آینده GIS :محاسبات پیچیده اما آسان

چکیده

نرم‌افزارهای موجود GIS عمدتاً کاربران حرفه‌ای  را هدف قرار می‌دهند و منابع کافی برای محاسبات کارآمد را در خود ندارند. استفاده از آن‌ها برای کاربران غیرحرفه‌ای دشوار است و اغلب در انجام تجزیه‌وتحلیل پیچیده جغرافیایی کند عمل می‌کنند. برای رفع این مشکلات ، تولید نرم‌افزار GIS در آینده باید “پیشرفته اما آسان” باشد. منظور ما از “آسان” “آسان برای استفاده” و “آسان برای محاسبه” است. “آسان برای استفاده” به این معنی است که سیستم نرم‌افزار باید هدف‌گرا باشد، نه دکترین رویه محور در حال حاضر. هدف‌گرا باعث می‌شود به کاربران، به‌ویژه کاربران تازه‌کار، مسئولیت شناخت دقیق دستورات و توالی آن‌ها را برای دستیابی به هدفی که می‌خواهند به دست آورند، تحمیل کند. “محاسبه آسان” به این معنی است که اجرای قابلیت تحلیلی GIS باید بتواند از زیرساخت‌های محاسباتی با کارایی بالا برای تجزیه‌وتحلیل پیچیده جغرافیایی استفاده کند.دو مطالعه موردی، یکی در نقشه‌برداری دیجیتال خاک و دیگری در تجزیه‌وتحلیل زمین دیجیتال، برای نشان دادن معنی “آسان” ارائه‌شده است. ما معتقدیم که نسل‌های بعدی سیستم‌عامل‌های GIS باید هدف محور، هوشمند، محاسبات با عملکرد بالا، به‌راحتی در دسترس و مشارکت داشته باشند. به هرکسی اجازه دهند تا در هر مکان و هر زمان در محاسبات جغرافیایی شرکت کند.

کلیدواژه‌ها: 

نسل بعدی GIS، محاسبات مکانی، نقشه‌های هوشمند، تحلیل‌های پیشرفته

 

1. مقدمه

تجزیه‌وتحلیل مکانی به یک ابزار تحلیلی مهم برای زمینه‌های مختلف تبدیل‌شده است که شامل تجزیه‌وتحلیل تلفیقی اطلاعات جغرافیایی توزیع‌شده مکانی است. این تجزیه‌وتحلیل تلفیقی (محاسبات جغرافیایی) اطلاعات جغرافیایی اغلب با استفاده از نرم‌افزار GIS که برای ذخیره، بازیابی، تجزیه‌وتحلیل و تجسم اطلاعات جغرافیایی طراحی‌شده است، انجام می‌شود .(Maguire 1991 ) نرم‌افزار GIS را می‌توان به دو نوع کلی متصور شد 

: (الف) سیستم‌عامل‌های محاسبات جغرافیایی منظوره عمومی مانند ArcGIS (ESRI 2019 ) ، Q-GIS (گروه توسعه QGIS 2019 ) و SuperMap (SuperMap Software Co. 2019 ) ؛ و

(ب) ابزارهای ویژه محاسبات جغرافیایی ، ازجمله Landserf (Wood 2009 ) ، TauDEM (Tarboton 2005) ، و SoLIM (Zhu و همکاران 2018 ). این اشکال از نرم‌افزار GIS مدیریت و تجزیه‌وتحلیل داده‌های فضایی را تا حدی ساده کرده است، با این وجود کاربران باید قبل از استفاده کافی از این فرم ها / ابزارها برای انجام وظایف تحلیلی که کاربران برای انجام آنها استفاده می کنند، به اندازه کافی در مورد این نرم افزار آموزش ببینند. کفایت در این نرم‌افزار به‌راحتی حاصل نمی‌شود و بیشتر اوقات کاربران برای دستیابی به این کفایت نیاز به گذراندن دوره‌های تخصصی و یا حتی گذراندن مدرک دارند. بنابراین، استفاده از اشکال فعلی نرم‌افزارGIS ، به‌ویژه برای افراد غیرمتخصص (کاربران تازه‌کار) آسان نیست. این مشکلات را می‌توان در سه جنبه اصلی زیر نشان داد: دانش عملیات، کارایی محاسبات و مدیریت نرم‌افزار.

اولین چالش دانش موردنیاز برای مدیریت و تجزیه‌وتحلیل اطلاعات جغرافیایی (داده‌های مکانی) با استفاده از این نرم‌افزار / سیستم‌عامل‌های GIS است. قبل از اینکه تجزیه‌وتحلیل فضایی انجام شود، داده‌های مکانی مربوط باید مطابق با الزامات پروژه گردآوری‌شده و در یک نرم‌افزار خاص GIS ذخیره شود. داده‌های جغرافیایی بسیار ناهمگن است، یعنی در اشکال و / یا قالب‌های مختلف وجود دارد (Di 2004 ؛ Wei، Santhana-Vannan، and Cook 2009 ). برخی از داده‌های داوطلبانه حتی طرح‌واره ندارند (الوود ، گودچیلد و سوئی 2012)) داده‌ها باید در همان سیستم مختصات و به همان قالب موردنیاز نرم‌افزار خاص مورداستفاده وارد شوند. علاوه بر این، یک نرم‌افزار خاص GIS دارای روشی خاص برای ذخیره داده‌های مکانی است. بنابراین، دانش در مورد تبدیل داده‌های برون‌زا به فرمت‌های بومی سیستم برای آوردن داده‌های مکانی ناهمگن به فرم خاص موردنیاز نرم‌افزار GIS موردنیاز است. قبل از انجام هرگونه تحلیل مکانی ، کاربران باید این دانش را داشته باشند.

هنگام انجام تجزیه‌وتحلیل مکانی خاص در GIS ، کاربر نه‌تنها باید بداند چه چیزی می‌خواهد به دست آورد بلکه باید دقیقاً بداند که چگونه به آن دست یابد زیرا نرم‌افزار GIS موجود رویه محور است. این بدان معنی است که کاربر باید مراحل تکمیل کار، دستورات خاص برای هر مرحله و پارامترهای هر دستور را بداند. به‌عنوان‌مثال ، اگر کاربری بخواهد حوضه را از DEM مشبک ترسیم کند، باید جریان کامل کار (مراحل) مانند پر کردن گودال، تعیین جهت جریان، محاسبه انباشت جریان، استخراج شبکه جریان و ترسیم نقشه حوزه را بداند. برای هر یک از این مراحل، کاربر همچنین باید بداند از کدام دستور استفاده می‌کند و پارامترها را برای هر دستور باید مشخص کند. به‌عنوان‌مثال، هنگام آمدن به پر کردن گودال، آیا باید از روش افزایشی یا کاهشی استفاده کرد؟ برای محاسبه جهت جریان، آیا الگوریتم D8 یا الگوریتم جهت جریان چندگانه (MFD) یا حتی روش D-Infinity (D-INF) باید استفاده شود؟ بدیهی است، کاربرانی که مایل به استخراج حوضه‌های آبخیز هستند، برای تکمیل استخراج حوضه برای پروژه‌های خود، باید تمام موارد ذکرشده را بدانند.

چالش دوم ، کار آیی محاسبات است. ازیک‌طرف ، دامنه مکانی برای تجزیه‌وتحلیل‌های مکانی بزرگ‌تر و بزرگ‌تر می‌شوند. دیدن تجزیه‌وتحلیل جغرافیایی که باید در یک محدوده فضایی منطقه‌ای تا قاره انجام شود غیرمعمول نیست. در همان زمان، تحقیقات به‌منظور درک بهتر پدیده جغرافیایی برای پشتیبانی بهتر از تصمیمات، در جزئیات فضایی بسیار دقیق انجام‌شده است. تجزیه‌وتحلیل فضایی انجام‌شده با وضوح مکانی بالاتر و بیش‌ازحد فضایی بیشتر قطعاً تجزیه‌وتحلیل جغرافیایی را فشرده و محاسبات را فشرده می سازد. از طرف دیگر، روند محاسبات نیز پیچیده‌تر و پیچیده‌تر می‌شود. هرچه درک ما از پدیده‌های جغرافیایی عمیق‌تر می‌شود، الگوریتم‌ها یا مدل‌های جغرافیایی پیچیده‌تر و پیچیده‌تر می‌شوند (Neitsch et al. 2011؛ زو و همکاران 2019 ) پیچیدگی مدل‌ها یا الگوریتم‌ها به‌شدت محاسبه می‌افزاید که در حال حاضر قدرت محاسبه سیستم‌عامل‌های موجود نرم‌افزار GIS را به دلیل افزایش بیش‌ازحد فضایی در جزئیات فضایی خوب که توسط تجزیه‌وتحلیل‌های جغرافیایی فعلی درخواست می‌شود، غرق می‌کند. درنتیجه، بسیاری از تجزیه‌وتحلیل‌های جغرافیایی برای تکمیل نرم‌افزار موجود در سیستم اطلاعات جغرافیایی دشوار و حتی غیرقابل‌دسترس می‌شوند.

چالش سوم در استفاده از این نوع نرم‌افزارها با مدیریت نرم‌افزار مطرح‌شده است. این سیستم‌های نرم‌افزاری GIS معمولاً به نصب گسترده و پیچیده‌ای نیاز دارند که شامل نصب و پیکربندی نرم‌افزار است (Qin et al. 2013 ؛ Jiang et al. 2016) به‌عنوان‌مثال ، نصب ArcGIS Desktop یک فرایند کاملاً پیچیده است، ازجمله بررسی نرم‌افزار پیش‌نیاز، نصب جداگانه ArcGIS Desktop و مدیر مجوز، انتخاب بین انواع مختلف نصب و پیکربندی مجوز. علاوه بر این، حفظ نرم‌افزار نصب‌شده (مانند به‌روزرسانی ، به‌روزرسانی و ادامه مجوز) می‌تواند کارهای آزاردهنده‌ای برای کاربران GIS باشد. روند مدیریت یک نرم‌افزار GIS می‌تواند نه‌تنها بسیار وقت‌گیر باشد بلکه برای کاربرانی که ممکن است فقط به چند عملکرد برای کاری که باید انجام دهند ، ناامیدکننده باشد. بنابراین، اغلب متخصصان مدیریت این نرم‌افزارها موردنیاز هستند. بااین‌وجود، تأمین نیروی متخصص فقط برای مؤسسات بزرگ و شرکت‌های بزرگ امکان‌پذیر است. در غیر این صورت، کاربران باید قبل از انجام تجزیه‌وتحلیل GIS موردنیاز خود، این مهارت‌ها را توسعه دهند. خوشبختانه ، فرآیند نصب دشوار با برخی دیگر از نرم‌افزارها / سیستم‌عامل‌های GIS کاهش‌یافته است. برخی از نرم‌افزارهای قابل‌حمل به نصب کمی نیاز دارند. اما برنامه‌های کاربردی این نرم‌افزار معمولاً به‌اندازه ArcGIS قابل‌توجه نیستند و نگهداری از نرم‌افزار همیشه ضروری است. به‌طورکلی ، مدیریت نرم‌افزار GIS موجود برای کاربران برنامه‌های GIS یک هزینه یا هزینه سنگین است. مدیریت نرم‌افزار GIS موجود برای کاربران برنامه GIS یک هزینه یا بار اضافی است.

علاوه بر مشکلات کاربران نرم‌افزار، این سیستم‌ها همچنین برای محققان برای به اشتراک گذاشتن نوآوری‌های خود در الگوریتم و توسعه روش‌ها ناکارآمد و حتی دشوار هستند. روش معمول محققان برای به اشتراک گذاشتن اختراعات از طریق نرم‌افزار GIS موجود ، ادغام نوآوری‌های آن‌ها به‌عنوان افزودنی‌های این نرم‌افزار است که اغلب توسط فروشندگان کنترل می‌شوند (Sorokine 2007 ؛ Boroushaki and Malczewski 2008 ؛ Thieler et al. 2009 ؛ Miller et al. 2007) این عمل اغلب مستلزم این است که مبتکران نه‌تنها ساختار داده‌ها و مهندسی نرم‌افزار  موردنظر را بفهمند بلکه مجوز یا پذیرش شرکت‌ها یا سازمان‌ها را برای افزودن به نرم‌افزار کسب کنند. با تمام این تلاش‌ها برای به اشتراک گذاشتن یک اختراع ، فقط برای تعداد بسیار محدودی از محققان که وقت کافی و دانش  فنی دارند، امکان‌پذیر است. اغلب اوقات، نوآوری‌های جدید فقط زمانی در دسترس قرار می‌گیرند که شرکت‌های تولیدکننده نرم‌افزار یا برخی از سازمان‌ها تصمیم بگیرند که آن‌ها را در نسخه جدید نرم‌افزار خود بگنجانند. بدیهی است که این شکل به اشتراک‌گذاری نه‌تنها ناکارآمد بلکه ممنوع است، که باعث می‌شود نرم‌افزار GIS آن‌طور که باید در الگوریتم‌ها یا روش‌های مرزی به‌روز نشود.

واضح است که برخی از چالش‌های گفته‌شده در بالا را می‌توان از طریق یادگیری در مورد نرم‌افزار GIS و استفاده از آن‌ها، البته یک منحنی یادگیری تند، کاهش داد. بااین‌حال، برخی از مشکلات ریشه در این نرم‌افزار دارد و با تلاش کاربران نمی‌توان آن‌ها را برطرف کرد. بعلاوه، هیچ دلیلی وجود ندارد که کاربران وقت و انرژی زیادی را صرف یادگیری یک نرم‌افزار و گردش کار خاص تجزیه‌وتحلیل کنند که اغلب با نسخه جدید نرم‌افزار تغییر خواهد کرد. این استفاده ناکارآمد از وقت و منابع کاربران است. علاوه بر این، اتلاف وقت برای کاربران نیز صرف ساعت‌ها و حتی روزها در انتظار اتمام محاسبه است. کاربران باید بتوانند بدون دانش گسترده در محاسبات جغرافیایی شرکت کرده و محاسبات را با بازده بالا انجام دهند.

بدیهی است که این نرم‌افزار GIS اختلافات شدید دیجیتالی بین نیازهای کاربر و ویژگی‌های نرم‌افزار ایجاد کرده است. تقسیم‌های دیجیتالی را می‌توان به‌طورکلی به دودسته از مشکلات تقسیم کرد: تقسیم کاربر و تقسیم تضاد بین کاربران GIS و کاربران هدف نرم‌افزار GIS است. نرم‌افزارهای فعلی GIS عمدتاً برای متخصصان محاسبات جغرافیایی طراحی‌شده‌اند. استفاده از آن‌ها برای کاربران غیرمتخصص و حتی در حد جلوگیری از مشارکت کاربران غیرمتخصص در محاسبات جغرافیایی دشوار است. اما این افراد غیرمتخصص، یا متخصص در زمینه‌های دیگر و یا مردم، به دلیل نیاز به تحقیقات میان‌رشته‌ای، تصمیم‌گیری و مدیریت، یا حتی علایق ساده، درواقع محاسبات جغرافیایی دارند. بااین‌وجود برای استفاده از GIS باید ابتدا مهارت‌های GIS را کسب کنند.محاسبه تقسیم شکاف بین تقاضای محاسبات GIS و قابلیت و کارایی نرم‌افزار GIS است. این نرم‌افزارها به‌جای منابع محاسباتی با عملکرد بالا مانند چندین هسته  محاسبات خوشه‌ای یا رایانش ابری، بیشتر از رایانه رومیزی تک‌هسته‌ای برای محاسبه استفاده می‌کنند. این امر منجر به عدم کارایی نرم‌افزار GIS در برابر شدت داده و پیچیدگی محاسبات می‌شود. پردازش مقدار زیادی از داده‌ها و تکمیل محاسبات پیچیده برای نرم‌افزار GIS فعلی دشوار است. این دو تقسیم باید به‌دقت حل شود تا GIS برای کاربران بتواند در محاسبات جغرافیایی سهولت بیشتری داشته باشد.یا رایانش ابری؛ این امر منجر به عدم کارایی نرم‌افزار GIS در برابر شدت داده و پیچیدگی محاسبات می‌شود. پردازش مقدار زیادی داده و تکمیل محاسبات پیچیده برای نرم‌افزار GIS فعلی دشوار است.

2. تلاش‌های موجود

محققان تلاش کرده‌اند تا دو بخش دیجیتالی را برطرف کنند. این تلاش‌ها را می‌توان در سه مرحله اصلی خلاصه کرد: اسکریپت نویسی ، مدل‌سازی بصری  و محیط مدل‌سازی.

در مرحله اسکریپت نویسی ، کاربران (تحلیل گران باتجربه GIS) توالی معمول استفاده‌شده از دستورات GIS را برای برنامه‌های خاص یا برای کارهای تحلیلی خاص در دستورات کلان به‌صورت اسکریپت بسته‌بندی می‌کنند که به تحلیلگران اجازه می‌دهد تا از این تجزیه‌وتحلیل‌ها به‌طور مکرر استفاده کنند و همچنین کارهای خود را با سایر کاربران به اشتراک بگذارند (ESRI 1996 ؛ ویلیامز و همکاران 2000 ؛ Clerici و همکاران 2006 ؛ عبدلا و آلفردسن 2010) به‌عنوان‌مثال ، زبان Macro Arc (AML) در ArcInfo به کاربران امکان می‌دهد تا دستورات AML (دستورات کلان) را برای فراخوانی روش‌های تجزیه‌وتحلیل مکانی که توسط ArcInfo پشتیبانی می‌شوند، بنویسند. پارامترها در دستورالعمل‌های کاربران متخصص در مورد نیازها یا ویژگی‌های کار مشخص می‌شوند. وقتی این دستورات با توجه به‌توالی عملکرد گردش کار در یک اسکریپت سازمان‌دهی می‌شوند، سرویس‌های جداشده را در یک گردش کار کامل قرار می‌دهد. این اسکریپت به ArcInfo می‌گوید که مراحل گردش چیست و چه تنظیماتی برای هر مرحله دارد. هنگام انجام کارهای تکراری عظیم، کاربران خبره را از عملیات گام‌به‌گام دشوار نجات می‌دهد. کاربران غیرمتخصص همچنین ممکن است بتوانند از جریان کار با اسکریپت‌های به اشتراک گذاشته‌شده توسط کاربران خبره استفاده مجدد کنند. بااین‌حال، ایجاد گردش کار با زبان برنامه‌نویسی فنی است و حتی برای کاربران متخصص بصری نیست. علاوه بر این، قابلیت استفاده مجدد از متن‌ها بسیار محدود به تجزیه‌وتحلیل‌های خاص است. به این دلیل که دستور انتخاب‌شده برای هر مرحله و پارامتر انتخاب‌شده برای هر دستور در اسکریپت‌ها ثابت هستند. این امر در صورت تغییر در زمینه‌های تحقیق یا داده‌های ورودی یا نوع تحلیل‌ها می‌تواند نامناسب باشد.

در طول مرحله مدل‌سازی بصری، محققان برساخت گردش کار جغرافیایی متمرکزشده‌اند که می‌تواند با استفاده از ابزارهای مدل‌سازی بصری به اشتراک گذاشته شود و مورداستفاده مجدد قرار گیرد (آلن 2011 ؛ دوبسوا 2011 ؛ گراسر 2013 ؛ مگش ، چاندرسکا و کالیراج 2012 ؛ مریسکای 2018 ).  این ابزارهای مدل‌سازی بصری شامل  ModelBuilder در ArcGIS و  Graphic Modeler هستند در .QGIS ابزارهای مدل‌سازی بصری، داده‌های ورودی و روش‌های تجزیه‌وتحلیل فضایی را به‌صورت گرافیکی تجسم می‌کنند و آن‌ها را با پیکان متصل می‌کنند. گردش کار تحلیل مکانی به‌عنوان نمودار جریان در این ابزار نشان داده‌شده است. آن‌ها معمولاً به کاربران اجازه می‌دهند تا با کشیدن و رها کردن داده‌ها و روش‌های پشتیبانی شده توسط سیستم‌عامل‌های جغرافیایی، گردش کار ایجاد کنند. در مقایسه با اسکریپت نویسی، مدل‌سازی بصری ایجاد روند کار برای کاربران را آسان‌تر و ازنظر بصری واضح‌تر می‌کند. روند ایجاد روند کار بصری تا حدودی آسان‌تر است اما هنوز توسط کاربران مرتب‌شده است و نیاز به دانش در مورد مدل، الگوریتم و انتخاب پارامترها دارد. بنابراین، ایجاد گردش کار هنوز هم‌دستی و محدود به کاربران خبره است. علاوه بر این، همان محدودیت برای استفاده مجدد با برنامه‌نویسی هنوز هم وجود دارد. کاربران غیرمتخصص فقط می‌توانند از گردش کاری ساخته‌شده و به اشتراک گذاشته‌شده توسط کاربران خبره که دارای قابلیت استفاده مجدد نسبتاً محدود است، مجدداً استفاده کنند. بنابراین، دستیابی به گردش کاری که نیازهای خاص محاسبات جغرافیایی آن‌ها را برآورده کند، هنوز برای متخصصان پیچیده و برای افراد غیرمتخصص دشوار است.

مرحله سوم محیط مدل‌سازی است که برای سهولت بیشتر روند محاسبات جغرافیایی ایجادشده است (Wang 2010 ؛ Lü 2011 ).  محیط مدل‌سازی بستری است که از منابع سیستم‌عامل‌های مختلف محاسباتی برای سازمان‌دهی، پیکربندی و اجرای مدل‌ها و  یا تجزیه‌وتحلیل فضایی استفاده می‌کند. محیط مدل‌سازی فرآیند مدل‌سازی و یا تجزیه‌وتحلیل جغرافیایی را از چهار جنبه اصلی ساده می‌کند:

• تفسیر تجزیه‌وتحلیل جغرافیایی
• اتوماسیون ساخت و اجرای گردش کار
• تهیه و مدیریت داده‌ها
• بهبود کارایی محاسبات.

بااین‌حال، تلاش‌ها در این زمینه کاملاً پراکنده است.

تفسیر تجزیه‌وتحلیل جغرافیایی باهدف ترجمه سؤال جغرافیایی به زبان طبیعی به کارهای تجزیه‌وتحلیل جغرافیایی قابل‌فهم ماشین با استفاده از روش‌ها یا ابزارهای مشخص‌شده برای تکمیل تجزیه‌وتحلیل خاص جغرافیایی انجام می‌شود. روند زبان طبیعی و وب معنایی (Gao and Goodchild 2013 ؛ Scheider، Ballatore، and Lemmens 2019 ؛ Yin et al. 2019) برای ارتباط سؤال با زبان طبیعی با ابزار تجزیه‌وتحلیل جغرافیایی استفاده می‌شود. برای برخی از سؤالات ساده، سؤالات را به زبان طبیعی می‌توان مستقیماً به کارهای تجزیه و تحلیل تفسیر کرد. برای سؤالات پیچیده‌تر، ممکن است لازم باشد که سؤال در چندین سؤال فرعی تجزیه شود تا کار تکمیل شود. برای کارهای پیچیده با چندین سؤال فرعی، می‌توان از روش پاسخگویی به سؤالات برای تفسیر این سؤالات  فرعی به وظایف اجراشده با جزئیات استفاده کرد (Kuhn and Ballatore 2015 ؛ Vahedi، Kuhn، and Ballatore 2016) رویکردهای مبتنی بر سؤال به کاربران امکان می‌دهد تا به‌جای جزئیات پیاده‌سازی، فقط روی سوالی که باید پاسخ داده شود تمرکز کنند. بااین‌حال، این فرایند شامل انتخاب بین ابزارهای مختلفی نیست که بتوان برای پاسخ به یک سؤال یکسان استفاده کرد. ممکن است راه‌حل تفسیر شده مناسب‌ترین راه‌حل نباشد.

ساختمان گردش کار خودکار از سه زیر منطقه تشکیل‌شده است:

• شرح و اتصال عناصر گردش کار،
• انتخاب الگوریتم‌ها و پارامترهای مناسب و
• ارزیابی کیفیت گردش کار تولیدشده توسط ماشین.

قبل از ایجاد گردش کار ، محققان سعی می‌کنند از وب معنایی برای توصیف عناصر قابل پیوستن به گردش کار استفاده کنند (Lemmens 2006 ؛ Brodaric 2007 ؛ Jiang et al. 2016 ) . این عناصر شامل داده‌های مکانی و خدمات تجزیه‌وتحلیل مکانی است و ازنظر نام، معنی معنایی، ارتباط با سایر عناصر، کاربرد، نوع و  یا خصوصیات دیگر توصیف می‌شود (Saquicela ، Vilches-Blázquez و Corcho 2012 ؛ Griraa و همکاران). 2015 ؛ هوفر ، پاپاداکیس ، و Mäs2017 ؛ دیالو و همکاران 2018 ) وب معنایی در یک ساختار قابل‌پردازش مانند هستی‌شناسی ثبت‌شده است (Lutz and Kolas 2007 ؛ Zhao، Foerster، and Yue 2012 ) ، این امکان را برای دستگاه فراهم می‌کند تا این عناصر را متصل کرده و گردش کار را بر اساس وب معنایی ایجاد کند (Alameh 2003 ؛ Di 2005 ؛ Yue و همکاران 2007 ؛ Scheider and Ballatore 2018 ؛ Škerjanec و همکاران 2014 ). جزئیات مدل مانند انتخاب الگوریتم‌ها و پارامترهای مناسب با تجزیه‌وتحلیل گسترده داده‌ها یا قوانین تنظیم‌شده ارائه می‌شود (Qin et al. 2016 ؛ Brown، Bennett، and French 2017 ؛ Chau2007 ؛ جیانگ و همکاران 2019 ؛ لیانگ و همکاران 2020 ) پس از اتمام ، گردش کار تأییدشده و سپس برای اجرا ارسال می‌شود Qi) و همکاران 2016  ). کاربران می‌توانند گردش کار را به‌سادگی با کلیک روی یک دکمه ماوس انجام دهند ArcGIS Insights یکی از نمونه‌هایی است که به‌طور خودکار گردش کار ایجاد می‌کند که می‌تواند با استفاده از آن به‌راحتی داده‌ها را با توجه به انواع داده‌ها و اهداف کاربر تجزیه‌وتحلیل کند. (ESRI 2020a )

محیط مدل‌سازی همچنین تهیه و مدیریت داده‌ها را بر عهده دارد. تهیه داده‌ها کشف و بازیابی داده‌های مکانی از طریق اینترنت برای ورودی احتمالی مدل است (Hou et al. 2019 ) . این از وب معنایی یا فراداده استفاده می‌کند که خصوصیات داده‌ها مانند اطلاعات مربوط به ارائه‌دهندگان، کیفیت، مکان، موجودیت و ویژگی‌ها را برای کشف داده‌های مکانی برای تجزیه‌وتحلیل‌های خاص توصیف می‌کند (McCarthy and Graniero 2006 ؛ Lutz and Kolas 2007 ؛ Wiegand and Garcia 2007 ؛ Gui et al. . 2013 ؛ Qiu و همکاران 2017 ؛ Durante and Hardy 2015 ؛ Zhu و همکاران 2017 ؛ Zhu and Yang 2019) محیط مدل‌سازی همچنین ابزارهایی را فراهم می‌کند (ویژگی‌های ساده مدیریت پایگاه داده) برای سازمان‌دهی داده‌ها ازنظر ذخیره‌سازی و بازیابی داده‌ها ، تبدیل فرمت داده‌ها (Yue et al. 2018 ؛ Zhao، Foerster، and Yue 2012 ؛ Belete، Voinov، and Morales 2017 ؛ Wang و همکاران 2018 )، تهیه و مدیریت داده‌ها ، کاربران را از کار بی‌اهمیت و درعین‌حال دست و پاگیر فرآیند جستجو ، تهیه و سازمان‌دهی داده‌ها ، رها می‌کند.

هدف دیگر از محیط مدل‌سازی ، بهبود کارایی محاسبات جریان کار ساخته‌شده است. محققان استراتژی‌های موازی‌سازی متفاوتی را برای تقسیم محاسبات به جلسات مختلف و پردازش موازی برای بهبود کارایی محاسبات ایجاد می‌کنند (Healey et al. 1997 ؛ Hawick، Coddington and James 2003 ؛ Zhao et al. 2016 ). استراتژی‌های موازی‌سازی در دو سطح مختلف طراحی‌شده‌اند:

– سطح اول تقسیم داده است که داده‌های فضایی را به قطعاتی که به‌طور موازی بارگیری و پردازش می‌شوند تقسیم می‌کند. استراتژی تقسیم داده با تغییر ساختار داده متفاوت است (شوک و همکاران 2016 ؛ Qin ، Zhan و Zhu 2014 ؛ لیو و همکاران 2014)

-دوم تقسیم محاسبات است که فرایند محاسبه را به قطعاتی که به‌طور موازی انجام می‌شود تقسیم می‌کند. فرآیند محاسبه با توجه به مشخصات الگوریتم تقسیم می‌شود (Qin and Zhan 2012 ؛ Liu et al. 2016 ). محیط مدل‌سازی همچنین به کاربران امکان دسترسی به منابع محاسباتی با کارایی بالا مانند محاسبات خوشه‌ای و محاسبات شبکه را می‌دهد (Huang et al. 2011 ؛ Lecca et al. 2011 ؛ Hussain et al. 2013 ؛ Kim and Tsou 2013 ؛ Yang et al. 2011) ) به‌عنوان‌مثال ، موتور Google Earth (Padarian ، Minasny و McBratney 2015 ؛ Gorelick و همکاران 2017) از رایانش ابری استفاده می‌کند تا به کاربران امکان انجام محاسبات جغرافیایی را با منابع محاسباتی با کارایی بالا از طریق اینترنت و بدون نیاز به راه‌اندازی زیرساخت محلی محاسبات با کارایی بالا بدهد.

جنبه دیگر محیط مدل‌سازی درزمینه بهبود کارایی محاسبات، ادغام منابع محاسباتی ناهمگن، حتی در وب است. محیط مدل‌سازی محدودیتی برای یک سیستم‌عامل خاص محاسبات جغرافیایی نیست، همان‌طور که اسکریپت نویسی و مدل‌سازی تصویری این کار را می‌کند. این سرویس خدمات فضایی توزیع‌شده ارائه‌شده توسط محققان و سازمان‌های مختلف را ادغام می‌کند. محیط‌های مدل‌سازی می‌توانند ابزارهای موجود در سیستم‌عامل‌های موجود را ادغام کرده و همچنین خدمات آنلاین را در قالب خدمات وب کشف و استفاده کنند (Vaccari، Shvaiko، and Marchese 2009 ؛ Belete، Voinov، and Morales 2017 ؛ Chen et al. 2019 ؛ Evangelidis et al. . 2014) این روزها بیشتر و بیشتر ابزارهای تجزیه‌وتحلیل مکانی به‌عنوان خدمات وب منتشر می‌شوند (ژائو و همکاران 2012 ). برای سهولت این امر ، Esri و Microsoft با همکاری یکدیگر یک بستر ابری را برای کاربران فراهم می‌کنند تا خدمات وب خود را در فضای ابری مدیریت کنند (ESRI 2020b ). ادغام این منابع باعث وساطت ابزارهای سیستم‌عامل‌های مختلف می‌شود تا آن‌ها را تحت یک محیط مشابه کار کنند. به‌عنوان‌مثال ، Belete ، Voinov و Morales ( 2017) یک چارچوب یکپارچه‌سازی مدل توزیع‌شده را ایجاد می‌کند که با جستجوی پایگاه داده واژگانی و معناشناسی منطبق برای اتصال این ابزارها و مدل‌ها و ورودی‌ها / خروجی‌های آن‌ها ، مدل‌ها و ابزارها را ادغام می‌کند تا مدل گردش کار جدیدی ایجاد کند. ابزارها و مدل‌های یکپارچه می‌توانند به زبانه‌ای مختلف نوشته شوند ، در سیستم‌عامل‌های سخت‌افزاری و نرم‌افزاری مختلف مستقر شوند یا به‌صورت آنلاین در دسترس قرار بگیرند. کاربران می‌توانند از ویژگی‌های سیستم‌عامل‌های مختلف تحت یک درگاه استفاده کنند که باصرفه جویی در وقت برای مدیریت نرم‌افزار، میانجیگری ابزار و پیکربندی‌های سخت‌افزاری ، کارایی را بهبود می‌بخشد.

قابلیت ادغام منابع مختلف همچنین به اشتراک‌گذاری منابع محاسبات جغرافیایی را برای توسعه‌دهندگان در محیط مدل‌سازی آسان می‌کند. امروزه ، یک توسعه‌دهنده می‌تواند روش‌های تجزیه‌وتحلیل مکانی و داده‌های مکانی را بافرم خدمات استاندارد وب ، مانند سرویس پردازش وب (WPS) ، سرویس نقشه وب (WMS) و سرویس ویژگی وب (WFS) به اشتراک بگذارد (Vretanos 2005 ؛ Schut 2007 ؛ Castronova ، Goodall و Elag 2013 ). توسعه‌دهندگان فقط باید ویژگی و شرح خدمات وب را ارائه دهند. محیط‌های مدل‌سازی باقابلیت توسعه طراحی‌شده‌اند که به‌راحتی امکان ادغام این سرویس‌ها را فراهم می‌کند (Liu، Padmanabhan، and Wang 2015 ؛ Jiang et al. 2016) یک وب‌سرویس استاندارد می‌تواند در محیط‌های مختلف مدل‌سازی ادغام شود، که به توسعه‌دهندگان روشی کارآمد برای به اشتراک گذاشتن نوآوری‌های تحقیقاتی مربوطه ارائه می‌دهد.

محیط مدل‌سازی یک رویکرد امیدوارکننده برای سهولت فرایند محاسبات جغرافیایی است. بااین‌حال، پیشرفت‌های فعلی هنوز پراکنده هستند.  به‌عنوان‌مثال ، الگوریتم یا روش‌های انتخاب پارامتر معمولاً برای یک مدل خاص جهت‌گیری شده‌اند و نمی‌توانند در موقعیت‌های عمومی اعمال شوند . موازی کاری وظیفه گرا است و فقط کارهای محدود فضایی تسریع می‌شوند.  علاوه بر این، توصیف دانش متخصص در مورد مدل‌سازی به‌صورت شبکه‌های معنایی و مجموعه قوانین باید برای جریان کاری ساخته‌شده به‌صورت خودکار تحت سناریوهای مختلف یا برنامه‌های مختلف، بیشتر غنی شود.  تاکنون هیچ محیطی برای دستیابی به همه ویژگی‌های فوق ساخته نشده است.

3.ایده اصلی آسان است

ما معتقدیم که درروند غلبه بر دو شکاف دیجیتالی درGIS ، “آسان” کلید است. منظور ما از “آسان”: استفاده آسان و محاسبه آسان است. بنابراین ، ما استدلال می‌کنیم که نسل بعدی GIS باید “آسان” باشد.

