داده های مکانی

مدیریت پایدار حیات وحش و زیستگاه های طبیعی برآیندی از مجموعه بررسی ها و مطالعات مکانی، کمی و کیفی مرتبط با جمعیت های حیات وحش و زیستگاه ها می باشد. امری که لزوم توجه به نگهداری صحیح از داده های موجود و ساماندهی آنها جهت افزایش عمر مفید این گونه داده ها به منظور جلوگیری از تکرار عملیات تهیه و جمع آوری آن ها و به تبع آن هدررفت بودجه های حفاظت و مدیریت حیات وحش را ضروری می نماید.لذا در پژوهش حاضر با توجه به مزایای بهره گیری از سیستم مدیریت پایگاه داده در نگهداری، استفاده و مدیریت داده ها، طراحی و پیاده سازی یک نمونه پایگاه داده مکانی حیات وحش در استان خوزستان صورت می گیرد. در طراحی و پیاده سازی پایگاه داده هدف، از پایگاه داده شیء-رابطه ایPostgreSQL/PostGIS استفاده شد. بر اساس یافته های این پژوهش، پایگاه داده متن باز PostgreSQL/PostGISبه عنوان یک گزینه مناسب جهت توسعه قابلیت های مدیریت داده های مکانی حیات وحش شناخته شد. همچنین مشخص شد که سیستم طراحی شده قادر به پشتیبانی از کلیه پرسش های ممکن مرتبط با داده های مکانی حیات وحش بوده، راه حلی جهت رفع برخی مسائل و مشکلات مربوط به مدیریت حجم عظیمی از داده های پراکنده حیات وحش ارائه می نماید. همچنین با توجه به موفقیت آمیز بودن پژوهش حاضر، ضرورت توجه به ساماندهی و مدیریت اطلاعات حیات وحش کشور و گنجاندن آن در متن سیاست های کلان سازمان حفاظت محیط زیست کشور مورد تأکید قرار گرفته، ضرورت ایجاد و توسعه پایگاه داده مکانی جامع حیات وحش کشور خاطر نشان می 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