نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

خلاصه

:

سازمان های بشردوستانه نقش مهمی در واکنش و تلاش های امدادی پس از سیل دارند. اثربخشی واکنش به بلایا منوط به اطلاعات دقیق و به موقع در مورد مکان، زمان و اثرات رویداد است. در اینجا نشان می‌دهیم که چگونه دو منبع داده تقریباً واقعی، مشاهدات ماهواره‌ای پوشش آب و فعالیت‌های رسانه‌های اجتماعی مرتبط با سیل از توییتر، می‌توانند برای حمایت از واکنش سریع بلایا با استفاده از مطالعات موردی در فیلیپین و پاکستان استفاده شوند. برای این کشورها اطلاعات سازمان‌های واکنش به بلایا، سیگنال سیل ماهواره‌ای سیستم تشخیص سیل جهانی (GFDS) و تجزیه و تحلیل فعالیت توییتر مربوط به سیل را تجزیه و تحلیل می‌کنیم. نتایج نشان می‌دهد که می‌توان از این منابع اطلاعات زمان واقعی برای به دست آوردن درک سریع‌تر مکان، زمان‌بندی، استفاده کرد. و همچنین علل و اثرات سیل. از نظر موقعیت مکانی، ما نقشه‌های تاثیر روزانه را بر اساس اطلاعات ماهواره‌ای و رسانه‌های اجتماعی تولید می‌کنیم که می‌تواند به صورت پویا و سریع منطقه آسیب‌دیده را در طول یک فاجعه ترسیم کند. از نظر زمان‌بندی، نتایج نشان می‌دهد که سیگنال‌های GFDS و/یا توییتر که سیل‌های جاری یا آتی را علامت‌گذاری می‌کنند، یک تا چند روز قبل از گزارش رویداد به سازمان‌های بشردوستانه به طور منظم در دسترس هستند. از نظر درک رویداد، نشان می‌دهیم که هم از GFDS و هم رسانه‌های اجتماعی می‌توانند برای شناسایی و درک رویدادهای سیل غیرمنتظره یا بحث‌برانگیز استفاده شوند، برای مثال به دلیل باز شدن ناگهانی سدهای برق آبی یا نقض حفاظت در برابر سیل. عملکرد داده‌های GFDS و توییتر برای تشخیص زودهنگام و نقشه‌برداری مکان مختلط است. بسته به شرایط خاص هیدرولوژیکی (GFDS) و نفوذ رسانه های اجتماعی (توئیتر). تحقیقات بیشتری برای بهبود تفسیر سیگنال GFDS در موقعیت‌های مختلف و بهبود پیش‌پردازش داده‌های رسانه‌های اجتماعی برای استفاده عملیاتی مورد نیاز است.
کلید واژه ها: 

خطر آب و هوا ؛ رسانه های اجتماعی ؛ خطر سیل ؛ پیش بینی ; GFDS: تشخیص زودهنگام توییتر ؛ پاسخ انسان دوستانه

 

1. معرفی

سیل سیستم های رودخانه ای بیش از 1 تریلیون دلار خسارت و 220000 تلفات را در سطح جهان از سال 1980 به بار آورده است [ 1 ]. با توجه به استانداردهای عمومی پایین حفاظت در برابر سیل و ظرفیت محدود پاسخگویی به بلایا، حفاظت اجتماعی و امکانات بهداشتی، بسیاری از کشورهای کم درآمد به ویژه در برابر سیل آسیب پذیر هستند [ 2 ، 3 ]. بنابراین، سازمان‌های بشردوستانه ملی و بین‌المللی نقش مهمی در حمایت از کاهش خطر بلایای قبلی و پس از آن دارند.واکنش این کشورها به بلایای طبیعی نیاز به واکنش به بلایا اخیراً در جریان سیل اخیر مالاوی در سال 2015 نشان داده شد، زمانی که جنبش صلیب سرخ/هلال احمر به تنهایی درخواست اضطراری بیش از 2 میلیون فرانک فرانک را طی چند روز پس از رویداد برای کمک به بیش از 40000 نفر آسیب دیده ارائه کرد [4 ] . کمک های بشردوستانه روزانه در مقیاس کوچکتر برای صدها رویداد سیل که هر سال در سراسر جهان رخ می دهد ارائه می شود [ 5 ].
اثربخشی این تلاش‌های واکنش به بلایا منوط به اطلاعات دقیق و به موقع در مورد موقعیت جغرافیایی و تأثیرات رویداد جاری سیل است. تصمیم‌گیری در مورد استقرار کمک‌های اضطراری و توزیع تدارکات باید بر اساس بینش‌هایی باشد که در کجا با تأثیرات مواجه می‌شوند و ماهیت این تأثیرات چیست [ 6 ].
در اینجا، ما سه سؤال را بررسی می کنیم که مورد توجه سازمان های بشردوستانه در عواقب فوری سیل است:

(1)
سیل کجاست؟
(2)
چه زمانی می توانیم از سیل مطلع شویم؟
(3)
در مورد تأثیرات آن چه می دانیم؟
به طور سنتی، چنین اطلاعاتی از طریق شبکه ای از ایستگاه های میدانی، کارمندان و داوطلبان، و همچنین از طریق رسانه های خبری رایج، مانند رادیو و تلویزیون [ 7 ، 8 ] به سازمان های بشردوستانه می رسد. با این حال، اطلاعاتی که از طریق این کانال‌ها دریافت می‌شود، اغلب تنها با تأخیر چند ساعته یا حتی چند روزه به افراد مناسب می‌رسد و همیشه نمی‌تواند سه پارامتر کلیدی: زمان، مکان و تأثیرات رویداد را به طور کامل ثبت کند. سیستم‌های نوآورانه‌ای برای تشخیص زودهنگام سیل اخیراً برای ارائه اطلاعات فضایی و شدتی اضافی که می‌تواند در واکنش به بلایا استفاده شود توسعه یافته است [ 9]]. در این مقاله، ما بر روی دو سیستم نوآورانه تمرکز می‌کنیم، اولی مبتنی بر داده‌های ماهواره‌ای نزدیک به زمان واقعی و دیگری بر اساس داده‌های نزدیک به زمان واقعی توییتر، و تجزیه و تحلیل می‌کنیم که چگونه منابع این سیستم‌ها ممکن است از پاسخ انسان دوستانه مؤثر پشتیبانی کنند. ما تجزیه و تحلیل را بر اساس مطالعات موردی در پاکستان و فیلیپین انجام می دهیم.
سیستم‌های تشخیص زودهنگام مبتنی بر ماهواره‌های جهانی اغلب قادر به شناسایی پوشش آب ناشی از سیل رودخانه از فضا در عرض 24 ساعت هستند. نمونه‌هایی از این سیستم‌ها نقشه‌های سیل مبتنی بر MODIS [ 10 ، 11 ] و سیستم جهانی تشخیص سیل (از این پس GFDS نامیده می‌شود) [ 12 ] است. MODIS از یک سیگنال نوری برای برآورد مناطق غرق شده استفاده می کند، که با موفقیت برای نقشه برداری سیلاب در زمان واقعی در سیل 2012 پاکستان استفاده شد [ 13]]. GFDS از مشاهدات ماهواره ای مایکروویو غیرفعال روزانه برای شناسایی سریع مناطق غرق شده استفاده می کند و برای این منظور در سیل های اخیر استفاده شده است. به عنوان مثال، در بولیوی 2014 و در هند 2014. در طی این رویدادها، GFDS در پاسخ به بلایا با ارائه وسعت سیل و سری زمانی مشاهدات ماهواره ای برای سال جاری و سه سال قبل، به منظور ارائه اطلاعات در مورد اهمیت ثابت شد. رویداد سیل در رابطه با رویدادهای بالقوه قبلی. نمونه‌هایی از نقشه‌های کمک واکنش در بلایا تولید شده با استفاده از داده‌های روزانه GFDS را می‌توان در مرکز هماهنگی واکنش اضطراری (ERCC) یافت [ 14 ].
جدا از پیشرفت‌های رصد ماهواره‌ای، سال‌های گذشته شاهد رشدی در استفاده از جریان‌های داده در زمان واقعی از پلت‌فرم‌های رسانه‌های (اجتماعی) مانند توییتر، فیس‌بوک، اینستاگرام و وب‌سایت‌های خبری در حین و پس از بلایا بوده‌اند. در حالی که اطلاعات ماهواره‌ای دارای تاخیر معمولی 24 ساعت یا بیشتر است، پیام‌های رسانه‌های اجتماعی در عرض چند دقیقه پس از انتشار قابل دسترسی هستند. پیشرفت‌های اخیر امکان نسبت دادن اطلاعات رسانه‌های اجتماعی را به مکان‌های جغرافیایی با استخراج متن متن (مثلاً «نیویورک») و پیوند دادن آن به مکان روی نقشه فراهم کرده است [15 ، 16 ، 17 ] . یکی از اولین بارهایی که رسانه های اجتماعی در مقیاس وسیع برای نظارت بر بلایا استفاده شد، پس از زلزله هائیتی در سال 2010 بود.18 ]. تیمی به سرپرستی پاتریک مایجر توییت‌های ناظران را جمع‌آوری کرد و با استفاده از پلت فرم Ushahidi روی نقشه قرار داد و به عملیات نجات کمک کرد [ 9 ]. از آن زمان، ابزارهای نظارت اجتماعی به طور منظم در طول یا بعد از بلایا، از جمله آتش سوزی [ 19 ]، زلزله [ 20 ]، سیل [ 21 ]، طوفان زمستانی [ 22 ]، بارش برف سنگین [ 23 ] و طوفان [ 24] استفاده شده است.]. چندین پلتفرم برای پشتیبانی از این تلاش ها طراحی شده اند، مانند Twitter Alerts و GeoFeedia. به عنوان مثال، مرکز عملیات صلیب سرخ فیلیپین از توییتر برای ردیابی بلایا استفاده می کند. آنها هر دو به پیام هایی که در آنها فراخوانی می شود (“@philredcross”) توجه زیادی می کنند و کلمات کلیدی و هشتگ ها را برای ردیابی حوادث شناخته شده (مانند #سیل، #شورش، #زلزله و غیره) جستجو می کنند . علاوه بر این، مرکز عملیات از توییتر برای دنبال کردن آژانس‌هایی مانند PAGASA ( اداره خدمات جوی، ژئوفیزیک و نجوم فیلیپین )، USGS و غیره برای نظارت بر طوفان‌ها و زلزله‌ها استفاده می‌کند.
کاربردهای اصلی رسانه های اجتماعی در موقعیت های فاجعه بهبود آگاهی موقعیتی در طول مرحله واکنش پس از رویداد، ارتباط دو طرفه با افراد آسیب دیده، تجزیه و تحلیل روانشناختی [25] و هماهنگی امدادی [ 24 ] بوده است. ارل و همکاران (2010) نشان می دهد که توییتر همچنین می تواند برای نقشه برداری سریع بلایا استفاده شود. نتایج آن‌ها نشان می‌دهد که پیام‌های توییتر می‌توانند برای ترسیم مناطق آسیب‌دیده از زلزله در عرض چند دقیقه، قبل از اینکه مشاهدات رسمی زلزله در دسترس باشند، استفاده شوند.
در حالی که استفاده از اطلاعات ماهواره‌ای و داده‌های رسانه‌های اجتماعی برای واکنش به بلایا توجه فزاینده‌ای را به خود جلب می‌کند، روش‌های مقایسه این روش‌ها با یکدیگر و اینکه چگونه می‌توانند بهترین عملکرد فعلی در سازمان‌های بشردوستانه را تکمیل کنند، تا حد زیادی مورد بحث باقی مانده است. برای سیل، به طور خاص، قابلیت استفاده و دقت این انواع متمایز از منابع اطلاعاتی، به علاوه، هرگز به طور مقایسه ای ارزیابی نشده است. هدف این مقاله ارائه اولین مقایسه این سه کانال اطلاعات تشخیص زودهنگام، از نظر زمان سیگنال، و همچنین نوع و ارزش اطلاعات است. برای این منظور، ما داده‌ها را برای طیف وسیعی از رویدادهای سیل‌های بزرگ و کوچکتر در پاکستان و فیلیپین، که همگی در سال 2014 رخ دادند، تجزیه و تحلیل کردیم.
این مقاله به شرح زیر ادامه می یابد. بخش 2 روش ها و منابع داده مورد استفاده برای تجزیه و تحلیل را شرح می دهد. بخش 3 نتایج نقشه برداری سیل، تشخیص زودهنگام و درک رویداد را ارائه می کند. بخش 4 بحث و نتیجه گیری را ارائه می کند.

