یک مدل شبکه فضایی برای تجسم و تحلیل هواشناسی بکار گرفته شده است

خلاصه

اطلاعات هواشناسی دارای ویژگی های مکانی – زمانی آشکار است. اگرچه استفاده از یک سیستم اطلاعات جغرافیایی (GIS) برای تجسم و تجزیه و تحلیل اطلاعات هواشناسی برای شناسایی و پیش‌بینی بهتر هواشناسی به منظور کاهش تلفات ناشی از بلایای هواشناسی معنادار است، اما مدل‌سازی اطلاعات هواشناسی بر اساس GIS هنوز دشوار است زیرا عناصر هواشناسی معمولاً شکل ثابت یا مرز مشخصی ندارند. تا به امروز، هنوز مدل‌های GIS کمی وجود دارد که می‌تواند الزامات تجسم هواشناسی و تحلیل هواشناسی را برآورده کند. در این مقاله، یک مدل شبکه فضایی مبتنی بر نمونه‌برداری ذرات برای پشتیبانی از نمایش و تحلیل اطلاعات هواشناسی پیشنهاد شده‌است. در این مدل، یک ذره نمونه برداری مکانی به عنوان عنصر اساسی که حاوی اطلاعات هواشناسی و مکانی است که ذره با علامت زمانی قرار می گیرد در نظر گرفته می شود. اطلاعات مکان به طور کلی با استفاده از یک نقطه نمایش داده می شود. از آنجایی که این نقاط را می توان به یک سطح در دو بعد و یک وکسل در سه بعدی گسترش داد، اگر این سطوح و وکسل ها بتوانند فضای خاصی را اشغال کنند، می توان با استفاده از این ذرات نمونه برداری فضایی با مکان های نقطه ای و اطلاعات هواشناسی آنها را نشان داد. در این مورد، فضای کامل هواشناسی را می‌توان با چیدمان ذرات متعدد با مکان‌های نقطه‌ای آنها در یک ساختار و وضوح مشخص، یعنی مدل شبکه فضایی، نشان داد و در صورت لزوم با وضوح بالاتر گسترش داد. برای استفاده عملی، فضای هواشناسی به طور منطقی به سه نوع فضا طبقه بندی می شود، یعنی فضای سطح طرح ریزی، فضای سطح منحنی، و فضای استریوسکوپی، و مدل های شبکه فضایی کاربردی گرا با اشکال سازماندهی مختلف ذرات نمونه برداری فضایی برای پشتیبانی از نمایش، پرس و جو طراحی شده اند. و تجزیه و تحلیل اطلاعات هواشناسی در سه نوع سطح. مطالعات موردی با انجام (1) تجسم داده‌های راداری که برای توصیف ضریب بازتاب یک قطره باران و اطلاعات میدان فشار به‌دست‌آمده از مراکز ملی پیش‌بینی محیط‌زیست (NCEP) استفاده می‌شود، و (2) در نظر گرفتن تجزیه و تحلیل برش به عنوان مثال دیگری که در آن تجزیه و تحلیل هواشناسی پیشرفته انجام می شود.

کلید واژه ها:

فضای هواشناسی ; مدل شبکه فضایی ; تجزیه و تحلیل هواشناسی

1. معرفی

مردم در گذشته به شدت از بلایای هواشناسی متضرر شده‌اند و تلفات ناشی از بلایای هواشناسی را می‌توان با هشدارهای اولیه بر اساس تجزیه و تحلیل اطلاعات هواشناسی که حاوی ویژگی‌های مکانی – زمانی آشکار است کاهش داد. بنابراین، استفاده از سیستم اطلاعات جغرافیایی (GIS) برای تجسم و تجزیه و تحلیل اطلاعات هواشناسی معنی دار است و استفاده از یک سیستم اطلاعات جغرافیایی برای پشتیبانی از برنامه های هواشناسی به یک موضوع داغ تبدیل شده است [1 ] . در سال های اخیر دستاوردهایی حاصل شده است. GIS به عنوان یک ابزار زیرساخت در مرکز ملی تحقیقات جوی (NCAR) برای رسیدگی به مسائل مربوط به مدیریت داده های مکانی، قابلیت همکاری و ژئوانفورماتیک در علوم جوی در سال 2005 استفاده شد [2] .]. یک ابزار GIS بصری برای کشف عدم قطعیت های جدید مدل های عددی آب و هوا توسعه داده شد [ 3 ]. سیستم های مختلف تجسم مبتنی بر وب برای پشتیبانی از بیان تغییرات جهانی و الگوهای توزیع آب و هوا [ 4 ، 5 ، 6 ]. با استفاده از GIS، رواناب سالانه و تغییرات آب و هوایی در شرق انتاریو و جنوب غربی کبک مورد تجزیه و تحلیل قرار گرفت [ 7 ]. اگرچه مطالعات فوق الذکر استراتژی های تحقیقاتی سنتی در زمینه های هواشناسی را به روشی گسترده تر افزایش داده است، یک عامل محدود کننده مهم این است که یک مدل داده مناسب به فوریت مورد نیاز است [ 8]]. به طور خاص، هنوز کمبود مدل های داده چند بعدی وجود دارد که بتوان از آنها برای بازسازی فضای هواشناسی با شکل ناپایدار و مرز فازی استفاده کرد. بنابراین، GIS فعلی هنوز ظرفیت های محدودی برای برآوردن نیازهای نمایش و تحلیل در زمینه هواشناسی دارد. هنوز کار زیادی برای استفاده از GIS فعلی و مدل‌های داده‌های آن برای نمایش دقیق پدیده‌های اقلیمی و انجام تشخیص دینامیکی مورد نیاز است که نقش مهمی در تحقیقات هواشناسی آینده خواهد داشت [9 ] .

