پژوهش های سنجش از دور و اطلاعات مکانی

دوفصلنامه علمی

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

همکاران دفتر نشریه

اصول اخلاقی انتشار مقاله

پیوندهای مفید

پرسش‌های متداول

فرایند پذیرش مقالات

اطلاعات آماری نشریه

اخبار و اعلانات

آیین نامه ها و مصوبات

طراحی و توسعه سیستم هوشمند پشتیبان تصمیم‌گیری مکانی مبتنی بر وب برای بهینه‌سازی تخصیص مراکز توزیع محلی پاسخ به بلایا

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه سیستم‌های اطلاعات مکانی، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

چکیده

اهداف: مدیریت بهینه زنجیره تأمین بشردوستانه و توزیع اقلام امدادی پس از بلایای طبیعی از چالش‌های مهم در حوزه مدیریت بحران است. باوجود اهمیت تخصیص بهینه مراکز توزیع محلی در شرایط پس از بحران، ازجمله زلزله، بسیاری از ابزارهای تصمیم‌گیری موجود فاقد قابلیت‌های مکانی، انعطاف‌پذیری در سناریوسازی و سهولت دسترسی هستند. این مقاله باهدف پر کردن خلأ موجود در مطالعات پیشین، سامانه‌ای مبتنی بر وب طراحی کرده است که با بهره‌گیری از قابلیت­های سیستم‌ اطلاعات مکانی (GIS) و الگوریتم‌های فرا ابتکاری، امکان تخصیص بهینه مراکز توزیع و مدیریت اقلام امدادی را فراهم می‌آورد.
روش‌: در این مطالعه، یک سامانه هوشمند پشتیبانی تصمیم‌گیری مکانی مبتنی بر وب توسعه داده‌شده است که به تصمیم‌گیرندگان کمک می‌کند تا مراکز توزیع کمک‌های امدادی را به‌صورت کارآمدتری در سناریوهای مختلف پس از بحران تخصیص دهند. این سامانه از سه بخش اصلی شامل پایگاه داده، موتور تصمیم‌گیری و رابط کاربری تحت وب تشکیل‌شده و امکان اجرای کامل آن در مرورگر، بدون نیاز به نصب نرم‌افزار اضافی، فراهم‌شده است. همچنین از ترکیب الگوریتم‌های ژنتیک و جستجوی ممنوعه برای بهینه‌سازی تخصیص منابع و توزیع اقلام امدادی در این سامانه استفاده‌شده است. در این سامانه کاربران می‌توانند داده‌های ورودی را ویرایش کرده، سناریوهای مختلف را تعریف کرده و نتایج را به‌صورت بصری بر روی نقشه مشاهده کنند. در این سامانه، عدم قطعیت‌های رایج پس از وقوع بلایای طبیعی، ازجمله نرخ‌های متفاوت جمعیت آسیب‌دیده و همچنین پنج دوره زمانی برنامه‌ریزی مختلف در بازه ۸ تا ۷۲ ساعت (۸، ۱۶، ۲۴، ۴۸ و ۷۲ ساعت) در نظر گرفته‌شده‌اند. انعطاف‌پذیری بالای سامانه در تعریف و تحلیل سناریوهای متنوع، آن را به ابزاری مؤثر برای بهبود تصمیم‌گیری در برنامه‌ریزی عملیات توزیع کمک‌های امدادی تبدیل می‌کند.
یافته‌ها: نتایج نشان می‌دهد که الگوریتم ترکیبی پیشنهادی توانسته است تخصیص بهینه مراکز توزیع اقلام را بهبود بخشد و میزان تقاضای برآورده نشده را کاهش دهد. هرچند، بسته به تعداد تکرار الگوریتم در سناریوهای مختلف و تغییر پارامترهای ورودی، نتایج گاهی ناپایدارند که می‌توانند در مطالعات آتی موردبررسی و تحلیل دقیق‌تری قرار گیرند.
نتیجه‌گیری: این مطالعه سامانه‌ای جامع و مبتنی بر وب برای پشتیبانی تصمیم‌گیری در مدیریت بهینه توزیع اقلام امدادی ارائه داده است که می‌تواند کارایی عملیات بحران را به‌طور قابل‌توجهی افزایش دهد. استفاده ترکیبی از الگوریتم‌های فرا ابتکاری و داده‌های مکانی در این سامانه، امکان پاسخگویی سریع و تصمیم‌گیری دقیق را فراهم می‌سازد. توسعه و بهبودهای آتی این سامانه می‌تواند شامل پشتیبانی از انواع مختلف اقلام و شرایط بحرانی متنوع باشد تا نقش مؤثرتری در کاهش خسارات انسانی و مالی ایفا کند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Design and Development of an Intelligent Web-Based Spatial Decision Support System for Optimal Allocation of Local Disaster Response Centers

نویسندگان [English]

  • A. A. Alesheikh
  • A. Parvini

Geospatial Information Systems Department, Faculty of Surveying Engineering, K. N.Toosi University of Technology, Tehran, Iran

چکیده [English]

Background and Objectives: Optimal management of humanitarian supply chains and distribution of relief items after natural disasters is a major challenge in the field of crisis management. Despite the importance of optimal allocation of local distribution centers in post-disaster situations, many existing decision-making tools lack spatial capabilities, flexibility in scenario building, and ease of access. Aiming to fill the gap in previous studies, this paper designs a web-based system that utilizes geographic information systems (GIS) and meta-heuristic algorithms to enable optimal allocation of distribution centers and management of relief items.
Methods: In this study, an intelligent web-based spatial decision support system has been developed that helps decision makers allocate relief distribution centers more efficiently in different post-crisis scenarios. This system consists of three main parts, including a database, a decision engine, and a web-based user interface, and can be fully implemented in a browser without the need to install additional software. Also, genetic and forbidden search algorithms have been integrated to optimize resource allocation and distribution of relief items in this system. Users can edit input data, define different scenarios, and visually view the results on a map. In this system, common uncertainties after disasters, including different rates of affected populations, as well as five different planning periods ranging from 8 to 72 hours (i.e. 8, 16, 24, 48, and 72 hours), have been considered. The system's high flexibility in defining and analyzing various scenarios makes it an effective tool for improving decision-making in planning relief aid distribution operations.
Findings: Results show that the proposed hybrid algorithm has been able to improve the optimal allocation of distribution centers and the effective distribution of items and reduce the amount of unmet demand. However, depending on the number of iterations of the algorithm, different scenarios, and some input parameters, the results have sometimes been unstable, which can be investigated and analyzed more precisely in future studies.
Conclusion: This study presents a comprehensive, web-based decision support system for the optimal management of relief distribution, which can significantly increase the efficiency of crisis operations. The combined use of meta-heuristic algorithms and geographic data in this system enables rapid response and accurate decision-making. Future development and improvements of this system can include support for different types of items and diverse disaster situations to play a more effective role in reducing human and financial losses.

کلیدواژه‌ها [English]

  • Spatial Decision-Support System
  • Distribution of Relief-Items
  • Web-based System
  • Disaster Management
  • Genetics and Tabu Algorithms

COPYRIGHTS

© 2025 The Author(s).  This is an open-access article distributed under the terms and conditions of the Creative Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)

(https://creativecommons.org/licenses/by-nc/4.0/)

مراجع
[1] Paton D, Smith L, Violanti J. Disaster response: risk, vulnerability and resilience. Disaster Prevention and Management: An International Journal. 2000;9(3):173–80. https://doi.org/10.1108/09653560010335068
[2] Lee J, Xu JZ, Sohn K, Lu W, Berthelot D, Gur I, et al. Assessing post-disaster damage from satellite imagery using semi-supervised learning techniques. arXiv preprint arXiv:201114004. 2020.
https://doi.org/10.48550/arXiv.2011.14004
[3] Modiri M, Eskandari M, Hasanzadeh S. Multi-objective modeling of relief items distribution network design problem in disaster relief logistics considering transportation system and CO2 emission. Scientia Iranica. 2022. https://doi.org/10.24200/sci.2022.57132.5080
[4] Cavdur F, Sebatli-Saglam A, Kose-Kucuk M. A spreadsheet-based decision support tool for temporary-disaster-response facilities allocation. Safety science. 2020;124:104581. https://doi.org/10.1016/j.ssci.2019.104581
[5] Aliakbari A, Rashidi Komijan A, Tavakkoli-Moghaddam R, Najafi E. A new robust optimization model for relief logistics planning under uncertainty: a real-case study. Soft Computing-A Fusion of Foundations, Methodologies & Applications. 2022;26(8). https://doi.org/10.1007/s00500-022-06823-4
[6] Durugbo CM, Al-Balushi Z. Supply chain management in times of crisis: a systematic review. Management Review Quarterly. 2023;73(3):1179–235.
[7] Tickle M, Hannibal C. The use of technological innovations in promoting effective humanitarian aid: A systematic review of the literature. International Journal of Technology and Human Interaction (IJTHI). 2022;18(1):1–14.
https://doi.org/10.4018/IJTHI.293204
[8] Ahmadi M, Seifi A, Tootooni B. A humanitarian logistics model for disaster relief operation considering network failure and standard relief time: A case study on San Francisco district. Transportation Research Part E: Logistics and Transportation Review. 2015;75:145–63.
https://doi.org/10.1016/j.tre.2015.01.008
[9] Aghsami A, Sharififar S, Markazi Moghaddam N, Hazrati E, Jolai F, Yazdani R. Strategies for humanitarian logistics and supply chain in organizational contexts: pre-and post-disaster management perspectives. Systems. 2024;12(6):215. https://doi.org/10.3390/systems12060215
[10] Salam MA, Khan SA. Lessons from the humanitarian disaster logistics management: A case study of the earthquake in Haiti. Benchmarking: An International Journal. 2020;27(4):1455–73.
https://doi.org/10.1108/BIJ-04-2019-0165
[11] Saïah F, Vega D, Kovács G. Toward a common humanitarian supply chain process model: the Frontline Humanitarian Logistics Initiative. International Journal of Operations & Production Management. 2023;43(13):238–69.
https://doi.org/10.1108/IJOPM-01-2023-0054
[12] Florez JV, Lauras M, Okongwu U, Dupont L. A decision support system for robust humanitarian facility location. Engineering Applications of Artificial Intelligence. 2015;46:326–35. https://doi.org/10.1016/j.engappai.2015.06.020
[13] Balcik B, Beamon BM, Krejci CC, Muramatsu KM, Ramirez M. Coordination in humanitarian relief chains: Practices, challenges and opportunities. International Journal of production economics. 2010;126(1):22–34.
https://doi.org/10.1016/j.ijpe.2009.09.008
[14] Boostani A, Jolai F, Bozorgi-Amiri A. Designing a sustainable humanitarian relief logistics model in pre-and postdisaster management. International Journal of Sustainable Transportation. 2021;15(8):604–20.
https://doi.org/10.1080/15568318.2020.1773975
[15] Munyaka J-CB, Yadavalli VSS. Using transportation problem in humanitarian supply chain to prepositioned facility locations: a case study in the Democratic Republic of the Congo. International Journal of System Assurance Engineering and Management. 2021;12(1):199–216.
https://doi.org/10.1007/s13198-020-01031-5
[16] Safeer M, Anbuudayasankar S, Balkumar K, Ganesh K. Analyzing transportation and distribution in emergency humanitarian logistics. Procedia Engineering. 2014;97:2248–58. https://doi.org/10.1016/j.proeng.2014.12.469
[17] da Costa SRA, Campos VBG, de Mello Bandeira RA. Supply chains in humanitarian operations: cases and analysis. Procedia-Social and Behavioral Sciences. 2012;54:598–607. https://doi.org/10.1016/j.sbspro.2012.09.777
[18] Fikar C, Gronalt M, Hirsch P. A decision support system for coordinated disaster relief distribution. Expert Systems with Applications. 2016;57:104–16.
https://doi.org/10.1016/j.eswa.2016.03.039
[19] Park J, Cullen R, Smith-Jackson T, editors. Designing a decision support system for disaster management and recovery. Proceedings of the Human Factors and Ergonomics Society Annual Meeting; 2014: SAGE Publications Sage CA: Los Angeles, CA. https://doi.org/10.1177/1541931214581416
[20] Cavdur F, Sebatli A. A decision support tool for allocating temporary-disaster-response facilities. Decision Support Systems. 2019;127:113145.
https://doi.org/10.1016/j.dss.2019.113145
[21] Rye S, Aktas E. A multi-attribute decision support system for allocation of humanitarian cluster resources based on decision makers’ perspective. Sustainability. 2022; 14(20): 13423. https://doi.org/10.3390/su142013423
[22] Laguna-Salvadó L, Lauras M, Okongwu U, Comes T. A multicriteria Master Planning DSS for a sustainable humanitarian supply chain. Annals of Operations Research. 2019;283(1):1303–43.
https://doi.org/10.1016/j.engappai.2015.06.020
[23] Kondaveti R, Ganz A, editors. Decision support system for resource allocation in disaster management. 2009 Annual International Conference of the IEEE Engineering in Medicine and Biology Society; 2009: IEEE.
https://doi.org/10.1109/IEMBS.2009.5332498
[24] Su M-D, Wen T-H, editors. Spatial decision support system for irrigation demand planning. Bridging the Gap: Meeting the World's Water and Environmental Resources Challenges; 2001.
https://doi.org/10.1061/40569(2001)359
[25] Lahmar B, Dridi H, Akakba A. A GIS-BASED MULTICRITERIA SPATIAL DECISION SUPPORT SYSTEM MODEL TO HANDLE HEALTH FACILITIES RESOURCES. CASE OF CRISIS MANAGEMENT IN BATNA, ALGERIA. Geographia Technica. 2020;15(1).
https://doi.org/10.21163/GT_2020.151.16
[26] Alabbad Y, Mount J, Campbell AM, Demir I. A web-based decision support framework for optimizing road network accessibility and emergency facility allocation during flooding. Urban Informatics. 2024;3(1):10.
https://doi.org/10.1007/s44212-024-00040-0
[27] Maharjan R, Hanaoka S. Fuzzy multi-attribute group decision making to identify the order of establishing temporary logistics hubs during disaster response. Journal of Humanitarian Logistics and Supply Chain Management. 2019;9(1):2–21.
https://doi.org/10.1108/JHLSCM-02-2018-0013
[28] Salvadó LL, Lauras M, Comes T, editors. Sustainable Performance Measurement for Humanitarian Supply Chain Operations. ISCRAM; 2017.
[29] Sahebjamnia N, Torabi SA, Mansouri SA. A hybrid decision support system for managing humanitarian relief chains. Decision Support Systems. 2017;95:12–26.
https://doi.org/10.1016/j.dss.2016.11.006
[30] Jana S, Majumder R, Menon PP, Ghose D, editors. Decision support system (DSS) for hierarchical allocation of resources and tasks for disaster management. Operations Research Forum; 2022: Springer.
https://doi.org/10.1007/s43069-022-00148-6
[31] Di Pasquale V, Fruggiero F, Iannone R. A numerical approach for inventory pre-positioning in emergency management. Journal of Humanitarian Logistics and Supply Chain Management. 2020;10(2):205–30.
https://doi.org/10.1108/JHLSCM-07-2019-0043
[32] Schätter F, Wiens M, Schultmann F. A new focus on risk reduction: an ad hoc decision support system for humanitarian relief logistics. Ecosystem Health and Sustainability. 2015;1(3):1–11. https://doi.org/10.1890/ehs14-0020.1
[33] Cavdur F, Kose-Kucuk M, Sebatli A. Allocation of temporary disaster response facilities under demand uncertainty: An earthquake case study. International Journal of Disaster Risk Reduction. 2016;19:159–66.
https://doi.org/10.1016/j.ijdrr.2016.08.009
[34] Quevedo J, Abdelatti M, Imani F, Sodhi M, editors. Using reinforcement learning for tuning genetic algorithms. Proceedings of the genetic and evolutionary computation conference companion; 2021.
https://doi.org/10.1145/3449726.3463203
پژوهش های سنجش از دور و اطلاعات مکانی
دوره 3، شماره 2 - شماره پیاپی 6
تیر 1404
صفحه 345-362
فایل ها
سابقه مقاله
  • تاریخ دریافت: 08 اردیبهشت 1404
  • تاریخ بازنگری: 10 مهر 1404
  • تاریخ پذیرش: 09 دی 1404
هم رسانی
ارجاع به این مقاله
آمار