نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

چکیده

اطلاعات مکانی برای ارزیابی ریسک ساحلی ذاتا نامشخص است. این عدم قطعیت ممکن است به دلیل اجزای مکانی و زمانی متفاوت داده‌های مکانی و معنایی آنها باشد. عدم قطعیت فضایی را می توان به صورت کمی یا کیفی بیان کرد. عدم قطعیت فضایی در ارزیابی ریسک ساحلی خود از نمایش فضایی ضعیف مناطق خطر ناشی می‌شود. در واقع، ریسک ساحلی ذاتاً یک پدیده پویا، پیچیده، وابسته به مقیاس و مبهم در مفهوم است. علاوه بر این، نشان دادن مناطق مرتبط با چند ضلعی‌هایی که دارای مرزهای کاملاً مشخص هستند، روشی واقع‌بینانه برای نمایش کارآمد و دقیق ریسک ارائه نمی‌کند. این مقاله یک چارچوب مفهومی، بر اساس تئوری مجموعه‌های فازی، برای مقابله با مشکلات مرزهای منطقه خطر نامشخص و مسائل عدم قطعیت ذاتی پیشنهاد می‌کند. برای انجام این کار، ماهیت و سطح عدم قطعیت و همچنین نحوه مدل سازی آن مشخص می شود. سپس، یک روش نمایش فازی توسعه می‌یابد که در آن توابع عضویت بر اساس دانش متخصص مشتق می‌شوند. سپس رویکرد پیشنهادی در منطقه Perce (کبک شرقی، کانادا) اعمال می‌شود و نتایج ارائه و مورد بحث قرار می‌گیرد.
کلید واژه ها: 

عدم قطعیت ؛ نظریه مجموعه های فازی ; ارزیابی ریسک فرسایش سواحل ; بازنمایی فضایی ; شی فازی

 

1. مقدمه

مشخص کردن عدم قطعیت مرتبط با ریسک ارزیابی شده و نمایش نتایج همراه با ارزش ریسک تأثیر مستقیمی بر فرآیندهای تصمیم گیری دارد [ 1 ، 2 ، 3 ، 4 ]. در واقع، حجم زیادی از داده‌های مکانی-زمانی، قطعی یا نامشخص، از منابع متعدد با سطوح مختلف جزئیات در ارزیابی ریسک استفاده می‌شود [ 5 ]. در این راستا، بدون آگاهی از ارزش ریسک و عدم قطعیت تعدیل شده مربوطه نمی توان تصمیمات واقع بینانه اتخاذ کرد.
در فرآیندهای ارزیابی ریسک، داده های مکانی-زمانی بر اساس دانش تخصصی، از طریق شاخص آسیب پذیری طبقه بندی می شوند [ 5 ، 6 ]. عدم قطعیت فضایی به طور متناظر به عنوان فقدان دانش در مورد مقدار واقعی یک پارامتر یا یک ویژگی اطلاعات تعریف می شود [ 7 ، 8 ]. این عدم قطعیت هم ماهیت کیفی و هم کمی دارد که ممکن است از ابعاد متعددی تشکیل شود. در مدل‌سازی پدیده‌های طبیعی، مانند ارزیابی ریسک فرسایش ساحلی، عدم قطعیت اغلب به عنوان دانش ناقص ظاهر می‌شود. این دانش ناقص شامل ابهام در مناطق مرزی، ابهامات در اصطلاحات زبانی، مبهم بودن در معنای شناسی اشیاء فضایی، و ترکیبی از این موارد است که از نظر هستی شناختی فقط به جهان فیات مربوط می شود.9 ، 10 ]. این ما را به قلمرو مدل‌سازی داده‌های فضایی با مفهوم واقعی (مدل‌های شی فضایی با مرزهای واضح مشخص) و مدل‌های شیء فیات (مدل‌های شی فضایی با مرزهای نامشخص) می‌آورد [ 10 ، 11 ]. اشیاء فیات به مرزهای ناشی از مرزبندی انسانی، تمایز کیفی یا ناپیوستگی فضایی مانند رودخانه، کوهستان، خط ساحلی و منطقه خطر اشاره دارد [ 9 ، 10 ]. در واقع، اشیاء فیات به طور مرسوم در پایگاه‌های داده تقریب می‌شوند و مانند واقعی نشان داده می‌شوند.اشیاء. نمایش مناطق خطر توسط چند ضلعی با مرزهای کاملاً مشخص نمونه ای از چنین تقریبی است. این چند ضلعی ها با استفاده از تجمیع مجموعه ای از واحدهای فضایی که بر اساس منافع ذینفعان یا تقسیمات سرشماری ملی تعریف شده اند ایجاد می شوند [ 5 ، 12 ]. علیرغم تغییرات مکانی-زمانی معیارهای چندگانه درگیر در وسعت خطر، هر چند ضلعی دارای یک مقدار خطر منحصر به فرد است که به طور همگن در وسعت فضایی آن نسبت داده می شود [ 13 ]. در واقع، ارزش ریسک به تدریج تغییر می کند [ 13 ]. بنابراین انتقال از یک منطقه به منطقه دیگر به درستی با حسن نیت نشان داده نمی شودمدل‌های شی (ترد). بنابراین، بعد اصلی عدم قطعیت در ارزیابی ریسک فرسایش ساحلی (CERA) از این نمایش فضایی ضعیف خطر ناشی می‌شود که به مدل‌سازی شی فضایی مناطق خطر مربوط می‌شود.
دو رویکرد اصلی به طور گسترده برای توصیف عدم قطعیت فضایی مرتبط با مدل‌سازی و نمایش ریسک استفاده می‌شود. اینها مدلهای احتمالی مبتنی بر نظریه احتمال و مدلهای احتمالی مبتنی بر نظریه احتمالات [ 1 ، 2 ، 14 ، 15 ، 16 ، 17 ] هستند. با در نظر گرفتن ماهیت عدم قطعیت، چه احتمالی یا احتمالی، هر یک از این رویکردها را می توان به کار گرفت [ 7 ]. با این حال، انعطاف‌پذیری رویکرد احتمالی در برخورد با عدم قطعیت‌های مربوط به مدل‌سازی شی فضایی نشان می‌دهد که می‌تواند راه‌حلی کارآمد برای نمایش فضایی ریسک باشد [ 2 ].]. رویکرد احتمالی شامل مدل های دقیق، مدل های خشن و مدل های فازی است [ 13 ، 18 ، 19 ، 20 ، 21 ، 22 ، 23 ، 24 ]. مطالعات گسترده‌ای بر روی پیاده‌سازی مدل‌های دقیق و خشن، یعنی توسعه مدل داده‌های مکانی واضح، با چند مرجع در پیاده‌سازی مدل‌های فازی با استفاده از تئوری مجموعه‌های فازی انجام شده است [ 13 ، 18 ، 22 ]. به عنوان مثال، یک مدل داده مکانی مبتنی بر رویکرد احتمالی توسط اشنایدر [ 19 ] توسعه داده شده است.]، مدل داده های فضایی مبهم بر اساس رویکرد دقیق نامیده می شود، و توسط [ 18 ، 22 ]، به نام جبر فضایی مبهم (VASA) گسترش یافته است. استفاده از این مدل‌ها ساده است و با مدل داده‌های مکانی واضح، که توسط جوامع جغرافیایی به خوبی شناخته شده است، سازگار است. با این حال، این مدل ها هنگام نمایش پدیده ها دارای محدودیت های ذاتی هستند که تعیین مرزهای تیز غیرممکن است [ 25 ]. علاوه بر این، اگر یک مدل سازی ریز دانه از اشیاء مورد نیاز باشد، مدل های دقیق و خشن به خوبی پشتیبانی نمی شوند [ 18 ]. علاوه بر این، تغییر ویژگی پیوسته به طور کامل با منطق سه ارزشی روش‌های دقیق و خشن مانند مدل‌سازی مناطق آلودگی، مناطق سیل‌آلود، مناطق فرسایشی و غیره مدل‌سازی نمی‌شود.به عبارت دیگر، وسعت این اشیاء فضایی را نمی توان با مرزهای دقیق محدود کرد [ 17 ، 18 ، 26 ]. با این وجود، در مدل‌های فازی، درجه عدم قطعیت مرز جسم فضایی با یک مقدار عضویت اختصاص داده شده بیان می‌شود. مدل‌های فازی امکان تغییر مداوم درجه عدم قطعیت فضایی در چنین اشیایی را بر اساس منطق چند ارزشی نظریه مجموعه‌های فازی می‌دهند. این انگیزه اصلی در پشت کاوش مدل های فازی برای نمایش یک پدیده پیوسته مانند خطر فرسایش ساحلی است.
هدف اصلی این مقاله توسعه یک رویکرد فازی عمومی برای نمایش فضایی مناطق خطر است. ابتدا ماهیت و سطح عدم قطعیت فضایی در CERA مشخص می‌شود. سپس مدل‌های فازی مبتنی بر نظریه مجموعه‌های فازی برای رسیدگی به چنین عدم قطعیتی مورد بررسی قرار می‌گیرند. برای انجام این کار، یک چارچوب مفهومی برای مقابله با مشکل عدم قطعیت فضایی مناطق خطر با استفاده از توابع عضویت پیشنهاد شده‌است. به جای تعیین مرز درست بین مناطق خطر، رویکرد پیشنهادی اجازه می دهد تا یک انتقال آرام از یک منطقه به منطقه دیگر انجام شود. توابع عضویت از دانش تخصصی (مثلاً از شاخص آسیب پذیری) به دست می آیند. سپس مقادیر عضویت چند شاخص بر اساس یک فرمول ریسک دقیق و قوانین فازی IF-THEN برای نشان دادن مناطق خطر جمع‌آوری می‌شوند.

2. پس زمینه

2.1. بازنمایی فضایی خطر فرسایش ساحلی

CERA شامل شناسایی خطر، شناسایی عناصر در معرض خطر (جاده‌ها، خانه‌ها و افراد)، تشریح یک شاخص آسیب‌پذیری، و مشخص کردن عدم قطعیت مرتبط است [ 1 ، 5 ]. با این حال، این روند آنقدرها هم که تصور می شود ساده نیست. مشکلات در CERA به ویژه به دلیل پویا، پیچیده، وابسته به مقیاس و ماهیت مبهم فرسایش در مناطق ساحلی است [ 13 ].
اصولاً، پدیده‌های فضایی به صورت مدل‌های داده‌های شی گسسته (ساختار داده‌های برداری: نقطه، خط و چندضلعی) یا مدل‌های داده‌های میدان پیوسته (ساختار داده‌های شطرنجی) مدل‌سازی و نمایش داده می‌شوند [ 27 ]. وسعت یک شی فضایی با ویژگی و هندسه آن (شکل و موقعیت) تعریف می شود [ 27 ]. بازنمایی فضایی ریسک مستلزم تجمیع ریاضی شاخص‌های آسیب‌پذیری (مشتق‌شده از عناصر در معرض خطر) و نقشه‌های خطر در دوره‌های زمانی مختلف است [ 28 ]. بنابراین، ریسک یک رابطه فضایی بین خطر، عناصر در معرض خطر و آسیب پذیری است [ 5 ].
رویکردهای فعلی برای نمایش ریسک ساحلی عمدتا مبتنی بر استفاده از چند ضلعی با مرزهای کاملاً مشخص است. مرزها بر اساس منافع ذینفعان یا تقسیمات سرشماری در امتداد ساحل تعریف می شوند ( شکل 1 الف). سپس سطح ریسک به طور همگن در این واحدها نسبت داده می شود. مجموعه ای از این واحدها برای تشکیل یک منطقه خطر جمع می شوند ( شکل 1ب). با این حال، در واقعیت، درجه خطر به تدریج تغییر می کند، به عنوان مثال، زمانی که از خط ساحلی دورتر می شویم، کاهش می یابد. اگر برای تعریف مناطق خطر از مرزهای درست نیت (شریف) استفاده شود، انتقال از یک منطقه به منطقه دیگر ناگهانی و واضح است. این در اکثر موارد نمایش مناسبی از واقعیت نیست. اگرچه نمایش پدیده های طبیعی (مانند خطر فرسایش) اغلب مورد توجه قرار می گیرد زیرا تعاریف آنها مبهم و مبهم هستند [ 10 ، 11 ، 17 ].
Ijgi 03 01077 g001 1024
شکل 1. نمونه ای از نمایش خطر فرسایش ساحلی: ( الف ) منطقه را به چند ضلعی های کاملاً تعریف شده تبدیل کنید، ( ب ) نمایش فضایی مناطق خطر با تجمیع یک سری از این چند ضلعی ها با همان سطح خطر [ 29 ].
از سوی دیگر، قابلیت فن آوری سیستم های اطلاعات جغرافیایی (GIS) در یکپارچه سازی عدم قطعیت در مدل سازی و نمایش مکانی-زمانی هنوز یک چالش بزرگ است. محدودیت اصلی ابزارهای GIS فعلی نمایش اشیاء فیات پیچیده با مرزهای نامشخص است [ 1 , 2 , 13 , 18]. در واقع، GIS متعارف موجودات جغرافیایی را با استفاده از یک مفهوم واقعی با هندسه کاملاً تعریف شده مانند نقاط، خطوط و چندضلعی ها در فضای اقلیدسی مدل می کند در حالی که نمایش فضایی مناطق خطر نیاز به برخورد با اشیاء فیات با مرزهای نامشخص دارد. بخش‌های زیر جنبه‌های مختلف عدم قطعیت را در بازنمایی فضایی مناطق خطر ساحلی و سپس رویکردهایی برای مدیریت صحیح این جنبه‌ها نشان می‌دهد.

2.2. ویژگی عدم قطعیت

عدم قطعیت های مرتبط با ارزیابی ریسک ساحلی عمدتاً از داده ها (در اینجا، برای برآورد خطر) و تعریف شی (در اینجا، مناطق خطر) سرچشمه می گیرد [ 7 ، 13 ]. طرح جامع عدم قطعیت در مدل سازی داده های مکانی و روش های رسیدگی به آن در شکل 2 نشان داده شده است . Bédard، در [ 30]، عدم قطعیت را در چهار سطح مدل‌سازی داده‌های مکانی معرفی کرد: سطح مفهومی (هنگامی که شناسایی طبقه‌بندی موجودیت و وجود آن مبهم یا نادقیق است)، سطح توصیفی (زمانی که تعریف یک مقدار مشخصه فازی یا نادقیق است)، سطح موقعیت‌یابی. (زمانی که جنبه مکانی – زمانی یک واقعیت مشاهده شده مبهم یا نادقیق است)، و سطح فراعدم قطعیت (درجه نامعلومی از عدم قطعیت های قبلی). ماهیت و منبع عدم قطعیت به جنبه‌های معرفتی و هستی‌شناختی مدل‌سازی داده‌های مکانی اشاره دارد. عدم قطعیت از داده ها شامل خطاهای نمونه گیری و اندازه گیری است که به عنوان عدم قطعیت معرفتی طبقه بندی می شوند [ 9 ]. این نوع عدم قطعیت ماهیت تصادفی دارد و می توان از نظریه احتمال برای مدیریت مناسب آن استفاده کرد [ 31]. عدم قطعیت از تعریف شیء به عنوان عدم قطعیت هستی شناختی که به معنایی شی و هندسه آن مربوط می شود، مشخص می شود [ 9 ، 13 ]. این نه تنها به دانش ناقص، بلکه به فقدان دانش در مورد یک شی یا یک پدیده اشاره دارد [ 7 ، 13 ، 32 ].
Ijgi 03 01077 g002 1024
شکل 2. نمودار جامع کلاس UML از عدم قطعیت فضایی در مدل سازی داده های مکانی و روش های مدیریت آن.
عدم قطعیت فضایی مرتبط با CERA ترکیبی از همه این سطوح با درجه ای از ابهام، مبهم و ابهام در طول تعریف اشیاء منطقه خطر است. ماهیت ذاتی ریسک ساحلی، به عنوان مثال ، تداوم، ناهمگونی، پویایی، و وابستگی به مقیاس [ 13 ]، هر دو جنبه معرفتی و هستی شناختی عدم قطعیت در CERA را شامل می شود. ابهام، مبهم و ابهام که عوامل اصلی در عدم قطعیت معنایی [ 9 ] هستند، به ترتیب ناشی از تداوم و ناهمگنی مناطق خطر و مسائل مقیاس در تحلیل ریسک است [ 31 ، 33 ].]. مبهم و مبهم به مرز انتقال تدریجی مناطق خطر در فضا و عدم امکان تعیین این مرزها اشاره دارد [ 9 ، 21 ، 31 ]. ابهام مربوط به ناهماهنگی و توصیف غیر اختصاصی یک شاخص آسیب پذیری طبقه بندی شده برای محاسبه درجه خطر در مناطق خطر است [ 9 ].
رسیدگی به عدم قطعیت فضایی مربوط به جنبه هستی‌شناختی نیازمند یک روش یکپارچه است که هم ایرادات معنایی و هم کاستی‌های هندسی را در نظر می‌گیرد. مدل‌های دقیق، تأیید، خشن و فازی نمونه‌هایی در این زمینه هستند [ 9 ، 17 ، 18 ]. رابینسون [ 33 ]، بارو [ 34 ]، و یوزری [ 35 ] روی مدیریت توصیفی کار کردند، در حالی که آلتمن [ 36 ] و براون [ 37 ] با جنبه هندسی عدم قطعیت سروکار داشتند. مولنار [ 38] هر دو جنبه توصیفی و هندسی را در یک مدل نحو رسمی برای اشیاء واضح معمولی بر اساس مدل شی فازی یکپارچه کرد. این یک رویکرد انقلابی از طریق مفهومی بود که ذاتاً عدم قطعیت را در نظر می‌گیرد. بسیاری از مقالات و نتایج تحقیقاتی انعطاف‌پذیری نظریه مجموعه‌های فازی را برای درمان عدم قطعیت فضایی هستی‌شناختی نشان می‌دهند _ _ _ _ _ _ _ _ _ _ _ _ _]. در این راستا، بخش زیر نحوه استفاده از تئوری مجموعه های فازی برای مدل سازی یک شی فضایی را توضیح می دهد.