مدل داده ابزار مهمی است که دنیای واقعی را با دنیای کامپیوتر پیوند می دهد و همچنین پایه بیان و تجزیه و تحلیل اطلاعات جغرافیایی-مکانی با یک GIS است [ 10 ]. در طول دهه‌های اخیر، یک سری از مدل‌های داده مرتبط پیشنهاد شده‌اند. به طور خلاصه، مدل‌های سطحی وجود دارند، به عنوان مثال، مدل مرزی (B-rep) و مدل سطح مش، که برای بیان اشیاء با مرزهای سطحی استفاده می‌شوند [11 ] . مدل‌های وکسل، به‌عنوان مثال، مدل‌های چهار وجهی و مدل‌های منشور مثلثی، که برای بیان اجسام جامد با واحدهای حجمی به طور محدود تقسیم‌بندی شده استفاده می‌شوند [ 12 ، 13 ، 14]؛ و مدل‌های یکپارچه‌ای که مدل‌های سطح و وکسل را با هم ترکیب می‌کنند تا هم سطح و هم ساختار داخلی این اشیاء جغرافیایی را توصیف کنند [ 15]]. با مدل‌های فوق، اطلاعات جغرافیایی مربوط به فضا و اشیاء را می‌توان از دیدگاه‌های مختلف توصیف کرد و در نتیجه سهم قابل‌توجهی در توسعه GIS فعلی داشته است. اما فضای هواشناسی نوع خاصی از ژئوفضا با ابهام و عدم قطعیت است و عناصر هواشناسی معمولاً شکل پایدار و مرز مشخصی ندارند. علاوه بر این، این نوع میدان هواشناسی با گذشت زمان به طور مداوم در حال تغییر است. برای محققانی که از روش‌های مدل‌سازی سنتی GIS برای بیان عناصر و پدیده‌های پویای هواشناسی استفاده می‌کنند، دشوار است، بنابراین توانایی GIS برای ارائه‌های حرفه‌ای هواشناسی و تجزیه و تحلیل بیشتر هواشناسی را محدود می‌کند.

در این مقاله، بر اساس تحلیل فضای هواشناسی و عناصر هواشناسی و همچنین الزامات کاربردی در تحقیقات هواشناسی، یک روش مدل‌سازی فضایی هواشناسی با استفاده از شبکه فضایی چند بعدی پیشنهاد شده است. هدف آن ارائه یک حامل موثر برای نمایش اطلاعات هواشناسی به منظور ایجاد مبنایی برای تجزیه و تحلیل و شبیه‌سازی دینامیک هواشناسی است. ساختار باقی مانده این مقاله به شرح زیر است. ایده اصلی و مدل شبکه فضایی هواشناسی منطقی در بخش 2 معرفی شده است . در بخش 3مدل‌های شبکه فضایی کاربردی مبتنی بر فضاهای هواشناسی رایج طراحی شده‌اند. استراتژی های پیاده سازی مربوط به مدل شبکه فضایی پیشنهادی و تحلیل پیشرفته در بخش 4 نشان داده شده است . آزمایش‌های مرتبط در بخش 5 توضیح داده شده است ، و نتیجه‌گیری و بحث در مورد جهت‌گیری برای مطالعه بیشتر در نهایت در بخش 6 ارائه شده است .

2. ایده اصلی مدل شبکه فضایی برای تحلیل هواشناسی

به خوبی شناخته شده است که عناصر هواشناسی به طور معمول بدون اشکال ثابت وجود دارند و همیشه با زمان تغییر می کنند. اگرچه آنها توسط چشم انسان قابل درک نیستند، اما فضای هواشناسی را به روش خود پر می کنند. نحوه نمایش تحلیل عملکرد اطلاعات هواشناسی نامرئی هنوز یک مشکل است. ایده اصلی مدل شبکه فضایی در این مقاله بر اساس فرضیه زیر ارائه شده است. مشابه حسگرها، تصور کنید که ذرات فضایی وجود دارند که می‌توانند اطلاعات هواشناسی (مانند دما و سرعت باد) را در اطراف مکان‌هایشان تشخیص دهند. شاید بتوان تصور کرد که کل فضای هواشناسی مملو از چنین ذرات بی شماری است. با توجه به فرضیه فوق، با جمع آوری این ذرات و کسب اطلاعات از خواص ذاتی آنها، ویژگی های توزیع اطلاعات هواشناسی را می توان توصیف کرد. در این تحقیق این ذرات با عنوان ذرات نمونه برداری فضایی اطلاعات هواشناسی نامیده می شوند و ایده اصلی مدل شبکه فضایی هواشناسی به شرح زیر ارائه شده است: هر ذره نمونه برداری فضایی مختصات خاص خود را دارد.x , y , z ) و اطلاعات هواشناسی را در مکان دقیق در زمان معین ذخیره می کند. اطلاعات هواشناسی ذخیره شده در یک ذره می تواند اطلاعات معمولی مانند دما، فشار، رطوبت، جهت باد و سرعت باد باشد، اما همچنین می تواند اطلاعاتی در مورد انواع مختلف پارامترهای هواشناسی جمع آوری شده توسط دستگاه های سنجش از دور (مانند رادار و ماهواره ها) در آن مکان. یک ذره نمونه برداری فضایی در فضای هواشناسی را می توان با رابطه (1) بیان کرد:

SP = F (x ، y ، z ، تی ، پ من)

(1)

که در آن x ، y و z مختصات مکان، t علامت زمانی، و P _i ویژگی های هواشناسی است ( i $\in$ [1، n ]).

در این مطالعه، برای یک ذره نمونه برداری خاص A ₀ ، موقعیت ( x ₀ ، y ₀ ، z ₀ ) ثابت است و t یک مقدار مشخص، t ₀ است . این ذره اطلاعات هواشناسی را در زمان t ₀ و در مکان ( x ₀ , y ₀ , z ₀ ) ذخیره می کند. به طور خاص، برای پارامتر P _i ، زمانی که i = 1 باشد، تنها یک نوع اطلاعات هواشناسی در این ذره ذخیره شده است. وقتی من> 1، ذره را می توان برای بیان انواع مختلف اطلاعات هواشناسی استفاده کرد. به این ترتیب، همراه با تغییرات در پارامترهای مختلف، از منظر افراطی، زمانی که این ذرات فضای هواشناسی را بسیار متراکم می کنند، اطلاعاتی که حمل می کنند تقریباً محتوای هواشناسی در فضا را نشان می دهد. بنابراین، از طریق یکپارچگی، سازماندهی و پردازش مؤثر این ذرات، فضای هواشناسی پر شده از عناصر هواشناسی را می توان به شکلی انعطاف پذیر بیان و تحلیل کرد.

بر اساس ذرات نمونه برداری فضایی، مدل شبکه منطقی فضایی فضای هواشناسی با استفاده از رابطه (2) توضیح داده شده است.

SLM = F (اس پ من ، آر ، اف م)

(2)

جایی که $S P_{i}$ یک ذره نمونه برداری فضایی با اطلاعات مکانی و هواشناسی است. R قانون توزیع برای ذرات نمونه برداری در فضا است که شکل شبکه فضایی را کنترل می کند و به اندازه کافی انعطاف پذیر است تا از ساختارهای اصلی داده های هواشناسی در کاربردهای مختلف پیروی کند. و مدل پر کردن (FM) به حالتی اشاره می کند که این ذرات نمونه برداری فضای اطراف آنها را پر می کنند و نشان دهنده فضای اطراف آنها هستند که می توان آن را به حالت گسترش نقطه و حالت پیوند نقطه تقسیم کرد.

واضح است که در این مدل، واحد بنیادی حامل اطلاعات هواشناسی، ذره نمونه برداری مکانی است و مکان آن را می توان نقطه ای از فضا در نظر گرفت. نقطه اساسی ترین شی هندسی است (همانطور که در شکل 1 نشان داده شده است). از یک طرف، این عنصر هندسی اساسی است که سایر اشیاء هندسی پیچیده را با استفاده از حالت پیوند (یک نوع FM) تشکیل می دهد. به عنوان مثال، دو نقطه متصل به هم می توانند یک پاره خط را تشکیل دهند، در حالی که چندین نقطه با هم ترکیب شده و می توانند یک پچ یا یک حجم را تشکیل دهند. از سوی دیگر، از منظر بازشناسی، هر شیئی در فضا را می توان به عنوان نقطه ای در مقیاس معینی نگریست و خود نقطه را نیز به عنوان عنصر فضایی دیالکتیکی در نظر گرفت. برعکس، یک نقطه را می‌توان به‌صورت یک‌بعدی به یک پاره خط، به‌صورت دو بعدی به یک سطح، و به‌صورت سه‌بعدی به یک وکسل با استفاده از حالت گسترش (نوع دیگری از FM) گسترش داد. به عنوان مثال، یک فضا (دو بعدی یا سه بعدی) را می توان به بخش های مختلف تقسیم کرد و هر بخش را می توان با استفاده از نتایج توسعه یافته بالا نشان داد. به همین ترتیب، فضای هواشناسی را می توان با نمونه برداری فضایی ذرات با نقاط مکان آنها ارائه کرد. اطلاعات هواشناسی پیوست شده در یک ذره نمونه برداری فضایی را می توان برای توصیف اطلاعات در سلول منبسط شده مربوطه استفاده کرد و در نهایت، اطلاعات کل فضای هواشناسی را می توان تقریباً به دست آورد. در این حالت، مدل شبکه فضایی پیشنهادی می‌تواند عناصر و پدیده‌های هواشناسی را با توجه به مقیاس و قاعده توزیع به اشکال مختلف بیان کند.

3. انتزاع کاربردی-گرا از فضای سه بعدی هواشناسی و مدل های شبکه فضایی مربوطه

در این مطالعه، برای استفاده عملی، فضای هواشناسی به طور منطقی به سه نوع فضا، یعنی فضای سطح پیش بینی، فضای سطح منحنی و فضای استریوسکوپی طبقه بندی می شود ( شکل 2 ). فضای استریوسکوپی نزدیک ترین به واقعیت است، در حالی که فضای سطح طرح ریزی و فضای سطح منحنی دو شکل انتزاعی دیگر از فضای هواشناسی هستند که برای ارضای آداب و رسوم کاربردی برای انجام تجزیه و تحلیل بصری بر اساس سطوح و لایه ها در زمینه هواشناسی استفاده می شوند.

بر اساس این انتزاع، مدل های شبکه فضایی عملی مربوطه را می توان مانند شکل 3 طراحی کرد.. در این مقاله برای ساده‌تر شدن توضیح، ذرات نمونه‌برداری فضایی که برای پرکردن فضاهای انتزاعی هواشناسی استفاده می‌شوند، در ردیف‌ها و ستون‌هایی با فواصل ثابت مرتب شده‌اند. شایان ذکر است که اگرچه این نوع سازمان‌دهی می‌تواند با داده‌های شبکه هواشناسی فعلی سازگاری بیشتری داشته باشد، اما همیشه لازم نیست که این ذرات نمونه‌برداری مکانی به این روش منظم سازماندهی شوند. برای فضاهای هواشناسی با مرز نامشخص یا که در یک فضای محدود قرار می گیرند، ذرات نمونه برداری فضایی را می توان با استفاده از قوانین توزیع مختلف سازماندهی کرد و حتی ذرات نمونه برداری مکانی در قسمت های مختلف فضا می توانند قوانین توزیع متفاوتی را به کار گیرند. همراه با یک حالت پر کردن مربوطه (FM)،

فضای سطح پیش بینی شده به عنوان شکل انتزاعی اساسی فضای هواشناسی تعریف می شود ( شکل 2 a). به طور خلاصه، این نوع فضای سطحی، پیش بینی فضای استریوسکوپیک هواشناسی در دو بعد است. برای بیان و تجزیه و تحلیل اطلاعات هواشناسی از طریق طرح ریزی و برش استفاده می شود. برای کاربردهای عملی، سطح طرح ریزی معمولاً موازی با صفحات مختصات است (به عنوان مثال، صفحه XY یا صفحه YZ ). به عنوان مثال، برای یک فضای سطح برجسته که موازی با صفحه XY است ، ارتفاع Z سطح یک مقدار ثابت خواهد بود، Z _a ; وقتی Z _a= 0، فضای سطح طرح ریزی دقیقاً در صفحه XY قرار دارد و می توان به راحتی برای تجزیه و تحلیل در دو بعد استفاده کرد.

برای تنظیم ذرات نمونه برداری در این فضای سطحی به منظور نمایش اطلاعات هواشناسی، ابتدا باید مرز فضا را ثابت کرد و سپس ذرات نمونه برداری را می توان مطابق با قانون توزیع قرار داد. دو نوع استراتژی وجود دارد ( شکل 4) در طول کار تنظیم ذرات نمونه برداری ایجاد شده است. اولین مورد این است که سلول سطح نمونه با استفاده از چهار ذره نمونه برداری مجاور ایجاد می شود. در این حالت، هر سلول سطح نمونه‌برداری می‌تواند اطلاعات هواشناسی به‌دست‌آمده از چهار رأس خود را با روش‌های خاصی، به عنوان مثال، میانگین‌گیری یا میانگین‌گیری وزنی نشان دهد. در این حالت، FM حالت پیوند خواهد بود. دوم این است که مرکز یک سلول سطح نمونه‌برداری یک ذره نمونه‌گیری است که عرض و طول آن به فاصله ردیف و فاصله ستون در قانون توزیع بستگی دارد. واضح است که SF در اینجا یک حالت توسعه است. از آنجایی که فضای سطح طرح ریزی یک صفحه دوبعدی است، سلول سطح نمونه منبسط شده می تواند برای پر کردن کل فضا به هم متصل شود. به این ترتیب، هر سلول سطح نمونه‌برداری می‌تواند اطلاعات هواشناسی معادل ذرات نمونه‌گیری مرکز را نشان دهد.

فضای سطح منحنی را می توان به عنوان سطحی با مختصات منحنی در فضا در نظر گرفت ( شکل 2 ب). نحوه استقرار ذرات نمونه برداری در فضای سطح منحنی از مراحل مشابهی با فضای سطح طرح ریزی پیروی می کند. به عنوان مثال، برای فضای سطح منحنی نشان داده شده در شکل 5 ، محدوده مرز فضایی بر روی صفحه برون‌تابی XY تعیین می‌شود و سپس ذرات نمونه‌برداری را می‌توان با فاصله‌ای خاص در جهت XY تنظیم کرد.دستگاه مختصات. از آنجایی که سطح موجود در حال خم شدن است، استفاده از حالت انبساط برای تشکیل سلول‌های سطح نمونه‌گیری دشوار است، زیرا باعث ایجاد قطعات جدا شده می‌شود. حالت پیوند برای پیوند ذرات نمونه برداری برای پر کردن کل فضای سطح منحنی مناسب تر است. بر این اساس، اطلاعات هواشناسی در هر سلول سطح نمونه بر اساس مقادیر چهار راس آن محاسبه خواهد شد. این نوع از مدل شبکه فضایی دارای مزایای قابل توجهی در رابطه با بیان اطلاعات هواشناسی با ویژگی های کانتور (مانند داده های تجزیه و تحلیل مجدد مراکز ملی پیش بینی محیطی (NCEP) می باشد).

فضای استریوسکوپی نوعی فضای ساختاری استریو سه بعدی است. مدل شبکه فضایی متناظر فضای استریو یک مدل نسبتا کامل است که می تواند اشکالات صفحه نمایش دو بعدی را که در حال حاضر برای بیان و تحلیل داده ها در هواشناسی استفاده می شود، جبران کند. می توان آن را با قرار دادن ذرات نمونه برداری از فضاهای سطح برآمده (همانطور که در شکل 6 الف نشان داده شده است) یا فضاهای سطح منحنی (همانطور که در شکل 6 نشان داده شده است) ساخت.ب) در ارتفاعات مختلف مدل شبکه فضایی ساخته شده بر اساس فضای سطح طرح ریزی را می توان مدل شبکه وکسل طرح ریزی نامید، در حالی که مدلی که بر اساس فضاهای سطح منحنی ساخته شده است را می توان مدل شبکه وکسل منحنی نامید. برای نمونه اول، با ذرات نمونه برداری، سلول های وکسل نمونه را می توان با حالت گسترش ( شکل 7 الف) یا حالت پیوند ( شکل 7) ایجاد کرد.ب) سه بعدی با این حال، برای دومی، تنها حالت پیوند برای ساخت سلول‌های وکسل نمونه‌گیری منحنی مناسب است تا از قطعات در فضای استریوسکوپی جلوگیری شود. اطلاعات هواشناسی سلول وکسل نمونه‌برداری را می‌توان توسط ذره نمونه‌گیری مرکزی آن برای حالت انبساط به دست آورد یا توسط هشت رأس برای حالت پیوند محاسبه شد. یک مدل شبکه فضایی برای فضای استریوسکوپی می تواند برای توصیف ویژگی های توزیع فضایی سه بعدی مجموعه ای از عناصر هواشناسی به طور واقعی تر استفاده شود و یک چارچوب مفهومی برای پشتیبانی از تجزیه و تحلیل سه بعدی و پردازش اطلاعات هواشناسی ارائه می دهد.

4. تحقق مدل شبکه فضایی

با توجه به تحلیل منطقی بالا، سلول‌های سطح نمونه‌برداری و سلول‌های وکسل را می‌توان با استفاده از عنصر اصلی، یعنی ذره نمونه‌گیری، با استفاده از حالت پیوند یا گسترش ساخت. برای پیاده سازی مدل شبکه فضایی، ساختار داده باید بر این اساس طراحی شود ( شکل 8 ).

برای سلول‌های سطحی که با حالت پیوند تشکیل شده‌اند، ذرات نمونه را می‌توان در یک ترتیب خاص، به عنوان مثال، خلاف جهت عقربه‌های ساعت، تنظیم کرد و سپس شاخص‌ها را می‌توان در یک آرایه برای شناسایی سلول‌های مختلف ثبت کرد. برای سلول‌های وکسل که با حالت پیوند ساختار یافته‌اند، ذرات نمونه را می‌توان در دو لایه مرتب کرد و هر لایه را می‌توان به عنوان یک سلول سطحی در نظر گرفت. اگرچه این نوع ذخیره‌سازی ممکن است زمانی که سلول‌های متعددی برای نمایش یک فضای هواشناسی به کار می‌روند، مشکلی با داده‌های اضافی ایجاد کند، دستکاری آن آسان است و کارایی تجزیه و تحلیل پیشرفته را افزایش می‌دهد. ساختار دقیق را می توان به صورت طراحی کرد

سلول سطحی مبتنی بر پیوند: {ذرات [4]، شاخص‌ها [4] (1، 2، 3، 4)};

سلول وکسل مبتنی بر پیوند: {ذرات [8]، شاخص‌ها [8] (1، 2، 3، 4، 5، 6، 7، 8)}

که در آن ذرات [ n ] آرایه ای برای ذخیره مجموعه ای از ذرات است و شاخص [ n ] برای ذخیره ترتیب ذرات برای ساخت یک سلول استفاده می شود.

برای سلول‌هایی که با حالت انبساط ساخته می‌شوند، چون در این کار ذرات نمونه‌برداری فضایی را در ردیف‌ها و ستون‌های منظم سازماندهی می‌کنیم، سلول‌های منظم را می‌توان توسط ذره مرکزی و طول اضلاع آن تشکیل داد. در این مورد، ساختار دقیق را می توان به صورت نمایش داد

سلول سطحی مبتنی بر انبساط: {particle, half Height, half Width};

سلول وکسل مبتنی بر انبساط: {ذره، نصف ارتفاع، نصف عرض، نصف عمق}

جایی که یک ذره در مرکز سلول قرار دارد، و نیمی از ارتفاع، نیمی از عرض و نیمی از عمق، نیمی از طول اضلاع آن را نشان می دهد. مهم‌تر از همه، این نوع سلول‌های مبتنی بر انبساط، متفاوت از سلول‌های مبتنی بر پیوند که از چندین ذره تشکیل شده‌اند، باید به‌گونه‌ای طراحی شوند که از ذره نمونه‌برداری به ارث رسیده است، بنابراین می‌توان آن را به عنوان یک نوع ذره خاص در نظر گرفت. در این حالت، در صورت لزوم، گسترش به یک بخش خط یک بعدی، یک سطح دو بعدی و یک وکسل سه بعدی با وضوح بالاتر آسان خواهد بود.

5. مطالعات موردی

5.1. بیان داده های رادار و میدان فشار NCEP

داده‌های رادار، که برای توصیف ضریب بازتاب قطرات باران استفاده می‌شوند، برای تأیید مدل پیشنهادی مورد استفاده قرار گرفتند. با استفاده از روش‌های تجسم سنتی (مثلاً با استفاده از پردازشگر کاربر اصلی) [ 16 ، 17 ] در زمینه هواشناسی، داده‌های رادار فقط می‌توانند با نمایش داده شدن به صفحه سطح دو بعدی و ذخیره در یک تصویر (به عنوان مثال، jpg) بیان شوند ( شکل 9 ).). در روش سنتی، مدل داده استفاده شده عمدتاً برای نگاشت تصویر طراحی شده است. به دست آوردن “دید استریو” از داده های رادار دشوار است و تجزیه و تحلیل بیشتر نیز دشوار است. در عین حال، مدل‌های کلاسیک اغلب به نوع خاصی از پردازش داده‌های هواشناسی مربوط می‌شوند. هنوز یک مدل منطقی اولیه وجود ندارد که به هر مدل اجازه دهد اطلاعات را از یکی به دیگری منتقل کند.

مدل شبکه سطح طرح ریزی و مدل شبکه وکسل طرح ریزی برای بیان داده های سطح طراحی شده اند. با استفاده از مدل شبکه سطح طرح ریزی، داده های رادار از یک بخش اسکن معین را می توان بیان کرد. ابتدا محدوده و مرز منطقه تحقیقاتی مشخص شد و سپس ذرات نمونه با فاصله شبکه ای 1 کیلومتری در ناحیه مستطیل شکل تحقیق مستقر شدند و چارچوب منطقی یک سطح طرح ریزی با فاصله ردیف و ستون منظم را تشکیل دادند (شکل 10 a . ). سپس اطلاعات هواشناسی با ذرات نمونه برداری مختلف با به دست آوردن داده های راداری اصلی و با استفاده از درون یابی دو خطی بر این اساس برای به دست آوردن مکان ذرات و شبکه داده های راداری متصل شد (شکل 10) .ب). در این حالت، کل سطح را می توان با استفاده از یک شبکه فضایی (با استفاده از حالت گسترش نقطه ای به عنوان FM، و ردیف ها و ستون های منظم به عنوان R) به اطلاعات هواشناسی متصل کرد و می توان آن را بیان کرد (شکل 10 ج ) . با مراحل مشابه، یک مدل شبکه وکسل طرح ریزی برای بیان داده های اسکن حجمی رادار ( شکل 11 ) اتخاذ شد .

سپس، داده های میدان فشار NCEP به عنوان منبع داده دیگری برای آزمایش ظرفیت بیان مدل پیشنهادی استفاده شد. داده های فشار NCEP از 17 لایه تشکیل شده است که به صورت شبکه ای سازماندهی شده اند. در این مطالعه، ابتدا مدل شبکه سطح منحنی برای توصیف هر لایه با استفاده از فاصله ردیف و ستون ساخته شد و سپس 17 لایه ساخته شده روی هم قرار گرفتند و با یک مدل شبکه وکسل منحنی بیان شدند. نتایج تجسم در شکل 12 نشان داده شده است .

علاوه بر این، به طور معمول، داده‌های خام رادار شناسایی‌شده توسط سخت‌افزار به صورت مکانی در امتداد پرتوها بر روی سطوح مخروطی متحدالمرکز مختلف (حدود 360 پرتو در هر سطح مخروط) توزیع می‌شوند (مانند شکل 13 ). برای حفظ ساختار اصلی این نوع داده ها، مدل شبکه فضایی عملی باید بر این اساس طراحی شود. در این مورد، چهار ذره (برای مدل سطحی) یا هشت ذره (برای مدل استریو) به هم متصل می شوند تا سلولی را برای نمایش داده های خام رادار تشکیل دهند. مهمتر از آن، قانون توزیع R این مدل عملی را می توان با ساختار اصلی داده های خام راداری به دست آمده، نه در ردیف ها و ستون های منظم (مانند شکل 14) تنظیم کرد.الف)، و بنابراین اطلاعات در هر نقطه از داده های خام به دست آمده را می توان به دنبال ساختار اصلی ذخیره کرد. FM در حالت پیوند نقطه است. شکل 14 ب نتیجه به عنوان مکملی برای نشان دادن این است که مدل پیشنهادی قابلیت بیان داده ها با ساختار سازمانی نامنظم را دارد.

5.2. تجزیه و تحلیل پیشرفته هواشناسی – در نظر گرفتن برش به عنوان یک مورد

از آنجایی که ذرات نمونه‌برداری عناصر اساسی مدل شبکه فضایی پیشنهادی هستند، الگوریتم برش را می‌توان با گروه‌بندی ذرات مختلف، یعنی تقسیم ذرات نمونه‌برداری به دو گروه مستقل، بر اساس موقعیت‌های متصل و سپس ساخت مدل‌های مستقل برای ذرات جداگانه پیاده‌سازی کرد. در هر گروه برای فضای فرعی هواشناسی. مهمترین مرحله در اینجا یافتن رابطه فضایی بین ذرات و صفحه برش است.

به طور کلی، زمانی که یک نقطه A و یک بردار نرمال

\vec{n}

در فضا صفحه برش را تعیین کنید P ( A ,

\vec{n}

) برای شی نقطه سه بعدی O (نشان داده شده در شکل 15 )، رابطه نسبی O و صفحه برش P را می توان با استفاده از رابطه (3) تعیین کرد.

اف = یک O - \to - \cdot n \to

(3)

اگر F > 0 باشد، نقطه O در سمت مثبت صفحه برش قرار دارد.
اگر F = 0 باشد، نقطه O در صفحه است.
اگر F < 0 باشد، نقطه O در سمت منفی صفحه برش قرار دارد.

از آنجایی که مکان یک ذره را می توان به عنوان یک نقطه در فضای سه بعدی در نظر گرفت، فلوچارت با استفاده از الگوریتم برش برای مدل شبکه فضایی پیشنهادی فضاهای هواشناسی را می توان همانطور که در شکل 16 نشان داده شده است طراحی کرد .

مدل شبکه فضایی ساختار خاص خود را برای سازماندهی مجموعه ذرات دارد و بنابراین، پس از برش، ممکن است دو مجموعه ذره ذخیره شده و ساختار سازمانی اولیه خود را حفظ کنند. بنابراین، برای دو مجموعه از مدل‌های شبکه مجزای تولید شده، حالت گسترش و حالت پیوند نیز می‌تواند با توجه به ساختار سازمانی برای تجزیه و تحلیل بیشتر اعمال شود. از این منظر، هر قسمت از ذرات برش را می توان به عنوان تولید شده با حذف ذرات مخالف صفحه برش مشاهده کرد. بنابراین، سطوح تولید شده توسط فرآیند برش دو قسمت صاف نیستند، بلکه ناهموار هستند و از سلول های مختلف تشکیل شده اند تا مرز حجم های برش را تشکیل دهند. شکل 17نتیجه انجام عملیات برش در فضای هواشناسی ایجاد شده توسط داده های رادار را نشان می دهد. با استفاده از عملیات برش، هواشناسان می توانند ساختارهای داخلی ابر طوفانی را ببینند که می تواند به آنها در تصمیم گیری بهتر برای پیش بینی کمک کند.

6. نتیجه گیری و بحث

فضای هواشناسی ترکیب مهمی از دنیای واقعی است و دیجیتالی کردن و تجزیه و تحلیل پدیده‌های هواشناسی در ابزارهای پیشرفته کنونی، مانند زمین دیجیتال [ 18 ، 19 ، 20 ] و محیط‌های جغرافیایی مجازی (VGEs) کارکردهای ضروری هستند [ 21 ، 22 ، 23 ، 24 ، 25 ، 26]. در این مقاله برای نمایش و تحلیل فضای چند بعدی هواشناسی، یک مدل شبکه فضایی برای تجسم و تحلیل اطلاعات هواشناسی پیشنهاد شده است. سپس فضای هواشناسی به فضای سطح طرح ریزی، فضای سطح منحنی و فضای استریوسکوپی انتزاع شد و مدل های مربوطه طراحی شد. استراتژی‌های مربوط به تجسم و تحلیل پیشرفته برای بررسی ظرفیت این مدل پیشنهادی نشان داده شد.

با این حال، هنوز محدودیت هایی وجود دارد که می توان آنها را در مطالعات آینده بهبود بخشید. اولاً، ذرات نمونه‌برداری عمدتاً در یک نظم مشترک و منظم سازماندهی می‌شوند، اما در واقع، ساختار داده‌های هواشناسی و تقاضا برای بیان و تجزیه و تحلیل آن در واقع پیچیده و متنوع است. برخی از آزمایش‌ها هنوز باید انجام شوند تا تنظیم ذرات نمونه‌برداری به ترتیب نامنظم به عنوان روشی تکمیلی برای آزمایش توانایی مدل پیشنهادی انجام شود. ثانیا، استراتژی‌های نمایه‌سازی داده‌ها، پرس و جو و ذخیره‌سازی در یک پایگاه داده در این مقاله در نظر گرفته نشده‌اند، که در صورت نیاز به مدیریت حجم عظیمی از داده‌های هواشناسی باعث مشکلات افزونگی داده‌ها می‌شود. به عنوان مثال، یک الگوریتم برش بدون استراتژی نمایه سازی داده ها انجام می شود. اما می توان آن را برای سرعت بخشیدن به فرآیند گروه بندی در مطالعات بیشتر بهینه کرد. ثالثاً، الگوریتم‌های بیشتری که می‌توانند انواع مختلف تحلیل حرفه‌ای هواشناسی را پشتیبانی کنند، باید بر اساس این مدل پیشنهادی پیشنهاد شوند و برای تشکیل یک استخر الگوریتم استفاده شوند. در نهایت، فضای هواشناسی و عناصر آن دستخوش یک تکامل پیوسته با ویژگی‌های مکانی – زمانی مشخص می‌شوند، اما در این مقاله، پارامتر t (نشان زمان) برای ساده‌سازی نادیده گرفته شده است. بنابراین، در مرحله بعد، قابلیت های مدیریت داده های هواشناسی مکانی-زمانی نیز باید تقویت شود. فضای هواشناسی و عناصر آن با ویژگی‌های مکانی-زمانی مشخص دچار تحول پیوسته می‌شوند، اما در این مقاله پارامتر t (نشان زمان) برای ساده‌سازی نادیده گرفته شده است. بنابراین، در مرحله بعد، قابلیت های مدیریت داده های هواشناسی مکانی-زمانی نیز باید تقویت شود. فضای هواشناسی و عناصر آن با ویژگی‌های مکانی-زمانی مشخص دچار تحول پیوسته می‌شوند، اما در این مقاله پارامتر t (نشان زمان) برای ساده‌سازی نادیده گرفته شده است. بنابراین، در مرحله بعد، قابلیت های مدیریت داده های هواشناسی مکانی-زمانی نیز باید تقویت شود.

منابع

دوبش، اچ. دوملارد، پی. Dyras, I. درونیابی فضایی برای داده های اقلیمی – استفاده از GIS در اقلیم شناسی و هواشناسی ; ISTE: لندن، بریتانیا، 2013. [ Google Scholar ]
ویلهلمی، OV; Betancourt، TL تکامل ابتکار GIS NCAR: نمایش قابلیت همکاری GIS. گاو نر صبح. هواشناسی Soc. 2005 ، 86 ، 176-178. [ Google Scholar ] [ CrossRef ]
سانیال، ج. ژانگ، اس. دایر، جی. مرسر، آ. آمبرن، پی. Moorhead، RJ Noodles: ابزاری برای تجسم عدم قطعیت گروه مدل آب و هوای عددی. IEEE Trans. Vis. محاسبه کنید. نمودار. 2010 ، 16 ، 1421-1430. [ Google Scholar ] [ CrossRef ] [ PubMed ]
تیتوف، آ. گوردوف، ای. اوکلادنیکوف، آی. Shulgina، T. وب سیستم برای پردازش و تجسم داده های هواشناسی برای تحقیقات محیط زیست سیبری. بین المللی جی دیجیت. Earth 2009 , 2 (Suppl. S1), 105–119. [ Google Scholar ] [ CrossRef ]
Sun، XJ; شن، SH; لپتوخ، GG; وانگ، پی ایکس؛ دی، ال پی. Lu, M. توسعه یک پلت فرم تجسم مبتنی بر وب برای تحقیقات آب و هوا با استفاده از Google Earth. محاسبه کنید. Geosci. 2012 ، 47 ، 160-168. [ Google Scholar ] [ CrossRef ]
لو، دبلیو. چانگ، ز. کنگ، ال. لینک، آر. حجازی، م. کلارک، ال. Maciejewski، R. تجسم مبتنی بر وب مدل ارزیابی تغییرات جهانی. در دسترس آنلاین: https://diglib.eg.org/handle/10.2312/envirvis.20151085.013-017 (دسترسی در 9 مارس 2017).
آداموفسکی، جی. آداموفسکی، ک. Prokoph، A. کمی سازی تغییرپذیری زمانی مکانی جریان سالانه و تغییرات هواشناسی در شرق انتاریو و جنوب غربی کبک با استفاده از تجزیه و تحلیل موجک و GIS. جی هیدرول. 2013 ، 499 ، 27-40. [ Google Scholar ] [ CrossRef ]
نوکه، تی. استرزل، تی. بوتینگر، ام. وربل، ام. تجسم داده های تغییر اقلیم و آب و هوا: یک مرور کلی. 2008. در دسترس آنلاین: https://www.pik-potsdam.de/members/nocke/.personal/NockeSterzelBoettingerWrobel06.pdf (در 7 مارس 2017 قابل دسترسی است).
گروتجان، ر. بارلو، ام. سیاه، آر. کاوازوس، تی. گوتوفسکی، دبلیو. گیاکوم، ج. کاتز، آر. کومار، ا. Leung، L.-Y.; شوماخر، آر. و همکاران کارگاه آموزشی CLIVAR ایالات متحده در مورد تجزیه و تحلیل، دینامیک و مدل سازی الگوهای هواشناسی در مقیاس بزرگ مرتبط با رویدادهای دما و بارش شدید . گزارش CLIVAR ایالات متحده، دفتر پروژه CLIVAR ایالات متحده: واشنگتن، دی سی، ایالات متحده آمریکا، 2014; پ. 42. [ Google Scholar ]
لی، جی. Kwan، MP یک مدل داده ترکیبی برای نمایش روابط توپولوژیکی بین ویژگی‌های جغرافیایی سه بعدی در محیط‌های میکرو فضایی. بین المللی جی. جئوگر. Inf. علمی 2005 ، 19 ، 1039-1056. [ Google Scholar ] [ CrossRef ]
تسوزوکی، MdSG؛ تاکاسه، FK; گارسیا، MAS؛ Martins، TDC تبدیل مدل‌های CSG به مدل‌های B-Rep مشبک با استفاده از اپراتورهای اویلر و راه‌پیمایی مبتنی بر انتشار. جی. براز. Soc. مکانیک. علمی مهندس 2007 ، 29 ، 337-344. [ Google Scholar ] [ CrossRef ]
فولی، جی. ون دام، ا. فاینر، اس. Hughes, J. Computer Graphics: Principles and Practice , 2nd ed.; Addison Wesley: Reading، MA، ایالات متحده آمریکا، 1995. [ Google Scholar ]
روابط توپولوژیکی Wu، LX در یک مدل سه منشوری تعمیم یافته (GTP) برای یک سیستم مدل‌سازی علوم زمین سه بعدی تجسم یافته است. محاسبه کنید. Geosci. 2004 ، 30 ، 405-418. [ Google Scholar ] [ CrossRef ]
شی، WZ; یانگ، BS; Li، QQ یک مدل داده شی گرا برای اشیاء پیچیده در سیستم های اطلاعات جغرافیایی سه بعدی. بین المللی جی. جئوگر. Inf. علمی 2003 ، 17 ، 411-430. [ Google Scholar ] [ CrossRef ]
جسل، مگاوات؛ ایلرس، ال. Kemp، EAD به سوی یک وارونگی یکپارچه داده های زمین شناسی: چه قیمتی برای زمین شناسی؟ تکتونوفیزیک 2010 ، 490 ، 294-306. [ Google Scholar ] [ CrossRef ]
Crum، TD; Alberty, R. WSR-88D و WSR-88D پشتیبانی عملیاتی. گاو نر صبح. هواشناسی Soc. 1993 ، 74 ، 1669-1687. [ Google Scholar ] [ CrossRef ]
Wang, J. کاربردهای عملیاتی شبکه رادار هواشناسی CINRAD در شاندونگ. هواشناسی 2006 ، 32 ، 102-106. [ Google Scholar ]
کراگلیا، ام. Goodchild، MF; آنونی، ا. کامارا، جی. گولد، ام. کوهن، دبلیو. مارک، دی. ماسر، آی. مگوایر، دی. لیانگ، اس. و همکاران زمین دیجیتالی نسل بعدی – مقاله موقعیتی از ابتکار Vespucci برای پیشرفت علم اطلاعات جغرافیایی. بین المللی جی. اسپات. زیرساخت داده Res. 2008 ، 3 ، 146-167. [ Google Scholar ]
Goodchild، MF آینده زمین دیجیتال. ان GIS 2012 ، 18 ، 93-98. [ Google Scholar ] [ CrossRef ]
گوا، اچ. لیو، ز. زو، ال. زمین دیجیتال: تجربیات ده ساله و برخی افکار. بین المللی جی دیجیت. زمین 2010 ، 3 ، 31-46. [ Google Scholar ] [ CrossRef ]
چن، ام. لین، اچ. هو، من؛ لی، اچ. ژانگ، CX واقعی مبتنی بر سناریوی اجتماعی مجازی: ادغام جغرافیا با تحقیقات اجتماعی. محیط زیست طرح. B طرح. دس 2013 ، 40 ، 1103-1121. [ Google Scholar ] [ CrossRef ]
چن، ام. لین، اچ. کلدیتز، او. چن، سی. توسعه محیط‌های جغرافیایی مجازی پویا (VGEs) برای تحقیقات جغرافیایی. محیط زیست علوم زمین 2015 ، 74 ، 6975-6980. [ Google Scholar ] [ CrossRef ]
لین، اچ. باتی، م. Jørgensen، SE; فو، بی. کونکنی، م. وینوف، آ. تورنس، پی. لو، جی. زو، تبر; ویلسون، جی پی؛ و همکاران محیط های مجازی شروع به پذیرش تحلیل جغرافیایی مبتنی بر فرآیند می کنند. ترانس. GIS 2015 ، 19 ، 493-498. [ Google Scholar ] [ CrossRef ]
لین، اچ. چن، ام. لو، جی. محیط جغرافیایی مجازی: فضای کاری برای آزمایش‌های جغرافیایی به کمک رایانه. ان دانشیار صبح. Geogr. 2013 ، 103 ، 465-482. [ Google Scholar ] [ CrossRef ]
لین، اچ. چن، ام. Lu، GN; زو، س. گونگ، جی اچ. شما، X. Wen, YN; Xu, BL; Hu, MY Virtual Geographic Environments (VGEs): نسل جدیدی از ابزار تحلیل جغرافیایی. علوم زمین Rev. 2012 , 126 , 74-84. [ Google Scholar ] [ CrossRef ]
لو، GN محیط جغرافیایی مجازی مبتنی بر تحلیل جغرافیایی: چارچوب، ساختار و عملکردها. علمی علوم زمین چین 2011 ، 54 ، 733-743. [ Google Scholar ] [ CrossRef ]

شکل 1. نقش یک نقطه در یک ذره نمونه برداری فضایی.

شکل 2. نمودارهای انتزاع منطقی فضای هواشناسی.

شکل 3. طراحی مدل های شبکه کاربردی فضایی کاربردی گرا.

شکل 4. مدل شبکه فضایی برای فضای سطح طرح ریزی.

شکل 5. مدل شبکه فضایی برای فضای سطح منحنی.

شکل 6. مدل شبکه فضایی برای فضای استریوسکوپی. ( الف ) ساخت مدل شبکه وکسل طرح ریزی. ( ب ) ساخت مدل شبکه وکسل منحنی.

شکل 7. حالت های ساخت نمونه برداری از سلول وکسل. ( الف ) یک سلول وکسل نمونه‌گیری که توسط حالت پیوند ساخته شده است. ( ب ) یک سلول وکسل نمونه‌برداری که با حالت بسط ساخته شده است.

شکل 8. چارچوب ساختار داده برای تحقق مدل شبکه فضایی.

شکل 9. تجسم سطحی از داده های رادار.

شکل 10. تجسم سطحی از داده های رادار. ( الف ) چارچوب منطقی؛ (ب) ذرات را تنظیم کنید و مقادیر را تعیین کنید. ( ج ) تجسم فضای سطحی.

شکل 11. تجسم داده های اسکن حجمی رادار.

شکل 12. تجسم داده های میدان فشار NCEP.

شکل 13. توزیع فضایی داده های خام رادار. ( الف ) نمای استریو؛ ( ب ) نمای عمودی. ج ) نمای جانبی.

شکل 14. تجسم داده های خام رادار در ساختار نامنظم. ( الف ) حالت پیوند منطقی؛ ( ب ) تجسم داده های خام رادار.

شکل 15. رابطه بین یک نقطه و یک صفحه برش.

شکل 16. مراحل جداسازی ذرات به گروه های مختلف.

شکل 17. تجزیه و تحلیل برش فضای هواشناسی.

© 2017 توسط نویسندگان. دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC BY) ( http://creativecommons.org/licenses/by/4.0/ ) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب