روستاهای تاریخی میراث فرهنگی بسیار آسیب پذیری هستند. حفظ آنها را می توان به لطف نوآوری های تکنولوژیکی در زمینه ژئوماتیک و سیستم های اطلاعاتی تضمین کرد. در این میان، سیستم‌های اطلاعات جغرافیایی (GIS) امکان بهره‌برداری از داده‌های ناهمگن را برای ارزیابی آسیب‌پذیری کارآمد، از نظر زمان و قابلیت استفاده، فراهم می‌کنند. ویژگی‌های هندسی، که در حال حاضر عمدتاً با بازرسی‌های بصری استنباط می‌شوند، می‌توانند از داده‌های به‌دست‌آمده توسط فناوری‌های ژئوماتیک برون‌یابی شوند. علاوه بر این، ادغام با داده های غیر متریک، توصیف کامل تری از نقشه موضوعی خطر پس لرزه ای را تضمین می کند. در این مقاله، یک سیستم اطلاعاتی با کارایی بالا برای واقعیت‌های شهری کوچک، مانند روستاهای تاریخی، تشریح می‌شود. با شروع بررسی سه بعدی به دست آمده از طریق مدیریت یکپارچه حسگرهای ژئوماتیکی نوآورانه اخیر، مانند وسایل نقلیه هوایی بدون سرنشین (UAV)، اسکنرهای لیزری زمینی (TLS)، و تصاویر 360 درجه. نتایج نشان می‌دهد که راهبرد پیشنهادی استخراج خودکار پارامترها از GIS را می‌توان به سایر مطالعات موردی تعمیم داد، بنابراین روشی ساده برای افزایش تصمیم‌گیری مدیریت‌های دولتی را نشان می‌دهد. علاوه بر این، این کار اهمیت مدیریت داده‌های مکانی ناهمگن برای سرعت بخشیدن به فرآیند ارزیابی آسیب‌پذیری را تأیید می‌کند. نتیجه نهایی، در واقع، یک سیستم اطلاعاتی است که می تواند برای هر روستایی که داده ها به روشی مشابه به دست آمده است، استفاده شود. این اطلاعات را می توان با استفاده از یک برنامه GIS که امکان به روز رسانی پایگاه داده جغرافیایی را فراهم می کند، در میدان مورد استفاده قرار داد. بهبود کار تکنسین ها این رویکرد در Gabbiano (Pieve Torina)، روستایی در مرکز ایتالیا که در سال‌های 2016 و 2017 تحت تأثیر زلزله قرار گرفت، تأیید شد.

کلید واژه ها:

روستاهای تاریخی ; تکنیک های ژئوماتیک ؛ GIS _ مدیریت چند داده ؛ ارزیابی لرزه ای ; حفظ

1. مقدمه

روستاهای تاریخی که اغلب به دلیل ارزش فرهنگی و معماری خود یک جاذبه توریستی را نشان می دهند [ 1 ]، به دلیل آسیب پذیری های ذاتی خود تغییر ناپذیر نیستند و اغلب توسط بلایای طبیعی تهدید می شوند. به همین دلیل است که انسان ها برای حفظ این میراث هنری و فرهنگی سرمایه گذاری زیادی می کنند. حفظ چنین اماکنی قبل از هر چیز به معنای سند و دانش است. ابزار دستیابی به این هدف بلندپروازانه شامل نقشه‌برداری و دیجیتالی کردن ساختمان‌های موجود و اجرای مداخلات و پروژه‌هایی با هدف حفاظت از آنها است [ 2 , 3 ].]. در مورد روستاهای تاریخی، این میراث فرهنگی به شدت آسیب پذیر است و حفظ آنها مسابقه ای با زمان است. بنابراین، نیاز به انجام این فرآیند تا حد امکان کارآمد و سریع وجود دارد. نوآوری های تکنولوژیکی اخیر می تواند این فرآیند را از طریق تکنیک های ژئوماتیک [ 4 ] و سیستم های اطلاعاتی [ 5 ] تقویت کند.
تصادفی نیست که موضوعاتی مانند سکونتگاه های شهری ایمن و تاب آور و همچنین اقدامات پیشگیری از خطرات مرتبط با بلایای طبیعی در فهرست اهداف توسعه پایدار دستور کار 2030 گنجانده شده است که به ترتیب توسط کشورهای عضو سازمان ملل امضا شده است. SDG شماره 11 و 13 [ 6 ]. این نشان می‌دهد که این رویکردی مرتبط با یک منطقه خاص نیست، بلکه به سایر کشورها نیز مربوط می‌شود، و بنابراین، این فرآیند حفاظت می‌تواند و باید برای همه واقعیت‌های آسیب‌پذیر، مانند روستاهای تاریخی ایتالیایی که در معرض خطر زلزله هستند، تکرار شود.
در طول 70 سال گذشته، بیش از 10000 قربانی پدیده های هیدروژئولوژیکی و لرزه ای در ایتالیا ثبت شده است. خسارت اقتصادی در همان دوره حدود 290 میلیارد یورو برآورد شده است که میانگین سالانه آن حدود 4 میلیارد یورو است که در طول زمان افزایش می یابد [ 7 ]. برای این منظور، در سپتامبر 2016، دولت ماموریت کازا ایتالیا را راه اندازی کرد [ 8]، برنامه ای چند ساله برای ارتقای ایمنی کشور در مواجهه با مخاطرات طبیعی. علاوه بر این، مداخله برای ارتقای ایمنی به معنای کاهش آسیب احتمالی رویدادهای آینده است. از نقطه نظر زیست محیطی، با کار بر روی کیفیت انبارهای ساختمانی اغلب قدیمی، می توان همزمان ایمنی کلی سیستم های شهری را بهبود بخشید. از منظر فرهنگی، پدیده‌های لرزه‌ای، رانش زمین و سیل نه تنها انسان‌ها و اشیاء را تخریب می‌کنند، بلکه بخش‌هایی از میراث فرهنگی را که در جهان بی‌نظیر هستند، تخریب می‌کنند. از منظر اقتصادی، یک برنامه گسترده اقدامات در بخش مسکن، بر سایر بخش‌ها مانند ساخت‌وساز که از نظر ساختاری در بحران است، اثر مضاعفی خواهد داشت.
با تشکر از کار مشترک نهادهای عمومی ایتالیا، مانند Istituto Nazionale di Statistica (ISTAT)، Istituto Nazionale di Geofisica e Vulcanologia (INGV)، Istituto Superiore per la Protezione e la Ricerca Ambientale (ISPRA) و Ministryo per i Beni e le Attività Culturali (MiBAC)، اولین نقشه از خطرات شهرداری های ایتالیا (به روز شده در سال 2018) با هدف ارائه تصویری به روز از شهرداری های ایتالیا بر اساس متغیرها و شاخص های کیفیت ترسیم شده است که امکان مرور کلی از خطرات را فراهم می کند. قرار گرفتن در معرض رویدادهای طبیعی از طریق ادغام داده ها از منابع سازمانی مختلف [ 9]. این نقشه بر روی یک پلت فرم منبع باز سیستم اطلاعات جغرافیایی (GIS) ترسیم شده است، یک سیستم اطلاعاتی که داده ها و اطلاعات مربوط به مناطق مختلف در معرض خطرات طبیعی مختلف را مدیریت و ذخیره می کند.
علاوه بر این، در سال های اخیر، در ایتالیا، به روز رسانی قابل توجهی از مقررات فنی (NTC 2018 [ 10 ]) کارهای مهندسی عمران، که مطابق با مقررات فنی اروپا (Eurocodes) است، و پیشرفت های انجام شده توسط علم و فناوری طی فجایع اخیر ملی و بین المللی، ابزارهای شناختی با قابلیت اطمینان بالایی را در دست طراحان قرار داده است. اینها مقررات حاکم بر طراحی، اجرا و آزمایش ساختمان ها به منظور تضمین ایمنی عمومی در سطوح ایمنی تعیین شده هستند. این مقررات همچنین به لطف استفاده از یک برگه فنی ویژه، برگه Agibilità e Danno nell’Emergenza Sismica (AeDES) به طور مداوم به روز می شوند [ 11] که توسط اداره حفاظت شهری برای تشخیص خسارت، تعریف اقدامات اضطراری و ارزیابی پس لرزه ای و در نتیجه آسیب پذیری ساختمان ها تدوین شده است. در این رویکرد، منطقه آسیب پس از زلزله با بازرسی های بصری توسط متخصصان ماهر، از جمله ارزیابی کارشناسان از آسیب ها، وسعت آنها، و امکان مربوط به تعمیر و بازسازی، تجزیه و تحلیل می شود [ 12 ].
با توجه به موارد فوق، شکاف ها و چالش های پژوهشی زیر برجسته می شوند:
  • پلت فرم منبع باز GIS که برای نقشه های خطر داده های آرشیو شهرداری های ایتالیا استفاده می شود، فقط به مقیاس شهرداری اشاره دارد. بنابراین، به جزئیات هر ساختمانی که واقعیت شهری واحد را تشکیل می دهد نمی پردازد. به منظور تضمین نمایش دقیق‌تر محیط ساخته شده، هر دفتر فنی شهرداری، به‌ویژه آن‌هایی که روستاهای تاریخی کوچک هستند، باید بتوانند نقشه GIS تهیه کنند که سپس می‌تواند به نقشه ملی مرتبط شود.
  • چنین نقشه‌برداری GIS از خطرات شهرداری‌های ایتالیا فقط در صفحه دو بعدی نشان داده می‌شود. نمایش سه‌بعدی واقعیت‌های شهری فردی، دید کلی بهتری از حجم ساختمان‌ها ارائه می‌دهد و اطلاعات دقیق‌تری را امکان‌پذیر می‌کند. این را می توان از طریق استفاده از ابزارهای نقشه برداری ژئوماتیک، که امکان تولید مدل های سه بعدی ساختمان ها (مدل های سطح دیجیتال (DSM)) و قلمرو (مدل های زمین دیجیتال (DTM)) را فراهم می کند، تضمین می شود.
  • برگه های داده AeDES اسنادی هستند که در طی بررسی های درجا از ساختمان ها جمع آوری می شوند و عمدتاً به بازرسی های بصری سپرده می شوند. پس از کامپایل، آنها در پایگاه داده ای که توسط حفاظت مدنی مدیریت می شود ذخیره می شوند و با شهرداری ها به اشتراک گذاشته می شوند. دومی اغلب با نقشه GIS شهری ارائه نمی شود. درج یا اتصال این اسناد به یک سیستم GIS اطلاعات مفید را برای به دست آوردن نقشه شهری دقیق تر و دقیق تر (همیشه با در نظر گرفتن مسئله حریم خصوصی برای حفاظت از مالکیت خصوصی ساختمان ها) غنی می کند و در نتیجه نمایش بهتری ارائه می دهد. از آسیب پذیری ها
در این راستا، هدف این کار پژوهشی مقابله با چالش‌های ذکر شده در بالا، با توسعه یک سیستم اطلاعاتی با کارایی بالا برای واقعیت‌های شهری کوچک، مانند روستاهای تاریخی، با شروع بررسی سه‌بعدی به‌دست‌آمده از طریق مدیریت یکپارچه نوآوری‌های اخیر است. حسگرهای ژئوماتیک مانند وسیله نقلیه هوایی بدون سرنشین (UAV)، اسکنر لیزری زمینی (TLS) و تصاویر 360 درجه. به عبارت دیگر، این مطالعه با هدف بهره‌برداری کارآمد از داده‌های ژئوماتیک ناهمگن از نظر زمان و قابلیت استفاده با استفاده از نرم‌افزار متن‌باز Quantum GIS (QGIS) انجام شده است. مکمل این، این مقاله روش جدیدی را توسعه می دهد که به طور خودکار بخشی از پارامترهای مورد نیاز برای ارزیابی آسیب پذیری ساختمان ها، در این مورد برای ارزیابی پس از زلزله استخراج می شود. نتایج نشان می‌دهد که استراتژی پیشنهادی استخراج خودکار پارامترها از GIS را می‌توان به مطالعه موردی دیگر تعمیم داد، بنابراین یک روش ساده برای افزایش تصمیم‌گیری توسط ادارات دولتی نشان می‌دهد. علاوه بر این، این کار اهمیت مدیریت داده‌های مکانی ناهمگن برای سرعت بخشیدن به ارزیابی آسیب‌پذیری را تأیید می‌کند. در نهایت، رویکرد پیشنهادی از روش بازرسی بصری بهتر عمل می‌کند، زیرا داده‌ها را قابل اعتمادتر و مبتنی بر تحلیل‌های کمی می‌کند. این کار اهمیت مدیریت داده‌های مکانی ناهمگن برای سرعت بخشیدن به ارزیابی آسیب‌پذیری را تأیید می‌کند. در نهایت، رویکرد پیشنهادی از روش بازرسی بصری بهتر عمل می‌کند، زیرا داده‌ها را قابل اعتمادتر و مبتنی بر تحلیل‌های کمی می‌کند. این کار اهمیت مدیریت داده‌های مکانی ناهمگن برای سرعت بخشیدن به ارزیابی آسیب‌پذیری را تأیید می‌کند. در نهایت، رویکرد پیشنهادی از روش بازرسی بصری بهتر عمل می‌کند، زیرا داده‌ها را قابل اعتمادتر و مبتنی بر تحلیل‌های کمی می‌کند.
یادآوری مقاله به شرح زیر است: بخش 2 یک نمای کلی در مورد استفاده از ابزارهای GIS برای مدیریت اضطراری اعمال شده در محیط شهری را نشان می دهد و نشان می دهد که چگونه داده ها برای ارزیابی ساختمان پس از رویدادهای لرزه ای جمع آوری می شوند. بخش 3 مطالعه موردی را معرفی می‌کند و مراحل روش‌شناسی کار، از جمع‌آوری داده‌ها از طریق یکپارچه‌سازی تکنیک‌های ژئوماتیک تا مدیریت چند داده در یک ابزار GIS منبع باز را شرح می‌دهد. بخش 4 نتایج به‌دست‌آمده را برجسته می‌کند که در بخش 5 مورد بحث قرار می‌گیرد ، جایی که نتیجه‌گیری و کارهای آتی نیز مشخص شده است.

2. آثار مرتبط

پلتفرم‌های GIS محفظه‌هایی برای اطلاعات مکانی هستند که وقتی به درستی مدیریت شوند، منجر به ایجاد سیستم‌های داده با قابلیت جستجو، تا ایجاد محصولات نقشه‌برداری در مقیاس‌های مختلف سرزمینی (مانند نقشه‌های ژئومحیطی) و برای اهداف مختلف می‌شوند (مثلاً نقشه های موضوعی). ادبیات مجموعه‌ای از آثار بهره‌برداری از GIS را برای چندین حوزه، از جمله باغ‌های خصوصی/عمومی [ 13 ]، تحلیل فضایی [ 14 ]، تصمیم‌گیری [ 15 ] و نیروگاه‌های فتوولتائیک [ 16 ، 17 ] ارائه می‌کند. به عبارت دیگر، GIS امکان تجسم، ترکیب و مدیریت داده‌های ناهمگن از منابع شبکه حسگر تکنیک‌های مختلف اکتساب را فراهم می‌کند، تا حدی که به اشتراک گذاری داده‌ها و قابلیت همکاری را تضمین می‌کند.18 ]. امروزه، طرح‌های مدیریت اضطراری یا اقدامات حفاظتی در سطح ساختمان به داده‌های سه بعدی، تصاویر فتوگرامتری با وضوح بالا، داده‌های کاداستر، داده‌های برنامه‌ریزی شهری، نقشه‌برداری ساختمان (فقط به ذکر برخی) سپرده می‌شوند که تاکنون عمدتاً به صورت دستی انجام می‌شده است. نمونه ای از این قابلیت همکاری در زمینه حفاظت از میراث را می توان در کارهای انجام شده توسط سانچز-آپاریسیو و همکاران یافت. [ 19 ] که بر روی آن یک پلت فرم GIS ایجاد شده است که قادر به ادغام ابرهای نقطه سه بعدی، تصاویر 360 درجه، فرم های بازرسی و یک شبکه حسگر بی سیم برای مدیریت حفاظت پیشگیرانه از مکان های میراث است.
در سطح شهری، مدیریت طرح های اضطراری می تواند به عنوان یک اولویت در نظر گرفته شود زیرا اطلاعات لازم را برای طراحی اقدامات پیشگیری و کاهش می دهد. در زمینه ایمنی شهری، خطرات لرزه ای، آتش سوزی و سیل که می تواند عواقب جدی ایجاد کند، ناگزیر باید برای برنامه ریزی اقدامات پیشگیرانه و اتخاذ تدابیر حفاظتی برای جمعیت مورد توجه قرار گیرد .]. ادغام طرح‌های ریسک در یک پلت‌فرم GIS نشان‌دهنده یک راه‌حل کارآمد و مؤثر برای کاهش ریسک در مقیاس شهری است که به مقامات اداری اجازه می‌دهد تا مداخلاتی را برای استراتژی‌های برنامه‌ریزی اضطراری دقیق‌تر و جامع‌تر تعریف کنند. اورتیز و همکاران در مطالعات خود بر روی مرکز تاریخی سویا (اسپانیا) از یک چارچوب GIS برای طراحی نقشه‌های ریسک از طریق تجزیه و تحلیل فضایی خطرات (ساختاری، محیطی، انسانی)، نقشه‌های آسیب‌پذیری و آزمون توصیف استفاده می‌کنند [ 21 , 22 ].]. ادغام تمام این اطلاعات امکان ایجاد یک استراتژی مناسب برای اولویت بندی تلاش های حفظ را فراهم می کند. در همین راستا، سها و همکاران. از پلت فرم GIS برای ایجاد یک نقشه حساسیت چند خطر برای ارزیابی یک سایت میراث فرهنگی در منطقه هیمالیا (هند) استفاده می کند [ 23 ].
با توجه به خطر لرزه ای، بسیاری از کاربردهای مدیریت داده از طریق یک پلت فرم GIS را می توان با انگیزه تطبیق پذیری آن، و به ویژه به دلیل روش منبع باز به اشتراک گذاری اطلاعات (مانند QGIS، WebGIS) در ادبیات یافت. ارزیابی آسیب‌پذیری لرزه‌ای، تاب‌آوری شهری، و استراتژی‌های بازیابی تا حد زیادی با GIS انجام شده است تا ویژگی‌های گونه‌شناختی ساختمان‌های بررسی‌شده به دست آید. به عنوان مثال، در [ 24 ]، نویسندگان روشی را برای ایجاد نقشه لرزه ای پیشنهاد کردند که ارزیابی ها و آسیب پذیری ساختمان را شناسایی می کند. علاوه بر این، یک روش ارزیابی ریسک لرزه ای در سطح ناحیه توسط [ 25 ] پیشنهاد شده است]. این مدل آسیب‌پذیری لرزه‌ای را با استفاده از GIS برای تعریف نقشه آسیب‌پذیری ارزیابی می‌کند. همچنین یک سیستم اطلاعات جغرافیایی برای بررسی آسیب‌پذیری لرزه‌ای شهر تهران در برابر زلزله با در نظر گرفتن دسته‌های مختلف اطلاعات توسط [ 26 ] و یک روش GIS-گرا با استفاده از پارامترهای زمین‌شناسی و ژئوتکنیکی و همچنین آسیب‌پذیری ساختمان‌ها و اثرات پیشنهاد شده است. فروپاشی آنها توسط [ 27 ] پیشنهاد شده است. یک خواننده علاقه مند می تواند آزمایش های مشابهی را در [ 28]، که در آن نویسندگان یک نقشه متقابل در مورد آسیب پذیری، سناریوهای آسیب و قرار گرفتن در معرض ساختمان ها بر اساس یک روش چند سطحی برای پیشگیری از بلایای زلزله تعریف کردند. همین رویکرد توسط سالازار و فریرا اتخاذ شد که مؤلفه‌های چندگانه خطر لرزه‌ای را که باید در ابزار GIS مدیریت شود، تأیید کرد [ 29 ]. پلت فرم GIS همچنین برای برنامه ریزی مداخلات ایمنی و مسیرهای بهینه برای دسترسی به یک منطقه خاص مناسب و مفید است. تازگی اصلی در این مورد، تخصیص اولویت ها بود [ 30 ]. در مورد خاص تحلیل لرزه‌ای ساختمان‌ها، مطالعات متعددی وجود دارد که به موضوع آسیب‌پذیری لرزه‌ای بر روی تعدادی از پارامترها که ویژگی‌های ساختمان فردی را توصیف می‌کنند، می‌پردازد [ 31 ، 32 ]]. این مطالعات معمولاً توسط بخش مهندسی سازه انجام می شود که تجزیه و تحلیل خاصی از پایداری ساختمان انجام می دهد. نتایج به‌دست‌آمده از این تحلیل‌ها برای نقشه‌برداری ارزیابی لرزه‌ای ساختمان‌ها در یک سکونتگاه شهری مفید است و تنها در موارد معدودی از ابزار GIS برای ترسیم نقشه‌های موضوعی استفاده می‌شود [ 33 ]. شایان ذکر است کارهای انجام شده توسط Indirli et al. که در آن آنها استفاده از یک رویکرد GIS پشتیبانی شده توسط فناوری اسکن لیزری و کارهای میدانی (فرم‌های AeDES) را به عنوان یک ابزار بررسی سریع برای موجودی‌های ساختمان‌های قبل/پس از زلزله در منطقه آبروزو ایتالیا پیشنهاد می‌کنند [ 34 ، 35 ].
در مقایسه با این آثار قبلی، هدف کار حاضر بهبود در سطوح مختلف است:
1.
ادغام تکنیک های ژئوماتیک اضافی، مانند استفاده از رویکرد ساختار از حرکت (SfM) برای ایجاد ابرهای نقطه سه بعدی با وضوح بالا یا استفاده از تصاویر 360 درجه برای تولید محیط های مجازی سریع برای پشتیبانی از بازرسی ها.
2.
استخراج خودکار پارامترها و ویژگی های هندسی مورد نیاز برای ارزیابی خطر لرزه ای؛
3.
استفاده از برنامه GIS برای پشتیبانی از جمع آوری داده ها در محل.

3. مواد و روشها

هدف این کار اجرای یک رویکرد مبتنی بر GIS است که داده‌های بررسی‌های ژئوماتیک و سایر داده‌های غیر متریک را برای ارزیابی ساختمان یک روستای تاریخی پس از رویدادهای لرزه‌ای ترکیب می‌کند. به طور خاص، ابرهای نقطه ای از LIDAR (تشخیص نور و محدوده) و بررسی های فتوگرامتری از پهپادها (وسایل نقلیه هوایی بدون سرنشین) به دست می آیند. آنها با استفاده از GCP ها (نقاط کنترل زمینی)، که از نظرسنجی های GNSS (سیستم ناوبری جهانی ماهواره ای) به دست می آیند، و ترکیب می شوند. اسکنر لیزری مورد استفاده مجهز به یک دوربین دیجیتال است که تصاویر 360 درجه را ارائه می دهد. به عنوان خروجی های مرحله پردازش داده ها، ارتفتو از داده های فتوگرامتری تولید می شود، در حالی که DSM (مدل سطح دیجیتال)، DTM (مدل زمین دیجیتال)، و خطوط ساختمان از ابر نقطه واحد استخراج می شوند. سپس، عکس‌های ارتو، DSM، DTM، خطوط ساختمان، ابر نقطه یکپارچه، تصاویر 360 درجه و برگه های AeDES با هم جمع آوری شده و در یک GIS منبع باز (QGIS) گنجانده شده اند. در نهایت، DSM، DTM و خطوط ساختمان برای خودکارسازی استخراج اطلاعات مربوط به پارامترهای هندسی مربوط به ساختمان‌ها، از طریق اسکریپت‌های پایتون توسعه‌یافته توسط نویسندگان که با داده‌ها و اشیاء در QGIS در تعامل هستند، مورد سوء استفاده قرار می‌گیرند.
این خط لوله روش، که در بالا توضیح داده شد، در شکل 1 خلاصه شده است .

3.1. مطالعه موردی

دهانه لرزه ای تعریف شده در پی زمین لرزه های اخیری که ایتالیای مرکزی (2016، 2017) را لرزاند، یک منطقه بسیار بزرگ شامل 140 شهرداری در چهار منطقه ایتالیا را پوشش می دهد، منطقه ای که با شاخص خطر لرزه ای بالا طبقه بندی شده است ( شکل 2 ). این منطقه با بافتی عمدتاً تپه‌ای و کوهستانی با ارزش چشم‌انداز بسیار مشخص می‌شود و واقعیت‌های شهری موجود عمدتاً توسط روستاهای کوچک نشان داده می‌شود که نمونه‌ای از میراث ملموس به دلیل غنای تاریخی، معماری و سنتی-مردمی خود هستند. دیدن این شهرهای کوچک از دست رفته و رها شده، نه تنها از نظر گردشگری، بلکه از نظر فرهنگی و اقتصادی نیز ضرر بزرگی برای کشور خواهد بود.
روستای Gabbiano (Pieve Torina)، واقع در دهانه زمین لرزه در منطقه Marche ( شکل 2 )، به عنوان مطالعه موردی برای این پروژه تحقیقاتی در اجرای یک سیستم GIS چند داده ای برای ارزیابی ساختمان شناسایی شد. این روستا در دامنه‌ای کوچک قرار دارد و در یک هسته شهری کوچک، از حدود 21 واحد ساختمانی در 12 خوشه، از ساختمان‌های دو تا سه طبقه تشکیل شده است. این ساختمان ها با سنگ تراشی نامنظم دو یا سه برگی که توسط سازه ای چوبی با کاشی و سرامیک پوشانده شده است، ساخته شده اند.
پس از رخدادهای لرزه ای، روستا متحمل خسارات قابل توجهی شده است که بخشی از سازه ها فرو ریخته است که مکانیسم های درون صفحه و خارج از صفحه را نشان می دهد ( شکل 3 ) و همچنان منطقه ای در معرض خطر و در نتیجه خالی از سکنه است. استفاده از راهبردهای سنجش از دور برای تولید داده های مورد نیاز برای ارزیابی پس از زلزله.

3.2. مستندات فنی

در ایتالیا، کمپین های بازرسی انجام شده توسط حفاظت مدنی با کمک تشخیص آسیب سطح اول، مداخله اضطراری و فرم ارزیابی قابلیت استفاده برای ساختمان های معمولی در شرایط اضطراری پس از لرزه (AeDES) [ 11 ، 36 ] انجام می شود. صفحات AeDES برای اولین بار توسط منطقه Marche در نسخه اصلی خود در طول زلزله Umbria-Marche در سال 1997 استفاده شد. بنابراین در طول زلزله 2009 آبروزو و متعاقباً در زلزله 2012 امیلیا مورد استفاده قرار گرفت و بنابراین نه تنها بالفعل بلکه به یک ابزار مرجع رسمی برای بررسی سریع خسارات، تعریف خسارت، تعریف اقدامات اضطراری و پس از آن تبدیل شد. ارزیابی لرزه ای ساختمان های معمولی [ 11 ].
این برگه اطلاعات فنی برای ارزیابی وضعیت ساختمان استفاده می شود و از 8 بخش تشکیل شده است که ساختار آن به شرح زیر است:
1.
شناسنامه ساختمان در این بخش ساختمان با مختصات جغرافیایی و اطلاعات کاداستر پیدا می شود. علاوه بر این، نقشه سنگدانه سازه و شناسایی ساختمان مورد نیاز است.
2.
توضیحات ساختمان شماره طبقات، ارتفاع متوسط ​​طبقه، میانگین متر مربع برای هر طبقه، تاریخ تقریبی ساخت، نوع استفاده و غیره در بخش 2 مورد نیاز است .
3.
گونه شناسی ساختاری. شرح قطعات ساختاری عمودی و قطعات ساختاری افقی.
4.
آسیب به عناصر سازه ای و اقدامات اضطراری قبلاً انجام شده است. این بخش باید شامل میزان آسیب هر عنصر سازه ای و نوع اقداماتی باشد که قبلاً انجام شده است.
5.
آسیب به عناصر غیرسازه ای و اقدامات اضطراری که قبلاً انجام شده است.
6.
خطر خارجی ناشی از سایر ساخت و سازها، شبکه ها، شیب ها و اقدامات اضطراری انجام شده.
7.
خاک و پی. در صورت وجود شیب و آسیب به پی در این قسمت باید گزارش شود.
8.
ارزیابی دسترسی با ارزیابی خطرات، تکنسین باید بتواند تصمیم بگیرد که آیا ساختمان در دسترس است یا خیر.
همانطور که مشاهده می شود، تمام این داده ها از طریق بازرسی بصری در محل توسط اپراتورهای واجد شرایط وارد می شود. آنها عمدتاً داده های غیر متریک هستند، اما برخی از این اطلاعات مورد نیاز را می توان با پشتیبانی از ابزارهای geomatics مستندسازی کرد و برای ایجاد نقشه بر روی سیستم های اطلاعاتی، مانند GIS، جمع آوری کرد.

3.3. اکتساب و پردازش داده ها

همانطور که در قسمت قبل بیان شد، بخشی از پارامترهای مورد استفاده در روش AeDES، بر لزوم داشتن داده های هندسی (یعنی اندازه گیری) ساختمان ها دلالت دارد. مطابق با آن، ما یک استراتژی کارآمد برای مجازی سازی روستا با استفاده از رویکردهای پیشنهاد شده توسط پروژه حفاظت پیشگیرانه اروپایی HeritageCARE [ 37 ] پیشنهاد می کنیم، یعنی:
1.
فتوگرامتری با پهپاد برای دیجیتالی کردن سقف ساختمان.
2.
اسکن لیزری زمینی و تصاویر کروی برای دیجیتالی کردن پوشش عمودی ساختمان ها.
تمام این روش ها با استفاده از نقاط GNSS به منظور ارجاع جغرافیایی محصولات به دست آمده تکمیل می شوند. برای بررسی GNSS، یک “Zenith35 Pro TAG” از GeoMax برای به دست آوردن مختصات 10 نقطه در جاده‌ها و روسازی‌های فضای باز، برای استفاده به عنوان نقاط کنترل زمینی (GCP)، در حدود 15 دقیقه استفاده شد ( شکل 4 ). در حالت RTK (Real Time Kinematic)، گیرنده دارای دقت افقی 8 mm ± 1 ppm (rms) و دقت عمودی 15 mm ± 1 ppm (rms) است [ 38 ]. تمام نقاط ثبت شده توسط GNSS در سیستم مختصات WGS 84/UTM ناحیه 33N (EPSG:32633) قرار گرفتند.
فتوگرامتری هوایی با استفاده از پهپاد VTOL “SR-SF6” توسط Skyrobotic [ 39 ] با دوربین Sony “DSC-QX100” نصب شده به عنوان محموله انجام شد. این دوربین مجهز به یک 13.37 × 8.91سنسور میلی‌متری با 20.2 مگاپیکسل [ 40 ] و لنز با تنظیم فاصله کانونی 10.4میلی متر با استفاده از برنامه Skydirector [ 39 ]، پرواز پهپاد برای اجرای 7 نوار فتوگرامتری در جهت نادری در ارتفاعات پیشرونده به دنبال مسیر زمین، که اختلاف ارتفاعی در حدود 30 متر را نشان می داد، برای حفظ فاصله در ارتفاع برنامه ریزی شده بود. حداقل 50 متر از اشیایی که قرار است بررسی شوند، با 65 درصد همپوشانی و 60 درصد دور کناری در مساحتی حدود 30000 متر مربع ( شکل 5 ). در مجموع 108 عکس هوایی گرفته شد که کل منطقه بررسی و 10 نقطه مرجع را پوشش می دهد. میانگین GSD این پرواز حدود 1.54 سانتی متر و زمان صرف شده برای این پرواز حدود 14 دقیقه بود.
عکس های به دست آمده در طول بررسی فتوگرامتری هوایی با استفاده از رویکرد SfM [ 41 ] پردازش شدند. این رویکرد به ما امکان می دهد یک مدل ابر نقطه سه بعدی و یک عکس ارتو از منطقه بررسی شده به دست آوریم. جهت گیری درونی دوربین با استفاده از رویکرد خود کالیبراسیون، با در نظر گرفتن مدل دوربین فریزر ( جدول 1 ) [ 42 ] انجام شد. جهت‌گیری خارجی دوربین‌ها با استفاده از رویکرد خود کالیبراسیون و همچنین تنظیم بسته‌ای انجام شد. در این مرحله از مختصات نقاط GNSS به عنوان نقاط کنترل زمینی (GCP) استفاده شد. در نتیجه، یک مدل فتوگرامتری با خطای RMS 4.82 سانتی متر به دست آمد ( جدول 2).). سپس یک مرحله تطبیق نیمه جهانی با هدف به دست آوردن ابر نقطه متراکم [ 43 ] انجام شد. این ابر نقطه توسط 75,027,126 نقطه تشکیل شده است که امکان به دست آوردن یک عکس ارتو واقعی با GSD 1.54 سانتی متر را می دهد ( شکل 6 ). کل زمان پردازش این مرحله حدود 3 ساعت و 30 دقیقه بود.
از طرف دیگر دیجیتالی سازی زمینی ساختمان ها با استفاده از اسکنر لیزری سبک وزن Faro Focus s 70 انجام شد. از 122000 تا 976000 نقطه در ثانیه و دقت اسمی 1 میلی متر در 25 متر در شرایط عادی روشنایی و بازتابش. در مجموع 151 اسکن در امتداد خیابان های روستا، برای یک کمپین کل کسب حدود 3 روز در منطقه ای به وسعت حدود 10000 متر مربع ، برای به دست آوردن یک ابر نقطه سه بعدی کامل از سایت مورد نیاز بود ( شکل 7 ).
همه ایستگاه‌های اسکن در یک سیستم مختصات محلی با استفاده از الگوریتم نزدیک‌ترین نقطه تکراری (ICP) ثبت شدند [ 44 ] و یک ابر نقطه سه‌بعدی که توسط 673،355،488 نقطه تشکیل شده بود، به‌دست آمد. ( شکل 8 ). به موازات هر اسکن، با استفاده از دوربین یکپارچه اسکنر لیزری، یک تصویر کروی گرفته شد. این تصویر به ما اجازه می دهد تا ابر نقطه را رنگ آمیزی کنیم، و همچنین یک محیط مجازی ساده برای پشتیبانی از بازرسی در محل ایجاد کنیم ( شکل 7 ). ابر نقطه سه بعدی به دست آمده توسط اسکنر لیزری با نقاط GNSS با استفاده از تبدیل هلمرت 6 پارامتری، که منجر به RMS 6.82 سانتی متری شد، ارجاع جغرافیایی شد ( جدول 3).). کل پردازش اسکن های LIDAR تقریباً یک روز نیاز داشت.
سپس ابر نقطه‌ای حاصل از بررسی فتوگرامتری هوایی صادر و با ابر نقطه‌ای از بررسی زمینی LIDAR ترکیب شد، که منجر به ایجاد یک ابر نقطه‌ای یکپارچه از 748,362,614 نقطه شد ( شکل 9 ). با استفاده از نرم افزار Cloud Compare، از ابر نقطه واحد، مدل دیجیتال زمین (DTM) و مدل سطح دیجیتال (DSM) در قالب شطرنجی تولید شد. این داده ها برای محاسبه پارامترهای ساختمان توضیح داده شده در بخش 3.4 استفاده خواهند شد.

3.4. یکپارچه سازی و مدیریت داده ها

هنگامی که بررسی و پردازش ابر نقطه و تصاویر کروی کامل شد، مشخص می شود که کدام اطلاعات را می توان از داده ها استخراج کرد. از آنجایی که هدف از این کار توسعه خط لوله ای برای کمک به ارزیابی سریع لرزه ای در مقیاس شهری است، تنها نمای بیرونی روستا مورد بررسی قرار گرفت. علاوه بر این، بسیاری از ساختمان‌ها در اثر آخرین رویدادهای لرزه‌ای منطقه به شدت آسیب دیدند و دسترسی به فضای داخلی آن‌ها ممکن نبود.
ایده این است که تقاضا برای یک مدل کامل با جمع‌آوری و پیوند دادن همه داده‌های هندسی و غیر هندسی در یک پایگاه داده جغرافیایی برآورده شود. در این مورد از نرم افزار متن باز Quantum GIS (QGIS) استفاده شد.
داده های جمع آوری شده در QGIS عبارت بودند از:
  • Orthophoto به عنوان یک لایه شطرنجی.
  • DSM (مدل سطح دیجیتال) به عنوان یک لایه شطرنجی.
  • DTM (مدل زمین دیجیتال) به عنوان یک لایه شطرنجی.
  • ساخت خطوط به عنوان لایه های چند ضلعی برداری.
  • صفحات AeDES به عنوان یک جدول بدون داده های هندسی.
  • تصاویر کروی از LiDAR اسکن به عنوان یک لایه نقاط برداری.
  • ابر نقطه یکپارچه (در حال حاضر فقط برای اهداف تجسم اجرا شده است).
این نرم افزار به ما اجازه می دهد تا اسکریپت های پایتون را توسعه دهیم تا هم تجربه کاربر را بهبود ببخشیم و هم امکان استخراج خودکار برخی از پارامترهای مربوط به ویژگی های ساختمان ها را فراهم کنیم.
برخی از این لایه‌ها صرفاً توسط مختصات مکانی و سیستم‌های مرجع (لایه‌های شطرنجی و برداری با داده‌های هندسی) به یکدیگر مرتبط هستند، در حالی که سایر داده‌ها از طریق ویژگی‌های جدول به هم مرتبط می‌شوند.
به عنوان مثال، دیتاشیت های AeDES مربوط به ساختمان هایی است که هر دو جدول حاوی فیلدهای “Sheets” و “Parcels” هستند، با این احتمال که یک برگه AeDES ممکن است به چندین بسته مربوط باشد و ممکن است چندین برگه AeDES برای یک بسته تولید شده باشد. در طول عمر ساختمان بنابراین، یک تابع با استفاده از یک اسکریپت پیاده سازی شده است، که اجازه می دهد تا جدول AeDES را با انتخاب یک ساختمان در نقشه یا در جدول ساختمان فیلتر کنید. این فیلتر برگه های AeDES را با همان برگه و حداقل یکی از بسته های ساختمان انتخاب شده نشان می دهد. سپس برای باز کردن فایل هر برگه AeDES (معمولا با فرمت PDF) از جدول، یک عمل ساده QGIS اجرا شد.
به طور مشابه، برای تصاویر 360 درجه یک اسکریپت پایتون پیاده سازی شده است تا به سادگی با کلیک بر روی نقشه یا در جدول، آنها را با استفاده از یک نمایشگر خارجی باز کنید. در این مورد بیننده مورد استفاده نرم افزار متن باز FSP viewer [ 45 ] است.
منابع اطلاعاتی متفاوتی که در طول کمپین دیجیتالی‌سازی به دست می‌آیند به ما امکان می‌دهند محاسبه چهار پارامتری را که اغلب همراه با سایر پارامترهای ورودی برای انجام ارزیابی‌های آسیب‌پذیری لرزه‌ای مصلحت‌پذیر استفاده می‌شوند، خودکار کنیم. این فقط یک نقطه شروع را نشان می دهد، کار آینده ممکن است سعی کند محاسبه سایر پارامترهای ضروری را خودکار کند.
یک جنبه حیاتی این است که اسکریپت‌های توسعه‌یافته در هر نوع سناریو شهری کار می‌کنند، بدیهی است با فرض اینکه اعتبار این پارامترها برای ارزیابی لرزه‌ای به گونه‌شناسی سازنده ساختمان‌ها بستگی دارد. این پارامترها عبارتند از:
1.
تعداد طبقات هر ساختمان؛
2.
نظم شکل در طرح.
3.
موقعیت پلانیمتری ساختمان نسبت به خوشه؛
4.
وجود ساختمان های مجاور با ارتفاع های مختلف در خوشه، نسبت به ساختمان مورد بررسی.

3.4.1. تعداد طبقات

اولین پارامتر استخراج شده تعداد طبقات هر ساختمان است. با استفاده از لایه های شطرنجی (اورتوفتو، DTM و DSM)، به سادگی از طریق مراحل زیر تخمین زده می شود.
1.
استخراج میانه مقادیر DSM و حداقل مقادیر DTM که در خطوط خطوط هر ساختمان قرار دارند. این را می توان به لطف الگوریتم آمار منطقه ای QGIS انجام داد، که برای هر ناحیه از یک لایه برداری چند ضلعی، می تواند آمارهای مختلفی را در مورد مقادیر پیکسل های یک لایه شطرنجی واقع در آن منطقه انجام دهد.
2.
محاسبه عدد طبقه به عنوان تفاوت بین میانه DSM و حداقل DTM، تقسیم بر ارتفاع طبقه مورد انتظار و تقریب به نزدیکترین عدد صحیح.
3.4.2. نظم شکل در پلان
پارامتر دوم نظم شکل در پلان است. اسکریپت بررسی می کند که دو مورد از شرایط تجویز شده توسط NTC 2018 [ 10 ] برای نظم در طرح (بند 7.2.1) بررسی شده باشد ( شکل 10 ).
1.
کانتور ساختمان محدب است یا نواحی بین کانتور و خط محدب محدود کمتر از 5 درصد مساحت کانتور است.
2.
نسبت اضلاع مستطیل محصور شده در اطراف کانتور ساختمان <4 است.
برای تأیید این شرایط، اسکریپت تنها از خطوط ساختمان ها (لایه چند ضلعی برداری) استفاده می کند و با بهره برداری از الگوریتم های QGIS “محدب بدنه” و “جعبه حداقل مرزی جهت دار”، چند ضلعی هایی را که به ترتیب با این دو شرط توصیف شده اند ایجاد می کند و بررسی می کند. آنها
3.4.3. موقعیت پلانیمتری در خوشه
دو پارامتر باقی مانده فقط به ساختمان های خوشه ای مربوط می شود. یکی موقعیت پلانی متری ساختمان در رابطه با خوشه است (“مرکز”، “زاویه”، یا “انتها”، شکل 11 ). تنها با استفاده از لایه کانتور ساختمان، برای هر ساختمان با مراحل زیر محاسبه می شود.
1.
شناسایی ساختمان‌های مجاور که از قانون انتخاب «استخراج بر اساس مکان» استفاده می‌کنند. این قانون یک لایه برداری جدید ایجاد می کند که فقط شامل ویژگی های اولین لایه ورودی برداری است که با شرایط موقعیت نسبی انتخاب شده با توجه به ویژگی های لایه ورودی دوم بردار مطابقت دارد. شایان ذکر است که در صورت عدم وجود ساختمان در مجاورت ساختمان مورد بررسی، فیلمنامه بدون انجام پردازش بیشتر به ساختمان بعدی منتقل می شود.
2.
محاسبه مرکز ساختمان مورد بررسی با استفاده از الگوریتم QGIS با همین نام. مرکز، مرکز چندضلعی است.
3.
استخراج مرزهای ساختمان مورد بررسی و مجاور با استفاده از الگوریتم “مرز” QGIS که لایه های چند ضلعی را به لایه چند خطی تبدیل می کند.
4.
شناسایی مرزهای مشترک بین ساختمان مورد بررسی و ساختمان مجاور، با بهره‌برداری از الگوریتم‌های “تقاطع” QGIS که در مورد دو لایه چند خط به عنوان ورودی، تنها چند خطوط همپوشانی را به عنوان خروجی برمی‌گرداند.
5.
جداسازی بخش های تماس از طریق الگوریتم QGIS “خطوط انفجار” که امکان تقسیم چند خطوط مرزهای مشترک را به خطوط منفرد فراهم می کند.
6.
بررسی هر بخش تماس برای تعیین جهت تماس و اعتبار آن. جهت تماس عمود بر بخش، به سمت ساختمان مورد بررسی است. اعتبار بر اساس موقعیت مرکز ساختمان مورد بررسی در رابطه با بخش تماس است. بخش تماس در صورتی معتبر است که مرکز در سمتی که رو به ساختمان مورد بررسی قرار گرفته باشد و بین خطوط عمودی که از ابتدا و انتهای قطعه می گذرند باشد.
7.
بازیابی جفت قطعات با جهت تماس مشابه (در محدوده تلورانس معین) که مرکز آنها در سمتی که رو به ساختمان مورد بررسی قرار داشت اما بین خطوط عمود ذکر شده قرار نداشت. اگر مرکز در اضلاع مختلف نسبت به خطوط عمود بر دو پاره باشد، جفت پاره‌ها بازیابی می‌شود. در این حالت میانگین دو جهت تماس معتبر در نظر گرفته می شود.
8.
محاسبه حداکثر اختلاف زاویه بین تمام جفت‌های ممکن جهت تماس معتبر (≤180 درجه).
9.
تعیین موقعیت پلان ساختمان در خوشه بر اساس حداکثر اختلاف زاویه محاسبه شده. “مرکز” اگر زاویه > (180 درجه – تحمل)، “زاویه” اگر (180 درجه – تحمل) ≥ زاویه > (90 درجه – تحمل) یا “پایان” اگر (90 درجه – تحمل) ≥ زاویه.
3.4.4. وجود ساختمان های مجاور با ارتفاع های مختلف
آخرین پارامتر تعیین می کند که آیا ساختمان هایی با ارتفاع متفاوت در مجاورت ساختمان مورد بررسی وجود دارد یا خیر ( شکل 12 ). اسکریپت از لایه نمای ساختمان و لایه DSM برای تعیین آن با مراحل زیر استفاده می کند.
1.
همان مراحل 1، 3، 4، و 5 (پرش از مرحله 2) مانند پارامتر قبلی در بخش 3.4.3 ، برای استخراج بخش های تماس با ساختمان های مجاور.
2.
ایجاد دو بافر برای هر بخش، یکی در سمت ساختمان مورد بررسی و دیگری در سمت ساختمان مجاور، با بهره‌برداری از الگوریتم QGIS “Single sided buffer” که خطوط لایه ورودی را برای یک فاصله انتخاب شده به سمت اکسترود می کند. سمت انتخاب شده، و یک لایه برداری چند ضلعی برمی گرداند.
3.
محاسبه دو میانه مقادیر DSM که در دو بافر قرار می‌گیرند، با بهره‌برداری از همان الگوریتم آمار منطقه‌ای که در مرحله 1 از بخش 3.4.1 توضیح داده شده است .
4.
اگر اختلاف بین دو میانه بسیار زیاد باشد، با در نظر گرفتن تلرانس معین، حداقل برای یک قطعه تماس، به این معنی است که ساختمان هایی با ارتفاع متفاوت وجود دارد.

4. نتایج

در این بخش، نتایج این کار ارائه خواهد شد. به طور خاص، در بخش 4.1 ادغام تمام داده‌هایی که قبلاً توضیح داده شد در GIS نشان داده می‌شود، در حالی که بخش 4.2 نتایج پارامترهای هندسی ساختمان‌هایی را که به‌طور خودکار با استفاده از اسکریپت توسعه‌یافته پایتون استخراج شده‌اند، ارائه می‌کند که به‌طور آشکار در دسترس است. در Zenodo در https://doi.org/10.5281/zenodo.6398968 و در GitHub در https://github.com/FabioPiccinini/pyvulnerability (آخرین دسترسی 25 آوریل 2022).

4.1. یکپارچه سازی اطلاعات

همانطور که در بخش 3.4 بیان شد ، چارچوب QGIS توسعه یافته توسط این کار باید بتواند انواع مختلف اطلاعات (به عنوان مثال، شطرنجی، برداری، ابرهای نقطه سه بعدی، و تصاویر 360 درجه) را یکپارچه کند ( شکل 13 و شکل 14 ).
اطلاعات شطرنجی مستقیماً در پلتفرم ادغام شد. اولین منبع اطلاعاتی ارتفتو ایجاد شده توسط فتوگرامتری هوایی بود. سپس، تصاویر 360 درجه به عنوان یک لایه برداری نقطه‌ای به پروژه QGIS وارد شدند، که در یک فایل شکل ذخیره شده و در بالای عکس ارتوفوتوی هوایی قابل مشاهده است. این شکل فایل دارای پیوندهای مستقیم به هر پانوراما است. با تشکر از این، اگر کاربر بخواهد به طور مجازی با یک ساختمان مشورت کند، می توان آن را تنها با کلیک کردن روی نقطه انجام داد، پروژه نمایشگر FSP را اجرا می کند تا پانورامای مرتبط را باز کند. این نوع اطلاعات امکان ارزیابی نوع مکانیسم فروپاشی ساختمان و همچنین راه حل سازنده متفاوت اتخاذ شده در حین ساخت آن را فراهم می کند. شکل 3a نمونه ای از ساختمان فروریخته را نشان می دهد که توسط یک دیوار بنایی دو لنگه با سازه چوبی ساخته شده است. در طبقه اول ساختمان تعدادی اتصالات آهنی را نشان می دهد که از تغییر شکل خارج از صفحه بخشی از سازه جلوگیری می کند. با این حال، قسمت فوقانی سازه به دلیل تشکیل مکانیزم خارج از صفحه دچار ریزش شده است. در مورد ابر نقطه سه بعدی، در نسخه فعلی QGIS (3.22) تنها تجسم آن در هر دو نقشه دو بعدی و سه بعدی پشتیبانی می شود ( شکل 13 ب).
علاوه بر این اطلاعات هندسی، پایگاه داده مکانی هر ساختمان را با صفحه AeDES مرتبط با آن پیوند می دهد ( شکل 15 ). جدول مسیر فایل ها را نشان می دهد و به لطف یک عمل ساده QGIS، امکان باز کردن آنها با برنامه پیش فرض سیستم عامل وجود دارد.
کار اداری با برنامه Qfield [ 46 ] تکمیل شد، که امکان ویرایش و مدیریت فایل های شکل مختلف پروژه را با استفاده از یک گوشی هوشمند یا تبلت اندرویدی فراهم می کرد ( شکل 16 ). این نرم افزار می تواند در زمینه با هدف بهبود کار انجام شده توسط تکنسین ها مورد استفاده قرار گیرد.

4.2. استخراج خودکار پارامترها

هنگامی که تمام داده های هندسی در پلت فرم QGIS آپلود شد، امکان محاسبه خودکار چهار پارامتر هندسی تعریف شده در بخش 3.4 وجود داشت. همانطور که در شکل 17 نشان داده شده است، تمام این پارامترها در پایگاه داده جغرافیایی ذخیره می شوند .
همانطور که در بخش 3.4.1 ذکر شد ، فرآیند استخراج اولین پارامتر نیز به طور خودکار مقدار میانه DSM و حداقل مقدار DTM را برای هر ساختمان محاسبه می کند و آنها را در جدول ویژگی ذخیره می کند، همانطور که در شکل 17 مشاهده می شود . خروجی محاسبه پارامتر کف توسط نقشه موضوعی در شکل 18 الف نشان داده شده است.
نتایج پارامتر دوم مربوط به نظم شکل در پلان ساختمان با نقشه موضوعی شکل 18 ب نشان داده شده است. 7 ساختمان از 22 ساختمان بدون نظم در شکل وجود دارد. این ساختمان‌ها به رنگ قرمز هستند، در حالی که تمام ساختمان‌هایی که شرایط هندسی نظم شکل را مطابق با مقررات ایتالیایی NTC 2018 [ 10 ] برآورده می‌کنند، به رنگ سبز هستند.
یکی دیگر از پارامترهای استخراج شده و مفید برای بررسی آسیب پذیری یک ساختمان، موقعیت پلانیمتری ساختمان مربوط به ساختمان های مجاور آن است. این طبقه بندی چهار سناریو مختلف را نشان می دهد که به عنوان ساختمان “مرکز”، “زاویه”، “انتها” و “ایزوله” طبقه بندی می شوند. الگوریتم نحوه طبقه بندی ساختمان ها را محاسبه می کند تا در نقشه موضوعی شکل 18ج به ترتیب در رنگ های سبز، زرد، قرمز و فیروزه ای قابل مشاهده هستند. نمای کلی از بالا نشان می دهد که معیار خاصی برای سازه های ساختمانی روستای گابیانو استفاده نشده است. به لطف این اتوماسیون می توان نحوه طبقه بندی ساختمان ها را مشخص کرد. به غیر از پنج ساختمان «ایزوله»، تنها یکی به عنوان «مرکز» و یکی به عنوان «زاویه» طبقه‌بندی می‌شود. همه بقیه به عنوان “پایان” در خوشه مربوطه در نظر گرفته می شوند.
آخرین پارامتر محاسبه شده به طور خودکار مربوط به اختلاف ارتفاع ساختمان مجاور است. دو جفت ساختمان دارای اختلاف ارتفاع قابل توجهی هستند. همه آنها با حرف Y (بله) در جدول ویژگی ها و با رنگ قرمز در نقشه موضوعی اختصاصی در شکل 18 d نمایش داده شده اند. تمام 13 ساختمان سبز ممکن است تقریباً بدون تفاوت ارتفاع در نظر گرفته شوند. پنج ساختمان جدا شده به رنگ فیروزه ای را نمی توان در این محاسبه در نظر گرفت زیرا هیچ ساختمان مجاوری وجود ندارد که بتوان با آنها مقایسه کرد.

5. بحث و نتیجه گیری

هدف این کار بهبود روش شناسی ارائه شده توسط Indirli و همکاران است. [ 34 ، 35] برای ادغام فرم‌های بازرسی AeDES (که برای ارزیابی‌های سریع پس از لرزه‌ای استفاده می‌شود) در یک چارچوب GIS. این به مدیریت مراکز تاریخی پس از زلزله کمک می کند، زیرا برگه های اطلاعات AeDES تنها پس از آسیب دیدن ساختمان ها تولید می شوند. این رویکرد برای روستاهای تاریخی متاثر از زلزله و با قرار گرفتن در مناطق پرخطر در آینده در معرض خطر زلزله های جدید قرار می گیرد. اطلاعات جمع‌آوری‌شده به دلیل اینکه چنین داده‌هایی می‌تواند به عنوان مثال در تعیین شاخص آسیب‌پذیری کمک کند، برای پیشگیری از چنین روستاهایی مناسب است. این پیشرفت‌ها موارد زیر بودند: (1) استفاده از ابزارهای ژئوماتیک اضافی. (ب) خودکارسازی برخی از پارامترهای هندسی. و (iii) استفاده از برنامه Qfield برای بهبود کار درون میدانی تکنسین ها. با توجه به مورد اول، ما استفاده از فتوگرامتری هوایی (SfM و UAV) را برای تولید ارتوفوتوهای هوایی و همچنین برای گرفتن اطلاعات سقف ها پیشنهاد می کنیم. علاوه بر این، ما استفاده از تصاویر 360 درجه را به عنوان یک منبع مجازی سریع برای ارزیابی مکانیسم فروپاشی و سیستم ساخت و ساز ساختمان ها معرفی کرده ایم. این منبع مجازی مستقیماً در پلتفرم QGIS ادغام شده است و امکان بارگذاری مستقیم تصویر 360 درجه را با استفاده از نمایشگر FSP فراهم می کند. اطلاعات تولید شده توسط فتوگرامتری هوایی، یعنی ابر نقطه سه بعدی، با یک ابر نقطه TLS ادغام شده است که امکان به دست آوردن دیجیتالی شدن کامل روستا را می دهد. این دیجیتالی سازی در مجموع به 4 روز، 3 ساعت و 34 دقیقه نیاز داشت. در مورد بهبود دوم، ما چندین اسکریپت پایتون را توسعه داده‌ایم که به صورت خودکار چهار پارامتر مختلف را محاسبه می‌کند. بهبود عملکرد رویکرد سنتی AeDES. در نهایت، ما استفاده از برنامه Qfield را پیشنهاد می کنیم که امکان تغییر و مدیریت تمام اطلاعات را در محل می دهد. این جنبه حیاتی تلقی می شود زیرا رویکرد AeDES عمدتاً بر اساس بازرسی بصری در میدان است. جنبه‌ای که ما عمدتاً روی آن تمرکز کرده‌ایم مربوط به شاخص‌های آسیب‌پذیری لرزه‌ای است، اما رویکرد توضیح‌داده‌شده را می‌توان به سایر اهداف معماری یا مهندسی تعمیم داد. کار شرح داده شده را می توان برای پارامترهای دیگر در تابع الزامات نیز اعمال کرد، به عنوان مثال تمرکز بر پارامترهای زمین یا نصب سیستم. به عنوان یک نکته پایانی، شایان ذکر است که روش پیشنهادی با چارچوب اروپایی SENDAI برای کاهش خطر بلایا مطابقت دارد. ما استفاده از برنامه Qfield را پیشنهاد می کنیم که امکان تغییر و مدیریت تمام اطلاعات را در محل می دهد. این جنبه حیاتی تلقی می شود زیرا رویکرد AeDES عمدتاً بر اساس بازرسی بصری در میدان است. جنبه‌ای که ما عمدتاً روی آن تمرکز کرده‌ایم مربوط به شاخص‌های آسیب‌پذیری لرزه‌ای است، اما رویکرد توضیح‌داده‌شده را می‌توان به سایر اهداف معماری یا مهندسی تعمیم داد. کار شرح داده شده را می توان برای پارامترهای دیگر در تابع الزامات نیز اعمال کرد، به عنوان مثال تمرکز بر پارامترهای زمین یا نصب سیستم. به عنوان یک نکته پایانی، شایان ذکر است که روش پیشنهادی با چارچوب اروپایی SENDAI برای کاهش خطر بلایا مطابقت دارد. ما استفاده از برنامه Qfield را پیشنهاد می کنیم که امکان تغییر و مدیریت تمام اطلاعات را در محل می دهد. این جنبه حیاتی تلقی می شود زیرا رویکرد AeDES عمدتاً بر اساس بازرسی بصری در میدان است. جنبه‌ای که ما عمدتاً روی آن تمرکز کرده‌ایم مربوط به شاخص‌های آسیب‌پذیری لرزه‌ای است، اما رویکرد توضیح‌داده‌شده را می‌توان به سایر اهداف معماری یا مهندسی تعمیم داد. کار شرح داده شده را می توان برای پارامترهای دیگر در تابع الزامات نیز اعمال کرد، به عنوان مثال تمرکز بر پارامترهای زمین یا نصب سیستم. به عنوان یک نکته پایانی، شایان ذکر است که روش پیشنهادی با چارچوب اروپایی SENDAI برای کاهش خطر بلایا مطابقت دارد. این جنبه حیاتی تلقی می شود زیرا رویکرد AeDES عمدتاً بر اساس بازرسی بصری در میدان است. جنبه‌ای که ما عمدتاً روی آن تمرکز کرده‌ایم مربوط به شاخص‌های آسیب‌پذیری لرزه‌ای است، اما رویکرد توضیح‌داده‌شده را می‌توان به سایر اهداف معماری یا مهندسی تعمیم داد. کار شرح داده شده را می توان برای پارامترهای دیگر در تابع الزامات نیز اعمال کرد، به عنوان مثال تمرکز بر پارامترهای زمین یا نصب سیستم. به عنوان یک نکته پایانی، شایان ذکر است که روش پیشنهادی با چارچوب اروپایی SENDAI برای کاهش خطر بلایا مطابقت دارد. این جنبه حیاتی تلقی می شود زیرا رویکرد AeDES عمدتاً بر اساس بازرسی بصری در میدان است. جنبه‌ای که ما عمدتاً روی آن تمرکز کرده‌ایم مربوط به شاخص‌های آسیب‌پذیری لرزه‌ای است، اما رویکرد توضیح‌داده‌شده را می‌توان به سایر اهداف معماری یا مهندسی تعمیم داد. کار شرح داده شده را می توان برای پارامترهای دیگر در تابع الزامات نیز اعمال کرد، به عنوان مثال تمرکز بر پارامترهای زمین یا نصب سیستم. به عنوان یک نکته پایانی، شایان ذکر است که روش پیشنهادی با چارچوب اروپایی SENDAI برای کاهش خطر بلایا مطابقت دارد. کار شرح داده شده را می توان برای پارامترهای دیگر در تابع الزامات نیز اعمال کرد، به عنوان مثال تمرکز بر پارامترهای زمین یا نصب سیستم. به عنوان یک نکته پایانی، شایان ذکر است که روش پیشنهادی با چارچوب اروپایی SENDAI برای کاهش خطر بلایا مطابقت دارد. کار شرح داده شده را می توان برای پارامترهای دیگر در تابع الزامات نیز اعمال کرد، به عنوان مثال تمرکز بر پارامترهای زمین یا نصب سیستم. به عنوان یک نکته پایانی، شایان ذکر است که روش پیشنهادی با چارچوب اروپایی SENDAI برای کاهش خطر بلایا مطابقت دارد.47] در حداقل دو اصل از چهار اصل اساسی: (1) درک خطر بلایا و (IV) افزایش آمادگی در برابر بلایا برای واکنش موثر، و “بازسازی بهتر” در بازیابی، توانبخشی و بازسازی. این موضوع پیش پا افتاده نیست و معرفی پیمایش یکپارچه ژئوماتیک به عنوان یک روش فعلی برای افزایش دانش روستاها نشان دهنده یک گام اساسی به جلو است. در این معنا، ما استفاده از تصاویر پانوراما، اسکن لیزری زمینی و فتوگرامتری هوایی را با استفاده از رویکرد SfM پیشنهاد می‌کنیم. این ترکیب استراتژی بهترین ترکیب از نظر کارایی/داده‌های به‌دست‌آمده است. کارهای آینده بر موضوعات مختلف متمرکز خواهد شد: (1) توسعه الگوریتم های جدید برای استخراج خودکار پارامترهای هندسی اضافی. (2) استفاده از داده های هندسی برای تولید مدل های ساده شده BIM. و (iii) توسعه زیرساخت داده های مکانی. با توجه به مبحث اول و دوم، ما برنامه ریزی کرده ایم که استخراج خودکار پارامترهای هندسی را با بهره برداری از ابر نقطه سه بعدی به دست آمده توسط TLS بهبود دهیم. در این مفهوم، از رویکرد آشکارساز شکل RansAC استفاده می شود [48 ] برای استخراج دیوارهای عمودی مختلف و سطوح سقف. سپس، این تقسیم‌بندی با صفحات اصلی مقایسه می‌شود و امکان ارزیابی وجود مکانیسم خارج از صفحه، و همچنین انحرافات سازه، و همچنین به عنوان پایه‌ای برای مدل‌سازی سه بعدی (BIM) را فراهم می‌کند. این سوال امکان ترکیب رویکردهای GIS و BIM را در یک چارچوب منحصر به فرد فراهم می کند. با توجه به زیرساخت داده‌های مکانی، ما برنامه‌ریزی کرده‌ایم تا رویکرد توسعه‌یافته در این کار را به یک مدل مدیریت در اینترنت ارتقا دهیم. این مدل یک زیرساخت داده مکانی در چارچوب INSPIRE خواهد بود. در این ابزار ما برای تسهیل کار تکنسین‌ها بدون استفاده از مدل‌های سه‌بعدی، برنامه‌ریزی کرده‌ایم که منابع اصلی داده (صفحه‌های AeDES، تصاویر ۳۶۰ درجه، عکس‌های ارتو، DSM) را حفظ کنیم.

منابع

  1. ملیحه، ای. کوماریه، س. اوتامی، ن. پراکارسا، E. گردشگری فرهنگی: تجاری سازی یا حفظ؟ ترویج گردشگری خلاق: مسائل جاری در تحقیقات گردشگری. در مجموعه مقالات چهارمین سمینار بین المللی گردشگری (ISOT 2020)، باندونگ، اندونزی، 4 تا 5 نوامبر 2020؛ پ. 89. [ Google Scholar ]
  2. ماسیوتا، ام. مورایس، م. راموس، ال. اولیویرا، دی. سانچز آپاریسیو، ال جی. González-Aguilera، D. یک روش یکپارچه مبتنی بر دیجیتال برای حفاظت پیشگیرانه از میراث فرهنگی: تجربه پروژه HeritageCare. بین المللی جی آرچیت. میراث. 2021 ، 15 ، 844-863. [ Google Scholar ] [ CrossRef ]
  3. مارا، ا. تریزیو، آی. فابروسینو، جی. ابزارهای دیجیتال برای دانش و حفاظت از میراث تاریخی. در پایش سلامت ساختاری عمران ; Rainieri, C., Fabbrocino, G., Caterino, N., Ceroni, F., Notarangelo, MA, Eds. انتشارات بین المللی Springer: چم، سوئیس، 2021; صص 645-662. [ Google Scholar ]
  4. نکس، اف. Rinaudo، F. LiDAR یا Photogrammetry؟ ادغام پاسخ است. ایتالیایی J. Remote Sens. 2011 ، 43 ، 107-121. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. Noszczyk، T. Gawronek, P. سنجش از دور و GIS برای تجزیه و تحلیل محیطی و میراث فرهنگی. Remote Sens. 2020 , 12 , 3960. [ Google Scholar ] [ CrossRef ]
  6. اهداف توسعه پایدار در دستور کار 2030. در دسترس آنلاین: https://sdgs.un.org/goals. (در 1 دسامبر 2021 قابل دسترسی است).
  7. Rapporto Sulla Promozione Della sicurezza dai Rischi Naturali del Patrimonio Abitativo, Presidenza del Consiglio dei Ministri, Giugno 2017. موجود به صورت آنلاین: https://www.casaitalia.governo.it/generali/approfondimenti/rapporto-sulla-prollazione (در 1 دسامبر 2021 قابل دسترسی است).
  8. Dipartimento Casa Italia. در دسترس آنلاین: https://www.casaitalia.governo.it/generali/ (در 1 دسامبر 2021 قابل دسترسی است).
  9. Mappa dei Rischi dei Comuni Italiani. در دسترس آنلاین: https://www.istat.it/it/mappa-rischi (در 1 دسامبر 2021 قابل دسترسی است).
  10. Norme Tecniche per le Costruzioni (NTC2018) ; Ministrio delle Infrastrutture e dei Trasporti: رم، ایتالیا، 2018.
  11. باجو، سی. برناردینی، ا. کولوزا، آر. کورازا، ال. دلا بلا، م. دی پاسکواله، جی. دولچه، ام. گورتی، آ. مارتینلی، آ. اورسینی، جی. و همکاران کتابچه راهنمای میدانی برای ارزیابی آسیب و ایمنی پس از زلزله و اقدامات متقابل کوتاه مدت (AeDES) . کمیسیون اروپا – مرکز تحقیقات مشترک – موسسه حفاظت و امنیت شهروندان: بروکسل، بلژیک، 2007. پ. 22868. [ Google Scholar ]
  12. قاسم، م.م. محمد نذری، ف. نوروزی نژاد فارسنگی، ای. روش‌های ارزیابی آسیب‌پذیری لرزه‌ای: مروری به روز. مهندس عین شمس J. 2020 ، 11 ، 849-864. [ Google Scholar ] [ CrossRef ]
  13. مالینورنی، ای. چیاپینی، اس. Pierdicca، R. یک پایگاه جغرافیایی برای مدیریت داده های چند منبعی که در میراث فرهنگی به کار گرفته شده است: مطالعه موردی باغ تاریخی ویلا بووناکورسی. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2019 ، 42 ، 771-776. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. روسی، ال. اجمار، ع. پائولانتی، م. پیردیکا، R. پیش‌بینی مسیر وسیله نقلیه و تولید با استفاده از مدل‌های LSTM و GAN. PLoS ONE 2021 , 16 , e0253868. [ Google Scholar ]
  15. Malinverni، ES; پیردیکا، آر. کولوزی، اف. Orazi, R. انتشار در باستان شناسی: نقشه داستانی مبتنی بر GIS برای چان چان. J. Cult. میراث. مدیریت حفظ کنید. توسعه دهنده 2019 ، 9 ، 500–519. [ Google Scholar ] [ CrossRef ]
  16. لی، ایکس. Lv، Z. هو، جی. ژانگ، بی. یین، ال. ژونگ، سی. وانگ، دبلیو. Feng, S. سیستم مدیریت ترافیک و پیش بینی مبتنی بر GIS سه بعدی. در مجموعه مقالات پانزدهمین سمپوزیوم بین المللی IEEE/ACM در سال 2015 در مورد محاسبات خوشه ای، ابری و شبکه ای، شنژن، چین، 4 تا 7 مه 2015؛ صفحات 991-998. [ Google Scholar ] [ CrossRef ]
  17. پیچینی، اف. پیردیکا، آر. Malinverni، ES یک مدل مفهومی رابطه‌ای در GIS برای مدیریت سیستم‌های فتوولتائیک. Energies 2020 , 13 , 2860. [ Google Scholar ] [ CrossRef ]
  18. چیاپینی، اس. فینی، ا. مالینورنی، ای. فروتونی، ای. راسیوپی، جی. پیردیکا، آر. فتوگرامتری کروی مقرون به صرفه: چارچوبی جدید برای مدیریت هوشمند محیط های پیچیده شهری. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2020 ، 43 ، 441-448. [ Google Scholar ] [ CrossRef ]
  19. سانچز آپاریسیو، ال جی. Masciotta، MG; گارسیا آلوارز، جی. راموس، ال اف. اولیویرا، دی وی؛ مارتین-جیمنز، JA; گونزالس-آگیلرا، دی. Monteiro, P. Web-GIS رویکرد برای حفاظت پیشگیرانه از ساختمان های میراث. خودکار ساخت و ساز 2020 , 118 , 103304. [ Google Scholar ] [ CrossRef ]
  20. فریرا، TM; ویسنته، آر. رایموندو مندس داسیلوا، JA; واروم، اچ. کاستا، آ. Maio، R. خطر آتش سوزی شهری: ارزیابی و برنامه ریزی اضطراری. J. Cult. میراث. 2016 ، 20 ، 739-745. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. اورتیز، پی. آنتونز، وی. مارتین، جی.ام. اورتیز، آر. وازکز، مایکروسافت Galán، E. رویکرد به تجزیه و تحلیل ریسک زیست محیطی برای بناهای تاریخی اصلی در یک شهر تاریخی. J. Cult. میراث. 2014 ، 15 ، 432-440. [ Google Scholar ] [ CrossRef ]
  22. اورتیز، آر. اورتیز، پی. وازکز، ام. مارتین، جی. ادغام سیستم اطلاعات جغرافیایی مرجع و تجزیه و تحلیل تصویر دیجیتال برای ارزیابی تأثیر آلودگی خودروها بر ساختمان‌های تاریخی. ساخت و ساز ساختن. ماتر 2017 ، 139 ، 320-333. [ Google Scholar ] [ CrossRef ]
  23. سها، ع. پال، SC; سانتوش، ام. جانی زاده، س. چودوری، آی. نوروزی، ع. روی، پی. چاکرابورتی، آر. مدل‌سازی تهدیدات چند خطر برای سایت‌های میراث فرهنگی و پایداری محیطی: سناریوهای حال و آینده. جی. پاک. تولید 2021 ، 320 ، 128713. [ Google Scholar ] [ CrossRef ]
  24. گونزالس، آ. باسالیا، آ. اسپاکون، ای. براندو، جی. پلاگین Qgis برای ارزیابی آسیب‌پذیری لرزه‌ای مراکز شهری: کاربرد در شهر پوپلی در آبروزو (ایتالیا) . SAHC: بارسلونا، اسپانیا، 2021. [ Google Scholar ]
  25. ساوتی، NS; داود، من؛ کمین، م. Sahat, S. GIS مدل سازی فضایی برای ارزیابی ریسک لرزه ای بر اساس قرار گرفتن در معرض، انعطاف پذیری و شاخص های ظرفیت در برابر خطر لرزه ای: مطالعه موردی Pahang، مالزی. Geomat. نات. خطر خطرات 2021 ، 12 ، 1948-1972. [ Google Scholar ] [ CrossRef ]
  26. رضایی، ف. پناهی، M. GIS مدل‌سازی آسیب‌پذیری لرزه‌ای بافت‌های مسکونی با در نظر گرفتن شاخص‌های فاصله ژئوتکنیکی، سازه‌ای، اجتماعی و فیزیکی شهر تهران با استفاده از تکنیک‌های تصمیم‌گیری چند معیاره. نات. سیستم خطرات زمین. علمی 2015 ، 15 ، 461-474. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. کریم زاده، س. میاجیما، م. حسن زاده، ر. امیراصلان زاده، ر. کامل، ب. ارزیابی خطر لرزه ای مبتنی بر GIS، آسیب پذیری ساختمان و تلفات انسانی برای سناریوی زلزله در تبریز. خاک دین. زمین مهندس 2014 ، 66 ، 263-280. [ Google Scholar ] [ CrossRef ]
  28. وتور، ام. دونا، م. Carpanese، P. فولادور، وی. دا پورتو، ف. Valluzzi، MR رویه ای چند سطحی در مقیاس شهری برای ارزیابی آسیب پذیری و قرار گرفتن در معرض ساختمان های بنایی مسکونی: مطالعه موردی پوردنونه، شمال شرقی ایتالیا. میراث 2020 ، 3 ، 1433-1468. [ Google Scholar ] [ CrossRef ]
  29. F. Salazar، LG; فریرا، ارزیابی آسیب‌پذیری لرزه‌ای سازه‌های تاریخی در مرکز شهر مکزیکوسیتی. پایداری 2020 ، 12 ، 1276. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  30. فرانسینی، ام. آرتز، اس. گائودیو، اس. پالرمو، آ. Viapiana، MF برای حمایت از برنامه ریزی اضطراری شهری: ابزار GIS برای انتخاب مسیرهای بهینه بر اساس خطرات لرزه ای. بین المللی J. کاهش خطر بلایا. 2018 ، 31 ، 121-134. [ Google Scholar ] [ CrossRef ]
  31. رومیس، اف. کاپریلی، اس. سالواتوره، دبلیو. فریرا، TM; Lourenço، PB یک رویکرد ارزیابی آسیب پذیری لرزه ای بهبود یافته برای مراکز شهری تاریخی: مطالعه موردی Campi Alto di Norcia، ایتالیا. Appl. علمی 2021 ، 11 ، 849. [ Google Scholar ] [ CrossRef ]
  32. اورتگا، جی. واسکونسلوس، جی. رودریگز، اچ. Correia، M. فرمول بندی شاخص آسیب پذیری برای ارزیابی آسیب پذیری لرزه ای معماری بومی. مهندس ساختار. 2019 ، 197 ، 109381. [ Google Scholar ] [ CrossRef ]
  33. ویسنته، آر. فریرا، تی. مایو، آر. واروم، اچ. کاستا، AA; کاستا، آ. اولیویرا، CS; Estêvão، JMC ارزیابی آسیب‌پذیری لرزه‌ای ساختمان‌های بنایی موجود: مطالعه موردی مرکز شهر قدیمی فارو، پرتغال. در مجموعه مقالات دومین کنفرانس اروپایی مهندسی زلزله و زلزله شناسی، استانبول، ترکیه، 25 تا 29 اوت 2014. صفحات 1-9. [ Google Scholar ]
  34. ایندیرلی، م. برونی، س. Candigliota، E. گریمی، ف. ایموردینو، اف. مورتی، ال. آبات، دی. فورینی، جی. پیراتینی، اس. اسکرپانتی، ا. و همکاران ارزیابی مراکز تاریخی از طریق رویکرد چند رشته‌ای مبتنی بر کاربرد همزمان سنجش از دور، GIS و روش‌های سریع برای بررسی و ارزیابی آسیب‌پذیری: مورد آرسیتا. در مجموعه مقالات پنجمین کنگره بین المللی «علم و فناوری برای حفاظت از میراث فرهنگی در حوزه مدیترانه»، استانبول، ترکیه، 22 تا 25 نوامبر 2011. [ Google Scholar ]
  35. ایندیرلی، م. مارگلا، جی. مرزو، ا. مورتی، ال. Formisano، A. پیشنهاد یک ابزار بررسی سریع «کل نگر و دیجیتالی» قبل از/پس از زلزله برای موجودی های ساختمان های دیجیتال هوشمند با مرجع جغرافیایی. در مجموعه مقالات کنفرانس SE-50 EEE (Skopje Earthquake 50 Years of European Earthquake Engineering)، اسکوپیه، مقدونیه، 29 تا 31 مه 2013. [ Google Scholar ]
  36. دی پاسکواله، جی. Goretti، A. آسیب پذیری عملکردی و اقتصادی ساختمان های مسکونی متاثر از زلزله های اخیر ایتالیا. در مجموعه مقالات X کنفرانس ملی مهندسی لرزه در ایتالیا، Potenza-Matera، Potenza، ایتالیا، 9-13 سپتامبر 2001. جلد 913. [ Google Scholar ]
  37. راموس، ال. ماسیوتا، ام. مورایس، ام جی. آزنها، م. کونا فریرا، تی. پریرا، ای. Lourenco، P. HeritageCARE: حفاظت پیشگیرانه از میراث فرهنگی ساخته شده در جنوب غربی اروپا. 2018. موجود به صورت آنلاین: https://www.taylorfrancis.com/chapters/edit/10.1201/9781351014793-16/heritagecare-preventive-conservation-built-cultural-heritage-south-west-europe-ramoshazen-aciot -ferreira-pereira-louren%C3%A7o (دسترسی در 25 آوریل 2022). [ CrossRef ]
  38. GeoMax Zenith35 PRO BRO 849551 0916 en LR. در دسترس آنلاین: https://geomax-positioning.com/-/media/files/geomax/downloads/products/gnss/zenith35/geomax%20zenith35%20pro%20bro%20849551%200916%20en%20lr.ashx?la=en =12876B33E88473A55C6298DC60C7FFCC (در 6 نوامبر 2020 قابل دسترسی است).
  39. دیتاشیت SRSF6 Skyrobotic. در دسترس آنلاین: https://www.skyrobotic.com/wp-content/uploads/2015/09/Datasheet-SRSF6_Skyrobotic.pdf (در 6 نوامبر 2020 قابل دسترسی است).
  40. مشخصات DSC-QX100 در دسترس آنلاین: https://www.sony.co.uk/electronics/support/compact-cameras-dsc-qx-series/dsc-qx100/specifications (در 6 نوامبر 2020 قابل دسترسی است).
  41. گونزالس-آگیلرا، دی. لوپز-فرناندز، ال. رودریگز-گونزالوز، پ. هرناندز-لوپز، دی. گوئررو، دی. رموندینو، اف. منا، اف. نوچرینو، ای. توشی، آی. بالابنی، ع. و همکاران GRAPHOS – نرم افزار منبع باز برای برنامه های فتوگرامتری. فتوگرام ضبط 2018 ، 33 ، 11-29. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  42. Fraser, C. تنظیم کانونی چندگانه خود کالیبراسیون دوربین‌های متریک برد نزدیک. فتوگرام مهندس Remote Sens. 1980 , 46 , 1161-1171. [ Google Scholar ]
  43. Hirschmuller، H. پردازش استریو با تطبیق نیمه جهانی و اطلاعات متقابل. IEEE Trans. الگوی مقعدی ماخ هوشمند 2008 ، 30 ، 328-341. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  44. بسل، پی جی؛ مک کی، روش ND برای ثبت اشکال سه بعدی. سنسور فیوژن IV: پارادایم های کنترل و ساختارهای داده . Schenker, PS, Ed. انجمن بین المللی اپتیک و فوتونیک، SPIE: بلینگهام، WA، ایالات متحده آمریکا، 1992; جلد 1611، صص 586–606. [ Google Scholar ] [ CrossRef ]
  45. نمایشگر FSP. در دسترس آنلاین: https://www.fsoft.it/FSPViewer/ (در 26 دسامبر 2021 قابل دسترسی است).
  46. QField – کار میدانی کارآمد برای QGIS ساخته شده است. در دسترس آنلاین: https://qfield.org/ (دسترسی در 28 دسامبر 2021).
  47. مالی، ای. Suppasri, A. چارچوب سندای برای کاهش خطر بلایا در پنج: درسهایی از زلزله و سونامی بزرگ ژاپن شرقی 2011. بین المللی J. Disaster Risk Sci. 2020 ، 11 ، 167-178. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  48. اشنابل، آر. وال، آر. Klein, R. RANSAC کارآمد برای تشخیص شکل نقطه-ابر. محاسبه کنید. نمودار. انجمن 2007 ، 26 ، 214-226. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00291 g001 550
شکل 1. گردش کار روش.
Ijgi 11 00291 g002 550
شکل 2. نقشه دهانه لرزه ای در مرکز ایتالیا پس از زمین لرزه های 2016-2017 (منبع: گزارش تهیه شده توسط Ufficio Speciale Ricostruzione، ژانویه 2020) و شناسایی سایت مورد علاقه Gabbiano (Pieve Torina، ایتالیا).
Ijgi 11 00291 g003 550
شکل 3. ساختمان‌های آسیب‌دیده در گابیانو (پیو تورینا، ایتالیا) که روی آن‌ها می‌توان گونه‌های مختلف فروریختگی را مشاهده کرد. ( الف ) نمونه ای از نمای سنگی فروریخته، ( ب ) نمونه ای از ریزش سقف در ساختمان های سنگی، ( ج ) نمونه ای از ناحیه شهری کوچک با ترک و ( د ) نمونه ای از ساختمان جدیدتر با ترک.
Ijgi 11 00291 g004 550
شکل 4. مثال نقطه کنترل زمین.
Ijgi 11 00291 g005 550
شکل 5. برنامه SkyDirector مورد استفاده برای طرح پرواز پهپاد.
Ijgi 11 00291 g006 550
شکل 6. عکس اورتوفتو از ناحیه بررسی شده با مکان های GCP، خطای Z با رنگ بیضی و خطاهای X، Y که با شکل بیضی نشان داده شده است.
Ijgi 11 00291 g007 550
شکل 7. تصاویر 360 درجه مرتبط در QGIS.
Ijgi 11 00291 g008 550
شکل 8. ابر نقطه ای به دست آمده از بررسی زمینی LIDAR (نمای بالا).
Ijgi 11 00291 g009 550
شکل 9. ابر نقطه واحد: ( الف ) نمای هوایی و ( ب ) نمای خیابان.
Ijgi 11 00291 g010 550
شکل 10. نظم شکل در شرایط پلان: ( الف ) بدنه محدب به رنگ آبی. منطقه قرمز کمتر از 5 درصد از سطح سبز. ( ب ) حداقل مستطیل محدود شده به رنگ آبی. نسبت اضلاع مستطیل <4.
Ijgi 11 00291 g011 550
شکل 11. نمونه هایی از موقعیت های پلان سنجی در خوشه: ( الف ) «مرکز»، ( ب ) «زاویه»، ( ج ) «پایان». ساختمان به رنگ سبز، ساختمان‌های مجاور به رنگ فیروزه‌ای، مرکز به‌عنوان نقطه قرمز، بخش‌های تماس به‌عنوان خطوط قرمز بررسی شد.
Ijgi 11 00291 g012 550
شکل 12. تعیین حضور ساختمان های مجاور با ارتفاع های مختلف: ساختمان مورد بررسی به عنوان یک خط سبز، ساختمان های مجاور به عنوان خطوط آبی، بخش های تماس به عنوان خطوط قرمز، بافر به سمت ساختمان مورد بررسی به عنوان مناطق سبز و حایل به سمت ساختمان های مجاور به عنوان مناطق آبی. .
Ijgi 11 00291 g013 550
شکل 13. داده ها در QGIS: ( الف ) چند ضلعی ساختمان ها و نقاط تصاویر 360 درجه روی عکس ارتو ( ب ) تجسم ابر نقطه ای در یک نقشه سه بعدی.
Ijgi 11 00291 g014 550
شکل 14. داده ها در QGIS: ( الف ) DSM و ( ب ) DTM، با مقیاس رنگ کاذب طیفی.
Ijgi 11 00291 g015 550
شکل 15. جدول ویژگی برگه های AeDES.
Ijgi 11 00291 g016 550
شکل 16. تصاویری از برنامه Qfield با داده های تولید شده در داخل پروژه QGIS: ( الف ) نمای کلی لایه کاداستر، ارتوفوتو و لایه نقطه ای که ایستگاه های مختلف اسکن را نشان می دهد. ( ب ) نمای درخت پروژه. ( ج ) ظاهر برنامه زمانی که کاربر به داده های موجود در یک فایل شکل مراجعه می کند. و ( د ) ظاهر برنامه زمانی که کاربر یک فیلد را ویرایش می کند.
Ijgi 11 00291 g017 550
شکل 17. جدول خصوصیات ساختمان ها که پارامترهای محاسبه شده را نشان می دهد.
Ijgi 11 00291 g018 550
شکل 18. نقشه های موضوعی چهار پارامتر استخراج شده از ساختمان ها، نشان داده شده در QGIS: ( الف ) تعداد طبقات ( ب ) نظم شکل در پلان ( ج ) موقعیت پلان سنجی در خوشه ( د ) وجود ساختمان های مجاور با ارتفاع متفاوت.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید