بهنام تشیع

در سال های اخیر، مطالعه رفتار اشیاء نقطه ای و تجزیه و تحلیل خطوط سیر آن ها در علوم مختلف، بویژه در علوم اطلاعات مکانی [1] ، مورد توجه بسیاری از محققان قرار گرفته است . مطالعات مذکور به درک صحیح الگوهای رفتاری-حرکتی این اشیاء کمک شایانی می کنند. نحوه حرکت اشیاء تا حد زیادی متأثر از زمینه ای است که حرکت در آن صورت می پذیرد . به همین دلیل، تحلیل خطوط سیر اشیا صرفاً با در نظر گرفتن ابعاد مکانی و مکانی-زمانی به درستی شرایط حین حرکت را منعکس نمی کند و منجر به نتایج غیرواقعی می شود.با این حال، روش های موجود اندازه گیری فاصله تنها قادر به اندازه گیری تشابه خطوط سیر در ابعاد مکانی و مکانی-زمانی هستند و معمولاً بعد زمینه را نادیده می گیرند. بنابراین، در این تحقیق، روشی نوین توسعه داده شده است، تا بتوان از طیف وسیعی از اطلاعات زمینه ای کمی و کیفی داخلی و خارجی در کنار ابعاد مکانی-زمانی در فرآیند اندازه گیری تشابه خطوط سیر غیر هم اندازه استفاده کرد. در توسعه روش مذکور، از سیستم های استنتاج فازی برای مدلسازی تشابه خطوط سیر با استفاده از انواع داده های حرکتی و اطلاعات زمینه ای بهره گرفته شده است . برای افزایش کارایی روش پیشنهادی از ساختار سلسله مراتبی مبتنی بر مسئله و تولید و تنظیم همزمان توابع عضویت و مجموعه قواعد از طریق یادگیری استفاده شده است. عملکرد این سیستم با اعمال آن برروی مجموعه خطوط سیر واقعی افراد پیاده و دوچرخه سوار به همراه اطلاعات زمینه ای آنها حین حرکت مورد ارزیابی قرار گرفته است . نتایج بیانگر کارآمدی روش پیشنهادی در اندازه گیری زمینه-آگاه خطوط سیر با اندازه های گوناگون و در ابعاد مختلف است. [1] 3-Geospatial Information Science

در این مقاله، روش جدیدی برای مدل سازی کمی آثار سلامت محیط ناشی از سناریوهای ترافیکی پیشنهاد شده است. برای این منظور، دو مدل مبتنی بر سیستم های استنتاج فازی سلسله مراتبی عرضه شده است. در توسعة مدل مورد استفاده برای ارزیابی تأثیر سیستم حمل و نقل در غلظت ذرات معلق، از داده های مربوط به یک مدل پراکنش استفاده شده است. مدل رگرسیون کاربری اراضی فازی 1حاصل افزون بر مزایایی همچون امکان مدل سازی تغییرات غلظت آلاینده با رزولوشن بالا، حجم پردازش مناسب و لحاظ کردن برهمکنش میان انتشار و فرایندهای آب وهوایی، امکان استفاده از داده های توصیفی و غیرقطعی را نیز دارد. برای توسعة مدل مورد استفاده در ارزیابی تأثیر غلظت ذرات معلق ناشی از ترافیک در سلامت، از یک متریک حاصل از مطالعات اپیدمیولوژیک استفاده شده است. مدل پیشنهادی قابلیت های متریک مذکور را، با ایجاد امکان مدل سازی عدم قطعیت ارتباط میان پارامترها و عدم قطعیت مقادیر پارامترها، بهبود داده است. برای افزایش کارآیی هر دو مدل، از ساختار سلسله مراتبی مبتنی بر مسئله و تولید و تنظیم هم زمان توابع عضویت و مجموعة قواعد ازطریق یادگیری استفاده شده است. برای بررسی کارآیی روش پیشنهادی، تأثیر سه سناریوی ترافیکی در سلامت محیطی در شهر اصفهان ارزیابی شده است. از میان سناریوهای یادشده، طرح مناطق کم انتشار و طرح زوج و فرد، به ترتیب، بیشترین و کمترین مزایای مرتبط با سلامت محیطی را دارند. نتایج حاصل نشان می دهد روش پیشنهادی برای ارزیابی سلامت محیطی، در مقایسه با روش های مشابه، دقت و کارآیی مطلوبی دارد.

آلودگی هوا از جمله پدیده های پیچیده ای است که دارای دینامیک غیرخطی بوده و تأثیر پارامترهای متنوع بر رفتار آن، تجزیه و تحلیل و مدل سازی تغییرات مکانی و زمانی غلظت آلاینده ها را با دشواری های فراوانی مواجه می سازد. هدف از این مطالعه  بهبود دقت مدل سازی آلاینده های هوا به منظور مدیریت مواجهه با استفاده از داده های حاصل از حسگرهای همراه جهت مرتفع ساختن نواقص روش رگرسیون کاربری اراضی [1] است. به منظور بهبود دقت مدل سازی LUR برای تخمین غلظت PM 2.5 از هفت ایستگاه ثابت و چهارده حسگر همراه استفاده گردید. منطقه مورد مطالعه شهر اصفهان است و محل نمونه برداری حسگرهای همراه در مکان هایی با بیشترین پیش بینی عدم قطعیت و بالاترین احتمالی که از یک حد آستانه معین تجاوز می کند، انتخاب شدند؛ سپس از آزمون آماری t برای بررسی معنی دار بودن و یا نبودن بهبود نتایج استفاده گردید. در این تحقیق، چارچوبی برای تأمین دقت مورد نظر با افزودن داده های حاصل از حسگرهای همراه؛ پیشنهاد شده است. نتایج حاصل از این تحقیق نشان داد که خطای جذر میانگین مربعات [2] حاصل از لایه زمین آمار هفت ایستگاه ثابت پایش برابر با  1.802 و RMSE حاصل از ترکیب این ایستگاه ها با چهارده ایستگاه همراه معادل با 0.591 برآورد شد. نتایج  نشان داد که حتی با افزودن یک حسگر همراه به ایستگاه های ثابت میزان RMSE 0.113  میکروگرم بر متر مکعب کاهش می یابد و با افزودن چهارده حسگر همراه به هفت ایستگاه ثابت میزان RMSE حاصل از ساخت مدل LUR حدود سه برابر کاهش می یابد. یافته های حاصل از این تحقیق نشان داد که با استفاده از چارچوب پیشنهادی می توان کیفیت هوا را در هر مکان و زمان  با دقت مورد نظر تخمین زد و قدرت تفکیک بالاتری را برای محیط های ناهمگن شهری فراهم کرد.

بزهکاری مانند دیگر رفتارهای بشر دارای ظرف زمان و مکان است و اعمال مجرمانه می توانند در کانون های جرم خیز در یک مکان و زمان واحد قرار گیرند. هدف این مطالعه، ارائه یک روش سیستماتیک برای شناسایی و نمایش کانون های مکانی و زمانی جرم خیزی است. این روش، اطلاعات مکانی و زمانی را به گونه ای ترکیب می کند تا به طور شهودی پروفایل زمانی کانون های جرم خیز در سطح خرد و کلان (ساعت، سال) قابل ارزیابی باشد. بدین منظور تعداد 5573 فقره سرقت از منازل مسکونی در شهر بوستون آمریکا در بازه زمانی سال 2015 تا 2018 به عنوان جامعه آماری مورد مطالعه قرار گرفت و از قابلیت های GIS برای انجام آزمون های آماری و گرافیکی به منظور شناسایی و نمایش کانون های مکانی و زمانی جرم خیزی استفاده شد. در این تحقیق چهار کانون جرم خیز در خصوص سرقت از منازل مسکونی با استفاده از آزمون تراکم کرنل شناسایی شد. نتایج نشان داد که 78 % سرقت از منازل مسکونی در این چهار کانون مکانی جرم خیزی رخ می دهد که تنها 25 % از کل مساحت منطقه مورد مطالعه را در برمی گیرند. یافته های تحقیق نشان داد که ترکیب کانون مکانی زمانی جرم خیزی با تحلیل زمانی به صورت یکجا و بدون در نظر گرفتن کانون های مکانی جرم خیز در بازه های ماهانه، روزانه و ساعتی تفاوت های قابل ملاحظه دارد؛ اما نتایج تحلیل سالیانه هر چهار کانون در چهار سال مورد بررسی نشان داد که بیشترین میزان وقوع سرقت در سال 2016 و کم ترین میزان سرقت در سال 2018 بوده است. همچنین نتایج نشان داد که بیشترین فراوانی وقوع سرقت از منازل مسکونی در کانونی رخ داده است که کوچک ترین مساحت را در بین کانون ها داشته است.

ازن نزدیک به سطح زمین یکی از آلاینده های بسیار خطرناک است که تأثیرات زیان بار درخور توجهی در سلامت ساکنان مناطق شهری دارد. هدف از این مطالعه شناسایی عوامل مؤثر در غلظت ازن و مدل سازی تغییرات آن، با استفاده از داده های ماهواره ای و روش های گوناگون یادگیری ماشین در شهر تهران است. بدین منظور داده های غلظت آلاینده ها، داده های هواشناسی و دمای سطح خاک، طی بازه زمانی بین سال های 2015 تا 2021، به کار رفت. پس از محاسبه همبستگی بین غلظت ازن و پارامتر های مستقل، طی پنج حالت متفاوت، با پارامترهای ورودی و روش یادگیری متفاوت و به کارگیری پالایش داده ها، غلظت ازن مدل سازی شد. در حالت اول و دوم، مدل سازی با استفاده از داده های غلظت آلاینده ها و داده های هواشناسی با روش رگرسیون خطی چندمتغیره انجام شد. تنها تفاوت این دو حالت، پالایش داده های ورودی به شیوه WTEST در روش دوم است. در حالت سوم، دمای سطح خاک به داده های ورودی افزوده شد و در حالت چهارم و پنجم، به ترتیب مدل سازی ازن با استفاده از شبکه عصبی چندلایه ای و شبکه عصبی بازگشتی انجام شد. مقایسه این حالت ها نشان داد که مدل سازی های مراحل اول تا پنجم، به ترتیب با ضریب تعیین تعدیل شده 5/0، 64/0، 69/0، 74/0 و 8/0 توانایی بازیابی غلظت ازن را داشته اند. همچنین مشخص شد در بین آلاینده های گوناگون، مونوکسید نیتروژن، دی اکسید نیتروژن، نیتراکس و از میان داده های هواشناسی دما، رطوبت و سرعت باد بیشترین تأثیر را در غلظت ازن دارند. افزودن دمای سطح خاک به داده های ورودی نیز افزایش پنج درصدی دقت را در برآورد غلظت ازن، به همراه داشت.