نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

خلاصه

پیشرفت‌های سریع در سیستم‌های حسگر رصد زمین منجر به تولید مقادیر زیادی از داده‌های سنجش از راه دور شده است که می‌توانند برای پایش و تحلیل دینامیکی بلایای هیدرولوژیکی مورد استفاده قرار گیرند. مدیریت و تجزیه و تحلیل این داده‌ها می‌تواند از فناوری‌های زیرساخت اطلاعاتی توزیع‌شده مانند فناوری‌های وب سرویس و حسگر وب استفاده کند، که پتانسیل زیادی در تسهیل استفاده از داده‌های بزرگ مشاهده‌شده به روشی متقابل، انعطاف‌پذیر و بر اساس تقاضا نشان داده‌اند. با این حال، دستیابی به پاسخ به موقع به رویدادهای فاجعه هیدرولوژیکی و خودکار کردن پردازش ژئوپروسافت مشاهدات فاجعه هیدرولوژیکی یک چالش باقی می ماند. این مقاله یک رویکرد مبتنی بر وب و خدمات وب حسگر را برای پشتیبانی از نظارت فعال بلایای هیدرولوژیکی پیشنهاد می‌کند. این رویکرد یک مکانیسم رویداد محور را ادغام می کند، خدمات وب و وب حسگر و با استفاده از فناوری‌های گردش کار برای تسهیل اشتراک‌گذاری و پردازش اطلاعات خطرات هیدرولوژیکی مبتنی بر وب، آنها را هماهنگ می‌کند. طراحی و اجرای خدمات وب هیدرولوژیکی برای انجام وظایف مختلف تجزیه و تحلیل هیدرولوژیکی در وب با استفاده از داده‌های مشاهده حسگر به‌روزرسانی پویا ارائه شده است. یک مثال کاربردی برای نشان دادن مزایای رویکرد پیشنهادی نسبت به رویکرد سنتی ارائه شده است. نتایج کارایی و کاربردی بودن روش پیشنهادی را در موارد فاجعه هیدرولوژیکی تایید می‌کند. طراحی و اجرای خدمات وب هیدرولوژیکی برای انجام وظایف مختلف تجزیه و تحلیل هیدرولوژیکی در وب با استفاده از داده‌های مشاهده حسگر به‌روزرسانی پویا ارائه شده است. یک مثال کاربردی برای نشان دادن مزایای رویکرد پیشنهادی نسبت به رویکرد سنتی ارائه شده است. نتایج کارایی و کاربردی بودن روش پیشنهادی را در موارد فاجعه هیدرولوژیکی تایید می‌کند. طراحی و اجرای خدمات وب هیدرولوژیکی برای انجام وظایف مختلف تجزیه و تحلیل هیدرولوژیکی در وب با استفاده از داده‌های مشاهده حسگر به‌روزرسانی پویا ارائه شده است. یک مثال کاربردی برای نشان دادن مزایای رویکرد پیشنهادی نسبت به رویکرد سنتی ارائه شده است. نتایج کارایی و کاربردی بودن روش پیشنهادی را در موارد فاجعه هیدرولوژیکی تایید می‌کند.
کلید واژه ها: 

پایش بلایای هیدرولوژیکی وب سرویس جغرافیایی ; وب سنسور ; گردش کار ژئوپردازش

 

1. معرفی

در عصر کلان داده، فن‌آوری‌های رصد زمین قابلیت‌های قدرتمندی را برای به دست آوردن مقادیر عظیمی از داده‌های جغرافیایی متنوع به صورت درخواستی و پیوسته فراهم می‌کنند [ 1 ]. به عنوان مثال، سیستم اطلاعات و داده های سیستم رصد زمین ناسا (EOSDIS) تقریباً 22 ترابایت داده در روز را از طریق سنسورهای مداری و هوابرد جمع آوری می کند [ 2 ]. در حال حاضر صدها ماهواره رصد زمین در مدار هستند و وظایف رصدی مختلفی را انجام می دهند. این ماهواره ها مانند Landsat، MODIS و سری GF با جمع آوری بسیاری از محصولات رصد فضایی، طیفی، تشعشعی و زمانی که کلروفیل، جامدات معلق و کدورت در آب را منعکس می کنند، نقش مهمی در پایش منابع آب منطقه ایفا می کنند. [ 3]. کتابخانه انتزاع داده های مکانی (GDAL) به طور گسترده ای برای دسترسی و پردازش داده های جغرافیایی شطرنجی و برداری استفاده می شود [ 4 ]. این یک کتابخانه مکانی منبع باز است که از ترجمه و پردازش داده ها در قالب های رایج جغرافیایی مانند GeoTIFF، Arc/Info ASCII Grid و ESRI Shapefile پشتیبانی می کند. ادغام GDAL پیشرفته با سیستم های اطلاعات جغرافیایی (GIS) می تواند پردازش داده های رصد زمین را تسهیل کند [ 5]]. مشاهدات هیدرولوژیکی زمین را می توان برای پشتیبانی از نظارت و تجزیه و تحلیل بلایای هیدرولوژیکی، مانند بلایای سیل و آلودگی آب، پردازش کرد. کل گردش کار پردازش داده را می توان به صورت محلی یا از راه دور با استفاده از زیرساخت های اطلاعاتی توزیع شده مانند زیرساخت های داده های مکانی یا زیرساخت های سایبری انجام داد. به طور سنتی، نرم افزار دسکتاپ GIS (به عنوان مثال، ENVI یا GRASS) یا ابزارها معمولاً برای پردازش گام به گام داده ها استفاده می شوند [ 6 ، 7]]. در یک رویکرد از راه دور، حجم زیادی از داده ها و منابع محاسباتی قدرتمند به عنوان سرویس هایی با رابط ها و پروتکل های استاندارد محصور می شوند تا اشتراک گذاری مبتنی بر وب و دسترسی خودکار را فعال کنند، بنابراین به طور قابل توجهی توانایی استفاده از داده های آنلاین/نزدیک به خط بر روی وب را افزایش می دهند و اجازه می دهند. اتوماسیون گسترده تجزیه و تحلیل داده ها و محاسبات [ 8 ].
کنسرسیوم فضایی باز (OGC) تعدادی مشخصات را برای استانداردسازی خدمات وب جغرافیایی ایجاد کرده است، از جمله استانداردهای سرویس پوشش وب (WCS)، سرویس نقشه وب (WMS)، سرویس ویژگی وب (WFS) و خدمات پردازش وب (WPS) [ 9 ]. در نتیجه، حسگرهای مختلف، داده‌های مکانی و توابع پردازش جغرافیایی می‌توانند بر اساس این استانداردها در چنین خدماتی قرار گیرند تا اشتراک گسترده و دسترسی بر اساس تقاضا به این منابع در یک محیط توزیع‌شده را ارتقا دهند. سرویس‌های وب جغرافیایی می‌توانند در حوزه‌های کاربردی مختلف برای فعال کردن نظارت و تحلیل خودکار استفاده شوند [ 10]. ژئوپردازش پیچیده مرتبط با داده‌های مکانی موجود و خدمات پردازش جغرافیایی می‌تواند به عنوان زنجیره‌های خدماتی برای انجام تحلیل و محاسبات پیچیده داده‌ها پیاده‌سازی شود [ 11 ، 12 ، 13 ].
بلایای هیدرولوژیکی می تواند خسارات جانی و مالی زیادی ایجاد کند [ 14 ، 15 ]. این خطرات به عنوان تغییرات خشونت آمیز، ناگهانی و مخربی که در خشکی، دریا یا جو رخ می دهد تعریف می شوند و به عنوان رویدادهای اضطراری مشخص می شوند [16] .]. پایش فعال بلایای هیدرولوژیکی برای کشف وضعیت های خطر و ردیابی تکامل آنها مهم است. تدوین استراتژی‌ها برای پایش بلایای هیدرولوژیکی نه تنها شامل توسعه مدل‌ها و برنامه‌های هیدرولوژیکی می‌شود، بلکه شامل یکپارچه‌سازی فناوری‌های مرتبط با وب و روش‌های هیدرولوژیکی سنتی نیز می‌شود. به عنوان مثال، نرم افزار شبیه سازی رویدادهای شدید هیدرولوژیکی (SHEE) برای نمایش، تجزیه و تحلیل و تفسیر فرآیندهای هیدرولوژیکی (به عنوان مثال، توزیع مکانی و زمانی بارندگی، وضعیت رطوبت خاک و تمایلات مسیریابی آب) در حوزه های آبخیز بر اساس سوابق بارش و جریان توسعه یافته است. [ 17 ، 18 ]. مدل های هیدرولوژیکی توزیع شده سنتی، مانند مدل هیدرولوژیکی مبتنی بر TOPography (TOPMODEL) [ 19]، مدل MIKE SHE [ 20 ] و مدل‌های هیدرولوژیکی توزیع‌شده مبتنی بر شبکه (مدل‌های GB) [ 21 ]، به‌طور مداوم بهبود می‌یابند تا عملکرد و عملی بودن آن‌ها برای پیش‌بینی رواناب حوضه، شبیه‌سازی جریان آب و پیش‌بینی سیلاب‌ها را افزایش دهند [ 22 ، 23 ، 24 ]. با پیشرفت در فناوری‌های مرتبط با وب، فناوری‌های خدمات وب در مدیریت ریسک هیدرولوژیکی و پایش بلایا برای ارائه راه‌حلی یکپارچه برای هشدار بلایا، جمع‌آوری داده‌ها، پردازش داده‌ها و تجسم نتایج استفاده می‌شوند. با پایبندی به رویکرد وب سرویس، TOPMODEL در قالب سرویس های وب پیاده سازی شده است که می توان به راحتی از طریق رابط OGC WPS و پروتکل بر روی وب دسترسی داشت.25 ، 26 ، 27 ]. مدل بارش-رواناب LISFLOOD [ 28 ]، که یک مدل توزیع شده مبتنی بر GIS است، برای شبیه سازی رواناب و سیل در فرآیندهای هیدرولوژیکی [ 29 ] پیشنهاد شده است. DP ایمز و همکاران طراحی و پیاده سازی یک بسته نرم افزاری مبتنی بر وب سرویس به نام HydroDesktop را برای کشف، دانلود، مدیریت، تجسم و تجزیه و تحلیل داده های هیدرولوژیکی ارائه کرده اند [ 30 ]. چندین محقق متعهد به معرفی پلتفرم‌های داده‌ای خاص (به عنوان مثال، پلتفرم داده‌های مکانی مالاوی (MASDAP)) هستند که فناوری‌های GIS را با فرآیندهای هیدرولوژیکی برای انجام تحلیل‌های گام به گام پیوند می‌دهند [31 ]]. فن‌آوری‌های وب حسگر می‌توانند مشاهدات بی‌درنگ یا نزدیک به زمان واقعی را برای پشتیبانی از مدیریت بلایا فراهم کنند [ 32 ]. چارچوب OGC Sensor Web Enablement (SWE) در پایش مخاطرات هیدرولوژیکی به کار می رود و برای در دسترس قرار دادن منابع وب حسگر ناهمگن چند منبعی (مانند حسگرها، خدمات حسگر، مشاهدات و رویدادها) در وب استفاده می شود [ 33]. برای برآورده ساختن الزامات برای نظارت بر سناریوهای هیدرولوژیکی مختلف، این منابع وب حسگر در ترکیب‌های درخواستی اجرا می‌شوند تا کاربران بتوانند به اطلاعات هیدرولوژیکی به موقع دسترسی داشته باشند. سهم این مقاله ادغام اجزای SWE و WPS است تا اجازه دهد مشاهدات هیدرولوژیکی به خدمات ژئوپردازش مناسب در صورت تقاضا برای انجام پردازش فعال مرتبط شوند.
هنگامی که یک رویداد مخاطره هیدرولوژیکی رخ می دهد، یک چالش کلیدی دستیابی به پاسخ به موقع به آن رویداد و انجام ژئوپردازش خودکار برای پایش بلایای هیدرولوژیکی است. این مقاله یک رویکرد مبتنی بر وب و سرویس مبتنی بر وب حسگر را برای پایش فعال بلایای هیدرولوژیکی ارائه می‌کند. رویکرد پیشنهادی از فناوری‌های وب حسگر و خدمات وب استفاده می‌کند و مکانیزم رویداد محور را برای پردازش آنلاین اطلاعات خطرات هیدرولوژیکی اتخاذ می‌کند. طراحی و اجرای خدمات وب هیدرولوژیکی ارائه شده است. این سرویس‌ها در جریان‌های کاری زنجیر شده و با استفاده از موتور گردش کار اجرا می‌شوند تا تجزیه و تحلیل‌های مخاطرات هیدرولوژیکی پیچیده را امکان‌پذیر کنند. رویداد فاجعه هیدرولوژیکی مورد علاقه به یک ابزار جریان کار موجود برای راه اندازی خودکار زنجیره های خدمات وارد می شود. در مقایسه با رویکرد تحلیل هیدرولوژیکی سنتی، رویکرد پیشنهادی از پردازش فعال مبتنی بر رویداد پشتیبانی می‌کند. یک مثال کاربردی برای نشان دادن مزایای این رویکرد ارائه شده است.
باقی مانده از مقاله به شرح زیر سازماندهی شده است. بخش 2 نیازهای کاربر سیستم پیشنهادی را تشریح می کند و مواد و روش های مربوطه را ارائه می دهد. بخش 3 طراحی و پیاده سازی سیستم را برای رویکرد پیشنهادی معرفی می کند. بخش 4 مطالعه موردی را ارائه می دهد. ارزیابی و بحث در بخش 5 ارائه شده است . نتیجه گیری و رهنمودها برای کار آینده در بخش 6 آورده شده است .

2. مواد و روشها

2.1. الزامات کاربر

به طور سنتی، کاربران هیدرولوژیکی داده ها را در رایانه های رومیزی دانلود می کنند و از نرم افزار پردازش تصویر دسکتاپ برای پردازش این داده ها استفاده می کنند. فرآیند تولید اطلاعات پشتیبان تصمیم، مانند نقشه های کدورت، اغلب پر زحمت، ناکارآمد و زمان بر است. علاوه بر این، این فرآیند برای کاربران هیدرولوژیکی که مهارت های GIS و تجربه نرم افزاری محدودی دارند دشوار است. بنابراین، انطباق روش سنتی نگاشت دسکتاپ با خدمات نقشه برداری درخواستی برای کاهش هزینه های منابع و مهارت های مورد نیاز در سمت کاربر نهایی سودمند خواهد بود.
فن‌آوری‌های زیرساخت اطلاعاتی (به عنوان مثال، وب‌های حسگر، سرویس‌های وب جغرافیایی، و گردش‌های کاری مبتنی بر وب) ابزارهای جدیدی را برای نقشه‌برداری هیدرولوژیکی ارائه می‌دهند. نقشه‌های هیدرولوژیکی را می‌توان در صورت تقاضا با زنجیره‌ای کردن خدمات جغرافیایی توزیع‌شده تحویل داد. این سرویس‌ها در جریان‌های کاری زنجیر شده و با استفاده از یک موتور گردش کار اجرا می‌شوند تا تجزیه و تحلیل‌های مخاطرات هیدرولوژیکی پیچیده و پاسخ به موقع به رویدادهای هیدرولوژیکی را امکان‌پذیر کنند. برای برآوردن نیازهای کاربران با سطوح مختلف دانش پیشینه و مهارت های کامپیوتری، انواع مختلفی از زنجیره خدمات باید توسعه یابد. OGC Abstract Service Architecture سه نوع زنجیره خدمات را شناسایی می کند: زنجیره شفاف، زنجیره شفاف، و زنجیر مات [ 34]. زنجیره‌سازی شفاف، که زنجیره‌سازی تعریف‌شده توسط کاربر نیز نامیده می‌شود، اغلب توسط متخصصانی که در تجزیه و تحلیل جغرافیایی و استفاده از خدمات جغرافیایی ماهر هستند، اتخاذ می‌شود. آنها می توانند اجرای زنجیره ها را خودشان مدیریت کنند. در زنجیره‌سازی نیمه شفاف، که زنجیره‌ای با مدیریت جریان کار نیز نامیده می‌شود، موتورهای گردش کار زنجیره‌های سرویس را کنترل می‌کنند. فراخوانی سرویس‌ها پنهان است و کاربران بر روی فرمول‌بندی جریان‌های کاری در سطح کسب‌وکار تمرکز می‌کنند. در زنجیره غیر شفاف، کاربران به طور کامل از جریان کار و خدمات باطن جدا می شوند. در زمینه تجزیه و تحلیل بلایای هیدرولوژیکی، کارشناسان حوزه می توانند با استفاده از ابزارهای گردش کار که در حالت کشیدن و رها کردن کار می کنند، گردش کار را طراحی کنند. این ابزارهای گردش کار، خدمات را برای اجرای گردش کار متصل و فراخوانی می کنند. هنگامی که یک گردش کار بایگانی شد و به طور کلی به عنوان یک سرویس جدید قابل دسترسی بود،
فن‌آوری‌های رصد زمین که با شبکه‌های حسگر هماهنگ شده‌اند، می‌توانند از ارائه داده‌های بی‌درنگ یا تقریباً بی‌درنگ پشتیبانی کنند. داده های جغرافیایی توزیع شده به دست آمده از مشاهدات زمین را می توان از طریق خدمات استاندارد داده های مکانی به دست آورد. برای انجام وظایف نظارت هیدرولوژیکی پیچیده و بلادرنگ، نه تنها به اشتراک گذاری داده ها و توابع ژئوپردازش در وب، بلکه برای هماهنگ کردن مشاهدات حسگر و عملکردهای ژئوپردازش به شیوه ای مبتنی بر رویداد ضروری است. ژئوپردازش خودکار رویدادهای مخاطره آمیز هیدرولوژیکی به فوریت توسط کارشناسان مورد نیاز است تا به آنها کمک کند تا در اسرع وقت واکنش نشان دهند. یک مکانیسم رویداد محور می تواند به دستیابی به این هدف کمک کند.

2.2. سنسور وب و مکانیسم رویداد محور

وب حسگر یک سیستم مشاهده مشارکتی است که از حسگرهای ناهمگن و سیستم‌های مرتبط تشکیل شده است [ 35 ]. معماری OGC Sensor Web Enablement (SWE) مجموعه ای از مدل های اطلاعاتی استاندارد و رابط های سرویس را برای کشف، انتشار و جمع آوری منابع وب حسگر تعریف می کند [ 36 ]. مشخصات SWE شامل مشاهدات و اندازه‌گیری‌ها (O&M)، زبان نشانه‌گذاری مبدل (TML)، زبان مدل حسگر (SensorML)، سرویس مشاهده حسگر (SOS)، سرویس برنامه‌ریزی حسگر (SPS)، سرویس رویداد سنسور (SES) و اطلاع رسانی وب است. استانداردهای سرویس (WNS) این فناوری نقش مهم تری در مدیریت بلایا و پایش محیط زیست ایفا می کند [ 37]. این امکان فراهم کردن مشاهدات در زمان واقعی یا نزدیک به زمان واقعی را فراهم می کند، در نتیجه ژئوپردازش زنده را قادر می سازد تا از پاسخ به موقع به رویدادهای مخاطره آمیز هیدرولوژیکی پشتیبانی کند.
شکل 1 استفاده معمولی از سرویس های وب سنسور را نشان می دهد. در زمینه مدیریت بلایای هیدرولوژیکی، می توان از آنها برای اشتراک رویداد، تعیین تکلیف حسگر و دسترسی به مشاهده استفاده کرد. هر کاربر ابتدا باید یک شناسه WNS برای دریافت اعلان‌ها ثبت کند. آنها می توانند در رویدادهای هیدرولوژیکی خاصی مشترک شوند، مانند مواردی که کدورت آب از یک آستانه معین فراتر می رود. فرآیندهایی که توسط آن مشاهدات حسگر جمع آوری می شوند را می توان به دو نوع تقسیم کرد. یک نوع بر اساس فواصل زمانی منظم است و دیگری بر اساس اعلان های یک سرویس WNS است. در مثال شکل 1SOS1 برای ارائه مشاهدات حسگر درجا در فواصل زمانی منظم تعریف شده است. SES به طور مداوم مشاهدات از حسگرهای درجا به دست آمده از طریق SOS1 را نظارت خواهد کرد. هنگامی که مشاهداتی را بیش از یک آستانه مشخص می یابد، از طریق WNS به کاربران اطلاع می دهد. کاربران می توانند وظایف مشاهدات حسگرهای ماهواره ای را از طریق SPS اختصاص دهند. هنگامی که سنسورهای برنامه ریزی شده در محل قرار می گیرند، SPS به WNS دستور می دهد تا پیامی را برای کاربران ارسال کند. سپس کاربران می توانند درخواست های GetObservation را به SOS2 ارسال کنند تا مشاهدات سنجش از راه دور را به دست آورند. این مشاهدات به طور خودکار برای پردازش جغرافیایی زنده به WPS ارسال می شود.
به طور کلی، یک رویداد به عنوان هر چیزی که رخ می دهد یا توسط عوامل خاصی تحریک می شود تعریف می شود [ 38 ]. در محیط Sensor Web، هر مشاهده را می توان به عنوان یک رویداد تعریف کرد. چهار لایه منطقی در جریان پردازش رویداد وجود دارد، یعنی مولد رویداد، کانال رویداد، موتور پردازش رویداد و فعالیت رویداد محور پایین دست [ 39 ]. روش رویداد محور می تواند نقش مهمی در مدیریت و پایش بلایای هیدرولوژیکی ایفا کند [ 40 ]. شکل 2 مکانیسم رویداد محور را نشان می دهد. کاربران می توانند در یک رویداد با معیارهای فیلتر خاص مشترک شوند [ 41]. این معیارهای فیلتر بیشتر به عنوان یک الگوی رویداد کدگذاری می شوند که قوانینی مانند فیلترها را برای پردازش رویداد تعریف می کند. این فیلترها، مانند شناسه های حسگر و ویژگی های مشاهده، می توانند توسط مولد رویداد استفاده شوند. مشاهدات حسگر را می توان در زمان واقعی یا تقریباً زمان واقعی از طریق رابط SOS در دسترس قرار داد. این مشاهدات با ارسال منظم درخواست های GetObservation به یک SOS بازیابی می شوند و سپس برای تولید رویدادهای مشاهده تجزیه می شوند. این رویدادهای مشاهده‌ای به کانال رویداد منتقل می‌شوند و با آستانه مشخص‌شده در الگوی رویداد مقایسه می‌شوند. یک SES می تواند فیلتر را بر اساس معیارهای مختلف، مانند مقادیر آستانه (مثلاً غلظت رسوب برابر با 50 میلی گرم در لیتر) انجام دهد. هنگامی که برخی از مشاهدات از آستانه عبور کردند، تشخیص یک رویداد هشدار داده می شود. و SES با WNS کار خواهد کرد تا مشاهدات حسگر جدید و گردش های کاری ژئوپردازش را فعال کند. چنین مکانیزم رویداد محور در رویکرد پیشنهادی برای پردازش رویداد هیدرولوژیکی به تصویب رسید.
سیستم پیشنهادی برای پایش فعال هیدرولوژیکی متکی بر خدمات قابل همکاری مبتنی بر استاندارد است. استانداردهای خدمات وب OGC، از جمله استانداردهای وب حسگر، معمولاً هنگام توسعه خدمات وب هیدرولوژیکی [ 37 ] اتخاذ می شوند. مکانیسم رویداد محور بر اساس استانداردهای وب حسگر مانند SOS، SES و WNS پیاده سازی شده است. پردازش مشاهدات حسگر از استاندارد WPS پیروی می کند که یک رابط استاندارد و پروتکل را برای ارائه عملکردهای پردازش جغرافیایی به مشتریان از طریق وب مشخص می کند. ارائه خدمات با پیروی از این استانداردها امکان اجرای plug-and-play سرویس های وب هیدرولوژیکی را فراهم می کند و انعطاف پذیری اتصال سرویس را برای گردش های کاری ژئوپردازش بهبود می بخشد.

3. طراحی و پیاده سازی سیستم

3.1. طراحی معماری

شکل 3 معماری سیستم خدمات وب هیدرولوژیکی مبتنی بر وب سنسور را نشان می دهد. این سیستم نه تنها به توابع تجزیه و تحلیل هیدرولوژیکی اجازه می دهد تا به عنوان خدمات ژئوپردازش با پیروی از استاندارد OGC WPS پیچیده شوند، بلکه پردازش جغرافیایی یکپارچه مبتنی بر رویداد را در وب برای نظارت فعال بلایای هیدرولوژیکی فعال می کند. یک معماری سه لایه در سیستم اتخاذ شده است که شامل لایه‌های کاربردی، تجاری و داده می‌شود.
ردیف داده مسئول مدیریت و انتشار داده‌های مشاهده‌ای بی‌درنگ و تاریخی از وب حسگر است. سیستم های حسگر در زیرساخت سایبری اطلاعاتی در حال ظهور می توانند مشاهدات مختلفی را از حسگرهای درجا و از راه دور ارائه دهند. این مشاهدات را می توان با استفاده از عملیات استاندارد مانند درخواست های GetObservation از طریق رابط SOS بازیابی کرد و به آنها دسترسی داشت. داده های مشاهده و URL داده ها بر اساس پروتکل های استاندارد انتقال اطلاعات به مشتریان بازگردانده می شوند.
سطح کسب و کار بر ادغام خدمات هیدرولوژیکی متمرکز است. برای تحقق نظارت بر بلایای هیدرولوژیکی فعال با استفاده از رویکرد مبتنی بر وب و سرویس مبتنی بر وب حسگر، مؤلفه اصلی میان‌افزار پردازش رویداد است. رویدادهای هیدرولوژیکی را از وب حسگر به عنوان ورودی می گیرد، آنها را مطابق با الگوهای رویداد پردازش می کند، و گردش کار ژئوپردازش را برای تولید محصولات زنده فعال می کند. هنگامی که یک رویداد غیرعادی تشخیص داده می شود، مشاهدات جدید را می توان به موقع تعیین کرد و به دست آورد. این مشاهدات به ماژول گردش کار تحویل داده می شود. ماژول گردش کار شامل سه جزء فرعی است: مدل‌ساز گردش کار، مؤلفه اتصال جریان کار و موتور گردش کار. مدل‌ساز گردش کار یک مدل فرآیند انتزاعی متشکل از جریان‌های کنترلی و جریان‌های داده در میان فرآیندهای اتمی تولید می‌کند. مولفه اتصال جریان کار، این مدل فرآیند انتزاعی را با اتصال فرآیندهای اتمی به سرویس‌ها در یک جریان کاری مشخص یا زنجیره خدمات قابل اجرا نشان می‌دهد. سپس چرخه‌های کاری اجرایی یا زنجیره‌های خدمات توسط موتور گردش کار اجرا می‌شوند تا محصولات داده‌ای بر اساس تقاضا تولید کنند. هنگامی که مشاهدات به گردش‌های کاری ارسال می‌شوند، آن گردش‌های کاری می‌توانند برای انجام پردازش ژئوپروسسوری فعال فعال شوند، بنابراین اطلاعات پشتیبانی تصمیم‌گیری به موقع در هنگام وقوع رویدادهای خطر هیدرولوژیکی خاص ارائه می‌شود.
توابع تحلیل هیدرولوژیکی از طریق رابط استاندارد OGC WPS قابل دسترسی هستند. در بخش داخلی، فرآیندهای ژئوپردازش هیدرولوژیکی با فراخوانی APIهای کتابخانه های الگوریتم در سیستم های نرم افزاری GIS موجود پیاده سازی می شوند. توابع تجزیه و تحلیل هیدرولوژیکی قدیمی، در قالب خدمات ژئوپردازش، بر روی یک سرور برنامه کاربردی ژئوپردازش وب مستقر می شوند. پیام‌های درخواست/پاسخ برای این خدمات پردازش هیدرولوژیکی را می‌توان توسط یک servlet یا یک ظرف JSP تجزیه کرد. سپس، عملیات WPS مشخص شده در پیام ها در ماژول رسیدگی به درخواست/پاسخ WPS پردازش می شود. اجرای این فرآیندها، برنامه های آنالیز هیدرولوژیکی لازم را فراخوانی می کند. این خدمات ژئوپردازش هیدرولوژیکی را می توان در یک رجیستری منتشر کرد و در وب کشف کرد. کاربران می‌توانند مدل‌های گردش کار را از طریق ابزار طراحی گردش کار طراحی کنند، و این مدل‌ها می‌توانند بعداً با اتصال سرویس‌های ژئوپردازش هیدرولوژیکی کشف‌شده از رجیستری به گردش‌های کاری اجرایی تبدیل شوند. با استفاده از رابط‌های متقابل، خدمات تحلیل هیدرولوژیکی را می‌توان با سرویس‌های وب حسگر و سرویس‌های داده OGC موجود برای تنظیم جریان‌های کاری برای نظارت فعال هیدرولوژیکی هماهنگ کرد.
لایه برنامه، همچنین به عنوان لایه مشتری شناخته می شود، یک رابط سفارشی برای تعامل با کاربران فراهم می کند. کاربران می‌توانند خدمات را فراخوانی کنند، گردش‌های کاری را یکپارچه کنند، وظایفی را برای سیستم‌های حسگر صادر کنند، مشاهدات را جمع‌آوری کنند، و نتایج پردازش جغرافیایی را از طریق مشتریان در این سطح تجسم کنند.

3.2. پیاده سازی

خدمات وب برای تجزیه و تحلیل هیدرولوژیکی مطابق با مشخصات OGC WPS نسخه 1.0.0 توسعه یافته است. این سرویس‌ها بر اساس کیت توسعه جاوا (JDK) نوشته شده‌اند تا امکان استقرار چند پلتفرمی را فراهم کنند و بر روی یک آپاچی تامکت در یک محیط عامل لینوکس ۶۴ بیتی مستقر می‌شوند. این خدمات با بسته بندی الگوریتم های آنالیز هیدرولوژیکی موجود از نرم افزار قدیمی توسعه یافته اند.

  • GDAL مجموعه ای از API ها را برای خواندن و نوشتن تصاویر سنجش از راه دور فراهم می کند. در این پیاده سازی، از آن برای تحقق بخشیدن به قابلیت های orthorectification، کالیبراسیون هندسی و نمونه برداری مجدد استفاده می شود. خدمات orthorectification در ژئوفرآوری استخراج کدورت بعدی به کار گرفته خواهد شد.
  • چندین الگوریتم پردازش (به عنوان مثال، کالیبراسیون رادیومتریک، محاسبات شاخص آب تفاضلی معمولی (NDWI) و وارونگی سیلت) در پیوست B فهرست شده است . این الگوریتم ها می توانند محصولات داده مناسب را استخراج کنند. برنامه های C++ متناظر آنها به صورت Dynamic-Link Libraries (DLL) بسته بندی می شوند. سایر الگوریتم‌ها می‌توانند از توابع پردازش مجدد در مؤلفه‌های قدیمی استفاده کنند، به عنوان مثال، اسکریپت‌های GRASS.
  • DLL های فوق در نهایت به عنوان سرویس های وب از طریق رابط بومی جاوا (JNI) در معرض دید قرار می گیرند. JNI [ 42 ] می تواند کد جاوا را مستقیماً متدهای نوشته شده در سایر زبان های برنامه نویسی از جمله C++ را فراخوانی کند. فرآیندهای آنالیز هیدرولوژیکی، که بر اساس JNI و DLL پیاده‌سازی می‌شوند، شامل محاسبه NDWI و توابع وارونگی سیلت هستند که برای استخراج کدورت استفاده می‌شوند. دستورات/اسکریپت‌های نرم‌افزار قدیمی را نیز می‌توان با استفاده از روش JAVA runtime exec پیچیده کرد.
فرآیند تحلیل هیدرولوژیکی برای تصاویر سنجش از دور شامل دو مرحله است: مرحله اول پیش پردازش تصاویر خام است. مرحله دوم، انجام مدل تجزیه و تحلیل هیدرولوژیکی خاص بر روی تصاویر از پیش پردازش شده است. هر دو مرحله به مدل ها یا الگوریتم های ریاضی موجود بستگی دارد. این الگوریتم ها را می توان برای دستیابی به تجزیه و تحلیل خطر هیدرولوژیکی پیشرفته متصل و یکپارچه کرد. الگوریتم ها در ابتدا به زبان C++ نوشته شدند و با استفاده از جاوا بسته بندی شدند. وظیفه استخراج کدورت در دریاچه پویانگ را به عنوان نمایشی برای معرفی الگوریتم های ریاضی اعمال شده در هنگام محاسبه غلظت کل رسوب معلق (TSSC) از تصاویر GF-1 در نظر بگیرید. مرحله پیش پردازش تصویر اغلب شامل فرآیندهایی مانند تصحیح قاعده، کالیبراسیون رادیومتریک و تصحیح اتمسفر است.
یک روش متداول برای تصحیح راستا، مدل دوربین ضریب چند جمله ای گویا (RPC) است که داده های مدل ارتفاع دیجیتال (DEM) را به عنوان ورودی می گیرد. مدل RPC، مختصات شیء (طول، طول و عرض جغرافیایی، و ارتفاع) را در مختصات (خط، نمونه) نمونه‌برداری می‌کند. معادله مدل [ 43 ] است:

(L، اس)=آرپسی(Υ، ϕ، اچ)

جایی که Lخط تصویر ورودی است، اسشاخص نمونه است، Υطول جغرافیایی است، ϕعرض جغرافیایی است و اچارتفاع ارتومتریک است.

