Digital Twin و CyberGIS برای بهبود اتصال و اندازه گیری تأثیر برنامه ریزی ساخت و ساز زیرساخت در شهرهای هوشمند

خلاصه

فناوری‌های هوشمند در حال پیشرفت هستند و شهرهای هوشمند را می‌توان با افزایش ارتباطات و تعاملات انسان‌ها، محیط‌زیست و دستگاه‌های هوشمند هوشمندتر کرد. این مقاله فناوری‌های انتخابی را مورد بحث قرار می‌دهد که به طور بالقوه می‌توانند به توسعه یک محیط هوشمند و شهرهای هوشمند کمک کنند. در حالی که اتصال و کارایی شهرهای هوشمند مهم است، تجزیه و تحلیل تأثیر توسعه ساخت‌وساز و پروژه‌های بزرگ در شهر برای تصمیم‌گیران و سیاست‌گذاران، قبل از تصویب پروژه بسیار مهم است. این سوال ارزیابی تاثیر یک پروژه زیرساختی جدید بر جامعه قبل از شروع آن را مطرح می‌کند – چه نوع فناوری‌هایی می‌توانند به طور بالقوه برای ایجاد یک نمایش مجازی از شهر استفاده شوند؟
دوره-آموزش-حرفه-ای-gis
 چگونه می توان با استفاده از این فناوری ها یک شهر هوشمند را بهبود بخشید؟ طیف وسیعی از فناوری‌ها و برنامه‌های کاربردی در دسترس هستند، اما درک عملکرد، قابلیت همکاری و سازگاری آنها با جامعه نیاز به بحث بیشتر در مورد طراحی و معماری سیستم دارد. این سوالات می تواند مبنای تدوین دستور کار برای تحقیقات بیشتر باشد. به طور خاص، نیاز به ابزارهای پیشرفته ای مانند اسکنرهای موبایل، هوش مصنوعی زمین فضایی، وسایل نقلیه هوایی بدون سرنشین، برنامه های واقعیت افزوده جغرافیایی، تشخیص نور و محدوده در شهرهای هوشمند مورد بحث قرار گرفته است.

کلید واژه ها:

دوقلو دیجیتال ; شهر هوشمند ؛ پارکینگ هوشمند ؛ GIS ; لیدار ; ابر نقطه ; یادگیری ماشینی ؛ الگوریتم های مبتنی بر نقطه ؛ اسکنر لیزری موبایل ; ساخت زیرساخت ؛ محاسبات شهری ; CyberGIS ; کلان داده ؛ هوش مصنوعی

1. معرفی

از منظر عملی، یک شهر هوشمند این قابلیت را دارد که داده‌های بلادرنگی را که بین ذینفعان برای بهینه‌سازی تصمیم‌گیری با استقرار هوش مصنوعی مخابره می‌شود، جمع‌آوری کند. این امر با هوشمند کردن فعالیت‌ها، خدمات و کسب‌وکارها به‌عنوان مثال، املاک و مستغلات هوشمند، حمل‌ونقل هوشمند، ساخت‌وساز هوشمند، سیستم مراقبت بهداشتی هوشمند، ساختمان هوشمند، خانه هوشمند، حمل‌ونقل هوشمند و پارکینگ هوشمند قابل دستیابی است. به عنوان مثال، سنگاپور مجازی [ 1 ] یک مدل شهر سه بعدی پویا با یک پلت فرم مشترک و سیستم اشتراک داده است. این شهر مجازی توسط بنیاد ملی تحقیقات (NRF) با سرمایه گذاری ۷۳ میلیون دلاری راه اندازی و تامین مالی شد.
در طول سال گذشته، تعداد کاربران تلفن همراه بیش از دو درصد افزایش یافته است و به 5.11 میلیارد در سراسر جهان رسیده است [ 2 ]]. تعداد کاربران اینترنت نیز در حال افزایش است. با توجه به شیوع فعلی کووید-19، بسیاری از مردم از خانه (WfH) کار می کنند و با استفاده از سیستم عامل های آنلاین خرید می کنند. فن‌آوری‌ها و خدمات فناوری اطلاعات جغرافیایی و علوم اطلاعات جغرافیایی و سیستم (GIS—سیستم‌های اطلاعات جغرافیایی) برای تجزیه و تحلیل داده‌های مکانی و زمانی جمع‌آوری‌شده از سازمان‌های مختلف به‌منظور دریافت بینش بهتر در مورد روندهای فعلی و مدل‌سازی روندهای آینده و تأثیرات آن‌ها بر جوامع و رفاه استفاده می‌شوند. این تغییر بزرگ از مکان‌های کاری سنتی و خرید به سمت WfH و خرید آنلاین بر اهمیت توسعه بیشتر زیرساخت‌های شهر هوشمند و استقرار فناوری‌های مکانی برای رفع نیازهای آینده تأکید می‌کند. این مقاله گرایش‌های منتخب در علوم زمین فضایی، به‌ویژه کاربردهای GIS را شناسایی می‌کند. علاوه بر این، این مقاله برنامه‌های آنلاین جدید توسعه‌یافته مانند ArcGIS Urban را مشاهده می‌کند که برای پیش‌بینی تأثیرات آینده مناطق شهری در حال توسعه در سه بعد استفاده می‌شود. این فناوری‌ها ابزارهای مفیدی را برای ذینفعان و کاربران شهر هوشمند فراهم می‌کنند تا پیامدهای آینده طرح‌های پیشنهادی را پیش‌بینی کنند و با در نظر گرفتن معیارهای مختلف از جمله اهداف توسعه پایدار (SDGs) در مقیاس‌های مختلف، با سازمان‌ها برای دستیابی به نتایج مناسب‌تر همکاری کنند.
دوقلوهای دیجیتالی شهرها اخیراً به عنوان یک پلتفرم مجازی مفید که تغییرات محیط فیزیکی شهر و همه فعالیت ها و حرکات مرتبط را به تصویر می کشد، توجه زیادی را به خود جلب کرده اند [ 3 ]. شکل 1 الف-د به صورت شماتیک یک دوقلوی فیزیکی-دیجیتال از یک شهر هوشمند، شامل فرآیند مدیریت داده ها و توسعه داشبورد را نشان می دهد. شکل 1 e,f نمونه هایی را نشان می دهد که توسط نویسنده اول ایجاد شده است. با استفاده از حسگرها، وسایل نقلیه هوایی بدون سرنشین (پهپاد)، ماهواره‌ها و فناوری‌های مختلف، موجودیت‌های فیزیکی، فعالیت‌ها، رفتارها و فعل و انفعالات باید به یک مدل دیجیتال متصل شوند [ 3 ]] برای یک پلت فرم داده واقعی تر. ادغام دوقلو دیجیتال به عنوان یک نمایش سه بعدی از شهر و اطلاعات مربوط به آن می تواند برای ارزیابی عملکرد شهر و پروژه های ساختمانی انتخاب شده با استفاده از یک سیستم مدیریت داده استفاده شود. اپلیکیشن‌هایی مانند ArcGIS urban نیز می‌توانند به ما کمک کنند تا تأثیر یک پروژه جدید را قبل از اجرای آن ارزیابی کنیم. چنین دوقلوهای دیجیتالی، در ارتباط با حسگرها و سایر فناوری‌های پیشرفته جمع‌آوری داده‌ها، می‌توانند به مدل‌سازی بهتر رفتارهای استراتژیک عوامل کمک کنند [ 4 ].
این سرمقاله به دو بخش تقسیم می‌شود: (1) توسعه ابزارهای پیشرفته مانند کوچک‌سازی حسگرها و اسکنرهای موبایل، هوش مصنوعی مکانی، وسایل نقلیه هوایی بدون سرنشین (UAV)، برنامه‌های AR جغرافیایی، و تشخیص نور و محدوده (Lidar). و همچنین (ii) کاربرد ابزارها در شهرها و محصولاتی مانند وسایل نقلیه خودران و شهرهای هوشمند. در نهایت، مقالات موجود در این شماره ویژه بررسی می شود.
دوره-آموزش-حرفه-ای-gis

2. فن آوری های پیشرفته

این بخش ابزارها و فناوری‌های مختلفی را معرفی می‌کند که برای ایجاد یک دوقلو دیجیتال برای یک شهر هوشمند حیاتی هستند. این فناوری‌های حیاتی شامل فناوری شبکه، حسگرها، هوش مصنوعی، داده‌های بزرگ و فناوری‌های Lidar می‌شوند [ 5]. ادغام حسگرها با GIS در تجزیه و تحلیل شهر یک روند جدید جغرافیایی است که می تواند فناوری شهر هوشمند را به طور قابل توجهی بهبود بخشد. در حالی که هزینه استفاده از چنین حسگرهایی بالا است، یکی دیگر از روندهای نوظهور کوچک کردن حسگرها و ابزارهای جمع آوری داده مانند هواپیماهای بدون سرنشین نوآورانه به اندازه زنبور عسل و ماهواره های کوچک برای تولید داده های مفید به شیوه ای کارآمد و مقرون به صرفه است. فن‌آوری‌های منتخب مفید برای بهبود اتصال در شهرهای هوشمند که می‌توانند برای دوقلوهای فیزیکی-دیجیتال استفاده شوند به شرح زیر مورد بحث قرار گرفته‌اند، اما می‌توانند در آینده بیشتر مورد بررسی قرار گیرند ( شکل 1 را ببینید ).

2.1. CyberGIS

ترکیب زیرساخت های سایبری و GIS ظرفیت جدیدی را برای تحلیل فضایی آنلاین به عنوان نسل جدید GIS ارائه می دهد. در عمل، CyberGIS به استقرار GIS بر روی یک پلت فرم وب به جای اجرا از یک دسکتاپ واحد اشاره دارد. CyberGIS Gateway، Toolkit و Middleware می توانند CyberGIS را قادر سازند تا منبع باز، دسترسی باز و امکان ادغام را ارائه دهد [ 6 ، 7 ، 8 ]. تجزیه و تحلیل CyberGIS با قابلیت همکاری داده های بزرگ مکانی [ 9 ] و برنامه های نرم افزار پردازش [ 7 ] سروکار دارد.]. پیاده سازی CyberGIS در بسیاری از مسائل مانند کار با پایگاه ابری، چالش های سخت افزاری/نرم افزاری، سرعت اینترنت و در دسترس بودن افراد ماهر برای تهیه، پردازش و استفاده از آن است. پیشرفت در محاسبات ابری، نقشه‌برداری وب و الگوریتم‌های جدید برای تجزیه و تحلیل داده‌های مکانی به شیوه‌ای سریع‌تر و شامل ابعاد بیشتر داده (مانند وکسل به جای پیکسل) مورد نیاز است. CyberGIS همچنین دسترسی بلادرنگ به نتایج محاسبات و داشبوردهایی را برای نظارت بر تغییرات و روندها و همچنین به دست آوردن بینش از داده های موجود متصل به داشبورد ارائه می دهد. محاسبات و شبکه با کارایی بالا (HPCN) (از جمله CyberGIS) پردازش موازی را برای اجرای سریع و کارآمد داده های بزرگ GIS و برنامه های CyberGIS امکان پذیر می کند. از آنجایی که کلان داده در مشاغل مختلف تولید می شود،

2.2. ادغام GIS و BIM

در حالی که GIS با استفاده از زیرساخت سایبری هوشمندتر می شود، کاربردهای داخلی آن نیز بیشتر توسعه خواهند یافت. در این شرایط، مدل سازی اطلاعات ساختمان (BIM)، به عنوان یک مجموعه داده غنی برای ساختمان ها شامل اطلاعات دقیق از محیط داخلی ساخته شده، در صورت دسترسی کامل مفید خواهد بود [ 10 ]. در این مورد، ادغام GIS و BIM مزایای بیشتری را برای مجموعه داده‌ها از جمله ترکیب محیط‌های ساخته شده در مقیاس بزرگ و کوچک، نگاه کردن به مدل‌های BIM در یک زمینه وسیع‌تر از موقعیت جغرافیایی سه‌بعدی، و تولید مدل واقعی‌تر از محیط های ساخته شده از جمله ساختمان ها، پوشش گیاهی، زمین، شبکه جاده ها و عوامل. برای چنین ادغامی، مسائل و عوامل قابلیت همکاری وجود دارد، مانند شیروژان، سپاسگزار [ 11 ].] اخیراً مورد بحث قرار گرفت.
برای تجسم بیدرنگ و تحلیل زمان واقعی جریان داده ها در محیط های GIS، فناوری هایی مانند اینترنت اشیا باید با CyberGIS قابل همکاری باشند. خروجی بلادرنگ همچنین به الگوریتم‌های محاسباتی قابل اعتماد «داده‌های بزرگ جغرافیایی» برای مقابله با حجم، تنوع و سرعت داده‌ها بستگی دارد [ 12 ، 13 ، 14 ، 15 ]. چالش‌های داده‌های بزرگ زمین‌فضایی وجود دارد که باید از نظر در دسترس بودن داده‌ها در مدل‌های چند ابری، یکپارچگی داده‌ها، استانداردهای داده‌ها و ناهمگنی بررسی شوند.

2.3. فن آوری های اسکن لیزری

در سال های اخیر، فناوری اسکن لیزری به طور فزاینده ای برای اهداف مختلف، از جمله پروژه های ساختمانی [ 16 ، 17 ]، برای ارائه ابرهای نقطه ای با وضوح بالا از اجسام پیچیده استفاده شده است [ 18 ، 19 ]. یکی دیگر از کاربردهای مهم ابرهای نقطه ای، ردیابی پیشرفت فیزیکی ساختمان ها و توسعه های شهری است [ 20 ]. ردیابی پیشرفت فرآیند شناسایی تفاوت ها و/یا تغییرات هندسی در یک شی در یک دوره مشخص است [ 21 , 22 ]]. نظارت بر پیشرفت فیزیکی در پروژه های ساختمانی برای اندازه گیری کارایی و بهره وری بسیار مهم است، اما رویه فعلی دست و پا گیر و پیچیده است. علاوه بر این کاربردها، اسکنرهای لیزری می‌توانند برای جمع‌آوری داده‌های چگالی نقطه بالا با سطح بالایی از دقت، وضوح فضایی خوب و در زمان کوتاه‌تر برای تشخیص تغییر شکل استفاده شوند [ 23 ، 24 ]. برای این برنامه‌ها، طیف گسترده‌ای از الگوریتم‌ها و روش‌ها برای بهینه‌سازی پردازش ابری نقطه‌ای از جمله فیلتر کردن، ساده‌سازی، تشخیص ویژگی، تقسیم‌بندی و ثبت استفاده می‌شوند [ 25 ].]. علیرغم تمام این کاربردهای ابرهای نقطه ای، استفاده از اسکن لیزری برای نظارت بر تغییر شکل، تشخیص تغییرات سه بعدی و تخمین حجم با استفاده از مجموعه داده های دو زمانی هنوز در مراحل اولیه است [ 20 ، 26 ، 27 ]. یکی از چالش های تشخیص تغییر شکل یا تغییر در طول زمان، به طور منظم، مربوط به مدیریت حجم بسیار زیاد داده های ابر نقطه ای است. شکل 2 مجموعه داده های ابر نقطه میدانی را برای زیرساخت راه آهن سبک نشان می دهد. اگر یک پزشک کار جمع آوری داده ها را هر روز به مدت یک یا دو سال ادامه دهد، می توان تصور کرد که مجموعه داده ها چقدر بزرگ خواهد بود. یک اسکنر موبایل دستی، Zeb Revo، برای جمع آوری داده های ابر نقطه ای در مناسبت های مختلف استفاده شد. به عنوان سپاسگوزار، فورسایت [ 22] ذکر شد، مزیت این نوع اسکنرهای موبایل جمع آوری داده ها از اجسام سطحی به راحتی و سریع است.

2.4. الگوریتم های یادگیری عمیق ماشینی

الگوریتم‌های یادگیری عمیق ماشینی برای پردازش انواع مختلف داده‌ها از جمله تصاویر و ابرهای نقطه‌ای استفاده می‌شوند. از این الگوریتم ها برای تشخیص اشیا و تغییرات استفاده می شود. این الگوریتم ها همچنین برای هوش مصنوعی و تشخیص اجسام متحرک مانند شناسایی کلاه روشن/خاموش کارگران در یک سایت ساخت و ساز برای نظارت بر ایمنی در محل کار استفاده شده است.
الگوریتم‌های مختلفی از جمله روش‌های یادگیری ماشینی/عمیق برای پردازش ابرهای نقطه لیدار و مجموعه داده‌های مکانی برای دستیابی به یک نتیجه قابل اعتماد برای تشخیص تغییر اجسام متحرک در دسترس هستند [ 25 ، 28 ، 29 ]. به عنوان مثال، Shirowzhan، Sepasgozar [ 25 ] یادگیری ماشین و الگوریتم های مبتنی بر نقطه را برای نشان دادن تغییرات سه بعدی محیط شهری در طول زمان با استفاده از ابرهای نقطه دو زمانی به کار بردند. الگوریتم‌های زیادی پیشنهاد شده‌اند، مانند نزدیک‌ترین نقطه تکراری (ICP) [ 30 ]، روش ابر به ابر (C2C) [ 31 ]، و مدل چند مقیاسی برای مقایسه مدل ابری (M3C2) Lagüela، Díaz-Vilariño [ 32 ]]. در M3C2، مشخصات ابر نقطه، مانند چگالی، بر انتخاب جهت نرمال اصلی تاثیر می گذارد. اگر تغییرات عمدتاً در بعد عمودی، مانند ابرهای نقطه‌ای در هوا باشد، باید نرمال عمودی را برای جهت عادی انتخاب کرد. با این حال، الگوریتم‌های کنونی باید بیشتر بسط و اصلاح شوند تا بتوانند با داده‌های بزرگ مکانی-زمانی که امکان مدل‌سازی و تجسم سه‌بعدی را فراهم می‌کند، مقابله کنند.
دوره-آموزش-حرفه-ای-gis

2.5. محاسبات با عملکرد بالا

انتشارات اخیر تمایل دارند از محاسبات مکانی-زمانی یا رویکردهای مختلف محاسبات با کارایی بالا در مدل سازی انتقال بیماری منتقله از طریق ناقل [ 33 ] و تجزیه و تحلیل جرم [ 34 ] استفاده کنند. مطالعات دیگر نیز از برنامه های کاربردی دوقلو دیجیتال برای بهبود مدیریت بلایا استفاده کردند. فن، ژانگ [ 4 ] از یک دوقلو دیجیتال برای استفاده در مدیریت بلایا با استفاده از انفورماتیک بحران و اطلاعات در زیرساخت سایبری استفاده کرد. آنها یک تحلیل شبکه پویا و یک رویکرد بازی را برای مدل‌سازی رفتارهای چند بازیگر و ارزیابی عملکرد تاب‌آوری و تلاش‌های امدادی پیشنهاد کردند.

3. شهرهای هوشمند شامل عناصر هوشمند

بخش فناورانه شهر هوشمند به استفاده از سیستم های اطلاعاتی برای برنامه ریزی، کنترل و مدیریت زیرساخت های حیاتی اشاره دارد [ 35 ، 36 ]. اخیراً طیف وسیعی از ابزارها و برنامه‌های کاربردی برای تسهیل پیاده‌سازی شهرهای هوشمند و گرفتن رفتار کاربر از دیدگاه‌های مختلف اجتماعی و مدیریتی معرفی شده‌اند [ 37 ]. طیف وسیع تری از فناوری های ژئوفضایی برای شهرهای هوشمند به منظور تولید داده ها و نظارت بر تغییرات در طول زمان در شهر مورد نیاز است. به عنوان مثال، اسکنرهای تلفن همراه دستی می توانند داده ها را به صورت روزانه جمع آوری کنند و به پزشکان کمک کنند تا تغییرات را در طول زمان پردازش کنند ( شکل 2 را ببینید.). ابرهای نقطه ای تولید شده در یک کار روزانه را می توان با سایر ذینفعان و کارشناسان با استفاده از پلتفرم های پایگاه ابری در میان گذاشت. با این حال، چالش های تجزیه و تحلیل داده های بزرگ، قابلیت همکاری و پیاده سازی باید ابتدا بررسی و حل شود. برای کاربردهای دیجیتال دوقلو در شهرهای هوشمند، رفتار عامل نیز باید در پلتفرم‌های جغرافیایی منعکس و مدل‌سازی شود. هنوز شکاف هایی در این حوزه وجود دارد، از جمله مدل سازی رفتار پویا زیرسیستم های متقابل پیشنهاد شده توسط Lom و Pribyl [ 38 ].]. آنها همچنین بررسی رفتار عوامل شهر هوشمند و شناسایی جزئیات رفتار زیرسیستم و همچنین روش های کارآمد تبادل اطلاعات را توصیه می کنند. علاوه بر این، برای چنین کاربردهایی، قابلیت همکاری سیستم‌هایی مانند GIS با BIM و برنامه‌های کاربردی واقعیت مجازی/افزوده همچنان چالش برانگیز است [ 11 ].
یکی از چالش‌های موجود در مسیر شهرهای هوشمند، توسعه مدل‌های تصمیم‌گیری چند معیاره و سناریوهای شبیه‌سازی است. یکی از برنامه های کاربردی اخیرا توسعه یافته توسط ESRI، یعنی ArcGIS Urban، نوعی برنامه کاربردی مناسب برای تصمیم گیری چند معیاره در محیط های شهری سه بعدی است. امروزه داشبوردها به طور فزاینده ای برای ارائه بینش بهتر برای تصمیم گیری آگاهانه در شهرهای هوشمند مورد استفاده قرار می گیرند. این داشبوردها به حسگرهایی متصل هستند که داده‌ها را ارائه می‌دهند و متخصصان با استفاده از این داشبوردها می‌توانند موقعیت‌های فعلی، تغییرات و تصمیمات هوشمندانه‌تری را بر اساس داده‌ها اتخاذ کنند. البته، این حسگرها مجموعه داده های بزرگی را تولید می کنند که نیاز به ذخیره و تجزیه و تحلیل دارند و پلتفرم های GIS مبتنی بر ابر (در اینجا به CyberGIS مراجعه کنید) برای مقابله با چنین مجموعه داده های عظیمی مناسب هستند.
مطالعات موردی مرتبط و روشنگرانه در پیاده‌سازی CyberGIS نیازمند شناسایی چالش‌ها در یک محیط کاری مبتنی بر ابر، قابلیت همکاری سخت‌افزار/نرم‌افزار، سرعت اینترنت، توسعه‌های کاربردی سهولت استفاده و دسترسی به برنامه برای کاربران است.
همچنین نیاز فوری به اتصال ابزارهای GIS آنلاین به دروازه های محیط ابر محاسباتی برای پروژه هایی با مجموعه داده های بسیار بزرگ وجود دارد. پیشرفت در رایانش ابری، نقشه‌برداری وب و الگوریتم‌های جدید برای پردازش و تحلیل داده‌های سه بعدی فضایی با استفاده از وکسل‌ها نیز برای تسریع توسعه شهر هوشمند با توجه به ابعاد بیشتر توسعه‌های شهری مورد نیاز است.
یک دستور کار برای تحقیقات بیشتر برای شهرهای هوشمند و CyberGIS شناسایی عوامل مؤثر بر فرآیند پذیرش فناوری است. چندین مفهوم وجود دارد که باید به طور جداگانه مورد بررسی قرار گیرند، مانند آمادگی کسب و کار در استفاده از فناوری های جدید، پذیرش فناوری [ 39 ]، انتشار [ 40 ]، انتشار فناوری [ 41 ]، و فرآیند اجرا [ 42 ، 43 ]. این امر مستلزم توسعه طبقه بندی فناوری ها برای درک بهتر فناوری های مختلف موجود در شهرهای هوشمند است. این عمل در زمینه ساخت و ساز آغاز شده است، جایی که سپاسگزار و دیویس [ 44] فناوری ها را بر اساس مسائل مربوط به پذیرش آنها دسته بندی کرد. با اتخاذ این طبقه‌بندی، فناوری‌های مفید برای شهرهای هوشمند عبارتند از: (i) فناوری‌های شبکه و کار اداری به عنوان فناوری‌های اطلاعاتی با نفوذ بالا (IT) و فناوری‌های اطلاعات و ارتباطات (ICT) که بر بهره‌وری انسانی، تجارت الکترونیک، خدمات شهری [ 37 ]، e. -دولت [ 45 ]، کشاورزی و بانکداری الکترونیکی در شهرهای هوشمند. اخیراً، بسیاری از فن‌آوری‌های ارتباطی مانند رسانه‌های اجتماعی [ 46 ]، اسکایپ، تیم‌ها و زوم‌ها به وجود آمده‌اند که برای کار از خانه یا کار از راه دور که برای شهرهای هوشمند بسیار حیاتی هستند، مفید هستند. (2) فن‌آوری‌های طراحی مانند مدل‌سازی اطلاعات ساختمان (BIM) [ 11 ، 47]، سیستم های اطلاعات جغرافیایی (GIS)، و CyberGIS [ 18 ، 48 ]; (iii) فن‌آوری‌های سنجش مانند حسگرهای پوشیدنی [ 49 ]، RFID [ 50 ، 51 ]، حسگرهای IoT، سیستم‌های مکان‌یابی زمان واقعی (RTLS) [ 52 ]، اسکنرهای لیزری [ 22 ]، GPS، رادار، دوربین‌های حمل‌ونقل هوشمند، هوشمند پارکینگ، و ساخت و ساز هوشمند (مدیریت محل کار، ردیابی مواد، مدیریت سایت، نظارت بر پیشرفت فیزیکی، و بهره وری، ایمنی، انتشار [ 53 ، 54 ]، تجهیزات امنیتی و کنترل از راه دور و سیستم های تشخیصی متصل یا تعبیه شده در تجهیزات سنگین مانند گریدر یا جرثقیل)؛ (IV) فن آوری های تولید مانند چاپ سه بعدی [55 ، 56 ]; و (v) فناوری‌های مجازی مانند واقعیت ترکیبی و دوقلوی دیجیتال.
دوره-آموزش-حرفه-ای-gis

