پشتیبانی رو به جلو—تصاویر موزاییک مبتنی بر ابر برای عملیات اضطراری

موسسه فناوری‌های خلاق (ICT) ایجاد زمین یک جهان (OWT) را دنبال کرده است که هدف آن ارائه مجموعه‌ای از قابلیت‌ها و خدمات جهانی سه بعدی است که می‌تواند پوشش و پیچیدگی‌های محیط عملیاتی را تکرار کند. تحقیقات در حمایت از One World Terrain از طریق توسعه بهترین شیوه‌ها برای ارائه موزاییک شطرنجی از طریق سرویس میزبانی ابری، ایجاد شده با استفاده از جعبه ابزار Geoprocoessing OptimizeRasters و اسکریپت پیکربندی مجموعه داده‌های Mosaic انجام شد. اگرچه در نهایت در توسعه موزاییک شطرنجی و میزبانی آنلاین آن موفق بود. تلفات فشرده سازی JPEG یک مشکل کلیدی در مجموعه داده بزرگتر Rose Bowl بود. علاوه بر این، میزبانی تصاویر از طریق ArcGIS Online باعث افزایش اندازه فایل فشرده شده است. آن را با اندازه فایل اصلی داده ها مقایسه می کند. آزمایشات آینده باید استفاده از سرور سازمانی را برای جلوگیری از این مشکل در نظر بگیرد. فشرده سازی MRF_LERC به عنوان پیکربندی فایل ایده آل شناسایی شد. و ArcGIS Online به عنوان یک رسانه میزبانی سازمانی ضعیف شناسایی شد. ما همچنین راه‌های مختلفی را برای بهبود اسکریپت MDCS شناسایی کرده‌ایم تا کل فرآیند را به طور موثرتری خودکار کنیم.

کلید واژه ها

فضای ذخیره سازی ابری ، موزاییک ، شطرنجی ، کاشی کاری ، اهرام ، OptimizeRasters ، MDCS

1. مقدمه

اطلاعات مکانی نقش مهمی را در عملیات امنیت انسانی ایفا می کند. در این فضا، آمادگی معمولاً به عنوان پیش درآمد موفقیت عمل می کند. مدیران اورژانس می توانند تأثیر فاجعه را از طریق کاهش و حوادث احتمالی محدود کنند. این اقدامات با درک کامل از محیط عملیاتی امکان پذیر است که توسط هوش مکانی تسهیل می شود. گاهی اوقات موانعی برای استفاده موثر از هوش مکانی وجود دارد، مانند روش‌های مختلف جمع‌آوری که می‌تواند تفسیر اطلاعات را به یک فرآیند کند تبدیل کند. همچنین پایگاه‌های داده و سازمان‌های مختلفی وجود دارند که داده‌ها را نگهداری می‌کنند، اما به راحتی آن‌ها را به اشتراک نمی‌گذارند یا استانداردهای یکسانی را رعایت نمی‌کنند، که کاربرد وسیع آن را محدود می‌کند. علاوه بر این، تعداد تصاویر هوایی جمع‌آوری‌شده مشکلات ذخیره‌سازی را ایجاد می‌کند. در پاسخ،1 ]. این امر به برنامه ریزی و تصمیم گیری سریعتر در حمایت از عملیات امنیت انسانی اجازه می دهد، خواه مدیریت یک منطقه بلایای طبیعی باشد یا عملیات نظامی برای ایمن سازی اهداف با ارزش. با این پروژه بلندپروازانه، مسائل مربوط به ذخیره سازی و گردآوری مقادیر زیادی از تصاویر هوایی که از طریق منابع مختلف جمع آوری شده است، به وجود می آید.

این تحقیق از OWT با محدود کردن روش‌های مختلف تحویل برای موزاییک‌های شطرنجی از طریق خدمات میزبانی ابری از طریق اجرای فشرده‌سازی فایل با استفاده از جعبه ابزار Geoprocessing OptimizeRasters و اسکریپت پیکربندی مجموعه داده موزائیک (MDCS) پشتیبانی می‌کند. این دو برنامه به صورت پشت سر هم برای آماده سازی داده ها برای تحویل ابری به کاربر نهایی استفاده می شوند، که احتمالاً یک پاسخ دهنده اضطراری است که در یک محیط با پهنای باند کم کار می کند [ 2 ]. به دلیل محیط‌های سخت و موقعیت‌های پرخطری که کاربران احتمالاً خود را در روش فشرده‌سازی انتخاب شده برای داده‌های ICT می‌بینند، باید به سرعت در دسترس باشد و برنامه‌ریزی ماموریت عجولانه را تسهیل کند.

موزاییک کردن داده‌های شطرنجی نه تنها در توسعه موزاییک، بلکه در تحویل آن نیز چالش‌هایی را ایجاد می‌کند [ 3 ]. تحویل موزاییک به کاربر نهایی نیازمند یک سیستم تحویل سازگار با ماشین‌ها و پهنای باند مختلف است. کاربران به طور بالقوه در محیط‌های سخت‌گیرانه با پشتیبانی محدود فناوری اطلاعات قرار می‌گیرند که نیازمند روشی برای تحویل است که الزامات کاربر را محدود می‌کند. برنامه نهایی و نحوه تحویل آن به الزامات ماموریت، تعداد افرادی که به داده ها دسترسی دارند، نحوه ذخیره آن و نحوه استفاده از آن بستگی دارد.

2. پس زمینه

از لحاظ تاریخی، تصاویر سنجش از راه دور قبل از استفاده در برنامه های GIS با بسته های نرم افزاری پیش پردازش می شدند. این فرآیند شامل تصحیح قائم، شارپنینگ، بهبود تصویر، موزاییک کردن و برش دادن بود. هر یک از این مراحل منجر به نتایج میانی می شود که فضای دیسک را اشغال می کنند، علاوه بر اینکه زمان را برای نوشتن نتایج میانی روی دیسک می گیرند [ 4 ]. این گردش کار سنتی در سناریوهای فاجعه که در آن واکنش سریع بسیار مهم است، ناکارآمد است. به همین دلیل، صنعت هوش مکانی از گزینه‌های ذخیره‌سازی محلی به محیط‌های ابری گذر کرده است.

مجموعه قابل توجهی از ادبیات مربوط به کارایی تولید کاشی های نقشه برای خدمات وب تحت پهنای باند محدود [ 5 ] وجود دارد. مجموعه ابزارهای مختلف موزاییک سازی و ژئوپردازش هرمی مانند مجموعه ابزار داده موزائیک وجود دارد. با این حال، عملکرد اهرام و تصاویر موزاییک شده تا حد زیادی به قابلیت های سرور بستگی دارد. بنابراین ذخیره سازی ابری به طور کلی ترجیح داده می شود، زیرا قابلیت های سرور توسط یک طرف خارجی حفظ می شود. مجموعه ابزار OptimizeRaster در درجه اول مبتنی بر ابر است نه وابسته به ذخیره سازی محلی و یک سرور محلی، که آن را به گزینه بهتری نسبت به سایر مجموعه ابزارها برای نیازهای ICT تبدیل می کند [ 6 ]. گزینه دیگر برای موزاییک مبتنی بر ابر، سرور تصویر ArcGIS ESRI است [ 7]. با این حال، این ابزار قدیمی‌تر از OptimizeRasters است و عمدتاً برای ArcGIS Desktop، نسخه‌های قبل از 10.3 و قبل از آن طراحی شده است [ 6 ]. OptimizeRasters را می توان در ArcGIS Desktop یا ArcGIS Pro استفاده کرد و برای نسخه های بعد از 10.3 در دسترس است.

3. اطلاعات و روشها

3.1. داده ها

برای اهداف این پروژه، دو مجموعه داده دنیای واقعی توسط موسسه فناوری‌های خلاق به منظور ساخت موزاییک‌های شطرنجی ارائه شد. اینها شامل تصاویر تصحیح شده از مرکز علمی کاتالینا USC ( شکل 1 ) و استادیوم رز بول ( شکل 2 ) بود. اگرچه این دو مجموعه داده کوچکتر از نیازهای زمین جهانی سه بعدی برنامه ریزی شده هستند، اما این دو مجموعه داده به ما اجازه می دهد تا اثربخشی روش های فشرده سازی مختلف را آزمایش کنیم، و بسیاری از ویژگی های مشابه، مانند سازه های بزرگ در یک محیط شهری (رز باول)، یا از راه دور را دارند. مکان ها (مرکز علمی کاتالینا).

مجموعه داده های مرکز علمی کاتالینا شامل تصاویر تصحیح شده است، به این معنی که تصاویر سنجش از راه دور هستند که از نظر هندسی برای اعوجاج لنز، شیب دوربین و غیره برای افزایش دقت تنظیم شده اند. در سال 2016 با DJI Phantom 4 جمع آوری شد. داده ها در یک سیستم مختصات WGS84 در UTM 11N جمع آوری شد. اندازه فایل TIF از 19 مگابایت تا 49 مگابایت است. حجم کلی فایل برای مرکز علوم 1.35 گیگابایت بود. داده ها در 3 باند (RGB) جمع آوری شد. نوع پیکسل عدد صحیح بدون علامت و عمق پیکسل 8 بیت است.

داده‌های Rose Bowl همچنین حاوی تصاویر تصحیح‌شده با پنجاه و نه فایل TIF و TFW است که در سال 2017 با DJI Phantom 4 جمع‌آوری شد. در یک سیستم مختصات WGS84 جمع‌آوری شد. این داده ها در 3 باند جمع آوری شد. اندازه سلول پیکسل 0.028، 0.028 است. عمق پیکسل 8 بیت است. اندازه کلی فایل مجموعه داده Rose Bowl قبل از فشرده سازی 2.71 گیگابایت است.

3.2. ابزار Mosaicking: OptimizeRasters

OptimizeRasters یک جعبه ابزار geoprocessing منبع باز است که توسط ESRI برای بهینه سازی تبدیل و فشرده سازی فایل ایجاد شده است. فرمت های مختلف فایل را به فرمت های بهینه تر مانند MRF، TIFF کاشی، و GeoTIFF بهینه سازی ابری تبدیل می کند. این امکان دسترسی کارآمدتر و مقیاس پذیرتر به داده ها را فراهم می کند. همچنین به و از یک سیستم ذخیره سازی سازمانی و/یا فضای ذخیره سازی ابری مانند Amazon S3، Microsoft Azure و Google Cloud Storage منتقل می شود. همچنین پروکسی‌های شطرنجی ایجاد می‌کند که مدیریت داده‌ها را با ذخیره‌سازی فایل‌های کوچک در سیستم‌های محلی که به فایل‌های بسیار بزرگ‌تر ذخیره‌شده در یک ابر ارجاع می‌دهند، ساده‌تر می‌کند [ 8 ]. از آنجایی که ICT خود را «داده آگنوستیک» می‌داند، ابزار OptimizeRasters در تبدیل انواع فایل‌های مختلف به یک نوع فایل یکنواخت و بهینه شده مفید هستند [ 9 ]]. ما MRF را مناسب‌ترین نوع فایل برای اهداف ICT می‌دانیم زیرا هم برای ذخیره‌سازی سازمانی و هم برای ذخیره‌سازی ابری بهینه شده است، بنابراین از دسترسی آن برای کسانی که خارج از شرایط کاری استاندارد کار می‌کنند پشتیبانی می‌کند [ 8 ].

3.3. فرمت متا رستر

داده‌های MRF کاشی‌کاری شده‌اند و دارای هرم هستند، مانند Tiled TIFF و Cloud Optimized GeoTIFF، و توسط ناسا با هدف صریح ذخیره‌سازی و نمایه‌سازی رسترها کارآمدتر از سایر انواع فایل توسعه داده شده است. این کارایی از توانایی ذخیره هرم، فهرست و ابرداده به صورت جداگانه به‌عنوان فایل‌های جداگانه ناشی می‌شود، به این معنی که می‌توان آنها را سریع‌تر خواند [ 10 ].

MRF علاوه بر فشرده سازی با نرخ خطای محدود (LERC) از فشرده سازی JPEG و LZW نیز پشتیبانی می کند. LERC یک روش فشرده‌سازی حتی کارآمدتر از JPEG و LZW است زیرا سرعت دسترسی به داده‌ها را افزایش می‌دهد و در عین حال فضای ذخیره‌سازی اضافی را نیز ذخیره می‌کند. شطرنجی های با عمق بیت بزرگ، مانند ارتفاع و تصاویر دوربین های دیجیتال بیشتر مستعد فشرده سازی با اتلاف هستند که توسط LERC [ 11 ] پشتیبانی می شود. از آنجایی که ICT خود را «داده ناشناس» می‌داند و برخی از داده‌ها ممکن است توسط تصاویر دیجیتال جمع‌آوری شوند، استفاده از پسوند LERC در طول تبدیل MRF گزینه خوبی برای اطمینان از یکنواخت بودن همه داده‌ها در فرآیند OptimizeRaster است. فایل MRF نیز مرتبط است، زیرا ما در حال حرکت به سمت زمانی هستیم که صنعت ما در حال گذار از محیط سنتی دسکتاپ به یک پلت فرم مبتنی بر ابر است [ 11 ]]. با این حال، اگر دانلود داده ها جزء مهمی برای استفاده برنامه محصول نهایی باشد، ممکن است MRF نوع فایل ایده آلی نباشد. دانلود داده‌های MRF برای کاربران زمان بیشتری می‌برد و فضای بیشتری برای ذخیره‌سازی می‌گیرد [ 10 ].

3.4. ابزارهای Mosaicking: اسکریپت های ایجاد مجموعه داده های موزاییک

هنگام بحث در مورد اسکریپت‌های ایجاد مجموعه داده‌های موزاییک (MDCS)، مهم است که در نظر بگیرید که مجموعه داده‌های موزاییک مجموعه‌ای است که به شما امکان می‌دهد مجموعه‌ای از داده‌های شطرنجی/تصویر را ذخیره کنید، اساساً ماتریسی از سلول‌ها و پیکسل‌هایی که در یک شبکه سازماندهی شده‌اند، با هر سلول. ” حاوی مقداری است که اطلاعاتی را نشان می دهد، به عنوان مثال دما. به این ترتیب، این مجموعه داده‌ها به شما امکان می‌دهند این مجموعه‌های داده را مدیریت، پرس و جو و مشاهده کنید [ 12 ]. MDCS با افزودن خودکار رستر و رسیدگی به تمام پارامترهای مورد نظر که در یک مرحله اجرا می شوند، ایجاد این مجموعه داده ها را امکان پذیر می کند. این باعث صرفه جویی در زمان کاربر می شود و ایجاد را از طریق یک اتوماسیون کارآمد و سازگار، و همچنین اطمینان از استفاده از بهترین شیوه ها، بسیار ساده تر می کند [ 13 ].

از آنجایی که این جریان‌های کاری پارامتری هستند، MDCS برای اهداف مستندسازی، به‌ویژه برای تضمین کیفیت و کنترل بسیار مفید است. کاربرد اصلی MDCS اجتناب از ایجاد هر مجموعه داده در یک زمان است. MDSC با ArcMap سازگار است، یک رابط کاربری که از آن می توان MDCS را فراخوانی کرد، که برای ساده تر کردن فرآیند UI توسعه یافته است. با این حال، به دانش فایل های XML و درک پایه ای از ایجاد و استفاده از مجموعه داده های موزاییک نیاز دارد. دلیل اینکه این اتوماسیون بسیار مهم است، به شرطی که کاربر این پایه و اساس درک را داشته باشد، این است که ایجاد دستی مستعد خطا است. MDSC یک راه حل مناسب برای ایجاد فرآیند ایجاد رسترهای موزاییکی قابل تکرار و به اندازه کافی مستند ارائه می کند [ 13 ].

3.5. مواد و روش ها

جعبه ابزار OptimizeRasters ابتدا برای استانداردسازی و فشرده سازی مجموعه داده های Rose Bowl و مرکز علمی کاتالینا استفاده شد. پارامترهای “مسیر ورودی” و “مسیر خروجی” فرصتی برای کاربر برای اضافه کردن منابع محلی یا مبتنی بر ابر است. برای گزینه‌های مختلف «فایل پیکربندی» به شکل 3 زیر مراجعه کنید . در این مطالعه، هر دو “تصویر به MRF_JPEG” و “تصویر به MRF_LERC” برای مقایسه نتایج دو گزینه استفاده شد. سپس فایل‌های MRF_LERC از طریق فایل دسته‌ای ویندوز MDCS فشرده شدند.

ICT در زمان این پروژه در حال ارتقای زیرساخت خود بود، بنابراین هیچ دسترسی به محیط Enterprise Server ICT، Microsoft Azure یا خدمات AWS S3 وجود نداشت. اگر دسترسی وجود داشت، فایل‌های فشرده‌شده در یک محیط سازمانی آپلود می‌شدند و به راحتی قابل دانلود بودند. در عوض، داده های فشرده شده MRF LERC تولید شده از MDCS به عنوان یک سرویس از ArcCatalog به یک حساب آنلاین ArcGIS منتشر شد ( شکل 4 ) [ 14 ]. در ArcGIS Online این داده ها فقط در میان کاربران موسسه علوم فضایی USC قابل دسترسی است، اما

در صورت تمایل می توان از طریق مجوزها با مخاطبان گسترده تری به اشتراک گذاشت [ 15 ]. این تغییر از Azure/AWS S3 به ArcGIS Online فرصتی برای ارزیابی قابلیت ArcGIS Online به عنوان یک پروکسی میزبانی وب فراهم کرد.

4. نتایج

از طریق استفاده از OptimizeRasters و MDCS، ما توانستیم فایل‌های موزاییک شطرنجی را با اندازه فایل بسیار کوچک‌تر از اصلی‌شان تولید کنیم، از نظر تئوری، آنها را برای تحویل از طریق سیستم‌های ابری مانند AWS S3 و Microsoft Azure ایده‌آل می‌کند [ 16 ].]. کاهش اندازه فایل کلیدی بود، زیرا اگرچه سیستم های ابری سرعت بسیار چشمگیری دارند. دانلود داده ها در ایستگاه های کاری فیزیکی یا دستگاه های تلفن همراه توسط پهنای باند کاربر نهایی محدود می شود. در حالی که MDCS داده ها را به خوبی فشرده می کند، اگر مشتری فقط به یک شطرنجی مربعی خاص نیاز داشته باشد به جای یک منطقه مشاهده بزرگتر (موزاییک شطرنجی)، آنگاه MDCS ممکن است ایده آل نباشد. در میزبانی ArcGIS Online، اندازه فایل میزبانی شده خود را قبل از پردازش در OptimizeRasters و MDCS قابل مقایسه با اندازه اصلی آن یافتیم که ArcGIS Online را جایگزین ناکافی برای میزبانی داده ها می کند ( جدول 1 ).

با توجه به سوالاتی در مورد اندازه فایل تولید شده از فشرده سازی JPEG و MRF_LERC و سهولت بارگیری آنها، ما هر دو روش فشرده سازی را برای هر دو مجموعه داده انجام دادیم تا اندازه فایل خروجی را کشف کنیم. ما متوجه شدیم که فشرده‌سازی JPEG، که به‌خاطر تلفات شناخته می‌شود، کاشی‌ها را از لبه‌های بیرونی مجموعه داده بزرگ‌تر Rose Bowl حذف کرد، اگرچه اندازه فشرده‌سازی کوچک‌تر از MRF_LERC بود. به همین دلیل، هنگام اجرای MDCS، ما انتخاب کردیم که از فایل های فشرده MRF_LERC به عنوان ورودی استفاده کنیم.

4.1. مرکز علمی کاتالینا

جدول 1 اطلاعاتی را در مورد اندازه مجموعه داده های مرکز علمی کاتالینا با توجه به روش فشرده سازی استفاده شده، همانطور که قبلا توضیح داده شد، ارائه می دهد. با این حال، توجه به این نکته مهم است که پس از میزبانی فایل‌های فشرده شده در ArcGIS Online، اندازه فایل بیش از 700 مگابایت افزایش یافت (شکل‌های 5-7).

4.2. کاسه رز

تغییرات اندازه فایل مجموعه داده Rose Bowl با توجه به روش فشرده سازی مورد استفاده در جدول 1 نشان داده شده است. این نتایج دو نتیجه قابل توجه را ارائه می دهد. اولاً، شکل 8 تلفات شناخته شده روش MRF_JPEG را نشان می دهد. این نتیجه منجر به استفاده از روش MRF_LERC برای مقایسه شد. ثانیا، در حالی که ترکیب MRF_LERC و MDCS اندازه فایل را تا حد زیادی کاهش می‌دهد، نتیجه زمانی که در ArcGIS Online میزبانی می‌شد بی‌فایده می‌شد ( شکل 9 و شکل 10 ).

4.3. بحث

این پروژه در نهایت در توسعه موزاییک شطرنجی و میزبانی آن به صورت آنلاین موفق بود، البته نه بدون شناسایی برخی نگرانی‌های کلیدی. ما متوجه شدیم که افت فشرده سازی JPEG یک مشکل با مجموعه داده بزرگتر Rose Bowl است. اگر سایر مجموعه‌های داده ICT اندازه قابل مقایسه یا بزرگ‌تری داشته باشند، منطقی است که فرض کنیم این برای آن مجموعه داده‌ها نیز مشکل‌ساز خواهد بود. به همین دلیل، ما از فشرده سازی MRF_LERC استفاده کردیم و توصیه می کنیم که تلاش های تحقیقاتی آینده از این روش پیروی کنند. ما همچنین تصاویر میزبانی شده در ArcGIS Online را شناسایی کردیم

اندازه فایل فشرده را نزدیک به اندازه فایل اصلی داده ها افزایش دهید. این پروژه با موفقیت فشرده سازی MRF_LERC را به عنوان پیکربندی فایل ایده آل شناسایی کرد و در حذف ArcGIS Online به عنوان یک رسانه میزبان موفق بود.

5. توصیه ها

5.1. محیط ابری

به دلیل به روز رسانی زیرساخت ICT در زمان این مطالعه، ما نتوانستیم زیرساخت ابری آنها را از طریق AWS یا Azure در پروژه خود ادغام کنیم. به همین دلیل، تمام ورودی ها و خروجی های ابزار geoprocessing OptimizeRasters در پوشه های محلی قرار داشتند. برای پروژه هایی با مجموعه داده های بزرگ به ویژه، استفاده از میزبانی وب مفید خواهد بود. اگر مطالعه ای مانند این تکرار شود، این نویسندگان استفاده از قابلیت های میزبانی وب را به جای ArcGIS Online توصیه می کنند.

5.2. اسکریپت های ایجاد مجموعه داده موزاییک

در ModelBuilder، OptimizeRasters را می توان به اسکریپت MDCS اضافه کرد تا کل فرآیند دو مرحله ای را خودکار کند. البته مزیت خودکارسازی OptimizeRasters و MDCS با هم این است که روشی ارزشمند برای صرفه جویی در زمان و افزایش کارایی هنگام کار با مجموعه داده های بزرگ است. این نویسندگان تلاش کردند تا این دو فرآیند را با هم خودکار کنند اما به دلیل محدودیت زمانی پروژه ناموفق بودند. تحقیقات آینده در مورد این موضوع همچنین باید شامل اضافه کردن یک اسکریپت باشد تا بتوان همه فایل‌های دسته‌ای را همزمان اجرا کرد. به این ترتیب، اسکریپت را می توان برای اجرای روزانه، هفتگی و غیره خودکار کرد. اتوماسیون زمانی به ویژه در مورد مجموعه تصاویر ماهواره ای مفید خواهد بود. هر دوی این اصلاحات در فیلمنامه حوزه‌هایی هستند که پیشنهاد می‌کنیم کارهای آینده در آنها متمرکز شود.

6. نتیجه گیری

این پروژه با هدف شناسایی روش های فشرده سازی و میزبانی فایل موفق برای داده های تصویری انجام شد. با استفاده از جعبه ابزار OptimizeRasters و MDCS، توسعه موزاییک شطرنجی و میزبانی آنلاین در نهایت موفقیت آمیز بود. با این حال، تلفات فشرده سازی JPEG مجموعه داده Rose Bowl نشان داد که فشرده سازی MRF_LERC پیکربندی ایده آل است. بعلاوه، میزبانی تصاویر از طریق ArcGIS Online باعث افزایش اندازه فایل فشرده نزدیک به اندازه فایل اصلی داده شده و فشرده سازی را منسوخ می کند. آزمایشات آینده باید استفاده از یک محیط ابری سازمانی را برای جلوگیری از این مشکل در نظر بگیرد.

فراتر از محدوده One World Terrain ICT، فشرده‌سازی فایل و میزبانی برنامه‌های دیگر امنیت انسانی نیز دارد. هر سازمانی که حجم زیادی از داده های تصویری دارد، به روشی موثر برای ذخیره داده های خود و به اشتراک گذاری آن ها در سازمان خود نیاز دارد، به ویژه در مواقع بحرانی که نیاز به دسترسی سریع به داده ها است. نهادهای بشردوستانه، دفاعی و زیست محیطی در طول بلایای طبیعی و تحمیلی انسانی با شرایط اضطراری داده مواجه می شوند. در طول این شرایط اضطراری، پرسنل زمین فضایی نیاز به دسترسی به داده های تصاویر دارند که به سرعت و کارآمد در دستگاه های خود دانلود می شوند تا بتوان با این اطلاعات تصمیمات معتبری اتخاذ کرد.

منابع

[ 1 ]	موسسه فناوری های خلاق. زمین یک جهان. https://ict.usc.edu/prototypes/one-world-terrain-owt/
[ 2 ]	Benkelman, C. ArcGIS Workflows for Optimize Image Management Services in Cloud. https://proceedings.esri.com/library/userconf/devsummit17/papers/dev_int_13.pdf
[ 3 ]	ESRI. مجموعه داده موزاییک. ArcMap. https://doc.arcgis.com/en/imagery/workflows/standard-workflow/overview/overview-mosaic-datasets.htm
[ 4 ]	Xu, H. and Becker, P. (2012) مدل های داده ArcGIS برای مدیریت و پردازش تصاویر. آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، XXXIX-B4. https://www.int-arch-photogramm-remote-sens-spatial-inf-sci.net/XXXIX-B4/97/2012/isprsarchives-XXXIX-B4-97-2012.pdf https://doi.org /10.5194/isprsarchives-XXXIX-B4-97-2012
[ 5 ]	Huang, W., Wang, C. and Tang, D. (2018) طراحی و کاربردهای نرم افزار تولید کاشی تصویر سریع بر اساس مجموعه داده موزاییک. آرشیو بین المللی عکس-گرامتری، سنجش از دور، و علوم اطلاعات فضایی، XLII-3. https://www.int-arch-photogramm-remote-sens-spatial-inf-sci.net/XLII-3/2225/2018/isprs-archives-XLII-3-2225-2018.pdf https://doi .org/10.5194/isprs-archives-XLII-3-2225-2018
[ 6 ]	ESRI. ابزارهای اصلی ژئوپردازش برای داده های شطرنجی. https://desktop.arcgis.com/en/arcmap/10.3/manage-data/raster-and-images/core-geoprocessing-tools-for-raster-data.htmsa
[ 7 ]	ESRI. سرور ArcGIS https://enterprise.arcgis.com/en/server/latest/get-started/windows/what-is-arcgis-image-server-.htm
[ 8 ]	GitHub. OptimizeRasters. https://github.com/Esri/OptimizeRasters
[ 9 ]	ESRI (2018) OptimizeRasters: AWS Lambda Implementation. مستندات کاربر، Redlands. https://github.com/Esri/OptimizeRasters/blob/master/Documentation/OptimizeRasters _UserDoc.pdf
[ 10 ]	Norton, J. (2019) GeoTIFF بهینه سازی شده ابری در مقابل فرمت متا رستر. عنصر 8423 RSS. https://www.element84.com/blog/cloud-optimized-geotiff-vs-the-meta-raster-format
[ 11 ]	Becker, P. (2016) MRF به عنوان فرمت شطرنجی بهینه سازی شده ابری و فشرده سازی LERC. کاغذ سفید ESRI، Redlands. https://pdfs.semanticscholar.org/8267/f0b26a0b9f21c2c7d9ea3fdcc59903ac3157.pdf
[ 12 ]	ESRI. اهرام شطرنجی https://desktop.arcgis.com/en/arcmap/10.3/manage-data/raster-and-images/raster-pyramids.htm
[ 13 ]	GitHub. اسکریپت های ایجاد مجموعه داده موزاییک. https://github.com/Esri/mdcs-py
[ 14 ]	ArcGIS Enterprise. تصاویر را به عنوان یک سرویس نقشه کاشی شده به اشتراک بگذارید. https://enterprise.arcgis.com/en/server/latest/get-started/windows/share-imagery-as-an-arcgis-online-tiled-map-service.htm
[ 15 ]	ESRI (2019) دانلود داده ها از یک سرویس تصویر. https://desktop.arcgis.com/en/arcmap/latest/map/web-maps-and-services/downloading-from-an-image-services.htm
[ 16 ]	Harvey, C. and Patrizio, A. (2019) AWS در مقابل Azure در مقابل Google: Cloud Comparison. https://www.datamation.com/cloud-computing/aws-vs-azure-vs-google-cloud-comparison.html