برای استفاده آسان، تحقق تجزیه‌وتحلیل‌های جغرافیایی از طریق GIS باید بصری ، همیاری شده و از طریق سایبر امکان‌پذیر باشد. “شهودی” به معنی فرآیند تجزیه‌وتحلیل جغرافیایی (گردش کار) باید بصری باشد و ساخت آن آسان است و دانش کمی در مورد تکنیک های خاص استفاده‌شده دارد. “بصری” به کاربران اجازه می‌دهد تا در صورت تمایل تنظیمات (مانند الگوریتم‌ها و پارامترهای آن‌ها) را به‌راحتی تغییر دهند و روند محاسبه را کنترل کنند. در صورت تمایل کاربران از طریق ساخت گردش کار ، تهیه داده‌ها و اجرای وظایف به‌راحتی می‌توانند بخشی از محاسبات جغرافیایی شوند. نمایش بصری گردش کار در اشکال هندسی باعث شفافیت تجزیه‌وتحلیل جغرافیایی می‌شود ، که به شما این امکان را می‌دهد تا کاربران بتوانند به‌راحتی ساخت آنالیز جغرافیایی را دنبال کنند تا از عوارض محاسبات جغرافیایی کاسته شود.

با “کمک” به این معنی است که نیاز به ایجاد یک بستر برای کمک به کاربران در اجرای تجزیه‌وتحلیل جغرافیایی ، ازجمله گردش کار (مدل تجزیه‌وتحلیل) ساخت و مدیریت داده‌ها وجود دارد. برای کمک به ساخت گردش کار ، این پلتفرم باید حاوی دانش مدل‌سازی باشد که به کاربران در ساخت مدل تجزیه‌وتحلیل از طریق پیشنهاد یا توصیه به کاربران برای روش مدل‌سازی آینده‌نگر ، الگوریتم‌های مناسب و پارامترهای مناسب کمک خواهد کرد. برای کمک به مدیریت داده‌ها ، سیستم‌عامل باید بتواند داده‌ها را در همان مقیاس مکانی / زمانی و دامنه مکانی / زمانی ، همان سیستم مختصات و همچنین در همان سطح دانه‌بندی فضایی قرار دهد. به‌این‌ترتیب ، کاربرانی که دانش تجزیه‌وتحلیل مکانی کافی ندارند نیز می‌توانند محاسبات زمینی را به‌راحتی و به‌طور مناسب انجام دهند.

منظور از “Cyber-enabled” این است که فرایند محاسبات جغرافیایی باید از طریق اینترنت و از طریق سیستم‌عامل‌هایی که قادر به استفاده از منابع محاسباتی موجود اما ناهمگن در فضای مجازی هستند ، در دسترس باشد. با اجرای سیستم‌عامل در فضای مجازی ، عملکرد محاسبات دیگر به دستگاه‌های محاسباتی خاصی متکی نیست. کاربران برای مشارکت در محاسبات جغرافیایی نیازی به مراحل دشوار و دشوار نصب نرم‌افزار ندارند. در عوض ، آن‌ها می‌توانند با هر دستگاهی که به مرورگر مجهز و به اینترنت متصل هستند ، به محاسبات جغرافیایی به‌صورت آنلاین دسترسی داشته باشند. با استفاده از منابع محاسباتی ناهمگن ، فرآیند محاسبه را می‌توان در ماشین‌ها و سیستم‌عامل‌های مختلف توزیع کرد. علاوه بر این،اجرای محاسبات جغرافیایی توسط سایبر همچنین به اشتراک‌گذاری روش‌های جدید را آسان‌تر می‌کند زیرا روش‌های جدید می‌توانند در سرویس‌های وب قرار بگیرند که می‌توانند از طریق این پیاده‌سازی‌های مجهز به سایبر مورداستفاده قرار گیرند. با طراحی پلت فرم با این ویژگی‌ها ، کاربران برای انجام محاسبات جغرافیایی نیازی به متخصص بودن ندارند. تقسیم کاربر در نرم‌افزار GIS موجود بسیار کاهش می‌یابد.

برای محاسبه آسان، محاسبات جغرافیایی باید محاسبات با کارایی بالا (HPC) را فعال کرده و محاسبات پیچیده را نیز داشته باشد. “با HPC فعال” به پلتفرمی نیاز دارد تا از منابع مختلف HPC مانند محاسبات خوشه‌ای و محاسبات شبکه‌ای استفاده کند. استفاده از منابع HPC بهره‌وری محاسبات را ازنظر عملکرد سخت‌افزاری بهبود می‌بخشد. “محاسبات پیچیده” در حال تبدیل‌شدن به یکی از ویژگی‌های مهم محاسبات جغرافیایی است که مستلزم کارایی محاسبات است. امروزه بسیاری از کارهای محاسبات جغرافیایی معمولاً به دلیل ماهیت یکپارچه تحلیل‌های جغرافیایی پیچیده هستند. بنابراین ، استراتژی‌های موازی تخصصی باید به‌دقت طراحی شوند تا شتاب محاسبات پیچیده را کنترل کنند. به‌عنوان‌مثال ، در یک مدل هیدرولوژیکی کاملاً وابسته (صریحاً مکانی) ،مسیریابی جریان زمینی و مسیریابی جریان کانال به ترتیب از واحدهای شبیه‌سازی بالادست به پایین‌دست انجام می‌شود. ظاهراً ، نه‌تنها زیر حوضه بلکه واحدهای شبیه‌سازی اساسی درون حوضه نیز روابط وابسته‌ای دارند. بنابراین نمی‌توان آن‌ها را به‌سادگی به واحدهای جداگانه تقسیم کرد و به‌صورت موازی شبیه‌سازی کرد. لیو و همکاران (2016 ) یک رویه دولایه برای تقسیم این زیر حوضه‌ها و واحدهای شبیه‌سازی به ترتیب با توجه به روابط وابسته آن‌ها به لایه‌ها طراحی کرد. همان‌طور که می‌بینیم ، استراتژی‌هایی از این قبیل باید تهیه شوند تا بتوانند از محاسبات پیچیده جغرافیایی استفاده کنند.

علاوه بر این ، همراه با اجرای “مجهز به سایبر” ، “محاسبه آسان” دیگر محدود به منابع محاسباتی ارائه‌شده در یک محیط یکنواخت نیست ، و استفاده از منابع محاسباتی ناهمگن موجود از ماشین‌ها و سیستم‌عامل‌های مختلف امکان‌پذیر شده است. ترکیبی از منابع سایبری همراه با منابع HPC و استراتژی‌های ویژه برای محاسبات پیچیده می‌تواند نوع جدیدی از سیستم‌عامل محاسبات جغرافیایی با عملکرد بالا ایجاد کند. با استفاده از این نوع سیستم‌عامل‌ها می‌توان شکاف محاسبات موجود در نرم‌افزار GIS را پر کرد یا به‌طور قابل‌توجهی کاهش داد.

با استراتژی فوق ، هدف “باید آسان باشد” برای نسل بعدی GIS می‌تواند از طریق سیستم‌عامل‌های محاسبات جغرافیایی محقق شود که در فرآیند مدل‌سازی هوشمند ، شرکت آسان برای کاربران و محاسبات کارآمد باشد ( شکل 1 .)

شکل 1. ایده آسان

4. مطالعات موردی

در این بخش ، ما از easyGC ، پیاده‌سازی محاسبات جغرافیایی آسان برای نشان دادن معنای آسان استفاده می‌کنیم ، همان‌طور که در بخش 3 بحث شد . این سیستم از طریق ( https://www.easygeoc.net:8090/ ) به‌صورت آنلاین در دسترس است . این دو مورد به ترتیب برای سهولت محاسبه در حوزه نقشه‌برداری دیجیتال خاک و تجزیه‌وتحلیل زمین دیجیتال تحت easyGC ساخته‌شده‌اند. پلتفرم easyGC نمونه‌ای از ادغام برخی از تلاش‌های موجود در یک پلت فرم GIS برای سهولت فرآیند محاسبات جغرافیایی است. مثال‌های ارائه‌شده در اینجا برای روشن کردن معنای “آسان” از دید کاربران برنامه GIS است. جزئیات مربوط به توسعه بستر easyGC در جای دیگری شرح داده‌شده است (جیانگ و همکاران 2016 ؛ Qin و همکاران.2013 ) و فراتر از محدوده این مقاله است. واضح است که تلاش‌های تحقیقاتی برای پیشرفت سیستم‌عامل‌های جغرافیایی رایانه‌ای مانند easyGC هنوز لازم است.

4 .1: CyberSoLIM

CyberSoLIM (جیانگ و همکاران 2016 ) یک ماژول از easyGC است و برای ساده‌سازی محاسبات در نقشه‌برداری دیجیتال خاک (DSM) طراحی‌شده است. جریان کلی برای انجام DSM در easyGC در شکل 2 نشان داده‌شده است و می‌تواند در شش مرحله اصلی طبقه‌بندی شود. این مراحل تحت مفهوم “آسان” همان‌طور که در بالا موردبحث قرار گرفت طراحی‌شده و از دیدگاه کاربران در هنگام نیاز به نقشه‌برداری دیجیتالی خاک طراحی‌شده است.

شکل 2. نمودار جریان فرآیند

اولین قدم در ساخت نقشه‌برداری دیجیتال خاک با استفاده از بستر CyberSoLIM برای کاربر تعیین منطقه موردمطالعه و هدف محاسبات جغرافیایی است (در این مثال DSM است). کاربران می‌توانند در نمای نقشه صفحه وب به منطقه منتقل شوند ، سپس کلیک راست کرده و “Digital Soil Mapping” را انتخاب کنید ( شکل 3 ). یک پنجره ساختمانی مدل با روش استنباط خاک ، نقشه‌برداری جداگانه پیش‌بینی خاک (iPSM ، Zhu و همکاران 2015 ) ظاهر می‌شود.

شکل 3. منطقه موردمطالعه را شناسایی کرده و محاسبات موردنیاز (DSM) را انتخاب کنید

دوم ، کاربر برای این کار DSM متغیرهای محیطی را انتخاب می‌کند و نتایج مورد انتظار نقشه را تعریف می‌کند. برای انتخاب متغیرهای محیطی برای استفاده در نقشه‌برداری خاک ، روی “محیط خاک” کلیک کنید و این متغیرها به‌عنوان ورودی مدل در نمای ساختمان مدل اضافه می‌شوند. خروجی به‌عنوان نقشه خاصیت خاک و نقشه عدم قطعیت در اینجا تعیین‌شده است ( شکل 4 ).

شکل 4. متغیرهای محیطی درگیر و خروجی مورد انتظار را انتخاب کنید

سوم ، کاربر گردش کار را ایجاد می‌کند. برای متغیرهای محیطی که باید از داده‌های دیگر استخراج شوند ، سیستم‌عامل می‌تواند به‌طور خودکار گردش کار را با سرویس‌هایی که این داده‌ها را تولید می‌کنند ، گسترش دهد. به‌عنوان‌مثال ، هنگامی‌که کاربر لایه داده شیب ندارد ، می‌تواند بر روی “شیب” کلیک راست کرده و “خودکار” ، “سرویس شیب” و ورودی آن داده “Filled DEM” (DEM بدون گپ) را انتخاب کند به‌طور خودکار به مدل نقشه‌برداری خاک اضافه شود. با افزودن “سرویس حذف گودال” می‌توان “DEM پرشده” را به‌طور خودکار بازیابی کرد ( شکل 5 ).

شکل 5. گردش کار را بسازید

 

چهارم ، اگر کاربر بخواهد پارامترها را تنظیم کند ، کاربر مدل استنباط خاک را پیکربندی می‌کند. پیش‌فرض‌ها برای اکثر برنامه‌های DSM کافی است. بااین‌حال ، اگر کاربر بخواهد ، می‌تواند پارامترها را سفارشی کند یا روش دیگری را انتخاب کند. برای تنظیم آستانه عدم قطعیت ، روش ادغام شباهت دسته‌بندی و موارد دیگر ، روی “نقشه‌برداری پیش‌بینی کننده جداگانه خاک” کلیک کنید ( شکل 6 ).

شکل 6. مدل استنباط خاک را پیکربندی کنید

 

پنجم ، کاربر مدل را اجرا می‌کند. به‌محض اینکه کاربر پیکربندی‌ها را ارسال کند ، گردش کار و تنظیمات مدل به‌عنوان یک سرویس گردش کار بسته‌بندی می‌شوند و برای اجرا به یک سرویس محاسباتی با کارایی بالا منتقل می‌شوند. به‌این‌ترتیب کاربر می‌تواند با یک کلیک ماوس گردش کار را واقعاً اجرا کند. در حین اجرای گردش کار ، خدمات درگیر می‌توانند توسط سیستم‌عامل ، یا خدمات ناهمگن در فضای مجازی ارائه شوند. این پلت فرم باقابلیت توسعه طراحی‌شده است تا به کاربر اجازه دهد خدمات شخصی خود را ادغام کند. این امکان شامل تکنیک‌های جدید پردازش و همچنین استفاده از منابع محاسباتی با عملکرد بالا است. سرویس‌های درگیر در این کار به‌عنوان محاسبات موازی در حال اجرا در یک خوشه لینوکس برای تسریع در محاسبه اجرا می‌شوند. سرانجام ، نتایج تولیدشده و در سیستم‌عامل ذخیره می‌شوند.کاربر می‌تواند آن‌ها را در صفحه وب مشاهده کرده یا در رایانه‌های خودبارگیری کند (شکل 7 )

شکل 7. نتایج را تجسم و بارگیری کنید

 

CyberSoLIM یک پلت فرم DSM فراهم می‌کند که استفاده از آن آسان و محاسبه آن آسان است. در “آسان برای استفاده” ، روند مدل‌سازی بصری است. در حین ساخت گردش کار ، از گرافیک برای تجسم استنباط خاک و روش‌های آماده‌سازی داده‌ها و همچنین داده‌های مکانی درگیر استفاده می‌شود. کاربر می‌تواند با کلیک بر روی گرافیک ، این عناصر گردش کار را مدیریت کند. فرآیند مدل‌سازی با کمک ورودی (خودکار) با ورودی اندک موردنیاز کاربر ، نیز انجام می‌شود. کاربر با تعیین منطقه مطالعه و هدف خود شروع به ساختن مدل می‌کند. سپس ، وی از طریق پلتفرم کمک می‌کند تا گردش کار را به یک وظیفه کامل گسترش دهد. هوش در ساختمان گردش کار، بر اساس هستی‌شناسی تجزیه‌وتحلیل GIS است ، نه بر اساس توالی تجویزشده دستورات. بنابراین ، این هوش می‌تواند به‌طور مستقیم در برنامه‌های دیگر استفاده شود. این سیستم‌عامل از طریق فضای مجازی فعال است.این نه‌تنها DSM را به‌عنوان یک وب‌سایت در دسترس قرار می‌دهد بلکه برای کاربران امکان به اشتراک‌گذاری و استفاده از روش‌های تازه توسعه‌یافته را از طریق خدمات وب فراهم می‌کند. در محاسبه آسان ، آن از طریق خوشه‌های لینوکس اجرا می‌شود و از محاسبات موازی برای تسریع در فرآیند محاسبات پیچیده استفاده می‌کند. بنابراین ، در فرآیند مدل‌سازی هوشمند و در فرآیند محاسبات کارآمد است.

4 .2: استفاده از easyGC برای آنالیز زمین دیجیتال

تجزیه‌وتحلیل دیجیتال زمین (DTA) ماژول دیگری از easyGC است (Qin و همکاران 2013 ). در اینجا ما از محاسبه شاخص رطوبت زمین (TWI) برای نشان دادن روند محاسبه استفاده می‌کنیم. TWI یک شاخص رایج است که به‌طور گسترده مورداستفاده قرارگرفته و از طریق DTA محاسبه می‌شود. گردش کار برای محاسبه TWI در شکل 8 نشان داده‌شده است. روند محاسبه نسبتاً پیچیده است. در نرم‌افزار GIS موجود ، کاربر نیاز به بارگذاری مدل ارتفاع دیجیتال (DEM) منطقه موردمطالعه و استفاده از تابع حذف گودال برای تهیه یک DEM بدون گودال (DEM پرشده) دارد. الگوریتم حذف گودال باید بین روش‌های افزایشی و کاهشی مشخص شود. سپس ، DEM پرشده برای محاسبه حوضه آبریز خاص (SCA) و شیب استفاده می‌شود. برای دریافت SCA ، کاربر ابتدا باید جهت جریان را از DEM پرشده محاسبه کرده و سپس SCA را از جهت جریان محاسبه کند. کاربر همچنین باید الگوریتم جهت جریان بین روش‌های هشت جهته (D8) ، جهت جریان چندگانه (MFD) و D-Infinity (D-INF) را مشخص کند.شیب را می‌توان مستقیماً از DEM پرشده با استفاده از یک تابع محاسبه شیب با یک روش اختلاف محدود مرتبه دوم یا یک روش اختلاف محدود مرتبه سوم محاسبه کرد. پس‌ازآن ، TWI را می‌توان از SCA و شیب محاسبه کرد. معمولاً فرآیند محاسبه برای کاربران غیرمتخصص کاملاً پیچیده است.

شکل 8. گردش کار محاسبه شاخص رطوبت زمین

این فرایند پیچیده را می‌توان در بستر easyGC بسیار ساده کرد. در ابتدا کاربران منطقه تحقیق و نتایج مورد انتظار را مشخص می‌کنند که در این حالت TWI است. سپس ، کاربر می‌تواند گردش کار را در یک پنجره مدل‌سازی بصری با کمک موتور استنتاج بر اساس همان هوشمندی که در مثال CyberSoLIM بیان‌شده است ، ایجاد کند. با افزودن سرویسی که داده‌های ورودی مدل را تولید می‌کند ، می‌تواند ساخت گردش کار را خودکار کند. این پلتفرم همچنین قادر به انتخاب الگوریتم مناسب برای یک کار خاص است. به‌عنوان‌مثال ، هنگامی‌که الگوریتم جهت جریان باید تعیین شود ، موتور استنتاج هنگامی‌که جهت جریان برای محاسبه TWI در یک منطقه کم تسکین در مقیاس دقیق‌تر استفاده می‌شود ، الگوریتم MFD را انتخاب می‌کند. بااین‌حال،الگوریتم D8 در صورت استفاده از جهت جریان در مقیاس فضایی با جزئیات کمتر ، از جهت جریان استفاده می‌شود. این فرآیند می‌تواند تکرار شود تا زمانی که تمام داده‌های ورودی در پایگاه داده پیدا شوند یا محاسبه شوند (شکل 9 ) پس از ساخت مدل ، کاربر می‌تواند مدل را با یک کلیک اجرا کند. محاسبه در یک محیط HPC انجام می‌شود و بسیاری از الگوریتم‌های تجزیه‌وتحلیل زمین با استفاده از استراتژی‌های موازی برای کاهش افزونگی محاسبات و بهبود کارایی اجرا می‌شوند.

شکل 9. فرآیند مدل‌سازی برای محاسبه TWI در easyGC

 

درست مانند آنچه در CyberSoLIM مشاهده کرده‌ایم ، فرایند DTA نیز در این مورد آسان است و محاسبه آن آسان است. برای استفاده آسان ، از بوم گرافیکی برای تجسم فرآیند مدل‌سازی استفاده می‌کند و به شما اجازه می‌دهد فرآیند بصری باشد. از یک پایگاه دانش (هوش عمومی در مورد تجزیه‌وتحلیل جغرافیایی) برای خودکار سازی روند کار و روند انتخاب الگوریتم استفاده می‌کند. همچنین با در دسترس بودن به‌صورت آنلاین و ادغام سایر منابع محاسباتی به‌صورت سایبری امکان‌پذیر است. برای محاسبه آسان ، از محاسبات خوشه‌ای که دارای HPC هستند استفاده می‌شود و توانایی محاسبات پیچیده با استراتژی موازی ویژه را دارد. با استفاده از این سیستم‌عامل ، کاربران بادانش کم در مورد تجزیه‌وتحلیل زمین دیجیتال می‌توانند ویژگی‌های زمین دیجیتال را محاسبه کنند.

5. درس‌های آموخته‌شده و مسیرهای آینده

5 .1:خلاصه‌ای از easyGC

دو مورد نشان داده‌شده در بالا نشان می‌دهد که چگونه پلتفرم easyGC محاسبات جغرافیایی DSM و DTA را آسان می‌کند. آن‌ها امکان حل تقسیم کاربر و محاسبه تقسیم را در تجزیه‌وتحلیل‌های جغرافیایی با استفاده از GIS نشان می‌دهند.

“آسان” محاسبات جغرافیایی در esayGC در “آسان برای استفاده” و “آسان برای محاسبه” نشان داده‌شده است. به‌منظور استفاده آسان ، به ترتیب تلاش‌هایی برای “شهودی” ، “کمکی” و “مجهز به فضای مجازی” انجام‌شده است. ابتدا ، این پلتفرم از گرافیک برای انتزاع بصری عناصر مدل استفاده می‌کند و روند مدل‌سازی را ساده و آسان می‌کند. کاربران به‌راحتی می‌توانند بفهمند از چه مراحلی برای به دست آوردن داده‌ها استفاده می‌شود. آن‌ها می‌توانند با کلیک روی گرافیک به‌راحتی هر مرحله و هر داده را مدیریت کنند تا در صورت تمایل پارامتر یا منابع داده را تغییر دهند. دوم ، این روش اکتشافی (هوشمندی) را برای اتوماسیون فرآیند مدل‌سازی فراهم می‌کند که برای کاربران نیز آزاد است تا روند را با پیشنهاد‌ها ارائه‌شده توسط سیستم‌عامل اصلاح کنند. کاربران می‌توانند نقشه خاک یا TWI را بدون دانستن اینکه چه مراحلی در این مدل دخیل است ، نحوه سازمان‌دهی آن‌ها یا الگوریتم‌هایی که باید انتخاب شوند ، محاسبه می‌کنند.سوم ، از طریق سایبر فعال است به‌گونه‌ای که به‌صورت آنلاین قابل‌دسترسی است که به شما امکان می‌دهد منابع ناهمگن در قالب سرویس‌های وب ادغام شوند. کاربران را از کار خسته‌کننده و فنی مدیریت نرم‌افزار خلاص می‌کند. با اجازه دادن به کاربران بادانش کافی برای شرکت در محاسبات جغرافیایی ، تقسیم کاربر را محدود می‌کند.

ازنظر “آسان برای محاسبه” ، این سیستم‌عامل دارای HPC است و توانایی محاسبات پیچیده را دارد. از منابع محاسبات خوشه‌ای برای تسریع در محاسبه استفاده می‌کند. همراه با ویژگی “سایبر” ، کاربران می‌توانند به‌صورت آنلاین به قابلیت‌های سیستم‌عامل‌های مختلف دسترسی پیدا کنند و از کارایی بالای منابع HPC در دستگاه‌های شخصی خود لذت ببرند. فرآیند محاسبه بدون محدودیت‌های سیستم‌عامل شتاب می‌گیرد. علاوه بر این ، از استراتژی‌های موازی مختلفی برای مقابله با محاسبات جغرافیایی پیچیده استفاده می‌شود. استراتژی‌های موازی ، محاسبات را به قطعات موازی تقسیم می‌کنند تا هم‌زمان با چندین هسته پردازش شوند. این کار با استفاده کامل از منابع HPC ، بازده محاسبات را نیز بهبود می‌بخشد.ادغام منابع ناهمگن همراه با استراتژی‌های موازی تخصصی نه‌تنها باعث صرفه‌جویی در وقت کاربران می‌شود بلکه امکان محاسبات کارآمد را برای تجزیه‌وتحلیل پیچیده جغرافیایی فراهم می‌کند و بنابراین مسئله تقسیم محاسبات در تجزیه‌وتحلیل جغرافیایی را برطرف می‌کند.

easyGC به‌خوبی با استفاده از نرم‌افزار GIS موجود ، دو تقسیم دیجیتالی را که در تحلیل جغرافیایی با آن روبرو شده‌اند ، برطرف می‌کند. این هدف با استفاده از ترکیب محیط مدل‌سازی هوشمند و محاسبات HPC به هدف “آسان” در حوزه DSM و DTA دست‌یافت.

به‌طور خلاصه ، برای آسان بودن نرم‌افزار GIS در آینده باید چهار ویژگی زیر وجود داشته باشد:

1- هدف محور : روند ایجاد روند کار گرا در نرم‌افزار GIS موجود باید به هدف کاربر تغییر یابد. در نرم‌افزارهای موجود ، کاربران باید قبل از ایجاد گردش کار ، تمام جزئیات مدل‌سازی را بدانند. در یک پلت فرم محاسبات جغرافیایی آسان ، کاربران باید بتوانند گردش کار را فقط با دانستن آنچه می‌خواهند به دست آورند ایجاد کنند (نتایج مورد انتظار). این پلتفرم باید بتواند به کاربران در ساخت مسیر رسیدن به آنجا کمک کند. کاربرانی که دانش دقیق تجزیه‌وتحلیل جغرافیایی ندارند ، همچنین می‌توانند در محاسبات جغرافیایی شرکت کنند.

2- هوشمند : سیستم‌عامل باید دانش لازم برای کمک به کاربران در هنگام محاسبه را داشته باشد. سه سطح هوش وجود دارد. اول ، در محیط آسان جغرافیایی باید دانش توالی روش‌ها را داشته باشید. دوم ، باید توانایی انتخاب الگوریتم‌ها و پارامترهای مناسب متناسب با متن برنامه داده‌شده را داشته باشد. نکته آخر اینکه ، این امکان وجود دارد که بتواند از اشکال جدیدی از داده‌ها استفاده کند که ممکن است ازنظر فضایی مغرضانه بوده و ماهیت آن‌ها بدون ساختار باشد. سه سطح هوش به کاربران ، اعم از متخصص و غیرمتخصص اجازه می‌دهد تا نتایج پیش‌بینی‌شده را با روشی ساده‌تر به دست آورند.

3- دسترسی آسان: سیستم‌عامل جغرافیایی آسان باید به‌راحتی در دسترس باشد. برای دسترسی آسان‌تر ، ترجیح داده می‌شود محیط محاسبات را بر فضای مجازی پیاده‌سازی کنید. کاربران می‌توانند از طریق پایانه‌های تلفن همراه به آن در هرجایی دسترسی پیدا کنند. علاوه بر این ، سیستم‌عامل باید منابع سایبری ناهمگن را برای بهبود کارایی محاسبات ادغام کند.

4-مشارکتی : سیستم‌عامل باید به کاربران اجازه دهد به‌راحتی درداده ها و الگوریتم‌ها سهیم شوند. بازده پایین اشتراک‌گذاری در نرم‌افزار GIS موجود باید تغییر کند. این بستر باید باقابلیت توسعه طراحی شود تا امکان اشتراک‌گذاری آسان فراهم شود. سیستم‌عامل‌ها باید توانایی ادغام اختراعات مشترک را به اشکال مختلف داشته باشند. وقتی اشتراک‌گذاری آسان می‌شود ، این پلتفرم به جامعه‌ای برای اشتراک ایده‌های جدید یا روش‌های جدید در محاسبات جغرافیایی تبدیل می‌شود.

این چهار ویژگی را در ذهن داشته باشید ، سیستم‌عامل‌های آینده محاسبات جغرافیایی قرار است “AAA” باشند ، یعنی هرکسی می‌تواند به محاسبات جغرافیایی در هرکجا و هر زمان دسترسی داشته باشد. کاربران قادر به انجام محاسبات جغرافیایی بدون محدودیت دانش متخصص ، محیط کار هستند. به‌این‌ترتیب ، شکاف‌های دیجیتالی که در تجزیه‌وتحلیل جغرافیایی با استفاده از نرم‌افزار GIS موجود روبرو هستند ، حتی حذف می‌شوند.

5 .2: مسیرهای تحقیق در آینده

easyGC نمونه‌ای از پلت فرم محاسبات جغرافیایی آینده را ارائه می‌دهد. تحقیقات برای ساخت سیستم‌عامل‌های آسان محاسبات جغرافیایی فقط در مرحله شروع است. هنوز مشکلات زیادی وجود دارد که باید برای ساده‌سازی بیشتر فرایندهای محاسبه و گسترش کاربرد محاسبات جغرافیایی آسان به دامنه‌های بیشتر و افراد بیشتر ، مرتفع و حل شوند.

ازنظر هدف محور بودن ، اهداف باید گسترش یابند و شامل هرگونه مشکل مکانی از هر نوع ، حتی سخنرانی باشند. سیستم‌عامل‌های آینده محاسبات جغرافیایی باید بتوانند انواع مختلف اهداف را به مشکلات مکانی فضایی قابل‌پردازش تبدیل کنند.

برای داشتن هوش بیشتر ، باید از سه جنبه زیر بهبود یابد. کار تجزیه‌وتحلیل مکانی باید با توجه به ماهیت جغرافیایی منطقه موردمطالعه ، داده‌ها و اهداف به‌طور خودکار انتخاب شود. پایگاه دانش برای تنظیمات مدل ، مانند انتخاب متغیر محیطی در CyberSoLIM ، باید غنی شود تا تنظیمات مربوط به هر مدل درگیر را پوشش دهد. این سیستم‌عامل باید به‌اندازه کافی هوشمند باشد که بتواند داده‌های مربوطه را از سیستم‌عامل‌های مختلف به اشکال مختلف پیدا کند و از استفاده از این داده‌های ناهمگون برای دستیابی به اطلاعات به‌روز و جامع پشتیبانی کند. هوش نسل بعدی GIS باید تمام جنبه‌های فرایند محاسبات جغرافیایی را شامل شود ، از انتخاب وظیفه تجزیه‌وتحلیل مکانی ، تنظیم مدل و تهیه و استفاده از داده‌ها.

وقتی صحبت از سهولت دسترسی بیشتر می‌شود ، ادغام منابع ناهمگن باید خودبه‌خود انجام شود. این بستر باید بتواند منابع داده‌ها و الگوریتم‌های موجود در فضای مجازی را به‌صورت خودجوش پیدا و تلفیق کند. منابع در دسترس نباید محدود به مواردی شود که عمدتاً توسط توسعه‌دهندگان یا کاربران اضافه‌شده‌اند.

نسل بعدی GIS نیز می‌تواند با پذیرش طیف وسیع‌تری از اشتراک ، مشارکت بیشتری داشته باشد. در حال حاضر سرویس‌های وب گسترده‌ترین فرم‌های به اشتراک‌گذاری قابل‌قبول هستند. سیستم‌عامل‌های آینده GIS یا باید از اشکال دیگر به اشتراک‌گذاری منابع پشتیبانی کنند یا عملکردهایی را برای بسته‌بندی خودکار سایر اشکال به اشتراک‌گذاری به‌عنوان سرویس‌های وب فراهم کنند. گذشته از اشتراک داده‌ها و الگوریتم‌ها ، محتوای اشتراک‌گذاری نیز باید به پایگاه دانش گسترش یابد. اشتراک باید انعطاف‌پذیرتر باشد تا جامعه فعال‌تری را درزمینهٔ محاسبات جغرافیایی ایجاد کند.

6. نتیجه‌گیری

در نرم‌افزار GIS موجود، بین کاربران GIS و کاربران هدف نرم‌افزارGIS ، اختلافات شدیدی بین کاربران و تقسیم نیاز بین محاسبات و قابلیت محاسبات و کارایی ارائه‌شده توسط نرم‌افزارGIS ، وجود دارد. در مراحل مختلف تلاش شده است تا روند محاسبات جغرافیایی ، از اسکریپت نویسی تا مدل‌سازی تصویری و محیط مدل‌سازی، ساده شود. بااین‌حال، ساخت یک پلت فرم آسان برای محاسبات جغرافیایی به عهده نسل بعدی GIS است تا بتوان با تقسیم آسان محاسبات جغرافیایی، ازجمله استفاده آسان و محاسبه آسان، این تقسیم‌ها را برطرف کرد. پلت فرم easyGC با مواردی در نقشه‌برداری دیجیتال خاک و تجزیه‌وتحلیل دیجیتال زمین، پتانسیل آسان بودن و امکان ایجاد جاهای خالی را نشان می‌دهد. با ایجاد یک محیط مدل‌سازی هوشمند که بصری و خودکار است، شکاف کاربر را محدود می‌کند. با ایجاد یک محیط محاسباتی HPC دارای قابلیت محاسبات سایبری و پیچیده، شکاف محاسبات را محدود می‌کند.

 easyGC شکلی جنینی از محاسبات جغرافیایی آسان را برای نسل بعدی GIS ارائه می‌دهد و امکان غلبه بر این دو تقسیم را اثبات می‌کند. نسل بعدی GIS باید ساخته شود تا هدف محور ، هوشمند ، به‌راحتی قابل‌دسترسی و مشارکت باشد. هدف نهایی برای نسل بعدی GIS این است که به هرکسی اعم از متخصص و غیرمتخصص اجازه شرکت در محاسبات جغرافیایی را در هر مکان و هر زمان بدهد.

 

 

 

References

1. Abdella, Y., and K. Alfredsen. 2010. “A GIS toolset for automated processing and analysis of radar precipitation data.” Computers & geosciences 36 (4): 422–429. doi:10.1016/j.cageo.2009.08.008. [Crossref], [Web of Science ®], [Google Scholar]
2. Alameh, N.. 2003. “Chaining geographic information web services.” IEEE internet Computing 7 (5): 22–29. doi:10.1109/MIC.2003.1232514. [Crossref], [Web of Science ®], [Google Scholar]
3. Allen, D. W. 2011. Getting to know ArcGIS modelBuilder. Redlands: Esri Press. [Google Scholar]
4. Belete, G. F., A. Voinov, and J. Morales. 2017. “Designing the Distributed Model Integration Framework – DMIF.” Environmental modelling and software 94: 112–126. doi:10.1016/j.envsoft.2017.04.003. [Crossref], [Web of Science ®], [Google Scholar]
5. Boroushaki, S., and J. Malczewski. 2008. “Implementing an extension of the analytical hierarchy process using ordered weighted averaging operators with fuzzy quantifiers in ArcGIS.” Computers & geosciences 34 (4): 399–410. doi:10.1016/j.cageo.2007.04.003. [Crossref], [Web of Science ®], [Google Scholar]
6. Brodaric, B. 2007. “Geo‐Pragmatics for the Geospatial Semantic Web.” Transactions in GIS 11 (3): 453–477. doi:10.1111/j.1467-9671.2007.01055.x. [Crossref], [Google Scholar]
7. Brown, J. L., J. R. Bennett, and C. M. French. 2017. “SDMtoolbox 2.0: the next generation Python-based GIS toolkit for landscape genetic, biogeographic and species distribution model analyses.” PeerJ 5: e4095. doi:10.7717/peerj.4095. [Crossref], [PubMed], [Web of Science ®], [Google Scholar]
8. Castronova, a. M., J. L. Goodall, and M. M. Elag. 2013. “Models as web services using the open geospatial consortium (OGC) web processing service (WPS) standard.” Environmental modelling and software 41: 72–83. doi:10.1016/j.envsoft.2012.11.010. [Crossref], [Web of Science ®], [Google Scholar]
9. Chau, K. W. 2007. “An ontology-based knowledge management system for flow and water quality modeling.” Advances in Engineering Software 38 (3): 172–181. doi:10.1016/j.advengsoft.2006.07.003. [Crossref], [Web of Science ®], [Google Scholar]
10. Chen, M., S. Yue, G. Lü, H. Lin, C. Yang, Y. Wen, R. Hou, D. Xiao, and H. Jiang. 2019. “Teamwork-oriented integrated modeling method for geo-problem solving.” Environmental modelling and software 119: 111–123. doi:10.1016/j.envsoft.2019.05.015. [Crossref], [Web of Science ®], [Google Scholar]
11. Clerici, A., S. Perego, C. Tellini, and P. Vescovi. 2006. “A GIS-based automated procedure for landslide susceptibility mapping by the Conditional Analysis method: the Baganza valley case study (Italian Northern Apennines).” Environmental Geology 50 (7): 941–961. doi:10.1007/s00254-006-0264-7. [Crossref], [Web of Science ®], [Google Scholar]
12. Di, L. 2004. “Distributed geospatial information services-architectures, standards, and research issues.” The international archives of photogrammetry, remote sensing, and spatial information sciences, vol. XXXV, Part 2. Commission II, Istanbul, Turkey, 7 (invited). [Google Scholar]
13. Di, L. 2005. “a Framework for Developing Web-Service-Based Intelligent Geospatial Knowledge Systems.” Geographic Information Sciences 11 (1): 24–28. [Taylor & Francis Online], [Google Scholar]
14. Diallo, B. a. a., T. Badard, F. Hubert, and S. Daniel. 2018. “Towards Semantic Geo/BI: a Novel Approach for Semantically Enriching Geo/BI Data with OWL Ontological Layers (OOLAP and ODW) to Enable Semantic Exploration, Analysis and Discovery of Geospatial Business Intelligence Knowledge.” International Journal of Information Engineering and Electronic Business 10 (6): 1. doi:10.5815/ijieeb.2018.06.01. [Crossref], [Google Scholar]
15. Dobesova, Z. 2011. “Visual programming language in geographic information systems.” In Proceedings of the 2nd international conference on Applied informatics and computing theory, September, 276–280. World Scientific and Engineering Academy and Society (WSEAS). Stevens Point, WI. [Google Scholar]
16. Durante, K., and D. Hardy. 2015. “Discovery, management, and preservation of geospatial data using hydra.” Journal of map & geography libraries 11 (2): 123–154. doi:10.1080/15420353.2015.1041630. [Taylor & Francis Online], [Web of Science ®], [Google Scholar]
17. Elwood, S., M. F. Goodchild, and D. Z. Sui. 2012. “Researching volunteered geographic information: Spatial data, geographic research, and new social practice.” Annals of the association of American geographers 102 (3): 571–590. doi:10.1080/00045608.2011.595657. [Taylor & Francis Online], [Web of Science ®], [Google Scholar]
18. ESRI. 1996. Avenue — Customization and Application Development for ArcView. Redlands, CA: Environmental Systems Research Institute Inc. [Google Scholar]
19. ESRI. 2019. “ArcGIS Desktop.” Accessed 14 October. https://desktop.arcgis.com [Google Scholar]
20. ESRI. 2020a. “Location Analytics Software | ArcGIS Insight.” Accessed 17 March 2020. https://www.esri.com/en-us/arcgis/products/arcgis-insights/overview?rmedium=esri_com_redirects01&rsource=/en-us/arcgis/products/insights-for-arcgis/overview [Google Scholar]
21. ESRI. 2020b. “Esri and Microsoft Cloud Deployment Options.” Accessed 17 March. https://www.esri.com/en-us/about/esri-partner-network/our-partners/global-alliances/microsoft-esri/microsoft-cloud [Google Scholar]
22. Evangelidis, K., K. Ntouros, S. Makridis, and C. Papatheodorou. 2014. “Geospatial services in the Cloud.” Computers & geosciences 63: 116–122. doi:10.1016/j.cageo.2013.10.007. [Crossref], [Web of Science ®], [Google Scholar]
23. Gao, S., and M. F. Goodchild 2013. “Asking spatial questions to identify GIS functionality.” In 2013 Fourth International Conference on Computing for Geospatial Research and Application, July, 106–110. San Jose, CA: IEEE. [Crossref], [Google Scholar]
24. Gorelick, N., M. Hancher, M. Dixon, S. Ilyushchenko, D. Thau, and R. Moore. 2017. “Google Earth Engine: Planetary-scale geospatial analysis for everyone.” Remote sensing of environment 202: 18–27. doi:10.1016/j.rse.2017.06.031. [Crossref], [Web of Science ®], [Google Scholar]
25. Graser, A. 2013. Learning QGIS 2.0. Birmingham: Packt Publishing. [Google Scholar]
26. Griraa, J., Y. Bedard, S. Roche, and R. Devillersb. 2015. “Towards a collaborative knowledge discovery system for enriching semantic information about risks of geospatial data misuse.” In Wenzhong, Shi, Bo Wu, and Alfred Stein (Eds.)., Uncertainty Modelling and Quality Control for Spatial Data, 233. Boca Raton, FL. [Crossref], [Google Scholar]
27. Gui, Z., C. Yang, J. Xia, K. Liu, C. Xu, J. Li, and P. Lostritto. 2013. “a performance, semantic and service quality-enhanced distributed search engine for improving geospatial resource discovery.” International Journal of Geographical Information Science 27 (6): 1109–1132. doi:10.1080/13658816.2012.739692. [Taylor & Francis Online], [Web of Science ®], [Google Scholar]
28. Hawick, K. A., P. D. Coddington, and H. A. James. 2003. “Distributed frameworks and parallel algorithms for processing large-scale geographic data.” Parallel computing 29 (10): 1297–1333. doi:10.1016/j.parco.2003.04.001. [Crossref], [Web of Science ®], [Google Scholar]
29. Healey, R., S. Dowers, B. Gittings, and M. J. Mineter, eds.. 1997. Parallel processing algorithms for GIS. Bristol: CRC Press. [Google Scholar]
30. Hofer, B., E. Papadakis, and S. Mäs. 2017. “Coupling Knowledge with GIS Operations: The Benefits of Extended Operation Descriptions.” ISPRS International Journal of Geo-Information 6 (2): 40. doi:10.3390/ijgi6020040. [Crossref], [Web of Science ®], [Google Scholar]
31. Hou, Z. W., C. Z. Qin, A. X. Zhu, P. Liang, Y. J. Wang, and Y. Q. Zhu. 2019. “From manual to intelligent: a review of input data preparation methods for geographic modeling.” ISPRS International Journal of Geo-Information 8 (9): 376. doi:10.3390/ijgi8090376. [Crossref], [Web of Science ®], [Google Scholar]
32. Huang, F., D. Liu, X. Tan, J. Wang, Y. Chen, and B. He. 2011. “Explorations of the Implementation of a Parallel IDW Interpolation Algorithm in a Linux Cluster-Based Parallel GIS.” Computers & geosciences 37 (4): 426–434. doi:10.1016/j.cageo.2010.05.024. [Crossref], [Web of Science ®], [Google Scholar]
33. Hussain, H., S. U. R. Malik, a. Hameed, S. U. Khan, G. Bickler, N. Min-Allah, … J. Kolodziej. 2013. “a survey on resource allocation in high performance distributed computing systems.” Parallel computing 39 (11): 709–736. doi:10.1016/j.parco.2013.09.009. [Crossref], [Web of Science ®], [Google Scholar]
34. Jiang, J., A. X. Zhu, C. Z. Qin, and J. Liu. 2019. “a knowledge-based method for the automatic determination of hydrological model structures.” Journal of Hydroinformatics 21 (6): 1163–1178. doi:10.2166/hydro.2019.029. [Crossref], [Web of Science ®], [Google Scholar]
35. Jiang, J. C., A.-X. Zhu, C.-Z. Qin, T.-X. Zhu, J.-Z. Liu, F. Du, J. Liu, G.-M. Zhang, and Y.-M. An. 2016. “CyberSoLIM: a cyber platform for digital soil mapping.” Geoderma 263: 234–243. doi:10.1016/j.geoderma.2015.04.018. [Crossref], [Web of Science ®], [Google Scholar]
36. Kim, I. H., and M. H. Tsou. 2013. “Enabling Digital Earth simulation models using cloud computing or grid computing–two approaches supporting high-performance GIS simulation frameworks.” International Journal of Digital Earth 6 (4): 383–403. doi:10.1080/17538947.2013.783125. [Taylor & Francis Online], [Web of Science ®], [Google Scholar]
37. Kuhn, W., and A. Ballatore. 2015. “Designing a language for spatial computing.” In Bacao F., Santos M., Painho M. (eds.)., AGILE 2015, 309–326. Cham: Springer. [Crossref], [Google Scholar]
38. Lecca, G., M. Petitdidier, L. Hluchy, M. Ivanovic, N. Kussul, N. Ray, and V. Thieron. 2011. “Grid computing technology for hydrological applications.” Journal of Hydrology 403 (1–2): 186–199. doi:10.1016/j.jhydrol.2011.04.003. [Crossref], [Web of Science ®], [Google Scholar]
39. Lemmens, R. 2006. “Semantic interoperability of distributed geo-services.” ITC, September 1–2. [Google Scholar]
40. Liang, P., C.-Z. Qin, A.-X. Zhu, Z. Hou, N.-Q. Fan, and Y.-J. Wang. 2020. “a case-based method of selecting covariates for digital soil mapping.” Journal of Integrative Agriculture 19: 2–11. [Crossref], [Web of Science ®], [Google Scholar]
41. Liu, J., A. X. Zhu, Y. Liu, T. Zhu, and C. Z. Qin. 2014. “a layered approach to parallel computing for spatially distributed hydrological modeling.” Environmental modelling and software 51: 221–227. doi:10.1016/j.envsoft.2013.10.005. [Crossref], [Web of Science ®], [Google Scholar]
42. Liu, J., A.-X. Zhu, C.-Z. Qin, H. Wu, and J. Jiang. 2016. “a two-level parallelization method for distributed hydrological models.” Environmental modelling and software 80: 175–184. doi:10.1016/j.envsoft.2016.02.032. [Crossref], [Web of Science ®], [Google Scholar]
43. Liu, Y., A. Padmanabhan, and S. Wang. 2015. “CyberGIS Gateway for enabling data‐rich geospatial research and education.” Concurrency and Computation: Practice and Experience 27 (2): 395–407. doi:10.1002/cpe.3256. [Crossref], [Web of Science ®], [Google Scholar]
44. Lü, G. 2011. “Geographic analysis-oriented virtual geographic environment: framework, structure and functions.” Science China Earth Sciences 54 (5): 733–743. doi:10.1007/s11430-011-4193-2. [Crossref], [Web of Science ®], [Google Scholar]
45. Lutz, M., and D. Kolas. 2007. “Rule‐Based Discovery in Spatial Data Infrastructure. Transactions in GIS, 11 (3),317-336.Lutz,M. (2007). Ontology-based descriptions for semantic discovery and composition of geoprocessing services.” Geoinformatica 11 (1): 1–36. doi:10.1007/s10707-006-7635-9. [Crossref], [Web of Science ®], [Google Scholar]
46. Magesh, N. S., N. Chandraseka, and S. Kaliraj. 2012. “a GIS based automated extraction tool for the analysis of basin morphometry.” Bonfring International Journal of Industrial Engineering and Management Science 2: 32–35. Special Issue Special Issue on Geospatial Technology Development in Natural Resource and Disaster Management). [Google Scholar]
47. Maguire, D. J. 1991. “An overview and definition of GIS.” In Geographical Information Systems: Principles and Applications, edited by D. J. Maguire, M. F. Goodchild, and D. W. Rhind, 9–20. Vol. 1. London: Longman Scientific and Technical. [Google Scholar]
48. McCarthy, J. D., and P. A. Graniero. 2006. “a GIS-based borehole data management and 3D visualization system.” Computers & geosciences 32 (10): 1699–1708. doi:10.1016/j.cageo.2006.03.006. [Crossref], [Web of Science ®], [Google Scholar]
49. Mericskay, B. 2018. “Automation of Workflows for the Installation of a Wind Farm.” QGIS and Applications in Territorial Planning 3: 125–168. [Crossref], [Google Scholar]
50. Miller, S. N., D. J. Semmens, D. C. Goodrich, M. Hernandez, R. C. Miller, W. G. Kepner, and D. P. Guertin. 2007. “The automated geospatial watershed assessment tool.” Environmental modelling and software 22 (3): 365–377. doi:10.1016/j.envsoft.2005.12.004. [Crossref], [Web of Science ®], [Google Scholar]
51. Neitsch, S. L., J. G. Arnold, J. R. Kiniry, and J. R. Williams. 2011. Soil and water assessment tool theoretical documentation version 2009. Temple, TX: Texas Water Resources Institute. [Google Scholar]
52. Padarian, J., B. Minasny, and A. B. McBratney. 2015. “Using Google’s cloud-based platform for digital soil mapping.” Computers & geosciences 83: 80–88. doi:10.1016/j.cageo.2015.06.023. [Crossref], [Web of Science ®], [Google Scholar]
53. QGIS Development Team. 2019. “QGIS Geographic Information System.” Open Source Geospatial Foundation Project. https://qgis.osgeo.org [Google Scholar]
54. Qi, K., Z. Gui, Z. Li, W. Guo, H. Wu, and J. Gong. 2016. “An extension mechanism to verify, constrain and enhance geoprocessing workflows invocation.” Transactions in GIS 20 (2): 240–258. doi:10.1111/tgis.12152. [Crossref], [Web of Science ®], [Google Scholar]
55. Qin, C.-Z., J.-C. Jiang, L.-J. Zhan, Y.-J. Lu, and A.-X. Zhu. 2013. “A Browser/Server-based Prototype of Heuristic Modelling Environment for Digital Terrain Analysis.” In Geomorphometry’2013, October 15–20. Nanjing: Nanjing Normal University. [Google Scholar]
56. Qin, C.-Z., X.-W. Wu, J.-C. Jiang, and A.-X. Zhu. 2016. “Case-based knowledge formalization and reasoning method for digital terrain analysis–application to extracting drainage networks.” Hydrology and Earth System Sciences 20 (8): 3379–3392. doi:10.5194/hess-20-3379-2016. [Crossref], [Web of Science ®], [Google Scholar]
57. Qin, C.-Z., and L. Zhan. 2012. “Parallelizing flow-accumulation calculations on graphics processing units—From iterative DEM preprocessing algorithm to recursive multiple-flow-direction algorithm.” Computers & geosciences 43: 7–16. doi:10.1016/j.cageo.2012.02.022. [Crossref], [Web of Science ®], [Google Scholar]
58. Qin, C.-Z., L. J. Zhan, and A.-X. Zhu. 2014. “How to apply the geospatial data abstraction library (GDAL) properly to parallel geospatial raster I/O?” Transactions in GIS 18 (6): 950–957. doi:10.1111/tgis.12068. [Crossref], [Web of Science ®], [Google Scholar]
59. Qiu, L., Z. Du, Q. Zhu, and Y. Fan. 2017. “An integrated flood management system based on linking environmental models and disaster-related data.” Environmental modelling and software 91: 111–126. doi:10.1016/j.envsoft.2017.01.025. [Crossref], [Web of Science ®], [Google Scholar]
60. Saquicela, V., L. M. Vilches-Blázquez, and O. Corcho. 2012. “Adding semantic annotations into (geospatial) restful services.” International Journal on Semantic Web and Information Systems (IJSWIS) 8 (2): 51–71. doi:10.4018/jswis.2012040103. [Crossref], [Web of Science ®], [Google Scholar]
61. Scheider, S., and A. Ballatore. 2018. “Semantic typing of linked geoprocessing workflows.” International Journal of Digital Earth 11 (1): 113–138. doi:10.1080/17538947.2017.1305457. [Taylor & Francis Online], [Web of Science ®], [Google Scholar]
62. Scheider, S., A. Ballatore, and R. Lemmens. 2019. “Finding and sharing GIS methods based on the questions they answer.” International journal of digital earth 12 (5): 594–613. doi:10.1080/17538947.2018.1470688. [Taylor & Francis Online], [Web of Science ®], [Google Scholar]
63. Schut, P. 2007. OpenGIS® Web Processing Service. OGC 05-007r7Wayland, MA: Open Geospatial Consortium Technical Report. [Google Scholar]
64. Shook, E., M. E. Hodgson, S. Wang, B. Behzad, K. Soltani, A. Hiscox, and J. Ajayakumar. 2016. “Parallel cartographic modeling: a methodology for parallelizing spatial data processing.” International Journal of Geographical Information Science 30 (12): 2355–2376. doi:10.1080/13658816.2016.1172714. [Taylor & Francis Online], [Web of Science ®], [Google Scholar]
65. Škerjanec, M., N. Atanasova, D. Čerepnalkoski, S. Džeroski, and B. Kompare. 2014. “Development of a knowledge library for automated watershed modeling.” Environmental modelling and software 54: 60–72. doi:10.1016/j.envsoft.2013.12.017. [Crossref], [Web of Science ®], [Google Scholar]
66. Sorokine, A. 2007. “Implementation of a parallel high-performance visualization technique in GRASS GIS.” Computers & geosciences 33 (5): 685–695. doi:10.1016/j.cageo.2006.09.008. [Crossref], [Web of Science ®], [Google Scholar]
67. SuperMap Software Co., Ltd. 2019. “SuperMap GIS for PC.” Accessed 14 October. https://www.supermap.com/en-us/list/?7_1.html [Google Scholar]
68. Tarboton, D. G. 2005. Terrain Analysis using Digital Elevation Models (TauDEM). Logan: Utah State University. [Google Scholar]
69. Thieler, E. R., E. A. Himmelstoss, J. L. Zichichi, and A. Ergul. 2009. “The Digital Shoreline Analysis System (DSAS) version 4.0-an ArcGIS extension for calculating shoreline change.” No. 2008-1278. Reston, VA: US Geological Survey. [Crossref], [Google Scholar]
70. Vaccari, L., P. Shvaiko, and M. Marchese. 2009. “a geo-service semantic integration in spatial data infrastructures.” International Journal of Spatial Data Infrastructures Research 4: 24–51. [Google Scholar]
71. Vahedi, B., W. Kuhn, and A. Ballatore. 2016. “Question-based spatial computing—a case study.” In Sarjakoski T., Santos M., Sarjakoski L. (eds.)., Geospatial Data in a Changing World, 37–50. Cham: Springer. [Crossref], [Google Scholar]
72. Vretanos, P. 2005. “Web feature service implementation specification.” Accessed on May 11, 2020. https://portal.ogc.org/files/?artifact_id=8339. [Google Scholar]
73. Wang, J., M. Chen, G. Lü, S. Yue, K. Chen, and Y. Wen. 2018. “a Study on Data Processing Services for the Operation of Geo‐Analysis Models in the Open Web Environment.” Earth and Space Science 5 (12): 844–862. doi:10.1029/2018EA000459. [Crossref], [Web of Science ®], [Google Scholar]
74. Wang, S. 2010. “a cyberGIS framework for the synthesis of cyberinfrastructure, GIS, and spatial analysis.” Annals of the Association of American Geographers 100 (3): 535–557. doi:10.1080/00045601003791243. [Taylor & Francis Online], [Web of Science ®], [Google Scholar]
75. Wei, Y., S. K. Santhana-Vannan, and R. B. Cook 2009. “Discover, visualize, and deliver geospatial data through OGC standards-based WebGIS system.” In 2009 17th International Conference on Geoinformatics, August, 1–6. Fairfax, VA: IEEE. [Crossref], [Google Scholar]
76. Wiegand, N., and C. García. 2007. “a task‐based ontology approach to automate geospatial data retrieval.” Transactions in GIS 11 (3): 355–376. doi:10.1111/j.1467-9671.2007.01050.x. [Crossref], [Google Scholar]
77. Williams, W. A., M. E. Jensen, J. C. Winne, and R. L. Redmond. 2000. “An automated technique for delineating and characterizing valley-bottom settings.” In Sandhu, S. S., Melzian, B. D., Long, E. R., Walton, B. T., & Whitford, W. G. (Eds.)., Monitoring Ecological Condition in the Western United States, 105–114. Dordrecht: Springer. [Crossref], [Google Scholar]
78. Wood, J. 2009. “Geomorphometry in landserf.” Developments in soil science 33: 333–349. [Crossref], [Google Scholar]
79. Yang, C., M. F. Goodchild, Q. Huang, D. Nebert, R. Raskin, Y. Xu, M. Bambacus, and D. Fay. 2011. “Spatial cloud computing: How can the geospatial sciences use and help shape cloud computing?” International Journal of Digital Earth 4 (4): 305–329. doi:10.1080/17538947.2011.587547. [Taylor & Francis Online], [Web of Science ®], [Google Scholar]
80. Yin, Z., C. Zhang, D. W. Goldberg, and S. Prasad. 2019. “An NLP-based Question Answering Framework for Spatio-Temporal Analysis and Visualization.” In Proceedings of the 2019 2nd International Conference on Geoinformatics and Data Analysis, March, 61–65, New York. [Crossref], [Google Scholar]
81. Yue, P., L. Di, W. Yang, G. Yu, and P. Zhao. 2007. “Semantics-based automatic composition of geospatial Web service chains.” Computers & geosciences 33 (5): 649–665. doi:10.1016/j.cageo.2006.09.003. [Crossref], [Web of Science ®], [Google Scholar]
82. Yue, S., M. Chen, C. Yang, C. Shen, B. Zhang, Y. Wen, and G. Lü. 2018. “a loosely integrated data configuration strategy for web-based participatory modeling.” GIScience & Remote Sensing 56 (5): 670–698. doi:10.1080/15481603.2018.1549820. [Taylor & Francis Online], [Web of Science ®], [Google Scholar]
83. Zhao, L., L. Chen, R. Ranjan, K. K. R. Choo, and J. He. 2016. “Geographical information system parallelization for spatial big data processing: a review.” Cluster computing 19 (1): 139–152. doi:10.1007/s10586-015-0512-2. [Crossref], [Web of Science ®], [Google Scholar]
84. Zhao, P., T. Foerster, and P. Yue. 2012. “The geoprocessing web.” Computers & geosciences 47: 3–12. doi:10.1016/j.cageo.2012.04.021. [Crossref], [Web of Science ®], [Google Scholar]
85. Zhu, a.-X., J. Liu, F. Du, S.-J. Zhang, C.-Z. Qin, J. Burt, T. Behrens, and T. Scholten. 2015. “Predictive soil mapping with limited sample data.” European journal of soil science 66 (3): 535–547. doi:10.1111/ejss.12244. [Crossref], [Web of Science ®], [Google Scholar]
86. Zhu, a.-X., C.-Z. Qin, P. Liang, and F. Du. 2018. “Digital Soil Mapping for Smart Agriculture: the SoLIM method and Software Platforms.” RUDN Journal of Agronomy and Animal Industries 13 (4): 317–335. doi:10.22363/2312-797X-2018-13-4-317-335. [Crossref], [Google Scholar]
87. Zhu, L. J., J. Liu, C. Z. Qin, and A. X. Zhu. 2019. “a modular and parallelized watershed modeling framework.” Environmental modelling and software 122: 104526. doi:10.1016/j.envsoft.2019.104526. [Crossref], [Web of Science ®], [Google Scholar]
88. Zhu, Y., and J. Yang. 2019. “Automatic data matching for geospatial models: a new paradigm for geospatial data and models sharing.” Annals of GIS  25(4): 283-298. [Taylor & Francis Online], [Web of Science ®], [Google Scholar]
89. Zhu, Y., A.-X. Zhu, M. Feng, J. Song, H. Zhao, J. Yang, Q. Zhang, K. Sun, J. Zhang, and J. Yao. 2017. “a similarity-based automatic data recommendation approach for geographic models.” International Journal of Geographical Information Science 31 (7): 1403–1424. doi:10.1080/13658816.2017.1300805. [Taylor & Francis Online], [Web of Science ®], [Google Scholar]