یک روش کالیبراسیون رادیومتریک را می توان برای پردازش تصاویر با کمک ضرایب کالیبراسیون حسگر WFV2 در ماهواره GF-1 اعمال کرد [ 44 ، 45 ]. معادله (2) زیر برای تبدیل مقادیر DN سنجش از دور به تشعشعات در ماهواره استفاده می شود:

Lسآتیλ=جیآمنn×دین+بمنآس

جایی که Lسآتیλتابش طیفی در ماهواره در باند طیفی داده شده است ( دبلیو·متر2·sr–1·μمتر–1) جیآمنnنشان دهنده بهره برای باند طیفی داده شده ( دبلیو·متر2·sr–1·μمتر–1) بمنآسآفست برای باند طیفی داده شده است ( دبلیو·متر2·sr–1·μمتر–1) و دینمقدار خاکستری پیکسل کالیبره شده است.

مدل COST برای انجام تصحیح جوی استفاده می شود [ 46 ، 47 ]. این نه تنها اثرات ناشی از زاویه اوج خورشید، تابش خورشیدی و پراکندگی اتمسفر را تصحیح می کند، بلکه باعث جذب جو نیز می شود. معادله آن این است:

آرλ=π×دی2×(Lسآتیλ–Lساعتآzهλ)/Eستوnλcos2θ

که در آن λ طول موج است، آرλبازتاب طیفی سطح است، دیفاصله بین زمین و خورشید است، Lسآتیλتابش طیفی در ماهواره در باند طیفی داده شده است، Lساعتآzهλدرخشش مسیر اتمسفر است، Eستوnλتابش خورشیدی خارجی-اتمسفر است و θزاویه اوج خورشید است.

پس از پیش پردازش تصویر، مراحل محاسبه NDWI ، ساخت ماسک و وارونگی سیلت را می توان به یک گردش کار برای محاسبه TSSC مرتبط کرد . NDWI ، که هدف آن برجسته کردن ویژگی‌های آب در تصاویر سنجش از دور است، با معادله (4) محاسبه می‌شود . مقادیر NDWI از -1 تا 1 متغیر است. سطوح آب باز معمولاً مقادیر منفی دارند [ 48 ].

ندیدبلیومن=(جیrههn–نمنآر)/(جیrههn+نمنآر)
در فرمول، گرین نشان دهنده نوار سبز و NIR به معنای باند تابش نزدیک به فروسرخ است.
در نهایت، مقدار TSSC را می توان از نتایج تصحیح اتمسفر برای باندهای 2 و 3 محاسبه کرد [ 49 ]. فرمول این است

تیاساسسی=0.4023ه(46.457ایکس)
ایکس=(آرλ (λب2جهnتیrه)+آرλ (λب3جهnتیrه))آرλ (λب3جهnتیrه)/آرλ (λب2جهnتیrه)

که در آن λ طول موج است، آرλبازتاب طیفی سطح است، λب2جهnتیrهطول موج مرکزی باند 2 ماهواره GF-1 است، λب3جهnتیrهطول موج مرکزی برای باند 3 است و ایکسعاملی است که با ترکیب آن محاسبه می شود آرλمقادیر در باندهای 2 و 3 به دست آمده از حسگر GF-1. این روش در الگوریتم 1 زیر سازماندهی و خلاصه شده است.

الگوریتم 1. غلظت کل رسوب معلق (TSSC) را در منطقه مورد مطالعه محاسبه کنید.
ورودی:
تصویری که از قبل پردازش شده و توسط یک ماتریس سه بعدی نمایش داده شده است.
الگوریتم اصلی:

  • برای ایجاد یک تصویر فرعی از منطقه مورد مطالعه، تصویر ورودی را برش دهید.
  • مقدار NDWI تصویر فرعی را با استفاده از معادله (4) محاسبه کنید.
  • نتیجه محاسبه NDWI را با توجه به یک آستانه مشخص (آستانه برابر با 0) با اختصاص 1 به پیکسل های دارای مقادیر NDWI منفی و 0 به بقیه، باینری کنید.
  • ساختن ماسک را برای ضرب باند به باند تصویر باینری با تصویر GF-1 از پیش پردازش شده برای استخراج مناطق آبی انجام دهید.
  • غلظت کل رسوب معلق (TSSC) را با استفاده از رابطه (5) محاسبه کنید.
خروجی:
 تصویری که مقادیر پیکسل آن نتایج محاسبه شده TSSC است.
شکل 4طراحی و اجرای یک بسته بندی سرویس پردازش وب برای انتشار سرویس های جدید تجزیه و تحلیل هیدرولوژیکی با استفاده از اسکریپت ها و توابع DLL را نشان می دهد. هر دو برنامه تحلیل هیدرولوژیکی قدیمی و اجرایی جدید با استفاده از پوشش کد JAVA با فراخوانی اسکریپت های پوسته یا رابط های JNI فراخوانی می شوند. لیست الگوریتم ها در یک فروشگاه الگوریتم داخلی نگهداری می شود. درخواست‌های HTTP برای عملیات WPS GetCapabilities، DescribeProcess و Execute می‌توانند توسط سرولت‌ها و کنترل‌کننده‌های درخواست/پاسخ پردازش شوند. به عنوان مثال، هنگامی که کاربر یک درخواست Execute POST را به سرور WPS ارسال می کند، سند XML برای استخراج پارامترهای مورد نیاز (مثلاً شناسه های فرآیند) تجزیه می شود. با مقایسه شناسه‌ها با الگوریتم‌های موجود در ذخیره‌سازی الگوریتم داخلی، می‌توان فرآیندهای مناسب را پیدا کرد. پس از اتمام ژئوپردازش،
جامعه وب 52North Sensor مجموعه ای از نرم افزارهای سرور منبع باز را برای پنج نوع سرویس SWE و همچنین برنامه های مشتری توسعه داده است [ 50 ]. این نرم افزار در پیاده سازی سرویس وب سنسور به کار گرفته شده است. گردش کار توسط یک ابزار گردش کار geoprocessing منبع باز به نام GeoJModelBuilder [ 27 ] پشتیبانی می شود که می تواند برای ایجاد و اجرای مدل های گردش کار بر اساس نیازهای کاربر استفاده شود.شکل 5فرآیند زنجیره‌بندی خدمات هیدرولوژیکی مبتنی بر گردش کار را نشان می‌دهد. ابتدا، یک مدل جریان کار هیدرولوژیکی انتزاعی بر اساس منطق تجاری هیدرولوژیکی ایجاد می شود. مدل ها با کشیدن و رها کردن عملیات با استفاده از ابزار گردش کار طراحی می شوند. سپس مدل گردش کار انتزاعی به یک زنجیره خدمات اجرایی با خدمات هیدرولوژیکی الزام آور، مانند orthorectification، کالیبراسیون رادیومتریک، و خدمات تصحیح اتمسفر تبدیل می شود. ابزار گردش کار همچنین رویدادهای Sensor Web را به عنوان گره در مدل ها پشتیبانی می کند. هنگامی که یک رویداد رخ می دهد، مدل گردش کار به طور خودکار فعال می شود و نتیجه زنجیره ای توسط موتور گردش کار برای تولید محصولات داده مورد نظر برای پشتیبانی از تصمیم گیری به موقع اجرا می شود.

4. مطالعه موردی

سیستم اجرا شده برای پایش بلایای هیدرولوژیکی استفاده شده است. به دلیل اهمیت غلظت رسوبات معلق در هشدارهای به موقع سیل و سایر بلایای هیدرولوژیکی، یک مورد استخراج کدورت برای دریاچه پویانگ، استان جیانگشی، چین، برای مطالعه انتخاب شد. دریاچه پویانگ بزرگترین دریاچه آب شیرین در چین است و در بخش میانی رودخانه یانگ تسه قرار دارد [ 51 ]. از آوریل تا سپتامبر فصل بارندگی در این منطقه است. در آن دوره، آب از رودخانه یانگ تسه و چندین شاخه متصل دیگر به این دریاچه می ریزد که اغلب باعث بلایای سیل در منطقه می شود [ 49 ]. سیل معمولاً منجر به غلظت بیش از حد رسوب در بدنه های آبی می شود [ 52 ,53 ]. غلظت کل رسوب معلق (TSSC) را می توان به عنوان شاخص کیفی کدورت آب در نظر گرفت [ 54 ].
این مطالعه موردی استفاده از روش پیشنهادی را برای نظارت بر غلظت بیش از حد رسوب در منطقه مورد مطالعه بر اساس مشاهدات ثبت شده توسط ماهواره چینی GF-1 در طول دوره خطر سیل نشان می دهد. سیستم پیاده‌سازی‌شده برای تولید تصاویر موضوعی نشان‌دهنده غلظت رسوب استفاده شد که می‌تواند برای حمایت از تصمیم‌گیری بعدی استفاده شود. فرآیند پایش هیدرولوژیکی که توسط فناوری‌های زیرساخت اطلاعاتی پیاده‌سازی‌شده، از جمله فناوری‌های وب حسگر، خدمات جغرافیایی، و رویکرد مدیریت گردش کار پیشنهادی، فعال می‌شود، در زیر نشان داده شده است. شکل 6 نشان داده شده است.. زنجیره خدمات شفاف یا مات در GeoJModelBuilder برای ایجاد یک مدل گردش کار برای استخراج کدورت استفاده شد. به عنوان نقطه شروع، یک گره “کدورت آب” به جریان کار برای راه اندازی فعال فرآیند استخراج کدورت اضافه شد. مشاهده توزیع شده، داده ها و منابع ژئوپردازش جغرافیایی موجود در وب به همین روش به مدل مرتبط شدند.
در پایش غلظت بیش از حد رسوب، اولین گام، اشتراک رویدادهای کدورت آب در دریاچه پویانگ از طریق SES است. همانطور که شکل 7 نشان می دهد، کاربران از طریق یک پنجره درخواست با مشخص کردن شرایط فیلتر خاص (شناسه حسگر، ویژگی مشاهده و مقدار آستانه) مشترک می شوند و دریافت پیام از یک WNS را انتخاب می کنند. همه پارامترها به ترتیبی سازماندهی شده اند تا یک درخواست مشترک XML استاندارد ایجاد کنند. هنگامی که درخواست توسط SES دریافت می شود، یک میان افزار تولید کننده رویداد به طور منظم فعال می شود تا درخواست های GetObservation را به یک SOS برای بازیابی مشاهدات حسگر درجا از منطقه ارسال کند. هر مشاهده جدید به عنوان یک رویداد تلقی می شود.شکل 8نمونه ای از کلاس مشاهده را نشان می دهد. گره فرزند در Contents کلاس Observation است که یک مشاهده حسگر را با استفاده از عناصر زیر توصیف می کند: id، samplingTime، procedure، observedProperty، featureOfInterest و نتیجه. مقادیر TSSC برای مشاهده در گره نتیجه ثبت می شود. با توجه به مکانیسم رویداد محور توضیح داده شده در بخش 2 ، مشاهدات به یک کانال رویداد هدایت می شوند و با الگوهای رویداد مقایسه می شوند. مقادیر گره های فرزند، مانند procedure، observedProperty و result، برای انجام تطبیق فیلتر استفاده می شود.
هنگامی که غلظت رسوب دریافتی از حسگرهای درجا از آستانه (بیشتر از 50 میلی گرم در لیتر) فراتر رود، یک هشدار به طور خودکار توسط WNS برای مشترکین ارسال می شود. SES یک درخواست DoNotification را به WNS ارسال می کند، که سپس از طریق یک ابزار مشخص، مانند ایمیل، مشترکان را مطلع می کند. محتویات مشاهده غیرعادی در پیام اعلان گنجانده شده است. پس از دریافت پیام، گردش کار پاسخگو شروع به برنامه ریزی و برنامه ریزی منابع حسگر برای مشاهدات هماهنگ بین حسگرهای چند منبعی، مانند ماهواره ها یا وسایل نقلیه هوایی بدون سرنشین (UAV) می کند. مرحله بعدی دسترسی به داده های مشاهده جدید از طریق SOS است. داده های سنجش از دور از مشاهدات زمین به جای نیاز به دانلود دستی توسط SOS ارائه می شود. از آنجا که یک SOS می تواند مشاهدات زمان واقعی یا نزدیک به زمان واقعی را ارائه دهد، می تواند از تاخیرهای زمانی ایجاد شده در عملیات دستی و ارتباطات جلوگیری کند. داده‌های سنجش از راه دور به‌طور خودکار به گردش کار «کدورت آب» برای پردازش جغرافیایی زنده ارسال می‌شوند. در نهایت، گردش کار ژئوپردازش هیدرولوژیکی به طور خودکار برای پردازش مشاهدات جدید اجرا می شود.
این مطالعه موردی نشان می‌دهد که روش سرویس رویداد محور می‌تواند به اشتراک رویداد، تشخیص، اطلاع‌رسانی و پاسخ در یک سناریوی سیل واقعی کمک کند. رویکرد پیشنهادی می‌تواند پیچیدگی بازیابی منابع هیدرولوژیکی، پردازش تحلیل فضایی، استخراج اطلاعات، اعلان پیام و تولید نقشه را در مقایسه با رویکرد نظارت دستی سنتی کاهش دهد. کاربران اغلب داده های سنجش از راه دور محلی را با استفاده از نرم افزار تحلیل دسکتاپ به صورت دستی پردازش می کنند. با این حال، با استفاده از رویکرد پیشنهادی، کاربران نیازی به بررسی مشاهدات به طور منظم برای تشخیص زمان وقوع یک ناهنجاری ندارند.

5. ارزیابی و بحث

5.1. ارزیابی

برای ارزیابی اثربخشی و عملی بودن رویکرد پیشنهادی، دو آزمایش انجام دادیم. یکی مقایسه عملکرد پردازش بین روش سنتی پردازش هیدرولوژیکی دستی و رویکرد خدمات مبتنی بر رویداد بود. مورد دیگر ارزیابی کارایی اجرا با اجرای گردش کار/خدمات استخراج کدورت در سرورهای مختلف بود. مشاهدات ورودی از حسگرهای ماهواره چینی GF-1 به دست آمد. برای مشاهده نمونه انتخاب شده ثبت شده در 21 سپتامبر 2014، حجم تصویر 0.98 گیگابایت است. گردش کار استخراج کدورت شامل فرآیندهای زیر است: تصحیح قاعده، کالیبراسیون رادیومتریک، تصحیح اتمسفر، برش، محاسبه NDWI، ساختن ماسک و وارونگی سیلت.
شکل 9نتایج عملکرد در آزمایش اول را نشان می دهد. هر دو تست 1 و 2 روی رایانه های شخصی معمولی (PC) انجام می شوند که هر کدام مجهز به پردازنده 3.60 گیگاهرتزی Intel(R) Core(TM) i7 و 8.0 گیگابایت حافظه هستند که سیستم عامل مایکروسافت ویندوز 10 را اجرا می کنند. به طور سنتی، کاربران هیدرولوژیکی اغلب از یک رویکرد محلی استفاده می کنند، که در آن به صورت دستی داده ها را با استفاده از نرم افزار یا ابزارهای GIS رومیزی پردازش می کنند. در رویکرد دستی (آزمون 1)، ده دانشجوی فارغ التحصیل با دانش کافی و مهارت های کامپیوتری برای شرکت در آزمایش دعوت شدند. آنها برای انجام عملیات دستی لازم با استفاده از نرم افزار دسکتاپ GRASS آموزش دیدند. هزینه زمانی (به عنوان مثال، 40.27 دقیقه) توسط هر دانش آموز در آزمون 1 ثبت شد، از زمانی که داده های ورودی در نرم افزار GRASS باز می شود و به اتمام تمام عملیات ختم می شود. در رویکرد گردش کار (تست 2)، گردش کار اجرایی برای استخراج کدورت ده بار با استفاده از خدمات مستقر در رایانه های شخصی توزیع شده در یک شبکه محلی انجام شد. زمان اجرا (مثلا 20.73 دقیقه) برای هر اجرای گردش کار در تست 2 ثبت شد که از فراخوانی گردش کار شروع شده و با بازگشت پاسخ به پایان می رسد. برای جلوگیری از اثرات احتمالی، هر زمان اجرا برای رویکرد پیشنهادی به عنوان میانگین هزینه‌های زمانی ده اجرای گردش کار محاسبه شد.شکل 9 نتایج عملکرد به دست آمده را نشان می دهد. در مقایسه با روش پیشنهادی، منحنی زمان برای رویکرد دستی نوسانات قابل توجهی را نشان می‌دهد، زیرا به دلیل تفاوت در مهارت عملیات از فردی به فرد دیگر، وجود دارد. عملکرد رویکرد پیشنهادی نسبتاً پایدار است زیرا به طور خودکار توسط رایانه ها و با دخالت کمی انسان انجام می شود. بر اساس نتایج آزمایش‌ها، به وضوح می‌توان نتیجه گرفت که رویکرد پیشنهادی در مقایسه با روش سنتی از نظر صرفه‌جویی در زمان و تلاش و کوتاه‌تر کردن زمان انتظار برای مصرف‌کنندگان نقطه پایانی اطلاعات بلایای هیدرولوژیکی، عملکرد برتری را نشان می‌دهد.
هنگامی که خدمات تحلیل هیدرولوژیکی به سرورهای محاسباتی با کارایی بالا منتقل شدند، عملکرد بیشتر بهبود یافت. شکل 10 نتایج آزمایش‌های عملکرد انجام شده با خدمات استخراج کدورت مستقر در سرورهای جدید (تست 3) با پردازنده‌های Intel(R) Xeon(R) E5-2692v2 2.20 گیگاهرتز و حافظه 32.0 گیگابایتی را نشان می‌دهد که دارای لینوکس Ubuntu 12.04 هستند. این آزمایش ها در همان الگوی تست 2 برای تعیین اثرات واقعی بر هزینه های زمانی انجام شد. همانطور که در شکل 10 نشان داده شده است، هزینه زمانی برای اجرای گردش کار استخراج کدورت در سرورهای با کارایی بالا بسیار کمتر از هزینه اجرا در رایانه های شخصی است. دلیل آن این است که در این حالت، وب سرویس ها می توانند به طور خودکار از منابع محاسباتی توزیع شده از راه دور استفاده کنند، مشاهدات را از منابع مختلف بازیابی کنند و تجزیه و تحلیل هیدرولوژیکی را بر روی آنها انجام دهند، طبق مراحل طراحی شده قبلی مدل گردش کار. همچنین لازم به ذکر است که آزمایش ها بر روی یک شبکه محلی (LAN) با سرعت 1 گیگابیت بر ثانیه انجام شده است. برای یک شبکه گسترده (WAN) با سرعت انتقال کمتر و پهنای باند باریک تر، استراتژی های بهینه سازی اضافی برای استقرار خدمات در سرورهای مختلف ضروری خواهد بود. برای مثال، ممکن است نیاز باشد چندین سرویس بر روی یک سرور واحد مستقر شوند، یا برخی خدمات ممکن است به سرورهایی با اتصالات بهتر نیاز داشته باشند. این کار از حوصله مقاله فعلی خارج است و در آینده مورد بررسی قرار خواهد گرفت.

5.2. بحث

بر اساس آزمایش، رویکرد گردش کار پیشنهادی می‌تواند مزایای متعددی را برای مدیریت بلایای هیدرولوژیکی، در مقایسه با روش سنتی در آزمون 1، ارائه دهد. جدول 1 مقایسه این دو رویکرد را ارائه می‌کند.
(1) از دیدگاه کاربران هیدرولوژیکی، رویکرد پیشنهادی روشی راحت و کاربرپسند را برای کاربران فراهم می‌کند تا با قابلیت‌های اولیه تجزیه و تحلیل هیدرولوژیکی تعامل داشته باشند و از آن‌ها در موارد پایش بلایای هیدرولوژیکی واقعی استفاده کنند. پیچیدگی جزئیات فنی در پشت مدل‌های گردش کار پنهان است و در نتیجه به طور قابل توجهی مانع ورود کاربران را کاهش می‌دهد. رابط‌های خدمات استاندارد شده به مدل‌های گردش کار اجازه می‌دهند تا برای جمع‌آوری خدمات هیدرولوژیکی در گردش‌های کاری برای کارهای پیچیده به صورت پلاگین و بازی استفاده شوند. در مقابل، پردازش دستی سنتی تنها توسط افراد حرفه ای با دانش پیشینه غنی و مهارت های برنامه نویسی کامپیوتری قابل انجام است.
(2) از دیدگاه خدمات هیدرولوژیکی، رویکرد تجزیه و تحلیل هیدرولوژیکی سرویس گرا به هیچ نرم افزار یا برنامه خاصی که بر روی ماشین های شخصی کاربران نصب شده است متکی نیست. تجزیه و تحلیل را می توان از راه دور از طریق وب سرویس ها انجام داد. استفاده از رابط های استاندارد به ارائه دهندگان خدمات هیدرولوژیکی مختلف اجازه می دهد تا ماژول های خدمات قابل استفاده مجدد را که می توانند به صورت پویا در مدل های بزرگ گردش کار قابل اجرا در وب برای استفاده توسط سایرین در جامعه به عنوان بخشی از اجرای سیستم به عنوان یک کل، یکپارچه شوند.
(3) از دیدگاه گردش‌های کاری هیدرولوژیکی، رویکرد خدمات پیشنهادی به پردازش هیدرولوژیکی خودکار از طریق فرآیند اجرای جریان کار مبتنی بر رویداد دست می‌یابد. در مقابل، روش‌های دستی سنتی نیاز به سطح بالایی از مهارت حرفه‌ای از کاربران نقطه پایانی دارند و بسیار زمان‌بر و مستعد خطا هستند. این جریان‌ها اجرای منطق تجاری را خودکار می‌کنند و می‌توانند محصولات داده‌های هیدرولوژیکی درخواستی را سریع‌تر تولید کنند، بدون مداخله دستی و فرصت‌های کمتری برای خطا، که به‌ویژه برای نظارت بر بلایای هیدرولوژیکی در حال انجام مفید است.
(4) از دیدگاه مدیریت دانش، مدل‌های جریان کار موجود به تحلیلگران اجازه می‌دهد تا به صورت تعاملی مدل‌های گردش کار جدید و پیچیده‌تری بسازند. دانش مدل سازهای هیدرولوژیکی در طول ساخت مدل های گردش کار فرموله و ذخیره می شود. از طریق اشتراک‌گذاری، استفاده مجدد و افزودن مدل‌های گردش کار و زنجیره‌های خدمات، این رویکرد درگیر جامعه و باز به سیستم اجازه می‌دهد تا رشد کند و هوشمندتر شود و قابلیت‌های قدرتمندتری به دست آورد، زیرا دانش به طور مداوم به اشتراک گذاشته و انباشته می‌شود. همانطور که دانش در مورد جنبه های مختلف یک فاجعه هیدرولوژیکی قطعی تر می شود، نتایج فرآیند پردازش یکنواخت نیز دقیق تر و قابل اعتمادتر می شود.

