خلاصه

پدیده های طبیعی ذاتاً فضایی و زمانی هستند و اغلب بسیار پویا هستند. در دسترس بودن روزافزون مجموعه داده های شبیه سازی و مشاهده، فرصتی عالی برای ثبت و درک بهتر پیچیدگی و پویایی پدیده های طبیعی در اختیار ما قرار داده است. چالش‌ها با رسمی کردن بازنمایی چنین پدیده‌هایی از نظر مرزهای غیر صلب آنها و کمی‌سازی پویایی رویداد در مکان و زمان ایجاد می‌شوند. اهداف این تحقیق عبارتند از (1) نمایش مفهومی پدیده طبیعی به عنوان یک رویداد، و (2) کمی کردن حرکات و تحولات پویا رویدادها با استفاده از رویکرد مبتنی بر نمودار. این چارچوب داده پیشنهادی به مجموعه داده شبیه‌سازی گرد و غبار برای نمایش رویدادهای گرد و غبار پویا 4 بعدی اعمال می‌شود. رویدادهای گرد و غبار شناسایی می شوند،

کلید واژه ها:

بازنمایی فضایی و زمانی ; رویداد گرد و غبار ; 4 بعدی ؛ مبتنی بر نمودار کمی سازی دینامیک

1. معرفی

پدیده های طبیعی ذاتاً فضایی و زمانی هستند و اغلب بسیار پویا هستند [ 1]. افزایش در دسترس بودن مجموعه داده های شبیه سازی و مشاهده، دانشمندان و محققان را قادر می سازد تا پیچیدگی و پویایی پدیده های طبیعی را بهتر دریافت و درک کنند. با وضوح و ابعاد مکانی-زمانی بالاتر، می توان دید کامل تری از پدیده های طبیعی مانند اطلاعات دقیق از ابعاد عمودی و زمانی (4 بعدی: عرض جغرافیایی، طول جغرافیایی، ارتفاع و زمان) به دست آورد. روش‌ها و تکنیک‌های علم GIS برای نشان دادن و بررسی پویایی‌ها در تغییرات جغرافیایی از طریق روش‌های کمی و کیفی، به‌ویژه به ما کمک می‌کنند تا بفهمیم «پدیده‌های طبیعی کجا و چه زمانی اتفاق می‌افتند»، «مدت زمانی که یک پدیده طبیعی دوام می‌آورد»، یا «چه چیزی رایج است» ایجاد شده است. مسیر حمل و نقل برای یک پدیده طبیعی است.
مدل‌های داده‌های مکانی-زمانی موجود [ 2 ، 3 ، 4 ] قابلیت نمایش تغییرات مختلف در سه بعدی (طول جغرافیایی، طول جغرافیایی، و زمان)، مانند ایجاد، تغییر، تخریب، تناسخ، تقسیم، ادغام و تخصیص مجدد را دارند. با این حال، برخلاف پدیده‌هایی که در سطح زمین رخ می‌دهند، مانند سیل [ 3 ]، تغییر کاربری و پوشش زمین [ 5 ]، یا جنگل‌زدایی [ 6 ]]، بیشتر پدیده های جغرافیایی در یک زمینه 4 بعدی (طول جغرافیایی، طول جغرافیایی، ارتفاع و زمان) وجود دارند. اشیاء جغرافیایی در فضای سه بعدی بیشتر از آنهایی که در فضای دو بعدی هستند با هم تعامل دارند. بنابراین، بازنمایی، تحلیل و مدل‌سازی پویایی پدیده‌های طبیعی در یک محیط 4 بعدی مهم است. در این تحقیق، مولفه های حجمی و همچنین مدیریت برهم کنش های پیچیده اشیاء، در نمایش های مکانی-زمانی پیشنهاد شده است.
یکی از چالش‌ها، گنجاندن مرز فازی یا غیر صلب پدیده‌های طبیعی در چارچوب مکانی-زمانی است. ویژگی های ذاتی پدیده های طبیعی غیر صلب شامل دینامیک و تغییر شکل است و می تواند به طور مداوم ساختار داخلی خود را در حین حمل و نقل در فضا و زمان تغییر دهد [ 7 ]. بنابراین، نشان دادن این تغییرات ساختار داخلی باید در چارچوب مکانی-زمانی نیز گنجانده شود. در زمینه تجزیه و تحلیل تصویر مبتنی بر شی، به منظور توصیف تنوع طبیعی، مدل ها باید قادر به بیان مرزهای فازی و سازگار با تغییرات غیرقابل پیش بینی باشند [ 8 ]. علاوه بر این، روابط سلسله مراتبی در سطوح مختلف انتزاع در فضا و زمان نیاز به بررسی بیشتر دارد [ 9 ]]. با الهام از تحقیقات فوق، ما تئوری سلسله مراتب را در نمایش شی غیر صلب خود ادغام کرده ایم تا نمایش رویداد را افزایش دهیم.
علاوه بر این، چارچوب‌های داده‌های مکانی-زمانی موجود تا حد زیادی بر استدلال مکانی یا استدلال زمانی به طور جداگانه متمرکز شده‌اند، در حالی که تحلیل کمی مکانی-زمانی می‌تواند به درک بهتر و پیش‌بینی‌های آینده رویدادهای پدیده‌های طبیعی کمک کند. مک‌اینتاش و یوان [ 10 ] از طریق یک روش شی‌گرا، توصیف و شباهت رویدادهای جغرافیایی را در رابطه با ویژگی‌ها و روابط ایستا و پویا اشیاء اندازه‌گیری کردند. روش‌های آماری مکانی-زمانی که تغییرات یا دینامیک را کمیت می‌دهند نیز توسعه یافته‌اند، از جمله آمار اسکن مکانی-زمانی [ 11 ]، سری زمانی مکانی [ 12 ] و رگرسیون خودرگرسیون مکانی زمانی [ 13 ].]. علاوه بر این، Bothwell و Yuan [ 14 ] حرکات و جهت ها را در فضا و زمان پیوسته بر اساس اصول سینماتیک سیالات اندازه گیری کردند. با این حال، یک کاوش کامل برای تعیین کمیت تکامل رویداد در یک چارچوب داده کل نگر هنوز وجود ندارد. اگرچه کمی کردن ویژگی های یک رویداد می تواند به درک بهتر رویدادها به عنوان یک کل کمک کند، بررسی پویایی میانی و درونی تحول رویداد در مکان و زمان بسیار مهم است. بنابراین، در این تحقیق، ما یک اندازه‌گیری مبتنی بر رویداد را برای کمی کردن پویایی، نه فقط ویژگی‌ها، تحولات پدیده‌های طبیعی پیشنهاد می‌کنیم.
در این مقاله، اهداف ما این است که (1) به صورت مفهومی یک پدیده طبیعی را به عنوان یک رویداد با استفاده از یک رویکرد مبتنی بر نمودار نشان دهیم، و (2) کمی تحولات و پویایی رویدادها را تعیین کنیم. کارهای مربوط به نمایش مکانی و زمانی و کمی سازی در بخش 2 بررسی می شود . چارچوب داده‌های پیشنهادی در بخش 3 توضیح داده شده و برای نمایش و کمیت کردن حرکات ثابت رویدادهای گرد و غبار به عنوان مطالعه موردی در بخش 4 به کار می‌رود . بخش 5 بحثی را در مورد کاربردهای بالقوه و محدودیت های چارچوب پیشنهادی ارائه می دهد. و در نهایت، بخش 6 این تحقیق را به پایان می رساند و کار بالقوه آینده را پیشنهاد می کند.

2. آثار مرتبط

2.1. بازنمایی های فضایی و زمانی

ادغام زمان در مدل‌های داده‌های مکانی را می‌توان به اوایل دهه 1980 ردیابی کرد، جایی که لایه‌های مهر زمانی در پایگاه‌های داده رابطه‌ای ادغام می‌شوند [ 15 ، 16 ]. در طول سال‌ها، تحقیقات زیادی با تمرکز بر طراحی مدل‌های داده‌ای انجام شده است که می‌تواند پدیده‌های دینامیکی پیچیده را با استفاده از داده‌های شبیه‌سازی و مشاهده، از جمله مدل‌سازی شی‌گرا [ 17 ، 18 ]، مدل‌سازی مبتنی بر دامنه [ 19 ] بازنمایی و توصیف کند. مدل‌سازی مبتنی بر رویداد [ 20 ، 21 ]، و مدل‌سازی مبتنی بر نمودار [ 22 ، 23 ]. بررسی کامل‌تری در مورد مدل‌های داده‌های مکانی-زمانی را می‌توان در Siabato و همکارانش یافت. [24 ]. همانطور که سیاباتو و همکاران به این نتیجه رسیدند. [ 24 ]، اکثر مدل های داده بر رویکردهای شی گرا تمرکز دارند.
به عنوان یک نظریه کلی برای نشان دادن پیچیدگی اطلاعات جغرافیایی، گودچایلد و همکاران. [ 25 ] مفاهیم ژئواتم ها، ژئو اجسام و ژئو دوقطبی ها را پیشنهاد کرد. ژئواتم ها، «شکل اتمی» مکان و ویژگی ها، می توانند ژئواشیاء را تشکیل دهند. ژئو اجسام بر اساس سه شرط پویا هستند: (1) حرکت ممکن. (2) احتمالاً تغییر هندسه. و (iii) ساختار داخلی همگن یا ناهمگن/در حال تکامل. ژئو دوقطبی ها برهمکنش های مبتنی بر مکان اتم های زمین مانند جهت، فاصله، برهم کنش و جریان را نشان می دهند. از آنجایی که پدیده های طبیعی معمولاً مرزهای واضحی ندارند، آنها به طور گسترده به عنوان اجسام فضایی فازی در پایگاه های داده فضایی-زمانی نشان داده می شوند [ 26 ، 27 ]]، بنابراین یک پرسش و استدلال انعطاف پذیر در مورد اطلاعات مکانی و زمانی ناقص [ 28 ] ارائه می دهد. مدل های پایگاه داده شی گرا نیز برای ذخیره، مدیریت، پرس و جو و نمایه سازی اشیاء فضایی فازی با ناقص بودن اطلاعات توسعه داده شدند [ 29 ]. روابط توپولوژیکی، مانند همپوشانی و متقاطع، بین اشیاء فضایی فازی نیز برای رسیدگی به مناطق فازی ساده و پیچیده [ 30 ] پیشنهاد شد. فراتر از تعاملات شیء، وربویز [ 31 ] یک نمایش ارتقا یافته از شی و تعاملات به یک دیدگاه رویدادمحور از جهان را پیشنهاد کرد، زیرا می تواند روابط شی-رویداد و همچنین روابط رویداد-رویداد را نشان دهد. همانطور که در یوان و هورنسبی [ 32]، رویکردهای مبتنی بر رویداد «بر روی رویدادهای پویا به عنوان یک کل تمرکز می‌کنند، و نه فقط زمان رویداد». در این تحقیق بازنمایی فضایی-زمانی مبتنی بر رویداد را دنبال می‌کنیم و پدیده‌های طبیعی را در قالب یک رویداد در نظر می‌گیریم.
استراتژی‌های مبتنی بر نمودار برای نمایش مکانی-زمانی مبتنی بر رویداد پیشنهاد شده‌اند. Renolen [ 22 ] مدل نمودار تاریخ را برای تجسم تکامل اطلاعات جغرافیایی ناشی از تغییرات آنها توسط رویدادها در طول زمان با استفاده از شبکه های پتری پیشنهاد کرد. دل موندو و همکاران [ 23 ] کاربری دو بعدی زمین را با موجودیت های در حال تکامل با استفاده از یک مدل مبتنی بر نمودار نشان داد و محدودیت ها را برای پایگاه های داده مکانی-زمانی و همچنین محدودیت های معنایی در روابط فیلیشن، از جمله گسترش، انقباض، تقسیم، جداسازی، ادغام، و الحاق را رسمی کرد. بر اساس نمودار تکامل کاربری و تغییر پوشش زمین، گاتلر و همکاران. [ 33] تغییرات زمانی انواع مختلف مناطق طبیعی، نیمه طبیعی و کشاورزی در جنوب فرانسه را اندازه‌گیری کرد. همانطور که توسط سیاباتو و همکاران خلاصه شده است. [ 24 ]، یکی از مزایای مدل‌سازی در نمودارها، انعطاف‌پذیری آن در ادغام زبان‌های جستجوی مختلف و محدودیت‌های معنایی در استراتژی مدل‌سازی است. بنابراین، در این تحقیق، ما یک نمایش مبتنی بر نمودار برای ردیابی حرکت پدیده‌های طبیعی با یک رویکرد کمی‌سازی رسمی با در نظر گرفتن دینامیک فضایی و غیرمکانی در طول زمان پیشنهاد می‌کنیم.

2.2. کمی سازی دینامیک رویداد

چارچوب‌های داده‌های مکانی-زمانی بررسی‌شده در بالا عموماً بر بازنمایی کیفی متمرکز هستند، اما فاقد قابلیت تولید درک عددی از دینامیک مکانی-زمانی پدیده‌های طبیعی هستند. روش های مختلفی برای تعیین کمیت دینامیک مکانی-زمانی، همانطور که توسط لانگ و نلسون [ 34 ] و آن و همکاران بررسی شده است، توسعه داده شده است. [ 35 ]، برای تجزیه و تحلیل بهتر دینامیک داده‌های حرکتی (مبتنی بر نقطه) یا پدیده‌های طبیعی (مبتنی بر چندضلعی/حجمی). به عنوان مثال، Kulldorff [ 36 ] و Kulldorff et al. [ 37] یک روش خوشه‌بندی فضا-زمان مبتنی بر آمار اسکن را برای تولید خوشه‌هایی با محدوده‌های مکانی و زمانی خاص که از نظر آماری معنی‌دار هستند، توسعه داد. این روش آماری اسکن مکانی-زمانی برای خوشه بندی داده های حرکتی فردی که به طور نامنظم در فضا و زمان توزیع شده اند مناسب است. برای داده های حرکتی مبتنی بر چندضلعی، رابرتسون و همکاران. [ 38 ] رویدادها را برای تغییرات اندازه و جهت در چند ضلعی های متحرک اندازه گیری کرد. تغییرات اندازه بر اساس همپوشانی سطح کمیت می شود، در حالی که تغییرات جهت با درجه توزیع جهت و نرخ جهت گسترش کمیت می شود.
کمیت تغییرات یا دینامیک در بازنمایی های مکانی-زمانی ادغام شده است. به عنوان مثال، Bothwell و Yuan [ 14 ] جریان های سینماتیکی و اشیاء را برای نمایش فرآیندهای جغرافیایی با استفاده از سرعت به عنوان واحد اساسی شناسایی کردند. رویکرد سینماتیک برای شناسایی نقاط پرت در دمای جهانی برای بررسی بیشتر استفاده می‌شود. مک اینتاش و یوان [ 10] ویژگی های استاتیک اجسام جغرافیایی را با استفاده از ازدیاد طول، جهت گیری و توزیع کمی کرد. و همچنین کمی کردن ویژگی‌های پویای روابط جغرافیایی درون رویدادها با استفاده از رشد، دانه‌بندی تغییر و حرکات نسبی. با استفاده از این معیارهای کمی، رویدادهای بارندگی را می توان از نظر شباهت ارزیابی کرد تا اکثر رویدادهای مشابه بر اساس پرس و جوهای مکانی-زمانی بازیابی شوند. مرز یک پدیده طبیعی به طور کلی بر یک معیار واحد نیست. بنابراین، در رویکرد خود، ما یک رویکرد سلسله مراتبی را برای تعیین پویایی مکانی-زمانی پدیده‌های طبیعی در تحلیل دانه‌بندی با شدت چندگانه اتخاذ می‌کنیم.

3. یک چارچوب داده مکانی-زمانی برای نمایش 4 بعدی پدیده های طبیعی و کمی سازی

این تحقیق یک چارچوب داده‌های مکانی-زمانی را برای نشان دادن و کمی کردن پویایی پدیده‌های طبیعی به عنوان رویداد پیشنهاد می‌کند. رویداد به عنوان «چیزی که در زمان و مکان خاصی اتفاق می‌افتد» توسط آلن و همکاران تعریف می‌شود. [ 39 ]، که به طور گسترده در ادبیات پذیرفته شده است. سه موجودیت اصلی در چارچوب داده برای رویدادها وجود دارد ( شکل 1 ): (1) شی ST که نشان دهنده یک شی است که در فضا و زمان تکامل می یابد. (2) رابطه ST که نشان دهنده هفت نوع رابطه بین اشیاء ST بین مهرهای زمانی متوالی است. (3) ST-رویدادکه نشان دهنده چرخه حیات یک پدیده طبیعی از ابتدا تا انتها است که احتمالاً شامل چندین شی ST و روابط ST مرتبط با این اشیاء ST است. علاوه بر این، برای ادغام تئوری سلسله مراتبی در نمایش شی، اشیاء ST در سطوح مختلف شدت نمایش داده می شوند (به عنوان مثال، دما برای یک جزیره گرمایی شهری، غلظت غبار برای یک طوفان غبار، و بازتاب پایه برای یک طوفان تندری)، که در آن یک سطح بالاتری از شدت پوشش فضایی کوچکتری را اشغال می کند، به عنوان مثال، یک یا چند شی ST با سطح شدت بالاتر در یک شی ST قرار می گیرد.با شدت کمتر این مقادیر شدت بر اساس درک نوع خاصی از پدیده های طبیعی تعیین می شود و تعداد سطوح مختلف می تواند انعطاف پذیر باشد. سپس یک رویداد ST خاص به عنوان یک نمودار نشان داده می شود که شامل اشیاء ST به عنوان گره و روابط ST به عنوان یال است. یک روش کمی سازی مبتنی بر نمودار بیشتر برای درک عددی دینامیک تغییرات بین مهرهای زمانی و کل رویداد پیشنهاد شده است. جزئیات در زیر بخش های زیر معرفی شده است.

3.1. ST-Object

یک شی مکانی-زمانی ( ST-object ) نشان دهنده یک شی متحرک با احتمالاً تغییر شکل و ساختار داخلی در حال تکامل است، به عنوان مثال، هندسه آن با ویژگی های مکانی (شکل و مکان) می تواند در مهرهای زمانی مختلف تغییر کند. هر ژئو شی با هویت، زمان، ویژگی‌های موضوعی و هندسه آن در زمان نشان داده می‌شود: Id ( O )، t ، A 1 ( id ، t )، …، An ( id ، t ) ، Geom ( id ، t .) به ترتیب. مطابق با افزایش سریع داده‌های بزرگ 4 بعدی، مانند بازیابی ماهواره‌های هواشناسی و پیش‌بینی نتایج، ما Geom ( id , t ) یک شی ST را در یک زمینه 4 بعدی جاسازی کردیم. برای هر ST-object، ویژگی های موضوعی و هندسه در طول زمان در حال تکامل هستند. هندسه اجسام جغرافیایی معمولاً برای پدیده های طبیعی نامشخص است، زیرا هیچ آستانه واحدی برای شناسایی همه اشیاء جغرافیایی برای یک پدیده طبیعی وجود ندارد. بنابراین، با استفاده از یک رویکرد سلسله مراتبی، نامعین بودن مرز را در چارچوب داده جاسازی کردیم. با مدل‌سازی پدیده طبیعی در چندین سلسله مراتب، ساختارهای درونی پدیده طبیعی مورد علاقه می‌توانند الگوی متمایزی را در یک سلسله مراتب مشخص نشان دهند. این رویکرد همچنین می تواند روابط سلسله مراتبی اشیاء تودرتو را نشان دهد، به عنوان مثال، یک منطقه دمای بالا در داخل یک منطقه دمای پایین قرار دارد.

3.2. ST-رابطه

یک رابطه مکانی-زمانی ( ST-relation ) شی ST را در مُهرهای زمانی متعاقب، به عنوان مثال، ظاهر، ناپدید شدن، بسط، انقباض، ادامه، تقسیم و ادغام، به هم متصل می کند ( شکل 2 ). یک رابطه ادامه، r continue ، زمانی را نشان می دهد که شی o در زمان t i در زمان t i+1 ادامه می یابد و هندسه آن ثابت می ماند، جایی که شناسه شی ST تغییر نمی کند. انبساط ( r expand ) و انقباض ( r contract ) دو نوع دیگر از روابط هستند وقتی که شی STبه وجود خود ادامه می دهد، اما هندسه آن رشد می کند یا زوال می یابد. تقسیم ( r split ) و ادغام ( r merge ) دو رابطه هستند وقتی که اشیاء ST از طریق تقسیم و ادغام وجود ندارند. ظاهر و ناپدید شدن دو رابطه ای هستند که شامل یک شی ST فقط از یک مهر زمانی خاص است که نشان دهنده شروع یا پایان شی ST خاص است . یک رابطه ST خاص ( R ) با هویت، زمان و نوع رابطه اشیاء درگیر نشان داده می شود: Id ( o 1 )، t i ، r ، Id (o 2 )، t i+1 ; که در آن r ε [ r ادامه ، r گسترش ، r قرارداد ، r تقسیم ، r ادغام ]، i ϵ [1، n ]. تمام ویژگی ها به عنوان کلید اصلی این جدول عمل می کنند. اشیاء داده شده O 1 ( id 1 , t 1 , آ1¯, g 1 , O 2 ( id 2 , t 2 , آ2¯، g 2 )، و O 3 ( id 3 ، t 3 ، آ3¯، g 3 )، روابط مکانی-زمانی را می توان به صورت زیر تعریف کرد:
  • بسط (رشد هندسی): O 2 ( id 2 , t 2 , آ2¯, g 2 ) به موجود خود ادامه می دهد و از نظر هندسی از O 1 ( id 1 , t 1 ) رشد می کند آ1¯, g 1 )، که در آن id 1 = id 2 و t 1< t 2 .
  • انقباض (واپاشی هندسی): O 2 ( id 2 , t 2 , آ2¯, g 2 ) به موجود خود ادامه می دهد و از نظر هندسی از O 1 در حال فروپاشی است ( id 1 , t 1 , آ1¯, g 1 )، که در آن id 1 = id 2 و t 1< t 2 .
  • ادامه (هندسه ثابت می ماند): O 2 ( id 2 , t 2 , آ2¯, g 2 ) به موجود خود ادامه می دهد و هندسه آن از O 1 ثابت می ماند ( id 1 , t 1 , آ1¯، g 1 )، که در آن id 1 = id 2 ، g 1 = g 2 ، و t 1< t 2 .
  • تقسیم : O 1 ( id 1 , t 1 , آ1¯, g 1 ) به O 2 تقسیم می شود ( id 2 , t 2 , آ2¯، g 2 )، و O 3 ( id 3 ، t 2 ، آ3¯، g 3 )، که در آن id 1 ≠ id 2 ≠ id 3 . شی O 1 پس از تقسیم وجود ندارد و اشیاء O 2 و O 3 هرگز قبلا وجود نداشته اند. سپس نمودار ورودی های مرتبط ( id 1 , t 1 , r s , id 2 , t 2 ) و ( id 1 , t 1 , r s , id 3 , t 2 ) را ذخیره می کند.).
  • ادغام : O 1 ( id 1 , t 1 , آ1¯, g 1 ) و O 2 ( id 2 , t 1 , آ2¯, g 2 ) به O 3 ادغام می شوند ( id 3 , t 2 , آ3¯، g 3 )، که در آن id 1 ≠ id 2 ≠ id 3 . اشیاء ادغام شده O 1 و O 2 دیگر وجود ندارند و شیء جدید O 3 از ادغام تشکیل می شود و قبلا وجود نداشته است. سپس جدول رابطه ورودی های مرتبط ( id 1 , t 1 , r m , id 3 , t 2 ) و ( id 2 , t 1 , r m , id 3 , t را ذخیره می کند.2 ).
  • ظاهر : O 1 ( id 1 , t 2 , آ1¯, g 1 ) به هیچ شیئی در t 1 مربوط نمی شود .
  • ناپدید شدن : O 1 ( id 1 , t 1 , آ1¯, g 1 ) به هیچ شیئی در t 2 مربوط نمی شود .

3.3. ST-Event

یک رویداد فضایی-زمانی ( ST-event ) به عنوان یک رخداد واحد برای یک سری زمانی معین نشان داده می شود که می تواند شامل یک یا چند شی ST که دارای روابط ST هستند باشد . یک رویداد خاص E با هویت، زمان شروع، زمان پایان، و لیست مربوط به اشیاء ST و روابط ST نشان داده می شود : EID , t i , t j , { O m , …, O n }, { R k , …, R l }, جایی که t i <= t j ​​. AN ST-event به صورت نموداری نمایش داده می شود که اشیاء مهر زمانی t را با اشیای مهر زمانی t+1 پیوند می دهد. هر گره نمودار یک شی خاص را نشان می دهد و هر یال نشان دهنده تعاملات همپوشانی بین اشیاء از مهرهای زمانی بعدی است. هر لبه با وزن خود مطابقت دارد که نشان دهنده میزان همپوشانی فضایی بین دو جسم است (معادله (1)).

wمن،j=2∗ovهrلآپپمنngVoلتومتره(Oمن،Oj)Voلتومتره(Oمن)+Voلتومتره(Oj)

جایی که Oمنیک شی از مهر زمانی t و را نشان می دهدOjیک شی از مهر زمانی t +1 را نشان می دهد. بنابراین برای دو جسمی که رابطه تداوم دارند وزن آنها دقیقاً 1 است. اشیایی که دارای روابط انبساط، انقباض، ادغام یا شکاف هستند وزن آنها بزرگتر از 0 و کوچکتر از 1 است. برای روابط ظاهری و ناپدید شدن نیازی به وزن ها را محاسبه کنید، زیرا یکی از اشیاء (یعنی Oمنو Oj) وجود ندارد. هر نمودار نشان دهنده یک رویداد ST است و تعداد سطوح، تعداد مهرهای زمانی است که این رویداد ST وجود دارد. برای هر شی ST ، سلسله مراتب شی به عنوان یک گراف فرعی ذخیره می شود و می تواند با گراف کلی زمان جهت رویداد ST مربوطه ادغام شود ( شکل 3 ).

3.4. اندازه‌گیری‌های مبتنی بر نمودار دینامیک تکامل ST-Event

به منظور کمی کردن پویایی بر اساس نمودارهای رویداد ST ، ما پیشنهاد می‌کنیم تغییرات درون یک نمودار را اندازه‌گیری کنیم تا به طور کمی نحوه تکامل یک رویداد ST در زمان با توجه به ویژگی‌های فضایی و غیر مکانی آن را نشان دهیم. گاتلر و همکاران [ 33 ] کمی تغییرات را با در نظر گرفتن تغییر مساحت دوبعدی پوشش زمین، و فواصل اقلیدسی بین نواحی پوشش زمین در حال تغییر، پیشنهاد کرد. مشابه گوتلر و همکاران. [ 33 ]، ما یک نمودار را به صورت G ، مجموعه ای از اشیاء تحت پوشش G در مهر زمانی t را به صورت G t نشان می دهیم.، و وزن پیوند بین شی Oمنو اعتراض Ojاز مهرهای زمانی متوالی به عنوان wمن،j. با این حال، در رویکرد ما، این کمیت را با در نظر گرفتن فواصل مکانی و همچنین تغییر حجم سه بعدی و سطح شدت پدیده های طبیعی افزایش می دهیم.

تغییر ( Var ) یک نمودار بین دو مهر زمانی متوالی با معادله (2) محاسبه می شود.

Var(جیتی،جیتی+1)=∑منOمن∈جیتیVoلتومتره(Oمن)Voلتومتره(جیتی)·∑jOj∈جیتی+1wمن،j·(α·دمنستی(Oمن،Oj)+β·دمنff(Oمن،Oj))∑jOj∈جیتی+1wمن،j

دو بخش در داخل فرمول Var وجود دارد که قسمت اول نشان دهنده اهمیت شی است Oمندر مقایسه با کل مجموعه اشیاء در زمان t . اهمیت شی بالاتر بیشتر بر مقدار کل تغییرات تأثیر می گذارد. بخش دوم تغییرات بین یک شی در مهر زمانی t و تمام اشیایی در مهر زمانی t +1 که به آن پیوند دارند را بررسی می کند. این تغییر به عنوان مجموع وزنی فواصل اقلیدسی سه بعدی محاسبه می شود دمنستی(Oمن،Oj)و تفاوت شدت دمنff(Oمن،Oj)بین جسم Oمنو Oj. وزن wمن،jهمپوشانی فضایی بین را اندازه گیری می کند Oمنو Oj. تفاوت های شدت دمنff(Oمن،Oj)بر اساس تفاوت مطلق بین حجم های وزنی با شدت جسم محاسبه می شود Oمنو Oj، در معادله (3) نشان داده شده است.

دمنff(Oمن،Oj)=آبس(∑کLک∈OمنVoلتومتره(Lک)·منnتیهnسمنتیy(Lک)∑کLک∈OمنVoلتومتره(Lک)-∑مترLمتر∈OjVoلتومتره(Lمتر)·منnتیهnسمنتیy(Lمتر)∑مترLمتر∈OjVoلتومتره(Lمتر))

که در آن سطوح شدت جسم Oمن(در زمان t) و شی Oj(در زمان t +1) به صورت نمایش داده می شوند Lکو Lمترو سطوح شدت مختلف برای محاسبه حجم کلی در نظر گرفته شده است. این استراتژی محاسبه حجم تضمین می‌کند که یک حجم کوچک با سطح شدت بالاتر همچنان می‌تواند مقدار حجم وزنی با شدت بالایی داشته باشد، و اگر شدت تغییر قابل توجهی داشته باشد در حالی که حجم تغییر نمی‌کند، همچنان می‌تواند به مقدار اختلاف زیادی منجر شود. علاوه بر این، این محاسبه حجم با وزن به طور طبیعی ساختار داخلی اشیاء را منعکس و کمیت می کند.

فاصله های سه بعدی دمنستی(Oمن،Oj)و تفاوت شدت دمنff(Oمن،Oj)وزن می شوند αو βبه ترتیب. وابستگی متقابل این دو متغیر باید بر اساس تحلیل واریانس تک متغیره (ANOVA) محاسبه شود. اگر وابستگی متقابل از نظر آماری معنی دار باشد، پس αو βباید بر اساس ضریب متغیرهای مختلف تنظیم شود. اگر نه، پس αو βوزن های مساوی به آنها اختصاص داده می شود.
تنوع جهانی ( GlobalVar ) برای یک نمودار برای خلاصه کردن تغییرات هر جفت مُهر زمانی متوالی محاسبه می‌شود. GlobalVar خلاصه شده ویژگی های یک رویداد را به عنوان یک کل ارزیابی می کند. مقدار GlobalVar یک نمودار خاص، میزان تحولات رویداد را در محدوده زمانی و مکانی منعکس می کند. یک مقدار GlobalVar بالا نشان می دهد که ممکن است تحولات زمانی قابل توجهی در چرخه حیات رویداد رخ داده باشد.

4. نمایش رویداد گرد و غبار و تعیین کمیت

به منظور ارزیابی کاربرد چارچوب داده های مکانی-زمانی برای نمایش و کمی سازی پویایی پدیده های طبیعی، رویدادهای گرد و غبار در شمال آفریقا، خاورمیانه و مدیترانه برای نشان دادن نمونه چارچوب داده های مفهومی پیشنهادی و به دست آوردن اطلاعات مورد استفاده قرار گرفت. تکامل فضایی و زمانی رویدادهای گرد و غبار و ویژگی های حمل و نقل رویدادهای گرد و غبار از مجموعه داده های شبیه سازی 4 بعدی با استفاده از الگوریتم های شناسایی و ردیابی شی استخراج می شوند. روش کلی، در شکل 4 نشان داده شده است، شامل موارد زیر است: (1) شناسایی اجسام طوفان گرد و غبار ساکن. (2) استخراج فعل و انفعالات اشیاء بر روی مهرهای زمانی متعاقب. (3) بازسازی رویدادهای طوفان گرد و غبار (ST-رویداد). و (4) کمی کردن تغییرات رویدادهای طوفان گرد و غبار.

4.1. داده ها و پیاده سازی

رویدادهای گرد و غبار از داده های شبیه سازی 4 بعدی تولید شده توسط مدل غبار عملیاتی BSC-DREAM8bv2.0 [ 40 ] که در مرکز ابررایانه بارسلونا نگهداری می شود، شناسایی می شوند. گستره فضایی شمال آفریقا، خاورمیانه و مدیترانه (0.7 S-64.3 N، 25.7 W-59.3 E) با وضوح فضایی ~30 کیلومتر را پوشش می دهد. بعد عمودی 24 لایه از سطح زمین تا 15 کیلومتر را پوشش می دهد. محدوده زمانی 12 ماه، از دسامبر 2013 تا نوامبر 2014، با وضوح زمانی یک ساعت را پوشش می دهد. متغیر شبیه سازی شده مورد استفاده در این تحقیق غلظت گرد و غبار با واحد میکروگرم بر متر مکعب است که شدت ذرات گرد و غبار را در جو منعکس می کند ( شکل 5 ).
اجرای نمایش و کمیت رویداد گرد و غبار (به تفصیل در بخش 4.2 ، بخش 4.3 ، بخش 4.4 و بخش 4.5 ) در پایتون انجام شده است. اشیاء گرد و غبار شناسایی شده، روابط و رویدادها در ساختار داده مبتنی بر گراف با استفاده از NetworkX ( https://networkx.github.io/ ) ذخیره می‌شوند که یک کتابخانه پایتون برای ایجاد و دستکاری نمودارها است. حجم کل داده های شبیه سازی گرد و غبار 4 بعدی 40.0 گیگابایت است. اجسام گرد و غبار شناسایی شده با شناسه منحصر به فرد آنها ( O) و ویژگی ها و هندسه های مرتبط با آنها در فایل های کمکی جداگانه ذخیره می شوند که مجموعاً 1.8 گیگابایت است. رویدادهای گرد و غبار بازسازی شده در یک ساختار داده مبتنی بر نمودار ذخیره می شوند که مجموعاً 4.7 مگابایت است. آزمایش ها بر روی یک پردازنده 8 هسته ای Intel i7-9700k با 16.0 گیگابایت رم انجام شد. زمان اجرا برای هر مرحله 24 دقیقه و 32 ثانیه برای شناسایی اجسام گرد و غبار، 13 دقیقه و 12 ثانیه برای ردیابی اتصالات اشیاء در طول زمان و 6 ثانیه برای بازسازی رویدادهای گرد و غبار طول می کشد.

4.2. شناسایی اجسام گرد و غبار

اجسام گرد و غبار در هر مهر زمانی با استفاده از یک الگوریتم مبتنی بر رشد منطقه [ 41 ] شناسایی می شوند، که در آن یک جسم گرد و غبار به عنوان یک حجم پیوسته با مقدار غلظت گرد و غبار بزرگتر از یک آستانه ( Dth ) تعریف می شود، در حالی که حجم آن بزرگتر از یک آستانه (Dth) است. پنجم ) در این آزمایش، آستانه غلظت گرد و غبار مجموعه ای از 160، 320، 640 میکروگرم بر متر مکعب ( به عنوان سطح شدت 1، 2، و 3) و آستانه حجم 10 وکسل است. چند آستانه غلظت غبار توسط افسانه نقشه های غلظت گرد و غبار نتایج مدل از مرکز ابررایانه بارسلونا (یعنی 20، 40، 80، 160، 320، 640، 1280، 2650 میکروگرم بر متر مکعب) ارجاع داده شده است ( https :/ /ess.bsc.es/bsc-dust-daily-forecastو بر اساس نشانه‌های تأثیر سلامتی غلظت گرد و غبار سطحی به جمعیت‌های آسیب‌پذیر به‌عنوان شدت غبار ناچیز، حاشیه‌ای و شدید [ 42 ] انتخاب می‌شود. اگرچه رویکرد چند آستانه‌ای مورد استفاده در اینجا و به تفصیل در یو و یانگ [ 41 ] به‌ویژه برای شناسایی اجسام گرد و غبار طراحی شده است، انعطاف‌پذیر است و می‌تواند به راحتی با شناسایی سایر اجسام جوی سازگار شود.
شکل 6 پنج جسم شناسایی شده (O1~O5) را در شدت سطح 1 و اشیاء موجود در داخل آنها را نشان می دهد. به عنوان مثال، شی O1_L2_1 در شدت سطح 2 شناسایی می شود و در داخل شی O1 قرار دارد. و شی O5_L3_1 در شدت سطح 3 شناسایی می شود و در داخل شیء O5_L2_1، که در داخل شیء O5 است، قرار می گیرد. روابط – شامل – بین اشیاء شناسایی شده در سطوح شدت مختلف از طریق الگوریتم شناسایی محاسبه می شود [ 36 ].

4.3. ردیابی پیوندهای اشیاء بر روی مُهرهای زمانی بعدی

الگوریتم ردیابی یک روش مبتنی بر همپوشانی است که در Yu et al. [ 43 ]. اشیاء گرد و غبار شناسایی‌شده از مهرهای زمانی متوالی با توجه به همپوشانی‌های فضایی جزئی برای شناسایی پیوندهای بالقوه مقایسه می‌شوند و بهترین تطابق از همه ترکیب‌های ممکن از اشیاء از هر جفت مهر زمانی پیدا می‌شود.
بر اساس چارچوب پیشنهادی، روابط ST به طور خودکار از نتایج ردیابی شناسایی و ثبت می شوند. ظاهر به عنوان شروع یک شی ST خاص و ناپدید شدن به عنوان پایان شی در نظر گرفته می شود. در این بین، یک شی ST به طور موقت با ادامه، بسط یا انقباض مرتبط است که به عنوان روابط ST در همان شی ST شناخته می شود . سایر پیوندها، از جمله ادغام و تقسیم، به عنوان روابط ST بین اشیاء ST مختلف شناخته می شوند . شکل 7 نمونه ای از سه مهر زمانی متوالی را نشان می دهد که در آن اشیاء ST O1، O2،و O3 در ST-object O5 ادغام می شوند و سپس O5 به ST-اشیاء O6، O7 و O8 تقسیم می شود . و ST-object O4 به وجود خود ادامه می دهد و با ST-object O5 در ST-object O8 ادغام می شود.

4.4. بازسازی رویدادهای گرد و غبار

سپس رویدادهای گرد و غبار با پیوند دادن اشیاء ST که دارای روابط ST بین یکدیگر هستند، بازسازی می شوند. هر رویداد ST با نموداری نشان داده می‌شود که اشیاء ST را با روابط ST به هم متصل می‌کند و نحوه تکامل و حرکت این رویداد در فضا و زمان را نشان می‌دهد. ویژگی های فضایی و غیر فضایی با هر شی STدر یک مهر زمانی خاص با گره‌های نمودار مرتبط می‌شوند و وزن‌هایی که همپوشانی فضایی را نشان می‌دهند با لبه‌های نمودار مرتبط می‌شوند. ویژگی‌های نمونه در نمودارها به‌عنوان ویژگی‌های گره‌ها، از جمله مرکز (یعنی مرکز جرم یک جسم غبار)، حجم (یعنی مقدار فضای مکعبی داخل یک جسم غبار) و غلظت متوسط ​​(یعنی، میانگین غلظت گرد و غبار تمام فضای مکعبی داخل یک جسم گرد و غبار). زیرگراف های سلسله مراتبی اشیاء مرتبط با تک تک اشیاء ST در گراف رویداد ادغام می شوند.
در این آزمایش، 1796 نمودار ST-رویداد برای کل محدوده زمانی و مکانی داده های آزمایش بازسازی شده است ( جدول 1 ). تعداد کل گره ها ( اشیاء ST ) در هر نمودار از 11 تا 1959، با مقدار میانگین 47 متغیر است. تعداد کل یال ها ( روابط ST ) در هر نمودار از 10 تا 1980، با مقدار متوسط ​​46 متغیر است. برای هر رویداد، تغییرات زمانی بین هر جفت زمانی و تغییرات کلی محاسبه می‌شود. برای محاسبه واریانس، αو βبر اساس آزمون ANOVA تک متغیره به عنوان مستقل یا از نظر آماری متفاوت تعیین می شوند. بدین ترتیب αو βهر دو بر روی 1 تنظیم شده اند. GlobalVar در هر نمودار از 3.47 تا 14216.18 با مقدار متوسط ​​363.75 متغیر است. رویدادهای ST با مقادیر GlobalVar بالا ممکن است منعکس کننده تحولات قابل توجهی در چرخه حیات رویداد در رابطه با تغییرات زمانی در حجم، شدت و مسافت منتقل شده باشند. با این حال، یک رویداد ST با مقدار GlobalVar بالا لزوماً نشان دهنده یک تحول مهم نیست، زیرا این رویداد ممکن است طولانی مدت باشد به طوری که GlobalVar انباشته شده بالاتر باشد. یک رویداد ST با مقدار GlobalVar کم نشان می دهد که رویداد ممکن است کوتاه مدت باشد و دارای تغییرات پایدار در حجم، شدت و مسافت منتقل شده باشد.

4.5. اندازه‌گیری‌های مبتنی بر نمودار دینامیک تکامل رویداد غبار

به منظور بهتر نشان دادن ساختار و محتوای نمودار، ما سه نمودار رویداد را انتخاب می‌کنیم که سطوح مختلف GlobalVar (کم، متوسط ​​و زیاد) را نشان می‌دهند. اولین نمودار رویداد با GlobalVar نسبتاً پایین ، بخشی از رویداد گرد و غبار شبه جزیره عربستان جنوبی را در جولای 2014 نشان می دهد ( https://earthobservatory.nasa.gov/images/85370/persistent-dust-storms-on-the-southern-arabian- شبه جزیره ). در رویداد گرد و غبار، گرد و غبار با غلظت بالا از داخل سودان به دریای سرخ منتقل شد و توسط بادهای شمال غربی به جنوب شرقی منتقل شد. همانطور که توسط نمودار رویداد ( شکل 8 الف) نشان داده شده است، این رویداد ST از یک شی ST با انواع مداوم تشکیل شده است.رابطه ST – ادامه، انبساط و انقباض. نمودار تغییرات زمانی ( شکل 8 ب) نشان می دهد که این رویداد به آرامی در زمان با مقادیر تغییرات کم و مقدار نسبتاً پایین GlobalVar تکامل می یابد . هر دو نمودار غلظت گرد و غبار و مشخصات حجمی ( شکل 8 c,d) مراحل رشد و پوسیدگی این رویداد را توصیف می کنند. انتقال گرد و غبار (مسیرهای قرمز در شکل 8 e-g) نشان می دهد که این رویداد از شمال غربی عربستان سعودی به سمت مرکز عربستان سعودی حرکت می کند در حالی که توده گرد و غبار هم عربستان سعودی و هم امارات متحده عربی را پوشانده است.
نمودار رویداد دوم رویداد گرد و غبار لیبی را در اوایل سپتامبر 2014 نشان می دهد، جایی که یک جبهه سرد و بادخیز در حال حرکت در سراسر صحرای لیبی باعث ایجاد یک هتک شد ( https://earthobservatory.nasa.gov/images/84014/dust-plume-over-the -دریای سرخ ). حباب نوعی رویداد گرد و غبار شدید است که معمولاً در اثر بادهای شدید خروجی رعد و برق ایجاد می شود. همانطور که توسط نمودار رویداد ( شکل 9 الف) نشان داده شده است، این رویداد ST شامل هفت شی ST با انواع مختلف روابط ST – ادامه، بسط، انقباض، تقسیم و ادغام است. نمودار تغییرات زمانی ( شکل 9 ب) نشان می دهد که این رویداد دارای یک GlobalVar نسبتاً بالایی است.ارزش به طور عمده توسط دو مقدار تغییرات نگران کننده بالا در T3 و T5 کمک می کند. نمایه های زمانی غلظت و حجم گرد و غبار ( شکل 9 c,d) تکامل در زمان را نشان می دهد که دو جسم ST در یکی ادغام شدند، سپس دوباره تقسیم شدند و به تدریج تجزیه شدند. شکل 8 e مسیر کلی انتقال گرد و غبار را برای رویداد گرد و غبار لیبی در سپتامبر 2014 نشان می دهد، جایی که گرد و غبار ناشی از صحرای لیبی ( شکل 9 f) به سمت غرب به تونس منتقل شد در حالی که گرد و غبار را از سایر منابع گرد و غبار جمع می کرد. زمان های برجسته شده مواردی هستند که رویداد گرد و غبار به شکل قابل توجهی تکامل می یابد، بنابراین تغییرات در حجم و شکل جسم گرد و غبار را برای بررسی بیشتر در آن زمان ها نشان می دهد ( شکل 9).g–j). مقادیر زیاد تغییرات زمانی اتفاق می افتد که اجسام گرد و غبار هم ادغام می شوند و هم تقریباً به طور مساوی تقسیم می شوند که در شکل 9 c,d نشان داده شده است.
نمودار رویداد سوم رویداد گرد و غبار خاورمیانه را در سپتامبر 2014 نشان می دهد، که در آن طوفان گرد و غبار طولانی مدت با غلظت و حجم گرد و غبار بالا رخ می دهد. ویژگی های حباب و شمال را با هم ترکیب می کرد. حباب معمولاً یک رویداد گرد و غبار کوتاه مدت اما چشمگیر است که در دیواره‌ای از غبار که سراسر زمین را فرا می‌گیرد ظاهر می‌شود، در حالی که شمال الگویی از بادهای پایدار شمال غربی در منطقه خاورمیانه است. هنگامی که رویدادهای گرد و غبار با شمال همراه است، می توانند در یک محدوده مکانی و زمانی گسترده باقی بمانند. این رویداد خاص در رصدخانه زمین ناسا ثبت نشده است، اما مشابه آن در همان زمان سال 2015 ثبت شده است ( https://earthobservatory.nasa.gov/images/86539/dust-marches-across-iraq-and-iran ) . رویدادی که در شکل 10 نشان داده شده استنشان می دهد که این رویداد به مدت 23 روز ادامه دارد و دارای یکی از بالاترین مقادیر GlobalVar (در داده های آزمایش) 12784.68 است. ویژگی های یک haboob در این رویداد را می توان در شکل 10 منعکس کرد(b1-b4)، که در آن گرد و غبار دارای غلظت نسبتا کم اما حجم زیادی است. یکی از اولین قله های تغییرات به عنوان T1 برجسته شده است، جایی که یک دیوار بلند از غبار به دو جسم با حجم تقریباً یکنواخت تقسیم می شود. به طور مشابه، از زمان برجسته شده T2، مشاهده می شود که تغییرات زیاد زمانی رخ می دهد که حجم زیادی از گرد و غبار تقسیم یا ادغام شود. ویژگی شمال در این رویداد با حرکت کلی انتقال گرد و غبار از شمال غرب به خلیج فارس منعکس می شود که نشان دهنده بادهای شمالی اواخر تابستان است. علاوه بر این، رویداد گرد و غبار طولانی مدت توسط باد شامال طولانی مدت که ذرات گرد و غبار را در اتمسفر بالا آورده و حفظ می کند، حفظ می شود.

5. بحث و گفتگو

چارچوب پیشنهادی اجازه می‌دهد تا وقتی که این اشیاء ST در هر زمان روابط ST داشته باشند، چندین شی ST که در یک رویداد ST جمع می‌شوند، توضیح دهد. با این حال، چارچوب از این نظر محدود است که یک شی ST نمی تواند به طور همزمان با چندین رویداد ST مرتبط شود . دلیل طراحی چارچوب پیشنهادی به این شکل این است که چندین اشیاء ST (که در یک زمان اتفاق می‌افتند و دارای روابط ST در هر مرحله در طول چرخه حیات خود هستند) به عنوان نمایانگر وضعیت یک رویداد در یک نقطه خاص از زمان در نظر گرفته می‌شوند. رویدادهای ST می توانند به طور همزمان اتفاق بیفتند، اما این رویدادهای STدر هیچ مرحله ای از چرخه زندگی خود رابطه ST ندارند .
چارچوب پیشنهادی به جای مدلی مبتنی بر قوانین فیزیکی، یک چارچوب تحلیلی مبتنی بر داده برای درک تکامل پدیده‌های طبیعی را نشان می‌دهد. نمایش و کمی سازی پدیده های طبیعی در مکان و زمان را می توان به روش های مختلف برای کمک به درک پدیده های طبیعی استفاده کرد، بنابراین مدل های فیزیکی را با تجزیه و تحلیل داده محور یکپارچه یا تکمیل کرد. چارچوب پیشنهادی می‌تواند از وابستگی‌های مکانی-زمانی و پویایی پدیده‌های طبیعی، از جمله هندسه، زمینه، و روندهای گسترش بهره‌برداری کند. بر اساس این وابستگی‌ها و پویایی‌های مکانی-زمانی تولید شده توسط چارچوب پیشنهادی، آمارهای مکانی-زمانی بلندمدت و مدل‌های یادگیری ماشین می‌توانند برای ثبت بهتر الگوهای مکانی-زمانی یک پدیده خاص ساخته شوند.
چارچوب پیشنهادی با تنظیمات جزئی برای سایر رویدادهای آب و هوایی، از جمله طوفان‌های تندری، جریان‌های جت، و گرداب‌های اقیانوس قابل اجرا است. یکی از نمونه‌های استفاده از روش‌های شناسایی و ردیابی برای مشاهدات بارش ماهواره‌ای برای ایجاد رویدادهای بارندگی در مقاله قبلی [ 43 ] گزارش شده است، و انتظار می‌رود که تغییرات زمانی این رویدادهای بارندگی را بتوان با استفاده از چارچوب پیشنهادی در این مطالعه محاسبه کرد. .

6. نتیجه گیری و کار آینده

این تحقیق یک چارچوب داده‌های مکانی-زمانی را برای نمایش ویژگی‌ها و پویایی پدیده‌های طبیعی به روش رویدادمحور پیشنهاد می‌کند. چارچوب داده های مکانی-زمانی از سه موجودیت اصلی تشکیل شده است: ST-object ، ST-relation و ST-event . با در نظر گرفتن مرزهای غیر صلب پدیده های طبیعی، اشیاء ST به روشی سلسله مراتبی نشان داده می شوند، جایی که اشیاء ST با شدت پایین حاوی موارد با شدت بالاتر هستند و مقادیر شدت می توانند انعطاف پذیر باشند. یک رویداد ST به عنوان یک نمودار نشان داده می شود که در آن اشیاء ST و روابط ST ارائه می شودکه با این رویداد مرتبط هستند گره ها و لبه ها هستند. بر اساس نمایش نمودار، اندازه گیری تغییرات زمانی و تغییرات کلی برای کمی کردن پویایی در چرخه حیات رویداد و ویژگی کل رویداد پیشنهاد شده است. این کمی سازی مبتنی بر نمودار عوامل زیر را در نظر می گیرد: همپوشانی های فضایی، اهمیت جسم، تغییر فاصله، و تغییر شدت حجم. بنابراین، می تواند یک اندازه گیری نسبتاً عینی از تغییرات رویداد را نشان دهد. چنین چارچوب داده های مکانی-زمانی جامع با نمایش رویداد و کمی سازی تکامل می تواند به درک بهتر پویایی مکانی-زمانی پدیده های طبیعی کمک کند.
چارچوب داده‌های مکانی-زمانی پیشنهادی به مجموعه داده‌های شبیه‌سازی گرد و غبار یک ساله از مدل عملیاتی نگهداری شده در مرکز ابررایانه بارسلونا اعمال می‌شود. اجسام گرد و غبار در هر مهر زمانی شناسایی می شوند و حرکات رویدادهای گرد و غبار از طریق مهرهای زمانی متوالی ردیابی می شوند. سپس رویدادهای گرد و غبار بازسازی شده و به صورت نمودار رویداد نمایش داده می شوند. رویدادهای مختلف گرد و غبار همراه با نمودار رویداد، تغییرات زمانی، پروفایل های زمانی حجم و غلظت گرد و غبار و مسیرهای انتقال با رویدادهای گرد و غبار بایگانی شده در رصدخانه زمین ناسا نشان داده و تأیید می شوند.
یکی از جهت‌گیری‌های تحقیقاتی آینده، ادغام پایگاه‌های اطلاعاتی ناهمگن برای یک پایگاه داده چندوجهی برای کمک به درک بیشتر رابطه بین پدیده‌های طبیعی با سایر عوامل فیزیکی و اجتماعی، مانند رابطه بین رویدادهای گرد و غبار و شیوع بیماری است [ 44 ]، و رابطه بین رویدادهای گرد و غبار صحرا و طوفان ها [ 45]. به عنوان مثال، برای درک اینکه آیا انتقال گرد و غبار یک عامل کمک کننده در شیوع بیماری های عفونی است، می توانیم یک سیستم پایگاه داده چندوجهی ایجاد کنیم که یک پایگاه داده نموداری برای انتقال گرد و غبار، یک پایگاه داده رابطه ای برای سوابق شیوع بیماری، و یک پایگاه داده غیرمرتبط ایجاد می کند. پایگاه داده برای سنسورهای محیطی بی‌درنگ برای ذرات معلق در هوا. از آنجایی که کلان داده های محیطی با تقاضاهای تحلیلی بلادرنگ تکامل می یابند، چنین پایگاه داده چند وجهی برای محققان علمی و صنعت سود قابل توجهی خواهد داشت.
چارچوب مثال ارائه شده در این تحقیق از شناسایی و ردیابی رویداد گرد و غبار به عنوان مثال استفاده می کند و از یک محیط کامپیوتری استاندارد دسکتاپ برای مدیریت داده های نمونه استفاده می کند. یکی دیگر از جهت‌گیری‌های آینده استفاده از قابلیت‌های محاسباتی پیشرفته، مانند واحد پردازش گرافیک (GPU)، محاسبات ابری، و سیستم‌های مدیریت داده‌های بزرگ، برای تسریع فرآیند شناسایی و ردیابی تکامل پدیده‌های طبیعی و فعال کردن تجزیه و تحلیل در زمان واقعی است. ادغام داده های بزرگ محیطی که به طور فزاینده ای در دسترس هستند. چنین نمایش رویداد و چارچوب کمی تکامل را می توان بیشتر در سیستم های هشدار اولیه ادغام کرد تا پیام های هشدار اولیه پویا و سفارشی شده را برای جمعیت های آسیب پذیر با نیازهای خاص ارائه دهد.

منابع

  1. 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 ]
  2. Yuan, M. نمایش پدیده های پیچیده جغرافیایی در GIS. کارتوگر. Geogr. Inf. علمی 2001 ، 28 ، 83-96. [ Google Scholar ] [ CrossRef ]
  3. هابارد، اس. Hornsby، KS مدل‌سازی توالی‌های جایگزین رویدادها در حوزه‌های جغرافیایی پویا. ترانس. GIS 2011 ، 15 ، 557-575. [ Google Scholar ] [ CrossRef ]
  4. یی، جی. دو، ی. لیانگ، اف. ژو، سی. وو، دی. Mo, Y. چارچوبی برای مطالعه تغییرات مکانی و زمانی و تعاملات پدیده های جغرافیایی پویا. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 1010-1027. [ Google Scholar ] [ CrossRef ]
  5. آرناس، اچ. هاربلوت، بی. کروز، سی. LC3: یک مدل داده مکانی-زمانی برای مطالعه تغییرات پوشش زمین واجد شرایط. در مفهوم کاربری و پوشش زمین ; Ahlqvist, O., Varanka, D., Fritz, S., Janowicz, K., Eds. CRC Press: بوکا راتون، فلوریدا، ایالات متحده آمریکا، 2018؛ صص 228-259. [ Google Scholar ]
  6. لو، ام. پبسما، ای. سانچز، آ. Verbesselt، J. تشخیص تغییرات مکانی-زمانی از آرایه‌های چند بعدی: تشخیص جنگل‌زدایی از سری‌های زمانی MODIS. ISPRS J. Photogramm. Remote Sens. 2016 , 117 , 227–236. [ Google Scholar ] [ CrossRef ]
  7. شن، دی. تاکارا، ک. لیو، ی. مدلسازی سه بعدی GIS اجسام زمینی نرم: به عنوان مثال در نظر گرفتن بارش، جریان زمینی و فرسایش خاک. ژئوسپات. تکنولوژی محیط زیست Soc. Appl. 2016 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  8. هافمن، پی. یک مدل باور-میل-نیت فازی برای تحلیل تصویر مبتنی بر عامل. مد. سیستم کنترل فازی Appl. 2017 ، 281-296. [ Google Scholar ]
  9. چن، جی. Cohn، AG; لیو، دی. وانگ، اس. اویانگ، جی. Yu, Q. بررسی بازنمایی های فضایی کیفی. بدانید. مهندس Rev. 2015 , 30 , 106-136. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. مک اینتاش، جی. یوان، ام. ارزیابی شباهت فرآیندها و رویدادهای جغرافیایی. ترانس. GIS 2005 ، 9 ، 223-245. [ Google Scholar ] [ CrossRef ]
  11. کامپلو، م. بنت، ب. بازنمایی و استدلال درباره تغییر گسترش‌های فضایی ویژگی‌های جغرافیایی. در مجموعه مقالات کنفرانس بین المللی نظریه اطلاعات فضایی، اسکاربرو، انگلستان، 2 تا 6 سپتامبر 2013. Tenbrink, T., Stell, J., Galton, A., Wood, Z., Eds. Springer: Cham, Switzerland, 2013; صص 33-52. [ Google Scholar ]
  12. Erhardt، TM; چادو، سی. مدل‌های Schepsmeier، U. R-vine برای سری‌های زمانی مکانی با کاربرد در دمای میانگین روزانه. بیومتریک 2015 ، 71 ، 323-332. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. Anselin, L. اقتصاد سنجی فضایی: روش ها و مدل ها . Springer: Dordrecht، هلند، 2013. [ Google Scholar ]
  14. بوثول، جی. یوان، ام. مفاهیم سینماتیک سیالات را برای نمایش میدان‌های فضا-زمان پیوسته در GIS زمانی به کار ببرید. ان GIS 2010 ، 16 ، 27-41. [ Google Scholar ] [ CrossRef ]
  15. آرمسترانگ، MP موقتی در پایگاه‌های داده فضایی. در مجموعه مقالات GIS/LIS’88: دسترسی به جهان، انجمن آمریکایی فتوگرامتری و سنجش از دور، فالز چرچ، VA، ایالات متحده آمریکا، 30 نوامبر تا 2 دسامبر 1988. صص 880-889. [ Google Scholar ]
  16. لانگران، جی. کریسمن، NR چارچوبی برای اطلاعات جغرافیایی زمانی. Cartographica 1988 , 25 , 1-14. [ Google Scholar ] [ CrossRef ]
  17. Worboys، MF; هرنشاو، اچ ام. Maguire، DJ مدل سازی داده های شی گرا برای پایگاه داده های فضایی. بین المللی جی. جئوگر. Inf. سیستم 1990 ، 4 ، 369-383. [ Google Scholar ] [ CrossRef ]
  18. خداج، س. آدامو، ا. مراد، م. ساخت یک سیستم شی گرا یکپارچه برای GIS زمانی. صبح. J. Appl. علمی 2005 ، 2 ، 1584-1594. [ Google Scholar ] [ CrossRef ]
  19. Yuan, M. استفاده از بازنمایی سه دامنه برای افزایش پشتیبانی GIS برای پرس و جوهای پیچیده فضایی و زمانی. ترانس. GIS 1999 ، 3 ، 137-159. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. Peuquet, DJ; Duan، N. یک مدل داده مکانی-زمانی مبتنی بر رویداد (ESTDM) برای تجزیه و تحلیل زمانی داده های جغرافیایی. بین المللی جی. جئوگر. Inf. سیستم 1995 ، 9 ، 7-24. [ Google Scholar ] [ CrossRef ]
  21. گالتون، ا. Worboys، M. فرآیندها و رویدادها در شبکه های جغرافیایی پویا. در مجموعه مقالات کنفرانس بین المللی معناشناسی جغرافیایی، مکزیکو سیتی، مکزیک، 29 تا 30 نوامبر 2005. Springer: برلین/هایدلبرگ، آلمان، 2005. [ Google Scholar ]
  22. Renolen، A. نمودارهای تاریخ: مدل سازی مفهومی داده های مکانی-زمانی. جبهه GIS. اتوبوس. علمی 1996 ، 2 ، 46. [ Google Scholar ]
  23. دل موندو، جی. رودریگز، MA; کلارامونت، سی. براوو، ال. Thibaud، R. سازگاری مدل‌سازی نمودارهای مکانی-زمانی. دانستن داده ها مهندس 2013 ، 84 ، 59-80. [ Google Scholar ] [ CrossRef ]
  24. سیاباتو، دبلیو. کلارامونت، سی. ایلاری، اس. Manso-Callejo، M.Á. بررسی روندهای مدلسازی در GIS زمانی. کامپیوتر ACM. Surv. (CSUR) 2018 ، 51 ، 30. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  25. Goodchild، MF; یوان، م. Cova، TJ به سوی یک نظریه عمومی نمایش جغرافیایی در GIS. بین المللی جی. جئوگر. Inf. علمی 2007 ، 21 ، 239-260. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. Schneider, M. Spatial Plateau Algebra برای پیاده سازی اشیاء فضایی فازی در پایگاه های داده و GIS: انواع داده ها و عملیات فضایی فلات. Appl. محاسبات نرم. 2014 ، 16 ، 148-170. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. چنگ، اچ. مدلسازی و پرس و جو از اشیاء فضایی و زمانی فازی. جی. اینتل. سیستم فازی 2016 ، 31 ، 2851-2858. [ Google Scholar ] [ CrossRef ]
  28. د کالووه، آر. دی تره، جی. Bordogna, G. (Eds.) Spatio-Temporal Databases: Flexible Querying and Reasoning ; Springer Science & Business Media: برلین/هایدلبرگ، آلمان، 2013. [ Google Scholar ]
  29. شوکلا، پی کی; درباری، م. سینگ، VK؛ Tripathi، SP بررسی تکنیک های فازی در پایگاه داده های شی گرا. بین المللی J. Sci. مهندس Res. 2011 ، 2 ، 1-11. [ Google Scholar ]
  30. کارنیل، AC؛ اشنایدر، ام. Ciferri، RR; de Aguiar Ciferri، CD مدل سازی محمول های توپولوژیک فازی برای مناطق فازی. در مجموعه مقالات بیست و دومین کنفرانس بین المللی ACM SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، دالاس، تگزاس، ایالات متحده آمریکا، 4 نوامبر 2014. صص 529-532. [ Google Scholar ]
  31. Worboys, M. رویکردهای رویدادمحور به پدیده های جغرافیایی. بین المللی جی. جئوگر. Inf. علمی 2005 ، 19 ، 1-28. [ Google Scholar ] [ CrossRef ]
  32. یوان، م. Hornsby، محاسبات KS و تجسم برای درک دینامیک در حوزه‌های جغرافیایی: یک دستور کار تحقیقاتی . CRC Press: Boca Raton، FL، USA، 2007. [ Google Scholar ]
  33. گاتلر، اف. ینکو، دی. نین، جی. تیسیر، ام. Poncelet، P. یک رویکرد مبتنی بر نمودار برای تشخیص دینامیک مکانی-زمانی در سری های زمانی تصاویر ماهواره ای. ISPRS J. Photogram. Remote Sens. 2017 ، 130 ، 92-107. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. لانگ، ج.ا. نلسون، TA مروری بر روش‌های کمی برای داده‌های حرکتی. بین المللی جی. جئوگر. Inf. علمی 2013 ، 27 ، 292-318. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. آن، ال. Tsou، MH; کروک، SE; چون، ی. اسپیتزبرگ، بی. Gawron، JM; گوپتا، DK تجزیه و تحلیل فضا-زمان: مفاهیم، ​​روش های کمی، و جهت های آینده. ان دانشیار صبح. جغرافیا. 2015 ، 105 ، 891-914. [ Google Scholar ] [ CrossRef ]
  36. Kulldorff، M. زمان آینده نگر بیماری دوره ای جغرافیایی با استفاده از یک آمار اسکن. JR Stat. Soc. سر. A (Stat. Soc.) 2001 ، 164 ، 61-72. [ Google Scholar ] [ CrossRef ]
  37. کولدورف، ام. هفرنان، آر. هارتمن، جی. آسونسائو، آر. مستشاری، ف. آمار اسکن جایگشت فضا-زمان برای تشخیص شیوع بیماری. PLoS Med. 2005 ، 2 ، e59. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. رابرتسون، سی. نلسون، TA; چکمه، بی. Wulder، MA STAMP: تحلیل مکانی-زمانی چند ضلعی های متحرک. جی. جئوگر. سیستم 2007 ، 9 ، 207-227. [ Google Scholar ] [ CrossRef ]
  39. آلن، جی. Carbonell, JG; دادینگتون، جی. یامرون، جی. یانگ، ی. گزارش نهایی مطالعه آزمایشی تشخیص و ردیابی موضوع. در مجموعه مقالات کارگاه آموزشی رونویسی و درک اخبار پخش DARPA، Lansdowne، VA، ایالات متحده آمریکا، 8 تا 11 فوریه 1998. [ Google Scholar ]
  40. بسارت، اس. پرز، سی. نیکوویچ، اس. کوواس، ای. Baldasano، J. توسعه و ارزیابی مدل منطقه ای غبار BSC-DREAM8b در شمال آفریقا، مدیترانه و خاورمیانه. Tellus B Chem. فیزیک هواشناسی 2012 ، 64 ، 18539. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  41. یو، م. یانگ، سی. یک الگوریتم سه بعدی چند آستانه ای و در حال رشد منطقه برای شناسایی ویژگی های طوفان گرد و غبار از شبیه سازی های مدل. بین المللی جی. جئوگر. Inf. علمی 2017 ، 31 ، 939-961. [ Google Scholar ] [ CrossRef ]
  42. دی لونگویل، اف. اوزر، پ. دومبیا، اس. هنری، S. گرد و غبار صحرا بر سلامت انسان تأثیر می گذارد: یک واقعیت هشدار دهنده در سراسر جهان و نیاز به مطالعات در غرب آفریقا. بین المللی J. Biometeorol. 2013 ، 57 ، 1-19. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  43. یو، م. یانگ، سی. جین، بی. چارچوبی برای ردیابی حرکت پدیده های طبیعی – با استفاده از شبیه سازی گرد و غبار 4 بعدی به عنوان مثال. محاسبه کنید. Geosci. 2018 ، 121 ، 53-66. [ Google Scholar ] [ CrossRef ]
  44. گریفین، DW; کلوگ، کالیفرنیا طوفان های گرد و غبار و تأثیر آنها بر اقیانوس ها و سلامت انسان: گرد و غبار در جو زمین. EcoHealth 2004 ، 1 ، 284-295. [ Google Scholar ] [ CrossRef ]
  45. ایوان، AT; دونیون، جی. فولی، جی. هایدینگر، AK; Velden، CS شواهد جدید برای رابطه بین فعالیت طوفان استوایی اقیانوس اطلس و شیوع گرد و غبار آفریقا. ژئوفیز. Res. Lett. 2006 ، 33 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ijgi 09 00127 g001 550
شکل 1. چارچوب داده مفهومی کلی.
Ijgi 09 00127 g002 550
شکل 2. روابط ST بین اشیاء در t i و t i+1 .
Ijgi 09 00127 g003 550
شکل 3. سلسله مراتب رویداد و شیء مکانی-زمانی (ST) در یک گراف رویداد نشان داده شده است.
Ijgi 09 00127 g004 550
شکل 4. روش کلی نمایش رویداد گرد و غبار و کمی سازی.
Ijgi 09 00127 g005 550
شکل 5. غلظت گرد و غبار در یک زمان مشخص.
Ijgi 09 00127 g006 550
شکل 6. تجسم سه بعدی غلظت گرد و غبار با سطوح مختلف سلسله مراتب.
Ijgi 09 00127 g007 550
شکل 7. مثالی از تداوم، ادغام و تقسیم شدن شی طوفان گرد و غبار در مُهرهای زمانی متوالی.
Ijgi 09 00127 g008 550
شکل 8. نمودار رویداد برای رویداد غبار شبه جزیره عربستان جنوبی در اواخر ژوئیه 2014. در شکل a، c و d، هر فلش با وزن لبه کد رنگی دارد.
Ijgi 09 00127 g009 550
شکل 9. نمودار رویداد و تغییرات زمانی رویداد گرد و غبار لیبی در سپتامبر 2014.
Ijgi 09 00127 g010 550
شکل 10. نمودار رویداد و تغییرات زمانی رویداد گرد و غبار سپتامبر 2014 در سراسر عراق و ایران. شکل‌های d1، d2، e1-e4 تغییرات حجم و شکل رویداد گرد و غبار را برجسته می‌کنند و مسیر رویداد را به منظور تجسم بی‌نظیر حذف می‌کنند.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید