خلاصه

امروزه چندین رشته علمی از علوم شهروندی (CitSci) به عنوان یک رویکرد تحقیقاتی استفاده می کنند. تحقیقات خطرات طبیعی و مدیریت بلایا نیز از CitSci سود می‌برند زیرا افراد می‌توانند داده‌های جغرافیایی و ویژگی‌های مربوطه را با استفاده از دستگاه‌های تلفن همراه خود به راحتی و به سرعت در طول یا بعد از یک رویداد ارائه دهند. زلزله بسته به شدت آن از جمله مخاطرات طبیعی بسیار مخرب است. تلاش‌های هماهنگی پس از یک رویداد زلزله شدید برای به حداقل رساندن اثرات مضر آن حیاتی است و داده‌های به موقع در محل برای این منظور بسیار مهم است. هدف از این مطالعه انجام یک مطالعه آزمایشی CitSci برای نشان دادن قابلیت استفاده از داده های به دست آمده توسط داوطلبان (شهروندان) برای ایجاد نقشه های ایزو شدت زلزله در زمان کوتاه است. داده ها پس از زلزله 5.8 مگاواتی استانبول که در 26 سپتامبر 2019 رخ داد، جمع آوری شد. از طریق اپلیکیشن موبایل «زلزله را احساس کردم» مشاهدات شهروندان در خصوص شدت زلزله از نقاط مختلف جمع آوری شد. مقادیر شدت در برنامه شکل تجدید نظر شده مقیاس شدت Mercalli را نشان می دهد. نقشه iso-intensity با استفاده از یک الگوریتم کریجینگ فضایی ایجاد شد و با نقشه تولید شده توسط ریاست مدیریت بحران و اضطرار (AFAD)، ترکیه، به صورت تجربی مقایسه شد. نتایج نشان می‌دهد که جمع‌آوری اطلاعات شدت از طریق کاربران آموزش دیده، روشی قابل قبول برای تولید چنین نقشه‌هایی است. نقشه iso-intensity با استفاده از یک الگوریتم کریجینگ فضایی ایجاد شد و با نقشه تولید شده توسط ریاست مدیریت بحران و اضطرار (AFAD)، ترکیه، به صورت تجربی مقایسه شد. نتایج نشان می‌دهد که جمع‌آوری اطلاعات شدت از طریق کاربران آموزش دیده، روشی قابل قبول برای تولید چنین نقشه‌هایی است. نقشه iso-intensity با استفاده از یک الگوریتم کریجینگ فضایی ایجاد شد و با نقشه تولید شده توسط ریاست مدیریت بحران و اضطرار (AFAD)، ترکیه، به صورت تجربی مقایسه شد. نتایج نشان می‌دهد که جمع‌آوری اطلاعات شدت از طریق کاربران آموزش دیده، روشی قابل قبول برای تولید چنین نقشه‌هایی است.

کلید واژه ها:

دانش شهروندی ; CitSci ; زلزله ؛ نقشه برداری شدت ; کاهش بلایا ; کریجینگ فضایی

1. معرفی

توسعه پایدار هدف اصلی همه کشورها است و پیشرفت‌ها در فن‌آوری‌های زمین‌فضایی و موبایل، پشتیبانی ضروری برای بهبود زندگی انسان‌ها و حفاظت از سیاره زمین را فراهم می‌کند. بر اساس «گزارش جهانی دیجیتال 2019 ما اجتماعی هستیم و Hootsuite»، 5.1 میلیارد کاربر تلفن همراه در سراسر جهان وجود دارد [ 1 ]]. همچنین تعداد کاربران نسبت به سال قبل 2 درصد رشد داشته است در حالی که اکثر کاربران موبایل در آسیا بوده اند. با توجه به اینکه اکثر دستگاه ها به اینترنت متصل هستند، توده ها در صورت هدایت صحیح می توانند با استفاده از تلفن همراه خود به علم برای حل مشکلات جهانی کمک کنند. Citizen Science (CitSci) یک رویکرد تحقیقاتی است که هدف آن کمک به فرآیندهای علمی با کمک افراد عادی (یعنی دانشمندان غیرحرفه ای) است و می تواند توسط بسیاری از رشته ها مورد استفاده قرار گیرد. CitSci همچنین می تواند به عنوان نوعی از علم تعریف شود که توسط شهروندان توسعه یافته و پذیرفته شده است که می تواند در صورت بروز موقعیت ها یا نیازهای خطرناک کمک کند [ 2 ].
افزایش تعداد مخاطرات طبیعی همچنین می تواند با افزایش جمعیت، تغییرات آب و هوا و افزایش آگاهی از بلایا (یعنی ثبت و نظارت رویدادها) مرتبط باشد. بهبود مدیریت بلایا و کاهش آن را می توان با هماهنگی بهتر در حین یا بعد از حوادث به دست آورد که به کاهش تلفات جانی و خسارات اقتصادی نیز کمک می کند. اثرات نامطلوب بلایا پس از وقوع حوادث قابل رصد است تا اقدامات لازم انجام شود. بررسی اخیر توسط [ 3 ] پتانسیل CitSci را برای مدیریت کارآمد بلایا نشان می دهد.
اطلاعات مربوط به فاجعه می تواند توسط شهروندان در قالب اطلاعات جغرافیایی داوطلبانه (VGI) یا CitSci [ 4 ] جمع آوری شود. اگرچه روش‌های جمع‌آوری داده‌ها می‌تواند متنوع باشد، اما اغلب از پلتفرم‌های رسانه‌های اجتماعی برای این منظور استفاده می‌شود. علاوه بر این، برنامه ها یا مخازن تخصصی CitSci به طور فزاینده ای در معرض دید قرار گرفته اند. در میان پلتفرم‌های رسانه‌های اجتماعی، توییتر از شرکت توییتر، سانفرانسیسکو، کالیفرنیا ایالات متحده آمریکا، اغلب در ادبیات ظاهر می‌شود. در سال 2017، توییت‌های ارسال شده توسط شهروندان پس از زلزله جزیره لزوس در یونان طبقه‌بندی و نقشه‌های شدت لرزه‌ای منطقه ایجاد شد [ 5 ]. در مطالعه دیگری، از توییتر و یک برنامه تلفن همراه برای جمع آوری داده های با وضوح بالا پس از سیل شهری استفاده شد.6 ]. یک الگوریتم شبکه عصبی کانولوشن (CNN) به منظور دسته بندی داده های مربوط به سیل جمع آوری شده از شهروندان توسعه داده شد. در این زمینه، نتیجه گیری می شود که CitSci را می توان به عنوان یک منبع داده مورد استفاده در رشته های مختلف در نظر گرفت.
مطالعات مرتبط با زلزله به داده های میدانی گسترده هم برای اهداف تحقیقاتی و هم برای کاهش بلایا نیاز دارد. یک زلزله ممکن است بر اساس بزرگی و عمق کانونی اثرات مخربی داشته باشد. ممکن است باعث ایجاد خسارات در زیرساخت ها مانند ریزش ساختمان، تخریب جاده و غیره و تغییر شکل زمین مانند رانش زمین، ریزش سنگ، گسترش جانبی، روانگرایی، گسیختگی سطح و غیره شود. این تغییر شکل ها و خرابی ها ممکن است منجر به آسیب بیشتر و تلفات بیشتر شود زندگی ها از لرزش زمین برای درک این پدیده ها که طبیعتاً پیچیده، به موقع و متراکم هستند، به داده های مکانی نیاز است. اگرچه هر دو روش CitSci و VGI برای این منظور به کار گرفته شده اند، CitSci می تواند با آموزش شهروندان با انگیزه به مطالعات در سطوح پیشرفته، مانند تفسیر پایه یا حتی سطح بالا کمک کند. و نه تنها جمع آوری یا اعتبارسنجی داده های اساسی. با این حال، تهیه مواد آموزشی و ارائه آموزش برای این منظور بسیار مورد نیاز است.4 ].
هدف از این مطالعه نشان دادن قابلیت استفاده از رویکرد CitSci برای تولید نقشه‌های شدت زلزله با یک مطالعه آزمایشی از زلزله استانبول (Mw = 5.8) است که در 26 سپتامبر 2019 در ساعت 13:59 UTC رخ داد. صفحه آناتولی توسط منطقه گسلی آناتولی شمالی، منطقه گسلی شرقی آناتولی و سیستم هورست گرابن دریای اژه احاطه شده است و همه اینها از نظر لرزه ای فعال هستند. در طی دو دهه گذشته چندین زلزله بزرگ مانند گلچوک 1999 (Mw = 7.5)، دوزچه 1999 (Mw = 7.2)، 2003 بینگول (Mw = 6.4)، 2011 وان (Mw = 7.1)، 2020 مانیسا (اخیسار) (Mw) = 5.4)، 2020 Elazig (Mw = 6.8) رخ داد. پس از زلزله 5.8 مگاواتی استانبول که موضوع این مطالعه است، تقریباً 150 پس لرزه با شدت های 1.0 مگاوات تا 4.1 مگاوات رخ داده است [ 7 ].]. اگر چه نزدیکی به گسل ها نقش مهمی در سطح شدت احساس پس از زلزله دارد، اما تنها عامل نیست. شرایط زمینی منطقه زلزله زده، کیفیت ساخت و تعداد طبقات ساختمان تاثیر زیادی بر شدت شدت دارد. تقریباً هیچ راه حل تحلیلی برای تعیین شدت زلزله در مناطق مختلف وجود ندارد و مشاهدات میدانی برای تهیه نقشه های شدت قابل اعتماد الزامی است.
در این مطالعه، یک اپلیکیشن موبایل (به نام «زلزله را احساس کردم») برای این منظور توسعه یافت و در یک سیستم مدیریت پایگاه داده فضایی برای ذخیره و مدیریت داده ها ( مواد تکمیلی ) ادغام شد. شهروندان دانشمند شرکت کننده در مطالعه در مورد اهداف مطالعه، اهمیت مشارکت آنها و استفاده صحیح از برنامه مطلع شدند. با استفاده از داده‌های جمع‌آوری‌شده و روش‌های تحلیل فضایی (یعنی کریجینگ معمولی)، یک نقشه هم‌شدت ایجاد و با نقشه شدت منتشر شده توسط ریاست مدیریت بحران و اضطرار (AFAD) مقایسه شد. نتایج نشان می‌دهد که رویکرد توسعه‌یافته برای تولید نقشه‌های دقیق و قابل‌اعتماد با شدت همسو مفید است، که پایگاه مهمی برای تلاش‌های کاهش بلایا است.

2. پس زمینه

VGI یک اصطلاح رایج در جغرافیا است که تأکید می کند انسان ها می توانند به لطف حواس و هوش تفسیر برتر خود در جمع آوری اطلاعات جغرافیایی مشارکت داشته باشند [ 8 ]. مطالعات زیادی به منظور جلب حمایت افراد در مطالعات مختلف علمی انجام شده است.
بروولی و همکاران [ 9 ] برنامه چاله ها و موانع معماری مربوط به نظارت شهری و نقشه برداری از نقاط گردشگری مورد علاقه را توسعه داده اند و مشارکت مردم را در کاربردهای سیستم اطلاعات جغرافیایی (GIS) بررسی کرده اند. این برنامه ها از طریق برنامه Open Data Kit Collect (ODK Collect) [ 10 ] به کاربران ارائه می شدند که یک برنامه اندرویدی است که با کدهای منبع باز برای جمع آوری داده ها از کاربر از طریق فرم های نظرسنجی ایجاد شده است. داده‌ها نه تنها از پلتفرم اندروید، بلکه از وب با Enketo جمع‌آوری شدند [ 11] برنامه ای که می تواند با ODK کار کند. با استفاده از چاله ها در مطالعه، جاده های شکسته در منطقه شمال ایتالیا شناسایی شدند و در نتیجه، تعمیر و نگهداری چاله ها تسریع شد. در برنامه دیگری در مورد موانع معماری، هدف تعیین ساختارهای فیزیکی است که موقعیت های نامطلوب را برای شهروندان معلول در شهر ایجاد می کند. در آخرین اپلیکیشن توسعه یافته توسط همین گروه تحقیقاتی، نقاط مورد علاقه گردشگری ارائه شده است. با توجه به تمام مطالعات انجام شده توسط بروولی و همکاران. [ 9]، به وضوح مشاهده شد که اگرچه اپلیکیشن potholes زمان کمپین بیشتری داشت، اما کاربران کمتری نسبت به سایر اپلیکیشن ها به این اپلیکیشن علاقه نشان دادند. نتیجه گیری شد که برای گسترش استفاده از اپلیکیشن ها باید از روش های تبلیغاتی، پارتی نقشه برداری و بازی سازی بیشتر استفاده کرد. همچنین تاکید شد که آشنایی مردم با فناوری از اهمیت بالایی برای گسترش اپلیکیشن ها برخوردار است. از این منظر، هدف این بود که با استفاده از دانش آموزان زیر سی سال حقوق بگیر در استفاده از موانع معماری و استفاده از حزب نقشه برداری در برنامه گردشگری، این برنامه ها را فراگیر کند.
بوید و همکاران [ 12] یک مطالعه ادغام شده با سنجش از راه دور و داده های داوطلبانه کاربران انجام داد و بیان کرد که داده های اخیر، مکانی و قابل اعتماد برای پایان دادن به فعالیت های برده داری مورد نیاز است. منطقه مورد مطالعه منطقه «کمربند آجری» است که شامل شمال هند، نپال، پاکستان و بنگلادش است. هدف از انتخاب این منطقه فراوانی کوره های آجرپزی بوده است. مشخص بود که بیشتر نیروی کار کوره ها را افراد محروم اجتماعی تشکیل می دهند. بنابراین هدف از این مطالعه تعیین تعداد کوره ها بود. تصاویر ماهواره ای با وضوح بالا از منطقه به دست آمد و کوره های روی این تصاویر توسط داوطلبان مشخص شد. به منظور جمع آوری داده ها توسط داوطلبان، از یک پلتفرم CitSci به نام Zooniverse استفاده شد. این پلتفرم تا سال 2020 دارای 1.6 میلیون کاربر در سراسر جهان است و جمع آوری داده های مورد نیاز برای مطالعات مختلف علمی را تسهیل می کند.13 ]. در مطالعه بوید و همکاران. [ 12 ]، کاربران به وب‌سایتی به نام «بردگی از فضا» هدایت شدند و امکان تشخیص کوره‌ها را از طریق تصاویر فراهم کردند. این مطالعه با 120 کاربر داوطلب انجام شد. تقریباً 55383 کوره کشف شد. منطقه راجستان برای مطالعه کنترل انتخاب شد. علاوه بر این، انتشار گاز از این کوره ها و اثرات آن بر اکوسیستم مورد بحث قرار گرفت.
کوسکینن و همکاران [ 14 ] مطالعه ای بر اساس رویکرد مشارکتی GIS (PGIS) با استفاده از نرم افزار منبع باز برای ترسیم نقشه مزارع جنگلی در سطح منطقه ای در تانزانیا انجام داد. به منظور جمع آوری داده ها از نرم افزار Collect Earth [ 15 ] پلت فرم Open Foris [ 16 ] استفاده شد. Collect Earth یک نرم افزار متن باز است که توسط سازمان غذا و کشاورزی سازمان ملل متحد (FAO) برای نظارت بر استفاده از زمین و تغییرات در تصاویر با وضوح مکانی و زمانی بالا توسعه یافته است [ 17 ].]. این به جمع‌آوری داده‌ها در مورد کاربری زمین کمک می‌کند و از آنجایی که برنامه منبع باز است، امکان استفاده جهانی از برنامه را فراهم می‌کند. در این تحقیق از 22 شرکت‌کننده درخواست شد تا با کمک نرم‌افزار Collect Earth، داده‌های پیمایشی در مورد انواع جنگل‌های منطقه مورد مطالعه را تکمیل کنند و داده‌های مرجع ایجاد شد. این مطالعه با تفسیر اثر داده‌های کاربر محور بر طبقه‌بندی به پایان رسید.
