شهرنشینی سریع در کشورهای در حال توسعه در دو دهه اخیر به ویژه در مناطق آسیایی و آفریقایی نسبتاً بالا بوده است. اگرچه بسیاری از محققان برای بهبود درک روند شهرنشینی شهرهای مختلف در آسیا و آفریقا تلاش کرده‌اند، فقدان بسترهایی که در آن ذینفعان محلی بتوانند داده‌های شهرنشینی پردازش شده را برای نیازها یا تحلیل‌های خاص خود تجسم و به دست آورند، هنوز یک شکاف باقی مانده است. در این مقاله، ما یک پلت فرم GIS مبتنی بر اینترنت به نام MEGA-WEB را ارائه می کنیم. این پلتفرم با توجه به چالش های برنامه ریزی شهری و مدیریت در کشورهای در حال توسعه آسیا و آفریقا به دلیل در دسترس بودن محدود منابع داده، ابزارهای موثر و مهارت در تجزیه و تحلیل داده ها توسعه یافته است. MEGA-WEB دسترسی آنلاین، تجسم، تجزیه و تحلیل فضایی، و خدمات به اشتراک گذاری داده به دنبال یک چارچوب ترکیبی از خدمات وب MEGA-WEB Geo Web (GWS)، با خدمات نقشه شخص ثالث با استفاده از تکنیک های HTML5/JavaScript. از طریق ادغام GIS، سنجش از دور، مدل‌سازی جغرافیایی و GIS اینترنتی، چندین شاخص برای تجزیه و تحلیل شهرنشینی در MEGA-WEB ارائه می‌شود تا دیدگاه‌های متنوعی در مورد شهرنشینی نه تنها وضعیت فیزیکی سطح زمین، بلکه همچنین روابط جمعیت ارائه شود. ، مصرف انرژی و محیط زیست. طراحی، معماری، توابع سیستم و استفاده از MEGA-WEB در این مقاله مورد بحث قرار گرفته است. پروژه MEGA-WEB با هدف کمک به توسعه شهری پایدار در کشورهای در حال توسعه آسیا و آفریقا است. با خدمات نقشه شخص ثالث با استفاده از تکنیک های HTML5/JavaScript. از طریق ادغام GIS، سنجش از دور، مدل‌سازی جغرافیایی و GIS اینترنتی، چندین شاخص برای تجزیه و تحلیل شهرنشینی در MEGA-WEB ارائه می‌شود تا دیدگاه‌های متنوعی در مورد شهرنشینی نه تنها وضعیت فیزیکی سطح زمین، بلکه همچنین روابط جمعیت ارائه شود. ، مصرف انرژی و محیط زیست. طراحی، معماری، توابع سیستم و استفاده از MEGA-WEB در این مقاله مورد بحث قرار گرفته است. پروژه MEGA-WEB با هدف کمک به توسعه شهری پایدار در کشورهای در حال توسعه آسیا و آفریقا است. با خدمات نقشه شخص ثالث با استفاده از تکنیک های HTML5/JavaScript. از طریق ادغام GIS، سنجش از دور، مدل‌سازی جغرافیایی و GIS اینترنتی، چندین شاخص برای تجزیه و تحلیل شهرنشینی در MEGA-WEB ارائه می‌شود تا دیدگاه‌های متنوعی در مورد شهرنشینی نه تنها وضعیت فیزیکی سطح زمین، بلکه همچنین روابط جمعیت ارائه شود. ، مصرف انرژی و محیط زیست. طراحی، معماری، توابع سیستم و استفاده از MEGA-WEB در این مقاله مورد بحث قرار گرفته است. پروژه MEGA-WEB با هدف کمک به توسعه شهری پایدار در کشورهای در حال توسعه آسیا و آفریقا است. چندین شاخص برای تجزیه و تحلیل شهرنشینی در MEGA-WEB ارائه شده است تا دیدگاه های متنوعی را در مورد شهرنشینی نه تنها وضعیت فیزیکی سطح زمین، بلکه همچنین روابط جمعیت، مصرف انرژی و محیط زیست ارائه دهد. طراحی، معماری، توابع سیستم و استفاده از MEGA-WEB در این مقاله مورد بحث قرار گرفته است. پروژه MEGA-WEB با هدف کمک به توسعه شهری پایدار در کشورهای در حال توسعه آسیا و آفریقا است. چندین شاخص برای تجزیه و تحلیل شهرنشینی در MEGA-WEB ارائه شده است تا دیدگاه های متنوعی را در مورد شهرنشینی نه تنها وضعیت فیزیکی سطح زمین، بلکه همچنین روابط جمعیت، مصرف انرژی و محیط زیست ارائه دهد. طراحی، معماری، توابع سیستم و استفاده از MEGA-WEB در این مقاله مورد بحث قرار گرفته است. پروژه MEGA-WEB با هدف کمک به توسعه شهری پایدار در کشورهای در حال توسعه آسیا و آفریقا است.
کلید واژه ها: 

آفریقا ؛ آسیا ؛ به اشتراک گذاری داده ها ؛ اینترنت GIS ; پایگاه جغرافیایی ; چارچوب mashup ; مگا وب ; تحلیل فضایی ; شهرنشینی ; تجسم

1. انگیزه و کارهای مرتبط

اگرچه شهرنشینی عموماً یکی از موضوعات مورد توجه کشورهای توسعه یافته بوده است، اما پیشرفت های فناوری، جهانی شدن، تکامل سیستم های حمل و نقل و رشد سریع جمعیت شهرنشینی را به یک موضوع جهانی تبدیل کرده است [ 1 ]. با وجود مزایای شهرنشینی (به عنوان مثال، رشد اقتصادی)، این یک تهدید بالقوه برای توسعه شهری بدون برنامه ریزی پایدار است، و می تواند به ثبات سیستم اجتماعی موجود آسیب برساند و در برخی موقعیت های شدید هرج و مرج ایجاد کند [ 2 ]. چالش‌های شهرنشینی در کشورهای در حال توسعه به دلیل محدودیت بودجه، عدم وجود فناوری‌های مناسب و تعداد محدود متخصص که توسعه پایدار شهری آینده را دشوار می‌کند، حتی مشکل‌سازتر است [ 3 ].
شهرهای نخستی در کشورهای در حال توسعه مناطق آسیایی و آفریقایی مسلماً در دو دهه اخیر سریعترین شهرنشینی را داشته اند [ 2 ]. به همین دلیل است که بسیاری از محققان بر روی الگوهای شهرنشینی در کشورهای در حال توسعه آسیا و آفریقا تمرکز کرده اند (به عنوان مثال، [ 4 , 5 , 6 , 7 , 8 , 9]). اگرچه این محققان تلاش هایی را برای بهبود درک روند شهرنشینی شهرهای مختلف در کشورهای آسیایی و آفریقایی انجام داده اند، اما فقدان بسترهایی که در آن ذینفعان محلی (مثلاً برنامه ریزان و سیاست گذاران) بتوانند داده های پردازش شده قبلی را برای نیازهای خاص خود تجسم و به دست آورند. تجزیه و تحلیل، هنوز یک شکاف باقی مانده است.
از سوی دیگر، GIS مبتنی بر اینترنت به طور گسترده ای در سازمان های دولتی و خصوصی به عنوان یک ابزار اساسی برای ذخیره سازی و توزیع داده ها به مخاطبان هدف شناخته شده است [ 10 ]. طبق [ 11]، اینترنت GIS به یک ابزار GIS شبکه محور اطلاق می شود که از اینترنت به عنوان ابزار اصلی برای دسترسی به داده های توزیع شده و سایر اطلاعات، انتشار اطلاعات مکانی و انجام تجزیه و تحلیل GIS استفاده می کند. توسعه پلتفرم‌هایی که GIS مبتنی بر اینترنت را ادغام می‌کنند در دو دهه گذشته افزایش یافته است. بسیاری از پروژه‌ها تلاش کرده‌اند از پلت‌فرم‌های GIS مبتنی بر اینترنت برای کمک به مخاطبان هدف خود (به عنوان مثال، کاربران عمومی، تصمیم‌گیرندگان، جوامع محلی، دولت‌ها و محققان) برای غلبه بر چالش‌های دسترسی محدود به منابع داده و ابزارهای تحلیل مؤثر استفاده کنند. به عنوان مثال، پلتفرم‌های مختلفی در زمینه‌های مدیریت و حفاظت از منابع طبیعی، مانند افزایش مشارکت عمومی در برنامه‌ریزی مزارع بادی [ 12 ]، حفاظت از ایسلند [12] توسعه یافته است.13 ، مدیریت داده های جانوران، گیاهان و منظر گیاهی [ 14 ] و حفاظت مدنی و مدیریت اضطراری [ 15 ]. سایر پلتفرم ها بر روی پشتیبانی تصمیم گیری متمرکز هستند. به عنوان مثال می توان به پایداری محیطی [ 16 ] و مخاطرات طبیعی و مدیریت ریسک [ 17 ، 18 ] اشاره کرد. با این حال، تعداد کمی از پلتفرم‌های GIS مبتنی بر اینترنت (به عنوان مثال، رصدخانه شهری، https://www.urbanobservatory.org/ ) که بر شهرنشینی در کشورهای در حال توسعه در آسیا و آفریقا متمرکز شده‌اند، وجود دارد. علاوه بر این، بیشتر پلتفرم‌ها باز نیستند و پایگاه‌های اطلاعاتی آن‌ها به‌طور رایگان در دسترس عموم نیست.
بنابراین، در این مقاله، ما یک پلت فرم GIS مبتنی بر اینترنت باز به نام MEGA-WEB برای به اشتراک گذاری داده ها، تجسم و تجزیه و تحلیل فضایی شهرنشینی در 42 شهر بزرگ آسیایی و آفریقایی ارائه می کنیم. پروژه MEGA-WEB با هدف کمک به توسعه شهری پایدار در کشورهای در حال توسعه آسیا و آفریقا است. این پلت فرم یک پایگاه جغرافیایی از شاخص ها برای تجزیه و تحلیل شهرنشینی از طریق شرایط فیزیکی سطح زمین و روابط آنها با جمعیت، مصرف انرژی و محیط زیست ارائه می دهد. مخاطبان هدف، اما نه محدود به برنامه ریزان شهری، تصمیم گیرندگان، جوامع محلی، دولت ها و محققان هستند.
برای ارائه MEGA-WEB، مقاله به شرح زیر سازماندهی شده است. اول، ما توسعه فناوری GIS مبتنی بر اینترنت را مورد بحث قرار می‌دهیم، به عنوان مثال، پیشرفت از سیستم‌های GIS اصلی به سرویس‌های GIS توزیع‌شده. در مرحله دوم، ما طراحی سیستم، از جمله معماری، ایجاد پایگاه جغرافیایی، و پیاده سازی سیستم را ارائه می دهیم. سپس (سوم) عملکردهای سیستم و استفاده را برای کاربران بالقوه ارائه می کنیم تا بفهمند چگونه می توانند از MEGA-WEB استفاده کنند. ما همچنین (چهارمین) سهم علمی و محدودیت های پلت فرم MEGA-WEB را مورد بحث قرار می دهیم. ما مقاله را با بحث در مورد کارهای احتمالی آینده به پایان می بریم.

