نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

خلاصه

داده های جغرافیایی به تصمیم گیرندگان اطلاع می دهد. یک مدل اقتصادی که شامل کاربرد داده‌های علمی، فنی و اقتصادی مکانی و زمانی در تصمیم‌گیری است، تشریح می‌شود. ارزش اطلاعات (VOI) موجود در داده‌های مکانی، تفاوت بین مزایای خالص (بر حسب ارزش فعلی) یک تصمیم با و بدون اطلاعات است. طیف وسیعی از فناوری ها برای جمع آوری و توزیع داده های مکانی استفاده می شود. این فعالیت‌های فنی با مثال‌هایی مرتبط هستند که نشان می‌دهند چگونه داده‌ها را می‌توان در تصمیم‌گیری، که یک فعالیت فرهنگی است، به کار برد. مدل اقتصادی برای ارزیابی VOI در داده‌های مکانی برای تصمیم‌گیری به سه مثال اعمال می‌شود: (1) یک مدل گذشته‌نگر در مورد مقررات زیست‌محیطی مواد شیمیایی کشاورزی. (2) یک مدل آینده نگر در مورد تأثیر و کاهش زلزله در مناطق شهری. و (3) یک مدل آینده نگر در مورد توسعه اطلاعات جغرافیایی خصوصی-عمومی برای یک بازار خدمات اکوسیستم. هر مثال ارزش بالقوه اطلاعات مکانی را در یک تصمیم با اطلاعات نامشخص نشان می دهد.
کلید واژه ها: 

اطلاعات جغرافیایی ؛ اقتصاد ; اثرات اقتصادی ؛ دسترسی باز ؛ ارزش اطلاعات ؛ نوآوری تکنولوژیک ؛ مزایا و هزینه ها

 

1. معرفی

اطلاعات جغرافیایی نوعی زیرساخت برای تصمیم گیری است که بسیاری از فعالیت های اجتماعی را پشتیبانی می کند. هزینه ارائه اطلاعات برای اولین کاربر بیشتر است. هزینه انتشار اطلاعات به کاربران اضافی نسبتاً کم است. این برای اکثر کالاهای اطلاعاتی [ 1 ] صادق است و به عنوان مشترک عرضه نامیده می شود. این ویژگی نیاز به مطالعاتی را برای نشان دادن ارزش اطلاعات (VOI) یا مزایای اطلاعات ایجاد می کند. وقتی تجزیه و تحلیل بتواند نحوه استفاده از داده ها را در یک تصمیم توضیح دهد، مزایا به بهترین وجه نشان داده می شود.
بیشتر تحلیل‌های VOI هزینه‌های جمع‌آوری داده‌های مکانی و صرفه‌جویی در هزینه‌های بالقوه برای جامعه را در نظر می‌گیرند که ناشی از وجود (به جای عدم وجود) داده‌های مکانی است. این نوع تجزیه و تحلیل را می توان به عنوان برنامه های کاربردی صرفه جویی در هزینه نام برد. همچنین مزایای اجتماعی وجود دارد که می تواند از تصمیم گیری آگاهانه تر ناشی شود. تحلیل های اندازه گیری این نوع مزایا را می توان برنامه های نوآوری نامید . هر دو نوع برنامه را می‌توان با در دسترس بودن سیستماتیک داده‌های بایگانی و مکانی فعلی که از دسترسی باز به چارچوب‌های داده قابل تکرار و پیوسته ناشی می‌شود که هیچ‌کس را از مزایای استفاده از آن محروم نمی‌کند، دنبال کرد.
هم از برنامه های صرفه جویی در هزینه و هم برنامه های نوآوری برای مستندسازی ارزش استفاده مورد انتظار اطلاعات استفاده می شود. داده‌های عمومی مکانی و مکانی-زمانی در فعالیت‌های اقتصادی فعلی که دارای مزایای اقتصادی قابل توجهی مانند برنامه‌ریزی مسیر حمل‌ونقل و تسهیلات ارتباطی هستند، ادغام می‌شوند. مدل‌های اقتصادی برای برآورد مزایای داده‌های مکانی برای طیف گسترده‌ای از موضوعات در بخش‌های صنعتی مانند کشاورزی [ 2 ، 3 ، 4 ، 5 ]، استخراج منابع [ 6 ]، مخاطرات زیست‌محیطی [ 7 ]، مدیریت آتش‌سوزی [ 8 ] توسعه یافته‌اند. ] و کشتیرانی دریایی [ 9].
در اینجا ما بر برنامه های نوآوری تمرکز می کنیمبرای داده های مکانی این رویکرد توسط اطلاعات هدایت می شود که شامل بررسی داده های علمی، فنی و اقتصادی مکانی و زمانی است. مشاهدات به الگوهای مکانی-زمانی تبدیل می شوند که برای شناسایی و آزمایش فرضیه ها برای نحوه ادغام اطلاعات مکانی در تصمیم گیری ها استفاده می شود. سپس می توان از مدل های اقتصادی برای تخمین سود در رفاه اجتماعی استفاده کرد که حاصل تصمیم گیری های بهتر است که بر اساس اطلاعات اضافی در حضور عدم اطمینان است. دستاوردهای اجتماعی از اطلاعات اضافی به کاهش عدم اطمینان ارائه شده توسط اطلاعات اضافی و آنچه در تصمیم گیری در خطر است بستگی دارد. رویکرد اتخاذ شده در اینجا مبتنی بر مدل سازی صریح تغییر در اطلاعات تصمیم گیرنده و پیامدهای آن تغییر بر اهداف و محدودیت های تصمیم گیرنده است. اگرچه تصمیم گیرندگان اطلاعاتی در اختیار دارند، چارچوب تصمیم باید بتواند نحوه تغییر اطلاعات تصمیم گیرنده را در نتیجه کسب اطلاعات جدید برای به روز رسانی باورهای قبلی توصیف کند.به عنوان مثال ، یک ارزش استفاده. بنابراین، باور به روز شده یک تصمیم گیرنده بر تصمیم آنها و مزایای یک انتخاب تأثیر می گذارد.
در زیر سه برنامه کاربردی را توضیح می دهیم. هر مثال مراحل فرآیند تحلیلی را نشان می دهد. دو مورد از تحلیل‌ها از داده‌ها و اطلاعات مکانی در چارچوب‌های تصمیم‌گیری استفاده می‌کنند که نمونه‌هایی را برای نشان دادن پتانسیل بازگشت سرمایه در جمع‌آوری و توزیع داده‌های مکانی ارائه می‌دهند. سومین کاربرد، یک کاربرد بالقوه برای بازارهای خدمات اکوسیستمی است که می‌تواند تا حدی بر ادغام بخش عمومی/خصوصی در مقیاس‌های چندگانه از سنجش از دور و سایر داده‌های مکانی مبتنی باشد.
برنامه های کاربردی مثال در زمینه ارزش گذاری آرایه وسیع و مقدار داده های جغرافیایی مرتبط با دسترسی باز تنظیم شده اند. برای پایه اقتصادی، ما فرض می کنیم که اطلاعات مکانی یک نوآوری فنی است و نظریه اقتصاد خرد را در یک فرآیند استقرایی اعمال می کنیم [ 10 ]. رویکرد ما بررسی داده‌ها، شناسایی الگویی در داده‌ها، پیشنهاد و آزمایش یک فرضیه آزمایشی، و ایجاد یک تعمیم یا نظریه است. به عنوان مثال، رویکرد استقرایی در اقتصاد محاسباتی مبتنی بر عامل یافت می شود [ 11 ].
ارزش‌های پولی در کاربردهای خاص در رویکرد اقتصاد تجربی به عنوان مبنایی برای ارزش استفاده از اطلاعات ایجاد می‌شوند. روش دارای دو مرحله است. اولین مورد، توسعه یک مدل بین رشته‌ای از رفتار اقتصادی است که در آن کاربرد اطلاعات مکانی به عنوان پیامد مشاهدات مکانی-زمانی نشان داده می‌شود. مرحله دوم مقایسه سود خالص با و بدون اطلاعات مکانی برای تخمین VOI است. در این مقاله، ما فقط به برآورد ارزش اقتصادی داده‌های مکانی مورد استفاده برای تصمیم‌گیری می‌پردازیم.
داده‌های مکانی به روش‌های مختلفی جمع‌آوری و توزیع می‌شوند که همگی نیازمند سرمایه‌گذاری قابل توجهی در علم، فناوری، عملیات و مدیریت هستند. اطلاعات مکانی را می توان در حالت استقرایی برای بررسی مجموعه داده های بزرگ برای آشکار کردن روابط و وابستگی ها و انجام پیش بینی رفتارها و نتایج استفاده کرد [ 12 ]]. بقیه این مقاله زمینه را برای معرفی مدل هایی برای تخمین مزایای اقتصادی دسترسی آزاد به داده های عمومی و بازار در حال ظهور برای داده های خصوصی ایجاد می کند. بخش بعدی مقدمه ای کوتاه بر یک مدل اقتصادی برای ارزش گذاری اطلاعات مکانی به عنوان یک نوآوری تکنولوژیکی است. سه نمونه از این مدل پیروی می کنند. مثال 1 یک مدل گذشته نگر استقرایی در مورد مقررات زیست محیطی مواد شیمیایی کشاورزی است که بر منابع آب زیرزمینی قابل شرب تأثیر منفی می گذارد. این برنامه نشان می‌دهد که چگونه داده‌های مکانی می‌توانند اطلاعاتی را برای تصمیم‌گیری‌های خط‌مشی بهداشت منطقه‌ای فراهم کنند. مثال 2 یک مدل آینده نگر استقرایی در مورد تأثیر و کاهش زلزله و تأثیر توزیع درآمد منطقه ای است. یک زلزله شبیه سازی شده اطلاعات مکانی را برای درک فرآیندهای فیزیکی پویا و اثرات آنها بر گروه های درآمدی خاص در مناطق شهری فراهم می کند. مثال 3 در مورد توسعه اطلاعات مکانی خصوصی-عمومی به عنوان پایه و معیار تغییر در انتشار و آلودگی در رویکرد بازار اکوسیستم به عنوان راهی برای کمک به همسویی انگیزه های اقتصادی است. استفاده از اطلاعات مکانی هزینه های معاملات بازار را کاهش می دهد. بخش آخر خلاصه است.

