مراحل طراحی پایگاه ژئودیتابیس

1. معرفی
2. چرخه عمر توسعه سیستم ها
3. سیستم مدیریت داده های ترافیک بایگانی شده
4. خلاصه

1. معرفی

سیستم های اطلاعات جغرافیایی (GIS) به سیستم های اطلاعاتی اطلاق می شود که داده های مکانی (جغرافیایی) را دستکاری می کنند. فرآیند دستکاری داده ها می تواند از تجمیع داده های ساده گرفته تا روش های پیچیده فضایی و یادگیری ماشینی باشد. نمونه ای از فرآیند تجمیع داده ها، محاسبه میانگین دمای روزانه هر مکان روی نقشه است. یک روش تجزیه و تحلیل فضایی از اصولی در آمار فضایی برای مدل سازی داده ها در فضا برای درک فرآیند تولید داده یا پیش بینی ها استفاده می کند، به عنوان مثال کریجینگ (Cressie 1990) و رگرسیون وزنی جغرافیایی (Brunsdon et al. 1996). یک روش یادگیری ماشینی، مشابه روش‌های تحلیل فضایی، از ویژگی‌های (جغرافیایی) فضایی در داده‌ها برای استنتاج یا پیش‌بینی با استفاده از داده‌های موجود برای داده‌های دیده نشده استفاده می‌کند. در این مقاله،

برنامه‌های کاربردی GIS (نرم‌افزار) سنتی اغلب GISهای عمومی و همه‌منظوره هستند که از انواع فرآیندهای (جغرافیایی) مکانی برای تجزیه و تحلیل و تجسم داده‌های (جغرافیایی) مکانی در قالب‌های مختلف بر روی یک کامپیوتر محلی پشتیبانی می‌کنند. پیشرفت‌های اخیر در قدرت محاسباتی و ابزارهای توسعه نرم‌افزار، طیف گسترده‌ای از برنامه‌های GIS، از جمله برنامه‌های قدرتمند GIS عمومی و برنامه‌های کاربردی سفارشی‌شده برای مأموریت‌های خاص (مثلاً تجسم داده‌های ترافیک) را ممکن کرده است. به طور کلی، برنامه های GIS را می توان بر اساس ویژگی های منابع محاسباتی آنها (به عنوان مثال، ذخیره سازی داده، قدرت محاسباتی، دسترسی به شبکه) به عنوان برنامه های کاربردی دسکتاپ یا مبتنی بر ابر طبقه بندی کرد. برنامه های دسکتاپ، مانند ArcGIS Desktop و QGIS Esri اغلب نیازی به اتصال به اینترنت ندارند، اما به دلیل قدرت محاسباتی و ذخیره سازی محدود یک کامپیوتر، تنها می توانند مقدار کمی از داده ها را مدیریت کنند. در مقابل، برنامه‌های کاربردی مبتنی بر ابر، مانند ArcGIS Online Esri می‌توانند داده‌های بزرگ (اغلب در یک خوشه کامپیوتری بزرگ) را پردازش کنند، اما نیاز به دسترسی به شبکه (چه اینترنت یا یک شبکه سازمانی خصوصی) دارند.

علاوه بر تمایز در منابع محاسباتی، برنامه‌های GIS می‌توانند بر اساس طراحی استراتژی‌های تعامل انسان و رایانه (HCI) روش‌های مختلفی داشته باشند، مانند برنامه‌های GIS موبایل، برنامه‌های GIS وب و APIهای GIS آنلاین (رابط برنامه‌نویسی کاربردی). )). برنامه های کاربردی موبایل GIS برنامه های نرم افزاری هستند که بر روی دستگاه های تلفن همراه اجرا می شوند و مهمتر از همه، می توانند از خدمات مبتنی بر مکان (LBS) برای حل یک مشکل عملی (مثلاً ثبت مسیرهای متحرک) بهره برداری کنند. به عنوان مثال، Esri Collector یک برنامه GIS تلفن همراه است که جمع آوری داده ها را با استفاده از یک دستگاه تلفن همراه امکان پذیر می کند. برنامه های Web GIS در یک مرورگر وب، چه بر روی یک دستگاه تلفن همراه یا دسکتاپ اجرا می شوند. مزیت اصلی برنامه های Web GIS این است که مرورگرهای وب به طور همه جا در انواع مختلف دستگاه ها وجود دارند. و از این رو کاربران نیازی به نصب نرم افزارهای اضافی ندارند. برنامه های GIS وب اغلب به یک GIS ابری باطن نیاز دارند. یک وب GIS که توسط یک GIS ابری پشتیبانی می‌شود، می‌تواند طیف گسترده‌ای از عملکردها را پشتیبانی کند، مانند تجسم داده‌های نقشه موجود یا ارائه‌شده توسط کاربر و انجام فرآیندهای (جغرافیایی) فضایی پیچیده. نمونه ای از برنامه های Web GIS CARTO است که کاربران را قادر می سازد تا مجموعه داده ها را سفارشی کنند و نقشه های تعاملی را در وب منتشر کنند. Google Maps هم یک برنامه GIS موبایل و هم وب است که اطلاعات مکان، از جمله ترافیک، شبکه‌های جاده‌ای و نقاط مورد علاقه را در دستگاه‌های تلفن همراه یا در وب نمایش می‌دهد. APIهای GIS آنلاین فرآیندهای محاسباتی هستند که روی یک سرور اجرا می شوند. آنها را می توان در اینترنت با استفاده از پروتکل های خاص (مانند، خدمات RESTful مطابق با معماری نرم افزار Representational State Transfer (REST) ​​است. به عنوان مثال، مؤسسه علوم فضایی دانشگاه کالیفرنیای جنوبی یک API پیش‌بینی کیفیت هوا ارائه می‌کند و Google خدمات کدگذاری جغرافیایی خود را به عنوان یک API آنلاین در دسترس قرار می‌دهد.

برنامه‌های GIS همچنین می‌توانند با داده‌های مکانی (جغرافیایی) پشتیبانی‌شده‌شان، که اغلب انواع قابلیت‌های فرآیندهای (جغرافیایی) فضایی برنامه‌ها و روش‌های کاربرد را تعیین می‌کنند، متمایز شوند. به عنوان مثال، فرض کنید یک برنامه GIS نیاز به تولید هفتگی مقادیر کیفیت هوا به صورت فضایی از مکان‌های نقطه‌ای دارد. سپس بهترین روش یک برنامه مبتنی بر ابر (یا سرور) با استفاده از پایگاه داده فضایی است. اگر برنامه شامل فرآیندهای (جغرافیایی) فضایی پیچیده‌تری نسبت به تجمیع داده‌ها باشد، معماری نرم‌افزار روی ابر باید بتواند میزبان کتابخانه‌های برنامه‌نویسی (جغرافیایی) فضایی یا چارچوب‌های یادگیری ماشینی باشد، به‌عنوان مثال، جریان تنسور (Lin et al. 2018)

دو نوع داده رایج مکانی (جغرافیایی) نوع داده برداری و نوع داده شطرنجی هستند. داده های برداری هندسه چیزهای (ژئو) فضایی را با استفاده از نقاط، خطوط و چندضلعی ها نشان می دهد. همچنین، داده های برداری اغلب همراه با یک جزء جدولی است که ابرداده هندسی (ویژگی ها) را توصیف می کند. فرمت‌های برداری محبوب عبارتند از شکل فایل Esri (Esri 1998)، GeoJSON، و کنسرسیوم فضایی باز (OGC)، متن شناخته شده، دودویی شناخته شده، و KML (زبان نشانه‌گذاری Keyhole). شکل فایل Esri هندسه اشیاء و ویژگی های آنها (به عنوان مثال، نام مکان، آدرس) را ذخیره می کند. GeoJSON یک فرمت برداری سبک وزن است که بیشتر برای وب GIS و سایر برنامه های GIS که مجموعه داده های کوچکی را مدیریت می کنند. متن شناخته شده و دودویی شناخته شده فرمت های داده رایج برای پایگاه داده های فضایی (به عنوان مثال، PostGIS) هستند که از OGC سرچشمه می گیرند. تعاریف آنها در ISO/IEC 13249-3 آمده است: استاندارد 2016. KML (در حال حاضر توسط OGC نگهداری می‌شود) شامل هندسه‌ها و ویژگی‌های شیء و نحوه نمایش این هندسه‌ها در یک برنامه کاربردی است (به عنوان مثال، Google Earth و Google Maps Android Software Development Kit). داده های برداری امکان اندازه فایل کوچک و نمایش دقیق نقطه، اسکلت و مرز چیزهای (جغرافیایی) فضایی را فراهم می کند.

برخلاف داده‌های برداری که به صراحت اطلاعات هندسی را ذخیره می‌کنند، داده‌های شطرنجی از ساختار شبکه‌ای برای نمایش چیزهای فضایی با استفاده از یک سطح پیوسته بر روی فضا استفاده می‌کنند. هر سلول در شبکه بخشی از فضا را پوشش می‌دهد و می‌تواند شامل مجموعه‌ای از متغیرها به عنوان ابرداده سلول باشد. رایج‌ترین نوع داده‌های جغرافیایی، تصاویر است، مانند تصاویر ماهواره‌ای و عکس‌های هوایی. فرمت های شطرنجی استاندارد عبارتند از GeoTIFF و NetCDF (شبکه فرم داده مشترک). GeoTIFF یک استاندارد فراداده برای توصیف تصاویر جغرافیایی ارجاع شده در فرمت فایل تصویر برچسب شده (TIFF) است. NetCDF از داده های چند بعدی پشتیبانی می کند و شامل مجموعه ای از قالب ها و کتابخانه ها برای نمایش و دسترسی به داده های چند بعدی است. NetCDF معمولاً در جامعه علوم زمین برای ذخیره پدیده های مختلف مکانی و زمانی استفاده می شود. داده های شطرنجی این مزیت را دارند که نمایش داده های آن در مقایسه با داده های برداری محدود به یک مرز از پیش تعریف شده نیست. اکثر کتابخانه های پردازش تصویر (به عنوان مثال، OpenCV) می توانند با در نظر گرفتن هر سلول شطرنجی به عنوان پیکسل تصویر، داده های شطرنجی را مدیریت کنند.

در مجموع، روش کاربردهای GIS طیف وسیعی دارد. انواع داده های پشتیبانی شده و فرآیندهای (جغرافیایی) فضایی می توانند از تجسم داده های نقطه ای ساده تا تشخیص تصاویر پیچیده متفاوت باشند. طیف گسترده ای از روش ها و قابلیت ها، استفاده از یک روش واحد را برای طراحی، توسعه، آزمایش و استقرار برنامه های کاربردی GIS (یعنی چرخه عمر توسعه سیستم، SDLC، برای برنامه های GIS) چالش برانگیز می کند. به طور خاص، SDLC ها باید شامل ملاحظات ابزار، مشکل، دامنه و افراد (ذینفعان) یک برنامه GIS باشند. با این وجود، همه برنامه‌های GIS نیاز به مصرف، پردازش و تولید داده‌های مکانی (جغرافیایی) دارند. از این رو، این مدخل بر تصمیمات حیاتی در هر مرحله از چرخه عمر توسعه GIS (GiSDLC) در مورد الزامات ذخیره سازی، دسترسی، و تجزیه و تحلیل داده های (جغرافیایی) مکانی برای برنامه هدف. ادامه این مقاله با هدف معرفی ملاحظات مختلف در GiSDLC، از جمله طراحی، توسعه، آزمایش و استقرار برنامه کاربردی، از منظر ذخیره سازی، دسترسی و تجزیه و تحلیل داده ها است. بخش 2 مقدمه کوتاهی برای SDLC، از جمله توضیح نقش داده های مکانی (جغرافیایی) در هر فاز SDLC ارائه می دهد. بخش 3 از دو برنامه کاربردی موجود در دنیای واقعی به عنوان مثال برای برجسته کردن ملاحظات مهم در هر مرحله از GiSDLC استفاده می کند. بخش 4 یک خلاصه کلی ارائه می دهد. از جمله توضیح نقش داده های مکانی (جغرافیایی) در هر مرحله SDLC. بخش 3 از دو برنامه کاربردی موجود در دنیای واقعی به عنوان مثال برای برجسته کردن ملاحظات مهم در هر مرحله از GiSDLC استفاده می کند. بخش 4 یک خلاصه کلی ارائه می دهد. از جمله توضیح نقش داده های مکانی (جغرافیایی) در هر مرحله SDLC. بخش 3 از دو برنامه کاربردی موجود در دنیای واقعی به عنوان مثال برای برجسته کردن ملاحظات مهم در هر مرحله از GiSDLC استفاده می کند. بخش 4 یک خلاصه کلی ارائه می دهد.

2. چرخه حیات توسعه سیستم

چرخه حیات توسعه سیستم (SDLC) فعالیت ها و نقاط عطف در توسعه سیستم های اطلاعاتی را تعریف می کند. به طور کلی، یک SDLC می تواند شامل پنج تا ده فاز باشد. به عنوان مثال، یک SDLC هفت فاز شامل مراحل شناسایی مشکل، برنامه ریزی، طراحی، توسعه، آزمایش، استقرار و نگهداری است. برای حفظ یک بحث مختصر، بدون از دست دادن کلیت، این مدخل بر روی یک SDLC پنج فازی، شامل مراحل طراحی، توسعه، آزمایش، استقرار و نگهداری (که در آن مراحل شناسایی مشکل، برنامه‌ریزی و طراحی ترکیب می‌شوند، تمرکز می‌کند. یک فاز طراحی). علاوه بر فازهای SDLC، یک روش یا مدل SDLC اجرای این فازها را هدایت می کند. در حالی که انتخاب یک SDLC برای برنامه های GIS شبیه به سایر برنامه های نرم افزاری است. هر مرحله از چرخه حیات توسعه GIS (GiSDLC) باید به داده ها و فرآیندهای (جغرافیایی) مکانی مورد نیاز توجه بیشتری داشته باشد. این بخش ابتدا دو روش SDLC نماینده (یعنی مدل آبشار و چابک) را توضیح می‌دهد که می‌تواند برای GiSDLC استفاده شود و سپس هر مرحله SDLC را با تمرکز بر داده‌ها و فرآیندهای (جغرافیایی) مکانی توصیف می‌کند.

2.1 روش SDLC

انواع SDLC ها در جامعه مهندسی نرم افزار به سازمان ها، تیم های توسعه و پروژه های مختلف مانند Waterfall، Agile، Spiral و V شکل پیشنهاد شده است. روش‌های سنتی شامل مدل آبشار، یک روش متوالی است که نیاز به تکمیل تمام فعالیت‌ها در هر مرحله قبل از انتقال به فاز بعدی دارد (مک کورمیک 2012)، و مدل چابک، یک روش تکراری که شامل تکرارهای زیادی است، که هر یک زیر مجموعه‌ای از فعالیت‌ها را برای هر یک تکمیل می‌کند. فاز (ادکی 2015). روش های دیگر اغلب در سناریوهای خاص استفاده می شود. به عنوان مثال، مدل V شکل عمدتاً برای پروژه‌های کوچک و متوسط ​​است، جایی که الزامات کاملاً از پیش تعریف شده است. این بخش به معرفی فرآیند مدل Waterfall و Agile و مقایسه مزایا و معایب آنها می پردازد.

در مدل Waterfall، هر فاز باید قبل از شروع فاز بعدی به طور کامل تکمیل شود. فرآیند بررسی در پایان هر مرحله تعیین می کند که آیا پروژه در مسیر صحیح قرار دارد یا خیر. مدل Waterfall یک راه آسان برای مدیریت پروژه توسعه فراهم می کند زیرا هر فاز دارای مشخصات قابل تحویل و بررسی است
روند. بنابراین، معمولاً برای پروژه‌هایی که نیازمندی‌ها را می‌توان به وضوح تعریف کرد و به خوبی درک کرد، به خوبی کار می‌کند. با این حال، یک نقطه ضعف این است که وقتی یک پروژه در مرحله آزمایش است، تغییر چیزی که در مراحل قبلی به خوبی فکر نشده بود دشوار است. هیچ نرم افزار یا نسخه ی نمایشی تا اواخر چرخه عمر تولید نشده است، بنابراین روش Waterfall برای پروژه های طولانی مدت و پیچیده مناسب نیست. یکی دیگر از اشکالات مدل آبشار این است که تعاملات ذینفعان بسیار کمی در کل چرخه عمر دخیل است، به این معنی که محصول تنها زمانی می تواند به ذینفعان نشان داده شود که در پایان چرخه آماده باشد (Mahalakshmi and Sundararajan 2013).

روش چابک نوعی توسعه نرم افزار افزایشی با چرخه های سریع و تکراری است. به طور خاص، کل فرآیند توسعه برنامه به چندین چرخه کوچک (اغلب زیاد) تقسیم می شود. تیم توسعه هر مرحله را در مراحل طراحی، توسعه، آزمایش و استقرار برنامه در هر چرخه انجام می دهد. در پایان هر چرخه، تیم باید یک زیرمجموعه مورد توافق از محصول را تحویل دهد و ذینفعان می‌توانند کار در حال پیشرفت را ببینند. یکی از نقاط قوت مدل چابک این است که ذینفعان به طور فعال در سراسر پروژه شرکت می کنند. به این ترتیب، تیم توسعه فرصت هایی برای درک واقعی دیدگاه سهامداران با بررسی های خود پس از هر چرخه دارد. مدل Agile همچنین امکان تغییرات در تکرار بعدی را فراهم می کند. که فرصتی برای اصلاح و اولویت بندی مجدد محصول کلی به طور مداوم فراهم می کند. با این حال، داشتن تعاملات مداوم با سهامداران ممکن است منجر به مدیریت ارتباطات پیچیده شود. فقدان چشم انداز نهایی یا ایجاد تغییرات زیاد ممکن است پروژه را به هم ریخت. همچنین، اسناد ضعیفی وجود خواهد داشت زیرا تعاملات با ذینفعان به دلیل ماهیت ارتباطات مکرر، عمدتاً شفاهی است.

2.2 SDLC در مورد داده های مکانی (جغرافیایی).

در مرحله طراحی، تیم توسعه تجزیه و تحلیل نیازها را با ذینفعان انجام می‌دهد، ابزارهای نرم‌افزاری (مثلاً زبان‌های برنامه‌نویسی، چارچوب‌ها و معماری نرم‌افزار، کتابخانه‌های نرم‌افزار، و معماری سیستم) را انتخاب می‌کند و محیط محاسباتی را تعیین می‌کند (مثلا دسکتاپ در مقابل ابر. برنامه های کاربردی). در مورد کاربردهای GIS، تصمیمات حیاتی باید سه سوال اساسی را در مورد داده‌های مکانی (جغرافیایی) و فرآیندهای مورد نیاز برای برنامه مورد نظر در نظر بگیرند:

• انواع و اندازه های مورد نیاز داده های (ژئو) مکانی (به عنوان ورودی و خروجی سیستم) چیست؟
• فرآیندهای (ژئو) فضایی مورد نیاز چیست؟
• زمان پاسخ مطلوب برای هر فرآیند (ژئو)مکانی چقدر است؟

این سه سوال به هم مرتبط هستند. انواع داده‌های مکانی (جغرافیایی) مورد نیاز اغلب فرآیندهای (جغرافیایی)مکانی قابل اجرا و اندازه‌های بالقوه داده را تعیین می‌کنند که تأثیر قابل‌توجهی بر زمان پاسخ فرآیند دارند. پاسخ به این سوالات به شناسایی معماری نرم افزار و
محیط محاسباتی مناسب کمک می کند.

در مرحله توسعه، تیم توسعه برنامه‌ها را مطابق با الزامات مشخص شده در مرحله طراحی می‌سازد. یک استراتژی توسعه رایج این است که به طور مستقل هر ماژول نرم افزار را با استفاده از ورودی، فرآیند و خروجی از پیش تعریف شده از مرحله طراحی توسعه دهیم تا چندین ماژول را به صورت
موازی بسازیم و آنها را به طور جداگانه در فاز بعدی آزمایش کنیم. به عنوان مثال، یک راه ترجیحی برای توسعه برنامه های GIS، جداسازی ماژول پیش پردازش و آماده سازی داده ها از ماژول تجزیه و تحلیل است. در مورد یک برنامه GIS برای پیش‌بینی کیفیت هوا، ماژول پیش‌بینی می‌تواند قالب ورودی و سیستم مختصات را پیش‌بینی کند و تمام جمع‌آوری، تمیز کردن و تبدیل داده‌ها را به ماژول پیش پردازش واگذار کند.

در مرحله آزمایش، تیم توسعه از سناریوهای مختلفی برای آزمایش اپلیکیشن ساخته شده استفاده می کند. به عنوان مثال، مرحله آزمایش شامل پردازش مقادیر زیادی از داده ها از انواع مختلف در سیستم عامل های مختلف یا اشتباه کردن عمدی کاربران هنگام اجرای برنامه است. برای
کاربردهای GIS، داده‌های آزمایشی باید شامل داده‌های مکانی (جغرافیایی)مکانی از سیستم‌ها و مقیاس‌های مختصات مختلف باشد تا از تبدیل صحیح و یکپارچه‌سازی داده‌های (جغرافیایی) مکانی از منابع ناهمگن اطمینان حاصل شود. مرحله آزمایش باید نشان دهد که برنامه ساخته شده می تواند سناریوهای معمولی و غیرمنتظره (مانند خطا در داده های ورودی) را مدیریت کند.

در مرحله استقرار، تیم توسعه اپلیکیشن ساخته شده را با چارچوب‌های نرم‌افزاری، کتابخانه‌ها و معماری‌های مورد نیاز در یک محیط تولید ادغام می‌کند و دسترسی برنامه را برای ذینفعان فراهم می‌کند. تیم توسعه معمولاً یک بسته نصبی برای برنامه ساخته شده در سیستم عامل مورد نظر ایجاد می کند (مثلاً Windows Installer برای مایکروسافت ویندوز) و گاهی اوقات باید بسته نصب را در بازار برنامه (مثلاً Apple App Store) منتشر کند.

پس از استقرار یک برنامه، تیم توسعه باید اطمینان حاصل کند که برنامه همچنان کاربردی است. به عنوان مثال، برای یک برنامه مبتنی بر ابر، سرور باید بدون هیچ گونه خرابی پاسخگو باشد. همچنین، در هر مرحله، تیم توسعه نیاز به ایجاد مستندات برنامه برای تسهیل فرآیند توسعه، فعال کردن تعمیر و نگهداری آینده و ارائه کتابچه راهنمای عملیات دارد. نیازهای عملیاتی اضافی ممکن است شامل انتشار اسناد برای عموم باشد تا طیف گسترده‌ای از کاربران (مانند دانشمندان داده و دانشمندان زمین‌شناسی) بتوانند به برنامه‌ها و همچنین ارائه پشتیبانی فنی دسترسی داشته باشند و از آنها استفاده کنند (به یانگ و همکاران 2019 مراجعه کنید).

3.سیستم مدیریت داده های ترافیک بایگانی شده

سیستم مدیریت داده های ترافیک بایگانی شده (ADMS) (Anastasiou et al. 2019) یک انبار داده حمل و نقل بزرگ است که توسط مرکز سیستم های رسانه ای یکپارچه دانشگاه کالیفرنیای جنوبی (IMSC) با مشارکت اداره حمل و نقل متروپولیتن لس آنجلس (LA Metro) توسعه یافته است. و METRANS. ADMS داده‌های حسگر ترافیک در مقیاس بزرگ و با وضوح بالا (هم مکانی و هم زمانی) را از انواع مقامات حمل‌ونقل در کالیفرنیای جنوبی، از جمله وزارت حمل‌ونقل کالیفرنیا (Caltrans)، وزارت حمل‌ونقل لس‌آنجلس (LADOT) ترکیب و تجزیه و تحلیل می‌کند. گشت بزرگراه کالیفرنیا (CHP) و حمل و نقل لانگ بیچ (LBT). این مجموعه داده شامل داده های تاریخی و بلادرنگ است. داده های بلادرنگ دارای نرخ به روز رسانی به اندازه هر 30 ثانیه برای حسگرهای بزرگراه و ترافیک شریانی هستند (14، 500 لوپ پوشش-ردیاب) 4300 مایل، 2000 اتوبوس و قطار مکان یابی خودکار وسایل نقلیه (AVL). داده های بلادرنگ همچنین شامل حوادثی مانند تصادفات، خطرات ترافیکی، بسته شدن جاده ها (تقریباً 400 مورد در روز) توسط اداره پلیس لس آنجلس (LAPD) و CHP و مترهای سطح شیب دار می شود. ADMS در نه سال گذشته به طور مداوم مجموعه داده ها را جمع آوری و بایگانی می کند. ADMS، با 15 گیگابایت رشد سالانه، عظیم ترین انبار داده حسگر ترافیک است که تاکنون در کالیفرنیای جنوبی ساخته شده است. این بخش برنامه های کاربردی در ADMS را توضیح می دهد و روش SDLC مورد استفاده در فرآیند کلی توسعه ADMS را مورد بحث قرار می دهد. بسته شدن جاده ها (تقریباً 400 در روز) توسط اداره پلیس لس آنجلس (LAPD) و CHP و مترهای سطح شیب دار گزارش شده است. ADMS در نه سال گذشته به طور مداوم مجموعه داده ها را جمع آوری و بایگانی می کند. ADMS، با 15 گیگابایت رشد سالانه، عظیم ترین انبار داده حسگر ترافیک است که تاکنون در کالیفرنیای جنوبی ساخته شده است. این بخش برنامه های کاربردی در ADMS را توضیح می دهد و روش SDLC مورد استفاده در فرآیند کلی توسعه ADMS را مورد بحث قرار می دهد. بسته شدن جاده ها (تقریباً 400 در روز) توسط اداره پلیس لس آنجلس (LAPD) و CHP و مترهای سطح شیب دار گزارش شده است. ADMS در نه سال گذشته به طور مداوم مجموعه داده ها را جمع آوری و بایگانی می کند. ADMS، با 15 گیگابایت رشد سالانه، عظیم ترین انبار داده حسگر ترافیک است که تاکنون در کالیفرنیای جنوبی ساخته شده است. این بخش برنامه های کاربردی در ADMS را توضیح می دهد و روش SDLC مورد استفاده در فرآیند کلی توسعه ADMS را مورد بحث قرار می دهد.

3.1 برنامه های کاربردی در ADMS

ADMS یک معماری چند لایه است که بر روی پلت فرم ابری IMSC اجرا می شود (شکل 1). معماری چند لایه شامل لایه جمع آوری داده ها، لایه مدیریت داده، لایه تجزیه و تحلیل آفلاین و آنلاین، لایه یادگیری و هوش، لایه سرویس و لایه ارائه است. با هم، معماری چند لایه از انواع مختلفی از برنامه های کاربردی که نیاز به پردازش داده های مکانی (جغرافیایی) دارند پشتیبانی می کند. برای مثال، IMSC رویکردها و برنامه‌های کاربردی مبتنی بر داده‌های مکانی (جغرافیایی) را برای پیش‌بینی ترافیک (Li et al. 2018) و برآورد قابلیت اطمینان عملکرد وسایل نقلیه عمومی (Nguyen et al. 2018) در بالای زیرساخت AMDS توسعه داده است. هر دو برنامه در لایه یادگیری و هوش قرار دارند و برای دسترسی به داده‌های ورودی مورد نیاز و آماده‌سازی داده‌ها در یک قالب خاص، به ماژول‌های پاکسازی و تبدیل داده‌ها در لایه‌های دیگر متکی هستند. معماری چند لایه ADMS انعطاف‌پذیر است و نگهداری آن آسان است، زیرا هر لایه دارای یک فرمت ورودی و خروجی ساختار یافته از پیش تعریف شده است. هر لایه شامل مولفه های مدولار شده است که می تواند به سرعت در صورت وجود فناوری های جدید بدون بازسازی کل زیرساخت به روز شود.

شکل 1. معماری چند لایه در ADMS (سیستم مدیریت داده های ترافیک بایگانی شده)

برنامه پیش بینی ترافیک (Li et al. 2018) یک شبکه عصبی کانولوشن گراف جدید (GCRNN) است که وابستگی زمانی پیچیده و وابستگی توپولوژیکی جریان ترافیک را برای پیش بینی ترافیک مدل می کند. این برنامه می‌تواند ترافیک را در وضوح‌های مختلف مکانی (مثلاً مناطق منفرد، بخش‌های جاده، یا حسگرها) و زمانی (مثلاً 5 دقیقه و 30 دقیقه آینده) پیش‌بینی کند. در طول زمان پیش‌بینی، برنامه به‌روزرسانی‌های ترافیکی بی‌درنگ را از صف پیام از لایه تحلیل آنلاین و آفلاین مصرف می‌کند، که تغذیه مداوم داده برای پیش‌بینی ساعتی را تضمین می‌کند. سپس یک ماژول در لایه مدیریت داده، نتایج پیش بینی را ذخیره می کند. یک API در لایه سرویس، نتایج ذخیره شده پیش بینی را مصرف می کند و نتایج را به داشبورد Web GIS در لایه ارائه می دهد.

برنامه تخمین زمان رسیدن اتوبوس (Nguyen et al. 2018) از مقادیر زیادی از مجموعه داده های مسیر اتوبوس تاریخی ذخیره شده در HDFS و PostGIS در لایه مدیریت داده استفاده می کند. این برنامه از قابلیت پردازش موازی آفلاین در لایه تجزیه و تحلیل برای تولید آمار زمان ورود تاریخی برای مسیرهای اتوبوس جداگانه برای تخمین تاخیر برای هر ایستگاه اتوبوس در زمان‌های مختلف روز استفاده می‌کند. مانند برنامه پیش بینی ترافیک، نتایج تخمین در لایه مدیریت داده با یک API در لایه سرویس ذخیره می شود تا دسترسی عمومی را از داشبورد Web GIS فراهم کند. علاوه بر تخمین‌های زمان رسیدن، داشبورد Web GIS همچنین مکان‌های اتوبوس را با مصرف API موقعیت اتوبوس در لایه سرویس نمایش می‌دهد.

هر دو برنامه نیاز به دسترسی به داده های ترافیکی آفلاین و در زمان واقعی دارند. برنامه پیش بینی ترافیک به یک چارچوب یادگیری ماشین نیاز دارد، در حالی که برنامه تخمین عملکرد اتوبوس بر یک فرآیند جمع آوری داده ساده بر روی چندین ترابایت داده تاریخی متکی است. در ساخت این برنامه‌ها،
تیم توسعه، ماژول‌های جداگانه را بر روی لایه‌های مجزا به‌طور مستقل با استفاده از ورودی، فرآیند ماژول و خروجی از پیش تعیین‌شده می‌سازد و آزمایش می‌کند، که نمونه‌سازی سریع و تشخیص خطاهای احتمالی را ممکن می‌سازد.

3.2 SDLC ADMS

SDLC ADMS عموماً از مدل Agile پیروی می کند که در آن فرآیند توسعه شامل چندین تکرار است. در اولین تکرار، تیم توسعه، عملکرد اولیه هر لایه را ایجاد می‌کند تا اطمینان حاصل کند که خط لوله داده از لایه جمع‌آوری داده تا لایه ارائه، برای پشتیبانی از یک برنامه پایان به انتها کاربردی است. در تکرار بعدی، تیم توسعه قابلیت‌های جدیدی را به هر لایه اضافه می‌کند تا از برنامه‌های پیچیده پشتیبانی کند. در هر تکرار، تیم توسعه هر لایه را به صورت متوالی می‌سازد. در اینجا، ما به طور خلاصه در مورد استراتژی ADMS SDLC بحث می کنیم.

در اولین تکرار، هدف این است که یک ADMS کاملاً کاربردی داشته باشیم، اما تنها چند فید داده حیاتی را مدیریت کنیم که بتواند تخمین زمان رسیدن اتوبوس را پشتیبانی کند. الزامات تعیین شده شامل 1) جمع آوری داده های LA Metro برای سرعت و حجم خودرو در زمان واقعی از هزاران حسگر ترافیک و مکان اتوبوس از صدها اتوبوس، و 2) ذخیره داده های جمع آوری شده بر اساس نوع استفاده از آنها. داده‌های جمع‌آوری‌شده اخیر (مثلاً ماه‌ها) به عملیات مکانی مکرر (مثلاً پیوستن فضایی) نیاز دارند. داده‌های تقریباً بی‌درنگ جمع‌آوری‌شده (مثلاً دقیقه) نیاز به دسترسی سریع به داده‌ها دارند. داده‌های تاریخی طولانی‌مدت به عملیات‌های جمع‌آوری و فیلتر کردن داده‌ها نیاز دارند که می‌توانند مجموعه‌های داده بزرگ را مدیریت کنند.

پس از مرحله طراحی، تیم لایه جمع آوری داده ها را با چند آداپتور مدوله شده حیاتی پیاده سازی می کند. پیاده سازی آداپتور مدوله شده به سیستم اجازه می دهد تا به راحتی فیدهای داده جدید (به عنوان مثال، اطلاعات آب و هوا در محله ها) را با آداپتورهای اضافی در تکرار بعدی Agile در خود جای دهد. خروجی این لایه جمع آوری داده، جریان های داده از منابع مختلف داده است. سپس تیم توسعه الزامات پیاده سازی لایه مدیریت داده را دنبال می کند، از جمله سیستم های ذخیره سازی داده های تخصصی برای دسترسی 1) داده های اخیر که نیاز به عملیات فضایی قوی (PostGIS)، 2) داده های زمان واقعی نیاز به دسترسی سریع به داده ها با استفاده از داده های درون حافظه دارند. ذخیره (redis)، و 3) تمام داده های تاریخی که به محاسبات توزیع شده برای جمع آوری و فیلتر کردن داده ها نیاز دارند (Hadoop Distributed File System، HDFS). بعد، تیم توسعه چارچوب اصلی را برای لایه سرویس، لایه یادگیری و هوشمندی و لایه ارائه می‌سازد تا استقرار برنامه‌های سرتاسری را تطبیق دهد. لایه سرویس شامل چندین API دسترسی به داده برای مصرف داده در ADMS است (از جمله نتایج برنامه های کاربردی مستقر در لایه یادگیری و هوش، به عنوان مثال، تخمین زمان رسیدن اتوبوس). لایه ارائه شامل داشبوردهای وب و نقشه هایی برای تجسم و انتشار داده های ADMS و خروجی از مدل های یادگیری ماشین است. تخمین زمان رسیدن اتوبوس). لایه ارائه شامل داشبوردهای وب و نقشه هایی برای تجسم و انتشار داده های ADMS و خروجی از مدل های یادگیری ماشین است. تخمین زمان رسیدن اتوبوس). لایه ارائه شامل داشبوردهای وب و نقشه هایی برای تجسم و انتشار داده های ADMS و خروجی از مدل های یادگیری ماشین است.

تیم توسعه از تخمین زمان رسیدن اتوبوس برای آزمایش خط لوله داده انتها به انتها و تجسم وب در مرحله آزمایش استفاده می کند. به طور خاص، مرحله آزمایش تأیید می کند که پیاده سازی به طور کامل الزامات تعیین شده در مرحله طراحی را هدایت کرده است. در مرحله استقرار، تیم توسعه برنامه را برای عموم مردم باز می کند و کتابچه راهنمای کاربر و فیلم های آموزشی تولید می کند. در مرحله تعمیر و نگهداری، تیم توسعه میزبان ساعات اداری هفتگی برای کمک به حل مشکلات کاربر است. تیم توسعه همچنین نرم‌افزاری را برای نظارت بر وضعیت ADMS نصب می‌کند و اطمینان حاصل می‌کند که ADMS تقریباً 100٪ زمان کار دارد تا داده‌های بلادرنگ مصرف کند و نتایج تقریباً بی‌درنگ به طور مداوم تولید کند.

در تکرار دوم، تیم توسعه همان SDLC را در تکرار اول با ملاحظات اضافی برای طراحی، توسعه، آزمایش، استقرار و حفظ برنامه پیش‌بینی ترافیک تکرار می‌کند. برای مثال، نیاز تکرار دوم شامل پشتیبانی از یک چارچوب یادگیری ماشینی پیشرفته در لایه یادگیری و هوش است. به طور کلی، توسعه ADMS و مزایای استفاده از مدل AGILE به طوری که ذینفعان می توانند پس از هر بار تکرار، یک برنامه پایان به انتها را بررسی کنند. در طول هر تکرار، تیم توسعه می‌تواند قابلیت‌های اضافی (ماژول‌های محاسباتی) را در هر لایه معماری ADMS اضافه کند.

