چکیده

تجزیه و تحلیل حساسیت جهانی، مانند روش های مبتنی بر واریانس برای مجموعه داده های شطرنجی عظیم، به ویژه از نظر محاسباتی پرهزینه و حافظه فشرده است و کاربرد آن را برای محاسبات خوشه ای کالا محدود می کند. تلاش محاسباتی عمدتاً به تعداد اجرای مدل، وضوح مکانی، طیفی و زمانی، تعداد نقشه‌های معیار و پیچیدگی مدل بستگی دارد. رویکرد فعلی عدم قطعیت و تحلیل حساسیت فضایی صریح (SEUSA) از یک راه حل موازی و توزیع شده Python-Dask مبتنی بر خوشه برای مشکلات فضایی در مقیاس بزرگ استفاده می‌کند که استحکام راه‌حل‌های مدل فضایی را تأیید و کمیت می‌کند. این مقاله طراحی چارچوبی را برای اجرای SEUSA به عنوان یک سرویس در یک محیط مبتنی بر ابری ارائه می‌کند که تا مجموعه داده‌های شطرنجی بسیار بزرگ مقیاس‌پذیر است و برای دامنه‌های مختلف قابل اجرا است. مانند ارزیابی منظر، انتخاب مکان، ارزیابی ریسک و مدیریت کاربری زمین. این یک سرویس خودکار Kubernetes برای مجازی سازی کانتینر، شامل مجموعه ای از میکروسرویس ها برای اجرای SEUSA به عنوان یک سرویس را در خود جای داده است. اجرای چارچوب پیشنهادی به ارزیابی قوی‌تر برنامه‌های تصمیم‌گیری چند معیاره فضایی کمک می‌کند، دسترسی گسترده‌تر به SEUSA توسط جامعه تحقیقاتی را تسهیل می‌کند و در نتیجه منجر به تجزیه و تحلیل تصمیم‌گیری با کیفیت بالاتر می‌شود.

کلید واژه ها:

تجزیه و تحلیل عدم قطعیت و حساسیت فضایی صریح ؛ محاسبات موازی و توزیع شده SEUSA به عنوان یک سرویس ؛ محاسبات ابری فضایی ; میکروسرویس ها تحلیل تصمیم گیری چند معیاره فضایی ; Python–Dask ; gRPC _ RasDaMan ; کوبرنتیس

1. مقدمه

تجزیه و تحلیل عدم قطعیت و حساسیت فضایی یک گام مهم در تجزیه و تحلیل تصمیم گیری چند معیاره فضایی (S-MCDA) برای تأیید استحکام و پایداری مدل‌های ریاضی، با ترکیب عدم قطعیت‌های موجود است. کاربردهای S-MCDA برای ارزیابی خطرات طبیعی، ارزیابی منظر، شناسایی استراتژی‌های کاربری زمین برای توسعه پایدار منطقه‌ای، یا تناسب زیستگاه در زمینه حفاظت از محیط زیست، اغلب اطلاعات دقیقی در مورد استحکام و عدم قطعیت نتایج ارائه نمی‌دهند. این برنامه‌ها در حال حاضر نه تنها معیارهای قابل سنجش استحکام راه‌حل را ندارند، بلکه تخمین‌هایی از توزیع فضایی عدم قطعیت در هر مکان معینی که بر نتایج مدل تأثیر می‌گذارد نیز ندارند. گنجاندن تجزیه و تحلیل عدم قطعیت و حساسیت در یک روش مدل سازی منجر به افزایش قابل توجه کیفیت تجزیه و تحلیل و در نتیجه تصمیم گیری بهتر می شود. با این حال، اجرای این نوع تجزیه و تحلیل یک فرآیند محاسباتی پیچیده و بسیار وقت گیر است، به ویژه برای مجموعه داده های شطرنجی عظیم. بنابراین، این مقاله بر طراحی و توسعه چارچوبی برای تجزیه و تحلیل عدم قطعیت و حساسیت فضایی صریح فضایی مبتنی بر ابر مقیاس‌پذیر و سازگار (C-SEUSA) تمرکز دارد.
ترکیب سیستم های پشتیبانی تصمیم با سیستم های اطلاعات جغرافیایی (GIS) به عنوان سیستم های پشتیبانی تصمیم گیری فضایی (SDSS) شناخته می شود. می تواند ابزارهای قدرتمندی را برای پشتیبانی از کارشناسان حوزه برنامه های کاربردی مختلف در طول فرآیند تصمیم گیری فراهم کند. SDSS یک سیستم مبتنی بر رایانه است که داده‌های غیر مکانی و مکانی، تحلیل‌ها و توابع تجسم مبتنی بر GIS و مدل‌های تصمیم‌گیری در مورد حوزه‌های خاص را در بر می‌گیرد تا «ارزیابی راه‌حل‌های جایگزین و ارزیابی مبادلات آنها را تسهیل کند» [ 1 ].] (ص 64). داده های برداری (به عنوان مثال، نقاط، چند خط یا چند ضلعی) یا داده های شطرنجی می توانند جایگزین های مکان را در تصمیم گیری فضایی نشان دهند و می توانند با ویژگی های مکانی و غیر مکانی توصیف شوند. ویژگی های فضایی گزینه ها به موقعیت جغرافیایی و روابط فضایی (مثلاً مجاورت، مجاورت و مجاورت) مربوط می شود. فرآیند تصمیم‌گیری منطقی مدل سه فازی پیشنهاد شده توسط سایمون [ 2 ] شامل مرحله هوشمندی (تعریف مشکل، شامل معیارها و محدودیت‌های ارزیابی)، مرحله طراحی (جمع‌آوری داده‌ها و ساخت مدل)، و مرحله انتخاب (که در آن مکان‌محور است. انتخاب ها انجام می شود). هر دو تحلیل چند معیاره (MCA) برای کاربردهای غیر فضایی و S-MCDA از این مراحل عبور می کنند. S-MCDA به طور برجسته در GIScience نشان داده شده است [ 3, 4 , 5 ]. طبق گفته Malczewski و Jankowski [ 3 ]، به دلیل پیشرفت مداوم در فناوری‌های GI، تنوع برنامه‌های GIS-MCA، و در دسترس بودن، تعداد انتشارات دست‌نویس بررسی شده در مجلات علمی در مورد S-MCDA به طور تصاعدی در حال افزایش است. از داده های مکانی یکی از بخش‌های مهم و حیاتی مرحله انتخاب در SMCA، آنالیز حساسیت (SA) است. SA استحکام و پایداری نتایج مدل را با توجه به عدم قطعیت‌های موجود تأیید می‌کند و یک عنصر کلیدی در رابطه با کیفیت یک مطالعه مبتنی بر مدل را نشان می‌دهد [ 6 ]]. عدم قطعیت ها می توانند به ساختار مسئله، قوانین ترکیب، مقادیر معیار و وزن معیار ناشی از عدم دقت، تفاوت در قضاوت های انسانی یا خطاهای اندازه گیری اشاره داشته باشند [ 3 ، 7 ، 8 ، 9 ]. Saltelli و Annoni [ 6 ] و Ferretti و همکاران. [ 10 ] مشاهده کرد که اکثر مشارکت‌های علمی در مورد SA شامل روش‌های محلی یا یک عامل در یک زمان با رویکردهای جهانی قوی‌تر برای تحلیل‌های حساسیت است که به آرامی در حال شناسایی هستند. رویکردهای SA جهانی (GSA)، مانند SA مبتنی بر واریانس، به دلیل ماهیت چند پارامتری و غیرخطی بسیاری از مسائل تصمیم‌گیری فضایی، گزینه‌ای جذاب برای مدل‌های فضایی هستند [ 11 ,12 ، 13 ، 14 ]. همانطور که توسط Lilburne و Tarantola [ 12 ] بیان شد، مدل‌های غیر خطی پیچیده به تعداد زیادی شبیه‌سازی نیاز دارند تا تخمین‌های حساسیت دقیق‌تری به دست آید. این به نوبه خود، تأثیر منفی بر زمان اجرای تجزیه و تحلیل دارد. به طور خاص، راه‌حل‌های متوالی که یک تجزیه و تحلیل حساسیت و عدم قطعیت صریح فضایی مبتنی بر واریانس (SEUSA) را انجام می‌دهند، اغلب با سازش بین تعداد اجراهای شبیه‌سازی و کیفیت معیارهای حساسیت مدل محدود می‌شوند [ 15 ، 16 ]. ارلاچر و همکاران [ 17 ] و Erlacher و همکاران. [ 18] رویکردهای موازی سازی مبتنی بر GPU را برای تسریع تولید سطوح مناسب ارائه کرد، که ورودی برای تجزیه و تحلیل عدم قطعیت و حساسیت برای هر مکان پیکسل است. ارلاچر و همکاران [ 19 ] یک راه‌حل موازی و توزیع‌شده مبتنی بر خوشه را برای مجموعه داده‌های شطرنجی بزرگ معرفی کرد که بر مبنای واریانس مبتنی بر عدم قطعیت صریح فضایی و تحلیل حساسیت برای یک مدل اولویت‌بندی زمین تمرکز دارد. اگرچه راه‌حل‌های به‌دست‌آمده شتاب قابل‌توجهی را نشان می‌دهند، حتی برای مجموعه داده‌های شطرنجی بزرگ در رویکرد پردازش متوالی، همچنین نیازمندی‌های محاسباتی و ذخیره‌سازی را نشان می‌دهد که به راحتی می‌تواند از محدودیت‌های ظرفیت خوشه‌های محلی فراتر رود.
تلاش محاسباتی در SEUSA به (1) پیچیدگی مدل بستگی دارد. (2) تعداد معیارهای ارزیابی. (3) تعداد گزینه های تصمیم گیری (4)؛ تعداد اجراهای شبیه سازی برای به دست آوردن شاخص های حساسیت قابل اعتماد. (5) تفکیک‌پذیری‌های مختلف مکانی، طیفی و زمانی. و (6) برنامه های کاربردی پشتیبانی تصمیم فضایی. برای مثال، ماهواره‌های رصد زمین، وسایل نقلیه هوایی بدون سرنشین، اسکنرهای لیزری هوابرد، و سیستم‌های نقشه‌برداری متحرک زمینی، ترابایت‌ها از مجموعه داده‌های شطرنجی تولید می‌کنند [ 20 ، 21 ، 22 ، 23 ]. در نتیجه، هدف اصلی این تحقیق طراحی و توسعه یک چارچوب مقیاس پذیر و قابل انطباق SEUSA است که برای طیف گسترده ای از مدل های S-MCDA قابل استفاده است.
در بخش بعدی، رویکرد SEUSA موازی و توزیع شده بر اساس Python-Dask را معرفی می‌کنیم. علاوه بر این، ما یک پیاده‌سازی نمونه اولیه را ارائه می‌کنیم که به برنامه‌های کاربردی مختلف مشتری اجازه می‌دهد با رویکرد موازی SEUSA ارتباط برقرار کنند، بنابراین دسترسی و قابلیت استفاده آن را افزایش می‌دهد. در بخش 3، ما یک مهاجرت از یک رویکرد موازی به روش توزیع شده را مورد بحث قرار می دهیم تا SEUSA را برای موارد استفاده پیچیده S-MCDA، با ترکیب مجموعه داده های شطرنجی عظیم قابل اجرا کنیم. راه‌حل پیشنهادی شامل معماری‌ها و برنامه‌های مبتنی بر ابر و همچنین نیازمندی‌هایی مانند خدمات پردازش جغرافیایی و کاشی‌کاری، ذخیره‌سازی ابری برای اطلاعات مکانی و GIS به‌عنوان سرویسی برای ارائه عملکردهای آماده‌سازی، تحلیل و تجسم داده‌ها است. این مقاله با بازتابی از چارچوب پیشنهادی به پایان می‌رسد و چشم‌اندازهایی در مورد توسعه بیشتر رویکرد SEUSA مبتنی بر ابر ارائه می‌کند.

2. روش شناسی – رویکرد موازی و توزیع شده SEUSA

2.1. SEUSA: Python–Dask

Erlacher، Desch، Anders، Jankowski و Paulus [ 19 ] یک رویکرد موازی و توزیع شده بر اساس Python-Dask برای کوتاه کردن زمان پردازش تولید پشته سطوح مناسب ارائه کردند. همانطور که حاجیدوکاس و همکاران بیان کردند. [ 24 ] (ص. 3)، چارچوب Dask مبتنی بر صف پیام است و از رویکرد مشتری-زمانبندی-کارگر پیروی می کند که عمدتاً محیط های رایانش ابری را هدف قرار می دهد. Dask از کتابخانه هایی مانند NumPy، Pandas، و Scikit-Learn پشتیبانی می کند و یک داشبورد بلادرنگ پاسخگو، یک رفتار تحمل پذیر خطا، و انواع مختلف زمانبندی را ارائه می دهد [ 25 ، 26 ]]. این پشته چندین میلیون مکان پیکسل و صد هزار شبیه سازی را در خود جای داده است. هر نتیجه شبیه سازی عملکرد جایگزین های مکان (مکان های پیکسل) را برای نمونه ای از مقادیر وزن معیار نشان می دهد. ایجاد نمونه های وزنی (SAM Files) با استفاده از طرح آزمایشی شبه تصادفی Sobol [ 27 ] اجرا می شود.] برای محاسبه ماتریس وزن شعاعی. راه حل مبتنی بر Python-Dask برای خوشه های محلی که از مجموعه ای از ایستگاه های کاری تشکیل شده اند قابل استفاده است. زمان‌بند اصلی مسئول مقیاس‌بندی و توزیع بار کاری بین گره‌ها است. متا اطلاعات مربوط به ظرفیت‌ها (به عنوان مثال، تعداد رشته‌ها در هر هسته، حافظه موجود) گره‌های کارگر، و بار کاری از پیش محاسبه‌شده برای همه عملیات پردازش، برای تضمین توزیع متعادل مجموعه‌های داده مرتبط هستند. همه گره های خوشه محلی به مجموعه داده های ورودی شطرنجی از طریق سیستم فایل شبکه (NFS) دسترسی مستقیم دارند. تعداد شبیه‌سازی‌ها بر اندازه‌های قطعه آرایه Dask تأثیر می‌گذارد، جایی که شاخص اول یک نقشه معیار را مشخص می‌کند و دو شاخص باقی‌مانده به سطر و ستون یک نقشه معیار خاص اشاره می‌کنند. آرایه daskشامل آرایه‌های NumPy (بلوک‌های) کوچک‌تر است که امکان انجام فرآیندها را روی آرایه‌های بزرگ‌تر از حافظه موجود برای گره‌های کارگر فراهم می‌کند. همه عملکردها، مانند تولید سطوح مناسب در حافظه و ایجاد نقشه میانگین و انحراف استاندارد، به بلوک ها نگاشت می شوند. این روش فقط محاسبه نقشه میانگین و انحراف استاندارد را به صورت موازی در بر می گیرد. توابع اضافی که برای تولید معیارهای حساسیت مرتبه اول (شاخص‌های Si) و معیارهای حساسیت مرتبه کل (شاخص‌های STi) برای هر معیار و مکان در مجموعه داده‌های شطرنجی ضروری هستند، به هر بلوک از آرایه dask منتقل و نگاشت می‌شوند.. توابع نگاشت شده اشیاء آینده را تشکیل می دهند و نشانگرهایی به آرایه های مربوطه را شامل می شوند. این بهبود نشان دهنده ادغام موثرتری از تولید سطح حساسیت به صورت موازی است و منجر به افزایش عملکرد محاسباتی در مقایسه با راه حل متوالی می شود. تمام محاسبات رویکرد SEUSA برای هر بلوک با فراخوانی تابع () asarray NumPy اجرا می شود. پشته میانی سطوح تناسب شامل یک زیرمنطقه (دو بعد اول) از محل مطالعه است، که در آن بعد سوم مقادیر مناسب را برای هر اجرای شبیه‌سازی نشان می‌دهد. تعداد سطوح مناسب (معادله (1)) به وزن نمونه انتخابی (N) و تعداد معیارها (i) بستگی دارد:

آر=(من+2)∗ن
شکل 1 حافظه کاری مورد نیاز برای تولید سطوح مناسب را بسته به تعداد اجرا شده مدل مقایسه می کند. این مثال شامل پنج معیار و تقریباً 13 میلیون مکان پیکسل است. مقدار کل حافظه کاری برای سطح مناسب نوع داده Float32 (تک دقت) و Float64 (دقت مضاعف) برای هر تعداد اجرای شبیه سازی داده شده است: 9856، 19،712، 39،424، 78،846، و 157،696. هرچه تعداد اجراهای مدل بیشتر باشد، اندازه بلوک کوچکتر است. در نتیجه، با 157696 شبیه سازی، زمان محاسبه به شدت افزایش می یابد و خوشه های محلی به حد خود می رسند [ 19 ]. این محدودیت زودتر به دست می آید، به خصوص با داده های شطرنجی با وضوح بالا و تصاویر چند طیفی که یک منطقه بزرگ را پوشش می دهد.
سطوح تناسب متوسط، ورودی تحلیل عدم قطعیت و حساسیت (USA) را نشان می دهد. برای هر بلوک، سطوح عدم قطعیت، نقشه میانگین، نقشه انحراف استاندارد، و سطوح حساسیت، از جمله نقشه‌های مرتبه اول و مرتبه کل، در آرایه‌هایی ذخیره می‌شوند که ناحیه خاصی از کل سایت مطالعه را پوشش می‌دهند. پس از آن، تمام سطوح در حافظه کاری حذف می شوند تا از اضافه بار حافظه برای بارهای کاری بعدی جلوگیری شود. تا زمانی که همه بلوک‌ها پردازش نشوند، زمان‌بندی‌کننده حجم کار را بین گره‌های خوشه محلی توزیع می‌کند. شکل 2نمایش ساده شده رویکرد موازی و توزیع شده SEUSA بر اساس Python-Dask را نشان می دهد. برای محاسبه اندازه بلوک های بهینه، آزمایش های بیشتری در مورد سناریوهای کاربردی اضافی لازم است. تعداد معیارها، قانون تصمیم گیری استفاده شده و تعداد پیکسل ها در منطقه پروژه عوامل اساسی هستند که برای اندازه بلوک بهینه تعیین کننده هستند.

2.2. SEUSA: میان افزار

رویکرد موازی و توزیع شده SEUSA مبتنی بر Python-DASK به طور مستقیم برای برنامه های مشتری قابل دسترسی نیست. بنابراین، یکی دیگر از جنبه‌های اساسی این رویکرد باید مورد توجه قرار گیرد تا SEUSA برای یک جامعه کاربر گسترده‌تر در دسترس باشد. ادغام یک میان افزار فرصتی را برای اتصال برنامه های مختلف مشتری مبتنی بر GIS با روش های SEUSA چند هسته ای و خوشه ای نشان می دهد. میان‌افزار اصطلاحی است برای نرم‌افزارهای قابل استفاده مجدد، شامل الگوها و چارچوب‌هایی برای تسهیل نیازهای کاربردی برنامه‌ها و سیستم‌های عامل گنجانده شده، پشته‌های پروتکل شبکه و پایگاه‌های داده [ 28 ، 29 ].]. به بیان ساده، میان افزار به عنوان یک لایه نرم افزاری بین کلاینت و برنامه عمل می کند. اصطلاح میان افزار به نوع خاصی از نرم افزار مربوط نمی شود. این بستگی به نوع برنامه دارد، مانند میان افزار پیام گرا (MOM)، تماس های رویه از راه دور (RPC)، میان افزار پایگاه داده، رابط برنامه نویسی برنامه (API)، میان افزار شی، میان افزار پردازش تراکنش (TP)، یا میان افزار دستگاه. جنبه‌های مختلف طراحی و پیاده‌سازی میان‌افزار مربوط به عملکرد ارسال اطلاعات، قابل حمل بودن بین پلت‌فرم‌های مختلف، قابلیت همکاری، مسائل امنیتی و اجرای بدون زحمت قابلیت‌های اضافی است. این تحقیق به RPC مبتنی بر gRPC برای اتصال برنامه های مشتری مبتنی بر GIS با رویکرد موازی و توزیع شده SEUSA اشاره دارد. gRPC یک عملکرد بالا است، چارچوب RPC یونیورسال منبع باز توسعه یافته توسط گوگل که می تواند در هر محیطی کار کند و از زبان هایی مانند C++، Java، Python، Go، Ruby، Dart و C# پشتیبانی می کند. این چارچوب از یک بافر پروتکل به عنوان زبان تعریف رابط (IDL) و قالب مبادله پیام زیرین آن استفاده می کند. بافرهای پروتکل زبان خنثی و پلتفرم خنثی هستند، که نشان دهنده یک روش توسعه‌یافته برای سریال‌سازی داده‌های ساخت‌یافته هستند و به یک قالب پیام باینری مربوط می‌شوند که تجزیه سریع‌تر را ارائه می‌دهد و ذخیره‌سازی کمتری دارد. با توجه به مزایای ذکر شده، gRPC به طور گسترده در مناطق مختلف استفاده می شود. بافرهای پروتکل زبان خنثی و پلتفرم خنثی هستند، که نشان دهنده یک روش توسعه‌یافته برای سریال‌سازی داده‌های ساخت‌یافته هستند و به یک قالب پیام باینری مربوط می‌شوند که تجزیه سریع‌تر را ارائه می‌دهد و ذخیره‌سازی کمتری دارد. با توجه به مزایای ذکر شده، gRPC به طور گسترده در مناطق مختلف استفاده می شود. بافرهای پروتکل زبان خنثی و پلتفرم خنثی هستند، که نشان دهنده یک روش توسعه‌یافته برای سریال‌سازی داده‌های ساخت‌یافته هستند و به یک قالب پیام باینری مربوط می‌شوند که تجزیه سریع‌تر را ارائه می‌دهد و ذخیره‌سازی کمتری دارد. با توجه به مزایای ذکر شده، gRPC به طور گسترده در مناطق مختلف استفاده می شود.30 ، 31 ، 32 ]. خرد کلاینت به عنوان نماینده محلی سرور در سمت مشتری عمل می کند و بالعکس. فرآیند فراخوانی (مشتری) و بدنه رویه (سرور) به یک رابط (پرتو فایل) اشاره دارد. هر دو خرده برای تبادل پیام به یک زیرسیستم ارتباطی متکی هستند. کلاینت و سرور از سرویس نامگذاری استفاده می کنند که از سرویس گیرنده برای مکان یابی سرور پشتیبانی می کند. فرآیند فراخوانی یا رشته (مشتری) باید در حین انتظار برای بازگشت رویه مسدود شود. یک رشته شبح منتظر پیام های دریافتی در یک پورت از پیش تعریف شده (اجرای مستقیم) است.
شکل 3 فایل SEUSA .proto را نشان می دهد که شامل تعریف سرویس MyServiceNdArray است که شامل رویه GetSEUSASurface است که پارامتر Request NDArray را از مشتری می گیرد و پیام ReturnNDAarray را از سرور برمی گرداند. آرایه های NumPy برای ورودی و خروجی از نوع داده بایت هستند و قوانین تصمیم گیری پشتیبانی شده از نوع enum هستند. فایل کد پایتون تولید شده برای تعریف سرویس شامل موارد زیر است:
(1)
Stub که می تواند توسط برنامه مشتری برای فراخوانی فراخوانی روش راه دور استفاده شود.
(2)
سرویس دهنده، که رابط را برای سرویس های پیاده سازی شده تعریف می کند. و
(3)
تابع Servicer _to_server که سرویس دهنده را به grpc.Server اضافه می کند.
دومین فایل کد پایتون، توصیفگرهای ویژه ای را برای فایل پروتو و همه پیام ها، شمارش ها و فیلدها در خود جای داده است.
رابط سرویس دارای تابعی است که اجرای Dask را فراخوانی می کند و کار واقعی سرویس را انجام می دهد. سرور gRPC در حال اجرا منتظر درخواست های مشتریان می ماند و پاسخ ها را ارسال می کند. نمونه اولیه ما برای یک ایستگاه کاری چند هسته ای با منبع باز GI-System QGIS پیاده سازی شده است. سرویس گیرنده QGIS gRPC در پس‌زمینه اجرا می‌شود تا همه توابع دیگر در QGIS در دسترس کاربران باشد. کانال gRPC (ایمن یا ناامن) سرور gRPC را به هاست و پورت مشخصی متصل می کند. طبق تعریف رابط، خرد مشتری از کانال برای ارسال و دریافت پیام های سریال (ورودی و خروجی) استفاده می کند. در نهایت، مجموعه داده های شطرنجی تبدیل شده سطوح SEUSA را تشکیل می دهند و به طور مستقیم برای کاربران در QGIS در دسترس هستند. شکل 4یک نمایش شماتیک ساده از gRPC و گردش کار رویکرد موازی SEUSA را ارائه می دهد.

3. SEUSA به Cloud-طراحی چارچوب

این بخش یک نمای کلی از پیشینه نظری، معماری ها و مطالعات موردی فضایی مربوط به طراحی چارچوب مبتنی بر ابر برای SEUSA ارائه می دهد. الزامات یک گام مهم برای طراحی و توسعه رویکرد SEUSA مبتنی بر ابر است و در این بخش روشن و توضیح داده شده است. آنها به جنبه های زیر اشاره می کنند:
  • نیازهای عمومی برای مهاجرت ابری؛
  • SEUSA به عنوان یک سرویس برای تسهیل دسترسی برای جوامع کاربر.
  • مسائل محاسباتی موازی و توزیع شده؛
  • خدمات کاشی کاری مربوط به انجام محاسبات و تسهیل نمایش نقشه؛ و
  • الزامات مربوط به ذخیره سازی ابری برای ارائه در دسترس بودن داده ها و قابلیت اطمینان بالا برای تبادل اطلاعات بین برنامه ها.
طراحی چارچوب مبتنی بر ابر رویکرد SEUSA، طراحی معماری را برجسته می‌کند که مبنای اجرای برنامه را نشان می‌دهد.

3.1. پیش زمینه ی نظری

برنامه ها و خدمات مبتنی بر ابر در زندگی روزمره توسط بسیاری از افراد استفاده می شود، مانند پخش فیلم، بانکداری آنلاین و شبکه های اجتماعی. اصطلاح محاسبات ابری در اواخر سال 2007 به عنوان یک الگوی محاسباتی جدید ابداع شد که محیط های محاسباتی پویا قابل اعتماد، سفارشی و تضمین شده با کیفیت خدمات (QoS) را برای کاربران نهایی فراهم می کند [ 33 ]. وانگ، فون لاژوسکی، یانگ، او، کونزه، تائو و فو [ 33] (ص 139) تعریف زیر را برای رایانش ابری ارائه می‌کند: «یک ابر محاسباتی مجموعه‌ای از سرویس‌های فعال شبکه است که زیرساخت‌های محاسباتی مقیاس‌پذیر، تضمین‌شده QoS، معمولاً شخصی‌سازی‌شده و ارزان‌قیمت را در صورت تقاضا ارائه می‌دهد، که می‌توان به صورت ساده و ساده به آن دسترسی پیدا کرد. راه فراگیر.» با توجه به مؤسسه ملی استانداردها و فناوری، وزارت بازرگانی ایالات متحده، رایانش ابری نشان دهنده مدلی است که دسترسی به شبکه همه جا حاضر، راحت و بر اساس تقاضا را به یک مجموعه مشترک از منابع محاسباتی قابل تنظیم (به عنوان مثال، شبکه ها، سرورها، ذخیره سازی، برنامه های کاربردی، و خدمات)، که می تواند به سرعت با حداقل تلاش مدیریت یا تعامل با ارائه دهنده خدمات ارائه و منتشر شود [ 34 ]. مجموعه ای از بیش از 20 تعریف اولیه ابر توسط Vaquero و همکاران ارائه شده است. [ 35].
سه نوع مدل خدمات اصلی عبارتند از Infrastructure-as-a-Service (IaaS)، Platform-as-a-A-Service (PaaS) و Software-as-a-Service (SaaS) [ 34 ، 35 ، 36 ، 37 ]. (1) IaaS منعطف ترین مدل ابر را نشان می دهد، جایی که ارائه دهندگان ابر منابع زیرساخت مانند سرورها، ذخیره سازی، منابع محاسباتی و سخت افزار شبکه را برای کاربران نهایی میزبانی می کنند. کاربران می توانند هر نرم افزار مورد نظر، از جمله سیستم عامل ها و برنامه های کاربردی آنها را بدون مدیریت زیرساخت ابری، مستقر و اجرا کنند. ارائه دهندگان زیرساخت می توانند این منابع را بر اساس نیازهای کاربران نهایی تقسیم، تخصیص و به صورت پویا تغییر اندازه دهند [ 35 ]] (ص 52). نمونه‌هایی از این مدل ابر خدمات عبارتند از Amazon Elastic Compute Cloud (EC2)، Microsoft Azure IaaS و Google Compute Engine. (2) PaaS سطح بالاتری از خدمات را نسبت به IaaS نشان می‌دهد و خدمات پلتفرمی را برای توسعه‌دهندگان نرم‌افزار برای پیاده‌سازی برنامه‌ها ارائه می‌کند [ 38 ]]. ارائه دهندگان مسئول کنترل و نگهداری زیرساخت های ابری مانند سیستم عامل، شبکه ها، سرورها و ذخیره سازی هستند. علاوه بر این، آنها رابط های برنامه نویسی برنامه (API)، محیط های توسعه یکپارچه که از زبان های برنامه نویسی مختلف پشتیبانی می کنند و داشبوردهایی برای نظارت بر برنامه ها ارائه می دهند. نمونه هایی از PaaS عبارتند از Google App Engine، Microsoft Azure Cloud Service و AWS Elastic Beanstalk. (3) SaaS این فرصت را برای کاربران نهایی فراهم می کند تا به برنامه های کاربردی وب خاص از طریق اینترنت دسترسی داشته باشند، اما کمترین انعطاف را در مورد محیط و سخت افزاری که سرویس ها روی آن اجرا می شوند، اجازه می دهد [ 39 ]]. این سرویس برنامه را میزبانی می کند و مسائل امنیتی، به روز رسانی اجزای نرم افزار مورد استفاده، و در دسترس بودن و استفاده از عملکرد نرم افزار را مدیریت می کند. نمونه‌هایی از SaaS ArcGIS Online [ 38 ، 40 ] و Google Apps هستند. Agrawal و Gupta [ 41 ] مقایسه فشرده ای بین مدل های تحویل محاسبات ابری، از جمله ویژگی ها و مثال هایی برای هر مدل ابری ارائه می دهند. علاوه بر سه نوع مدل خدمات اول (IaaS، PaaS، و SaaS)، داده به عنوان یک سرویس (DaaS) برای علوم زمین فضایی ضروری است [ 38 ] (ص. 310). DaaS یک مکانیسم تحویل برای مخازن داده های مکانی است که به کاربران اجازه می دهد داده ها را از ماشین های راه دور در شبکه کشف، بازیابی و آپلود کنند.
با توجه به Mell و Grance [ 34 ]، سه مدل سرویس ابری می توانند به عنوان یک ابر خصوصی، عمومی، اجتماعی یا ترکیبی مستقر شوند. (1) ابرهای خصوصی فقط برای یک سازمان خاص (به عنوان مثال، موسسه یا شرکت) دسترسی دارند و خدمات خود را خارج از سازمان خود به اشتراک نمی گذارند. (2) در یک ابر عمومی، چندین سازمان می توانند به زیرساخت مشابه ارائه شده توسط یک ارائه دهنده خدمات دسترسی داشته باشند. ارائه‌دهنده خدمات ابری امنیت سرویس ابری را برای جلوگیری از دسترسی غیرمجاز مدیریت و حفظ می‌کند. روش پرداخت معمولاً به مدل پرداخت در صورت تمایل اشاره دارد [ 39]. (3) در ابرهای اجتماعی، زیرساخت فقط برای گروه خاصی از کاربران از سازمان‌هایی که نیازمندی‌های خاص و نگرانی‌های مشترک دارند (به عنوان مثال، سازمان‌های دولتی، شرکت‌های دارویی، بیمه‌ها یا مؤسسات مالی) ارائه می‌شود. مزیت ابرهای اجتماعی نسبت به ابرهای خصوصی این است که اولی نیاز به ظرفیت را با اشتراک منابع، کاهش سربار و کاهش هزینه ها کاهش می دهد. (4) ابرهای ترکیبی ترکیبی از مدل های مختلف استقرار (مانند ابرهای خصوصی، عمومی و اجتماعی) را نشان می دهند که امکان ارتباط بین سرویس های مختلف را از طریق یک نرم افزار اختصاصی فراهم می کند. چنین مدل های ابری به دو دلیل برای سازمان ها مفید هستند. آنها به دلیل منابع مشترک مقرون به صرفه هستند. علاوه بر این، آنها کنترل بهتر و سطح امنیت بالاتر داده های خصوصی و حساس را ارتقا می دهند.
به گفته یانگ، گودچایلد، هوانگ، نبرت، راسکین، ژو، بامباکوس و فی [ 38 ]، چالش‌های علوم زمین فضایی در رابطه با فناوری اطلاعات در قرن بیست و یکم به شدت داده، شدت محاسبات، شدت دسترسی همزمان و شدت فضایی و زمانی اشاره دارد. . ماهواره‌ها [ 42 ]، وسایل نقلیه هوایی بدون سرنشین [ 43 ]، سیستم‌های نقشه‌برداری سیار زمینی [ 44 ]، اتومبیل‌های خودمختار [ 45 ]، تلفن‌های همراه [ 46 ] و حسگرهای مکان و انسانی [ 47 ]] حجم عظیمی از داده های مکانی را به صورت روزانه، در مکان های مختلف، در مقیاس های مختلف و در قالب های مختلف داده جمع آوری، استفاده و به اشتراک می گذارد. این منجر به چالش های قابل توجهی از نظر سازماندهی و مدیریت محتوای داده، قالب داده و خدمات داده، ساختار و الگوریتم داده، پردازش داده، توزیع و شناسایی داده ها، و همچنین دسترسی و استفاده از داده ها می شود [ 38 ، 48 ].]. از یک طرف، سرویس‌های ذخیره‌سازی ابری مانند Amazon Simple Storage Service (Amazon S3) یا Amazon Elastic Block Store (EBS) سرویس‌های ذخیره‌سازی اشیاء مقیاس‌پذیر و قابل تحمل و سرویس‌های ذخیره‌سازی را مسدود می‌کنند تا چالش‌های مربوط به ذخیره‌سازی و دسترسی به مجموعه داده‌های جغرافیایی عظیم را برطرف کنند. از سوی دیگر، انتقال و میزبانی مقادیر زیادی از داده های مکانی روی ابر گران است [ 23 ، 49 ]. به‌علاوه، انتقال حجم عظیمی از داده‌ها تأثیر منفی بر عملکرد دارد و بنابراین الگوریتم‌های فشرده‌سازی داده‌ها برای کاهش اندازه داده‌ها از قبل ضروری هستند [ 23 ، 50 ]. لی و همکاران [ 51برای مثال، یک مدل انتقال شبکه کارآمد ارائه کرد که از روش‌های رمزگذاری داده‌های متعدد مانند زبان نشانه‌گذاری جغرافیایی و GeoJSON و تکنیک‌های فشرده‌سازی مانند LZMA و DEFLATE پشتیبانی می‌کند. انتقال توابع (کد منبع) به داده ها یک راه حل امیدوارکننده است، اما به تحقیقات بیشتر در مورد مهاجرت کد برای سیستم های ناهمگن توزیع شده نیاز دارد [ 52 ] (ص. 219).
همانطور که توسط Li، Gui، Hofer، Li، Scheider و Shekhar [ 52 ] (ص 208-209) بیان شد، برای یک اکوسیستم پردازش اطلاعات جغرافیایی توزیع شده مبتنی بر وب، همه چیز به عنوان یک سرویس (XaaS) محصور شده است. برای مثال، چنین خدماتی ممکن است به پردازش داده، تجسم، مدیریت دانش، زنجیره مدل، داده کاوی، وب حسگر، همکاری، یا خدمات مبتنی بر عامل اشاره داشته باشد [ 53 ، 54 ، 55 ، 56 ، 57 ، 58 ]. در بخش 3.3، جنبه های مرتبط بیشتر برای C-SEUSA در مورد معماری مبتنی بر ابر، مانند مجازی سازی کانتینر و محاسبات بدون سرور، خدمات کاشی کاری و ذخیره سازی ابری، برای طراحی چارچوب روشن شده است.

3.2. الزامات

الزامات ( جدول 1) برای توسعه رویکرد SEUSA مبتنی بر ابر بر اساس اولویت به بالا، متوسط ​​و پایین طبقه بندی می شوند. الزامات مربوط به اولویت بالا بر جنبه های اساسی اصلی در مورد مهاجرت راه حل موازی و توزیع شده SEUSA بر اساس Python-Dask تمرکز دارد. ارتباط بین ریزسرویس‌ها برای تبادل اطلاعات و مجموعه داده‌های شطرنجی فضایی، ذخیره‌سازی ابری که از داده‌های مکانی پشتیبانی می‌کند، و خدماتی که کاشی‌کاری هم‌تراز و دلخواه را ارائه می‌کنند نیز اولویت‌های بالایی را نشان می‌دهند. یک پورتال مبتنی بر وب برای ذخیره، پرس و جو، تجزیه و تحلیل و تجسم تمام مجموعه داده های مربوط به پشتیبانی تصمیم گیری فضایی، یک نیاز با اولویت بالا را نشان می دهد. الزامات مربوط به اولویت متوسط ​​شامل ارائه عملکردهای اضافی برای تهیه نقشه های معیار و اجرای بیشتر قوانین تصمیم گیری است.

3.3. طراحی معماری

این بخش بر توسعه رویکرد SEUSA مبتنی بر Python-Dask و عملیات geoprocessing برای تهیه نقشه‌های معیار در یک محیط ابری تمرکز دارد. همانطور که توسط هالاوی و همکاران بیان شده است. [ 60] (ص. 8)، حجم بیشتری از داده‌ها، مدل‌های پیچیده یا داده‌ها در مقیاس فضایی دقیق‌تر به کشش محاسباتی ابر نیاز دارد که می‌تواند با منابع محاسباتی توزیع‌شده مانند خوشه‌های Dask و Spark انجام شود. راه‌های مختلفی برای استفاده از DASK برای برنامه‌های مبتنی بر ابر وجود دارد، مانند سرویس مدیریت‌شده Kubernetes و Helm، سرویس‌های خاص فروشنده مانند Amazon ECS و Dask Cloud Provider، یا سرویس Yarn مدیریت‌شده (مانند Amazon Elastic MapReduce، Google Cloud DataProc و Dask-Yarn). Kubernetes که ابتدا توسط گوگل توسعه یافت، یک سیستم منبع باز برای خودکارسازی استقرار، مقیاس‌بندی و مدیریت برنامه‌های کاربردی کانتینری است. Helm مدیر بسته Kubernetes است، جایی که Helm Charts به تعریف، نصب، اشتراک‌گذاری و ارتقای اکثر برنامه‌های پیچیده مبتنی بر Kubernetes کمک می‌کند. Helm Charts به دستورالعمل‌های ذخیره‌شده در فایل‌های YAML نیاز دارد که وابستگی‌ها و منابع ناشی از نحوه ساخت برنامه‌های Kubernetes را در بر می‌گیرد. YAML نشان دهنده یک زبان سریال سازی داده قابل خواندن برای انسان است. برنامه‌های Dask-Yarn بر روی خوشه‌های Apache Hadoop YARN مستقر می‌شوند و یک رابط ساده ارائه می‌دهند که به سرعت برنامه‌های کانتینری پایتون-Dask را در یک خوشه شروع، مقیاس‌بندی و متوقف می‌کند. علاوه بر این، DASK-Yarn از کتابخانه Pythonic Skein استفاده می کند که استقرار برنامه ها را در Apache Hadoop YARN تسهیل می کند. مقیاس‌بندی می‌شود و برنامه‌های کانتینری Python-Dask را در یک خوشه متوقف می‌کند. علاوه بر این، DASK-Yarn از کتابخانه Pythonic Skein استفاده می کند که استقرار برنامه ها را در Apache Hadoop YARN تسهیل می کند. مقیاس‌بندی می‌شود و برنامه‌های کانتینری Python-Dask را در یک خوشه متوقف می‌کند. علاوه بر این، DASK-Yarn از کتابخانه Pythonic Skein استفاده می کند که استقرار برنامه ها را در Apache Hadoop YARN تسهیل می کند.
Container as a Service (CaaS) یک معماری سرویس مبتنی بر ابر را نشان می دهد که فرصتی را برای آپلود، سازماندهی، اجرا، مقیاس و مدیریت کانتینرها با استفاده از مجازی سازی مبتنی بر کانتینر فراهم می کند. کانتینرها یک سیستم عامل (OS) را مجازی می کنند به طوری که برنامه های کاربردی مختلف فقط در یک نمونه از یک سیستم عامل اجرا می شوند، در حالی که استقرار ماشین مجازی یک ماشین را مجازی می کند. بنابراین، کانتینرهای برنامه اغلب به عنوان ماشین های مجازی سبک وزن، Huang et al. [ 61 ]. کانتینرها سیستم فایل، CPU، حافظه، فضای پردازش خود را که از زیرساخت های زیرین جدا شده اند، ترکیب می کنند و بنابراین انتقال آنها در میان ابرها و توزیع های سیستم عامل آسان تر از ماشین های مجازی است. Iosifescu-Enescu و همکاران. [ 62] یک معماری مبتنی بر ابر برای ژئوپورتال‌ها پیشنهاد کرد که شامل میکروسرویس‌ها برای اتصال برنامه‌های کاربردی برای عملیات پردازش جغرافیایی است که از یک مدل محاسباتی بدون سرور پیروی می‌کند. مدل بدون سرور نشان دهنده یک مدل محاسبات ابری است که مدیریت تخصیص و تهیه سرورها را ارائه می دهد و به طور خودکار به حجم کاری داده شده افزایش و کاهش می دهد. کانتینرهایی که از مدل محاسباتی بدون سرور پشتیبانی می‌کنند، فاقد حالت هستند و هیچ ذخیره‌سازی دائمی (مثلاً تنظیمات و ترجیحات کاربر، ذخیره‌سازی موقت، متغیرهای محیطی، فایل‌ها و پایگاه‌های داده) را در خود جای نمی‌دهند. Kubernetes هم از برنامه‌های مبتنی بر ابر بدون حالت و هم از برنامه‌های کاربردی مبتنی بر وضعیت پشتیبانی می‌کند و پلتفرم آگنوستیک است. بنابراین، توسعه دهندگان می توانند برنامه های مبتنی بر Kubernetes خود را بر روی پلتفرم های ابری مختلف مانند AWS، OpenStack، GCP، OpenShift، Microsoft Azure، مستقر کنند. یا مراکز داده و محاسبات خصوصی. برنامه‌های کاربردی ابری بدون حالت، به فضای ذخیره‌سازی بدون سرور مانند ذخیره‌سازی اشیا (به عنوان مثال، Azure Blob و Amazon S3، Swift و Google Cloud Storage) و حافظه پنهان برنامه نیاز دارند. همانطور که توسط Iosifescu-Enescu، Matthys، Gkonos، Iosifescu-Enescu و Hurni توصیه شده است.62 ] (ص. 10)، تمام منابع حیاتی عملیاتی باید توسط یک ذخیره سازی داده با سرعت بالا مانند سرویس های کش بدون سرور (به عنوان مثال، Azure Redis Cache، Redis Cloud، Amazon ElastiCache، و Nutanix Acropolis) ارائه شوند تا عملکرد را افزایش دهند. در ترکیب با Kubernetes، Dask روش‌های استقرار تطبیقی ​​را ارائه می‌کند که به ویژه برای بارهای کاری تعاملی مفید هستند. زمان‌بند Dask از برنامه‌ریز منابع خارجی Kubernetes استفاده می‌کند، که قوانین مقیاس‌بندی خودکار تولید شده را برای راه‌اندازی و بسته‌کردن پویا کارگران بسته به حجم کار و استفاده محاسباتی ترکیب می‌کند.
همانطور که در بخش 3.2 تعریف شد ، کاشی‌کاری‌های هم‌تراز و دلخواه مجموعه داده‌های شطرنجی یک نیاز ضروری است، به‌ویژه برای رویکردهای ارزیابی چند معیاره محلی. یک سیستم مدیریت پایگاه داده آرایه (DBMS)، مانند RasDaMan، SciDB، و TileDB [ 63 ]، امکان بازیابی کاشی ها را از آرایه های چند بعدی با استفاده از زبان پرس و جو آرایه (AQL) [ 64 ] می دهد. RasDaMan یک پیاده سازی مرجع OGC را نشان می دهد و به ترتیب عملکردهایی را برای ذخیره، پردازش و بازیابی آرایه های چند بعدی عظیم ارائه می دهد. همانطور که بومان و همکاران بیان کردند. [ 65] (ص. 92)، RasDaMan مقیاس پذیر “تعامل مستقیم، از جمله تجسم سه بعدی، سناریوهای چه اتفاقی را با تکیه بر مجموعه استانداردهای باز OGC “Big Geo Data”، سرویس پوشش وب (WCS) فعال می کند”. علاوه بر این، استانداردهای زبان نشانه گذاری جغرافیا (GML)، خدمات نقشه وب (WMS) و خدمات پردازش پوشش وب (WCPS) پشتیبانی می شوند. یک درایور RasDaman برای GDAL و MapServer در دسترس است، و RasDaMan همچنین سیستم های بایگانی ذخیره سازی سوم را برای مدیریت و مدیریت هزاران رسانه ذخیره سازی درجه سوم، مانند نوارهای مغناطیسی، فراهم می کند [ 66 ]. RasDaMan همچنین نمایه سازی فضایی، کاشی کاری تطبیقی ​​برای دسترسی سریع به داده ها، و همچنین توابع جغرافیایی را برای انجام عملیات شطرنجی منطقه ای، کانونی، محلی و جهانی برای مجموعه داده های شطرنجی منظم و نامنظم فراهم می کند. API مشتری Python RasdaPy برای RasDaMan به NumPy نیاز دارد،grpcio (رابط gRPC پایتون) و protobuf ( بافرهای پروتکل گوگل) برای ساخت و اجرای پرس و جوهای RASQL. Hein و Blankenbach [ 67 ] DBMS RasDaMan را با PostgreSQL مقایسه می کنند. در حالی که PostGIS یک برنامه افزودنی برای برنامه های کاربردی داده های بزرگ فضایی دارد، RasDaMan از نظر عملکرد، انعطاف پذیری، مقیاس پذیری و دسترسی سریع به داده ها متمایز است.
شکل 5نمایش شماتیک طرح معماری برای C-SEUSA را نشان می دهد که به لایه های ارائه، کاربرد و داده ها تفکیک شده است. SEUSA به عنوان یک سرویس یک برنامه کاربردی Web-GIS را نشان می دهد و دسترسی به مجموعه ابزارها را برای انجام عملیات ژئوپردازش موازی و توزیع شده، آپلود موارد استفاده، و بازیابی و تجسم نتایج محاسباتی را فراهم می کند. متعادل کننده بار، حجم کار را با توجه به حجم کاری مربوطه به مجموعه غلاف ها تقسیم می کند. Pods مجموعه ای از کانتینرها را نشان می دهد و کوچکترین واحدهای قابل استقرار در خوشه Kubernetes هستند. یک ReplicaSet مسئول برآورده کردن مشخصات برای حفظ تعداد کپی‌های غلاف است. چارچوب های منبع باز مانند gRPC، DASK و RasDaMan در داخل کانتینرها برای تبادل اطلاعات و مجموعه داده های فضایی اجرا می شوند. سرویس کاشی کاری RasDaMan کل آرایه را پارتیشن بندی می کند و مقادیر مجموعه داده های شطرنجی را در کاشی های تراز یا دلخواه، بسته به رویکردهای وزن دهی جهانی یا محلی، ذخیره می کند. این کاشی ها در قالب باینری هستند و طبق بافر پروتکل از پیش تعریف شده ساختار یافته اند. Python-Dask آرایه‌های NumPy و اطلاعات متا (مثلاً نوع قانون تصمیم) را که برای انجام محاسبات موازی و توزیع‌شده SEUSA ضروری هستند، به دست می‌آورد. سطوح SEUSA به نقشه های میانگین، حداقل، حداکثر، انحراف استاندارد و مرتبه اول (S Python-Dask آرایه‌های NumPy و اطلاعات متا (مثلاً نوع قانون تصمیم) را که برای انجام محاسبات موازی و توزیع‌شده SEUSA ضروری هستند، به دست می‌آورد. سطوح SEUSA به نقشه های میانگین، حداقل، حداکثر، انحراف استاندارد و مرتبه اول (S Python-Dask آرایه‌های NumPy و اطلاعات متا (مثلاً نوع قانون تصمیم) را که برای انجام محاسبات موازی و توزیع‌شده SEUSA ضروری هستند، به دست می‌آورد. سطوح SEUSA به نقشه های میانگین، حداقل، حداکثر، انحراف استاندارد و مرتبه اول (Si ) و نقشه های شاخص حساسیت (ST i ) بر اساس رابط تعریف شده در فایل .proto برگردانده شده و در پایگاه داده آرایه ذخیره می شوند. مجموعه داده های فضایی از طریق یک موتور نقشه برداری مانند MapServer برای ارائه عملکردهای نگاشت تعاملی قابل دسترسی هستند و در SEUSA به عنوان یک برنامه خدمات گنجانده شده اند.

4. بحث

ادغام تجزیه و تحلیل عدم قطعیت و حساسیت یک رویکرد و روش های قوی برای شناسایی و کاهش عدم قطعیت ها، تأیید ثبات و استحکام نتایج مدل و ساده سازی پیچیدگی مدل ارائه می دهد. به نوبه خود، کاهش عدم قطعیت مدل و شناسایی پارامترها و متغیرهای حساس آن، کیفیت فرآیند تصمیم‌گیری را در حوزه‌های کاربردی فضایی مختلف، مانند ارزیابی ریسک [ 68 ، 69 ]، ارزیابی آسیب‌پذیری اکولوژیکی [ 70 ]، ارزیابی خاک و آب بهبود می‌بخشد. 71 ، مدل‌های تغییر کاربری زمین [ 72 ]، و مدل‌های انتقال بیماری [ 73 ]]. محققان فعال در زمینه تجزیه و تحلیل عدم قطعیت و حساسیت، اجزای نرم افزاری، بسته ها، چارچوب ها و مجموعه های ابزار را با استفاده از روش های مختلف عدم قطعیت و حساسیت برای جوامع کاربر پیاده سازی و در دسترس قرار دادند. به عنوان مثال، SIMLAB 4.0 یک چارچوب نرم افزار رایگان برای تجزیه و تحلیل عدم قطعیت و حساسیت است. این شامل تکنیک های مختلفی برای انجام تجزیه و تحلیل حساسیت جهانی متوالی است، مانند مونت کارلو و روش های مبتنی بر نمونه برداری [ 74 ] که توسط مرکز تحقیقات مشترک کمیسیون اروپا توسعه یافته است. این روش ها از طریق محیط R و رابط کاربری گرافیکی که در سی شارپ برای چارچوب دات نت اجرا شده بر روی یک پلت فرم ویندوز 64 بیتی پیاده سازی شده است، قابل دسترسی هستند. صلیبیک کتابخانه پایتون منبع باز برای انجام روش های تجزیه و تحلیل حساسیت جهانی است که شامل تجزیه و تحلیل حساسیت Sobol، تجزیه و تحلیل حساسیت دامنه فوریه (FAST) و روش موریس [ 75 ] است. حساسیت بسته R [ 76 ] مجموعه ای از توابع، از جمله غربالگری عامل، تجزیه و تحلیل حساسیت جهانی، و تجزیه و تحلیل استحکام را ارائه می دهد. اکثر توابع پیاده سازی شده در بسته را فقط می توان برای مدل هایی اعمال کرد که به خروجی اسکالر اشاره دارند. Kc و همکاران [ 77] یک چارچوب مبتنی بر ابر را برای انجام یک تحلیل حساسیت محاسباتی فشرده و زمان‌بر برای مدل‌های آتش‌سوزی، شامل پارامترهای ورودی مانند شرایط آب‌وهوای محلی، نوع پوشش زمین، توپوگرافی محلی و شرایط سوخت ارائه کرد. این چارچوب یک پیاده‌سازی Spark را نشان می‌دهد و از چارچوب OpenCL برای محاسبات موازی و کتابخانه SALib Python استفاده می‌کند که از روش موریس، روش‌های SA مبتنی بر واریانس و روش FAST پشتیبانی می‌کند.
چند مطالعه در مورد عدم قطعیت و تحلیل حساسیت فضایی صریح (SEUSA) در مدل‌های چند معیاره فضایی [ 8 ، 11 ، 15 ، 16 ، 17 ، 18 ، 19 ، 78 ، 79 ، توضیح داده‌اند.]. اجرای SEUSA برای چنین مدل‌هایی که مجموعه داده‌های فضایی گسترده و با وضوح بالا را برای مناطق بزرگ ترکیب می‌کنند، از نظر محاسباتی سخت و حافظه فشرده است، که از قابلیت‌های یک ایستگاه کاری معمولی، یک خوشه محلی و برنامه‌های کاربردی سرور سنتی فراتر می‌رود. این اغلب منجر به سازش بین تعداد اجراهای شبیه سازی و به دست آوردن نتایج قابل اعتماد برای برآوردهای حساسیت مرتبه اول و کل می شود. SEUSA به عنوان یک سرویس برای مدل‌های چند معیاره فضایی در یک محیط مبتنی بر ابر بر این محدودیت‌ها غلبه کرده و منابع ذخیره‌سازی، شبکه و محاسباتی مقیاس‌پذیر را فراهم می‌کند.
این مقاله توسعه یک طراحی برای یک چارچوب مبتنی بر ابر را برای انجام تجزیه و تحلیل عدم قطعیت و حساسیت فضایی صریح مبتنی بر ابر در مدل‌های چند معیاره فضایی ارائه کرده است. این چارچوب به مجازی سازی کانتینر بر اساس Kubernetes اشاره دارد که قابل اجرا بر روی انواع پلتفرم های ابری مانند AWS، OpenStack، GCP، OpenShift و Microsoft Azure است. چارچوب به یک مدل سرویس ابری خاص محدود نمی شود و روش های ارزیابی چند معیاره اضافی را می توان برای SEUSA موازی و توزیع شده به عنوان یک سرویس پیاده سازی کرد. به عنوان مثال، افزودن قوانین تصمیم گیری بیشتر، مانند میانگین وزنی مرتب شده (OWA)، مستلزم گسترش تعریف رابط gRPC–Dask و اجرای قانون تصمیم است. این قانون تصمیم گیری مجموعه دومی از وزن ها را برای تعریف سطح ریسک و مبادله بین معیارهای ارزیابی در بر می گیرد. بنابراین، یک پیام مربوط به مجموعه داده ورودی وزن دوم و یک پیام دیگر برای درخواست باید به بافر پروتکل اضافه شود. ماژول‌هایی برای سریال‌سازی و سریال‌زدایی محتوای بافر پروتکل توسعه‌یافته برای خرد کلاینت و سرور در دسترس خواهند بود. ادغام رویکردهای ارزیابی چند معیاره محلی که شامل محاسبه وزن معیار برای محله‌های محلی می‌شود، نیاز به کاشی کاری دلخواه دارد که توسط موتور دیتاکیوب RasDaMan پشتیبانی می‌شود. حمایت از این نوع رویکرد ارزیابی چند معیاره نیاز به بهبود بیشتر تعریف رابط gRPC–Dask و اجرای آن روش‌ها دارد. آزمایش موارد مختلف S-MCDA (قوانین تصمیم گیری مختلف، اشکال مختلف آرایه‌ها که تعداد معیارها و تعداد مکان‌های پیکسل را منعکس می‌کنند) برای دستیابی به توزیع متعادل حجم کار ضروری است. چارچوب پیشنهادی برای برنامه‌های ابری به موارد استفاده فضایی مبتنی بر شطرنجی می‌پردازد و در حال حاضر از مشکلات چند معیاره فضایی مبتنی بر برداری پشتیبانی نمی‌کند.11 ، 15 ]. سطرها گزینه‌های مجموعه داده‌های برداری را نشان می‌دهند (به عنوان مثال، نقاط، چند خط و چند ضلعی) و ستون‌ها به معیارهای ارزیابی اشاره دارند. از طرف دیگر، نمایش مجموعه داده های برداری را می توان در قالب آرایه های چند بعدی نیز توصیف کرد. در نتیجه، پشتیبانی از مسائل چند معیاره فضایی مبتنی بر برداری نیاز به گسترش تعریف رابط gRPC پیاده‌سازی شده SEUSA پیشنهادی به‌عنوان یک برنامه خدماتی دارد. روش دیگر، رویکردهای ابری مقیاس پذیر مبتنی بر برداری، مانند GeoRocket [ 20]، ممکن است فرصتی اضافی برای ذخیره، دسترسی، تجزیه و تحلیل و به اشتراک گذاری مقادیر زیادی از داده های مکانی ارائه دهد. این طرحواره آگنوستیک است و بنابراین از انواع فرمت های مختلف داده های مکانی پشتیبانی می کند و عملکردهای تقسیم و نمایه سازی را برای افزایش قابلیت استفاده، عملکرد و مقیاس پذیری ارائه می دهد. در نظر گرفتن رویکردهای تحلیل حساسیت و عدم قطعیت مکانی-زمانی [ 80 ] و تکنیک‌های نمونه‌گیری مختلف (به عنوان مثال، نمونه‌برداری لاتین هایپرمکعب (LHS)، LHS تکراری، و پله‌های پیچ در پیچ) و روش‌های محاسبه (به عنوان مثال، طرح‌های تعادل تصادفی، FAST، و FAST گسترده ) [ 12] همچنین جنبه مهم دیگری از گسترش قابلیت های SEUSA به عنوان یک سرویس برای طیف گسترده تری از موارد استفاده فضایی را نشان می دهد. به گفته یوسیفسکو-انسکو، ماتیس، گکونوس، ایوسیفسکو-انسکو و هورنی [ 62] (ص. 11)، معماری های ابری امن بدون سرور برای برنامه های Web-GIS، مانند SEUSA به عنوان یک سرویس، باید شامل یک فایروال مدیریت شده، ارزیابی امنیتی، و حفاظت از سرویس انکار توزیع شده (DDoS) باشد که جنبه مهم دیگری را نشان می دهد. برای استقرار SEUSA به عنوان یک سرویس در نظر گرفته شده است که برای دانشمندان و جوامع تحقیقاتی در دسترس باشد و از طریق یک برنامه کاربردی وب در یک محیط مبتنی بر ابر قابل دسترسی باشد که قادر به انجام تجزیه و تحلیل عدم قطعیت و حساسیت برای موارد استفاده خاص کاربر در زمینه تجزیه و تحلیل چند معیاره فضایی است. . بسته به حجم کاری درخواستی، عملکردهای آماده سازی و تجسم داده ها و خدمات پردازش جغرافیایی و کاشی کاری مقیاس پذیر را ارائه می دهد. علاوه بر این، ما قصد داریم کد منبع این چارچوب را از طریق مخازن آنلاین منتشر کنیم (به عنوان مثال، GitHub) به گروه های مختلف تحقیقاتی فرصتی برای استقرار خدمات خود در محیط های ابری خصوصی ارائه می دهد. این رویکرد از ایده تکرارپذیری پیروی می کند و پایه و اساس توسعه های بعدی چارچوب را می گذارد.

5. نتیجه گیری ها

همانطور که کرامر [ 20] (ص 5)، یک تغییر پارادایم در حال انجام در انفورماتیک و ژئوانفورماتیک به ویژه وجود دارد. رایانش ابری منجر به پیشرفت‌های قابل توجهی در طراحی و توسعه برنامه‌ها می‌شود که در نتیجه در دسترس بودن، قابلیت اطمینان و مقیاس‌پذیری برنامه‌های فضایی و غیرمکانی بالاست. بنابراین، مهاجرت رویکرد موازی و توزیع شده SEUSA به ابر، فرصتی جذاب برای افزایش کاربرد برای موارد استفاده فضایی بسیار پیچیده و محاسباتی است. این مقاله طراحی چارچوبی را برای اجرای SEUSA به عنوان یک سرویس در یک محیط مبتنی بر ابر نشان می‌دهد، که یک راه‌حل مقیاس‌پذیر، قابل توسعه و کاربردی برای مجموعه داده‌های شطرنجی عظیم را نشان می‌دهد. ما معتقدیم که SEUSA به عنوان یک سرویس، کاوش و درک بهتر نتایج تجزیه و تحلیل تصمیم چند معیاره فضایی را ممکن می‌سازد و بنابراین به بهبود کیفیت تصمیم‌گیری کمک می‌کند. تحقیق ارائه شده در مقاله گامی در توسعه اقدامات کمی برای ارزیابی استحکام راه‌حل‌های مدل پیچیده S-MCDM و افزایش در دسترس بودن SEUSA برای یک جامعه تحقیقاتی گسترده‌تر است.

منابع

  1. کینان، PB; یانکوفسکی، ص. سیستم‌های پشتیبانی تصمیم فضایی: سه دهه بعد. تصمیم می گیرد. سیستم پشتیبانی 2019 ، 116 ، 64–76. [ Google Scholar ] [ CrossRef ]
  2. Simon, HA علم جدید تصمیم مدیریت ; Prentice Hall PTR: Upper Saddle River، نیوجرسی، ایالات متحده آمریکا، 1977. [ Google Scholar ]
  3. Malczewski، J. یانکوفسکی، ص. روندهای نوظهور و مرزهای تحقیق در تحلیل چند معیاره فضایی. بین المللی جی. جئوگر. Inf. علمی 2020 ، 1–26. [ Google Scholar ] [ CrossRef ]
  4. Malczewski، J. Rinner, C. تجزیه و تحلیل تصمیم چند معیاره در علم اطلاعات جغرافیایی ; Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2015. [ Google Scholar ]
  5. تیل، جی.-سی. تصمیم گیری و تجزیه و تحلیل چند معیاره فضایی ، چاپ اول. Routledge: لندن، بریتانیا، 1999. [ Google Scholar ] [ CrossRef ]
  6. سالتلی، ا. Annoni، P. چگونه از تجزیه و تحلیل حساسیت ظاهری اجتناب کنیم. محیط زیست مدل. نرم افزار 2010 ، 25 ، 1508-1517. [ Google Scholar ] [ CrossRef ]
  7. گنجی، ع. مایر، منابع انسانی؛ Dandy، GC یک روش تحلیل حساسیت Sobol اصلاح شده برای تصمیم گیری در مشکلات زیست محیطی. محیط زیست مدل. نرم افزار 2016 ، 75 ، 15-27. [ Google Scholar ] [ CrossRef ]
  8. لیگمان-زیلینسکا، آ. Jankowski، P. تجزیه و تحلیل عدم قطعیت و حساسیت یکپارچه فضایی صریح وزن معیارها در ارزیابی تناسب زمین چند معیاره. محیط زیست مدل. نرم افزار 2014 ، 57 ، 235-247. [ Google Scholar ] [ CrossRef ]
  9. لیگمان-زیلینسکا، آ. Jankowski، P. چارچوبی برای تحلیل حساسیت در ارزیابی چند معیاره فضایی. در GIScience 2008 ; Cova، TJ، Miller، HJ، Beard، K.، Frank، AU، Goodchild، MF، Eds. Springer: برلین/هایدلبرگ، آلمان، 2008; جلد LNCS 5266، ص 217-233. [ Google Scholar ]
  10. فرتی، اف. سالتلی، ا. تارانتولا، اس. روند در عمل تجزیه و تحلیل حساسیت در دهه گذشته. علمی کل محیط. 2016 ، 568 ، 666-670. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  11. شالاپ-آیچا، س. Jankowski، P. تجزیه و تحلیل تاثیر پارامترها و عدم قطعیت های مقیاس بر روی یک مدل ارزیابی کاربری اراضی چند معیاره محلی. استوک. محیط زیست Res. ارزیابی ریسک 2018 ، 32 ، 2699–2719. [ Google Scholar ] [ CrossRef ]
  12. لیلبرن، ال. تارانتولا، اس. تحلیل حساسیت مدل‌های فضایی. بین المللی جی. جئوگر. Inf. علمی 2009 ، 23 ، 151-168. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. سالتلی، ا. راتو، ام. تارانتولا، اس. Campolongo، F. شیوه های تحلیل حساسیت: استراتژی هایی برای استنتاج مبتنی بر مدل. Reliab. مهندس سیستم Saf. 2006 ، 91 ، 1109-1125. [ Google Scholar ] [ CrossRef ]
  14. هما، تی. Saltelli، A. اقدامات مهم در تحلیل حساسیت جهانی مدل‌های غیرخطی. Reliab. مهندس سیستم Saf. 1996 ، 52 ، 1-17. [ Google Scholar ] [ CrossRef ]
  15. شالاپ-آیچا، س. Jankowski، P. ادغام ارزیابی چند معیاره محلی با تجزیه و تحلیل عدم قطعیت-حساسیت صریح فضایی. تف کردن شناخت. محاسبه کنید. 2016 ، 16 ، 106-132. [ Google Scholar ] [ CrossRef ]
  16. فیضی زاده، ب. یانکوفسکی، پ. Blaschke، T. رویکرد تحلیل عدم قطعیت و حساسیت صریح فضایی مبتنی بر GIS برای تجزیه و تحلیل تصمیم چند معیاره. محاسبه کنید. Geosci. 2014 ، 64 ، 81-95. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. ارلاچر، سی. شالاپ-آیچا، س. یانکوفسکی، پ. Anders, K.-H.; Paulus, G. یک راه حل مبتنی بر GPU برای تسریع تجزیه و تحلیل عدم قطعیت و حساسیت فضایی صریح در تصمیم گیری چند معیاره. در مجموعه مقالات دقت فضایی، مونپلیه، فرانسه، 5-8 ژوئیه 2016. صص 305-312. [ Google Scholar ]
  18. ارلاچر، سی. یانکوفسکی، پ. بلاشکه، تی. پاولوس، جی. اندرس، ک.-اچ. یک رویکرد موازی سازی مبتنی بر GPU برای انجام تجزیه و تحلیل عدم قطعیت و حساسیت فضایی صریح در حوزه کاربردی ارزیابی منظر. Gi_Forum J. 2017 ، 2017 ، 44–58. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. ارلاچر، سی. دش، آ. Anders, K.-H.; یانکوفسکی، پ. Paulus، G. محاسبات موازی و توزیع شده برای مسائل تجزیه و تحلیل تصمیم گیری چند معیاره فضایی مبتنی بر شطرنجی بزرگ: مقایسه عملکرد محاسباتی. GI_Forum J. 2019 ، 2019 ، 69–86. [ Google Scholar ] [ CrossRef ]
  20. Krämer, M. GeoRocket: یک فروشگاه داده مقیاس پذیر و مبتنی بر ابر برای فایل های بزرگ مکانی. SoftwareX 2020 , 11 , 100409. [ Google Scholar ] [ CrossRef ]
  21. سوئیل، پ. برگر، ا. دی مارکی، دی. کمپینرز، پی. رودریگز، دی. سیریس، وی. Vasilev, V. یک پلت فرم محاسباتی همه کاره با داده فشرده برای بازیابی اطلاعات از داده های بزرگ جغرافیایی. ژنرال آینده. محاسبه کنید. سیستم 2018 ، 81 ، 30-40. [ Google Scholar ] [ CrossRef ]
  22. یانگ، سی. یو، م. هو، اف. جیانگ، ی. Li, Y. استفاده از رایانش ابری برای رسیدگی به چالش‌های بزرگ داده‌های مکانی. محاسبه کنید. محیط زیست سیستم شهری 2017 ، 61 ، 120-128. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. یانگ، سی. هوانگ، Q. لی، ز. لیو، ک. Hu, F. داده های بزرگ و رایانش ابری: فرصت ها و چالش های نوآوری. بین المللی جی دیجیت. زمین 2017 ، 10 ، 13-53. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. حاجیدوکاس، PE; برتزاقی، ع. شایدگر، اف. ایستریت، آر. بکاس، سی. Malossi، ACI torcpy: پشتیبانی از موازی کاری در پایتون. SoftwareX 2020 , 12 , 100517. [ Google Scholar ] [ CrossRef ]
  25. Matthew, R. Dask: محاسبات موازی با الگوریتم‌های مسدود شده و زمان‌بندی وظایف. در مجموعه مقالات چهاردهمین کنفرانس علمی پایتون (SciPy 2015)، آستین، TX، ایالات متحده، 6 تا 12 ژوئیه 2015؛ صص 126-132. [ Google Scholar ]
  26. دانیل، JC Data Science با پایتون و Dask . Manning Publications Co.: Shelter Island، NY، ایالات متحده آمریکا، 2019. [ Google Scholar ]
  27. Sobol، برآورد حساسیت IM برای مدل‌های ریاضی غیرخطی. ریاضی. مدل. محاسبه کنید. انقضا 1993 ، 1 ، 407-414. [ Google Scholar ]
  28. اشمیت، دی سی; Buschmann, F. الگوها، چارچوب ها و میان افزار: روابط هم افزایی آنها. در مجموعه مقالات بیست و پنجمین کنفرانس بین المللی مهندسی نرم افزار، پورتلند، OR، ایالات متحده آمریکا، 3-10 می 2003. صص 694-704. [ Google Scholar ]
  29. Schantz، RE; اشمیت، پیشرفت های تحقیقاتی DC در میان افزار برای سیستم های توزیع شده: وضعیت هنر. در مجموعه مقالات سیستم های ارتباطی: وضعیت هنر IFIP هفدهمین کنگره جهانی کامپیوتر — جریان TC6 در سیستم های ارتباطی، مونترال، QC، کانادا، 25 تا 30 اوت 2002. چاپین، ال.، اد. Springer: Boston, MA, USA, 2002; صص 1-36. [ Google Scholar ]
  30. بلیت، دی. الکاراز، ج. بینه، اس. چکانوف، SV ProIO: یک قالب جریان ورودی/خروجی مبتنی بر رویداد برای پیام‌های پروتوباف. محاسبه کنید. فیزیک اشتراک. 2019 ، 241 ، 98-112. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. Fürhoff, L. بازنگری در استفاده و تجربه خوشه‌بندی در نقشه‌برداری وب . Springer: Cham، سوئیس، 2020؛ صص 3-22. [ Google Scholar ]
  32. هنگ، ال. الله، من. کیم، دی.-اچ. یک پلت فرم ایمن مزرعه ماهی مبتنی بر بلاک چین برای یکپارچگی داده های کشاورزی. محاسبه کنید. الکترون. کشاورزی 2020 , 170 , 105251. [ Google Scholar ] [ CrossRef ]
  33. وانگ، ال. فون لاژوسکی، جی. یانگ، ا. او، X. کونزه، ام. تائو، جی. Fu, C. Cloud Computing: A Perspective Study. نسل جدید. محاسبه کنید. 2010 ، 28 ، 137-146. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. مل، پی. گرنس، تی. تعریف NIST از رایانش ابری. توصیه کنید. Natl. Inst. ایستادن. تکنولوژی 2011 . [ Google Scholar ] [ CrossRef ]
  35. Vaquero، LM; رودرو-مرینو، ال. کاسرس، جی. Lindner, M. A break in the clouds: Towards a cloud definition. محاسبات SIGCOMM. اشتراک. Rev. 2009 , 39 , 50-55. [ Google Scholar ] [ CrossRef ]
  36. اودون-آیو، آی. آنانیا، م. آگونو، اف. Goddy-Worlu, R. Cloud Computing Architecture: A Critical Analysis. در مجموعه مقالات 2018 هجدهمین کنفرانس بین المللی علوم و کاربردهای محاسباتی (ICCSA)، ملبورن، VIC، استرالیا، 2 تا 5 ژوئیه 2018؛ صص 1-7. [ Google Scholar ]
  37. بخاری، MU; شلال، QM; تماندانی، مدل‌های سرویس محاسبات ابری YK: یک مطالعه تطبیقی. در مجموعه مقالات سومین کنفرانس بین المللی 2016 در محاسبات برای توسعه پایدار جهانی (INDIACom)، دهلی نو، هند، 16 تا 18 مارس 2016؛ صص 890-895. [ Google Scholar ]
  38. یانگ، سی. گودچایلد، م. هوانگ، Q. نبرت، دی. راسکین، آر. خو، ی. بامباکوس، ام. Fay, D. محاسبات ابری فضایی: علوم زمین فضایی چگونه می تواند از محاسبات ابری استفاده کند و به شکل گیری آن کمک کند؟ بین المللی جی دیجیت. زمین 2011 ، 4 ، 305-329. [ Google Scholar ] [ CrossRef ]
  39. Ujjwal, KC; گارگ، اس. هیلتون، جی. آریال، ج. Forbes-Smith، N. Cloud Computing در سیستم های مدل سازی مخاطرات طبیعی: روندهای تحقیقاتی فعلی و جهت گیری های آینده. بین المللی J. کاهش خطر بلایا. 2019 ، 38 ، 101188. [ Google Scholar ] [ CrossRef ]
  40. آهنگ، WW; جین، BX; لی، SH; وی، XY; لی، دی. Hu, F. ساخت بستر ابر فضایی-زمانی برای پشتیبانی از برنامه GIS. ISPRS Ann. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2015 ، II-4/W2 ، 55-62. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  41. آگراوال، اس. گوپتا، RD Web GIS و معماری آن: بررسی. عرب جی. ژئوشی. 2017 ، 10 ، 518-530. [ Google Scholar ] [ CrossRef ]
  42. یائو، ایکس. لی، جی. شیا، جی. بن، جی. کائو، کیو. ژائو، ال. ممکن است.؛ ژانگ، ال. زو، دی. فعال کردن داده‌های رصد بزرگ زمین از طریق محاسبات ابری و DGGS: فرصت‌ها و چالش‌ها. Remote Sens. 2020 , 12 , 62. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. لیو، ی. دای، H.-N. وانگ، کیو. شوکلا، MK; عمران، ام. هواپیمای بدون سرنشین برای اینترنت همه چیز: فرصت ها و چالش ها. محاسبه کنید. اشتراک. 2020 ، 155 ، 66-83. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. کاهلان، سی. مک کارتی، تی. McElhinney، CP MIMIC: ماشین حساب تراکم نقطه نقشه برداری موبایل. در مجموعه مقالات سومین کنفرانس بین المللی محاسبات برای تحقیقات و کاربردهای جغرافیایی، واشنگتن، دی سی، ایالات متحده آمریکا، 1 تا 3 ژوئیه 2012. ص 15:11–15:19. [ Google Scholar ]
  45. شانگ، اس. شن، جی. ون، جی.- آر. کالنیس، پی. درک عمیق داده‌های مکانی بزرگ برای خودروهای خودران. محاسبات عصبی 2020 ، 308-309 . [ Google Scholar ] [ CrossRef ]
  46. یی، جی. دو، ی. لیانگ، اف. تو، دبلیو. چی، دبلیو. Ge, Y. نقشه برداری ردپای دیجیتالی انسان در فلات تبت از داده های بزرگ جغرافیایی چند منبعی. علمی کل محیط. 2020 , 711 , 134540. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  47. هو، اف. لی، ز. یانگ، سی. جیانگ، ی. یک رویکرد مبتنی بر نمودار برای شناسایی الگوهای حرکت گردشگران با استفاده از داده های رسانه های اجتماعی. کارتوگر. Geogr. Inf. علمی 2019 ، 46 ، 368-382. [ Google Scholar ] [ CrossRef ]
  48. گونزالس، اچ. هالیوی، ا. جنسن، CS; لانگن، آ. مدهاوان، ج. شپلی، آر. Shen, W. Google fusion tables: مدیریت داده، یکپارچه سازی و همکاری در ابر. در مجموعه مقالات اولین سمپوزیوم ACM در رایانش ابری، ایندیاناپولیس، IN، ایالات متحده آمریکا، 10-11 ژوئن 2010. صص 175-180. [ Google Scholar ]
  49. یانگ، سی. خو، ی. Nebert, D. تعریف مجدد امکان زمین دیجیتال و علوم زمین با محاسبات ابری فضایی. بین المللی جی دیجیت. زمین 2013 ، 6 ، 297-312. [ Google Scholar ] [ CrossRef ]
  50. یانگ، ی. لانگ، X. جیانگ، بی. روش K-Means برای گروه بندی در خوشه کاهش نقشه ترکیبی. جی. کامپیوتر. 2013 ، 8 ، 2648-2655. [ Google Scholar ] [ CrossRef ]
  51. لی، دبلیو. آهنگ، م. ژو، بی. کائو، ک. گائو، اس. تکنیک‌های بهبود عملکرد برای خدمات وب جغرافیایی در یک محیط زیرساخت سایبری – مطالعه موردی با یک پورتال مدیریت بلایا. محاسبه کنید. محیط زیست سیستم شهری 2015 ، 54 ، 314-325. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  52. لی، ز. گی، ز. هوفر، بی. لی، ی. شیدر، اس. Shekhar, S. فناوری های پردازش اطلاعات مکانی. در کتابچه راهنمای زمین دیجیتال ; Guo, H., Goodchild, MF, Annoni, A., Eds. اسپرینگر: سنگاپور، 2020؛ صص 191-227. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  53. کرامر، ام. Senner, I. یک معماری نرم افزاری مدولار برای پردازش داده های بزرگ مکانی در ابر. محاسبه کنید. نمودار. 2015 ، 49 ، 69-81. [ Google Scholar ] [ CrossRef ]
  54. تان، ایکس. دی، ال. دنگ، م. هوانگ، اف. بله، X. شا، ز. سان، ز. گونگ، دبلیو. شائو، ی. هوانگ، سی. تجمیع خدمات زمین فضایی مبتنی بر عامل به عنوان یک سرویس در ابر: مطالعه موردی پاسخ سیل. محیط زیست مدل. نرم افزار 2016 ، 84 ، 210-225. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  55. لی، ز. یانگ، سی. هوانگ، Q. لیو، ک. سان، م. Xia, J. مدل ساختمان به عنوان یک سرویس برای پشتیبانی از علوم زمین. محاسبه کنید. محیط زیست سیستم شهری 2017 ، 61 ، 141-152. [ Google Scholar ] [ CrossRef ]
  56. بوردل، بی. آلکاریا، آر. هرناندز، م. Robles، T. معضل مردم به عنوان یک سرویس: راه حل های محاسباتی انسانی در برنامه های کاربردی با کارایی بالا. مجموعه مقالات 2019 ، 31 ، 39. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  57. لی، ی. یو، م. خو، ام. یانگ، جی. شا، د. لیو، کیو. یانگ، سی. داده های بزرگ و رایانش ابری. در کتابچه راهنمای زمین دیجیتال ; Guo, H., Goodchild, MF, Annoni, A., Eds. اسپرینگر: سنگاپور، 2020؛ صص 325-355. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  58. مرکرت، آر. بوشل، جی. بک، MJ همکاری به عنوان یک سرویس (CaaS) برای یکپارچه‌سازی کامل حمل‌ونقل عمومی – درس‌هایی از سفرهای راه دور تا تصور مجدد تحرک به عنوان یک سرویس. ترانسپ Res. بخش A سیاست سیاست. 2020 ، 131 ، 267-282. [ Google Scholar ] [ CrossRef ]
  59. Malczewski، J. ترکیب خطی وزنی محلی. ترانس. GIS 2011 ، 15 ، 439-455. [ Google Scholar ] [ CrossRef ]
  60. هالاوی، ام جی; دین، جی. بلر، جی اس. براون، ام. هنریس، PA; واتکینز، جی. مقابله با چالش های علم باز قرن بیست و یکم و فراتر از آن: رویکرد آزمایشگاه علوم داده. Patterns 2020 , 1 , 100103. [ Google Scholar ] [ CrossRef ]
  61. هوانگ، دبلیو. ژانگ، دبلیو. ژانگ، دی. Meng, L. Elastic Spatial Query Processing در OpenStack Cloud Computing Environment برای تحلیل داده با محدودیت زمانی. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 84. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  62. Iosifescu-Enescu، I.; ماتیس، سی. گکونوس، سی. Iosifescu-Enescu، CM; Hurni، L. معماری‌های مبتنی بر ابر برای ژئوپورتال‌های وب مقیاس‌پذیر خودکار به سمت ابری شدن GeoVITe Swiss Academic Geoportal. Isprs Int. J. Geo-Inf. 2017 ، 6 ، 192. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  63. گومز، VCF؛ کی روش، GR; فریرا، KR مروری بر پلتفرم‌ها برای مدیریت و تجزیه و تحلیل داده‌های رصد زمین بزرگ. Remote Sens. 2020 , 12 , 1253. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  64. Baumann, P. Array Databases. در دایره المعارف سیستم های پایگاه داده ; Liu, L., Özsu, MT, Eds. Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2018؛ صص 165-177. [ Google Scholar ]
  65. باومن، پی. روسی، AP; بل، بی. کلمنتز، او. ایوانز، بی. هونیگ، اچ. هوگان، پی. کاکالتریس، جی. کلتسیدا، پ. مانتوانی، س. و همکاران تقویت علم زمین بین رشته ای از طریق تجزیه و تحلیل Datacube. در رصد زمین علم و نوآوری باز ; Mathieu, P.-P., Aubrecht, C., Eds. انتشارات بین المللی اسپرینگر: چم، سوئیس، 2018; صص 91-119. [ Google Scholar ]
  66. رینر، بی. هان، ک. هوفلینگ، جی. Baumann, P. پشتیبانی و مدیریت ذخیره سازی سلسله مراتبی برای سیستم های مدیریت پایگاه داده آرایه های چند بعدی در مقیاس بزرگ . Springer: برلین/هایدلبرگ، آلمان، 2002; صص 689-700. [ Google Scholar ]
  67. هاین، ن. Blankenbach، J. Vergleich von PostGIS و Rasdaman als Geodatenbanken für großvolumige Bilddatenbestände eines mobilen Mappingsystems. AGIT J. Angew. اطلاعات جغرافیایی 2017 ، 3 ، 2-12. [ Google Scholar ] [ CrossRef ]
  68. ابیلی، م. برتراند، ن. دلستر، او. گوربسویل، پی. دولوک، سی.-ام. تجزیه و تحلیل حساسیت جهانی فضایی استفاده از داده های توپوگرافی طبقه بندی شده با وضوح بالا در مدل سازی سیل شهری دوبعدی. محیط زیست مدل. نرم افزار 2016 ، 77 ، 183-195. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  69. پرین، تی وی ای. روستنت، او. رومر، جی. آلاتا، او. ناولین، جی پی؛ ایدیر، دی. پدرروس، آر. مونکولون، دی. Tinard، P. تحلیل مولفه اصلی عملکردی برای تحلیل حساسیت جهانی مدل با خروجی فضایی. Reliab. مهندس سیستم Saf. 2021 ، 211 ، 107522. [ Google Scholar ] [ CrossRef ]
  70. هو، ایکس. مک.؛ هوانگ، پی. Guo، X. ارزیابی آسیب‌پذیری اکولوژیکی بر اساس روش AHP-PSR و تجزیه و تحلیل حساسیت تک پارامتری و خودهمبستگی فضایی آن برای حفاظت از محیط زیست – موردی از شهر ویفانگ، چین. Ecol. اندیک. 2021 ، 125 ، 107464. [ Google Scholar ] [ CrossRef ]
  71. کو، اچ. ایواناگا، تی. کروک، BFW؛ جیکمن، ای جی؛ یانگ، جی. وانگ، H.-H.; سان، ایکس. لو، جی. لی، ایکس. یو، تی. و همکاران مقاله موقعیت: تحلیل حساسیت مدل‌های محیطی توزیع‌شده فضایی – یک چارچوب عمل‌گرایانه برای اکتشاف منابع عدم قطعیت. محیط زیست مدل. نرم افزار 2020 , 134 , 104857. [ Google Scholar ] [ CrossRef ]
  72. لیگمان-زیلینسکا، A. “آیا می توانید آن را تعمیر کنید؟” استفاده از تحلیل حساسیت مبتنی بر واریانس برای کاهش فضای ورودی یک مدل مبتنی بر عامل تغییر کاربری زمین. در تحلیل جغرافیایی محاسباتی و مدلسازی سیستمهای منطقه ای ; Thill, J.-C., Dragicevic, S., Eds. انتشارات بین المللی اسپرینگر: چم، سوئیس، 2018; صص 77-99. [ Google Scholar ] [ CrossRef ]
  73. کانگ، J.-Y. Aldstadt, J. استفاده از الگوهای فضا-زمان مقیاس چندگانه در تجزیه و تحلیل حساسیت جهانی مبتنی بر واریانس برای مدل‌های مبتنی بر عامل صریح فضایی. محاسبه کنید. محیط زیست سیستم شهری 2019 ، 75 ، 170-183. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  74. تارانتولا، اس. Becker, W. SIMLAB نرم افزار برای تجزیه و تحلیل عدم قطعیت و حساسیت. در کتابچه راهنمای کمی سازی عدم قطعیت ; غانم، ر.، هیگدون، د.، اوحدی، ح.، ویرایش. انتشارات بین المللی اسپرینگر: چم، سوئیس، 2017; صفحات 1979-1999. [ Google Scholar ] [ CrossRef ]
  75. هرمان، جی. Usher, W. SALib: یک کتابخانه منبع باز پایتون برای تجزیه و تحلیل حساسیت. J. نرم افزار منبع باز. 2017 ، 2 ، 97. [ Google Scholar ] [ CrossRef ]
  76. آیوس، بی. ویگا، SD؛ جانون، ا. Pujol، G. Sensitivity: تجزیه و تحلیل حساسیت جهانی خروجی های مدل، بسته R (≥3.0.0) نسخه 1.25.0. در دسترس آنلاین: https://cran.r-project.org/web/packages/sensitivity/index.html (در 30 مارس 2021 قابل دسترسی است).
  77. Kc، U.; گارگ، اس. هیلتون، جی. Aryal, J. چارچوب مبتنی بر ابر برای تجزیه و تحلیل حساسیت مدل های خطر طبیعی. محیط زیست مدل. نرم افزار 2020 , 134 , 104800. [ Google Scholar ] [ CrossRef ]
  78. ارلاچر، سی. یانکوفسکی، پ. شالاپ-آیچا، س. Anders, K.-H.; پاولوس، جی. توسعه قابلیت‌های کارایی بالا برای حمایت از عدم قطعیت و تحلیل حساسیت فضایی صریح در تصمیم‌گیری چند معیاره. در مجموعه مقالات هشتمین کنفرانس بین المللی تحلیل حساسیت خروجی مدل، لو تامپون (رئونیون)، فرانسه، 30 نوامبر تا 3 دسامبر 2016. [ Google Scholar ]
  79. یانکوفسکی، پ. نجور، ع. زولینسکی، ز. Niesterowicz، J. ارزیابی تنوع زمین با داده های جمع سپاری و تجزیه و تحلیل چند معیاره فضایی. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 716. [ Google Scholar ] [ CrossRef ]
  80. شالاپ-آیچا، س. یانکوفسکی، پ. کلارک، کی سی; کیریاکیدیس، PC; نارا، A. یک رویکرد فرا مدل‌سازی برای تحلیل عدم قطعیت و حساسیت مکانی-زمانی: یک برنامه کاربردی برای یک مدل رشد شهری و تغییر کاربری زمین مبتنی بر اتوماتای ​​سلولی. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 637-662. [ Google Scholar ] [ CrossRef ]
Ijgi 10 00244 g001 550
شکل 1. مصرف حافظه عدم قطعیت و تحلیل حساسیت فضایی صریح (SEUSA). مقایسه مصرف حافظه کاری برای تولید سطوح مناسب، بسته به تعداد اجراهای مدل.
Ijgi 10 00244 g002 550
شکل 2. گردش کار SEUSA–DASK. رویکرد SEUSA موازی و توزیع شده بر اساس Python-DASK.
Ijgi 10 00244 g003 550
شکل 3. فایل پروتو. یک نمونه ساده پروتو SUSA.
Ijgi 10 00244 g004 550
شکل 4. گردش کار gRPC–Dask. اتصال برنامه های کاربردی مشتری مبتنی بر GIS با رویکرد موازی و توزیع شده SEUSA با استفاده از gRPC.
Ijgi 10 00244 g005 550
شکل 5. SEUSA به عنوان سرویس. طراحی چارچوب SEUSA مبتنی بر ابر.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید