علمی - پژوهشی
محمد آخوندی؛ محمد سعدی مسگری؛ محمدرضا ملک؛ امید عسگری سیچانی
دوره 9، شماره 2 ، اسفند 1396، صفحه 1-20
چکیده
ترافیک شهری در دنیای امروز، بهخصوص در کلانشهرها، یکی از مشکلات مهم و فراگیر محسوب میشود. در سالهای اخیر برای غلبه بر این مشکل، راهحلهای بسیاری پیشنهاد شده که بیشتر آنها برمبنای مدلسازی کلان ترافیک شهری عرضه شدهاند. ولی بهدلیل پیچیدگیهای زیاد محیط شهری و عوامل متعدد و متفاوت مؤثر در ترافیک شهری، این مدلها نمیتوانند ...
بیشتر
ترافیک شهری در دنیای امروز، بهخصوص در کلانشهرها، یکی از مشکلات مهم و فراگیر محسوب میشود. در سالهای اخیر برای غلبه بر این مشکل، راهحلهای بسیاری پیشنهاد شده که بیشتر آنها برمبنای مدلسازی کلان ترافیک شهری عرضه شدهاند. ولی بهدلیل پیچیدگیهای زیاد محیط شهری و عوامل متعدد و متفاوت مؤثر در ترافیک شهری، این مدلها نمیتوانند بهخوبی فضای دینامیک و متغیر ترافیک شهری را مدلسازی کنند. در مقابل، بهدلیل قابلیت بالای عاملها در مدلسازی تعاملات مؤلفههای مؤثر در ترافیک و همچنین مدلسازی فضای متغیر محیط شهری، روش عامل مبنا روشی مناسب و نویدبخش برای مدلسازی ترافیک شهری بهشمار میرود. با توجه به مطالب بیانشده، در این تحقیق، بهمنظور ارتقا و بهبود مسیریابی وسائط نقلیه برمبنای ایجاد قابلیت ارسال و دریافت اطلاعات ترافیکی در میان مؤلفههای ترافیک، یک مدل عامل مبنا مطرح شده است. همچنین، در این مدل، چراغهای راهنمایی و در واقع کنترل سبز و قرمزشدن آنها، با توجه به وضعیت ترافیکی (تعداد اتومبیلها) در خیابانهای متصل به تقاطعهای در معرض کنترل، هوشمندسازی شده است. در مدل مطرحشده، فرض شده است تمامی وسایل نقلیه به GPS و وسایل ارتباطی مناسب مجهزند. برای پیادهسازی از پلتفُرم JADE و کتابخانة کلاسهای آن استفاده شده است. درنهایت، دادههای شبیهسازی مناسب به مدل وارد شده و نتایج حاصل از روشها و سناریوهای گوناگون مطرحشده در مدل، از منظر کاهش ترافیک و میانگین زمان سفر در شبکة حملونقل شهری، ارزیابی شده است.
علمی - پژوهشی
سارا صالحی؛ محمدجواد ولدان زوج؛ محمودرضا صاحبی
دوره 9، شماره 2 ، اسفند 1396، صفحه 21-40
چکیده
استفاده از دادههای چندکانالة1 سنجندههای رادار با روزنة مجازی (SAR)2، بهدلیل مستقلبودن از شرایط جوی و نور خورشید و نیز دارابودن قابلیت بالا در استخراج تغییرات، در مقایسه با حالت تککاناله، در کاربردهای متفاوتی مانند نظارت بر محیطزیست و مدیریت بلایای طبیعی بسیار توجیهپذیر است. با این حال، بهرهبرداری از این قابلیتها به استفاده ...
بیشتر
استفاده از دادههای چندکانالة1 سنجندههای رادار با روزنة مجازی (SAR)2، بهدلیل مستقلبودن از شرایط جوی و نور خورشید و نیز دارابودن قابلیت بالا در استخراج تغییرات، در مقایسه با حالت تککاناله، در کاربردهای متفاوتی مانند نظارت بر محیطزیست و مدیریت بلایای طبیعی بسیار توجیهپذیر است. با این حال، بهرهبرداری از این قابلیتها به استفاده از روشهای دقیق و اتوماتیک برای تولید نقشههای تغییرات از تصاویر اخذشده از منطقة جغرافیایی یکسان، در پلاریزاسیونها یا فرکانسهای گوناگون مربوط به زمانهای متفاوت، نیاز دارد. از سوی دیگر، حساسیت به بافت صحیح برای یک پیکسل میتواند به حذف خطاهای برچسبگذاری پیکسلهای منفرد کمک کند و نقشة تغییرات را بهبود بخشد. حذف نویز لکهای و ماهیت ایزوتروپیک مدلسازی میدانهای تصادفی مارکوف موجب نرمشدن مرزهای مکانی بین مناطق تغییریافته و تغییرنیافته در نقشة تغییرات نهایی میشود. بهمنظور حذف یا دستکم کاهش این اثر نامطلوب، استفاده از مدل مارکوف با هدف دخیلکردن اطلاعات لبهها در فرایند برچسبگذاری پیشنهاد میشود. این روند دقت لبهها در محل مرزهای مکانی را بهبود میبخشد و دقت آشکارسازی تغییرات را ارتقا میدهد. در این تحقیق، یک مدل مارکوف بهمنظور تشخیص نظارتنشدة تغییرات، ازطریق ترکیب اطلاعات موجود در هریک از کانالهایSAR ، اطلاعات بافت مکانی و نیز اطلاعات لبه، معرفی شده و با استفاده از «توابع انرژی» فرموله شده است. بهمنظور برآورد پارامترهای مدل، الگوریتم بیشینهسازی امید ریاضی (EM)3 با روش مشتقات لگاریتمی (MoLC)4 ترکیب شده است. الگوریتم پیشنهادی با استفاده از تصاویر ASAR-ENVISAT بهروش شبیهسازی ارزیابی شده است. براساس نتایج، روش پیشنهادی دقت کلی را، در مقایسه با روشهای موجود آشکارسازی تغییرات (با میانگین 12%)، افزایش داده و قابلیت شناسایی هر سه نوع تغییرات (اندک- متوسط- زیاد) را داراست. این در حالی است که، با درنظرگرفتن اطلاعات باندها و بافت مکانی، قدرت شناسایی تغییرات اندک و متوسط بسیار پایین برآورد شده است. همچنین، با توجه به تعداد دفعات تکرار پایین، زمان اجرای الگوریتم بسیار کاهش یافته است. بهطورکلی، بیشترین دقت الگوریتم، براساس روش پیشنهادی، 67/99% برآورد شد.
علمی - پژوهشی
فرزانه عقیقی؛ امید مهدی عبادتی؛ حسین عقیقی
دوره 9، شماره 2 ، اسفند 1396، صفحه 41-60
چکیده
امروزه در زمینة مدیریت شهری، رباتیک، تولید بازیهای رایانهای و مانند آن، از ابرنقاط لیدار در استخراج عوارض شهری و سهبعدیسازی استفادة گستردهای میشود. خوشهبندی و طبقهبندی نقاط ابری لیدار یکی از گامهای اصلی برای رسیدن به مدلی سهبعدی بهشمار میرود؛ بنابراین، یکی از اهداف این تحقیق را میتوان ارزیابی کارآیی روشهای ...