4. خلاصه

این مقاله انواع مختلف کاربردهای GIS و ملاحظات در چرخه عمر توسعه GIS را از منظر ذخیره، دسترسی و تحلیل داده‌های مکانی (جغرافیایی) معرفی می‌کند. این مقاله همچنین دو برنامه کاربردی موجود در دنیای واقعی را برای برجسته کردن ملاحظات مهم در هر مرحله از GiSDLC به نمایش گذاشت.

GIS و تحلیل فضایی

ایالت اوهایو به عنوان مرکز تعالی دانشگاهی در علوم زمین فضایی توسط آژانس ملی اطلاعات جغرافیایی تعیین شده است و یکی از مؤسسات برتر کشور در توسعه فناوری های مکانی است. ایالت اوهایو در زمینه های نقشه برداری، تحلیل فضایی و فناوری اطلاعات جغرافیایی پیشرو است. ما دو گزینه مدرک مختلف را برای دانشجویان علاقه مند به GIS ارائه می دهیم: مدرک لیسانس علوم در علوم اطلاعات جغرافیایی و لیسانس علوم در جغرافیا با تخصص در تجزیه و تحلیل فضایی .

GIS چیست؟ سیستم های اطلاعات جغرافیایی (GIS) به ما این امکان را می دهد که بر اساس داده های جغرافیایی تصمیمات آگاهانه و آگاهانه بگیریم. مردم به طور مستقیم نقشه ها را درک می کنند. روندها و الگوها با مشاهده روی نقشه آشکارتر می شوند. نقشه ها برای حل مسائل فضایی ضروری هستند. دانش GIS و تجزیه و تحلیل فضایی در جامعه به هم پیوسته و جهانی امروزی حیاتی است. فناوری GIS کاربردهای زیادی دارد، از مدیریت اضطراری و سایر خدمات شهری گرفته تا تجزیه و تحلیل مکان کسب‌وکار و خرده‌فروشی، مدل‌سازی حمل‌ونقل و لجستیک، تنظیم شیوع بیماری، نظارت بر الگوهای جرم محلی، و مدیریت منابع طبیعی.

دانشجویانی که در هر دو رشته GIS و جغرافیا با تخصص در تجزیه و تحلیل فضایی، ابزارها، روش ها و نرم افزارهای لازم برای مدیریت و تجزیه و تحلیل اطلاعات جغرافیایی را می آموزند. دانش آموزان در انواع فن آوری های کامپیوتری از طریق دوره های درسی در نقشه برداری و اندازه گیری، ریاضیات فنی، آمار، سنجش از دور و گرافیک مهارت خواهند یافت. یک مدرک اختیاری برای دانشجویان GIS گواهینامه حرفه ای است. اطلاعات مربوط به دریافت گواهینامه GIS Professional (GISP) از موسسه گواهینامه GIS، سازمان پیشرو صدور گواهینامه GIS در ایالات متحده در دسترس است.

مسائل و موضوعات:

الگوهای نقشه برداری

• تغییر جمعیت
• مهاجرت
• توسعه شهری
• جریان های اقیانوسی
• رای گیری و انتخابات

تحلیل مسئله

• آلودگی هوا
• تحلیل لجستیکی
• بیکاری
• تغییر کاربری زمین
• نرخ بیماری
• بروز خطر

بهینه سازی موقعیت مکانی

• امکانات/انتخاب سایت
• مسیرهای حمل و نقل انبوه
• ساخت و ساز جدید

پیاده سازی و ارائه

• نرم افزار GIS
• مدل سازی
• سازمان
• نمادسازی
• استفاده از رنگ

مهارت های اکتسابی:

مهارت های انتقادی

• تفکر انتقادی و استدلال
• ارتباط شفاهی و کتبی
• تکنیک ها و کاربردهای تحقیق
• طراحی بصری

مهارتهای فنی

• تجزیه و تحلیل داده های کمی
• ارتباطات گرافیکی (از جمله نقشه خوانی و تصویرسازی جغرافیایی)
• بسته های نرم افزاری گرافیکی و آماری
• برنامه نویسی کامپیوتر

---

مشاغل:

در زیر فهرستی جزئی از مشاغلی وجود دارد که دانشجویان رشته علوم اطلاعات جغرافیایی یا جغرافیا با تخصص در تجزیه و تحلیل فضایی مناسب هستند و فارغ التحصیلان قبلی در آن شغل پیدا کرده اند.

• تحلیلگر/مشاور زمین فضایی برای یک سازمان برنامه ریزی شهری
• نقشه‌بردار آژانس ملی اطلاعات جغرافیایی یا سازمان زمین‌شناسی ایالات متحده
• مدیر/برنامه ریز: حمل و نقل، توسعه شهری، خدمات بهداشتی، کاربری زمین
• مدیر پروژه Woolpert, Inc.
• توسعه دهنده نرم افزار GIS برای Esri
• ارزیاب / محقق املاک
• مدیر تحویل کالا/مسیر
• مدیر سیستم های کامپیوتری
• توسعه دهنده یا طراح وب
• پژوهشگر/تحلیلگر بازار
• کارشناس انتخاب مکان/سایت
• مهندس راه حل
• فناوری اطلاعات