌های مکان در صورت لزوم – به شیوه‌ای یکپارچه جمع‌آوری کند و در عین حال بهترین شیوه‌ها را در مورد کیفیت داده‌ها و استانداردها ایجاد کند. نام و نام تجاری 1Map توسط FCSC از هدف یکپارچه سازی داده های کشور پشتیبانی می کند، که با قابلیت های GIS مدرن برای مقابله با چالش ها در بخش ها هماهنگ است.

تیم FCSC در چهار سال راه طولانی را پیموده است. این کار با تهیه نقشه‌های اداری پایه ملی برای ولسوالی‌ها و بخش‌های فرعی همزمان با تعریف مناطق شهری ملی آغاز شد. این فرآیند شامل تنظیم استانداردهای ملی و هماهنگ سازی داده ها برای تولید یک پایگاه جغرافیایی معتبر و به روز بود.

تیم FCSC GIS با شرکای فدرال و محلی برای پیاده سازی یک پورتال ملی اطلاعات جغرافیایی مشترک کار می کند که داده های مکانی را از شرکا جمع آوری می کند. سپس FCSC داده‌ها را پردازش می‌کند تا آن‌ها را هماهنگ و استاندارد کند و از آن برای ایجاد برنامه‌ها و سایت‌های مختلفی استفاده می‌کند که از طریق پورتال یک‌مپ 1Map به جامعه و شرکای دولتی خدمت می‌کنند.

ایجاد یک اکوسیستم ملی داده دیجیتال یک اولویت کلیدی برای دولت امارات است. FCSC به عنوان نهاد اصلی فدرال برای این تلاش روی پروژه های مختلفی کار کرده است. یکی از این پروژه‌ها، شاخص بلوغ داده‌ها است که هدف آن کمک به آژانس‌ها برای مدیریت و مدیریت داده‌های خود مطابق با استانداردهای بین‌المللی و بهترین شیوه‌ها برای اطمینان از دسترسی، جریان، حاکمیت و کیفیت داده‌ها است. مثال دیگر پروژه شبکه داده امارات است که از تبادل داده های اداری فدرال پشتیبانی می کند.

مناطق شهری در امارات متحده عربی از زمان تأسیس این کشور به شدت رشد کرده است.

در FCSC، حرکت به سمت GIS به آرامی با مجوزهای ArcGIS Pro و ArcGIS Online آغاز شد. اما این سازمان به زودی به ArcGIS Enterprise گسترش یافت تا یکپارچه سازی سیستم ArcGIS هر وزارتخانه را از طریق همکاری پورتال به پورتال امکان پذیر کند. نقشه 1 امارات نقشه‌های اساسی را ارائه می‌کند که هر وزارتخانه با داده‌های خود بر روی آن‌ها می‌سازد. سپس همه وزارتخانه‌ها نقشه‌های خود را از طریق ArcGIS Enterprise به اشتراک می‌گذارند که به آنها اجازه می‌دهد تا قدرت و امنیت داده‌هایی را که ایجاد می‌کنند حفظ کنند.

مجموعه داده های 1Map شامل توزیع جمعیت است. کاربری زمین و مسکن؛ امکانات عمومی مانند بیمارستان ها، مدارس، و مقاصد فرهنگی و مذهبی؛ و مناطق طبیعی و پارک های حفاظت شده. سپس این داده ها بیشتر تجزیه می شوند. به عنوان مثال، با داده های جمعیت، جزئیات جمعیتی اضافه شده – مانند جنسیت، شهروندی، و سن – در مقیاس های جغرافیایی مختلف در دسترس می شود. نقشه ها هر یک از این شاخص ها و همچنین تراکم جمعیت را در سراسر کشور نشان می دهند.

بسیاری از داده های 1Map حساس و محدود هستند. بنابراین در حالی که برخی از مجموعه داده ها عمومی هستند، برخی دیگر فقط در اختیار وزارتخانه های خاص یا محققان تایید شده هستند.

داده‌ها در داشبوردهایی که با داشبوردهای ArcGIS ساخته شده‌اند نمایش داده می‌شوند تا پیشرفت در مسائل را نشان دهند، برخی از آنها مختص اهداف یک وزارتخانه هستند، در حالی که برخی دیگر برای کل کشور اعمال می‌شوند. به عنوان مثال، یک داشبورد در معرض دید عموم، کل تجارت بین المللی غیرنفتی را برای کشور جمع آوری می کند. نقشه های روایی، ساخته شده با ArcGIS StoryMaps، برای برقراری ارتباط بهتر با مردم استفاده می شود.