2. برآورد اثرات اقتصادی فناوری جغرافیایی: مدلی از نوآوری فناورانه

بیشتر داده‌های مکانی عمومی ارائه شده (به ویژه داده‌های طبقه‌بندی نشده ایالات متحده) بدون هیچ گونه محدودیتی برای استفاده و توزیع قابل دسترسی هستند. ایجاد و توزیع داده ها یک فعالیت فنی است. دسترسی آزاد به داده های ارائه شده به صورت عمومی راهی را برای پیاده سازی مدل های یکپارچه معرفی می کند که می تواند برای تصمیم گیری های سیاستی، نظارتی و بازار استفاده شود. پیاده سازی مستلزم تبدیل داده های مکانی به اطلاعات است که سپس توسط تصمیم گیرندگان پذیرفته شده و بر اساس آن عمل می شود. تبدیل از داده به عمل یک فعالیت فرهنگی است [ 10]. ما با بررسی و تجزیه و تحلیل داده‌های موجود، مدلی از تغییرات اقتصادی را در نتیجه نوآوری‌های تکنولوژیکی پیشنهاد می‌کنیم. بررسی و تجزیه و تحلیل شامل نوعی از داده کاوی، استنتاج و پیش بینی یک الگوی فعالیت اقتصادی یا اجتماعی است. برای اینکه اطلاعات مکانی در فرآیندهای تصمیم گیری گنجانده شود، باید نشان داده شود که داده ها به تصمیم گرفته شده ارزش افزوده می دهند.
به طور رسمی، اطلاعات مکانی یک کالای اقتصادی میانی است که نقش مهمی در تصمیم گیری های خصوصی و عمومی دارد. یعنی مصرف کننده اطلاعات مکانی تقاضای مشتق شده برای داده ها دارد [ 7 ، 13 ]. اطلاعات مکانی یک ورودی اساسی برای کاهش عدم قطعیت در تصمیم گیری است. VOI داده های مکانی، ارزش افزوده اقتصادی ناشی از تصمیمات آگاهانه تر است که بر اساس افزایش تدریجی اطلاعات در حضور عدم قطعیت است. VOI به (الف) چیزی که در نتیجه یک تصمیم در خطر از دست رفتن است و (ب) کاهش مؤثر عدم اطمینان (های) تصمیم گیرندگان بستگی دارد.
داده‌های مکانی یک کالای خصوصی هستند وقتی اطلاعات خاصی در نظر گرفته شود که از تصمیمات شرکت و صنعت حمایت می‌کند. در زمینه نقشه‌ها، «ویژه» به اطلاعاتی اشاره دارد که محلی و باریک هستند [ 14 ]، (برای یک برنامه به [ 7 ] مراجعه کنید). با مشخص شدن اطلاعات، دامنه برنامه ها محدود می شود و تعداد کاربران واقعی و بالقوه اندک است. نظارت بر اقدامات کاهش آب زیرزمینی برای اسیدشویی در یک معدن زغال سنگ یک مثال خوب است. در گردآوری اطلاعات «ویژه» برای عملیات کارآمد تجاری، اغلب لازم است که اهداف خاص را تعیین و اولویت بندی کنیم.
داده‌های جغرافیایی زمانی یک کالای عمومی هستند که اطلاعات «عمومی» باشد و به اطلاعات جمع‌آوری‌شده در مقیاسی مرتبط با انواع تصمیمات منطقه‌ای اشاره دارد [ 7 ]]. اطلاعات عمومی جغرافیایی دو ویژگی دارد: (1) حذف هر کسی از مصرف کالا پس از تولید غیرممکن یا ناکارآمد است. یعنی اطلاعات در مصرف غیر انحصاری است. مصرف هر فرد از خروجی، مصرف دیگران را کاهش نمی دهد. (2) تولید اطلاعات با مشترک عرضه مشخص می شود. کارایی اقتصادی زمانی حاصل می شود که هزینه تولید برابر با ارزش بازار کالا برای آخرین واحد تولید شده باشد. اگر هزینه نهایی صفر باشد (همه هزینه‌ها ثابت هستند و متحمل می‌شوند چه 1 واحد یا 100 واحد تولید شود)، کارایی اقتصادی حکم می‌کند که کالا با قیمت 0 فروخته شود، یعنی به‌طور رایگان در دسترس قرار گیرد [ 7 ]]. به طور کلی، این اطلاعات می تواند بر تصمیمات مربوط به اکتشاف معدنی، انتخاب مکان مخزن زباله، تعیین مکان های تفریحی و حفاظتی، ایجاد مناطق حفاظت شده زیست محیطی، ساخت و سازهای مسکونی و تجاری و بسیاری موارد دیگر اطلاع رسانی و/یا تاثیر بگذارد (اگرچه بیشتر داده های مکانی داده های عمومی در ایالات متحده هستند. ، ممکن است در جای دیگر اینطور نباشد.). با توجه به سرعت پایین فروپاشی سودمندی آن، چنین اطلاعاتی طول عمر طولانی دارد و هزینه‌های تراکم وجود ندارد (استفاده یک فرد از اطلاعات ارزش آن را به دیگری کاهش نمی‌دهد). شرایط خاصی وجود دارد که در آن فضاهای جغرافیایی ممکن است به سرعت از بین بروند، مانند مکان های پناهگاه ها پس از یک فاجعه خاص. با این حال، حتی در این مثال، یک آرشیو فضایی از اقدامات قبلی می تواند برای جلوگیری از اشتباهات در بازیابی بلایا در خطرات آینده استفاده شود.
یک مدل اقتصادی استقرایی برای شناسایی و توسعه برنامه های کاربردی خاص برای تجزیه و تحلیل منافع اقتصادی استفاده می شود. روش استقرایی یک روش تجربی تحلیل اقتصادی است که در آن ویژگی های آماری داده ها به عنوان مبنایی برای تعمیم ها عمل می کند [ 15 ].]. رویکرد استقرایی را می توان برای تأیید نتایج نظریه اقتصادی که با روش قیاسی فرموله شده است، به کار برد. از آنجا که رویه‌های استقرایی اساساً با ابزارهای آماری کار می‌کنند، پتانسیل دستیابی به نتایج نزدیک‌تر به واقعیت وجود دارد و با افزایش حجم نمونه و نمایش آماری خوبی از داده‌ها، دقت نتیجه بهبود می‌یابد. در مثال‌های زیر، اطلاعات مکانی تعمیم داده شده است و مواردی در مورد مزایای اقتصادی سرمایه‌گذاری در یک سری از نوآوری‌های تکنولوژیکی که بهره‌وری جامعه را افزایش می‌دهند، ساخته شده است. به عنوان محصول نوآوری، مشاهدات جغرافیایی و تحلیل‌های در حال استفاده، دیدگاه‌هایی از فعالیت‌هایی هستند که کالاها و خدمات را در یک مکان و زمان در یک منطقه برای بازار تولید می‌کنند.
هنگامی که یک اقتصاد به طور کارآمد عمل می کند، تولید برای مجموعه معینی از نهاده ها حداکثر است. هرگونه تغییر در خروجی های منطقه با توجه به مقدار ثابت منابع، مبادله تولید است. منحنی مرز امکان تولید منطقه ای (PPF) حداکثر سطح تولید ممکن یک کالا را برای هر سطح تولید معینی از کالای دیگر، با توجه به وضعیت فناوری نشان می دهد. در برآورد ارزش دلاری اطلاعات مکانی، فرض می شود که بازار رقابتی است. از آنجایی که الزامات یک اقتصاد رقابتی کارآمد به دست آمده است، خروجی مشترک اقتصاد برای یک سناریوی تولید، یک نقطه در مرز امکان تولید (PPF) در شکل 1 است [ 2 ]. شکل 1یکی از کاربردهای این رویکرد را نشان می‌دهد که برای ارزیابی تخمین‌های مختلف از نتایج کارآمد تولید مشترک یک فعالیت اقتصادی (تولید محصول) و تأثیر آن بر خدمات اکوسیستمی (آب‌های زیرزمینی قابل شرب) استفاده شده است. خروجی های مختلف برای کالاها را می توان در امتداد یک PPF برای مجموعه ای از سیاست ها ترسیم کرد. داده‌های مکانی یک نوآوری فن‌آوری هستند که وقتی برای تخصیص کاربری فعلی زمین اعمال می‌شوند، یک تغییر به بیرون در PPF از PPF 0 به PPF 1 ایجاد می‌کنند. نتیجه این است که جامعه می تواند ترکیب ارزشمندتری از تولید اقتصادی و پایداری خدمات اکوسیستمی داشته باشد. ارزش اقتصادی اطلاعات مکانی از تغییر به بیرون در PPF در شکل 1 به دست آمده است.
Ijgi 04 01142 g001 1024
شکل 1. منحنی امکان تولید برای یک نوآوری تکنولوژیکی در داده های مکانی (منبع: [ 2 ]).
سه نمونه از مدل استقرایی در زیر ارائه شده است. مثال اول یک مدل گذشته نگر در مورد مقررات زیست محیطی است که شامل یک مدل بین رشته ای از رفتار اقتصادی و برآورد VOI (مزایای خالص) است. مثال دوم یک مدل آینده نگر از یک حکم محلی مبتنی بر علم برای کاهش یک بلای طبیعی است. مرحله اول اعمال مدل استقرایی به پایان رسیده است. مثال سوم در مرحله امتحان است. یک مدل اقتصادی برای مرحله اول مدل استقرایی پیشنهاد شده است. رویکرد استقرایی مجموعه‌ای از مراحل را دنبال می‌کند که مبنایی برای برآورد سود خالص سرمایه‌گذاری در فناوری است:

(1)
تصمیم بگیرید که مزایا و هزینه‌های چه کسی به حساب می‌آید و داده‌ها و اطلاعات جغرافیایی مرتبط را شناسایی کنید.
(2)
تعیین اثرات بالقوه و انتخاب شاخص های اندازه گیری.
(3)
پیش بینی اثرات کمی پروژه؛
(4)
برای تخمین ارزش فعلی خالص مزایای پروژه، از همه تأثیرات با نرخ تنزیل درآمدزایی کنید.
(5)
مزایای خالص را برآورد کنید و تجزیه و تحلیل حساسیت را انجام دهید.

3. مثال 1. یک مدل گذشته‌نگر استقرایی – مقررات زیست‌محیطی مواد شیمیایی کشاورزی: ​​داده‌های مکانی اطلاعاتی را برای تصمیم‌گیری‌های سیاست‌های زیست‌محیطی و بهداشتی منطقه‌ای فراهم می‌کنند.

این مثال یک مدل گذشته نگر برای تخمین مزایای تصاویر زمین با وضوح متوسط ​​(MRLI) به عنوان داده های مکانی دسترسی باز است. MRLI داده های فضایی با وضوح پیکسلی بین 30 تا 250 متر است. داده های کاربری زمین و پوشش زمین برای زمین از دهه 1970 به طور مرتب به روز شده است. در اینجا MRLI با ارائه سیگنال کاربری فضایی-زمانی زمین/پوشش زمین (LULC) که می‌تواند به فعالیت‌های زمینی، مدیریت زمین و تأثیرات آنها بر اکوسیستم‌های انسانی و طبیعی مرتبط شود، منافعی را برای جامعه به ارمغان می‌آورد [ 16 ].]. مزیت اجتماعی اطلاعات MRLI افزایش کارایی در مقررات دولتی است. صرفه جویی در هزینه از اجتناب از اشتباهات پرهزینه در اجرای مقررات مربوط به آلودگی آب های زیرزمینی برای انطباق با قانون آب پاک ایالات متحده ناشی می شود. نمونه هایی از تصمیمات عبارتند از: بستن چاه آب آشامیدنی به دلیل اینکه از حد مجاز کیفیت آب آشامیدنی فراتر رفته است، انتقال چاه به چاه برای تامین آبیاری به جای آب آشامیدنی، یا اینکه تنظیم کننده ها سطوح بالای نیترات را از دست بدهند ( NO 3-) تمرکز در یک چاه بنابراین منجر به اثرات نامطلوب بهداشتی پرهزینه می شود. حسگرهای MRLI و آرشیو داده‌های آن‌ها اطلاعاتی را با نرخ خطای مشتق‌شده در تشخیص کاربری اراضی مزرعه ارائه می‌کنند که می‌تواند به عنوان ورودی برای تخمین احتمالی تغییر نامطلوب در کیفیت آب استفاده شود. این مثال نشان می دهد که چگونه MRLI یک حسابداری تجمعی از محصولاتی را ارائه می دهد که تأثیرات متفاوتی بر کیفیت آب زیرزمینی دارند. ترکیب MRLI و یک مدل آسیب‌پذیری آب زیرزمینی برای پیش‌بینی سطوح بحرانی غلظت NO 3- در یک آبخوان در طول زمان استفاده می‌شود . این داده‌ها می‌توانند تصمیمات مربوط به تنظیم استفاده از زمین را برای کاهش اتلاف بالقوه آب آشامیدنی با اعمال محدودیت‌هایی بر شیوه‌های کشاورز که ممکن است تولید آنها را کاهش دهد، تعیین کنند.
کاربرد مقررات زیست محیطی مستلزم تبدیل مشاهدات زمین به ورودی برای تصمیم گیری برای تنظیم استفاده از یک ماده مغذی برای محصولاتی است که به طور بالقوه می تواند منابع آب زیرزمینی منطقه را آلوده کند [ 2 ]. مسئله VOI این است که آیا تصمیمات برای کشاورزان فردی و تنظیم‌کننده‌ها با اطلاعات MRLI فضایی-زمانی بهتر است [ 16 ]. خط مبنا در این مثال برای کشاورز و تنظیم کننده است که به سوابق جاری و تاریخی چاه های آب زیرزمینی و بازرسی داده های موقت و متغیر استفاده از زمین های کشاورزی تکیه کنند.

3.1. زمینه

اطلاعات مکانی برای شناسایی مکان‌هایی در یک دوره 10 ساله استفاده شد که ممکن است تولید کشاورزی به کود نیتروژن نیاز داشته باشد که می‌تواند آب‌های زیرزمینی را آلوده کند. استاندارد بهداشت USEPA بیان می کند که نیترات در آب آشامیدنی نمی تواند بیش از 10.0 میلی گرم در لیتر باشد. فراتر از حد استاندارد با انواع مختلف سرطان، اختلال در عملکرد تیروئید، نقایص مادرزادی، متهموگلوبینمی («سندرم نوزاد آبی») و فشار خون بالا مرتبط است. سایر اثرات نامطلوب سلامتی از جمله سقط جنین و خطرات سرطان در جمعیت هایی با آب آشامیدنی با سطوح نیترات بالاتر از 2.46 میلی گرم در لیتر مشاهده شد.
اطلاعات کاربری اراضی آرشیوی موجود در لایه داده زراعی USDA (CDL) به یک مدل آسیب پذیری آب های زیرزمینی منطقه ای مرتبط بود [ 2 ]. CDL بر اساس MRLI تخمین های تولید ذرت و سویا را برای سال های 2001-2010 ارائه کرد. اطلاعات مکانی با مدل‌های فرآیند علم زمین همراه شد تا به تصمیم‌گیری در مورد کاربری‌های زمین و تأثیرات آن بر منابع آب زیرزمینی کمک کند. به عنوان مثال 80 درصد آب آشامیدنی آیووا از آب های زیرزمینی است.
Ijgi 04 01142 g002 1024
شکل 2. ( الف ) تصویر لندست که منطقه مورد مطالعه 35 شهرستان در آیووا را پوشش می‌دهد، ( ب ) تصویر لندست از بسته‌ها، ( ج ) تصویر داده‌های سانسور شده خودسرانه در مدل بقای آماری، ( د ) نقشه منطقه‌ای چاه‌ها و مناطق جذب، و ( E ) نمودار تجمع نیترات در طول زمان برای فراتر رفتن از استاندارد نظارتی (منبع: [ 2 ]).
این مطالعه در منطقه ای انجام شد که 5.4 میلیون هکتار در 35 شهرستان آیووا نشان داده شده است که در شکل 2 A نشان داده شده است، جایی که ذرت (متوسط ​​مصرف 114.2 پوند در هکتار نیتروژن) و سویا (متوسط ​​مصرف 3 پوند در هکتار نیتروژن) عمده ترین آنها هستند. محصولات زراعی. مدل یکپارچه 603 حوضه (زیر حوضه) را با میانه 7910 واحد پاسخ هیدرولوژیکی (HRU) پوشش داد. HRU ها مناطقی در حوضه های آبخیز منطقه هستند که به طور مشابه به ورودی داده شده پاسخ می دهند و شامل 32000 چاه از عمق کمی زیر سطح تا 1220 متر است. شکل 2B تصویر دقیق تری از MRLI است که پوشش زمین و کاربری زمین را در یک منطقه خاص در منطقه نشان می دهد. با ده سال مشاهدات بر روی همان قلمرو، می توان نرخ کاربردهای شیمیایی کشاورزی را برای تخمین تحرک نیتروژن در خاک شناسایی کرد. نمودار در شکل 2 C تغییر قابل توجهی در سرنوشت و انتقال مواد شیمیایی کشاورزی بین سطح زمین و سفره های اولیه مورد استفاده برای آب آشامیدنی را نشان می دهد. آلودگی آب‌های زیرزمینی با سرعت‌ها و زمان‌های مختلف در سراسر منطقه اتفاق می‌افتد. نقشه منطقه ای در شکل 2 D، توزیع چاه های آب در منطقه مورد مطالعه و یک منطقه برداشت چاه (CZ) را برای محاسبه بارگذاری سالانه نیترات نشان می دهد.
هر چاه تولید آب دارای سطحی است که به عنوان منطقه حفاظتی سر چاه در نظر گرفته می شود که منطقه جذب زمان سفر را برای چاه در طول زمان مشخص می کند [ 17 ]. CZ های منفرد در اطراف چاه های خاص به سرنوشت و پویایی انتقال نیترات مشاهده شده در چاه ها کمک می کنند [ 2 ]. با استفاده از CZs مشخص شده و مشاهدات MRLI، ​​منطقه تحت کاربری های مختلف در CZs چاه ها برای تعیین کمیت میزان نیترات های کمک کننده به آلودگی آب های زیرزمینی استفاده می شود. CZ برای چاه های خاص در نقشه درج در شکل 2D CZ ها را برای یک چاه خاص و مکان سالانه آنها را در یک دوره 10 ساله نشان می دهد. در طول دوره تجزیه و تحلیل، تجمعی از آلودگی نیترات وجود دارد که از طریق سیستم هیدروژئولوژیک حرکت کرده و در طول زمان در یک چاه مشخص برای CZ آن مشاهده شده است. غلظت NO 3- در یک چاه ممکن است در طول زمان به دلیل افزایش نسبت منطقه “تسخیر” آن که ممکن است به کشاورزی اختصاص داده شود یا به دلیل افزایش کشت ذرت در مقابل سویا در طول زمان افزایش یابد. همچنین ممکن است در طول زمان به دلیل کاهش تدریجی ظرفیت کاهش NO 3- در طول مسیرهای جریان هیدرولوژیکی مربوطه افزایش یابد. این حرکت به عنوان یک معادله تفاوت که به عنوان شاخص تجمعی نیترات (CNI) شناخته می‌شود، مدل‌سازی می‌شود.18 ، 19 ]. CNI از سطح نیترات اندازه‌گیری شده در دوره‌های زمانی فعلی و قبلی و افزودن نیترات به استخر یا مقدار موجود در سال معین از کود نیتروژنی اعمال شده در دوره زمانی تعریف‌شده استفاده می‌کند. معادله تفاوت تغییر سالانه یا دینامیک غلظت نیترات را در دوره زمانی معین تخمین می زند. نمودار شکل 2 E تصویری از نیترات های انباشته شده در طول زمان است.
بقای چاه آب آشامیدنی به عنوان غلظت نیترات آب زیرزمینی در حد حداکثر سطح آلودگی (NO 3 – < MCL) و شکست در صورت تجاوز (NO 3 – > MCL) تعریف می شود. نمونه‌های آب زیرزمینی جمع‌آوری‌شده و تجزیه و تحلیل شیمیایی نمونه‌ها نشان می‌دهد که چاه یک چاه زنده یا یک چاه شکست خورده است، بنابراین بازه‌های زمانی که در آن شکست رخ می‌دهد جدا می‌شود، همانطور که توسط خطوط جامد نشان داده شده است [ 2 ]]. الگویی که از داده‌های مربوط به شکست چاه‌ها، زمین‌شناسی سطحی، عمق و سایر متغیرهای فیزیکی به دست آمد در یک مدل رگرسیون آماری وارد شد و سپس در یک مدل بقای آماری استفاده شد. این آخرین مرحله پشتیبانی و مزایای مشاهدات زمین را در تبدیل مجموعه داده‌های به ظاهر نامرتبط به اندازه‌گیری خطر سلامت محیطی نشان می‌دهد.

3.2. تحلیل و بررسی

رویکرد مدل‌سازی یکپارچه تولیدکنندگان کشاورزی و تنظیم‌کننده‌های محیطی را در فرآیندهای تصمیم‌گیری ترکیب می‌کند، در حالی که از اطلاعات بازارها و سیستم‌های طبیعی برای کمک به هدف استفاده می‌کند [ 13 ]. مبادله بین اولویت‌های توسعه و حفظ، در مدل مرکزی است. برای توضیح اینکه با و بدون MRLI چه اتفاقی می‌افتد ، می‌توان با استفاده از شکل 1 ، مبادلات را نشان داد. نقاط A و B در PPF 0 دو تخصیص کارآمد زمین مربوط به دو سطح مختلف تولید محصول و بقای چاه های آب زیرزمینی قابل شرب را نشان می دهد (نگاه کنید به [ 2 ]] برای جزئیات بیشتر در مورد مدل اقتصادی). نقطه A یک اقتصاد منطقه ای را نشان می دهد که دارای سطح بالایی از تولید محصول و بقای پایین آب های زیرزمینی قابل شرب است. نقطه A با توجه به سطح خاصی از آب زیرزمینی قابل شرب، تولید محصول را به حداکثر می رساند. نقطه A می تواند الگوهای کشت فعلی و تاریخی از CDL باشد. از طرف دیگر، نقطه B نشان‌دهنده یک اقتصاد منطقه‌ای است که خطر از دست دادن آب زیرزمینی قابل شرب را برای سطح پایین‌تری از تولید محصول کاهش می‌دهد. نقاط A و B راه حل های بهینه جایگزین برای تخصیص زمین منطقه ای بدون MRLI هستند. نقطه C در PPF 1تخصیص منطقه ای زمین با MRLI (Landsat) را با بهره گیری از پیشرفت های تکنولوژیکی در رصد زمین بهبود می بخشد. نقطه C تخصیص مجدد کاربری زمین بر اساس بررسی داده‌های MRLI و ترجمه داده‌ها به طبقه‌بندی کاربری زمین است که به مدل‌های آسیب‌پذیری آب‌های زیرزمینی مرتبط است. طبقه بندی بهبود یافته امکان شناسایی مکان های بهتر برای کاربری های خاص را فراهم می کند (البته تلاش برای استفاده واقعی از اطلاعات برای تغییر کاربری زمین می تواند از نظر سیاسی مشکل ساز باشد). اطلاعات اضافی ممکن است به مقررات اجازه دهد تا هدف گذاری بهتری داشته باشند به طوری که تولید محصول را می توان افزایش داد در حالی که مقدار آب آشامیدنی ثابت باقی می ماند (در نقطه C در PPF 1 در شکل 1).در نتیجه ارزش اقتصادی داده های MRLI را درک می کنیم.
ارزش اقتصادی تغییر در مقادیر تولید شده برای هر محصول (ذرت یا سویا) مبنایی برای استفاده از برآورد مزایای MRLI است. ارزش تنزیل شده فعلی برای محدوده سال های مورد تجزیه و تحلیل با جمع مقادیر ذرت و سویا تولید شده در هر واحد زمین در یک سری زمانی و ضرب در قیمت های واقعی تخفیف خورده که در طول دوره تجزیه و تحلیل غالب بود، محاسبه می شود. اگر از محدودیت های محیطی فراتر رود، انتخاب های کاشت در مکان و زمان در سراسر منطقه مورد مطالعه حذف می شوند. در میان آن دسته از گزینه هایی که حذف نشده اند، این مدل برای شناسایی انتخاب های کشت استفاده می شود تا زمانی که حداکثر ارزش اقتصادی شناسایی و سالانه شود [ 2 ].]. ارزش تنزیل شده فعلی تفاوت بین بهینه (با MRLI و داده‌های مدل‌سازی مرتبط) و خط پایه (بدون داده‌های MRLI) قیمت هر محصول ضربدر تغییر در مقدار محصول است. VOI به عنوان درآمد سالانه معادل بیان می شود. با فرض یک جریان مشابه از منافع در آینده به دلیل تداوم در دسترس بودن MRLI، ​​برای این منطقه ارزش فعلی خالص است.
چارچوب مفهومی در شکل 3 مدل تصمیم گیری علم طبیعی-اقتصاد و روش برای تخمین VOI [ 16 ] را ترسیم می کند.]. در این چارچوب، هدف کشاورز به حداکثر رساندن سود مشروط به مقررات زیست‌محیطی و ویژگی‌های زمین و هدف تنظیم‌کننده حداکثر رساندن کل درآمد مشروط به خطرات زیست‌محیطی است که از استانداردهای بهداشتی موجود فراتر نرود. اطلاعات مکانی به یک مدل احتمالی آسیب پذیری آب های زیرزمینی وارد شد. اطلاعات آماری مکانی-زمانی برای انتقال انباشت نیترات وابسته به زمان در چاه‌های آب استفاده شد. همراه با ویژگی های زمین و زمین شناسی، این مدل برای تخمین مدت زمانی که آب چاه برای 10 سال آینده (2011-2020) کمتر از استاندارد بهداشتی باقی می ماند و به مردم خدمت می کند، استفاده شد. احتمال بقا برای هر HRU برای 2011-2020 در یک تصمیم نظارتی برای ارزیابی اثرات مختلف استفاده از زمین کشاورزی فشرده و گسترده اعمال شد. کشاورزی فشرده از کشاورزی گسترده با نهاده های دگرگون کننده بالاتر (مانند سرمایه، نیروی کار، مواد شیمیایی کشاورزی) نسبت به زمین های کشاورزی متمایز می شود. کشاورزی گسترده عملکرد کمتری را در هر واحد زمین تولید می‌کند و بنابراین عموماً برای سودآوری به مقادیر زیادی زمین نیاز دارد.20 ]) با حفظ کیفیت آب زیرزمینی در آینده. برای مدل، سه فرض زیر مطرح شد: (1) استفاده از زمین در کشاورزی در طول دوره تجزیه و تحلیل وجود داشته و خواهد ماند، (2) استاندارد نیترات 10 میلی گرم در لیتر برای آینده قابل پیش بینی باقی خواهد ماند و، 3) مصرف کنندگان و تولیدکنندگان انتظار دارند که آینده به طور منطقی با گذشته در اقتصاد منطقه سازگار باشد.
مدل آماری یک مدل خطرات متناسب بود که برای تخمین احتمال بقای چاه استفاده شد. تخمین به تعداد سال‌هایی بستگی دارد که از هر نقطه‌ای در زمانی که یک چاه در شرایط “بقا” است، می‌گذرد. نقشه شکل 4 توزیع بقای آب های زیرزمینی در منطقه مورد مطالعه و احتمال بقای سه چاه خاص را نشان می دهد. از مدل احتمالی برای تصمیم گیری در مورد ادامه استفاده از چاه برای آب آشامیدنی استفاده می شود. در مثال، شرط شکست چاه، احتمال 0.01 بیشتر از MCL برای نیترات در هر یک از چاه‌های منطقه است. بارگذاری و حمل و نقل نیتروژن پویا در فواصل مشخص از سایت های خاص (چاه) و در مقیاس چشم انداز برای 35 شهرستان آیووا و دو آبخوان شبیه سازی شد.
Ijgi 04 01142 g003 1024
شکل 3. چارچوب مفهومی برای انتخاب تولیدکننده و تنظیم کننده برای تخمین مزایای پولی تصاویر زمین با وضوح متوسط ​​(MRLI) (منبع: [ 16 ])
Ijgi 04 01142 g004 1024
شکل 4. نقشه شکست آب های زیرزمینی و احتمال بقای زیرحوضه برآورد شده. نمودار احتمال بقای 3 چاه را تکرار می کند، که بستگی به تعداد سال های سپری شده زمانی دارد که یک چاه زیر آستانه نظارتی زنده بماند (منبع: [ 2 ]).

