---

نرم‌افزار GPSS جعبه ابزار مطلب است که نگارندگان مقاله حاضر آن را تهیه کرده‌اند. این جعبه‌ ابزار حاوی توابع اساسی برای تعیین موقعیت دقیق و همچنین توابع جانبی برای پردازش و نمایش اطلاعات GPS و مدل‌های یونسفر و ترپسفر است. در این مقاله، علاوه بر معرفی این جعبه‌ ابزار جنبه‌هایی از تعیین موقعیت مطلق دقیق (PPP) بررسی شده است. مسائلی خاص که در PPP پیش می‌آید و نحوه مواجه شدن با این مسائل از اهداف این مقاله است. برخی از این مشکلات مانند تشکیل مدل دینامیک به نوع مجهولات وابسته‌اند و برخی دیگر به ماهیت مسئله برمی‌گردند که در این مقاله به آنها پرداخته شده است. آشنایی با این مسائل برای انجام پروژه‌های تحقیقاتی در این زمینه بسیار مهم است.

---

برای پیش‌بینی دقیق‌تر آینده شهر باید مدل‌سازی برای تمام کاربری‌های موجود در شهر انجام گیرد. روش­ رگرسیون منطقی تنها قادر به مدل‌سازی توسعه شهر به صورت دو متغیره (شهری و غیرشهری) است. هم‌چنین این روش در مرحله تخصیص مکانی، تأثیر پارامتر همسایگی را در نظر نمی­گیرد. با توجه به این موضوع، هدف اصلی این مقاله ارائه روشی جهت مدل­سازی چندگانه تغییرات کاربری اراضی و اعمال پارامتر همسایگی در مرحله تخصیص مکانی است تا بدین ترتیب دقت مدل­سازی افزایش یابد. در روش پیشنهادی، ابتدا مدل‌سازی با استفاده از رگرسیون منطقی برای هر کاربری به صورت مجزا انجام گرفت. در این تحقیق، نتایج حاصل از رگرسیون منطقی به‌عنوان نقشه شایستگی برای تخصیص مکانی، با استفاده از روش­های زنجیره مارکوف و ترکیبی همسایگی و تخصیص چندهدفه زمین  (MOLA)  با هم ترکیب شدند و نقشه کاربری اراضی سال هدف تهیه شد. بنابراین در این تحقیق با استفاده از نقشه کاربری اراضی سال‌های ۲۰۰۲ و ۲۰۰۸ و با تأثیر پارامتر همسایگی، نقشه کاربری اراضی سال ۲۰۱۴ پیش­بینی گردید و با مقایسه آن با نقشه مرجع سال ۲۰۱۴ دقت مدل‌سازی به دست آمد. نقشه‌های مرجع کاربری اراضی با طبقه­بندی تصاویر ماهواره لندست در سال­های ۲۰۰۲، ۲۰۰۸ و ۲۰۱۴ با روش ماشین بردار پشتیبان به دست آمدند. این روش در چهار حالت مختلف اجرا شد. در سه حالت، تأثیر همسایگی با کرنل­های ۳×۳، ۵×۵ و ۷×۷ مورد بررسی قرار گرفت و در حالت آخر پیش­بینی بدون در نظر گرفتن همسایگی انجام شد. سپس دقت چهار حالت با استفاده از نقشه مرجع سال ۲۰۱۴ با یکدیگر مقایسه شد. دقت روش با استفاده از معیارهای دقت کلی، شاخص کاپا و کاپای مکانی در بهترین حالت به ترتیب ۲۶/۸۴ درصد، ۳۵/۷۶ درصد و ۳/۷۹ درصد به دست آمد. سپس، دقت مدل­سازی هر کاربری نیز به صورت جداگانه با استفاده از روش ROC ارزیابی شد که نتایج نشان از توانایی بالای روش پیشنهادی داشت. درنهایت نقشه کاربری اراضی سال ۲۰۲۰ در دو سناریو مختلف پیش­بینی شد.

---

الگوریتم شبکه تعیین موقعیت کینماتیک آنی با هدف غلبه بر مشکلات موجود در سیستم سنتی تعیین موقعیت کینماتیک آنی ایجاد شده است. هدف اصلی در این مقاله معرفی الگوریتمی جدید برای شبکه تعیین موقعیت کینماتیک آنی و افزایش دقت بخش درون­یابی تصحیحات می­باشد. در ابتدا، برای خطوط مبنای شبکه الگوریتم پردازش طول بلند باید انجام شود .سپس باقیمانده­های یونسفری و تروپسفری برای هر خط مبنا تفکیک می­شوند. در ادامه به معرفی دو روش درون­یابی با نام­های خطی و کریجنیگ معمولی پرداخته می­شود. باقیمانده­های یونسفری و تروپسفری برای راستای موردنظر درون­یابی ­می­شوند. سپس به معرفی دو الگوریتم کلاسیک و جدید برای شبکه تعیین موقعیت کینماتیک آنی پرداخته می­شود. در الگوریتم کلاسیک، باقیمانده­های درون­یابی شده در قالب تصحیحات با علامت معکوس به مشاهدات تفاضلی مرتبه اول اعمال شده اما در الگوریتم جدید، این تصحیحات به مشاهدات مجازی غیر­تفاضلی اعمال می­شوند. در بخش اول نتایج، به مقایسه عملکرد دو الگوریتم مذکور پرداخته که در آن از دو روش درون­یابی خطی و کریجینگ معمولی استفاده می­شود. در اینجا روش کریجینگ معمولی بر اساس تابع کواریانس محاسبه شده است. نتایج به دست آمده حاکی از برتر بودن الگوریتم جدید شبکه تعیین موقعیت کینماتیک آنی است. همچنین روش کریجینگ معمولی عملکرد بهتری نسبت به روش خطی دارد. در بخش دوم نتایج، با هدف افزایش دقت بخش درون­یابی تصحیحات در الگوریتم جدید از روش کریجینگ معمولی بر اساس تابع تغییر­نما استفاده می­شود. برای محاسبه این تابع از سه مدل تجربی کروی، نمایی و گوسی استفاده می­شود. با انجام ارزیابی­ آماری، مدل گوسی به عنوان بهترین مدل تجربی انتخاب می­شود. با استفاده از تصحیحات درون­یابی مدل گوسی، الگوریتم جدید شبکه تعیین موقعیت کینماتیک آنی مجددا محاسبه می­شود. نتایج بخش دوم نشان می­دهد که استفاده از تابع تغییرنما به جای تابع کواریانس می­تواند دقت برآورد مولفه­های شمالی، شرقی و ارتفاعی را در راستای موردنظر به اندازه ۵۰، ۷۳ و ۲۴ درصد بیشتر بهبود دهد.

---

امروزه اطلاعات مکانی داوطلبانه (VGI) یکی از منابع مهم جمع­آوری اطلاعات مکانی می­باشد. برخلاف داده ­های رسمی، دقت و صحت اطلاعات مکانی داوطلبانه در هنگام تولید آنها مشخص نیست. از این رو تاکنون روش­های متفاوتی برای ارزیابی کیفیت این نوع اطلاعات به کار گرفته شده که یکی از این آنها ارزیابی عملکرد کاربران VGI در ورود اطلاعات صحیح است. در این پژوهش به منظور ارزیابی کیفیت اطلاعات مکانی داوطلبانه، از روش ارزیابی عملکرد کاربران با رویکرد برآورد اعتمادپذیری آن­ها به کمک شبکه­ های عصبی مصنوعی استفاده شده است. در روش­های پیشین، به منظور ارزیابی عملکرد کاربران VGI، متغیرهای محدودی از اطلاعات زمینه ­ای (پیشینه) کاربران درنظر گرفته شده و هر تحقیق به یک عامل به ­صورت جداگانه پرداخته است. در این پژوهش چندین متغیر مربوط به اطلاعات زمینه ­ای کاربران به صورت همزمان درنظر گرفته شده است. همچنین با استفاده از پارامترهای پیشینه کاربران و روش شبکه عصبی مصنوعی، میزان اعتمادپذیری کاربران برآورد گردید. جهت جمع­آوری اطلاعات پیشینه کاربران، یک برنامه کاربردی تلفن همراه تحت سیستم عامل اندروید و جهت جمع­ آوری اطلاعات کاربران داوطلب، طراحی گردید. در این برنامه از نقشه شهر تهران استفاده و تغییراتی بر روی برخی مناطق آن اعمال گردید. هنگام استفاده از این برنامه، کاربر به سؤالاتی نظیر جنسیت، سن، تحصیلات، میزان آشنایی با GPS و یا GIS پاسخ داده و سپس درخصوص تغییرات اعمال شده بر روی نقشه به سؤالات مربوطه پاسخ داده است. پاسخ کاربر با پاسخ صحیح مقایسه و درصد پاسخ صحیح کاربر محاسبه گردید. هر کاربر به سؤالات حداقل ۳ منطقه پاسخ داده و نهایتاً این اطلاعات برای ۱۱۰۲ منطقه جمع­آوری گردید. ۷۰% داده ­ها برای آموزش شبکه عصبی، ۱۵% برای اعتبارسنجی و ۱۵% برای آزمایش در نظر گرفته شد. شبکه عصبی طراحی شده در چند حالت مختلف آموزش دید و مورد ارزیابی قرار گرفت و بهترین حالت شبکه با خطای کمترین مربعات ۱۹۹۸۸/۰ انتخاب گردید. با استفاده از شبکه عصبی آموزش دیده، این امکان وجود دارد که کاربری جدید مشخصات اولیه خود را وارد کند و درصد پاسخ صحیح کاربر توسط شبکه عصبی برآورد گردد و بر اساس ارزیابی صورت گرفته، میزان اعتمادپذیری وی مشخص شود. نتایج و رویکرد این پژوهش می­تواند برای سامانه­ های VGI در سطح کلان مورد استفاده قرار گیرد.