بیشتر
امروزه در زمینة مدیریت شهری، رباتیک، تولید بازیهای رایانهای و مانند آن، از ابرنقاط لیدار در استخراج عوارض شهری و سهبعدیسازی استفادة گستردهای میشود. خوشهبندی و طبقهبندی نقاط ابری لیدار یکی از گامهای اصلی برای رسیدن به مدلی سهبعدی بهشمار میرود؛ بنابراین، یکی از اهداف این تحقیق را میتوان ارزیابی کارآیی روشهای طبقهبندی Kاٌمین همسایگی نزدیک (KNN)، درخت تصمیم (DT)، بیز ساده (Naïve Bayes)، شبکة عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM) و میدان تصادفی مارکوف (MRF) در طبقهبندی مجموعه دادة لیدار و تصاویر هوایی در محیط پیچیده شهری برشمرد. بدینمنظور، دادههایی که ISPRS از شهر فایهینگن کشور آلمان فراهم آورده، بهکار رفته است. سپس همة ویژگیهای هندسی، مقادیر شدت ثبتشده از سوی لیدار، تصاویر هوایی و نیز ویژگیهای استخراجشدة مبتنیبر مقادیر ویژه را استخراج و بهمنظور تشخیص پنج کلاس اشیای شهری شامل سطوح نفوذناپذیر، ساختمان، گیاهان کمارتفاع، درخت و اتومبیل بهکار برده است. برای محاسبة مقادیر ویژه بهکمک توزیع محلی نقاط، در این مقاله، یک ساختار مکعبی جدید معرفی شده است که در تحقیقات گذشته دیده نشده بود. نتایج نهایی تکنیکهای طبقهبندی بهکاررفته در این تحقیق با استفاده از نقشههای رفرنس ISPRS ارزیابی شدند. نتایج ارزیابی این تحقیق نشان میدهد که مدل MRF با دقت کلی 88.08% و ضریب کاپای 0.83 کارآتر از دیگر طبقهبندیهاست. همچنین، ساختار مکعبی پیشنهادی را میتوان، بهخوبی ساختارهای کروی و استوانهای، در استخراج ویژگیهای مبتنیبر مقادیر ویژه بهکار برد.
علمی - پژوهشی
وحید احمدی؛ عباس علیمحمدی؛ جلال کرمی
دوره 9، شماره 2 ، اسفند 1396، صفحه 61-78
چکیده
مدیریت و برنامهریزی آب شهری، بهویژه در کلانشهرها، اهمیت بسیار زیادی دارد. توسعة مناطق شهری، تبدیل شهرها به کلانشهر و افزایش پیچیدگی عوامل تأثیرگذار در مصرف آب در شهرها سبب دشواری مدیریت مصرف، تأمین و توزیع آب شده است. بنابراین، استخراج قوانین نقش مهمی در کشف الگوهای حاکم بر مجموعة داده و کاهش پیچیدگیها دارد. اصل نظریة ...
بیشتر
مدیریت و برنامهریزی آب شهری، بهویژه در کلانشهرها، اهمیت بسیار زیادی دارد. توسعة مناطق شهری، تبدیل شهرها به کلانشهر و افزایش پیچیدگی عوامل تأثیرگذار در مصرف آب در شهرها سبب دشواری مدیریت مصرف، تأمین و توزیع آب شده است. بنابراین، استخراج قوانین نقش مهمی در کشف الگوهای حاکم بر مجموعة داده و کاهش پیچیدگیها دارد. اصل نظریة مجموعههای راف، که پائولاک در دهة 80 مطرح کرد، روشی توانمند و انعطافپذیر در پردازش دادههای دارای عدم قطعیت شمرده میشود و در این تحقیق، بهمنظور استخراج قوانین حاکم بر مصرف آب، بهکار رفته است. در این تحقیق، از روش ترکیب الگوریتمهای مجموعههای راف و ژنتیک از روشهای دادهکاوی، برای بهبود استخراج قوانین و طبقهبندی دادههای آب مصرفی، با کاربری مسکونی در شهر تهران بهمنزلة منطقة مورد مطالعه استفاده شده است. دادههای مورد استفاده در این تحقیق شامل دادههای اجتماعیـ اقتصادی، محیطی، اقلیمی و فنیـ مدیریتی میشوند. این دادهها به دو زیرمجموعه، شامل 60% با هدف آموزش و 40% بهقصد ارزیابی نتایج، تقسیم شدند. نتایج نشان میدهند که تلفیق الگوریتمهای ژنتیک و مجموعههای راف کارآیی بالاتری برای استخراج مؤثر قوانین از دادههای مصرف آب شهر تهران را دارند. دقت طبقهبندی مجموعه دادة آزمون، ازطریق قوانین استخراجشده از مجموعههای راف، 77% بود. پس از بهینهسازی قوانین با استفاده از الگوریتم ژنتیک در مجموعههای راف، دقت طبقهبندی در نسل ششم، با سرعت همگرایی متوسط، به 88% و در نسل دهم، به 92% افزایش یافت. براساس قوانین استخراجشده، عوامل مؤثر در مصرف سالیانة آب بهترتیب میزان تأثیرگذاری، جمعیت ساکن، آببها، تراکم جمعیت در واحد سطح، بعد خانوار، موقعیت مکانی (عرض جغرافیایی)، تحصیلات ساکنان و سرانة فضای سبز بهشمار میروند.
علمی - پژوهشی
طاهره انصافیمقدم؛ فرامرز خوشاخلاق؛ علیاکبر شمسیپور؛ رضا اخوان؛ طاهر صفرراد؛ فرشاد امیراصلانی
دوره 9، شماره 2 ، اسفند 1396، صفحه 79-98
چکیده
گردوغبار اتمسفر و تعاملات آن با بارش؛ در آبوهوای مناطقی که سرزمینهای خشک و نیمه]شک وسیعی در آن وجود دارد؛ تأثیرات زیادی برجای میگذارد. ابهامات بسیاری درمورد علت تفاوت مقدار بارندگی از محلی به محل دیگر و از زمانی به زمان دیگر وجود دارد؛ بهطوریکه حتی با گسترش دانش و فناوری، هنوز علت این نوسانها کاملاَ مشخص نشده است. امروزه ...
بیشتر
گردوغبار اتمسفر و تعاملات آن با بارش؛ در آبوهوای مناطقی که سرزمینهای خشک و نیمه]شک وسیعی در آن وجود دارد؛ تأثیرات زیادی برجای میگذارد. ابهامات بسیاری درمورد علت تفاوت مقدار بارندگی از محلی به محل دیگر و از زمانی به زمان دیگر وجود دارد؛ بهطوریکه حتی با گسترش دانش و فناوری، هنوز علت این نوسانها کاملاَ مشخص نشده است. امروزه بهمنظور پایش تأثیر رخدادهای گردوغبار بر تغییرات بارندگی، از تصاویر ماهوارهای استفادة گستردهای میشود. هدف از اجرای این تحقیق بررسی روند تغییرات بارندگی، با درنظرگرفتن فراوانی رخدادهای گردوغبار، با استفاده از روشهای آماری خوشهبندی، سنجش از دور و پهنهبندی در محیط GIS، در منطقة جنوبغرب ایران است. این پژوهش تلاشی است برای بارزسازی ارتباط بین فراوانی روزهای همراه با گردوغبار و تغییرات مقادیر بارندگی در ایستگاههای منطقة جنوبغرب ایران. در این تحقیق، مجموعة دادههای روزانة رخدادهای گردوغبار و مقادیر بارندگی روزانة 45 ایستگاه هواشناسی طی سی سال گذشته (2016- 1986) تحلیل شد. دو دسته اطلاعات شامل مجموعه دادههای روزانه، ماهانه، فصلی و سالیانة وقایع گردوغبار و بارش و محصول ضخامت طیف نوری AOD ذرات گردوغبار سنجندة MODISپردازش شدند. درمورد دستة نخست، اطلاعات با استفاده از روش تحلیل خوشهای از بــین وقــایع گــردوغبار، مــوارد گــردوغبار همراه با بارش، در یک روز مشخصشده، پردازش و محاسبه و سپس تحلیل شد. سپس نقشههای بارندگی و فراوانی روزهای گردوغبار، در جنوبغرب ایران، با استفاده از روش میانیابی فاصلة وزنی (IDW) تهیه شد. در گام بعدی، بهمنظور بارزسازی و مشاهدة شدت غلظت گردوغبار، خروجی محصول AOD با استفاده از تصاویر سنجندة MODIS الگوریتم ترکیبیDeep Blue وDark Target، کد 064 در تاریخهای استخراجشده در محیط ArcGIS تبدیل به نقشه شد و مورد تحلیل قرارگرفت. نتایج نشان داد که روش مورد نظر بهخوبی قادر به شناسایی پدیدة گردوغبار در منطقة مورد مطالعه است و میتواند تغییرات غلظت گردوغبار را با دادههای زمینی مورد سنجش قرار داده و مقایسه کند. همچنین، بین پارامتر ضخامت نوری هواویزهها و اطلاعات تاریخی مربوط به فراوانی رخدادهای گردوغبار در گزارشهای سازمان هواشناسی، انطباق بسیار منطقی و روشنی وجود دارد.
علمی - پژوهشی
آیسن یوسفدوست؛ عباس خاشعی سیوکی
دوره 9، شماره 2 ، اسفند 1396، صفحه 99-116
چکیده
در سالهای اخیر، افزایش جمعیت و بهتبع آن، افزایش نیازهای آبی و کاهش کیفیت و آلودگی آبهای زیرزمینی، بهدلیل توسعة صنعت و کشاورزی، موجب توجه به کیفیت منابع آب زیرزمینی شده است. شناسایی و تهیة نقشة پهنهبندی مناطق آسیبپذیر آبخوان، یعنی مناطقی که در آنها امکان نفوذ و پخش آلایندهها از سطح زمین به سیستم آب زیرزمینی وجود دارد، ابزار ...
بیشتر
در سالهای اخیر، افزایش جمعیت و بهتبع آن، افزایش نیازهای آبی و کاهش کیفیت و آلودگی آبهای زیرزمینی، بهدلیل توسعة صنعت و کشاورزی، موجب توجه به کیفیت منابع آب زیرزمینی شده است. شناسایی و تهیة نقشة پهنهبندی مناطق آسیبپذیر آبخوان، یعنی مناطقی که در آنها امکان نفوذ و پخش آلایندهها از سطح زمین به سیستم آب زیرزمینی وجود دارد، ابزار مدیریتی مناسبی برای پیشگیری از آلـودگی منـابع آب زیرزمینی است. در این پژوهش، برای تهیة نقشة پهنهبندی پتانسیل آسیبپذیری آبخوان دشت آستانه، در منطقة کوچصفهان از توابـع استان مازندران، روش دراستیک ((DRASTIC بهکـار گرفته شد که یکی از کاربردیترین روشهـای همپوشـانی است. برای صحتسنجی مدل، از دادههای غلظت نیترات در منطقه استفاده شد. در این منطقه، استفاده از آبهای زیرزمینی برای کشاورزی و تأمین آب شرب اهمیت بسیاری دارد. از سوی دیگر، استفادة بیرویه ازکودهای شیمیایی، بهویژه کودهای نیتروژندار، برای افزایش محصول و نداشتن دقت لازم در تصفیة فاضلاب شهری و صنعتی و رهاسازی آن از پارامترهای مؤثر بر افزایش مقدار نیترات در آبهای زیرزمینی منطقه شمرده میشود. ازاینرو، بررسی آلودگی نیترات که یکی از مهمترین مسائل زیستمحیطی در آبهای زیرزمینی است، بهصورت منظم و دورهای، بسیار مهم و ضروری خواهد بود. به همین علت، نیترات عامل اصلی آسیبپذیری این منطقه معرفی شد. نتایج نشان داد آسیبپذیری آبخوان دشت آستانهـ کوچصفهان در چهار محدوده قـرار دارد. 18/56% دشت دارای آسیبپذیری کـم، 51.29% دارای آسیبپذیری اندک تا متوسط، 28.46% دارای آسیبپذیری متوسط تا زیاد و 1/67% دارای آسیبپذیری زیـاد اسـت. میزان همبستگی بـین شـاخص دراسـتیک (شاخص آسیبپذیری) با غلظت نیترات 80% بهدست آمده است. در ادامه، با کمک چهار روش هوش مصنوعی، شامل شبکة عصبی مصنوعی، مدل فازی، مدل ماشین بردار پشتیبان و فازی- عصبی، مقدار نیترات تخمین زده شد. برای این منظور، دادههای ورودی (پارامترهای دراستیک) و خروجی (مقدار نیترات اندازهگیری و پهنهبندیشده در سی حلقه چاه موجود در منطقه ) مدل و مقادیر نیترات مربوط، به دو دستة آموزش و آزمایش، تقسیم شد. نتایج نشان داد که تمامی مدلهای هوش مصنوعی بهکار گرفتهشده تخمین مناسبی از مقدار نیترات میدهند اما، در این میان، مدل شبکة عصبی بهترین نتایج را دربر داشت؛ بهطوریکه بین نیترات محاسباتی و مقدار نیترات مشاهداتی همبستگی 98 درصدی دیده شد. در ادامه، با انتخاب مدل شبکة عصبی بهمنزلة مدل برتر، کوشش شد با کاهش پارامترهای ورودی، مقدار نیترات تخمین زده شود. درنهایت، مشخص شد که با پنج پارامتر محیط خاک، محیط غیراشباع، محیط اشباع، تراز آب، هدایت هیدرولیکی و حذف دو پارامتر تغذیه و توپوگرافی مقدار همبستگی نیترات تخمینزدهشده با مقدار واقعی نیترات اندازهگیریشده برابر 0.90 است. درنتیجه، میتوان تخمین مناسبی از مقدار نیترات و نیز آسیبپذیری این منطقه داشت. این نکته برتری روشهای هوش مصنوعی در بررسی آسیبپذیری را، ور مقایسه با روش دراستیک، نشان میدهد. نتایج نشان داد که مدلهای هوش مصنوعی روشی کارآ در تخمین آسیبپذیری آبخوان محسوب میشوند و نتایج دقیقی از برآورد پتانسیل آلودگی در منطقة مورد مطالعه میدهند.
علمی - پژوهشی
علی شمسالدینی؛ شهربانو اسماعیلی
دوره 9، شماره 2 ، اسفند 1396، صفحه 117-132
چکیده
در طبقهبندی تصاویر با قدرت تفکیک مکانی متوسط، مانند لندست، تمایز اراضی کشاورزی بدون پوشش گیاهی از زمینهای بایر و همچنین، شناسایی زمینهای بایر از مناطق ساختهشده معمولاً دشوار و همراه با خطاست. به همین علت در این مطالعه، ترکیبهای متفاوتی از ویژگیهای ورودی، بهروشهای طبقهبندی، بهمنظور بررسی امکان ارتقای دقت طبقهبندی ...
بیشتر
در طبقهبندی تصاویر با قدرت تفکیک مکانی متوسط، مانند لندست، تمایز اراضی کشاورزی بدون پوشش گیاهی از زمینهای بایر و همچنین، شناسایی زمینهای بایر از مناطق ساختهشده معمولاً دشوار و همراه با خطاست. به همین علت در این مطالعه، ترکیبهای متفاوتی از ویژگیهای ورودی، بهروشهای طبقهبندی، بهمنظور بررسی امکان ارتقای دقت طبقهبندی مقایسه شد. دادههای ورودی شامل باندهای طیفی تصویر لندست-7، ویژگیهای بافتی شامل ماتریس وقوع همزمان گامهای خاکستری و شاخصهای حرارتی و مکانی پیشنهادی در این تحقیق است. در بررسی حاضر، بهمنظور طبقهبندی سناریوهای متفاوت، از سه روش طبقهبندی شامل بیشترین میزان شباهت، شبکة عصبی و ماشین بردار پشتیبان با هستههای متفاوت استفاده شد. نتایج نشان داد که ادغام تمامی دادههای ورودی و استفاده از روش ماشین بردار پشتیبان با هستة پایة شعاعی، با صحت کلی 81/۹۸% و ضریب کاپا 25/98%، ممکن است نتایجی بهتر از دیگر روشها و سناریوها داشته باشد. همچنین، در تحلیل اهمیت متغیرهای ورودی، با استفاده از روش انتخاب ویژگی برپایة جنگل تصادفی، مشخص شد که شاخصهای پیشنهادی در این مطالعه نقش مهمی در طبقهبندی با صحت بالا و کارآمد داشتهاند.