سارا حق بیان؛ بهنام تشیع؛ مهدی مومنی
چکیده
بزهکاری مانند دیگر رفتارهای بشر دارای ظرف زمان و مکان است و اعمال مجرمانه می‌توانند در کانون‌های جرم‌خیز در یک مکان و زمان واحد قرار گیرند. هدف این مطالعه، ارائه یک روش سیستماتیک برای شناسایی و نمایش کانون‌های مکانی و زمانی جرم‌خیزی است. این روش، اطلاعات مکانی و زمانی را به‌گونه‌ای ترکیب میکند تا به‌طور شهودی پروفایل زمانی ...
بیشتر
بزهکاری مانند دیگر رفتارهای بشر دارای ظرف زمان و مکان است و اعمال مجرمانه می‌توانند در کانون‌های جرم‌خیز در یک مکان و زمان واحد قرار گیرند. هدف این مطالعه، ارائه یک روش سیستماتیک برای شناسایی و نمایش کانون‌های مکانی و زمانی جرم‌خیزی است. این روش، اطلاعات مکانی و زمانی را به‌گونه‌ای ترکیب میکند تا به‌طور شهودی پروفایل زمانی کانون‌های جرم‌خیز در سطح خرد و کلان (ساعت، سال) قابل ارزیابی باشد. بدین منظور تعداد 5573 فقره سرقت از منازل مسکونی در شهر بوستون آمریکا در بازه زمانی سال 2015 تا 2018 به‌عنوان جامعه آماری مورد مطالعه قرار گرفت و از قابلیت‌‌های GIS برای انجام آزمون‌های آماری و گرافیکی به‌منظور شناسایی و نمایش کانون‌های مکانی و زمانی جرم‌خیزی استفاده شد. در این تحقیق چهار کانون جرم‌خیز در خصوص سرقت از منازل مسکونی با استفاده از آزمون تراکم کرنل شناسایی شد. نتایج نشان داد که 78% سرقت از منازل مسکونی در این چهار کانون مکانی جرم‌خیزی رخ می‌دهد که تنها 25% از کل مساحت منطقه مورد مطالعه را در برمی‌گیرند. یافتههای تحقیق نشان داد که ترکیب کانون مکانی زمانی جرم‌خیزی با تحلیل زمانی به صورت یکجا و بدون در نظر گرفتن کانون‌های مکانی جرم‌خیز در بازه‌های ماهانه، روزانه و ساعتی تفاوت‌‌های قابل ملاحظه دارد؛ اما نتایج تحلیل سالیانه هر چهار کانون در چهار سال مورد بررسی نشان داد که بیشترین میزان وقوع سرقت در سال 2016 و کمترین میزان سرقت در سال 2018 بوده است. همچنین نتایج نشان داد که بیشترین فراوانی وقوع سرقت از منازل مسکونی در کانونی رخ داده است که کوچک‌ترین مساحت را در بین کانون‌ها داشته است.
سارا حق بیان؛ بهنام تشیع
چکیده
آلودگی هوا از جمله پدیده‌های پیچیده‌‌ای است که دارای دینامیک غیرخطی بوده و تأثیر پارامترهای متنوع بر رفتار آن، تجزیه و تحلیل و مدلسازی تغییرات مکانی و زمانی غلظت آلاینده‌‌ها را با دشواری‌‌های فراوانی مواجه می‌‌سازد. هدف از این مطالعه بهبود دقت مدلسازی آلاینده‌‌های هوا به منظور مدیریت مواجهه با استفاده از دادههای ...
بیشتر
آلودگی هوا از جمله پدیده‌های پیچیده‌‌ای است که دارای دینامیک غیرخطی بوده و تأثیر پارامترهای متنوع بر رفتار آن، تجزیه و تحلیل و مدلسازی تغییرات مکانی و زمانی غلظت آلاینده‌‌ها را با دشواری‌‌های فراوانی مواجه می‌‌سازد. هدف از این مطالعه بهبود دقت مدلسازی آلاینده‌‌های هوا به منظور مدیریت مواجهه با استفاده از دادههای حاصل از حسگرهای همراه جهت مرتفع ساختن نواقص روش رگرسیون کاربری اراضی[1] است. به منظور بهبود دقت مدلسازی LUR برای تخمین غلظت PM2.5 از هفت ایستگاه ثابت و چهارده حسگر همراه استفاده گردید. منطقه مورد مطالعه شهر اصفهان است و محل نمونه‌‌برداری حسگرهای همراه در مکان‌‌هایی با بیشترین پیش‌بینی عدم قطعیت و بالاترین احتمالی که از یک حد آستانه معین تجاوز میکند، انتخاب شدند؛ سپس از آزمون آماری t برای بررسی معنی‌دار بودن و یا نبودن بهبود نتایج استفاده گردید. در این تحقیق، چارچوبی برای تأمین دقت مورد نظر با افزودن دادههای حاصل از حسگرهای همراه؛ پیشنهاد شده است. نتایج حاصل از این تحقیق نشان داد که خطای جذر میانگین مربعات[2] حاصل از لایه زمین آمار هفت ایستگاهثابت پایش برابر با 1.802 و RMSE حاصل از ترکیب این ایستگاه‌‌ها با چهارده ایستگاه همراه معادل با 0.591 برآورد شد. نتایج نشان داد که حتی با افزودن یک حسگر همراه به ایستگاه‌‌های ثابت میزان RMSE 0.113 میکروگرم بر متر مکعب کاهش می‌‌یابد و با افزودن چهارده حسگر همراه به هفت ایستگاه ثابت میزان RMSE حاصل از ساخت مدل LUR حدود سه برابر کاهش می‌‌یابد. یافتههای حاصل از این تحقیق نشان داد کهبا استفاده از چارچوب پیشنهادی می‌‌توان کیفیت هوا را در هر مکان و زمان با دقت مورد نظر تخمین زد و قدرت تفکیک بالاتری را برای محیط‌‌های ناهمگن شهری فراهم کرد. [1]- Land Use Regression (LUR) [2]- Root Mean Square Residual (RMSE)
بهنام تشیع؛ محمد شریف
چکیده
در سال‌های اخیر، مطالعه رفتار اشیاء نقطه‌ای و تجزیه و تحلیل خطوط‌سیر آنها در علوم مختلف، بویژه در علوم اطلاعات مکانی[1]، مورد توجه بسیاری از محققان قرار گرفته است. مطالعاتمذکوربه درک صحیح الگوهای رفتاری-حرکتی این اشیاء کمک شایانی می‌کنند. نحوه حرکت اشیاء تا حد زیادی متأثر از زمینه‌ای است که حرکت در آن صورت می‌پذیرد. به همین دلیل،تحلیل ...
بیشتر
در سال‌های اخیر، مطالعه رفتار اشیاء نقطه‌ای و تجزیه و تحلیل خطوط‌سیر آنها در علوم مختلف، بویژه در علوم اطلاعات مکانی[1]، مورد توجه بسیاری از محققان قرار گرفته است. مطالعاتمذکوربه درک صحیح الگوهای رفتاری-حرکتی این اشیاء کمک شایانی می‌کنند. نحوه حرکت اشیاء تا حد زیادی متأثر از زمینه‌ای است که حرکت در آن صورت می‌پذیرد. به همین دلیل،تحلیل خطوط سیر اشیا صرفاً با در نظر گرفتن ابعاد مکانی و مکانی-زمانی به درستی شرایط حین حرکت را منعکس نمی‌کند و منجر به نتایج غیرواقعی می‌شود.با این حال، روش‌های موجود اندازه‌گیری فاصله تنها قادر به اندازه‌گیری تشابه خطوط سیر در ابعاد مکانی و مکانی-زمانی هستند و معمولاً بعد زمینه را نادیده می‌گیرند. بنابراین، در این تحقیق، روشی نوین توسعه داده شده است، تا بتوان از طیف وسیعی از اطلاعات زمینه‌ای کمی و کیفی داخلی و خارجی در کنار ابعاد مکانی-زمانی در فرآیند اندازه‌گیری تشابه خطوط سیر غیر هم‌اندازه استفاده کرد. در توسعه روش مذکور، از سیستم‌هایاستنتاج فازی برای مدلسازی تشابه خطوط سیر با استفاده از انواع دادههای حرکتی و اطلاعات زمینه‌ای بهره گرفته شده است. برای افزایش کارایی روش پیشنهادی از ساختار سلسله مراتبی مبتنی بر مسئله و تولید و تنظیم همزمان توابع عضویت و مجموعه قواعد از طریق یادگیری استفاده شده است. عملکرد این سیستم با اعمال آن برروی مجموعه خطوط سیر واقعی افراد پیادهودوچرخه‌سوار به همراه اطلاعات زمینه‌ای آنها حین حرکت مورد ارزیابی قرار گرفته است. نتایج بیانگرکارآمدی روش پیشنهادی در اندازه‌گیری زمینه-آگاه خطوط سیر با اندازه‌های گوناگون و در ابعاد مختلف است.
[1]3-Geospatial Information Science
