DKP: یک پلت فرم اطلاعات جغرافیایی و دانش برای حمایت از طراحی خدمات آب و هوایی

خلاصه

این مقاله در حوزه های مرتبط با خدمات آب و هوا و اطلاعات جغرافیایی قرار می گیرد. ما معماری و ویژگی‌های پلت‌فرم داده و دانش (DKP) را ارائه می‌کنیم، نرم‌افزار جغرافیایی نوآورانه‌ای که به‌عنوان پشتیبانی از توضیح خدمات آب و هوایی در زمینه تغییرات در مناطق جغرافیایی معین طراحی شده است. این برای جامعه ای از ذینفعان در نظر گرفته شده است که به ابزارهای بصری و جغرافیایی برای طراحی خدمات بهبود تاب آوری جامعه در مورد مسائل محلی خاص نیاز دارند. این پلتفرم عملکردهای مختلفی را برای جستجوی تمام اطلاعات جغرافیایی موجود فراهم می کند. با پیش‌بینی حجم زیادی از داده‌هایی که قرار است ذخیره شوند، یک پایگاه داده NoSQL را به جای یک مخزن متنی انتخاب کردیم. در این مقاله، ویژگی‌های مختلف پلتفرم و توانایی آن برای پشتیبانی از طراحی مشترک خدمات آب و هوای بصری را ارائه می‌کنیم.

کلید واژه ها:

خدمات آب و هوا ؛ طراحی ؛ مدیریت داده ها ؛ تجسم ; اطلاعات جغرافیایی

1. معرفی

خدمات آب و هوا (CS) در سال‌های اخیر حتی با افزایش درک تغییرات آب و هوایی محبوبیت بیشتری پیدا کرده است ( https://publications.jrc.ec.europa.eu/repository/handle/JRC72550 ) [ 1 ، 2]. آنها همیشه به مسائل بسیار خاص و محلی پاسخ می دهند، اما محدودیت های پوشش آنها نامشخص است. آنها هنوز در مرحله اولیه توسعه هستند، بنابراین هیچ چارچوب رسمی هنوز به عنوان یک استاندارد ظاهر نشده است، چه برای طراحی آنها یا برای اجرای آنها در حالی که تلاش هایی برای تعریف دستورالعمل ها و نظریه پردازی روند توسعه آنها وجود دارد. با این حال، یک ویژگی ضروری CS ماهیت بصری و جغرافیایی ذاتی آنها است. CS برای رسیدگی به مسائل شناسایی شده در یک مکان معین و برای موضوعات به خوبی شناسایی شده است. مهمتر از همه، موقعیت جغرافیایی هدف آنها یک بعد اساسی در فرآیند طراحی است. در مرحله اول توسعه و در تمام طول چرخه عمر آن، داده های ساختاریافته و غیرساختار یافته مرتبط موجود به طور بالقوه برای استخراج اطلاعات مربوط به جغرافیای آن مفید هستند.

به نوبه خود، دامنه بازیابی اطلاعات جغرافیایی (GIR) هر دو هدف بازیابی اطلاعات (IR) و سیستم های اطلاعات جغرافیایی (GIS) را ترکیب می کند و به چالش های استخراج اطلاعات جغرافیایی از حجم داده های بدون ساختار می پردازد. وب دامنه های CS و GIR این ماهیت جغرافیایی ذاتی را به اشتراک می گذارند. در میان چالش های متعدد مطرح شده در زمینه نسبتاً جدید GIR، توسعه رابط های کاربری است که جستجوی اطلاعات را تسهیل می کند [ 3 ، 4 ]. پلت فرم ارائه شده در این مقاله بخشی از این موضوع است.

ما معماری و ویژگی‌های نرم‌افزار جغرافیایی پلتفرم داده و دانش (DKP) را ارائه می‌کنیم که به‌عنوان پشتیبانی از توضیح خدمات اقلیمی در زمینه تأثیر تغییر جهانی در مکان‌های جغرافیایی معین تصور شده است. این برای جامعه ای از ذینفعان در نظر گرفته شده است که به ابزارهای بصری و جغرافیایی برای طراحی خدمات برای بهبود تاب آوری جامعه در حوزه های مختلف نیاز دارند. هدف DKP ارائه توابع تجسم و مخزنی از منابع ارجاع شده جغرافیایی است که برای درک و طراحی بهتر مفید هستند.

فرآیند توسعه DKP در حوزه GIR قرار می گیرد، زیرا شامل آن می شود

ارائه پشتیبانی از ارائه دهندگان CS در جستجوی اطلاعات جغرافیایی؛
ذخیره سازی داده های حجیم و دارای برچسب جغرافیایی از انواع مختلف به لطف ساختار داده NoSQL بسیار انعطاف پذیر. و
تعریف یک رابط کاربری عمدتا بر اساس دیدگاه های جغرافیایی استخراج شده از داده های آن.

این پلت فرم در چارچوب پروژه اروپایی INNOVA (منطقه تحقیقاتی اروپا برای خدمات آب و هوایی، ERA4CS) ساخته شده است. پروژه INNOVA ( https://www.innovaclimate.org/ ) علاوه بر سازگاری تدریجی، نوآوری های خدمات آب و هوایی را برای سازگاری تحول آفرین در نظر می گیرد.. این پروژه حول چهار مطالعه موردی محلی به نام هاب سازماندهی شده است که در سراسر پروژه به هم متصل هستند. هر مرکز بر روی یک منطقه جغرافیایی خاص در اروپا، از جمله در خارج از کشور، تمرکز دارد، که تاثیر تغییرات آب و هوایی بر آن به ویژه ناخوشایند است. در حالی که نسخه فعلی DKP فقط به چهار مرکز INNOVA اختصاص داده شده است، به راحتی به هر مورد مشابه جدیدی از طراحی CS که این کار ممکن است با تجسم تأثیر آب و هوا و اطلاعات جغرافیایی مرتبط برای رسیدگی به اقلیم محلی تسهیل شود، گسترش می یابد. مسائل مربوط به ریسک

طراحی DKP عموماً برای حمایت از تأمین‌کنندگان CS در وظایفشان با اجازه دادن به موارد زیر در نظر گرفته شده است: (الف) اطلاعات جغرافیایی ارجاع‌شده در مورد مطالعه موردی تغییر اقلیم محلی معین برای طراحی بیشتر راه‌حل‌های کاهش، (ب) کاوش داده‌های آب و هوا و سایر دسته‌بندی‌ها داده های دیجیتال را در یک چارچوب جغرافیایی قرار می دهند و (ج) سناریوهای تغییرات آب و هوایی مربوط به یک فعالیت معین را اجرا می کنند. با این حال، در این نسخه اول، به ویژه با مورد مرکز INNOVA هند غربی فرانسه (جزایر گوادلوپ و مارتینیک) که در آن توسعه خدمات برای ارزیابی خطر تأثیر تغییر آب و هوا بر کشاورزی جزیره مورد مطالعه قرار می‌گیرد، مناسب است. در این مقاله، استفاده از پلت فرم را مورد بحث قرار می دهیم و علاقه آن را به این مطالعه موردی محلی نشان می دهیم.

دانش کشف شده با استفاده از پلتفرم بسته به ابزار پلت فرم سه نوع است:

یک ماژول جستجوی داده که به کاربران اجازه می دهد تا پایگاه داده را از طریق یک موتور جستجو جستجو و فیلتر کنند تا هر منبع DKP مطابق با درخواست کاربر را شناسایی کنند.
یک ماژول استخراج دانش که فقط بر داده های آب و هوایی تمرکز دارد و قادر به پاسخگویی به سؤالات در مورد تکامل شرایط آب و هوایی خاص است. و
یک ماژول متن کاوی که به کاربران اجازه می دهد تا تجزیه و تحلیل عمیق منابع متنی DKP مرتبط با یک هاب معین یا ناشی از یک جستجوی پیچیده تر را انجام دهند.