6. نتیجه گیری و کار آینده

این مقاله رویکردی را برای توسعه یک سیستم وب سرویس برای پشتیبانی از نظارت فعال بلایای هیدرولوژیکی در یک محیط وب توزیع شده معرفی می‌کند. این یک طراحی جامع و پیاده سازی خدمات ژئوپردازش خودکار در زمان واقعی برای پردازش اطلاعات خطرات هیدرولوژیکی ارائه می دهد. با استفاده از ادغام سرویس‌های وب حسگر، خدمات وب پردازش جغرافیایی و فناوری‌های گردش کار، این رویکرد نه تنها راه‌حلی قابل تعامل و چابک برای انجام تحلیل‌های هیدرولوژیکی در یک محیط وب توزیع‌شده درگیر جامعه ارائه می‌کند، بلکه امکان دسترسی به ماژول‌های خدمات هیدرولوژیکی قابل استفاده مجدد را نیز فراهم می‌کند. و به شیوه ای رویداد محور با هم مرتبط می شوند.
کار آینده بر بهبود قابلیت‌های سیستم و اعمال آن در شبکه‌های حسگر فیزیکی مستقر در دریاچه پویانگ متمرکز خواهد بود. از آنجایی که این دریاچه بزرگترین دریاچه آب شیرین در چین است، شبکه های حسگر به طور گسترده در این منطقه برای نظارت فعال هیدرولوژیکی نصب شده است. ما خدمات تجزیه و تحلیل هیدرولوژیکی توسعه‌یافته را با الگوریتم‌های پیچیده‌تر مربوط به دامنه غنی‌تر خواهیم کرد. علاوه بر این، ما پردازش رویداد محور را برای انواع مختلف حسگرها در دریاچه پویانگ اعمال خواهیم کرد تا از الگوهای پیچیده‌تر رویداد محور پشتیبانی کنیم.

پیوست A. فرآیند اجرای گردش کار و تجسم برای محاسبات TSSC

شکل A1 اجرا و نظارت بر فرآیندهای موجود در گردش کار را نشان می دهد. جعبه های گرد در نمودار گردش کار نشان دهنده خدمات ژئوپردازش است. بیضی ها ورودی ها یا خروجی های خدمات را نشان می دهند. هنگامی که اجرای یک سرویس ژئوپردازش کامل شد، رنگ جعبه گرد مربوطه سبز می شود.
Ijgi 05 00171 g011 550
شکل A1. اجرا و نظارت بر فرآیندهای اجرا شده به عنوان بخشی از گردش کار ژئوپردازش استخراج کدورت.
شکل A2 تجسمی از مجموعه ای از نتایج محاسبات TSSC را نشان می دهد. به طور کلی، TSSC های بالا در بسیاری از مصب های منطقه مورد مطالعه یافت می شود و مقادیر TSSC از جنوب به شمال افزایش می یابد. این یافته ها را می توان تا حد زیادی به بارندگی شدید و رواناب رودخانه های دیگر نسبت داد، که می تواند منجر به مقادیر زیادی رسوب معلق شود، زیرا قسمت شمالی دریاچه نسبت به قسمت جنوبی به رودخانه یانگ تسه نزدیکتر است. توپوگرافی و فعالیت های لایروبی شن و ماسه نیز ممکن است بر غلظت رسوب تأثیر بگذارد.
Ijgi 05 00171 g012 550
شکل A2. تصویر موضوعی از غلظت رسوب در دریاچه پویانگ

پیوست B. الگوریتم های مورد استفاده در محاسبات TSSC

روش دقیق مدل RPC به صورت الگوریتم B1 نشان داده شده است.

الگوریتم B1. RPC Orthorectification
یک DEM را به عنوان داده ورودی بگیرید.
برای هر P در یک DEM:

  • محاسبه ( X , Y ) مختصات P;
  • تبدیل ( X , Y ) به ( Υ، ϕ)
  • درون یابی DEM در ( Υ، ϕ) بدست آوردن اچ;
  • اضافه کردن ارتفاع ژئوئید: ساعت = اچ + ن;
  • محاسبه مختصات تصویر با معادله RPC: (L، اس)=آرپسی(Υ،ϕ، اچ);
  • درون یابی DEM ورودی در ( L، اس) برای تعیین دینمقدار P;
جایی که P یک پیکسل را مشخص می کند، Υطول جغرافیایی است، ϕعرض جغرافیایی است و اچارتفاع ارتومتریک است، نارتفاع ژئوئید است، ساعتارتفاع بیضی شکل است، Lخط تصویر ورودی است، اسشاخص نمونه است، دینمقدار خاکستری پیکسل است.
خروجی:
یک تصویر با فرمت GeoTIFF.
جزئیات روش کالیبراسیون رادیومتریک به عنوان الگوریتم B2 نشان داده شده است.

الگوریتم B2. کالیبراسیون رادیومتری
نتیجه محاسبه Orthorectification را به عنوان داده ورودی در نظر بگیرید.
برای هر باند:

  • با معادله کالیبراسیون رادیومتری، مقادیر DN سنجش از راه دور را به تشعشعات در ماهواره بر اساس بهره و بایاس تبدیل کنید: Lسآتیλ=جیآمنn×دین+بمنآس;
جایی که Lسآتیλتابش طیفی در ماهواره در باند طیفی داده شده است ( دبلیو·متر2·sr–1·μمتر–1) جیآمنnنشان دهنده بهره برای باند طیفی داده شده ( دبلیو·متر2·sr–1·μمتر–1) بمنآسآفست برای باند طیفی داده شده است ( دبلیو·متر2·sr–1·μمتر–1) و دینمقدار خاکستری پیکسل کالیبره شده است.
خروجی:
یک تصویر با فرمت GeoTIFF.
جزئیات تصحیح جوی به صورت الگوریتم B3 آورده شده است.

الگوریتم B3. تصحیح اتمسفر
نتیجه محاسبه کالیبراسیون رادیومتری را به عنوان داده ورودی در نظر بگیرید.
 مدل COST را برای انجام تصحیح جوی انتخاب کنید.
 حداقل تابش طیفی را محاسبه کنید: Lکمترین=Lدقیقه+QCAL×(Lحداکثر–Lدقیقه)/سسیآLحداکثر;
 تابش جسم سیاه را محاسبه کنید: Lبدن سیاه= 0.01×Eستوnλ×cos2θ/(π×دی2)،معمولاً تابش جسم سیاه برابر با 1٪ تابش جسم سیاه هر نوار است.
 محاسبه تابش مسیر اتمسفر ( Lساعتآzهλ) با معادله:
Lساعتآzهλ= Lکمترین–Lبدن سیاه;
Lساعتآzهλ=Lدقیقه+QCAL×(Lحداکثر–Lدقیقه)/سسیآLحداکثر–0.01×Eستوnλ×cos2θ/(π×دی2);
 محاسبه بازتاب طیفی سطح ( آرλ) با معادله COST:
آرλ=π×دی2×(Lسآتیλ–Lساعتآzهλ)/Eستوnλcos2θ;
جایی که سسیآLمقدار خاکستری پیکسلی هر باند است، سسیآLحداکثرحداکثر مقدار خاکستری را نشان می دهد، Lدقیقهحد پایین تابش طیفی است، Lحداکثرحد بالایی تابش طیفی است، Eستوnλتابش خورشیدی خارجی-اتمسفر است و θزاویه اوج خورشید است، دیفاصله بین زمین و خورشید است، Lسآتیλتابش طیفی در ماهواره در باند طیفی داده شده است.
خروجی:
یک تصویر با فرمت GeoTIFF.
روش محاسبه NDWI به عنوان الگوریتم B4 توصیف شده است.

الگوریتم B4. محاسبه NDWI
تبدیل یک تصویر ورودی به یک ماتریس پیکسل ( P M )؛
ماتریس تصویر خروجی را تعریف کنید ( پندیدبلیومن) برای ذخیره نتایج محاسباتی ندیدبلیومن;
برای i ← اندازه محور 1 تا X P M :
 برای j ← اندازه محور 1 تا Y P M :
  استخراج مساحت آب با ندیدبلیومنمعادله:
   پندیدبلیومن[من، j]=(پم2 [من، j]–پم4 [من، j])/(پم2 [من، j]+پم4 [من، j]);
جایی که پندیدبلیومن[من، j]مقدار پیکسل است منردیف هفتم و jهفتمستون در پندیدبلیومن،  پم2 [من، j]مقدار پیکسل است منردیف هفتم و jهفتمستون باند 2 در P M ، پم4 [من، j]مقدار پیکسل است منردیف هفتم و jهفتمستون باند 4 در P M.
خروجی:
یک تصویر با فرمت GeoTIFF.
جزئیات محاسبه دوتایی به عنوان الگوریتم B5 ذکر شده است.

الگوریتم B5. دوتایی سازی
نتیجه محاسبه را بگیرید ندیدبلیومنبه عنوان داده ورودی؛
تبدیل تصویر ورودی به یک ماتریس پیکسل ( پندیدبلیومن)
تعریف یک ماتریس ( پبمنnآrمنzآتیمنon) برای ذخیره نتایج محاسباتی بمنnآrمنzآتیمنon;
برای من ← 1 تا X -محور اندازه از پندیدبلیومن:
 برای j ← 1 تا Y اندازه محور از پندیدبلیومن:
  اگر پندیدبلیومن[من، j]< 0:
    پبمنnآrمنzآتیمنon[من، j]← 1 △ منطقه آبی
  دیگر:
    پبمنnآrمنzآتیمنon[من، j]← 0 △ منطقه غیر آبی
جایی که پندیدبلیومن[من، j]مقدار پیکسل است منردیف هفتم و jهفتمستون در پندیدبلیومن، پبمنnآrمنzآتیمنon[من، j]مقدار پیکسل است منردیف هفتم و jهفتمستون در پبمنnآrمنzآتیمنon.
خروجی:
یک تصویر با فرمت GeoTIFF.
روش ساخت ماسک به عنوان الگوریتم B6 توصیف شده است.

الگوریتم B6. ساختمان ماسک
نتیجه محاسبه را بگیرید بمنnآrمنzآتیمنon و یک تصویر از پیش پردازش شده به عنوان داده ورودی.
تبدیل تصویر باینری به یک ماتریس پیکسل ( پبمنnآrمنzآتیمنon) و تصویر از پیش پردازش شده را به یک ماتریس پیکسل تبدیل کنید ( پمنمترآgه)
تعریف یک ماتریس ( پدبلیوآتیهr) برای ذخیره نتایج استخراج آب؛
تمام پیکسل ها را در تصاویر ورودی طی کنید و ضرب به باند تصویر باینری را با تصویر از پیش پردازش شده انجام دهید تا مقادیر واقعی پیکسل در ناحیه آب را محاسبه کنید.
برای من ← 1 تا X -محور اندازه از پبمنnآrمنzآتیمنon:
 برای j ← 1 تا Y اندازه محور از پبمنnآrمنzآتیمنon:
  برای k ← 1 به شماره باند تصویر از پیش پردازش شده:
    پدبلیوآتیهr[ک، من، j]← پبمنnآrمنzآتیمنon[من، j] ×پمنمترآgه[ک،من، j];
جایی که پبمنnآrمنzآتیمنon[من، j]مقدار پیکسل است منردیف هفتم و jهفتمستون در پبمنnآrمنzآتیمنon، پمنمترآgه[ک،من، j]مقدار پیکسل است کباند ام، منردیف هفتم و jهفتمستون در پمنمترآgه، پدبلیوآتیهr[ک، من، j]مقدار واقعی پیکسل است کباند ام، منردیف هفتم و jهفتمستون در پدبلیوآتیهr.
خروجی:
یک تصویر با فرمت GeoTIFF.
روش الگوریتم وارونگی سیلت به عنوان الگوریتم B7 توصیف شده است.

الگوریتم B7. غلظت کل رسوب معلق (وارونگی سیلت)
نتیجه محاسبه ساخت ماسک را به عنوان داده ورودی در نظر بگیرید.
تبدیل تصویر ورودی به یک ماتریس پیکسل ( پدبلیوآتیهr)
تعریف یک ماتریس ( پتیاساسسی) برای ذخیره نتایج محاسباتی TSSC.
برای من ← 1 تا X -محور اندازه از پدبلیوآتیهr:
 برای j ← 1 تا Y اندازه محور از پدبلیوآتیهr:
  پتیاساسسی[من، j]← 0.4023exp(46.457 ×( پدبلیوآتیهr[2، من، j]+ پدبلیوآتیهr[3، من، j]) × پدبلیوآتیهr[3، من، j]/ پدبلیوآتیهr[2، من، j]))
جایی که پدبلیوآتیهr[2، من، j]مقدار پیکسل است 2ndباند، منردیف هفتم و jهفتمستون در پدبلیوآتیهr، پدبلیوآتیهr[3، من، j]مقدار پیکسل است 3rdباند، منردیف هفتم و jهفتمستون در پدبلیوآتیهr، پتیاساسسی[من، j]مقدار پیکسل است منردیف هفتم و jهفتمستون در پتیاساسسی.
خروجی:
یک تصویر با فرمت GeoTIFF.

پیوست ج. فرآیند انتشار یک سرویس پردازش وب با استفاده از کتابخانه پیوند پویا

روش اصلی انتشار یک سرویس پردازش وب به عنوان الگوریتم C1 ارائه شده است.

الگوریتم C 1 . انتشار یک سرویس پردازش وب با استفاده از کتابخانه پیوند پویا
  • برنامه C++ را به عنوان کتابخانه پیوند پویا صادر کنید.

    (1)
    یک کلاس جاوا ایجاد کنید و این کلاس را کامپایل کنید.
    (2)
    از javah commend برای تولید فایل head استفاده کنید.
    (3)
    پیاده سازی را در فایل head در C++ بنویسید.
    (4)
    صادرات به کتابخانه پیوند پویا.
  • صادرات به کتابخانه پیوند پویا.
  • بارگذاری این کتابخانه در جاوا؛
  • پیاده سازی الگوریتم؛

    (1)
    تأیید پارامترهای ورودی و خروجی؛
    (2)
    روش پایان تنظیم برای پارامتر ورودی و روش دریافت برای پارامتر خروجی.
    (3)
    اضافه کردن روش اجرا با استفاده از کدهای جاوا.
  • انتشار الگوریتم به عنوان سرویس؛

    (1)
    نام سرویس، پارامترهای ورودی و خروجی را تأیید کنید.
    (2)
    سند xml “DescribeProcess” را اضافه کنید.
    (3)
    ثبت الگوریتم: نام الگوریتم را در فایل پیکربندی “config/common_algorithms.properties” اضافه کنید.
    (4)
    کلاس های JAVA کامپایل شده را در سرور Tomcat مستقر کرد.

