شناسایی و تجسم نقاط داغ مشاهده در داده‌های جغرافیایی عظیم داوطلبانه در مقیاس‌های فضایی با استفاده از تخمین چگالی هسته با شتاب GPU

داده های جغرافیایی مشارکت داوطلبانه (VGI) منبع مهمی از داده های بزرگ جغرافیایی است که از تحقیقات و برنامه های کاربردی پشتیبانی می کند. نگرانی اصلی در مورد کیفیت داده های VGI این است که فرآیندهای مشاهده اساسی ذاتاً سوگیری دارند. بنابراین، شناسایی نقاط داغ مشاهده به درک بهتر سوگیری کمک می کند. این مطالعه با استفاده از ابزار محاسباتی تخمین تراکم هسته موازی (KDE) که می‌تواند بر روی چندین GPU (واحد پردازش گرافیکی) اجرا شود، تجزیه و تحلیل الگوی نقطه‌ای را بر روی ده‌ها میلیون مشاهدات iNaturalist برای شناسایی و تجسم نقاط داغ مشاهده داوطلبان در مقیاس‌های فضایی انجام داد. . با تنظیم پهنای باند KDE متفاوت مطابق با مقیاس های فضایی که در آن هات اسپات ها باید شناسایی شوند، به دست آمد. توالی سطوح چگالی تخمین زده شده سپس در یک دنباله از مقیاس های نقشه برای تشخیص بصری نقاط داغ ارائه شد. این مطالعه یک طرح ژئوتصویرسازی موثر برای تشخیص سلسله مراتبی نقاط داغ در مجموعه داده‌های عظیم VGI ارائه می‌دهد که برای درک محرک‌های شکل‌دهی الگو که در مقیاس‌های فضایی متعدد عمل می‌کنند مفید است. این تحقیق یک ابزار محاسباتی را نشان می‌دهد که توسط محاسبات با کارایی بالا پشتیبانی می‌شود و قادر به شناسایی و تجسم نقاط داغ چند مقیاسی در داده‌های بزرگ جغرافیایی است و به گسترش جعبه ابزار برای تجزیه و تحلیل داده‌های بزرگ جغرافیایی کمک می‌کند. که برای درک محرک های الگوسازی که در مقیاس های فضایی چندگانه عمل می کنند مفید است. این تحقیق یک ابزار محاسباتی را نشان می‌دهد که توسط محاسبات با کارایی بالا پشتیبانی می‌شود و قادر به شناسایی و تجسم نقاط داغ چند مقیاسی در داده‌های بزرگ جغرافیایی است و به گسترش جعبه ابزار برای تجزیه و تحلیل داده‌های بزرگ جغرافیایی کمک می‌کند. که برای درک محرک های الگوسازی که در مقیاس های فضایی چندگانه عمل می کنند مفید است. این تحقیق یک ابزار محاسباتی را نشان می‌دهد که توسط محاسبات با کارایی بالا پشتیبانی می‌شود و قادر به شناسایی و تجسم نقاط داغ چند مقیاسی در داده‌های بزرگ جغرافیایی است و به گسترش جعبه ابزار برای تجزیه و تحلیل داده‌های بزرگ جغرافیایی کمک می‌کند.

کلید واژه ها:

اطلاعات جغرافیایی داوطلبانه (VGI) ؛ داده های بزرگ جغرافیایی ؛ تحلیل الگوی نقطه ای ; تخمین چگالی هسته ; تشخیص و تجسم نقاط داغ ؛ تعصب فضایی ؛ مقیاس های فضایی متعدد ; iNaturalist ; واحد پردازش گرافیکی (GPU) ؛ محاسبات موازی

۱٫ مقدمه

داده‌های جغرافیایی داوطلبانه، که اغلب «اطلاعات جغرافیایی داوطلبانه» (VGI) نامیده می‌شوند ، در طول دو دهه گذشته یا بیشتر به دلیل پیشرفت‌های گسترده در فناوری‌های ارتباطی و مکانی (مانند تلفن‌های هوشمند آگاه از موقعیت مکانی، رسانه‌های اجتماعی) شکوفا شده‌اند. ) که شهروندان عادی را قادر می سازد تا مشاهدات جغرافیایی مرجع جهان را جمع آوری و به اشتراک بگذارند [ ۲ ]. به طور کلی، VGI شامل داده‌های جغرافیایی است که توسط داوطلبانی که در علم شهروندی جغرافیایی، نقشه‌برداری مشارکتی، سیستم‌های اطلاعات جغرافیایی مشارکت عمومی، جغرافیای جدید، رسانه‌های اجتماعی، جمع‌سپاری و غیره شرکت می‌کنند، تولید و به اشتراک گذاشته می‌شود .]. نمونه‌های برجسته VGI، در میان سایر موارد، شامل OpenStreetMap، پلتفرمی برای داوطلبان برای نقشه‌برداری مشترک انواع ویژگی‌های جغرافیایی در سراسر جهان با جزئیات عالی [ ۳ ]، و پروژه‌های علمی شهروندی تنوع زیستی مانند eBird و iNaturalist است که ناظران طبیعت ده‌ها هزار نفر را برای آن ارسال می‌کنند. مشاهده گونه ها به صورت روزانه [ ۴ ، ۵ ]. به طور قابل‌توجهی، علم شهروندی [ ۶ ] برای قرن‌ها وجود داشته است، و علم شهروندی جغرافیایی [ ۷ ، ۸ ] منبع اصلی داده‌های جغرافیایی داوطلبانه (مثلاً مشاهدات تنوع زیستی)، حتی مدت‌ها قبل از ابداع اصطلاح VGI در سال ۲۰۰۷ بوده است. ۱]. VGI به دلیل هزینه کم، پوشش گسترده، وضوح مکانی و زمانی بالا و به‌موقع بودن به‌روزرسانی داده‌ها، تبدیل به منبع مهمی از داده‌های مکانی شده است که از تحقیقات و برنامه‌های علمی پشتیبانی می‌کند (به عنوان مثال، نظارت بر تنوع زیستی ، پاسخ به بلایا ) ۱۲ ، ۱۳ ]. در یک زمینه بزرگتر، VGI نشان دهنده یک تغییر پارادایم در نحوه ایجاد و اشتراک گذاری داده های جغرافیایی و در محتوا و ویژگی های آن است [ ۱۴ ]. ممکن است تأثیر زیادی بر جغرافیا و رابطه آن با جامعه داشته باشد [ ۱ ، ۱۵]. VGI (به ویژه علم شهروندی)، به دلیل مشارکت فعال عموم مردم در فعالیت های تحقیقاتی علمی (به عنوان مثال، جمع آوری داده ها)، به عنوان پلی بین جغرافیا (و سایر رشته ها) و جامعه در نظر گرفته می شود که به مهار قدرت عمومی کمک می کند. اکتشافات علمی را از طریق پروژه‌هایی که به دقت طراحی شده‌اند، پیش ببرند [ ۱۶ ] و در عین حال، آگاهی علمی عمومی را افزایش دهند [ ۱۷ ، ۱۸ ]. در واقع، VGI منبع مهمی از داده‌های بزرگ جغرافیایی است که تحقیقات جغرافیایی را به سمت پارادایم‌های نوظهور مانند «جغرافیای مبتنی بر داده» [ ۱۹ ] و «علم مبتنی بر داده» [ ۲۰ ] سوق می‌دهد.

مسائل مربوط به کیفیت داده های VGI، با این وجود، تحت نظارت دائمی هستند [ ۲۱ ]. داده‌های مکانی جمع‌آوری‌شده و به اشتراک گذاشته‌شده توسط جوامع داوطلب ممکن است مانند داده‌های جمع‌آوری‌شده توسط آژانس‌های حرفه‌ای از کیفیت بالایی برخوردار باشند یا نباشند. بنابراین کیفیت داده ها همیشه در هنگام استفاده از VGI برای هر برنامه ای مورد توجه قرار می گیرد. روش‌ها و چارچوب‌های مختلفی برای ارزیابی کیفیت داده‌های VGI از منظر اعتبار منبع [ ۲۲ ، ۲۳ ] و ابعاد اساسی کیفیت داده‌های مکانی (دقت موقعیتی، صحت ویژگی، دقت زمانی، دقت معنایی، سازگاری منطقی، کامل بودن) پیشنهاد شده‌اند. و نسب) [ ۲۴ ، ۲۵ ، ۲۶ ، ۲۷ ،۲۸ ، ۲۹ ، ۳۰ ، ۳۱ ]، و برای اطمینان از کیفیت داده های VGI [ ۲۴ ، ۳۲ ، ۳۳ ، ۳۴ ، ۳۵ ]. علی‌رغم ارزیابی کیفیت یا اقدامات تضمینی، مجموعه داده‌های VGI اغلب در معرض اشکال مختلف سوگیری هستند (به عنوان مثال، سوگیری مکانی، سوگیری زمانی، سوگیری جمعیت‌شناختی) [ ۲۱ ، ۳۶ ، ۳۷ ، ۳۸ ]. اولین گام مفید برای درک بهتر چنین سوگیری‌هایی، تجسم بخشیدن به محل منشأ مشاهدات VGI است، زیرا توزیع فضایی مشاهدات VGI پیامدهایی بر «نمایندگی» مجموعه داده‌های VGI به دست آمده دارد [ ۳۶ ]]. داوطلبان انفرادی که بر اساس منفعت شخصی یا خودانگیزه ای هدایت می شوند، اغلب مکان هایی را برای مشاهده انتخاب می کنند، برخلاف تلاش های سنتی جمع آوری داده های جغرافیایی که توسط متخصصان آموزش دیده به دنبال پروتکل های تعیین شده و طرح های نمونه برداری جغرافیایی (به عنوان مثال، نمونه گیری تصادفی طبقه بندی شده) انجام می شود [ ۳۹ ]. به طور گسترده شناخته شده است که تلاش‌های مشاهده‌ای داوطلبان تمایل دارند در مناطق جغرافیایی خاصی (مثلاً مناطق با دسترسی بهتر) متمرکز شوند و مجموعه داده‌های VGI، در نتیجه، اغلب از نظر مکانی سوگیری دارند [ ۴۰ ، ۴۱ ، ۴۲ ].

بررسی الگوی فضایی تلاش‌های مشاهده‌ای داوطلبان می‌تواند فرآیندهای فضایی را که اغلب در مقیاس‌های فضایی متعدد عمل می‌کنند، روشن کند [ ۳۷ ]. درک بهتر الگوها در تلاش‌های مشاهده در مقیاس‌های فضایی به درک سوگیری‌های فضایی ذاتی موجود در مجموعه داده‌های VGI کمک می‌کند، و همچنین می‌تواند به ابداع استراتژی‌های کاهش تعصب مناسب کمک کند [ ۴۳ ، ۴۴ ، ۴۵ ، ۴۶ ]. مکان‌های جغرافیایی که داوطلبان مشاهدات را در آن‌ها انجام می‌دهند، می‌توانند به عنوان یک الگوی نقطه‌ای فضایی متشکل از رویدادهای نقطه‌ای در نظر گرفته شوند (یعنی مشاهده در مکان‌های جداگانه انجام شد). بنابراین، تحلیل الگوی نقطه‌ای مکانی [ ۴۷]، یک روش تجزیه و تحلیل فضایی کلاسیک است که به طور گسترده در بسیاری از حوزه ها (به عنوان مثال، جغرافیا، بوم شناسی، اپیدمیولوژی فضایی، تجزیه و تحلیل جرم و تجزیه و تحلیل حوادث ترافیکی) استفاده می شود، می تواند برای شناسایی هر گونه الگوی فضایی جالب در تلاش های مشاهده داوطلب به کار رود.

تخمین چگالی هسته (KDE) یک رویکرد رایج برای تحلیل الگوی نقطه فضایی توضیحی است [ ۴۷ ، ۴۸ ]. این می تواند یک سطح چگالی احتمال پیوسته رویداد نقطه ای را در فضای جغرافیایی بر اساس مجموعه ای از مکان های رویداد نمونه گسسته تخمین بزند [ ۴۹ ]. سطح چگالی می تواند برای شناسایی و تجسم نقاط داغ رویداد (به عنوان مثال، خوشه ها) برای تسهیل بررسی کیفی الگوی نقطه استفاده شود. علاوه بر این، نقاط داغ در الگوی نقطه‌ای را می‌توان در مقیاس‌های فضایی متنوع با رویکرد KDE با تنظیم پهنای باند هسته مناسب، پارامتری که صافی (یعنی سطح تعمیم) سطح چگالی تخمینی را کنترل می‌کند، شناسایی و تجسم کرد [ ۴۹ ، ۵۰ ،۵۱ ]. علاوه بر این، سطح چگالی به عنوان مبنایی برای انجام تجزیه و تحلیل کمی بیشتر عمل می‌کند، به عنوان مثال، تعیین مناطق خوشه‌ای [ ۵۱ ، ۵۲ ] و آزمایش اهمیت آماری از طریق شبیه‌سازی‌های مونت کارلو [ ۴۷ ]، و تصحیح سوگیری نمونه‌گیری جغرافیایی [ ۴۴ ]. چنین ویژگی هایی رویکرد KDE را برای تجسم و تجزیه و تحلیل الگوهای فضایی در تلاش های مشاهده داوطلبان مطلوب می کند.

با این حال، استفاده از رویکرد KDE در مجموعه داده‌های عظیم VGI با چالش‌های محاسباتی مواجه است [ ۵۰ ، ۵۱ ]. اول، با افزایش تعداد نقاط داده (یعنی مکان‌ها) (مثلاً میلیون‌ها یا حتی میلیاردها مکان)، هزینه‌های محاسباتی قابل توجهی در ارتباط با پرس‌و‌جوهای فضایی ساده (مثلاً یافتن مکان‌های نزدیک برای محاسبه سهم چگالی هسته آن‌ها در یک کانون) وجود دارد. محل). دوم، تعیین پهنای باند (های) بهینه هسته برای KDE از نظر محاسباتی فشرده است زیرا فرآیند بهینه سازی تکراری شامل تکرار محاسبات پیچیده است [ ۴۹ ]]. در نهایت، محاسبه چگالی هسته بر اساس نقاط داده متعدد بر روی یک شبکه با وضوح بالا از سلول های شطرنجی در منطقه جغرافیایی وسیع از نظر محاسباتی گران است. در نتیجه، ابزارهای نرم‌افزار سنتی که روش KDE را پیاده‌سازی می‌کنند، قادر به مدیریت مجموعه داده‌های عظیم نیستند.

تا همین اواخر، ابزارهای محاسباتی با کارایی بالا برای فعال کردن تجزیه و تحلیل الگوی نقطه ای روی داده های بزرگ جغرافیایی [ ۵۳ ، ۵۴ ، ۵۵ ]، به ویژه با روش KDE [ ۵۰ ، ۵۱ ] توسعه یافته بودند.]. این ابزارها از تکنیک‌های نمایه‌سازی فضایی مانند درخت k بعدی و چهار درخت برای سرعت بخشیدن به پرس‌وجوهای فضایی، پیاده‌سازی بهینه‌سازی‌های الگوریتمی برای کاهش پیچیدگی محاسباتی و اتخاذ محاسبات موازی بر روی CPUهای چند هسته‌ای (واحدهای پردازش مرکزی) یا پردازنده‌های گرافیکی چند هسته‌ای استفاده می‌کنند. واحدهای پردازش گرافیکی) برای تسریع بیشتر محاسبات KDE. در نتیجه، این ابزارهای محاسباتی با کارایی بالا که به تازگی توسعه یافته‌اند، تکمیل تحلیل الگوی نقطه‌ای روی مجموعه داده‌های رویداد نقطه‌ای عظیم در مدت زمان معقول را امکان‌پذیر کرده‌اند. بزرگترین مجموعه داده های آزمایشی که برای آزمایش عملکرد محاسباتی ابزارها استفاده می شود، حاوی حدود یک میلیون مکان نقطه است [ ۵۰ ، ۵۱ ].

این مطالعه با توانمندسازی ابزارهای تجزیه و تحلیل الگوی نقطه‌ای مبتنی بر داده‌های بزرگ، شناسایی و تجسم نقاط داغ مشاهده چند مقیاسی در داده‌های جغرافیایی گسترده داوطلبانه (به عنوان مثال، ده‌ها میلیون نقطه) را در سطح جهانی با استفاده از روش KDE انجام می‌دهد. با محاسبات موازی GPU [ ۵۰ ] تسریع شد. این تلاش درک الگوی فضایی فعالیت‌های مشارکت داده‌های مشارکت‌کننده VGI را بهبود می‌بخشد، سوگیری‌های فضایی ذاتی در مجموعه داده‌های VGI با پوشش جهانی در مقیاس‌های فضایی مختلف را روشن می‌کند و در نهایت طراحی روش‌های مناسب برای کاهش تأثیرات چنین سوگیری‌هایی را هنگام استفاده از VGI آگاه می‌کند. در تحلیل و مدل سازی فضایی (به عنوان مثال، مدل سازی توزیع گونه ها).

با بهترین دانش نویسنده، این اولین تلاش برای شناسایی و تجسم نقاط داغ مشاهده مشارکت کنندگان VGI در مقیاس های فضایی در مقیاس جهانی با استفاده از رویکرد KDE است. تلاش‌های موجود برای تجسم الگوهای فضایی در مجموعه داده‌های VGI در مقیاس بزرگ، از رویکرد KDE با وجود مزایای آن برای تجسم و تجزیه و تحلیل کمی اجتناب کرد و در عوض، روش‌های کمتر محاسباتی را برای تجسم سریع‌تر در حین پرواز اتخاذ کرد. به عنوان مثال، eBird ( ebird.org/hotspots ، قابل دسترسی در ۶ ژانویه ۲۰۲۲) و iNaturalist ( www.inaturalist.org/observations، که در ۶ ژانویه ۲۰۲۲ مشاهده شد) هر دو یک رویکرد مبتنی بر ربع را برای شمارش تعداد مشاهدات (یعنی شدت) در شبکه ای از ربع مستطیلی برای تجسم نقاط داغ مشاهده در ارسال داده ها اتخاذ می کنند. اگرچه رویکرد مبتنی بر کوادرات می‌تواند نقاط داغ را در مقیاس‌های فضایی چندگانه با تنظیم اندازه کوادرات بسته به سطح بزرگنمایی کنونی تجسم کند، اما تغییر شدت ناگهانی مصنوعی در مرزهای ربع را معرفی می‌کند و مهم‌تر از آن، ترسیم ربع‌ها تابع واحد منطقه‌ای قابل تغییر است. مشکل [ ۵۶ ، ۵۷ ]. رویکرد KDE بر چنین اشکالاتی غلبه خواهد کرد [ ۵۸] به عنوان سطوح احتمال پیوسته تخمین زده شده با پهنای باند هسته وابسته به مقیاس برای شناسایی و تجسم نقاط داغ مشاهده چند مقیاسی استفاده می شود. این مطالعه کاربرد و سودمندی روش KDE را برای تجزیه و تحلیل مجموعه داده‌های نقطه عظیم برای تشخیص و تجسم نقطه داغ، با استفاده از مجموعه داده‌های VGI با بیش از ۳۰ میلیون نقطه به‌دست‌آمده از iNaturalist به عنوان مثال، بررسی می‌کند. ادامه این مقاله به شرح زیر سازماندهی شده است. بخش ۲ داده ها و روش ها را معرفی می کند، بخش ۳ نتایج و بحث های مرتبط را ارائه می دهد و بخش ۴ مقاله را به پایان می رساند.

۲٫ مواد و روشها

۲٫۱٫ مجموعه داده ها

۲٫۱٫۱٫ داده های VGI

مجموعه داده‌های VGI حاوی مکان‌هایی که داوطلبان مشاهدات خود را انجام می‌دهند، از iNaturalist، بزرگترین پروژه علمی شهروندی جهان (از نظر تعداد شرکت‌کنندگان) با پوشش جهانی با هدف مشارکت ناظران طبیعت در آپلود، شناسایی و اشتراک‌گذاری مشاهدات گونه‌ها از همه گونه‌ها [ ۵ ] به دست آمد. ، ۵۹]. در این مطالعه، iNaturalist به عنوان مثالی برای نشان دادن سودمندی رویکرد KDE با شتاب GPU برای تجسم نقاط داغ مشاهده چند مقیاسی در مجموعه داده‌های عظیم VGI استفاده شد، اگرچه خود این رویکرد برای هر مجموعه داده نقطه‌ای قابل اجرا است. کاربران عکس‌های دارای ارجاع جغرافیایی و مهر زمانی از مشاهدات گونه‌ها را به همراه اطلاعات کمکی (مثلاً شناسایی گونه‌های پیشنهادی) از طریق وب‌سایت iNaturalist یا برنامه تلفن همراه بارگذاری می‌کنند. کاربران همچنین می توانند انتخاب کنند که مختصات جغرافیایی مشاهدات (طول و عرض جغرافیایی) را مبهم کنند تا از حریم خصوصی جغرافیایی محافظت کنند (در صورت مبهم بودن، مکان مشاهده با یک مکان تصادفی انتخاب شده از یک سلول طول جغرافیایی ۰٫۲ درجه × طول جغرافیایی ۰٫۲ درجه حاوی مکان واقعی جایگزین می شود)، و آیا باید ارسالی عمومی شود و از این رو برای جامعه مشارکت کنندگان قابل مشاهده باشد. جامعه به طور مشترک گونه ها را برای مشاهدات عمومی از طریق مکانیسم رأی گیری شناسایی یا تأیید می کند. تا نوامبر ۲۰۲۱، نزدیک به ۲ میلیون مشارکت کننده در بیش از ۸۵ میلیون مشاهده بر روی بیش از ۳۴۵۰۰۰ گونه در سراسر جهان مشارکت داشته اند.۶۰ ]. همه مشاهدات عمومی در وب سایت iNaturalist برای دانلود در دسترس هستند ( www.inaturalist.org/observations/export ، در ۶ ژانویه ۲۰۲۲ مشاهده شده است). مشاهداتی که معیارهای کیفیت داده‌های خاصی را برآورده می‌کنند به عنوان «درجه پژوهش» [ ۶۱ ] برچسب‌گذاری می‌شوند و مجموعه داده‌ای که فقط شامل چنین مشاهداتی است، به‌صورت دوره‌ای در وب‌سایت مرکز اطلاعات جهانی تنوع زیستی [ ۶۲ ] منتشر و به‌روزرسانی می‌شود.

مشاهدات انجام شده در سال های ۲۰۱۹ و ۲۰۲۰ با عرض جغرافیایی بین ۶۰ درجه جنوبی و ۷۵ درجه شمالی (مشاهدات بسیار کمی فراتر از این محدوده عرض جغرافیایی بود) و مختصات جغرافیایی غیرمفهوم از iNaturalist دانلود و در پایگاه داده فضایی بارگیری شد. داده‌های این دو سال به این دلیل انتخاب شدند که استفاده از رویکرد KDE شتاب‌دهی‌شده توسط GPU برای تجسم نقاط داغ مشاهده در سال‌های جداگانه، شناسایی هرگونه تغییر الگو را در طول دو سال امکان‌پذیر می‌سازد. مشاهدات مبهم حذف شدند زیرا با عدم قطعیت موقعیتی بسیار بالا برای تحلیل الگوی نقطه‌ای معنی‌دار همراه بودند. سپس مکان‌های مشاهده‌ای متمایز از نظر جغرافیایی (یعنی مکان‌های نقطه‌ای با مختصات طول جغرافیایی منحصربه‌فرد) استخراج شدند. مراحل پردازش فوق به ۱۱۹۸۶۴۸۴ و ۱۹۰۲۲ منجر شد. ۹۲۳ مکان رصدی به ترتیب در سال های ۲۰۱۹ و ۲۰۲۰٫ ترسیم ساده مکان‌های نقطه‌ای در مقیاس جهانی، نقشه‌های نقطه‌ای به‌هم ریخته بصری ایجاد می‌کند که در طول دو سال مشابه هستند (شکل ۱ )، اگرچه در سال ۲۰۲۰، ۷ میلیون مکان نقطه‌ای دیگر وجود داشت و الگوی فضایی مکان‌ها ممکن است در طول سال‌ها تغییر کرده باشد، به عنوان مثال، به دلیل همه‌گیری مداوم COVID-19 [ ۱۰ ]. با چنین نقشه‌های نقطه‌ای، تشخیص بصری نقاط داغ مشاهدات مشارکت‌کنندگان iNaturalist در یک سال در مقیاس‌های فضایی، و همچنین شناسایی بصری تغییر الگوی فضایی در طول زمان دشوار است.

۲٫۱٫۲٫ مرزهای زمین

سطوح چگالی در این مطالعه فقط برای مناطق خشکی جهان برای تشخیص و تجسم نقاط داغ تخمین زده شد، زیرا اکثریت قریب به اتفاق مکان‌های رصد iNaturalist در خشکی هستند و به استثنای اقیانوس‌ها حجم کار محاسباتی KDE را تا حد زیادی کاهش می‌دهد. ۱:۱۰ میلیون چند ضلعی خشکی (شامل جزایر اصلی) دانلود شده از وب سایت طبیعی زمین ( www.naturalearthdata.com (در ۱۳ سپتامبر ۲۰۲۱)) برای به تصویر کشیدن مرزهای توده خشکی جهان استفاده شد. چند ضلعی های زمینی با وضوح های مکانی متفاوت (۵ کیلومتر، ۱ کیلومتر، ۵۰۰ متر، و غیره) برای تخمین سطوح چگالی به شطرنجی تبدیل شدند.

۲٫۲٫ مواد و روش ها

رویکرد KDE برای تجزیه و تحلیل الگوی نقطه‌ای اکتشافی، که با محاسبات موازی روی پردازنده‌های گرافیکی تسریع شده است، برای تخمین سطوح چگالی برای شناسایی و تجسم نقاط داغ مشاهده در مقیاس‌های فضایی در مجموعه‌های داده عظیم iNaturalist به کار گرفته شد.

۲٫۲٫۱٫ رویکرد KDE با شتاب GPU

رویکرد KDE فرض می‌کند که یک رویداد در یک مکان مشخص _Xi می‌تواند در مکان دیگری x با احتمال کمتری رخ دهد، که با فاصله _Xiتا x رابطه معکوس دارد . احتمال فروپاشی فاصله با یک تابع هسته نشان داده می شود $K (\cdot)$ . هسته معمولی گاوسی در این مطالعه مورد استفاده قرار گرفت [ ۶۳ ]:

K (| x - X i | h i) = 1 2 π e - ∣∣ x - X i ∣∣ ۲ ۲ h i 2

(۱)

جایی که $| x - X_{i} |$ فاصله بین دو مکان است و h _i پارامتر پهنای باند است که با افزایش فاصله تا Xi سرعت کاهش احتمال را کنترل _میکند . از نظر مفهومی، هسته را می توان به عنوان یک سطح چگالی احتمال سه بعدی (یعنی یک زنگ) با حجم ثابت ۱ در مرکز هر محل رویداد نمونه در نظر گرفت. پهنای باند h _i شکل هسته را در محل نمونه تعیین می کند $X_{i}$ و پهنای باند بزرگتر نشان دهنده هسته گسترده تر اما کوتاهتر است. سپس روش KDE چگالی احتمال وقوع رویداد در هر مکان x را به عنوان میانگین سهم چگالی از همه مکان‌های نمونه محاسبه می‌کند [ ۴۹ ]:

f (x) = 1 n \sum n i = 1 1 h 2 i K (| x - X i | h i)

(۲)

جایی که $f (x)$ چگالی تخمین زده شده در محل است $x$ ، و $n$ تعداد کل مکان های نمونه است. اعمال رابطه (۲) برای هر یک از مکان های سلول در منطقه مورد مطالعه منجر به یک سطح چگالی احتمال می شود.

صافی سطح چگالی تخمین زده شده تا حد زیادی تحت تأثیر پهنای باند است [ ۴۹ ، ۶۳ ]. پهنای باند می تواند در همه مکان های نمونه یکسان باشد (KDE ثابت). به طور کلی، پهنای باند بزرگتر تمایل به صاف کردن تغییرات چگالی محلی دارند و سطح چگالی تخمینی بنابراین فقط می تواند تغییرات چگالی در مقیاس بزرگ را نشان دهد. با پهنای باند کوچک، KDE می‌تواند تغییرات چگالی محلی را آشکار کند، اما ممکن است نتواند روند کلی را ثبت کند. پهنای باند برای KDE ثابت را می توان به راحتی با پیروی از اکتشافی ساده «قاعده سرانگشتی» محاسبه کرد که توزیع مکانی (یعنی فاصله استاندارد) مکان های نمونه را در نظر می گیرد [ ۶۳ ]]، یا از طریق بهینه سازی با هدف به حداکثر رساندن احتمال (احتمال) مشاهده رویداد در سراسر مکان های نمونه [ ۴۹ ]. پهنای باند همچنین می‌تواند در مکان‌های نمونه متفاوت باشد (KDE تطبیقی). KDE تطبیقی به طور انعطاف‌پذیر پهنای باند بزرگ‌تر را در مکان‌های نمونه پراکنده و پهنای باند کوچک‌تر در مکان‌های نمونه متراکم به کار می‌گیرد، و بنابراین قادر است تغییرات چگالی ظریف را در مناطقی از مکان‌های نمونه متراکم تشخیص دهد [ ۴۹ ]. پهنای باند تطبیقی فضایی را می توان بر اساس اکتشافات ساده (به عنوان مثال، K-نزدیکترین فاصله همسایه) [ ۶۴ ] یا از طریق بهینه سازی [ ۴۹ ] تعیین کرد.]. به طور کلی، تعیین پهنای باند (ها) با استفاده از بهینه‌سازی از نظر محاسباتی بسیار گران‌تر از استفاده از روش‌های اکتشافی ساده است (به عنوان مثال، «قاعده سرانگشتی»، K-نزدیک‌ترین فاصله همسایه).

هنگامی که روش KDE بر روی مجموعه داده‌های بسیار بزرگ استفاده می‌شود، تعیین پهنای باند برای KDE، به‌ویژه از طریق بهینه‌سازی، و متعاقباً تخمین سطح چگالی احتمال (در یک شبکه شطرنجی با وضوح خوب در یک منطقه جغرافیایی بزرگ) هر دو می‌تواند از نظر محاسباتی نیاز باشد [ ۵۰ ، ۵۱ ] ]. برای غلبه بر چالش‌های محاسباتی، ابزار KDE موازی GPU توسعه یافته در [ ۵۰ ] که امکان تحلیل الگوی نقطه‌ای را روی داده‌های بزرگ جغرافیایی فراهم می‌کند، برای شناسایی و تجسم نقاط داغ مشاهده در مجموعه داده‌های عظیم iNaturalist به کار گرفته شد. پیاده سازی اصلی ابزار KDE با محاسبات موازی بر روی چندین پردازنده گرافیکی پیاده سازی شده بر اساس کتابخانه برنامه نویسی موازی CUDA [ ۶۵ ] تنها بر روی یک واحد پردازش گرافیکی [ ۵۰ ] اجرا می شود.]. این مطالعه این ابزار را بهبود بخشید تا بتواند از توان محاسباتی موازی در هر تعداد از GPUهای موجود در پلت فرم محاسباتی استفاده کند. نسخه جدید (کدهای منبع موجود در GitHub در https://rb.gy/mv0z5m ، قابل دسترسی در ۲۶ نوامبر ۲۰۲۱) حجم کار محاسباتی KDE را به بخش‌های کوچک‌تر تقسیم می‌کند و آنها را به چندین GPU ارسال می‌کند تا به صورت مشترک انجام شوند. علاوه بر این، نسخه جدید اکتشافی فاصله کمتر K نزدیکترین همسایه را از نظر محاسباتی برای تعیین پهنای باند تطبیقی [ ۶۴ ]، علاوه بر گزینه موجود تعیین پهنای باند تطبیقی بر اساس بهینه سازی [ ۵۰ ] پیاده سازی کرد.]. این پیشرفت‌ها حد بالایی اندازه مشکل وظایف تحلیل الگوی نقطه‌ای را که ابزار KDE موازی GPU می‌تواند برطرف کند، بیشتر می‌کند.

ابزار KDE موازی GPU در دو محیط محاسباتی با قابلیت‌های GPU برای تخمین سطوح چگالی احتمال از مکان‌های مشاهده iNaturalist برای شناسایی و تجسم نقاط داغ مشاهده در مقیاس‌های فضایی اجرا شد. One ویندوز سرور ۲۰۱۶ (سی پی یوهای ۲۴ هسته ای Intel Xeon @ 2.7 گیگاهرتز، ۱۹۲ گیگابایت حافظه) را با پردازنده گرافیکی NVIDIA Tesla V100 (حافظه ۳۲ گیگابایت) اجرا می کند. دیگری دارای ویندوز ۱۰ (سی پی یوهای ۸ هسته ای Intel Xeon @ 3.7 گیگاهرتز، ۶۴ گیگابایت حافظه) و دو پردازنده گرافیکی NVIDI Quadro P4000 یکسان (حافظه ۸ گیگابایتی). مدت زمانی که برای تکمیل تکالیف تخمین سطح چگالی صرف شد، بسته به اندازه مشکل (به عنوان مثال، تعداد مکان‌های مشاهده، وضوح فضایی سطح چگالی تخمینی، گزینه پهنای باند) از دقیقه تا ساعت متغیر است.بخش ۳٫۴ .

۲٫۲٫۲٫ تشخیص و تجسم نقاط داغ مشاهده در مقیاس های فضایی

پهنای باند برای KDE صافی سطح چگالی احتمال تخمین زده شده و در نتیجه مقیاس فضایی که در آن نقاط داغ را می توان شناسایی کرد (یعنی سطح تعمیم فضایی) را کنترل می کند. بر اساس این مشاهدات، یک سری از پهنای باند مطابق با مقیاس های فضایی نقاط داغ را می توان برای روش KDE با پهنای باند ثابت تنظیم کرد تا توالی سطوح چگالی را برای شناسایی و تجسم نقاط داغ مشاهده در مقیاس های فضایی تخمین بزند ( جدول ۱ ). . به طور خاص، پهنای باند «قاعده سرانگشتی» (h _r.ot= 134330 و ۱۲۴۹۹۳ متر برای سال های ۲۰۱۹ و ۲۰۲۰، که اغلب منجر به یک سطح چگالی بیش از حد صاف می شود، به عنوان پهنای باند اولیه برای تخمین سطح چگالی برای تشخیص و تجسم نقطه داغ در درشت ترین مقیاس فضایی استفاده شد (به عنوان مثال، جهانی). سپس پهنای باند به ۱/۲ پهنای باند قبلی کاهش یافت تا سطح چگالی دیگری برای شناسایی و تجسم نقاط داغ در مقیاس فضایی دقیق‌تر برآورد شود. این فرآیند تا زمانی تکرار شد که پهنای باند به ۱/۱۲۸ پهنای باند اولیه کاهش یابد (h _r.ot /۱۲۸ = ۱۰۴۹ و ۹۷۶ m برای سال‌های ۲۰۱۹ و ۲۰۲۰ به ترتیب). علاوه بر این، پهنای باند حتی کوچکتر از طریق بهینه سازی تعیین می شود (h _opt. = ۴۹۳ و ۵۳۰ m برای سال های ۲۰۱۹ و ۲۰۲۰، به ترتیب) [ ۴۹] برای تخمین سطح چگالی اضافی برای تشخیص و تجسم نقطه داغ در بهترین مقیاس فضایی (مثلاً همسایگی) استفاده شد.

روند سطوح چگالی برآورد شده با روش KDE در ArcGIS Pro [ ۶۶ ] مشاهده شد.] با آمار “تنظیم دامنه پویا” محاسبه شده از وسعت نمایش فعلی و نوع کشش “انحراف استاندارد” برای برجسته کردن بصری نقاط داغ در نقشه های چگالی مشاهده. هر نقشه نقطه داغ تنها در محدوده تعیین شده ای از مقیاس های نقشه مربوط به مقیاس فضایی که در آن نقاط داغ مشاهده به صورت بصری شناسایی می شوند، نمایش داده شد. هنگام بزرگنمایی و کوچکنمایی روی نقشه، نقاط داغ در محدوده نمایشگر در مقیاس فضایی فعلی به درستی برای بازرسی بصری ارائه شده است. این استراتژی تجسم در مقایسه با گزینه‌های جایگزین (به عنوان مثال، کشش بر اساس آمار کامل شطرنجی) برای تشخیص بصری نقاط داغ در مکان‌های مشاهده طبیعی آموزنده‌تر بود، زیرا می‌تواند نقشه‌های نقطه داغ را به گونه‌ای ارائه کند که به هر دو پاسخ دهد. مقیاس و وسعت نمایش

علاوه بر این، یک نقشه وب برای تشخیص بصری نقاط داغ مشاهده در مقیاس های فضایی از طریق پلت فرم ArcGIS Online [ ۶۷ ] منتشر شد. کاشی‌های نقشه که نقاط داغ مشاهده چند مقیاسی را در یک دنباله از سطوح بزرگ‌نمایی نقشه ارائه می‌کنند (یعنی مقیاس‌های نمایش نقشه) با استفاده از ابزار پردازش جغرافیایی Create Map Tile Package در ArcGIS Pro ایجاد شدند. بسته‌های کاشی سپس در ArcGIS Online آپلود شدند و به‌عنوان یک نقشه وب منتشر شدند که می‌توان آن را آزادانه در https://rb.gy/1cjyey مشاهده کرد ، در ۲۶ نوامبر ۲۰۲۱ به آن دسترسی داشت. بزرگ‌نمایی و کوچک‌نمایی باعث می‌شود نقشه وب برای بارگیری کاشی‌ها در سطح زوم مناسب برای تجسم نقاط داغ مشاهده در مقیاس های فضایی.

۳٫ نتایج و بحث

۳٫۱٫ تشخیص بصری نقاط داغ مشاهده در مقیاس های فضایی

در سطح جهانی، آمریکای شمالی و اروپا، دو بزرگ‌ترین کانون رصد طبیعت‌گرایان در جهان هستند ( شکل ۲)آ). اروپای غربی و شرق، غرب و جنوب ایالات متحده، نقاط مهم رصد منطقه‌ای هستند. کشورهای اروپایی مانند بریتانیا، آلمان، بلژیک، هلند، سوئیس، و ایتالیا، و ایالت های ایالات متحده از جمله کالیفرنیا، واشنگتن، تگزاس، فلوریدا، مریلند، نیوجرسی، نیویورک، کانکتیکات و ماساچوست به عنوان کشور یا ایالت برجسته می شوند. نقاط داغ سطح. در مقیاس فضایی دقیق‌تر، نقاط داغ رصد طبیعی به خوبی با مناطق بزرگ شهری (مانند سانفرانسیسکو، لس آنجلس، دالاس، دنور، شیکاگو، مینیاپولیس، نیویورک، مکزیکو سیتی، کیتو، لندن، میلان، مادرید، مسکو، کیپ تاون، سیدنی، ملبورن، هنگ کنگ، توکیو و سئول). نقاط داغ رصدی نیز در مقیاس های ظریف تری شناسایی می شوند. به عنوان مثال، در منطقه شهری دنور ( شکل ۲، نقاط داغ رصدی در سطح شهر به محله (مثلاً در پارک ها، در امتداد مسیرها) با افزایش جزئیات فضایی به آسانی روی نقشه های تراکم قابل مشاهده هستند.

تجسم نقشه‌های شطرنجی چگالی هسته در ArcGIS Pro و در نقشه وب ArcGIS Online ( https://rb.gy/1cjyey ، دسترسی به ۲۶ نوامبر ۲۰۲۱) می‌تواند برای تشخیص بصری نقاط داغ مشاهده در مقیاس‌های فضایی در داده‌های iNaturalist مورد استفاده قرار گیرد. برای هر بخشی از جهان (به عنوان مثال، از مقیاس جهانی تا همسایگی). چنین ابزار زمین بصری برای تشخیص سلسله مراتبی و تجسم نقاط داغ مشاهده در مقیاس های فضایی در مجموعه داده های عظیم VGI مزایای بسیاری را ارائه می دهد، همانطور که با جزئیات بیشتر در بخش ۳٫۳ بحث شده است .

۳٫۲٫ تشخیص و تجسم نقاط داغ در مقیاس‌های فضایی حتی ظریف‌تر

رویکرد KDE می‌تواند به راحتی برای شناسایی نقاط داغ مشاهده در مقیاس‌های فضایی حتی ظریف‌تر (مثلاً مقیاس بلوک یا خیابان) به کار گرفته شود، برای مثال، اگر نیاز باشد، برای مثال، به درک رفتار انتخاب مکان مشاهده مشارکت‌کننده VGI در یک میکرو محیط. برای این منظور، پهنای باند تعیین شده از طریق بهینه سازی در روش KDE برای آشکار کردن تغییرات چگالی ظریف در مقیاس های خرد استفاده شد [ ۴۹ ، ۵۰ ]] در مناطق انتخابی مورد علاقه. پهنای باند، اعم از ثابت یا تطبیقی، تنها بر روی یک زیرمجموعه محلی از مکان‌های مشاهده‌ای که در داخل منطقه یا در فاصله معینی از مرز منطقه (مثلاً ۱۰ کیلومتر) هستند، بهینه‌سازی شدند، زیرا پهنای باند بهینه‌سازی شده بر روی مجموعه داده‌های جهانی همچنان بیش از حد هموار می‌شوند. سطوح چگالی که نمی توانند تغییرات چگالی را در مقیاس های خرد آشکار کنند (به عنوان مثال، شکل ۳ I).

شکل ۳ نقشه های چگالی حاصل را در وضوح فضایی ۱۰ متری برای یک منطقه مورد علاقه (پارک ایالتی Cherry Creek در دنور) نشان می دهد که با پهنای باند ثابت ( شکل ۳ J) و پهنای باند تطبیقی ( شکل ۳ K) تعیین شده از طریق بهینه سازی تخمین زده شده است. وضوح فضایی بسیار بالای سطح چگالی همراه با پهنای باند بهینه شده محلی امکان تشخیص و تجسم نقاط داغ مشاهده را در مقیاس های فضایی بسیار خوب می دهد. برای مثال، در حالی که نقشه چگالی تخمین زده شده با پهنای باند ثابت بهینه شده جهانی ( شکل ۳ I) تنها یک نقطه داغ بزرگ در انتهای جنوبی مخزن در پارک را نشان می دهد، نقشه با پهنای باند ثابت بهینه شده محلی تخمین زده می شود ( شکل ۳)J) بیشتر دو نقطه داغ کوچکتر را متمایز می کند (یک نقطه داغ در سمت جنوب شرقی و دیگری نقطه داغ بزرگتر در سمت جنوب غربی)، و نقشه تخمین زده شده با پهنای باند تطبیقی بهینه شده محلی ( شکل ۳ K) قادر به شناسایی و تجسم بود. چندین نقطه داغ با وسعت فضایی دقیق تر. شناسایی و تجسم نقاط داغ در چنین مقیاس‌های فضایی ظریفی اطلاعات مفیدی را برای درک ترجیحات مشاهده داوطلب در یک محیط کوچک فراهم می‌کند (به عنوان مثال، مشاهدات بیشتری در جنگل‌های امتداد ساحل شرقی متمرکز شده‌اند) ( شکل ۳ K).

۳٫۳٫ سودمندی برای تجزیه و تحلیل الگوی نقطه اکتشافی و فراتر از آن

طرح پیشنهادی برای تشخیص سلسله مراتبی و تجسم نقاط داغ در مجموعه داده‌های نقطه‌ای عظیم در مقیاس‌های فضایی، با پشتیبانی از ابزار GPU شتاب‌دهی شده، یک ابزار ژئو بصری قدرتمند برای تحلیل الگوی نقطه‌ای اکتشافی ارائه می‌دهد که فرمول‌بندی فرضیه‌ها را برای کشف فرآیندهای فضایی که عمل می‌کنند را قادر می‌سازد. در مقیاس های فضایی چندگانه که الگوی نقطه ای را شکل داده است [ ۴۷ ، ۵۸]. شهود در مورد فرآیندهای فضایی الگوسازی چند مقیاسی با کاوش بصری نقشه‌های نقطه داغ در مقیاس‌های فضایی و مقایسه نقشه‌های نقطه داغ در برابر نقشه‌هایی که تنوع مکانی عوامل محیطی و فرهنگی را نشان می‌دهند که می‌توانند در آن نقش داشته باشند، آسان‌تر ایجاد می‌شوند. شکل دادن به الگوها (به عنوان مثال، تراکم جمعیت، پوشش زمین، دسترسی به فن آوری های تلفن همراه). به عنوان مثال، نقاط داغ مشاهده در مقیاس قاره، منطقه ای و کشوری در مجموعه داده های VGI ممکن است عمدتاً به عوامل فرهنگی و اجتماعی-اقتصادی نسبت داده شود. همانطور که در [ ۳۷رصد طبیعت سابقه طولانی تری دارد و در کشورهای غربی انگلیسی زبان که در بالاترین سطح شاخص توسعه انسانی سازمان ملل قرار دارند (مانند امید به زندگی طولانی تر، سال های تحصیل بیشتر، درآمد ناخالص ملی بالاتر) فعالیت محبوب تری است. سرانه). نقاط داغ مشاهده ایالت ها، کلان شهرها و در مقیاس شهر، که منعکس کننده شکاف شهری و روستایی هستند، می توانند بیشتر به توزیع جمعیت انسانی، در دسترس بودن زیرساخت ها (به عنوان مثال، جاده، اینترنت) و در نتیجه شکاف دیجیتالی مرتبط باشند [ ۳۷ , ۶۸ ]. ]. با این حال، برای نقاط داغ مشاهده در سطح زیر شهر به محله، عوامل محرک غالب ممکن است بیشتر به الگوهای رفتاری انسان مرتبط باشند. به عنوان مثال، مردم تمایل دارند مشاهده گونه‌ها را در فضاهای سبز باز مانند پارک‌ها، باغ‌های گیاه‌شناسی و مسیرهای پیاده‌روی گزارش کنند.۳۷ ] در حالی که از مزایای تعامل انسان و طبیعت بهره مند می شوند [ ۶۹ ]. چنین شهودی به خوبی می‌تواند به فرمول‌بندی فرضیه‌ها برای توضیح الگوهای نقطه داغ در مقیاس‌های فضایی کمک کند. فراتر از آن، آنها همچنین برای ابداع روش‌شناسی برای مدل‌سازی سوگیری‌های نمونه‌گیری در مشاهدات VGI [ ۳۷ ] آموزنده هستند، که می‌تواند مبنایی برای تصحیح چنین سوگیری‌هایی باشد، زمانی که مشاهدات VGI در تحلیل و مدل‌سازی فضایی استفاده می‌شوند [ ۱۲ ، ۷۰ ، ۷۱ ].

از نقشه‌های نقطه داغ نیز می‌توان برای کشف تغییر الگوی نقطه در طول زمان استفاده کرد. مقایسه بصری نقشه‌های نقطه داغ در همان مقیاس فضایی اما از زمان‌های مختلف به شناسایی کیفی تغییرات در الگوی فضایی در طول زمان کمک می‌کند و درک علل زمینه‌ای را تسهیل می‌کند. به عنوان مثال، شکل ۴نقشه های هات اسپات را در پردیس دانشگاه دنور (DU) در سال ۲۰۱۹ و ۲۰۲۰ نشان می دهد. در سال ۲۰۱۹ یک نقطه داغ بزرگ در محوطه دانشگاه وجود داشت اما در سال ۲۰۲۰ دیگر چنین نبود. این تغییر به دلیل چالش طبیعت DU بود. رویداد سالانه ای که شرکت کنندگان در آن تنوع زیستی را در محوطه دانشگاه DU بررسی می کنند و مشاهدات گونه ها را به iNaturalist گزارش می دهند، به دلیل همه گیری مداوم COVID-19 لغو شد. به طور گسترده‌تر، تجسم‌ها برای شناسایی تغییر الگوی نقطه داغ مشاهده در مقیاس‌های فضایی برای آشکار کردن تأثیرات همه‌گیری بر الگوهای مشارکت داده‌های مشارکت‌کنندگان VGI مفید هستند. این می‌تواند شواهد جدیدی را برای ادغام یافته‌های مربوط به اثرات COVID-19 بر پروژه‌های علمی شهروندی ارائه دهد و بنابراین به شکل‌گیری دستورالعمل‌هایی در مورد نحوه محاسبه ناهنجاری‌های داده‌های ناشی از همه‌گیری کمک کند [ ۷۲ ، ۷۳ ], ۷۴ , ۷۵ ].

این مطالعه تنها از داده‌های iNaturalist در دو سال جداگانه (۲۰۱۹ و ۲۰۲۰) استفاده کرد تا قابلیت استفاده و سودمندی ابزار KDE شتاب‌دهی شده با GPU و طرح تصویرسازی جغرافیایی ( بخش ۲٫۲٫۲ ) را برای تجسم نقاط داغ در داده‌های نقطه‌ای در مقیاس‌های فضایی و شناسایی تغییر الگوی سالانه بررسی کامل در مورد اینکه چه چیزی نقاط داغ را شکل داده و چه چیزی باعث تغییر الگو در مشاهدات طبیعی شده است، خارج از محدوده این مقاله است و مستحق یک بررسی جداگانه است (نمونه ای از این مطالعات را می توان در [ ۳۷ ] یافت.]). با این وجود، می‌توان به راحتی ابزار KDE تسریع‌شده با GPU و طرح تصویرسازی جغرافیایی را با وضوح‌های مکانی و زمانی سفارشی‌سازی‌شده (مثلاً هفتگی، ماهانه) روی سایر مجموعه‌های داده نقطه‌ای (بزرگ) برای تجسم نقاط داغ چند مقیاسی و شناسایی هرگونه تغییر الگوی به‌کار برد. نقطه شروعی برای پاسخ به سؤالات تحقیق مربوط به مجموعه داده های خاص.

۳٫۴٫ مقایسه ابزارهای KDE با GPU Accelerated و ابزارهای KDE در نرم افزار GIS موجود

ابزار KDE با شتاب GPU مورد استفاده در این مطالعه با ابزارهای KDE در نرم‌افزار GIS موجود، به‌ویژه، ArcGIS Pro اختصاصی (نسخه ۲٫۹) [ ۶۶ ] و QGIS منبع باز (نسخه ۳٫۲۲) [ ۷۶ ] مقایسه شد. نتایج KDE به پهنای باند حساس تر از تابع هسته هستند [ ۶۳ ]]. ابزار KDE در Pro تابع هسته Quartic را با یک الگوریتم “قاعده شست” برای محاسبه پهنای باند پیش فرض بر اساس فاصله استاندارد نقاط پیاده سازی کرد. ابزار KDE در QGIS یک پهنای باند پیش‌فرض را محاسبه نمی‌کند (یعنی کاربر باید پهنای باندی را برای هیچ یک از پنج تابع هسته پیاده‌سازی شده مشخص کند (Quartic، Triangular، Uniform، Triweight، Epanechnikov). علاوه بر این، هر دو ابزار فقط KDE با پهنای باند ثابت را بدون پشتیبانی از KDE با پهنای باند تطبیقی پیاده‌سازی می‌کنند. در مقایسه با KDE با پهنای باند ثابت، KDE با پهنای باند تطبیقی بهتر می‌تواند تغییرات چگالی ظریف را در نواحی رویدادهای نقطه متراکم نشان دهد (به عنوان مثال، بخش ۳٫۲ ) [ ۴۹ , ۵۰ ]]. به عنوان مثال، هنگام استفاده از KDE برای تجزیه و تحلیل موارد بیماری، پهنای باند را می توان طوری تنظیم کرد که با تراکم جمعیت رابطه معکوس داشته باشد تا زمینه ناهمگن را در نظر بگیرد [ ۷۷ ، ۷۸ ]. در این راستا، ابزار KDE با شتاب GPU نسبت به ابزارهای KDE در Pro و QGIS برتری دارد، زیرا از KDE با پهنای باند تطبیقی و KDE با پهنای باند ثابت پشتیبانی می‌کند و الگوریتم‌های (موازی) را برای تعیین خودکار پهنای باند بهینه برای گاوسی پیاده‌سازی می‌کند. تابع هسته ( بخش ۲٫۲٫۱ ) [ ۵۰ ].

ملاحظات مهم دیگر، عملکرد محاسباتی و مقیاس‌پذیری ابزارهای KDE در وظایف تحلیل الگوی نقطه‌ای است که شامل مجموعه‌های داده بزرگ است (به عنوان مثال، تخمین سطح چگالی با وضوح بالا در یک منطقه مطالعه بزرگ از تعداد زیادی نقطه). ابزار KDE در QGIS فقط بر روی یک رشته CPU اجرا می شود، ابزار KDE در Pro می تواند برای اجرا بر روی یک رشته CPU یا چندین رشته CPU (یعنی استفاده از محاسبات موازی در CPUهای چند هسته ای) پیکربندی شود و GPU- KDE موازی می تواند از توان محاسباتی موازی در GPU ها بهره برداری کند. برای ارزیابی تجربی عملکرد محاسباتی ابزارهای KDE، آنها بر روی داده‌های iNaturalist 2019 اعمال شدند. اگرچه سطوح چگالی تخمین زده شده الگوهای نقطه داغ مشابهی را در مقیاس جهانی نشان می دهد ( شکل ۵، زمان اجرای ابزارها به شدت متفاوت است ( جدول ۲). ابزار QGIS حتی در مجموعه داده‌های نسبتاً کوچک بسیار کند است (به عنوان مثال، تراکم‌ها در تفکیک مکانی ۵ کیلومتر تخمین زده شدند). بنابراین در مجموعه داده های بزرگ مفید نخواهد بود. در مجموعه داده های کوچک، ابزار Pro سریعتر از ابزار GPU اجرا می شود. در مجموعه داده‌های بزرگ‌تر (مثلاً تراکم‌ها با وضوح ۱ کیلومتر یا ۵۰۰ متر تخمین زده می‌شوند)، ابزار GPU بسیار سریع‌تر از ابزار Pro است، اگرچه اجرای دومی روی هشت رشته می‌تواند محاسبات را سه تا چهار برابر افزایش دهد. علاوه بر این، ابزار GPU بسیار بهتر از ابزار Pro در مجموعه داده های بزرگ مقیاس می شود. به عنوان مثال، زمانی که وضوح تخمین از ۱ کیلومتر به ۵۰۰ متر افزایش می یابد، زمان اجرای ابزار Pro سه تا چهار برابر افزایش می یابد، در حالی که زمان اجرای ابزار GPU تنها با ضریب ۱٫۳ افزایش می یابد. به طور کلی،

۴٫ نتیجه گیری

این مطالعه که توسط ابزار محاسباتی KDE موازی چند GPU فعال شده است، یک طرح تجسم جغرافیایی برای انجام تجزیه و تحلیل الگوی نقطه ای روی مجموعه داده های عظیم VGI (به عنوان مثال، ده ها میلیون مشاهده iNaturalist با پوشش جهانی) برای شناسایی و تجسم نقاط داغ مشاهده داوطلبان ارائه می کند. در مقیاس های فضایی این با تنظیم پهنای باند متغیر برای روش KDE مطابق با مقیاس‌های فضایی که نقاط داغ باید در آن‌ها شناسایی شوند (مثلاً از قاره به همسایگی و حتی مقیاس‌های ظریف‌تر) برای تخمین توالی سطوح شطرنجی چگالی به دست آمد. شطرنج‌های چگالی سپس رندر شدند و در مقیاس‌های نقشه‌ای برای تشخیص بصری نقاط داغ نمایش داده شدند. طرح ژئوتصویرسازی که بر اساس ابزار KDE تسریع شده توسط GPU ساخته شده است، مکانیزم سلسله مراتبی را برای تجسم نقاط داغ مشاهده داوطلبان در داده های عظیم در مقیاس های فضایی ارائه می دهد. این به طور موثر تشخیص بصری نقاط داغ مشاهده و شناسایی تغییرات الگو در طول زمان را تسهیل می کند. به عنوان یک ابزار تجزیه و تحلیل داده های اکتشافی، برای کشف محرک های اساسی که این الگو را در تلاش های مشاهده داوطلبانه شکل داده اند و علل هر گونه تغییر الگو مفید است. برای تجسم نقاط داغ چند مقیاسی و شناسایی هرگونه تغییر الگو به عنوان نقطه شروعی برای پاسخ به سؤالات تحقیق مربوط به مجموعه داده‌ها، می‌توان به راحتی ابزار KDE شتاب‌دهی شده توسط GPU و طرح geovisualization را در سایر مجموعه داده‌های نقطه بزرگ (نه لزوماً داده‌های VGI) اعمال کرد. . این تحقیق یک ابزار محاسباتی با کارایی بالا و قابلیت داده‌های بزرگ را برای انجام تحلیل الگوی نقطه‌ای اکتشافی در مجموعه داده‌های نقطه‌ای عظیم نشان می‌دهد. این یک افزونه ارزشمند به جعبه ابزار در حال گسترش برای تجزیه و تحلیل داده های بزرگ جغرافیایی است.

منابع

Goodchild، MF Citizens به عنوان حسگر: دنیای جغرافیای داوطلبانه. ژئوژورنال ۲۰۰۷ ، ۶۹ ، ۲۱۱-۲۲۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ژانگ، جی. اطلاعات جغرافیایی داوطلبانه. در مجموعه دانش علم و فناوری اطلاعات جغرافیایی ; ۲۰۲۱; در دسترس آنلاین: https://gistbok.ucgis.org/bok-topics/volunteered-geographic-information (دسترسی در ۶ ژانویه ۲۰۲۲).
هاکلی، م. Weber, P. OpenStreetMap: نقشه های خیابانی تولید شده توسط کاربر. محاسبات فراگیر IEEE ۲۰۰۸ ، ۷ ، ۱۲-۱۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سالیوان، BL; چوب، CL; ایلیف، ام جی; بانی، RE; فینک، دی. Kelling، S. eBird: یک شبکه رصد پرندگان مبتنی بر شهروند در علوم زیستی. Biol. حفظ کنید. ۲۰۰۹ ، ۱۴۲ ، ۲۲۸۲-۲۲۹۲٫ [ Google Scholar ] [ CrossRef ]
Altrudi، S. اتصال به طبیعت از طریق فناوری؟ مورد برنامه iNaturalist. همگرایی ۲۰۲۱ ، ۲۷ ، ۱۲۴-۱۴۱٫ [ Google Scholar ] [ CrossRef ]
هاکلی، م. دورلر، دی. هیگل، اف. مانزونی، م. هکر، اس. وهلند، ک. علم شهروندی چیست؟ چالش های تعریف. در علم شهروندی ; Vohland, K., Land-Zandstra, A., Ceccaroni, L., Lemmens, R., Perelló, J., Ponti, M., Samson, R., Wagenknecht, K., Eds.; Springer Nature: برلین/هایدلبرگ، آلمان، ۲۰۲۱؛ صص ۱۳-۳۳٫ ISBN 9783030582784. [ Google Scholar ]
هاکلی، ام. علم شهروند جغرافیایی: مروری. در طراحی علوم شهروندی جغرافیایی ; UCL Press: لندن، بریتانیا، ۲۰۲۱؛ صص ۱۵-۳۷٫ [ Google Scholar ]
هاکلی، ام. دانش شهروندی و اطلاعات جغرافیایی داوطلبانه: بررسی اجمالی و گونه‌شناسی مشارکت. در جمع سپاری دانش جغرافیایی: اطلاعات جغرافیایی داوطلبانه (VGI) در تئوری و عمل . Sui, D., Elwood, S., Goodchild, M., Eds. Springer: Dordrecht، هلند، ۲۰۱۳; صص ۱۰۵-۱۲۲٫ شابک ۹۷۸-۹۴-۰۰۷-۴۵۸۶-۵٫ [ Google Scholar ]
فینک، دی. اوئر، تی. جانستون، ا. رویز-گوتیرز، وی. هوچاچکا، WM; Kelling، S. مدل‌سازی توزیع چرخه کامل سالانه پرندگان و روند جمعیت با داده‌های علم شهروندی. Ecol. Appl. ۲۰۲۰ , ۳۰ , e02056. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
باسیل، م. روسو، LF; روسو، وی جی؛ سنس، ا. برناردو، ن. پرندگانی که در طول همه‌گیری کووید-۱۹ دیده می‌شوند و دیده نمی‌شوند: تأثیر اقدامات قرنطینه بر مشاهدات پرندگان علمی شهروندی. Biol. حفظ کنید. ۲۰۲۱ ، ۲۵۶ ، ۱۰۹۰۷۹٫ [ Google Scholar ] [ CrossRef ]
زوک، م. گراهام، ام. شلتون، تی. گورمن، اس. داوطلبانه اطلاعات جغرافیایی و جمع سپاری امداد رسانی به بلایا: مطالعه موردی زلزله هائیتی. پزشکی جهانی سیاست سلامت ۲۰۱۰ ، ۲ ، ۶-۳۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
جانستون، ا. موران، ن. ماسگرو، ا. فینک، دی. بیلی، SR تخمین توزیع گونه‌ها از داده‌های علوم شهروندی با سوگیری فضایی. Ecol. مدل ۲۰۲۰ , ۴۲۲ , ۱۰۸۹۲۷٫ [ Google Scholar ] [ CrossRef ]
یان، ی. فنگ، سی. هوانگ، دبلیو. فن، اچ. Wang, Y. داوطلبانه تحقیقات اطلاعات جغرافیایی در دهه اول: مروری روایی از مقالات مجلات منتخب در GIScience. بین المللی جی. جئوگر. Inf. علمی ۲۰۲۰ ، ۳۴ ، ۱۷۶۵-۱۷۹۱٫ [ Google Scholar ] [ CrossRef ]
الوود، اس. اطلاعات جغرافیایی داوطلبانه: سؤالات، مفاهیم و روش‌های کلیدی برای هدایت تحقیق و عمل در حال ظهور. جئوژورنال ۲۰۰۸ ، ۷۲ ، ۱۳۳-۱۳۵٫ [ Google Scholar ] [ CrossRef ]
تروجان، ج. Shade، S. لمنز، آر. فرانتال، ب. علم شهروندی به عنوان رویکردی جدید در جغرافیا و فراتر از آن: بررسی و تأملات. موراو. Geogr. Rep. ۲۰۱۹ , ۲۷ , ۲۵۴–۲۶۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
اسکارلاتیدو، ا. Haklay, M. Geographic Citizen Science Design: No One Left Behind ; UCL Press: لندن، بریتانیا، ۲۰۲۰٫ [ Google Scholar ]
سیلورتاون، جی. طلوع جدیدی برای علم شهروندی. Trends Ecol. تکامل. ۲۰۰۹ ، ۲۴ ، ۴۶۷-۴۷۱٫ [ Google Scholar ] [ CrossRef ]
وهلند، ک. Land-Zandstra، A.; سکارونی، ال. لمنز، آر. پرلو، جی. پونتی، م. سامسون، آر. Wagenknecht, K. The Science of Citizen Science ; Springer Nature: برلین/هایدلبرگ، آلمان، ۲۰۲۱٫ [ Google Scholar ]
میلر، اچ جی; Goodchild، جغرافیای داده محور MF. ژئوژورنال ۲۰۱۴ ، ۸۰ ، ۴۴۹-۴۶۱٫ [ Google Scholar ] [ CrossRef ]
کلینگ، اس. هوچاچکا، WM; فینک، دی. ریدوالد، ام. کاروانا، آر. بالارد، جی. هوکر، جی. علم فشرده داده: الگوی جدیدی برای مطالعات تنوع زیستی. Bioscience ۲۰۰۹ ، ۵۹ ، ۶۱۳-۶۲۰٫ [ Google Scholar ] [ CrossRef ]
بصیری، ع. هاکلی، م. فودی، جی. Mooney, P. کیفیت داده‌های جغرافیایی جمع‌سپاری شده: چالش‌ها و مسیرهای آینده. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۹ ، ۳۳ ، ۱۵۸۸-۱۵۹۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
آویزان، K.-C. کلانتری، م. رجبی فرد، ع. روش‌های ارزیابی اعتبار اطلاعات جغرافیایی داوطلبانه در واکنش به سیل: مطالعه موردی در بریزبن، استرالیا. Appl. Geogr. ۲۰۱۶ ، ۶۸ ، ۳۷-۴۷٫ [ Google Scholar ] [ CrossRef ]
فلاناژین، ا. متزگر، ام. اعتبار اطلاعات جغرافیایی داوطلبانه. جئوژورنال ۲۰۰۸ ، ۷۲ ، ۱۳۷-۱۴۸٫ [ Google Scholar ] [ CrossRef ]
Goodchild، MF; Li, L. اطمینان از کیفیت اطلاعات جغرافیایی داوطلبانه. تف کردن آمار ۲۰۱۲ ، ۱ ، ۱۱۰-۱۲۰٫ [ Google Scholar ] [ CrossRef ]
بارینگتون-لی، سی. Millard-Ball، A. نقشه راه تولید شده توسط کاربر جهان بیش از ۸۰٪ کامل شده است. PLoS ONE ۲۰۱۷ , ۱۲ , e0180698. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سناراتنه، اچ. مبشری، ع. علی، ال. کاپینری، سی. هاکلی، ام. مروری بر روش‌های داوطلبانه ارزیابی کیفیت اطلاعات جغرافیایی. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۷ ، ۳۱ ، ۱۳۹-۱۶۷٫ [ Google Scholar ] [ CrossRef ]
بارون، سی. نیس، پ. Zipf، A. چارچوبی جامع برای تحلیل کیفی نقشه خیابان باز ذاتی. ترانس. GIS ۲۰۱۴ ، ۱۸ ، ۸۷۷-۸۹۵٫ [ Google Scholar ] [ CrossRef ]
Haklay, M. اطلاعات جغرافیایی داوطلبانه چقدر خوب است؟ مطالعه تطبیقی مجموعه داده‌های OpenStreetMap و Ordnance Survey. محیط زیست برنامه ریزی کنید. ب برنامه ریزی دس ۲۰۱۰ ، ۳۷ ، ۶۸۲-۷۰۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
وو، اچ. لین، ا. کلارک، کی سی; شی، دبلیو. Cardenas-Tristan، A.; Tu, Z. چارچوب ارزیابی کیفیت جامع برای ویژگی های خطی از اطلاعات جغرافیایی داوطلبانه. بین المللی جی. جئوگر. Inf. علمی ۲۰۲۱ ، ۳۵ ، ۱۸۲۶-۱۸۴۷٫ [ Google Scholar ] [ CrossRef ]
خو، ی. چن، ز. زی، ز. Wu, L. ارزیابی کیفیت داده‌های ردپای ساختمان با استفاده از یک شبکه رمزگذار خودکار عمیق. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۷ ، ۳۱ ، ۱۹۲۹-۱۹۵۱٫ [ Google Scholar ] [ CrossRef ]
چهرقان، ع. علی عباسپور، ر. ارزیابی کامل بودن داده های VGI از طریق ارزیابی تشابه هندسی. بین المللی J. Image Data Fusion ۲۰۱۸ ، ۹ ، ۳۱۹-۳۳۷٫ [ Google Scholar ] [ CrossRef ]
سالک، سی اف. استورن، تی. ببینید، L. فریتز، اس. Perger, C. ارزیابی کیفیت مشارکت‌های داوطلبانه جمع‌سپاری: درس‌هایی از بازی Cropland Capture. بین المللی جی دیجیت. زمین ۲۰۱۶ ، ۹ ، ۴۱۰-۴۲۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
علی، ال. Schmid, F. تضمین کیفیت داده برای اطلاعات جغرافیایی داوطلبانه. در مجموعه مقالات علم اطلاعات جغرافیایی: هشتمین کنفرانس بین المللی، GIScience 2014، وین، اتریش، ۲۴–۲۶ سپتامبر ۲۰۱۴ . Springer: برلین/هایدلبرگ، آلمان، ۲۰۱۴; جلد ۸۷۲۸، ص ۱۲۶–۱۴۱٫ [ Google Scholar ]
یان، ی. فنگ، سی.-سی. وانگ، Y.-C. استفاده از نظریه مجموعه های فازی برای اطمینان از کیفیت اطلاعات جغرافیایی داوطلبانه جئوژورنال ۲۰۱۷ ، ۸۲ ، ۵۱۷–۵۳۲٫ [ Google Scholar ] [ CrossRef ]
Haklay, M. داوطلبانه اطلاعات جغرافیایی: تضمین کیفیت. در دایره المعارف بین المللی جغرافیا: مردم، زمین، محیط زیست و فناوری ؛ جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، ۲۰۱۶٫ صص ۱-۶٫ [ Google Scholar ]
ژانگ، جی. زو، A.-X. نمایندگی و سوگیری فضایی اطلاعات جغرافیایی داوطلبانه: یک بررسی ان GIS ۲۰۱۸ ، ۲۴ ، ۱۵۱-۱۶۲٫ [ Google Scholar ] [ CrossRef ]
ژانگ، جی. الگوهای مکانی و زمانی در فعالیت‌های مشارکت داده‌های داوطلبانه: مطالعه موردی eBird. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۵۹۷٫ [ Google Scholar ] [ CrossRef ]
هچت، بی. استفنز، ام. داستان شهرها: سوگیری های شهری در اطلاعات جغرافیایی داوطلبانه. در مجموعه مقالات هشتمین کنفرانس بین المللی وب و رسانه های اجتماعی (ICWSM)، ان آربور، MI، ایالات متحده، ۱ تا ۴ ژوئن ۲۰۱۴٫ صص ۱۹۷-۲۰۵٫ [ Google Scholar ]
جنسن، RR; Shumway، JM نمونه‌برداری از جهان ما. در روش تحقیق در جغرافیا: مقدمه ای انتقادی ; Gomez, B., Jones, JP, III, Eds. جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، ۲۰۱۰; صص ۷۷-۹۰٫ [ Google Scholar ]
میلار، EE; هازل، EC؛ ملس، اس جی “اثر کلبه” در علم شهروندی؟ سوگیری فضایی در برنامه های پایش آبزیان بین المللی جی. جئوگر. Inf. علمی ۲۰۱۸ ، ۳۳ ، ۱۶۱۲-۱۶۳۲٫ [ Google Scholar ] [ CrossRef ]
فن، سی. اسپرزا، م. دارگین، ج. وو، اف. اوزتکین، بی. مصطفوی، الف. سوگیری‌های فضایی در داده‌های جمع‌سپاری: توجه محتوای رسانه‌های اجتماعی بر مناطق پرجمعیت در بلایا متمرکز می‌شود. محاسبه کنید. محیط زیست سیستم شهری ۲۰۲۰ ، ۸۳ ، ۱۰۱۵۱۴٫ [ Google Scholar ] [ CrossRef ]
Boakes، EH; مک گوان، PJK؛ فولر، RA; دینگ، سی. کلارک، NE; اوکانر، ک. گرز، GM دیدگاه های تحریف شده از تنوع زیستی: سوگیری مکانی و زمانی در داده های وقوع گونه ها. PLoS Biol. ۲۰۱۰ ، ۸ ، e1000385. [ Google Scholar ] [ CrossRef ]
ژانگ، جی. زو، A.-X. یک رویکرد معطوف به نمایندگی برای کاهش تعصب فضایی در VGI برای نقشه‌برداری پیش‌بینی‌کننده. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۹ ، ۳۳ ، ۱۸۷۳-۱۸۹۳٫ [ Google Scholar ] [ CrossRef ]
Fourcade، Y.; انگلر، جو. رودر، دی. ثاندی، جی. نقشه برداری توزیع گونه ها با MAXENT با استفاده از نمونه ای با سوگیری جغرافیایی از داده های حضور: ارزیابی عملکرد روش ها برای تصحیح سوگیری نمونه گیری. PLoS ONE ۲۰۱۴ ، ۹ ، e97122. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فیلیپس، اس جی. دودیک، م. الیت، جی. گراهام، CH; لمان، ا. لیثویک، جی. Ferrier، S. مدل‌های توزیع فقط حضور و سوگیری انتخاب نمونه: پیامدهایی برای داده‌های پس‌زمینه و شبه عدم وجود. Ecol. Appl. ۲۰۰۹ ، ۱۹ ، ۱۸۱-۱۹۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فینک، دی. هوچاچکا، WM; زاکربرگ، بی. وینکلر، DW; شابی، بی. مونسون، MA; هوکر، جی. ریدوالد، ام. شلدون، دی. Kelling، S. مدل‌های اکتشافی فضایی-زمانی برای داده‌های پیمایش در مقیاس وسیع. Ecol. Appl. ۲۰۱۰ ، ۲۰ ، ۲۱۳۱-۲۱۴۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بادلی، ا. روبک، ای. Turner, R. Spatial Point Patterns: Methodology and Applications with R ; CRC Press: Boca Raton، FL، USA، ۲۰۱۵; ISBN 1482210215. [ Google Scholar ]
گترل، AC؛ بیلی، تی سی؛ دیگل، پی جی؛ رولینگسون، کارشناسی تحلیل الگوی نقطه‌ای فضایی و کاربرد آن در اپیدمیولوژی جغرافیایی. ترانس. Inst. برادر Geogr. ۱۹۹۶ ، ۲۱ ، ۲۵۶-۲۷۴٫ [ Google Scholar ] [ CrossRef ]
Brunsdon، C. برآورد سطوح احتمال برای داده های نقطه جغرافیایی: یک الگوریتم هسته تطبیقی. محاسبه کنید. Geosci. ۱۹۹۵ ، ۲۱ ، ۸۷۷-۸۹۴٫ [ Google Scholar ] [ CrossRef ]
ژانگ، جی. زو، A.-X. Huang، Q. یک رویکرد برآورد چگالی هسته تطبیقی با شتاب GPU برای تجزیه و تحلیل الگوی نقطه ای کارآمد در داده های بزرگ فضایی. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۷ ، ۳۱ ، ۲۰۶۸–۲۰۹۷٫ [ Google Scholar ] [ CrossRef ]
یوان، ک. چن، ایکس. گی، ز. لی، اف. Wu, H. الگوریتم تخمین چگالی هسته مبتنی بر چهار درخت سریع و تطبیقی برای تولید نقشه حرارتی. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۹ ، ۳۳ ، ۲۴۵۵-۲۴۷۶٫ [ Google Scholar ] [ CrossRef ]
یو، دبلیو. آی، تی. Shao, S. تجزیه و تحلیل و تحدید حدود ناحیه تجاری مرکزی با استفاده از تخمین تراکم هسته شبکه. J. Transp. Geogr. ۲۰۱۵ ، ۴۵ ، ۳۲-۴۷٫ [ Google Scholar ] [ CrossRef ]
تانگ، دبلیو. فنگ، دبلیو. جیا، ام. تجزیه و تحلیل الگوی نقطه فضایی بسیار موازی: تابع K ریپلی با استفاده از واحدهای پردازش گرافیکی شتاب گرفت. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۵ ، ۲۹ ، ۴۱۲-۴۳۹٫ [ Google Scholar ] [ CrossRef ]
ژانگ، جی. هوانگ، Q. زو، A.-X. Keel, J. فعال کردن تجزیه و تحلیل الگوی نقطه در داده های بزرگ فضایی با استفاده از محاسبات ابری: بهینه سازی و تسریع تابع K ریپلی. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۶ ، ۳۰ ، ۲۲۳۰-۲۲۵۲٫ [ Google Scholar ] [ CrossRef ]
وانگ، ی. گی، ز. وو، اچ. پنگ، دی. وو، جی. Cui, Z. بهینه‌سازی و شتاب‌دادن تابع K فضا-زمان ریپلی بر اساس اسپارک آپاچی برای تحلیل الگوی نقطه‌ای مکانی-زمانی توزیع شده. آینده. ژنر. محاسبه کنید. سیستم ۲۰۲۰ ، ۱۰۵ ، ۹۶-۱۱۸٫ [ Google Scholar ] [ CrossRef ]
کوان، نماینده مجلس مشکل زمینه جغرافیایی نامشخص. ان دانشیار صبح. Geogr. ۲۰۱۲ ، ۱۰۲ ، ۹۵۸-۹۶۸٫ [ Google Scholar ] [ CrossRef ]
Openshaw, S. مسئله واحد مساحتی قابل تغییر . Geo Books: Norwich، UK، ۱۹۸۴٫ [ Google Scholar ]
Fotheringham، AS; براندون، سی. چارلتون، ام. جغرافیای کمی: دیدگاه‌های تحلیل داده‌های فضایی . Sage: Thousand Oaks، CA، USA، ۲۰۰۰; ISBN 1847876412. [ Google Scholar ]
اونگر، اس. رولینز، ام. تیتز، ا. Dumais, H. iNaturalist به عنوان ابزاری جذاب برای شناسایی موجودات در فعالیت های خارج از منزل. جی بیول. آموزش. ۲۰۲۰ ، ۵۵ ، ۵۳۷-۵۴۷٫ [ Google Scholar ] [ CrossRef ]
مشاهدات inNaturalist inNaturalist. در دسترس آنلاین: https://www.inaturalist.org/observations (در ۱۲ ژوئیه ۲۰۲۱ قابل دسترسی است).
راهنما iNaturalist iNaturalist. در دسترس آنلاین: https://www.inaturalist.org/pages/help (در ۱۱ نوامبر ۲۰۲۱ قابل دسترسی است).
مشارکت کنندگان iNaturalist، iNaturalist. iNaturalist Research-Grade Observations. iNaturalist.org. مجموعه داده وقوع. ۲۰۲۱٫ در دسترس آنلاین: https://www.gbif.org/dataset/50c9509d-22c7-4a22-a47d-8c48425ef4a7 (در ۵ ژانویه ۲۰۲۱ قابل دسترسی است).
سیلورمن، تخمین چگالی BW برای آمار و تجزیه و تحلیل داده ها . چپمن و هال: لندن، بریتانیا، ۱۹۸۶٫ [ Google Scholar ]
بریمن، ال. مایزل، دبلیو. Purcell، E. تخمین‌های هسته متغیر چگالی چند متغیره. Technometrics ۱۹۷۷ ، ۱۹ ، ۱۳۵-۱۴۴٫ [ Google Scholar ] [ CrossRef ]
Luebke, D. CUDA: برنامه نویسی موازی مقیاس پذیر برای محاسبات علمی با کارایی بالا. در مجموعه مقالات پنجمین سمپوزیوم بین المللی IEEE در سال ۲۰۰۸ در زمینه تصویربرداری زیست پزشکی: از نانو تا ماکرو، پاریس، فرانسه، ۱۴-۱۷ می ۲۰۰۸٫ صص ۸۳۶-۸۳۸٫ [ Google Scholar ]
تیم توسعه ESRI ArcGIS Pro. ۲۰۲۱٫ در دسترس آنلاین: https://www.esri.com/en-us/arcgis/products/arcgis-pro/overview (در ۵ ژانویه ۲۰۲۱ قابل دسترسی است).
تیم توسعه ESRI ArcGIS آنلاین. ۲۰۲۱٫ در دسترس آنلاین: https://www.esri.com/en-us/landing-page/product/2019/arcgis-online/overview (در ۵ ژانویه ۲۰۲۱ قابل دسترسی است).
سویی، دی. گودچایلد، م. الوود، اس. اطلاعات جغرافیایی، سیلاب و شکاف دیجیتالی رو به رشد داوطلب شد. در جمع سپاری دانش جغرافیایی: اطلاعات جغرافیایی داوطلبانه (VGI) در تئوری و عمل . Sui, D., Elwood, S., Goodchild, M., Eds. Springer: Dordrecht، هلند، ۲۰۱۳; صص ۱-۱۲٫ شابک ۹۷۸-۹۴-۰۰۷-۴۵۸۶-۵٫ [ Google Scholar ]
کنیگر، LE; گاستون، کی جی. ایروین، KN; فولر، RA مزایای تعامل با طبیعت چیست؟ بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۱۳ ، ۱۰ ، ۹۱۳-۹۳۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
جانستون، ا. هوچاچکا، WM; Strimas-Mackey، ME; رویز گوتیرز، وی. رابینسون، OJ; میلر، ای تی. اوئر، تی. Kelling، ST; Fink, D. دستورالعمل های تحلیلی برای افزایش ارزش داده های علم جامعه: نمونه ای با استفاده از داده های eBird برای تخمین توزیع گونه ها. غواصان. توزیع کنید. ۲۰۲۱ ، ۲۷ ، ۱۲۶۵-۱۲۷۷٫ [ Google Scholar ] [ CrossRef ]
زو، A.-X. ژانگ، جی. وانگ، دبلیو. شیائو، دبلیو. هوانگ، Z.-P. Dunzhu، G.-S. رن، جی. Qin، C.-Z. یانگ، ال. پی، تی. و همکاران یک رویکرد مبتنی بر داده‌های شهروندی برای نقشه‌برداری پیش‌بینی‌کننده تغییرات فضایی پدیده‌های طبیعی. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۵ ، ۲۹ ، ۱۸۶۴-۱۸۸۶٫ [ Google Scholar ] [ CrossRef ]
سانچز-کلاویخو، LM; Martínez-Callejas، SJ; آسودو-چاری، او. دیاز-پولیدو، آ. گومز-والنسیا، بی. اوکامپو-پنوئلا، ن. اوکامپو، دی. اولایا-رودریگز، MH; ری ولاسکو، جی سی. سوتو-وارگاس، سی. و همکاران گزارش افتراقی از تنوع زیستی در دو پلتفرم علمی شهروندی در طول قرنطینه COVID-19 در کلمبیا. Biol. حفظ کنید. ۲۰۲۱ ، ۲۵۶ ، ۱۰۹۰۷۷٫ [ Google Scholar ] [ CrossRef ]
Crimmins، TM; پستهوموس، ای. شفر، اس. Prudic, KL COVID-19 بر مشارکت در پروژه های علمی جامعه با موضوع تنوع زیستی در مقیاس بزرگ در ایالات متحده تأثیر می گذارد. Biol. حفظ کنید. ۲۰۲۱ ، ۲۵۶ ، ۱۰۹۰۱۷٫ [ Google Scholar ] [ CrossRef ]
کیشیموتو، ک. Kobori، H. بیماری همه گیر COVID-19 تغییراتی را در مشارکت در پروژه علمی شهروندی “City Nature Challenge” در توکیو ایجاد می کند. Biol. حفظ کنید. ۲۰۲۱ ، ۲۵۵ ، ۱۰۹۰۰۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
هوچاچکا، WM; آلونسو، اچ. گوتی، سی. میلر، ای. جانستون، الف. تنوع منطقه‌ای در تأثیرات همه‌گیری COVID-19 بر کمیت و کیفیت داده‌های جمع‌آوری‌شده توسط پروژه eBird. Biol. حفظ کنید. ۲۰۲۱ ، ۲۵۴ ، ۱۰۸۹۷۴٫ [ Google Scholar ] [ CrossRef ]
تیم توسعه QGIS. سیستم اطلاعات جغرافیایی QGIS ۲۰۲۱٫ در دسترس آنلاین: https://www.qgis.org (در ۲۶ نوامبر ۲۰۲۱ قابل دسترسی است).
Shi, X. انتخاب نوع پهنای باند و سمت تنظیم در تخمین چگالی هسته در زمینه های ناهمگن. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۰ ، ۲۴ ، ۶۴۳-۶۶۰٫ [ Google Scholar ] [ CrossRef ]
کارلوس، HA; شی، ایکس. سارجنت، جی. تانسکی، اس. Berke، تخمین تراکم EM و پهنای باند تطبیقی: آغازگر برای پزشکان بهداشت عمومی. بین المللی J. Health Geogr. ۲۰۱۰ ، ۹ ، ۳۹٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]

شکل ۱٫ مکان‌های رصد طبیعی در سال ۲۰۱۹ ( چپ ) و ۲۰۲۰ ( راست ).

شکل ۲٫ نقاط داغ مشاهده طبیعت گرایانه (۲۰۲۰) در منطقه شهری دنور در مقیاس های فضایی. ( A – I ) مربوط به مقیاس‌های نقشه بزرگ است که در آن نقاط داغ شناسایی و تجسم می‌شوند. در هر نقشه، رنگ قرمز نشان‌دهنده چگالی مشاهده بالا است و کادر داخلی نشان‌دهنده وسعت نمایش نقشه بعدی است که به ترتیب نقاط داغ در مقیاس دقیق‌تر را نشان می‌دهد.

شکل ۳٫ نقاط داغ مشاهده (۲۰۲۰) در پارکی در دنور در مقیاس های خرد شناسایی و ارائه شده است. ( I – K ) مربوط به مقیاس‌های نقشه بزرگ است که در آن نقاط داغ شناسایی و تجسم می‌شوند.

شکل ۴٫ تغییرات در نقاط داغ رصد در سال‌های ۲۰۱۹ و ۲۰۲۰ در محوطه دانشگاه دنور. ( I – K ) مربوط به مقیاس‌های نقشه بزرگ است که در آن نقاط داغ شناسایی و تجسم می‌شوند.

شکل ۵٫ سطوح چگالی (رزولیشن ۵ کیلومتر) با استفاده از ابزار KDE موازی GPU (هسته گاوسی؛ پهنای باند پیش‌فرض = ۱۳۴۳۳۰ متر) و با استفاده از ابزارهای KDE در ArcGIS Pro (هسته Quartic؛ پهنای باند پیش‌فرض = ۲۵۰۸۹۱ متر) و در QGIS برآورد شده است. (هسته کوارتیک، پهنای باند = ۲۵۰۸۹۱ متر).

هوش مکانی اتیم تحقیقاتی ونوس نصیرفام