سهم کار ارائه شده در این مقاله در اصالت و تازگی پلت فرم برای حوزه خدمات اقلیمی است، به عنوان مثال، نه تنها پشتیبانی جغرافیایی آن برای طراحی مشترک خدمات آب و هوا، بلکه کمکی که به فوریت های محلی می کند. به عنوان مثال برای مقامات محلی و منطقه ای و سایر تصمیم گیرندگان منطقه ای نیاز است. این در حوزه پلتفرم های داده و دانش قرار می گیرد که برای یک نوع برنامه خاص یا یک جامعه کاربری اختصاصی طراحی شده اند.

بقیه این مقاله در شش بخش تنظیم شده است. بخش 2 جزئیات (الف) حوزه خدمات آب و هوایی، مسائل طراحی و چالش ها را شرح می دهد. و (ب) اهداف و ماهیت جغرافیایی DKP. بخش 3 مدیریت ذخیره سازی داده پلت فرم را با طرح داده ها و تکنیک هایی که پیاده سازی شده اند ارائه می دهد. بخش 4 بر مرحله بندی بصری و جغرافیایی منابع روی پلت فرم متمرکز است. بخش 5 نشان می دهد که چگونه داده ها ممکن است تجزیه و تحلیل و ارزیابی شوند تا دانش مفید برای طراحی یک سرویس استخراج شود. در نهایت، نمونه‌ای را باز می‌کنیم که اجرای پلتفرم را در یک موقعیت عملی در بخش 6 نشان می‌دهد و در بخش 7 نتیجه‌گیری می‌کنیم .

تمام نقشه هایی که نشان دهنده عملکردهای پلت فرم هستند و داده های نمایش داده شده در مقاله را بر اساس داده های شبیه سازی شده ترسیم می کنند. آنها به هیچ وجه واقعیت جغرافیایی، آب و هوا، آب و هوا، پیش بینی آب و هوا، یا داده های تولید کشاورزی در مناطق مورد نظر را منعکس نمی کنند. نقشه ها و نماهایی که خطرات بالقوه را بر روی بسته های کشاورزی زمین شناسی نشان می دهند، نمی توانند عمومی باشند. دسترسی آنها به نهادهای منطقه ای مسئول مدیریت کشاورزی-زمین محدود شده است.

2. خدمات آب و هوا و اهداف DKP

مفهوم خدمات آب و هوا (CS) شامل طیف گسترده ای از دیدگاه ها و اهداف است. می توان چندین راه برای نمایاندن این مفهوم پیچیده و چند متغیره پیدا کرد. اول، CS ها نه تنها بر اساس اطلاعات آب و هوا، بلکه بر اساس آب و هوا نیز ساخته شده اند. در حالی که آب و هوا با شرایط جوی یک مکان معین در میان مدت و بلندمدت سروکار دارد، آب و هوا در کوتاه مدت، به ویژه با پیش بینی های چند روزه سروکار دارد. مطالعات اقلیم شناسی بر روی اجزاء و تغییرات آب و هوا در مناطقی از زمین انجام می شود. آب و هوا همچنین می تواند به عنوان متوالی از انواع آب و هوا در نظر گرفته شود، به طوری که اقلیم شناسی با شاخص های جغرافیایی برای ایجاد پیش بینی در انواع مختلف آب و هوا مرتبط است.

با بررسی مقبولیت‌های مختلف مفهوم خدمات اقلیمی و نمونه‌های خدمات اقلیمی در سراسر جهان، می‌توان ویژگی‌های اساسی آنها را ترسیم کرد. به عنوان مثال، برای چارچوب جهانی برای خدمات آب و هوایی (GFCS) ( https://gfcs.wmo.int/ )، که توسط جامعه بین المللی در کنفرانس جهانی آب و هوا-3 در سال 2009 ایجاد شد، اهداف CS این بود که شرایط بهتر را فراهم کند. مدیریت خطرات تغییرپذیری آب و هوا، و تغییر و سازگاری با تغییرات آب و هوایی، از طریق توسعه و ادغام اطلاعات اقلیمی مبتنی بر علم و پیش‌بینی در برنامه‌ریزی، سیاست‌گذاری و عمل در مقیاس جهانی، منطقه‌ای و ملی.. با توجه به GFCS، انتظار می رود CS ها اطلاعاتی را برای تصمیم گیری های مرتبط با آب و هوا تولید کنند. آنها همچنین قصد دارند نه تنها اطلاعات، بلکه محصولات را نیز ارائه دهند. در سال 2015، کمیسیون اروپا [ 5 ] خدمات آب و هوایی را به عنوان تبدیل داده های مرتبط با آب و هوا با سایر اطلاعات مرتبط به محصولات سفارشی مانند پیش بینی ها، پیش بینی ها، اطلاعات، روندها، تحلیل های اقتصادی، ارزیابی ها، مشاوره در مورد بهترین شیوه ها، توسعه تعریف کرد. و ارزیابی راه حل ها، و هر خدمت دیگری در رابطه با اقلیم که ممکن است برای جامعه در کل مفید باشد. اداره ملی اقیانوسی و جوی آمریکا (NOAA) به نوبه خود مدیران خدمات آب و هوایی خود را اینگونه تعریف می کند.پشتیبانی از توسعه و ارائه طیف گسترده‌ای از محصولات و خدمات اطلاعاتی و علم آب و هوا مبتنی بر مکان برای کمک به مردم در تصمیم‌گیری آگاهانه .

خدمات آب و هوا برای طیف گسترده ای از مناطق کاربردی به ویژه تحت تأثیر تغییرات آب و هوایی تولید می شود، در حالی که برخی از آنها را می توان به عنوان اولویت هایی مانند مدیریت آب، برنامه ریزی زمین، کشاورزی، بهداشت و غذا در نظر گرفت. ابتکارات متعددی برای ترویج راه حل های سازگاری آب و هوا در مقیاس بین المللی، ملی و منطقه ای راه اندازی شده است. با این وجود، در تعدادی از مقالات تحقیقاتی در این زمینه [ 2 ، 3 ] به کمبود اطلاعات در مورد خدمات آب و هوایی موجود با نیاز شدید به طبقه بندی اشاره شده است [ 4 ]]. طراحی خدمات آب و هوایی نیز موضوعی است که در حال حاضر کمتر به آن پرداخته شده است. با این حال، جنبه تعاملی طراحی به طور مرتب ذکر می شود تا گفتگوی لازم بین ارائه دهندگان خدمات و کاربران نهایی را برجسته کند. کار بر روی این موضوع، فرآیندهای طراحی مشترک را گزارش می دهد که در آن کاربر نهایی در مرکز توسعه قرار دارد [ 6 ، 7 ، 8 ]]. همانطور که این نشریات بیان می کنند، تجزیه و تحلیل انتظارات کاربر و نیازهای خدمات آب و هوایی یک کار دشوار است که نیاز به گفت و گوی فشرده دارد، زیرا تولید یک سرویس آب و هوای ارزشمند به وضوح اساسی است. سپس این سوال مطرح می شود که چگونه می توان خدمات را در رابطه با وضعیتی که به آن می پردازد ارزیابی کرد. چگونه می توانیم تشخیص دهیم که یک سرویس خوب است یا بد، و آیا نیاز به بهبود دارد؟ این سوال در مرحله طراحی منعکس می شود. اساساً در این مرحله است که باید اهداف کیفیت را هدف قرار داد. قابلیت استفاده و مفید بودن معیارهای مهمی هستند.

در تعدد دیدگاه ها در مورد مفهوم سرویس آب و هوا، در اینجا قوی ترین ویژگی ها را یادآوری می کنیم:

(آ): یک سرویس آب و هوا، اطلاعات اقلیمی به‌دست‌آمده از تجزیه و تحلیل (با دانش علمی) مجموعه داده‌های عظیم جمع‌آوری‌شده در آب و هوا (فشار هوا، دما، رطوبت، و سرعت و جهت باد) و مجموعه داده‌های آب و هوا (بارش و دما) را پردازش می‌کند.
(ب): از آنجایی که داده‌های اقلیمی مانند پیش‌بینی‌های اقلیمی مستقیماً توسط کاربران نهایی قابل استفاده نیستند و نیازهای کاربر برای شناسایی واضح نیستند، خدمات آب و هوا شکاف بین داده‌های آب و هوا و نیازهای عملی کاربران نهایی را پر می‌کنند.
(ج): طراحی یک سرویس آب و هوا مستلزم مبادلات متعدد و وقت گیر بین تامین کنندگان و کاربران نهایی است.
(د): خدمات آب و هوا در زمینه سازگاری با آب و هوا مورد استفاده قرار می گیرد و از راه حل های توسعه پایدار جدایی ناپذیر است. و
(E): خدمات آب و هوا در درجه اول برای حمایت از تصمیم گیری در مورد مسائل محلی استفاده می شود.

تا این حد، هدف کلی در ساختن پلتفرم DK ارائه شده در این مقاله، تولید یک ابزار پشتیبانی جغرافیایی و بصری مفید برای گفتگوی تأمین‌کننده و کاربر طراحی مشترک خدمات آب و هوا است. به طور دقیق تر، توسعه DKP بر اساس سه هدف اولیه هدف گرا بود:

(G1): درک محلی از اقلیم را از نظر جغرافیایی در مرحله بسیار مقدماتی فرآیند طراحی مشترک تسهیل می کند. در این مرحله، کاربران نهایی از بیان تغییرات اقلیمی آگاه هستند، اما تجزیه و تحلیل و مشاهده مشترک با ارائه دهنده تمایلات و پیش بینی های جاری گزارش شده توسط اطلاعات جغرافیایی مرتبط با اقلیم استخراج شده از داده های عددی و سایر منابع (روایت ها، فیلم ها، تصاویر، پیوندها). ) موجود در پلتفرم، بیان نگرانی های خود را از نظر تغییر برای آنها آسان تر می کند.
(G2): ارائه پشتیبانی در ارزیابی خطرات مرتبط با آب و هوا در مرحله پیشرفته تر فرآیند. این پلتفرم باید با ذخیره و ارائه روایت‌ها، ویدیوها و تصاویر، و امکان بررسی گرایش‌ها و درجه تأثیر ریسک، به طراحی مشترک از نقطه نظر ارزیابی ریسک کمک کند. ریسک عموماً بر روی یک مشکل کاملاً شناسایی شده مرتبط، به عنوان مثال، به یک فعالیت بسیار محلی که باید بر روی پلت فرم، ترجیحاً تحت منشورهای مختلف تجسم شود، ارزیابی می شود.
(G3): ارائه بخش‌هایی از دانش، از جمله دانش جغرافیایی استخراج‌شده از منابع پلت‌فرم که برای توسعه خدمات آب‌وهوایی قابل اجرا هستند. این در پیچیده ترین مرحله از فرآیند استفاده از پلتفرم برای توسعه CS رخ می دهد.

این پلتفرم از نظر عملکردی در سه ماژول ساختار یافته است که هر یک مربوط به فعالیت خاصی در فرآیند طراحی مشترک است: (الف) مدیریت داده، (ب) مرحله‌بندی داده‌های جغرافیایی، و (ج) ماژول‌های کشف دانش. شکل 1نشان می دهد که چگونه این سه ماژول با ویژگی های CS A تا E و اهداف G1، G2، G3 ارتباط دارند. مدیریت داده G1 را به دست می آورد و به طراحی ویژگی های CS A و B کمک می کند، زیرا طراحان مشترک CS می توانند انواع نمایش داده های آب و هوایی را بر اساس دیدگاه های بصری و جغرافیایی از طریق پلت فرم کاوش کنند. مرحله‌بندی داده‌های جغرافیایی G2 را به دست می‌آورد و به طراحی ویژگی‌های CS A، B و D کمک می‌کند، زیرا طراحان مشترک CS به راحتی می‌توانند گرایش‌های آب و هوایی محلی و سایر شاخص‌های مرتبط با ریسک محلی را روی نقشه‌ها از طریق پلتفرم تجسم و مستقیماً مقایسه کنند. کشف دانش G2 و G3 را به دست می‌آورد و به طراحی ویژگی‌های CS D، C و E کمک می‌کند، زیرا ارائه‌دهندگان CS و کاربران نهایی می‌توانند آیتم‌های بصری و جغرافیایی را از طریق پلتفرم ارائه دهند که یک خط پایه مفید و قابل استفاده برای استقرار CS تشکیل می‌دهد.

معماری نرم افزار DKP ( شکل 2 ) یک برنامه وب n- Tiers است که روی یک سرور BULL-ATOS Sequana با داده های بزرگ میزبانی می شود. اجزای آن که در زیر فهرست شده اند، سه ماژول کاربردی فوق الذکر را پیاده سازی می کنند:

–: آپلود عملکردی را برای ذخیره فایل های داده یا منابعی مانند اسناد، تصاویر و ویدیوهای مرتبط با هاب در سرور اجرا می کند.
–: Explore تابع ناوبری را در بین منابع موجود در هر هاب پیاده سازی می کند.
–: جستجوی پیشرفته تابع جستجو را بر اساس تعدادی معیار، از جمله ارجاعات جغرافیایی، در یک یا چند هاب پیاده سازی می کند.
–: Optimal Conditions عملکردی را برای تجزیه و تحلیل تکامل شرایط آب و هوایی خاص اجرا می کند.
–: متن کاوی یک تابع تجزیه و تحلیل متن پیشرفته را بر روی مجموعه متنی موجود بر روی پلت فرم پیاده سازی می کند.
–: مؤلفه Leaflet Library ( https://leafletjs.com/ ) برای مدیریت نقشه های تعاملی استفاده می شود .
–: سرور آنلاین ArcGIS که خدمات آن توسط Leaflet استفاده می شود. و
–: وب و سرورهای داده با استفاده از ابزارهای ElasticSearch ( https://www.elastic.co/fr/elasticsearch/ ) و Kibana ( https://www.elastic.co/fr/kibana ) برای استخراج و نمایش داده ها از پایگاه داده .

پنج مؤلفه اول دارای معماری نرم افزاری از نوع MVC (Model, View, Component) لایه لایه هستند.

در بخش‌های بعدی، ماژول‌های مدیریت داده، مرحله‌بندی داده‌های جغرافیایی، و ماژول‌های کشف دانش به طور مفصل با روابط آن‌ها با ویژگی‌های CS و اهداف اولیه DKP توضیح داده می‌شوند.

3. مدیریت داده ها: زمینه مکانی و زمانی و جغرافیایی

یکی از مهم ترین نکات DKP با هدف توسعه خدمات، توانایی آن در ذخیره داده های ناهمگن برای پیوند داده های آب و هوایی است که برخی از آنها را می توان به مشاهدات در حوزه های دیگر مانند کشاورزی، بهداشت، تنوع زیستی یا ارجاع جغرافیایی اشاره کرد. اقتصاد. برای این منظور، DKP یک ساختار داده ساده اما مقیاس‌پذیر برای ذخیره‌سازی داده‌های ناهمگن که ممکن است از حوزه‌ها و/یا منابع مختلف باشد، اتخاذ می‌کند. این قابلیت در توسعه یک سرویس آب و هوا بسیار مهم است، زیرا ویژگی‌های خدمات آب و هوایی ( A ) و ( B ) تعریف شده در بخش 1 را پیاده‌سازی می‌کند ، یعنی ( الف ) توانایی جمع‌آوری داده‌های آب و هوا و ( B )) کاهش شکاف بین داده های آب و هوایی و نیازهای کاربران نهایی. بنابراین هدف را برآورده می کند جی1طراحی خدمات آب و هوایی (همانطور که در بخش 1 تعریف شده است ) برای تسهیل درک محلی از اقلیم از طریق اکتشاف داده.

به طور دقیق تر، DKP از یک پایگاه داده NoSQL استفاده می کند که برای ذخیره و مدیریت داده های انبوه کارآمد است که داده ها را با فرمت نمادگذاری شی جاوا اسکریپت (JSON) ساختار می دهد [ 9 ]. دو نوع داده در DKP ذخیره می‌شود: (1) داده‌های مکانی-زمانی که منحصراً به مقادیر عددی تاریخی مربوط می‌شوند که می‌توانند به یک منطقه جغرافیایی مرتبط شوند (به عنوان مثال، میانگین دمای یک منطقه، تولید ذرت در یک کشور، و تعداد گردشگران در شهرستان). داده های مکانی-زمانی را می توان به کل قلمرو، یک منطقه یا یک نقطه GPS خاص روی نقشه مرتبط کرد. (ii) منابع مرتبط که به سایر منابع مرتبط با مطالعه (تصاویر، فیلم ها، اسناد و غیره) مربوط می شود. شکل 3ساختار اتخاذ شده برای ذخیره سازی (الف) داده های مکانی و زمانی و (ب) منابع مرتبط را توصیف می کند.

سه خانواده از پایگاه‌های داده NoSQL را می‌توان بر اساس مقادیر کلیدی، ستون‌ها و اسناد تشخیص داد. برای DKP، ما استفاده از ElasticSearch را انتخاب کردیم که یک رویکرد مبتنی بر سند را پیاده‌سازی می‌کند. رویکرد مبتنی بر اسناد برای داده های حاوی اطلاعات با ساختار پیچیده (انواع، فهرست ها، تودرتو) قدرتمندترین رویکرد است. علاوه بر این، ElasticSearch دارای ویژگی فهرست‌بندی کارآمد داده‌های متنی است، بنابراین روش‌های متن‌کاوی را که در زیر شرح داده شده است، ساده می‌کند.

(i) داده های مکانی-زمانی امکان ذخیره مقادیر عددی متصل به یک منطقه جغرافیایی را فراهم می کند. ( شکل 3 الف را ببینید). هر داده مکانی-زمانی اضافه شده به DKP باید این موارد را تعریف کند: تاریخ (در قالب سال-ماه-روز، به عنوان مثال، 1960-01-01)، کشور مرتبط (مثلاً، گوادلوپ)، دامنه داده و زیر دامنه (مثلاً، دامنه = آب و هوا و زیر دامنه = دما)، منبعی که داده ها از آن می آیند (به عنوان مثال، موسسه هواشناسی فرانسه )، شناسه های لایه و منطقه جغرافیایی مرتبط برای ایجاد پیوند با منطقه در سیستم اطلاعات جغرافیایی (GIS)، و مقادیر ذخیره شده (به عنوان مثال، حداقل = 24 و حداکثر = 32).

بدیهی است که در همان تاریخ، ممکن است اطلاعاتی در مورد چندین کشور، دامنه، زیر دامنه، منبع یا منطقه جغرافیایی داشته باشیم. به عنوان مثال، داده ها را می توان توسط چندین منبع ارائه کرد. ما ممکن است مقادیر دما را از موسسه عمومی هواشناسی فرانسه و با بررسی های مستقل ذخیره کنیم. به طور کلی، فرمت JSON مورد استفاده توسط پایگاه داده NoSQL DKP به ساختار اجازه می دهد تا با افزودن شاخه های جدید به ساختار زیربنایی، به راحتی رشد کند. در نهایت، مناطق جغرافیایی در فایل‌های GeoJSON [ 10 ] ذخیره می‌شوند که شامل تمام مناطق واحدی است که می‌توان داده‌ها را در آنها مرتبط کرد. بدیهی است که چندین فایل GeoJSON را می توان برای مرتبط کردن داده ها با بخش های جغرافیایی مختلف آپلود کرد.

(ii) داده‌های مربوط به منابع، تمام منابع مرتبطی را که باید ذخیره شوند، پوشش می‌دهد. این ممکن است تصاویر، ویدئوها، اسناد یا پیوندهای خارجی باشد. هر منبع اضافه شده به DKP با استفاده از ابرداده هسته دوبلین [ 11]، و تعریف می کند: کشور مرتبط (مثلاً گوادلوپ)، نوع منبع (مثلاً سند)، برچسب داده شده به منبع (مثلاً بررسی بارندگی)، حوزه منبع (مثلاً آب و هوا)، منبعی که داده ها از آنجا می آیند (مثلاً مؤسسه هواشناسی فرانسه)، تاریخ ایجاد (مثلاً 01-01-2017)، توضیحات مرتبط و کلمات کلیدی (به عنوان مثال، توصیف = نظرسنجی انجام شده توسط مؤسسه هواشناسی فرانسه در مورد بارندگی در گذشته دهه ها، و کلمات کلیدی = آب و هوا؛ بارش)، موقعیت جغرافیایی، در صورت مشخص بودن، با مشخص کردن طول و عرض جغرافیایی، و فایل مرتبطی که باید ذخیره شود (به عنوان مثال، Survey-fwi-rainfall.pdf).

بنابراین، برای یک کشور معین، منابع در یک جدول JSON ذخیره می‌شوند تا همه این منابع مرتبط را فهرست‌بندی کنند. در مورد داده‌های مکانی-زمانی، ساختار داده‌ای که در اینجا اتخاذ شده است می‌تواند به راحتی تکامل یابد و اجازه می‌دهد داده‌هایی که از کشورها، انواع یا منابع مختلف می‌آیند ذخیره شوند.

بنابراین، DKP شامل دو ماژول است که تجسم و مدیریت داده ها را تسهیل می کند.

یک ماژول کاوش داده که تجسم داده ها را تسهیل می کند. به عنوان مثال، شکل 4 نشان می دهد که چگونه داده ها و منابع مکانی-زمانی در ماژول کاوش DKP نمایش داده می شوند. پنل سمت چپ برنامه اجازه می دهد تا یکی از داده های مکانی-زمانی اضافه شده به برنامه را انتخاب کنید. هنگامی که داده های مکانی-زمانی انتخاب شدند، می توان آنها را در پانل مرکزی روی نقشه از طریق GIS مشاهده کرد. در مثال شکل 4 ، داده های بارندگی جمع آوری شده در کل جزیره مارتینیک در یک تاریخ معین در مرکز نمایش داده می شود. در نهایت، پنل سمت راست برنامه به تجسم منابع مرتبط اختصاص داده شده است. این رابط همچنین امکان حذف یا به روز رسانی منابع موجود را فراهم می کند.
یک ماژول بارگذاری داده که واردات به پایگاه داده NoSQL DKP را تسهیل می کند. در واقع، بخش پشتیبان DKP چندین فرم را برای ساده‌سازی واردات داده‌ها و منابع مکانی-زمانی پیاده‌سازی می‌کند. به عنوان مثال، شکل 5 فرمی را نشان می دهد که به کاربران اجازه می دهد منابع جدید را به DKP اضافه کنند. پس از تکمیل فرم، فرآیند ساخت سند زیرزمینی JSON و درج در شاخه صحیح پایگاه داده NoSQL به طور خودکار توسط DKP انجام می شود. علاوه بر این، در طول فرآیند وارد کردن داده‌های مکانی-زمانی، کاربر ممکن است با ارائه یک فایل CSV حاوی تاریخ، سری‌های زمانی داده را وارد کند. هنگامی که داده ها آپلود می شوند، کاربر ممکن است انتخاب کند که داده ها را به کل قلمرو، یک منطقه خاص یا یک نقطه GPS خاص پیوند دهد.

4. مرحله بندی جغرافیایی منابع DKP

یکی دیگر از ویژگی های مهم DKP توانایی تجسم پویا بر روی نقشه ای است که قبلاً ذخیره شده و داده های مکانی-زمانی سازماندهی شده است تا به هدف G2 برسد، یعنی از کاربران در مدیریت خطرات مرتبط با آب و هوا پشتیبانی کند. برای این منظور یک سیستم اطلاعات جغرافیایی (GIS) [ 12] برای مدیریت داده های کارتوگرافی یکپارچه شد. GIS به ویژه برای دستکاری داده های جغرافیایی مناسب است زیرا با ارائه ابزارهای متعدد برای ذخیره، تجزیه و تحلیل و نمایش آنها، پردازش آنها را تسهیل می کند. کاربری که داده‌های کشاورزی مکانی-زمانی را درباره مزارع نیشکر در یک منطقه جغرافیایی معین آپلود کرده است، می‌تواند از رابط گرافیکی DKP برای مشاهده توزیع فضایی آن‌ها بر روی نقشه و تکامل آن‌ها در طول زمان به لطف اسلایدی که امکان پیمایش در گذشته، حال را فراهم می‌کند، استفاده کند. و ارزش های آینده داده‌های مربوط به منابع را می‌توان به صورت نقاط روی نقشه منطقه نشان داد.

این منابع با کلمات کلیدی مرتبط هستند، بنابراین می توان آنها را با استفاده از ابزارهای جغرافیایی-اطلاعات-بازیابی جستجو کرد. به عنوان مثال، تصاویر یا متون مرتبط با یک مکان ممکن است هنگام استفاده از DKP برای تجزیه و تحلیل بصری روی نقشه قابل دسترسی باشند. این اطلاعات اضافی ممکن است به ویژه برای کاربر مفید باشد زیرا آنها سعی می کنند زمینه را بهتر درک کنند.

DKP ابزارهای متعددی را ارائه می دهد که به کاربر امکان می دهد مرحله بندی داده ها را انجام دهد تا دید دقیق تری از داده های ذخیره شده داشته باشد. در شکل 4، ما می توانیم رابط DKP را ببینیم که به صورت پویا داده های مکانی-زمانی را در دوره های زمانی انتخاب شده تجسم می کند. نوع داده های مکانی-زمانی نمایش داده شده را می توان در پانل سمت چپ انتخاب کرد. داده ها به دسته های اصلی مانند کشاورزی یا هواشناسی سازماندهی می شوند. پانل مرکزی نقشه منطقه مورد نظر را نشان می دهد. به‌طور پیش‌فرض، کل منطقه انتخاب‌شده نمایش داده می‌شود، در اینجا جزیره مارتینیک است، اما کاربر می‌تواند با استفاده از دکمه‌های اختصاصی در سمت چپ بالای نقشه یا با حرکت به سمت بالا یا پایین زمانی که مکان‌نما روی نقشه قرار می‌گیرد، بزرگ‌نمایی یا کوچک‌نمایی کند. . یک مقیاس رنگی نشان داده شده در قسمت سمت راست بالای نقشه برای نمایش گرافیکی مقادیر داده ها استفاده می شود. کاربر می تواند انتخاب کند که کل منطقه را به عنوان یک بخش واحد در نظر بگیرد یا چندین زیرمنطقه (شهرها، محلات و غیره) را ببیند. با حرکت دادن اسلاید زیر نقشه از چپ به راست، کاربر می تواند تکامل مجموعه داده انتخابی را در طول زمان ببیند. امکان تغییر مقیاس زمانی در نظر گرفته شده (دقیقه، ماه، سال) با منوی سمت راست اسلاید همانطور که در نشان داده شده است وجود دارد.شکل 6. تاریخ های مربوط به شروع دوره زمانی موجود، موقعیت فعلی اسلاید و پایان دوره را می توان به ترتیب در کادر سمت چپ، مرکز و راست بالای اسلاید مشاهده کرد. در پایین قسمت مرکزی، یک رابط از نوع پخش کننده رسانه برای پخش، توقف، عقب بردن و تسریع تجسم مطابق با مقیاس زمانی انتخاب شده در دسترس است. این یک ویژگی بسیار مفید است زیرا به کاربر اجازه می دهد تا سناریوهای مختلف در مورد تکامل داده های مکانی-زمانی مانند مقادیر محصول را ایجاد، مشاهده و مقایسه کند. به طور خاص، داده‌های پیش‌بینی هواشناسی که تخمین‌هایی از ویژگی‌های اقلیمی آینده، مانند دما یا بارش‌ها، بر اساس سناریوهای کم‌وبیش خوش‌بینانه راهنمای تمرکز (RCP) هستند،

شکل 7 نمونه ای از استفاده از داده های DKP در داده های محصول داده شده در جزیره گوادلوپ را در زمان های مختلف نشان می دهد. نوار لغزنده از یک عکس به تصویر دیگر منتقل شد و مقدار نمایش داده شده روی نقشه (مساحت سطح محصول) در طول زمان تغییر می کند.

شکل 8 نمونه ای از داده های منبع مرتبط با یک نقطه روی نقشه را از طریق مختصات طول و عرض جغرافیایی آن نشان می دهد. در اینجا، تصویری از یک میدان نیشکر است که به موقعیت جغرافیایی مرجع واقعی آن مرتبط است. پس از کلیک بر روی نقطه مورد نظر، یک منو اجازه می دهد تا تمام داده های مرتبط را در منوی منبع در سمت راست انتخاب کنید. تمام منابع نامرتبط تا حدی ناپدید می شوند تا کاربر بتواند روی داده های مورد نظر تمرکز کند.

از نقطه نظر فنی، زمانی که کاربر یک نقطه جغرافیایی ایجاد می کند، مختصات آن در پایگاه داده NoSQL معماری ذخیره می شود. هنگامی که منابع به DKP اضافه می شوند، مختصات آنها نیز در یک جدول اختصاصی ذخیره می شود. هنگامی که یک نقطه انتخاب می شود، یک پرس و جو SQL تمام منابع منطبق با مختصات آن را جستجو می کند. سپس در منوی مربوطه نمایش داده می شوند.

5. کشف دانش و منابع جغرافیایی

در بخش‌های قبلی نشان دادیم که چگونه از DKP برای ذخیره داده‌های ناهمگن و مرحله‌بندی آن‌ها از طریق GIS استفاده می‌شود. آخرین ویژگی مهم DKP توانایی آن برای کاوش و تجزیه و تحلیل تمام داده های آپلود شده از طریق دو رویکرد تحلیلی است که روی داده ها کار می کنند: (1) یک ماژول جستجوی داده که به کاربران امکان می دهد داده ها را در DKP از طریق یک موتور جستجو جستجو و فیلتر کنند، ( ii) یک ماژول استخراج دانش که فقط بر داده های آب و هوایی تمرکز می کند و تکامل شرایط آب و هوایی خاص ارائه شده توسط یک متخصص دامنه را جستجو می کند، و (iii) یک ماژول متن کاوی که به کاربران امکان می دهد تمام اسناد مرتبط با هاب یا هاب را تجزیه و تحلیل کنند. ناشی از جستجو همانطور که در ویژگی های خدمات آب و هوایی D و E توضیح داده شده است ( بخش 1)، این قابلیت برای توسعه خدمات آب و هوایی مهم است زیرا دانش مفید برای سازگاری با آب و هوا را برجسته می کند. پس از آن می توان از چنین دانشی برای حمایت از تصمیم گیری استفاده کرد. بنابراین هدف این ماژول ها پاسخگویی کامل به دو مورد از اهداف اصلی طراحی خدمات آب و هوایی است که در بخش 1 توضیح داده شده است : (2) پشتیبانی از کاربران در مدیریت خطرات مرتبط با آب و هوا و (3) پشتیبانی از طراحی مشترک یک سرویس آب و هوا.

(i) موتور جستجوی DKP امکان جستجوی داده ها را بر اساس فیلترهای مختلف ارائه شده توسط کاربر، مانند هاب ها، انواع منابع، دسته ها یا کلمات کلیدی مختلف می دهد. موتور جستجو همچنین امکان جستجوی منابع در اطراف یک نقطه GPS را می دهد. در مثال شکل 9 الف، منابع در شعاع 20 کیلومتری اطراف نقطه GPS ارائه شده توسط کاربر جستجو می شوند. در واقع، اگر DKP بتواند مقدار زیادی از داده های ناهمگن را ذخیره کند، مهم است که بتوان این داده ها را پیمایش کرد و منابع مربوطه را برای توسعه خدمات آب و هوایی انتخاب کرد. بنابراین، DKP از تمام ابرداده‌های مرتبط با داده‌های آپلود شده و به‌ویژه ابرداده هسته دوبلین برای فیلتر کردن داده‌هایی که در طول فرآیند جستجو به کاربر پیشنهاد می‌شوند، بهره‌برداری می‌کند.

این ماژول به صورت زیر عمل می کند.

کاربر شروع به توصیف جستجوی خود با مجموعه ای از اصطلاحات یا کلمات کلیدی می کند (مثلاً “قند” و “نیشکر”).
DKP همه انواع داده‌ها، از جمله داده‌ها و منابع مکانی-زمانی را تجزیه و تحلیل می‌کند و فقط آن‌هایی را انتخاب می‌کند که فراداده‌شان با درخواست کاربر مطابقت داشته باشد.
نتایج با طبقه بندی آنها بر اساس نوع آنها (تصاویر، فیلم ها، اسناد یا پیوندها)، همانطور که در شکل 9 نشان داده شده است، به صورت برگه ها نمایش داده می شوند .

در صورت یافتن اسناد، آنها برای استخراج یک ابر کلمه که متداول ترین کلمات یافت شده در تمام اسناد ناشی از درخواست را خلاصه می کند، تجزیه و تحلیل می شوند. ابر کلمه مرتبط در یک برگه جدید نمایش داده می شود. به همین ترتیب، اگر داده های مکانی-زمانی یافت شوند، DKP امکان دانلود آنها را در یک فایل CSV ارائه می دهد. در چنین فایلی، ستون اول مربوط به تاریخ هایی است که داده ها برای آنها یافت می شود، و ستون های دیگر مربوط به مقادیر مربوط به هر تاریخ است. این داده ها از برگه CSV Data در دسترس هستند. به عنوان مثال، با عبارات «شکر» و «نیشکر»، می‌توانیم اطلاعات مربوط به تولید نیشکر هر سال در جزیره گوادلوپ را دانلود کنیم.

(ii) جستجو برای تکامل شرایط آب و هوایی خاص عمدتاً به متخصصان حوزه اختصاص دارد که می‌خواهند تکامل شرایط آب و هوایی خاص را تجزیه و تحلیل کنند. در واقع، این ماژول که فقط بر روی داده های آب و هوای DKP کار می کند به کاربران اجازه می دهد شرایط آب و هوایی را بر روی یک یا چند ویژگی تعریف کنند. سپس این پلتفرم داده‌ها را تجزیه و تحلیل و جمع‌آوری می‌کند تا نشان دهد که چگونه وقوع شرایط داده شده در طول زمان تکامل یافته است. به عنوان مثال، شکل 10 نشان می دهد که چگونه DKP برای تعریف شرایط در داده های دما (در مثال مآایکس(تیهمترپ)≥27 ∘سی و مآایکس(تیهمترپ)≤31 ∘ج).

به طور دقیق تر، این ماژول به صورت زیر عمل می کند.

کاربر ابتدا شرایط یک یا چند ویژگی آب و هوایی را با استفاده از فرم نشان داده شده در شکل 10 تعریف می کند. شرایط به عنوان یک بازه عددی تعریف می شود که باید در داده ها بررسی شود.
این سیستم ویژگی های انتخاب شده را بررسی می کند تا برای هر سال، دوره هایی از سال را که این شرایط بررسی می شوند و زمانی که دیگر بررسی نمی شوند، ارزیابی کند.
در نهایت، اگر چندین ویژگی آب و هوایی انتخاب شده باشند، سیستم داده‌ها را برای جستجوی تقاطع‌های دوره‌هایی که تمام شرایط تعریف‌شده روی ویژگی‌ها تأیید شده‌اند، جمع‌آوری می‌کند. سپس نتایج بر روی یک نمودار خطی نمایش داده می شود، همانطور که در شکل 11 نشان داده شده است ، که هر سال، هفته ای که از آن شرایط بررسی می شود و هفته ای که از آن دیگر بررسی نمی شود، توضیح می دهد.

اگر چندین ویژگی آب و هوایی برای تجزیه و تحلیل انتخاب شوند، سیستم تقاطع وقوع همه شرایط را در برگه “خلاصه” نشان می دهد، اما همچنین نتایج جداگانه برای هر ویژگی را در یک برگه جدید نمایش می دهد. در مثال شکل 11 ، می توان مشاهده کرد که برای دهه اول 1970-1980، شرایط تعریف شده بر روی دما ( مآایکس(تیهمترپ)≥27 ∘سی و مآایکس(تیهمترپ)≤31 ∘ج) از هفته 18 تا 45 به دست آمد. برای دهه بعدی 1980-1990، همان شرایط از هفته 20 تا 40 به دست آمد، که نشان دهنده سخت شدن دوره زمانی است که این شرایط پیدا می شود.

(iii) جستجوی دانش مبتنی بر متن کاوی امکان تجزیه و تحلیل اسناد متنی را بر اساس رویکردهای مختلف متن کاوی فراهم می کند. هدف استخراج دانش معنایی بیشتر در مورد اسناد و در نتیجه داشتن دید ترکیبی از اسناد هاب یا نتیجه جستجو است. برای این منظور، اسناد بر اساس طبقه بندی تغییرات اقلیمی طبقه بندی می شوند که شامل هشت موضوع است: (1) ریسک/فاجعه، (2) سیاست/نظر، (iii) اقتصاد، (IV) انرژی، (V) اقیانوس/آب، (vi) آب و هوا، (vii) کشاورزی/جنگلداری، و (viii) قطب شمال. بنابراین هر سند با توجه به موضوعی برای انجام تجزیه و تحلیل برچسب گذاری می شود.

این ماژول به صورت زیر عمل می کند:

کاربر ابتدا یک هاب را انتخاب می کند یا بر اساس کلمات کلیدی جستجو می کند.
سیستم تمام فایل هایی که به درخواست کاربر پاسخ می دهند را انتخاب می کند.
این سیستم اسناد به دست آمده را با استفاده از روش های مختلف متن کاوی تجزیه و تحلیل می کند: خوشه بندی (دندروگرام، اصطلاحات و اندازه های مربوطه)، هیستوگرام با تراکم موضوع، جداول داده، ابر کلمه و غیره.

تمام نتایج متن کاوی بر روی داشبوردی نمایش داده می شود که دانش استخراج شده را همانطور که در شکل 12 نشان داده شده است، خلاصه می کند .

6. DKP در محل کار: شبیه سازی ارزیابی خطر

به منظور نشان دادن ارزش پلت فرم، نحوه اجرای آن را در یک مورد عملی توضیح می دهیم. ما یک چرخه طراحی مشترک بر اساس پلتفرم را در یک مثال مجازی، هرچند باورپذیر، اجرا کردیم که فرض می‌کردیم در هند غربی فرانسه قرار دارد. سالهاست که عادات و آداب و رسومی در بخش کشاورزی ایجاد شده است تا با واقعیت دو فصل سنتی مطابقت داشته باشد. با این وجود، شواهد کاملاً قوی ای است که نشان می دهد شیوه های کشاورزی باید در کوتاه مدت و میان مدت با آب و هوای جدید سازگار شود. در این زمینه، توسعه خدمات آب و هوا با استفاده از اطلاعات جغرافیایی از پایگاه داده DKP برای ارائه پشتیبانی در جستجوی راه حل های سازگاری محلی در این زمینه کاملاً مناسب است.

اجازه دهید فرض کنیم که زمینه این مثال از اجرای DKP مربوط به خطر خشکسالی است که ممکن است در مواقعی رخ دهد که مزارع نیشکر به شدت آسیب ببینند. ارائه‌دهنده CS می‌تواند یک مؤسسه تحقیقاتی در کشاورزی باشد و کاربران نهایی می‌توانند گروهی از کشاورزان باشند که در حال حاضر تأثیر تغییر را تجربه کرده‌اند. تولید نیشکر یک مورد بسیار معقول است زیرا توسعه آن به دو مرحله مجزا بستگی دارد، رشد و بلوغ. در طول دوره رشد، نیشکر برای افزایش قد نیاز به رطوبت بالایی دارد. این مرحله در فصل مرطوب انجام می شود. پس از آن، محصول باید بالغ شود. در این مرحله تنش آبی ناشی از محرومیت از رطوبت عامل مهمی است که باعث افزایش غلظت ساکارز نیشکر می شود. این مرحله در فصل خشک انجام می شود. مسئله جدید این است که دو فصل دیگر به دلیل تغییرات آب و هوایی پایدار نیستند. بنابراین، بررسی بیشتر، به ویژه تکامل دوره‌های خشکسالی برای سال‌ها و حتی دهه‌های آینده ضروری است. با این مثال، همانطور که توسطشکل 13 ، ما همچنین یک جریان طراحی مشترک را با الهام از مدل تعریف شده توسط شرکای پروژه INNOVA معرفی کردیم و نشان می‌دهیم که چگونه پلتفرم ممکن است به این فرآیند کمک کرده و آن را تسهیل کند. شکل 13 مراحل معمولی را که در نمودار جریان تعریف شده توسط [ 13 ] دنبال می شود نشان می دهد.

اول، ( شکل 13 را ببینید )، هر دو بازیگر هم‌طراحی ممکن است منابع مستند موجود بر روی پلتفرم مانند روایت‌ها یا تصاویر را همانطور که برای رسیدن به هدف G1 درک محلی توصیف شده است، کاوش کنند. موسسه تحقیقاتی به‌عنوان ارائه‌دهنده CS و کاربر نهایی می‌توانند با هم تمام اطلاعات جغرافیایی را در DKP شامل گزارش‌های علمی، مقالات خبری، داستان‌ها، تصاویر یا ویدیوهایی که شرحی از تأثیر وضعیت فعلی تغییرات آب و هوایی را ارائه می‌دهند، کاوش کنند. تولید نیشکر شکل 9 a نشان می دهد که چگونه می توان منابع را در اطراف نشانگرهای جغرافیایی جستجو کرد.

دوم (نگاه کنید به شکل 13 )، هنگامی که ذینفعان درک کافی از تأثیرات داشته باشند، می توانند از داده های خام مانند داده های عددی در مورد دمای فعلی و باران، و پیش بینی های آب و هوایی محلی با ابعاد جغرافیایی با استفاده از اکتشاف DKP استفاده و نمایش دهند. شکل 4 .

ثالثاً، ذینفعان ممکن است داده های خاص مربوط به موضوع مورد نظر را معرفی کرده و از نظر جغرافیایی آنها را مرحله بندی کنند. اساساً داده‌های دامنه را پوشش می‌دهد ( شکل 13 را ببینید ) که با پیش‌بینی‌های آب و هوایی، داده‌های کشاورزی، و دانش در مورد نیشکر و دانشی که در طول فرآیند به دست آمده است، مرتبط می‌شوند. در مثال فعلی، آنها مناطق جغرافیایی و کشاورزی را که ممکن است تحت تأثیر قرار گیرند هدف قرار می دهند ( شکل 13 )، و آنها شاخص های هشدار دهنده ای مانند شاخص های خشکسالی بودند. DKP ظرفیت نمایش جغرافیایی این اطلاعات را می دهد. به عنوان مثال، شکل 14نمایش پیش‌بینی‌های شاخص بارش استاندارد شده (SPI) را در زمان‌های مختلف در آینده شبیه‌سازی می‌کند. SPI یک شاخص خشکسالی است که به راحتی قابل تفسیر است [ 14 ، 15 ، 16 ]. در یک مقدار نزدیک به صفر، SPI سطحی از رطوبت را بیان می کند که می تواند در مقایسه با رکوردهای گذشته به عنوان نرمال باشد. اگر مقدار به 1- برسد، می توانیم دوره خشکی را در نظر بگیریم که تا زمانی که دوباره مثبت شود ادامه می یابد. 14 داده های شبیه سازی شده را در یک منطقه مشخص نشان می دهد که هکتارها از مزارع نیشکر را جمع آوری می کند.

بر اساس این اطلاعات، در شکل 14 الف، ذینفعان SPI بالایی را برای سپتامبر 2020 مشاهده می کنند که یک پیش بینی دلگرم کننده برای کشاورزان است. در مارس 2033 ( شکل 14 ب)، با این حال، SPI نزدیک به 0 است، و بنابراین نزدیک به نرمال مشاهده شده است. این یک مقدار هشدار نیست، زیرا در “فصل خشک” در جزیره است. با این وجود، یک مقدار SPI نزدیک است -2در نوامبر 2085 مشاهده خواهد شد ( شکل 14 ج). نوامبر معمولاً یکی از مرطوب ترین ماه های سال است و چنین SPI پایین نشان دهنده ماه بسیار خشک است.

بنابراین، با آگاهی از داده های موجود در DKP همانطور که توسط ( شکل 15 ) نشان داده شده است، مانند سوابق مربوط به تولید نیشکر، پیش بینی های اقلیمی، روایت ها در مورد مطالعات موردی مشابه، طراحان مشترک می توانند بر روی هر اطلاعات جغرافیایی مفید تمرکز کنند تا برجسته شوند. آسیب پذیری مناطق جغرافیایی

7. نتیجه گیری

در این مقاله، ما پلتفرم داده و دانش INNOVA (DKP) را ارائه کردیم که در چارچوب پروژه اروپایی INNOVA توسعه یافته است که برای پاسخگویی به نیازهای چهار مرکز پروژه ساخته شده است، اما همچنین یک ابزار توسعه‌یافته است که می‌تواند متناسب با آن طراحی شود. مسائل محلی جدید مستلزم توسعه خدمات آب و هوایی است.

ما زمینه را برای حمایت از توسعه خدمات آب و هوا فراهم کردیم:

–: یک موضوع محلی در مورد یک خطر جغرافیایی مرتبط با اقلیم شناسایی شده؛
–: ارائه دهندگان CS و کاربران نهایی که باید در یک پویایی طراحی مشترک کار کنند، روندهای محلی را در شاخص های عددی و سایر منابع موجود (تصاویر، فیلم ها، روایت ها، انتشارات علمی) تجزیه و تحلیل کنند و خطر را بر اساس تجسم ها و بازنمایی های جغرافیایی ارزیابی کنند.

اصالت DKP در (i) ساختار داده NoSQL و رابط بصری آن نهفته است که هر دو امکان آپلود جغرافیایی، ذخیره و نمایش طیف گسترده ای از اطلاعات در مورد آب و هوا، تغییرات آب و هوا و حوزه های مرتبط را فراهم می کند. و (ii) اطلاعات جغرافیایی که می تواند به ذینفعان ارائه دهد: منابع (داده های خام، اسناد، تصاویر، ویدئوها) مرتبط با یک منطقه یا نقطه GPS که با جستارهای آنها برای ارزیابی تأثیر تغییرات آب و هوا از طریق تجسم مطابقت دارد. DKP، به نوعی، عملکردهای GIR را با امکان کاوش در حجم زیادی از داده های ساختاریافته و بدون ساختار ذخیره شده در یک پایگاه داده نوع NoSQL مرتبط با مناطق جغرافیایی ارائه می دهد.

بنابراین، ما به طور مفصل سه ماژول را که پلتفرم جغرافیایی را تشکیل می‌دهند ارائه کردیم تا اهداف ارائه بهترین پشتیبانی ممکن برای فرآیند طراحی مشترک CS را برآورده کنیم: جمع‌آوری اطلاعات جغرافیایی و ارجاعی جغرافیایی در یک مطالعه موردی تغییر اقلیم محلی معین برای ادامه بیشتر. طراحی راه‌حل‌هایی برای کاهش، برای کاوش داده‌های آب و هوا و دیگر دسته‌بندی‌های داده‌های دیجیتال در یک چارچوب جغرافیایی، و اجرای سناریوهای تغییر اقلیم مربوط به یک فعالیت معین.

منابع

کلار، سی. Steurer, R. چرا ابزارهای حمایتی محبوب برای سازگاری با تغییرات آب و هوا در دستیابی به سیاستگذاران محلی با مشکل مواجه هستند: بینش کیفی از بریتانیا و آلمان. محیط زیست سیاست دولت 2018 ، 28 ، 172-182. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
تارت، اس. گروت، ام. Seipold، P. تقاضای بازار برای خدمات آب و هوا: ارزیابی نیازهای کاربران. صعود خدمت 2020 ، 17 ، 100109. [ Google Scholar ] [ CrossRef ]
وان، سی. بوجا، ال. Kruczkiewicz، A.; گدارد، ال. شناسایی اولویت های تحقیقاتی برای پیشبرد خدمات آب و هوایی. صعود خدمت 2016 ، 4 ، 65-74. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بسمبیندر، جی. ترادو، م. هویت، سی. گرت، ن. کوتووا، ال. بوونوکور، ام. گرونلند، آر. نیاز به یک نوع شناسی مشترک خدمات آب و هوایی. صعود خدمت 2019 ، 16 ، 100135. [ Google Scholar ] [ CrossRef ]
خیابان، ر. یعقوب، دی. پری، م. رانج، تی. اسکات، JEC نقشه راه تحقیق و نوآوری اروپا برای خدمات آب و هوا. کارگردان ژنرال رس. نوآوری. یورو اشتراک. 2015 ، 702151. [ Google Scholar ] [ CrossRef ]
خیابان، RB به سمت نقش پیشرو در خدمات آب و هوا در اروپا: نقشه راه تحقیق و نوآوری. صعود خدمت 2016 ، 1 ، 2-5. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کریستل، آی. همنت، دی. بویوویچ، دی. کوچیتی، اف. کالوو، ال. استفانر، م. Buontempo, C. معرفی طراحی در توسعه خدمات آب و هوایی موثر. صعود خدمت 2018 ، 9 ، 111-121. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
برمر، اس. واردککر، ا. دسای، س. سوبولوفسکی، اس. اسلاتلید، آر. van der Sluijs, J. به سوی یک مفهوم چند وجهی از تولید مشترک خدمات آب و هوا. صعود خدمت 2019 ، 13 ، 42-50. [ Google Scholar ] [ CrossRef ]
پزوآ، اف. رویتر، جی ال. سوارز، اف. اوگارته، ام. Vrgoč، D. مبانی طرحواره JSON. در مجموعه مقالات بیست و پنجمین کنفرانس بین المللی وب جهانی، مونترال، QC، کانادا، 11-15 آوریل 2016; صص 263-273. [ Google Scholar ]
باتلر، اچ. دالی، م. دویل، ا. گیلیز، اس. شاوب، تی. Schaub, T. فرمت GeoJSON ; RFC 7946; کارگروه مهندسی اینترنت: فرمونت، کالیفرنیا، ایالات متحده آمریکا، 2016. [ Google Scholar ]
ویبل، اس. کونز، جی. لاگوزه، سی. ولف، ام. دوبلین ابرداده اصلی برای کشف منابع. مهندس اینترنت Task Force RFC 1998 , 2413 , 132. [ Google Scholar ]
Clarke, K. شروع به کار با سیستم های اطلاعات جغرافیایی. در شروع کار با سیستم های اطلاعات جغرافیایی ; تحصیلات پیرسون: لندن، انگلستان، 2003; جلد 1. [ Google Scholar ]
روبیو مارتین، آ. مانز، م. سلیرز، ال. یوجنی، آر. گارسیا-پراتس، آ. پولیدو-ولاسکز، م. Macian-Sorribes، H. چارچوب مدل کسب و کار برای ارائه خدمات آب و هوایی . INNOVA ERA4CS Project Deliverable D3.1.1; آب و هوا JPI: Wageningen، هلند، 2019. [ Google Scholar ]
سوبودا، م. Fuchs, B. Handbook of Dought Indicators and Indeces: یکپارچه مدیریت خشکسالی (IDMP) ; WMO: ژنو، سوئیس، 2016. [ Google Scholar ]
هائو، ز. آقاکوچک، ع. نخجیری، ن. فرهمند، ا. سیستم یکپارچه پایش و پیش بینی خشکسالی جهانی. علمی داده 2014 ، 1 ، 140001. [ Google Scholar ] [ CrossRef ] [ PubMed ]
مک کی، سل؛ دوسکن، نیوجرسی؛ Kleist, J. رابطه فراوانی و مدت خشکسالی با مقیاس های زمانی. در مجموعه مقالات هشتمین کنفرانس اقلیم شناسی کاربردی، آناهیم، کالیفرنیا، ایالات متحده آمریکا، 17 تا 22 ژانویه 1993. جلد 17، ص 179–183. [ Google Scholar ]