هادی تاریقلی زاده

با توجه به ابعاد وسیع خسارات و تلفات ناشی از زلزله در مناطق شهری و نیاز به سرعت عمل بیشتر در شناسایی مساکن آسیب دیده، در این میان سنجش ازدور و تصاویر ماهواره ای به دلیل ویژگی های خود، همچون اشراف کلی بر پدیده ها و منابع زمین و ثبت ویژگی های پدیده ها در دوره های زمانی مختلف در طیف های الکترومغناطیسی گسترده، توسط سنجنده ها، ابزاری ارزشمند برای مطالعه سریع مناطق آسیب دیده می باشند. بنابراین با بکارگیری تصاویر ماهواره ای Quick Bird قبل و بعد از زلزله و داده مکانی، به تحلیل پاسخگویی طیفی بلوک های شهری، در باندهای انعکاسی و عوامل مؤثر بر آن، قبل و بعد از زلزله، با هدف شناسایی کاربردی ترین باندهای انعکاسی در برآورد خسارات وارده بر اثر زلزله، پرداخته شد. در این تحقیق، با توجه به اینکه آسیب پذیری از مکانی به مکان دیگر متفاوت است و شرایط چه از لحاظ وسعت و چه از لحاظ ساختار کالبدی که دارای انواع بافت قدیم و جدید و بافت های خانه باغی و... می باشد؛ با انتخاب چندین نمونه- موردی از بلوک های شهری که در بخش های مختلف شهری همچون بافت قدیم یا بافت جدید قرار دارند و در اثر زلزله یا کاملاً تخریب شده اند، یا خسارات جزیی دیده اند و یا اینکه بدون هیچ گونه خساراتی سالم مانده اند، به تحلیل پاسخگویی طیفی و عوامل مؤثر بر پدیده انعکاس این بلوک های ساختمانی در چهار باند انعکاسی پرداخته شد. نتایج نشان می دهدکه در باند مادون قرمز انعکاسی بدلیل ماهیت متفاوت خود و همچنین داشتن طول موج بلندتر نسبت به سایر باندهای انعکاسی، زلزله کمترین تأثیر را در پاسخگویی طیفی بافت های ساخته شده دارد. بنابراین با تحلیل پاسخگویی طیفی این باند نمی توان خسارات حاصل از زلزله را، دقیقاً برآورد کرد ولی با تحلیل پاسخگویی طیفی پدیده ها در سه باند آبی، سبز و قرمز، می توان خسارات وارده بر بافت های ساخت شده شهری را، با دقت بیشتری برآورد کرد.

    امروزه شهرها علاوه بر مخاطرات طبیعی، در برابر تهدیدات نظامی و موشکی نیز قرار دارند. چاره ای جز، اعمال ملاحظات دفاعی و امنیتی در طرح های شهری نیست که می تواند نقش اساسی و تأثیرات قابل توجهی درکاهش آسیب پذیری شهرها دربرابر مخاطرات طبیعی و تهدیدات دشمنان داشته باشد. لذا این پژوهش با هدف، بهبکارگیری الگوریتم هایGIS ، و شاخص های حیاتی چون شبکه راه های ارتباطی، کیفیت ساختمانها، قدمت ساختمان ها، مالکیت ساختمان ها، اسکلت ساختمان ها، تراکم جمعیتی، بناهای تاریخی، کاربری اراضی، چاه های آب آشامیدنی، و خطوط انتقال گاز، براساس مدل تحلیل سلسله مراتبی، در محیط GIS مکان یابی پناهگاه های چند منظوره شهر کاشمر را انجام داده است. نتایج پژوهش 14 مکان تحلیل حساسیت و اولویت بندی گردیده، با اعمال شعاع 900 متری به عنوان شعاع عملکردی، با استفاده از نرم افزار Expert choice است.

با توجه به ابعاد وسیع خسارات و تلفات ناشی از زلزله در مناطق شهری و نیاز به سرعت عمل بیشتر در زمان بحران، برای شناسایی مساکن آسیب دیده در زلزله و مدیریت بحران، به کارگیری تکنیک های سنجش ازدور، را الزامی می دارد این تحقیق با استفاده از تکنیک های سنجش ازدور، همچون روش های برآورد کیفی خسارات (تفسیر بصری) و برآورد کمی خسارات (کشف تغییرات، تفریق باندها، تحلیل پروفیل بازتاب طیفی) بامطالعه زلزله شهر بم به مقایسه تکنیک ها پرداخته است. درروش تفسیر بصری از کل پلاک های مورد مطالعه، 47/0 تخریب کامل، 30/0 تخریب جزئی و 23/0 سالم برآورد گردید به عبارت کلی 77/0 از فضای ساخته شده خسارت دیده است. با مقایسه باند به باند از فضاهای ساخته شده 16/0 تخریب شده، 47/0 تخریب جزئی و 37/0 درصد تخریب نشده، برآورد شد که در این روش نیز 63/0 فضای ساخته شده خسارت دیده است. درروش طبقه بندی نظارت شده نیز با 94/0 ضریب اطمینان، 34/0 درصد فضای تخریب شده، 09/0 در صد تخریب نشده از کل 43/0 فضای ساخته شده برآورد شد که 57/0 نیز فضای دیگر برآورد شده است. به طورکلی 79/0 از فضای ساخته شده در اثر زلزله خسارت دیده است. نتایج روش های کمی به صورت نقشه ارائه شد. ولی روش تحلیل پروفیل بازتاب طیفی که از روش های برآورد نقطه ای می باشد و بیشتر برای مقایسه با روش های دیگر آورده شده است به نقشه منتج نمی شود.

امروزه با افزایش حجم و ابعاد داده های مکانی و نیاز به درک کامل داده ها، شبکه های عصبی خودسازمانده به ابزاری استاندارد برای کار با داده های بزرگ و چند بُعدی تبدیل شده اند که می توانند در خوشه بندی، بصری سازی و انتقال داده های چند بُعدی در فضایی با ابعاد کمتر استفاده شوند. هدف از پژوهش حاضر، خوشه بندی داده های بلوک های آماری (شامل ده متغیر منتخب اجتماعی-اقتصادی مرتبط با رویکرد توسعه پایدار شهری) با شبکه های عصبی خودسازمانده بدون استفاده از پارامترهای مکانی و به کارگیری مختصات جغرافیایی بلوک های آماری به عنوان پارامتر مکانی در روند خوشه بندی و مقایسه نتایج حاصل شده، است. الگوریتم SOM رایج ترین شبکه عصبی خودسازمانده و الگوریتم  Geo-SOMمکانی شده الگوریتم SOM است. روند خوشه بندی هر دو الگوریتم یکسان است و تنها تفاوت این دو الگوریتم به کا رگیری پارامترهای مکانی در روند اجرای الگوریتم Geo-SOM است. در پژوهش حاضر داده ها با الگوریتم SOM و Geo-SOM خوشه بندی شده است. نتایج نشان داد که خوشه های حاصل از دو الگوریتم به طور کامل، متفاوت است. خوشه بندی بلوک های آماری بدون توجه به خصوصیات مکانی و تنها با استفاده از معیار شباهت، منجر به خوشه های ناهمگن می شود و برعکس. با اعمال پارامترهای مکانی نه تنها از معیار شباهت، از ویژگی های مکانی داده ها نیز در فرآیند خوشه بندی استفاده می شود که این مسئله منجر به تولید خوشه های همگن می شود. ارزیابی نتایج با استفاده از ضریب سیلهوته بیانگر خوشه بندی مناسب تر الگوریتم Geo-SOM است؛ به طوری که میانگین ضریب سیلهونه برای الگوریتم SOM برابر 02/0- و برای الگوریتم Geo-SOM برابر 27/ 0است. مقایسه نتایج نشان دهنده تأثیر مثبت پارامترهای مکانی در خوشه بندی داده های اجتماعی و اقتصادی است.

خوشه بندی داده های بزرگ، ساختارها را آشکار و گروه بندی ها را شناسایی می کند و هدف اصلی آن تفکیک داده ها در خوشه هایی با ویژگی های مشابه است. شبکه های عصبی مصنوعی ابزاری استاندارد برای خوشه بندی داده های بزرگ و چندبعدی هستند. هدف این تحقیق، خوشه بندی داده های بلوک های آماری شامل 21 متغیر اجتماعی-اقتصادی و دسترسی به خدمات مرتبط با رویکرد توسعه پایدار شهری با شبکه عصبی گازی بدون استفاده از پارامترهای مکانی و همچنین با به کارگیری مرکز هندسی بلوک های آماری به عنوان پارامتر مکانی در روند خوشه بندی و مقایسه نتایج حاصل می باشد. الگوریتم شبکه عصبی گازی (NG) متداول ترین شبکه برای خوشه بندی داده های با ابعاد بالا و شبکه عصبی گازی بافتی (CNG) مکانی شده این الگوریتم است. در این مطالعه بلوک های آماری شهر اصفهان با آموزش این دو الگوریتم بر اساس متغیرهای منتخب خوشه بندی شدند. نتایج بیانگر وجود تفاوت قابل توجه در خوشه های حاصل از اجرای این دو الگوریتم است. خوشه بندی با استفاده از الگوریتم NG، منتج به خوشه های ناهمگن می شود و بالعکس اجرای الگوریتم CNG به دلیل استفاده از پارامترهای مکانی منجر به تولید خوشه های همگن می گردد. در این پژوهش ارزیابی کیفیت خوشه بندی با محاسبه متوسط ضریب سیلهوته برای بلوک های آماری انجام شد که الگوریتم CNG با متوسط ضریب سیلهونه برابر 29/ 0 عملکرد بهتری نسبت به الگوریتم NG با متوسط ضریب سیلهوته 02/0- دارد. این نتایج بیانگر تأثیر مثبت پارامترهای مکانی در ایجاد خوشه های همگن در محیط شهری است. خوشه بندی بلوک های آماری شهری با به کارگیری متغیرهای مرتبط با توسعه پایدار و رویکرد مکان مبنا با استفاده از الگوریتم CNG ازجمله نوآوری های این تحقیق به شمار می رود