2. فناوری GIS: سیستم های GIS اصلی به سرویس های GIS توزیع شده

با توسعه قابلیت محاسباتی، دستگاه های تلفن همراه و فناوری اینترنت، روش و حامل برای محاسبات GIS از سیستم های GIS سنتی و رومیزی (مستقل) به سرویس های GIS مبتنی بر اینترنت (توزیع شده) در نیم قرن گذشته پیشرفت کرده است. [ 10 ، 19 ]. توسعه تاریخی فناوری GIS همراه با تکامل اینترنت نه تنها روش‌های جمع‌آوری داده‌ها را بهبود بخشیده است، بلکه حامل‌های ژئوپردازش را نیز بهبود بخشیده است [ 20 ]. یکی از پیشرفت‌های اخیر در فناوری GIS مبتنی بر اینترنت، استفاده از پلتفرم‌های رایانش ابری است. پلتفرم‌های رایانش ابری توابع پردازش جغرافیایی را ارائه می‌کنند که می‌تواند خدمات پردازش جغرافیایی مقیاس‌پذیر، بر اساس تقاضا و مقرون‌به‌صرفه را برای کاربران فضایی فراهم کند.21 ]. علی‌رغم قدرت و قابلیت گسترش بی‌تردید تحلیل فضایی در سیستم‌های GIS مرکزی و رومیزی، بسیاری از نرم‌افزارهای GIS سنتی هنوز تا حد زیادی وابسته به پلتفرم هستند زیرا معمولاً به زبان‌های برنامه‌نویسی نوشته می‌شوند که باید بین سیستم‌عامل‌های مختلف دوباره کامپایل شوند [ 22 ]. با توجه به کاهش هزینه ذخیره سازی و انتقال داده ها در اینترنت، به علاوه افزایش توانایی محاسباتی در سرویس های GIS مبتنی بر ابر، افراد بیشتری به جای تجزیه و تحلیل دسکتاپ سنتی، از پردازش جغرافیایی مبتنی بر ابر استفاده می کنند.
برای درک دگرگونی تاریخی فناوری GIS، فرآیند مفهومی تکامل GIS را می‌توان نشان داد، همانطور که در شکل 1 نشان داده شده است. فرآیند تکامل در GIS حداقل چهار مرحله تبدیل را پشت سر گذاشته است که می‌توان آن را به سه فرآیند فرعی (یعنی جمع‌آوری داده‌ها، پردازش جغرافیایی و اشتراک داده) از کل فرآیند تحلیل فضایی انتزاع کرد. الگوی کل فرآیند تحلیل فضایی در هر مرحله تبدیل نیز در شکل 1 نشان داده شده است.
در مرحله آغازین (مرحله 1)، به دلیل محدودیت منابع محاسباتی و فناوری، هم جمع‌آوری داده‌ها و هم پردازش جغرافیایی فقط توسط یک مشتری محلی انجام می‌شد. با ظهور اینترنت، مردم می‌توانستند به انواع بیشتری از مجموعه داده‌ها از فضای ذخیره‌سازی ابری دسترسی داشته باشند تا رویکردهای خود را غنی کنند، اگرچه پردازش جغرافیایی هنوز به مشتریان محلی محدود می‌شد (مرحله 2). دو مرحله اول سیستم های GIS معمولی مین فریم و دسکتاپ (مستقل) را نشان می دهد. مرحله سوم (مرحله 3)، که نشان دهنده سرویس های GIS توزیع شده امروزی است، از وب اینترنتی و خدمات تلفن همراه فعلی و همچنین دسترسی به داده های بزرگ ابری و قدرت پردازش جغرافیایی ابری بهره مند شده است. این به کاربران این امکان را می دهد که چارچوب GIS را بر اساس الگوهای دو مرحله قبلی (مرحله 1 و 2) بسازند [ 23]. با سرویس‌های GIS توزیع‌شده (یعنی مرحله 3)، همه می‌توانند به داده‌های عظیم جغرافیایی ابری آن‌طور که می‌خواهند دسترسی داشته باشند، و محاسبات ابری عظیم به کاربر این امکان را می‌دهد که پردازش جغرافیایی سنگین را سریع‌تر از هر مشتری محلی انجام دهد. علاوه بر این، در مرحله چهارم که به عنوان نسل بعدی نامیده می شود، تمام پردازش های جغرافیایی به پردازش مبتنی بر ابر منتقل شده است. یک مثال خوب از یک پلت فرم رایانش ابری که الگوی نسل بعدی را اعمال می کند، موتور Google Earth است ( https://earthengine.google.com/) که برای پردازش تصاویر ماهواره ای شطرنجی عظیم توسط Google Inc (Mountain View, CA, USA) استفاده می شود. پلتفرم MEGA-WEB ارائه شده در این مقاله از راه حل الگوی mashup (مرحله 3)، استفاده از پردازش جغرافیایی محلی و ابری برای ایجاد سرویس های GIS استفاده می کند. جزئیات معماری سیستم MEGA-WEB در بخش زیر توضیح داده شده است.

3. طراحی سیستم

3.1. مروری بر معماری سیستم MEGA-WEB

پلتفرم MEGA-WEB به دنبال یک روش نمونه سازی اولیه برای ترکیب خدمات وب MEGA-WEB Geo Web (GWS) با خدمات نقشه شخص ثالث با استفاده از تکنیک های HTML5/JavaScript طراحی و توسعه داده شد [ 22 ]. توسعه چنین فناوری‌های GWS و نقشه‌برداری وب یک گرایش اخیر در علوم زمین است. اکثر GWS های مدرن معماری سه لایه مشتری-سرور را برای پیاده سازی سیستم اتخاذ می کنند [ 19 ، 24 ، 25]، که شامل یک ردیف رابط کاربر، ردیف خدمات وب (WS) و ردیف سرور داده است. با این حال، بر خلاف معماری سنتی سه سطحی، پلتفرم‌هایی با پرس و جوی فضایی عظیم از یک لایه اضافی برای استخراج GWS از ردیف WS سنتی، به یک لایه GWS مستقل به عنوان معماری مشتری-سرور چهار سطحی استفاده می‌کنند [ 13 ].
شکل 2معماری مفهومی MEGA-WEB را نشان می دهد که بر روی یک سیستم پیاده سازی معماری چهار لایه ساخته شده است. اولین لایه رابط کاربری است که تجسم نتایج پردازش شده از اطلاعات مکانی و غیر مکانی را فراهم می کند. برخلاف سیستم‌های GIS رومیزی که وابسته به پلتفرم هستند، کاربر می‌تواند با HTTP/SOAP که یکی از مشخصات پروتکل برای تبادل اطلاعات ساختار یافته در پیاده‌سازی WS است، به GWS‌ها در یک محیط چند پلتفرمی دسترسی داشته باشد. سایر سیستم‌های GIS مدرن نیز از معماری‌های موجود برای ارائه خدمات وب استفاده می‌کنند، به عنوان مثال، انتقال وضعیت نمایش (REST) ​​و نشانه‌گذاری شی جاوا اسکریپت (JSON). لایه دوم WS است که به عنوان یک پل ارتباطی بین مشتریان و سرور geoweb عمل می کند. سرور geoweb به عنوان دروازه GWS ها عمل می کند و به عنوان سطح نهایی برای تجسم و رندر نقشه عمل می کند. MEGA-WEB از HTML5/JavaScript استفاده می‌کند که به کاربران امکان می‌دهد بدون بازگشت به سرور، نتایج درخواست شده را دریافت کنند. این باعث می شود که فرآیند ارتباط سریعتر از مدل های سنتی مشتری-سرور باشد. زمان راه اندازی و انتقال داده ها در مدل سنتی سرویس گیرنده-سرور معمولا طولانی تر است. تکنیک دیگر، تکنیک Rich Internet Application (RIA) است. با این حال، برای استفاده از RIA، مشتریان نیاز به نصب یک افزونه خارجی دارند. این مورد از کلاینت هایی که از HTML5/JavaScript استفاده می کنند لازم نیست. با توجه به دسته های خدمات رندر، همانطور که توسط [ این باعث می شود که فرآیند ارتباط سریعتر از مدل های سنتی مشتری-سرور باشد. زمان راه اندازی و انتقال داده ها در مدل سنتی سرویس گیرنده-سرور معمولا طولانی تر است. تکنیک دیگر، تکنیک Rich Internet Application (RIA) است. با این حال، برای استفاده از RIA، مشتریان نیاز به نصب یک افزونه خارجی دارند. این مورد از کلاینت هایی که از HTML5/JavaScript استفاده می کنند لازم نیست. با توجه به دسته های خدمات رندر، همانطور که توسط [ این باعث می شود که فرآیند ارتباط سریعتر از مدل های سنتی مشتری-سرور باشد. زمان راه اندازی و انتقال داده ها در مدل سنتی سرویس گیرنده-سرور معمولا طولانی تر است. تکنیک دیگر، تکنیک Rich Internet Application (RIA) است. با این حال، برای استفاده از RIA، مشتریان نیاز به نصب یک افزونه خارجی دارند. این مورد از کلاینت هایی که از HTML5/JavaScript استفاده می کنند لازم نیست. با توجه به دسته های خدمات رندر، همانطور که توسط [26 ]، بر اساس وزن اجزاء، سه نوع معماری وجود دارد. MEGA-WEB نوع “ضخیم” است که عملکرد رندر سمت مشتری قوی دارد. سومین لایه، لایه GWS است که در آن ماژول های تحلیل فضایی انجام شده و پوشش داده می شود. MEGA-WEB از یک چارچوب ترکیبی [ 25 ] برای ادغام خدمات نقشه شخص ثالث با GWS اصلی MEGA-WEB (شامل پایگاه داده ابری) استفاده می کند. با این حال، برخی از کتابخانه های خدمات نقشه شخص ثالث با توجه به پایداری، توسعه پذیری و انواع خدمات پشتیبانی شده، متوقف می شوند [ 22 ]. MEGA-WEB از GWS Google Maps ( https://developers.google.com/maps/ ) به عنوان WS شخص ثالث استفاده می کند. همچنین از اجزای Apache HTTP Server ( https://httpd.apache.org/) به عنوان یک سرویس رایگان و متن باز (FOSS). در نهایت، لایه چهارم که ردیف سرور داده است، شامل سرورهای پایگاه داده مکانی و غیرمکانی است. برای پایگاه داده فضایی، دو نوع مدل داده های مکانی ذخیره می شود. مدل های داده های شطرنجی و برداری MEGA-WEB پایگاه جغرافیایی را می سازد که شامل داده های مکانی و غیر مکانی پردازش شده است.

