خلاصه

موضوع اصلی مقاله استفاده از تحلیل چند معیاره در ارزیابی تاثیر محیط جغرافیایی بر فعالیت های امداد و نجات و نظامی است. ارزیابی بر اساس داده‌های جغرافیایی دیجیتال است و تأثیرات عوامل جغرافیایی فردی با تحلیل‌های فضایی تعیین می‌شود. ماهیت مقاله در طراحی یک روش روشمند برای تعیین وزن معیارهای فردی و در ساخت یک تابع مناسب کاربر منتج (تابع ارزش مطلوب) در یک محیط سیستم اطلاعات جغرافیایی با توجه به مشکل حل شده و در تایید رویه پیشنهادی با استفاده از تحلیل حساسیت، تسلط عوامل فردی مشخص می شود و تأثیر تغییرات وزن معیارها بر نتایج کلی تجزیه و تحلیل ارزیابی می شود. مطالعات مفصلی از تفاوت‌ها در نتایج حل مسئله تحلیلی یکسان با تغییر وزن معیارهای فردی انجام می‌شود و این مطالعات بر روی یک نمونه مدل مستند شده‌اند. بر اساس آزمایش‌های راستی‌آزمایی که هم در شرایط اداری و هم مستقیماً در مکان‌های انتخابی انجام می‌شود، «روش‌های بهینه» برای ارزیابی پتانسیل محیط جغرافیایی برای عملیات نجات یا واحدهای نظامی در شرایط صحرایی توصیه می‌شود. در نهایت، احتمالات توسعه بیشتر راه حل مدل و پیاده سازی آن در سیستم های کنترل ارائه شده است. بر اساس آزمایش‌های راستی‌آزمایی که هم در شرایط اداری و هم مستقیماً در مکان‌های انتخابی انجام می‌شود، «روش‌های بهینه» برای ارزیابی پتانسیل محیط جغرافیایی برای عملیات نجات یا واحدهای نظامی در شرایط صحرایی توصیه می‌شود. در نهایت، احتمالات توسعه بیشتر راه حل مدل و پیاده سازی آن در سیستم های کنترل ارائه شده است. بر اساس آزمایش‌های راستی‌آزمایی که هم در شرایط اداری و هم مستقیماً در مکان‌های انتخابی انجام می‌شود، «روش‌های بهینه» برای ارزیابی پتانسیل محیط جغرافیایی برای عملیات نجات یا واحدهای نظامی در شرایط صحرایی توصیه می‌شود. در نهایت، احتمالات توسعه بیشتر راه حل مدل و پیاده سازی آن در سیستم های کنترل ارائه شده است.

کلید واژه ها:

تحلیل چند معیاره ; سیستم اطلاعات جغرافیایی ; فرآیندهای تصمیم گیری ؛ پشتیبانی جغرافیایی ؛ سیستم های فرماندهی و کنترل

1. معرفی

یک وظیفه متداول در برخورد با عملیات در چشم انداز، ارزیابی تأثیر محیط جغرافیایی بر فعالیت های نیروهای مداخله گر است. محیط جغرافیایی می تواند زمان شروع مداخله (فعالیت های نجات یا رزمی) و زمان کل آن را تسریع یا به تعویق بیاندازد و در نتیجه بر کارایی کلی عملیات تأثیر بگذارد. در موارد شدید، شرایط جغرافیایی نیز می تواند باعث انجام نشدن یک وظیفه حرفه ای شود که در بسیاری از موارد می تواند با تهدیدی هم برای نیروهای مداخله گر و هم برای جمعیت غیرنظامی همراه باشد.
در [ 1 ]، نویسندگان به رویکرد اساسی برای پشتیبانی جغرافیایی از سیستم های فرماندهی و کنترل بر اساس مثالی از تجزیه و تحلیل مناطق مناسب برای مکان یک محل کار متحرک پرداختند. هدف اصلی آن اشاره به موضوع استفاده از داده‌های جغرافیایی دیجیتال (DGD) در حل وظایف تحلیلی با استفاده از تحلیل چند معیاره بود، به ویژه زمانی که مداخله در یک منطقه بزرگ، قبلا ناشناخته و ناشناخته ضروری است. چنین مداخله ای ممکن است به عنوان مثال، رفع آلودگی جمعیت غیرنظامی پس از استفاده از سلاح های کشتار جمعی یا در نتیجه انتشار مواد خطرناک صنعتی به دنبال یک حادثه تاسیسات زیرساختی صنعتی باشد [ 2 ، 3 ، 4 ، 5، 6 ]. یکی از مدارک مهمی که فرمانده باید دریافت کند، ارزیابی تأثیر محیط جغرافیایی بر فعالیت خاصی است که باید به عنوان بخشی از مداخله ضد آلودگی انجام شود. در تحلیل تأثیر محیط جغرافیایی از روش تحلیل چند معیاره استفاده شد. فرآیند ارزیابی کامل با رویه های عملیاتی ثابت (SOPs) مورد استفاده در مداخلات واحدهای شیمیایی ارتش جمهوری چک (ACR) و خدمات نجات آتش نشانی مطابقت داشت [ 7 ، 8 ]. نتایج راه حل عمدتاً با استفاده از عکس های هوایی متعامد تأیید شد، اما تأیید آنها در میدان انجام نشد.
با توجه به نتیجه‌گیری مقاله مذکور، نویسندگان روشی را که قبلاً برای حل یک تکلیف فضایی پیشنهاد شده بود، مشخص و تشریح کردند. به طور خاص، چندین روش دیگر برای تعیین وزن معیارهای فردی که بر تحلیل نهایی تأثیر می‌گذارند استفاده شد. علاوه بر این، تجزیه و تحلیل حساسیت و همچنین ارزیابی دقیق تغییرات در نتایج تحلیل فضایی در رابطه با روش مورد استفاده برای تعیین وزن عوامل فردی انجام شد و در نهایت، تأیید کامل نتایج به‌دست‌آمده در میدان انجام شد. انجام شد. هدف اصلی تجزیه و تحلیل عوامل جغرافیایی موثر بر مکان و عملکرد سایت ضد عفونی (DS) بود.
هدف خاص راه حل تحلیل فضایی یکسان باقی ماند، یعنی طراحی و تأیید روشی برای انتخاب مکان های مناسب برای توسعه مکان های کاری برای پاکسازی ساکنان و تجهیزات پس از برخورد با سلاح های کشتار جمعی یا پس از یک مقیاس بزرگ. حادثه شیمیایی، یعنی انتخاب مکان ها و مناطق مناسب برای بی خطرسازی افراد، تجهیزات و مواد. بنا به درخواست کارشناسانی که در ارزیابی نتایج تحلیل قبلی شرکت داشتند، محل انجام کار پیگیری نیز تغییر یافت. مکان عمدتاً به دلیل تکه تکه شدن بیشتر زمین و شامل تنوع بیشتر اشیاء جغرافیایی تغییر کرد.
داده های جغرافیایی تضمین شده ارتش جمهوری چک (ACR) و اداره دولتی نقشه برداری زمین و کاداستر (CSALSC) دوباره برای تجزیه و تحلیل استفاده شد. روش تحلیل چند معیاره (MCA) به عنوان یک دستگاه ریاضی پایه استفاده شد. در برنامه MCA، انواع مختلفی از تعیین وزن معیارها و کامپایل یک تابع تجمع کاربر مورد آزمایش قرار گرفت. نتایج انواع تجزیه و تحلیل فضایی در مناطقی که به عنوان مناسب برای مکان محل کار انتخاب شده بودند به صورت میدانی تأیید شد.
روش MCA برای قطعیت برای کل راه حل استفاده شد [ 9 ، 10 ، 11 ]. دلیل استفاده از این رویکرد تغییر ناپذیری نسبی DGD به دلیل طول مدت فرآیند تصمیم گیری در مورد ساخت DS و به دلیل این واقعیت است که شرایط هواشناسی هنوز در کار حل شده در نظر گرفته نشده است.

2. وضعیت مدل

وضعیت مدل موردی را توصیف می کند که یک ماده شیمیایی در یک مکان معین به محیط نشت کند [ 12 ، 13 ]. یک ماده سمی که نیاز به استفاده از تجهیزات حفاظتی فردی قبل از شروع فرآیند ضدعفونی دارد در نظر گرفته شده است. هدف از تجزیه و تحلیل یافتن مکان های مناسب برای ساخت DS با توجه به شرایط زیر بود:
  • شیب تا 5 درجه،
  • مقاومت طولانی مدت خاک برای حرکت وسایل نقلیه شیمیایی خاص،
  • تا حد امکان نزدیک به جاده های آسفالته و دارای راه های دسترسی و خروجی مناسب،
  • باید خارج از جنگل باشد،
  • تا حد امکان به منابع آب و منبع آب فراوان،
  • به دلیل آلودگی احتمالی جمعیت بی‌تأثیر، DS باید خارج از مناطق پرجمعیت باشد،
  • مساحت پیوسته تقریباً 2.5 کیلومتر مربع .
منطقه مورد نظر مدل (AOI) با اندازه 20×20 کیلومتر در منطقه شمال شرقی برنو برای وضعیت مدل انتخاب شد ( شکل 1 ).
مشکل جغرافیایی انتخاب مکان‌های مناسب در منطقه داده شده بود، جایی که امکان قرار دادن محل بی‌آلودگی به گونه‌ای بود که این سایت در منطقه مورد نظر کاربردی باشد و پیکربندی زمین آن را محدود نکرده و یا فقط آن را تا حد معقولی محدود کند. 8 ، 14 ، 15 ، 16 ، 17 ، 18 ].
استقرار یک DS بزرگ برای حل حوادث در مقیاس بزرگ به طور منظم در جمهوری چک با همکاری خدمات آتش نشانی و نجات و واحدهای شیمیایی ACR انجام می شود. با توجه به فضای مورد نیاز، دو محل به اندازه کافی بزرگ در جمهوری چک انتخاب شد که برای این تمرینات استفاده شد. این مکان ها در مناطق آموزشی نظامی بودند. از تجربیات متخصصین این تمرینات، SOPهای ذکر شده به تفصیل شرح داده شد که ما از آنها استفاده کردیم.
هدف کار ما این بود که روشی را پیشنهاد کنیم که از طریق آن از داده های جغرافیایی برای شناسایی مکان های دیگری استفاده کنیم که مناسب هستند اما به دلیل استفاده از چشم انداز انجام تمرینات در چنین مقیاس بزرگی غیرممکن است.

3. روش شناسی

3.1. تعیین وزن عوامل

همانطور که قبلاً در مقدمه کلی ذکر شد، بررسی حساسیت ترتیب ترجیحی انواع برای تعیین اهمیت معیارهای فردی در حوزه آزمایش بر روی مدل‌هایی قرار می‌گیرد که ارزیابی چند معیاره انواع با تغییر وزن معیارها انجام می‌شود. به منظور نشان دادن حساسیت راه حل به انتخاب اولویت های عوامل فردی، وزن معیارهای فردی با چندین روش مختلف بر اساس مشاوره با متخصصان مربوط به تئوری ضد آلودگی تعیین شد. روش اول، تعیین مستقیم وزن معیارها بر اساس برآورد کارشناسی متخصصان مورد بررسی، در دو گروه مستقل بود. گروه اول منحصراً متشکل از متخصصانی بودند که در عمل با موضوع ضدعفونی سر و کار داشتند – یعنی آنها در واقع به این موضوع در صحنه مداخله پرداختند (از این پس به عنوان کارشناسان نامیده می شود). گروه دوم متشکل از هیات علمی بود که از دیدگاه علمی به این موضوع می پرداختند (از این پس نظریه پردازان نامیده می شوند). با توجه به تشدید خشکسالی در دهه اخیر و کمبود آب طبیعی در چشم انداز، نوع دیگری توسط گروه نظریه پردازان ایجاد شد که در آن با اختصاص وزن بیشتر به منابع آبی فراوان، این کمبود آب در نظر گرفته شد (Var. 3). . گروه دوم متشکل از هیات علمی بود که از دیدگاه علمی به این موضوع می پرداختند (از این پس نظریه پردازان نامیده می شوند). با توجه به تشدید خشکسالی در دهه اخیر و کمبود آب طبیعی در چشم انداز، نوع دیگری توسط گروه نظریه پردازان ایجاد شد که در آن با اختصاص وزن بیشتر به منابع آبی فراوان، این کمبود آب در نظر گرفته شد (Var. 3). . گروه دوم متشکل از هیات علمی بود که از دیدگاه علمی به این موضوع می پرداختند (از این پس نظریه پردازان نامیده می شوند). با توجه به تشدید خشکسالی در دهه اخیر و کمبود آب طبیعی در چشم انداز، نوع دیگری توسط گروه نظریه پردازان ایجاد شد که در آن با اختصاص وزن بیشتر به منابع آبی فراوان، این کمبود آب در نظر گرفته شد (Var. 3). .
سپس هر دو گروه پرسشنامه‌ای را تکمیل کردند که به گروه‌ها تقسیم نشد و با روش مقایسه زوجی (جفت)، روش تخصیص Metfessel (MES) و روش Saaty (Saaty) پردازش شد [19 ، 20 ] .
به دلیل مشکلات تخصصی محدود و در نتیجه تعداد محدود متخصصان شاغل در این زمینه در جمهوری چک، امکان استفاده از گروه های بزرگ برای تحقیق وجود نداشت. گروه خبرگان 11 عضو و گروه نظریه پردازان 9 عضو بود. بنابراین، تعداد کمتر پرسشنامه های تکمیل شده، نقطه ضعف این مطالعه است. با این حال، از سوی دیگر، ترکیب هر دو گروه به گونه‌ای بود که تضمینی برای تکمیل صادقانه و واقعی پرسشنامه بود و در نتیجه ارزش‌های مرتبط را از همه پاسخ‌دهندگان به دست آورد.

3.2. روش های ریاضی مورد استفاده برای تعیین وزن عوامل

روش مقایسه زوجی معیارها – وزن معیارها از یک رابطه ترجیحی که بطور تخصصی برای مجموعه معینی از معیارها تعریف شده است، به دست آمد. اگر امکان معیارهای یکسان ارزیابی شده را در نظر نگیریم، از ماتریس بروز رابطه ترجیح تیز P که بر روی مجموعه معیارهای K تعریف شده است، شروع می کنیم، که برای عناصر آن موارد زیر اعمال می شود:
  • پj،ک=1اگر معیار j مهمتر از معیار k باشد.
  • پj،ک=0… اگر اینطور نیست.

سپس اهمیت j- امین معیار، وزن غیر استاندارد آن w j ، از تعداد معیارهایی که معیار بر آنها ترجیح داده می شود، استخراج می شود و از فرمول زیر محاسبه می شود:

wj=∑ک=1مترپj،ک+1
اضافه کردن 1 برای هر وزن مانع از در نظر گرفتن وزن صفر به حداقل معیار می شود.
تعیین اهمیت معیارها با استفاده از تخصیص متفسل – هر ارزیاب 100 امتیاز دارد. این امتیازات با توجه به اهمیت معیار به معیارهای فردی اختصاص می یابد. مجموع مقادیر یک ارزیاب باید برابر با 100 باشد. تعداد امتیازات صفر نیز نوشته می شود. اهميت معيارها بر اساس ميانگين ارزش ارزيابي هاي داده شده از همه ارزيابان تعيين مي شود.

روش ساعتی روشی برای مقایسه زوجی کمی است که در دو مرحله انجام می شود. در گام اول، روابط ترجیحی جفت معیارها تعیین و وارد ماتریس به اصطلاح ساعتی می شود. اس (سمنj)( ردیف i- امین، ستون j- امین)، که بر خلاف روش مقایسه زوجی، اندازه این ترجیح را علاوه بر جهت ترجیح زوج‌های معیار که با تعداد معینی از نقاط بیان می‌شود، تعیین می‌کند. مقیاس نقطه انتخاب شده [ 20 ]. مرحله دوم تعیین خود مقیاس ها است که بر اساس دانش ماتریس S است. مقیاس های فردی را می توان تحت شرایط به دست آورد. ∑منnvمن=1به شرح زیر است:

vمن=[∏jnسمن،j]1n∑منn[∏jnسمن،j]1n

3.3. داده های ورودی و پردازش آنها

برای مثال مدل، DMÚ25 [ 21 ]، مدل ارتفاع DMR4 [ 22 ] و پایگاه داده موضوعی خاک (TSD) [ 23 ] به عنوان مدل موقعیت استفاده شد. تمامی تحلیل ها با استفاده از سیستم نرم افزاری ArcGIS 10.4.1 [ 24 ]، از جمله ماژول های افزونه انجام شد. سیستم مرجع ژئودزی WGS84 و طرح UTM در منطقه 33 برای همه محاسبات انتخاب شدند. هنگام کار با فایل های شطرنجی، از اندازه پیکسل 10 متر استفاده شد [ 25 ].
اولین گام تجزیه و تحلیل، انتخاب ابزار مناسب برای تجزیه و تحلیل جزئی اثرات عوامل فردی و برای ارزیابی تأثیر کلی همه عوامل [ 26 ] بود. همچنین طبقه‌بندی اطلاعات به‌دست‌آمده حل شد تا بتوان این اطلاعات را در مقیاس ارزیابی یکسان طبقه‌بندی کرد. رویه‌های ارزیابی تأثیر عوامل فردی مانند [ 1 ] بود، به استثنای عامل تسکین زمین، که باید مشخص می‌شد.
مدل ارتفاع پیش‌فرض انتخاب شده برای ارزیابی ضریب تسکین DMR4 بود که یک مدل شطرنجی با اندازه پیکسل 5 × 5 متر است [ 22 ]. برای محاسبه شیب شیب ها از ابزار Slope استفاده شد. فایل شطرنجی شیب های شیب که در آن شیب شیب به عنوان مقدار پیکسل داده شده بیان می شود، با محاسبه به دست آمد. شیب های به دست آمده از شیب ها در مقیاس پیوسته در مقادیر 0 درجه طبقه بندی شدند. 72.23 درجه. برای استفاده در MCA، لازم بود که آنها را بر اساس مقیاس ده نقطه ای انتخاب شده مجدداً طبقه بندی کنیم، با این شرط که باید شرایط محدود کننده حداکثر شیب ممکن تا 5 درجه رعایت شود. بر خلاف راه حل قبلی، مقیاس زیر برای این طبقه بندی مجدد با مقیاس دستی استفاده شد ( جدول 1).
بنابراین، در مکان هایی که شیب شیب از حداکثر مقدار لازم 5 درجه تجاوز می کند، لازم است اطمینان حاصل شود که تمام اثرات عوامل ارزیابی شده باقیمانده دارای مقادیر صفر خواهند بود. برای اطمینان از فرآیند فوق، یک ماسک شیب شیب ایجاد شد که در آن شیب های شیب تا و شامل 5 درجه با مقدار 10 و سایر شیب ها با مقدار 0 طبقه بندی می شوند. ماسک و نتیجه طبقه بندی مجدد در نشان داده شده است. شکل زیر ( شکل 2 و شکل 3 ).

3.4. تجزیه و تحلیل مکان های مناسب برای استقرار محل کار ضد عفونی

فایل‌های طبقه‌بندی‌شده از تأثیر عوامل فردی میزان مناسب بودن برای استقرار DS را بیان می‌کنند. این نرخ مطابق با اصول MCA در مقیاس ارزیابی حداکثری یکنواخت 1-10 بیان شد. سپس تک تک پیکسل‌ها تأثیر یکسانی روی نتیجه دارند و فقط از نظر ارزش داخلی تفاوت دارند.
بر اساس تئوری کلی MCA، معیارهای ارزیابی فردی دارای اهمیت (وزن) متفاوتی هستند و با توجه به روابط مختلف بیان شده توسط تابع تجمع با یکدیگر ترکیب می شوند. دو ابزار اساسی برای کاربرد MCA در محیط GIS استفاده می‌شود: همپوشانی وزنی و همپوشانی فازی. نتیجه هر دو ابزار یک فایل شطرنجی است که اصطلاحاً نقشه هزینه نامیده می شود که توسط ترکیب مورد نیاز فایل های ورودی طبقه بندی شده ایجاد می شود. با این حال، خود فرآیند MCA قبلاً توسط پارامترهای ورودی مشخص شده محاسبه از پیش تعیین شده است. اگر هیچ یک از ابزارها شرایط MCA مشخص شده را نداشته باشند، می توان از ابزار جبر نقشه برای محاسبه نقشه هزینه استفاده کرد. از این ابزار می توان برای کنترل جداگانه همپوشانی واقعی هر لایه استفاده کرد.

نکته کلیدی کل فرآیند در روش پیشنهادی، محاسبه نقشه هزینه با مقدار پیکسل PV بود، که درجه مناسب بودن برای استقرار DS در یک پیکسل معین است. نقشه هزینه باید توسط یک تابع تجمیع مناسب محاسبه می شد که شکل آن با توجه به شرایط ممنوعیت مکان هایی با شیب بیشتر از 5 درجه به صورت زیر تعیین شد:

پV={0،               ∝>5درجه∑من=16wمنکمن، ∝≤5درجه

جایی که

  • α شیب شیب است،
  • wمنوزن معیار i است ،
  • کمنمقدار معیار i-ام است .

سپس خود محاسبه در دو مرحله انجام شد. در مرحله اول، مقدار پیکسل های PV pom مطابق عبارت زیر محاسبه شد:

پVپoمتر=∑من=16wمنکمن
برای محاسبه از ابزار Weighted Overlay استفاده شده است. وزن عوامل فردی با توجه به نتایج انواع مختلف MCA در جدول خلاصه ( شکل 4 در سمت چپ) وارد شد ( جدول 2 ).
نتیجه یک نقشه هزینه بود که در آن، با این حال، مقادیر غیر صفر مناسب بودن حتی در مکان‌هایی با شیب بیشتر از 5 درجه وجود داشت. بنابراین مرحله دوم این بود که مقدار مناسب بودن کل برای این مکان ها را صفر کنیم. اگرچه ابزار Weighted Overlay با گزینه Restricted را می توان برای این عملیات استفاده کرد، اما به دلیل احتمال وقوع پیکسل هایی با مقدار NoData، تضمینی برای محاسبه صحیح وجود ندارد. بنابراین، مسیر پوشاندن مکان‌های با شیب بیشتر از 5 درجه با استفاده از مجموعه‌ای از تمایلات ماسک ( شکل 3 ) و محاسبه بعدی با استفاده از جبر نقشه ( شکل 4 ب) انتخاب شد.
نتیجه کل فرآیند نقشه هزینه فوق الذکر بود که پتانسیل چشم انداز را برای استقرار مکان محل کار ضد آلودگی نشان می دهد ( شکل 5 و شکل 6 ). این تجزیه و تحلیل اطلاعاتی در مورد احتمالات استقرار DS به فرمانده مداخله می دهد. بنابراین فرمانده این فرصت را دارد که با توجه به وضعیت کلی، مناسب ترین مکان ها را انتخاب کند. با این حال، مشخصات یک سایت خاص همیشه مستلزم کنترل در مکان های انتخاب شده توسط واحدهای شناسایی شیمیایی است.
هنگامی که به تجزیه و تحلیل نهایی با جزئیات نگاه می کنیم، واضح است که مناطق انتخاب شده به طور کامل تمام الزامات اولیه را برآورده نمی کنند، که هم به دلیل ویژگی های خود MCA و هم کیفیت داده های جغرافیایی ورودی و روش های طبقه بندی مجدد آنها است.
هنگام استفاده از داده های پس زمینه با همان کیفیت، روش استفاده شده توسط MCA خود تأثیر تعیین کننده ای بر نتیجه تجزیه و تحلیل دارد. بنابراین لازم است ارزیابی شود که چگونه روش به دست آوردن داده های پیش زمینه برای تعیین وزن عوامل فردی و متعاقباً روش تعیین وزن معیارهای ارزیابی بر نتایج به دست آمده تأثیر گذاشته است.

4. نتایج به دست آمده

به عنوان بخشی از حل مثال مدل، آزمون‌های انطباق با استفاده از روش‌های مختلف تعیین وزن عوامل انجام شد – یا به عبارت بهتر، آزمایش‌های مغایرت در نتایج MCA. در [ 1 ]، عوامل فردی مؤثر بر احتمالات استقرار DS و معیارهایی که توسط آنها تأثیر عوامل ذکر شده ارزیابی می شود، ارائه شده است. وزن عوامل فردی در اینجا تنها با برآورد متخصص تعیین شد و هیچ تحلیل حساسیتی انجام نشد. با این حال، روش تعیین وزن معیارهای فردی می تواند بر تحلیل کل مکان تأثیر بگذارد.
وزن معیارهای فردی با توجه به روش‌های فوق برای هر 20 پاسخ‌دهنده تعیین شد و میانگین حسابی همه روش‌ها از آنها محاسبه شد.

نتایج تمام روش های مورد استفاده برای تعیین وزن ها در جدول ( جدول 2 ) آورده شده است. ساختار آن مانند جدول 8 در [ 1 ] است. با این حال، آن را با وزن جدید و نتایج تجزیه و تحلیل حساسیت تکمیل می شود. برای روش ساعتی، سازگاری ماتریس‌های جداگانه با روش مقدار ویژه بررسی شد.

جدول
جدول 2. وزن عوامل فردی و تفاوت آنها.
برای تعیین اینکه آیا یک عامل واقعاً غالب است، یک تحلیل حساسیت، که تفاوت‌ها در وزن عوامل فردی را مقایسه می‌کند، انجام شد.
تجزیه و تحلیل حساسیت نشان داد که عامل آشکارا غالب در تمام روش های مورد استفاده، عامل «هیدرولوژی» است. دومین عامل غالب، عامل «تسکین زمین» بود، به استثنای روش ساعتی که در جایگاه سوم اما با اختلاف جزئی دو درصدی قرار گرفت. برای سایر عوامل، ترتیب بسته به پاسخ دهندگان یا روش مورد استفاده متفاوت بود. با این حال، واریانس مقادیر تخصیصی وزن عوامل فردی بیش از 10 درصد تفاوت نداشت.
در مقابل، بیشترین تفاوت در وزن با فاکتور به وضوح ترجیح داده شده، “هیدرولوژی” به دست آمد. این به دلیل روش مقایسه زوجی بود که در آن کمترین تفاوت بین عوامل فردی به دست آمد. با این روش، پاسخ دهندگان بیشترین مقدار مقیاس ها را «صاف» کردند. اختلاف وزن تعیین شده با روش مقایسه زوجی حداکثر 11 درصد بود. برای روش‌های دیگر، وزن‌های به‌طور قابل‌توجهی به انواع غالب اختصاص داده شد. در اینجا، حداکثر اختلاف تا 33 درصد بود ( جدول 2 ).

4.1. تأثیر تغییرات در وزن عوامل بر تحلیل مکان

با استفاده از وزن‌های تعیین‌شده، یک MCA طبق همان مدل فرآیندی در [ 1 ] انجام شد. نتیجه MCA شش نوع از نقشه هزینه با پتانسیل چشم انداز برای استقرار DS بود. از منظر جهانی، انواع مختلف در اصل تفاوتی نداشتند و همه این امکان را فراهم کردند که مناطق مناسب اساسی برای استقرار DS شناسایی شوند. با این حال، در تجزیه و تحلیل دقیق، تفاوت های جزئی ظاهر شد. بنابراین لازم بود ارزیابی شود که این تفاوت ها کجا رخ داده است، چه تفاوت هایی وجود دارد و چه منابعی برای تفاوت های شناسایی شده است.
تأثیر روش مورد استفاده برای تعیین وزن‌ها هم در اندازه مساحت کل مربوط به مقدار مناسب مناسب و هم در موقعیت مناطقی که بدین ترتیب تجزیه و تحلیل شدند آشکار شد. بنابراین ارزیابی حوزه های مورد تحلیل از هر دو دیدگاه ضروری است. جدول زیر ( جدول 3 ) سهم مناطق مورد تجزیه و تحلیل را نشان می دهد که بر اساس درجه مناسب بودن آنها برای استقرار DS در کل منطقه AOI Jedovnice، یعنی 400 کیلومتر مربع طبقه بندی شده اند .
از نتایج تحلیل حساسیت می توان نتیجه گرفت که سودمندترین روش برای تعیین وزن، تخمین کارشناسان خبرگان و نظریه پردازان است. با این حال، اگر از MCA برای ارزیابی تأثیر منظر به عنوان یک محیط جغرافیایی در حل یک مشکل خاص استفاده شود، لازم است بدانیم که نتیجه تجزیه و تحلیل نه تنها به روش MCA استفاده شده بلکه به کیفیت فضایی نیز بستگی دارد. داده ها و در نهایت تغییر شرایط جغرافیایی در منطقه امن [ 27 , 28]. با فرض اینکه از داده های جغرافیایی یکسانی برای این تحلیل استفاده می شود، یعنی کیفیت آنها در انواع مختلف MCA تغییر نمی کند، نتیجه تجزیه و تحلیل متاثر از تغییرات در شرایط جغرافیایی منطقه امن است. به عنوان مثال، تأثیر خاک تا حدی به شیب شیب یا اینکه منطقه انتخاب شده در دره است و اینکه این دره خاص در طول روز تحت تابش خورشید قرار می گیرد، یعنی مقدار روزانه تابش خورشید و خشک شدن مرتبط با آن بستگی دارد. خاک سطحی [ 29 ].
بنابراین، اگر مشخص نباشد که کدام نوع غالب است، نویسندگان پیشنهاد می‌کنند محل تلاقی انواع را تعیین کنند و آن را یک راه‌حل بهینه (یعنی قطعیت) در نظر بگیرند.
به دلایل ذکر شده در بالا، یک تحلیل فضایی از انطباق مقادیر تناسب فردی در کل منطقه امنیتی انجام شد. با این حال، فقط مقادیر بالاتر از 4 در نظر گرفته شد که طبق جدول ( جدول 3 )، برای ارزیابی مرتبط هستند. جدول زیر نتایج این تجزیه و تحلیل را هم از نظر تعداد پیکسل های منطبق و هم از نظر درصد تطابق در کل منطقه امن با تعداد کل 4 میلیون پیکسل نشان می دهد ( جدول 4 ).
با این حال، خود اعداد باید همراه با توزیع فضایی مناطق یکسان در نظر گرفته شوند. برای درجه تناسب 10، توزیع تقاطع در شکل زیر نشان داده شده است ( شکل 7 ).

از نقشه در شکل ( شکل 7 )، مشخص است که نه تنها تعداد کمی از پیکسل ها شرایط تعیین شده انطباق را در تمام انواع MCA برای سطح مناسب 10 برآورده می کنند، بلکه مناطق ارزیابی شده از نظر اندازه نیز کوچک هستند. ، و کاملاً نامناسب در کل فضا توزیع شده اند. در چنین حالتی، استفاده از روش یکسان سازی نواحی مناسب برای چندین درجه تناسب مناسب خواهد بود. این یکسان سازی را می توان به صورت ریاضی با عبارتی بیان کرد که برای یکسان سازی تمام نقشه های هزینه ورودی برای انواع مختلف MCA با درجه مناسبی ≥6، به صورت زیر خواهد بود:

جیسی={1،(سانتی متر WO_ساعتی_V1_نهایی≥ 6)∩(سانتی متر WO_MES_V1_نهایی≥ 6)∩(سانتی متر WO_جفت_V1_نهایی≥ 6)∩(سانتی متر WO_گونه3_V1_نهایی≥ 6)∩(سانتی متر WO_نظریه پردازان_V1_نهایی≥ 6)∩(سانتی متر WO_کارشناسان_V1_نهایی≥ 6)0،در غیر این صورت

که در آن GC مقدار خروجی پیکسل ادغام شده (کد شبکه) است.

با استفاده از ابزار جبر نقشه (ماشین حساب رستر)، تقاطع انواع مختلف MCA برای ترکیب معینی از درجات مناسب تعیین شد. جدول زیر ( جدول 5 ) نتایج تقاطع ها و درصد مساحت های مناسب از کل مساحت AOI را نشان می دهد. از آنجایی که درصد پیکسل‌های مناسب در تقاطع همه روش‌های MCA مورد استفاده برای درجه‌های مناسبت 4 و 5 ناچیز است، این گونه‌ها در جدول ( جدول 5 ) فهرست نشده‌اند.
از جدول مشخص است که با کاهش الزامات کیفیت جغرافیایی یک سایت بالقوه برای استقرار DS، درصد مناطق یافت شده افزایش می یابد. اما لازم است طرح نواحی انتخاب شده در فضای مشخص شده به جدول پیوست شود. چهار تصویر زیر نشان می دهد که مناطق انتخاب شده در کدام مکان ها متمرکز شده اند و همچنین مکان و منطقه آنها چگونه تغییر می کند ( شکل 8 ).
این خروجی ها در قالب شطرنجی هستند و بنابراین به ما اجازه نمی دهند که اندازه کل مناطق مکان های مناسب برای استقرار DS را تجزیه و تحلیل کنیم. برای اینکه بتوان مناطق مناسب را با توجه به معیار «حداقل مساحت» انتخاب کرد، باید این خروجی ها را به فرمت برداری تبدیل کرد و سپس مناطقی را انتخاب کرد که شرایط حداقل اندازه آنها را برآورده کند.
نتایج چنین روش “بهینه سازی شده” مجدداً فقط امکان ارزیابی پتانسیل چشم انداز در منطقه مسئولیت امکان استقرار DS در آن را فراهم می کند. یک ارزیابی خاص از مناسب بودن باید مجدداً توسط واحدهای بررسی مواد شیمیایی به عنوان بخشی از یک بررسی محلی انجام شود.

4.2. تایید نتایج

تمام نتایج تجزیه و تحلیل ها به منظور یافتن موارد زیر تأیید شد:
  • آیا ابزارهای مورد استفاده قادر به شناسایی مکان های بالقوه مناسب برای استقرار DS هستند یا خیر.
  • آیا این ابزارها می‌توانند مکان‌های کاملاً نامناسب را پیدا کنند.

4.2.1. تایید در فیلد

راستی‌آزمایی اولیه با استفاده از عکس‌های هوایی متعامد از سال‌های 2017 و 2018، که به‌عنوان یک سرویس وب ژئوپورتال CSALSC در دسترس است، انجام شد [ 22] ] در دسترس است، انجام شد. این تأیید اولیه با بازرسی از منطقه امنیتی به طور مستقیم در میدان در ژوئن 2019 تکمیل شد. با توجه به گستردگی منطقه، امکان بررسی دقیق کل منطقه مسئولیت مدل در میدان وجود نداشت. بنابراین مکان هایی که نامناسب ارزیابی شدند با یک بازرسی مختصر در حین رانندگی با وسیله نقلیه تایید شدند. پس از آن، 10 سایت منتخب با جزئیات مورد تجزیه و تحلیل قرار گرفتند، جایی که اثربخشی MCA مورد استفاده تعیین شد، تفاوت‌ها مشخص شد و میزان اثربخشی آنالیز برای انجام وظایف در امنیت شیمیایی مورد ارزیابی قرار گرفت.
بازرسی مختصری از کل منطقه در هر یک از 10 مکان انتخاب شده انجام شد. علاوه بر این، شیب واقعی شیب‌ها با روش‌های ساده با استفاده از تلفن همراه (iPhone SE) تعیین شد و کیفیت DGD‌های زیربنایی در رابطه با واقعیت ارزیابی شد. برنامه ArcGIS 10.4 برای تعیین ابعاد واقعی مناطق انتخاب شده در یک مکان مشخص استفاده شد. در طی بررسی، علل تفاوت در نتایج انواع مختلف MCA و در نهایت اثربخشی انتخاب روش “بهینه شده” مشخص شد. مکان های انتخاب شده معمولاً مساحتی در حدود 1 کیلومتر مربع داشتند .
منطقه Jedovnice به عنوان نمونه ای از ارزیابی دقیق نتایج انتخاب شد – به طور خاص، منطقه “U Větřáku”. در زمان بررسی محلی، بخش زیادی از مناطق مورد بررسی با علف کاشته شده برای بذر کاشته شد. تصاویر زیر نمونه ای از چشم انداز منطقه Jedovnice و بخشی از نقشه توپوگرافی این منطقه را نشان می دهد ( شکل 9 ).
برای MCA، لایه‌های طبقه‌بندی مجدد تحلیل‌های تأثیر عوامل فردی بر استقرار DS استفاده شد. تجسم دقیق این تحلیل ها برای مکان ارزیابی شده در شکل 10 a-f نشان داده شده است.
سپس این لایه ها وارد انواع MCA خود شدند که خروجی های آن در ناحیه Jedovnice در شکل زیر نشان داده شده است ( شکل 11 ).
4.2.2. تجزیه و تحلیل تفاوت انواع مختلف
انواع منفرد MCA در منطقه Jedovnice تفاوتی ندارند، و همه انواع منطقه داده شده را بیشتر برای استقرار DS مناسب ارزیابی می کنند. در منطقه ارزیابی شده، تفاوت در مقادیر پیکسل در همه انواع از -1 تا 0 تا 1 متغیر است. با این وجود، ارزیابی تفاوت بین نقشه‌های هزینه فردی مهم است.
برای توضیح اصول روش شناسی برای ارزیابی تفاوت ها، تنها تفاوت های موجود در انواع مختلف در رابطه با نوع Expert به عنوان استاندارد در زیر آورده شده است. تجزیه و تحلیل های باقی مانده در فایل تکمیلی فهرست شده است .
تفاوت بین نوع Experts و انواع دیگر
نقشه هزینه نوع “متخصصان” به عنوان اولین استاندارد برای ارزیابی تفاوت ها استفاده شد و هم اعداد مطلق تفاوت در مقادیر مناسب در پیکسل های فردی و هم توزیع فضایی این تفاوت ها شناسایی شد. جدول زیر تعداد مطلق پیکسل های مختلف و یکسان و درصد آنها را نسبت به همه پیکسل ها نشان می دهد ( جدول 6 ).
از جدول ( جدول 6 ) مشخص است که اگر تخمین های کارشناسان متخصصان (Experts) به عنوان استاندارد وزن های MCA در نظر گرفته شوند، بزرگترین تفاوت ها بین متخصصان و نظریه پردازان وجود دارد، جایی که نظریه پردازان مناسب بودن فضا را تقریباً در 18 دست کم می گیرند. درصد مناطق و همچنین بین کارشناسان و روش MES که از سوی دیگر این روش تقریباً 15 درصد مناطق را بیش از حد برآورد می کند. بیشترین ارزیابی انطباق در مقایسه با نوع جفت رخ می دهد. با این حال، مناسب است اعداد مطلق را با توزیع فضایی تفاوت های شناسایی شده تکمیل کنیم که در شکل های زیر نشان داده شده است ( شکل 12 ).
یکی از بالاترین غلظت تفاوت ها در انواع در نیمه شمالی منطقه اطراف رودخانه های Kombutský و Kotvrdovický و در مکان های لبه شمال شرقی Jedovnice است. در مجاورت این نهرها پوشش گیاهی نسبتاً متراکمی وجود دارد و هر دو نهر دارای کرانه های شیب دار از جمله اطراف نزدیک خود هستند. گونه های فوق الذکر MCA با توجه به وزن های تعیین شده برای ارزیابی تأثیر پوشش گیاهی، هیدرولوژی و منطقه ساخته شده به این واقعیت پاسخ دادند.
در نیمه جنوبی منطقه ارزیابی شده، در محل یک منظره باز با یک میدان، تفاوت در تنظیم وزن تأثیر تسکین زمین به ویژه مشهود بود. بنابراین، می توان هم تفاوت های مثبت و هم منفی را در مقادیر مناسب در انواع مختلف یافت.
به روشی مشابه، تفاوت بین انواع در طول تغییر تدریجی استاندارد مشخص شد که شرح مفصل آن در فایل تکمیلی آمده است .

4.3. روش یافتن نوع “بهینه”.

از تجزیه و تحلیل های انجام شده از تفاوت های انواع مختلف، واضح است که هیچ یک از انواع MCA را نمی توان به طور قابل اعتماد به عنوان مناسب ترین علامت گذاری کرد، حتی بر اساس تأیید نتایج آنها در این زمینه. بنابراین، مسیر نوع «بهینه» در این منطقه نیز مورد استفاده قرار گرفت. بهینه سازی شامل کاهش تدریجی الزامات برای کیفیت جغرافیایی ویژگی های فضای مکان بالقوه برای استقرار DS بود. کاهش نیازها با استفاده از اصل نشان داده شده در رابطه (3) و مطابق جدول 5 محقق شد . نتایج حاصل از تقاطع های منفرد در شکل 13 a–e نشان داده شده است.
از تأیید نتایج انواع مختلف MCA و نوع “بهینه شده” در محل، می توان بیان کرد که همه انواع اساساً انتظارات را برآورده کردند و مکان های مناسبی را برای استقرار DS به طور نسبتاً دقیق انتخاب کردند.
با این وجود، نویسندگان استفاده از یک روش تجزیه و تحلیل «بهینه» را برای کاربرد عملی توصیه می‌کنند، زیرا نتیجه آن یک منطقه پیوسته به اندازه کافی بزرگ را فراهم می‌کند که تمام معیارهای دیگر را در سطح مناسب برآورده می‌کند، و در عین حال به دیدگاه متعادلی از ارزش‌های افراد احترام می‌گذارد. وزنه ها در عین حال، این روش کاهش مستمر الزامات برای کیفیت فضای تجزیه و تحلیل شده را تا سطحی که از قبل مناطق پیوسته به اندازه کافی بزرگ پیدا شده است، امکان پذیر می کند.

5. بحث در مورد نتایج

راه حل نمونه مدل، امکانات ارائه شده توسط DGD و تحلیل های فضایی را در اجرای پشتیبانی جغرافیایی از فرآیندهای تصمیم گیری فرماندهان، کارکنان و عناصر امنیتی نشان داد، به ویژه اینکه آیا نیاز به حل وظایف حرفه ای در مناطق بزرگ است [ 30 ] 31 ، 32]. این راه حل بر اساس تئوری کلی MCA در حل تجزیه و تحلیل های فضایی بود و رویکرد روش شناسی تعیین وزن عوامل جغرافیایی فردی را به تفصیل شرح داد. به طور خاص، روش‌های روش‌شناختی برای تعیین وزن‌ها با استفاده از برآوردهای خبره و روش‌های ریاضی ارائه و مستندسازی شد. علاوه بر این، نتایج MCA برای انواع مختلف وزن عوامل جغرافیایی و علل تفاوت آنها به تفصیل مورد تجزیه و تحلیل قرار گرفت. در نهایت، یک روش تحلیل “بهینه” پیشنهاد شد.
راه‌حل نمونه مدل، امکان استفاده از تحلیل‌های جغرافیایی مبتنی بر MCA را در پشتیبانی جغرافیایی فرآیندهای تصمیم‌گیری تأیید کرد. این عمدتاً در مورد افزایش کارایی کل فرآیند تصمیم گیری و متعاقباً افزایش کارایی در استقرار نیروها و منابعی است که برای یک مداخله در نظر گرفته شده است، در یک نمونه مدل برای ساخت و استفاده از یک محل کار ضد آلودگی. نتایج مطالعه همچنین نشان داد که نکات اساسی افزایش کارایی فرآیندهای تصمیم گیری ذکر شده در [ 1 ] بدون تغییر باقی می ماند، یعنی اینکه
  • فرمانده مداخله اطلاعات عینی و به روز را در مورد پتانسیل چشم انداز در منطقه امن از نظر انجام وظیفه حرفه ای خود دریافت می کند.
  • اطلاعات عینی متعاقباً باعث صرفه‌جویی در وقت او در تصمیم‌گیری می‌شود، زیرا او مجبور نیست با حوزه‌هایی که برای وظیفه‌اش نامناسب یا کمتر مناسب هستند سروکار داشته باشد.
  • اطلاعات عینی متعاقباً باعث صرفه جویی در وقت تیم های شناسایی می شود که فقط باید از مناطق مناسب انتخاب شده عبور کنند.
  • فرمانده مداخله می‌تواند با انعطاف‌پذیری بیشتری نسبت به شرایط تغییر واکنش نشان دهد، که می‌تواند برای مثال با تغییر وزن عوامل منعکس شود.
با این حال، راه حل مجدداً شرایط جوی فعلی و تأثیر آنها بر ظرفیت باربری خاک (به عنوان مثال، بارش، رطوبت هوا، دما، میزان پوشش ابر و طول تابش آفتاب) را در نظر نگرفت. این راه حل همچنین شرایطی را برای حمل و نقل مواد و به ویژه آب از منابع آب در بر نداشت، بنابراین راه حل به مسائل نفوذپذیری زمین نمی پردازد، اگرچه این راه حل در حال حاضر اساساً برای انواع مختلف تجهیزات نظامی کاربردی است [ 27 ، 32 ، 33 ] .
به عنوان بخشی از راه حل مثال مدل، تأثیر کیفیت داده های منبع بر نتیجه تحلیل فضایی نیز ارزیابی نشد. راه حل شامل داده هایی با کیفیتی است که در توصیف مدل های داده استفاده شده [ 21 ، 23 ] اعلام شده است. برای استفاده واقعی، لازم است تأثیر کیفیت استاندارد داده‌های زیربنایی را به تفصیل ارزیابی کنیم و مشخص کنیم که کدام ویژگی‌های داده با کار مطابقت ندارند و از چه راه‌هایی بهبود پارامترهای آنها ضروری است. . در عین حال، ارزیابی چگونگی تأثیر تغییرات در کیفیت داده ها بر نتیجه کلی تحلیل فضایی ضروری است [ 34] .]. کل راه حل نیز با تست استرس با تمرین کنندگانی که موقعیت های مشابه را در عمل و همچنین به طور مستقیم در میدان حل می کنند تأیید نشد. این مشکلات باید در توسعه بیشتر راه حل مورد توجه قرار گیرند تا ابزار تأیید شده را بتوان در عمل مورد استفاده قرار داد.
به عنوان بخشی از این مطالعه، روش های پیشنهادی نیز توسط کارکنان مؤسسه دفاع هسته ای، بیولوژیکی و شیمیایی دانشگاه دفاع در برنو (NBCI) مورد ارزیابی قرار گرفت. به طور خاص، امکان استفاده از DGD و MCA برای پشتیبانی از انجام وظایف واحدهای شیمیایی در امنیت شیمیایی نیروها مورد ارزیابی قرار گرفت. به گفته کارکنان NBCI، راه حل های پیشنهادی برای ارزیابی اماکن در رابطه با قابلیت استفاده بالقوه آنها به نفع ضدعفونی کامل، نه تنها در فرآیند برنامه ریزی بلندمدت عملیات، بلکه در تعیین مکان های بالقوه قابل استفاده نیز بسیار سودمند است. این نیز با توجه به توسعه سیستم‌های فرماندهی و کنترل خودکار است که در سیستم‌های فرماندهی و کنترل خودکار نیروهای زمینی ACR پیاده‌سازی می‌شوند. بر اساس اطلاعاتی که از تجزیه و تحلیل به دست می آید، فرمانده یگان حفاظت شیمیایی تصمیم به کاهش مکان های گندزدایی منتخب و سازماندهی هدفمند اقدامات شناسایی به منظور تعیین قطعی و جامع وضعیت فعلی زمین، آب، جاده ها و غیره خواهد گرفت. بر. این رویکرد امکان استفاده بهینه از زمان، تلاش و منابع را در ارزیابی عوامل موقعیتی فراهم می کند.

6. نتیجه گیری

کار حل شده، البته نمی تواند تمام مشکلاتی را که در حل فعالیت های تحلیلی در پشتیبانی جغرافیایی سیستم های فرماندهی و کنترل رخ می دهد، پوشش دهد [ 35 ]. هدف اصلی آن نشان دادن استفاده از DGD در حل مسائل تحلیلی با استفاده از تحلیل چند معیاره بود. در عین حال راه ادامه حل مشکل نیز مشخص شد.
یکی از مشکلات کلیدی همه مدل هایی که از تحلیل چند معیاره استفاده می کنند، تعیین وزن معیارها است. وزن معیارهای فردی می تواند به طور قابل توجهی بر نتیجه فرآیند تصمیم گیری تأثیر بگذارد و بر آن تأثیر بگذارد. در این مطالعه از روش های رایج مبتنی بر مقایسه زوجی معیارهای فردی استفاده شد. علاوه بر این روش ها، می توان از روش AHP (فرایند تحلیل سلسله مراتبی) [ 36 ]، روش DEMATEL [ 37 ] یا BWM (بهترین بدترین روش) [ 38 ] نیز استفاده کرد. با این حال، همه این روش ها، به دلیل ماهیت خود، حاوی تأثیر ذهنی بازبینان خود هستند.
مزیتی که از پردازش این کار حاصل می شود، این یافته است که هنگام اعمال MCA بر روی داده های مکانی، می توان با موفقیت از تلاقی نتایج تحلیل تناسب فضا تعیین شده توسط انواع مختلف به عنوان مناسب ترین نوع استفاده کرد.
با این حال، در یک مقاله منتشر شده [ 39 ]، یک روش کاملاً جدید برای سازگاری کامل پیشنهاد شد – روش سازگاری کامل (FUCOM) – که به طور قابل توجهی این اثر را از بین می برد. مدل تعریف دو گروه از محدودیت ها را فرض می کند که باید مقادیر بهینه ضرایب وزنی را برآورده کنند. این روش جدید بر روی چندین مثال عددی از ادبیات آزمایش شده است و نتایج به‌دست‌آمده نشان می‌دهد که FUCOM نتایج بهتری نسبت به روش‌های BWM و AHP با در نظر گرفتن رابطه بین سازگاری و تعداد مورد نیاز معیارهای مقایسه ارائه می‌دهد. بنابراین استفاده از آن یکی از مسیرهای ممکن برای مطالعه بیشتر و توسعه موضوعات مورد مطالعه است.

منابع

  1. تالهوفر، وی. Hošková-Mayerová، Š. روش انتخاب محل استقرار آلودگی زدایی برای حذف پیامدهای حوادث شیمیایی: کاربرد آنالیز چند معیاره. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 171. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  2. ساموئل، م. بونگاو، اس. Tit، DM; ملینت (Frunzulica)، SE; پورزا، ال. Badea، GE اثرات کاربرد طولانی مدت کودهای آلی و معدنی بر روی آنزیم های خاک. کشیش چیم. 2018 ، 69 ، 2608–2612. [ Google Scholar ] [ CrossRef ]
  3. بونگاو، اس. Tit، DM; فودور، ک. سیوکا، جی. آگوپ، م. ایوان، سی. Bustea, C. جنبه های مربوط به مدیریت زباله های دارویی در رومانی. Sustainability 2018 , 10 , 2788. [ Google Scholar ] [ CrossRef ][ Green Version ]
  4. Gitea، MA; بونگاو، اس. گیته، دی. پورزا، ال. نمت، اس. ساموئل، م. Tit, DM پیامدهای شیمیایی شدن بیش از حد بر کیفیت میوه ها. کشیش چیم. 2018 ، 69 ، 1303-1308. [ Google Scholar ] [ CrossRef ]
  5. تاورا، م. جاجک، ن. Cetl، V. چارچوب توسعه زیرساخت داده های فضایی دریایی: مطالعه موردی کرواسی. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 117. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  6. رومانو، جی. دال ساسو، پ. لیوزی، جی تی. Gentile، F. تجزیه و تحلیل تصمیم چند معیاره برای نقشه برداری تناسب زمین در یک منطقه روستایی جنوب ایتالیا. سیاست کاربری زمین 2015 ، 48 ، 131-143. [ Google Scholar ] [ CrossRef ]
  7. اسکالیچان، ز. ژوجا، پ. Hanzlík، V. Dekontaminace v Armádě České Republiky ; Vnitřní předpis MO nelegislativní povahy. vyd.; Ministrystvo Obrany CR: پراگ، جمهوری چک، 2019.
  8. FRS، G. ضد عفونی، سایت ضد عفونی. در Fightin Order of Fire Rescue Service (6L) ; کاربرگ روشی، 4; وزارت کشور-خدمات نجات آتش نشانی جمهوری چک: پراگ، جمهوری چک، 2017. (به زبان چک) [ Google Scholar ]
  9. حمامی، س. زهری، ل. سوئیسی، دی. سوئی، ع. ذغیبی، ع. مرزوقی، ع. Dlala، M. کاربرد تجزیه و تحلیل تصمیم چند معیاره مبتنی بر GIS و فرآیند تحلیل سلسله مراتبی (AHP) در نقشه‌برداری حساسیت سیل (تونس). عربی J. Geosci. 2019 ، 12 ، 653. [ Google Scholar ] [ CrossRef ]
  10. گیگوویچ، ال. دروبنجاک، س. Pamucar، D. کاربرد روش تجزیه و تحلیل تصمیم چند معیاره فضایی ترکیبی GIS بهترین-بدترین روش برای نقشه برداری حساسیت زمین لغزش. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 79. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  11. سینگ، LK; Jha، MK; Chowdary، VM ارزیابی دقت رویکردهای تحلیل تصمیم چند معیاره مبتنی بر GIS برای نقشه‌برداری پتانسیل آب زیرزمینی. Ecol. اندیک. 2018 ، 91 ، 24-37. [ Google Scholar ] [ CrossRef ]
  12. بیتا، جی. پاولیکوا، آی. سووزیلیک، وی. Jančík، P. مدلسازی پراکندگی آلودگی هوا با استفاده از. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 489. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  13. سوارکووا، آی. پتاچک، بی. ناوراتیل، جی. مداخله روانشناختی به عنوان پشتیبانی در آمادگی برای بلایا. در مجموعه مقالات کنفرانس بین المللی مدیریت بحران و حل بحران ; Konecny, J., Adamec, V., Eds. دانشگاه توماس باتا در زلین، جمهوری چک: Uherské Hradiště، جمهوری چک، 2015; صص 317-320. [ Google Scholar ]
  14. اوتریسال، پ. فلوروس، اس. Svorc، L. بارسان، گ. Mosteanu، D. یک سنجش رنگ سنجی جدید برای تعیین نفوذ بخارات سمی و مایعات انتخاب شده از طریق مواد مانع با استفاده از دستگاه Minitest. کشیش ماتر. پلاست. 2017 ، 54 ، 748-751. [ Google Scholar ] [ CrossRef ]
  15. بیکسین، اس. کلیزا، وی. Malovikas، A. ویژگی های آماده سازی متخصص نظامی در محیط امروزی. در مجموعه مقالات فن آوری های هوشمند در سیستم های لجستیک و مکاترونیک: ITEMS 2009 ; دانشگاه فناوری کاوناس موسسه پانوزیس: کاوناس، لیتوانی، 2009; صص 158-163. [ Google Scholar ]
  16. پتریا، ن. جینگینا، آر. پرتوریان، آ. پتر، ر. بارسان، گ. اوتریسال، پ. Mosteanu، DE Experimental Survey در رابطه با ترکیبات شیمیایی خطرناک از چندضلعی های نظامی که بر سلامت نظامی و محیط زیست تأثیر می گذارد. کشیش چیم. 2018 ، 69 ، 1640-1644. [ Google Scholar ]
  17. Rybansky, M. تأثیر عوامل جغرافیایی بر حرکت متقابل کشور در طول عملیات نظامی و بلایای طبیعی. در مجموعه مقالات کنفرانس بین المللی فن آوری های نظامی ; دانشگاه دفاع: برنو، جمهوری چک، 2007; صص 590-596. [ Google Scholar ]
  18. ریبانسکی، ام. Vala, M. تاثیر امداد بر حمل و نقل. در مجموعه مقالات ICMT’09: کنفرانس بین المللی فن آوری های نظامی . Stefek, A., Jalovecky, R., Eds. دانشگاه دفاع: برنو، جمهوری چک، 2010; ص 551-559. [ Google Scholar ]
  19. Malczewski، J. GIS و تجزیه و تحلیل تصمیم گیری چند معیاره . جان وایلی: نیویورک، نیویورک، ایالات متحده آمریکا، 1999. [ Google Scholar ]
  20. Saaty، TL نحوه تصمیم گیری – فرآیند تحلیل سلسله مراتبی. رابط ها 1994 ، 24 ، 19-43. [ Google Scholar ] [ CrossRef ]
  21. MoD-GeoS. Catalog of the Topographic Objects DMU2 , 7.3 ed.; وزارت دفاع جمهوری چک، سرویس جغرافیایی: دوبروسکا، جمهوری چک، 2010.
  22. CUZK. اداره دولتی نقشه برداری و کاداستر، دفتر نقشه برداری اراضی. محصولات و خدمات نقشه. در دسترس آنلاین: https://geoportal.cuzk.cz/ (دسترسی در 15 اکتبر 2017).
  23. Novák، P. پایگاه داده خاک. در Účelová databáze PŮDY, Příručka uživatele ; Vojenský zeměpisný ústav: Praha، جمهوری چک، 2000. (به زبان چک) [ Google Scholar ]
  24. اسری. مستندات کاربر ArcGIS ; حق نشر © 1995–2013 Esri: Redlands, CA, USA, 2013. [ Google Scholar ]
  25. پوکونیچنی، ک. Mościcka، A. تأثیر شکل و اندازه سلول در توسعه نقشه های قابلیت عبور نظامی. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 261. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  26. هسترا، اچ. Pahernik، M. عوامل فیزیکی-جغرافیایی ترددپذیری زمین وسایل نقلیه نظامی با توجه به روش‌شناسی جهان غرب. هروات. شیشه جئوافسکی جئوگر کرواتی گاو نر 2018 ، 80 ، 5-31. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. هوباچک، ام. آلماسیوا، ال. برنوا، م. بورس، م. مرتووا، ای. ارزیابی کیفیت نقشه های خاک و امکان استفاده از آنها برای محاسبه تحرک وسیله نقلیه. در منطقه اروپای مرکزی از نظر جغرافیای کنونی ; Masarykova Univerzita: برنو، جمهوری چک، 2016; صص 99-110. [ Google Scholar ]
  28. هوباچک، ام. کوواریک، وی. کراتوچویل، V. تجزیه و تحلیل تأثیر ناهمواری زمین بر دقت DEM تولید شده از LIDAR در قلمرو جمهوری چک. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2016 ، 41 ، 25-30. [ Google Scholar ] [ CrossRef ]
  29. هوباچک، ام. آلماسیوا، ال. دژمل، ک. مرتووا، ای. ترکیب انواع داده های مختلف برای ارزیابی قابلیت عبور خاک. نکات سخنرانی در اطلاعات جغرافیایی و کارتوگرافی. در ظهور داده های بزرگ فضایی ; Springer: Ostrava، جمهوری چک، 2017; صص 69-84. [ Google Scholar ] [ CrossRef ]
  30. پروچازکا، ج. Prochazkova, D. مشکلات خطرات تلفن همراه در قلمرو. در ایمنی و قابلیت اطمینان – جوامع ایمن در جهان در حال تغییر. در مجموعه مقالات بیست و هشتمین کنفرانس بین المللی سالانه بین المللی ایمنی و قابلیت اطمینان اروپا (ESREL)، تروندهایم، نروژ، 17 تا 21 ژوئیه 2018 ؛ گروه تیلور فرانسیس: ابینگدون، بریتانیا، 2018; پ. 1783. [ Google Scholar ]
  31. ساموئل، م. برجیا، آر. دوموتا، سی. بونگاو، اس. سنوسا، ن. Tit، DM شاخص های آنزیمی کیفیت خاک. جی. محیط زیست. Prot. Ecol. 2017 ، 18 ، 871-878. [ Google Scholar ]
  32. ساموئل، م. Tit، DM; Melinte (Frunzulica)، CE; ایوان، سی. پورزا، ال. گیته، م. Bungau، S. ارزیابی آنزیمی و فیزیکوشیمیایی اثرات شیوه های مدیریت خاک. کشیش چیم. 2017 ، 68 ، 2243-2247. [ Google Scholar ] [ CrossRef ]
  33. تالهوفر، وی. هافمن، ا. کراتوچویل، وی. هوباچک، م. Zerzán، P. راستی‌آزمایی مدل‌های تحلیلی دیجیتال: مطالعه موردی جنبش بین‌المللی. در مجموعه مقالات کنفرانس بین المللی فناوری های نظامی 2015 (ICMT)، برنو، جمهوری چک، 19 تا 21 مه 2015؛ کریوانک، وی.، ویرایش. دانشگاه دفاع: برنو، جمهوری چک، 2015; ص 203-210. [ Google Scholar ]
  34. تالهوفر، وی. Hošková-Mayerová، Š. هافمن، الف. کیفیت داده های مکانی در سیستم فرماندهی و کنترل. در مطالعات سیستم ها، تصمیم گیری و کنترل ; انتشارات بین المللی اسپرینگر: چم، سوئیس، 2018; جلد 168. [ Google Scholar ] [ CrossRef ]
  35. کونکنی، م. Reinhardt, W. هشدار اولیه و مدیریت بلایا: اهمیت اطلاعات جغرافیایی (بخش B). بین المللی جی دیجیت. زمین 2010 ، 3 ، 313-315. [ Google Scholar ] [ CrossRef ]
  36. ساعتی، TL فرآیند تحلیل سلسله مراتبی ; McGraw-Hill: نیویورک، نیویورک، ایالات متحده آمریکا، 1980. [ Google Scholar ]
  37. گابوس، ا. Fontela، E. مشکلات جهان دعوت به تفکر بیشتر در چارچوب DEMATEL . مرکز تحقیقات Battelle Geneva: ژنو، سوئیس، 1972; صص 1-8. [ Google Scholar ]
  38. رضایی، ج. بهترین- بدترین روش تصمیم گیری چند معیاره. امگا 2015 ، 53 ، 49-57. [ Google Scholar ] [ CrossRef ]
  39. پاموچار، دی. ژلیکو، اس. Siniša, S. مدلی جدید برای تعیین ضرایب وزنی معیارها در مدل های MCDM: روش سازگاری کامل (FUCOM). Symmetry 2018 , 10 , 393. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ijgi 09 00489 g001 550
شکل 1. حوزه مسئولیت برای تجزیه و تحلیل امکان استقرار سایت ضد عفونی (DS).
Ijgi 09 00489 g002 550
شکل 2. فایل رستری شیب های طبقه بندی شده مجدد.
Ijgi 09 00489 g003 550
شکل 3. فایل رستری ماسک شیب شیب.
Ijgi 09 00489 g004 550
شکل 4. نمونه ای از تنظیم مقادیر وزن فایل های ورودی جداگانه برای ابزار Weighted Overlay ( a ) و ماشین حساب رستر برای محاسبه ماسک شیب های بالای 5 درجه ( b ).
Ijgi 09 00489 g005 550
شکل 5. نقشه هزینه نهایی پتانسیل چشم انداز برای استقرار DS.
Ijgi 09 00489 g006 550
شکل 6. نقشه هزینه نهایی پتانسیل چشم انداز برای استقرار DS به تفصیل.
Ijgi 09 00489 g007 550
شکل 7. توزیع تقاطع مقادیر مناسب برای مقدار 10 در منطقه Jedovnice AOI.
Ijgi 09 00489 g008a 550 Ijgi 09 00489 g008b 550
شکل 8. توزیع تقاطع مقادیر مشابه مناسب برای استقرار DS در ناحیه AOI برای مقادیر ( a ) ≥ 9، ( b ) ≥ 8، ( c ) ≥ 7، ( d ) ≥ 6.
Ijgi 09 00489 g009 550
شکل 9. چشم انداز در منطقه Jedovnice و وضعیت توپوگرافی [ 22 ].
Ijgi 09 00489 g010a 550 Ijgi 09 00489 g010b 550 Ijgi 09 00489 g010c 550 Ijgi 09 00489 g010d 550
شکل 10. لایه های ورودی مجدد طبقه بندی شده برای MCA در منطقه Jedovnice: ( الف ) شیب شیب، ( ب ) انواع خاک، ( ج ) جاده ها، ( د ) پوشش گیاهی، ( ه ) هیدرولوژی، ( f ) مناطق ساخته شده.
Ijgi 09 00489 g011a 550 Ijgi 09 00489 g011b 550
شکل 11. نقشه های هزینه ورودی پتانسیل چشم انداز برای استقرار DS برای انواع MCA از منطقه Jedovnice: ( الف ) کارشناسان، ( ب ) نظریه پردازان، ( ج ) Var. 3، ( د ) جفت، ( ه ) MES، ( f ) ساعتی.
Ijgi 09 00489 g012a 550 Ijgi 09 00489 g012b 550
شکل 12. تفاوت در نقشه های هزینه پتانسیل چشم انداز برای استقرار DS برای انواع MCA از منطقه Jedovnice در رابطه با نوع Experts: ( الف ) نقشه هزینه کارشناسان، ( ب ) تفاوت با نوع نظریه پردازان، ( ج ) تفاوت با Var . 3 نوع، ( d ) تفاوت با نوع جفت، ( ه ) تفاوت با نوع MES، ( f ) تفاوت با نوع Saaty. افسانه: قرمز نشان دهنده تفاوت -1، سبز تفاوت +1، مناطق سفید یکسان است.
Ijgi 09 00489 g013a 550 Ijgi 09 00489 g013b 550
شکل 13. توزیع تقاطع مقادیر مناسب در ناحیه AOI در منطقه Jedovnice: ( a ) برای مقدار 10، ( b ) برای مقادیر 10 a 9، ( c ) برای مقادیر 10، 9 a 8، ( د ) برای مقادیر 10، 9، 8 a 7، ( e ) برای مقادیر 10، 9، 8، 7 a 6.

آزمون کارشناسی ارشد و دکتری

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید