یک سیستم ژئوپردازش مبتنی بر وب برای پشتیبانی از تشخیص هوشمند تغییر پوشش زمین

خلاصه

تشخیص تغییر مبتنی بر تصاویر سنجش از دور یک رویکرد موثر برای شناسایی اطلاعات تغییر پوشش زمین است. تعداد زیادی از الگوریتم‌های تشخیص تغییر ایجاد شده‌اند که نیازهای متفاوتی را برآورده می‌کنند. با این حال، اکثر الگوریتم‌های تشخیص تغییر با استفاده از نرم‌افزار مبتنی بر دسکتاپ در محیط‌های آفلاین توسعه یافته‌اند. بنابراین، برای کاربران نهایی معمولی که تجربه سنجش از راه دور و مهارت‌های سیستم اطلاعات جغرافیایی (GIS) محدودی دارند، انجام وظایف تشخیص تغییر مناسب به طور فزاینده‌ای دشوار است. برای پرداختن به این چالش، این مقاله یک سیستم ژئوپردازش آنلاین برای پشتیبانی از تشخیص هوشمند تغییر پوشش زمین (OGS-LCCD) پیشنهاد می‌کند. این سیستم از فناوری کپسوله‌سازی وب سرویس و رویکرد ترکیب سرویس خودکار برای تولید پویا یک زنجیره خدمات تشخیص تغییر استفاده می‌کند. ابتدا، یک استراتژی کپسوله‌سازی سرویس با یک کپسوله‌سازی بدنه اجرایی و توصیف معنایی سرویس پیشنهاد می‌شود. سپس، یک روش ترکیب سرویس مبتنی بر قوانین محدودیت پیشنهاد می‌شود تا چندین سرویس وب را به یک گردش کار تشخیص تغییر انعطاف‌پذیر زنجیره‌ای کند. در نهایت، طراحی و اجرای OGS-LCCD شرح داده شده است. یک مثال گام به گام برای یک کار تشخیص تغییر مبتنی بر وب با استفاده از این سیستم ارائه شده است. نتایج تجربی اثربخشی و کاربرد سیستم نمونه اولیه را نشان می‌دهد. طراحی و اجرای OGS-LCCD شرح داده شده است. یک مثال گام به گام برای یک کار تشخیص تغییر مبتنی بر وب با استفاده از این سیستم ارائه شده است. نتایج تجربی اثربخشی و کاربرد سیستم نمونه اولیه را نشان می‌دهد. طراحی و اجرای OGS-LCCD شرح داده شده است. یک مثال گام به گام برای یک کار تشخیص تغییر مبتنی بر وب با استفاده از این سیستم ارائه شده است. نتایج تجربی اثربخشی و کاربرد سیستم نمونه اولیه را نشان می‌دهد.

کلید واژه ها:

پوشش زمین ؛ تشخیص هوشمند تغییر ؛ سیستم ژئوپردازش مبتنی بر وب ; کپسوله سازی وب سرویس ; ترکیب سرویس خودکار

1. معرفی

مهم است که اطلاعات تغییر پوشش زمین (LCC) را به موقع به دست آوریم تا درک بهتری از تغییرات محیطی و تعاملات بین انسان و سیستم های محیطی بدست آوریم [ 1 ، 2 ]. با توسعه سیاست‌های دسترسی آزاد به تصاویر سنجش از راه دور (به عنوان مثال، سری Landsat)، تشخیص تغییرات مبتنی بر تصاویر چندزمانی به یک رویکرد مؤثر برای شناسایی اطلاعات LCC تبدیل شده است [ 3 ، 4]]. در سال های اخیر، تحقیقات در مورد تشخیص تغییر توجه قابل توجهی را به خود جلب کرده است و بسیاری از الگوریتم ها یا مدل های جدید توسعه یافته و ادغام شده اند. با این حال، اکثر الگوریتم‌های تشخیص تغییر دارای مزایا و معایب فردی هستند. بنابراین، برای کاربران دشوار است که گردش‌های کاری تشخیص تغییر مناسب را برای رفع نیازهای خاص بسازند [ 5 ]. مهمتر از آن، رویکردهای سنتی تشخیص تغییر اغلب با استفاده از نرم افزارهای مبتنی بر دسکتاپ (به عنوان مثال، ENVI، ERDAS، و ArcGIS) در محیط های آفلاین انجام شده است، که دارای محدودیت هایی مانند پرزحمت، ناکارآمد بودن و زمان بر بودن است [6، 7 ] .]. برای کاربران نهایی معمولی که تجربه سنجش از دور و مهارت‌های سیستم اطلاعات جغرافیایی (GIS) محدودی دارند، به‌طور فزاینده‌ای دشوار است که یک رویکرد تشخیص تغییر مناسب را انجام دهند، به‌ویژه در یک منطقه بزرگ [7 ، 8 ] . بنابراین، توسعه ابزارها یا سیستم های مبتنی بر وب پیشرفته برای پشتیبانی از تشخیص هوشمند تغییر پوشش زمین ضروری است.

در سال‌های اخیر، با ظهور و رشد روزافزون معماری سرویس‌گرا (SOA) و فناوری‌های محاسباتی سرویس‌محور (SOC)، تعداد فزاینده‌ای از مجموعه داده‌های سنجش از راه دور، الگوریتم‌های پردازش و مدل‌ها به عنوان سرویس‌های وب در دسترس و در دسترس قرار گرفته‌اند. ارائه قابلیت پردازش جغرافیایی به صورت آنلاین. فن‌آوری گردش کار نیز به‌طور گسترده برای زنجیره‌ای کردن خدمات وب اتمی با هم برای تحقق وظایف پیچیده ژئوپردازش استفاده شده است [ 9 ، 10 ، 11 ، 12 ، 13 ]. در مقایسه با رویکرد ژئوپردازش مبتنی بر دسکتاپ، ژئوپردازش آنلاین دارای نقاط قوت بسیاری است، از جمله ایجاد قابلیت در دسترس برای گروه‌های کاربری بزرگ‌تر، خودکار کردن وظایف تکراری و اشتراک‌گذاری گردش کار [6] .، 14 ]. علاوه بر این، ژئوپردازش آنلاین این پتانسیل را دارد که تجزیه و تحلیل فضایی را در زمان واقعی، کارآمد و مقرون به صرفه کند. بر اساس SOA و SOC، تعدادی از سیستم‌های ژئوپردازش مبتنی بر وب در دهه‌های گذشته برای پشتیبانی از پردازش و تحلیل داده‌های پوشش زمین توسعه یافته‌اند. به عنوان مثال، Karantzalos و همکاران. (2015) یک سرویس وب طبقه بندی پوشش زمین را برای پردازش کارآمد و خودکار داده های ماهواره ای با وضوح بالا طراحی و توسعه داد [ 15]]. با این حال، یک سیستم تشخیص تغییر پوشش زمین مبتنی بر وب خاص هنوز به طور کامل بررسی و اجرا نشده است. علاوه بر این، تشخیص تغییر پوشش زمین یک روش جامع است که مستلزم بررسی دقیق ویژگی‌های داده‌های سنجش از دور انتخاب شده و پیچیدگی چشم‌انداز مناطق مورد مطالعه است. با وجود تعداد زیاد الگوریتم‌ها و مدل‌های تشخیص تغییر که در سال‌های اخیر توسعه یافته‌اند، هیچ رویکرد واحدی برای همه انواع تصاویر، پوشش زمین و مناطق جغرافیایی قابل اجرا نیست. پس از کپسوله کردن الگوریتم‌ها یا مدل‌های تشخیص تغییر در وب سرویس‌ها، لازم است یک زنجیره سرویس تشخیص تغییر مناسب برای شرایط مختلف ارائه شود.

برای پرداختن به چالش های فوق، این مقاله در مورد یک تلاش تحقیقاتی برای توسعه یک سیستم مبتنی بر وب برای پشتیبانی از تشخیص تغییر پوشش زمین هوشمند و انعطاف پذیر گزارش می دهد. سیستم پیشنهادی از فناوری کپسوله‌سازی وب سرویس استفاده می‌کند و یک رویکرد ترکیب سرویس خودکار را برای تولید پویا یک زنجیره خدمات تشخیص تغییر مناسب اعمال می‌کند. الگوریتم‌های مرتبط با تشخیص تغییر ناهمگن با استفاده از رویکرد جعبه سیاه و توضیحات معنایی در سرویس‌های وب کپسوله می‌شوند. سپس، یک روش ترکیب سرویس مبتنی بر قاعده محدودیت پیشنهاد می‌شود تا چندین سرویس وب را به یک گردش کار تشخیص تغییر انعطاف‌پذیر زنجیره‌ای کند. این سیستم رابط کاربری مناسبی را فراهم می‌کند که کاربران نهایی را قادر می‌سازد تا داده‌های سنجش از راه دور خود را آپلود کنند و الزامات تشخیص تغییر را انتخاب کنند. یک زنجیره خدمات تشخیص تغییر مناسب را می توان با استفاده از روش پیشنهادی ایجاد و اجرا کرد که در سیستم یکپارچه شده است. مزیت اصلی این سیستم این است که تمام مراحل پردازش می تواند به طور خودکار در یک محیط وب باز اجرا شود، که به کاربران حرفه ای و غیرحرفه ای اجازه می دهد تا بدون نصب نرم افزار دسکتاپ، وظایف تشخیص تغییر پوشش زمین را انجام دهند.

بقیه این مقاله به شرح زیر سازماندهی شده است: بخش 2 به بررسی آثار مرتبط می پردازد. بخش 3 استراتژی کپسوله سازی وب سرویس و رویکرد ترکیب سرویس خودکار را ارائه می دهد. بخش 4 معماری و پیاده سازی سیستم تشخیص تغییر پوشش زمین مبتنی بر وب سرویس را معرفی می کند و نمونه ای گام به گام از استفاده از این سیستم را ارائه می دهد. بخش 5 ارزیابی ها و بحث های سیستم نمونه اولیه را ارائه می کند. در نهایت، نتیجه گیری و کار آینده در بخش 6 آورده شده است .

2. آثار مرتبط

2.1. سیستم های ژئوپردازش آنلاین مرتبط با پوشش زمین

با توسعه و کاربرد عمیق خدمات کنسرسیوم فضایی باز (OGC)، چندین سرویس جستجو و بارگیری داده های پوشش زمین توسط مؤسسات و جوامع علمی در دسترس قرار گرفته است. به عنوان مثال، مرکز ملی ژئوماتیک چین (NGCC) 22 سرویس وب پوشش زمین را برای مرور داده ها منتشر کرده است، از جمله داده های GlobeLand30 برای سال های 2000 و 2010، و همچنین 10 نوع پوشش تک زمین برای این دو سال [16، 17 ] .]. علاوه بر این، NGCC یک سرویس دانلود داده‌های پوشش زمین را ارائه می‌کند که از سه روش برای پر کردن اعداد برگه نقشه، محدوده مختصات مکانی و ترسیم گرافیک فضایی پشتیبانی می‌کند. تا ژانویه 2018، تقریباً 8000 کاربر از 120 کشور، داده‌های GlobeLand30 را برای استفاده در برنامه‌های کاربردی خود با استفاده از سرویس مرور و دانلود داده دانلود کرده‌اند [ 18 ].

خدمات وب فعلی مرتبط با پوشش زمین عمدتاً خدمات داده ای هستند که دسترسی به داده های پوشش زمین را تسهیل می کنند. آنها را نمی توان به طور مستقیم برای پردازش یا تجزیه و تحلیل آنلاین استفاده کرد. با این وجود، تعداد فزاینده ای از کاربران تمایل زیادی به انجام وظایف ژئوپردازش پوشش زمین با فراخوانی خدمات ژئوپردازش موجود و ایجاد زنجیره های خدمات از طریق اینترنت دارند. برای برآوردن نیازهای پیشرفته، برخی از سیستم‌های ژئوپردازش مبتنی بر وب توسعه داده شده‌اند که عملکردها یا ابزارهای پردازش آنلاین را برای پشتیبانی از پردازش داده‌های پوشش زمین مبتنی بر وب ارائه می‌کنند. این سیستم ها در جدول 1 مقایسه و تشریح شده اند .

این سیستم ها در جدول 1 به بسیاری از زمینه های پردازش پوشش زمین، از جمله نقشه برداری پوشش زمین مبتنی بر وب، اعتبار سنجی، برچسب گذاری جغرافیایی و آمار می پردازند. با این حال، یک سیستم ژئوپردازش خاص برای تشخیص تغییر پوشش زمین مبتنی بر وب به طور کامل مورد بحث و توسعه قرار نگرفته است. از جنبه فناوری‌های توسعه، فناوری‌ها و نرم‌افزارهای منبع باز (مثلاً Openlayers، GeoServer و PostGIS) اغلب برای توسعه سیستم مورد استفاده قرار گرفته‌اند، زیرا آنها رایگان و به راحتی قابل دسترسی هستند. با این حال، این سیستم ها اغلب بر برنامه های کاربردی خاص متمرکز بودند. بنابراین، آنها به جای راه حل های پردازشی مناسب و هوشمند برای نیازها یا شرایط مختلف کاربر، زنجیره های خدمات یا گردش کار نسبتاً ثابتی را ارائه کردند.

2.2. تلاش‌های فعلی در ترکیب خدمات ژئوپردازش

برای پاسخگویی به درخواست‌های کاربر پردازش جغرافیایی پیچیده، مجموعه‌ای از خدمات پردازش جغرافیایی باید در یک زنجیره خدمات یا گردش کار ترکیب شوند، زمانی که هیچ سرویس واحدی نتواند آن درخواست‌ها را برآورده کند [ 28 ، 29 ، 30 ]. به طور کلی، تلاش‌های پژوهشی فعلی در ترکیب خدمات ژئوپردازش را می‌توان در دو دسته خلاصه کرد: ترکیب سرویس دستی و ترکیب سرویس خودکار.

در رویکرد ترکیب سرویس دستی، یک مدل گردش کار انتزاعی کسب و کار ابتدا توسط یک ارائه دهنده خدمات با استفاده از یک زبان استاندارد وب سرویس، مانند زبان اجرای فرآیند کسب و کار خدمات وب (WS-BPEL) طراحی می شود [31 ، 32 ] . سپس، خدمات بتن به صورت دستی انتخاب شده و بر اساس مدل انتزاعی به یک گردش کار متصل می شوند. در نهایت، گردش کار بتن به موتور اجرای گردش کار فرستاده می شود تا نتایج نهایی را ایجاد کند. یک مثال معمولی از این GeoBrain [ 12]، یک سرویس اطلاعات مکانی مبتنی بر وب مبتنی بر فناوری SOA است که در آن کاربران انسانی می‌توانند گردش‌های کاری خدمات جغرافیایی را تعریف، بسازند و مدیریت کنند و با اتصال سرویس‌های مرتبط، گردش‌های کاری انتزاعی را به یک نمونه زنجیره خدمات خاص ترجمه کنند. روش‌های ترکیب سرویس دستی زمانی به خوبی کار می‌کنند که عملکردهای سرویس، شرایط داده و نیازهای کاربر نسبتاً ثابت باشند. با این حال، هنگامی که خدمات در گردش کار در دسترس نیستند یا نیازهای کاربر به طور مکرر تغییر می کنند، رویکرد دستی قادر به ایجاد یک زنجیره خدمات به اندازه کافی صحیح نخواهد بود. بنابراین، این روش‌ها اغلب فاقد انعطاف‌پذیری هستند و سازگاری با محیط‌های پویا دشوار است. علاوه بر این، رویکرد ترکیب خدمات دستی تا حد زیادی به دانش متخصص وابسته است.

در مقابل، روش‌های ترکیب سرویس خودکار از کشف، انتخاب و اتصال خودکار خدمات ترکیبی پشتیبانی می‌کنند [ 9 ]. با ارائه مجموعه‌ای از خدمات مؤلفه و یک نیاز مشخص (به عنوان مثال، درخواست کاربر)، با استفاده از وب معنایی [9، 33]، تکنیک‌های برنامه‌ریزی هوش مصنوعی (AI)، یک زنجیره خدمات مناسب می‌تواند به طور خودکار با دخالت کمتر انسانی تولید شود . یا فن آوری های جستجو [ 34 ، 35]. روش های ترکیب سرویس خودکار این پتانسیل را دارند که با انتخاب و ترکیب اجزای مناسب بر اساس درخواست و زمینه کاربر، به برنامه های کاربردی انعطاف پذیر و سازگار دست یابند. به عنوان مثال، یو و همکاران. (2007) رویکردی را برای ترکیب سرویس وب مکانی خودکار با به کارگیری معناشناسی جغرافیایی مبتنی بر هستی شناسی برای فعال کردن کشف خودکار، دسترسی، و زنجیره ای از خدمات وب جغرافیایی [36 ] پیشنهاد کرد . تان و همکاران (2015) یک رویکرد مبتنی بر ابر و عامل برای ساخت خودکار و هوشمند یک زنجیره خدمات مکانی در یک محیط ابری ارائه کرد [ 37]]. با این حال، مطالعات فعلی عمدتاً بر فرآیند کشف و انتخاب خودکار خدمات متمرکز شده‌اند و توجه کمتری به اینکه آیا زنجیره خدمات تولید شده می‌تواند به درستی و با موفقیت اجرا شود، شده است.

به طور خلاصه، رویکرد ترکیب سرویس خودکار یک راه حل ایده آل برای انتخاب و ترکیب سرویس های وب در یک محیط پویا است. با وجود مزایای رویکرد خودکار، فرآیند پیاده سازی چالش برانگیز است و باید به چند موضوع مهم پرداخت. از یک سو، توصیف معنایی خدمات ژئوپردازش باید قابل خواندن ماشین باشد تا امکان شناسایی و استفاده خودکار خدمات را فراهم کند. از سوی دیگر، الگوریتم‌های ترکیب خودکار خدمات ژئوپردازش باید مشخص شود که باید تضمین کند که زنجیره خدمات تولید شده می‌تواند به درستی اجرا شود.

3. روش شناسی

برای برآورده کردن الزامات تشخیص هوشمند تغییر مبتنی بر وب، الگوریتم‌ها و مدل‌های ناهمگن باید ابتدا در سرویس‌های وب با توضیحات معنایی محصور شوند. سپس، این سرویس‌ها باید به‌طور خودکار در یک زنجیره خدمات یا گردش کار مناسب ترکیب شوند تا نیازها یا شرایط خاص کاربر را برطرف کنند.

3.1. استراتژی کپسولاسیون خدمات ناهمگن

با کمک استانداردهای کنونی OGC، داده‌های مکانی، الگوریتم‌های پردازش یا حتی منابع محاسباتی می‌توانند به عنوان سرویس‌های وب قابل استفاده مجدد که کاربران نهایی را برای استخراج اطلاعات با ترکیب آنها در گردش‌های کاری پیچیده در یک محیط باز و توزیع شده، کپسوله‌سازی و منتشر کنند [ 38 ] . در این مقاله، ما عمدتاً بر مطالعه فرآیند کپسوله‌سازی الگوریتم تمرکز می‌کنیم.

بر خلاف خدمات عمومی وب، سرویس های وب مرتبط با تشخیص تغییر دارای ویژگی های دامنه ناهمگونی منحصر به فردی هستند. اول، داده‌های ورودی سرویس‌های تشخیص تغییر می‌تواند از سنسورهای مختلف راه دور (مانند Landsat یا MODIS) باشد که وضوح‌های رادیومتری، طیفی، مکانی و زمانی متفاوتی دارند. دوم، به طور گسترده پذیرفته شده است که هیچ الگوریتم تشخیص تغییر واحدی وجود ندارد که برای همه موارد قابل اجرا باشد. بنابراین، یک سرویس تشخیص تغییر اغلب دارای اتصال محکم و الزامات ورودی خاص است. سوم، الگوریتم‌های تشخیص تغییر معمولاً به زبان‌ها و کتابخانه‌های برنامه‌نویسی مختلف (مثلاً سی شارپ، IDL یا GDAL) نوشته می‌شوند و بر روی سیستم‌عامل‌های مختلف (مثلاً ویندوز یا لینوکس) اجرا می‌شوند. در نتیجه، اجرای یک سرویس تشخیص تغییر دارای محدودیت‌های خاصی است.

با در نظر گرفتن ویژگی‌های سرویس‌های وب تشخیص تغییر، این مقاله در مورد مشخصات و طراحی دو مرحله مهم برای محصورسازی ناهمگن سرویس‌های وب – کپسوله‌سازی بدنه اجرا و توصیف معنایی سرویس – که در شکل 1 نشان داده شده‌اند، بحث می‌کند .

ابتدا، نظریه “جعبه سیاه” برای کپسوله کردن بدنه اجرا معرفی شده است. جعبه سیاه روشی است که می‌تواند بدون اینکه کاربران بدانند الگوریتم درونی آن چگونه کار می‌کند استفاده می‌شود [ 39 ، 40 ]، و کاربران فقط باید ویژگی‌های ورودی و خروجی را بدانند. با استفاده از این رویکرد، کد اجرایی نوشته شده در هر زبان برنامه نویسی را می توان در یک مدل شی جزء مربوطه (COM)، مانند یک کتابخانه پیوند پویا (DLL) یا یک برنامه اجرایی (EXE) کپسوله کرد که فقط رابط ورودی و را نشان می دهد. داده های خروجی و پنهان کردن تمام جزئیات پیاده سازی.

برای تسهیل فراخوانی سرویس و ترکیب خودکار برای تشخیص تغییر، نشان دادن رابط، عملکرد، محدودیت و معنای کیفیت خدمات وب تشخیص تغییر مهم است. در این مقاله، معناشناسی خدمات به چهار نوع زیر طبقه‌بندی شد: معناشناسی داده، معناشناسی عملیاتی، معنایی اجرا، و معنایی کیفیت خدمات (QoS) [ 36] .]. معناشناسی داده ها معنایی رابط ورودی/خروجی در یک وب سرویس را حاشیه نویسی می کند. معناشناسی عملیاتی معانی عملکرد سرویس یا روابط منطقی با سایر خدمات را نشان می دهد. معناشناسی اجرا الزامات محدود یک سرویس را مشخص می کند (به عنوان مثال، پیش شرط ها و اثرات). معنای QoS شامل مجموعه ای از معیارها برای ارزیابی خدماتی است که باید انتخاب شود.

3.2. ترکیب سرویس خودکار مبتنی بر قانون محدودیت

تشخیص تغییر پوشش زمین یک کار ژئوپردازش پیچیده است که شامل چندین مرحله محاسباتی مانند پیش پردازش، استخراج اطلاعات تغییر و پس پردازش است. بنابراین، مجموعه‌ای از سرویس‌های وب قابل همکاری باید برای ایجاد یک زنجیره خدمات برای تحقق یک وظیفه تشخیص تغییر کامل ترکیب شود.

ترکیب سرویس خودکار یک رویکرد ایده آل است، زیرا فرآیند ترکیب را می توان تحت کنترل رایانه ها با حداقل مداخله دستی اداره کرد. روش های اصلی ترکیب سرویس خودکار بر اساس رویکرد تطبیق معنایی داده ها [ 41 ، 42 ] پیشنهاد شد. فرض کنید که الزامات کاربر و خدمات وب به ترتیب به صورت RE = <ورودی _R , خروجی _R > و WS = <ورودی، خروجی> نمایش داده می شوند. فرآیند ترکیب سرویس خودکار را می توان به عنوان جستجوی زنجیره خدمات از ورودی _R تا خروجی _{R در نظر گرفت}. دو قانون تطبیق معنایی معمولاً برای ارزیابی درجه تطابق بین یک وب سرویس و داده های ورودی یا خروجی اتخاذ می شود. این دو قانون را می توان با استفاده از زبان قوانین وب معنایی (SWRL) به صورت رسمی توصیف کرد، همانطور که در جدول 2 نشان داده شده است .

همانطور که در بخش 2.2 بحث شد ، روش‌های ترکیب سرویس خودکار مبتنی بر تطابق معنایی داده‌ها فقط در سطح مفهومی طراحی شده‌اند. بنابراین، زنجیره خدمات تولید شده ممکن است به درستی قابل اجرا نباشد، زیرا شرایط محدودیت در طول اجرای واقعی به طور کامل در نظر گرفته نشده است. گرفتن سرویس اختلاف گرادیان طیفی (SGD) (که از الگوریتم SGD کپسوله شده است [ 43)]) به عنوان مثال، نوع داده ورودی سرویس SGD باید تصاویر سنجش از راه دور باشد. یکی از شرایط محدودیت سرویس SGD این است که فرمت داده ورودی “GeoTIFF” باشد. به این معنا که اگر فرمت داده تصویری ورودی ‘IMG’ باشد، زنجیره سرویس SGD ممکن است به درستی اجرا نشود. برای بهبود استحکام و صحت زنجیره خدمات تولید شده در طول فرآیند اجرای واقعی، روش مبتنی بر تطابق معنایی داده ها با قضاوت در مورد اینکه آیا داده های ورودی شرایط محدودیت هر سرویس اتمی در زنجیره خدمات تولید شده را برآورده می کنند، گسترش می یابد، همانطور که در شکل نشان داده شده است . 2 .

روش ترکیب سرویس خودکار بهبودیافته شامل دو مرحله است: ساخت قوانین محدودیت و قضاوت شرایط بین سرویس و ورودی یا خروجی آن. در این مقاله، شرایط محدودیت یک سرویس به عنوان ناسازگاری داده ها در نظر گرفته می شود. ناهماهنگی فرمت داده ها، ناسازگاری سیستم مختصات و ناسازگاری وضوح سه دسته اصلی ناهماهنگی داده ها هستند. برای حذف خودکار این تناقضات داده ها، سه مجموعه از قوانین محدودیت زیر ساخته شد: DFinconRules، CSinconRules، و ReinconRules. همانطور که در جدول 3 نشان داده شده است، سپس SWRL برای توصیف رسمی این قوانین محدودیت استفاده می شود .

با کمک قوانین محدودیت، می توان با قضاوت در مورد اینکه آیا محدودیت های داده ورودی برای یک سرویس خاص برآورده شده است، یک زنجیره خدمات قوی و اجرایی ایجاد کرد. اگر داده های ورودی با سرویس ناسازگار باشد، خدمات پیش پردازش مربوطه تبدیل فرمت داده (DFC)، تبدیل سیستم مختصات (CSC) و تبدیل وضوح (ReC) برای تضمین اجرای صحیح زنجیره خدمات انتخاب می شوند. شبه کد فرآیند ترکیب سرویس خودکار مبتنی بر قوانین محدودیت در الگوریتم 1 نشان داده شده است.

الگوریتم 1. WSChainbyRule ( Dمنnمنتی، Drهq)

ورودی : Dمنnمنتی، Drهq; خروجی: WSChain

1 مجموعه Dتیهمترپ= Dمنnمنتی WSChain =[]
2 WHILE( Dتیهمترپ≢Drهq){
3 برای هر wسمندر فهرست WSL {
4 IF ( Dمنnمنتی راضی ساعتآسمنnپتوتیآرتوله ) {
5 IF ( Dمنnمنتیراضی است DFinconRules ){
6                  WSChain += DFC
7 }ELSE IF ( Dمنnمنتیراضی است CSinconRules ){
8                  WSChain += CSC
9 } ELSE IF ( Dمنnمنتیراضی است ReinconRules ){
10                 WSChain += ReC
11 }
12         WSChain += wسمن
13 اگر ( Drهqراضی hasOutputRule ){
14 RETURN WSChain
15 }ELSE{
16             Dتیهمترپ= wسمن. خروجی
17 }}}

4. معماری سیستم و پیاده سازی

4.1. طراحی معماری

بر اساس اصول و استانداردهای SOA و SOC، یک سیستم ژئوپردازش آنلاین برای تشخیص تغییر پوشش زمین (OGS-LCCD) طراحی و توسعه یافته است تا نیازهای تشخیص هوشمند تغییر را برآورده کند. به عنوان یک زیر سیستم از GlobeLand30 ( www.globeland30.org ) [ 18 ]، عملکرد اصلی OGS-LCCD تسهیل کاربران نهایی حرفه ای و غیرحرفه ای برای انجام وظایف تشخیص تغییرات مبتنی بر وب سرویس بدون استفاده از نرم افزار اختصاصی مبتنی بر دسکتاپ است. OGS-LCCD دارای معماری سرویس گرا است که شامل چهار لایه زیر است: یک لایه منبع، یک لایه سرویس، یک لایه منطقی و یک لایه کاربردی، همانطور که در شکل 3 نشان داده شده است .

لایه منبع در پایین معماری OGS-LCCD قرار دارد و هدف آن ارائه داده های مربوط به تشخیص تغییر، الگوریتم های پردازش و مدل هایی برای پشتیبانی از لایه های منطقی سرویس بالایی است. داده‌ها در لایه منبع عمدتاً شامل تصویر سنجش از راه دور، داده‌های طبقه‌بندی پوشش زمین، داده‌های تغییر پوشش زمین و سایر داده‌های مرجع (مثلاً داده‌های نمونه) است. الگوریتم‌ها و مدل‌های پردازش شامل الگوریتم‌های پیش‌پردازش، استخراج اطلاعات تغییر، و الگوریتم‌های پس‌پردازش هستند که در مراحل فرآیند تشخیص تغییر دخیل هستند.

در لایه سرویس، داده‌ها و الگوریتم‌های پردازش در لایه منبع در سرویس‌های داده و خدمات پردازشی بر اساس استانداردهای OGC، مانند سرویس نقشه وب (WMS)، سرویس ویژگی‌های وب (WFS) و خدمات پردازش وب، کپسوله می‌شوند. WPS). خدمات داده برای نمایش تصاویر اصلی سنجش از راه دور و نتایج تشخیص نهایی تغییرات استفاده می شود. خدمات پردازش وب از الگوریتم‌های ناهمگن با استفاده از رویکرد کپسوله‌سازی سرویس پیشنهادی منتشر می‌شوند.

لایه منطقی جزء اصلی OGS-LCCD است. هدف آن تولید نتایج تغییر پوشش زمین با توجه به نیاز کاربر است. در این فرآیند، چندین سرویس پردازشی در لایه سرویس فراخوانی می‌شوند و با استفاده از روش ترکیب سرویس خودکار مبتنی بر قاعده محدودیت پیشنهادی، به یک زنجیره خدمات تشخیص تغییر مناسب و قابل اجرا با هم متصل می‌شوند.

لایه برنامه در بالای معماری OGS-LCCD قرار دارد و یک رابط کاربری دوستانه را نشان می دهد که به کاربران نهایی امکان می دهد داده های اصلی سنجش از راه دور را بارگذاری کنند تا بتوانند به نتایج تغییر زمین مورد انتظار به صورت آنلاین دست یابند. از طریق ورودی از رابط کاربری، می توان زنجیره خدمات بهینه را ساخت و روند اجرای زنجیره خدمات را نظارت کرد. نتایج نهایی تغییر پوشش زمین را می توان در قالب خدمات وب یا به صورت داده واقعی به کاربران نهایی بازگرداند.

4.2. پیاده سازی سیستم

سیستم OGS-LCCD با استفاده از معماری «متعادل» مرورگر/سرور (B/S) با مایکروسافت پیاده‌سازی شد. NET Framework 4.0 و زبان برنامه نویسی سی شارپ. محیط توسعه یک کامپیوتر با پردازنده Intel (R) Core (TM) i7-8550U @1.80GHZ، 8.0 گیگابایت رم و اتصال اینترنت با پهنای باند 8 مگابایت بر ثانیه بود.

در سمت سرور، الگوریتم‌های مختلف ژئوپردازش در وب سرویس‌ها با استفاده از استاندارد OGC WPS 1.0.0 کپسوله شدند. فرآیند کپسولاسیون در شکل 4 نشان داده شده است. الگوریتم‌ها به زبان C++/C# با GDAL یا ENVI IDL API نوشته شدند و سپس با استفاده از ابزارهای ویژوال استودیو و مؤلفه «COM_IDL_CONNECT» در DLL پیچیده شدند. API 52 درجه شمالی برای کپسوله کردن این DLL ها در وب سرویس ها استفاده شد. DLL ها در یک تابع به ارث رسیده از ‘Abstract_Algorithm’ برنامه ریزی شدند، و معنای سرویس برای ساخت یک سند XML برای ‘config_wps’ برای تسهیل توضیحات سرویس استفاده شد. علاوه بر این، یک موتور ترکیب سرویس برای تولید و اجرای زنجیره خدمات با توجه به نیازهای کاربر توسعه داده شد. با استفاده از این فرآیند کپسوله سازی سرویس، ما بیش از 30 سرویس ژئوپردازش را در OGS-LCCD کپسوله کرده ایم.

سمت مرورگر با استفاده از یک رابط کاربری ساخته شده با HTML، CSS و جاوا اسکریپت بر اساس کیت‌های مختلف توسعه نرم‌افزار جاوا اسکریپت (SDK)، مانند OpenLayers و GeoServer نشان داده شد. نقشه‌های با وضوح بالا در قالب خدمات وب از جمله Map World، ESRI Map و OpenStreetMap به مرورگر وارد شدند. این زبان های اسکریپت نویسی سبک وزن برای فعال کردن OGS-LCCD برای دسترسی به OGS-LCCD با استفاده از مرورگرهای رایج (به عنوان مثال، اینترنت اکسپلورر، فایرفاکس، سافاری، اپرا، و کروم) مورد استفاده قرار گرفتند، به طوری که کاربران نیازی به نصب نرم افزار یا افزونه اضافی نداشته باشند.

4.3. مثال راه رفتن

در این بخش، یک مثال از انجام یک کار تشخیص تغییر پوشش زمین مبتنی بر وب برای نشان دادن سودمندی OGS-LCCD ارائه شده است. عملیات کلی OGS-LCCD شامل چهار مرحله است: آپلود داده، تولید زنجیره خدمات، اجرای زنجیره خدمات، و تجسم نتایج، همانطور که با استفاده از نمودار توالی زبان مدلسازی یکپارچه (UML) در شکل 5 نشان داده شده است .

فرض کنید می خواهیم بدانیم که تغییرات پوشش زمین از سال 2010 تا 2018 در شهرستان ونشانگ، جینینگ، استان شاندونگ در کجا رخ داده است و تصاویر Landsat از شهرستان ونشانگ را داریم که در این دو سال به دست آمده است. با استفاده از OGS-LCCD به راحتی می توانیم تصاویر Landsat را در سمت سرور سیستم آپلود کنیم. سپس زنجیره خدمات ژئوپردازش مربوطه به طور خودکار تولید و اجرا می شود تا اطلاعات تغییر پوشش زمین را استخراج کند. کاربر نیازی به نصب و راه اندازی نرم افزارهای مبتنی بر دسکتاپ ندارد. مراحل اصلی پردازش در چهار بخش زیر توضیح داده شده است.

(1) آپلود داده های سنجش از راه دور: یک پلاگین jQuery (به عنوان مثال، آپلود) برای فعال کردن کاربران نهایی برای آپلود تصاویر سنجش از راه دور استفاده می شود، و یک رابط متنی ورودی برای کاربران طراحی شده است تا نیازهای سفارشی خود را انتخاب کنند (به عنوان مثال، موارد مورد انتظار نوع داده برگرداندن). در این مثال، همانطور که در شکل 6 نشان داده شده است، تصاویر سنجش از راه دور بدست‌آمده در سال‌های 2010 و 2018 را در سمت سرویس OGS-LCCD از رایانه‌های رومیزی محلی آپلود می‌کنیم . فراداده این دو فایل تصویری که با فرمت نشانه گذاری شی جاوا اسکریپت (JSON) توضیح داده شده است در جدول 4 نشان داده شده است . پس از آپلود تصاویر، همانطور که در شکل 7 نشان داده شده است، می توانیم تصاویر را در فرم OGC WMS بررسی و مشاهده کنیم.. علاوه بر این، ما می‌خواهیم بدانیم کدام مناطق بین سال‌های 2010-2018 تغییر کرده‌اند. بنابراین، ما “تغییر داده های منطقه” را به عنوان نوع داده بازگشتی مورد انتظار خود انتخاب می کنیم.

(2) تولید زنجیره خدمات: بر اساس تصاویر آپلود شده و نیازهای کاربر، زنجیره سرویس تشخیص تغییر بهینه به صورت پویا با استفاده از روش ترکیب سرویس خودکار پیشنهادی ایجاد می‌شود. در این مثال، دو تصویر از یک فصل و سنسور با وضوح فضایی یکسان و وضوح های رادیومتری متفاوت به دست آمده اند. بنابراین، زنجیره سرویس نهایی را می توان به عنوان <DFC (تبدیل فرمت داده) سرویس، سرویس RC (تصحیح رادیومتریک)، سرویس CVA (تحلیل بردار تغییر)، سرویس EM (بیشینه سازی انتظارات)> نشان داد. معنای این خدمات در زنجیره خدمات در جدول 5 نشان داده شده است . زنجیره خدمات تجسم در شکل 8 نشان داده شده است .

(3) نظارت بر اجرا: در این مرحله، زنجیره خدمات تشخیص تغییر ایجاد شده به موتور اجرای سرویس ارسال می شود. سپس، فرآیند اجرای زنجیره خدمات را می توان در زمان واقعی از طریق رابط نظارت بر اجرا، همانطور که در شکل 9 نشان داده شده است، نظارت کرد . در این مثال، زنجیره خدمات تولید شده شامل چهار سرویس پردازش اتمی است. زمان اجرای هر سرویس به ترتیب 36 ثانیه، 58 ثانیه، 48 ثانیه و 87 ثانیه ثبت می شود. همانطور که در شکل 9 نشان داده شده است، وضعیت اجرا را می توان در نوار پیشرفت نیز مشاهده کرد .

(4) تجسم نتایج مبتنی بر وب: نتایج تشخیص نهایی تغییرات یا با دانلود از سرویس سرور OGS-LCCD یا با مرور در رابط تجسم نتیجه دریافت می شود. با استفاده از رویکرد قبلی، داده های نتیجه واقعی در قالبی مانند “GeoTIFF” به کاربران بازگردانده می شود. در دومی، WMS منتشر شده از نرم افزار GeoServer در سمت راست رابط OGS-LCCD در حال مرور است، همانطور که در شکل 10 نشان داده شده است .

5. ارزیابی و بحث

5.1. ارزیابی

برای ارزیابی صحت روش ترکیب سرویس پیشنهادی و کارایی OGS-LCCD، دو گروه آزمایش کنتراست انجام شد.

اولین آزمایش بین روش ترکیب سرویس خودکار مبتنی بر قاعده محدودیت، با روش سنتی مبتنی بر معنایی داده انجام شد. زنجیره های خدمات تشخیص تغییر تولید شده با استفاده از این دو روش در شکل 11 نشان داده شده است . این دو زنجیره سرویس نیز به یک موتور اعدام فرستاده شد. نتیجه این بود که زنجیره خدمات مبتنی بر روش پیشنهادی (یعنی شکل 11 ب) با موفقیت اجرا شد، در حالی که زنجیره خدمات مبتنی بر روش سنتی (یعنی شکل 11 الف) اجرا نشد.

نتیجه فوق به دلایل زیر رخ داد. اگرچه نوع داده خروجی سرویس تصحیح رادیومتریک با نوع داده ورودی سرویس CVA برابر است، فرمت های داده آنها کاملاً متفاوت است (اولی ‘IMG’ و دومی ‘GeoTIFF’). به عبارت دیگر، یک ناهماهنگی فرمت داده وجود دارد. اگر سرویس تصحیح رادیومتریک و سرویس CVA مستقیماً متصل شوند، زنجیره سرویس اجرا نمی شود، همانطور که در شکل 12 الف نشان داده شده است. روش ترکیب سرویس پیشنهادی ناسازگاری داده‌ها را شناسایی کرد و سرویس پیش‌پردازش مربوطه را به زنجیره سرویس اضافه کرد تا از اجرای موفقیت‌آمیز اطمینان حاصل شود. همانطور که در شکل 12 نشان داده شده استب، سرویس تبدیل فرمت داده اضافه شده تضمین می کند که قالب های داده سرویس تصحیح رادیومتریک و سرویس CVA سازگار هستند.

دوم، تست استرس واحد پردازش مرکزی (CPU) و استفاده از حافظه برای ارزیابی سیستم OGS-LCCD انجام شد. بیست رشته برای شبیه سازی چندین کاربر نهایی که همزمان با سیستم کار می کنند انتخاب شد. در طول تست استرس، تقریباً یک تا 20 رشته برای تولید و اجرای زنجیره خدمات فعال شد. ده نمونه از تست استرس برای ثبت حداکثر و میانگین CPU و مقادیر استفاده از حافظه انجام شد. نتایج آزمون استرس در شکل 13 و شکل 14 نشان داده شده است. با افزایش تعداد Thread ها، مقادیر حداکثر و متوسط استفاده از CPU و حافظه نیز افزایش یافت، اما میزان استفاده از CPU کمتر از 40٪ باقی ماند. علاوه بر این، زمانی که تعداد موضوعات فعال کمتر از 12 بود، میزان استفاده کندتر تغییر کرد. در مقابل، زمانی که تعداد رشته‌های فعال‌شده بیشتر بود (بیش از 12)، استفاده با سرعت بیشتری تغییر کرد. نتایج این آزمایش‌ها نشان می‌دهد که OGS-LCCD می‌تواند ثبات خوبی را زمانی که چندین کاربر به طور همزمان وظایف تشخیص تغییر مبتنی بر وب را انجام می‌دهند حفظ کند.

5.2. بحث

بر اساس نتایج و تجزیه و تحلیل مثال و ارزیابی‌های پیش‌رو، روش ترکیب سرویس پیشنهادی و OGS-LCCD در مقایسه با رویکردهای سنتی، مزایا و پیشرفت‌های خاصی را نشان می‌دهند. از جنبه تشخیص هوشمند تغییر، ما یک روش ترکیب سرویس خودکار را برای تولید یک زنجیره خدمات تشخیص تغییر مناسب با توجه به نیاز کاربر پیشنهاد می‌کنیم. یعنی OGS-LCCD می‌تواند کاربران نهایی غیرحرفه‌ای را بدون داشتن تخصص پوشش زمین قادر به انجام وظایف تشخیص تغییر کند. علاوه بر این، با کمک قوانین محدودیت، روش ترکیب سرویس پیشنهادی قوی‌تر از روش‌های سنتی مبتنی بر معنایی است و می‌تواند تضمین کند که زنجیره خدمات به درستی اجرا می‌شود. از جنبه بازده عملیاتی، OGS-LCCD یک رابط کاربر پسند برای انجام تشخیص تغییرات به صورت آنلاین با استفاده از یک مرورگر وب، بدون نصب هیچ گونه نرم افزار دسکتاپ و حرفه ای یا پلاگین فراهم می کند. زمان مورد نیاز برای انجام یک زنجیره خدمات تشخیص تغییر به طور قابل توجهی کاهش می یابد، زیرا بسیاری از مراحل پردازش پیچیده کاهش می یابد، مانند کپی کردن داده ها و تبدیل فرمت داده ها برای قرار دادن نرم افزارهای مختلف. علاوه بر این، OGS-LCCD برای چندین کاربر نهایی که وظایف تشخیص تغییرات مبتنی بر وب را به طور همزمان انجام می دهند، به خوبی عمل می کند. مانند کپی داده ها و تبدیل فرمت داده ها برای قرار دادن نرم افزارهای مختلف. علاوه بر این، OGS-LCCD برای چندین کاربر نهایی که وظایف تشخیص تغییرات مبتنی بر وب را به طور همزمان انجام می دهند، به خوبی عمل می کند. مانند کپی داده ها و تبدیل فرمت داده ها برای قرار دادن نرم افزارهای مختلف. علاوه بر این، OGS-LCCD برای چندین کاربر نهایی که وظایف تشخیص تغییرات مبتنی بر وب را به طور همزمان انجام می دهند، به خوبی عمل می کند.

از زمانی که OGC مشخصات WPS را منتشر کرد، بسیاری از جوامع منبع باز پلتفرم های WPS را ایجاد کردند، مانند پروژه ZOO-Project، 52°North، PyWPS و Deegree [ 11 ، 44] .]. هدف اصلی این پلتفرم‌های منبع باز ارائه روش‌های عمومی و منطبق با استاندارد برای استفاده از کتابخانه‌ها و الگوریتم‌های منبع باز موجود به‌عنوان خدمات پردازش جغرافیایی مبتنی بر WPS است. در سیستم پیشنهادی، APIهای 52 درجه شمالی برای تشخیص تغییرات و کپسوله‌سازی سرویس استفاده می‌شوند. برخلاف این پلتفرم‌های منبع باز، OGS-LCCD سیستمی است که عمدتاً بر روی دامنه تشخیص تغییر متمرکز است و برای پشتیبانی از تشخیص تغییر پوشش زمین مبتنی بر وب طراحی شده است. علاوه بر این، سیستم پیشنهادی یک مکانیسم ترکیب سرویس خودکار مبتنی بر قانون را فراهم می‌کند که کاربران نهایی را قادر می‌سازد تا یک کار تشخیص تغییر پوشش زمین مبتنی بر وب را با حداقل مداخله دستی انجام دهند.

علیرغم مزایای OGS-LCCD، توسعه سیستم مبتنی بر وب برای پشتیبانی از ژئوپردازش هوشمند پوشش زمین هنوز در مراحل اولیه خود است. مشابه سیستم‌های ژئوپردازش مبتنی بر وب عمومی، OGS-LCCD دارای محدودیت‌های متعددی است و برخی مسائل مهم باید بهبود یابند.

اولاً، داده‌های تصاویر سنجش از راه دور اغلب بزرگ هستند و بارگذاری این داده‌ها با سیستم پیشنهادی سخت و زمان‌بر است. با توسعه زیرساخت های محاسبات ابری اخیر (به عنوان مثال، ابر Azure و ابر علی بابا)، ارائه سرورهای ابری با ظرفیت بالا و منابع محاسباتی قدرتمند امکان پذیر می شود. با استفاده از چنین زیرساخت هایی می توان تصاویر ماهواره ای رایگان (مثلاً سری تصاویر لندست) را از قبل جمع آوری و ذخیره کرد. کاربران نهایی برای انتخاب داده های ورودی به جای آپلود مقادیر زیادی از داده ها از محلی خود به سرور، فقط باید مرزهای منطقه مورد علاقه خود (AOI) را مشخص کنند.

دوم، مدل‌های تشخیص تغییر از نظر محاسباتی فشرده هستند و به مقادیر زیادی از منابع محاسباتی نیاز دارند. پیکربندی سخت افزار و شبکه سیستم فعلی برای انجام محاسبات در مقیاس بزرگ کافی نیست. برای بهبود راندمان محاسباتی تشخیص تغییر پوشش زمین مبتنی بر وب، حالت ژئوپردازش سنتی باید با ادغام یک مکانیسم محاسباتی توزیع شده پیشرفته (مثلاً Spark یا Hadoop) برای پردازش داده های تصویر گسترش یابد [45 ] . جایگزین های قدرتمند و مقرون به صرفه ای برای انجام محاسبات در مقیاس بزرگ ارائه می دهد.

سوم، تشخیص تغییر پوشش زمین در یک منطقه بزرگ یک کار پیچیده است. سیستم باید خدمات وب LCC اضافی را ارائه دهد تا به آن اجازه دهد موقعیت های مختلف را رسیدگی کند. برای پرداختن به این چالش، الگوریتم‌های چند منبعی و تشخیص تغییر ناهمگن (مثلاً جهت‌گیری به سمت تصاویر سری زمانی طولانی) به طور پیوسته در سرویس‌های وب گنجانده می‌شوند. علاوه بر این، سیستم نیاز به یکپارچه سازی استراتژی انتقال کد [ 38 ] دارد، که کاربران نهایی را تسهیل می کند تا الگوریتم های خود را در سمت سرور آپلود کنند تا وظایف تشخیص تغییر شخصی را انجام دهند.

6. نتیجه گیری و کار آینده

این مقاله یک سیستم ژئوپردازش مبتنی بر وب را برای پشتیبانی از تشخیص هوشمند تغییر پوشش زمین ارائه می‌کند. سیستم OGS-LCCD یک پلت فرم جدید پردازش جغرافیایی را فراهم می کند که کاربران نهایی را قادر می سازد تا وظایف تشخیص تغییر را در یک محیط وب باز انجام دهند. کپسوله‌سازی رویکرد سرویس‌های وب ناهمگن و یک روش ترکیب سرویس خودکار مبتنی بر قوانین محدودیت برای ایجاد یک زنجیره خدمات تشخیص تغییر اجرایی برای شرایط مختلف پیشنهاد شده‌اند. سپس سیستم نمونه اولیه با استفاده از چندین فناوری ژئوپردازش آنلاین موجود و نرم افزار منبع باز طراحی و پیاده سازی می شود.

مثال پیاده‌سازی با استفاده از OGS-LCCD نشان می‌دهد که سیستم پیشنهادی این پتانسیل را دارد که کاربران نهایی حرفه‌ای یا غیرحرفه‌ای را قادر می‌سازد تا وظایف تشخیص تغییر را به راحتی با استفاده از مرورگرهای وب عمومی انجام دهند. یک آزمایش مقایسه بین روش ترکیب سرویس خودکار مبتنی بر قاعده محدودیت و روش مبتنی بر معنایی داده سنتی انجام شده است. نتایج نشان می‌دهد که OGS-LCCD می‌تواند یک زنجیره خدمات مناسب و قابل اجرا بر اساس نیازهای کاربر ایجاد کند. آزمایش‌های تست استرس نشان می‌دهد که OGS-LCCD کارایی خوبی را برای پشتیبانی از چندین کاربر نهایی برای انجام همزمان وظایف تشخیص تغییر مبتنی بر وب حفظ می‌کند.

کار آینده ما بر بهبود کارایی تشخیص تغییر پوشش زمین مبتنی بر وب با ادغام یک مکانیسم محاسباتی توزیع شده پیشرفته (مانند Spark یا Hadoop) و جمع‌آوری داده‌های بزرگ سنجش از راه دور پرکاربرد در سمت سرور متمرکز خواهد بود. علاوه بر این، ما در نظر داریم تا با کپسوله‌سازی الگوریتم‌های تشخیص تغییرات چند منبعی و ناهمگن، سرویس‌های وب ژئوپردازش را غنی‌تر کنیم، و به OGS-LCCD اجازه می‌دهیم تا موقعیت‌های پیچیده‌تر تشخیص تغییر پوشش زمین را بررسی کند.

منابع

فدما، جی جی. اولسون، KW; بونان، گیگابایت؛ Mearns، LO; بوجا، LE; میهل، GA; واشنگتن، WM اهمیت تغییر پوشش زمین در شبیه سازی آب و هوای آینده. Science 2005 ، 310 ، 1674-1678. [ Google Scholar ] [ CrossRef ] [ PubMed ]
چن، جی. بان، ی. لی، جنوب چین: دسترسی باز به نقشه پوشش زمین. Nature 2014 ، 514 ، 434. [ Google Scholar ]
حسین، م. چن، دی. چنگ، ا. وی، اچ. Stanley, D. تغییر تشخیص از تصاویر سنجش از راه دور: از رویکردهای مبتنی بر پیکسل به رویکردهای مبتنی بر شی. ISPRS J. Photogramm. Remote Sens. 2013 ، 80 ، 91-106. [ Google Scholar ] [ CrossRef ]
لو، دی. لی، جی. موران، ای. وضعیت فعلی و نیازهای تکنیک‌های تشخیص تغییر. بین المللی J. Image Data Fusion 2014 ، 5 ، 13-38. [ Google Scholar ] [ CrossRef ]
اندرو، PT; الکسیس، جی سی. نیکلاس، جی تی; آلیستر، ال. Peter, FF سنتز انتقادی تکنیک های تشخیص تغییر تصویر نوری سنجش از دور. سنسور از راه دور محیط. 2015 ، 160 ، 1-14. [ Google Scholar ] [ نسخه سبز ]
Hofer, B. استفاده از فناوری ژئوپردازش آنلاین در تجزیه و تحلیل و مطالعات موردی: تجزیه و تحلیل سیستماتیک ادبیات. بین المللی جی دیجیت. زمین 2015 ، 8 ، 901-917. [ Google Scholar ] [ CrossRef ]
زینگ، اچ. چن، جی. وو، اچ. ژانگ، جی. لیو، بی. یک سیستم آنلاین تشخیص تغییر پوشش زمین با ترکیب سرویس وب. در مجموعه مقالات چهارمین کارگاه بین المللی در مورد کاربردهای رصد زمین و سنجش از راه دور، گوانگژو، چین، 4 تا 6 ژوئیه 2016. [ Google Scholar ]
زینگ، اچ. چن، جی. وو، اچ. ژانگ، جی. لی، اس. لیو، بی. یک مدل رابطه خدمات برای تشخیص تغییر پوشش زمین مبتنی بر وب. بین المللی J. Photogramm. Remote Sens. 2017 ، 132 ، 20-32. [ Google Scholar ] [ CrossRef ]
یو، پی. دی، ال. یانگ، دبلیو. یو، جی. ژائو، پی. گونگ، جی. برنامه ریزی فرآیند مبتنی بر خدمات وب معنایی برای کاربردهای علوم زمین. بین المللی جی. جئوگر. Inf. علمی 2009 ، 23 ، 1139-1163. [ Google Scholar ] [ CrossRef ]
پاپازوگلو، MP محاسبات سرویس گرا: مفاهیم، ویژگی ها و جهت ها. در مجموعه مقالات چهارمین کنفرانس بین المللی مهندسی سیستم های اطلاعات وب، رم، ایتالیا، 10-12 دسامبر 2003; صص 3-12. [ Google Scholar ]
ژائو، پی. فورستر، تی. یو، پی. وب ژئوپردازش. محاسبه کنید. Geosci. 2012 ، 47 ، 3-12. [ Google Scholar ] [ CrossRef ]
Di, L. Geobrain—یک سیستم ایجاد دانش جغرافیایی مبتنی بر خدمات وب. در مجموعه مقالات کنفرانس فناوری علوم زمین ناسا، پالو آلتو، کالیفرنیا، ایالات متحده آمریکا، 22 تا 24 ژوئن 2004. ص 22-24. [ Google Scholar ]
ژای، ایکس. یو، پی. Zhang، M. رویکرد مبتنی بر وب و سرویس وب حسگر برای پایش فعال بلایای هیدرولوژیکی. بین المللی J. Geo-Inf. 2016 ، 5 ، 171. [ Google Scholar ] [ CrossRef ]
تان، ایکس. گوا، اس. دی، ال. دنگ، م. هوانگ، اف. بله، X. سان، ز. گونگ، دبلیو. شا، ز. Pan, S. سرویس جغرافیایی مبتنی بر عامل موازی به عنوان سرویس (p-aaas) در ابر. Remote Sens. 2017 , 9 , 382. [ Google Scholar ] [ CrossRef ]
کارانتزالوس، ک. بلیزیوتس، دی. Karmas، A. یک وب سرویس جغرافیایی مقیاس پذیر برای نقشه برداری پوشش زمین تقریباً در زمان واقعی و با وضوح بالا. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2015 , 8 , 4665–4674. [ Google Scholar ] [ CrossRef ]
چن، جی. چن، جی. لیائو، ا. کائو، ایکس. چن، ال. چن، ایکس. او، سی. آویزان شدن.؛ پنگ، اس. Lu, M. نقشه برداری جهانی پوشش زمین با وضوح 30 متر: یک رویکرد عملیاتی مبتنی بر pok. ISPRS J. Photogramm. Remote Sens. 2015 ، 103 ، 7-27. [ Google Scholar ] [ CrossRef ]
چن، جی. لی، اس. وو، اچ. چن، ایکس. به سوی یک سرویس اطلاعاتی جهانی پوشش زمین. بین المللی جی دیجیت. زمین 2017 ، 10 ، 356-370. [ Google Scholar ] [ CrossRef ]
چن، جی. کائو، ایکس. پنگ، اس. رن، اچ. تجزیه و تحلیل و کاربردهای globeland30: بررسی. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 230. [ Google Scholar ] [ CrossRef ]
آویزان شدن.؛ چن، جی. او، سی. لی، اس. وو، اچ. لیائو، ا. پنگ، اس. یک سیستم مبتنی بر وب برای پشتیبانی از تولید داده های پوشش زمین جهانی. ISPRS J. Photogramm. Remote Sens. 2015 ، 103 ، 66-80. [ Google Scholar ] [ CrossRef ]
چن، اف. چن، جی. وو، اچ. هو، دی. ژانگ، WW; ژانگ، جی. ژو، XG; Chen, LJ یک رویکرد نمونه‌گیری مبتنی بر شاخص شکل منظر برای ارزیابی دقت پوشش زمین. علمی چین 2016 ، 59 ، 1-12. [ Google Scholar ] [ CrossRef ]
زینگ، اچ. چن، جی. Zhou، X. یک سیستم برچسب گذاری مبتنی بر geoweb برای جمع آوری داده های مرزی. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 1530-1548. [ Google Scholar ] [ CrossRef ]
لی، آر. Kuang، WH; چن، جی. چن، ال جی. لیائو، AP; پنگ، اس. Guan، ZX تجزیه و تحلیل الگوی فضایی-زمانی کارایی استفاده از سطح مصنوعی بر اساس Globeland30 (به زبان چینی). Scientia Sinica Terrae 2016 ، 46 ، 1436-1445. [ Google Scholar ]
هان، دبلیو. یانگ، ز. دی، ال. Mueller, R. Cropscape: یک برنامه کاربردی مبتنی بر وب برای کاوش و انتشار محصولات داده های زمین های زراعی جغرافیایی محدود برای پشتیبانی تصمیم. محاسبه کنید. الکترون. کشاورزی 2012 ، 84 ، 111-123. [ Google Scholar ] [ CrossRef ]
فریتز، اس. مک کالوم، آی. شیل، سی. پرگر، سی. ببینید، L. شپاچنکو، دی. Marijn، VDV; کراکسنر، اف. Obersteiner, M. Geo-wiki: یک پلتفرم آنلاین برای بهبود پوشش جهانی زمین. محیط زیست مدل. نرم افزار 2012 ، 31 ، 110-123. [ Google Scholar ] [ CrossRef ]
ببینید، L. لاسو بایاس، ج. شپاچنکو، دی. پرگر، سی. درزل، سی. ماوس، وی. سالک، سی. ویچسلباوم، جی. لسیو، م. McCallum، I. Laco-wiki: یک ابزار آنلاین جدید اعتبارسنجی پوشش زمین که با استفاده از globeland30 برای کنیا نشان داده شده است. Remote Sens. 2017 , 9 , 754. [ Google Scholar ] [ CrossRef ]
کلارک، ام ال. Aide, TM تفسیر مجازی ابزار رابط وب زمین (مشاهده-آن) برای جمع آوری داده های مرجع استفاده از زمین/پوشش زمین. Remote Sens. 2011 , 3 , 601–620. [ Google Scholar ] [ CrossRef ]
باستین، ال. بوکانان، جی. برسفورد، آ. پکل، J.-F. Dubois, G. نقشه برداری منبع باز و خدمات برای اعتبار سنجی پوشش زمین مبتنی بر وب. Ecol. آگاه کردن. 2013 ، 14 ، 9-16. [ Google Scholar ] [ CrossRef ]
شنگ، QZ; کیائو، ایکس. Vasilakos، AV; سابو، سی. بورن، اس. Xu, X. ترکیب خدمات وب: مروری بر یک دهه. Inf. علمی 2014 ، 280 ، 218-238. [ Google Scholar ] [ CrossRef ]
اوانجلیدیس، ک. نتوروس، ک. ماکریدیس، س. Papatheodorou، C. خدمات زمین فضایی در ابر. محاسبه کنید. Geosci. 2014 ، 63 ، 116-122. [ Google Scholar ] [ CrossRef ]
یانگ، سی. چن، ن. Di, L. عملکرد متقابل گردش کار ژئوپردازش ناهمگن مبتنی بر آرامش برای سرویس وب حسگر. محاسبه کنید. Geosci. 2012 ، 47 ، 102-110. [ Google Scholar ] [ CrossRef ]
یو، جی. ژائو، پی. دی، ال. چن، آ. دنگ، م. Bai, Y. Bpelpower – یک موتور اجرای bpel برای خدمات وب جغرافیایی. محاسبه کنید. Geosci. 2012 ، 47 ، 87-101. [ Google Scholar ] [ CrossRef ]
یو، پی. ژانگ، ام. Tan, Z. یک سیستم گردش کار ژئوپردازش برای نظارت بر محیط زیست و مدل سازی یکپارچه. محیط زیست مدل. نرم افزار 2015 ، 69 ، 128-140. [ Google Scholar ] [ CrossRef ]
رودریگز میر، پی. پدریناچی، سی. لاما، م. Mucientes، M. یک چارچوب یکپارچه کشف و ترکیب سرویس وب معنایی. Ieee Trans. خدمت محاسبه کنید. 2016 ، 9 ، 537-550. [ Google Scholar ] [ CrossRef ]
فنگ، JZ; کنگ، LF; Wang، XH وب سرویس ترکیب خودکار بر اساس نمودار رابطه معنایی. محاسبه کنید. یکپارچه سازی Manuf. سیستم 2012 ، 18 ، 427-436. [ Google Scholar ]
هاشمیان، اس.و. Mavaddat, F. چارچوبی مبتنی بر نمودار برای ترکیب سرویس‌های وب بدون حالت. در مجموعه مقالات کنفرانس اروپایی خدمات وب، زوریخ، سوئیس، 4-6 دسامبر 2006. صص 75-86. [ Google Scholar ]
یو، پی. دی، ال. یانگ، دبلیو. یو، جی. ژائو، پی. ترکیب خودکار زنجیره‌های خدمات وب جغرافیایی مبتنی بر معناشناسی. محاسبه کنید. Geosci. 2007 ، 33 ، 649-665. [ Google Scholar ] [ CrossRef ]
تان، ایکس. دی، ال. دنگ، م. چن، آ. هوانگ، اف. پنگ، سی. گائو، ام. یائو، ی. Sha، Z. زنجیره خدمات جغرافیایی مبتنی بر ابر و عامل: مطالعه موردی تجزیه و تحلیل محصولات غوطه ور در طول سیلاب حوضه رودخانه یانگ تسه. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2015 ، 8 ، 1359-1370. [ Google Scholar ] [ CrossRef ]
یو، اس. چن، ام. ون، ی. Lu, G. استراتژی محصورسازی مدل سرویس گرا برای به اشتراک گذاری و ادغام مدل های تحلیل جغرافیایی ناهمگن در یک محیط وب باز. ISPRS J. Photogramm. Remote Sens. 2016 ، 114 ، 228-273. [ Google Scholar ] [ CrossRef ]
چن، ز. لین، اچ. چن، ام. لیو، دی. بائو، ی. Ding, Y. چارچوبی برای به اشتراک گذاری و یکپارچه سازی سنجش از دور و مدل های gis مبتنی بر وب سرویس. علمی World J. 2014 ، 2014 ، 57–78. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ون، ی. چن، ام. یو، اس. ژنگ، پی. پنگ، جی. Lu, G. یک استراتژی استقرار سرویس مدل برای به اشتراک گذاری مشترک مدل های تجزیه و تحلیل جغرافیایی در یک محیط وب باز. بین المللی جی دیجیت. زمین 2017 ، 10 ، 405-425. [ Google Scholar ] [ CrossRef ]
کروز، SAB؛ مونتیرو، AMV؛ سانتوس، آر. ترکیب خدمات وب مکانی خودکار بر اساس الزامات کیفیت داده های جغرافیایی. محاسبه کنید. Geosci. 2012 ، 47 ، 60-74. [ Google Scholar ] [ CrossRef ]
Ranisavljević، É. دوین، اف. لافلی، دی. Nir، YL ارکستراسیون معنایی خدمات پردازش تصویر برای تجزیه و تحلیل محیطی. ISPRS J. Photogramm. Remote Sens. 2013 ، 83 ، 184-192. [ Google Scholar ] [ CrossRef ]
چن، جی. لو، ام. چن، ایکس. چن، جی. Chen, L. یک رویکرد مبتنی بر اختلاف گرادیان طیفی برای تشخیص تغییر پوشش زمین. ISPRS J. Photogramm. Remote Sens. 2013 ، 85 ، 1-12. [ Google Scholar ] [ CrossRef ]
اشتاینیگر، اس. Hunter، AJS نقشه نرم افزار gis رایگان و منبع باز 2012 – راهنمای تسهیل تحقیق، توسعه و پذیرش. محاسبه کنید. محیط زیست سیستم شهری 2013 ، 39 ، 136-150. [ Google Scholar ] [ CrossRef ]
یانگ، سی. یو، م. هو، اف. جیانگ، ی. Li, Y. استفاده از محاسبات ابری برای رسیدگی به چالش‌های بزرگ داده‌های مکانی. محاسبه کنید. محیط زیست سیستم شهری 2016 ، 61 ، 120-128. [ Google Scholar ] [ CrossRef ]

شکل 1. فرآیند کپسوله کردن الگوریتم های تشخیص تغییر در خدمات پردازش وب.

شکل 2. پیش پردازش انتخاب سرویس برای ارضای محدودیت اجرای سرویس A.

شکل 3. سیستم ژئوپردازش آنلاین برای پشتیبانی از معماری هوشمند تشخیص تغییر پوشش زمین (OGS-LCCD).

شکل 4. پیاده سازی خدمات پردازش وب (WPS) کپسوله سازی سرویس از الگوریتم های ژئوپردازش.

شکل 5. نمودار توالی زبان مدلسازی یکپارچه (UML) عملیات OGS-LCCD.

شکل 6. بارگذاری داده های Landsat 5 (برای سال 2010) با استفاده از OGS-LCCD.

شکل 7. بارگذاری داده های Landsat 8 (برای سال 2018) با استفاده از OGS-LCCD.

شکل 8. تولید زنجیره خدمات برای تشخیص تغییر.

شکل 9. نظارت بر اجرای زنجیره خدمات تشخیص تغییر.

شکل 10. نتایج تشخیص تغییر (مناطق بنفش) که با استفاده از یک سرویس نقشه وب (WMS) تجسم شده است.

شکل 11. دو زنجیره خدمات تشخیص تغییر ایجاد شده: ( الف ) زنجیره خدمات بر اساس روش سنتی. ( ب ) زنجیره خدمات بر اساس روش پیشنهادی.

شکل 12. اجرای واقعی دو زنجیره خدمات: ( الف ) اجرا نشد. ( ب ) با موفقیت اجرا شد.

شکل 13. استفاده از واحد پردازش مرکزی (CPU) (%).

شکل 14. استفاده از حافظه (%).

مقالات داخلی و بین المللی

بدون دیدگاه