3. شی فازی فضایی

مفهوم نظریه مجموعه‌های فازی در اصل توسط زاده [ 47 ] برای مدل‌سازی مفاهیم نامشخص مانند تمایز بین «فرد بلندقد» یا «فرد کوتاه قد» پیشنهاد شده است. مجموعه فازی مجموعه ای از اشیاء است که عضویت آنها در مجموعه مقداری بین صفر تا یک دارد. هر شی فازی می تواند عضویت جزئی یا چندگانه داشته باشد [ 33 ]. یک مجموعه فازی A در X از نظر ریاضی با تابع عضویت µA ( x ) مشخص می‌شود که با هر x در X یک عدد واقعی در بازه [0,1] مرتبط می‌کند، با مقدار عضویت در x نشان‌دهنده «درجه عضویت» است. از x درج [ 47 ]:

A = {( x ,µ A ( x )| x ∈ X  ∧ µ A : X → [0,1])}
چنگ [ 41 ] چهار رویکرد را برای مدلسازی اشیاء فضایی فازی متمایز کرد. اینها شامل اشیاء فازی-فازی (FF)، اشیاء با مرزهای برش α (αF)، اشیاء فازی-ترد (FC) و اشیاء شفاف-فازی (CF) هستند. مدل شیء FF یا شیء فازی صاف از طبقه بندی فازی که در آن وسعت فضایی یک شی و ویژگی های آن نامشخص است، حاصل می شود [ 19 ]. سپس این بخش نامشخص توسط یک تابع عضویت توصیف می شود. مرزهای برش α راه دیگری برای نمایش یک شی فازی با فرض یک مقدار آستانه α برای هر سلول از هر لایه است [ 48 ]]. مزیت اصلی این روش این است که می توان آن را برای ساختارهای داده هندسی شناخته شده مانند شبکه نامنظم مثلثی (TIN) اعمال کرد. اشیاء FC مشابه مدل “زرده تخم مرغ” بر اساس مرزهای مشروط [ 24 ] هستند. ناحیه داخلی، “زرده”، بخش معینی از جسم را می دهد. منطقه بیرونی، “سفید”، مرز نامشخصی است که محدودیت هایی را در محدوده ابهام مشخص می کند. سفیده و زرده با هم تخم مرغی را تشکیل می دهند که تمام وسعت جسم فازی است [ 49 ]. یک شی با گستره فضایی فازی (مناطق انتقال) و یک هسته مشخص، شی CF [ 19 ] نامیده می شود. مزیت اصلی این مدل در مرحله پیاده سازی نهفته است، زیرا الگوریتم های نمایش کارآمد از مدل های واضح را می توان اتخاذ و مجددا استفاده کرد [ 18 ]، 22 ]. با این حال، ناکافی بودن دانش برای مشخص کردن بخش نامشخص شی، اشکال اصلی است.
همه این روش ها نوع دیگری از مدل داده را پیشنهاد می کنند که اغلب مدل داده های فضایی مبهم یا فازی نامیده می شود. تفاوت بین اصطلاحات مبهم و فازی به رویکرد استفاده شده برای تعریف مدل داده به عنوان یک مدل دقیق و رویکرد مبتنی بر نظریه های ریاضی (نظریه مجموعه های ناهموار و نظریه مجموعه های فازی)، همانطور که در شکل 2 نشان داده شده است، اشاره دارد. نویسندگان [ 18 ، 20 ، 21 ، 22 ، 23 ، 50 ] از رویکردهای دقیق و خشن برای تعریف مدل داده های فضایی مبهم استفاده کردند. در مقابل، [ 19 ، 25 ، 26 ، 51 ، 52] از نظریه مجموعه های فازی برای تعریف مدل داده های مکانی فازی استفاده کرد. صرف نظر از اصطلاح مبهم یا مبهم، این نوع مدل داده های مکانی شامل نقاط مبهم یا مبهم، خطوط مبهم یا مبهم، چندضلعی های مبهم یا فازی، و پارتیشن ها/شبکه ​​های مبهم یا مبهم است [ 18 ، 19 ، 21 ، 22 ، 25 ، 26 ، 40 ، 51 ، 52 ]. تمرکز ما در این مطالعه تئوری مجموعه های فازی به دلیل انعطاف پذیری آن در مدل سازی پدیده های پیوسته و ناهمگن، مانند ریسک فرسایش ساحلی است. در ادامه از اصطلاح مدل داده های مکانی فازی استفاده خواهیم کرد. بسط ایده [ 19 ، 32]، یک شی فازی با موقعیت، هندسه و ویژگی های آن تعریف می شود که در آن هر یک از این مؤلفه ها می توانند نامشخص باشند و با درجه ای از عضویت با توجه به طبقه بندی شاخص آسیب پذیری خود در نظر گرفته شوند.
تابع عضویت فازی (MF) یک مطالعه ذهنی در طبیعت است که با انطباق طبقه‌بندی واضح منطقه با گسترش این مرزها به یک منطقه انتقال تعریف می‌شود. با این حال، تعریف شکل یک MF یک چالش است. دو رویکرد فعال و غیرفعال برای یافتن شکل یک MF استفاده می شود [ 53 ]. در رویکرد فعال، MF بر اساس دانش تخصصی تعریف شده است، که موردی برای CERA در این مقاله است. مثال‌ها عبارتند از مدل واردات معنایی (SIM) یا قوانین IF-THEN فازی [ 35 ، 54 ]. در رویکرد غیرفعال، روش‌های تاکسونومی عددی مانند رویکرد C-Mean فازی [ 55 ]، نقشه خود سازمان‌یافته [ 56 ]، طبقه‌بندی نظارت‌شده فازی [ 57 ]، یا روش‌های شبکه عصبی [57]58 ] شاغل هستند. در واقع، تمام متغیرهای ورودی (کیفی یا کمی) در ابتدا با استفاده از توابع عضویت به متغیرهای فازی تبدیل می‌شوند. فرآیندی که به نام فازی شدن شناخته می شود. شکل تابع عضویت سپس از طریق مشاهدات متوالی [ 33 ] بهینه می شود. دشوارترین مرحله در مدل سازی فازی، تعریف MF است. در اینجا، ما از رویکرد فعال مبتنی بر طبقه‌بندی تخصصی شاخص آسیب‌پذیری استفاده می‌کنیم. جزئیات بعداً در این دست نوشته ارائه شده است.

4. بازنمایی فازی خطر فرسایش ساحلی: یک چارچوب مفهومی

چارچوب مفهومی پیشنهادی برای نمایش فازی مناطق خطر در شکل 3 نشان داده شده است . این چارچوب از دو مرحله اصلی تشکیل شده است: (1) Tessellation و (2) نمایش فازی شامل (الف) فازی سازی و (ب) مراحل فرعی تجمع فازی. الگوریتم اعمال شده در جدول 1 ارائه شده است .
Ijgi 03 01077 g003 1024
شکل 3. نمودار فعالیت UML چارچوب مفهومی برای نمایش فازی فضایی مناطق خطر ساحلی.
جدول
جدول 1. الگوریتم کاربردی برای نمایش فازی فضایی مناطق خطر ساحلی.

4.1. Tessellation

مرحله جداسازی با توجه به خطر شناسایی شده و شاخص آسیب پذیری دقیق انجام می شود. از این رو شناسایی خطر و تدوین شاخص آسیب پذیری از اقدامات ضروری در این مرحله است. در واقع، روش پیشنهادی یک چارچوب عمومی برای نشان دادن مناطق خطر بر اساس رویکرد فازی است ( شکل 3 ). این چارچوب را می توان با هر کاربرد و پدیده دیگری برای ارزیابی ریسک تطبیق داد. در اینجا، در این مقاله، نمایش ریسک فرسایش ساحلی به عنوان یک مطالعه موردی خاص انتخاب شده و از این رو، نرخ فرسایش و شاخص آسیب‌پذیری ساحلی در نمودار گنجانده شده است.
روش متداول شناسایی فرسایش ساحلی در تغییر خط ساحلی با محاسبه نرخ فرسایش در دوره های مختلف است [ 59 ]. میانگین سطح دریا (MSL) استخراج شده از مدل های دیجیتال زمین (DTM) معمولاً برای تخمین نرخ فرسایش استفاده می شود. سپس نرخ فرسایش ساحلی با برش یک خط نمایه عمود بر این خطوط MSL با توجه به دوره‌های زمانی مختلف محاسبه می‌شود.
تشریح شاخص آسیب‌پذیری معمولاً بر اساس دانش متخصص و منافع سهامداران و تصمیم‌گیرندگان از طریق شاخص‌های متعدد است [ 5 ، 60 ]. از آنجایی که دامنه این مقاله به بررسی یک رویکرد فازی برای نمایش فضایی مناطق خطر محدود می شود، شاخص آسیب پذیری از جدیدی و همکاران استفاده شده است. [ 5 ]. در واقع شاخص آسیب پذیری از چند شاخص تشکیل شده است. این شاخص های آسیب پذیری در شکل 4 ارائه شده استدر یک طرح کلی از ارزیابی خطر فرسایش ساحلی. این شاخص ها بر اساس دانش تخصصی طبقه بندی می شوند تا حساسیت عناصر در معرض خطر را با درجه ای از خطر از 1 تا 5 و اهمیت آنها مشخص کنند. این طبقه بندی ها همیشه بر اساس مطالعات تجربی و نیازهای خاص ذینفعان انجام می شود. دلیل تعریف نمرات از 1 تا 5 با ادراک احساس انسان از موقعیت‌های حساس کم تا حساس بالا، یعنی خیلی کم، کم، متوسط، زیاد و خیلی زیاد مرتبط است [ 6 ].
Ijgi 03 01077 g004 1024
شکل 4. نمودار کلاس UML از طرح کلی ارزیابی ریسک فرسایش ساحلی که از [ 5 ] اقتباس شده است.
از این پس، با توجه به نرخ فرسایش برآورد شده، منطقه به پنج دسته طبقه بندی می شود. یک سطح ریسک به هر کلاس از نرخ فرسایش از بسیار کم، کم، متوسط، زیاد و بسیار زیاد، همانطور که در شکل 4 ، کلاس “نرخ فرسایش” ارائه شده است، اختصاص داده شده است. اطلاعات مربوط به شاخص های آسیب پذیری، به عنوان مثال، شبکه جاده، خانه ها، تراکم افراد و غیره.سپس یکپارچه می شوند تا درک روشنی از توزیع عناصر در معرض خطر و تنوع فرسایش ارائه دهند. این مرحله را می توان با استفاده از هر ابزار GIS موجود مانند ArcGIS انجام داد. با این حال، انتخاب اندازه و شکل سلول های شبکه همیشه یک مسئله چالش برانگیز در این مرحله است و کاملاً آزمایشی است. در این مطالعه به دلیل سادگی آن برای انجام در بسیاری از ابزارهای GIS و در مرحله فازی‌سازی، یک تسلیت معمولی انتخاب شده است. اندازه سلول به مقیاس های مورد نیاز و اطلاعات موجود بستگی دارد. در واقع، اگر یک نمایش ریسک دانه ریز مورد نیاز باشد و داده‌هایی با متراکم بالا (مثلاً LiDAR) در دسترس باشد، اندازه سلول می‌تواند از همان وضوح DTM مشتق‌شده از داده‌های LiDAR تا واحدهای سرشماری (صدها متر مربع) متفاوت باشد.

4.2. نمایش فازی

مرحله نمایش فازی شامل دو بخش فرعی (الف) فازی سازی و (ب) نمایش فازی است که در ادامه توضیح داده خواهد شد.

4.2.1. فازی شدن

فازی سازی شامل تعیین توابع عضویت و مقدار عضویت مربوطه برای هر سلول از یک شبکه در هر شاخص آسیب پذیری است. همانطور که قبلاً گفته شد، تئوری مجموعه فازی در این مطالعه برای رسیدگی به عدم قطعیت مربوط به اجسام فیات فضایی استفاده می‌شود. با توجه به ماهیت ذاتی خطر فرسایش ساحلی، مدل FF-شی در این مقاله برای نشان دادن مناطق خطر استفاده شده است. این نوع نمایش به طور شهودی از نتایج طبقه‌بندی فازی (در اینجا، از طبقه‌بندی شاخص آسیب‌پذیری) می‌آید. مناطق خطر از این طبقه بندی ها استخراج می شوند که شامل مجموعه های پیوسته ای از سلول های شبکه متعلق به یک کلاس است. سپس اشیاء یک کلاس به عنوان لایه ای از شبکه نمایش داده می شوند، به طوری که N لایه از اشیاء تشکیل می شود که هر کدام از مناطق فازی تشکیل شده است. یک مقدار عضویت به هر عنصر (سلول) شبکه اختصاص داده می شود. شایان ذکر است که بر اساس اشنایدر [طبق تعریف 19 ، اشیاء فازی مجموعه‌ای محدود از عناصر از یک مجموعه منظم هستند که پارتیشنی از زیرفضای محدود شده را تشکیل می‌دهند . Ijgi 03 01077 i001
در مقاله حاضر، توابع عضویت از طبقه‌بندی شاخص آسیب‌پذیری مشتق شده‌اند، که در آن درجه‌ای از ریسک بر اساس مطالعات تجربی به هر شاخص نسبت داده می‌شود [ 5 ]. مقادیر عضویت با مرتبط کردن شاخص آسیب پذیری با متغیر مستقل هر شاخص (محور افقی، شکل 5 ) و متغیر وابسته مقدار عضویت (محور عمودی، شکل 5 ) تعیین می شود. در شکل 5 a,b توابع عضویت ارتفاع و نرخ فرسایش به عنوان نمونه های گرافیکی برای مقایسه با طبقه بندی واضح مربوطه ارائه شده است.
Ijgi 03 01077 g005 1024
شکل 5. یک مثال گرافیکی از توابع عضویت برخی از شاخص ها و طبقه بندی واضح آنها: ( الف ) ارتفاع و ( ب ) نرخ فرسایش.
مناطق خطر توسط یک ساختار داده مبتنی بر شبکه نشان داده می شوند. هر سلول شبکه ای با مرکز، رئوس و لبه های آن مشخص می شود ( شکل 6 a را ببینید). مقدار عضویت به مرکز هر سلول اختصاص داده می شود و به عنوان یک تابع گاوسی به سمت خارج پراکنده می شود [ 2 ]. برای هر نقطه دیگر (X,Y)، مقدار عضویت از رابطه (2) محاسبه می شود:

Ijgi 03 01077 i002

که در آن mv دامنه در مرکز سلول است ( Xc ,Yc ) . در واقع، تابع گاوسی برای تغذیه همسایگان سلول با توجه به معکوس فاصله وزنی از مرکز سلول استفاده می شود ( شکل 6 a را ببینید). عملگر MAX (اتحادیه) برای انتخاب مقدار عضویت سلول های همسایه اعمال می شود. یک منطقه خطر در این مورد با تجمع مجموعه ای از سلول ها با مقادیر یکسان ایجاد می شود ( شکل 6 ب را ببینید). در شکل 6 ب، رنگ رنگ نشان دهنده مقدار ریسک است. قرمز تیره نشان دهنده ریسک بالاتر با مقدار عضویت نزدیک به 1 و آبی روشن نشان دهنده ریسک کمتر با مقادیر عضویت نزدیک به 0 است.

Ijgi 03 01077 g006 1024
شکل 6. ( الف ) رویکرد پیشنهادی بر اساس مدل فازی. ( ب ) نمایش فازی سطح ریسک.

4.2.2. تجمع فازی

برای محاسبه ارزش کلی ریسک برای یک منطقه معین، تجمیع لایه های چندگانه اطلاعات مورد نیاز است. بنابراین فرمول ریسک در این مرحله شامل شاخص‌های خطر، عنصر در معرض خطر و آسیب‌پذیری توضیح داده می‌شود (برای جزئیات بیشتر به جدیدی و همکاران [ 5 ] مراجعه کنید) تا یک ادغام عمودی اطلاعات [ 61 ] را انجام دهد. قوانین IF-THEN بر اساس فرمول ریسک و اولویت ذینفعان و مقامات منطقه مورد مطالعه تعریف می شوند. نمونه ای از قانون فازی در جدول 2 نشان داده شده است. عملگرهای فازی قوانین IF-THEN را ترجمه کرده و خروجی جداگانه مقادیر عضویت را ترکیب می کنند. در واقع، قوانین IF-THEN خروجی های محاسباتی متعدد را با ورودی های متعدد پیوند می دهند. برای تجمیع چندین لایه، عملیات “Overlay” با استفاده از “Union”، “Intersection”، “Mean” یا “Mean Weighted” انجام می شود. عملگر “Union” حداکثر مقدار عضویت لایه های مقایسه شده را برمی گرداند. به این عملگر «MAX» یا «OR» نیز گفته می شود. عملگر “تقاطع” حداقل مقدار عضویت لایه های مقایسه شده را برمی گرداند. به آن عملگر “MIN” یا “AND” نیز گفته می شود. عملگرهای “Mean” و “Mean Weighted” به ترتیب مقادیر میانگین و میانگین وزنی عضویت لایه های مقایسه شده را محاسبه می کنند.
جدول
جدول 2. نمونه ای از قواعد IF-THEN فازی.
Ijgi 03 01077 g007 1024
شکل 7. ( الف ) نمایش پنج شاخص مختلف. ( ب ) تجمع فازی این شاخص‌ها: عملیات همپوشانی (اتحاد، تقاطع، میانگین و میانگین وزنی).
انتخاب عملگرهای فازی منعکس کننده نیازهای خاص CERA است که نیازمند دانستن حداکثر، حداقل، متوسط ​​یا میانگین وزنی خطر فرسایش مرتبط در منطقه معین است. نتایج حاصل از ارزیابی ریسک را می توان با استفاده از نقشه ریسک (نگاه کنید به شکل 7 ) و یا با استفاده از جداول و نمودارها پس از فازی سازی مقادیر ریسک فازی نشان داد. شکل 7 نمایش فازی یک منطقه را با توجه به پنج شاخص متفاوت دلخواه ( شکل 7 الف) و نتایج روی هم رفته آنها با استفاده از عملگرهای فازی نشان می دهد ( شکل 7)ب). اگر سلول‌هایی بدون داده وجود داشته باشد، مقادیر عضویت این سلول‌ها با استفاده از مقادیر عضویت همسایگان آنها با استفاده از عملگر MAX محاسبه می‌شود. این عملیات نیز بر اساس یکی از عملگرهای فازی زیر است: “اتحاد”، “تقاطع”، “میانگین”، یا “میانگین وزن”.
فاززدایی فرآیند ترجمه مقادیر نتایج فازی به مقادیر واضح یا عبارات زبانی است [ 2 ]. در واقع فاززدایی فرآیند معکوس فازی شدن است. این مرحله در CERA ضروری است زیرا برخی تصمیم گیرندگان استفاده از روش سنتی با مقادیر واضح عبارات زبانی را ترجیح می دهند. روش‌های متداول فاززدایی عبارتند از روش‌های مرکز، حداکثر و میانگین [ 2]. روش مرکز در این مطالعه به دلیل عملکرد مشهور آن در مقادیر بسیار زیاد داده های نامشخص استفاده شده است. روش مرکز، مرکز مساحت مقادیر عضویت ترکیبی را تعیین می کند. بر این اساس، رابطه بین درجه ریسک برای هر مقدار فازی، مقدار واضح و بیان زبانی ایجاد می‌شود. روابط فازی سازی مورد استفاده و پیشنهاد شده در این مقاله در جدول 3 ارائه شده است. این طبقه بندی همچنین با متغیرهای زبانی در مقادیر عضویت فازی شاخص آسیب پذیری مطابقت دارد. لازم به ذکر است که فاززدایی به طور کلی باعث از دست رفتن اطلاعات موجود در مقادیر فازی می شود.
جدول
جدول 3. نتایج فازی سازی برای طبقه بندی نهایی خطر فرسایش.

5. نتایج: مطالعه موردی

برای اعتبار سنجی چارچوب پیشنهادی، یک مطالعه موردی با اجرای چند مرحله ذکر شده در بخش 4 انجام شد.

5.1. سایت مطالعه

منطقه در امتداد ساحل رودخانه سنت لارنس در پرس، نزدیک نوک شبه جزیره گاسپ در شرق کبک، کانادا (نگاه کنید به شکل 8 ) به عنوان محل مطالعه برای اجرا و تایید چارچوب پیشنهادی انتخاب شد. این منطقه به دلیل صخره معروف پرس و جزیره بوناونچر یکی از جذاب ترین مکان های گردشگری در کبک است. دارای 52 کیلومتر خط ساحلی، 432.39 کیلومتر مربع سطح ، تراکم جمعیت برابر با 7.7 نفر در هر کیلومتر مربع ، و جمعیت کل 3312 [ 62 ] است.
Perce عمدتاً با صخره های سنگی متشکل از سنگ های رسوبی، ماسه سنگ و سنگ آهک Gaspe که 76٪ از سطح منطقه را پوشش می دهد مشخص می شود. این منطقه همچنین شامل 17 بخش کوچکتر، ورودی های صخره ای، و تراس های ساحلی برای 12٪ و یک سواحل و تالاب جزر و مدی پوشش 11٪ است. 80 درصد از سواحل Perce فرسایش شدید ساحلی را با نرخ متوسط ​​0.20- متر در سال (1994-2001) تجربه می کنند [ 63 ]. بر اساس نتایج مطالعه از سال 1934 تا 2001، افزایش سطح دریا (SLR) همچنین با کاهش عرض سواحل تأثیر خاصی بر فرسایش سواحل دارد [ 64 ]]. باران شدید عامل دیگری است که روند فرسایش در کف صخره ها را تسریع می کند و حتی ممکن است حوادث مخرب ناگهانی و مجزا مانند ریزش سنگ و رانش زمین در امتداد یا دورتر از سواحل را برانگیزد. میانگین نرخ فرسایش -0.49m/year تا سال 2050 در منطقه پیش‌بینی شده است [ 64 ].
Ijgi 03 01077 g008 1024
شکل 8. نمای جغرافیایی Perce، شرق کبک، کانادا.
زیرساخت‌هایی مانند شبکه جاده‌ای (بزرگراه 132) و راه‌آهن در امتداد تف باراکویس شامل 34.6 درصد از ویژگی‌های اجتماعی-اقتصادی در معرض خطر در این منطقه است. 79 درصد از این ویژگی ها قبلاً تحت تأثیر فرسایش با هزینه کل 15.5 میلیون دلار قرار گرفته اند [ 63 ]. مشاغل مرتبط با صنعت گردشگری به همراه اکثر مشاغل مرتبط با این صنعت در معرض خطر بالایی قرار دارند. علاوه بر این، مناطق مسکونی (4/23 درصد) و روستاها (8/5 درصد) واقع در اطراف بنادر و در امتداد ساحل نیز به طور قابل توجهی تحت تأثیر فرسایش قرار دارند. گزارش شده است که در مجموع 13 منزل مسکونی، سه خانه روستایی، 7 ساختمان تجاری و دو ساختمان صنعتی با توجه به فرسایش سواحل در خطر هستند [ 64 ].]. 30.7 درصد از سواحل مناطق طبیعی و وحشی است. هر گونه تغییر در طول ساحل ناشی از فرسایش می تواند به طور قابل توجهی از جاذبه گردشگری منطقه بکاهد. مناظر و مناطق طبیعی مانند تالاب ها و سواحل را می توان به عنوان عناصر آسیب پذیر در نظر گرفت که باید در هر برنامه ریزی پایدار برای منطقه مورد توجه قرار گیرد. بنادر، بنادر و اسکله‌های ماهیگیری نیز از شاخص‌های آسیب‌پذیر در این زمینه هستند.

5.2. پیاده سازی چارچوب پیشنهادی در سایت مطالعه

منابع متعدد داده برای انجام ارزیابی ریسک ساحلی سایت مورد مطالعه استفاده می شود. جدول 4 فهرستی از مجموعه داده ها و پارامترهای مرتبطی را که برای CERA در این مطالعه موردی استفاده می شود، ارائه می دهد. بیشتر اطلاعات از گزارش های فنی استخراج می شود و سپس به موقعیت های جغرافیایی پیش بینی می شود. ArcGIS 10 برای تولید DTM از داده های LiDAR و سیستم تحلیل خط ساحلی دیجیتال استفاده می شود [ 65] برای به دست آوردن نرخ فرسایش در این مطالعه استفاده شده است. اطلاعات مربوط به شاخص آسیب‌پذیری از گزارش‌های فنی و تحقیقاتی استخراج شده و به طور رسمی در ArcGIS 10 مورد بررسی قرار می‌گیرد و یک نمونه معمولی به دست می‌دهد. یک شبکه 40 متر × 40 متر در امتداد ساحل با عرض 1.4 کیلومتر تا 2.8 کیلومتر (بسته به در دسترس بودن داده ها) تولید می شود. شبکه 40 × 40 متر بر اساس وضوح DTM تولید شده از داده های LiDAR موجود در منطقه مورد مطالعه انتخاب شد. این اندازه می تواند بسته به مشخصات مورد نیاز و هدف اجرای CERA متفاوت باشد.
جدول
جدول 4. فهرست مجموعه داده های مورد استفاده برای ارزیابی خطر فرسایش.
کد Matlab برای انجام یک نمایش فازی از مناطق خطر توسعه یافته است. یک مقدار عضویت فازی بر اساس تابع عضویت تعریف شده هر پارامتر همانطور که در جدول 5 ارائه شده است به هر سلول اختصاص داده می شود . سپس ریسک با توجه به یک اولویت خاص یعنی عنصر در معرض خطر با استفاده از فرمول زیر محاسبه می شود [ 5 ]:

Ijgi 03 01077 i003
عنصر در معرض خطر در این مطالعه موردی شبکه راه است. v i نشانگر آسیب پذیری و w i مقدار وزن است. جدول 5 فهرستی از پارامترهای ریسک، وزن‌های مرتبط و توابع عضویت تعریف شده را ارائه می‌کند که از گزارش‌های فنی اداره حمل‌ونقل استان کبک که در مطالعه موردی ما استفاده می‌شوند [ 66 ]. در این مطالعه موردی، ما هیچ قانون فازی IF-THEN را اعمال نمی‌کنیم، زیرا هیچ نگرانی ذینفعان وجود نداشت که باید در نظر گرفته شود. سپس مقادیر ریسک فازی محاسبه شده با استفاده از عملگر “میانگین وزن” جمع می شوند زیرا بهترین تناسب برای فرمول ریسک است (معادله (3)). یک نمایش فازی از مناطق خطر در شکل 9 نشان داده شده است. شایان ذکر است که فهرست شاخص های آسیب پذیری ارائه شده در شکل 5 فهرست کاملی از شاخص آسیب پذیری ساحلی است. با این وجود، همه آنها در مطالعات موردی در دسترس نیستند.
جدول
جدول 5. پارامترهای ریسک، وزن آنها و توابع عضویت مورد استفاده در مطالعه موردی (اقتباس از [ 66 ]).
Ijgi 03 01077 g009 1024
شکل 9. نمایش فازی مناطق خطر فرسایش ساحلی در سایت مورد مطالعه.

5.3. تفسیر نتایج

همانطور که در شکل 9 نشان داده شده است ، مناطق در معرض خطر بالاتر در امتداد ساحل قرار دارند. حدود 800 متر از بزرگراه 132 به شدت در خطر است (شمال، مرکز و جنوب غربی). منطقه مسکونی (در مجموع 4 خانه در دایره های زرد) و دو متل (دایره های سبز) روی دماغه سنگ های پرسه نیز در معرض خطر بسیار بالایی قرار دارند. از دماغه سنگ های پرس به سمت جنوب غربی، چهار متل نیز در معرض خطر بالایی هستند. علاوه بر این، داشتن منطقه پرخطر (منطقه قرمز) در امتداد بزرگراه 132 نتایج مطالعات قبلی در منطقه را تأیید می کند [ 29 ، 66 ]]. این منطقه به عنوان یک خط ساحلی صخره ای فعال با نرخ فرسایش 0 متر در سال گزارش شده است. با این حال، به دلیل نوع زمین شناسی آن، فرسایش ممکن است به طور ناگهانی به صورت زمین لغزش اتفاق بیفتد. تفاوت اصلی بین روش ما و سایر مطالعات این است که چگونه عدم قطعیت فضایی مربوط به مدل‌سازی ریسک از طریق رویکرد فازی مدیریت می‌شود.
مناطق پرخطر با توجه به زیرساخت‌های موجود، ساختمان‌ها، افراد و دارایی‌های آنها به خوبی شناخته شده‌اند. در واقع، نتایج به‌دست‌آمده در این مطالعه با استدلال و ادراک انسان همخوانی بیشتری دارد و سطح ریسک را به صورت مستمر و روان نشان می‌دهد. تداوم نه تنها با فرمت شطرنجی انجام می شود، بلکه توسط نمایش فازی نیز انجام می شود.

6. بحث و اظهار نظر

علاوه بر عدم قطعیت فضایی، که به عنوان کمبود دانش [ 7 ] تعریف می شود، ناقص بودن مقادیر بسیار زیادی از داده ها و اطلاعات نیز باید در CERA در نظر گرفته شود. CERA به طور سنتی یک فرآیند مبتنی بر متخصص است. انعطاف پذیری و قابلیت ادغام دانش تخصصی (ساختار یافته به عنوان بیان زبانی) و همچنین مشخص کردن و مدیریت عدم قطعیت داده ها همواره به عنوان موارد مهم در بهبود کیفیت نتایج در CERA بیان شده است. رویکرد پیشنهادی در این مطالعه به‌کارگیری راه‌حل‌های مبتنی بر دانش مانند نظریه مجموعه‌های فازی با مزایای زیر بود:

  • عدم قطعیت فضایی مرتبط با تعریف شی به صراحت از طریق رویکرد فازی بررسی می شود. همچنین می توان چگالی احتمال را به مقادیر موقعیت و عدم قطعیت اندازه گیری متصل کرد. در این صورت، قبل از استفاده از این داده ها در CERA، پاکسازی داده ها با استفاده از رویکردهای احتمال با سطح اطمینان پذیرفته شده توصیه می شود.
  • مسائل مربوط به تعریف تابع عضویت با تبدیل طبقه بندی واضح شاخص آسیب پذیری به یک طبقه بندی فازی حل می شود. بر این اساس، ادغام چندین معیار با تجمیع مقادیر عضویت مربوطه آنها با استفاده از عملگرهای تجمع فازی انجام می شود. اگر طبقه بندی شاخص آسیب پذیری در دسترس نباشد، روش هایی مانند Fuzzy C-Mean و Fuzzy K-Mean برای تعریف توابع عضویت مورد نیاز بر اساس داده های موجود توصیه می شود.
  • ساختار مبتنی بر شبکه رویکرد پیشنهادی از مشکلات ترکیب مقادیر مختلف عضویت برای محاسبه ابهام در داخل اشیا که در آن معیارهای مختلف منجر به فازی می‌شوند، اجتناب می‌کند. علاوه بر این، چندین مطالعه تأیید می‌کنند که رویکرد فازی با فرمت مبتنی بر شبکه به خوبی کار می‌کند [ 18 ، 61 ].
  • تشریح فرمول ریسک و سپس ایجاد قوانین IF-THEN شاخص‌های مرتبط، امکان کنترل مستقیم کل فرآیند CERA را فراهم می‌کند. علاوه بر این، در صورت تغییر یک یا چند شاخص یا طبقه بندی آنها، این انعطاف پذیری بیشتری را فراهم می کند. در این صورت به روز رسانی اطلاعات مورد نظر با اجرای مجدد مرحله فازی سازی یا اصلاح قوانین IF-THEN با اجرای مجدد مرحله تجمیع فازی کافی خواهد بود.
  • روش پیشنهادی اجازه می دهد تا چندین عملگر تجمع فازی (اتحاد، تقاطع، میانگین، وزن متوسط) را که در هر فرآیند CERA مورد نیاز است، انجام دهیم. نتیجه در شکل 7 ب نشان می دهد که انتخاب عملگرهای فازی چقدر می تواند بر نتیجه نهایی تأثیر بگذارد. بنابراین با توجه به نیاز تصمیم گیرندگان و ظهور اقدامات حفاظتی، انتخاب این اپراتورها نیز متنوع است.
  • انعطاف‌پذیری تئوری مجموعه‌های فازی برای توصیف و مدیریت عدم قطعیت فضایی ذاتی در کل فرآیند ارزیابی، سطوح اطمینان استراتژی‌های اقتباس‌شده برای مناطق حفاظتی مورد مطالعه را افزایش می‌دهد. همچنین از طریق تفسیر نتایج و اولویت‌بندی اقدامات برنامه‌ریزی بر اساس ادراک کارشناسان، اجرای طرح‌های واکنش در صورت وقوع فاجعه را تسریع می‌کند. از دیدگاهی دیگر، روش‌های ارزیابی ریسک سنتی منجر به تصمیم‌های واضح، یعنی «بله» یا «خیر» می‌شوند، در حالی که رویکرد فازی منجر به انتقال صاف بین این دو حالت افراطی می‌شود.
  • بازنمایی ریسک فازی یک مفهوم نسبتاً جدید برای تصمیم گیرندگان است. در این زمینه جدید، فرآیندهای تصمیم گیری باید تطبیق داده شوند و معیارهای معناداری برای پذیرش و دستکاری مقادیر ریسک فازی باید ایجاد شود. تغییر فرهنگ تصمیم گیری برای استفاده از نتایج فازی مستلزم یافتن شواهدی است تا تصمیم گیرندگان را در مورد مزایای این رویکرد جدید متقاعد کند. مرحله فاززدایی که به طور خلاصه در این مقاله توضیح داده شده است، جایگزینی در این رابطه برای ترجمه مقادیر فازی به مقادیر قابل اندازه گیری است و آنها را برای تصمیم گیرندگان قابل درک می کند. کنتل و آرال [ 2 ] یک روش اندازه گیری تحمل ریسک را بر اساس یک دستورالعمل انطباق واضح پیشنهاد می کنند که در حال حاضر در برخی از حوزه ها مانند سیستم بهداشتی موجود است.
از سوی دیگر، محدودیت‌های اصلی رویکرد پیشنهادی در این مقاله به شرح زیر است:

  • نمایش فازی پیشنهادی فقط بر روی تسلیشن معمولی آزمایش می‌شود. رابطه همسایگی بر اساس شناسه یک سلول، ضمنی است. اگر به یک تسلیت نامنظم نیاز باشد، تلاش بیشتری در مفاهیم همسایگی و محمولات توپولوژیکی مورد نیاز است.
  • جنبه زمانی شی فازی در این رویکرد در نظر گرفته نشده است. این مقاله فقط وسعت فضایی اشیاء فازی و موقعیت‌هایی را که در آن طبقه‌بندی فازی به دلیل ماهیت چند معیاره CERA و عدم قطعیت فضایی مرتبط با تعریف شی است، مورد بحث قرار می‌دهد. این بدان معنی است که مناطق خطر به صورت مکانی به عنوان یک عکس فوری از یک دوره زمانی معین نشان داده می شوند. نحوه برخورد با اجسام فازی که در بازه های زمانی مختلف تغییر می کنند نیاز به بررسی بیشتری دارد.
  • رویکرد پیشنهادی تنها در یک منطقه کوچک با سطح مشخصی از جزئیات (مقیاس) استفاده می‌شود. هنگامی که تجزیه و تحلیل مقادیر بسیار زیاد داده در یک سیستم سلسله مراتبی مورد نیاز است، رویکرد پیشنهادی باید با توجه به فناوری انتخاب شده تنظیم شود. در این راستا، تلاش‌هایی عمدتاً بر روی عملگرهای تجمع فازی مانند “Fusion” که در آن نمایش چند مقیاسی مورد نیاز است، مورد نیاز است.

7. نتیجه گیری

مشخص کردن عدم قطعیت فضایی در ارزیابی ریسک ساحلی برای تصمیم‌گیری مؤثر مهم است. علاوه بر این، نمایش مکانی دقیق ریسک ساحلی در ارائه دانش لازم از تأثیر احتمالی خطر و کمک به تصمیم گیرندگان برای انجام اقدامات لازم برای محافظت بهتر از مردم، زیرساخت ها و سایر تاسیسات در امتداد ساحل ضروری است. این مقاله بر بهبود بازنمایی فضایی خطر فرسایش ساحلی با در نظر گرفتن عدم قطعیت ذاتی مربوط به اشیاء فضایی و بازنمایی منطقه خطر متمرکز شده است. عدم قطعیت های مرتبط به عنوان ابهام و مبهم بودن اشیا مشخص شد و سپس توسط تئوری مجموعه های فازی بررسی شد. یک چارچوب مفهومی برای نشان دادن مناطق خطر بر اساس یک مدل فازی پیشنهاد شد. طبقه بندی شاخص آسیب پذیری برای تعیین توابع عضویت برای هر شاخص به عنوان یک لایه جداگانه استفاده شد. با تخصیص یک مقدار عضویت مناسب به هر سلول که نشان دهنده میزان خطر است، یک مجموعه منظم از منطقه برای هر نشانگر ایجاد شد. قوانین IF-THEN برای تجمیع چندین لایه شاخص با استفاده از عملگرهای تجمیع مانند Union، Intersection، Mean و Mean Weighted تعریف شدند. در نهایت، یک نمایش فازی فضایی از CERA ارائه شد. رویکرد پیشنهادی برای نشان دادن اعتبار و مزایای روش پیشنهادی در یک سایت مطالعه در Perce، کبک، کانادا اعمال شد. این روش ابزار بهتری برای تصمیم‌گیری فراهم می‌کند، زیرا ارزش‌های ریسک بهتر با واقعیت منطقه تطبیق داده می‌شوند. از آنجایی که هدف نهایی هر ارزیابی ریسک کمک به تصمیم گیری کارآمد است، بنابراین مواجهه با حجم بسیار زیادی از داده ها اجتناب ناپذیر است. امروزه سیستم های اطلاعات مکانی به طور گسترده در این زمینه مورد استفاده قرار می گیرند. پیاده‌سازی روش پیشنهادی می‌تواند به بینش‌های جدیدی در مورد نحوه برخورد با عدم قطعیت فضایی در چنین پایگاه‌هایی منجر شود. دستکاری مدل های فازی در یک سیستم سلسله مراتبی به عملگرهای تجمیع فازی نیاز دارد. بسط و بازتعریف این مفاهیم در زمینه سیستم‌های چند بعدی فضایی برای کارهای آینده نگران کننده است.

منابع

  1. دربرا، ر. الجارات، ای. بارسلو، دی. چگونگی اندازه گیری عدم قطعیت در ارزیابی ریسک زیست محیطی. Trac Trends Anal. شیمی. 2008 ، 27 ، 377-385. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. کنتل، ای. Aral، MM اندازه گیری تحمل خطر برای تصمیم گیری در تحلیل فازی: دیدگاه ارزیابی خطر سلامت استوک. محیط زیست Res. ارزیابی ریسک 2007 ، 21 ، 405-417. [ Google Scholar ] [ CrossRef ]
  3. زی، ی. یی، اس. کائو، ی. Lu, Y. ترکیب اطلاعات عدم قطعیت برای ارزیابی خطر سیل بر اساس روش DS-AHP. در مجموعه مقالات نوزدهمین کنفرانس بین المللی ژئوانفورماتیک، شانگهای، چین، 24-26 ژوئن 2011; صص 1-6.
  4. دولان، ا. واکر، I. درک آسیب پذیری جوامع ساحلی در برابر خطرات مربوط به تغییرات آب و هوا. جی. ساحل. Res. 2006 ، SI 39 ، 1317-1324. [ Google Scholar ]
  5. جدیدی، ع. مصطفوی، محمدرضا; Bédard، Y.; لانگ، بی. Grenier, E. استفاده از پارادایم هوش تجاری مکانی برای طراحی یک مدل مفهومی چند بعدی برای ارزیابی ریسک فرسایش ساحلی کارآمد. جی. ساحل. حفظ کنید. 2013 ، 17 ، 527-543. [ Google Scholar ] [ CrossRef ]
  6. بوروف، بی. کاتر، اس. Emrich، C. آسیب پذیری خطر فرسایش شهرستان های ساحلی ایالات متحده. جی. ساحل. Res. 2005 ، 21 ، 932-942. [ Google Scholar ] [ CrossRef ]
  7. واکر، دبلیو. روتمنز، جی. واندر اسلویج، جی. ون آسل، تی. جانسسن، پ. کرایر فون کراوس، ام. Harremoees, P. تعریف عدم قطعیت یک مبنای مفهومی برای مدیریت عدم قطعیت در پشتیبانی تصمیم گیری مبتنی بر مدل. یکپارچه سازی ارزیابی کنید. 2003 ، 4 ، 5-17. [ Google Scholar ] [ CrossRef ]
  8. زاده، لس آنجلس به سوی یک نظریه تعمیم یافته عدم قطعیت (GTU) – یک طرح کلی. Inf. علمی (NY) 2005 ، 172 ، 1-40. [ Google Scholar ] [ CrossRef ]
  9. فیشر، پی. کامبر، ا. Wadsworth، R. رویکردهای عدم قطعیت در داده های مکانی. در مبانی کیفیت داده های مکانی ; Devillers, R., Jeansoulin, R., Eds. ISTE Ltd.: لندن، انگلستان، 2010; جلد 1، ص 43-59. [ Google Scholar ]
  10. اسمیت، بی. ورزی، AC فیات و مرزهای صادقانه. فیلوس پدیده. Res. 2000 , 60 , 401. [ Google Scholar ] [ CrossRef ]
  11. اسمیت، بی. مارک، DDM آیا کوه ها وجود دارند؟ به سوی هستی شناسی لندفرم ها. محیط زیست طرح. B طرح. دس 2003 ، 30 ، 411-427. [ Google Scholar ] [ CrossRef ]
  12. مک فادن، ال. نیکولز، RJ; وافیدیس، AT; Tol، RSJ روشی برای مدل‌سازی فضای ساحلی برای ارزیابی جهانی. جی. ساحل. Res. 2007 ، 23 ، 911-920. [ Google Scholar ]
  13. چنگ، تی. مولنار، م. استین، A. رویکرد فازی برای مدیریت یکپارچه مناطق ساحلی. در سنجش از دور و فن آوری های زمین فضایی برای ارزیابی و مدیریت اکوسیستم ساحلی ; یانگ، ایکس، اد. Springer: برلین/هایدلبرگ، آلمان، 2009; صص 67-90. [ Google Scholar ]
  14. آرتس، جی. Goodchild، MF; Heuvelink، G. حسابداری برای عدم قطعیت فضایی در بهینه سازی با سیستم های پشتیبانی تصمیم گیری فضایی. ترانس. GIS 2003 ، 7 ، 211-230. [ Google Scholar ]
  15. چوآ، اچ.-ن. چوی، H.-H. کیم، ی.-بی. یک روش ارزیابی ریسک برای ترکیب عدم قطعیت ها با استفاده از مفاهیم فازی Reliab. مهندس سیستم Saf. 2003 ، 78 ، 173-183. [ Google Scholar ]
  16. کاول، پی. Zeng, T. ادغام نظریه های عدم قطعیت با GIS برای مدل سازی خطرات ساحلی تغییرات آب و هوایی. مار. جئود. 2003 ، 26 ، 5-18. [ Google Scholar ] [ CrossRef ]
  17. فیشر، پی. چنگ، تی. Wood, J. ابهام مرتبه بالاتر در اطلاعات جغرافیایی: جمعیت جغرافیایی تجربی از نوع n مجموعه فازی. Geoinformatica 2007 ، 11 ، 311-330. [ Google Scholar ] [ CrossRef ]
  18. پالی، ا. Schneider, M. VASA: جبری برای داده های فضایی مبهم در پایگاه های داده. Inf. سیستم 2010 ، 35 ، 111-138. [ Google Scholar ] [ CrossRef ]
  19. Schneider, M. طراحی و پیاده سازی اشیاء فضایی واضح و فازی با وضوح محدود. دانستن داده ها مهندس 2003 ، 44 ، 81-108. [ Google Scholar ] [ CrossRef ]
  20. اشنایدر، ام. انواع داده های فضایی مبهم. Adv. تف کردن پایگاه های داده لکت. یادداشت ها محاسبه. علمی 2003 ، 44 ، 81-108. [ Google Scholar ]
  21. دیلو، ا. de By, RA; Stein, A. سیستمی از انواع و عملگرها برای دست زدن به اشیاء فضایی مبهم. بین المللی جی. جئوگر. Inf. علمی 2007 ، 21 ، 397-426. [ Google Scholar ] [ CrossRef ]
  22. کنجیلال، وی. لیو، اچ. نواحی اشنایدر، ام. فلات: یک مفهوم پیاده سازی برای مناطق فازی در پایگاه داده های فضایی و GIS. در مجموعه مقالات سیزدهمین کنفرانس بین المللی پردازش اطلاعات و مدیریت عدم قطعیت در سیستم های مبتنی بر دانش، دورتموند، آلمان، 28 ژوئن تا 2 ژوئیه 2010. جلد 6178 LNAI، ص 624–633.
  23. بژائوی، ال. پینت، اف. صالحی، م. اشنایدر، ام. Bédard, Y. سازگاری منطقی برای اشیاء و روابط مبهم فضایی و زمانی. در مجموعه مقالات پنجمین سمپوزیوم بین المللی کیفیت داده های مکانی 2007، ITC، Enschede، هلند، 13-15 ژوئن 2007.
  24. کوهن، ا. هزاریکا، س. بازنمایی و استدلال فضایی کیفی: مروری. فاندم Inf. 2001 ، 46 ، 1-29. [ Google Scholar ]
  25. مولنار، م. چنگ، تی. اشیاء فضایی فازی و دینامیک آنها. ISPRS J. Photogramm. Remote Sens. 2000 , 55 , 164-175. [ Google Scholar ] [ CrossRef ]
  26. فیشر، پی. چنگ، تی. وود، ج. مبهم و ابهام در تحلیل چند مقیاسی مورفومتری منظر. در مدلسازی فازی با اطلاعات مکانی برای مسائل جغرافیایی ; پتری، F.، کاب، MA، رابینسون، VB، ویرایش. Springer: برلین/هایدلبرگ، آلمان، 2005; ص 209-232. [ Google Scholar ]
  27. Goodchild، MF; Glennon, A. نمایش و محاسبه دینامیک جغرافیایی. در درک دینامیک دامنه های جغرافیایی ; Hornsby, K., Yuan, M., Eds. Taylor & Francis Group, LLC: لندن، انگلستان، 2008; صص 13-30. [ Google Scholar ]
  28. ونوویل، دبلیو. معیقه، ک. دشان، ام. دی مایر، پ. موستائرت، اف. de Rouck, K. محاسبه فضایی خسارت سیل و رتبه بندی خطر. در مجموعه مقالات هشتمین کنفرانس علوم اطلاعات جغرافیایی، استوریل، پرتغال، 26-28 مه 2005. صص 549-556.
  29. مک هیو، R.-M. بیلودو، اف. ریست، اس. Bédard، Y.; Michaud, M. Analyse du potentiel d’une application SOLAP pour une gestion efficace de l’érosion des berges en Gaspésie Iles-de-la-Madeleine. در مجموعه مقالات Géomatique 2006، مونترال، QC، کانادا، 25-26 اکتبر 2006.
  30. Bédard، Y. عدم قطعیت در پایگاه داده سیستم های infromarion زمین. در اتوکارتو ; کریسمن، ن.، اد. انجمن آمریکایی فتوگرامتری و سنجش از دور، کنگره آمریکا در نقشه برداری و نقشه برداری: بالتیمور، MD، ایالات متحده آمریکا، 1988; صص 175-184. [ Google Scholar ]
  31. فیشر، ص. عدم قطعیت، معنایی. در دایره المعارف GIS ; Springer-Verlag: برلین/هایدلبرگ، آلمان، 2008; صص 1194–1196. [ Google Scholar ]
  32. دیلو، الف. بازنمایی و استدلال با ابهام در اطلاعات فضایی: سیستمی برای مدیریت اشیاء مبهم. پایان نامه دکتری، ITC، Enschede، هلند، 2006; پ. 187. [ Google Scholar ]
  33. رابینسون، وی بی دیدگاهی درباره مبانی مجموعه های فازی و استفاده از آنها در سیستم های اطلاعات جغرافیایی. ترانس. GIS 2003 ، 7 ، 3-30. [ Google Scholar ]
  34. بارو، پی. روش های ریاضی فازی برای بررسی خاک و ارزیابی زمین. J. Soil Sci. 1989 ، 40 ، 477-492. [ Google Scholar ] [ CrossRef ]
  35. Usery، EL یک چارچوب مفهومی و اجرای مجموعه فازی برای ویژگی های جغرافیایی. در اشیاء جغرافیایی با مرزهای نامشخص ; Burrough, P., Frank, A., Eds. تیلور و فرانسیس: لندن، بریتانیا، 1996; صص 71-87. [ Google Scholar ]
  36. آلتمن، دی. فازی مجموعه رویکردهای نظری برای رسیدگی به عدم دقت در تحلیل فضایی. بین المللی جی. جئوگر. Inf. علمی 1994 ، 8 ، 271-289. [ Google Scholar ] [ CrossRef ]
  37. Brown, D. طبقه بندی و مرز مبهم در نقشه برداری انواع جنگل های پیش سکونت. بین المللی جی. جئوگر. Inf. علمی 1998 ، 12 ، 105-129. [ Google Scholar ] [ CrossRef ]
  38. Molenaar، M. سطوح عدم قطعیت مفهومی درخت برای اشیاء فضایی. بین المللی قوس. فتوگرام Remote Sens. 2000 , XXXIII , 670–677. [ Google Scholar ]
  39. واسور، بی. ون دی ولاگ، دی. استین، ا. ژانسولین، آر. Dilo، A. هستی شناسی فضایی-زمانی برای تعریف کیفیت یک برنامه کاربردی. در مجموعه مقالات ISSDQ، Bruck an der Leitha، اتریش، 15-17 آوریل 2004. پ. 13.
  40. چنگ، تی. فیشر، پی. Li, Z. ابهام مضاعف: تأثیر مقیاس بر مدل‌سازی اجسام فضایی فازی. در تحولات در مدیریت داده های مکانی ; پیت، اف.، اد. Springer: برلین/هایدلبرگ، آلمان، 2005; صص 299-313. [ Google Scholar ]
  41. چنگ، تی. اشیاء فازی: تغییرات و عدم قطعیت های آنها. فتوگرام مهندس Remote Sens. 2002 ، 68 ، 41-49. [ Google Scholar ]
  42. چن، ک. کمی کردن ویژگی‌های محیطی از محصولات داده‌های رصد زمین با ارتقای فضایی: سه مطالعه موردی. در مجموعه مقالات دومین کنفرانس بین المللی رصد زمین برای تغییرات جهانی (CD-ROM)، چنگدو، چین، 25-29 مه 2009. صفحات 1600–1610.
  43. روی، پی. Mandal, J. یک مدل فازی-GIS جدید مبتنی بر مثلث‌سازی delaunay برای پیش‌بینی مکان‌های تسهیلات (FGISFFL). بین المللی علائم الکترون. سیستم دس 2011 ، 48 ، 341-346. [ Google Scholar ]
  44. دراگیسویچ، اس. مارسئو، دی‌جی مدل‌سازی فضا، زمان و دینامیک در پایگاه‌های اطلاعاتی GIS تاریخی: یک رویکرد منطق فازی محیط زیست طرح. B طرح. دس 2001 ، 28 ، 545-562. [ Google Scholar ] [ CrossRef ]
  45. چاودری، اس. شامپاین، پ. مک‌للان، PJ رویکردهای توصیف عدم قطعیت برای ارزیابی خطر DBPs در آب آشامیدنی: یک بررسی. جی. محیط زیست. مدیریت 2009 ، 90 ، 1680-1691. [ Google Scholar ] [ CrossRef ]
  46. موریس، ا. یانکوفسکی، ص. تصمیم گیری فضایی با استفاده از GIS فازی. در مدلسازی فازی با اطلاعات مکانی برای مسائل جغرافیایی ; پتری، F.، کاب، MA، رابینسون، VB، ویرایش. Springer: برلین/هایدلبرگ، آلمان، 2005; ص 275-298. [ Google Scholar ]
  47. زاده، مجموعه LA فازی. Inf. کنترل 1965 ، 8 ، 338-353. [ Google Scholar ] [ CrossRef ]
  48. ژان، FB; Lin, H. پوشش دو چند ضلعی ساده با مرزهای نامشخص. ترانس. GIS 2003 ، 7 ، 67-81. [ Google Scholar ]
  49. راندل، دی. کوی، ز. Cohn, A. منطق فضایی مبتنی بر مناطق و اتصال. در مجموعه مقالات کنفرانس بین المللی بازنمایی دانش و استدلال (Kr92)؛ Nebel, B., Rich, C., Swartout, W., Eds.; Morgan Kaufmann: San Mateo، CA، USA، 1992; صص 165-176. [ Google Scholar ]
  50. ارویگ، م. اشنایدر، M. مناطق مبهم. در پیشرفت در پایگاه داده های فضایی ; Scholl, M., Voisard, A., Eds. یادداشت های سخنرانی در علوم کامپیوتر; Springer: برلین/هایدلبرگ، آلمان، 1997; جلد 1262، ص 298–320. [ Google Scholar ]
  51. اشنایدر، ام. مدیریت عدم قطعیت برای پایگاه داده های داده های فضایی: انواع داده های فضایی فازی در پایگاه های داده فضایی پیشرفت می کند. در مجموعه مقالات ششمین سمپوزیوم بین المللی پیشرفت در پایگاه های داده فضایی (SSD’99)، هنگ کنگ، چین، 20 تا 23 ژوئیه 1999. Güting, R., Papadias, D., Lochovsky, F., Eds. اسپرینگر: برلین/هایدلبرگ، آلمان؛ هنگ کنگ، چین، 1999; جلد 1651، ص 330–351. [ Google Scholar ]
  52. چنگ، تی. مولنار، م. Lin, H. رسمی کردن اشیاء فازی از نتایج طبقه بندی نامشخص. بین المللی جی. جئوگر. Inf. علمی 2001 ، 15 ، 27-42. [ Google Scholar ] [ CrossRef ]
  53. تانگ، X. مدل‌سازی شی فضایی در فضاهای توپولوژیک فازی با کاربردهای تغییر پوشش زمین. پایان نامه دکتری، ITC، Enschede، هلند، 2004; پ. 241. [ Google Scholar ]
  54. وانگ، اف. هال، جی. برنت، اچ. نمایش فازی مرزهای جغرافیایی در GIS. بین المللی جی. جئوگر. Inf. علمی 1996 ، 10 ، 537-590. [ Google Scholar ]
  55. بزدک، ج. ارلیش، آر. کامل، W. FCM: الگوریتم خوشه بندی c-means فازی. محاسبه کنید. Geosci. 1984 ، 10 ، 191-203. [ Google Scholar ] [ CrossRef ]
  56. چی، ز. وو، جی. Yan, H. تشخیص اعداد دست‌نویس با استفاده از نقشه‌های خودسازماندهی و قوانین فازی. تشخیص الگو 1995 ، 28 ، 59-66. [ Google Scholar ] [ CrossRef ]
  57. مانان، بی. روی، جی. Ray, A. Fuzzy ARTM AP بر طبقه بندی تصاویر چند طیفی سنجش از راه دور نظارت کرد. بین المللی J. Remote Sens. 1998 , 19 , 767-775. [ Google Scholar ] [ CrossRef ]
  58. ناوک، دی. Kruse, R. یک روش عصبی فازی برای یادگیری قوانین طبقه بندی فازی از داده ها. سیستم مجموعه های فازی 1997 ، 89 ، 277-288. [ Google Scholar ] [ CrossRef ]
  59. گنز، آ. فلچر، سی. دان، آر. فریزر، ال. رونی، جی. دقت پیش‌بینی روش‌های نرخ تغییر خط ساحلی و تغییرات ساحلی در مائوئی، هاوایی. جی. ساحل. Res. 2007 ، 23 ، 87-105. [ Google Scholar ]
  60. Füssel, H.-M.; کلاین، RJ ارزیابی های آسیب پذیری تغییر آب و هوا: تکامل تفکر مفهومی. صعود چانگ. 2006 ، 75 ، 301-329. [ Google Scholar ] [ CrossRef ]
  61. Bejaoui، L. روابط توپولوژیکی کیفی برای اشیاء با اشکال احتمالاً مبهم: تطبیق در تعیین محدودیت یکپارچگی توپولوژیکی در پایگاه‌های داده فضایی معاملاتی و در انبارهای داده‌های فضایی. پایان نامه دکتری، دانشگاه لاوال، شهر کبک، QC، کانادا، 2009; پ. 246. [ Google Scholar ]
  62. آمار کانادا 2011 سرشماری. شماره کاتالوگ آمار کانادا 98-316-XWE. مشخصات سرشماری: Percé، کبک (کد 2402005) و کبک (کد 24). در دسترس آنلاین: http://archive.today/f9I7o (دسترسی در 10 ژوئن 2012).
  63. برناچز، پی. فریزر، سی. فریزنگر، اس. جولیوت، ی. دوگاس، اس. دریزا، س. Morissette, A. Sensibilité des Côtes et Vulnérabilité des Communautés du Golfe du Saint-Laurent aux Impacts des Changements Climatiques ; Laboratoire de Dynamique et de Gestion Intégrée des Zones Côtières, UQAR: Rimouski, Canada, 2008; پ. 256. [ Google Scholar ]
  64. برناچز، پی. فریزر، سی. Lefaivre, D. Effets des structures rigides de protection sur la dynamique des risques naturels côtiers: Érosion et submersion. در مجموعه مقالات چهارمین کنفرانس کانادایی در مورد خطر زمین: از علل تا مدیریت، دانشگاه لاوال، شهر کبک، QC، کانادا، 20-24 می 2008. Locat, J., Perret, D., Turmel, D., Demers, D., Leroueil, S., Eds. صص 594-604.
  65. تیلر، ای. زیچیچی، ج. ارگل، ع. Himmelstoss، A. سیستم تجزیه و تحلیل دیجیتال خط ساحلی (DSAS) نسخه 4.0 – یک برنامه افزودنی ArcGIS برای محاسبه تغییر خط ساحلی . گزارش پرونده باز سازمان زمین شناسی ایالات متحده 2008-1278; سازمان زمین شناسی ایالات متحده: وودز هول، MA، ایالات متحده آمریکا، 2009; پ. 33. [ Google Scholar ]
  66. Xhardé, R. Application des Techniques Aéroportées Vidéographiques et Lidar à L’étude des Risques Naturels en Milieu Côtier. پایان نامه دکتری، INRS، شهر کبک، QC، کانادا، 2007; پ. 283. [ Google Scholar ]

;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