فهرست مطالب

سنجش از دور و GIS ایران - سال پانزدهم شماره 1 (پیاپی 57، بهار 1402)

فصلنامه سنجش از دور و GIS ایران
سال پانزدهم شماره 1 (پیاپی 57، بهار 1402)

  • تاریخ انتشار: 1402/01/15
  • تعداد عناوین: 7
|
  • مائده بهی فر، حسین عقیقی*، علی اکبر متکان، علی اکبر متکان صفحات 1-15
    شاخص سطح برگ استخراج شده (LAI) از تصاویر سنجش از دور پارامتر مهمی، به منظور مدل سازی مکانی تولید پوشش گیاهی، محسوب می شود. معمولا شاخص های پوشش گیاهی که با بازتاب طول موج های قرمز و مادون قرمز نزدیک محاسبه می شوند، در برآورد LAI با استفاده از روش های آماری، به کار می روند اما بسیاری از این شاخص ها در مقادیر متفاوت LAI به اشباع می رسند. برای رفع این محدودیت، بازتاب محدوده لبه قرمز استفاده شده است؛ بنابراین، باید قابلیت شاخص های متفاوت پوشش گیاهی استخراج شده از داده های سنجش از دور، برای برآورد LAI ذرت علوفه ای، ارزیابی شود. بدین منظور پنج مرحله نمونه برداری میدانی، با فاصله زمانی نزدیک به گذر ماهواره سنتینل 2، از سوی مرکز تحقیقات فضایی پژوهشگاه فضایی ایران، اجرا شد و در مجموع، 234 نمونه از مزارع ذرت علوفه ای شرکت کشت و صنعت مگسال قزوین برداشت شد. سپس سیزده شاخص پوشش گیاهی متفاوت، با استفاده از سری زمانی تصاویر سنتینل 2، محاسبه شد و برای برآورد آماری مقادیر LAI به کار رفت. نتایج نشان داد که شاخص EVI با ضریب همبستگی 76/0 برای برآورد شاخص سطح برگ ذرت علوفه ای بهترین عملکرد را داشته است. علاوه براین، مقدار RMSE روش های رگرسیون غیرخطی بیشتر از روش های خطی بوده است.
    کلیدواژگان: ذرت علوفه ای، سنجش از دور، شاخص پوشش گیاهی، شاخص سطح برگ
  • مجتبی آخوندی خضرآباد*، محمدجواد ولدان زوج، علیرضا صفدری نژاد صفحات 17-37
    ضرورت دسترسی به کاربردهای وسیع تصاویر ابرطیفی سبب توسعه سیستم های تصویربرداری نوآورانه و اقتصادی در ثبت این تصاویر شده است. به منظور استفاده از این تصاویر، لازم است ارتباط هندسی دقیقی میان آنها و فضای زمین برقرار شود و این فرایند نیازمند نقاط کنترلی بسیاری است. این نکته ضرورت توسعه راهکارهای اصلاح هندسی منطبق با ساختار هریک از این دوربین ها را بارز می کند. سنجنده (nm 400-1000) BaySpec OCI-F یکی از سیستم های نوآورانه ای است که تصاویر ابرطیفی را با هندسه تصویربرداری پوش بروم دریافت می کند. این سنجنده، علاوه بر یک سنسور پوش بروم، از یک سنسور فریم نیز بهره می برد که هم زمان با سنسور پوش بروم و با رزولوشن مکانی زمانی مشابه، تصویر را دریافت می کند. در این مقاله، روشی برای اصلاح هندسی تصاویر پوش بروم این سنجنده بیان شده است. در بخش اول این روش، با توجه به ساختار تصویربرداری دوربین، ارتباط هندسی میان آرایه خطی و سنسور فریم در قالب پارامترهای کالیبراسیونی مشخص می شود. در ادامه، به کمک برآورد ارتباط هندسی میان تصاویر فریم متوالی، پیکسل های تصویر پوش بروم در کنار یکدیگر چیده و تصویر اصلاح شده تولید می شود. در این روش، ارتباط هندسی میان هر جفت فریم متوالی به طور مستقیم، ازطریق تناظریابی کمترین مربعات، محاسبه می شود. نتایج به دست آمده نشان می دهد که این روش، به طور متوسط، 2/62% از اعوجاجات هندسی تصویر خام را کاهش داده است. این کاهش سبب شده است متوسط دقت مدل های درون یاب عمومی ساده دوبعدی و سه بعدی بین فضای تصویر و زمین، به ترتیب، 9/39% و 1/34% افزایش یابد.
    کلیدواژگان: اصلاح هندسی، تصویربرداری پوش بروم، تناظریابی کمترین مربعات، دوربین BaySpec OCI-F
  • سعید احمدی، حدیثه سادات حسنی* صفحات 39-61

    امروزه کاربردهای تصاویر ماهواره ای، در پایش و مدیریت زمین های کشاورزی، رو به گسترش است. با توجه به قدرت تفکیک مکانی، طیفی و زمانی بالای تصاویر سنتینل 2، در این مطالعه، در کشاورزی دقیق در شهرستان قروه از این تصاویر استفاده شده است. ابتدا با توجه به تقویم زراعی محصولات متفاوت آن منطقه، تصاویر سری زمانی جمع آوری شد. در روش پیشنهادی، نخست، فضای ویژگی طیفی براساس بازتاب طیفی باندها و همچنین شاخص های گیاهی، ایجاد شد. ابعاد فضای ویژگی طیفی، با استفاده از روش آنالیز مولفه های اصلی، کاهش یافت. سپس چهار طبقه بندی کننده قدرتمند ماشین های بردار پشتیبان، شبکه عصبی پرسپترون چندلایه، نزدیک ترین k همسایه و جنگل های تصادفی نقشه طبقه بندی از اطلاعات طیفی تولید کردند. در ادامه، مکانی با هدف تعیین مرز مزارع، اطلاعات استخراج شد. برای این منظور، از شناسایی لبه ها در سری زمانی تصاویر سنتینل 2 استفاده شد. در نهایت، نقشه طبقه بندی نهایی، با تلفیق اطلاعات مکانی و ادغام نتایج طبقه بندی کننده ها ایجاد شد. نتایج به دست آمده نشان داد که دقت طبقه بندی کننده های نزدیک ترین k همسایه، ماشین های بردار پشتیبان، شبکه عصبی پرسپترون چندلایه و جنگل های تصادفی روی فضای ویژگی طیفی اولیه، به ترتیب 78/77%، 16/79%، 41/76% و 89/76% است. با استفاده از روش پیشنهادی، دقت طبقه بندی به 72/94% افزایش پیدا کرد که حاکی از توانایی آن در منطقه مورد مطالعه است.

    کلیدواژگان: تصاویر سری زمانی سنتینل 2، کشاورزی، مرز مزارع، ادغام طبقه بندی کننده ها، اطلاعات مکانی، اطلاعات طیفی
  • متین شهری*، افشین شریعت مهیمنی صفحات 63-84
    تحلیل وضعیت ترافیکی و پیشنهاد روش های مدیریت جریان ترافیک نقش اساسی در ارزیابی عملکرد بسیاری از سیستم های حمل ونقلی ایفا می کند. در بین روش های جمع آوری داده های ترافیکی، رویکردهای مبتنی بر فناوری های نوین که امکان گرد آوری حجم بسیاری از داده های پویای زمانی مکانی را فراهم می آورند و استخراج روندها و الگوها را تسهیل می کنند اهمیت بسیاری دارند. در این پژوهش، تهران به منزله پایتخت ایران، با ویژگی های اقتصادی و اجتماعی خاصی که دارد و تنوع سفرها که به وضعیت ترافیکی متغیر منجر می شود، مطالعه شده است. داده های حاصل از پردازش رقومی تصاویر ترافیکی به دست آمده از سرویس نقشه گوگل در بازه زمانی پیوسته یک ماهه ای (هفدهم فروردین تا هفدهم اردیبهشت 1398)، نخستین بار به منظور ارزیابی روند تغییرات میانگین ازدحام ترافیکی در سطح نواحی منطقه مطالعاتی، به کار رفته است. پس از استخراج داده های اولیه و با توجه به تغییر الگوی سفرها و در نتیجه، میزان ازدحام ترافیکی، شاخص ازدحام ترافیکی (CI) به تفکیک در روزهای کاری و غیرکاری، محاسبه شد و به مرکز نواحی 117گانه شهر تهران اختصاص یافت. با استفاده از تحلیل های توصیفی روی کلان داده های مورد بررسی، ساعات اوج ازدحام ترافیکی در بازه زمانی مورد مطالعه استخراج شد. سپس شاخص Getis Ord، نواحی پرازدحام منطقه مطالعاتی را براساس ارزیابی خوشه های مکانی، مشخص کرد. همچنین ارتباط زمانی بین مقادیر ازدحادم ترافیکی، در برش های زمانی متفاوت طی کل بازه زمانی مورد مطالعه، با استفاده از آزمون آماری کروسکال والیس ارزیابی شد و فرض صفر مبتنی بر همبستگی بین مقادیر میانگین ازدحام و در نتیجه، همبستگی زمانی بین مقادیر تایید شد. با استفاده از تحلیل های پوششی نقشه های ترافیکی نیز، خوشه های ترافیکی پرازدحام در سطح اطمینان 90%، در اوج صبح و عصر، به تفکیک روزهای کاری و غیرکاری استخراج شد. نتایج این پژوهش می تواند در اصلاح و بازنگری محدوده های ترافیکی موثر باشد و همچنین به تحلیل های مرتبط با آلودگی هوا، مطالعات در زمینه قیمت گذاری معابر و بررسی روند شکل گیری و انتشار گلوگاه های ترافیکی در بازه های زمانی دلخواه، یاری برساند.
    کلیدواژگان: ازدحام ترافیکی، تحلیل مکانی، تحلیل زمانی، نقشه های پوششی، تصاویر ترافیکی
  • محمد حاجب، سعید حمزه*، سید کاظم علوی پناه، جوشم ورلزت صفحات 85-108
    شاخص سطح برگ نقش مهمی در تبادل ماده و انرژی بین زمین و اتمسفر دارد. مانند سایر گیاهان، شاخص سطح برگ نیشکر معیار خوبی برای وضعیت سلامت و رشد این محصول است که به دلیل نقش آن در صنایع غذایی و انرژی، اهمیت اقتصادی بسیاری دارد. ماهواره PRISMA که در سال 2019 پرتاب شد، یکی از جدیدترین منابع داده های ابرطیفی را فراهم کرده است که به ویژه، در تهیه نقشه متغیرهای گیاهی کاربرد دارد. در پژوهش حاضر، نوع جدیدی از شبکه های عصبی مصنوعی، موسوم به شبکه عصبی تنظیم شده با روش بیزین (BRANN) که قانون بیز را برای غلبه بر مشکل بیش برازش شبکه های عصبی به کار می برد، استفاده می شود. مدل یادشده روی مجموعه ای داده، متشکل از طیف دریافت شده ازطریق ماهواره PRISMA به منزله متغیر مستقل و مقادیر اندازه گیری شاخص سطح برگ نیشکر به منزله متغیر وابسته، اجرا شد. اندازه گیری های زمینی شاخص سطح برگ نیشکر در 118 واحد نمونه برداری زمینی، روی مزارع کشت و صنعت نیشکر امیرکبیر در استان خوزستان و در هفت تاریخ متفاوت طی یک دوره رشد نیشکر در سال 1399، انجام شد. مقایسه عملکرد BRANN با یک روش متعارف شبکه عصبی، یعنی شبکه آموزش دیده با روش لونبرگ مارکوارت (LMANN) در بازیابی شاخص سطح برگ نیشکر از طیف PRISMA، حاکی از این است کهRMSE  بازیابی از 26/2 (m2/m2) به روش LMANN به 67/0 (m2/m2)، با استفاده از روش BRANN کاهش یافته است. در این پژوهش، به منظور کاهش ابعاد داده نیز از تبدیل مولفه های اصلی استفاده شد. در بازیابی شاخص سطح برگ از بیست مولفه اصلی اول نیز RMSE از 41/1 (m2/m2) با استفاده از روش LMANN به 71/0 (m2/m2) طبق روش BRANN کاهش یافت. استفاده از مولفه های اصلی باعث کاهش چشمگیر زمان محاسباتی شد. با اجرای مدل آموزش دیده BRANN روی تصاویر PRISMA به صورت پیکسل به پیکسل، نقشه شاخص سطح برگ نیشکر تولید شد. ارزیابی این نقشه نشان داد که این نقشه تغییرات مکانی شاخص سطح برگ نیشکر را به خوبی نشان می دهد. نتایج این تحقیق بیانگر قابلیت بالای روش BRANN و تصاویر PRISMA برای بازیابی شاخص سطح برگ نیشکر است.
    کلیدواژگان: بازیابی پارامتر های گیاهی، شاخص سطح برگ، شبکه های عصبی مصنوعی، معکوس سازی، سنجش از دور ابرطیفی، نیشکر
  • علیرضا شورشی، حسن ذوقی* صفحات 109-127

    در میان شبکه معابر شهری، شبکه راه های اضطراری در امدادرسانی حین زلزله، به ویژه در مرحله پاسخ به بحران، نقش مهمی ایفا می کنند. حفظ عملکرد این شبکه از معابر، در ساعات اولیه پس از زلزله، اهمیت بسزایی دارد. محافظت و مقاوم سازی اجزای آسیب پذیر شبکه، به خصوص پل ها، پیش از وقوع بحران، تاثیر شایان توجهی در کاهش خسارات و آسیب ها دارد. در اغلب اوقات مقاوم سازی تمامی اجزای آسیب پذیر، به دلیل محدودیت بودجه، عملا ناممکن است. این محدودیت ایجاب می کند که با شناسایی دقیق اجزای آسیب پذیر، گزینه های مقاوم سازی در ابتدا اولویت بندی و در نهایت، مناسب ترین آنها انتخاب شود. طی پژوهش حاضر، ابتدا پل های نیازمند مقاوم سازی واقع در شبکه راه های اضطراری، با استفاده از یک روش شناسی پنج مرحله ای شناسایی می شود و با توجه به محدودیت های مالی و گزینه های تخصیص بودجه، گزینه های مقاوم سازی منتخب برمبنای شبکه لایه های ایجادشده در محیطGIS  (با عنوان ورودی) اولویت بندی می شود. بررسی همه حالات ممکن برای پایداری پل ها پس از وقوع زلزله ای مشخص، طراحی شبکه معابر اضطراری برای همه این حالات، بررسی گزینه های متفاوت مقاوم سازی پل ها، ارزیابی اثر این مقاوم سازی در طول شبکه اضطراری و در نهایت، اولویت بندی گزینه های مقاوم سازی، با توجه به تاثیر آنها در طول شبکه اضطراری، مراحل اصلی روش پیشنهادی این مطالعه را تشکیل می دهد. کارآیی روش یادشده پس از به کارگیری آن روی بخشی از شبکه معابر اضطراری شهر تهران به منزله شبکه ای واقعی با ابعاد بزرگ، ارزیابی شد.

    کلیدواژگان: شبکه معابر اضطراری، سیستم اطلاعات مکانی، آسیب پذیری، پل های شهری، اولویت بندی مقاوم سازی
  • مهدیس یارمحمدی، علی اصغر آل شیخ، محمد شریف* صفحات 129-139
    طوفان های گرد و غبار بلایایی طبیعی اند که در زندگی انسان و محیط زیست تاثیر چشمگیری گذاشته اند. توسعه مدل هایی، به منظور پیش بینی مسیر حرکت این طوفان ها، در پیشگیری و مدیریت طوفان های گرد و غبار نقش بسزایی ایفا می کند زیرا مسیر انتقال آنها را آشکار و مناطق آسیب پذیر بعدی در برابر طوفان را مشخص می کنند. به لطف امکانات روش های یادگیری عمیق در حل مسایل مبتنی بر سری زمانی و یافتن الگوهای پنهان از حجم داده کلان، در این پژوهش، یک مدل ترکیبی شبکه عصبی پیچشی (CNN) به منظور پیش بینی مسیر حرکت طوفان گرد و غبار، براساس داده عمق نوری هواویز (AOD) محصول MERRA-2 برای دوازده ساعت آینده، توسعه داده شده است. همچنین چهل رویداد طوفان، شامل 2489 ساعت طوفان در منطقه ای خشک در مرکز و جنوب آسیا، به منظور آموزش مدل به کار رفته است. نتایج نشان می دهد که مدل پیشنهادی پیش بینی دقیقی از مسیر حرکت طوفان به دست می دهد؛ به گونه ای که درمورد گام های زمانی 3، 6، 9 و 12 ساعت آینده، مقادیر دقت کلی به ترتیب برابر با 9806/0، 9810/0، 9813/0 و 9790/0، مقادیر امتیاز F1 به ترتیب برابر با 8490/0، 8524/0، 8530/0 و 8384/0 و مقادیر ضریب کاپا به ترتیب برابر با 8387/0، 8424/0، 8431/0 و 8273/0 است.
    کلیدواژگان: فرایند حرکتی، پیش بینی حرکت، یادگیری عمیق، طوفان های گرد و غبار، MERRA-2
|
  • Maedeh Behifar, Hossein Aghighi *, Aliakbar Matkan, Hamid Salehi Shahrabi Pages 1-15
    Leaf area index (LAI) derived from remotely sensed images is considered as an important index for spatial modelling of vegetation productivity. Traditionally, the spectral vegetation indices (VIs) derived from the red (R) and near infrared (NIR) reflectance values have been utilized to statistically estimate LAI. However, most of these VIs saturate at some level of LAI. This limitation was over-come by using the reflectance spectra in the red-edge region. Therefore, it is necessary to evaluate the capability of different VIs derived from RS data to estimate the LAI of silage maize.  For this purpose, five field sampling campaigns which were near-simultaneous with Sentinel II over-passes were conducted by the Space Research Center, Iranian Space Research Center and totally 234 samples were collected from the silage maize fields, in Magsal, Qazvin.  Then, 13 VIs from the time series of Sentinel-2 imagery were computed and employed to statistically estimate the LAI values. The results showed that Enhanced vegetation index (EVI) with  outperformed other VIs to estimate LAI of silage maize. Moreover, the  values of non-linear regression models were higher that the liner ones.
    Keywords: Corn, remote sensing, Vegetation index, Leaf Area Index
  • Mojtaba Akhoundi Khezrabad *, Mohammad Javad Valadan Zoej, Alireza Safdari Nezhad Pages 17-37
    Due to the wide applications of hyperspectral images, economical and innovative imaging systems are developed to acquire such images. In order to use hyperspectral images, it is necessary to establish an accurate relation between the ground space and the image space, which needs numerous Ground Control Points (GCPs). This fact highlights the need for developing geometric corrections methods for any camera design. BaySpec OCI-F (400-1000 nm) is one of the innovative cameras that acquires pushbroom hyperspectral images. In addition to the pushbroom sensor, the camera uses a frame sensor that acquires images at the same time as the pushbroom sensor and with the same temporal rate. In this article, a geometric correction method for pushbroom images of OCI-F camera is proposed. Based on the camera’s imaging design, the first step of the method determines a set of calibration parameters which geometrically relates the pushbroom and the frame sensors. Then using this relation and the geometric relations among consecutive frames, the pixels of the pushbroom scene are rearranged and form the corrected image. The proposed method determines the relation among the consecutive images via Least Square Matching (LSM) method. The results show that the correction method has decreased the geometric distortions of the raw pushbroom scene by 62.2% on average. Such a reduction causes the average accuracies of two-dimensional and three-dimensional generic models which relate image space and ground space together, to increase by 34.1% and 39.9% respectively.
    Keywords: BaySpec OCI-F, Geometric Correction, least square matching, pushbroom images
  • Saeid Ahmadi, Hadiseh Hasani * Pages 39-61

    Nowaday, there are wide applications for satellite images in agriculture monitoring and management. According to high spatial, spectral and temporal resolution of Sentinel-2 images, we used them for precise agriculture in Qorveh country. Proposed methd consist of five step: firstly, multi-temporal images are collected based on agriculture calender of crops. Then feature space is generated based on spectral reflectance and vegetation indices which consists of 70 features. According to high dimensionality of feature space, principle component analysis is applied to reduce its dimension. Four power classifiers include support vector machine, k-nearest neighbour, multi-layer perceptron and random forests classify the reduced spectral feature space. On the other hand, spatial information are extracted from multi-temporal multispectral images. For this pupose, strandard deviation (STD) maps are generated for red, NIR and SWIR bands of each epoch. Then, by averaging the STD maps, final STD map is obtained. Edge detection is performed on STD map and it improves by removing small lines, smoothing, thining, etc. Finally, crop mapping is done by fusion of four classification maps and agriculture farm boundaries. The obtained results show that classification accuracy of k-nearest neighbour, support vector machine, multi-layer perceptron and random forest classifiers are 77.78%, 79,16%, 76.41% and 76.89%, respectively. The overall accuracy of the proposed method improve up to 94.72% which proves high potential of the proposed method.

    Keywords: Multi-temporal Sentinel-2 Images, Agriculture farm boundary, classifier fusion, spatial information, spectral information
  • Matin Shahri *, Afshin Shariat Mohaymany Pages 63-84
    Analyzing traffic conditions and suggesting traffic management methods play a critical role in evaluating the effectiveness of transportation systems. Among the methods suggested for collecting traffic data, approaches based on new technologies attracted more attention due to the ability of collecting large amounts of dynamic spatio-temporal data making it easy to identify trends and patterns. In this study, Tehran, the capital of Iran with socio-economic characteristics and the variety of urban trips which lead to heterogeneous traffic state will be considered. Data obtained from digital processing of Google Maps traffic images the one-month time interval (April 7th to May 7th, 2017), has been applied for the first time to evaluate the trend and overall pattern of the changes in traffic congestion in the study area. Considering the variety of trip patterns and consequently the traffic congestion, traffic congestion index (CI) has been calculated on workdays and weekends separately and was assigned to the district center and the morning and evening peak-hours were extracted using descriptive analysis. By applying Getis-Ord hot-spot and cold-spot index, the clusters of congested areas have been recognized over the study area. Also, the temporal relationship between traffic congestion indexes in different time sections was evaluated using Kruskal-Wallis statistical test and the null hypothesis of correlation between the mean values of congestion index was confirmed. Using overlay analysis of congestion maps, clusters indicating congested areas at 90% confidence intervals were extracted during morning and evening peaks on weekdays and weekends separately. The results of this study can be effective in modifying traffic congestion zones, analyzing pollution or studies relating to road pricing, and assessing the process of traffic congestion propagation during desired time intervals.
    Keywords: Traffic congestion, spatio-temporal analyses, map overlay, traffic images
  • M Hajeb, Saeid Hamzeh *, Seyed Kazem Alavipanah, Jochem Verrelst Pages 85-108
    Leaf Area Index (LAI) plays a critical role in the mass and energy exchanges between the earth and the atmosphere. Like of other plants, LAI of sugarcane is a good indicator of the health status and growth of this crop which is of great economic importance due to its role in the food and energy industries. Launched in 2019, the PRISMA satellite provides one of the most recent hyperspectral data sources which are applicable especially for mapping plant variables. In this study, a new kind of Artificial Neural Networks (ANN) so-called Bayesian Regularized Artificial Neural Networkk (BRANN) which applies Bayes' theorem to overcome the overfitting problem of neural networks is used. The model was implemented on a data set consisting of spectrum obtained by PRISMA satellite as an independent variable and sugarcane LAI measurements as a dependent variable. The ground measurements of sugarcane LAI were carried out in 118 elementary sampling units on the fields of Amir Kabir sugarcane cultivation and industry in Khuzestan province and on seven different dates during a sugarcane growth period in 2020. Comparing the performance of BRANN in retrieving sugarcane LAI from PRISMA spectra with that of a conventional ANN trained with the Levenberg-Marquardt algorithm (LMANN) indicates that the retrieval RMSE is reduced from 2.26 m2/m2 applying LMANN to 0.67 m2/m2 applying the BRANN method. In this study, the principle component analysis was also used dimensionality reduction. Retrieving LAI from the first 20  principle components, RMSE was also reduced from 1.41 m2/m2 applying LMANN to 0.71 m2/m2 applying BRANN. Exploiting principal components significantly reduced computational time. By implementing the calibrated BRANN model over the PRISMA image pixel by pixel, the sugarcane LAI map was generated. Evaluating this map showed that this map represents the spatial variations of sugarcane LAI well. The results of this study indicate the high performance of the BRANN method and high potential of PRISMA images to retrieve sugarcane LAI.
    Keywords: Vegetation parameter retrieval, Leaf Area Index, Artificial Neural Networks, Inverting, Hyperspectral Remote Sensing, Sugarcane
  • Ali Reza Shooreshi, Hassan Zoghi * Pages 109-127

    Among the network of urban roads, the network of emergency roads plays an important role in providing relief during an earthquake, especially in the crisis response phase. It is very important to maintain the function of the urban roads network in the first few hours after earthquake. Protecting and strengthening vulnerable parts of the network before the crisis (especially bridges) plays a significant effect in reducing damages and injuries. However, retrofitting all vulnerable components is practically impossible due to budget constraints. The existence of this limitation requires identifying the vulnerable components accurately. Therefore, retrofitting options are prioritized first, and the most suitable ones are finally selected. In this research, after identifying the bridges that need to be retrofitted on the emergency roads network through a five-step methodology, we also considered the financial limitations and budget allocation options, and prioritized retrofitting options based on the network of layers created in the Geographic Information systems environment (GIS) under the title of input. Examining all possible situations for the stability of bridges after a specific earthquake, designing the emergency road network for all these situations, examining different options for retrofitting bridges, evaluating the effect of this retrofitting on the length of the emergency network, and finally, the prioritization of retrofitting options according to their impact during the emergency network, are the main steps of the proposed method in this study. The efficiency of the above method was evaluated after applying it on a part of the emergency roads network of Tehran as a real network with large scale.

    Keywords: Emergency roads network, Geographic information systems, vulnerability, urban bridges, Retrofitting, prioritization
  • Mahdis Yarmohamadi, Ali Asghar Alesheikh, Mohammad Sharif * Pages 129-139
    Dust storms are natural disasters that have severely affected human life and the environment. The majority of research in dust storm has been dedicated to the forecasting of storm-prone areas. However, developing models to predict the movement of these storms plays a significant role in the prevention and management of dust storms, because they reveal the transport pathway and identify the next vulnerable areas against the storm. In this research, a hybrid convolutional neural network (CNN) model has been developed to predict the path of dust storms based on airborne optical depth (AOD) data of MERRA-2 product for the next 12 hours. 40 storm events including 2489 storm hours in a dry region in Central and South Asia have been used for training the model. The results show that the proposed model provides an accurate prediction of the storm's path, so that for the time steps of 3, 6, 9, and 12 hours, the overall accuracy values are 0.9806, 0.9810, 0.9813, and 0.9790, respectively, the F1 score values are 0.8490, 0.8524, 0.8530, and 0.8384, respectively, and the Kappa coefficient values are 0.8387, 0.8424, 0.8431, and 0.8273, respectively.
    Keywords: Deep Learning, movement prediction, moving process, Dust storms, MERRA-2