4. موضوعات مطرح شده در این شماره

در حالی که موضوعات منتخب فناوری‌های پرطرفدار و مسائل نوظهور به طور مختصر در بخش‌های قبلی مورد بحث قرار گرفت، این بخش برخی از موضوعات مرتبط را که در شماره ویژه مورد بررسی قرار گرفته است، مرور می‌کند.
Mendoza-Silva، Gould [ 57 ] شبیه‌سازی را برای بهبود شیوه‌های پارک هوشمند با مدل‌سازی رانندگان با برنامه‌های فعالیت ارائه می‌دهد. این مطالعه تجربی یک شبیه ساز اشغال پارکینگ را برای پشتیبانی از یک سیستم هوشمند برای مدیریت پارکینگ ارائه می دهد. این مقاله برای استفاده در گسترش شیوه‌های شهر هوشمند بسیار مهم است، زیرا نشان می‌دهد که چگونه فرآیند توسعه یک شبیه‌ساز به توسعه پارکینگ هوشمند از طراحی تا اجرا کمک می‌کند.
گو، ژو [ 58 ] یک الگوریتم بهینه سازی دوچرخه را برای افزایش کارایی ایستگاه های دوچرخه و سیستم اشتراک گذاری در مورد شنژن در چین پیشنهاد می کند. سیستم های اشتراک دوچرخه بدون ایستگاه اخیراً در چین مطابق با شیوه های شهر هوشمند معرفی شده اند. آنها یک الگوریتم بهینه سازی را برای مطابقت با پیشنهادات دوچرخه و سواری پیشنهاد می کنند.
وو، لیو [ 59 ] از شبیه‌سازی مدل مبتنی بر عامل از تحرک انسان با استفاده از مجموعه داده‌های تلفن همراه و تجزیه و تحلیل داده‌های بزرگ فضایی استفاده می‌کنند. آنها سفرهای فردی در مناطق شهری را شناسایی می کنند و رفتارهای رفت و آمد ساکنان را با استفاده از یک مدل مبتنی بر عامل شبیه سازی می کنند.
روپی، پولیزانی [ 60 ] استفاده از روش های عددی را برای مطابقت با تقاضای شبکه و عرضه دوچرخه ها توصیف می کنند. این یک مطالعه مفید در بهبود زیرساخت شهر با استفاده از مجموعه داده های مکانی است.
لی، گوو [ 61 ] توزیع راه آهن در چین را با استفاده از شاخص هایی مانند تراکم شبکه، مجاورت، زمان سفر، فرکانس قطار، جمعیت و تولید ناخالص داخلی (GDP) بررسی می کند. آنها سپس توزیع شبکه راه آهن چین را با استفاده از GIS ارزیابی کردند.
دونگ، یوان [ 62 ] الگوریتم جدیدی از جستارهای متحرک پیوسته آگاه از جهت K-نزدیکترین همسایه در شبکه های جاده ای ارائه می کند. آنها نشان دادند که چگونه می توان از اطلاعات آزیموت شی برای تعیین جهت حرکت به سمت شی پرس و جو استفاده کرد.
وانگ، سان [ 63 ] یک چارچوب ترکیبی برای مدل‌سازی با کارایی بالا شبکه‌های لوله سه بعدی پیشنهاد می‌کنند. مدل‌سازی سه‌بعدی یک موضوع پرطرفدار در ادبیات شهر هوشمند است [ 25 ، 64 ]. آنها توضیح می دهند که چگونه فناوری نمونه سازی به طور قابل توجهی عملکرد رندر شبکه های لوله سه بعدی را بهبود می بخشد.
هان و همکاران [ 65 ] یک الگوریتم برنامه ریزی تخلیه مرحله ای کارآمد برای ساختمان های چند خروجی ارائه می دهد. این الگوریتم را می توان با استفاده از شبیه سازی های پیشرفته داده های بزرگ و فناوری های واقعیت مجازی آزمایش کرد.

منابع

  1. بنیاد ملی تحقیقات (NRF). سنگاپور مجازی 2020 28/03/2020. در دسترس آنلاین: https://www.nrf.gov.sg/programmes/virtual-singapore (در 28 مارس 2020 قابل دسترسی است).
  2. Kemp, S. Digital 2019: استفاده جهانی از اینترنت شتاب می گیرد. 2020. در دسترس آنلاین: https://wearesocial.com/blog/2019/01/digital-2019-global-internet-use-accelerates (در 28 مارس 2020 قابل دسترسی است).
  3. Qi، Q. تائو، اف. هو، تی. آنور، ن. لیو، ا. وی، ی. وانگ، ال. Nee, A. فناوری‌ها و ابزارهای فعال برای دوقلوهای دیجیتال. J. Manuf. سیستم 2019 . [ Google Scholar ] [ CrossRef ]
  4. فن، سی. ژانگ، سی. یحجا، ع. مصطفوی، الف. شهر فاجعه دوقلوی دیجیتال: چشم اندازی برای ادغام هوش مصنوعی و انسانی برای مدیریت بلایا. بین المللی J. Inf. مدیریت 2019 ، 102049. [ Google Scholar ] [ CrossRef ]
  5. شیروژان، س. سپاسگزار، س. لی، اچ. Trinder، J. متریک های فشردگی فضایی و توسعه Voxel Automata محدود برای تجزیه و تحلیل تراکم سه بعدی و اعمال در ابرهای نقطه ای: یک بررسی مصنوعی. خودکار ساخت و ساز 2018 ، 96 ، 236-249. [ Google Scholar ] [ CrossRef ]
  6. وانگ، اس. لیو، YY; Padmanabhan، A. نرم افزار باز cyberGIS برای تحقیقات و آموزش جغرافیایی در عصر داده های بزرگ. SoftwareX 2016 ، 5 ، 1-5. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. لیو، YY; پادمنابان، ع. Wang، S. CyberGIS Gateway برای فعال کردن تحقیقات و آموزش مکانی غنی از داده ها. موافق محاسبه کنید. تمرین کنید. انقضا 2014 ، 27 ، 395-407. [ Google Scholar ] [ CrossRef ]
  8. وانگ، اس. چارچوب CyberGIS برای سنتز زیرساخت سایبری، GIS و تجزیه و تحلیل فضایی. ان دانشیار صبح. Geogr. 2010 ، 100 ، 535-557. [ Google Scholar ] [ CrossRef ]
  9. شیروژان، س. لیم، اس. تریدر، جی. لی، اچ. سپاسگزار، س. داده کاوی برای شناخت الگوهای توزیع فضایی ارتفاعات ساختمان با استفاده از داده های هوابرد لیدار. Adv. مهندس آگاه کردن. 2020 , 43 , 101033. [ Google Scholar ] [ CrossRef ]
  10. ویلوتین، تی. حسینی، محمدرضا; پلیسر، ای. Zavadskas، EK کاربردهای پیشرفته BIM در صنعت ساخت و ساز. Adv. مدنی مهندس 2019 ، 2019 ، 6356107. [ Google Scholar ] [ CrossRef ]
  11. شیروژان، س. سپاسگزار، SM; ادواردز، دی جی; لی، اچ. Wang, C. سازگاری BIM و تمایز آن با چالش های قابلیت همکاری به عنوان یک عامل نوآوری. خودکار ساخت و ساز 2020 , 112 , 103086. [ Google Scholar ] [ CrossRef ]
  12. کومار، بی. پاندی، جی. لوهانی، بی. Misra, SC یک معماری چند وجهی CNN برای طبقه‌بندی خودکار داده‌های LiDAR موبایل و الگوریتمی برای بازتولید نمونه‌های ابر نقطه‌ای برای آموزش پیشرفته. ISPRS J. Photogramm. Remote Sens. 2019 ، 147 ، 80–89. [ Google Scholar ] [ CrossRef ]
  13. دنگ، ایکس. لیو، پی. لیو، ایکس. وانگ، آر. ژانگ، ی. او، جی. یائو، ی. داده های بزرگ جغرافیایی: پارادایم جدید کاربردهای سنجش از دور. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2019 , 12 , 3841–3851. [ Google Scholar ] [ CrossRef ]
  14. دییب، دی. آمور، م. Doallo، R. پردازش جغرافیایی داده های بزرگ برای مجموعه داده های عظیم هوایی LiDAR. Remote Sens. 2020 , 12 , 719. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  15. باریک، RK; Misra, C. لنکا، RK; دوبی، اچ. Mankodiya، K. سیستم های مه-ابر ترکیبی برای تجزیه و تحلیل و پردازش داده های بزرگ جغرافیایی در مقیاس بزرگ: فرصت ها و چالش ها. عرب جی. ژئوشی. 2019 ، 12 ، 32. [ Google Scholar ] [ CrossRef ]
  16. لوئیس، جی. Dunston، روش PS برای نظارت زمان واقعی عملیات ساخت و ساز با استفاده از ماشین های حالت محدود و مدل های عملیات رویداد گسسته. J. Constr. مهندس مدیریت 2017 , 143 , 04016106. [ Google Scholar ] [ CrossRef ]
  17. سپاسگزار، س. وانگ، سی. شیروژان، س. چالش ها و فرصت های پیاده سازی اسکنر لیزری در ساختمان سازی. در مجموعه مقالات سی و سومین سمپوزیوم بین المللی اتوماسیون و رباتیک در ساخت و ساز (ISARC 2016)، آبورن، AL، ایالات متحده آمریکا، 18 تا 21 ژوئیه 2016. [ Google Scholar ]
  18. شیروژان، س. سپاسگزار، S. تحلیل فضایی با استفاده از ابرهای نقطه زمانی در GIS پیشرفته: روش‌هایی برای استخراج ارتفاع از زمین در مناطق شیبدار و طبقه‌بندی ساختمان. ISPRS Int. J. Geo Inf. 2019 ، 8 ، 120. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  19. شیروژان، س. لیم، اس. Trinder، J. الگوریتم‌های مبتنی بر خودهمبستگی پیشرفته برای فیلتر کردن داده‌های Lidar هوابرد در مناطق شهری. J. Surv. مهندس 2016 , 142 , 04015008. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. شیروژان، س. سپاسگزار، س. لیو، سی. نظارت بر پیشرفت فیزیکی ساختمان‌های داخلی با استفاده از ابرهای نقطه‌ای متحرک و زمینی. در مجموعه مقالات کنگره تحقیقات ساخت و ساز 2018، نیواورلئان، لس آنجلس، ایالات متحده آمریکا، 2 تا 4 آوریل 2018. [ Google Scholar ]
  21. سینگ، الف. مقاله را مرور کنید تکنیک‌های تشخیص تغییر دیجیتال با استفاده از داده‌های سنجش از راه دور. بین المللی J. Remote Sens. 1989 ، 10 ، 989-1003. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. سپاسگزار، س. فورسایت، پی. Shirowzhan, S. ارزیابی فناوری‌های اسکنر زمینی و سیار برای مدل‌سازی اطلاعات جزئی. J. Constr. مهندس مدیریت 2018 , 144 , 04018110. [ Google Scholar ] [ CrossRef ]
  23. سپاسگزار، س. لیم، اس. شیروژان، س. کیم، پی. نادوشنی، ZM استفاده از یک اسکنر جدید زمینی برای بازسازی مدل های ساخته شده: یک مطالعه تطبیقی. در مجموعه مقالات سمپوزیوم بین المللی ISARC در اتوماسیون و رباتیک در ساخت و ساز، اولو، فنلاند، 15 تا 18 ژوئن 2015. دانشگاه فنی ویلنیوس گدیمیناس، گروه اقتصاد ساخت و ساز و دارایی. [ Google Scholar ]
  24. سپاسگزار، SME; Forsythe، PJ; Shirowzhan, S. Scanners And Photography: A Framework Combined. در مجموعه مقالات چهلمین انجمن آموزش ساختمان دانشگاه های استرالیا (AUBEA) 2016 کنفرانس، کایرنز، استرالیا، 6-8 ژوئیه 2016. دانشگاه مرکزی کوئینزلند: کرنز، استرالیا. [ Google Scholar ]
  25. شیروژان، س. سپاسگزار، س. لی، اچ. تریدر، جی. تانگ، پی. تحلیل مقایسه ای یادگیری ماشین و الگوریتم های مبتنی بر نقطه برای تشخیص تغییرات سه بعدی در ساختمان ها در طول زمان با استفاده از داده های لیدار دو زمانی. خودکار ساخت و ساز 2019 ، 105 ، 102841. [ Google Scholar ] [ CrossRef ]
  26. والتون، جی. دلالوی، دی. Diederichs، MS توسعه یک الگوریتم اتصالات بیضوی برای بهبود قابلیت‌های تشخیص تغییر با برنامه‌های کاربردی برای نظارت بر تغییر شکل در تونل‌ها و شفت‌های دایره‌ای. تون. Undergr. فناوری فضایی 2014 ، 43 ، 336-349. [ Google Scholar ] [ CrossRef ]
  27. سپاسگزار، اس ام; شیروژان، س. وانگ، سی. مدل پذیرش فناوری اسکنر برای پروژه های ساختمانی. Procedia Eng. 2017 ، 180 ، 1237-1246. [ Google Scholar ] [ CrossRef ]
  28. یان، ز. داکت، تی. Bellotto، N. یادگیری آنلاین برای تشخیص انسان مبتنی بر LiDAR 3D: تجزیه و تحلیل تجربی روش‌های طبقه‌بندی و خوشه‌بندی ابر نقطه. Auton. ربات. 2019 ، 44 ، 147-164. [ Google Scholar ] [ CrossRef ]
  29. ژو، جی. فو، ایکس. ژو، اس. ژو، جی. بله، اچ. Nguyen, HT تقسیم بندی خودکار گیاهان سویا از ابر نقطه سه بعدی با استفاده از یادگیری ماشین. محاسبه کنید. الکترون. کشاورزی 2019 ، 162 ، 143-153. [ Google Scholar ] [ CrossRef ]
  30. Faugeras، OD; هبرت، ام. پاچون، ای. Ponce, J. بازنمایی شیء، شناسایی و موقعیت یابی از داده های محدوده. در رباتیک و هوش مصنوعی ؛ Springer: برلین/هایدلبرگ، آلمان، 1984; صص 255-277. [ Google Scholar ]
  31. لاگ، دی. برودو، ن. Leroux, J. مقایسه دقیق سه بعدی توپوگرافی پیچیده با اسکنر لیزری زمینی: کاربرد در دره Rangitikei (NZ). ISPRS J. Photogramm. Remote Sens. 2013 ، 82 ، 10-26. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. لاگوئلا، اس. ویلارینو، LD; مارتینز-سانچز، جی. Armesto, J. بافت حرارتی و RGB خودکار BIM ساخته شده برای اهداف بازتوانی انرژی. خودکار ساخت و ساز 2013 ، 31 ، 230-240. [ Google Scholar ] [ CrossRef ]
  33. کانگ، J.-Y. آلدشتات، جی. واندوال، آر. یین، دی. وانگ، اس. یک رویکرد CyberGIS برای عدم قطعیت صریح فضایی و زمانی و تحلیل حساسیت جهانی برای مدل‌سازی مبتنی بر عامل انتقال بیماری ناشی از ناقلین. ان صبح. دانشیار Geogr. 2020 ، 1-19. [ Google Scholar ] [ CrossRef ]
  34. آجایاکومار، جی. شوک، E. استفاده از محاسبات مکانی-زمانی موازی برای تجزیه و تحلیل جرم در مجموعه داده های بزرگ: تحلیل روندها در پدیده تقریباً تکراری جرم در شهرها. بین المللی جی. جئوگر. Inf. علمی 2020 ، 1-25. [ Google Scholar ] [ CrossRef ]
  35. واشبرن، دی. سیندو، U. کمک به CIOها در درک ابتکارات «شهر هوشمند» ؛ Forrester Research, Inc.: Cambridge, MA, USA, 2010. [ Google Scholar ]
  36. آلبینو، وی. براردی، یو. Dangelico، RM شهرهای هوشمند: تعاریف، ابعاد، عملکرد، و ابتکارات. J. فناوری شهری. 2015 ، 22 ، 3-21. [ Google Scholar ] [ CrossRef ]
  37. سپاسگزار، س. هاکن، اس. سرگلزایی، س. فروزانفا، م. پیاده‌سازی فناوری شهروند محور در توسعه شهرهای هوشمند: مدلی برای پیش‌بینی پذیرش فناوری‌های شهری. تکنولوژی پیش بینی. Soc. چانگ. 2019 ، 142 ، 105-116. [ Google Scholar ] [ CrossRef ]
  38. لوم، ام. مدل شهر هوشمند Pribyl، O. بر اساس نظریه سیستم ها. بین المللی J. Inf. مدیریت 2020 ، 102092. [ Google Scholar ] [ CrossRef ]
  39. سپاسگزار، س. دیویس، اس. لوسمور، ام. برنولد، ال. بررسی پذیرش فناوری تجهیزات ساختمانی مدرن در صنعت ساخت و ساز استرالیا. مهندس ساخت و ساز قوس. مدیریت 2018 ، 25 ، 1075-1091. [ Google Scholar ] [ CrossRef ]
  40. راجرز، انتشار EM از نوآوری ها ؛ سیمون و شوستر: نیویورک، نیویورک، ایالات متحده آمریکا، 2010. [ Google Scholar ]
  41. سپاسگزار، س. دیویس، اس. Loosemore, M. شیوه های انتشار فروشندگان فناوری سایت های ساختمانی در نمایشگاه های فناوری. جی. مناگ. مهندس 2018 , 34 , 04018038. [ Google Scholar ] [ CrossRef ]
  42. فروزانفر، م. سپاسگزار، اس. مدلسازی اجرای فناوری دیجیتال سبز در ساخت و ساز. در مجموعه مقالات کنگره تحقیقات ساخت و ساز 2018، نیواورلئان، لس آنجلس، ایالات متحده آمریکا، 2 تا 4 آوریل 2018. [ Google Scholar ]
  43. سپاسگزار، س. دیویس، اس. لی، اچ. لو، ایکس. مدل‌سازی فرآیند پیاده‌سازی برای فناوری‌های ساخت‌وساز جدید: تحلیل موضوعی بر اساس شیوه‌های استرالیا و ایالات متحده. جی. مناگ. مهندس 2018 , 34 , 05018005. [ Google Scholar ] [ CrossRef ]
  44. سپاسگزار، س. دیویس، اس. فناوری ساخت و ساز دیجیتال و نمایش تجهیزات محل کار: مدل سازی استراتژی های رابطه برای پذیرش فناوری. ساختمان‌ها 2019 ، 9 ، 158. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  45. آناند، ا. وایدیا، SD؛ شراهیلی، SM نقش یکپارچه سازی در مقیاس پروژه دولت الکترونیک. تبدیل. فرآیند مردمی دولت سیاست 2020 ، 14 ، 65-80. [ Google Scholar ] [ CrossRef ]
  46. لورل، سی. سندستروم، سی. برتولد، ا. لارسون، دی. بررسی موانع پذیرش واقعیت مجازی از طریق تجزیه و تحلیل رسانه های اجتماعی و یادگیری ماشین – ارزیابی فناوری، شبکه، قیمت و قابلیت آزمایش. اتوبوس جی. Res. 2019 ، 100 ، 469-474. [ Google Scholar ] [ CrossRef ]
  47. پیشداد بزرگی، ص. امکانات هوشمند آینده: مدیریت تسهیلات مجهز به فناوری BIM. J. Constr. مهندس مدیریت 2017 , 143 , 02517006. [ Google Scholar ] [ CrossRef ]
  48. شیروژان، س. سپاسگزار SM, E.; زینی، من. Wang, C. سیستم مکان یابی یکپارچه GIS و Wi-Fi برای بهبود ارتباطات نیروی کار ساختمانی. در مجموعه مقالات سی و چهارمین سمپوزیوم بین المللی اتوماسیون و رباتیک در ساخت و ساز، تایپه، تایوان، 28 ژوئن تا 1 ژوئیه 2017. [ Google Scholar ]
  49. اولوسی، من. مارکس، ED; هالوول، ام. فناوری پوشیدنی برای نظارت بر ایمنی ساخت و ساز شخصی و روند روند: بررسی دستگاه های قابل اجرا. خودکار ساخت و ساز 2018 ، 85 ، 96-106. [ Google Scholar ] [ CrossRef ]
  50. فو، H.-P. چانگ، T.-H. لین، ا. Du، Z.-J. Hsu، K.-Y. عوامل کلیدی برای پذیرش RFID در صنعت لجستیک در تایوان. بین المللی J. Logist. مدیریت 2015 ، 26 ، 61-81. [ Google Scholar ] [ CrossRef ]
  51. وانگ، اچ. او، جی. Pan, Y. یک چارچوب راه حل در مدیریت تراکم ترافیک با استفاده از فناوری RFID. در مجموعه مقالات کنفرانس بین المللی انفورماتیک صنعتی و مهندسی کامپیوتر 2015، شیان، چین، 10-11 ژانویه 2015. آتلانتیس پرس: پاریس، فرانسه، 2015. [ Google Scholar ]
  52. لی، اچ. چان، جی. وانگ، KW; Skitmore, M. کاربردهای سیستم مکان یابی بلادرنگ در ساخت و ساز. خودکار ساخت و ساز 2016 ، 63 ، 37-47. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  53. سپاسگزار، س. لی، اچ. شیروژان، س. روش‌های تام، VWY برای نظارت بر انتشار آلاینده‌های خودروهای خارج از جاده ساخت‌وساز: یک بررسی انتقادی برای شناسایی کمبودها و جهت‌ها. محیط زیست علمی آلودگی Res. 2019 ، 26 ، 15779–15794. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  54. سپاسگزار، SME; بلر، جی. اندازه گیری انتشار گازهای گلخانه ای غیر جاده ای در صنعت ساخت و ساز: خلاصه ای از ادبیات. بین المللی J. Constr. مدیریت 2019 ، 1-16. [ Google Scholar ] [ CrossRef ]
  55. طهماسبی نیا، ف. نیملا، ام. ابراهیم زاده، س. لای، تی. سو، دبلیو. ردی، KR؛ شیروژان، س. سپاسگزار، س. چاپ سه بعدی Marroquin، FA با استفاده از پلی اتیلن با چگالی بالا بازیافتی: چالش های تکنولوژیکی و دستورالعمل های آینده برای ساخت و ساز. Buildings 2018 , 8 , 165. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  56. طهماسبی نیا، ف. سپاسگزار، SM; شیروژان، س. نیملا، م. تریپ، ا. ناگابیراوا، س. Ko، ZMK؛ Alonso-Marroquin، F. توسعه معیارها برای ساخت و ساز پایدار در صنعت ساخت و ساز 4.0. ساخت و ساز نوآوری. 2020 . [ Google Scholar ] [ CrossRef ]
  57. سیلوا، جی ام ام؛ گولد، ام. مونتولیو، آر. تورس-سوسپدرا، جی. Huerta, J. یک شبیه‌ساز اشغال برای یک سیستم پارکینگ هوشمند: طراحی توسعه و ملاحظات تجربی. ISPRS Int. J. Geo Inf. 2019 ، 8 ، 212. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  58. گو، ز. زو، ی. ژانگ، ی. ژو، دبلیو. Chen, Y. الگوریتم بهینه سازی دوچرخه اکتشافی برای بهبود کارایی استفاده از سیستم اشتراک دوچرخه بدون ایستگاه در شنژن، چین. ISPRS Int. J. Geo Inf. 2019 ، 8 ، 239. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  59. وو، اچ. لیو، ال. یو، ی. پنگ، ز. جیائو، اچ. Niu, Q. شبیه سازی مدل مبتنی بر عامل از تحرک انسان بر اساس داده های تلفن همراه: نحوه ارتباط رفت و آمد با ازدحام. ISPRS Int. J. Geo Inf. 2019 ، 8 ، 313. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  60. روپی، اف. پولیزیانی، سی. Schweizer, J. تجزیه و تحلیل شبکه دوچرخه مبتنی بر داده بر اساس روش‌های شمارش سنتی و ردیابی GPS از تلفن هوشمند. ISPRS Int. J. Geo Inf. 2019 ، 8 ، 322. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  61. لی، ام. گوا، آر. لی، ی. او، بی. فن، Y. الگوی توزیع شبکه راه آهن در چین در سطح شهرستان. ISPRS Int. J. Geo Inf. 2019 ، 8 ، 336. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  62. دونگ، تی. یوان، ال. شانگ، ی. بله، ی. Zhang، L. حرکت مستمر آگاه از جهت K-نزدیکترین همسایه در شبکه های جاده ای. ISPRS Int. J. Geo Inf. 2019 ، 8 ، 379. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  63. وانگ، اس. سان، ی. سان، ی. گوان، ی. فنگ، ز. لو، اچ. کای، دبلیو. Long, L. یک چارچوب ترکیبی برای مدلسازی با کارایی بالا شبکه های لوله سه بعدی. ISPRS Int. J. Geo Inf. 2019 ، 8 ، 441. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  64. شیروژان، س. تریدر، جی. Osmond، P. معیارهای جدید برای ارزیابی پایداری فرم شهری سه بعدی فضایی و زمانی با استفاده از ابرهای نقطه لیدار سری زمانی و تکنیک های پیشرفته GIS. در طراحی شهری ؛ IntechOpen: لندن، بریتانیا، 2019. [ Google Scholar ]
  65. هان، ال. گوا، اچ. ژانگ، اچ. کنگ، کیو. ژانگ، ا. Gong, C. یک الگوریتم برنامه ریزی تخلیه مرحله ای کارآمد که در ساختمان های چند خروجی اعمال می شود. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 46. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
شکل 1. نشان دادن دوقلوی فیزیکی-دیجیتال در مقیاس شهر، ( الف ) دوقلوی فیزیکی شهر. ( ب ) دوقلوی دیجیتال شهری؛ ( ج ) مدیریت داده ها و تعاملات. ( د ) توسعه داشبورد بر اساس محاسبات. ( ه ) ادغام مدل سازی اطلاعات ساختمان (BIM) و سیستم های اطلاعات جغرافیایی (GIS) برای مدل دیجیتالی یک ساختمان پیشنهادی. ( f ) داشبورد توسعه یافته توسط نویسنده اول که برای ایجاد بینش بهتر از داده ها استفاده می شود.
شکل 2. بررسی ساخت زیرساخت با استفاده از اسکنر دستی Geo SLAM (محلی سازی و نقشه برداری همزمان): ( الف ) جمع آوری داده ها از یک پروژه راه آهن سبک در راندویک، سیدنی. ب ) تصویر مسیر ردیابی به رنگ قرمز.

بدون دیدگاه

دیدگاهتان را بنویسید