مدلسازی و GIS :دینامیک فضایی و زمانی در مدلسازی محاسباتی

1. زمینه
2. مفاهیم اساسی دینامیک فضایی و زمانی
3. مدل‌سازی محاسباتی خاص و رویکردهای تحلیلی برای دینامیک فضایی و زمانی
4. GIS و مدلسازی دینامیک فضایی و زمانی
5. نمونه کاربردهای مدلسازی فضایی و زمانی
6. خلاصه

1. پس زمینه

دنیای ما دنیایی پویا است! پدیده های مختلف در فضا و در طول زمان تکامل و تغییر می کنند. پویایی فضایی-زمانی می تواند با سرعتی سریع یا آهسته اتفاق بیفتد، به اشکال مختلف عمل کند (به عنوان مثال، تعاملات رو در رو در مقابل تعاملات آنلاین)، و هم در محیط طبیعی و هم در جامعه انسانی وجود داشته باشد. با پیشرفت در فناوری محاسبات، استفاده از مدل‌های محاسباتی برای نمایش، تحلیل و تجسم دینامیک‌های پیچیده مکانی-زمانی امکان‌پذیر می‌شود. پویایی فضایی-زمانی ارتباط نزدیکی با مفاهیم تغییر و فرآیند دارد که شامل چه چیزی (مبتنی بر شی)، کجا (مبتنی بر مکان)، چه زمانی (مبتنی بر زمان)، و چگونه (بر اساس رویداد/فرایند) است. سیستم‌های اطلاعات جغرافیایی مرسوم (GIS) رویکردی فوری دارند که بر مکان‌های اشیاء مختلف (یعنی کجا و چه چیزی) تمرکز می‌کند و از لایه‌های نقشه GIS ایستا برای مقابله ضمنی با زمان استفاده می‌کند (i. ه.، چه زمانی). اگرچه رویکرد عکس فوری محققان را قادر می‌سازد تا تغییرات مربوط به مکان و مکان بین لایه‌های نقشه نقاط زمانی مختلف را بررسی کنند، اما محدودیت‌هایی در مدل‌سازی رویدادها و فرآیندها (به عنوان مثال، چگونگی) مرتبط با پویایی مکانی – زمانی پدیده‌های طبیعی و انسانی در دنیای واقعی دارد. . به عنوان مثال، شهرنشینی اغلب شامل رویدادها و فرآیندهای مختلفی است که منجر به تغییر در مرزهای شهری، الگوی کاربری زمین، سیستم اقتصادی و غیره می شود. نحوه نمایش، مدل‌سازی، و تجسم رویدادها و فرآیندها در رابطه با اشیا، مکان‌ها و زمان در مدل‌های محاسباتی برای مقابله مؤثر و کارآمد با دینامیک مکانی-زمانی، یک موضوع تحقیقاتی چالش برانگیز در علم اطلاعات جغرافیایی (GIScience) است. اگرچه رویکرد عکس فوری محققان را قادر می‌سازد تا تغییرات مربوط به مکان و مکان بین لایه‌های نقشه نقاط زمانی مختلف را بررسی کنند، اما محدودیت‌هایی در مدل‌سازی رویدادها و فرآیندها (به عنوان مثال، چگونگی) مرتبط با پویایی مکانی – زمانی پدیده‌های طبیعی و انسانی در دنیای واقعی دارد. . به عنوان مثال، شهرنشینی اغلب شامل رویدادها و فرآیندهای مختلفی است که منجر به تغییر در مرزهای شهری، الگوی کاربری زمین، سیستم اقتصادی و غیره می شود. نحوه نمایش، مدل‌سازی، و تجسم رویدادها و فرآیندها در رابطه با اشیا، مکان‌ها و زمان در مدل‌های محاسباتی برای مقابله مؤثر و کارآمد با دینامیک مکانی-زمانی، یک موضوع تحقیقاتی چالش برانگیز در علم اطلاعات جغرافیایی (GIScience) است. اگرچه رویکرد عکس فوری محققان را قادر می‌سازد تا تغییرات مربوط به مکان و مکان بین لایه‌های نقشه نقاط زمانی مختلف را بررسی کنند، اما محدودیت‌هایی در مدل‌سازی رویدادها و فرآیندها (به عنوان مثال، چگونگی) مرتبط با پویایی مکانی – زمانی پدیده‌های طبیعی و انسانی در دنیای واقعی دارد. . به عنوان مثال، شهرنشینی اغلب شامل رویدادها و فرآیندهای مختلفی است که منجر به تغییر در مرزهای شهری، الگوی کاربری زمین، سیستم اقتصادی و غیره می شود. نحوه نمایش، مدل‌سازی، و تجسم رویدادها و فرآیندها در رابطه با اشیا، مکان‌ها و زمان در مدل‌های محاسباتی برای مقابله مؤثر و کارآمد با دینامیک مکانی-زمانی، یک موضوع تحقیقاتی چالش برانگیز در علم اطلاعات جغرافیایی (GIScience) است. چگونه) با پویایی مکانی و زمانی پدیده های طبیعی و انسانی در دنیای واقعی مرتبط است. به عنوان مثال، شهرنشینی اغلب شامل رویدادها و فرآیندهای مختلفی است که منجر به تغییر در مرزهای شهری، الگوی کاربری زمین، سیستم اقتصادی و غیره می شود. نحوه نمایش، مدل‌سازی، و تجسم رویدادها و فرآیندها در رابطه با اشیا، مکان‌ها و زمان در مدل‌های محاسباتی برای مقابله مؤثر و کارآمد با دینامیک مکانی-زمانی، یک موضوع تحقیقاتی چالش برانگیز در علم اطلاعات جغرافیایی (GIScience) است. چگونه) با پویایی مکانی و زمانی پدیده های طبیعی و انسانی در دنیای واقعی مرتبط است. به عنوان مثال، شهرنشینی اغلب شامل رویدادها و فرآیندهای مختلفی است که منجر به تغییر در مرزهای شهری، الگوی کاربری زمین، سیستم اقتصادی و غیره می شود. نحوه نمایش، مدل‌سازی، و تجسم رویدادها و فرآیندها در رابطه با اشیا، مکان‌ها و زمان در مدل‌های محاسباتی برای مقابله مؤثر و کارآمد با دینامیک مکانی-زمانی، یک موضوع تحقیقاتی چالش برانگیز در علم اطلاعات جغرافیایی (GIScience) است.

2. مفاهیم اساسی دینامیک فضایی و زمانی

دینامیک مکانی-زمانی یک اصطلاح بارگذاری شده است. برخی از مفاهیم اساسی مهم در این بخش معرفی می شوند:

2.1 فضا و زمان

GIS معمولی اشیاء مختلف را در دنیای واقعی بر اساس مختصات (x,y) آنها در یک فضای مطلق نشان می دهد، که مستقل از اشیا وجود دارد و به عنوان ظرفی از اشیاء مختلف عمل می کند. دو نمایش متداول GIS رویکرد مبتنی بر شی است که یک فضا را با اشیاء گسسته پر می کند و رویکرد مبتنی بر میدان که یک فضا را به واحدهای منظم یا نامنظم تقسیم می کند تا توزیع پیوسته پدیده ها را نشان دهد. کامارا و همکاران (1996) یک مدل داده شی گرا طراحی کرد که ایده های میدان ها و اشیاء را برای تجزیه و تحلیل پیشرفت محیطی ترکیب می کند. برخی از تحلیل‌های فضایی-زمانی نیز از اشیاء یا عوامل متقابل استفاده می‌کنند تا چگونگی شکل‌گیری الگوهای فضایی را بررسی کنند و مدل‌های رفتار محوری را که با تصمیم‌های فردی در مقیاس دقیق سازگار هستند، درخواست می‌کنند (Ye and Mansury 2016). علاوه بر مفهوم فضای مطلق استفاده شده در GIS معمولی، فضای نسبی و فضای رابطه ای به طور فزاینده ای با علم GIS در دنیای امروز مرتبط شده اند (Shaw and Sui 2018). به عنوان مثال، حسگرهای یک وسیله نقلیه خودران دائماً مکان های نسبی اشیاء اطراف را تشخیص می دهند. در این مورد، فضای نسبی بیشتر از فضای مطلق در برخورد با دینامیک فضایی و زمانی مرتبط است. فضای رابطه ای که مبتنی بر روابط توپولوژیکی بین اشیاء مختلف است (به عنوان مثال، شبکه های اجتماعی در بین کاربران فیس بوک)، همچنین نقش مهمی در پویایی فضایی و زمانی دنیای امروز ایفا می کند. از نظر زمان، بیشتر به عنوان در نظر گرفته می شود که بر اساس روابط توپولوژیکی بین اشیاء مختلف (به عنوان مثال، شبکه های اجتماعی در بین کاربران فیس بوک) است، همچنین نقش مهمی در پویایی فضایی و زمانی دنیای امروز ایفا می کند. از نظر زمان، بیشتر به عنوان در نظر گرفته می شود که بر اساس روابط توپولوژیکی بین اشیاء مختلف (به عنوان مثال، شبکه های اجتماعی در بین کاربران فیس بوک) است، همچنین نقش مهمی در پویایی فضایی و زمانی دنیای امروز ایفا می کند. از نظر زمان، بیشتر به عنوان در نظر گرفته می شودزمان خطی که در یک جهت حرکت می کند. با این حال، برخی از پدیده ها دارای یک الگوی چرخه ای مانند جزر و مد اقیانوس و الگوهای ترافیک روزانه هستند که نیاز به یک چارچوب مرجع از زمان چرخه ای دارند . در زمینه‌های تاریخ و برنامه‌ریزی، ما همچنین باید با زمان انشعاب کار کنیم تا سناریوهای مختلف را در گذشته یا آینده نشان دهیم. Snodgrass و Ahn (1985) برای ثبت زمان در یک پایگاه داده، تمایزی بین زمان معتبر (زمانی که یک رویداد در دنیای واقعی رخ می دهد) و زمان تراکنش (زمانی که یک رویداد در یک پایگاه داده ثبت می شود) پیشنهاد می کنند. بازنمایی این مفاهیم مختلف فضا و زمان برای مقابله با انواع دینامیک مکانی-زمانی، موضوع تحقیقاتی مهمی در طراحی یک GIS فضا-زمان است (Peuquet, 2002).

2.2 شناسایی، وضعیت، تغییر، رویداد و فرآیند

مریام وبستر پویایی را به عنوان “الگو یا فرآیند تغییر، رشد یا فعالیت” تعریف می کند. اشیاء مختلف اغلب با اختصاص یک هویت منحصر به فرد از یکدیگر متمایز می شوند . هر شیء همچنین دارای یک حالت خاص است که ویژگی ها (یا ویژگی های) آن را در یک زمان معین منعکس می کند. هنگامی که یک شی از یک حالت به حالت دیگر تغییر می کند، تغییر رخ می دهد. تغییرات توسط رویدادها (مثلاً یک تصادف ترافیکی) یا توسط فرآیندها ایجاد می شود(مثلاً شهرنشینی). رویدادها و فرآیندها می توانند در مقیاس های زمانی مختلف رخ دهند. گاهی اوقات ترسیم مرز روشنی بین رویدادها و فرآیندها دشوار است زیرا یک رویداد را می توان فرآیندی در مقیاس زمانی متفاوت در نظر گرفت. علاوه بر این، اشیاء می توانند هویت خود را پس از تغییر حفظ کنند (به عنوان مثال، طوفان اندرو از دسته 3 به دسته 4 تشدید شد) یا پس از تغییر به هویت جدیدی تبدیل شوند (به عنوان مثال، اتحاد جماهیر شوروی به چندین کشور مستقل تقسیم شد.) GIS عکس فوری معمولی می تواند لایه های نقشه نقاط زمانی مختلف را برای بررسی تغییرات پوشش دهد. با این حال، رویکرد لایه نقشه فوری نمی تواند به درستی وقایع و فرآیندهای پشت تغییرات را نشان دهد و مدل کند.

2.3 جغرافیای زمانی

تورستن هاگرستراند مفاهیم جغرافیای زمانی را برای مطالعه فعالیت های فردی انسان تحت محدودیت ها در زمینه فضا-زمان توسعه داد (Hägerstrand 1970). جغرافیای زمانی به دلیل سیستم نمادگذاری مسیر فضا-زمان ، که نشان دهنده مسیر حرکت یک فرد در طول فضا و در طول زمان و منشور فضا-زمان است، شناخته شده است.، که حداکثر وسعت فضا-زمان را که یک فرد می تواند تحت سرعت سفر و بودجه زمانی مشخص به آن دست یابد، مشخص می کند. جغرافیای زمانی به دلیل هزینه‌های جمع‌آوری داده‌های ردیابی فردی و قدرت محاسباتی محدود، در گذشته به طور گسترده در تحقیقات تجربی به کار نمی‌رفت. با فناوری‌های مدرنی که می‌توانند افراد را تقریباً در هر زمان و هر مکان ردیابی کنند و قدرت محاسباتی بسیار بالاتری ارائه دهند، جغرافیای زمان دوباره مورد توجه قرار گرفته است (شاو 2012). هاگرستراند (1982، ص 324) بیان می‌کند که در نوک هر مسیر فضا-زمان “یک جسم زنده وجود دارد که دارای خاطرات، احساسات، دانش، تخیل و اهداف است.” او نشان می دهد که افراد برای رسیدن به اهداف و اهداف خود پروژه ها را در محیط های مختلف و در مقیاس های مختلف دنبال می کنند. او همچنین از مفهوم استفاده می کنددیوراما نشان می دهد که هر فرد در بافتی از موجودات زنده و غیر زنده دیگری قرار دارد که بر فرد تأثیر می گذارد و تحت تأثیر قرار می گیرد (Hägerstrand 1982). الگوارد (2012، ص 18) اشاره می‌کند که هاگرستراند «در آخرین اثر اصلی و عهد فکری‌اش «پارچه هستی» (2009)، از واژه جغرافیای زمانی استفاده نکرد، حتی اگر این کتاب به‌عنوان شرحی از زمان او باشد. مفاهیم جغرافیایی و سیستم نشانه گذاری آن – البته با تمرکز بر جهان بینی اکولوژیکی. این جهان‌بینی اکولوژیکی، جغرافیای زمانی را با چارچوب نظری حتی گسترده‌تری برای مطالعه پویایی‌های مکانی-زمانی انسان در چارچوب محیط خارجی فراهم می‌کند.

2.4 اقتصاد سنجی فضایی

Paelinck و Klaassen (1979) بررسی اقتصاد سنجی فضایی را آغاز کردند. مدل‌های اقتصادسنجی فضایی با اثرات سرریز در میان مشاهدات جغرافیایی از نظر مکان، فاصله و توپولوژی سروکار دارند (Anselin 1988). با افزایش در دسترس بودن مجموعه داده های فضا-زمان، تجزیه و تحلیل داده های فضایی مقطعی به داده های پانل مکانی منتقل شده است (الهورست 2003). مدل‌های اقتصادسنجی فضایی ساختارهای داده‌های تابلویی را برای اندازه‌گیری تعاملات فضایی در مشاهدات جغرافیایی در یک زمینه پویا اتخاذ می‌کنند (Anselin et al. 2008). داده‌های پانل فضایی علاوه بر ناهمگونی بیشتر، هم خطی کمتر و درجات آزادی بیشتر، امکان کنترل مشترک اثرات مکانی و زمانی خاص را فراهم می‌کنند. علاوه بر این،

2.5 سیستم های اطلاعات جغرافیایی زمانی

سیستم اطلاعات جغرافیایی متعارف یک رویکرد عکس فوری دارد و به طور صریح با زمان سروکار ندارد. حرکات و دینامیک با بررسی تغییرات بین لایه های مختلف نقشه در GIS معمولی استنباط می شود. تحقیقات GIS زمانی در اواخر دهه 1980 آغاز شد (لانگران و کریسمن 1988، لانگران 1989). تعدادی از مدل‌های موقت GIS از آن زمان ارائه شده‌اند، از جمله مهر زمانی (مثلاً آرمسترانگ 1988)، مبتنی بر رویداد (مثلاً Peuquet & Duan 1995)، مبتنی بر حرکت (Laube 2014)، مبتنی بر فعالیت (مانند، Chen). و همکاران 2011)، مبتنی بر دامنه (یوان 1999)، و مبتنی بر فرآیند (براون و همکاران 2005). گودچایلد و همکاران (2007) یک نظریه کلی مبتنی بر مدل ژئواتم را برای ادغام رویکردهای مدل‌سازی مبتنی بر شی و میدانی پیشنهاد می‌کند. ژئواتم واحد اصلی تعریف شده برای یک ویژگی Z با یک مکان نقطه x در فضا-زمان چهار بعدی و مقدار ویژگی z(x) در مکان نقطه چهار بعدی داده شده است که به صورت tuple(x, Z بیان می شود. ، z(x)). میدان‌های جغرافیایی را می‌توان از ژئواتم‌ها برای یک ویژگی خاص Z و ژئواشیاء را می‌توان از ژئواتم‌ها بر اساس قوانین خاص جمع‌آوری کرد. ژئو دوقطبی ها برای مقابله با فعل و انفعالات معرفی شده اند. سیاباتو و همکاران (2018) مروری جامع از روند مدل‌سازی در GIS زمانی طی چهار دهه گذشته ارائه می‌کند. به طور کلی، پیشرفت GIS موقت مراحل زیر را در بر می گیرد: (1) فقط مکان ها را مدیریت کنید، (2) برچسب های زمانی را به عنوان ویژگی برای پرس و جوها اضافه کنید، (3) هم مکان و هم زمان را به عنوان بخشی از اشیاء که می توانند تجزیه و تحلیل و تجسم تغییرات را پشتیبانی کنند. و (4) مدل سازی فرآیندهای پویا. که به صورت tuple (x, Z, z(x)) بیان می شود. میدان‌های جغرافیایی را می‌توان از ژئواتم‌ها برای یک ویژگی خاص Z و ژئواشیاء را می‌توان از ژئواتم‌ها بر اساس قوانین خاص جمع‌آوری کرد. ژئو دوقطبی ها برای مقابله با فعل و انفعالات معرفی شده اند. سیاباتو و همکاران (2018) مروری جامع از روند مدل‌سازی در GIS زمانی طی چهار دهه گذشته ارائه می‌کند. به طور کلی، پیشرفت GIS موقت مراحل زیر را در بر می گیرد: (1) فقط مکان ها را مدیریت کنید، (2) برچسب های زمانی را به عنوان ویژگی برای پرس و جوها اضافه کنید، (3) هم مکان و هم زمان را به عنوان بخشی از اشیاء که می توانند تجزیه و تحلیل و تجسم تغییرات را پشتیبانی کنند. و (4) مدل سازی فرآیندهای پویا. که به صورت tuple (x, Z, z(x)) بیان می شود. میدان‌های جغرافیایی را می‌توان از ژئواتم‌ها برای یک ویژگی خاص Z و ژئواشیاء را می‌توان از ژئواتم‌ها بر اساس قوانین خاص جمع‌آوری کرد. ژئو دوقطبی ها برای مقابله با فعل و انفعالات معرفی شده اند. سیاباتو و همکاران (2018) مروری جامع از روند مدل‌سازی در GIS زمانی طی چهار دهه گذشته ارائه می‌کند. به طور کلی، پیشرفت GIS موقت مراحل زیر را در بر می گیرد: (1) فقط مکان ها را مدیریت کنید، (2) برچسب های زمانی را به عنوان ویژگی برای پرس و جوها اضافه کنید، (3) هم مکان و هم زمان را به عنوان بخشی از اشیاء که می توانند تجزیه و تحلیل و تجسم تغییرات را پشتیبانی کنند. و (4) مدل سازی فرآیندهای پویا. ژئو دوقطبی ها برای مقابله با فعل و انفعالات معرفی شده اند. سیاباتو و همکاران (2018) مروری جامع از روند مدل‌سازی در GIS زمانی طی چهار دهه گذشته ارائه می‌کند. به طور کلی، پیشرفت GIS موقت مراحل زیر را در بر می گیرد: (1) فقط مکان ها را مدیریت کنید، (2) برچسب های زمانی را به عنوان ویژگی برای پرس و جوها اضافه کنید، (3) هم مکان و هم زمان را به عنوان بخشی از اشیاء که می توانند تجزیه و تحلیل و تجسم تغییرات را پشتیبانی کنند. و (4) مدل سازی فرآیندهای پویا. ژئو دوقطبی ها برای مقابله با فعل و انفعالات معرفی شده اند. سیاباتو و همکاران (2018) مروری جامع از روند مدل‌سازی در GIS زمانی طی چهار دهه گذشته ارائه می‌کند. به طور کلی، پیشرفت GIS موقت مراحل زیر را در بر می گیرد: (1) فقط مکان ها را مدیریت کنید، (2) برچسب های زمانی را به عنوان ویژگی برای پرس و جوها اضافه کنید، (3) هم مکان و هم زمان را به عنوان بخشی از اشیاء که می توانند تجزیه و تحلیل و تجسم تغییرات را پشتیبانی کنند. و (4) مدل سازی فرآیندهای پویا.

3. مدلسازی محاسباتی خاص و رویکردهای تحلیلی برای دینامیک فضایی و زمانی

انواع مختلف دینامیک مکانی-زمانی نیاز به مدل‌سازی محاسباتی و رویکردهای تحلیلی متفاوتی برای مدل‌سازی مؤثر و کارآمد تغییرات و فرآیندهای خود دارند. این بخش برخی از روش‌های مدل‌سازی محاسباتی و تحلیلی رایج برای ثبت دینامیک‌های مکانی و زمانی را ارائه می‌کند.

3.1 رگرسیون پانل فضایی

داده‌های پانل فضایی به مشاهدات مکانی – زمانی اشاره دارد که در نقاط اندازه‌گیری شده یا روی چندضلعی‌ها جمع‌آوری شده‌اند (الهورست، 2003). تعاملات و ارتباط بین هر جفت مشاهده توسط یک ماتریس وزن فضایی تعریف می شود. تغییرات بین و بین مشاهدات در طول زمان به ترتیب دو منبع تغییر نامیده می شوند. چنین تغییراتی بین و درون در مدل‌های رگرسیون پانل فضایی نشان داده می‌شود: مدل حداقل مربعات معمولی تلفیقی (اجرای مدل حداقل مربعات معمولی بر روی داده‌های تابلویی)، مدل اثرات ثابت (پارامترهای مدل رگرسیون یا میانگین‌های گروه ثابت هستند). و مدل اثرات تصادفی (اجرای یک رهگیری خاص در مدل پانل). در مدل پانل فضایی،

3.2 رگرسیون وزنی جغرافیایی (GTWR)

به عنوان یک توسعه زمانی رگرسیون وزن‌دار جغرافیایی استاندارد (GWR)، GTWR یک مدل محلی است که به طور همزمان غیرایستایی مکانی و زمانی را برای تولید پارامترهای محلی برای هر مکان در منطقه مورد مطالعه در نظر می‌گیرد (هوانگ و همکاران 2010؛ فوترینگهام و همکاران 2015). . در مقایسه با GWR، GTWR بعد زمانی فرآیندهای مکانی-زمانی را با تعبیه اثر زمان در پارامترهای رگرسیون فضایی برای تعیین کمیت ویژگی‌های مکانی-زمانی فرآیندهای غیرایستا محلی ترکیب می‌کند. از این رو، GTWR را می توان برای ارزیابی تغییرات فعالیت های اجتماعی-اقتصادی و فرآیندهای محیطی در فضا و زمان، مانند پراکندگی شهری و انتشار بیماری، به کار برد. متفاوت از GWR که فقط مجاورت فضایی بین اشیاء تعریف شده توسط توابع هسته فضایی را در نظر می گیرد، GTWR هم اثرات مکانی و هم زمانی را در نظر می گیرد. بدین ترتیب،

3.3 تجزیه و تحلیل داده های فضا-زمان اکتشافی (ESTDA)

هدف از تجزیه و تحلیل داده های اکتشافی را می توان به عنوان تشخیص الگوها، روندها و روابط در داده ها به منظور فرمول بندی کارآمد و خلاقانه فرضیه ها خلاصه کرد. ESTDA برای آشکار کردن ویژگی‌های فضا-زمان جفت شده پدیده‌های اجتماعی-اقتصادی توسعه یافته است که در غیر این صورت شناسایی نشده‌اند (Andrienko and Andrienko 2006; Ye and Rey 2013). ESTDA کارکردهای زیر را در زمینه فضا-زمان برجسته می‌کند: تجسم تعاملی پویایی توزیع‌های فضایی، آشکار کردن نقاط پرت مکانی-زمانی، شناسایی تکامل ارتباط مکانی و خوشه‌ها، و برجسته کردن مدل‌های آماری فضا-زمان. از طریق گسترش اثر فضایی (زمانی) به تجزیه و تحلیل داده های زمانی (مکانی) اکتشافی، ESTDA می تواند به طور سیستماتیک با استفاده از تلاش های مداوم در تجزیه و تحلیل مکانی و تجزیه و تحلیل سری های زمانی انجام شود.

3.4 اتوماتای ​​سلولی

اتوماتای ​​سلولی (CA) که در زیست‌شناسی تکاملی و حیات مصنوعی سرچشمه می‌گیرد، یک مدل مجزا متشکل از بسیاری از عناصر ساده و یکسان است که به صورت محلی با همسایگان نزدیک خود به سمت ساختاری در مقیاس بزرگ در حال ظهور تعامل دارند (باتی و زی، 1999). برای مثال، یک اتومات سلولی شهری با شبکه‌ای منظم از سلول‌ها با حالت‌های مختلف کاربری زمین، مانند مسکونی و تجاری، نشان داده می‌شود. ارزش هر سلول (استفاده از زمین) بر اساس قوانین محلی تغییر خواهد کرد. چنین مقداری در هر مرحله زمانی با توجه به تابع ریاضی وضعیت کاربری اراضی واحدهای مجاور در مرحله زمانی قبلی به روز می شود. مدل انتشار نوآوری فضایی هاگرستراند (1967)، جغرافیای سلولی توبلر (1979)،

3.5 مدل های مبتنی بر عامل

یک مدل مبتنی بر عامل (ABM) عملیات و تعاملات غیرخطی همزمان عوامل مستقل با توانایی اجتماعی را بازتولید و پیش‌بینی می‌کند. متفاوت از CA بر اساس همسایگی های فضایی ثابت، عوامل در ABM می توانند در سراسر فضا حرکت کنند تا با یکدیگر و همسایگی آن تعامل داشته باشند. همانطور که جنینگز و همکاران. (1998، p7) اشاره می‌کند، «دیدگاه مبتنی بر عامل مجموعه‌ای قدرتمند از ابزارها، تکنیک‌ها و استعاره‌ها را ارائه می‌دهد که پتانسیل بهبود قابل‌توجهی روش مفهوم‌سازی و پیاده‌سازی بسیاری از نرم‌افزارها را دارند». بسیاری از بسته‌های ABM برای انجام مجموعه‌ای از شبیه‌سازی‌ها برای کشف رفتارهای جمعی و ویژگی‌های نوظهور سیستم‌های پیچیده به شیوه‌ای طبیعی و انعطاف‌پذیر ایجاد شده‌اند (Bonabeau 2002). بنابراین ABM دیدگاهی از پایین به بالا برای رفتارهای مکانی و زمانی و پویایی محیط ارائه می دهد.

3.6 تجزیه و تحلیل مسیر

تجزیه و تحلیل مسیر اجسامی را که در طول زمان حرکت می کنند یا جابجا می شوند، تجزیه و تحلیل می کند. رفتار یک جسم را می توان با تجزیه و تحلیل ویژگی های مسیر حرکت آن مانند مکث، سرعت یا جهت حرکت آشکار کرد (Dodge 2016). طیف گسترده ای از داده های ردیابی مسیر مانند داده های ردیابی تلفن همراه، داده های ردیابی تاکسی، داده های ردیابی شبکه اجتماعی آنلاین، داده های ردیابی محموله و داده های ردیابی حیوانات وجود دارد (Halloway and Miller 2018). داده‌های مسیر مسیرهای حرکت در زمان واقعی را که به صورت مجموعه‌ای از موقعیت‌ها در طول زمان نمونه‌برداری می‌شوند، ردیابی می‌کنند. تجزیه و تحلیل مسیر همچنین با مسئله عدم قطعیت در اتصال نقاط نمونه گیری مواجه می شود، زیرا نرخ نمونه برداری پایین رایج است. به عنوان مثال، به جای حرکات خطی، مدل حرکت پل براونی حرکات تصادفی را فرض می کند (ونک و همکاران 2016). برای تجزیه و تحلیل حرکات با سرعت بالا در نقشه های نامشخص، فرض استقلال وکسل باید آرام شود (Heiden et a. 2017). علاوه بر این، اطلاعات غنی و متنوع را می توان به صورت پویا در هر موقعیت مرتبط کرد، از جمله ویژگی های انسانی، ویژگی های جغرافیایی، ساختار شهری و غیره. از چنین اطلاعاتی می توان برای به دست آوردن بینشی در مورد الگوها و مکانیسم های حرکات انسان استفاده کرد (Shaw et al. 2016, Shaw and Sui 2018).

3.7 تجزیه و تحلیل شبکه های اجتماعی فضایی

یکی از رویکردهای رایج تحلیل شبکه های اجتماعی فضایی، اتصال افراد در یک شبکه اجتماعی به مکان های مرتبط با آنها در فضای فیزیکی است (اندریس 2016). این مکان‌های فضایی در طول زمان فضای فعالیت افراد را تشکیل می‌دهند که نمایانگر زندگی اجتماعی آنهاست. بنابراین، دیدگاه فضا-زمان را می‌توان در روابط اجتماعی گنجاند، و نشان می‌دهد که چگونه فاصله جغرافیایی، نزدیکی و ساختار ممکن است شبکه‌های اجتماعی را در زمینه‌های مرتبط با هم در طول زمان شکل دهند. علاوه بر این، پویایی رفتاری انسان در فضای فیزیکی ارتباط زیادی با روابط اجتماعی در فضاهای مجازی و رابطه‌ای در مقیاس‌ها و سطوح مختلف دارد که پیامدهای زیادی بر تعامل اجتماعی-فضایی در برنامه‌ریزی و طراحی شهری دارد (Ye and Liu 2018; Shaw). و Sui 2018).

3.8 تجزیه و تحلیل بصری مکانی-زمانی

برای توسعه پرسش‌های پژوهشی نوآورانه از داده‌های فضا-زمان، محققان می‌توانند از کاوش بصری تکراری بهره ببرند و از دانش حوزه خود برای هدایت فرآیند اکتشاف استفاده کنند (الدوهوکی و همکاران 2017). یک سیستم نرم افزاری تجزیه و تحلیل بصری مکانی-زمانی باید ویژگی های زیر را ارائه دهد: (1) پلت فرم محاسباتی قدرتمند به طوری که کاربران دامنه توسط منابع محاسباتی خود محدود نشوند و بتوانند وظایف خود را بر روی رایانه یا دستگاه های تلفن همراه خود انجام دهند، (2) دروازه دسترسی آسان به طوری که داده های مکانی-زمانی را می توان توسط محققان حوزه های مختلف بازیابی، تجزیه و تحلیل و تجسم کرد، و نتایج آنها را می توان توسط دیگران به اشتراک گذاشت و از آنها استفاده کرد، (3) ذخیره سازی و مدیریت داده های مقیاس پذیر که از انواع پرس و جوهای داده با پاسخ های فوری پشتیبانی می کند، (4) تجسم های اکتشافی که آموزنده، شهودی،

4. GIS و مدلسازی دینامیک فضایی و زمانی

بسیاری از مدل‌سازی دینامیک مکانی-زمانی و رویکردهای تحلیلی که در بخش قبل مورد بحث قرار گرفت، می‌توانند بدون GIS انجام شوند. برای مثال، کرسی و وینکل (2011) روش‌های اکتشافی مختلفی را برای داده‌های مکانی-زمانی، مدل‌های آماری مکانی-زمانی و مدل‌های مکانی-زمانی پویا از دیدگاه‌های آماری ارائه می‌کنند. همچنین انجام شبیه‌سازی مبتنی بر عامل و تجزیه و تحلیل شبکه برای مطالعه دینامیک مکانی-زمانی خارج از یک محیط GIS امکان پذیر است. گودچایلد (2013) چشم اندازهای یک GIS فضا-زمان (STGIS) را بر اساس هفت شکل متمایز از داده های فضا-زمان مورد بحث قرار می دهد (یعنی ردیابی، توالی های زمانی عکس های فوری، توالی های زمانی پوشش های چند ضلعی، اتوماتای ​​سلولی، مدل های مبتنی بر عامل، رویدادها و معاملات و داده های چند بعدی). او نتیجه می گیرد که، به دلیل تفاوت زیاد در انواع مختلف داده‌های فضا-زمان و سؤالات علمی در هر مورد، بعید است که شاهد ظهور یک GIS فضا-زمان واحد باشیم و «تعدادی از اشکال متمایز STGIS احتمالاً تکامل می‌یابند. بر اساس انواع داده های متمایز و مجموعه سوالات علمی. (Goodchild, 2013, p. 1076) دو رویکرد کلی برای جفت کردن مدل های دینامیکی مکانی-زمانی با GIS وجود دارد. اتصال شل بر اساس تبادل داده بین نرم افزار GIS و نرم افزار مدل سازی خارجی است در حالی که هیچ اشتراکی از پایگاه داده یا توابع مدل سازی وجود ندارد. از سوی دیگر، اتصال تنگ، یک محیط توسعه را برای کاربران فراهم می‌کند تا توابع مدل‌سازی پویا مکانی-زمانی را در یک GIS یا اجرای توابع GIS در یک محیط مدل‌سازی پیاده‌سازی کنند.

5. کاربردهای مدل سازی دینامیک فضایی و زمانی

5.1 گسترش بیماری

از آنجایی که عوامل محیطی و اجتماعی-اقتصادی با هم مرتبط هستند، مدل‌های فضایی-زمانی می‌توانند به ما کمک کنند تا بفهمیم که چگونه موارد بیماری از نظر مکانی خوشه‌بندی می‌شوند و در طول زمان گسترش می‌یابند. بیماری های عفونی می توانند بسیار سریع بر اساس شبکه های حمل و نقل از مقیاس محلی به جهانی مانند همه گیری آنفلوانزا منتشر شوند. علاوه بر این، سلسله مراتب شهری و زوال فاصله با گسترش بیماری مرتبط است (Congdon 2016). برای پرداختن به پراکندگی فضایی و تأخیرهای زمانی مؤثر بر گسترش، بسیاری از مدل‌های فضایی-زمانی ایجاد شده‌اند، مانند مدل فضا-زمان BME (حداکثر آنتروپی بیزی) – SIR (مستعد-عفونت-بازیابی شده) در بیماری دست-پا-دهان و اپیدمی سفر. مدل گسترش بیماری فضا-زمان در شرایط عدم قطعیت (Angulo et al. 2013; Christakos et al. 2017). علاوه بر این،

5.2 انتشار اطلاعات/مم

کاربرد روزافزون محبوب دستگاه های هوشمند تلفن همراه، استفاده از برنامه های مختلف رسانه های اجتماعی را افزایش داده است. بنابراین، فعالیت‌های رسانه‌های اجتماعی که به اخبار مختلف پاسخ می‌دهند، در فعالیت‌های روزانه بسیاری از افراد ادغام شده‌اند و شبکه‌های اجتماعی پخش پیام را تشکیل می‌دهند. بررسی الگوی و روند انتشار میم در شبکه‌های اجتماعی می‌تواند آمادگی برای بلایای طبیعی یا بحران‌های انسانی را تسهیل کند. به عنوان مثال، بسته منبع باز SocialNetworkSimulator در github شامل مدل‌ها و الگوریتم‌های مکانی-زمانی برای تولید و تجزیه و تحلیل شبکه‌های اجتماعی فضایی، شناسایی جوامع کاربر و شبیه‌سازی انتشار اطلاعات در زمینه فضا، زمان و شبکه است (Ye et al. 2018).

5.3 گسترش شهری

پراکندگی شهری با مورفولوژی های ناپیوسته در حاشیه شهرها مشخص می شود. باتی (2013) پیشنهاد می کند که شهرها را می توان از طریق سیستم های زنده شبکه ها و جریان ها بهتر درک کرد. بیشتر مدل‌های پراکندگی شهری در عمل از اقدامات در سطح خرد و تعاملات/جریان‌های فرامقیاس برای کشف الگوهای سطح کل استفاده می‌کنند، که می‌تواند برای هدایت مقررات استفاده از زمین یا سیاست‌های حمل‌ونقل در رشد مورد استفاده قرار گیرد. رابطه بین کاربری زمین و حمل و نقل معمولا مورد بررسی قرار می گیرد. رویکردهای جغرافیایی با در نظر گرفتن انگیزه های انسانی در مدل های مکانی-زمانی می تواند کاربرد آنها را در دنیای واقعی تسهیل کند.

5.4 پویایی فعالیت های انسانی

داده های تفصیلی فعالیت ها و تعاملات فردی توسط فروشندگان، ارائه دهندگان خدمات و سازمان های دولتی جمع آوری می شود. این اطلاعات می تواند تحرک انسان را در مقیاس های زمانی و مکانی دقیق نشان دهد (شاو و همکاران، 2016؛ شاو و سوی، 2018). ویژگی های افراد مانند وضعیت اجتماعی-اقتصادی و ویژگی های جمعیت شناختی اغلب بر پویایی فعالیت آنها مانند مسافت سفر، دفعات بازدید از سایت های خاص و حتی ساختار فضایی جوامع تأثیر می گذارد. علاوه بر این، شبکه بین مکان‌های متصل از طریق تحرک انسان می‌تواند برای شناسایی عملکرد مکان‌ها و عدم تطابق فضایی احتمالی بین کاربری زمین و نیازهای فردی مورد استفاده قرار گیرد (لیو و همکاران، 2018).

5.5 جریان ترافیک

فن‌آوری‌های پیشرفته در سنجش و محاسبات، مجموعه داده‌های مسیر شهری را از انسان‌ها و وسایل نقلیه‌ای که در شبکه‌های شهری (مانند جاده‌ها و حمل‌ونقل عمومی) حرکت می‌کنند، ایجاد کرده‌اند. تجزیه و تحلیل و درک داده های پیچیده و در مقیاس بزرگ که منعکس کننده پویایی شهری هستند برای بهبود زندگی انسان ها و محیط های شهری اهمیت زیادی دارد. به عنوان مثال، TrajAnalytics به عنوان نرم افزار مبتنی بر ابر برای تجسم داده های جریان ترافیک توسعه یافته است که می تواند از طریق مرورگرهای وب قابل دسترسی باشد (Al-Dohuki et al., 2017). از کاربران برای بارگیری داده های خط سیر خام و انجام تطبیق و تجمیع نقشه مبتنی بر جاده و منطقه برای ارزیابی جریان ترافیک پشتیبانی می کند.

5.6 مدلسازی محیطی

مدل‌سازی محیطی GIS شامل روش‌های آماری فضا-زمان مبتنی بر داده‌های پایش محیطی و سایر متغیرهای زمینه مرتبط است. به عنوان مثال، یوان (1994) یک GIS آتش سوزی برای پشتیبانی از مطالعات و عملیات آتش سوزی بر اساس چهار مدل مفهومی آتش سوزی ایجاد کرد: عکس های فوری مکان، موجودیت های آتش، عکس های فوری موجودیت، و موزاییک های آتش. جگر و همکاران (2002) فعالیت طوفان فصلی را با مشخص کردن ضرایب مکان-زمان محلی یک مدل خودرگرسیون فضا-زمان پواسون کوتاه شده به راست مطالعه کرد. برای تقویت حفاظت و مدیریت حیات وحش، تحقیقات بوم شناسی حرکتی به طور فعال برای بررسی تحرک فضایی-زمانی حیوانات، به ویژه گونه های متحرک در معرض خطر ترویج شده است (Fraser et al. 2018).

6. خلاصه

سیستم‌های اطلاعات جغرافیایی پیشرفت خوبی در ارائه و مدل‌سازی جایی که ویژگی‌های مختلف در یک زمان معین قرار دارند، داشته‌اند. وقتی ما از یک بازنمایی ایستا به یک بازنمایی پویا از جهان حرکت می کنیم، بسیار پیچیده تر از افزودن یک بعد زمانی به ابعاد فضایی است. فرآیندهای مختلفی که در مقیاس‌های زمانی و مکانی متفاوت اتفاق می‌افتند با یکدیگر تعامل دارند و منجر به تغییرات پیچیده‌ای در پدیده‌های مدل‌سازی می‌شوند. رویکردهای مختلفی برای مفهوم‌سازی پویایی مکانی و زمانی پدیده‌ها در حوزه‌های کاربردی مختلف وجود دارد. مدل‌های محاسباتی برای نمایش و تحلیل پدیده‌های دینامیکی تحت مفاهیم فضای مطلق، فضای نسبی و فضای رابطه‌ای و همچنین با زمان خطی، زمان چرخه‌ای، و زمان انشعاب احتمالاً به رویکردها و عملکردهای تحلیل متفاوتی برای رفع نیازهای مربوطه نیاز دارد. این مقاله برخی از مفاهیم اساسی و کاربردهای نمونه را برای نشان دادن چگونگی ثبت دینامیک مکانی-زمانی در مدل‌سازی محاسباتی و پتانسیل‌های آن در زمینه‌های کاربردی مختلف ارائه می‌کند.

حرکت از GIS لحظه ای استاتیک به GIS زمانی که می تواند انواع مختلفی از دینامیک های مکانی-زمانی را بهتر مدیریت کند، تلاش های تحقیقاتی قابل توجهی را به خود جلب کرده است. مدل‌های داده زیادی برای GIS زمانی پیشنهاد شده‌اند و توسعه یک چارچوب علم GIS یکپارچه برای ادغام این رویکردهای مختلف و تعاریف فضا-زمان یک چالش تحقیقاتی باقی مانده است. همچنین مقایسه تفاوت‌های دینامیک مکانی – زمانی بین مکان‌های مختلف مفید است. پویایی فضایی و زمانی را می توان در مقیاس های مختلف (به عنوان مثال، فردی، محلی، میانی و جهانی) و از ابعاد چندگانه (مانند الگوی مکانی، روند زمانی، و توزیع آماری) به گونه ای که بتوان یک چارچوب تحلیلی جامع را به طور سیستماتیک بر اساس ترکیب این ابعاد و مقیاس ها برای شناسایی شکاف ها و مرزهای تحقیقاتی توسعه داد (Ye and Rey 2013). حرکت داده‌های باز و پیاده‌سازی جعبه ابزار منبع باز با زبان‌های برنامه‌نویسی/اسکریپت‌نویسی مانند R و Python یک تغییر پارادایم چشمگیر در تحقیقات دینامیک مکانی-زمانی به سمت همکاری بین رشته‌ای قوی و قابل اعتماد ایجاد کرده است.

محاسبات نقش اصلی را در توسعه مدل‌ها و کاربردهای جدید فضا-زمان ایفا می‌کند، که زندگی روزمره ما را از افراد به محله‌ها و تا مقیاس جهانی شکل می‌دهد (Deng et al. 2018). با این حال، پیچیدگی زیربنای پویایی فضا-زمان و شدت محاسبات مرتبط با پردازش پایگاه‌های اطلاعاتی زمین مرجع تقریباً زمان واقعی، محدودیت‌هایی را برای پیشرفت علمی در نظریه‌ها و روش‌ها ایجاد می‌کند. علاوه بر این، خودهمبستگی و ناهمگنی فضایی و زمانی چالش‌های بیشتری را برای خلاصه‌سازی، بهینه‌سازی و تخمین داده‌ها به همراه خواهد داشت (Anselin and Rey 2012). فن‌آوری شتاب‌دهنده مدرن و سیستم‌های کامپیوتری ترکیبی را می‌توان برای رسیدگی به محدودیت‌های محاسباتی در آمار فضا-زمان به‌ویژه برای گلوگاه محاسباتی در شبیه‌سازی مونت کارلو به کار برد (Marjoram et al. 2003, Anselin and Rey 2012, Robert and Casella 2013. اگرچه زیرساخت سایبری پتانسیل زیادی برای کاهش هزینه های محاسباتی فراهم می کند، بیشتر ساختارهای داده فضا-زمان موجود و توابع تحلیلی باید دوباره طراحی شوند تا در ظرفیت های محاسباتی با کارایی بالا قرار گیرند. ما هنوز در مرحله اولیه غلبه بر چالش های تحقیقاتی ثبت دینامیک مکانی-زمانی در مدل سازی محاسباتی هستیم.