هیکس و همکاران [ 18 ] 106 پروژه CitSci را در محدوده کاهش خطر بلایا مورد تجزیه و تحلیل قرار داد و با هدف نگاه کردن به علم شهروندی از پنجره ای گسترده تر و ایجاد اصولی برای توسعه صحیح این علم بود. در این مطالعه شش اصل برای هدایت اجرای مطالعات CitSci به منظور کاهش خطرات بلایا معرفی شد. به طور مشابه، 10 اصل توسط انجمن علوم شهروندی اروپا (ECSA) معرفی شد [ 19 ]] و به 30 زبان ترجمه شده است. در این مطالعه، تعریف جدیدی برای علم شهروندی با جایگزینی کلمه “اطلاعات” با کلمه “علم” ارائه شد، زیرا تصور می شد که داده های جمع آوری شده توسط شهروندشناسان ممکن است در زمینه اجتماعی و فرهنگی باشد و ممکن است به آنها کمک کند. به برنامه های کاربردی در موضوع فوکوس. علاوه بر این، یک نقشه آنلاین که نمایش های مبتنی بر کشور از پروژه های علمی شهروندی را ارائه می دهد در وب سایت توسعه یافته در این مطالعه ایجاد شد [ 20 ]. وب سایت را می توان به عنوان یک وب سایت جمعی و گسترده تعریف کرد که در آن هر کسی می تواند تمام مطالعات را با تمرکز بر کاهش خطرات بلایا دنبال کند، می توان توضیحات لازم را ارائه کرد و مطالعات را به طور گسترده انجام داد.
لیانگ و همکاران [ 21 ] با هدف افزایش سهم خود در تحقیقات زلزله از طریق افزایش آگاهی مردم تایوانی در مورد زلزله از طریق برنامه هایی که ایجاد کردند. به این ترتیب با آگاهی مردم می توان از زلزله های مکرر در تایوان با کمترین خسارت جان سالم به در برد. اطلاعات علم زلزله (TESIS) [ 22] برنامه وب توسعه یافته توسط این گروه گزارش های زلزله را از نهادهای رسمی تایوان ارائه می دهد. این پلت فرم هم به مردم کمک می کند تا اطلاعات معتبر پس از زلزله را در اختیار داشته باشند و هم به دانشمندان کمک می کند تا خطوط گسل و سایر خطراتی را که می توانند منجر به خطرات دیگر شوند، شناسایی کنند. آنها دو برنامه کاربردی برای فعال کردن CitSci توسعه دادند. اولی شدت زلزله را با تعیین وزن از داده های به دست آمده از بررسی ها نشان می دهد. این برنامه بر اساس «آیا آن را احساس کردی» (DYFI) طراحی شده است [ 23] توسط سازمان زمین شناسی ایالات متحده (USGS) توسعه یافته است. اپلیکیشن DYFI یک پلت فرم جمع آوری داده است که به مردم اجازه می دهد اطلاعات مربوط به زلزله را از طریق نظرسنجی آنلاین ارائه دهند، که سپس می تواند برای ایجاد نقشه های شدت زلزله استفاده شود. در این اپلیکیشن مشاهده شد که بین داده های کاربر و داده های سازمانی تفاوت هایی وجود دارد. با پیش بینی اینکه تفاوت ها ناشی از طول مدت نظرسنجی ارائه شده به کاربران است، تصمیم گرفتند آن را کوتاه کنند. ثانیاً، حسگرهایی روی رایانه‌های بیش از 200 مربی در تایوان نصب شد و داده‌های امواج زلزله به صورت آنلاین جمع‌آوری شد. با انتشار داده های جمع آوری شده به عنوان یک استدلال آموزشی، ممکن است مطالعات علمی را هدایت کند. علاوه بر این، بر خلاف این مطالعات، کاربران آموزش دیدند و یک اپلیکیشن مبتنی بر Ushahidi برای ورود به موقعیت هایی که ممکن است پس از زلزله رخ دهد مانند ترک ایجاد شد. اوشهیدی [24 ] یک برنامه آنلاین پولی است که به جمع آوری داده ها مانند ODK کمک می کند. این اپلیکیشن می تواند مدیریت و گزارش دهی داده ها از پلتفرم های موبایل را تسهیل کند. در این مطالعه بیش از صد کاربر آموزش دیدند و یک نرم افزار گزارش نمونه پیاده سازی شد.
کنگ و همکاران [ 25 ] یک برنامه تلفن همراه به نام MyShake [ 26 ] توسعه داد که می توانست از قبل در مورد شوک های زلزله هشدار دهد. در این اپلیکیشن، سیگنال‌های شتاب‌سنج در دستگاه‌های تلفن همراه توسط یک الگوریتم شبکه عصبی مصنوعی (ANN) تجزیه و تحلیل شدند تا مشخص شود که آیا آنها به یک رویداد زلزله اشاره می‌کنند یا خیر. سیگنال‌ها زمانی ثبت می‌شدند که دستگاه‌های تلفن همراه در موقعیت ثابتی قرار داشتند (مثلاً هندزفری روی میز) و با سیگنال‌های زمان زلزله مقایسه می‌شدند. روش ANN از تغییرات دامنه و فرکانس سیگنال ها استفاده می کند. در این مطالعه تاکید شد که شهروندان می توانند این کار را با دستگاه های تلفن همراه خود انجام دهند که به ویژه در کشورهای فاقد سیستم هشدار اولیه زلزله می تواند مفید باشد.
یک اپلیکیشن سیتی سی سی موبایل و مبتنی بر وب، به نام LaMA، برای شناسایی حوادث زمین لغزش توسعه داده شد [ 27 ، 28 ]. در اپلیکیشن، عکس‌ها و محل لغزش مشاهده شده توسط کاربران در یک پایگاه داده جمع‌آوری شد. داده ها را می توان توسط کاربران از طریق مرورگر وب جمع آوری کرد و یک معماری CNN برای تأیید عکس های زمین لغزش نیز توسعه داده شد [ 29 ]. به منظور آموزش الگوریتم CNN، تصاویری از مخازن داده ها و وب سایت های مختلف به دست آمد و امکان طبقه بندی عکس های زمین لغزش با دقت بالا وجود دارد.
AFAD ترکیه یک اپلیکیشن موبایل زلزله به نام eAfad [ 30 ] توسعه داد. هدف از این برنامه اطلاع رسانی به شهروندان در مورد زلزله در ترکیه و مناطق اطراف آن است [ 31 ]. داده ها از مرکز داده زلزله گرفته شده است. اطلاعات مربوط به زمین لرزه هایی با بزرگی 4.0 مگاوات یا بیشتر توسط برنامه توسط AFAD منتشر می شود. این اپلیکیشن همچنین دارای ویژگی هایی برای افراد کم بینا است. اولین نتایج این برنامه توسط Eravci و همکاران ارائه شد. [ 32 ]. از سوی دیگر، یک چارچوب Web-GIS مبتنی بر فناوری‌های منبع باز توسط [ 33 ، 34 ] پیشنهاد شد.] با یک برنامه تلفن همراه برای جمع آوری داده ها با موضوع جمع آوری داده های زلزله، اما نه اجرای عملی برای استفاده باز و نه مطالعه موردی وجود داشت.

3. روش جمع آوری و تجزیه و تحلیل داده ها

3.1. طراحی و پیاده سازی سیستم

اپلیکیشن زلزله موبایل (“زلزله را احساس کردم”) که در این مطالعه توسعه یافته بر روی پلتفرم اندروید کار می کند و برای جمع آوری داده های مربوط به مکان، تاریخ، زمان، سطح شدت و همچنین نام ارائه دهنده داده ای که احساس کرده است استفاده شده است. زمین لرزه ( جدول 1 ). با این حال، فیلد نام به صورت اختیاری پر می شود. داده ها در پایگاه داده مکانی ثبت شده است. فیلدهای تاریخ و زمان در برنامه نشان دهنده زمان وقوع رویداد هستند، در حالی که زمان آپلود (تراکنش) داده ها نیز به صورت خودکار به پایگاه داده ارسال می شود. موقعیت جغرافیایی که فرد در زمان وقوع زلزله در آن حضور داشته است نیز باید توسط کاربر با انتخاب روی نقشه وارد شود ( شکل 1).). پس از فشار دادن دکمه ذخیره، نام، نام خانوادگی، تاریخ، زمان، مقدار شدت تفسیر شده توسط کاربر، تاریخ و زمان تراکنش (برگرفته از سیستم تلفن همراه) و مکان (مقادیر مختصات جغرافیایی) به سرور ارسال می شود و یک عدد را تشکیل می دهد. تاپل در پایگاه داده فضایی
مقادیر شدت نشان داده شده در شکل 1 a و توضیح بیشتر در جدول 2 از مقیاس شدت مرکالی اصلاح شده (MM) که در سال 1931 توسط وود و نیومن [ 35 ] توسعه یافته است، تجدید نظر شده است. مقیاس MM نیز توسط USGS استفاده می شود [ 36 ]. به منظور طراحی موثر رابط و استفاده از مقادیر معنی دار برای شرکت کنندگان، مقادیر مقیاس همانطور که در جدول 2 نشان داده شده است به 8 کاهش یافت . در MM، مقادیر 1 و 2 بسیار ضعیف تر از آن هستند که توسط شخص احساس شود، و مقادیر 11 و 12 بسیار قوی و مخرب هستند، به طوری که استفاده از برنامه غیر ضروری است. بنابراین، این چهار مقدار برای ساده کردن رابط کاربری در برنامه گنجانده نشده است.
به عنوان یک سیستم مدیریت پایگاه داده فضایی (DBMS)، منبع باز PostgreSQL با پسوند PostGIS [ 37 ]، که عملکرد فضایی را در DBMS امکان پذیر می کند، در اینجا استفاده می شود. انتخاب بر اساس محیط منبع باز و امکان پرس و جوهای فضایی از طریق شاخص ها بود. این برنامه در یک Android Studio IDE (محیط توسعه یکپارچه) توسعه یافته است. می توان آن را بر روی دستگاه های تلفن همراهی که از اندروید 4.0.3 و نسخه های دیگر از وب سایت فروشگاه Google Play پشتیبانی می کنند نصب کرد [ 38]. هنگام طراحی رابط برنامه، هدف آن ساده و قابل فهم نگه داشتن آن برای کاربران غیرمتخصص بود. توجه بیشتری به حفظ اندازه برنامه (نیاز به ذخیره سازی) نسبتاً کوچک معطوف شد. ورود اطلاعات مکان جغرافیایی توسط دانشمندان شهروند با استفاده از Google PlacePicker API (رابط برنامه نویسی برنامه) فعال شد تا به طور کامل ورود اطلاعات به عقب را به برنامه ارائه دهد و در عین حال سادگی رابط را ضعیف نکند. از آنجایی که مطالعه موردی بر استانبول و استان های اطراف آن متمرکز است، برنامه به زبان ترکی به صورت پیش فرض با پشتیبانی از زبان انگلیسی آماده شده است. طراحی کلی معماری سیستم در شکل 2 ارائه شده است . در معماری سیستم در شکل 2، جهت کار سیستم با فلش ها مشخص می شود. اطلاعات مربوط به شدت زلزله احساس شده توسط کاربر به صورت دستی در برنامه وارد می شود. ارتباط بین برنامه اندروید و سرور از طریق اینترنت ارائه می شود. یک وب سرویس برای برقراری ارتباط بین برنامه Android و پایگاه داده PostgreSQL استفاده می شود. خدمات وب آمازون (AWS) از Amazon.com Inc.، سیاتل، ایالات متحده آمریکا به عنوان سیستم سرور برای اطمینان از عملکرد مداوم سیستم استفاده شد. داده های ورودی ارائه شده از کاربر در سیستم مدیریت پایگاه داده نصب شده بر روی سرور ثبت می شود. سپس پیام نان تست به کاربر بازگردانده می شود که نشان می دهد داده های ارائه شده ذخیره شده است.
این اپلیکیشن در تاریخ 1398/10/12 در فروشگاه گوگل پلی فعال شد. همه شرکت کنندگان در مورد اهداف اصلی مطالعه مطلع شدند و در مورد استفاده شخصی از برنامه آموزش داده شدند، زیرا اعتبار سنجی خارجی چنین داده هایی به دلیل ماهیت مشکل تقریبا غیرممکن است (یعنی شرایط مختلف زمین و قرار گرفتن در طبقات مختلف ممکن است باعث شود تغییرات در سطح شدت احساس شده توسط کاربر). اگرچه داده‌های بیشتری از مناطق مختلف در سراسر ترکیه که نه تنها از کاربران آموزش‌دیده است، به دست آمد، داده‌ها برای کاربران آموزش‌دیده از طریق نام و نام خانوادگی فیلتر شدند. از سوی دیگر، تنها از داده های منطقه مرمره در تجزیه و تحلیل و نتایج استفاده شد. به طور مشابه، سیستم گزارش‌دهی زلزله علمی تایوان (TSER) برای اطمینان از کیفیت داده‌ها به کاربران خود آموزش می‌دهد [ 21 ].]. مشکلات در تعیین مشخصات داوطلبان (به عنوان مثال، پیشینه، دانش و مهارت، و غیره) یا اطمینان از صحت داده ها به عنوان مسائل شناخته شده در مطالعات CitSci گزارش شده است که توسط [ 39 ] بیان شده است.

3.2. تحلیل زمین آماری برای تولید نقشه با شدت همسان

تجزیه و تحلیل زمین آماری بر روی داده های زلزله جمع آوری شده با برنامه به منظور تولید نقشه ایزو شدت پیوسته اعمال شد. رویکردهای زمین آماری اغلب برای شناسایی و تحلیل تغییرات فضایی در پدیده‌های طبیعی و امکان تعیین آماری روابط فضایی بین داده‌های نمونه در یک منطقه استفاده می‌شوند. چنین رویکردهایی شامل اصول ریاضی و آماری است که عموماً توسط متخصصان زمین‌شناسی و معدن استفاده می‌شود [ 40 ]. در زمینه زمین آمار، کار کریگه در زمینه معدن در منطقه ویتواترسرند آفریقای جنوبی به عنوان پیشگام پذیرفته شده است [ 41 ]. ماترون بر اهمیت متغیر منطقه ای برای زمین آمار تاکید کرد [ 42 ].
کریجینگ، یکی از روش های درونیابی فضایی، به طور گسترده در مطالعات تحلیل زمین آماری استفاده می شود. انواع مختلفی از روش های درون یابی کریجینگ وجود دارد، مانند کریجینگ معمولی، کریجینگ ساده و کریجینگ جهانی [ 43 ]. درون یابی کریجینگ روشی است که مقادیر داده های ناشناخته را با استفاده از مقادیر داده های نمونه در یک منطقه به صورت آماری تخمین می زند. این روش از مقادیر نیمه واریانس بین جفت نقطه استفاده می کند. نیمه واریانس درجه یکتایی بین جفت نقطه را با افزایش فاصله از کوواریانس منعکس می کند [ 40]. گرافیکی که نیمه واریانس در آن نمایش داده می شود، واریوگرام نامیده می شود. سه عبارت فعال یک واریوگرام را تعریف می کنند که عبارتند از nugget (C0)، محدوده (C1) و آستانه (C0 + C1). قطعه برای شناسایی ناپیوستگی در ناتوانی در تشخیص شباهت بین نقاط نزدیک به یکدیگر استفاده می شود. محدوده برای تعیین فاصله مورد نیاز برای رسیدن به آستانه واریوگرام استفاده می شود. فراتر از این فاصله، وابستگی مبتنی بر مکان به پایان می رسد. آستانه حداکثر مقداری است که واریوگرام به آن می رسد. Variogram پس از رسیدن به مقدار آستانه [ 44 ]، مقادیری را در اطراف مقدار آستانه می گیرد.
با استفاده از محاسبات آماری در روش کریجینگ، واریانس برای هر نقطه مجهول محاسبه می شود که نشان دهنده پایایی درون یابی است. همچنین محاسبات وزن نقاط ناشناخته را از نقاط شناخته شده از طریق نیمه واریوگرام امکان پذیر می کند. برای به دست آوردن نتایج خنثی، به ضریب لاگرانژی (λ) محدود می شود. بنابراین انتظار می رود مجموع اوزان به دست آمده برابر با یک [ 44 ] باشد. از این منظر، با نگاه کردن به وزن هر نقطه مجهول، می توان رابطه فاصله- مجاورت با نقاط شناخته شده برقرار کرد. به عبارت دیگر، در حالی که نقاط دارای وزن زیاد نزدیک هستند، نقاط کم وزن از هم دور می مانند.
در این مطالعه داده‌های زمین‌لرزه مبتنی بر مکان با استفاده از روش درون‌یابی کریجینگ معمولی مدل‌سازی شدند. کریجینگ معمولی جنبه هایی مشابه با کریجینگ ساده دارد. در روش کریجینگ معمولی، میانگین محلی در منطقه جستجو شناخته نمی شود، اما به عنوان ثابت در نظر گرفته می شود [ 40 ].

4. نتایج به دست آمده

این مطالعه بر اساس داده های جمع آوری شده بین 12/10/2019 تا 13/11/2019 پس از زلزله استانبول (Mw = 5.8) انجام شد. در این مدت در مجموع 156 رکورد از اپلیکیشن به دست آمد. از این تعداد 99 مورد توسط کاربران آموزش دیده ارائه شده است. نقشه ایزو شدت مطالعه با استفاده از روش کریجینگ فضایی تهیه شد و با نقشه تولید شده توسط اداره زلزله AFAD مسئول منطقه مرمره [ 7 ] مقایسه شد. نقشه ایزو شدت تولید شده توسط AFAD در شکل 3 نشان داده شده است. نقشه در این مطالعه بر اساس طرح 4326 گروه بررسی نفت اروپا (EPSG) به منظور مطابقت با سیستم پیش‌بینی داده‌های مکان جمع‌آوری‌شده از کاربران با استفاده از تعدادی از نقاط کنترل زمینی دوبعدی استخراج‌شده از نقشه‌های موجود، ارجاع داده شد. نقاط داده جمع آوری شده در مطالعه بر روی نقشه AFAD در شکل 4 نشان داده شده است. لازم به ذکر است که تمام مقادیر شدت 12 میلی متر در افسانه نقشه تولید شده توسط AFAD وجود دارد. تفاوت بین داده های کاربر و نقشه شدت تولید شده توسط AFAD همانطور که انتظار می رود به دلیل ماهیت مشکل به وضوح قابل مشاهده است.
تجزیه و تحلیل آماری بین داده های مطالعه ارائه شده توسط 99 داوطلب و مقدار متناظر در نقشه شدت AFAD در جدول 3 آورده شده است. همانطور که در جدول مشاهده می شود، مقیاس 2 – ضعیف (برخی افراد آن را احساس کردند) تا حد زیادی با نقشه AFAD مطابقت دارد (15 از 16 نقطه داده مطابق با نقشه هستند). همانطور که در شکل 4 نشان داده شده است، بسیاری از نقاط با مقیاس های 3-سبک و 4-متوسط ​​بر اساس نقشه AFAD در مناطق ضعیف قرار دارند . در مجموع هفت نقطه داده با مقیاس‌های قوی و بسیار قوی ارائه شد ( جدول 3) اگرچه این مقیاس ها در نقشه AFAD وجود نداشت. اما داوطلبانی که این ارزش‌ها را ارائه کردند، اعلام کردند که این ساختمان‌ها توسط شهرداری‌های مربوطه به‌شدت آسیب دیده مشخص شده و تصمیم‌گیری برای تخریب گرفته شده است. نمونه هایی از عکس های این ساختمان ها نیز توسط داوطلبان به عنوان مدرک ارائه شده است. در شکل 5 ، دو نمونه عکس از یک ساختمان نشان داده شده است که مقدار مقیاس را به صورت قوی ارائه می کند. در شکل 6 ، عکسی از ساختمان دیگری با مقیاس بسیار قوی ارائه شده است.
نقشه ایزو شدت حاصل پس از درونیابی فضایی با روش کریجینگ معمولی در شکل 7 قابل مشاهده است. حداقل و حداکثر شدت شدت به دست آمده از روش کریجینگ در منطقه نقشه به ترتیب 7/4 و 6/6 می باشد.
شکل 8 ترسیم واریوگرام به دست آمده از داده های برنامه را نشان می دهد. محور افقی نشان دهنده فاصله (بر حسب درجه) است که هر جفت نقطه، که برای محاسبه واریانس شدت استفاده می شود، دارد. واریانس در مقادیر شدت ارائه شده توسط کاربر بین 0.1-2.4 (یعنی بین 0.05-1.2 برای نیمه واریانس) متغیر است. همانطور که انتظار می رود، شباهت های زیادی بین مقادیر شدت در فواصل نزدیک وجود دارد. از سوی دیگر، تغییرات کوچک و زیاد در فواصل زیاد به دلیل رفتار شعاعی مقادیر شدت مشاهده می شود. مقادیر شدت جفت نقطه واقع در فواصل دور از کانون زلزله مشابه و کوچک است. از سوی دیگر، جفت‌های نقطه‌ای که نقطه‌ای نزدیک به مرکز زلزله دارند و نقطه دیگر بسیار دور، تغییرات بزرگ‌تری را نشان می‌دهند.

5. بحث

5.1. تولید نقشه های شدت

در این مطالعه تفاوت هایی بین نقشه تولید شده توسط AFAD و اطلاعات دریافتی از شهروندشناس مشاهده شد. تولید نقشه‌های هم‌شدت زلزله قابل اعتماد برای تلاش‌های کاهش بلایا بسیار مهم است و استفاده روزافزون از روش‌ها و پلتفرم‌های CitSci از توسعه در این زمینه حمایت می‌کند. بنابراین، شهروندان باید از اهمیت کمک‌های باکیفیت خود مطلع شوند.
کیفیت داده ها جنبه مهمی از مطالعات CitSci است. اصطلاح کیفیت در این تحقیق شامل صحت داده های مکان و سایر محتوای اطلاعاتی و توزیع مکانی داده های جمع آوری شده است. ناکافی بودن تعداد و توزیع نقاط داده منجر به نتیجه‌گیری ضعیف می‌شود، اگرچه روش کریجینگ پیشنهادی می‌تواند تا حدودی این موضوع را مدیریت کند. از سوی دیگر، ارائه آموزش به داوطلبان در خصوص هدف پروژه، مراحل متعاقب آن و نتایج برای موفقیت مطالعه بسیار مهم است.

5.2. استفاده از روش CitSci و مسئله (درس های آموخته شده)

دستگاه های تلفن همراه که به طور گسترده مورد استفاده قرار می گیرند می توانند افرادی را که پس از یک رویداد فاجعه بار تجربیات مشابهی دارند گرد هم بیاورند تا ایده های خود را به اشتراک بگذارند. نظرسنجی‌ها نشان می‌دهد که گفت‌وگوی فزاینده‌ای بین افرادی که ایده‌های مشابهی با استفاده از فناوری‌های موبایل دارند، وجود دارد. حتی در جوامع توسعه نیافته، استفاده از فناوری های تلفن همراه ممکن است تحقیقات علمی با CitSci را تسهیل کند و افراد می توانند در سطوح پیشرفته در مقایسه با حسگرها به هم متصل شوند. به جای استفاده از حسگرهای پرهزینه، هر انسانی می تواند به عنوان یک حسگر عمل کند تا بعد جدیدی را به مطالعات علمی بیاورد. علاوه بر این، آنها می توانند بسته به مقیاس مطالعات به کاهش هزینه ها کمک کنند. علاوه بر این، اگرچه افراد می‌توانند مانند یک حسگر، داده‌های مربوط به یک موضوع خاص را جمع‌آوری کنند، اما می‌توانند اطلاعاتی درباره موضوعات مختلف نیز تولید کنند. بدین ترتیب،
افزایش تعداد مطالعات CitSci می تواند به پیشرفت فناوری و آگاهی عمومی از بلایا کمک کند. با آموزش داوطلبان در حوزه مطالعات مختلف CitSci و تولید داده ها در این مطالعات می توان بینش بهتری در مورد مشکلات مختلف جامعه و راه حل های علمی ارائه داد. بنابراین، نه تنها جامعه اطلاعاتی تولید کننده داده، بلکه جامعه اطلاعاتی برتر که درک و درک بالایی از بسیاری از مسائل دارد نیز می تواند ایجاد شود. آگاهی مردم با افزایش دانش می تواند جهان را در برابر بسیاری از مسائل به ویژه محیط زیست مصون نگه دارد. علاوه بر این، هنگام انجام مطالعات CitSci، ممکن است نیازی به طبقه بندی افراد بر اساس سطح تحصیلات آنها نباشد. زیرا آموزش های داده شده قبل از مطالعات و داده های به دست آمده را می توان از فیلترهایی عبور داد تا از افراد در همه سطوح اطلاعات تولید شود. این به افراد با پیشینه های آموزشی مختلف اجازه می دهد تا در پروژه های CitSci شرکت کنند.
هنگامی که رویکرد پیشنهادی، یعنی استفاده از برنامه‌های کاربردی طراحی شده ویژه برای جمع‌آوری داده‌ها، با تلاش‌های جمع‌آوری داده‌های بلایای مبتنی بر رسانه‌های اجتماعی مقایسه می‌شود، مزایای اصلی جمع‌آوری داده‌های ساختاریافته با اطلاعات موقعیت جغرافیایی صحیح از طریق کاربران آموزش‌دیده است که امکان پردازش سریع و انعطاف‌پذیری طراحی را فراهم می‌کند. یک مطالعه در مورد استفاده از اطلاعات جمع‌آوری جمع‌آوری‌شده از توییتر نشان داده است که چندین مشکل با وجود برچسب‌های جغرافیایی، هرزنامه‌ها، حجم اطلاعات، تفاوت‌های زبانی و پوشش جغرافیایی ناکافی مواجه شده است [ 45 ].]. مطالعه دیگری در مورد استفاده از داده‌های توییتر برای ارزیابی سیل نیز نشان داده است که موقعیت جغرافیایی توییت‌ها می‌تواند با مکان رویداد متفاوت باشد، توزیع جغرافیایی می‌تواند یک مسئله باشد، و یافتن اطلاعات مربوطه در داخل تعداد زیادی توییت نیز چالش برانگیز است [ 46 ] ]. از سوی دیگر، معایب استفاده از یک برنامه توسعه‌یافته خاص را می‌توان به‌عنوان نگهداری برنامه، نیاز به پشتیبانی از چند پلتفرم (مثلاً سیستم عامل) و متقاعد کردن کاربران برای نصب و استفاده از یک برنامه اضافی بر روی برنامه خود ذکر کرد. تلفن های همراه

6. نتیجه گیری

در این مطالعه، نقشه ایزو شدت زلزله 5.8 مگاواتی استانبول که در 26 سپتامبر 2019 رخ داد، بر اساس داده‌های CitSci و روش کریجینگ معمولی برای درونیابی فضایی تهیه شد. در مجموع 99 نقطه داده جمع آوری شده در منطقه مرمره ترکیه برای این منظور به کار گرفته شد. قبل از جمع آوری داده ها، داوطلبان در مورد اهداف اصلی، مشکل تحقیق و نتایج مورد انتظار مطالعه قرار گرفتند. مقیاس شدت مورد استفاده در اینجا یک فرم بازبینی شده از مقیاس مرکالی بود و جمع‌آوری داده‌ها با استفاده از یک برنامه تلفن همراه اندروید توسعه‌یافته در این مطالعه انجام شد. آپلود داده ها به صورت آنلاین روی سروری انجام شد که یک DBMS فضایی نصب شده است.
نتایج نشان می‌دهد که مقیاس شدت پیشنهادی برای تولید سریع نقشه‌های هم‌شدت مناسب است، زیرا نقشه‌های هم‌شدت برای تلاش‌های مدیریت بلایا پس از یک زلزله بزرگ بسیار مهم هستند. با این حال، ارزیابی شدت یک زمین لرزه در یک مکان معین قبلاً یک فرآیند آهسته بود، زیرا معمولاً با استفاده از نظرسنجی های شخصی انجام می شد [ 47 ]. به همین دلیل، برخی از محققان (به عنوان مثال، [ 47 ، 48 ، 49 ، 50]) برخی از رویکردهای تجربی را برای ارزیابی شدت بر اساس برخی پارامترهای زمین لرزه مانند شتاب اوج زمین (PGA)، اوج سرعت زمین (PGV)، جابجایی اوج زمین (PGD)، مقیاس بزرگی، و فاصله کانونی و غیره ایجاد کردند. روش ارائه شده در اینجا متفاوت و مبتنی بر مشاهدات داوطلبانه است. با توجه به حقایقی که شهروندان دانشمندان در مورد اهمیت مشارکت با کیفیت بالا خود مطلع شده اند، روش کاملاً قابل اعتماد است. با توجه به ماهیت مشکل، می توان گفت که CitSci تنها منبع قابل اعتماد داده (به غیر از کار میدانی توسط متخصصان) برای تولید نقشه های هم شدت است زیرا سطوح شدت به شرایط زمین محلی، تاریخ ساخت و ساز بستگی دارد. کیفیت و تعداد طبقاتی که فرد در زمان وقوع زلزله در آن قرار داشته است. تفاوت بین نقشه شدت منتشر شده توسط AFAD و داده های جمع آوری شده شهروندان، نتیجه گیری را تایید می کند. با این حال، برآورد تفاوت بین مناطق نشان داده شده توسط نقشه شدت مفید است.
از آنجایی که شهروند دانشمندان کلید کیفیت داده ها هستند، ارائه آموزش های لازم و ابزارهای تکنولوژیکی (مثلاً برنامه های طراحی شده ویژه) باعث افزایش قابلیت اطمینان چنین مطالعاتی با استفاده از روش های CitSci می شود. علاوه بر این، روش‌های تکمیلی، روش‌های یادگیری ماشین و تجزیه و تحلیل داده‌ها می‌توانند از اعتبارسنجی داده‌ها در پروژه‌های CitSci در مقیاس بزرگ پشتیبانی کنند. تجزیه و تحلیل فضایی و منطقی بیشتر نیز می تواند به عنوان رویه های کنترل کیفیت خودکار، مانند استفاده از تابعی از شدت زلزله اندازه گیری شده و موقعیت جغرافیایی داده های ارائه شده به عنوان شاخصی از مقادیر احتمالی احساس شده توسط افراد با هم استفاده شود. هنگامی که مقدار زیادی مشارکت توسط کاربران ارائه می شود، انتظار می رود که خطاها دارای توزیع عادی باشد و بنابراین،
همچنین می توان گفت که تعداد این گونه مطالعات علمی ممکن است در آینده افزایش یابد. در نتیجه، CitSci در آینده با ترکیب تلاش‌های انسانی با پیشرفت‌های فناوری، وعده‌های بیشتری خواهد داد.

منابع

  1. ما اجتماعی هستیم. در دسترس آنلاین: https://wearesocial.com/blog/2019/01/digital-2019-global-internet-use-accelerates (در 25 نوامبر 2019 قابل دسترسی است).
  2. ایروین، الف. علوم شهروندی: مطالعه افراد، تخصص و توسعه پایدار . Routledge: Abington، UK، 2002; ISBN 9780203202395. [ Google Scholar ]
  3. کوکامن، س. انبار اوغلو، بی. گوکچ اوغلو، سی. Altan, O. مروری بر کاربردهای علوم شهروندی (CitSci) برای مدیریت بلایا. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2018 ، XLII-3/W4 ، 301–306. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. کوکامن، س. Gokceoglu، C. در مورد استفاده از CitSci و VGI در ارزیابی خطرات طبیعی. در مجموعه مقالات آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، جلد XLII-5، ISPRS TC V میان مدت سمپوزیوم «فناوری جغرافیایی—پیکسل برای مردم»، دهرادون، هند، 20 تا 23 نوامبر 2018. [ Google محقق ]
  5. آراپوستاتیس، اس جی. Lekkas، E. کالاابوکیدیس، ک. زانتوپولوس، جی. دراکاتوس، جی. اسپیرو، ن. Kalogeras, I. توسعه نقشه‌های شدت لرزه‌ای از داده‌های توییتر. مطالعه موردی زلزله لسبوس، یونان 2017: ارزیابی‌ها، بهبودها و غنی‌سازی‌های روش‌شناسی. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. Sci 2018 ، XLII-3/W4 ، 59-66. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. وانگ، آر کیو؛ مائو، اچ. وانگ، ی. رائه، سی. Shaw, W. نظارت با وضوح بیش از حد سیل شهری با رسانه های اجتماعی و داده های جمع سپاری. محاسبه کنید. Geosci. 2018 ، 111 ، 139-147. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. AFAD. Marmara Denizi Silivri Açıkları (İstanbul) Mw 5.8 Depremine İlişkin Ön Değerlendirme Raporu; 2019. گزارش فنی TC İçişleri Bakanliği Afet ve Acil Durum Yönetimi Başkanlığı، سپتامبر. در دسترس آنلاین: https://deprem.afad.gov.tr/downloadDocument?id=1822 (در 18 آوریل 2020 قابل دسترسی است).
  8. Goodchild، MF Citizens به عنوان حسگر: دنیای جغرافیای داوطلبانه. ژئوژورنال 2007 ، 69 ، 211-221. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. بروولی، MA; مینگینی، ام. Zamboni، G. مشارکت عمومی در GIS از طریق برنامه های کاربردی تلفن همراه. ISPRS J. Photogramm. Remote Sens. 2016 , 114 , 306–315. [ Google Scholar ] [ CrossRef ]
  10. ODK جمع آوری کنید. در دسترس آنلاین: https://docs.opendatakit.org/collect-intro/ (دسترسی در 6 نوامبر 2019).
  11. انکتو. در دسترس آنلاین: https://enketo.org/ (دسترسی در 6 نوامبر 2019).
  12. بوید، دی اس؛ جکسون، بی. واردلاو، جی. فودی، جنرال موتورز; مارش، اس. بیلز، ک. بردگی از فضا: نشان دادن نقش سنجش از راه دور ماهواره‌ای برای اطلاع از اقدامات مبتنی بر شواهد مربوط به SDG شماره 8 سازمان ملل متحد. ISPRS J. Photogramm. Remote Sens. 2018 , 142 , 380–388. [ Google Scholar ] [ CrossRef ]
  13. Zooniverse. در دسترس آنلاین: https://www.zooniverse.org/ (دسترسی در 6 نوامبر 2019).
  14. کوسکینن، جی. لینونن، یو. وولراث، ا. اورتمن، ا. لیندکویست، ای. d’Annunzio، R. پکارینن، ا. Käyhkö، N. نقشه‌برداری مشارکتی مزارع جنگلی با Open Foris و Google Earth Engine. ISPRS J. Photogramm. Remote Sens. 2019 ، 148 ، 63–74. [ Google Scholar ] [ CrossRef ]
  15. زمین را جمع کنید در دسترس آنلاین: https://www.openforis.org/tools/collect-earth.html (در 19 نوامبر 2019 قابل دسترسی است).
  16. Foris را باز کنید. در دسترس آنلاین: https://www.openforis.org/ (دسترسی در 19 نوامبر 2019).
  17. بی، ا. سانچز-پاوس دیاز، آ. مانیاتیس، دی. مارکی، جی. مولیکون، دی. ریچی، اس. باستین، J.-F. مور، آر. فدریچی، اس. Rezende, M. Collect Earth: ارزیابی کاربری و پوشش زمین از طریق تفسیر بصری تقویت شده. Remote Sens. 2016 , 8 , 807. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. هیکس، آ. بارکلی، جی. چیلورز، جی. آرمیجوس، ام تی. فر، K. سیمونز، پی. هاکلی، ام. نقشه برداری جهانی پروژه های علمی شهروندی برای کاهش خطر بلایا. جلو. علوم زمین 2019 ، 7 . [ Google Scholar ] [ CrossRef ]
  19. انجمن علوم شهروندی اروپا (ECSA). در دسترس آنلاین: https://ecsa.citizen-science.net/documents (در 20 نوامبر 2019 قابل دسترسی است).
  20. Citizensciencedrr (CSDRR). در دسترس آنلاین: https://citizensciencedrr.com/project-map/ (در 20 نوامبر 2019 قابل دسترسی است).
  21. لیانگ، W.-T. لی، جی.-سی. چن، KH; Hsiao، N.-C. علم زلزله شهروندی در تایوان: از علم تا کاهش خطر. J. Disaster Res. 2017 ، 12 ، 1174-1181. [ Google Scholar ] [ CrossRef ]
  22. اطلاعات علمی زلزله تایوان (TESIS). در دسترس آنلاین: https://tesis.earth.sinica.edu.tw/new/ (در 23 نوامبر 2019 قابل دسترسی است).
  23. آیا آن را احساس کردید (DYFI). در دسترس آنلاین: https://earthquake.usgs.gov/data/dyfi/ (در 23 نوامبر 2019 قابل دسترسی است).
  24. اوشهیدی. در دسترس آنلاین: https://www.ushahidi.com/ (دسترسی در 23 نوامبر 2019).
  25. کنگ، کیو. آلن، آر.ام. شرایر، ال. Kwon، Y.-W. MyShake: یک شبکه لرزه نگاری گوشی هوشمند برای هشدار اولیه زلزله و فراتر از آن. علمی Adv. 2016 ، 2 ، e1501055. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. MyShake. در دسترس آنلاین: https://myshake.berkeley.edu/ (دسترسی در 24 نوامبر 2019).
  27. کوکامن، س. Gokceoglu، C. یک برنامه CitSci برای جمع آوری داده های زمین لغزش. رانش زمین 2019 ، 16 ، 611-615 . [ Google Scholar ] [ CrossRef ]
  28. کن، ر. کوکامن، س. Gokceoglu، C. یک معماری شبکه عصبی کانولوشن برای تشخیص خودکار عکس‌های زمین لغزش برای ارزیابی علم شهروندی و کیفیت داده‌های اطلاعات جغرافیایی داوطلبانه. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 300. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  29. GeoCitSci. در دسترس آنلاین: https://www.geocitsci.com/ (دسترسی در 24 نوامبر 2019).
  30. eAfad. در دسترس آنلاین: https://play.google.com/store/apps/details?id=com.basarsoft.afaddeprem&hl=tr (در 9 فوریه 2020 قابل دسترسی است).
  31. اپلیکیشن موبایل AFAD-Earthquake. در دسترس آنلاین: https://www.afad.gov.tr/deprem-mobil-uygulamasi (در 9 فوریه 2020 قابل دسترسی است).
  32. Eravci, MB; یانیک، KG; ینیلمز، د. ve Fahjan, Y. Akıllı Telefonlar Aracılığı ile Deprem Sonrası Shiddet Tahmini. In Proceedings of the 2. Türkiye Deprem Mühendisliği ve Sismoloji Konferansı, Antakya, Turkey, 25–27 سپتامبر 2013. [ Google Scholar ]
  33. یالچین، آی آچیک کایناکلی وب تابانلی کوغرافی بیلگی سیستم Geliştirilmesi. پایان نامه کارشناسی ارشد، دانشگاه Hacettepe، دانشکده تحصیلات تکمیلی علوم و مهندسی، آنکارا، ترکیه، می 2018; 112p. در دسترس آنلاین: https://openaccess.hacettepe.edu.tr:8080/xmlui/bitstream/handle/11655/4893/10194429.pdf?sequence=1&isAllowed=y (در 10 مارس 2020 قابل دسترسی است).
  34. یالچین، آی. Kocaman, S. Açık Kaynaklı Web Tabanlı Coğrafi Bilgi Sistemi Geliştirilmesi. در مجموعه مقالات هفتم. Uzaktan Algılama ve CBS Sempozyumu Uzal-CBS 2018، Eskisehir، ترکیه، 18–21 سپتامبر 2018. [ Google Scholar ]
  35. چوب، HO; مقیاس شدت مرکالی اصلاح شده نویمان، F. 1931. بول. سیسمول. Soc. صبح. 1931 ، 21 ، 277-283. [ Google Scholar ]
  36. مقیاس شدت مرکالی اصلاح شده. در دسترس آنلاین: https://www.usgs.gov/natural-hazards/earthquake-hazards/science/modified-mercalli-intensity-scale?qt-science_center_objects=0#qt-science_center_objects (در 29 دسامبر 2019 قابل دسترسی است).
  37. PostGIS. در دسترس آنلاین: https://www.postgis.net/ (دسترسی در 24 نوامبر 2019).
  38. Sarsıntıyı Hissettim. در دسترس آنلاین: https://play.google.com/store/apps/details?id=com.ilyas.asus.postgresqlsample2&gl=TR (در 24 نوامبر 2019 قابل دسترسی است).
  39. گورا، تی. علم شهروندی: کارشناسان آماتور. طبیعت 2013 ، 496 ، 259-261. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  40. اویانا، تی جی؛ Margai، F. تجزیه و تحلیل فضایی: آمار، تجسم، و روش های محاسباتی . CRC Press: Boca Raton، FL، USA، 2015; پ. 305. شابک 978-1498707633. [ Google Scholar ]
  41. Krige, DG یک ​​رویکرد آماری به برخی از مشکلات اساسی ارزیابی معدن در Witwatersrand. JS Afr. Inst. حداقل فلزی. 1951 ، 52 ، 119-139. [ Google Scholar ]
  42. Matheron, G. اصول زمین آمار. اقتصاد جئول 1963 ، 58 ، 1246-1266. [ Google Scholar ] [ CrossRef ]
  43. Goovaerts, P. Geostatistics for Natural Resources Evaluation ; انتشارات دانشگاه آکسفورد: نیویورک، نیویورک، ایالات متحده آمریکا، 1997; 416p, ISBN 0-9-511538-4. [ Google Scholar ]
  44. اوسالیوان، دی. Unwin, D. تجزیه و تحلیل اطلاعات جغرافیایی ; جان وایلی و پسران: نیوجرسی، نیویورک، ایالات متحده آمریکا، 2014. پ. 406. ISBN 9780470288573. [ Google Scholar ]
  45. کارلی، KM; مالک، م. Landwehr، PM; پففر، جی. کوالچاک، ام. مدیریت بلایا منابع جمعی: ماهیت پیچیده استفاده از توییتر در پادانگ اندونزی. Saf. علمی 2016 ، 90 ، 48-61. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  46. جونگمن، بی. Wagemaker، J.; رومرو، BR; De Perez، EC تشخیص زودهنگام سیل برای واکنش سریع بشردوستانه: مهار سیگنال های ماهواره ای و توییتر در زمان واقعی. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 2246-2266. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. آلوارز، دی. هورتادو، جی. Bedoya-Ruíz، DA پیش بینی شدت مرکالی اصلاح شده از PGA، PGV، بزرگی گشتاور و فاصله کانونی با استفاده از چندین الگوریتم آماری غیرخطی. ج. لرزه. 2012 ، 16 ، 489-511. [ Google Scholar ] [ CrossRef ]
  48. والد، دی جی؛ کیتوریانو، وی. هیتون، TH; کاناموری، اچ. روابط بین اوج شتاب زمین، اوج سرعت زمین، و شدت مرکالی اصلاح شده در کالیفرنیا. زمین Spectra 1999 , 15 , 557-564. [ Google Scholar ] [ CrossRef ]
  49. اتکینسون، جنرال موتورز؛ کاکا، SI روابط بین شدت احساس شده و حرکت ابزاری زمین در مرکز ایالات متحده و کالیفرنیا. گاو نر زلزله. Soc. صبح. 2007 ، 97 ، 497-510. [ Google Scholar ] [ CrossRef ]
  50. اتکینسون، جنرال موتورز؛ سونلی، E. روابط تجربی بین شدت مرکالی اصلاح شده و طیف پاسخ. گاو نر زلزله. Soc. صبح. 2000 ، 90 ، 537-544. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00266 g001 550
شکل 1. ( الف ) رابط برنامه “من زلزله را احساس کردم”. ( ب ) یک اسکرین شات از رابط «انتخاب مکان».
Ijgi 09 00266 g002 550
شکل 2. طراحی معماری سیستم برنامه.
Ijgi 09 00266 g003 550
شکل 3. نقشه شدت زلزله AFAD تولید شده پس از زلزله استانبول (Mw = 5.8) [ 7 ].
Ijgi 09 00266 g004 550
شکل 4. نقاط داده جمع آوری شده در مطالعه و نقشه ایزو شدت AFAD. نماهای زوم شده اضافی برای چهار قسمت فرعی.
Ijgi 09 00266 g005 550
شکل 5. آسیب های ستون ساختمانی که باید تخریب شود. عکس ها به درخواست نویسندگان توسط شرکت کننده در مطالعه ارائه شد. مقدار شدت ارائه شده توسط شرکت کننده “قوی” بود.
Ijgi 09 00266 g006 550
شکل 6. تصویر ارسال شده توسط کاربر پس از زلزله. مقدار شدت ارائه شده توسط شرکت کننده “بسیار قوی” بود.
Ijgi 09 00266 g007 550
شکل 7. نقشه درونیابی تولید شده از داده های جمع آوری شده در مطالعه با استفاده از روش کریجینگ معمولی.
Ijgi 09 00266 g008 550
شکل 8. واریوگرام تولید شده از داده های جمع آوری شده در مطالعه.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید