آمار

تعداد نشریات11
تعداد شماره‌ها226
تعداد مقالات2,285
تعداد مشاهده مقاله3,519,787
تعداد دریافت فایل اصل مقاله2,580,402
باز علی پور, حسین, فلاحی, غلامرضا. (1404). مطالعه و بررسی پیاده سازی معماری سرویس گرا برای زیر ساخت داده های مکانی در مدیریت شهری. فناوری آموزش, (), 307-320. doi: 10.22061/jrsgr.2025.12263.1106
حسین باز علی پور; غلامرضا فلاحی. "مطالعه و بررسی پیاده سازی معماری سرویس گرا برای زیر ساخت داده های مکانی در مدیریت شهری". فناوری آموزش, , , 1404, 307-320. doi: 10.22061/jrsgr.2025.12263.1106
باز علی پور, حسین, فلاحی, غلامرضا. (1404). 'مطالعه و بررسی پیاده سازی معماری سرویس گرا برای زیر ساخت داده های مکانی در مدیریت شهری', فناوری آموزش, (), pp. 307-320. doi: 10.22061/jrsgr.2025.12263.1106
باز علی پور, حسین, فلاحی, غلامرضا. مطالعه و بررسی پیاده سازی معماری سرویس گرا برای زیر ساخت داده های مکانی در مدیریت شهری. فناوری آموزش, 1404; (): 307-320. doi: 10.22061/jrsgr.2025.12263.1106

مطالعه و بررسی پیاده سازی معماری سرویس گرا برای زیر ساخت داده های مکانی در مدیریت شهری

پژوهش های سنجش از دور و اطلاعات مکانی
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 07 آبان 1404    اصل مقاله (1.07 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/jrsgr.2025.12263.1106
نویسندگان
حسین باز علی پور1؛ غلامرضا فلاحی* 2
1گروه مهندسی نقشه‌برداری، دانشکده مهندسی‎ ‎عمران، آب و محیط زیست ، دانشگاه شهید بهشتی، تهران، ایران
2گروه مهندسی نقشه‌برداری، دانشکده مهندسی‎ ‎عمران، آب و محیط زیست ، دانشگاه شهید بهشتی، تهران، ایران
تاریخ دریافت: 31 فروردین 1404،  تاریخ بازنگری: 31 تیر 1404،  تاریخ پذیرش: 07 آبان 1404 
چکیده
پیشینه و اهداف: داده‌های مکانی به‌عنوان یکی از ارکان اساسی نظام‌های اطلاعاتی شهری، نقشی تعیین‌کننده در فرآیندهای تحلیل، برنامه‌ریزی، تصمیم‌سازی و ارزیابی سیاست‌های شهری ایفا می‌کنند. در دهه‌های اخیر، با رشد شتابان شهرنشینی، ظهور شهرهای هوشمند و گسترش سامانه‌های حسگر و اینترنت اشیا، حجم و تنوع داده‌های مکانی به‌صورت تصاعدی افزایش یافته است. این داده‌ها از منابع متعددی نظیر سامانه‌های اطلاعات جغرافیایی (GIS)، تصاویر ماهواره‌ای، داده‌های سنجش از دور، سامانه‌های حمل‌ونقل هوشمند، و داده‌های تولیدشده توسط شهروندان جمع‌آوری می‌شوند. در نتیجه، مدیریت مؤثر این داده‌ها به یکی از چالش‌های اساسی مدیریت شهری معاصر تبدیل شده است. نبود زیرساخت‌های استاندارد و یکپارچه موجب ناهماهنگی میان نهادهای اجرایی، تکرار داده‌ها، و کاهش دقت تصمیم‌گیری‌های مبتنی بر داده می‌شود.
روش‌ها‌: در پاسخ به این نیاز، این پژوهش چارچوبی نوین مبتنی بر معماری سرویس‌گرا (Service-Oriented Architecture - SOA) را برای ایجاد زیرساخت داده‌های مکانی شهری پیشنهاد می‌کند. معماری سرویس‌گرا با اصولی همچون استقلال سرویس‌ها، استفاده مجدد، ترکیب‌پذیری و تعامل‌پذیری، بستر مناسبی برای توسعه سامانه‌های توزیع‌شده و انعطاف‌پذیر فراهم می‌آورد. این پژوهش همچنین با بهره‌گیری از استانداردهای بین‌المللی OGC شامل WMS، WFS و WPS، چارچوبی فنی برای تبادل، پردازش و نمایش داده‌های مکانی در محیط‌های ناهمگون ایجاد کرده است. استفاده از این استانداردها موجب می‌شود تا سامانه‌های مختلف شهری، بدون وابستگی به فناوری یا زبان برنامه‌نویسی خاص، بتوانند به‌صورت هماهنگ و پویا با یکدیگر تعامل داشته باشند.
یافته‌ها: یافته‌های پژوهش نشان می‌دهد که چارچوب پیشنهادی شامل سه لایه اصلی است: لایه سرویس‌های داده مکانی برای ذخیره، مدیریت و دسترسی به داده‌های توزیع‌شده؛ لایه سرویس‌های پردازشی برای تحلیل، تلفیق و استخراج الگوهای مکانی در سطوح مختلف تصمیم‌گیری؛ و لایه مدیریت تعامل برای یکپارچه‌سازی سرویس‌ها، کنترل جریان داده و تضمین کیفیت خدمات در محیط‌های ناهمگون. این ساختار سه‌لایه با هدف افزایش مقیاس‌پذیری، کاهش وابستگی میان مؤلفه‌ها و بهبود تعامل میان سامانه‌های شهری طراحی شده است. در این پژوهش، یک نمونه موردی (Case Study) در محیط واقعی مدیریت شهری پیاده‌سازی گردید تا کارایی، پایداری و قابلیت اطمینان چارچوب پیشنهادی از منظر زمان پاسخ‌گویی، حجم پردازش و هماهنگی میان سرویس‌ها به‌صورت تجربی ارزیابی شود.
نتیجه‌گیری: نتایج نشان داد که پیاده‌سازی چارچوب تلفیقی SOA-OGC سبب کاهش میانگین زمان پاسخ‌دهی تا ۳۰٪، افزایش مقیاس‌پذیری سامانه در مواجهه با داده‌های حجیم، و تسهیل نگهداری و توسعه سرویس‌ها شده است. همچنین، سطح تعامل‌پذیری میان سامانه‌های شهری در حوزه‌های مختلف نظیر حمل‌ونقل، محیط زیست و خدمات عمومی به‌طور معناداری افزایش یافته است. از سوی دیگر، چالش‌هایی همچون تضمین امنیت داده‌های حساس، مدیریت سطح دسترسی کاربران، حفظ پایداری سامانه در شرایط بار سنگین شبکه، و تضمین کیفیت سرویس‌ها (QoS) از جمله موضوعات کلیدی هستند که نیازمند بررسی‌های بیشتر می‌باشند.
در جمع‌بندی، نتایج پژوهش نشان می‌دهد که بهره‌گیری از معماری سرویس‌گرا در کنار استانداردهای OGC می‌تواند زیربنایی مؤثر برای توسعه زیرساخت داده‌های مکانی در مدیریت شهری فراهم آورد. این چارچوب ضمن ارتقای تصمیم‌گیری‌های مبتنی بر داده، مسیر را برای تحقق شهر هوشمند، مدیریت پایدار منابع و بهبود کیفیت زندگی شهروندان هموار می‌سازد. برای پژوهش‌های آینده پیشنهاد می‌شود که فناوری‌های ابری (Cloud GIS)، پردازش کلان‌داده‌های مکانی (Big Spatial Data) و هوش مصنوعی در تحلیل داده‌های مکانی در قالب این معماری ادغام شوند تا کارایی و امنیت سامانه‌های شهری به سطح بالاتری ارتقا یابد.
کلیدواژه‌ها
معماری سرویس‌گرا ‏؛ زیرساخت داده‌های مکانی ‏؛ استانداردهای ‏OGC ‎؛ سرویس‌های وب مکانی ‏؛ پردازش داده‌های مکانی؛ مقیاس‌پذیری
عنوان مقاله [English]
A Study and Investigation on the Implementation of Service-Oriented ‎Architecture for Spatial Data Infrastructure in Urban Management
نویسندگان [English]
H. Bazalipour‎1؛ Gh. Fallahi‎2
1Department of Geoinformation and Geomatics Engineering, Facutly of Civil, Water, and Environment Engineering, Shahid ‎Beheshti ‏University‎, ‎Tehran‎, ‎Iran
2Department of Geoinformation and Geomatics Engineering, Facutly of Civil, Water, and Environment Engineering, Shahid ‎Beheshti ‏University‎, ‎Tehran‎, ‎Iran
چکیده [English]
Background and Objectives: Spatial data, as one of the fundamental components of urban information systems, plays a crucial role in analysis, planning, decision-making, and policy evaluation processes. In recent decades, the rapid growth of urbanization, the emergence of smart cities, and the expansion of sensor networks and the Internet of Things (IoT) have led to an exponential increase in the volume and diversity of spatial data. These data are collected from multiple sources such as Geographic Information Systems (GIS), satellite imagery, remote sensing, intelligent transportation systems, and citizen-generated data. Consequently, the effective management of these datasets has become one of the major challenges in contemporary urban management. The absence of standardized and integrated infrastructures often leads to inconsistency among executive organizations, data redundancy, and reduced accuracy in data-driven decision-making.
Methods: To address these challenges, this study proposes a novel framework based on Service-Oriented Architecture (SOA) for establishing an integrated spatial data infrastructure in urban management. SOA, with its core principles of service independence, reusability, composability, and interoperability, provides a flexible and scalable foundation for developing distributed spatial systems. Additionally, the research utilizes international OGC standards, including Web Map Service (WMS), Web Feature Service (WFS), and Web Processing Service (WPS), to establish a unified technical framework for the exchange, processing, and visualization of spatial data across heterogeneous environments. The use of these standards enables various urban subsystems to interact dynamically and seamlessly without dependency on specific technologies or programming languages.
Findings: The findings indicate that the proposed framework consists of three main layers: the spatial data service layer for storing, managing, and accessing distributed datasets; the processing service layer for analyzing, integrating, and extracting spatial patterns at different decision-making levels; and the interaction management layer for service orchestration, data flow control, and quality assurance in heterogeneous environments. This three-layered structure was designed to enhance scalability, minimize inter-component dependencies, and improve interoperability among diverse urban systems. A case study was implemented in a real urban management environment to empirically evaluate the performance, stability, and reliability of the proposed framework in terms of response time, processing volume, and coordination among services.
Conclusion: The results demonstrated that implementing the integrated SOA–OGC framework led to an average 30% reduction in response time, improved scalability in handling large spatial datasets, and simplified service maintenance and expansion. Moreover, interoperability among urban systems in various domains—such as transportation, environment, and public services—was significantly enhanced. However, challenges including data security assurance, user access control, system stability under high network load, and Quality of Service (QoS) remain critical issues requiring further investigation. In summary, the study concludes that adopting a service-oriented approach in conjunction with OGC standards provides an effective foundation for developing spatial data infrastructures in urban management. This framework not only strengthens data-driven decision-making but also paves the way toward smart city realization, sustainable resource management, and improved quality of urban life. Future research is recommended to integrate Cloud GIS, Big Spatial Data processing, and Artificial Intelligence (AI)-based spatial analytics within this architecture to further enhance the performance, scalability, and security of urban spatial systems.
کلیدواژه‌ها [English]
Service-Oriented Architecture (SOA)‎, Spatial Data Infrastructure (SDI)‎, Open Geospatial Consortium (OGC) ‎Standards. Geospatial Web Services, Spatial Data Processing, Scalability
مراجع

[1] Abdoli N, Alipour M, Pasokhi M. Mapping energy expansion: remote sensing insights into oil and gas infrastructure and land use changes in Midland, TX. J Geosci Environ Prot. 2024;12(7):89-108. doi:10.4236/gep.2024.127007

[2] Sargsyan TA. Innovative urban development: the concept of “smart city” and its implementation in the US. Proc YSU C Geol Geogr Sci. 2024;58(2):155-62.

[3] Fierens M. Initiating interdisciplinary research for future-proof data protection in the context of Data Spaces and semantic interoperable data sharing. In: Proceedings of the 1st NeXt-generation Data Governance Workshop 2024 co-located with 20th International Conference on Semantic Systems (SEMANTiCS 2024). CEUR Workshop Proc. 2025 Jan.

[4] Chowdhury S, Zhu J, Texas Intelligent Design Center. Future-proof transportation infrastructure through proactive, intelligent, and public-involved planning and management. 2022.

[5] Taylor AR. Future-proof: bunkered data centres and the selling of ultra-secure cloud storage. J R Anthropol Inst. 2021;27(S1):76-94. doi:10.1111/1467-9655.13583

[6] Li J, Han W, Wang Y, Huang X, Yan J, Chen Y. Urban spatial information system: a survey of advances and opportunities. SSRN Electron J. 2023. doi:10.2139/ssrn.4672849

[7] Zhao D, Petrov A, Ivanov D, Volkov S, Smith J, Wang J. Exploring geographic information systems (GIS) for smart city analytics. 2023.

[8] Fang Z, Yue P, Zhang M, Xie J, Wu D, Jiang L. A service-oriented collaborative approach to disaster decision support by integrating geospatial resources and task chain. Int J Appl Earth Obs Geoinf. 2023;117:103217. doi:10.1016/j.jag.2022.103217

[9] Li W, Liu Y, Wang S. Real-time GIS programming and geocomputation. GIS&T Body Knowl. 2022(Q1).

doi:10.22224/gistbok/2022.1

[10] Liakos L, Panagos P. Challenges in the geo-processing of big soil spatial data. Land. 2022;11(12):2287.

doi:10.3390/land11122287

[11] Zulian G, Raynal J, Hauser R, Maes J. Urban green infrastructure: opportunities and challenges at the European scale. In: Geneletti D, Cortinovis C, editors. Ecosystem services and green infrastructure: perspectives from spatial planning in Italy. Cham: Springer; 2021. p. 17-28.

doi:10.1007/978-3-030-67127-4_2

[12] Wetzel S, Mäs S, Bernard L, Vorobevskii I, Kronenberg R. Spatial data infrastructure components to provide regional climate information services. Clim Serv. 2024;34:100473. doi:10.1016/j.cliser.2024.100473

[13] Mendoza-Pitti L, Calderón-Gómez H, Vargas-Lombardo M, Gómez-Pulido JM, Castillo-Sequera JL. Towards a service-oriented architecture for the energy efficiency of buildings: a systematic review. IEEE Access. 2021;9:26119-37. doi:10.1109/ACCESS.2021.3056172

[14] Fantinato M, Peres SM, Kafeza E, Chiu DK, Hung PC. A review on the integration of deep learning and service-oriented architecture. J Database Manag. 2021;32(3):95-119. doi:10.4018/JDM.2021070105

[15] Bohloul SM. Service-oriented architecture: a review of state-of-the-art literature from an organizational perspective. J Ind Integr Manag. 2021;6(03):353-82.

doi:10.1142/S2424862221500177

[16] Banerjee S, Barik S, Sil A, Lin JCW. Service-oriented distributed architecture for sustainable secure smart city. In: Secure and smart cyber-physical systems. Boca Raton: CRC Press; 2025. p. 135-52. doi:10.1201/9781003333333-8

[17] Giao J, Nazarenko AA, Luis-Ferreira F, Gonçalves D, Sarraipa J. A framework for service-oriented architecture (SOA)-based IoT application development. Processes. 2022;10(9):1782. doi:10.3390/pr10091782

[18] Masood T, Cherifi CB, Moalla N. A machine learning approach for performance-oriented decision support in service-oriented architectures. J Intell Inf Syst. 2021;56(2):255-77. doi:10.1007/s10844-020-00642-0

[19] Amirian P, Basiri A, Alesheikh A. Standard-based, interoperable services for publishing urban services data. Comput Environ Urban Syst. 2010;34(4):309-21. doi:10.1016/j.compenvurbsys.2010.02.002

[20] Pal K. Innovative service-oriented computing systems architecture for global software development. In: Knowledge sharing and fostering collaborative business culture. Hershey (PA): IGI Global; 2025. p. 441-66.

doi:10.4018/9781668499999.ch021

[21] Bai Y. Standards and interoperability. In: Agro-geoinformatics: theory and practice. Boca Raton: CRC Press; 2021. p. 67-79. doi:10.1201/9781003131120-5

[22] Koshkarev AV. Content standards for geospatial metadata and their use. In: CEUR Workshop Proc; 2021. p. 135-41.

[23] Masó J. Geospatial web services. In: Kresse W, Danko D, editors. Springer handbook of geographic information. Cham: Springer; 2022. p. 493-530. doi:10.1007/978-3-030-53124-9_15

[24] Duque JP, Brovelli MA. System architecture for geospatial virtual data integration in web-based applications. Int Arch Photogramm Remote Sens Spatial Inf Sci. 2023;48:939-44. doi:10.5194/isprs-archives-XLVIII-4-W7-2023-939-2023

[25] Netek R, Pohankova T, Bittner O, Urban D. Geospatial analysis in web browsers—comparison study on WebGIS process-based applications. ISPRS Int J Geo-Inf. 2023;12(9):374. doi:10.3390/ijgi12090374

[26] Verdu-Candela A, Femenia-Ribera C, Mora-Navarro G, Sierra-Requena R. Implementation of web map services for old cadastral maps. ISPRS Int J Geo-Inf. 2023;12(10):413. doi:10.3390/ijgi12100413

[27] Granell C, Poveda J, Gould M. Incremental composition of geographic web services: an emergency management context. In: Proc 7th AGILE Conf Geographic Inf Sci; 2004 Apr; Heraklion, Greece.

[28] Koo J, Kim YG. Interoperability requirements for a smart city. In: Proc 36th Annu ACM Symp Appl Comput; 2021 Mar; Gwangju, Korea. New York: ACM; 2021. p. 690-8. doi:10.1145/3412841.3442003

[29] Santhanavanich T, Padsala R, Rossknecht M, Dabirian S, Saad MM, Eicker U, Coors V. Enabling interoperability of urban building energy data based on OGC API standards and CityGML 3D city models. ISPRS Ann Photogramm Remote Sens Spatial Inf Sci. 2023;10:97-105.

doi:10.5194/isprs-annals-X-4-W3-2023-97-2023

[30] Santhanavanich T, Padsala R, Würstle P, Coors V. The spatial data infrastructure of an urban digital twin in the building energy domain using OGC standards. ISPRS Ann Photogramm Remote Sens Spatial Inf Sci. 2022;10:249-56. doi:10.5194/isprs-annals-X-4-W1-2022-249-2022

[31] Giuliani G, Nativi S, Lehmann A, Ray N. WPS mediation: an approach to process geospatial data on different computing backends. Comput Geosci. 2012;47:20-33.

doi:10.1016/j.cageo.2011.10.003

آمار
تعداد مشاهده مقاله: 15
تعداد دریافت فایل اصل مقاله: 9


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب