مدیرعامل

علوم داده‌ها

مدیر مارکتینگ و فروش SData

تحلیل گر داده در مساله های شهری

تسک یک2

ععع

البالب

تست

برنامه نویس وب

علوم داده

توسعه‌دهنده Django

داشبورد شهر لندن

این سامانه شاخص های زیر را در بر دارد:

شاخص روزانه کیفیت هوا،
شاخص آنلاین کیفیت هوا،
شاخص هم اکنون کیفیت هوا

سامانه پایش کیفی هوای کشور (ایران)

این داشبورد پراکندگی جغرافیایی تعدادی از بیماری ها را در کشور آمریکا نشان می دهد.

داشبورد پراکندگی جغرافیایی سلامت در کشور آمریکا

Get real-time access to your transportation & logistics data: multiple data sources like Excel spreadsheets, Oracle, MS SQL Server

داشبورد حمل و نقل و لجستیک

داشبورد بحران ها و سوانح در نیوکاسل استرالیا

داشبورد کیفیت هوا در شهر بریستول انگلستان

داشبوردها حاوی بسیاری از عناصر داده محور مانند نقشه ها، نمودارها، لیست ها، اندازه گیری ها، تابلوها و انتخاب کننده ها هستند. انواع داشبوردها عبارتند از: راهبردی، تاکتیکی، عملیاتی، اطلاعاتی و ...

داشبورد و انواع آن

داشبورد حاوی عناصر جزایر گرمایی شهری

داشبورد جزایر گرمایی شهری

مجموعه داده های باز جرم برای پروژه های علم داده و ماشین لرنینگ

مجموعه داده های باز جرم شهری

داده مسکن

NASA Earth Observation (NEO)

وب سایت سنجش از دور ناسا دارای بانک داده هایی شامل اطلاعات سنجشی از اتمسفر، خشکی ها و اقیانوس ها، انرژی، محیط زیست و ... است که به صورت روزانه، هفتگی و ماهانه به روز رسانی می شود. تصاویر این سایت با دقت های مختلف و برای بازه های زمانی مختلف در دسترس هستند.

داده مشاهده زمین ناسا

One-Stop Shop for Environmental Public Health Data

این وب سایت لیست مرجعی از سیستم های داده با بودجه ملی را که با سلامت عمومی محیطی ارتباط دارند تهیه می کند.

داده سلامت عمومی محیطی

مجموعه ای از داده ها در موضوع های مختلف

مجموعه داده های عمومی رایگان برای تجزیه و تحلیل

Socioeconomic Data and Applications Center (sedac)
A Data Center in NASA's Earth Observing System Data and Information System (EOSDIS) — Hosted by CIESIN at Columbia University

مرکز داده های اجتماعی و اقتصادی

داده (جمع آوری، تجزیه و تحلیل و ادغام آن در یک بستر پشتیبانی تصمیم) شهر را هوشمند می سازد. منبع: AWS Marketplace Solutions for Smart Cities (amazon.com)

داده و شهر هوشمند

دیتاست های کلان داده مکانی
دانشگاه آریزونا

داده های جغرافیایی و فضایی

اهمیت داده به این دلیل می باشد که پایه اطلاعات، دانش، و خرد می باشد و در هرم داده، اطلاعات، دانش، خرد این اهمیت به صورت تصویری نشان داده شده است.

اهمیت داده

شهرها مرکز و موتور رشد و دارای نقش اساسی در تحول های اقتصادی، اجتماعی-فرهنگی، سیاسی و ... ملی و بین المللی در طول تاریخ بوده اند و برای رشد آینده ضروری هستند. شهرها به دست یابی به اهداف ملی کمک می کنند و نقاط کانونی حضور انسان و سبک زندگی را نشان می دهند.توجه به مساله های شهری، با توجه به شهرنشینی حجیم و سریع و به ویژه تحول های شهری پس از انقلاب صنعتی مورد توجه خاص مجامع علمی، صاحب نظران حوزه های علوم اجتماعی، اقتصاد، جغرافیا، برنامه ریزی شهری و ... و در کنار همه آن ها، دولت ها قرار گرفته اند. مهم ترین مساله هایی که مورد بحث برنامه ریزان شهری می باشند عبارتند از: زیرساخت، بحران و سوانح، ترافیک، حمل و نقل، گردش گری، انرژی، ایمنی، امنیت، مسکن، پارکینگ، پسماند، کیفیت هوا، محیط زیست و ...تلاش مدیران شهری در جهت مدیریت هرچه بهتر این مساله ها در شهر می باشد. همچنین تصمیم گیران و سیاست گذاران شهر بر اساس داده های دریافتی از این مساله ها، چشم اندازهای آینده شهر را تعیین می کنند. اهمیت داده های دریافتی از شهر به این علت است که شهرها در رقابت با یکدیگر هستند و با تحلیل این داده ها می توان برنامه ریزی مناسب تری را در جهت بهبود و ارتقای شهر انجام داد و از این رو جذب افراد (خلاقان، گردش گران، نخبگان، ماهران، سرمايه داران، کارآفرينان، و ...) که از جمله سرمایه های شهر در برابر رقیبان می باشد بهتر صورت می گیرد. تحلیل داده های شهری به خصوص در جهت ایجاد شهر هوشمند و توسعه شهرها در عصر فناوری اطلاعات و ارتباطات دارای اهمیت می باشد.·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; شهرها·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; شهرنشینی·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; مساله های شهری·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; مدیران شهری·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; داده های شهری·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; شهر هوشمند·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; ICT·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; ICT4D&nbsp;·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; زیرساخت·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; بحران و سوانح·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; ترافیک·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; حمل و نقل·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; گردش گری·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; انرژی·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; ایمنی·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; امنیت·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; مسکن·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; پارکینگ·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; پسماند·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; کیفیت هوا·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; محیط زیست&nbsp;داده:<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://www.sdata.ir/social/p/Hosseini/datas/%D8%AF%D8%A7%D8%AF%D9%87-%D9%88-%D8%B4%D9%87%D8%B1-%D9%87%D9%88%D8%B4%D9%85%D9%86%D8%AF/">داده و شهر هوشمند (sdata.ir)</a>&nbsp;دوره:World Bank Group:<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://olc.worldbank.org/content/e-learning-course-smart-city-0">e-Learning course on Smart City | World Bank Group</a>&nbsp;<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://olc.worldbank.org/content/smart-cities-sustainable-development">Smart Cities for Sustainable Development | World Bank Group</a>&nbsp;<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://olc.worldbank.org/content/smart-cities-global-frontier-infrastructure-virtual-knowledge-exchange-0">Smart Cities for Global Frontier Infrastructure (Virtual Knowledge Exchange) | World Bank Group</a>&nbsp;Udemy:<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://www.udemy.com/course/smart-cities/">Smart Cities Urban Planning &amp; Management | Udemy</a>&nbsp;<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://www.udemy.com/course/introduction-to-smart-cities-technologies-bim-gis-iot-ai/">Smart Cities Technologies and applications : BIM-GIS- IOT-AI | Udemy</a>&nbsp;<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://www.udemy.com/course/bim-and-gis-make-cities-smarter-infraworks-civil-3d-arcgis/">BIM and GIS make Cities Smarter : Infraworks-Civil 3d-ArcGIS | Udemy</a>&nbsp;Coursera:<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://www.coursera.org/learn/smart-cities">Smart Cities – Management of Smart Urban Infrastructures | Coursera</a>&nbsp;FutureLearn:<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://www.futurelearn.com/courses/smartcities">Smart Cities: Social Change Through Technology - Online Course - FutureLearn</a>

شهرها، مساله های شهری، داده های شهری – شهر هوشمند

زیرساخت داده مکانی (Spatial Data Infrastructure: SDI) به معنی درجه آمادگی یک کشور در ارائه اطلاعات مکانی به جامعه می باشد و به مدیریت شهری کمک می کند، از این جهت که اطلاعات مکانی در شهرها را تولید، توزیع و هماهنگ می کند. همچنین، زیرساخت داده مکانی را می توان یکی از ابزارهای متکی به قدرت دانست که تلاش می کند ارزش ها، پتانسیل ها و فرصت های مکان را مشخص نماید تا منافع و نیازهای بازیگران قدرتمند تامین شود و ایشان در برابر رقیبان پیروز شوند.&nbsp;از دیدگاه رقابت پذیری (از نظریه های مدیریت شهری)، انواع مختلف سرمایه گذاری در زیرساخت های شهری (به عنوان بخشی از اطلاعات مکانی بهبود دهنده رقابت پذیری شهری) و در مراحل مختلف توسعه یک شهر مهم می باشند. دکتر یانگ کیانگ یکی از حوزه های رقابت پذیری شهری را زیرساخت ها و به خصوص زیرساخت های فناوری اطلاعات و ارتباطات تعریف می کند. نوع، کیفیت و هزینه زیرساختارهای موجود و به ویژه زیرساخت های فناوری اطلاعات و ارتباطات می توانند بر روی رقابت تاثیر گذارند.&nbsp;زیرساخت های شهری، تمامی کاربری های عمومی و خدماتی شهر و همچنین شبکه های حمل و نقل (جاده ها، ریل ها، فرودگاه ها و ...)، مخابرات (تلفن ثابت، تلفن همراه)، ارتباطات (خدمات از راه دور)، و ... را در بر می گیرد. بخشی از این زیرساخت ها به اصطلاح تاسیسات شهری (عوامل، عناصر و فرآیندهایی از کالبد و فضای شهری که زندگی شهروندان را تسهیل می کنند) نامیده می شوند که پایه و اساس هر مجتمع زیستی می باشند و امکاناتی چون برق، گاز، آب، سیستم جمع آوری فاضلاب، و ... را برای شهر فراهم می کنند. جمع آوری داده، تشکیل بانک داده، و تجزیه و تحلیل داده های زیرساخت های شهری نقش موثری در بهبود مدیریت شهری دارد.&nbsp;دوره:Coursera:<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://www.coursera.org/learn/managing-urban-infrastructures-1">Management of Urban Infrastructures – part 1 | Coursera</a>

شهرها، مساله های شهری، داده های شهری – زیرساخت

بحران ها و سوانح به محیط و اجزای آن آسیب می رسانند. بازسازی و بازگرداندن جوامع آسیب دیده به حالت عادی، فعالیتی پیچیده، حساس، و چند بعدی است. چرخه مدیریت بحران شامل پیش بینی و پیش گیری، آمادگی، مقابله، و بازسازی می باشد. جهت مدیریت موثر بحران، نیاز به داده و تحلیل آن ها برای هریک از این مراحل می باشد:&nbsp;داده های مربوط به بحران ها و سوانح پیشین، در پیش بینی این حوادث در آینده کمک کننده خواهند بود، داده های مرحله آمادگی، شامل امکانات و تجهیزات برای رویارویی با هریک از بحران ها و سوانح می باشد، داده های مورد نیاز مرحله مقابله بیان می دارد که جهت ایستادگی در برابر بحران ها و سوانح چه عواملی مورد نیاز است، و همچنین داده های مورد نیاز مرحله بازسازی در جهت تعیین میزان خسارت ایجاد شده در مکان ها و مناطق مختلف آسیب دیده و نحوه توزیع آن ها در فضا موثر است.&nbsp;این داده ها شامل جمعیت، دانش محلی و ثبت های تاریخی، بررسی های اجتماعی-اقتصادی، داده های علمی (هواشناسی، هیدرولوژیکی، زلزله شناسی، آتشفشانی و ...)، نقشه ها (نقشه خطر، نقشه توپوگرافی، نقشه زمین شناسی و ...)، و ... می باشد. نقشه های خطر شامل طوفان ها (نقشه های مسیر طوفان، نقشه های پهنه بندی سرعت باد، و نقشه های خطر موج گردباد/طوفان)، سیل (نقشه های آب گرفتگی)، زلزله و سونامی (نقشه های کانونی، نقشه های پهنه بندی لرزه ای، نقشه های منبع منطقه لرزه ای، نقشه های خطر سونامی)، زمین لغزش (نقشه های خطر زمین لغزش) و ... می باشد.&nbsp;داشبورد:<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://www.sdata.ir/social/p/Hosseini/dashboards/%D8%AF%D8%A7%D8%B4%D8%A8%D9%88%D8%B1%D8%AF-%D8%A8%D8%AD%D8%B1%D8%A7%D9%86-%D9%87%D8%A7-%D9%88-%D8%B3%D9%88%D8%A7%D9%86%D8%AD-%D8%AF%D8%B1-%D9%86%DB%8C%D9%88%DA%A9%D8%A7%D8%B3%D9%84-%D8%A7%D8%B3%D8%AA%D8%B1%D8%A7%D9%84%DB%8C%D8%A7/">داشبورد بحران ها و سوانح در نیوکاسل استرالیا (sdata.ir)</a>

شهرها، مساله های شهری، داده های شهری–بحران ها و سوانح

با توسعه شهرها، تعداد خودروها نیز افزایش می یابد که مقدمه پیدایش ترافیک در شهرها می باشد. مدیریت ترافیک در شهر از جمله وظایف مهم مدیران شهری می باشد. داده های ترافیکی بخش مهمی از فرآیند مدیریت ترافیک می باشند. داده های ترافیکی شامل: تعداد خودروهای موجود در مسیر، نوع وسیله نقلیه که از مسیری خاص عبور می کند، مکان لحظه ای خودروها، سرعت میانگین مسیرها و ... می باشند که از سامانه های مختلف به دست می آیند. تحلیل داده های ترافیکی از موضوع های مهم در حوزه شهر هوشمند می باشد. ترکیبی از داده ها مانند انواع وسایل نقلیه و انواع تصادفات حادث شده در خیابانی خاص و ... در تحلیل ترافیک دارای اهمیت ویژه می باشد.&nbsp;یکی از تکنولوژی های رایج جهت جمع آوری داده های ترافیکی پردازش محتوای تصویر می باشد. این تکنولوژی بر مبنای استفاده از داده های تصویری تولید شده توسط شبکه دوربین های نظارت تصویری بنا نهاده شده است و این امکان را در اختیار مدیران شهری قرار می دهد تا مدیریت موثری بر جریان ترافیک داشته باشند، به عنوان مثال نقاط مهم و حیاتی ترافیکی را شناسایی کنند، جریان ترافیک را بهینه نمایند و ...&nbsp;مطالعه بیشتر (کتاب، مقاله، سایت، بلاگ، ...):<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://www.calstatela.edu/sites/default/files/groups/High%20Performance%20Information%20Computing%20Center%20%28HiPIC%29/papers/trafficapic-ist2019.pdf">Proceedings_of_APIC-IST_2019.pdf (calstatela.edu)</a>&nbsp;<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://www.sid.ir/fa/seminar/ViewPaper.aspx?ID=89080">SID.ir | ارزیابی روش های تولید، جمع آوری و تحلیل داده های ترافیک شهری</a>&nbsp;<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://medium.com/goodvision/the-development-of-traffic-data-collection-cd87cc65aaab">https://medium.com/goodvision/the-development-of-traffic-data-collection-cd87cc65aaab</a>

شهرها، مساله های شهری، داده های شهری – ترافیک

حرکت، عامل اصلی پویایی زندگی شهری و تداوم بخش کلیه فعالیت های اقتصادی، اجتماعی، فرهنگی در سطح شهرها است. حمل و نقل تشکیل دهنده اصلی فضای شهرها می باشد و زیرساخت های مرتبط با آن هم به صورت مستقیم و هم با واسطه بر توسعه شهرها اثرگذار هستند. همچنین توسعه شهرها نیز در روندی متقابل بر شبکه ها و سامانه های حمل و نقل تاثیر می گذارد. از همین رو، بازشناخت روند تغییرات به وجود آمده در حمل و نقل و ارزیابی دیدگاه ها و نظریه های مرتبط می تواند نقشی به سزا در بررسی سیر تحول ساختار شهرها و پیش بینی فرآیندهای آتی در این زمینه داشته باشد. حمل و نقل دارای بخش های گوناگونی است. در یک رده بندی کلی میتوان آن را به سه بخش زیرساخت، وسایل نقلیه، و بهره برداری تقسیم نمود.&nbsp;داده های حمل و نقل می تواند شامل داده های جمع آوری شده از این سه بخش یعنی داده های زیرساخت حمل و نقل که نیاز اساسی برای فرآیند تصمیم سازی است؛ داده های مربوط به وسایل نقلیه و مسیرهای آن ها شامل متروها، اتوبوس ها، خودروها، دوچرخه ها، موتورها و ...؛ و همچنین داده های مربوط به بخش بهره برداری از حمل و نقل باشد. پروژه های توسعه ای بسیار، به شبکه حمل و نقل وابسته است. از این رو، ضروری است تا داده ها مرتبط با شبکه حمل و نقل مورد شناسایی، گردآوری، ذخیره سازی، بازیابی، مدیریت، تحلیل، ارتباط و نمایش قرار بگیرد.&nbsp;داشبورد:<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://www.sdata.ir/social/p/Hosseini/dashboards/%D8%AF%D8%A7%D8%B4%D8%A8%D9%88%D8%B1%D8%AF-%D8%AD%D9%85%D9%84-%D9%88-%D9%86%D9%82%D9%84-%D9%88-%D9%84%D8%AC%D8%B3%D8%AA%DB%8C%DA%A9/">داشبورد حمل و نقل و لجستیک (sdata.ir)</a>&nbsp;دوره:Udemy:<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://www.udemy.com/course/cooperative-intelligent-transportation-systems-cits-its/">Cooperative Intelligent Transportation Systems (CITS) - ITS | Udemy</a>

شهرها، مساله های شهری، داده های شهری – حمل و نقل

گردش گری موجب رونق اقتصادی کشورها و یکی از منابع اصلی درآمد بسیاری از آن ها می باشد. داده های گردش گری در سه مرحله قبل، هنگام، و بعد از سفر جهت ارتقاء این صنعت مهم برای گردش گر و میزبان دارای اهمیت می باشند.&nbsp;قبل از سفر:گردش گر: با استفاده از داده های موجود (نقشه، عکس، کلیپ، شبکه های اجتماعی) به انتخاب محل اقامت، وسیله نقلیه، جاذبه های گردش گری و ... می پردازد و یک برنامه بازدید نسبی برای خود در نظر می گیرد.میزبان: داده ها در مرحله قبل از سفر به پیش بینی تعداد گردش گران ورودی، تسهیلات مورد نیاز محل اقامت، حمل و نقل، جاذبه های گردش گری، و ... و به طور خلاصه پیش بینی تقاضای سفر می پردازد. همچنین با استفاده از عکس، کلیپ، ارائه اطلاعات از جاذبه ها و ... بازاریابی برای مقصد گردش گری را تسهیل می کند.&nbsp;هنگام سفر:گردش گر: با استفاده از داده های موجود (نقشه، عکس، اپلیکیشن های گردش گری، شبکه های اجتماعی، راهنمای تور، مردم محلی) برنامه بازدید خود را نهایی کرده و شروع به بازدید از جاذبه های گردش گری می کند.میزبان: به عنوان مثال از عکس هایی که گردش گران در شبکه های اجتماعی به اشتراک می گذارند، به ویژه عکس های دارای برچسب جغرافیایی الگوهای حرکت آن ها را رصد کرده و اطلاعات مورد نیاز را استخراج می کنند. همچنین می توانند با ارسال اطلاعات به اپلیکیشن های گردش گری اطلاعات به روز را در مورد جاذبه ها ارسال نمایند، به عنوان مثال تغییر ساعت بازدید، اعلام مراسم خاص در جاذبه ای خاص و ... از جمله اطلاعاتی است که می تواند برای گردش گران ارسال نمایند تا از سفرهای غیر ضروری جلوگیری شود و همچنین اگر برنامه ای خاص در جاذبه ای خاص در حال انجام بشود بتواند از آن استفاده کند.&nbsp;بعد از سفر:گردش گر: پس از هر سفر بازخوردی از نظرات خود در رابطه با جاذبه ها در اپلیکیشن های گردش گری، شبکه های اجتماعی، راهنمای تور، مردم محلی و ... به صورت رضایت یا عدم رضایت و یا رتبه دهی ارائه می دهد.میزبان: با استفاده از داده های ثبت شده در اپلیکیشن های گردش گری، شبکه های اجتماعی، و اطلاعات به دست آمده از راهنمایان تور و مردم محلی به تفسیر داده های ثبت شده از گردش گران می پردازد و با استفاده از تحلیل متن، داده کاوی و ... آمار گردش گران، میزان رضایت نسبی آن ها، اطلاعات از زیرساخت جاذبه ها و میزان آمادگی آن ها برای جذب گردش گر و ... را به دست می آورد که دوباره وارد چرخه مرحله قبل از سفر می کند.&nbsp;مطالعه بیشتر (کتاب، مقاله، سایت، بلاگ، ...):<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://www.emerald.com/insight/content/doi/10.1108/JCHMSD-08-2021-0148/full/html">Smart, hybrid and context-aware POI mobile recommender system in tourism in Oman | Emerald Insight</a>&nbsp;<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://dl.acm.org/doi/10.1145/3426826.3426837">Machine Learning in Tourism | 2020 The 3rd International Conference on Machine Learning and Machine Intelligence (acm.org)</a>

شهرها، مساله های شهری، داده های شهری – گردش گری

محیط زیست به همه محیط هایی که در آن ها زندگی جریان دارد، گفته می شود. می توان آن را به مجموعه ای از عوامل طبیعی کره زمین، همچون هوا، آب، اتمسفر، صخره، گیاهان و ... که انسان را احاطه می کنند خلاصه کرد. برای حفاظت از محیط زیست باید از آلوده شدن موارد ذکر شده جلوگیری کرد، که نیاز به پایش و نظارت دائمی دارد. در سال های اخیر، گرمایش زمین، پایش محیط زیست را به موضوعی داغ تبدیل کرده است. می توان گفت که دانشمندان محیط زیست به عنوان محافظی در برابر خودمان عمل می کنند و تضمین می کنند که هوا، آب و خاک با زندگی انسان و یک اکوسیستم سالم و کارآمد، سازگار می مانند.&nbsp;یکی از کاربردهای علم داده در محیط زیست را که به بهبود آن کمک می کند، می توان مدل سازی آینده با تجزیه و تحلیل گذشته در نظر گرفت. با ترکیب داده های نمونه های هسته زمین شناسی و حتی حفاری های باستان شناسی، می توان روندهای آب و هوای جهانی را هم با مشاهده های فعلی و هم با الگوهای آب و هوایی که در کل دوره تاریخ ثبت شده وجود نداشته است، مقایسه کرد.&nbsp;داده های جمع آوری شده برای تجزیه و تحلیل و تفسیر محیط زیست را می توان از منبع های مختلفی مانند پهباد هوایی، پهباد دریایی، ماهواره و ... به دست آورد. مساله ای که در مورد بیشتر داده های تولید شده توسط پایش محیطی وجود دارد این است که آن ها ساختار مشخصی ندارند. برنامه های صوتی و تصویری خام، مشاهده های تاریخی نامنظم که روی کاغذ یادداشت شده اند، روندهای پست های شبکه های اجتماعی و ... می توانند اطلاعات ارزشمندی درباره محیط زیست ارائه دهند که نیاز به تجزیه و تحلیل و ادغام توسط کارشناسان دارند.&nbsp;داده:<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://www.sdata.ir/social/p/Hosseini/datas/%D8%AF%D8%A7%D8%AF%D9%87-%D9%85%D8%B4%D8%A7%D9%87%D8%AF%D9%87-%D8%B2%D9%85%DB%8C%D9%86-%D9%86%D8%A7%D8%B3%D8%A7/">داده مشاهده زمین ناسا (sdata.ir)</a>&nbsp;پروژه:The World Resource Institute’s&nbsp;<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="http://www.wri.org/our-work/project/aqueduct">Aqueduct Project</a>&nbsp;interleaves geological data, river flow levels, and population information to help predict river flooding impacts, pollution risks, and other water-related environmental issues.&nbsp;IBM’s&nbsp;<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="http://www-03.ibm.com/ibm/history/ibm100/us/en/icons/deepthunder/">Deep Thunder</a>&nbsp;project drills down to provide hyper-local weather forecasts, using high-performance computing power to crunch down through satellite and local data sources to arrive at forecast models with resolutions as focused as one meter. The forecasts can be used to determine the optimal time to plant and harvest crops, and predict storm-related electrical outages.&nbsp;منبع:<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://www.datasciencegraduateprograms.com/environmental-science/">Data Science in Environmental Science | Careers in Environmental Monitoring for Masters-Prepared Data Scientists (datasciencegraduateprograms.com)</a>&nbsp;مطالعه بیشتر (کتاب، مقاله، سایت، بلاگ، ...):&nbsp;<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://bookdown.org/igisc/EnvDataSci/#environmental-data-and-methods">Introduction to Environmental Data Science (bookdown.org)</a>&nbsp;<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://www.frontiersin.org/articles/10.3389/fenvs.2019.00121/full">Frontiers | Data Science of the Natural Environment: A Research Roadmap | Environmental Science (frontiersin.org)</a>&nbsp;<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://towardsdatascience.com/everybody-has-a-right-to-know-whats-happening-with-the-planet-towards-a-global-commons-5a1ad4ba0bdd">Everybody has a right to know what’s happening with the planet: towards a global commons | by Tomislav Hengl | Towards Data Science</a>

شهرها، مساله های شهری، داده های شهری – محیط زیست

شهرها، مساله های شهری، داده های شهری – کیفیت هوا&nbsp;کیفیت هوا در شهرها مساله بسیار مهمی است که روز به روز بر اهمیت آن افزوده می شود. برای حفاظت از هوا که نقش مهمی در سلامتی انسان دارد باید از ورود مستقیم یا غیر مستقیم هر عنصری که احتمال ایجاد اثرهای نامطلوب را دارد جلوگیری کرد. انواع مختلفی از آلودگی های مرتبط با هوا وجود دارند که قابل اندازه گیری می باشند و با تحلیل آن ها می توان کیفیت هوا را مشخص نمود و اعلام کرد که آیا بیرون از خانه رفتن برای گروه های در معرض خطر مناسب می باشد یا خیر.&nbsp;انواع آلودگی های مرتبط با هوا که قابل اندازه گیری می باشند:·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; ازن·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; گرد و غبار و ذرات معلق در هوا·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; گازهای شیمیایی سمی حاصل واکنش‌های&nbsp;سوختن&nbsp;·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; فلزات سنگین&nbsp;همچون&nbsp;آرسنیک،&nbsp;سرب،&nbsp;روی،&nbsp;مس،&nbsp;کروم،&nbsp;جیوه&nbsp;و&nbsp;کادمیوم&nbsp;که در اثر فعالیت‌های صنعتی وارد هوا می‌شوند.·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; گازهای حاصل از سوختن چون&nbsp;دی اکسید گوگرد،&nbsp;اکسیدهای ازت،&nbsp;مونوکسید کربن،&nbsp;سولفید هیدروژن&nbsp;و بعضی گازهای گلخانه‌ای مانند&nbsp;دی اکسید کربن،&nbsp;متان&nbsp;و&nbsp;فلوئوروکربن ها.&nbsp;داشبورد:<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://www.sdata.ir/social/p/Hosseini/dashboards/%D8%AF%D8%A7%D8%B4%D8%A8%D9%88%D8%B1%D8%AF-%D8%AC%D8%B2%D8%A7%DB%8C%D8%B1-%DA%AF%D8%B1%D9%85%D8%A7%DB%8C%DB%8C-%D8%B4%D9%87%D8%B1%DB%8C/">داشبورد جزایر گرمایی شهری (sdata.ir)</a>&nbsp;<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://www.sdata.ir/social/p/Hosseini/dashboards/%D8%B3%D8%A7%D9%85%D8%A7%D9%86%D9%87-%D9%BE%D8%A7%DB%8C%D8%B4-%DA%A9%DB%8C%D9%81%DB%8C-%D9%87%D9%88%D8%A7%DB%8C-%DA%A9%D8%B4%D9%88%D8%B1-%D8%A7%DB%8C%D8%B1%D8%A7%D9%86/">سامانه پایش کیفی هوای کشور (ایران) (sdata.ir)</a><a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://www.sdata.ir/social/p/Hosseini/dashboards/%D8%AF%D8%A7%D8%B4%D8%A8%D9%88%D8%B1%D8%AF-%DA%A9%DB%8C%D9%81%DB%8C%D8%AA-%D9%87%D9%88%D8%A7-%D8%AF%D8%B1-%D8%B4%D9%87%D8%B1-%D8%A8%D8%B1%DB%8C%D8%B3%D8%AA%D9%88%D9%84-%D8%A7%D9%86%DA%AF%D9%84%D8%B3%D8%AA%D8%A7%D9%86/">داشبورد کیفیت هوا در شهر بریستول انگلستان (sdata.ir)</a>&nbsp;پروژه:The Environmental Protection Agency’s&nbsp;<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="http://https/www.airnow.gov/">AirNow</a>&nbsp;system&nbsp;provides near real time air-quality information across the United States, making the information available to consumers, both public and private. Knowing when it’s safe to go out and when to stay in can save the lives of asthma sufferers, the elderly, and others with compromised respiratory systems.منبع:<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://www.datasciencegraduateprograms.com/environmental-science/">Data Science in Environmental Science | Careers in Environmental Monitoring for Masters-Prepared Data Scientists (datasciencegraduateprograms.com)</a>

شهرها، مساله های شهری، داده های شهری – کیفیت هوا

میزان پسماند در جهان به طور غیر خطی در حال افزایش است. شکاف بین مقدار پسماند تولید شده و مقدار پسماند پردازش/دفع شده در حال افزایش است. علم داده باید کیفیت، کمیت، سوگیری انواع داده‌، ابزارها و تکنیک های مختلف پردازش داده را در فرآیند مدیریت پسماند در نظر بگیرد. کلان داده‌ها در صنعت مدیریت پسماند بسیار کاربردی و سودمند هستند و قادرند صنعت پسماند را متحول کنند. آن ها برای بهبود عملیات داده‌های مدیریت پسماند در هر دو سطح خرد و کلان به کار می روند. همچنین ربات ها می توانند کمک به سزایی در صنعت پسماند داشته باشند.&nbsp;با استفاده از کلان داده ها شناسایی روند رها شدن خودروهای مرتبط با فاجعه در اثر بلایای طبیعی مانند سیل و طوفان و ...، و با ارجاع متقابل این اطلاعات به پایگاه‌های اطلاعاتی فراخوان، مراکز اسقاط و نجات و سایت‌های حراج می‌توانند سیستم‌هایی را که برای پردازش خودروهای آسیب‌دیده استفاده می‌کنند، ساده‌سازی کنند. این امر به کسب و کارهای نجات‌دهنده امکان می‌دهد تا پرداخت‌های مالک را به حداکثر برسانند، توزیع قطعات را بهبود بخشند، و جریان خودروهای جمع‌شده را در حرکت نگه دارند، و به خودروهای بیشتری اجازه می‌دهد تا به جای اینکه به انبوه اسقاط منتقل شوند، تغییر کاربری داده شوند.&nbsp;از کلان داده ها، همچنین می توان برای شناسایی شناسایی ناکارآمدی‌ها در مسیرهای جمع‌آوری پسماند در شهر و پیشنهاد بهبودهای بالقوه بر اساس تجزیه و تحلیل آنها استفاده کرد. داده های جمع آوری شده می تواند شامل بخش های پسماند، وزن ها و مکان های جمع آوری آن ها باشد. می توان مجموعه ای از نقشه های مدیریت پسماند جدید و به دنبال آن کدگذاری دسته ای جغرافیایی ورودی های انتخاب شده را توسعه داد و پس از انجام یک تحلیل اولیه، نقشه‌های مسیرهای انتخابی با جزئیات ترسیم و کارایی آن مسیرها با استفاده از شاخص کارایی اختصاصی ارزیابی شوند.&nbsp;علاوه بر این، کلان داده ها می‌توانند به کاهش آسیب‌های زیست‌محیطی بیشتر کمک کنند. مثال آن استفاده از حسگرهای ماهواره‌ای و پردازشگرهای داده برای شناسایی تهدیدهای زیست‌محیطی برای اقیانوس‌ها است. دانشمندان می توانند الگوهایی را در مسیرهایی که کشتی ها طی می کنند مشاهده کنند و از آن داده ها برای تعیین تاثیر این مسیرهای کشتیرانی بر محیط زیست استفاده کنند. از این داده ها می توان برای ارائه مبنایی برای تحقیقات و اقدامات اجرایی به آژانس های نظارتی استفاده کرد.&nbsp;ربات ها، از هوش مصنوعی در شناسایی طیف گسترده ای از ظروف غذا و نوشیدنی استفاده می کند تا بتواند به طور پیشگیرانه آنها را از بقیه پسماند های بازیافتی جدا کند. آن ها به طور مداوم مهارت های خود را بهبود می بخشد. آن ها قادر به تشخیص تصاویر (از جمله آرم) روی بسته بندی، یادگیری الگوهای جدید و به کارگیری آن ها در دور بعدی مرتب سازی و ... می باشند. با افزایش ضریب هوش مصنوعی بر اساس داده‌های انباشته پسماند جامد، سیستم مدیریت پسماند قادر به دسته‌بندی با سرعت‌های فوق‌انسانی می‌شود و مواد را برای پردازش مجدد آماد می کند.&nbsp;به طور خلاصه، برخی کاربردهای علم داده در مدیریت پسماندها:·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; برنامه‌ریزی خودکار جمع‌آوری‌ها·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; ربات های بازیافت تقویت شده با هوش مصنوعی·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; تجزیه و تحلیل مسیرهای جمع‌آوری پسماند و پیشنهاد بهبودهای بالقوه·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; تحلیل داده های ماهواره ای برای کاهش و حذف تهدیدهای پسماند های زیست محیطی·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; مشاهده الگوها در مسیرهایی که کشتی ها طی می کنند و استفاده از آن ها برای تعیین تاثیر این مسیرهای کشتیرانی بر محیط زیست·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; رویکرد مبتنی بر حسگر ها که هزینه فعالیت‌های جمع‌آوری غیرضروری را حذف می‌کند و به طور همزمان ردپای کربن را کاهش می‌دهد.·&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; مدیریت از طریق یک پلت فرم نظارت از راه دور مبتنی بر وب نوآورانه و جامع مدیریت و به روزرسانی تمام داده‌های نظارت کامل به‌طور هم‌زمان و در دسترس قراردادن 24/7.&nbsp;مطالعه بیشتر (کتاب، مقاله، سایت، بلاگ، ...):<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://www.linkedin.com/pulse/data-science-waste-management-rajeev-m-a/">Data Science &amp; Waste Management | LinkedIn</a>&nbsp;<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://ijer.ut.ac.ir/article_98_293c01d4f30bb6fbcc106b7dd5f030f1.pdf">https://ijer.ut.ac.ir/article_98_293c01d4f30bb6fbcc106b7dd5f030f1.pdf</a>&nbsp;<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://www.globaltechoutlook.com/top-applications-of-data-science-in-waste-management/#:~:text=This%20is%20data%20science%20can%20be%20used%20for,and%20examples%20of%20how%20it%E2%80%99s%20being%20used%20today.">Top Applications of Data Science in Waste Management (globaltechoutlook.com)</a>

شهرها، مساله های شهری، داده های شهری – پسماند

یافتن پارکینگ در شهرهای بزرگ یکی از مساله های مهم می باشد. تخمین زده می شود که 30% از ترافیک شهری ناشی از رانندگانی است که به دنبال مکان های پارک رایگان هستند. این امر نه تنها منجر به ترافیک می شود، بلکه باعث ایجاد مشکلاتی در سلامت عمومی می شود، زیرا تن ها CO2 اضافی به هوایی که ساکنان در آن تنفس می کنند اضافه می شود، به ویژه ساعاتی مانند صبح زود و در ساعات شلوغی.&nbsp;با استفاده از سیستم مدیریت پارک هوشمند، شهرها قادر خواهند بود به طور موثر ترافیک را در مناطق شهری مدیریت کنند، استرس را برای رانندگان کاهش دهند، کیفیت هوا را بهبود بخشند و رضایت کلی شهروندان را افزایش دهند. در حقیقت، با استفاده از علم داده می توان انتظار داشت که تلفن همراه شما به شما نزدیک ترین پارکینگ را نشان دهد. با استفاده از یک عکس هوایی از منطقه مورد نظر و همچنین یادگیری عمیق می توان پیش بینی کرد که آیا آن پارکینگ خالی و یا پر است. هنگامی که یادگیری عمیق برای پارکینگ هوشمند اعمال می شود، می تواند پیش بینی های اشغال پارکینگ را بهبود بخشد و بنابراین به راهنمایی پارکینگ کارآمدتر، استفاده مناسب از فضای پارکینگ و مدیریت بهتر ترافیک کمک می کند.&nbsp;پروژه:<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://towardsdatascience.com/find-where-to-park-in-real-time-using-opencv-and-tensorflow-4307a4c3da03">Find where to park in real time using OpenCV and Tensorflow | by Priya Dwivedi | Towards Data Science</a>کد:<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://github.com/priya-dwivedi/Deep-Learning/tree/master/parking_spots_detector">Deep-Learning/parking_spots_detector at master · priya-dwivedi/Deep-Learning (github.com)</a>&nbsp;مطالعه بیشتر (کتاب، مقاله، سایت، بلاگ، ...):<a target="_blank" rel="noopener noreferrer nofollow" class="markup--anchor" href="https://medium.com/worldsensing-techblog/innovation-deep-learning-and-smart-parking-3daf2d24af15">Data Science: Deep Learning and Smart Parking | by Albert Zaragoza | Worldsensing TechBlog | Medium</a>

شهرها، مساله ها شهری، داده های شهری – پارکینگ

•	تهران اولین شهر پرجمعیت‌ ایران
•	بیست و چهارمین شهر پرجمعیت جهان
•	جمعیت کل استان تهران: 13،267،637 (سال 1395)
•	جمعیت مردان استان تهران: 6،673،672 (سال 1395)
•	جمعیت زنان استان تهران: 6،593،965 (سال 1395)
•	تعداد خانوار‌‌های ساکن در استان تهران: 4،288،564 (سال 1395)
•	نرخ بیکاری: 11.6% (سال 1395)
•	تعداد طلاق: 32832 (سال 1397)

برترین مقالات

برترین داده ها

برترین داشبورد ها