میثم ارگانی

حمل و نقل همواره یکی از مهمترین عوامل اثرگذار بر ساختار شهرها بوده است. اما بویژه در یک سده اخیر با گسترش انواع وسایل نقلیه موتوری و تغییرات فزاینده جمعیتی به یکی از اصلی ترین مشکلات شهرنشینی بدل گردیده است. با توجه به حجم مسافرت های درون شهری در شهر کرمانشاه طراحی ایستگاههای اتوبوس به صورت استاندارد، از جمله مواردی است که باعث پهلوگیری مناسب اتوبوس در ایستگاه ها، کاهش زمان پیاده و سوار شدن کاربران و تاثیر منفی کمتر این سیستم بر تردد سایر وسایل نقلیه می شود. در این پژوهش از شبکه عصبی پرسپترون برای پیش بینی بهترین مکان ها برای ایستگاه اتوبوس استفاده است. از جمله ساختارهای مهم شبکه های عصبی، پرسپترون چند لایه Multilayer PerceptTron)) با الگوریتم پس انتشار خطا (error back-propagation ) است که برای انجام پژوهش استفاده شده است. داده های موثر در مکان یابی ایستگاه های اتوبوس شامل ۱۵ لایه: تراکم جمعیت، فاصله از بیمارستان، فاصله از پارکینگ، فاصله از درمانگاه و کلینیک، فاصله از مراکز تجاری-اداری، فاصله از ترمینال، فاصله از رود خانه، فاصله از مراکز آموزشی، فاصله از مراکز نظامی، فاصله از مراکز مذهبی، فاصله از مراکز ورزشی، فاصله از فضای سبز، فاصله از معابر شهری، فاصله از مراکز صنعتی، فاصله از مراکز گردشگری می باشند. در ادامه ۵۰۰ لایه به عنوان نقاط آموزشی شبکه تهیه و تعداد ۱۰ لایه میانی نیز تعیین شد. سپس با اجرای شبکه پهنه های مستعد جهت احداث ایستگاه بدست آمدند. در نهایت با مشخص معابر موجود در پهنه های مستعد، معابر مستعد جهت احداث ایستگاه مشخص گردیدند. هم چنین مشاهده شد که معابر مستعد در نزدیکی نقاط پرتراکم جمعیتی، مرکز شهر، مراکز فرهنگی و تجاری قرار دارند.

شهر تبریز یکی از کلان شهرهای ایران است که گسترش و توسعه روزافزونی دارد. یکی از مشکلات موجود در مسیر توسعه شهرها، مدیریت نکردن صحیح آن و بی توجهی به عوامل مؤثر است. در سال های گذشته، شهر تبریز به دلیل مهاجرپذیر بودن از رشد فیزیکی بسیاری برخوردار بوده است. مدیریت صحیح رشد شهرها از جهات گوناگون از مسائل مهمی است که باید مدنظر قرار بگیرد. روش های متعددی برای تعیین مناطق مناسب رشد شهری وجود دارد. یکی از این روش ها در تعیین مناطق مناسب برای توسعه شهر روش شبکه عصبی است که در مطالعه حاضر نیز از آن استفاده شده است. در این مطالعه، برای تعیین مکان بهینه رشد شهری از سه گروه معیارهای اجتماعی-اقتصادی، کاربری زمین و بیوفیزیکی استفاده شد. برای مکان یابی مناطق مساعد رشد با روش شبکه عصبی، 200 نقطه به عنوان نقاط آموزشی شبکه تهیه شدند و لایه های میانی نیز هفت عدد بود. نتایج مرتبط با اجزای شبکه نشان می دهد با دورشدن از امکانات و مناطق شهری، پتانسیل ها به شدت کاهش یافته است و بیشتر مناطقی که پتانسیل توسعه شهری دارند، در نزدیک ترین فاصله این امکانات و مناطق شهری قرار دارند. قسمت هایی از شهر که طی سال های گذشته به صورت پراکنده و نامنظم رشد داشته اند، با توجه به نتایج حاصل شده نامناسب هستند. همچنین حاشیه های نزدیک به هسته اصلی شهر که به خدمات شهری نیز دسترسی بیشتری دارند، برای رشد مناسب تر هستند، اما قسمت هایی که به صورت پراکنده در شمال غرب و جنوب شرق شهر توسعه یافته اند کاملاً نامناسب هستند.

در سال های اخیر، شبکه های حسگر بیسیم [1] در کاربردهای متعددی مورد مطالعه قرار گرفته اند. یکی از مسائل مهم مورد مطالعه در این شبکه ها، جایابی [2] بهینه حسگرها به منظور دستیابی به بیشینه ی مقدار پوشش [3] است. از این رو، در اکثر تحقیقات برای رسیدن به پوشش حداکثر از الگوریتم های بهینه سازی استفاده شده است. در یک رده بندی کلی، الگوریتم های بهینه سازی برای جایابی بهینه حسگر با هدف افزایش پوشش، به دو گروه الگوریتم های بهینه سازی محلی و سراسری تقسیم می شوند. الگوریتم های سراسری عموماً از یک روش تصادفی بر اساس یک روند تکاملی استفاده می کنند. در اغلب تحقیقات انجام شده، مدل محیط و بعضاً چیدمان حسگرها در شبکه به صورت کاملاً ساده سازی شده در نظر گرفته شده اند. در این تحقیق با مدلسازی رستری و برداری محیط در فضاهای دو و سه بعدی، عملکرد الگوریتم های بهینه سازی سراسری به منظور جانمایی بهینه حسگرها، ارزیابی و مقایسه شده اند و مدل محیط برداری به عنوان مدل دقیق تر استفاده می شود. از آنجایی که هدف مقایسه عملکرد و نتایج الگوریتم های سراسری بوده است، منطقه مورد مطالعه و شرایط پیاده سازی یکسان فرض شده اند. در این مقاله، چند روش بهینه سازی برای جایابی سنسور، از جمله الگوریتم های ژنتیک، L-BFGS ، VFCPSO و CMA-ES ، پیاده سازی و معیار ارزیابی الگوریتم ها برای مسئله جایابی شبکه های حسگر بی سیم، مقدار پوشش بهینه، دقت پوشش آنها نسبت به مدل محیط و سرعت همگرایی الگوریتم ها در نظر گرفته شده است. از سوی دیگر، در این تحقیق مدل احتمالی پوشش [4] برای هر یک از الگوریتم های بهینه سازی سراسری پیاده سازی شدند. نتایج این پیاده سازی ها نشان می دهد که وجود پارامترهای پیچیده تر در مدل محیط و پوشش، نتایج دقیق تر و منطبق تری با واقعیت را ارائه می کند. با این حال ممکن است کارایی زمانی الگوریتم ها را کاهش دهد.

یکی از کاربردهای مهم علم سنجش از دور در بخش معدن و اکتشاف ذخایر معدنی و برآورد نقاط امید بخش زمینی می باشد. در این پژوهش با استفاده از دانش سنجش از دور به طبقه بندی و تفکیک سنگ های سطحی موجود در معدن دیرومره پرداخته شده است. هدف اصلی از انجام این پژوهش شناسایی مناطق حاوی بازالت مرغوب در سطح می باشد. در این راستا از تصاویر ماهواره چند طیفی ASTER که دارای قدرت تفکیک طیفی و مکانی نسبتاً قابل قبولی می باشند، استفاده شده است. در اولین قدم به منظور دستیابی به ترکیب درست طیفی بازالت با توجه به امضای طیفی تعریف شده توسط دانشگاه جان هاپکینز برای سنگ بازالت، رفتار باندهای ماهواره استر و داده های اولیه زمینی تهیه شده توسط کارشناسان؛ شاخص استخراج بازالت ( BEI ) تعریف شد. سپس با اعمال فیلتر Convolution and Morphology بر روی تصویر حاصله سعی بر آن شد تا با به دست آوردن یک ترکیب رنگی مناسب، بازالت مرغوب از نامرغوب تمایز داده شود. در قدم بعد برای بارزسازی بهتر دو نمونه نقشه با دو طبقه بندی متفاوت با استفاده از الگوریتم Maximum Likelihood ساخته شدند. در انتها با توجه به تمام داده های تحقیق و عملیات میدانی شاخص اولیه توسعه داده شد.

در سال های اخیر، شبکه های حسگر بی سیم در کاربردهای متعددی مورد مطالعه قرار گرفته اند. یکی از مسائل مهم مورد مطالعه در این شبکه ها، جایابی بهینه حسگرها به منظور دستیابی به بیشینه مقدار پوشش شبکه در ارتباط با کاربرد تعریف شده شبکه حسگر در شهرهای هوشمند است. اطلاعات متنی (CI) حسگرها از جمله مشخصات و وضعیت حسگر در شبکه، نحوه ارتباط بین حسگرها، اطلاعات محیط پیرامونی آن ها در جانمایی و انجام مأموریت حسگر و نیز پدیده های فیزیکی مرتبط با شبکه حسگر در شهرهای هوشمند که می توانند موجب اختلال در انجام مأموریت محول شده به شبکه حسگرها شوند، به همراه ارتباطات بین آن ها، از عواملی هستند که مطالعه آن ها به جایابی بهینه شبکه های حسگر منجر می شود. پیچیدگی محیط مورد سنجش توسط حسگرها، با وجود موانع گوناگون، ممکن است به عدم پوشش مناطق مختلف در شبکه های حسگر منجر شود. از این رو، یک مسئله اساسی در یک شبکه حسگر، بهینه سازی پوشش مکانی آن است. در گذشته، چندین الگوریتم بهینه سازی محلی و سراسری توسعه یافته در این رابطه، به کار گرفته می شدند. در این مقاله، برای بهینه سازی جانمایی شبکه حسگرها از یک الگوریتم محیط آگاه با مزیت درنظرگرفتن انواع مختلف اطلاعات متنی یا محیطی و براساس کاربردهای خاص شبکه، به صورت مستقل از هر CI، استفاده شده است. درنهایت، نتایج به دست آمده در آزمایش انواع مختلف CI، بیانگر کارآمدی الگوریتم پیشنهادی در جانمایی بهینه سنسورها با استفاده از جنبه های مختلف اطلاعات متنی است.