یک داستان ArcGIS StoryMaps از تصاویر ماهواره‌ای زمین در شب برای نشان دادن رشد شهری در کشور استفاده می‌کند. داده ها با استفاده از ArcGIS Hub سازماندهی می شوند که به نشان دادن پیشرفت کمک می کند. و کارشناسان تجزیه و تحلیل بیشتری بر روی داده ها انجام می دهند تا رهبران را آگاه کنند، پیشرفت سیاست های موجود را بررسی کنند، و سیاست های جدیدی را طراحی کنند که بر پیشبرد کشور تمرکز دارد.

اندازه گیری برای برنامه ریزی، عمل و درک

رقابت در مسائل مربوط به کیفیت زندگی در نحوه عملکرد FCSC نقش اساسی دارد. به عنوان مثال، یک محاسبات اولیه توسط سازمان های بین المللی در مورد دسترسی روستایی به جاده ها نشان داد که تنها 76 درصد از مردم ساکن در مناطق روستایی به یک جاده تمام فصل در فاصله دو کیلومتری دسترسی داشتند.

الکابانی با بیان اینکه چگونه گزارش مجمع جهانی اقتصاد در سال 2019، امارات متحده عربی را در رتبه هفتم جهان از نظر کیفیت زیرساخت های جاده ای قرار داده است، گفت: “جاده های امارات شگفت انگیز هستند، بنابراین منطقی نیست که مناطق روستایی فاقد پوشش جاده ای باشند.” شاخص رفاه لگاتوم، امارات متحده عربی را در رتبه اول رضایت از جاده ها و بزرگراه ها در جهان قرار داد.

ما به مجموعه داده‌ای که سازمان بین‌المللی برای درک آن استفاده کرده بود، نگاه کردیم. الکابانی گفت: سپس مرزهای روستایی و شهری را از شهرداری‌های محلی ادغام کردیم، یک شبکه جمعیتی ملی ایجاد کردیم که آمارهای محلی را برای تخمین جمعیت منعکس می‌کند، و همه این داده‌ها را با شبکه راه‌ها بر اساس روش بانک جهانی پوشش دادیم. اکنون وقتی این شاخص را اجرا می کنیم، نشان می دهد که 99.54 درصد از ساکنان مناطق روستایی به جاده ای در فاصله دو کیلومتری دسترسی دارند.

این یکی از نمونه‌های متعددی بود که نشان می‌دهد چگونه نقشه‌ها به تأیید صحت داده‌ها کمک می‌کنند و چگونه داده‌ها به تأیید صحت نقشه‌ها کمک می‌کنند.


اندازه گیری های شادی
تا سال 2071، صدمین سالگرد تأسیس امارات متحده عربی (امارات متحده عربی)، این کشور قصد دارد «بهترین کشور جهان» باشد، همانطور که در برنامه دولت امارات متحده عربی در سال 2071 آمده است.

با تکیه بر موفقیت های مرکز آمار و رقابت فدرال (FCSC) در نقشه برداری از دستاوردهای کشور تا کنون، پیشرفت در 50 سال آینده بر چهار ستون متمرکز خواهد بود: دولت متمرکز بر آینده، تعالی در آموزش، اقتصاد دانش متنوع و شاد. و جامعه منسجم این طرح بر اساس سخنرانی مرحوم زاید بن سلطان آل نهیان، پدر بنیانگذار امارات متحده عربی است که گفت هدف نهایی این اتحادیه دستیابی به شادی در جامعه است.

یک برنامه ملی برای شادی و رفاه برای کمک به ساکنان امارات متحده عربی در یافتن هدف، زندگی سالم، ایجاد روابط و تحقق پتانسیل خود ایجاد شده است. اندازه‌گیری اهداف از طریق نظرسنجی انجام می‌شود و نقشه‌ها و داشبوردها بر هر شاخص روشن‌تر می‌شوند.

مانند بسیاری از کشورها، آمار رسمی امارات از مدت ها قبل در صفحات گسترده نگهداری می شود. اما به لطف اهداف توسعه پایدار سازمان ملل (SDGs) که در سال 2017 به تصویب رسید، حرکت رو به رشدی برای قرار دادن این اندازه‌گیری‌ها روی نقشه وجود دارد. آموزش و رشد اقتصادی قرار دادن شاخص‌ها بر روی نقشه، نمای مهمی را ارائه می‌کند که به رفع نابرابری‌ها کمک می‌کند و مشخص می‌کند که در کجا باید تأثیرات تغییرات آب و هوایی محدود شود.

وقتی همه‌گیری کووید-19 شیوع پیدا کرد، FCSC به تازگی نقشه‌های امکانات بهداشتی و توزیع جمعیت را راه‌اندازی کرده بود. این داده ها برای شناسایی مناطق در معرض خطر و کمک به رهبران در درک اهمیت نقشه ها و زمین آمار برای مدیریت بحران حیاتی شد.

الکابانی گفت: «ذینفعان دولتی استفاده از GIS و قابلیت‌های اطلاعات مکانی را در بخش‌های مختلف تأیید می‌کنند، با تقاضای رو به رشد برای جلسات مبتنی بر نقشه که در آن داشبوردهای جغرافیایی به‌عنوان یک ابزار پشتیبانی تصمیم‌گیری استفاده می‌شوند».

اخیرا، FCSC از تصاویر ماهواره ای و یادگیری ماشینی برای پر کردن شکاف های داده استفاده می کند. این تیم تمام ردپای ساختمان‌ها را در سراسر کشور جمع‌آوری کرده است و از داده‌های کنتور هوشمند در مورد مصرف برق و گاز برای استخراج تخمین جمعیت برای محل زندگی و کار مردم استفاده کرده است. FCSC به طور مستمر به منابع داده غیرسنتی مانند استفاده از داده های مکان تلفن ناشناس برای درک الگوهای حرکتی افراد نگاه می کند. این به مقایسه امکانات و فرصت ها در مناطق مختلف جغرافیایی کمک می کند، که ورودی عالی برای اهداف برنامه ریزی است.

“ما باید آماده باشیم. الکابانی گفت: ما باید داده های خود را آماده کنیم. ما باید رفاه و رقابت را بسنجیم تا اطمینان حاصل کنیم که استانداردهای کیفیت زندگی بالا حفظ و ارتقا می‌یابد.»

داده های GIS برای آژانس مهاجرت سازمان ملل ضروری است؛کمک به زمینه خاص و سیاست گذاری صحیح

نوشته Frédérique Coumans 

سازمان بین المللی مهاجرت یک کاربر اصلی از داده های GIS است. داده های جغرافیایی قابل دسترس، قابل اعتماد و به موقع در کار آن در دنیای به سرعت در حال تغییر امروز که در آن بیش از صد میلیون نفر در سراسر جهان تنها در ماه می آواره شدند، ضروری است. استفاده از قدرت داده‌های مکانی نه تنها برای سیاست‌گذاری مرتبط با مهاجرت ضروری است، بلکه برای حمایت از تصمیم‌گیری آگاهانه و اقدام مؤثر در محل در یک بحران انسانی ضروری است.

سازمان بین المللی مهاجرت (IOM)، که بخشی از سیستم سازمان ملل متحد است، خدمات و توصیه هایی را برای تحقق مهاجرت انسانی و منظم به نفع همه دولت ها و مهاجران ارائه می دهد. سیستم های اطلاعات مکانی (GIS) و مدیریت داده ها برای ماموریت IOM بسیار مهم هستند.

محمد بکر، مسئول سیستم‌های اطلاعات جغرافیایی در دفتر مرکزی IOM در ژنو، سوئیس، می‌گوید: «داده‌های جغرافیایی کاملاً با زمینه‌های مهاجرت و جابه‌جایی داخلی مرتبط هستند که کاملاً مبتنی بر مکان هستند». ابزارهای GIS طیف وسیعی از کاربردها برای IOM دارند، به ویژه برای ماتریس ردیابی جابجایی (DTM) که کل جهان را پوشش می دهد.

ردیابی جمعیت های آواره

DTM برای جمع آوری و تجزیه و تحلیل داده ها به منظور انتشار اطلاعات حیاتی چند لایه در مورد تحرک، آسیب پذیری ها و نیازهای جمعیت های آواره استفاده می شود. این ماتریس داده های مبتنی بر شواهد را به IOM و سایر ذینفعان ارائه می دهد تا بتوانند تصمیمات آگاهانه ای در مورد برنامه ریزی کمک و بازیابی در جوامع آسیب دیده اتخاذ کنند.

