نوید هوشنگی

در این مقاله کارائی مدل های شبکه عصبی مصنوعی (ANN)، سیستم استنتاج عصبی-فازی سازگار (ANFIS)، رگرسیون بردار پشتیبان (SVR) و مدل شبکه عصبی رگرسیون عمومی (GRNN) در تعیین ارتفاع ژئوئید محلی مورد ارزیابی قرار می گیرد. برای انجام اینکار، مختصات ژئودتیکی 26 ایستگاه از شبکه شمال غرب ایران که ارتفاع اورتومتریک (Ho) آنها نیز با ترازیابی درجه یک توسط سازمان نقشه برداری کشور (NCC) اندازه گیری شده، مورد استفاده قرار گرفته است. در این ایستگاه ها، تفاضل ارتفاع اورتومتریک از ارتفاع نرمال (h)، به عنوان ارتفاع ژئوئید (N) در نظر گرفته شده است. بنابراین ورودی مدل های ANN، ANFIS، SVR و GRNN مختصات طول و عرض ژئودتیکی ایستگاه ها بوده و خروجی متناظر با آن، ارتفاع ژئوئید است. آموزش مدل ها با استفاده از 22 و 19 ایستگاه انجام گرفته است. به عبارت دیگر تعداد ایستگاه های آموزش متغیر بوده تا بتوان آنالیز دقیق تری از دقت مدل ها را ارائه نمود. به منظور ارزیابی دقیق تر، نتایج با ژئوئید حاصل از مدل IRG2016 که توسط سازمان نقشه برداری کشور تولید شده، مقایسه می شوند. ارزیابی های انجام گرفته نشان می دهد که در حالت 22 ایستگاه آموزش و 4 ایستگاه آزمون، RMSE مدل های ANN، ANFIS، SVR، GRNN و IRG2016 در مرحله آزمون به ترتیب برابر با 37/32، 19/83، 49/34، 53/82 و 29/65 سانتی متر شده است. اما در حالت 19 ایستگاه آموزش و 7 ایستگاه آزمون، مقادیر خطای مدل ها به ترتیب برابر با 36/63، 58/31، 39/64، 41/29 و 24/68 سانتی متر به دست آمده است. مقایسه RMSE نشان می دهد که مدل ANN با تعداد ایستگاه های آموزش کمتر، دقت بالاتری نسبت به مدل های ANFIS، SVR و GRNN ارائه می دهد. نتایج این مقاله نشان می دهد که با استفاده از مدل های ANN و ANFIS می توان ارتفاع ژئوئید را با دقت بالایی به صورت محلی برآورد کرده و مورد استفاده قرار داد.         

در این مقاله ایده استفاده از مدل شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) به منظور مدل سازی و پیش بینی سری زمانی یونوسفر در دوره فعالیت های شدید خورشیدی به عنوان یک روش جدید ارائه شده است. با استفاده از مدل جدید مقدار محتوای الکترون کلی (TEC) مدل سازی شده و سپس تغییرات زمانی آن در دوره فعالیت های شدید خورشیدی و ژئومغناطیسی (سال 2017) پیش بینی می شود. برای بررسی کارائی روش مورد اشاره، از مشاهدات ایستگاه GPS تهران (N35/69 ، E51/33) که یکی از ایستگاه های شبکه جهانی IGS می باشد، استفاده شده است. مشاهدات سال های 2007 الی 2016 برای آموزش مدل مورد نظر به کار گرفته شده و سپس با مدل آموزش دیده، سری زمانی TEC در سال 2017 پیش بینی می شوند. نتایج حاصل از مدل جدید با نتایج حاصل از مدل شبکه عصبی رگرسیون عمومی (GRNN)، مدل تجربی NeQuick و خروجی شبکه جهانی IGS (GIM-TEC) مقایسه شده است. همچنین از شاخص های آماری ضریب همبستگی، خطای نسبی و جذر خطای مربعی میانگین (RMSE) به منظور بررسی دقت و صحت مدل ها استفاده می شود. مقدار RMSE به دست آمده برای مدل های LSTM، GRNN، GIM و NeQuick در مرحله تست سال 2017 به ترتیب برابر با 2/87، 4/51، 4/14 و 6/38 TECU می باشد. آنالیز مؤلفه های مختصاتی ایستگاه تهران با روش تعیین موقعیت نقطه ای دقیق (PPP) نشان می دهد که با استفاده از مدل جدید، بهبودی در حدود 5/19 الی 56/23 میلیمتر در مختصات ایستگاه نسبت به سایر مدل ها دیده می شود. نتایج حاصل از این تحقیق نشان می دهد که دقت و صحت مدل LSTM برای پیش بینی مقدار TEC در دوره فعالیت های شدید خورشیدی و ژئومغناطیسی، در مقایسه با مدل های GRNN، NeQuick و GIM بیشتر است.

مقدمه:  نظارت و اطلاع از آمار دقیق و بهنگام سطح زیر کشت محصولات کشاورزی و برآورد میزان تولیدات کشاورزی نقش مهمی در برنامه ریزی های صحیح اقتصادی، واردات و صادرات دارد. امروزه به دلیل هزینه ی پایین و سرعت بالای روش های سنجش ازدوری، میزان استفاده از این علم برای تولید آمار به هنگام سطح زیر کشت محصولات زراعی در حال گسترش می باشد.هدف:  هدف اصلی پژوهش حاضر توسعه ی روشی دانش مبنا مبتنی بر مفاهیم شی ءگرایی با لحاظ نمودن شروط مکانی و زمانی به منظور بهبود دقت تمییز محصولات زراعی و همچنین کاهش تعداد نمونه برداری های زمینی می باشد.روش شناسی: تحقیق حاضر در سه مرحله اصلی انجام می شود: مرحله ی اول شامل ایجاد ساختار شی ءگرایی (استخراج ویژگی های هر مزرعه و ذخیره آن)، مرحله ی دوم ایجاد پایگاه دانش بر اساس استخراج امضای طیفی محصولات زراعی مختلف و شروط مکانی-زمانی و مرحله ی سوم شامل تمییز و تعیین نوع محصولات کاشته شده در هر مزرعه بر روی تصاویر ماهواره ای جدید (مجهول) با استفاده از دانش و اطلاعات ذخیره شده در هر مزرعه (شی ء) می باشد.قلمرو جغرافیایی پژوهش:  روش پیشنهادی به دلیل اهمیت و تنوع محصولات دشت مغان با استفاده از اطلاعات (مکانی و طیفی) سال زراعی 1399-۱۳۹8 در  این دشت پیاده سازی شد. همچنین به منظور بررسی قابلیت روش از پایگاه دانش ایجاد شده برای سال زراعی 1400-۱۳۹9 و بدون نمونه برداری های زمینی، استفاده شد.یافته ها و بحث: روش پیشنهادی در سه تاریخ مختلف (اواخر فروردین، اواخر اردیبهشت ماه و اواسط خردادماه) از یک سال زراعی پیاده سازی شد. دقت کلی روش برای تمییز محصولات در تاریخ های بیان شده به ترتیب 66/94، 5/91 و 12/95 درصد محاسبه شد که نسبت به روش طبقه بندی بیشترین شباهت بهبودی بیش از 10 درصد را نشان می دهد. دقت کلی تمییز محصولات در سال 1400-1399 نیز در شرایط بدون استفاده از داده های زمینی به منظور به روز رسانی و تغییر پایگاه دانش روش، برای تاریخ های اول و دوم به ترتیب 3/92 و 6/90 درصد بود.نتیجه گیری:  نتایج نشان داد استفاده از شروط پایگاه دانش که با استفاده از شرایط مکانی-زمانی و رفتار طیفی محصولات زراعی تعیین و تدوین می شوند، موجب افزایش دقت تمییز محصولات زراعی در مقایسه با روش های عادی مانند طبقه بندی بیشترین شباهت می شود. همچنین طبق نتایج تا زمانی که قیود پایگاه دانش ایجاد شده سازگار باشد، می توان بدون نیاز به نمونه برداری زمینی در سال های زراعی بعدی به منظور به روز رسانی پایگاه دانش، از آن برای تمییز محصولات زراعی استفاده نمود. 

محاسبه دقیق مقدار تابش خورشیدی در یک گستره مکانی، نقش مؤثری در اقلیم شناسی و کشاورزی منطقه، برآورد میزان تبخیر و تعرق، مکان یابی نیروگاه خورشیدی و به کارگیری سیستم های فتوولتائیک دارد. دقیق ترین روش برآورد تابش خورشیدی برداشت نقطه ای در ایستگاه های زمینی با استفاده از دستگاه های آفتاب نگار است که در آن اندازه گیری ها با استفاده از روش های درون یابی به یک سطح پیوسته تعمیم داده می شوند. هدف اصلی این تحقیق افزایش دقت پهنه بندی تابش خورشیدی در گستره کشور ایران در قالب روش کوکریجینگ است. بدین منظور ابتدا میزان تابش خورشیدی با استفاده از مدل ارتفاع رقومی (DEM) و ابزار مکانیSolar Radiation  در نرم افزار ArcGIS محاسبه شد. در ادامه ضریب همبستگی (R) بین مقادیر به دست آمده از نرم افزار با مقادیر تابش خورشیدی اندازه گیری شده در ایستگاه های زمینی محاسبه شد. با توجه به 713/0R= بین این دو داده، با روش کوکریجینگ داده ها با هم تلفیق شده و سطح پیوسته تابش خورشیدی برای کل کشور محاسبه شد. نتایج نشان داد که محاسبه تابش خورشیدی با استفاده از ابزار Area Solar GIS در مقایسه با داده های زمینی دقت کافی ندارند؛ ولی تلفیق این دو داده ضمن تأثیردادن توپوگرافی در محاسبه تابش خورشیدی، موجب افزایش دقت درون یابی به اندازه 11 درصد می شود؛ ازاین رو ممکن است مدل های موجود برای برآورد تابش خورشیدی در مقایسه با داده های زمینی در مقیاس کشوری دقت کافی را نداشته باشند، اما می توان از آن ها برای بهبود دقت درون یابی داده های زمینی استفاده کرد. براساس نقشه نهایی اکثر مناطق کشور به غیر از مناطق شمالی و شمال غربی بالاتر از متوسط جهانی (w/m 2 340) تابش خورشیدی دریافت می کنند

در این مقاله با استفاده از روش های مبتنی بر یادگیری مقدار بخار آب قابل بارش (PWV) به صورت مکانی-زمانی مدل سازی شده و سپس پیش بینی می شود. از سه مدل شبکه های عصبی مصنوعی (ANNs)، سیستم استنتاج عصبی-فازی سازگار (ANFIS) و مدل رگرسیون بردار پشتیبان (SVR) برای انجام این کار استفاده شده است. برای مقایسه کارایی و دقت این سه مدل، نتایج حاصل با مشاهدات بخار آب قابل بارش حاصل از ایستگاه رادیوسوند (PWV radiosonde() و بخار آب قابل بارش به دست آمده از مدل تجربی ساستامنین (PWV Saastamoinen) نیز مقایسه شده است. مشاهدات 23 ایستگاه GPS مابین روزهای 300 الی 305 (6 روز) از سال 2011 در منطقه شمال غرب ایران برای ارزیابی مدل ها، به کار گرفته شده است. دلیل انتخاب این منطقه و بازه زمانی مورد نظر، در دسترس بودن مجموعه کاملی از مشاهدات ایستگاه های GPS ، رادیوسوند و ایستگاه های هواشناسی است. از 23 ایستگاه مورد نظر، مشاهدات دو ایستگاه KLBR و GGSH به منظور انجام تست نتایج حاصل کنار گذاشته می شود. در مرحله اول، تأخیر تر زنیتی (ZWD) از مشاهدات 21 ایستگاه GPS محاسبه و سپس تبدیل به مقدار PWV می شود. مقادیر PWV حاصل از این مرحله به عنوان خروجی هر سه مدل در نظر گرفته شده است. همچنین چهار پارامتر طول و عرض جغرافیایی ایستگاه، روز مشاهده (DOY) و زمان (min .) به عنوان ورودی های سه مدل هستند. هر سه مدل با استفاده از الگوریتم پس انتشار خطا (BP) آموزش داده شده و کمینه خطای حاصل در محل ایستگاه رادیوسوند تبریز (38/08N وE 46/28) ، به عنوان معیار پایان آموزش در نظر گرفته شده است. پس از مرحله آموزش، مقدار بخار آب قابل بارش در ایستگاه های تست با هر سه مدل محاسبه و سپس با مقدار بخار آب قابل بارش حاصل از GPS (PWVGPS) مقایسه می شوند. میانگین ضریب همبستگی محاسبه شده برای چهار مدل ANN ، ANFIS ، SVR و Saastamoinen در 6 روز مورد مطالعه به ترتیب برابر با 0/85، 0/88، 0/89 و 0/69 است. همچنین، میانگین RMSE برای چهار مدل در 6 روز به ترتیب برابر با 2/17، 1/90، 1/77 و 5/45 میلی متر شده است. نتایج حاصل از این مقاله نشان می دهد که مدل SVR از قابلیت بسیار بالایی در برآورد مقدار بخار آب قابل بارش برخوردار بوده و از نتایج آن می توان در مباحث مرتبط با هواشناسی و پیش بینی بارش استفاده نمود. 

با توجه به اهمیت استراتژیک شبکه ی انتقال نیرو، شناخت میزان اثرات ناشی از بین رفتن بخش های مختلف در اثر حملات خصمانه، ضرورت داشته و امکان پیش آگاهی و برنامه ریزی را فراهم می کند. هدف اصلی این تحقیق برآورد میزان آسیب پذیری مکانی- جمعیتی استان آذربایجان شرقی ناشی از تخریب زیرساخت های انتقال نیرو در اثر حملات خصمانه می باشد. به این منظور، روشی جدید بر مبنای استفاده از سیستم اطلاعات مکانی (GIS)، تئوری گراف و مفاهیم پدافند غیرعامل ارائه می شود. روش پیشنهادی برای شناسایی المان های مؤثر شبکه ی انتقال نیرو، در چهار سناریوی فرضی (تخریب پست های شهرستان اهر، میانه، جلفا و تیکمه داش) از نظر بعد مکانی و جمعیتی اعمال شد. نتایج تحقیق نشان می دهد که با تخریب پست شهرستان اهر پهنه ای به وسعت 9190 کیلومترمربع دچار خاموشی شده و 287000 نفر تحت تأثیر قرار خواهند گرفت. در مقایسه با تخریب پست برق شهرستان اهر، تخریب پست های شهرستان های میانه، جلفا و تیکمه داش به ترتیب 37، 81 و 15 درصد از نظر مساحت خاموشی و 35، 81 و 44 درصد از نظر جمعیت، محدوده ی کوچک تری را تحت تأثیر قرار می دهد. روش ارائه شده امکان آزمون و برآورد میزان تخریب سناریوهای متعدد را فراهم کرده و می توان از الگوی ایجادشده در زیرساخت های دیگری مانند خطوط نفت و گاز نیز استفاده کرد. 

مدلسازی عامل- مبنا ( ABM ) [1] رویکردی نوین جهت توسعه ی ابزارهای شبیه سازی برای پدیده های پیچیده در حوزه های مختلف از جمله بلایای طبیعی، مطالعات بیولوژیکی و شرایط امداد و نجات زلزله است. این مقاله یک سیستم شبیه سازی برای عملیات امداد و نجات با استفاده از سیستم اطلاعات مکانی ( GIS ) ، سیستم های چندعاملی  ( MAS ) [2] و مفه وم هماهنگ سازی برای انتساب پویای وظایف بین عامل های جستجوگر و عامل های آزادساز را ارائه می دهد . هدف اصلی این مقاله استفاده ازسیستم های چندعاملی برای شبیه سازی فعالیت ها، افزایش ک ارایی گروه های امداد و نجات و ارائه راهکاری جهت یافتن رابطه ی بین تعداد عامل های جستجوگر و آزادساز با در نظر گرفتن حداکثر تعداد شهروندان نجات یافته می باشد. این سیستم می تواند برای مدیریت و تصمیم گیری قبل از زلزله استفاده شود . ارزیابی سیستم توسعه داده شده در قسمتی از منطقه 3 شهر تهران صورت پذیرفت. سیستم پیشنهادی شامل سه بخش است: مدلسازی محیط و گروه های کاری با استفاده از  GIS ، تحلیل عملیات جستجو توسط سیستم چندعاملی و بصری سازی نتایج. لذا ابتدا محیط با استفاده از داده های مکانی مدلسازی شده و سپس مقدار فضایی که هر عامل باید به جست و جو بپردازد برای هر عامل تخصیص داده می شود. در ادامه هر یک از عامل های جستجوگر از الگوریتم کلونی مورچگان برای ترتیب دهی وظایف خود در جهت یافتن راه حلی نزدیک به بهینه برای جستجوی فضای مطالعاتی استفاده می برند . سپس مجروحین پیدا شده توسط عامل ها جست و جوگر، با استفاده از قرارداد شبکه [3] به عامل های آزادساز تخصیص داده می شوند . نتیجه ی این تحقیق در قالب نموداری که رابطه ی تعداد عامل های جستجوگر و عامل های آزادساز (با توجه به تعداد افراد نجات یافته، در صورت هماهنگی عامل ها) را نشان می دهد ارائه شده است. نتیجه ی حاصل الگویی در یافتن تعداد افراد مورد نیاز برای عملیات امداد و نجات در بخش های مختلف شهری و برقراری تعادل بین تعداد نفرات را ارائه می دهد. [1]3- Agent Based Modeling [2]4- Multi Agent System [3]5- Contract net

ایران در کمربند خورشیدی زمین و نواحی پرتابش آن واقع شده است؛ از این رو در بسیاری از نقاط کشور می توان انرژی مورد نیاز را از طریق خورشید تأمین نمود. عوامل متعددی از جمله میزان تابش کلی خورشیدی، زیرساخت های منطقه ای، شبکه های انتقال نیرو در انتخاب مکان بهینه تأثیرگذارند. این تحقیق با استفاده از سیستم های تصمیم گیری چندمعیاره، مبانی فازی سازی و بهره گیری از ابزارهای سیستم اطلاعات جغرافیایی (GIS) به تلفیق عوامل مؤثر در احداث نیروگاه های خورشیدی فتوولتائیک در مقیاس کشوری می پردازد تا پتانسیل مناطق مختلف کشور ایران در ایجاد این نیروگاه ها تعیین شود. جهت تعیین مناطق مساعد روش های تاپسیس (TOPSIS)، فازی تاپسیس (Fuzzy TOPSIS) و فازی سوگنو (Fuzzy Sugeno) اجرا و قابلیت آن ها مورد ارزیابی و مقایسه قرار گرفتند. پس از اخذ نظرات کارشناسی، پتانسیل سنجی در دو مرحله اصلی اجرا شد: کسر مناطق غیرممکن (قیود) و محاسبه پتانسیل مناطق با استفاده از آنالیزهای مکانی در قالب سه روش مذکور. نتایج نشان داد که روش فازی تاپسیس از منظر پیوستگی نقشه و دخالت دادن داده ها حالت میانه بین دو روش تاپسیس و فازی سوگنو دارد و در قیاس با دو روش دیگر حساسیت معقولی به دقت وزن های ورودی نشان می دهد. روش تاپسیس 71/14% و فازی تاپسیس 33/18% و روش سوگنو 52/20% از کل کشور را برای احداث نیروگاه خورشیدی مناسب دانسته اند. در راستای اولویت دهی به مناطق مختلف کشور، هر سه روش با ضریب همبستگی متوسط 85/0 نتایجی مشابه داشتند. اولویت های اصلی کشور برای نیروگاه های خورشیدی با اختلافی ناچیز بخش های نرمانشیر، نوبندگان، فرجهی، بمپور، شیب کوه و گاوبندی معرفی شدند

تعیین محل بهینه ی نیروگاه های خورشیدی عاملی تأثیرگذار در افزایش بهره وری آن ها بوده و تابعی از دقت محاسبه ی پتانسیل تابش خورشیدی می باشد. استفاده از روابط مکانی میان داده ها در روش های درون یابی، موجب افزایش دقت تخمین پتانسیل تابشی برای مناطق مختلف کشور می گردد. تنوع بالای روش های درون یابی و تفاوت های محسوس در نتایج آن ها لزوم بررسی این روش ها را می رساند. در تحقیق حاضر روش های درون یابی؛ وزن دهی معکوس فاصله (IDW)، تابع پایه ی شعاعی (RBF)، درون یابی پخشی (DI)، کریجینگ و کوکریجینگ پیاده سازی شده و نتایج حاصل با اعتبارسنجی متقابل مقایسه شدند. به منظور افزایش دقت روش کوکریجینگ، نقشه ی پتانسیل تابشی برآورد شده با مدل SolarGIS به عنوان داده ی کمکی با داده های مشاهداتی تلفیق گردید. بررسی نتایج نشان می دهد که بهینه سازی عوامل مؤثر در روش های درون یابی موجب افزایش همگرایی 3/8 درصدی مقادیر نتایج می گردد. از بین روش های درون یابی، روش کوکریجینگ با داده های کمکی دما و ارتفاع با خطای جذر میانگین مربعاتی (RMSE) برابر با 82/9 وات بر مترمربع سطح بهینه را تخمین زد. با واردکردن نقشه پتانسیل تابشی حاصل از تصاویر ماهواره ای (مدل SolarGIS) به عنوان داده ی کمکی در روش کوکریجینگ، دقت سطح برآورد شده نسبت به کوکریجینگ و داده های کمکی دما و ارتفاع 1/4% بهبود یافت. مطالعه ی سطح تولیدشده نشان می دهد، اغلب مناطق کشور، به ویژه بخش های جنوبی از استعداد بالایی برای استفاده از انرژی تجدید پذیر خورشیدی برخوردار هستند. لذا بخش های میمند، سعادت آباد، کوار و سروستان از استان فارس، باوی از خوزستان و نوک آباد از استان سیستان و بلوچستان با اختلاف ناچیز به ترتیب به عنوان مناطق با پتانسیل تابشی بالا معرفی شدند.