3.3. نتایج

در این تحلیل گذشته‌نگر، MRLI به تصمیم‌گیری به عنوان تجدیدنظر در استفاده از زمین منطقه‌ای با تخصیص مجدد محصولات به قطعات با تغییر توزیع ذرت / سویا در فضا و زمان کمک می‌کند که ارزش تولید کشاورزی را به حداکثر می‌رساند و منابع آب زیرزمینی قابل شرب را حفظ می‌کند. تأثیر اطلاعات مکانی برای مدیریت تولید ذرت و سویا و تأثیر آنها بر کیفیت آب های زیرزمینی قابل توجه است. شکل 5تغییر سالانه ارزش دو محصول را پس از بازآرایی کاربری زمین برای جلوگیری از هر گونه آلودگی بیشتر آب زیرزمینی نشان می دهد. تفاوت در ارزش های اقتصادی در طول 10 سال مطالعه به دلیل مقادیر برداشت شده و قیمت نسبی ذرت و سویا است. ارزیابی نتایج مدل برای دوره 10 ساله تجزیه و تحلیل از 2011-2020 نشان داد که برخی از چاه های آب زیرزمینی توسط آلودگی نیترات تهدید می شوند و ممکن است در حفظ کیفیت آب آشامیدنی شکست بخورند. مکان‌های دیگر جایی هستند که توپوگرافی، خاک، ویژگی‌های چاه (مانند عمق و عملیات)، و زمین‌شناسی سطحی احتمال کمتری دارد که آلاینده را به منبع آب منتقل کند.
Ijgi 04 01142 g005 1024
شکل 5. نمودار میله ای جریان سالانه منافع اقتصادی (2001-2010) را با و بدون در دسترس بودن MRLI برای منطقه 35 شهرستانی شمال شرقی آیووا نشان می دهد (منبع: [ 21 ]).
VOI به عنوان (1) جریان سود اقتصادی افزایش خالص تولید کشاورزی در سراسر یک منطقه بدون قربانی کردن منابع آب زیرزمینی و (2) اینکه چگونه تولید کشاورزی و اثرات زیست محیطی آن ممکن است با یا بدون در دسترس بودن MRLI تغییر کند، برآورد می‌شود. برای 35 شهرستان در شمال شرقی آیووا، VOI برآورد شده برای MRLI سالانه 858 میلیون دلار ± 197 میلیون دلار در سال (در 2010 دلار) است و دارای ارزش فعلی 38.1 میلیارد دلار ± 8.8 میلیارد دلار برای جریان مزایا در آینده قابل پیش بینی است [ 2 ].]. این تخمین‌ها فرض می‌کنند که تمام قطعات زمین بدون هزینه‌های مبادله یا محدودیت‌های نظارتی مجدداً واگذار می‌شوند. تحلیل سیاست کامل فراتر از محدوده مطالعه بود. در عوض، ابزارهایی برای محاسبه بالاترین مقدار ممکن با استفاده از اطلاعات MRLI توسعه یافتند. این شامل یک انتزاع در مورد سیاست هایی است که به طور واقع بینانه می تواند برای دستیابی به افزایش احتمالی ارزش استفاده شود. برآوردهای محافظه کارانه تر شامل قضاوت های مربوط به سیاست و ارزش مالی است. نرخ محافظه کارانه (واقع بینانه تر) تغییر کاربری زمین که منجر به بهبود 1% در تخصیص زمین می شود، VOI تخمینی برای MRLI سالانه 43 میلیون دلار در سال (در 2010 دلار) دارد و دارای ارزش فعلی خالص 1.91 میلیارد دلار برای 35 شهرستان است. در آیووا بنابراین، نتایج را می توان به سمت پایین تنظیم کرد تا منعکس کننده سیاست های خاص باشد.

3.4. خلاصه

در مثال، MRLI جمعیت کامل کاربری‌های زمین را ارائه می‌کند، در حالی که تکنیک‌های سنتی ممکن است کمتر از زیرمجموعه‌ای از کاربری‌ها نمونه‌برداری کنند و در نتیجه اطلاعات کمتری را ارائه دهند. MRLI تجزیه و تحلیل مکانی و زمانی تأثیر نیترات ها بر منابع آب زیرزمینی را تسهیل می کند. آرشیو اطلاعات مکانی بسیار مهم است زیرا آلودگی آب های زیرزمینی از منابع غیرنقطه ای در یک دوره زمانی انباشته می شود. بایگانی داده‌ها را برای شناسایی الگوی زمین طبقه‌بندی شده به محصولات خاص در لایه داده زراعی USDA و پیوندی به نمونه‌هایی از سطوح نیترات که سال‌ها بعد در چاه‌های آب یافت شد، ارائه کرد. این اطلاعات به یک مدل بقای آماری برای تخمین احتمال وابسته به زمان فراتر رفتن از یک استاندارد بهداشتی وارد شد. در مثال، سود اقتصادی داده‌های مکانی از اطلاع رسانی مدیریت محصولات ذرت و سویا و تأثیر آن بر خاک و آب‌های زیرزمینی ناشی می‌شود. ارزش ارائه شده توسط MRLI را می توان با سود افزایشی افزایش درآمد از زمین با استفاده از MRLI بدون وخامت بیشتر کیفیت آب زیرزمینی تخمین زد. تمرکز تجزیه و تحلیل بر استفاده از اطلاعات بهبود یافته (از MRLI) برای تخمین تولید مشترک کالاهای کشاورزی و اثرات زیست محیطی بود. این اطلاعات قابلیت نظارت بر تمام تولیدات کشاورزی در سطح پاکت را با دقت بالا فراهم می کند (متوسط ​​دقت بیش از 95 درصد برای سال های 2000-2010؛ جدول 2، ص 24 را ببینید. ارزش ارائه شده توسط MRLI را می توان با سود افزایشی افزایش درآمد از زمین با استفاده از MRLI بدون وخامت بیشتر کیفیت آب زیرزمینی تخمین زد. تمرکز تجزیه و تحلیل بر استفاده از اطلاعات بهبود یافته (از MRLI) برای تخمین تولید مشترک کالاهای کشاورزی و اثرات زیست محیطی بود. این اطلاعات قابلیت نظارت بر تمام تولیدات کشاورزی در سطح پاکت را با دقت بالا فراهم می کند (متوسط ​​دقت بیش از 95 درصد برای سال های 2000-2010؛ جدول 2، ص 24 را ببینید. ارزش ارائه شده توسط MRLI را می توان با سود افزایشی افزایش درآمد از زمین با استفاده از MRLI بدون وخامت بیشتر کیفیت آب زیرزمینی تخمین زد. تمرکز تجزیه و تحلیل بر استفاده از اطلاعات بهبود یافته (از MRLI) برای تخمین تولید مشترک کالاهای کشاورزی و اثرات زیست محیطی بود. این اطلاعات قابلیت نظارت بر تمام تولیدات کشاورزی در سطح پاکت را با دقت بالا فراهم می کند (متوسط ​​دقت بیش از 95 درصد برای سال های 2000-2010؛ جدول 2، ص 24 را ببینید.2 ]) در حالی که محدودیت های ناشی از سطح آب آشامیدنی EPA ایالات متحده برای نیترات حفظ می شود.

4. مثال 2. یک مدل آینده نگر القایی – یک کاربرد برای کاهش خطرات زلزله و توزیع درآمد: اطلاعات جغرافیایی ورودی برای تمرکز خطر مسکن زلزله در یک سناریوی خطر برای یک سناریوی خطر فراهم می کند.

این مثال یک مدل آینده‌نگر برای ارزیابی مزایای اقتصادی اطلاعات مکانی در یک سناریوی خطر طبیعی برای ارزیابی سیاست‌ها و برنامه‌ریزی کاهش مسکن است. در سال 2008 سازمان زمین شناسی ایالات متحده (USGS) سناریوی خطر ShakeOut را برای یک زلزله بزرگ و تأثیرات آن در جنوب کالیفرنیا منتشر کرد [ 22 ]]. منطقه مورد مطالعه کالیفرنیای جنوبی شامل شهرستان های امپریال، کرن، لس آنجلس، اورنج، ریورساید، سن برناردینو، سن دیگو و ونتورا بود. سناریوی خطر منطقه‌ای یک شبیه‌سازی «آخرین» از یک زلزله احتمالی 7.8 ریشتری در امتداد جنوبی‌ترین بخش گسل سن آندریاس در کالیفرنیا ارائه کرد. سناریوی خطر، کاربرد اطلاعات تحقیقات زلزله در دسترس از جمله: حفر سنگر و شواهد زمین لرزه های ماقبل تاریخ، ضبط ابزاری زمین لرزه های بزرگ، و آخرین نظریه در فیزیک منبع زلزله [ 22 ] بود. سناریوی USGS ShakeOut، اگرچه یک فاجعه واقعی نیست، اما نتایجی داشت که با نتایج مسکن در رویدادهای قبلی مطابقت داشت [ 23 ]]. تجزیه و تحلیل VOI به دنبال تعیین میزان کاهش خسارات ناشی از زلزله در صورت در نظر گرفتن قوانین محلی اطلاعات مکانی دقیق است، مانند آنچه که از شبیه سازی یک فاجعه بالقوه زلزله حاصل می شود. خط مبنا در این مثال تکیه بر برآوردهای خسارت گذشته ناشی از زلزله یا سایر رویدادهای خطرناک و شبیه‌سازی‌های خرابی ساختمان خاص است که از زلزله‌های فرضی به دست می‌آید.

4.1. زمینه

مطالعات زمین‌لرزه‌های لوما پریتا و نورتریج کالیفرنیا و طوفان کاترینا نشان می‌دهد که بازیابی مسکن به موارد زیر بستگی دارد: تمرکز جغرافیایی آسیب‌های مسکن (که به توزیع انواع مختلف سازه‌های مسکن، یعنی تک‌خانواده ، چند خانواده و متحرک بستگی دارد. خانه ها)، و وضعیت اجتماعی-اقتصادی مردم در مناطق آسیب دیده [ 23 ].
دانشمندان علوم طبیعی سناریوهای خطر را برای ذینفعان و مقامات اضطراری ایجاد می کنند تا تأثیرات یک نتیجه فاجعه خاص را ارزیابی کنند. در مقابل، دانشمندان علوم اجتماعی می‌توانند از اطلاعات مکانی برای شناسایی و هشدار تصمیم‌گیرندگان در مورد تأثیرات اجتماعی و اقتصادی فاجعه استفاده کنند. علاوه بر این، دانشمندان علوم اجتماعی دریافته‌اند که از دست دادن مسکن و بهبودی به طور نامتناسبی بر افراد دارای وضعیت اقتصادی-اجتماعی پایین‌تر تأثیر می‌گذارد. برای مثال، تلفات ساختمان های مسکونی در سناریوی USGS ShakeOut بالغ بر 16.7 میلیارد دلار برای هشت شهرستان در جنوب کالیفرنیا بود ( شکل 6 را ببینید.A برای نقشه مثال). با طبقه‌بندی مسکن‌های مسکونی به خانه‌های تک‌خانواره، چندخانواره‌ای و خانه‌های متحرک، می‌توان غلظت آسیب را برای هر طبقه اشغال براساس وضعیت اجتماعی-اقتصادی که توسط سرشماری جمع‌آوری شده است، نشان داد.
Ijgi 04 01142 g006 1024
شکل 6. ( الف ) نقشه منطقه سناریوی USGS ShakeOut. ( ب ) نقشه توزیع 100 واحد چند خانواری. ( ج ) نقشه بر اساس مسیر سرشماری و طبقه فقر حداقل 10 واحد مسکونی چندخانواری در دسته‌های خسارت گسترده و کامل شهرستان لس آنجلس (منبع: [ 24 ]).
شرایط اجتماعی عامل مهمی در تعیین آسیب پذیری مسکن است. آسیب‌پذیری مسکن با استفاده از مجموعه‌ای از ویژگی‌هایی که یک جامعه انتخاب کرده است، برآورد می‌شود تا ساختمان‌هایی را که می‌توانند تحت تأثیر زلزله قرار بگیرند و منجر به هزینه‌های خسارت شوند، شناسایی می‌کنند. مردم و خانوارهای فقیر احتمالاً در مسکن‌های بد ساخت و نگهداری ناکافی زندگی می‌کنند. آنها کمترین آمادگی را برای زلزله دارند و آنها را در برابر پیامدهای فاجعه بار مانند خسارات جانی و مالی و مهاجرت اجباری آسیب پذیرتر می کند [ 25 ، 26 ]. از دیدگاه جامعه، افراد کم درآمد احتمالاً در طول پاسخ و بهبودی به کمک اساسی نیاز دارند زیرا تعداد زیادی از آنها بی خانمان خواهند بود و به مسکن موقت نیاز دارند [ 26 ]].

4.2. تحلیل و بررسی

در این مثال، رویکرد مدل‌سازی هم خروجی اقتصادی منطقه‌ای و هم تصمیم‌گیری‌های سیاست بلایای طبیعی را در نظر می‌گیرد که از اطلاعات جغرافیایی اقتصادی-اجتماعی و مخاطرات طبیعی استفاده می‌کند. تجارت بین توسعه اقتصادی و ایمنی و اجتناب از ضرر اتفاق می افتد. سناریوی ShakeOut یک احتمال مشروط خرابی زمین را فراهم می کند. این اطلاعات همراه با فهرست موجودی ساختمان، یک برآورد خسارت فضایی صریح را ایجاد می کند [ 22]. نقشه دقیق زیان مورد انتظار مکان هایی را نشان می دهد که تولید اقتصادی منطقه ای تحت تأثیر منفی قرار می گیرد. این تأثیر به‌ویژه در مناطق پرجمعیت و کم‌درآمد از نظر بازیابی مشکل‌ساز خواهد بود. برای جلوگیری یا کاهش تأثیر فاجعه در این مناطق، ساختمان‌های مقاوم‌تر می‌توانند زمان توقف کمتری را برای تولید اقتصادی (هم برای نیروی کار و هم برای تجهیزات) و همچنین کمک‌های مالی کمتر مورد نیاز برای بازیابی به همراه داشته باشند.
اقتصاد منطقه ای در حالت تعادل فرض می شود و اقتصاد در مکانی روی PPF 0 قرار دارد (نمودار شکل A1 این مثال را نشان می دهد). با این حال، مقدار هزینه شده برای کاهش ساختاری (مسکن) به منابعی نیاز دارد که می تواند تولید اقتصادی منطقه را کاهش دهد. این به عنوان یک مبادله در امتداد مرز PPF نشان داده می شود. خط پایه PPF 0 خروجی منطقه ای و سطح انعطاف پذیری مسکن را بدون اطلاعات مکانی به دست آمده از سناریوی ShakeOut نشان می دهد ( شکل A1 را ببینید.). با اطلاعات به دست آمده از این سناریو، هدف‌گیری دقیق‌تر آسیب مورد انتظار امکان‌پذیر است و ارزیابی خطر مبتنی بر علم می‌تواند برای دستیابی به کاهش مقرون‌به‌صرفه‌تر استفاده شود. بنابراین تغییر به یک تولید ممکن جدید، PPF 1 . VOI اطلاعات مکانی می تواند به عنوان تغییر در بازده اقتصادی منطقه ای از خط PPF 0 به خط PPF 1 محاسبه شود. شکل 6A دو نقطه شروع را برای یک تغییر نشان می دهد: (1) نقطه A، اقتصادی که بازده بیشتری را با منابع کمتر صرف شده برای تاب آوری ساختمان تولید می کند، و (2) نقطه B، اقتصادی با خروجی کمتر اما سرمایه گذاری بیشتر در تاب آوری ساختمان. اطلاعات مکانی اضافی ممکن است امکان هدف گذاری بهتر سیاست ها و مقررات محلی را برای حفظ یا بهبود تولید منطقه ای فراهم کند و در عین حال تعداد واحدهای مسکونی تاب آور را نیز افزایش دهد.
توزیع مشروط هزینه خسارت (تعیین شده در سناریوی زلزله USGS ShakeOut) به معیاری برای اولویت بندی تصمیمات سرمایه گذاری برای کاهش خطر زلزله تبدیل شد. یک کاربرد خاص از این سناریو اطلاعات مکانی تولید کرد که خطر بالقوه بیشتری (یعنی هزینه های خسارت) را در سرشماری با تعداد بیشتری از افراد با درآمد کمتر شناسایی کرد. این را می توان برای واحدهای چند خانواری در منطقه در شکل 6 ب و مکان های آسیب شدید به واحدهای چند خانواری برای شهرستان در شکل 6 ج مشاهده کرد. مناطق بزرگ شده در شکل 6C مجموعه هایی از آسیب های گسترده و کامل را در مناطق سرشماری با جمعیت زیادی از ساکنان کم درآمد، از جمله بسیاری از آنها زیر خط فقر (محل های سرشماری خاکستری) قرار دهید. این سرشماری‌ها ویژگی‌های مشابهی با مناطقی دارند که در زمین‌لرزه‌های قبلی یا پس از طوفان کاترینا در آن‌ها بازیابی با مشکل مواجه شده بود [ 27 , 28 , 29]. نابرابری چشم انداز، که شامل بعد انسانی، ناشی از یک خطر طبیعی است، خطر قابل توجهی برای ظرفیت یک منطقه برای بازیابی از یک فاجعه است. اطلاعات مکانی می تواند با تبدیل نتیجه سناریو به چارچوب تصمیم گیری برای تخمین تأثیر اقتصادی بر گروه های درآمدی خاص، به کاهش نابرابری چشم انداز کمک کند (این چارچوب شامل مجموعه ای از پیامدها یا نتایج است که فرآیندی را برای تصمیم گیری فراهم می کند). برای دستیابی به این هدف از اطلاعات مکانی برای ساخت منحنی غلظت منطقه ای و شاخص استفاده شد.
منحنی تمرکز منطقه ای نموداری از درصد تجمعی خسارت شبیه سازی شده یک فاجعه در برابر درصد تجمعی درآمد جمعیت منطقه است که از کمترین تا بالاترین درآمد رتبه بندی شده است [ 30 ]. شکل 7 شامل منحنی های غلظت منطقه ای برای هر نوع مسکن و برای کل مسکن است. اگر خسارت بین تمام گروه های درآمدی به طور مساوی توزیع شود، منحنی تمرکز یک خط یا خط برابری 45 درجه است (خط قرمز در شکل 7).). زمانی که متغیر آسیب خطر در میان گروه‌های با درآمد پایین‌تر دارای مقادیر بالاتری باشد، منحنی تمرکز بالای خط برابری قرار می‌گیرد (خط آبی برای مالکان و خط سبز برای اجاره‌کنندگان). هر چه منحنی غلظت بالاتر از خط برابری باشد، تراکم زیان در گروه‌های با درآمد پایین‌تر بیشتر می‌شود. از سوی دیگر، اگر متغیر خسارت در میان گروه‌های با درآمد بالاتر مقادیر بیشتری داشته باشد، منحنی تمرکز زیر خط برابری قرار می‌گیرد. همچنین هر چه منحنی زیر خط برابری دورتر باشد، تراکم زیان در گروه‌های با درآمد بالاتر بیشتر می‌شود.
Ijgi 04 01142 g007 1024
شکل 7. منحنی تمرکز خطر زلزله خسارات تجمعی رتبه بندی شده بر اساس درآمد متوسط ​​خانوار (منبع: [ 24 ]).
به‌جز خط کل مسکن تک‌خانواره‌ای که از خط برابری عبور می‌کند، تمرکز کل مسکن و مستاجر از خط برابری بالاتر می‌رود به این معنی که در گروه‌های با درآمد پایین‌تر، آسیب گسترده و کامل وجود دارد. همین امر در مورد اجاره کنندگان واحدهای مسکونی تک خانوار نیز صادق است.
شاخص و منحنی تمرکز منطقه ای جزئی از یک شاخص فضایی جینی به عنوان معیاری از توزیع درآمد است که نشان دهنده یک خطر خطر طبیعی است [ 31 ]. شاخص تمرکز منطقه ای یک برآورد آماری قوی از اثرات فیزیکی خطر و وضعیت اجتماعی-اقتصادی در بین گروه های درآمدی در جمعیت منطقه ارائه می دهد [ 30 ، 32 ]. با استفاده از سناریو، شاخص واحدهای مسکونی تک‌خانواره علامت مثبت کوچکی را نشان می‌دهد و از نظر آماری در سطح 008/0=p معنادار است. این استنتاج منعکس کننده تمرکز ریسک در گروه های با درآمد بالاتر است [ 24]. از سوی دیگر، ساختمان‌های چند خانواری و واحدهای خانه‌های متحرک با شاخص‌های غلظت منفی بزرگ همراه هستند و از نظر آماری در p <0.001 معنی‌دار هستند. این به معنای تمرکز قوی در گروه های کم درآمد است. در مثال، رویکرد مدل‌سازی ما ابداع یک سیاست مقاوم‌سازی ساختمان در سطح شهرستان با تمرکز بر ساختمان‌های چند خانواده بود.
در این سناریو، 26 درصد از متراژ مربع ساختمان های چند خانواری موجود در معرض لرزش MMI VIII-IX خواهد بود و بنابراین، ممکن است حدود 2.9 میلیارد دلار خسارت شدید و کلی ساختمان متحمل شود [ 22 ]. سناریوی ShakeOut شامل شدت مرکالی اصلاح شده (MMI) بود. MMI روشی برای ارزیابی آسیب است که برای جوامع مهندسی و مدیریت اضطراری آشناست. ساختمان‌هایی که در مکان‌های لرزش MMI > VII قرار دارند در معرض بیشترین خطر هستند [ 22]. برای برآورد خسارت به سازه‌ها در سناریو ShakeOut پارامترهای حرکت زمین محاسبه شد. پارامترهای حرکت زمین نحوه حرکت زمین را در اثر اندازه گیری های مختلف امواج زلزله توصیف می کند و به دلیل آسیب دیدن انواع مختلف سازه ها توسط امواج مختلف مورد نیاز است. شهرستان لس آنجلس برای مثال تجزیه و تحلیل مزایای خالص انتخاب شد زیرا تقریباً 42.2٪ از جمعیت شهرستان در سال 2000 در ساختارهای چند واحدی ساکن بودند (اداره سرشماری ایالات متحده، 2000). تعداد 2183 ساختمان چند خانواری بود که در این سناریو آسیب گسترده و کاملی دیدند که از این تعداد 1601 ساختمان در تراکت‌های سرشماری قرار داشتند که حداقل 10 واحد با آسیب‌های گسترده و کامل (خوشه‌ها) و 582 ساختمان در مسیرهای سرشماری بدون خوشه‌های آسیب قرار داشتند.24 ].
اتخاذ یک سیاست نظارتی برای مقاوم سازی ساختمان های موجود [ 33 ] یکی از راه های کاهش هزینه های اجتماعی زلزله است. کاهش بازسازی کنونی داوطلبانه است: سرمایه‌گذاری‌ها بر اساس تصمیمات مالک فردی است و به ایمنی ساکنان و/یا به ارزیابی هزینه‌های خسارت مورد انتظار نسبت به هزینه‌های حفاظت مربوط می‌شود. کاهش داوطلبانه فرض می‌کند که همه مالکان ساختمان منابع کافی برای خرید بیمه زلزله و/یا سرمایه‌گذاری در کاهش برای ارتقای ساختار و انعطاف‌پذیری جامعه دارند. سود خالص مورد انتظار کاهش داوطلبانه باید مثبت باشد.
از طرف دیگر، دولت می‌تواند با شناسایی قرار گرفتن در معرض خطر مسکن برای بیشترین تعداد افرادی که بیشترین خطر را دارند، بهسازی ساختمان را تشویق یا الزام کند. این رویکرد می تواند مزایای خالص مورد انتظار کاهش و سرمایه گذاری عمومی را با هدف قرار دادن مناطق با بالاترین خطر ترکیب کند. از این رویکرد به عنوان مقررات کاهش هزینه یاد می شود. کاهش مسکن بر اساس دریافت مشوق های اقتصادی عمومی توسط مالک ساختمان، در مناطق واجد شرایط، برای انجام مقاوم سازی است. چهار مرحله برای تعیین صلاحیت تشویقی استفاده می شود:

(1)
سناریوی خطر را برای نشان دادن وجود و اهمیت تمرکز ریسک بر اساس نوع مسکن به عنوان آستانه مداخله بخش عمومی اعمال کنید. اگر شاخص تمرکز ریسک منفی باشد، به این معنی است که برای گروه‌های با درآمد پایین‌تر برای یک نوع مسکن، تمرکز ریسک وجود دارد.
(2)
مناطق سرشماری با خوشه های آسیب حداقل 10 ساختمان چند خانواری گسترده و کامل آسیب دیده را از روی سناریو شناسایی کنید. آستانه برای تعداد ساختمان ها در 10 به عنوان یک تقریب معقول برای آنچه که تأثیر قابل توجهی بر سازه های نزدیک به فاصله در یک مسیر سرشماری در یک منطقه شهری در نظر گرفته شد انتخاب شد [ 24 ].
(3)
تقاطع خوشه های خسارت با آستانه فقر توسط دستگاه سرشماری.
(4)
سود خالص کاهش نظارتی را تخمین بزنید و نتایج نتایج مورد انتظار را با کاهش داوطلبانه برای سرشماری های مشخص شده در مراحل (1) تا (3) مقایسه کنید. اگر چهار معیار برآورده شوند، برنامه تنظیم حداقل هزینه می‌تواند برای همه ساختمان‌های چند خانواری در یک مرکز سرشماری در دسترس باشد تا از هرگونه شرایط خاص از دست رفته جلوگیری شود.

4.3. نتایج

نتایج برنامه لس آنجلس کانتی برای برنامه داوطلبانه مزایای خالصی در حدود 1.1 میلیارد دلار داشت در صورتی که هزینه های کاهش تقریباً 10 درصد ارزش املاک و مستغلات چند خانواری باشد. اگر هزینه های کاهش بیشتر باشد، مثلاً تا 50٪ ارزش، سود خالص به زیر 0.4 میلیارد دلار کاهش می یابد. برای تجزیه و تحلیل، هزینه کاهش به عنوان یک مقیاس کشویی از درصد ارزش در معرض تخمین زده می‌شود و اجازه داده می‌شود با توجه به نوع ساختمان، کیفیت، سن، مکان و معیار کاهش تلفات (طراحی و سطح حفاظت) متفاوت باشد. استفاده از مقررات کاهش هزینه دارای مزایای خالصی بود که بسته به هزینه های کاهش از 0.5 تا 0.1 میلیارد دلار متغیر بود. 2054 (2.6٪) سرشماری در شهرستان وجود داشت که معیار درآمد را برای برنامه تنظیم حداقل هزینه برآورده می کرد، جایی که حداقل 9٪ از جمعیت زیر خط فقر هستند.cf . مسیرهای سرشماری خاکستری روشن در شکل 6 ج). 17 مورد از آن 2054 (0.8٪) سرشماری وجود داشت که معیارهای این برنامه را برآورده می کردند، که در آن حداقل 25٪ از جمعیت زیر خط فقر هستند ( ر.ک. سرشماری خاکستری تیره در شکل 6ج). یک مورد جالب زمانی است که سیاست ها هر دو در حال اجرا هستند. مثال نشان داد که یک برنامه ترکیبی از هر دو سیاست، منافع خالص را نسبت به کاهش داوطلبانه افزایش می‌دهد. در این مورد، اگر هزینه‌های کاهش به ازای هر بخش به بالای 16 درصد برسد، شهرستان و شهروندان آن از نظر اقتصادی وضعیت بهتری دارند. برای اجرا، شهرستان برنامه داوطلبانه را تا زمانی که هزینه های کاهش از آستانه عبور کند، اعمال می کند، سپس در هزینه های بالاتر از آستانه، استفاده از برنامه تنظیم حداقل هزینه، مزایای خالص اضافی را ارائه می دهد. یعنی با افزایش هزینه کاهش بیش از 16 درصد، برنامه ترکیبی به 59 میلیون دلار سود خالص اضافی و 163 ساختمان دیگر تبدیل می شود که تحت سیاست کاهش داوطلبانه کاهش نمی یافتند.

4.4. خلاصه

تصمیمات سیاستی که شامل سرمایه گذاری در اقدامات کاهش تلفات و پاسخ و بازیابی است، به بهترین وجه از طریق ادغام داده های مکانی با اطلاعات علمی و اجتماعی-اقتصادی مطلع می شود. این سناریو یک الگوی جغرافیایی از تمرکز ریسک بر اساس موقعیت مکانی زمین لرزه، انواع مسکن خاص و گروه های کم درآمد در یک منطقه شهری تولید کرد [ 24 ]. الگویی که ظاهر شد این بود که سطح بیشتری از آسیب شدید به ساختمان‌های چندخانواری و خانه‌های متحرک در مناطق سرشماری با تراکم بالا و کم درآمد در یک منطقه 8 شهرستانی در منطقه لس‌آنجلس متمرکز می‌شد. الگوی آسیب شبیه سازی شده با بلایای طبیعی اخیر در ایالات متحده سازگار است.
یکی از ارزش های اطلاعات مکانی در یک سناریوی خطر، ارزیابی کارایی و برابری تصمیمات خط مشی عمومی است. ترکیبی از سناریوی خطر و منحنی غلظت و شاخص می‌تواند بخشی از یک رویکرد صریح فضایی برای تخمین منافع و هزینه‌های اجتماعی-اقتصادی سرمایه‌گذاری در کاهش مقیاس منطقه‌ای باشد. سوال سیاست این بود که آیا سرمایه گذاری بخش عمومی برای کاهش باید در مکان هایی انجام شود که آسیب پذیری ساختمان و درآمد متمرکز است؟ VOI تجزیه و تحلیل جغرافیایی از این واقعیت ناشی می شود که با منابع محدود، تصمیم گیرندگان به راهی برای اولویت بندی سرمایه گذاری های کاهش نیاز دارند. توزیع درآمد زمانی که با سناریوی خطر همراه شود، الگوی جغرافیایی از آنچه ممکن است برای جمعیت‌های آسیب‌پذیر رخ دهد را به تصویر می‌کشد.
با افزایش هزینه کاهش با افزایش سطح حفاظت، مزایای برنامه عمومی افزایش می یابد. از این رو VOI اطلاعات جغرافیایی برای یک برنامه کاهش بودجه با بودجه عمومی بر محله‌های حاوی جمعیت در پنجک‌های اجتماعی-اقتصادی پایین‌تر تمرکز می‌کند. با تبدیل شدن هزینه کاهش درصد بیشتری از ارزش جایگزینی، این برنامه ارزشمندتر می شود. بازده مورد انتظار از این سیاست، برابری چشم انداز را با کاهش تلفات ناشی از بلایا، کوتاه کردن زمان بازیابی و اجتناب از هزینه های بازیابی بیش از حد افزایش می دهد. با هدف قرار دادن کاهش آسیب در مناطقی که بیشترین تأثیر را متحمل می شوند، می توان به توزیع برابر تری آسیب دست یافت. مزیت اجتماعی-اقتصادی اطلاعات مکانی، پشتیبانی داده ها برای توسعه سیاست است.

5. مثال 3: یک مدل بازار یکپارچه خصوصی – عمومی برای بازارهای خدمات اکوسیستمی. استفاده از اطلاعات مکانی می تواند یک چارچوب حسابداری عینی و قابل تکرار برای کاهش هزینه های معاملات در فعالیت های بازار(های) محیطی فراهم کند.

این مثال یک مدل آینده نگر در مورد استفاده از سنجش از دور در بازارهای خدمات اکوسیستم برای کاهش اثرات خارجی محیطی است. محتوا، کیفیت و مقیاس اطلاعات مکانی می تواند به بازارها کمک کند تا بازارها را به طور کارآمدتر کار کنند. اطلاعات سنجش از دور جغرافیایی «عمومی» (کالا عمومی) و «خاص» (کالای خصوصی) روشی برای نظارت مکرر دارایی های اعتباری است که در کاهش اثرات خارجی محیطی نقش دارند. مسئله VOI این است که آیا می توان هزینه های معاملات بازار را کاهش داد، زیرا داده های سنجش از راه دور می توانند بهبودی در نظارت و اجرای مسئولیت های اعتباردهی و راستی آزمایی بازار ایجاد کنند. و کاهش هزینه های مدیریت بازار. نمونه در حال حاضر در حال توسعه و بررسی است [ 34]. این رویکرد ارزیابی صحت یک رویکرد چند مقیاسی و چند طیفی به یک برنامه بازارگرای خدمات اکوسیستمی مبتنی بر MRLI و تصاویر با وضوح بالا برای کاهش هزینه‌های بازار است. خط پایه در این مثال تکیه بر به‌روزرسانی دوره‌ای اندازه‌گیری‌های جریان کیفیت آب در مکان‌های کنونی و داده‌های نظارتی جمع‌آوری‌شده برای مقررات کل روزانه حداکثر بار روزانه EPA در مکان‌های خاص در امتداد رودخانه یا سایر بدنه‌های آبی است.

5.1. زمینه

بازار اکوسیستم سیستمی است که در آن ویژگی ها یا خدمات اکوسیستمی یک اکوسیستم مبادله می شود [ 35 ]]. خدمات اکوسیستم، همانطور که توسط ارزیابی اکوسیستم هزاره 2003 فهرست شده است، از ارائه آب شیرین تا چرخه مواد مغذی را شامل می شود. هدف از بازار تجارت و سقف اکوسیستم افزایش کیفیت و کمیت خدمات اکوسیستمی مانند حفظ زیستگاه، جوان سازی زیستگاه و حفظ گونه ها است. بازارهای خارجی فعلی از سیستم های اعتباری برای نشان دادن “ویژگی” مورد معامله استفاده می کنند. این اعتبارات می تواند مقداری مانند یک پوند آلودگی یا مقدار حفاظت برای حفظ یا بازیابی کیفیت آب رودخانه را نشان دهد، همانطور که در بازارهای کاهش دیده می شود. بازارهای اکوسیستم (یا عوامل خارجی) فرض می کنند که ارزش بهینه پاکی اکوسیستم وجود دارد. هدف بازارها تخصیص موثر هزینه های اجتماعی اثرات خارجی محیطی است که همیشه توسط آنهایی که باعث تخریب ویژگی های اکوسیستم می شوند در نظر گرفته نمی شوند. تلاش برای رسیدن به یک تخصیص کارآمد از آلودگی، حفاظت، یا حفظ اکوسیستم است.
در یک بازار به سبک سقف و تجارت، مقدار کل انتشارات تصمیم گیری می شود و سپس اعتبارات به شرکت های انتشار دهنده تخصیص می یابد. بنگاهی که اعتبار انتشار گازهای گلخانه ای دریافت می کند ممکن است آلودگی را تا میزان مجاز منتشر کند، یا ممکن است انتشارات را کاهش دهد و مجوز را برای ایجاد آلودگی در بازار بفروشد [ 35 ]. بازارها و مشارکت‌های تجاری کیفیت آب و آلودگی در سراسر حوضه‌های رودخانه‌ای در تلاش برای کاهش آلودگی ایجاد شده‌اند. به عنوان مثال، رودخانه ویلامت از سال 2005 از سیستم مجوز تجاری و کلاهک استفاده می کند [ 36 ]]. این سیستم یک برنامه انگیزشی برای کاهش بار آلودگی رودخانه ایجاد می کند. شراکت رودخانه ویلامت از محدودیت های حداکثر بار روزانه (TMDL) توصیه شده توسط EPA ایالات متحده استفاده کرد و از آنها برای ایجاد یک کلاه و سیستم تجارت مجوزها برای کاهش آلودگی حرارتی و باکتریایی استفاده کرد [ 36 ]. این نوع بازار با تشویق هر تولیدکننده به حداقل رساندن هزینه ها، هزینه کل کاهش آلودگی را به حداقل می رساند.
اگرچه ایجاد بازار برای خدمات اکوسیستمی مفهوم جدیدی نیست، اما استفاده از سنجش از دور در رویکرد بازار برای کاهش آلودگی و حفظ خدمات اکوسیستم یک مفهوم جدید است. مشارکت Willamette [ 37 ] نیاز به نظارت مکرر بر تمام دارایی های اعتباری درگیر در کاهش اثرات خارجی محیطی برای عملکرد کارآمد بازار را شناسایی کرد.

5.2. تحلیل و بررسی

هم تصاویر پانکروماتیک و هم طیفی با وضوح‌های چندگانه و همچنین سایر اطلاعات مکانی می‌توانند برای ردیابی و پایش تغییرات کاربری و پوشش زمین، شناسایی منابع انتشار و نظارت بر آن منابع مانند کاهش بارگذاری جریان‌های مختل در وضوح زیرحوضه مورد استفاده قرار گیرند . ، برای ردیابی تغییرات در مقادیر پساب). تصمیم اخیر وزارت بازرگانی ایالات متحده به فروش تجاری رصدهای زمین با وضوح بالا اجازه داد. این به نوبه خود اجازه می دهد تا نظارت و تجزیه و تحلیل بهتری از مجموعه بازار خدمات اکوسیستم که نیاز به داده های مکانی دقیق و قابل تکرار دارد [ 38]. از تصاویر مکانی می توان برای تأیید کمیت ها و هرگونه تغییر “ویژگی” برای نظارت بر اعتبار استفاده کرد. برای مثال، تصاویر زمین سطح میانی (باندهای پانکروماتیک و طیفی با وضوح 30 تا 250 متر) و جزئیات (باندهای طیفی با وضوح 0.3 متر و باندهای طیفی 1.4 متر) را می توان در یک سیستم سلسله مراتبی برای نظارت بر تغییرات در شیوه های کشاورزی برای کاهش بارگیری نیتروژن در جریان ها مورد استفاده قرار داد. شکل 8 نمونه ای در حوضه آبخیز Schuylkill در شرق PA است. تصاویر MRLI و وضوح بالا می توانند با شناسایی تغییرات در قطعات زمین ثبت شده و در نتیجه اعتبارسنجی یا بی اعتبار کردن فعالیت های اعتباری به بازار کمک کنند.
استفاده از سنجش از دور می‌تواند یک جزء حیاتی برای بازار به عنوان بخشی از جنبه‌های اجرایی و اجرایی و متعاقب جریمه یک بازار خدمات اکوسیستمی باشد. اطلاعات مکانی عینی و قابل تکرار برای هر گونه اختلاف است و مستلزم هزینه کمتری نسبت به عملیات بازار بدون اطلاعات است. این اطلاعات می‌تواند برای کاهش هزینه‌های معاملات مورد استفاده قرار گیرد، که کارایی بازار را بهبود می‌بخشد و ممکن است تقلب را کاهش دهد زیرا مالکان زمین از مشاهده آنها آگاه هستند. این فعالیت می تواند رفاه اجتماعی را افزایش دهد. علاوه بر این، اطلاعات مکانی راهی برای پایش ریسک‌های مکانی و زمانی و اثرات آن بر بازگشت معرفی می‌کند. این به راحتی در شکل 9 قابل مشاهده است. ارزش‌های اکولوژیکی قطعه‌های خاص را می‌توان برای بهره‌گیری از ویژگی‌های زمین و صرفه‌جویی در مقیاس که با هدف قرار دادن مکان‌هایی با ویژگی‌های خاص، تبدیل زمین کشاورزی فعلی به جنگل را ترویج می‌کند، تعیین کرد.
Ijgi 04 01142 g008 1024
شکل 8. نقشه کاربری اراضی، زیرحوضه های آبخیز، ارزش املاک و آبراهه های آسیب دیده.
Ijgi 04 01142 g009 1024
شکل 9. یک بازار خدمات اکوسیستمی با جبران استفاده از زمین که از نظارت سنجش از راه دور استفاده می کند.

5.3. خلاصه

دوباره، مانند نمونه‌های قبلی، داده‌های مکانی و بایگانی‌ها یک خط پایه را ایجاد می‌کنند. در این مورد، مشاهدات مکانی-زمانی را می توان برای محاسبه انواع خاصی از خدمات اکوسیستمی با شناسایی تغییرات در یک سبد زمین و تأیید اعتبار بازار مورد استفاده قرار داد. داده‌های مکانی می‌توانند به مدیریت و برنامه‌ریزی بازار در طول زمان با نشان دادن بسته‌های ترجیحی برای به حداکثر رساندن مزایای اجتماعی کاهش آلودگی کمک کنند (منبع: [ 34 ]).
سنجش از راه دور علاوه بر کمک به تعیین کمیت خدمات اکوسیستم، ممکن است به ما امکان ایجاد انواع جدیدی از اعتبارات بازار را بدهد. داشتن داده‌های آرشیوی برای ارزیابی ریسک‌ها و تغییرات در طول زمان، به‌روزرسانی‌های دوره‌ای در مورد خدمات اکوسیستم به بازار ارائه می‌کند، که بازار را تا حدودی برای خریداران «سرمایه‌گذار پسندتر» می‌کند.

6. نتیجه گیری

مزایای اطلاعات مکانی برای جامعه ناشی از استفاده از اطلاعات در تصمیم گیری است. بسیار مهم است که درک خود را از این مزایا بهبود بخشیم زیرا همیشه اطلاعات ناقص و عدم اطمینان خواهیم داشت. بهبود درک ما از مزایای نمونه‌های جایگزین اطلاعات می‌تواند به ما کمک کند سرمایه‌گذاری‌های آتی در اطلاعات را اولویت بندی کنیم تا از منابع کمیاب به بهترین نحو استفاده شود. ما یک رویکرد اقتصادی برای شناسایی و توسعه کاربردهای خاص اطلاعات مکانی و برآورد مزایای بالقوه اطلاعات ارائه کرده‌ایم. مثال‌های ارائه‌شده، بهبود در کارایی اقتصادی در چارچوب‌های سود-هزینه، در نتیجه سرمایه‌گذاری در پایش و تحلیل جغرافیایی را نشان می‌دهند. فرض این است که یک مدل اقتصادی تجربی راهی برای نزدیک شدن به مشکل VOI است. رویکرد مشخص شده مزایای ارائه داده‌های مکانی را نشان می‌دهد که بهره‌وری را افزایش می‌دهد و رشد اقتصادی را ارتقا می‌دهد. سه مثال شرح داده شده موارد خاصی را ارائه می دهد که می تواند مزایای قابل توجهی را برای مقررات زیست محیطی، کاهش خطرات طبیعی و حمایت از سقف خدمات اکوسیستم و بازارهای تجاری ارائه دهد.
پیشرفت‌های فناوری، مانند رصد زمین با وضوح بالا که می‌تواند اطلاعات «خاص» در نظر گرفته شود، ورودی‌های بالقوه جدیدی را به تصمیم‌گیری اضافه کرده است. اگرچه فواید برای موارد استفاده خاص از اطلاعات مکانی قابل توجه است، پیاده سازی واضح یا ساده نیست. موانعی برای استفاده وجود دارد زیرا برنامه های کاربردی نیاز به سرمایه گذاری در مدل های یکپارچه دارند. دسترسی آزاد به داده ها لزوماً دسترسی آزاد به برنامه یا تفسیر داده ها را فراهم نمی کند.

ضمیمه

Ijgi 04 01142 g010 1024
شکل A1. منحنی امکان تولید برای یک نوآوری تکنولوژیکی در به کارگیری داده های مکانی در سیاست و برنامه ریزی مخاطرات طبیعی منطقه ای

منابع

  1. مرجع آکسفورد در دسترس آنلاین: http://www.oxfordreference.com/view/10.1093/oi/authority.20110803100023635 (در 1 سپتامبر 2014 قابل دسترسی است).
  2. فورنی، دبلیو. راونیکار، آر. Bernknopf، R. Mishra, S. ارزش اقتصادی اطلاعات سنجش از دور – کاربرد در تولید کشاورزی و حفظ کیفیت آب زیرزمینی ; سازمان زمین شناسی ایالات متحده: Reston، VA، ایالات متحده آمریکا، 2012.
  3. شیملفنیگ، دی. نورتون، جی. ارزش تحقیقات اقتصاد کشاورزی چیست؟ صبح. جی. آگریک. اقتصاد 2003 ، 85 ، 81-94. [ Google Scholar ] [ CrossRef ]
  4. بمکنوف، آر. دینیتز، ال. Loague, K. ارزیابی بین رشته ای آسیب پذیری غیر نقطه ای آب زیرزمینی در مقیاس منطقه ای: نظریه و کاربرد . سازمان زمین شناسی ایالات متحده: Reston، VA، ایالات متحده آمریکا، 2001.
  5. برادفورد، دی. کلگیان، ح. ارزش اطلاعات برای پیش‌بینی محصول در یک سیستم بازار: برخی مسائل نظری. کشیش Econ. گل میخ. 1997 ، 44 ، 519-531. [ Google Scholar ] [ CrossRef ]
  6. Bernknopf، R. وین، ا. لوکاس، اس ام؛ St-Onge, M. Analysis of Improved State Geological Map Information to Mineral Exploration: Incorporing Efficiency, Effectiveness and Risk Considerations ; سازمان زمین شناسی کانادا بولتن 593; سازمان زمین شناسی ایالات متحده: Reston، VA، ایالات متحده آمریکا، 2007.
  7. Bernknopf، RL; بروکشر، دی.اس. سولر، DR; مک کی، ام جی; ساتر، جی سی. متی، جی. کمپبل، RH ارزش اجتماعی نقشه های زمین شناسی ; دفتر انتشارات دولت ایالات متحده: واشنگتن، دی سی، ایالات متحده آمریکا، 1993.
  8. خاباروف، ن. مولچانوا، ای. Obersteiner، M. ارزش گذاری سیستم های مشاهده آب و هوا برای مدیریت آتش سوزی جنگل. سیستم IEEE J. 2008 , 2 , 349-357. [ Google Scholar ] [ CrossRef ]
  9. کیت پاول، اچ. ارزش اطلاعات باد سطح اقیانوس برای تجارت دریایی. فن آوری مارس. Soc. J. 2011 ، 45 ، 75-84. [ Google Scholar ] [ CrossRef ]
  10. فاکس، پی. نقش رصدخانه های مجازی و چارچوب های داده در عصر داده های بزرگ. در دسترس آنلاین: http://www.nist.gov/itl/ssd/is/big-data.cfm (در 01 سپتامبر 2014 قابل دسترسی است).
  11. ویندرم، پی. فاگیولو، جی. مونتا، الف. اعتبارسنجی تجربی مدل‌های مبتنی بر عامل: گزینه‌ها و چشم‌اندازها. در دسترس آنلاین: http://jasss.soc.surrey.ac.uk/10/2/8.html (دسترسی در 05 آوریل 2014).
  12. ویکی پدیا – داده های بزرگ در دسترس آنلاین: http://en.wikipedia.org/wiki/Big_data (در 25 اوت 2014 قابل دسترسی است).
  13. هالسینگ، دی. تیسن، ک. Bernknopf, R. A Cost-Benefit Analysis of the National Map ; سازمان زمین شناسی ایالات متحده: Reston، VA، ایالات متحده آمریکا، 2004.
  14. Varian, H. Microeconomics Intermediate: A Modern Approach , 6th ed.; WW Norton & Company: نیویورک، نیویورک، ایالات متحده آمریکا، 2003. [ Google Scholar ]
  15. روش استقرایی در اقتصاد چیست؟ در دسترس آنلاین: http://sundaramponnusamy.hubpages.com/hub/What-is-an-Inductive-Method-in-Economics (در 10 اوت 2014 قابل دسترسی است).
  16. Bernknopf، R. فورنی، دبلیو. راونیکار، آر. Mishra, S. چارچوبی کلی برای تخمین مزایای تصاویر زمین با وضوح متوسط ​​در کاربردهای محیطی. در ارزش اطلاعات: مرزهای روش شناختی و کاربردهای جدید . Laxminarayan, R., Macauley, M., Eds. Springer Publishers: برلین، آلمان، 2012; صص 257–300. [ Google Scholar ]
  17. سریک، آ. Haitjema، H. در مورد استفاده از روش‌های ساده تعیین منطقه ضبط زمان سفر. آب زیرزمینی 2005 ، 43 ، 408-412. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  18. Yadav, S. بهینه‌سازی دینامیکی استفاده از نیتروژن زمانی که آلودگی آب‌های زیرزمینی در درازمدت استاندارد داخلی می‌شود. صبح. جی. آگریک. اقتصاد 1997 ، 79 ، 931-945. [ Google Scholar ] [ CrossRef ]
  19. کیم، سی. هاستلر، جی. Amacher, G. تنظیم کیفیت آب های زیرزمینی با پاسخ های تاخیری. منبع آب Res. 1993 ، 29 ، 1369-1377. [ Google Scholar ] [ CrossRef ]
  20. دانشگاه ریدینگ ECIFM Monoculture. در دسترس آنلاین: http://www.ecifm.rdg.ac.uk/monoculture.htm (در 17 ژوئیه 2014 قابل دسترسی است).
  21. راونیکار، RP; Forney، WM; بنجامین، اس پی ارزش اقتصادی تصاویر ماهواره ای چیست؟ برگه اطلاعات USGS 2013-3003; سازمان زمین شناسی ایالات متحده: Reston، VA، ایالات متحده آمریکا، 2013.
  22. جونز، ال. Bernknopf، R. کاکس، دی. گلتز، جی. هادنات، ک. میلیتی، دی. پری، اس. پونتی، دی. پورتر، ک. رایشل، ام. و همکاران سناریوی ShakeOut ; گزارش فایل باز USGS 2008–1150. USGS: Reston، VA، ایالات متحده آمریکا.
  23. وین، ا. جانسون، ال. Bernknopf, R. بهبودی از زلزله لرزه. زمین Spectra 2011 ، 27 ، 521-538. [ Google Scholar ] [ CrossRef ]
  24. Bernknopf، R. Amos، P. اندازه گیری غلظت خطر زلزله برای کاهش خطر. مخاطرات طبیعی 2014 ، 74 ، 2163-2192. [ Google Scholar ] [ CrossRef ]
  25. زهران، س. برودی، اس. طاووس، دبلیو. ودلیتز، ا. گروور، اچ. آسیب پذیری اجتماعی و محیط طبیعی و ساخته شده: مدلی از تلفات سیل در تگزاس. بلایا 2008 ، 32 ، 517-560. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  26. کانروتر، اچ. پلات، آر. باروخ، اس. Bernknopf، R. باکلی، ام. بورکت، وی. کنراد، دی. دیویسون، تی. دویچ، ک. گیس، دی. و همکاران هزینه پنهان مخاطرات ساحلی: پیامدهایی برای ارزیابی ریسک و کاهش آن . مطبوعات جزیره: واشنگتن، دی سی، ایالات متحده آمریکا، 1999. [ Google Scholar ]
  27. ویگدور، جی. پیامدهای اقتصادی طوفان کاترینا. جی. اکون. چشم انداز 2008 ، 22 ، 135-154. [ Google Scholar ] [ CrossRef ]
  28. مازورا، م. بیلی، م. کرچنر، سی. توزیع اثرات بلایای طبیعی در بین گروه‌های درآمدی: مطالعه موردی نیواورلئان. Ecol. اقتصاد 2007 ، 63 ، 299-306. [ Google Scholar ] [ CrossRef ]
  29. کامریو، MC تعمیر و بازسازی مسکن پس از لوما پریتا. در دسترس آنلاین: http://nisee.berkeley.edu/loma_prieta/comerio.html (در 23 ژوئن 2010 قابل دسترسی است).
  30. اودانل، او. ون دورسلر، ای. واگستاف، ا. لیندلو، ام. تجزیه و تحلیل عدالت سلامت با استفاده از داده های نظرسنجی خانوار: راهنمای تکنیک ها و اجرای آنها. در دسترس به صورت آنلاین: http://siteresources.worldbank.org/INTPAH/resources/Publications/459843-1195594469249/HealthEquityFINAL.pdf (در 15 سپتامبر 2011 قابل دسترسی است).
  31. کاکوانی، ن. نابرابری درآمد، رفاه و فقر: تصویری با استفاده از داده های اوکراینی. در دسترس آنلاین: http://ssrn.com/abstract=623915 (در 1 اکتبر 2011 قابل دسترسی است).
  32. کاکوانی، ن. واگستاف، ا. ون دورسلر، ای. نابرابری های اجتماعی و اقتصادی در سلامت: اندازه گیری، محاسبات و استنتاج آماری. جی. اکون. 1997 ، 77 ، 87-103. [ Google Scholar ] [ CrossRef ]
  33. فاینشتاین، دی. ارائه مشوق‌هایی برای تشویق تلاش‌های بخش خصوصی برای کاهش تلفات ناشی از زلزله، ایجاد یک برنامه ملی کاهش بلایا، و برای اهداف دیگر . دفتر چاپ دولت ایالات متحده: واشنگتن، دی سی، ایالات متحده آمریکا، 2001.
  34. ژانگ، ای. Bernknopf، R. Amos، P. تولید یک مدل چند مجوز برای خدمات اکوسیستم با استفاده از رویکرد نمونه کارها. دانشگاه پنسیلوانیا: فیلادلفیا، PA، ایالات متحده آمریکا، اثر منتشر نشده. 2015. [ Google Scholar ]
  35. پل، بی. بروکشر، دی. برودبنت، سی. Bernknopf، R. پسکو، S. چارچوب مفهومی و بازار برای بارگیری نیترات در حوضه رودخانه تنزاس. دانشگاه نیومکزیکو: آلبوکرک، NM، ایالات متحده، کار منتشر نشده. 2015. [ Google Scholar ]
  36. آژانس ها و شرکای شمال غرب اقیانوس آرام توصیه هایی را برای تجارت کیفیت آب منطقه ای اعلام می کنند. در دسترس آنلاین: http://www.thefreshwatertrust.org/press-release-8132014/ (دسترسی در 21 سپتامبر 2014).
  37. رودخانه Willamette TMDL شرق و غرب TMDL جایگزین ارزیابی دقیق. در دسترس آنلاین: http://www.corvallisoregon.gov/modules/showdocument.aspx?documentid=6360 (در 20 اوت 2014 قابل دسترسی است).
  38. تصاویر ماهواره ای WorldView-3. در دسترس آنلاین: http://www.satimagingcorp.com/gallery/worldview-3/ (دسترسی در 22 سپتامبر 2014).

;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