2. روش ها و داده ها

ما با تجزیه و تحلیل طیفی از رویدادهای سیل گزارش شده در پاکستان و فیلیپین، اثربخشی و قابلیت استفاده ماهواره و داده های رسانه (اجتماعی) را برای واکنش به بلایا ارزیابی می کنیم. برای پاکستان، ما بر روی یک رویداد سیل بزرگ در سپتامبر 2014 تمرکز می کنیم، در حالی که برای فیلیپین 80 رویداد سیل کوچکتر را تجزیه و تحلیل می کنیم. برای هر یک از رویدادها، ما اطلاعات مربوط به تشخیص سیل را از سه منبع داده ترکیب می کنیم: سازمان های واکنش به بلایا ( بخش 2.1 )، سیگنال ماهواره ای GFDS ( بخش 2.2 )، و توییتر ( بخش 2.3 ). ما ارزش افزوده بالقوه سنجش از دور و داده‌های توییتر را برای هر یک از سؤالات بشردوستانه در رابطه با واکنش سیل تجزیه و تحلیل می‌کنیم ( بخش 2.4).): مکان، زمان، و اثرات.

2.1. اطلاعات گزارش دهی و واکنش بلایا

به عنوان پایه، ما اطلاعات تاثیر سیل گزارش شده را در نظر می گیریم که در زمان وقوع سیل در پاکستان و فیلیپین، از ژانویه 2014 به بعد، وجود داشت.
برای پاکستان، ما بر سیل بزرگ سپتامبر 2014 تمرکز کردیم. این سیلاب ها بر اثر بارش باران های موسمی در حوضه های آبریز رودخانه های شرقی جهلوم، سوتلج، راوی و چناب ایجاد شده است. سیل بیش از 2.5 میلیون نفر را تحت تأثیر قرار داد و 367 کشته و بیش از 100000 خانه را ویران کرد. ما مجموعه‌ای از اسناد را در نظر گرفتیم که اطلاعات موجود پس از سیل را شامل (1) گزارش‌های وضعیت اضطراری و واکنش روزانه، تهیه‌شده توسط USAID و iMMAP (2 تا 4 سپتامبر) بودند. (2) گزارش آب و هوا و اسناد مشاوره سیل تهیه شده توسط NDMA [ 26]؛ (3) ارتباطات داخلی با مهربانی توسط فدراسیون بین المللی صلیب سرخ/دفتر هلال احمر در اسلام آباد در دسترس قرار گرفته است. و (4) اسناد تجزیه و تحلیل پس از رویداد وسعت و اثرات سیل به تاریخ اواخر سپتامبر یا اوایل اکتبر 2014، از جمله ارزیابی رسمی NDMA Recovery و Needs Assessment [ 27 ].
برای فیلیپین، ما رویدادهای سیل را که به انجمن صلیب سرخ فیلیپین (PRC) بین ژانویه 2014 و ژانویه 2015 گزارش شده است، تجزیه و تحلیل کردیم. این پایگاه داده شامل 80 رویداد فردی است که می‌تواند به 21 حالت شدید آبی-هوایی (بارندگی شدید، مناطق گرمسیری) نسبت داده شود. طوفان، انفجار سد و غیره ). برای هر یک از 80 رویداد، پایگاه داده حاوی اطلاعاتی در مورد علت رویداد است. موقعیت جغرافیایی، تاریخ رویداد، تاریخ گزارش رویداد به جمهوری خلق چین، و تاریخ و نوع مداخله توسط جمهوری خلق چین. برای مثالی از این مجموعه داده جدول 1 را ببینید . مجموعه داده به وضوح جدول زمانی وقوع رویداد، گزارش‌دهی و اقدام را مشخص می‌کند، و بنابراین برای طیف تحلیل‌هایی که در این مطالعه دنبال می‌شود مناسب است.
جدول
جدول 1. استخراج از مجموعه داده وقوع رویداد و پاسخ ارائه شده توسط PRC (تاریخ: روز/ماه سال).

2.2. داده های ماهواره ای نزدیک به زمان واقعی

اطلاعات زمان واقعی از رصد ماهواره‌ای اخیراً در دسترس سازمان‌های واکنش به بلایا در طول سیل‌های جاری است. سیستم تشخیص سیل جهانی (GFDS) یکی از سیستم های اصلی مورد استفاده برای این منظور است. GFDS یک سیستم آزمایشی است که برای شناسایی و نقشه برداری در زمان واقعی سیل رودخانه های اصلی بر اساس مشاهدات ماهواره ای مایکروویو غیرفعال روزانه راه اندازی شده است. هدف از این سیستم شناسایی و اندازه گیری سیل هایی با پیامدهای انسانی بالقوه پس از وقوع آنها است. به منظور کمی کردن بزرگی رویداد سیل، GFDS محصول “قدر سیل” را به عنوان تعداد انحرافات استاندارد (sd) از میانگین (avg) محاسبه می کند: M = (سیگنال – میانگین)/sd. سیل ها معمولاً برای ناهنجاری های دو (سیل کوچک و معمولی) یا بالاتر از چهار (سیل بزرگ و غیر معمول) ظاهر می شوند. همه داده ها به عنوان نقشه های شطرنجی جهانی با وضوح فضایی 0.09 × 0.09 درجه (~10 کیلومتر در استوا) در دسترس هستند.
در این پروژه، ما سیگنال GFDS صریح جغرافیایی را برای هفت روز قبل تا هفت روز پس از تاریخ گزارش رویداد بازیابی کردیم. سپس از این داده‌ها برای تجزیه و تحلیل توسعه سیگنال در طول زمان برای مکان‌های ضربه که توسط داده‌های واکنش به بلایا ( بخش 2.1 ) مشخص شده است، و همچنین برای تجزیه و تحلیل در سطح ملی (به بخش 2.4 مراجعه کنید ) استفاده کردیم.
دلیل استفاده از GFDS برای این تحلیل به این دلیل است که: (1) داده‌های GFDS آشکارا از طریق یک رابط وب کاربرپسند منتشر می‌شوند. (2) تصاویر خام از پیش پردازش شده را می توان آزادانه مشاهده کرد. (3) سیستم خروجی های ثابتی را با فواصل کوتاه یک روزه ارائه می دهد. (4) علاوه بر مکان و وسعت سیل (که با استفاده از تصاویر MODIS نیز امکان پذیر است)، GFDS امکان تجزیه و تحلیل سری های زمانی را فراهم می کند. و (5) این سیستم به جای خروجی های مدل هیدرولوژیکی مبتنی بر مشاهدات است (یک روش تشخیص سیل که برای مثال توسط سیستم جهانی نظارت بر سیل استفاده می شود [ 28]]). نقطه ضعف سیستم GFDS وضوح نسبتاً درشت آن است. داده‌های حاصل از محصولات تشخیص سیل مبتنی بر MODIS مانند تولید شده توسط رصدخانه سیل دارتموث (DFO) وسعت سیل را با وضوح بالاتر ارائه می‌کند، اما اینها امکان تجزیه و تحلیل سری‌های زمانی را فراهم نمی‌کنند و همچنین نمی‌توانند سیگنالی را در شرایط پوشیده از ابر ارائه دهند.

2.3. داده‌های تقریباً واقعی توییتر

بزرگترین چالش در استفاده موثر از اطلاعات رسانه های اجتماعی برای واکنش به بلایا، تجزیه و تحلیل سیستماتیک و سریع حجم وسیعی از داده ها است. در این مطالعه، ما از پلت فرم خودکار تجزیه و تحلیل رسانه های اجتماعی Floodtags [ 29 ] استفاده می کنیم که فیلتر، تجسم و نقشه برداری محتوای رسانه های اجتماعی را بر اساس مکان و کلمات کلیدی امکان پذیر می کند. ما محتوای توییتر را برای رویداد سیل سپتامبر 2014 در پاکستان و منتخبی از 9 مورد از 80 حادثه سیل گزارش شده در فیلیپین بازیابی می کنیم. این نه حادثه با پنج رویداد سیل فردی مرتبط هستند و برای پوشش طیفی از انواع مختلف سیل (کوچک، بزرگ، ناشی از باران، شکست سد و غیره ) انتخاب شدند.
ما داده‌های فیلیپین و پاکستان را از API جریانی از توییتر بازیابی کردیم. کلمات “baha”، “bumabaha”، “apaw”، “pagbaha”، “pag-apaw”، “guho”، “سیلاب”، “سیلاب”، “سیلاب”، “سیلاب”، “سیلاب” را جستجو کردیم . ، “سیلاب”. در مرحله بعد، توییت‌ها را با داده‌های Open Street Map غنی‌سازی کردیم تا جزئیات بیشتر مربوط به مکان را دریافت کنیم، نام مکان‌ها را با چهار کاراکتر یا کمتر فیلتر کردیم و کلمات انگلیسی مبهم (مانند کالج، ویلا، و غیره) را حذف کردیم ..). این تجزیه و تحلیل متن متن پیام، روشی است که برای تخصیص مکان به هر پیام توییتر در صورت امکان استفاده می شود. در حالی که فراداده‌هایی که با پیام‌های توییتر ارسال شده توسط یک دستگاه تلفن همراه همراه هستند، شامل اطلاعات موقعیت جغرافیایی آن دستگاه در زمان ارسال نیز می‌شوند، این اطلاعات در این مطالعه استفاده نمی‌شود. دلیل اول این انتخاب این واقعیت است که اکثر توییت‌ها اطلاعات دست دوم را گزارش می‌کنند، یعنی رویدادهایی را که در مکان شخصی که توییت را منتشر می‌کند، مورد بحث قرار می‌دهند [ 24 ]. دوم، حتی زمانی که یک توییت به مشاهده دست اول اشاره دارد، واضح نیست که این مشاهده در همان زمان و مکان ارسال توییت اتفاق افتاده باشد [ 30]]. اگر سیل در منطقه‌ای دورافتاده از کشور بدون دسترسی به اینترنت اتفاق بیفتد، می‌توان انتظار داشت که مشاهدات تنها به محض اینکه فرد به منطقه‌ای با دسترسی به اینترنت (مثلاً یک شهر بزرگ‌تر) می‌رسد، توییت می‌شود و باعث ایجاد نویز بیشتر در داده‌های مکان می‌شود. مستقیم از توییتر با این حال، عدم قطعیت در تشخیص مکان باقی می ماند، زیرا برای مثال، نام مکان های خاصی ممکن است چندین بار در یک کشور نشان داده شود [ 31 ]. برای بحث گسترده تر در مورد این چالش ها به بحث و نتیجه گیری مراجعه کنید.
هر جا که یک توییت خاص به یک صفحه وب (URL) اشاره می کند، آن صفحه وب را نیز به عنوان اطلاعات اضافی دانلود می کنیم. جدول 2 را برای تعداد توییت های پاکستان و فیلیپین در بازه های زمانی انتخاب شده ببینید (سپتامبر 2014 برای پاکستان و کل سال 2014 برای فیلیپین). توجه داشته باشید که پوشش زمانی و تعداد توییت‌ها بین دو کشور مورد مطالعه به شدت متفاوت است. هدف ما انجام یک ارزیابی مقایسه ای نیست، بلکه از داده ها برای اهداف مختلف در سراسر این مقاله استفاده می کنیم.
ضریب نفوذ رسانه های اجتماعی در پاکستان نسبتاً پایین است و 4 درصد جمعیت را تشکیل می دهد. در فیلیپین نفوذ بیشتر و 29 درصد است [ 32 ]. می توان انتظار داشت که سهم نسبتا زیادی از کاربران توییتر در هر دو کشور در شهرها و شهرهای بزرگتر زندگی کنند. بنابراین، تغییرات فضایی نمایش داده شده توسط یک نقشه حرارتی مبتنی بر توییتر ( به عنوان مثال ، نقشه فعالیت مطلق توییتر در یک موضوع خاص) برای نشان دادن سیل در مکان‌های پرجمعیت تعصب دارد [ 33 ]. تلاش های تحقیقاتی بیشتری برای توسعه روش هایی برای عادی سازی داده ها برای نفوذ جمعیت یا رسانه های اجتماعی مورد نیاز است.
جدول
جدول 2. توییت های فیلتر شده مرتبط با سیل بین 1 سپتامبر 2014 و 31 ژانویه 2015.

2.4. تجزیه و تحلیل و خروجی ها

در این مقاله، ما اطلاعات سازمان‌های واکنش به بلایا، سیگنال ماهواره‌ای GFDS و فعالیت توییتر را با هم در یک چارچوب تحلیلی برای تولید سه نوع تحلیل آورده‌ایم: نقشه‌برداری مکان (به عنوان مثال، «سیل کجاست ؟ » ) . تشخیص زودهنگام ( به عنوان مثال ، “چه زمانی می توانیم در مورد سیل مطلع شویم؟”). و درک رویداد ( به عنوان مثال، “در مورد علل و آثار چه می دانیم؟”). این تحلیل‌های خاص برای ارزیابی پتانسیل متنوع داده‌های زمان واقعی برای فعالیت‌های واکنش به بلایا انتخاب می‌شوند. ما سه تحلیل را با استفاده از مجموعه‌ای از مجموعه داده‌های ماهواره و توییتر برای پاکستان و فیلیپین انجام می‌دهیم، بدون اینکه هدف آن تحلیل هر سه سؤال برای هر دو کشور و برای هر دو نوع داده باشد.

2.4.1. نقشه برداری مکان

اطلاعات دقیق در مورد وسعت فضایی سیل جاری در یک نقطه زمانی معین برای واکنش موثر در بلایا ضروری است. ما استفاده از GFDS و اطلاعات رسانه آنلاین را برای نقشه برداری سیل در زمان واقعی با استفاده از داده های استخراج شده برای پاکستان ارزیابی می کنیم.
با تجزیه و تحلیل سیگنال GFDS، می‌توانیم اهمیت تخمینی سیل را در هر پیکسل شبکه‌بندی شده در حدود 10 در 10 کیلومتر تولید کنیم. در این مطالعه، به منظور نشان دادن وسعت سیل فضایی شناسایی‌شده و برای وضوح، آن پیکسل‌هایی را با مقدار بزرگی بالاتر از چهار به‌عنوان آستانه وقوع سیل به روشی مشابه انتخاب کردیم، زیرا نقشه‌های سیل جهانی تجربی از داده‌های GFDS استفاده می‌کنند.
به طور مشابه، تجزیه و تحلیل بلادرنگ محتوای رسانه‌های آنلاین (اجتماعی) می‌تواند برای تولید «نقشه‌های گرمایی» از فعالیت‌های آنلاین پیرامون یک موضوع خاص استفاده شود [ 34 ، 35 ]، مانند سیل. چنین نقشه‌هایی شدت فضایی توییت‌ها را در یک طرح رنگی، در یک بازه زمانی معین (دقیقه، ساعت، روز، ماه) نشان می‌دهند. برای سازگاری با داده های GFDS، که به صورت روزانه در دسترس است، ما همچنین نقشه های حرارتی روزانه را در این مطالعه استخراج کردیم.

2.4.2. تشخیص زود هنگام

ما اثربخشی سیگنال‌های GFDS و Twitter را برای تشخیص زودهنگام سیل، با استفاده از مجموعه داده‌های استخراج‌شده برای فیلیپین ارزیابی کردیم. برای هر دو نوع داده، ما روند زمانی در قدرت سیگنال را مطالعه کردیم ( به عنوان مثال ، بزرگی سیل برای GFDS، و تعداد توییت برای داده های Floodtags). سپس این سیگنال ها با زمان گزارش رویداد سیل توسط PRC مقایسه شد. نتایج این تمرین به عنوان یک پوشش گرافیکی از نمودارهای زمان بندی داده های GFDS و Floodtags نمایش داده می شود. برای داده های Floodtags، این روش در شکل 1 نشان داده شده است .
Ijgi 04 02246 g001 1024
شکل 1. نمایش شماتیک یک الگوی شمارش معمولی توییتر که منجر به یک رویداد سیل می شود (گراف گویا است؛ توییت ها پیام های واقعی هستند که از رویدادهای سیل در فیلیپین در سال 2014 مشتق شده اند).
علاوه بر این، سیگنال GFDS را در همه رویدادها تجزیه و تحلیل کردیم تا توزیع آماری قدرت سیگنال را در همه موارد ترسیم کنیم. هدف اصلی این تحلیل ارزیابی عملکرد سیگنال GFDS در مورد حوادث فیلیپین در مقابل سیل پاکستان است.

2.4.3. درک رویداد

اطلاعات توییتر دامنه تقریباً نامحدودی را برای تجزیه و تحلیل موقعیت کیفی درست قبل، حین و بعد از بلایا فراهم می کند [ 9]]. این ممکن است شامل تجزیه و تحلیل احساسات، تجزیه و تحلیل عکس، و همچنین ارزیابی تاثیر باشد. در این مطالعه، ما استدلال می‌کنیم که اطلاعات از رسانه‌های اجتماعی ممکن است به‌ویژه برای بهبود درک و واکنش به وقوع سیل‌های غیرمنتظره یا بحث‌برانگیز مفید باشد. در قسمت سیل در پاکستان، ما تعدادی از چنین اتفاقاتی را انتخاب کردیم که برای آنها اطلاعات کیفی توییتر را بازیابی و تجزیه و تحلیل کردیم. این رخدادها شامل نقض عمدی سیستم دفاع در برابر سیل برای حفاظت از مناطق انتخاب شده و سیل در پایین دست پس از افتتاح سدهای برق آبی است. برای هر دو نوع رویداد، ما جدول زمانی و همچنین محتوای داده‌های توییتر را تجزیه و تحلیل می‌کنیم تا استفاده از آن را در واکنش به بلایا ارزیابی کنیم. برای دهانه‌های سدهای برق آبی، سیگنال GFDS را نیز تجزیه و تحلیل می‌کنیم تا پتانسیل سیستم ماهواره‌ای برای شناسایی چنین رویدادهایی را تحلیل کنیم.

3. نتایج و بحث

3.1. نقشه برداری سریع سیل

شکل 2 تخمین زده شده مناطق تحت تاثیر سیل روزانه در پاکستان را برای 6، 9 و 12 سپتامبر، همانطور که از سیگنال ماهواره GFDS ( شکل 2 A) و فعالیت توییتر ( شکل 2 B) تخمین زده شده است، نشان می دهد. شکل 2 C مناطق تحت تاثیر سیل را نشان می دهد که توسط UN-OCHA دو هفته پس از پایان قسمت سیل منتشر شده است [ 36 ].
Ijgi 04 02246 g002 1024
شکل 2. مناطق تحت تاثیر سیل که از منابع مختلف مشتق شده اند: ( الف ) سیگنال سیل از GFDS برای 6، 9 و 12 سپتامبر. ( ب ) نقشه حرارتی بر اساس فعالیت توییتر مربوط به سیل برای 6، 9 و 12 سپتامبر. و ( ج ) نقشه طغیان که توسط UN-OCHA در اکتبر 2014 منتشر شد، همه مناطقی را که در مقطعی در سپتامبر 2014 غرق شده بودند را مشخص می کند.
نتایج نشان می‌دهد که گستره‌های روزانه سیل که در زمان واقعی توسط سیگنال GFDS ( شکل 2 الف) شناسایی می‌شوند، به خوبی با ارزیابی دقیقی که هفته‌ها پس از پایان سیل ایجاد شد، مطابقت دارد. علاوه بر این، این نقشه‌ها نشان می‌دهند که جزئیات مربوط به توسعه فضایی سیل، یعنی تغییر تدریجی در مناطق آب‌گرفته در سراسر منطقه، با تاخیر کمتر از یک روز قابل پیگیری است.
نگاشت فضایی فعالیت توییتر با استفاده از پلتفرم Floodtags ( شکل 2 B) یک الگوی اساسی متفاوت از داده‌های GFDS را نشان می‌دهد، که نشان می‌دهد اطلاعات مکانی مشتق‌شده از رسانه‌های اجتماعی برای ارزیابی پیچیده‌تر از داده‌های مبتنی بر ماهواره است. اول از همه، برخلاف شناسایی غرقابی مبتنی بر ماهواره، توییت‌های مرتبط با سیل لزوماً نشانه‌ای از یک سیل جاری در همان زمان و مکانی نیست که توییت پست شده است. تحقیقات نشان داده است که کمتر از 5 درصد از توییت‌های مربوط به فاجعه در طول طوفان هایان با مشاهدات شخصی سروکار دارند، در حالی که 40 درصد اطلاعات دست دوم (به عنوان مثال، توییت‌های مجدد، یا توییت‌هایی درباره گزارش‌های خبری) را منعکس می‌کنند [ 24] .]. دوم، نقشه‌های حرارتی به شدت نسبت به مناطق شهری، هم مناطق آسیب‌دیده از سیل و هم مناطق خارج از دشت سیلابی تعصب دارند. این سوگیری ناشی از نفوذ بیشتر اینترنت و رسانه های اجتماعی در مناطق شهری است. نتیجه هر دوی این تأثیرات از نقشه‌های حرارتی مشخص است که غلظت زیادی از توییت‌ها را در مراکز شهری مانند اسلام‌آباد (در شمال کشور)، حیدرآباد و کراچی (در جنوب کشور) نشان می‌دهد. این مراکز فعالیت توییتر مستقیماً تحت تأثیر سیل‌های بزرگ قرار نمی‌گیرند، که نشان دهنده عدم تطابق آشکار بین مکان رویداد و مکان سیگنال در این مورد است.

3.2. تشخیص سریع سیل

ما توانایی‌های داده‌های GFDS و توییتر را برای تشخیص سریع رویدادهای سیل، با مقایسه زمان‌بندی آن سیگنال‌ها با لحظه گزارش رویدادهای سیل توسط سازمان‌های مدیریت بلایا (PNDA در پاکستان؛ و PRC در فیلیپین) ارزیابی کردیم. شکل 3 نتایج این تحلیل را برای سه رویداد سیل منتخب به شماره 63 نشان می دهد ( شکل 3 A). 33 ( شکل 3 ب) و 32 ( شکل 3 ج). این سه مثال عملکرد مختلط سیگنال توییتر و ماهواره را برای پرچم گذاری رویدادهای سیل گزارش شده برجسته می کند.
Ijgi 04 02246 g003 1024
شکل 3. سیگنال سیل از GFDS (خط آبی) و تجزیه و تحلیل توییتر (خطوط سیاه برای توییت ها به زبان انگلیسی (خط تیره)؛ زبان فیلیپینی (خط درشت)؛ و هر دو زبان (خط یکدست). خطوط قرمز نشان می دهد که رویداد چه زمانی رخ داده است. (جامد) و گزارش شد (خط چین). اگر فقط یک خط قرمز نشان داده شود، تاریخ وقوع و گزارش یکسان است. انواع سیل به شکستن سد (“سد”) و طوفان (“TY”) اشاره دارد. نمودارهای جداگانه برای رویدادهای مختلفی که در طول سال 2014 رخ داده اند، از جمله ( A ) یک سد و ( B ، C ) هستند. دو سیل رودخانه ناشی از طوفان.
رویداد شماره 63 ( شکل 3الف) یک رویداد سیل محلی در پامبوجان، در منطقه سامار شمالی، ناشی از سقوط طوفان روبی به خشکی بود. سازمان‌های مدیریت بلایا در فیلیپین، از جمله جمهوری خلق چین، برای سقوط این طوفان به خوبی آماده بودند. برای این مکان خاص، سیلاب ناشی از سرریز شدن یک سد در تاریخ 8 دسامبر به جمهوری خلق چین گزارش شد و با توجه به اطلاعاتی که در اختیار نویسندگان قرار داشت (خط عمودی قرمز) اندکی پس از آن اقدام شد. با این حال، در توییتر، بیش از 200 توییت و عکس که شهادت و بحث درباره شروع سیل را نشان می دهد، از دو روز قبل (6 دسامبر) ارسال شده است. تخلیه در مقیاس کوچک که در این توییت‌ها نشان داده شده است، تأکید کرد که سازمان‌های محلی واکنش به بلایا (از جمله دفتر مدیریت کاهش خطر بلایا شهرداری) از رویداد جاری بین 6 و 8 دسامبر آگاه بودند. سیگنال ماهواره ای GFDS بالا نیز بین 4 و 6 دسامبر ثبت شد، که نشان می دهد ممکن است بارندگی و سیل زیاد در آن دوره اتفاق افتاده باشد. بنابراین، در مورد این رویداد، نظارت بر سیگنال‌های توییتر و GFDS ممکن است پتانسیل تشخیص زودهنگام و واکنش سریع‌تر فاجعه توسط سازمان‌های بشردوستانه در سطح ملی را داشته باشد.
با این حال، یک سیگنال اولیه ثابت مبتنی بر تجزیه و تحلیل داده‌های توییتر و ماهواره‌ای مانند این، برای بیشتر رویدادهای مورد تجزیه و تحلیل یافت نمی‌شود. از آنجایی که جمهوری خلق چین قبلاً از توییتر و سایر منابع رسانه ای (اجتماعی) تا حدی برای تشخیص و نظارت بر بلایا استفاده می کند، اوج سیگنال توییتر را اغلب می توان در همان روزی که فاجعه برای جمهوری خلق چین شناخته شد، یافت (شکل 3 B ) . در مورد رویداد #32 ( شکل 3 C)، اطلاعات دریافتی از PRC نشان داد که این رویداد یک روز پس از وقوع (خط قرمز ثابت) گزارش شده است (خط قرمز خط چین). دوباره، یک سیگنال کوچک در داده های شمارش توییتر (خطوط سیاه) و داده های GFDS (خطوط آبی) 1 تا 2 روز قبل ثبت شد. با این حال، بزرگترین اوج در سیگنال توییتر در روز گزارش ثبت می شود (یعنی یک روز پس از وقوع رویداد). این تاکید می کند که اکثر توییت های مرتبط با سیل به طور کلی اطلاعات دست دوم را با بازتوییت گزارش های شاهد عینی یا اخبار گزارش می دهند [ 24 ].
عملکرد سیگنال GFDS در این سه رویداد سیل که در شکل 3 تجسم شده اند مخلوط است. در مورد رویداد شماره 63 ( شکل 3 الف)، به نظر می رسید که سیستم عملکرد خوبی داشته است، و چندین روز قبل از گزارش رویداد، یک سیگنال قوی (بیشتر از 4) وجود داشت. در دو رویداد دیگر ( شکل 3 B,C)، با این حال، قبل از رویداد هیچ اوج واضحی وجود نداشت و بزرگی بین هفت روز قبل و هفت روز پس از رویداد کم بود (<3).
ما توزیع آماری سیگنال GFDS را برای این دوره 15 روزه پیرامون هر یک از 80 رویداد سیل در فیلیپین و برای 17 مکان مختلف در طول سیل سپتامبر 2014 پاکستان تجزیه و تحلیل کردیم. برای مقایسه بین رویدادها، ما انحراف سیگنال GFDS را در مقایسه با مقدار متوسط ​​برای هر پیکسل، به جای مقادیر بزرگی GFDS مطلق، تجزیه و تحلیل کردیم. نتایج این تحلیل در شکل 4 برای فیلیپین ( شکل 4 الف) و پاکستان ( شکل 4) نشان داده شده است.ب). توجه داشته باشید که یک تاریخ رویداد 4 سپتامبر برای پاکستان در نظر گرفته شده است (که اولین تاریخی است که در آن سیل گزارش شده است)، در حالی که 21 تاریخ رویداد فردی برای رویدادهای فیلیپین استفاده می شود. در مکان‌هایی که GFDS عملکرد خوبی دارد، انتظار داریم یک سیگنال نسبتاً زیاد (در مقایسه با میانگین) در روزهای قبل و بعد از سیل گزارش‌شده («روز 0» در شکل 4 ) باشد.
نتایج در شکل 4نشان می دهد که در تمام رویدادهای سیل گزارش شده در فیلیپین، سیگنال GFDS بدون الگوی واضح در نوسان است. به طور کلی، هیچ سیگنال قوی از بزرگی های بالاتر مستقیماً قبل یا بعد از رویدادهای گزارش شده سیل وجود ندارد، اگرچه برای چند مکان مقادیر قدر نسبی بالا هستند. به نظر می رسد روندی در نقاط پرت قبل از رویدادهای فیلیپین وجود دارد که شاید نشان دهنده این باشد که برخی از رویدادها به خوبی ثبت شده اند، در حالی که بسیاری از آنها چنین نبودند. در مقابل، نتایج برای پاکستان الگوی واضحی از افزایش سیگنال را برای همه مکان‌ها درست قبل از تاریخ اولین سیل (4 سپتامبر) نشان می‌دهد، که همچنان افزایش می‌یابد و سپس به آرامی کاهش می‌یابد. این نشان می دهد که برای اکثر مکان ها در تجزیه و تحلیل پاکستان، سیگنال GFDS در نشان دادن تغییرات نسبی در بزرگی سیل به خوبی عمل می کند. این یافته ها تاکید می کند که عملکرد سیستم GFDS به وضعیت هیدرولوژیکی و همچنین کاربری زمین بستگی دارد. سیگنال ماهواره‌ای مایکروویو عموماً قادر به تشخیص تغییرات پوشش آب در مناطق خشک (مثلاً پاکستان) نسبت به زمین‌های کشاورزی آبی، تالاب‌ها و مناطق ساحلی است که بیشتر فیلیپین را مشخص می‌کند. بدیهی است که سیل پاکستان نیز یک رویداد شدیدتر از رویداد فیلیپین بود و بنابراین تشخیص آن توسط رصد ماهواره‌ای آسان‌تر بود. مقایسه کامل طیف وسیعی از رویدادهای با اندازه مشابه در هر دو کشور برای ارزیابی اثربخشی در تشخیص زودهنگام در شرایط مختلف مورد نیاز است. سیگنال ماهواره‌ای مایکروویو عموماً قادر به تشخیص تغییرات پوشش آب در مناطق خشک (مثلاً پاکستان) نسبت به زمین‌های کشاورزی آبی، تالاب‌ها و مناطق ساحلی است که بیشتر فیلیپین را مشخص می‌کند. بدیهی است که سیل پاکستان نیز یک رویداد شدیدتر از رویداد فیلیپین بود و بنابراین تشخیص آن توسط رصد ماهواره‌ای آسان‌تر بود. مقایسه کامل طیف وسیعی از رویدادهای با اندازه مشابه در هر دو کشور برای ارزیابی اثربخشی در تشخیص زودهنگام در شرایط مختلف مورد نیاز است. سیگنال ماهواره‌ای مایکروویو عموماً قادر به تشخیص تغییرات پوشش آب در مناطق خشک (مثلاً پاکستان) نسبت به زمین‌های کشاورزی آبی، تالاب‌ها و مناطق ساحلی است که بیشتر فیلیپین را مشخص می‌کند. بدیهی است که سیل پاکستان نیز یک رویداد شدیدتر از رویداد فیلیپین بود و بنابراین تشخیص آن توسط رصد ماهواره‌ای آسان‌تر بود. مقایسه کامل طیف وسیعی از رویدادهای با اندازه مشابه در هر دو کشور برای ارزیابی اثربخشی در تشخیص زودهنگام در شرایط مختلف مورد نیاز است.
Ijgi 04 02246 g004 1024
شکل 4. نمودارهای جعبه ای که توزیع انحراف سیگنال از میانگین را برای ( A ) تمام 80 رویداد سیل ( یعنی 80 مکان) گزارش شده در طول سال 2014 در فیلیپین نشان می دهد. و ( ب ) سیل سپتامبر 2014 در پاکستان در 17 مکان. برای تاریخ رویداد («روز 0» در محور x)، از تاریخ رویداد گزارش شده خاص برای هر رویداد جداگانه برای فیلیپین استفاده کردیم. و 4 سپتامبر 2014 برای پاکستان.

3.3. بهبود درک رویداد

سیگنال های تشخیص زودهنگام ماهواره ای نشانه کمی از مکان و بزرگی احتمالی یک رویداد در حال انجام را ارائه می دهند. علاوه بر ارائه بینش در این جنبه‌ها، داده‌های زمان واقعی از پلتفرم‌های رسانه‌های اجتماعی نیز می‌توانند بینش‌های کیفی را در مورد وضعیت روی زمین ارائه دهند [ 9 ]. این بینش ها ممکن است شامل بحث های عمومی در مورد اقدامات پیشگیری از خطر و تخلیه (اعم از تخلیه پیشگیرانه، اجباری یا داوطلبانه) باشد. شواهد تصویری از سیل های جاری؛ و درخواست کمک های اضطراری
به منظور ارزیابی استفاده از چنین داده‌هایی برای واکنش به بلایا، ما توییت‌هایی را در مورد سیل در نزدیکی شهر آتارا هزاری، در شمال شرقی پاکستان تجزیه و تحلیل کردیم. این مورد خاص به دلیل الگوی خاص و طولانی مدت پیام‌های توییتر مرتبط با سیل در دوره 4 تا 29 سپتامبر، با تعداد زیادی اوج فعالیت، مورد توجه قرار گرفت. با تجزیه و تحلیل محتوای این پیام ها می توان به بازسازی وقایع این دوره پرداخت ( شکل 5).). این بازسازی جدول زمانی زیر را نشان می دهد: از 4 سپتامبر، مردم به طور فزاینده ای نگران افزایش سطح آب هستند. در 8 سپتامبر، بحث‌های عمومی در مورد استراتژی‌های مدیریت بالقوه دولت آغاز می‌شود، که شامل تضعیف عمدی حفاظت در برابر سیل در اطراف آتارا هزاری به منظور محافظت از ساختمان‌های اصلی در تریمو و شهر جانگ است. در 10 سپتامبر، طیف وسیعی از توییت‌ها نشان می‌دهد که این دایک‌ها در واقع بدون هشدار به مردم محلی منفجر شده‌اند و حداقل 100 روستا را زیر آب برده‌اند. در دوره پس از 10 سپتامبر، این تصمیمات و پیامدهای آنها به شدت در منطقه آسیب دیده و فراتر از آن مورد بحث قرار گرفت. بحث‌ها عمدتاً به سؤالاتی در مورد اینکه چرا این اتفاق افتاده بود، توجه داشت.
Ijgi 04 02246 g005 1024
شکل 5. فعالیت توییتر در پاکستان پیرامون دمیدن سیل در اطراف آتارا هزاری برای حفاظت از کارخانه های قند در تریمو و شهر جانگ.
سیل ناگهانی زمین ها با دمیدن سیلاب ها و باز یا شکستن سدها نیز با استفاده از سیگنال ماهواره ای GFDS قابل شناسایی است. شکل 6 سیگنال GFDS را برای دو مکان پایین دست ( شکل 6 الف) و بالادست ( شکل 6 ب) سد تاربلا در پاکستان، به مدت هفت روز قبل و هفت روز پس از 4 سپتامبر نشان می دهد. شکل 6 A یک قله بسیار قوی (> 8) را در سیگنال بزرگی سیل در پایین دست سد تاربلا در 1 سپتامبر نشان می دهد که نشان دهنده باز شدن ناگهانی این سد است. شکل 6 B نشان می دهد که پوشش آب در بالادست سد قله مشابهی را مشاهده نکرده است و در واقع 2 تا 3 روز بعد به شدت کاهش یافته است.
پاکستان دارای بیش از 20 سد و سد بزرگ است که نقش مهمی در وقوع و مدیریت سیل دارد. توییتر یک پلت فرم مهم برای مردم برای بحث در مورد مسائل مربوط به این سدها، مانند مخازن کامل است. باز شدن ناگهانی سد و رگبار از بالای سر. ما سیگنال توییتر را در مورد طیف وسیعی از سدها در مناطق آسیب دیده در پاکستان، و همچنین طیف وسیعی از سدهای واقع در بالادست هند (مناطق جامو، کشمیر، هیماچال پرادش، و پنجاب) و بلافاصله در پایین دست در پاکستان (منطقه‌های جلوم و مندی بهاالدین) ( شکل 7). اوج فعالیت توییتر جریان رودخانه را دنبال می کند. تعداد توییت ها در مناطق هند در اواسط اوت به اوج خود می رسد. سد مانگلا در شمال شرقی پاکستان یک قله کوچک را در 5 سپتامبر نشان می دهد. چهار روز بعد، اوج در منطقه جلوم در پایین دست ثبت شد. و چند روز بعد ولسوالی مندی بهاءالدین اوج می گیرد. همانطور که قبلا ذکر شد، تنها بخشی از پیام‌های توییتر را می‌توان به مشاهدات مستقیم نسبت داد، در حالی که اکثر توییت‌ها بر این مشاهدات منعکس می‌شوند.
Ijgi 04 02246 g006 1024
شکل 6. سیگنال GFDS برای مکان های مستقیم ( A ) در پایین دست و ( B ) بالادست سد تاربلا، در شمال شرقی پاکستان.
Ijgi 04 02246 g007 1024
شکل 7. تعداد توییت‌های مربوط به سدها و رگبارها در امتداد رودخانه‌های جلوم، چناب و راوی. مکان ها تقریباً از بالادست به پایین دست مرتب شده اند (شماره های 1 تا 6).
با تجزیه و تحلیل محتوای توییت‌ها، متوجه می‌شویم که قله کوچک سد مانگلا در 5 سپتامبر شامل کاربران توییتر می‌شود که نگرانی‌های خود را در مورد ظرفیت کامل مخزن مانگلا مطرح می‌کنند. در اواخر ماه (20 سپتامبر) کاربران توییتر در مورد این واقعیت صحبت می کنند که اداره هواشناسی پاکستان به سد منگلا توصیه کرده است تا اوایل ماه اوت آب را آزاد کند. به گفته کاربران توییتر، این هشدار پیگیری نشده و منجر به پر شدن سد مانگلا علیرغم هشدارها شده است. ظرفیت کامل سد زمانی خطرناک است که بارندگی زیاد در ناحیه بالادست انتظار می رود، زیرا ممکن است اپراتور سد را مجبور کند که سد را برای رهاسازی مقادیر قابل توجهی آب باز کند. پیگیری فعال این گفتگوهای مرتبط با سد در رسانه های اجتماعی می تواند به سازمان های بشردوستانه بینش بیشتری در مورد پتانسیل گشایش سد بر اثر بارندگی بالا در بالادست بدهد و بنابراین می تواند در آماده سازی برای اثرات احتمالی سیل مفید باشد. توییتر همچنین می تواند به عنوان رسانه ای برای ارتباط دو طرفه با افرادی که در پایین دست سد زندگی می کنند، برای به دست آوردن اطلاعات بیشتر و توصیه به این افراد در مورد فعالیت های آمادگی احتمالی استفاده شود.

4. نتیجه گیری و پیشنهادات

در این تحقیق، ارزش بالقوه اطلاعات رسانه‌های اجتماعی و ماهواره‌ای در زمان واقعی را برای بهبود درک مکان، زمان، علل و اثرات سیل به منظور افزایش سرعت و اثربخشی واکنش به بلایا، تحلیل کردیم. هم داده‌های ماهواره‌ای GFDS و هم داده‌های توییتر که در این مقاله تجزیه و تحلیل کردیم، پتانسیل زیادی برای افزایش واکنش در برابر بلایا دارند، در حالی که هر دو دارای مشکلاتی هستند. در این بخش برخی از این موضوعات را مورد بحث قرار می دهیم و جهت های تحقیقاتی بیشتری را پیشنهاد می کنیم.

4.1. اطلاعات ماهواره ای GFDS

به طور کلی، GFDS برای پایش و اندازه‌گیری سیلاب‌های بزرگ رودخانه‌ها و کمتر برای سیل‌های کوچک با مدت زمان کوتاه مناسب است. به طور خاص، GFDS اطلاعات منحصر به فردی را برای ارزیابی جنبه های دینامیکی سیل و برای اندازه گیری کمی تأثیر سیل ارائه می دهد. با این حال، برخی از خطاهای شناخته شده در سیگنال [ 37 ] وجود دارد ، از جمله: (1) در مناطق کشاورزی، آبیاری پیکسل های اندازه گیری و مقایسه می تواند بر سیگنال تأثیر بگذارد، همانطور که با عملکرد نسبتا ضعیف سیگنال در فیلیپین در مقایسه نشان داده شد. به پاکستان ( بخش 3.2) (2) نویز متناوب ابزار گهگاه باعث ایجاد نوک های مثبت متناوب در تخلیه می شود (در اینجا کار توسط رصدخانه سیل دارتموث برای حل این مشکل ادامه دارد). (3) برف سیگنالی مشابه آب می دهد و در نسخه فعلی فیلتر نمی شود. و (4) با توجه به روش اعمال شده برای محاسبه سیگنال، GFDS ممکن است نتایج اشتباهی را در مناطق ساحلی ارائه دهد. بنابراین سیگنال GFDS برای استفاده در مناطق دلتا و جزایر کمتر مناسب است.
علاوه بر این، هنگام تفسیر مقادیر قدر مطلق از GFDS باید مراقب بود. برای نقشه های سیل نشان داده شده این مطالعه است ( بخش 3.1)، ما فقط از مقادیر بزرگی سیل بالای چهار استفاده کردیم، زیرا می‌خواستیم به صورت مکانی روی مناطقی با ناهنجاری شدید سیل که توسط GFDS شناسایی شده‌اند تمرکز کنیم. با این حال، مقادیر بین دو تا چهار معمولاً با سیل‌های کوچک و منظم مرتبط هستند. از نقطه نظر اقدام بشردوستانه، این ارزش ها را می توان با دانش میدانی آسیب پذیری مناطق خاص ترکیب کرد. مقادیر بالای دو را می توان برای تنظیم نظارت و آماده سازی برای توسعه احتمالی یک سیل بزرگ استفاده کرد. این می تواند مکمل تجزیه و تحلیل بارش های شدید پیش بینی شده یا پیش بینی سیل از خدمات ملی هواشناسی و سیستم های جهانی مانند سیستم جهانی آگاهی سیل باشد. علاوه بر این، GFDS امکان تسهیل نظارت را با نمایش مناطق مورد علاقه به روشی (پیش از عملیات) در وب سایت فراهم می کند.38 ].
با پیشرفت تحقیقات و فناوری، محصولات ماهواره ای اضافی باید به عنوان جایگزینی برای GFDS در نظر گرفته شوند. در این مرحله، GFDS و MODIS (به بخش 2.1 مراجعه کنید ) تنها منابع تشخیص آب ماهواره ای هستند که با یک مرحله زمانی روزانه در دسترس عموم قرار دارند. یک توسعه جداگانه که ممکن است جایگزین امیدوارکننده ای باشد، پیشرفت در مدل های پیش بینی سیل جهانی [ 39 ]، مانند GloFAS (سیستم آگاهی جهانی سیل) [ 40 ] و GFMS (سیستم نظارت بر سیل جهانی) [ 28 ] است. عملکرد این سیستم ها برای انجام اقدامات DRM قبل از حوادث سیل در حال حاضر توسط صلیب سرخ اوگاندا، همراه با صلیب سرخ آلمان و مرکز آب و هوای صلیب سرخ/ هلال احمر [41] در حال آزمایش است .]. در حال حاضر، عدم قطعیت در پیش‌بینی‌ها هنوز زیاد است، و چنین محصولات پیش‌بینی‌شده را نمی‌توان به اندازه محصولات شناسایی، مانند GFDS در نظر گرفت. با این حال، فقدان حقیقت زمینی کافی برای بیشتر رویدادهای سیل که رخ می‌دهند، ارزیابی هر دو (نمونه اولیه) پیش‌بینی سیل و سیستم‌های نظارت ماهواره‌ای را به چالش می‌کشد [ 42 ]. با این وجود، چندین مطالعه وجود دارد که تأثیر استفاده از محصولات طغیان سیل مشتق شده از ماهواره را برای کالیبراسیون [ 43 ، 44 ] یا همسان سازی داده ها [ 45 ، 46 ] در مدل های هیدرولوژیکی برای بهبود مهارت آن آزمایش کرده اند، که نتایج امیدوارکننده ای را نشان می دهد.

4.2. تحلیل توییتر

برخلاف سیگنال GFDS که برای نظارت بر سیل‌های بزرگ مناسب‌تر است، تا زمانی که مشاهدات و بحث‌ها توسط افراد در رسانه‌های اجتماعی به اشتراک گذاشته شود، توییتر می‌تواند برای نظارت بر سیل‌ها با هر اندازه‌ای استفاده شود. نشان داده شد که این تحلیل دارای چندین چالش است. اول، تخصیص جغرافیایی سازگار و دقیق پیام‌های توییتر پیچیده است [ 24 ، 47 ، 48]]. در ارزیابی موقعیت جغرافیایی، با تجزیه و تحلیل نشانه‌های مکان در متن توییت، به‌جای موقعیت جغرافیایی گزارش‌دهی، به دنبال مکان تأثیرگذاری هستیم. این پیچیده است، زیرا متن‌های متنی ممکن است حاوی کلمات مبهم بسیاری باشد، از جمله نام مکان‌ها، که ممکن است باعث سهم قابل‌توجهی از پیام‌ها شود که نمی‌توان با اطمینان به آنها ارجاع جغرافیایی داد. علاوه بر این، ممکن است نام مکان هایی وجود داشته باشد که چندین بار در یک کشور نشان داده شوند [ 31 ]. ارجاع جغرافیایی پیام‌ها در خارج از منطقه آسیب‌دیده یک اولویت کلیدی است، با توجه به اینکه اکثر توییت‌ها به جای مشاهدات، اطلاعات دست دوم را مورد بحث قرار می‌دهند [ 24 ].
چالش دوم، تجزیه و تحلیل توزیع فضایی شدت توییت است. برای مناطق پرجمعیت، نتایج نشان داد که به راحتی می‌توانیم تعداد زیادی توییت در مورد سیل‌های (آینده) پیدا کنیم. با این حال، برای مناطق روستایی، مانند سامار شمالی در فیلیپین، ما فقط دو شاهد عینی را پیدا کردیم که توییت می‌کردند. بعید است که چنین شدت توییت کوچکی ناظران سازمان‌های بشردوستانه را هشدار دهد، مگر اینکه به طور خاص در توییت از آنها استفاده شود (مثلاً با استفاده از “@philredcross”). علاوه بر این، چنین تعداد اندکی از گزارش های شاهدان عینی سوالاتی را در مورد نرخ هشدارهای کاذب ایجاد می کند. با توجه به هزینه های مربوط به واکنش در بلایا، بعید است که یک یا دو گزارش شاهد عینی باعث ایجاد اقدامی از طرف سازمان بشردوستانه شود. با این حال، آنها می توانند تحقیقات بیشتری را آغاز کنند،
سوم، چالش‌هایی پیرامون انتخاب توییت‌هایی وجود دارد که به مسائلی که ما به آنها نیاز داریم پاسخ دهیم. برای این مطالعه، ارزیابی را با استفاده از یک پرسش نسبتاً ساده و با استفاده از آمار آن انجام دادیم. در حالی که نتایج از قبل امیدوارکننده هستند، اگر پردازش داده‌ها را بهبود ببخشیم، به عنوان مثال با طبقه‌بندی داده‌ها با استفاده از خوشه‌ها، دقت می‌تواند بهبود یابد [ 49 ]. خوشه بندی بر اساس موضوعات ممکن است کاربر را قادر سازد تا انواع مختلف مشاهدات را تشخیص دهد و بر اساس آن از آنها استفاده کند.
در نهایت، هنگام نظارت بر رسانه های اجتماعی، ممکن است جالب باشد که پیام های فردی را از “خرد جمعیت” تشخیص دهیم [ 50 ]. در حالی که یک توییت واحد ممکن است چیز زیادی نگوید (به عنوان مثال، یک نفر نگران یک سیل است)، جمعیت ممکن است نشان دهد که چیزی واقعاً اتفاق خواهد افتاد (به عنوان مثال، بسیاری از مردم نگران یک سیل هستند و همراه با آن، سیل را پیش بینی می کنند). این تأثیر را می توان با آگاه ساختن مردم از اینکه پیام های آنها به طور مؤثر برای واکنش به بلایا استفاده می شود، تقویت کرد، که ممکن است منجر به توئیت های مسئولانه و آموزنده تر شود.

4.3. توصیه هایی برای تحقیقات بیشتر

در این مطالعه ما تعدادی توصیه برای تحقیقات بیشتر در مورد استفاده از ماهواره و داده‌های توییتر زمان واقعی برای واکنش به بلایا شناسایی کرده‌ایم.
–
پس پردازش و فیلتر کردن : تلاش‌های تحقیقاتی بیشتری برای توسعه روش‌های پس پردازش و فیلتر در زمان واقعی برای محتوای رسانه‌های اجتماعی لازم است. این روش‌شناسی‌ها، که ممکن است شامل تحلیل‌های متنی، جغرافیایی و احساساتی پیچیده‌تر باشد، باید با هدف بهبود دقت مکان و تجزیه و تحلیل تأثیر که از این داده‌ها به دست می‌آید، اطلاعات را برای سازمان‌های بشردوستانه مفیدتر کند.
–
تجزیه و تحلیل محرک عمل در زمان واقعی : این مطالعه نشان داده است که بسیاری از رویدادهای سیل را می توان در سیگنال های GFDS و Twitter، به عنوان افزایش نسبی سیگنال در مقایسه با خط پایه، ردیابی کرد. با این حال، در حال حاضر هیچ ارتباطی بین بزرگی سیگنال مشخص و احتمال یا شدت سیل و بنابراین، با اقدامات آمادگی یا واکنش مشخص وجود ندارد. تلاش‌های تحقیقاتی بیشتری برای تجزیه و تحلیل بزرگی سیگنال در طول سیل در موقعیت‌های جغرافیایی مختلف، پیوند دادن این بزرگی‌ها به اقدامات آمادگی مربوطه در کنار سازمان‌های بشردوستانه، و ایجاد پیوندهای ارتباطی بین تولیدکنندگان داده و سازمان‌های بشردوستانه برای فعال کردن این اقدامات لازم است. گرفته شود.
–
پیوند دادن سیگنال‌ها با آسیب‌پذیری‌ها : سازمان‌های بشردوستانه مانند PRC در حال انجام منظم ارزیابی ظرفیت آسیب‌پذیری (VCAs) هستند تا آسیب‌پذیری جوامع را درک کنند [ 51 ]. این امکان وجود دارد که سیگنال‌های سیل را از رصد ماهواره‌ای و رسانه‌های اجتماعی به دانش دقیق آسیب‌پذیری‌های منطقه مرتبط کنیم تا بتوان قضاوت مستدل‌تری در مورد اقدامات بالقوه بشردوستانه در منطقه انجام داد.
–
خبرنگاران شهروند : در حال حاضر ابتکاراتی در فیلیپین برای استقرار «خبرنگاران شهروندی» در حال انجام است، که غیرنظامیانی هستند که از آنها اطلاعات بلادرنگ رویدادهای جاری درخواست می شود و سپس به صورت عمومی توسط ایستگاه های خبری تلویزیون استفاده می شود. سیستم خبرنگاران شهروند ممکن است برای سازمان‌های بشردوستانه که می‌توانند داوطلبان خود را در جریان رویدادهای جاری دنبال کرده و با استفاده از رسانه‌های اجتماعی مانند توییتر دنبال کرده و از آنها حمایت کنند، به همان اندازه ارزشمند باشد. برای ارزیابی اینکه چگونه چنین رویکردی می‌تواند در جریان کاری سازمان‌های بشردوستانه پیاده‌سازی شود، و چگونه می‌توان از آن برای بهبود واکنش به بلایا استفاده کرد، به تحقیق نیاز است.
–
مشارکت : دسترسی آسان به اطلاعات تولید شده توسط رسانه های اجتماعی، و استفاده از آن بر این اساس، می تواند راهی به سوی مشارکت های جدید در آمادگی و واکنش در برابر بلایا و رویکردهای متحول کار با یکدیگر باشد. تحقیقات لازم است تا مشخص شود چه شرکای در حال حاضر در کاهش و واکنش به بلایا نقش دارند و چگونه استفاده از رسانه های اجتماعی می تواند روابط آنها را تغییر دهد.

منابع

  1. مونیخ ری. پایگاه داده NatCatSERVICE ; تحقیقات ریسک های جغرافیایی شرکت بیمه اتکایی مونیخ: مونیخ، آلمان، 2014. [ Google Scholar ]
  2. جونگمن، بی. Winsemius، HC; Aerts، JCJH; کوگلن دی پرز، ای. ون آلست، MK; کرون، دبلیو. Ward, PJ کاهش آسیب پذیری در برابر سیل رودخانه ها و مزایای جهانی سازگاری. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2015 ، 112 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
  3. دفتر سازمان ملل متحد برای کاهش خطر بلایا (UNISDR). گزارش ارزیابی جهانی در مورد کاهش خطر بلایا 2015: ایجاد توسعه پایدار: آینده مدیریت ریسک بلایا . دفتر سازمان ملل متحد برای کاهش خطر بلایا: ژنو، سوئیس، 2015. [ Google Scholar ]
  4. فدراسیون بین المللی صلیب سرخ و جمعیت هلال احمر (IFRC). درخواست اضطراری: سیل مالاوی 2015 ; فدراسیون بین‌المللی صلیب سرخ و جمعیت‌های هلال احمر (IFRC): ژنو، سوئیس، 2015. [ Google Scholar ]
  5. کلت، جی. کاروانی، الف. تأمین مالی کاهش خطر بلایا: داستان 20 ساله کمک های بین المللی . تسهیلات جهانی برای کاهش و بازیابی بلایا (GFDRR): واشنگتن، دی سی، ایالات متحده آمریکا، 2013. [ Google Scholar ]
  6. کوگلن دی پرز، ای. موناسو، اف. ون آلست، ام. Suarez, P. علم برای جلوگیری از بلایا. نات. Geosci. 2014 ، 7 ، 78-79. [ Google Scholar ] [ CrossRef ]
  7. ژانگ، دی. ژو، ال. Nunamaker، JF، Jr. چارچوب مدیریت دانش برای حمایت از تصمیم‌گیری در کمک‌های بشردوستانه / امداد رسانی در بلایا. بدانید. Inf. سیستم 2002 ، 4 ، 370-385. [ Google Scholar ] [ CrossRef ]
  8. آسپلوند، م. نجم تهرانی، س. Sigholm, J. زیرساخت های اطلاعاتی در حال ظهور: همکاری در بلایا. در امنیت زیرساخت اطلاعات حیاتی ; Setola, R., Geretshuber, S., Eds. Springer: برلین، آلمان، 2009; صص 258-270. [ Google Scholar ]
  9. Meier, P. Digital Humanitarians: Big Data چگونه چهره واکنش بشردوستانه را تغییر می دهد . Taylor and Francis Press: Abingdon، UK، 2015. [ Google Scholar ]
  10. ناسا NRT. نقشه برداری سیل جهانی در دسترس آنلاین: http://oas.gsfc.nasa.gov/floodmap/ (در 13 ژوئن 2015 قابل دسترسی است).
  11. برکنریج، آر. اندرسون، E. شناسایی، نقشه برداری و اندازه گیری سیل مبتنی بر MODIS: پتانسیل برای کاربردهای هیدرولوژیکی عملیاتی. در سیل های فرامرزی: کاهش خطرات از طریق مدیریت سیل . Marsalek, J., Stancalie, G., Balint, G., Eds. Springer: Rotterdam, The Netherlands, 2006; صص 1-12. [ Google Scholar ]
  12. دی گروو، تی. Riva، P. تشخیص جهانی بلادرنگ سیل‌های بزرگ با استفاده از سنجش از راه دور مایکروویو غیرفعال. در مجموعه مقالات سی و سومین سمپوزیوم بین المللی سنجش از دور محیط زیست، Stresa، ایتالیا، 4-8 مه 2009.
  13. ممون، AA; محمد، س. رحمان، س. حق، م. پایش سیل و ارزیابی خسارت با استفاده از شاخص های آب: مطالعه موردی سیل پاکستان-2012. مصر. J. Remote Sens. Sp. علمی 2015 ، 18 ، 99-106. [ Google Scholar ] [ CrossRef ]
  14. پورتال ERCC کمک های بشردوستانه و حفاظت مدنی کمیسیون اروپا. در دسترس آنلاین: http://erccportal.jrc.ec.europa.eu/Maps/Daily-maps# (در 18 اوت 2015 قابل دسترسی است).
  15. آئو، ج. ژانگ، پی. Cao, Y. برآورد مکان رویدادهای اضطراری از جریان‌های توییتر. Procedia Comput. علمی 2014 ، 31 ، 731-739. [ Google Scholar ] [ CrossRef ]
  16. عبدالحق، ح. Gertz, M. در مورد محلی بودن کلمات کلیدی در جریان های توییتر. در مجموعه مقالات پنجمین کارگاه بین المللی ACM SIGSPATIAL در زمینه ژئو استریم، دالاس، تگزاس، ایالات متحده آمریکا، 4 نوامبر 2014.
  17. لیتارو، KH; پرکینز، TK; Rewerts، C. geocoding کامل متن در مقابل ابرداده مکانی برای آرشیوهای متنی بزرگ: به سوی ویکی‌پدیای غنی‌شده جغرافیایی. D-Lib Mag. 2012 ، 18 . [ Google Scholar ] [ CrossRef ]
  18. مورعلیداران، س. راسموسن، ال. پترسون، دی. Shin, JH Hope for Haiti: تجزیه و تحلیل استفاده از فیس بوک و توییتر در طول تلاش های امدادی زلزله. روابط عمومی. Rev. 2011 , 37 , 175-177. [ Google Scholar ] [ CrossRef ]
  19. Goodchild، MF; Glennon، JA جمع سپاری اطلاعات جغرافیایی برای واکنش به بلایا: یک مرز تحقیقاتی. بین المللی جی دیجیت. زمین 2010 ، 3 ، 231-241. [ Google Scholar ] [ CrossRef ]
  20. ارل، پی. گای، م. باک مستر، آر. اوستروم، سی. هوروات، اس. زلزله Vaughan، A. OMG! آیا توییتر می تواند واکنش در برابر زلزله را بهبود بخشد؟ سیسمول. Res. Lett. 2010 ، 81 ، 246-251. [ Google Scholar ] [ CrossRef ]
  21. Vieweg، S. هیوز، آل. استاربرد، ک. Palen, L. میکروبلاگینگ در طول دو رویداد مخاطره طبیعی: آنچه توییتر ممکن است به آگاهی موقعیتی کمک کند. در مجموعه مقالات کنفرانس ACM 2010 در مورد عوامل انسانی در سیستم های محاسباتی، آتلانتا، GA، ایالات متحده آمریکا، 10-15 آوریل 2010.
  22. مولر، CL; چپمن، ال. جانستون، اس. کید، سی. ایلینگورث، اس. فودی، جی. Overeem، A.; Leigh، RR جمع سپاری برای علوم آب و هوا و جو: وضعیت فعلی و پتانسیل آینده. بین المللی جی.کلیماتول. 2015 ، 35 ، 3185-3203. [ Google Scholar ] [ CrossRef ]
  23. Muller, CL نقشه برداری از عمق برف در سراسر غرب میدلندز با استفاده از داده های تولید شده توسط رسانه های اجتماعی. آب و هوا 2013 , 68 , 82. [ Google Scholar ] [ CrossRef ]
  24. تاکاهاشی، بی. Tandoc، EC; کارمایکل، سی. ارتباط در توییتر در طول یک فاجعه: تجزیه و تحلیل توییت ها در طول طوفان هایان در فیلیپین. محاسبه کنید. هوم رفتار 2015 ، 50 ، 392-398. [ Google Scholar ] [ CrossRef ]
  25. نوباوم، جی. روزنر، ال. روزنتال فون در پوتن، AM; کرامر، NC کارکردهای روانی اجتماعی استفاده از رسانه های اجتماعی در شرایط فاجعه: یک رویکرد چند روش شناختی. محاسبه کنید. هوم رفتار 2014 ، 34 ، 28-38. [ Google Scholar ] [ CrossRef ]
  26. گزارش وضعیت هوای موسمی 2014 ; انجمن پزشکی داکوتای شمالی (NDMA): اسلام آباد، پاکستان، 2014.
  27. سیل های پاکستان 2014: ارزیابی نیازهای بازیابی و چارچوب اقدام 2014-2016. در دسترس آنلاین: http://www.ndma.gov.pk/new/Documents/Recovery_Needs_Assessment.pdf (در 26 ژوئن 2015 قابل دسترسی است).
  28. وو، اچ. آدلر، RF؛ تیان، ی. هافمن، جی. لی، اچ. Wang, J. برآورد سیل جهانی در زمان واقعی با استفاده از بارش مبتنی بر ماهواره و یک سطح زمین و مدل مسیریابی. منبع آب Res. 2014 ، 50 ، 2693-2717. [ Google Scholar ] [ CrossRef ]
  29. تگ های سیل. در دسترس آنلاین: https://www.floodtags.com/ (در 8 سپتامبر 2015 قابل دسترسی است).
  30. هامن، اس. پوروز، آر. Burghardt, D. مکان توییتر (گاهی اوقات) مهم است: بررسی رابطه بین محتوای توییت های جغرافیایی ارجاع شده و کلاس های ویژگی نزدیک. جی. اسپات. Inf. علمی 2014 ، 2014 ، 1-36. [ Google Scholar ] [ CrossRef ]
  31. لیتارو، ک. وانگ، اس. کائو، جی. پادمنابهان، ع. Shook, E. نقشه برداری از ضربان قلب جهانی توییتر: جغرافیای توییتر. اولین دوشنبه 2013 18 . [ Google Scholar ] [ CrossRef ]
  32. 30 میلیون کاربر اینترنت در پاکستان، نیمی از تلفن همراه: گزارش. در دسترس آنلاین: http://tribune.com.pk/story/567649/30m-internet-users-in-pakistan-half-on-mobile-report/ (در تاریخ 21 مه 2015 قابل دسترسی است).
  33. گوان، ایکس. چن، سی. استفاده از داده های رسانه های اجتماعی برای درک و ارزیابی بلایا. نات. خطرات 2014 ، 74 ، 837-850. [ Google Scholar ] [ CrossRef ]
  34. گوو، آر. گرامسکی، ن. کربی، آر. سفر، ای. سوپان، ا. دان، سی. اشنایدرمن، بی. Taieb-Maimon، M. NetVisia: تجسم نقشه گرمایی و ماتریس آمار و محتوای شبکه اجتماعی پویا. در مجموعه مقالات سومین کنفرانس بین المللی IEEE در سال 2011 درباره حریم خصوصی، امنیت، ریسک و اعتماد و سومین کنفرانس بین المللی IEEE در سال 2011 در محاسبات اجتماعی (SocialCom)، بوستون، MA، ایالات متحده آمریکا، 9 تا 11 اکتبر 2011. ص 19-26.
  35. شرک، تی. Keim, D. تجزیه و تحلیل بصری داده های رسانه های اجتماعی. کامپیوتر 2013 ، 46 ، 68-75. [ Google Scholar ] [ CrossRef ]
  36. دفتر سازمان ملل متحد برای هماهنگی امور بشردوستانه. پاکستان: عکس فوری بشردوستانه—سیل (از 2 اکتبر 2014) ؛ دفتر سازمان ملل متحد برای هماهنگی امور بشردوستانه: ژنو، سوئیس، 2014. [ Google Scholar ]
  37. برکنریج، GR; کتنر، ا. سیویتسکی، جی. اوریم، آر. د گروو، تی. کوهن، اس. Nghiem، SV River Watch 2. اندازه‌گیری‌های تخلیه و رواناب رودخانه ماهواره‌ای: خلاصه فنی . دانشگاه کلرادو: بولدر، CO، ایالات متحده آمریکا.
  38. مرکز تحقیقات مشترک کمیسیون اروپا سیستم جهانی تشخیص سیل: گزارش وضعیت سیل برای بنگلادش. در دسترس آنلاین: http://www.gdacs.org/flooddetection/monitoringregion.aspx?filter=Bangladesh (در 14 سپتامبر 2015 قابل دسترسی است).
  39. وارد، پی جی. جونگمن، بی. سالامون، پ. سیمپسون، ا. بیتس، پی. د گروو، تی. مویس، اس. د پرز، EC; رودری، ر. Trigg، MA; و همکاران سودمندی و محدودیت های مدل های جهانی خطر سیل. نات. صعود چانگ. 2015 ، 5 ، 712-715. [ Google Scholar ] [ CrossRef ]
  40. الفیری، ال. بورک، پ. دوترا، ای. کرزمینسکی، بی. مورارو، دی. تیلن، جی. Pappenberger, F. GloFAS- گروه جهانی پیش‌بینی جریان جریان و هشدار اولیه سیل. هیدرول. سیستم زمین علمی 2013 ، 17 ، 1161-1175. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  41. کوگلن دی پرز، ای. ون دن هورک، بی. ون آلست، MK; جونگمن، بی. کلوز، تی. Suarez, P. تامین مالی مبتنی بر پیش‌بینی: رویکردی برای تسریع اقدامات بشردوستانه بر اساس پیش‌بینی‌های آب و هوای شدید و آب و هوا. نات. سیستم خطرات زمین. علمی 2015 ، 15 ، 895-904. [ Google Scholar ] [ CrossRef ]
  42. Revilla-Romero، B. هیرپا، FA; تیلن، جی. سالامون، پ. برکنریج، GR; پاپنبرگر، اف. de Groeve, T. ارزیابی سیستم های پیش بینی سیل جهانی و نظارت ماهواره ای در مناطق پراکنده داده – یک چالش. Remote Sens 2015 . تحت بررسی [ Google Scholar ]
  43. دی بالداسار، جی. شومان، جی. بیتس، PD تکنیکی برای کالیبراسیون مدل های هیدرولیک با استفاده از مشاهدات ماهواره ای نامشخص از وسعت سیل. جی هیدرول. 2009 ، 367 ، 276-282. [ Google Scholar ] [ CrossRef ]
  44. میلزو، سی. Krogh، PE; Bauer-Gottwein، P. ترکیب ارتفاع سنجی رادار ماهواره ای، رطوبت خاک سطحی SAR و تغییرات ذخیره کل GRACE برای کالیبراسیون مدل هیدرولوژیکی در یک حوضه بزرگ با اندازه گیری ضعیف. هیدرول. سیستم زمین علمی 2011 ، 15 ، 1729-1743. [ Google Scholar ] [ CrossRef ]
  45. ژانگ، ی. هونگ، ی. وانگ، ایکس. گورلی، جی جی. گائو، جی. ورگارا، اچ جی; یونگ، ب. جذب سیگنال‌های جریان مایکروویو غیرفعال برای بهبود پیش‌بینی سیل: اولین مطالعه در حوضه رودخانه کوبانگو، آفریقا. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2013 , 6 , 2375–2390. [ Google Scholar ] [ CrossRef ]
  46. جوستارینی، ال. ماتگن، پی. هوستاچی، ر. مونتاناری، م. پلازا، دی. Pauwels، VRN؛ de Lannoy، GJM; دی کیزر، آر. فایستر، ال. هافمن، ال. و همکاران جذب داده های سطح آب به دست آمده از SAR در یک مدل هیدرولیک: مطالعه موردی هیدرول. سیستم زمین علمی 2011 ، 15 ، 2349-2365. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. Van Laere، O. شوکارت، اس. Dhoedt, B. ارجاع جغرافیایی منابع فلیکر بر اساس متا داده های متنی. Inf. علمی 2013 ، 238 ، 52-74. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  48. دانکل، الف. تجسم محیط درک شده با استفاده از داده‌های جغرافیایی عکس جمع‌سپاری شده. Landsc. شهری. طرح. 2015 ، 142 ، 173-186. [ Google Scholar ] [ CrossRef ]
  49. Hürriyetoğlu، A. تحلیل جریان توییتی برای تخمین زمان سیل. در مجموعه مقالات بیست و پنجمین نشست زبانشناسی محاسباتی در هلند، آنتورپ، بلژیک، 5 تا 6 فوریه 2015.
  50. گالتون، F. Vox Populi (حکمت جمعیت). Nature 1949 ، 75 ، 450-451. [ Google Scholar ] [ CrossRef ]
  51. ون آلست، MK; کانن، تی. برتون، I. سازگاری در سطح جامعه با تغییرات آب و هوایی: نقش بالقوه ارزیابی ریسک جامعه مشارکتی. گلوب. محیط زیست چانگ. 2008 ، 18 ، 165-179. [ Google Scholar ] [ CrossRef ]

;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