منابع

  1. یو، پی. ژانگ، سی. ژانگ، ام. ژای، ایکس. Jiang, L. یک رویکرد SDI برای تجزیه و تحلیل داده های بزرگ: موردی در مورد تشخیص رویداد وب حسگر و گردش کار geoprocessing. IEEE J. Sel. بالا. Appl. رصد زمین. 2015 ، 8 ، 4720-4728. [ Google Scholar ] [ CrossRef ]
  2. استفانوف، WL; وندربلومن، لس آنجلس؛ لارنس، اس جی ابزار پرس و جو آنلاین I4 برای داده های مشاهدات زمین. در مجموعه مقالات کنفرانس تحقیق و توسعه ایستگاه فضایی بین المللی (ISS)، بوستون، MA، ایالات متحده آمریکا، 7 تا 9 ژوئیه 2015.
  3. گوا، اچ.-د. ژانگ، ال. زو، L.-W. داده های بزرگ رصد زمین برای تحقیقات تغییرات آب و هوایی Adv. آب و هوا چانگ. Res. 2015 ، 6 ، 108-117. [ Google Scholar ] [ CrossRef ]
  4. کتابخانه انتزاع داده های جغرافیایی (GDAL). در دسترس آنلاین: http://www.gdal.org/ (در 26 ژوئیه 2016 در دسترس است).
  5. جیانگ، ی. سان، م. یانگ، سی. یک چارچوب عمومی برای استفاده از داده های رصد زمین چند بعدی در GIS. Remote Sens. 2016 ، 8 . [ Google Scholar ] [ CrossRef ]
  6. نتلر، ام. بومن، MH; لاندا، م. Metz, M. Grass GIS: GIS منبع باز چند منظوره. محیط زیست مدل. نرم افزار 2012 ، 31 ، 124-130. [ Google Scholar ] [ CrossRef ]
  7. ENVI. در دسترس آنلاین: http://www.harrisgeospatial.com/ProductsandSolutions/GeospatialProducts/ENVI.aspx (در 24 اوت 2016 قابل دسترسی است).
  8. یو، پی. باومن، پی. باگبی، ک. جیانگ، L. به سوی خدمات هوشمند. علوم زمین آگاه کردن. 2015 ، 8 ، 463-481. [ Google Scholar ] [ CrossRef ]
  9. استانداردهای کنسرسیوم فضایی باز در دسترس آنلاین: http://www.opengeospatial.org/docs/is (در 26 ژوئیه 2016 قابل دسترسی است).
  10. دنگ، م. دی، ال. هان، دبلیو. Yagci، AL; پنگ، سی. Heo, G. نظارت و تجزیه و تحلیل مبتنی بر وب سرویس خشکسالی کشاورزی جهانی. فتوگرام مهندس Remote Sens. 2013 ، 79 ، 929-943. [ Google Scholar ] [ CrossRef ]
  11. سان، ز. یو، پی. Di, L. Geopwtmanager: یک سیستم geoprocessing وب وظیفه گرا. محاسبه کنید. Geosci. 2012 ، 47 ، 34-45. [ Google Scholar ] [ CrossRef ]
  12. یو، پی. گونگ، جی. دی، ال. یوان، جی. سان، ال. سان، ز. Wang, Q. GEOPW: ایجاد بلوک‌ها برای وب پردازش مکانی. ترانس. GIS 2010 ، 14 ، 755-772. [ Google Scholar ] [ CrossRef ]
  13. ژائو، پی. Di, L. Geospatial Web Services: Advances in Information Interoperability ; IGI Global: Hershey، PA، ایالات متحده آمریکا، 2010. [ Google Scholar ]
  14. Beran، MA; آرنل، شمال غربی تغییر آب و هوا و بلایای هیدرولوژیکی. در هیدرولوژی بلایای طبیعی ; Springer: برلین/هایدلبرگ، آلمان، 1996; صص 41-62. [ Google Scholar ]
  15. گوها ساپیر، د. ووس، اف. در زیر، ر. Ponserre, S. Annual Disaster Statistics Review 2010. The Numbers and Trends ; اعتبار: بروکسل، بلژیک، 2011. [ Google Scholar ]
  16. بلای طبیعی. در دسترس آنلاین: https://en.wikipedia.org/wiki/Natural_disaster (در 23 مه 2016 قابل دسترسی است).
  17. متئو لازارو، جی. سانچز-ناوارو، JA; گارسیا گیل، آ. Edo-Romero، V. تجزیه و تحلیل فراوانی سیل (FFA) در حوضه های آبریز اسپانیایی. جی هیدرول. 2016 ، 538 ، 598-608. [ Google Scholar ] [ CrossRef ]
  18. متئو لازارو، جی. سانچز-ناوارو، JA; گارسیا گیل، آ. برنامه Edo-Romero، V. SHEE، ابزاری برای نمایش، تجزیه و تحلیل و تفسیر فرآیندهای هیدرولوژیکی در حوزه های آبخیز. در ریاضیات سیاره زمین ; Springer: برلین/هایدلبرگ، آلمان، 2014; صص 303-307. [ Google Scholar ]
  19. بون، ک. Kirkby, MJ مدلی مبتنی بر فیزیکی و متغیر منطقه کمک‌کننده از هیدرولوژی حوضه / مدل un model à base physique de zone d’appel variable de l’hydrologie du bassin versant. هیدرول. علمی J. 1979 ، 24 ، 43-69. [ Google Scholar ] [ CrossRef ]
  20. یانگ، دی. هرات، اس. Musiake, K. مقایسه مدل‌های هیدرولوژیکی توزیع‌شده مختلف برای توصیف تنوع فضایی حوضه. هیدرول. روند. 2000 ، 14 ، 403-416. [ Google Scholar ] [ CrossRef ]
  21. کروستا، جی. فراتینی، P. مدل‌سازی توزیع شده زمین لغزش‌های کم عمق ناشی از بارندگی شدید. نات. سیستم خطر زمین. 2003 ، 3 ، 81-93. [ Google Scholar ] [ CrossRef ]
  22. متکالف، پی. بون، ک. Freer, J. Dynamic Topmodel: پیاده سازی جدید در r و حساسیت آن به مراحل زمان و مکان. محیط زیست مدل. نرم افزار 2015 ، 72 ، 155-172. [ Google Scholar ] [ CrossRef ]
  23. ژانگ، ز. زیمرمن، ن. پولتر، ب. مدل‌سازی دینامیک مکانی-زمانی تالاب‌های جهانی: ارزیابی جامع پارامترهای مدل بالای زیرشبکه جدید و عدم قطعیت‌ها. Biogeosciences 2016 ، 13 ، 1387-1408. [ Google Scholar ] [ CrossRef ]
  24. لیو، جی. زو، A.-X. Qin، C.-Z. وو، اچ. جیانگ، جی. روش موازی سازی دو سطحی برای مدل های هیدرولوژیکی توزیع شده. محیط زیست مدل. نرم افزار 2016 ، 80 ، 175-184. [ Google Scholar ] [ CrossRef ]
  25. کاسترونوا، AM; گودال، جی ال. مدل Elag، MM به عنوان خدمات وب با استفاده از استاندارد خدمات پردازش وب (WPS) کنسرسیوم فضایی باز (OGC). محیط زیست مدل. نرم افزار 2013 ، 41 ، 72-83. [ Google Scholar ] [ CrossRef ]
  26. ویتولو، سی. Buytaert، W. الخطیب، ی. جمل، ا. رینی، اس. Beven, K. برنامه های کاربردی وب با قابلیت ابر برای مدل سازی محیطی . چکیده نشست پاییز AGU; ناسا: Greenbelt، MD، ایالات متحده آمریکا، 2012. [ Google Scholar ]
  27. یو، پی. ژانگ، ام. Tan, Z. A Geoprocessing Workflow system برای نظارت بر محیط زیست و مدل سازی یکپارچه. محیط زیست مدل. نرم افزار 2015 ، 69 ، 128-140. [ Google Scholar ] [ CrossRef ]
  28. De Roo، A. Lisflood: یک مدل بارش-رواناب برای حوضه های رودخانه های بزرگ برای ارزیابی تأثیر تغییرات کاربری زمین بر خطر سیل. در ریبامود: مدل‌سازی حوضه رودخانه، مدیریت و کاهش سیل. اقدام هماهنگ ؛ کمیسیون اروپا، یورو: بروکسل، بلژیک، 1999; جلد 18287، ص 349–357. [ Google Scholar ]
  29. ون درکنیف، جی. یونس، ج. de Roo, A. Lisflood: یک مدل توزیع شده مبتنی بر GIS برای تعادل آب در مقیاس حوضه رودخانه و شبیه‌سازی سیل. بین المللی جی. جئوگر. آگاه کردن. علمی 2010 ، 24 ، 189-212. [ Google Scholar ] [ CrossRef ]
  30. ایمز، DP; Horsburgh, JS; کائو، ی. کادلک، جی. وایتیکر، تی. Valentine, D. Hydrodesktop: نرم افزار مبتنی بر خدمات وب برای کشف، دانلود، تجسم و تجزیه و تحلیل داده های هیدرولوژیکی. محیط زیست مدل. نرم افزار 2012 ، 37 ، 146-156. [ Google Scholar ] [ CrossRef ]
  31. کریستوفوری، EI; بالبو، اس. کامارو، دبلیو. پاسکوالی، پ. بوکاردو، پی. Demarchi، A. نقشه وب خطر سیل برای تصمیم گیرندگان: یک پیشنهاد خدمات مبتنی بر تجزیه و تحلیل بارش و ژئونود حاصل از ماهواره. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور IEEE 2015 (IGARSS)، میلان، ایتالیا، 26 تا 31 ژوئیه 2015. صص 1389–1392.
  32. ژای، ایکس. زو، ایکس. لو، ایکس. یوان، جی. لی، ام. Yue, P. فراداده برداشت و ثبت در یک ثبت وب حسگر جغرافیایی. ترانس. GIS 2012 ، 16 ، 763-780. [ Google Scholar ] [ CrossRef ]
  33. جیرکا، س. برورینگ، آ. Stasch, C. In Applying OGC sensor web enabled to monitoring risk و مدیریت بلایا. در مجموعه مقالات کنفرانس جهانی GSDI 11، روتردام، هلند، 15 تا 19 ژوئن 2009.
  34. Percivall، G. مشخصات چکیده Opengis®- موضوع 12: Opengis® Service Architecture نسخه 4.3 . OpenGIS ® Project Document. OGC: Wayland، MA، ایالات متحده آمریکا، 2002. [ Google Scholar ]
  35. لیانگ، SH. کرویتورو، آ. تائو، CV یک زیرساخت جغرافیایی توزیع شده برای وب حسگر. محاسبه کنید. Geosci. 2005 ، 31 ، 221-231. [ Google Scholar ] [ CrossRef ]
  36. Robin, A. SWE Common Data Model Codeing Standard ; OGC: Wayland، MA، ایالات متحده آمریکا، 2011. [ Google Scholar ]
  37. بوتس، ام. رابین، ا. دیویدسون، جی. Simonis, I. OGC Sensor Web Enablement: Architecture Document ; مقاله بحث نسخه 1; Open Geospatial Consortium Inc.: Wayland، MA، ایالات متحده آمریکا، 2006. [ Google Scholar ]
  38. لاکهام، دی. Schulte, R. Event Processing Glossary—Version 1.1 ; انجمن فنی پردازش رویداد: نیویورک، نیویورک، ایالات متحده آمریکا، 2008. [ Google Scholar ]
  39. Michelson، BM Event-Driven Architecture Overview ; Patricia Seybold Group: Bridgewater، MA، ایالات متحده آمریکا، 2006. [ Google Scholar ]
  40. شارما، VK؛ رائو، جی اس. آمیندو، ای. ناگامانی، پ. شوکلا، ا. رائو، KRM؛ Bhanumurthy، V. مدیریت سیل رویداد محور: طراحی و ماژول های محاسباتی. ژئو اسپات. آگاه کردن. علمی 2016 ، 19 ، 39-55. [ Google Scholar ] [ CrossRef ]
  41. اوردینگ، تی. Echterhoff, J. Event Pattern Markup Language (EML) ; Open Geospatial Consortium Inc.: Wayland, MA, USA, 2008. [ Google Scholar ]
  42. لیانگ، اس. رابط بومی جاوا: راهنمای برنامه نویس و مشخصات ؛ Addison-Wesley Professional: بوستون، MA، ایالات متحده آمریکا، 1999. [ Google Scholar ]
  43. شماره گیری، جی. مدل‌های دوربین جایگزین Grodecki، J. RPC. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. آگاه کردن. علمی 2005 ، 34 ، 7-11. [ Google Scholar ]
  44. زنگ، س. ژائو، ی. تیان، ال. چن، X. ارزیابی روش‌های تصحیح جوی برای سنجش از راه دور رنگ آب با استفاده از تصویر HJ-1A/1B CCD-در نظر گرفتن دریاچه پویانگ در چین به عنوان مورد. Spectrosc. Spect. مقعدی 2013 ، 33 ، 1320-1326. [ Google Scholar ]
  45. لو، دی. ماوزل، پ. برودیزیو، ای. Moran, E. ارزیابی روش‌های تصحیح جوی برای داده‌های Landsat TM قابل اجرا در تحقیقات LBA حوضه آمازون. بین المللی J. Remote Sens. 2002 , 23 , 2651-2671. [ Google Scholar ] [ CrossRef ]
  46. چاوز، PS تصحیحات جوی مبتنی بر تصویر-بازبینی و بهبود یافت. فتوگرام مهندس Remote Sens. 1996 , 62 , 1025-1035. [ Google Scholar ]
  47. وانگ، جی. Lv، X.; Zhou، Y. بازیابی غلظت رسوب معلق در آب کدر رودخانه یانگ تسه بالایی با استفاده از Landsat ETM +. چانه. علمی گاو نر 2007 ، 52 ، 234-240. [ Google Scholar ] [ CrossRef ]
  48. McFeeters، SK استفاده از شاخص تفاوت نرمال شده آب (NDWI) در ترسیم ویژگی های آب باز. بین المللی J. Remote Sens. 1996 ، 17 ، 1425-1432. [ Google Scholar ] [ CrossRef ]
  49. یو، ز. چن، ایکس. ژو، بی. تیان، ال. یوان، ایکس. Feng, L. ارزیابی کل غلظت رسوب معلق در دریاچه پویانگ با استفاده از تصاویر CCD HJ-1a/1b. چانه. J. Oceanol. لیمنول 2012 ، 30 ، 295-304. [ Google Scholar ] [ CrossRef ]
  50. انجمن وب حسگر شمالی. در دسترس آنلاین: http://52north.org/communities/sensorweb/ (در 26 ژوئیه 2016 قابل دسترسی است).
  51. گوا، اچ. هو، کیو. جیانگ، تی. پاسخ‌های جریان سالانه و فصلی به تغییرات آب و هوا و پوشش زمین در حوضه دریاچه پویانگ، چین. جی هیدرول. 2008 ، 355 ، 106-122. [ Google Scholar ] [ CrossRef ]
  52. جریان فوق متمرکز پیرسون، TC – فرآیند انتقالی بین جریان آب و جریان زباله. در خطرات جریان آوار و پدیده های مرتبط ؛ Springer: برلین/هایدلبرگ، آلمان، 2005; صص 159-202. [ Google Scholar ]
  53. ویلیامز، GP غلظت رسوب در مقابل تخلیه آب در طی رویدادهای هیدرولوژیکی منفرد در رودخانه ها. جی هیدرول. 1989 ، 111 ، 89-106. [ Google Scholar ] [ CrossRef ]
  54. هو، سی. چن، ز. کلیتون، تی دی; سوارزنسکی، پ. براک، جی سی. مولر-کارگر، FE ارزیابی شاخص‌های کیفیت آب دهانه رودخانه با استفاده از باندهای با وضوح متوسط ​​MODIS: نتایج اولیه از خلیج تامپا، FL. سنسور از راه دور محیط. 2004 ، 93 ، 423-441. [ Google Scholar ] [ CrossRef ]
Ijgi 05 00171 g001 550
شکل 1. استفاده از خدمات وب حسگر برای پایش بلایای هیدرولوژیکی. SOS1 مشاهدات حسگر درجا را برای نظارت فعال و تشخیص رویداد در دسترس قرار می دهد. SOS2 سرویسی برای ارائه مشاهدات برنامه ریزی شده توسط SPS است که بعداً می تواند برای پردازش جغرافیایی به WPS ارسال شود.
Ijgi 05 00171 g002 550
شکل 2. جریان پردازش رویداد در مکانیزم رویداد محور برای پایش بلایای هیدرولوژیکی.
Ijgi 05 00171 g003 550
شکل 3. معماری سیستم خدمات وب هیدرولوژیکی مبتنی بر وب سنسور پیشنهادی.
Ijgi 05 00171 g004 550
شکل 4. یک پوشش برای برنامه های آنالیز هیدرولوژیکی.
Ijgi 05 00171 g005 550
شکل 5. نمودار فلوچارتی که فرآیند زنجیره‌بندی خدمات هیدرولوژیکی مبتنی بر جریان کار را نشان می‌دهد.
Ijgi 05 00171 g006 550
شکل 6. فرآیند نظارت و پردازش داده ها برای تشخیص غلظت بیش از حد رسوب.
Ijgi 05 00171 g007 550
شکل 7. رابط کاربری گرافیکی برای اشتراک رویداد در مورد استخراج کدورت.
Ijgi 05 00171 g008 550
شکل 8. نمونه ای از کلاس مشاهده.
Ijgi 05 00171 g009 550
شکل 9. تست های عملکرد استخراج کدورت به دست آمده از طریق عملیات دستی و رویکرد پیشنهادی.
Ijgi 05 00171 g010 550
شکل 10. تست های عملکرد استخراج کدورت در سرورهای مختلف.
جدول
جدول 1. مزایای روش پیشنهادی.

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370