در میان شبکۀ معابر شهری، شبکۀ راه‌های اضطراری در امدادرسانی حین زلزله، به‌ویژه در مرحلۀ پاسخ به بحران، نقش مهمی ایفا می‌کنند. حفظ عملکرد این شبکه از معابر، در ساعات اولیۀ پس از زلزله، اهمیت بسزایی دارد. محافظت و مقاوم‌سازی اجزای آسیب‌پذیر شبکه، به‌خصوص پل‌ها، پیش از وقوع بحران، تأثیر شایان توجهی در کاهش خسارات و آسیب‌ها دارد. در اغلب اوقات مقاوم‌سازی تمامی اجزای آسیب‌پذیر، به‌دلیل محدودیت بودجه، عملاً ناممکن است. این محدودیت ایجاب می‌کند که با شناسایی دقیق اجزای آسیب‌پذیر، گزینه‌های مقاوم‌سازی در ابتدا اولویت‌بندی و در نهایت، مناسب‌ترین آنها انتخاب شود. طی پژوهش حاضر، ابتدا پل‌های نیازمند مقاوم‌سازی واقع در شبکۀ راه‌های اضطراری، با استفاده از یک روش‌شناسی پنج‌مرحله‌ای شناسایی می‌شود و با توجه به محدودیت‌های مالی و گزینه‌های تخصیص بودجه، گزینه‌های مقاوم‌سازی منتخب برمبنای شبکۀ لایه‌های ایجادشده در محیطGIS (با عنوان ورودی) اولویت‌بندی می‌شود. بررسی همة حالات ممکن برای پایداری پل‌ها پس از وقوع زلزله‌ای مشخص، طراحی شبکۀ معابر اضطراری برای همۀ این حالات، بررسی گزینه‌های متفاوت مقاوم‌سازی پل‌ها، ارزیابی اثر این مقاوم‌سازی در طول شبکۀ اضطراری و در نهایت، اولویت‌بندی گزینه‌های مقاوم‌سازی، با توجه به تأثیر آنها در طول شبکۀ اضطراری، مراحل اصلی روش پیشنهادی این مطالعه را تشکیل می‌دهد. کارآیی روش یادشده پس از به‌کارگیری آن روی بخشی از شبکۀ معابر اضطراری شهر تهران به‌منزلة شبکه‌ای واقعی با ابعاد بزرگ، ارزیابی شد.
امروزه کاربردهای تصاویر ماهواره‌ای، در پایش و مدیریت زمین‌های کشاورزی، رو به گسترش است. با توجه به قدرت تفکیک مکانی، طیفی و زمانی بالای تصاویر سنتینل‌ـ 2، در این مطالعه، در کشاورزی دقیق در شهرستان قروه از این تصاویر استفاده شده است. ابتدا با توجه به تقویم زراعی محصولات متفاوت آن منطقه، تصاویر سری زمانی جمع‌آوری شد. در روش پیشنهادی، نخست، فضای ویژگی طیفی براساس بازتاب طیفی باندها و همچنین شاخص‌های گیاهی، ایجاد شد. ابعاد فضای ویژگی طیفی، با استفاده از روش آنالیز مؤلفه‌های اصلی، کاهش یافت. سپس چهار طبقه‌بندی‌کنندة قدرتمند ماشین‌های بردار پشتیبان، شبکة عصبی پرسپترون چندلایه، نزدیک‌ترین k همسایه و جنگل‌های تصادفی نقشة طبقه‌بندی از اطلاعات طیفی تولید کردند. در ادامه، مکانی با هدف تعیین مرز مزارع، اطلاعات استخراج شد. برای این منظور، از شناسایی لبه‌ها در سری زمانی تصاویر سنتینل‌ـ 2 استفاده شد. در نهایت، نقشة طبقه‌بندی نهایی، با تلفیق اطلاعات مکانی و ادغام نتایج طبقه‌بندی‌کننده‌ها ایجاد شد. نتایج به‌دست‌آمده نشان داد که دقت طبقه‌بندی‌کننده‌های نزدیک‌ترین k همسایه، ماشین‌های بردار پشتیبان، شبکة عصبی پرسپترون چندلایه و جنگل‌های تصادفی روی فضای ویژگی طیفی اولیه، به‌ترتیب 78/77%، 16/79%، 41/76% و 89/76% است. با استفاده از روش پیشنهادی، دقت طبقه‌بندی به 72/94% افزایش پیدا کرد که حاکی از توانایی آن در منطقة مورد مطالعه است.
Due to the wide applications of hyperspectral images, economical and innovative imaging systems are developed to acquire such images. In order to use hyperspectral images, it is necessary to establish an accurate relation between the ground space and the image space, which needs numerous Ground Control Points (GCPs). This fact highlights the need for developing geometric corrections methods for any camera design. BaySpec OCI-F (400-1000 nm) is one of the innovative cameras that acquires pushbroom hyperspectral images. In addition to the pushbroom sensor, the camera uses a frame sensor that acquires images at the same time as the pushbroom sensor and with the same temporal rate. In this article, a geometric correction method for pushbroom images of OCI-F camera is proposed. Based on the camera ’ s imaging design, the first step of the method determines a set of calibration parameters which geometrically relates the pushbroom and the frame sensors. Then using this relation and the geometric relations among consecutive frames, the pixels of the pushbroom scene are rearranged and form the corrected image. The proposed method determines the relation among the consecutive images via Least Square Matching (LSM) method. The results show that the correction method has decreased the geometric distortions of the raw pushbroom scene by 62.2% on average. Such a reduction causes the average accuracies of two-dimensional and three-dimensional generic models which relate image space and ground space together, to increase by 34.1% and 39.9% respectively.
تحلیل وضعیت ترافیکی و پیشنهاد روش‌های مدیریت جریان ترافیک نقش اساسی در ارزیابی عملکرد بسیاری از سیستم‌های حمل‌ونقلی ایفا می‌کند. در بین روش‌های جمع‌آوری داده‌های ترافیکی، رویکردهای مبتنی‌بر فنّاوری‌های نوین که امکان گرد‌آوری حجم بسیاری از داده‌های پویای زمانی‌ـ مکانی را فراهم می‌آورند و استخراج روندها و الگوها را تسهیل می‌کنند اهمیت بسیاری دارند. در این پژوهش، تهران به‌منزلة پایتخت ایران، با ویژگی‌های اقتصادی و اجتماعی خاصی که دارد و تنوع سفرها که به وضعیت ترافیکی متغیر منجر می‌شود، مطالعه شده است. داده‌های حاصل از پردازش رقومی تصاویر ترافیکی به‌دست‌آمده از سرویس نقشة گوگل در بازة زمانی پیوستة یک‌ماهه‌ای (هفدهم فروردین تا هفدهم اردیبهشت 1398)، نخستین بار به‌منظور ارزیابی روند تغییرات میانگین ازدحام ترافیکی در سطح نواحی منطقة مطالعاتی، به‌کار رفته است. پس از استخراج داده‌های اولیه و با توجه به تغییر الگوی سفرها و در نتیجه، میزان ازدحام ترافیکی، شاخص ازدحام ترافیکی (CI) به‌تفکیک در روزهای کاری و غیرکاری، محاسبه شد و به مرکز نواحی 117گانة شهر تهران اختصاص یافت. با استفاده از تحلیل‌های توصیفی روی کلان‌داده‌های مورد بررسی، ساعات اوج ازدحام ترافیکی در بازة زمانی مورد مطالعه استخراج شد. سپس شاخص Getis Ord، نواحی پرازدحام منطقة مطالعاتی را براساس ارزیابی خوشه‌های مکانی، مشخص کرد. همچنین ارتباط زمانی بین مقادیر ازدحادم ترافیکی، در برش‌های زمانی متفاوت طی کل بازة زمانی مورد مطالعه، با استفاده از آزمون آماری کروسکال والیس ارزیابی شد و فرض صفر مبتنی‌بر همبستگی بین مقادیر میانگین ازدحام و در نتیجه، همبستگی زمانی بین مقادیر تأیید شد. با استفاده از تحلیل‌های پوششی نقشه‌های ترافیکی نیز، خوشه‌های ترافیکی پرازدحام در سطح اطمینان 90%، در اوج صبح و عصر، به‌تفکیک روزهای کاری و غیرکاری استخراج شد. نتایج این پژوهش می‌تواند در اصلاح و بازنگری محدوده‌های ترافیکی مؤثر باشد و همچنین به تحلیل‌های مرتبط با آلودگی هوا، مطالعات در زمینة قیمت‌گذاری معابر و بررسی روند شکل‌گیری و انتشار گلوگاه‌های ترافیکی در بازه‌های زمانی دلخواه، یاری برساند.