ما به طور سیستماتیک اطلاعات مکانی را در مورد الگوهای تحرک انسانی در سراسر جهان مدیریت می کنیم. با بیش از 7000 گردآورنده داده و بیش از 600 متخصص فنی در بیش از 80 کشور، حضور جهانی ماتریس ردیابی جابجایی بسیار زیاد است. خروجی منتشر شده ما – گزارش ها، نقشه ها و مجموعه داده ها – نزدیک به 1.5 میلیون بار دانلود شده است.

این کارایی عملیاتی را بهبود می بخشد، به ویژه در بحران های بشردوستانه که در آن داده های قابل اعتماد و به روز در مورد پویایی جابجایی می تواند عواقب نجات بخش داشته باشد. نیازی به گفتن نیست که تجسم‌های آنلاین GIS نتایج و شاخص‌های کلیدی را بر روی نقشه‌ها و محصولات آماری آسان‌خوان برای مخاطبان گسترده نشان می‌دهد. به عنوان مثال، در پاسخ به همه‌گیری COVID-19، تیم تجزیه و تحلیل جغرافیایی DTM از تجسم جغرافیایی اثرات COVID-19 بر تحرک انسان در سطوح جهانی، منطقه‌ای و کشوری پشتیبانی کرد.

اردوگاه پناهندگان در بنگلادش. داده های ارتفاع از تصاویر پهپاد به IOM اجازه می دهد تا پناهگاه های در معرض خطر سیل و رانش زمین را تجزیه و تحلیل کند. (تصویر با احترام: IOM)

علاوه بر DTM، داده های جغرافیایی نیز برای پروژه مهاجران گمشده IOM که در سال 2014 برای مستندسازی مرگ و میر و ناپدید شدن در طول سفرهای مهاجرتی در سراسر جهان اجرا شد، جمع آوری شده است. هر مکان نشان دهنده یک حادثه مرگ یا ناپدید شدن یک مهاجر است. هر عدد نشان دهنده یک شخص و همچنین خانواده ها و جوامعی است که آنها از خود به جای گذاشته اند.

بکر می‌گوید موقعیت‌های جغرافیایی ثبت‌شده حوادث تخمینی هستند، اما برای ترسیم خطراتی که افرادی که خانه‌های خود را به دنبال زندگی بهتر ترک می‌کنند، در طول سفر با آن‌ها مواجه می‌شوند.» ما اخیراً به نقطه عطف وحشتناک 50000 مرگ ثبت شده در طول مهاجرت رسیده ایم. چالش‌های اطلاعاتی فراوان در زمینه ثبت مرگ و میر در طول جابجایی‌های نامنظم به این معنی است که تعداد بیشتری از آنها بدون سند باقی می‌مانند.»

چالش ها

او و 25 همکارش متخصص GIS در سراسر جهان با اطمینان از استفاده مؤثر از سیستم‌ها و زیرساخت‌های داده، به ویژه در مواقع اضطراری، به عملیات IOM کمک می‌کنند. همچنین مسئولیت هماهنگی انبار داده مرکزی DTM و اطمینان از جریان روان داده ها از ارزیابی های مختلف و جمع آوری داده های مکانی به وب سایت ها، ژئوپورتال ها و سایر برنامه های IOM/DTM است.

چالش‌های خاصی برای مدیریت داده‌ها وجود دارد که باید با آنها مقابله کرد، زیرا اغلب مربوط به مناطقی است که – مطمئناً در آن لحظه – تنها داده‌های ژئودتیکی موجود غیرقابل اعتماد هستند. بکر توضیح می دهد: “تغییرات سریع سرزمینی به دلیل بلایای طبیعی یا در دسترس نبودن مرزهای اداری رسمی، داشتن یک پایگاه محکم برای جمع آوری و تجسم داده ها در پایین ترین سطح اداری را دشوار می کند.” ما عمدتاً با ایجاد مرزهای عملیاتی برای حصول اطمینان از جمع‌آوری داده‌ها با کیفیت مناسب، روی این موضوع کار می‌کنیم. این مرزهای عملیاتی فقط برای استفاده محدود به منظور اطلاع رسانی به جامعه بشردوستانه از دقیق ترین روند جابجایی و مهاجرت است.

نگرانی ویژه دیگر دسترسی به داده های مربوط به وضعیت واقعی است. تصاویر ماهواره‌ای و نقشه‌های GIS برای ارائه اطلاعات لازم برای ارزیابی و پایش به تیم‌های واکنش به بلایا کلیدی هستند. با توجه به دشواری به‌دست‌آوردن به‌موقع جدیدترین تصاویر با وضوح بالا، اولویت‌بندی مداخلات و اطمینان از پاسخ مؤثر برای تیم‌های حاضر در زمین می‌تواند چالش برانگیز باشد. برای مقابله با این موضوع، ما همزمان از ارائه دهندگان مختلف تصاویر ماهواره ای درخواست می کنیم، به این امید که به محض وقوع رویداد، این تصاویر برای تجزیه و تحلیل در دسترس قرار گیرند. در بسیاری از موارد می‌توانیم پیش‌بینی کنیم که آنها اتفاق خواهند افتاد، اما دقیقاً نمی‌دانیم چه زمانی.»

GIS
مسیرهای مهاجرت در چندین منطقه از جمله مسیر مدیترانه ای که در اینجا نشان داده شده است، نظارت می شود. IOM از سال 2014 در مجموع 25000 مهاجر کشته یا مفقود شده در این مسیر را ثبت کرده است. (تصویر از: IOM)

سنجش از دور

باکر و تیمش با همکاری سایر سازمان‌های بشردوستانه می‌خواهند زیرساختی را برای استفاده از سنجش از دور برای پشتیبانی از واکنش سریع، کاهش خطر و برنامه‌ریزی در مکان‌هایی که نقشه‌برداری نشده‌اند یا در مکان‌های غیرقابل دسترس هستند، ایجاد کنند. ما بسیار علاقه مند به اجرای مسئولانه سنجش از دور با استفاده از پهپادها (وسایل نقلیه هوایی بدون سرنشین، ویرایش) و تصاویر ماهواره ای در ترکیب با هوش مصنوعی و یادگیری ماشین هستیم.

این امر امکان انتشار سریع اطلاعاتی را فراهم می‌کند که تصمیم‌گیرندگان و امدادگران را قادر می‌سازد تا کمک‌های بهتری را به جمعیت مهاجر ارائه کنند.” یک مثال یک برنامه نظارتی است که در بنگلادش راه اندازی شده است که نیازها و آسیب پذیری ها را از طریق یک چارچوب مدیریت اطلاعات گسترده ردیابی می کند. مکان هایی که مردم در طی سیل اخیر در آنجا پناه گرفتند، با استفاده از یادگیری ماشین (با همکاری مرکز ماهواره ای سازمان ملل) ردیابی و نقشه برداری می شوند. داده های نقشه که مکان موقت را نشان می دهد بر اساس تجزیه و تحلیل تصاویر پهپاد است.

داده‌های ارتفاعی با وضوح بالا از تصاویر پهپاد به IOM (با همکاری ناسا) اجازه مدل‌سازی سیل‌ها و لغزش‌های آینده را داده است. این همچنین ما را قادر می سازد تا پناهگاه های در معرض خطر در این مناطق را تجزیه و تحلیل کنیم و از واکنش کافی حمایت کنیم.

وقتی از بکر در مورد اولویت‌های سال آینده پرسیده می‌شود، پاسخ می‌دهد: «اولویت‌ها بر اساس آنچه می‌بینیم در حال وقوع است، تعیین می‌شود. اما برای ما به عنوان کارشناسان اطلاعات جغرافیایی، ما توجه ویژه ای به ارائه فیدهای زنده از روند مهاجرت و سایر داده های مرتبط به مرکز داده های جغرافیایی شبکه سازمان ملل خواهیم داشت.

ما روش های تجزیه و تحلیل جغرافیایی خود را با همه آژانس های سازمان ملل به اشتراک خواهیم گذاشت. این امر در دسترس بودن جهانی داده های مکانی مبتنی بر شواهد در مورد مهاجرت و جابجایی را تقویت می کند. اگر این تصمیمات آگاهانه تر را افزایش دهد، تأثیرات مثبت آن برای مهاجران و جامعه به عنوان یک کل می تواند بسیار زیاد باشد.»

درباره سازمان بین المللی مهاجرت

سازمان بین المللی مهاجرت (IOM) که در سال 1951 تأسیس شد، سازمان بین المللی پیشرو در زمینه مهاجرت است. این سازمان بخشی از سیستم سازمان ملل متحد است و دارای 174 کشور عضو، 8 کشور با وضعیت ناظر و دفاتر در بیش از 100 کشور است. این سازمان به ترویج مهاجرت انسانی و منظم به نفع همه اختصاص دارد. بودجه ای معادل 2.5 میلیارد دلار و 17761 کارمند در 523 مکان دارد. IOM در جستجوی راه حل های عملی برای مشکلات مهاجرت کمک می کند و به مهاجران نیازمند، از جمله پناهندگان و آوارگان داخلی کمک های بشردوستانه ارائه می کند.

سال گذشته، علی‌رغم تأثیرات همه‌گیری COVID-19، کمک‌های بشردوستانه IOM به 31.7 میلیون نفر رسید. این سازمان همچنین از پیشبرد قوانین مهاجرت بین‌المللی، بحث‌ها و راهنمایی‌های سیاسی، حمایت از حقوق مهاجران، سلامت مهاجرت و بعد جنسیتی مهاجرت حمایت می‌کند.

این مقاله بر روی GIS و ردیابی جابجایی IOM تمرکز دارد. در سال 2021، داده های مربوط به تحرک جمعیت در 78 کشور جمع آوری، تجزیه و تحلیل و منتشر شد. با تجزیه و تحلیل جغرافیایی داده های جابجایی و جریان، ماتریس ردیابی جابجایی (DTM) منجر به انتشار بیش از 2400 گزارش، محصولات نقشه برداری و مجموعه داده ها شده است و محصولات آن 1.5 میلیون بار دانلود شده است.

DTM علاوه بر اینکه به طور سیستماتیک در عملیات واکنش بشردوستانه، فرآیندهای بازیابی و بازگشت مستقر می شود، به عنوان یک ابزار آمادگی نیز بسیار موثر است، به عنوان مثال. برای نقشه برداری از مکان های تخلیه و جابجایی احتمالی.

GIS GIS GIS GIS GIS GIS GIS GIS GIS GIS GIS GIS GIS GIS GIS GIS GIS GIS GIS GIS GIS GIS GIS GIS GIS GIS

نقشه‌ها را می‌توان برای شناسایی پناهگاه‌های موقت جدید، با ردیابی تکامل بر اساس تجزیه و تحلیل تصاویر پهپاد (در این مورد 7604 پناهگاه) استفاده کرد. کاربران می توانند برای سهولت مقایسه بین نقشه ها از تاریخ های مختلف جابجا شوند. (تصویر از: IOM)

مطالعه بیشتر:

https://www.iom.int

https://displacement.iom.int

GIS به باستان شناسان کمک می کند تا سفر مادر را ردیابی کنند

“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.

نقشه: ویلیام تولو

لیدار و ALS

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

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

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

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

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

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

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

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

نوشته:  Anders LoggVasilis 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.

آوردن تجزیه و تحلیل فضایی داده های بزرگ به ابر

به دلیل اندازه آن، ذخیره داده های بزرگ (BIG DATA) با استفاده از نرم افزارهای سنتی پردازش داده ها دشوار و پردازش آنها پیچیده است. به جای انتقال داده های بزرگ به محیط های محاسباتی تخصصی، سازمان ها معمولاً این داده ها را در ابرهای مدیریت شده ذخیره و تجزیه و تحلیل می کنند.

ArcGIS GeoAnalytics Engine قدرت قابلیت‌های تجزیه و تحلیل فضایی Esri را به جایی می‌آورد که داده‌های بزرگ (BIG DATA) مبتنی بر ابر سازمان‌ها زندگی می‌کنند: در دریاچه‌های داده، انبارهای داده و پایگاه‌های داده. محیط های ابری پشتیبانی شده عبارتند از Microsoft Azure Synapse Analytics، Amazon EMR و Google Cloud Dataproc.

با استفاده از ابزار تجزیه و تحلیل Find Hot Spots در ArcGIS GeoAnalytics Engine، دانشمندان داده 16 میلیارد رکورد تلفن همراه را پردازش کردند تا الگوهای قدرت سیگنال سلولی را در سراسر ایالات متحده ایجاد کنند. (داده های Cell Analytics با رضایت قبلی Ookla، تکثیر، تجزیه و تحلیل و منتشر شد.)

دانشمندان داده و تحلیلگران GIS مستقیماً از داخل Apache Spark، موتور پردازش داده در مقیاس بزرگ که برای تجزیه و تحلیل داده های بزرگ(BIG DATA) طراحی شده است، به GeoAnalytics Engine دسترسی دارند. این باعث می‌شود که تجزیه و تحلیل فضایی روی داده‌های بزرگ(BIG DATA) سریع‌تر و کارآمدتر شود در حالی که فراتر از اصول اولیه است.

انجام تجزیه و تحلیل در جایی که داده ها ذخیره می شوند

در گذشته، داده ها باید به جایی منتقل می شدند که تجزیه و تحلیل در دسترس بود، معمولاً در محیط های تحلیل تخصصی. اما انتقال داده های انبوه هزینه زیادی دارد و زمان بر است و سیلوهای داده را ایجاد می کند.

اساساً به همین دلیل است که دانشمندان داده Spark – یک موتور تجزیه و تحلیل منبع باز که برای پردازش مقادیر زیادی داده استفاده می شود – به عنوان محیط کلان داده انتخابی خود انتخاب کردند. از محاسبات خوشه‌ای برای افزایش سرعت پردازش داده‌های بزرگ (BIG DATA) استفاده می‌کند در حالی که میزبان کتابخانه‌های مختلف توابع تحلیلی است که مستقیماً به داده‌هایی که در آن ذخیره می‌شوند تحویل داده می‌شوند.

GeoAnalytics Engine بومی Spark است، بنابراین از قدرت محاسباتی Spark استفاده می کند و در عین حال حجم عظیمی از داده های مکانی را به سرعت پردازش می کند. بدون GeoAnalytics Engine، پردازش مجموعه داده های بزرگ (BIG DATA) می تواند ساعت ها یا حتی روزها طول بکشد. اما تست بنچمارک انجام شده توسط Esri نشان می‌دهد که عملکرد GeoAnalytics Engine 10 تا 100 برابر سریع‌تر از سایر گزینه‌های تحلیل فضایی منبع باز است.

پردازش 16 میلیارد رکورد در پنج دقیقه

سازمان‌های دولتی و سازمان‌های تجاری اغلب با ده‌ها میلیارد رکورد کار می‌کنند تا اطلاعات عملی را از داده‌ها به دست آورند. به عنوان مثال، داده های پوشش شبکه سلولی بسیار زیاد است و اگر تجزیه و تحلیل فضایی مناسب روی آن اعمال شود، می تواند اطلاعات زیادی را نشان دهد.

استفاده‌های واقعی از داده‌های پوشش سلولی ناشناس شامل تعیین مکان‌های پوشش رضایت‌بخش یا نامطلوب شبکه‌های تلفن همراه و یافتن تعداد افراد در یک سایت خاص برای مدت زمان خاص است. Cell Analytics، از شریک Esri Ookla، داده های بزرگی را در مورد نحوه عملکرد شبکه های سلولی در سراسر جهان هر روز جمع آوری می کند.

با استفاده از مجموعه داده ای از حدود 16 میلیارد رکورد غیرشخصی از Cell Analytics (مجموعه داده پوشش سلولی از Speedtest)، تیمی از دانشمندان داده در Esri از ابزارهای Find Hot Spots و Find Dwell Locations در GeoAnalytics Engine برای شناسایی الگوهای قدرت سیگنال سلولی و انسان استفاده کردند. حضور و تحرک استخراج، تبدیل، بارگذاری و تجزیه و تحلیل 16 میلیارد رکورد کمتر از پنج دقیقه طول کشید. سپس این تیم توانست به سرعت داشبوردهای تعاملی، برنامه های وب و موبایل، داستان های مبتنی بر نقشه و مدل های تحلیلی بسازد تا اطلاعات عملی را با سهامداران به اشتراک بگذارد.

در این سناریو، اگر دانشمندان داده از بسته‌های تحلیل فضایی سنتی استفاده می‌کردند، باید داده‌ها را به صورت جغرافیایی فهرست‌بندی می‌کردند که زمان قابل‌توجهی را می‌طلبد. GeoAnalytics Engine به کاربران این امکان را می‌دهد که از آن مرحله بگذرند و داده‌های مکانی را فوراً به کار گیرند و فرآیند رسیدن از داده‌های خام به نتایج عملی را ساده‌تر کند.

این بدان معنی است که تجزیه و تحلیل داده ها می تواند بلافاصله شروع شود. کاربران می توانند به جای از دست دادن زمان ارزشمند برای جابجایی و آماده سازی داده ها، بر پشتیبانی از ماموریت در دست تمرکز کنند. و پس از تولید، نتایج تجزیه و تحلیل به راحتی قابل ارتباط است تا ذینفعان بتوانند عمل کنند.

BIG DATA
یک نقشه هگزبین، خوشه هایی از 311 تماس و زمان پاسخ را نشان می دهد. سطل‌های تاریک‌تر مناطقی را نشان می‌دهند که کمک تماس با 311 کارآمدی کمتری داشت. (داده ها توسط شهر نیویورک ارائه شده است.)

دیدن تصویر کامل

GeoAnalytics Engine کاربران را قادر می سازد تا تحلیل های جامعی از موقعیت های خاص ایجاد کنند. دارای کتابخانه ای از بیش از 120 توابع و ابزار تجزیه و تحلیل – از ابزارهای تبدیل ساده و تجمیع فضایی تا الگوریتم های آماری پیشرفته که در بسته های منبع باز موجود نیستند – در یک گردش کار استاندارد تجزیه و تحلیل کلان داده ها. بنابراین، دانشمندان داده و تحلیلگران GIS دیگر مجبور نیستند بسته های تجزیه و تحلیل فضایی را با هم وصله کنند تا تصویر کاملی از یک موقعیت بدست آورند.

برای انجام تجزیه و تحلیل کامل تصویر با GeoAnalytics Engine، دانشمندان داده در Esri اطلاعات عمومی را از وب‌سایت داده‌های باز شهر نیویورک به‌دست آوردند تا ببینند که در کجا شکایت‌های نویز در تعداد زیاد رخ می‌دهد. مقامات شهری می‌توانند از نتایج تحلیلی مانند این برای شناسایی مکان‌هایی که نیاز به استفاده از منابع دستکاری نویز بیشتری دارد استفاده کنند.

در نیویورک، ساکنان می‌توانند با مرکز خدمات مشتریان 311 شهر تماس بگیرند یا پیامی ارسال کنند تا شکایت‌های صوتی را مطرح کنند (و به سایر خدمات شهری غیر اضطراری دسترسی پیدا کنند). تیم Esri برای انجام تجزیه و تحلیل، 27 میلیون پرونده شکایت نویز را برای یک دوره 10 ساله به دست آورد.

اگر اعضای تیم برای پاسخ دادن به سؤال اصلی خود به تجزیه و تحلیل سنتی متکی بودند، می توانستند از داده های 311 برای تعیین اینکه آیا شکایات نویز افزایش یافته، کاهش یافته یا ثابت مانده اند استفاده می کردند، اما یافتن اینکه کجاست بسیار دشوارتر بود. و اینکه شکایات چه زمانی رخ داده است و چه مدت طول کشیده است تا به آنها پاسخ داده شود. اینجاست که تحلیل فضایی وارد می‌شود.

با استفاده از GeoAnalytics Engine برای پردازش داده‌ها، تیم یک نقشه هگزبین ایجاد کرد تا خوشه‌هایی از 311 شکایت نویز را به همراه زمان‌های پاسخ مربوط به آنها نشان دهد. سطل‌های تیره‌تر روی نقشه، مناطقی را نشان می‌دهند که پاسخگویی مقامات شهری به شکایات مربوط به سر و صدا بیشتر طول می‌کشد که نشان‌دهنده کارآمدی کمتر خدمات 311 است.

ادامه به تکامل تجزیه و تحلیل فضایی کلان داده(BIG DATA)

از آنجایی که سازمان‌ها حجم بیشتری از داده‌های مکانی را به دست می‌آورند که نیاز به پردازش و تجزیه و تحلیل دارند، قابلیت‌های GeoAnalytics Engine همچنان به رشد خود ادامه می‌دهند. نسخه‌های آینده بر افزودن ابزارها و توابع، پیشبرد نحوه ورود و به اشتراک‌گذاری داده‌ها از موتور GeoAnalytics و افزایش قابلیت‌های تجسم تمرکز خواهند کرد.

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

بیشتر بدانید

با ArcGIS GeoAnalytics Engine شروع کنید.