3.2. منتخب شهرهای بزرگ آسیایی و آفریقایی

برای ایجاد پلت فرم MEGA-WEB GIS برای تجسم و به اشتراک گذاری داده ها، 42 شهر بزرگ آسیایی و آفریقایی که شهرنشینی سریع را تجربه می کردند انتخاب شدند. شهرهای بزرگ در کشورهای آسیایی و آفریقایی به دلیل تمرکز غالب جمعیت و فعالیت‌های صنعتی و اقتصادی دارای نرخ نسبتاً بالایی از شهرنشینی گزارش شده‌اند [ 2 ]. جدول 1 شهرهای بزرگ آسیا و آفریقا را برای پلت فرم MEGA-WEB GIS نشان می دهد.

3.3. ایجاد پایگاه جغرافیایی MEGA-WEB

پایگاه جغرافیایی MEGA-WEB بر اساس پیش فرض تجسم، تجزیه و تحلیل و به اشتراک گذاری داده ها از شاخص های علمی اثبات شده روند شهرنشینی در ادبیات ایجاد شده است. شاخص ها شامل؛ کاربری/پوشش زمین شهری (LUC) و تغییرات LUC (LUCC)، توزیع جمعیت (POP)، دمای سطح زمین (LST)، شدت مصرف انرژی (ECI)، و LUC پیش‌بینی‌شده در آینده. چندین محقق در ادبیات اهمیت نقشه برداری و کمی سازی LUCC شهری در طول زمان برای تجسم و درک فرآیند شهرنشینی را برجسته کرده اند (به عنوان مثال، [ 27 , 28 , 29 , 30 , 31 , 32]). رشد جمعیت همچنین به عنوان یکی از شاخص‌های کلیدی شهرنشینی در شهرهای بزرگ آسیایی و آفریقایی شناخته می‌شود [ 2 ]، در حالی که LST یکی از شاخص‌های کلیدی تأثیرات شهرنشینی سریع بر محیط‌زیست و جمعیت است، به دلیل شهرنشینی. اثر جزیره گرمایی (UHI) [ 33 ]. از سوی دیگر، توزیع شهرنشینی به شدت و به طور نسبی بر مصرف انرژی شهرهای مختلف تأثیر می گذارد [ 34 ].
بنابراین، شاخص‌ها (بالا)، دیدگاه‌های متنوعی را در مورد شهرنشینی نه تنها وضعیت فیزیکی سطح زمین، بلکه همچنین روابط جمعیت، مصرف انرژی و محیط با فرآیند شهرنشینی ارائه می‌دهند. شکل 3 روند ایجاد پایگاه جغرافیایی MEGA-WEB را نشان می دهد. کل فرآیند شامل سه مرحله اصلی است: (الف) اکتساب داده. ب) ژئوپردازش؛ و (ج) تبدیل داده ها.

3.3.1. اکتساب داده ها

چندین منبع داده برای به دست آوردن داده های برداری و شطرنجی برای نقشه برداری و تعیین کمیت شهری LUC، LUCC، POP، LST، ECI، و پیش بینی LUC آینده در تمام 42 شهر بزرگ آسیایی و آفریقایی انتخاب شده استفاده شد. داده‌های برداری عمدتاً شامل مرزهای اداری شهری و شبکه‌های جاده‌ای به‌دست‌آمده از وب‌سایت DIVA-GIS ( https://diva-gis.org/Data ) است که استانداردهای یکسان داده‌های مکانی رایگان را برای کل جهان ارائه می‌کند. داده های شطرنجی مختلف جمع آوری شده و منابع آنها در شکل 3 الف نشان داده شده و در جدول 2 توضیح داده شده است.
3.3.2. ژئوپردازش
داده‌های به‌دست‌آمده برای ایجاد پایگاه جغرافیایی MEGA-WEB با استفاده از دو روش پردازش جغرافیایی انجام شد: ژئوپردازش دسته‌ای خودکار و ژئوپردازش نیمه خودکار مبتنی بر تخصصی. این دو رویه برای کاهش پیچیدگی و الزامات برای تلاش دستی فردی برای پردازش جغرافیایی کارآمد و مدیریت پایگاه جغرافیایی عظیم MEGA-WEB و در نتیجه کاهش پتانسیل خطا اتخاذ شدند. برای اعمال ژئوپردازش دسته ای خودکار، از زبان برنامه نویسی پایتون برای ساخت ابزارهای پردازش دسته ای خودکار بر اساس رابط برنامه کاربردی ESRI ArcGIS Python (API) (رنگ پس زمینه زرد در شکل 3) استفاده شد.). از این ابزارها برای پردازش خودکار شاخص‌های شهرهای مربوطه به صورت دسته‌ای استفاده شد. شایان ذکر است که پردازش جغرافیایی داده های به دست آمده برای تولید شاخص های شهرنشینی انتخاب شده (یعنی LUC، LUCC، POP، LST و ECI در گذشته، حال و آینده) برای پلت فرم MEGA-WEB توسط متخصصان مختلف GIS و راه دور انجام شده است. تکنیک های سنجش برای دستیابی به دقت قابل قبول در محصولات. پردازش جغرافیایی نیمه خودکار مبتنی بر تخصصی ( شکل 3 ب) شامل رویه های زیر است.

طبقه بندی LUC

به منظور نقشه برداری LUC، هشت دسته LUC در نظر گرفته شد: متراکم شهری، پراکنده شهری، جنگل، زمین زراعی، علفزار، زمین بایر، آب و زمین های دیگر. طبقه دیگر زمین شامل ابر، سایه و برف بود. سپس یک واحد تجزیه و تحلیل مشترک به عنوان مثال، یک زیر مجموعه 100 کیلومتر × 100 کیلومتر از هر شهر به منظور سازگاری و مقایسه انتخاب شد. پس از آن، با استفاده از داده های Landsat، مساحت هر شهر به 100 کیلومتر × 100 کیلومتر بریده شد، پردازش شد و به هشت کلاس LUC ارائه شده در بالا طبقه بندی شد. روش طبقه‌بندی نظارت شده حداکثر درستنمایی مبتنی بر پیکسل در ArcGIS (نسخه 4.0، ESRI، Redlands، CA، ایالات متحده آمریکا) برای طبقه‌بندی هر شهر استفاده شد. در نهایت نقشه های LUC برای دو نقطه زمانی (یعنی 2 ± 2000 و 2 ± 2014) برای هر شهر تولید شد. جزئیات روش های طبقه بندی LUC مورد استفاده برای این پروژه را می توان در [35 ] و در پلتفرم MEGA-WEB به صورت آنلاین.

مدل‌سازی جغرافیایی LUC و پیش‌بینی آینده

ادبیات زیر اهمیت مدل‌سازی جغرافیایی LUC و پیش‌بینی آینده را برای طیف گسترده‌ای از ذینفعان از جمله دانشمندان، برنامه‌ریزان شهری، سیاست‌گذاران و تصمیم‌گیران مختلف دیگر نشان می‌دهد [ 36 ، 37 ، 38 ، 39 ]. برای این پروژه، مدل‌ساز تغییر زمین (LCM) در نرم‌افزار مانیتورینگ و مدل‌سازی جغرافیایی TerrSet ( https://clarklabs.org/download/ ) ارائه شده است.) برای اعمال روش مدل‌سازی مارکوف MLP-ANN برای مدل‌سازی و پیش‌بینی LUC آینده برای هر شهر استفاده شد. روش مدل‌سازی مارکوف MLP-ANN در LCM عمدتاً از دو فرآیند استفاده می‌کند: (1) نگاشت پتانسیل انتقال یعنی پتانسیل انتقال هر LUC برای تغییر به دیگری (مثلاً جنگل به ساخته شده). و (2) پیش‌بینی تغییر (یعنی تخصیص فضایی مقادیر پیش‌بینی‌شده تغییرات LUC با استفاده از انتقال‌های مدل‌سازی شده) [ 38 ، 39]. در این پروژه از مدل MLP-ANN برای ایجاد نقشه‌های پتانسیل انتقال با استفاده از نقشه‌های LUC (یعنی 2 ± 2000 و 2 ± 2014) و متغیرهای توضیحی انتخاب شده استفاده شد. متغیرهای توضیحی عبارتند از: فاصله تا هر یک از کلاس‌های LUC (ساخت‌شده، جنگل، زمین‌های زراعی، علفزار، زمین‌های بایر و آب). فاصله تا جاده ها؛ فاصله تا مرکز شهر؛ و همچنین نقشه های DEM و شیب هر شهر. بر اساس نقشه‌های پتانسیل انتقال، مقدار تغییرات LUC برای سال‌های 2030 و 2050 با استفاده از مدل مارکوف پیش‌بینی شد. سپس، مدل مارکوف بیشتر برای تخصیص فضایی مقادیر پیش‌بینی‌شده تغییرات LUC با استفاده از انتقال‌های مدل‌سازی شده مورد استفاده قرار گرفت. در نهایت، دو نقشه LUC پیش‌بینی‌شده برای سال‌های 2030 و 2050 برای هر شهر تولید شد.

محاسبه و نقشه برداری LST

شهرها توانایی اصلاح محیط حرارتی خود را دارند و مهمترین تغییر ایجاد پدیده جزایر گرمایی شهری در طول شهرنشینی است [ 40 ]. سودمندی داده های ماهواره ای سنجش از دور در مطالعه اثر جزیره گرمایی شهری از طریق بررسی روابط بین الگوهای منظر شهری و LST در بسیاری از مطالعات محیطی شهری ثابت شده است [ 33 ، 41 ، 42 ، 43 ، 44 ]. روشی که توسط [ 42] ضمن استناد به منابع مختلف دیگر برای بازیابی LST از مجموعه داده های Landsat برای هر شهر استفاده شد. این روش شامل سه مرحله اصلی بود: (1) تبدیل مقادیر عدد دیجیتال (DN) باندهای حرارتی (باند 6 در Landsat TM و ETM+، و باندهای 10 و 11 در Landsat OLI/TIRS) به مقادیر تابشی مطلق. (2) تبدیل مقادیر درخشندگی به دمای روشنایی ماهواره (یعنی دمای بدن سیاه). و (3) تبدیل دمای روشنایی ماهواره به LST. در نهایت دو نقشه LST برای سال های 2±2000 و 2±2014 برای هر شهر تهیه شد.

نقشه توزیع ECI

به منظور نشان دادن مصرف انرژی توزیع فضایی در هر شهر، از میانگین سالانه نورهای مرئی، پایدار و پوشش‌های بدون ابر داده‌های تصویر ماهواره‌ای شبانه DMSP-OLS برای تولید نقشه‌های توزیع ECI استفاده شد. از آنجایی که مجموعه داده در مقیاس جهانی ارائه شد، برش، نمونه‌برداری مجدد و طرح‌ریزی به سیستم‌های مختصات مربوطه برای هر شهر انجام شد. پس از آن، DN برای هر پیکسل که نشان دهنده واحد فرکانس نور در هر پیکسل است، سپس با استفاده از نسبت شدت از 100 (یعنی به عنوان کسری از 100) برای نمایش توزیع ECI در واحد درصد تبدیل شد. دو نقشه توزیع ECI برای سال های 2000 و 2013 برای هر شهر تهیه شد.

نقشه های توزیع POP

مجموعه داده های جمعیت LandScan ( https://web.ornl.gov/sci/landscan/ ) برای تهیه نقشه های توزیع POP برای هر شهر استفاده شد. LandScan یک پایگاه داده جمعیت جهانی است که توسط آزمایشگاه ملی Oak Ridge (ORNL) توسعه یافته است و توزیع جمعیت محیطی در سراسر جهان (به طور متوسط ​​بیش از 24 ساعت) را با وضوح خوب تقریباً 1 کیلومتر نشان می دهد [ 45 ]. فرآیند دسته‌ای خودکار برای استخراج هر منطقه شهر از نقشه مقیاس جهانی برای هر شهر اعمال شد. دو نقشه توزیع POP (2000 و 2013) برای هر شهر ساخته شد.
3.3.3. تبدیل داده ها
پلت فرم MEGA-WEB GIS بر اساس مدل معماری GWS mashup ( بخش 3.1 بالا)، با هدف در دسترس قرار دادن داده های پردازش شده جغرافیایی به صورت آنلاین برای تجسم و دانلود توسعه داده شد. برای اینکه داده ها به صورت آنلاین قابل دسترسی و دانلود باشند، MEGA-WEB GWS باید با قالب های داده استاندارد باز GWS شخص ثالث برای نمایش ویژگی های جغرافیایی، مانند Keyhole Markup Language (KML) و GeoJSON متصل شود. KML، Zipped KML (KMZ) یک فرمت داده به طور کلی شناخته شده است که یک قالب داده نوآورانه را در اختیار دانشمندان زمین شناسی قرار می دهد تا داده های مکانی را محصور کنند [ 46 ، 47 ]]. به منظور بهبود تجربه کاربر برای نقشه برداری وب، کاشی کاری نقشه به طور همزمان همراه با تبدیل داده های KML پردازش شد. کاشی کاری نقشه با استفاده از نرم افزار MapTiler (نسخه 7.2، Klokan Technologies، Unterageri، سوئیس) مدیریت شد. علیرغم اینکه KML قادر به پشتیبانی از انواع فرمت های داده، از جمله انواع داده های برداری و شطرنجی است، به عنوان یک فرمت داده حاشیه نویسی جغرافیایی بیان کننده قوی برای تجسم و تجزیه و تحلیل انعطاف پذیر پویا کافی نیست. از سوی دیگر، GeoJSON از چندین نوع هندسی داده های برداری با تجسم و تجزیه و تحلیل انعطاف پذیر پشتیبانی می کند: نقطه، خط، چند ضلعی، چند نقطه، چند خط و چند ضلعی، همراه با ویژگی های غیر مکانی آنها ( https://geojson.org/). بنابراین، استفاده از هر دو فرمت داده، فرصتی را برای توسعه یک برنامه اینترنتی مؤثر مبتنی بر geoweb ارائه می دهد. برای پروژه MEGA-WEB، از هر دو فرمت داده KML/KMZ و GeoJSON استفاده شد. برای متعادل کردن کمبود قالب داده‌های KML/KMZ، GeoJSON برای مدیریت و کپسوله‌سازی داده‌های برداری و داده‌های غیرمکانی مورد استفاده قرار گرفت، در حالی که از KML/KMZ برای کپسوله‌سازی داده‌های شطرنجی استفاده شد. گردش کار تبدیل داده برای MEGA-WEB در شکل 3 نشان داده شده استج با توجه به اندازه عظیم پایگاه جغرافیایی MEGA-WEB شامل 42 شهر و مقدار تبدیل داده مورد نیاز، یک کتابخانه پایتون برای تبدیل داده های نهایی برای تجسم و به اشتراک گذاری به فرمت های داده خاص ایجاد شد. فرآیند تبدیل داده ها شامل موارد زیر است: کاشی کاری داده های شطرنجی. تبدیل داده های شطرنجی به KML/KMZ؛ استخراج داده های آماری غیر مکانی (ویژگی) از داده های شطرنجی به GeoJSON. و تبدیل داده های برداری به GeoJSON.

3.4. پیاده سازی پلت فرم سیستم

برای پیاده سازی سیستم به صورت آنلاین، پلتفرم MEGA-WEB بر اساس روش Mashup GWS های MEGA-WEB با GWS شخص ثالث، برای ارائه تجسم، تجزیه و تحلیل فضایی، انواع مختلف نقشه های پس زمینه، نمایش اطلاعات نمودار ویژگی ها و اطلاعات ترافیک بلادرنگ برای هر شهر در نظر گرفته شده در این پروژه. GWS API شخص ثالث برای ارائه عملکردهایی برای Google Maps API (GWS و سرویس‌های داده مبتنی بر ابر)، Google Charts API (تجسم برای داده‌های ویژگی در پایگاه جغرافیایی MEGA-WEB) و Google Fusion Tables API (تجزیه و تحلیل اطلاعات مکانی و تجسم برای داده های برداری). علاوه بر Google GWS که در MEGA-WEB ترکیب شده است، سایر خدمات شخص ثالث مانند افزونه جدول DataTables برای jQuery (ابزار کنترل تعامل داده های غیر مکانی پویا) نیز استفاده شد.

4. توابع سیستم و استفاده

بخش قبلی (یعنی بخش 3 ) طراحی سیستم پشت صحنه و پیاده سازی MEGA-WEB را شرح داد. این بخش عملکردهای سیستم و استفاده از MEGA-WEB را که با استفاده از مثال هایی در دسترس کاربران قرار گرفته است، توضیح می دهد. اصول اولیه MEGA-WEB عملکرد قابل دسترسی برای کاربران عمومی و قابلیت گسترش برای متخصصان است که در ادامه از چهار جنبه معرفی می شوند: تجسم، تجزیه و تحلیل مقایسه، تجزیه و تحلیل کلی و دانلود داده ها.

4.1. داشبورد و رابط های MEGA-WEB

شکل 4 نمای کلی داشبورد و نمونه هایی از رابط های ارائه شده در وب سایت MEGA-WEB را نشان می دهد. همانطور که در شکل 4 الف نشان داده شده است، می توان به داشبورد MEGA-WEB از طریق صفحه ورودی پروژه در وب سایت MEGA-WEB دسترسی داشت . در داشبورد MEGA-WEB، سه ماژول اصلی در دسترس قرار گرفته است: (1) ماژول تحلیل شهرهای بزرگ ( شکل 4 ب). (2) ماژول تجزیه و تحلیل مقایسه. و (3) ماژول تحلیل اجمالی ( شکل 4ج). هدف اصلی ماژول تجزیه و تحلیل شهرهای بزرگ به کاربران اجازه می دهد تا شاخص های شهرنشینی را در یک شهر تجزیه و تحلیل کنند. ماژول تحلیل مقایسه ارائه شده است تا به کاربران امکان تجزیه و تحلیل و مقایسه بین شاخص های شهرنشینی در داخل و بین شهرها را بدهد. ماژول تجزیه و تحلیل اجمالی عملکردهایی را برای تجزیه و تحلیل اجمالی (همه شهرها) شهرنشینی در آسیا و آفریقا در اختیار کاربران قرار می دهد. جزئیات ماژول ها در بخش های زیر توضیح داده شده است.

4.2. تحلیل شهرهای بزرگ

هنگامی که کاربران از طریق داشبورد به ماژول های MEGA-WEB دسترسی پیدا می کنند، اولین چیزی که می بینند ماژول های تجزیه و تحلیل شهرهای اصلی آفریقا، آسیا و چین است ( شکل 4 ب). عملکرد این ماژول ها بر چندین مؤلفه تکیه دارد همانطور که در شکل 5 نشان داده شده است . به منظور ارائه دیدی جامع به کاربر و مدیریت کارآمدتر داده ها، از معماری دو سطحی (سطح قاره و سطح شهر) برای مدیریت کل شهرهای هدف استفاده شد.
برای یک شهر مربوطه، شش شاخص شهرنشینی (یعنی LUC، LUCC، ECI، POP، LST و LUC آینده پیش بینی شده) شرح داده شده در بخش 3.3.2 ارائه شده است ( شکل 5 a). از رابط نقشه برداری وب، که با کادر قرمز در شکل 5 نشان داده شده است، کاربران می توانند به طور مستقیم با اشیاء فضایی منحصر به فرد و ویژگی های GIS در پلت فرم MEGA-WEB تعامل داشته باشند. رابط نقشه تعاملی ( شکل 5 الف) شامل شاخص های شهرنشینی برای هر شهر ( شکل 5 ب)، اطلاعات افسانه ای ( شکل 5 ج)، و داده های ویژگی های زوجی ( شکل 5) است.د). ویژگی‌های GIS و توابع ارائه نقشه، مانند زوم، پان، و انواع مختلف نقشه پس‌زمینه که با استفاده از خدمات شخص ثالث تحقق یافته‌اند نیز ارائه می‌شوند. علاوه بر این، ما برخی از توابع GIS بیشتری را در رابط های کاربر تعاملی مانند نقشه شبکه موضوعی جاده، نقشه های ترافیک در زمان واقعی، توابع کنترل داده های آماری، نمای ویژگی شناور، و توابع کنترل خانه/بزرگنمایی توسعه داده و جاسازی کردیم ( شکل 5 e).
4.3. تجزیه و تحلیل مقایسه
همانطور که در بالا نشان داده شد، ماژول تحلیل مقایسه برای کاربران در نظر گرفته شده است تا شاخص های شهرنشینی را در داخل و بین شهرها ارزیابی کنند ( شکل 6 ). در این ماژول، کاربران می‌توانند تغییرات درون شهرهای مربوطه خود را ارزیابی کنند، و همچنین از شهرهای دیگر در همان منطقه یا منطقه دیگر بیاموزند، بنابراین آنها را قادر می‌سازد تا دیدگاه متنوع‌تری در مورد شهرنشینی محلی و منطقه‌ای داشته باشند. یک ابزار تجزیه و تحلیل بافر نیز برای کاربران ارائه شده است تا یک ناحیه بافر مورد علاقه را تعریف کنند و در یک محدوده خاص مقایسه کنند ( شکل 6 ب). این می تواند در تحلیل شیب شهری- روستایی در بیشتر شهرها بسیار مفید باشد. علاوه بر این، ماژول آماری از هشت دسته LUC را برای شهرهای مربوطه ارائه می دهد ( شکل 6 ج).
مزیت ماژول مقایسه این است که مقدار تلاش و زمان مورد نیاز برای انجام تجزیه و تحلیل مشابه در هنگام استفاده از سیستم‌های GIS رومیزی سنتی (مستقل) را کاهش می‌دهد. به عنوان مثال، شکل 6 یک مورد از تحلیل مقایسه ها را برای ارزیابی همبستگی بین دو شاخص (POP و ECI) برای یک شهر نشان می دهد. در این مثال کاربر می تواند به سرعت تصور کند که چگونه تغییرات جمعیت بر تغییرات مصرف انرژی در شهر تأثیر گذاشته است.
4.4. تحلیل اجمالی
به منظور به حداقل رساندن ورودی کاربر و ساده کردن گزارش خروجی، علاوه بر تجزیه و تحلیل یک شهر و چند شهر (ماژول مقایسه)، MEGA-WEB عملکردهایی را برای تجزیه و تحلیل کلی (همه شهرها) شهرنشینی در آسیا و آفریقا در اختیار کاربران قرار می دهد. ( شکل 4 ج را ببینید). شکل 7 عملکردهای سیستم را برای ماژول تحلیل اجمالی نشان می دهد که ابزارهای تعاملی اولیه را ارائه می دهد که پایگاه جغرافیایی MEGA-WEB را خلاصه می کند. از طریق این ماژول، کاربران می توانند تغییرات موضوعی فضایی شهری و روندهای کلی در آسیا و آفریقا را تجسم و دریافت کنند.
به منظور به دست آوردن یک نمای کلی از تمام 42 شهر بزرگ، کاربر می تواند تغییرات همه دسته ها را از طریق یک نقشه نمای کلی، همانطور که در شکل 4 ج نشان داده شده است، تجسم کند. طبقه ساخته شده، و همچنین زیر طبقات آن (تراکم شهری و پراکنده شهری) نیز به عنوان اندازه گیری های تک شاخص گسترش شهری ارائه شده است ( شکل 7 a). برای به دست آوردن رتبه بندی شهرهای بزرگ در کشورهای در حال توسعه، نمودارهای میله ای درصد ساخته شده و نرخ تغییر آن در هر شهر برای دو نقطه زمانی (یعنی 2 ± 2000 و 2 ± 2014) در اختیار کاربران قرار می گیرد. در شکل 7 ب. همچنین به کاربر ابزاری برای بررسی رابطه بین شهرها در دو بعد زمانی (که به آن اندازه‌گیری‌های چند بعدی گفته می‌شود) ارائه می‌شود، همانطور که در شکل 7 نشان داده شده است.د
4.5. دانلود داده ها
به منظور توانمندسازی کاربران، اشتراک گذاری داده های موجود در پایگاه جغرافیایی MEGA-WEB یکی از مهم ترین بخش های پروژه است. با توجه به چالش‌های برنامه‌ریزی شهری که کاربران در کشورهای در حال توسعه آسیا و آفریقا با آن مواجه هستند، از جمله، محدودیت در دسترس بودن منابع داده، ابزارهای مؤثر و مهارت در تجزیه و تحلیل داده‌ها، پروژه MEGA-WEB تلاش کرده است تا بر این چالش‌ها غلبه کند. ارائه گزینه دانلود عملکرد دانلود داده ها از طریق ماژول تحلیل اجمالی برای کاربران قابل دسترسی است. کادر قرمز رنگ در شکل 7 a محل تابع دانلود داده را نشان می دهد. کاربر به سادگی باید هر شهر مورد علاقه خود را برای ورود به رابط دانلود داده همانطور که در شکل 7 نشان داده شده است انتخاب کندج رابط دانلود داده شامل تمام دستورالعمل‌های دانلود داده‌ها است. داده های موجود برای دانلود شامل نقشه های LUC، LUCC، ECI، LST و پیش بینی شده LUC آینده برای هر شهر است که در یک فایل فشرده ارائه شده است. داده ها در قالب Geo Tagged Image File (GeoTIFF) هستند که به طور گسترده توسط اکثر نرم افزارهای GIS پشتیبانی می شود. بنابراین، کاربران می توانند داده های ارائه شده را دانلود کرده و برای تجزیه و تحلیل بیشتر از آن استفاده کنند.

5. بحث

پروژه MEGA-WEB بر شهرنشینی در شهرهای بزرگ کشورهای آسیایی و آفریقایی در حال توسعه برای کمک به توسعه شهری پایدار متمرکز است. از نظر علمی، سهم این پروژه دوچندان است.
در مرحله اول، برای ارائه دیدگاه متنوع از شهرنشینی، MEGA-WEB یک پایگاه جغرافیایی از شاخص های مهم شهرنشینی (به عنوان مثال، LUC گذشته و حال، LUCC، POP، LST، ECI، و LUC آینده) ارائه می دهد، که با استفاده از روش های علمی اثبات شده اعمال شده در راه دور پردازش می شود. سنجش و GIS (به بخش 3.3.2 مراجعه کنید ). درک الگوهای مکانی و زمانی LUC یا LUCC برای ایجاد سیاست های اقتصادی، اجتماعی و زیست محیطی منطقی که می تواند اثرات منفی شهرنشینی بر محیط زیست را کاهش دهد و عملکرد بهینه اکوسیستم را حفظ کند، ضروری است [ 30 ، 48 ].]. همچنین، بررسی الگوهای مکانی-زمانی LUC یا LUCC همراه با LST فرصتی برای درک پدیده UHI در شهرهای بزرگ آسیا و آفریقا فراهم می‌کند. در واقع، در زمینه آفریقا، مطالعات بسیار کمی در مورد اثرات UHI وجود دارد. اثرات UHI مسئول برخی از اثرات منفی شهرنشینی، مانند افزایش مصرف انرژی، افزایش انتشار آلاینده‌های هوا و گازهای گلخانه‌ای، به خطر افتادن سلامت و آسایش انسان، و اختلال در کیفیت آب است (ووگت، 2004؛ EPA، 2008 در [ 42 ].]). بنابراین، MEGA-WEB همچنین داده های پردازش شده در مورد مصرف انرژی (یعنی ECI) و جمعیت انسانی (یعنی POP) را ارائه می دهد. بنابراین، پروژه MEGA-WEB این پتانسیل را دارد که نه تنها به توسعه شهری پایدار، بلکه در توسعه اجتماعی و اقتصادی در شهرهای آسیایی و آفریقایی کمک کند. در واقع، برخی از مطالعات فردی که یک یا دو شاخص را در شهرهای در نظر گرفته شده توسط پروژه MEGA-WEB ارزیابی می‌کنند، وجود دارد. با این حال، طبق اطلاعات ما، هیچ پروژه ای وجود ندارد که چنین مجموعه داده های عظیمی از این شاخص های خاص شهرنشینی را در آسیا و آفریقا پردازش کرده باشد و آنها را آزادانه در اختیار عموم قرار داده باشد. ارزیابی شاخص های فوق در یک پلت فرم این فرصت را به برنامه ریزان شهری و سیاست گذاران می دهد تا روندهای شهرنشینی را به صورت محلی درک کنند و همچنین از روندهای منطقه ای بیاموزند.
با وجود موفقیت و مزایای MEGA-WEB، ما برخی از چالش‌ها را که با چنین تعهدی پیش می‌آید تصدیق می‌کنیم. برای مثال، پردازش جغرافیایی داده‌ها به دلیل مسائل فنی (از جمله «تفاوت فصلی» بین تصاویر ماهواره‌ای استفاده‌شده، وجود ابرها، سایه‌ها، کشتی‌ها و برف‌ها، سردرگمی طیفی بین دسته‌های LUC و پیچیده ذاتی بسیار چالش برانگیز بود. ماهیت الگوی منظر هر شهر) و ناکافی بودن دانش قبلی در ژئوپردازش نیمه خودکار مبتنی بر تخصصی برای برخی از شهرهای هدف. علاوه بر این، تنها یک سناریو از شبیه‌سازی LUC آینده (گسترش شهری بدون کنترل) در نظر گرفته شده است، اگرچه در نظر گرفتن بیش از یک سناریو آینده روشن‌تر خواهد بود. با این وجود، ما در طول فرآیند داده به این مسائل توجه دقیقی داشتیم، با هدف دستیابی به نتایج دقیق علاوه بر این، برخلاف پروژه‌های دیگر که بر مجموعه داده‌های ارائه شده توسط سازمان‌های دیگر متکی هستند، پایگاه جغرافیایی MEGA-WEB توسط خودمان تولید می‌شود و این فرصت خوبی برای بهبود در آینده در صورت لزوم فراهم می‌کند.
ثانیاً، MEGA-WEB بر استفاده از تکنیک های اینترنت GIS برای مطالعه و به اشتراک گذاری دانش شهرنشینی در آسیا و آفریقا برای عموم متمرکز شده است. در مقایسه با سیستم‌های GIS و نرم‌افزار دسکتاپ سنتی، MEGA-WEB یک سیستم غیروابسته به پلتفرم و به طور گسترده در دسترس برای مطالعات شهرنشینی ارائه می‌کند که به طور قابل‌توجهی آستانه نیازهای فیزیکی، تکنیکی و بودجه را کاهش می‌دهد. از منظر فنی، معماری و عملکرد توسعه‌یافته دارای ویژگی‌های منحصربه‌فردی است که می‌توان به راحتی از آنها برای توسعه برنامه‌های افزودنی و عملکردهای جدید استفاده کرد. به عنوان مثال، معماری mashup (به ویژه با استفاده از تکنیک‌های HTML5/JavaScript) انعطاف‌پذیری و قابلیت گسترش بالایی را در توسعه سیستم فراهم می‌کند که می‌تواند مرجعی برای خوانندگان برای توسعه برنامه‌های کاربردی مشابه باشد. علاوه بر این، بر اساس تعدادی از درس های آموخته شده و بازخورد از کاربران عمومی، ماژول های تجزیه و تحلیل در MEGA-WEB به روشی پیشرونده (تحلیل شهر منفرد، تجزیه و تحلیل شهرهای چندگانه و تجزیه و تحلیل همه شهرها) بدون توابع بیش از حد پیچیده ارائه شده است. علاوه بر این، برای کاربرانی که ممکن است به عملکرد تجزیه و تحلیل فضایی پیشرفته تری نیاز داشته باشند، MEGA-WEB به کاربران اجازه می دهد تا داده ها را برای تجزیه و تحلیل بیشتر دانلود کنند.

6. نتیجه گیری و کارهای آینده

در این مقاله، ما یک پلتفرم GIS مبتنی بر اینترنت به نام MEGA-WEB برای به اشتراک گذاری داده ها، تجسم و تجزیه و تحلیل فضایی شهرنشینی در شهرهای بزرگ آسیایی و آفریقایی ارائه کردیم. پلتفرم MEGA-WEB برای کمک به غلبه بر چالش‌های برنامه‌ریزی شهری و چالش‌های مدیریت (مانند دسترسی محدود به منابع داده، ابزارهای مؤثر و مهارت در تجزیه و تحلیل داده‌ها) در کشورهای در حال توسعه آسیا و آفریقا ایجاد شده است. مخاطبان هدف، اما نه محدود به برنامه ریزان شهری، تصمیم گیرندگان، جوامع محلی، دولت ها و محققان هستند.
این پلتفرم با پیروی از یک روش نمونه سازی طراحی و توسعه داده شد تا خدمات وب MEGA-WEB Geo Web (GWS) را با خدمات نقشه شخص ثالث ترکیب کند تا داده های پردازش جغرافیایی در مورد شهرنشینی را به صورت آنلاین برای تجسم، تجزیه و تحلیل و دانلود در دسترس قرار دهد. با ادغام GIS، سنجش از دور، مدل‌سازی جغرافیایی تغییر پوشش زمین، و GIS اینترنتی، ما از روش‌های ژئوپردازش نیمه خودکار مبتنی بر تخصصی و روش‌های ژئوپردازش دسته‌ای خودکار برای ایجاد پایگاه جغرافیایی MEGA-WEB برای 42 شهر بزرگ آسیا و آفریقا استفاده کردیم. پایگاه جغرافیایی MEGA-WEB شامل داده های پردازش شده از شاخص های علمی اثبات شده روند شهرنشینی در ادبیات است. شاخص های اندازه گیری شهرنشینی ارائه شده توسط MEGA-WEB شامل: LUC، LUCC، POP، LST، ECI و LUC آینده پیش بینی شده است.
ویژگی های اصلی MEGA-WEB تجسم، رابط های تجزیه و تحلیل فضایی و سیستم اشتراک داده آن است. سه ماژول اصلی در دسترس قرار گرفته است: (1) ماژول تجزیه و تحلیل شهرهای بزرگ. (2) ماژول تجزیه و تحلیل مقایسه. و (3) ماژول تحلیل اجمالی. از طریق این ماژول‌ها، گرایش‌های تغییر شهرنشینی به شیوه‌ای پیشرونده، از یک ایده کلی از شهر واحد تا نمای کلی شهرهای بزرگ در کشورهای در حال توسعه آسیایی و آفریقایی ارائه می‌شوند. برای توانمندسازی مخاطبان هدف، MEGA-WEB همچنین خدمات دانلودی را در اختیار کاربران قرار می دهد تا داده های ارائه شده را دانلود کرده و از آن برای تجزیه و تحلیل بیشتر استفاده کنند.
MEGA-WEB اکنون در سایت زیر در دسترس است: https://giswin.geo.tsukuba.ac.jp/mega-cities. شایان ذکر است که MEGA-WEB همیشه برای پیشرفت‌های آینده، از جمله ارائه یا به‌روزرسانی داده‌ها، و همچنین توسعه توابع و برنامه‌های افزودنی جدید سیستم باز است. برخی از برنامه‌های آینده برای بهبود MEGA-WEB عبارتند از: (1) بهبود محصولات پردازش شده جغرافیایی از طریق استفاده از سایر مجموعه داده‌های اضافی (مانند تصاویر با وضوح بالا و داده‌های شبکه اجتماعی). (2) افزایش تعداد شهرهای اصلی هدف در سراسر مناطق آسیایی و آفریقایی؛ (3) ارائه بیشتر توابع تحلیل فضایی مبتنی بر اینترنت؛ (4) ارائه عملکردهای پشتیبانی برای کاربران برای آپلود کار خود و تعامل با دیگران؛ و (5) دعوت از سهامداران کلیدی در شهرهای مورد نظر برای ارائه بازخورد در مورد سودمندی MEGA-WEB و پیشنهاد بهبودهای آینده بیشتر.

قدردانی ها

این مطالعه توسط برنامه بورسیه تحصیلی Monbukagakusho ژاپن برای تحصیلات تکمیلی و انجمن ژاپن برای ترویج علم (Grant-in-Aid for Challenging Exploratory Research 16K12816، 2016-2018، نماینده: Yuji Murayama) پشتیبانی شد. همچنین مایلیم از رونالد سی. استوک، شیامانتا سوباسینگه، هائو هو و شینمین ژانگ در دانشگاه تسوکوبا برای نظرات و پیشنهادات سازنده شان تشکر کنیم.

مشارکت های نویسنده

نویسنده مربوطه، هائو گونگ، موضوع را پیشنهاد کرد و طراحی و پیاده‌سازی سیستم MEGA-WEB، پردازش جغرافیایی داده‌ها و نوشتن نسخه خطی را رهبری کرد. Matamyo Simwanda و Yuji Murayama در طراحی و پیاده سازی سیستم، پردازش جغرافیایی داده ها و نوشتن نسخه خطی کمک کردند.

تضاد علاقه

نویسندگان هیچ تضاد منافعی را اعلام نمی کنند.

منابع

  1. مک‌کینون، ام. شهرهای آسیایی: جهانی‌سازی، شهرسازی و ملت‌سازی . NIAS Press: کپنهاگ، دانمارک، 2011; صص 37-41. [ Google Scholar ]
  2. مورایاما، ی. کاموسوکو، سی. یاماشیتا، ا. Estoque، توسعه شهری RC در آسیا و آفریقا ؛ Murayama, Y., Kamusoko, C., Yamashita, A., Estoque, RC, Eds.; مجموعه کتاب شهری؛ Springer Nature: سنگاپور، 2017. [ Google Scholar ]
  3. Yigitcanlar، T. کامروززمان، م. برنامه ریزی، توسعه و مدیریت شهرهای پایدار: تفسیری از ویراستاران مهمان. پایداری 2015 ، 7 ، 14677-14688. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. گوا، ز. وانگ، SD؛ چنگ، MM; شو، ی. ارزیابی تأثیر درجات مختلف شهرنشینی بر دمای سطح زمین با استفاده از تصاویر سنجش از دور. Procedia Environ. علمی 2012 ، 13 ، 935-942. [ Google Scholar ] [ CrossRef ]
  5. کاموسوکو، سی. گامبا، جی. موراکامی، اچ. نظارت بر رشد فضایی شهری در استان شهری هراره، زیمبابوه. Adv. Remote Sens. 2013 , 2 , 322-331. [ Google Scholar ] [ CrossRef ]
  6. لی، اچ. وی، ی. هوانگ، ز. گسترش زمین شهری و پویایی فضایی در جهانی شدن شانگهای. پایداری 2014 ، 6 ، 8856-8875. [ Google Scholar ] [ CrossRef ]
  7. دادرس، م. شفری، HZM; احمد، ن. پرادان، بی. صفرپور، س. تحلیل مکانی – زمانی رشد شهری از داده های سنجش از دور در شهر بندرعباس، ایران. مصر. J. Remote Sens. Space Sci. 2015 ، 18 ، 35-52. [ Google Scholar ] [ CrossRef ]
  8. هو، اچ. Estoque، RC; مورایاما، Y. تحلیل فضایی و زمانی رشد شهری در سه شهر پایتخت آفریقا: تجزیه و تحلیل مبتنی بر سلول شبکه با استفاده از داده های سنجش از دور. جی افر. علوم زمین 2016 ، 123 ، 381-391. [ Google Scholar ] [ CrossRef ]
  9. سیمواندا، م. مورایاما، ی. ادغام تکنیک‌های مکانی برای طبقه‌بندی کاربری زمین شهری در شهر در حال توسعه جنوب صحرای آفریقا لوزاکا، زامبیا. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 102. [ Google Scholar ] [ CrossRef ]
  10. 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 ]
  11. پنگ، Z.-R. اینترنت GIS برای مشارکت عمومی. محیط زیست Plan B Plan Des. 2001 ، 28 ، 889-905. [ Google Scholar ] [ CrossRef ]
  12. بری، آر. هیگز، جی. فرای، آر. Langford، M. رویکردهای GIS مبتنی بر وب برای افزایش مشارکت عمومی در برنامه ریزی مزرعه بادی. ترانس. GIS 2011 ، 15 ، 147-172. [ Google Scholar ] [ CrossRef ]
  13. لی، اس. شیونگ، سی. Ou, Z. وب GIS برای اطلاعات یخ دریا و آرشیو خدمات یخ. ترانس. GIS 2011 ، 15 ، 189-211. [ Google Scholar ] [ CrossRef ]
  14. فروتونی، ای. مانچینی، آ. زینگارتی، پ. مالینورنی، ای. پسری، س. بیوندی، ای. پاندولفی، م. مارسگلیا، ام. استوری، م. Zabaglia, C. SIT-REM: یک سیستم اطلاعات جغرافیایی وب تعاملی و تعاملی برای مدیریت داده های جانوران، گیاهان و گیاهان. ISPRS Int. J. Geo-Inf. 2014 ، 3 ، 853-867. [ Google Scholar ] [ CrossRef ]
  15. لوچتی، جی. مانچینی، آ. استوری، م. فروتونی، ای. Zingaretti، P. Whistland: یک سیستم نقشه برداری جمعیت واقعیت افزوده برای حفاظت مدنی و مدیریت اضطراری. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 41. [ Google Scholar ] [ CrossRef ]
  16. سیلوا، اس. الکادا-آلمیدا، ال. Dias، LC توسعه یک سیستم پشتیبانی تصمیم گیری فضایی چند معیاره مبتنی بر وب برای ارزیابی پایداری زیست محیطی مزارع لبنی. محاسبه کنید. الکترون. کشاورزی 2014 ، 108 ، 46-57. [ Google Scholar ] [ CrossRef ]
  17. بله، ز. جابویدوف، م. درون، M.-H. ون وستن، سی. نمونه اولیه یک پلت فرم پشتیبانی تصمیم مشارکتی مبتنی بر وب در مخاطرات طبیعی و مدیریت ریسک. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 1201-1224. [ Google Scholar ] [ CrossRef ]
  18. بله، ZC; اسپراگ، تی. کورتس، وی جی. پرنگر-برنینگهوف، ک. جابویدوف، م. Derron، MH یک چارچوب مشترک (وب-GIS) بر اساس داده های تجربی جمع آوری شده از سه مطالعه موردی در اروپا برای مدیریت ریسک خطرات آب و هواشناسی. بین المللی J. کاهش خطر بلایا. 2016 ، 15 ، 10-23. [ Google Scholar ] [ CrossRef ]
  19. یانکوفسکی، پ. تسو، M.-H. رایت، RD استفاده از سیستم اطلاعات جغرافیایی اینترنتی برای پایش کیفیت آب. Geogr. Compass 2007 , 1 , 1315-1337. [ Google Scholar ] [ CrossRef ]
  20. هاکلی، م. سینگلتون، ا. پارکر، سی. نقشه برداری وب 2.0: جغرافیای جدید geoweb. Geogr. Compass 2008 , 2 , 2011-2039. [ Google Scholar ] [ CrossRef ]
  21. یو، پی. ژو، اچ. گونگ، جی. Hu, L. Geoprocessing در سیستم عامل های رایانش ابری – تحلیل مقایسه ای. بین المللی جی دیجیت. زمین 2012 ، 6 ، 404-425. [ Google Scholar ] [ CrossRef ]
  22. Farkas, G. کاربرد کتابخانه های نقشه برداری وب منبع باز برای ساخت کلاینت های وب GIS عظیم. جی. جئوگر. سیستم 2017 ، 19 ، 273-295. [ Google Scholar ] [ CrossRef ]
  23. زینگ، اچ. چن، جی. Zhou، X. یک سیستم برچسب گذاری مبتنی بر geoweb برای جمع آوری داده های مرزی. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 1530-1548. [ Google Scholar ] [ CrossRef ]
  24. نیول، دی. پمبروک، ام.ام. Boyd, WE جمع سپاری برای حفاظت: وب 2.0 ابزار قدرتمندی برای زیست شناسان است. اینترنت آینده 2012 ، 4 ، 551-562. [ Google Scholar ] [ CrossRef ]
  25. یانگ، ی. سان، ی. لی، اس. ژانگ، اس. وانگ، ک. هو، اچ. Xu, S. یک رویکرد وب مبتنی بر GIS برای ارائه اطلاعات قیمت زمین. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 2078-2093. [ Google Scholar ] [ CrossRef ]
  26. کنسرسیوم فضایی باز مشخصات پیاده سازی رابط نقشه وب سرور OpenGIS نسخه 1.0.0. ; گزارش فنی 00-028; کنسرسیوم فضایی باز: Wayland، MA، ایالات متحده آمریکا، 2000; پ. 14. [ Google Scholar ]
  27. هرولد، ام. گلدشتاین، NC; کلارک، کی سی شکل فضایی و زمانی رشد شهری: اندازه‌گیری، تحلیل و مدل‌سازی. سنسور از راه دور محیط. 2003 ، 86 ، 286-302. [ Google Scholar ] [ CrossRef ]
  28. Mundia، CN; Aniya, M. تحلیل تغییرات کاربری/پوشش و گسترش شهری شهر نایروبی با استفاده از سنجش از دور و GIS. بین المللی J. Remote Sens. 2005 ، 26 ، 2831-2849. [ Google Scholar ] [ CrossRef ]
  29. شیائو، جی. شن، ی. جی، جی. تطیشی، ر. تانگ، سی. لیانگ، ی. Huang، Z. ارزیابی گسترش شهری و تغییر کاربری زمین در شیجیاژوانگ، چین، با استفاده از GIS و سنجش از دور. Landsc. طرح شهری. 2006 ، 75 ، 69-80. [ Google Scholar ] [ CrossRef ]
  30. دوان، AM; یاماگوچی، ی. تغییر کاربری زمین و پوشش زمین در داکای بزرگ، بنگلادش: استفاده از سنجش از دور برای ترویج شهرنشینی پایدار. Appl. Geogr. 2009 ، 29 ، 390-401. [ Google Scholar ] [ CrossRef ]
  31. Estoque، RC; مورایاما، Y. تجزیه و تحلیل تغییر کاربری/پوشش زمین شهری فضایی-زمانی در یک ایستگاه تپه: مورد شهر باگویو، فیلیپین. Procedia Soc. رفتار علمی 2011 ، 21 ، 326-335. [ Google Scholar ] [ CrossRef ]
  32. یی، ک. تانی، اچ. لی، کیو. ژانگ، جی. گو، ام. بائو، ی. وانگ، ایکس. لی، جی. نقشه برداری و ارزیابی فرآیند شهرنشینی در شمال شرقی چین با استفاده از داده های نور شبانه DMSP/OLS. Sensors 2014 , 14 , 3207-3226. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  33. لی، جی. آهنگ، سی. کائو، ال. زو، اف. منگ، ایکس. Wu, J. تأثیرات ساختار چشم‌انداز در جزایر حرارتی شهری سطحی: مطالعه موردی شانگهای، چین. سنسور از راه دور محیط. 2011 ، 115 ، 3249-3263. [ Google Scholar ] [ CrossRef ]
  34. وانگ، کیو. وو، اس. زنگ، ی. Wu، B. بررسی رابطه بین شهرنشینی، مصرف انرژی، و انتشار CO 2 در استان های مختلف چین. تمدید کنید. حفظ کنید. انرژی Rev. 2016 ، 54 ، 1563-1579. [ Google Scholar ] [ CrossRef ]
  35. مورایاما، ی. Estoque، RC; هو، اچ. گونگ، اچ. سیمواندا، م. سوباسینگه، اس. Zhang, X. تجسم تغییرات کاربری/پوشش زمین در شهرهای عمده آسیایی و آفریقایی . گزارش سالانه بانک داده های اجتماعی و اقتصادی چندکاربری؛ دانشگاه تسوکوبا: ایباراکی، ژاپن، 2016; صص 1-95. [ Google Scholar ]
  36. Triantakonstantis، D. پیش بینی رشد شهری: مروری بر مدل های محاسباتی و ادراکات انسانی. جی. جئوگر. Inf. سیستم 2012 ، 4 ، 555-587. [ Google Scholar ] [ CrossRef ]
  37. پرز-وگا، آ. ماس، J.-F. Ligmann-Zielinska، A. مقایسه دو رویکرد برای مدل‌سازی تغییر کاربری/پوشش و پیامدهای آنها برای ارزیابی از دست دادن تنوع زیستی در جنگل‌های استوایی برگ‌ریز. محیط زیست مدل. نرم افزار 2012 ، 29 ، 11-23. [ Google Scholar ] [ CrossRef ]
  38. Mas، JF; کلب، م. پیگلو، ام. کاماچو اولمدو، MT; Houet، T. مدل‌های تغییر کاربری/پوشش مبتنی بر الگوی استقرایی: مقایسه چهار بسته نرم‌افزاری. محیط زیست مدل. نرم افزار 2014 ، 51 ، 94-111. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. Camacho، OMT; پونتیوس، آر.جی. پیگلو، ام. Mas, JF مقایسه مدل های شبیه سازی از نظر کمیت و تخصیص تغییرات زمین. محیط زیست مدل. نرم افزار 2015 ، 69 ، 214-221. [ Google Scholar ] [ CrossRef ]
  40. Oke، اندازه شهر TR و جزیره گرمایی شهری. اتمس. محیط زیست 1973 ، 7 ، 769-779. [ Google Scholar ] [ CrossRef ]
  41. Voogt، JA; Oke, TR دمای کامل سطح شهری. J. Appl. هواشناسی 1997 ، 36 ، 1117-1132. [ Google Scholar ] [ CrossRef ]
  42. Estoque، RC; مورایاما، ی. Myint، SW اثرات ترکیب و الگوی منظر بر دمای سطح زمین: مطالعه جزیره گرمایی شهری در کلان شهرهای جنوب شرقی آسیا. علمی کل محیط. 2017 ، 577 ، 349-359. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  43. ژانگ، ایکس. Estoque، RC; Murayama، Y. مطالعه جزیره گرمایی شهری در شهر نانچانگ، چین بر اساس دمای سطح زمین و متغیرهای اجتماعی-اکولوژیکی. حفظ کنید. جامعه شهرها 2017 ، 32 ، 557-568. [ Google Scholar ] [ CrossRef ]
  44. Ranagalage، M. Estoque، RC; Murayama، Y. مطالعه جزیره گرمایی شهری منطقه شهری کلمبو، سریلانکا، بر اساس داده‌های Landsat (1997-2017). ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 189. [ Google Scholar ] [ CrossRef ]
  45. دابسون، جی. برایت، EA؛ کلمن، روابط عمومی؛ دورفی، آرسی. Worley، BA LandScan: پایگاه داده جمعیت جهانی برای تخمین جمعیت های در معرض خطر. فتوگرام مهندس Remote Sens. 2000 , 66 , 849-857. [ Google Scholar ]
  46. هوانگ، سی. Chang, H. GeoWeb crawler: یک چارچوب خزیدن وب قابل توسعه و مقیاس پذیر برای کشف منابع وب جغرافیایی. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 136. [ Google Scholar ] [ CrossRef ]
  47. زو، ال. کان، دبلیو. ژانگ، ی. Sun, J. تجسم ساختار لیتوسفر زمین در پلتفرم کره مجازی Google Earth. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 26. [ Google Scholar ] [ CrossRef ]
  48. دندان های نیش.؛ Gertner، GZ; سان، ز. اندرسون، AA تأثیر تعاملات در شبیه سازی فضایی پویایی پراکندگی شهری. Landsc. طرح شهری. 2005 ، 73 ، 294-306. [ Google Scholar ] [ CrossRef ]
Ijgi 06 00257 g001 550
شکل 1. فرآیند تکامل مفهومی در GIS. “محلی” به دسترسی و پردازش داده ها به صورت محلی اشاره دارد. “ابر” به دسترسی و پردازش داده ها از طریق اینترنت اشاره دارد. مراحل 1، 2، 3 و نسل بعدی نشان دهنده مراحل تبدیل فناوری GIS از سیستم های GIS مرکزی به سرویس های GIS توزیع شده است.
Ijgi 06 00257 g002 550
شکل 2. نمای کلی معماری سیستم MEGA-WEB.
Ijgi 06 00257 g003 550
شکل 3. فرآیند ایجاد پایگاه جغرافیایی MEGA-WEB: ( الف ) اکتساب داده. ( ب ) ژئوپردازش؛ و ( ج ) تبدیل داده ها. DEM، NDVI، POP، ECI، LST و LUC به ترتیب به مدل ارتفاع دیجیتال، شاخص گیاهی تفاوت نرمال شده، جمعیت، شدت مصرف انرژی، دمای سطح زمین و کاربری/پوشش زمین اشاره دارند. MLP-ANN به شبکه عصبی مصنوعی ادراک چند لایه اشاره دارد.
Ijgi 06 00257 g004 550
شکل 4. داشبورد و رابط های MEGA-WEB: ( الف ) ورودی صفحه پروژه. ( ب ) ماژول تجزیه و تحلیل شهرهای بزرگ؛ و ( ج ) ماژول تحلیل اجمالی.
Ijgi 06 00257 g005 550
شکل 5. نمای کلی ماژول تجسم داده های منطقه ای. رابط های نشان داده شده نشان دهنده موارد زیر است: ( الف ) رابط نقشه برداری وب. ( ب ) فهرست شهر و شش شاخص شهرنشینی: LUC، تغییرات LUC (LUCC)، ECI، POP، LST، و LUC آینده پیش بینی شده. ( ج ) پانل افسانه; ( د ) داده های ویژگی جفتی نتایج LUC و LUCC. و ( ه ) رابط های کنترل جغرافیایی.
Ijgi 06 00257 g006 550
شکل 6. ماژول تجزیه و تحلیل مقایسه. رابط های نشان داده شده نشان دهنده موارد زیر است: ( الف ) مقایسه دو شاخص در یک شهر. ( ب ) ابزار تجزیه و تحلیل بافر. و ( ج ) آمار دسته بندی LUC.
Ijgi 06 00257 g007 550
شکل 7. ماژول به اشتراک گذاری و تجزیه و تحلیل داده ها: ( الف ) اندازه گیری شاخص واحد و رابط اشتراک داده. ( ب ) خلاصه ای از نتایج طبقه بندی LUC برای همه مناطق هدف. ( ج ) رابط دانلود داده ها برای هر منطقه مطالعه. و ( د ) رابط اندازه گیری چند بعدی.
جدول
جدول 1. انتخاب شهرهای بزرگ آسیایی و آفریقایی.
جدول
جدول 2. داده های رستری مورد استفاده در ایجاد پایگاه جغرافیایی MEGA-WEB.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید