For Better Performance Please Use Chrome or Firefox Web Browser

Leila Motalleby (لیلا مطلبی)

بهبود الگوکاوی هم­ مکانی بر مبنای ریزدانگی

 

کشف ارتباط جغرافیایی بین رویدادها، دانش ارزشمندی را در اختیار مدیران و برنامه‌ریزان قرار می­دهد که به پشتوانه آن می­توانند تصمیمات بهتری بگیرند. مسائل مختلفی در زمینه بررسی ارتباط جغرافیایی پدیده­ها وجود دارد که از جمله آن­ها می­توان به مسئله یافتن هم­مکانی اشاره کرد. هم مکانی یکی از انواع ارتباط بین مکان­ها است که وجود یک دسته از ویژگی­های مکانی را بر اساس وجود دسته دیگری از ویژگی­ها استنباط می­کند. الگوهای هم­مکانی در مجموعه‌داده‌های مکانی، مجموعه­ای از اشیا مکانی غیرمشابه است که نمونه‌های آن­ها اغلب در یک منطقه جغرافیایی نزدیک  هم قرار دارند. استخراج این الگوها، می­تواند منجر به کشف روابط جالب‌توجهی ­شود که  بینش مهمی را برای کاربردهای مختلف مانند بهداشت عمومی، اپیدمیولوژی، محیط‌زیست، جرم­شناسی، حمل‌ونقل و خدمات مختلف مبتنی بر مکان ارائه ­دهد.

بعضی از الگوهای هم‌مکانی به‌صورت سراسری درکل ناحیه موردمطالعه ظاهر می‌شوند که به آن­ها الگوهای هم­مکانی سراسری  می­گویند، درحالی‌که بعضی دیگر صرفاً در بخش­هایی از ناحیه  موردمطالعه قابل‌مشاهده‌اند که الگوهای هم‌مکانی محلی  نامیده می­شوند. کشف الگوهای هم‌مکانی چندسطحی، بینش جدیدی در مورد تعامل بین پدیده‌های مکانی مختلف ارائه می‌دهد و کاربرد گسترده‌ای در حوزه‌های جغرافیایی دارد. در سال­های اخیر به دلیل اهمیت الگوهای هم­مکانی چندسطحی، پژوهش­های بسیاری انجام شده است، اما همچنان کشف الگوهای هم­مکانی چند سطحی، یک کار چالش‌برانگیز است.

محدودیت اکثر الگوریتم‌های موجود این است که با ویژگی‌های مکانی نقطه‌ای و آستانه فاصله همسایگی واحد کار می‌کنند، درحالی‌که داده‌های واقعی علاوه بر نمونه‌های نقطه‌ای، دارای خطوط و چندضلعی نیز هستند. نادیده‌گرفتن این جنبه ممکن است نتایج به‌دست‌آمده را تحت‌تأثیر قرار دهد. همچنین مفاهیم مکانی را می­توان ذیل یک مفهوم سطح بالاتر دسته­بندی کرد و حرکت در طول این سلسله‌مراتب­ها، به کشف الگوهایی منتهی می‌شود که ممکن است در حالت عادی موردتوجه قرار نگیرند. چرا که احتمال دارد الگوهای هم­مکانی وجود داشته باشند که در سطح ریزدانگی بالاتر نادیده گرفته شدند و در سطح ریزدانگی پایین­تر مهم تلقی شوند.

به‌منظور استخراج الگوهای محلی در سطوح مختلف ریزدانگی، در این پژوهش قسمتی به الگوریتم مبنا برای الگوکاوی هم­مکانی افزوده­شده است که قادر است از مجموعه‌داده­ی غیرنقطه­ای منطقه‌ی مورد مطالعه نظیر مجموعه‌داده‌ی محله­های آن منطقه در جهت غنی­سازی الگوکاوی هم­مکانی استفاده کند و الگوکاوی را  بر مبنای ریزدانگی،  در دو سطح ریزدانگی  متوسط و ریز انجام دهد. نتایج حاصل از اجرای مدل بر روی مجموعه­داده­های مکانی نشان­می­دهد که با استفاده از این مدل و با حل مشکل بیان شده، الگوهایی با شیوع بالا و نتایج بامعناتری به دست می­آید.

 

 

 

کلمات کلیدی: ۱-داده­کاوی مکانی ۲- الگوکاوی هم­مکانی ۳-الگوکاوی هم­مکانی چندسطحی ۴-ریزدانگی

 

Grade: 
Graduated
Website: 
https://www.linkedin.com/in/leila-motalleby-277391201/