کلید واژه ها:
OpenStreetMap ; اطلاعات جغرافیایی داوطلبانه نقشه کشی ; رد پای ساختمان ; فراگیری ماشین
۱٫ مقدمه
۲٫ مواد و روشها
۲٫۱٫ حوزه و داده های مطالعه
۲٫۲٫ رویکرد پیشنهادی
-
D e nسکfمن هستم _ _: تراکم هسته نقطه اول،
-
D e nسکاسu m: مجموع مقادیر چگالی هسته تمام نقاط ساختمان،
-
دی من _تیسیfمن هستم _ _: فاصله بین نقطه اول و مرکز ساختمان،
-
دی من _تیسیاسu m: مجموع فواصل تمام نقاط تا مرکز،
-
دی من _تیاسfمن هستم _ _: کوتاهترین فاصله بین نقطه اول و نزدیکترین خیابان و
-
دی من _تیاساسu m: مجموع فواصل همه نقاط تا نزدیکترین خیابانها.
۳٫ نتایج و ارزیابی
به طور کلی، اهمیت یک اندازه گیری به عنوان کاهش کل (نرمال شده) معیار حاصل از آن اندازه گیری محاسبه می شود [ ۴۱ ]. اهمیت از فرمول پایه ناخالصی جینی [ ۴۲ ] می آید. پس از تعیین اهمیت هر معیار در فرآیند پیشبینی (PP)، اهمیت اندازهگیری در پیشبینی کلاس مربوطه (یعنی نوع مجاورت) نیز با (۱) محاسبه شد.
جایی که ممنسیمن یک ثانیهسمناهمیت اندازه گیری i در پیش بینی نوع مجاورت خاص است، ایکسمنمقدار مقیاس شده اندازه گیری i، و استممنمناهمیت اندازه گیری i در PP است. این فرمول با ضرب مقدار میانگین هر اندازه گیری در هر نوع مجاورت پیش بینی شده در اهمیت اندازه گیری مربوطه، اهمیت را پیدا می کند. در نتیجه، نمودار زیر اهمیت هر یک از معیارها را در پیشبینی انواع پیوست (PA در شکل ۷ ) و جدا شده (PD در شکل ۷ ) خلاصه میکند. علامت مقدار اهمیت در نمودار به ما کمک می کند تا تفسیر کنیم که مقدار مربوطه چقدر بیشتر (+) یا کمتر (-) اهمیت دارد. هر چه تراکم هسته هر دو نقطه اول بیشتر باشد ( D e nسکfمن هستم _ _) و تمام نکات ( D e nسکاسu m، تراکم هسته در تخمین ساختمان های متصل اهمیت بیشتری دارد زیرا علامت در نمودار مثبت است ( شکل ۷).). برعکس، می توان گفت که هر چه تراکم کمتر باشد، در پیش بینی ساختمان های جدا شده موثرتر است زیرا علامت منفی است. به همین ترتیب، در پیشبینی ساختمانهای جداشده، اگر نقطه اول از خیابان دور باشد، مؤثرتر است، در حالی که نزدیکتر بودن نقطه اول به خیابان در پیشبینی ساختمانهای متصل مؤثرتر است. علاوه بر این، در ساختمانهای متصل مهمتر است که نقطه اول به مرکز نزدیکتر باشد، در حالی که دورتر بودن آن در جدا شده مهمتر است. این نتایج شامل روندی است که نشان می دهد اولین نقاط ساختمان های متصل تراکم بیشتری دارند و به خیابان و مرکز نزدیک تر هستند. ساختمان های مجزا روند معکوس دارند. می توان به اهمیت اقدامات دستور داد. مقادیر فاصله و چگالی هسته اولین نقطه از کل فواصل و تراکم هسته همه نقاط مهمتر است. علاوه بر این، مقدار مستطیل پایینتر در ساختمانهای متصل بیشتر است، در حالی که برای ساختمانهای جدا شده برعکس است. در نهایت، نام شهرها تأثیر کمی بر PA و PD دارند. بنابراین، استنباط در مورد انواع مجاورت با توجه به معیار نام مستلزم آزمایشات اضافی در شهرهای مختلف است.
۴٫ نتیجه گیری
منابع
- Goodchild، MF Citizens به عنوان حسگر: دنیای جغرافیای داوطلبانه. ژئوژورنال ۲۰۰۷ ، ۶۹ ، ۲۱۱-۲۲۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- هیپک، سی. دادههای جغرافیایی جمعسپاری. ISPRS J. Photogramm. ۲۰۱۰ ، ۶۵ ، ۵۵۰-۵۵۷٫ [ Google Scholar ] [ CrossRef ]
- Kang, X. نقشه برداری مشارکتی همزمان مبتنی بر نمودار. ژئوکارتو بین المللی ۲۰۱۵ ، ۳۰ ، ۲۸-۴۷٫ [ Google Scholar ] [ CrossRef ]
- مونی، پی. کورکوران، پ. Winstanley، AC به سمت معیارهای کیفیت برای OpenStreetMap. در مجموعه مقالات هجدهمین کنفرانس بین المللی SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، سن خوزه، کالیفرنیا، ایالات متحده آمریکا، ۲ تا ۵ نوامبر ۲۰۱۰٫ صص ۵۱۴-۵۱۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- مونی، پی. Corcoran, P. فرآیند حاشیه نویسی در OpenStreetMap. ترانس. GIS ۲۰۱۲ ، ۱۶ ، ۵۶۱-۵۷۹٫ [ Google Scholar ] [ CrossRef ]
- جیلانی، م. کورکوران، پ. Bertolotto، M. ارزیابی خودکار برچسب بزرگراه شبکه های جاده ای OpenStreetMap. در مجموعه مقالات بیست و دومین کنفرانس بین المللی ACM SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، دالاس/فورت ورث، تگزاس، ایالات متحده آمریکا، ۴ تا ۷ نوامبر ۲۰۱۴٫ صص ۴۴۹-۴۵۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- داوودوویچ، ن. مونی، پی. Stoimenov, L. تحلیلی از شیوه ها و الگوهای برچسب گذاری در مناطق شهری در OpenStreetMap. در مجموعه مقالات کنفرانس AGILE 2016، هلسینکی، فنلاند، ۱۴ تا ۱۷ ژوئن ۲۰۱۶٫ [ Google Scholar ]
- Hacar, M. تجزیه و تحلیل روند مشارکت داوطلبان با مقایسه ابرداده های برچسب جاده های مسکونی OpenStreetMap [عنوان اصلی به زبان ترکی: OpenStreetMap Yerleşim-içi Yollarına Ait Etiket Bilgilerinin Karşılaştırılmasıylağılörince. هاریتا درگیسی. ۲۰۲۰ ، ۱۶۴ ، ۷۷-۸۷٫ [ Google Scholar ]
- مبشری، ع. دیستر، جی. Dieterich, H. Wheelmap: پلت فرم جمع سپاری دسترسی به صندلی چرخدار. Geospat را باز کنید. نرم افزار داده ایستادن. ۲۰۱۷ ، ۲ ، ۱-۷٫ [ Google Scholar ] [ CrossRef ]
- گوان، دبلیو دبلیو. بول، پی کی; لوئیس، بی جی; برتراند، ام. برمن، ام ال. Blossom، JC WorldMap – یک چارچوب جغرافیایی برای تحقیقات مشترک. ان GIS ۲۰۱۲ ، ۱۸ ، ۱۲۱-۱۳۴٫ [ Google Scholar ] [ CrossRef ]
- بالاتوره، آ. جوکار ارسنجانی، جی. قرار دادن ویکیمپیا: تحلیلی اکتشافی. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۹ ، ۳۳ ، ۱۶۳۳-۱۶۵۰٫ [ Google Scholar ] [ CrossRef ]
- ویکی OpenStreetMap. به OpenStreetMap خوش آمدید. در دسترس آنلاین: https://wiki.openstreetmap.org/wiki/Main_Page (در ۲۰ اکتبر ۲۰۲۱ قابل دسترسی است).
- نیس، پ. Zipf، A. تجزیه و تحلیل فعالیت مشارکت کننده یک پروژه داوطلبانه اطلاعات جغرافیایی – مورد OpenStreetMap. ISPRS Int. J. Geo.-Inf. ۲۰۱۲ ، ۱ ، ۱۴۶-۱۶۵٫ [ Google Scholar ] [ CrossRef ]
- ویکی OpenStreetMap. سیاره.osm. در دسترس آنلاین: https://wiki.openstreetmap.org/wiki/Planet.osm (دسترسی در ۲۰ اکتبر ۲۰۲۱).
- بصیری، ع. امیریان، پ. Mooney, P. استفاده از مسیرهای crowdsourced برای رویکرد ورود خودکار داده OSM. Sensors ۲۰۱۶ , ۱۶ , ۱۵۱۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- Haklay, M. اطلاعات جغرافیایی داوطلبانه چقدر خوب است؟ مطالعه تطبیقی مجموعه دادههای OpenStreetMap و Ordnance Survey. محیط زیست طرح. B ۲۰۱۰ , ۳۷ , ۶۸۲-۷۰۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- گیرس، جی اف. Touya, G. ارزیابی کیفیت مجموعه داده OpenStreetMap فرانسه. ترانس. GIS ۲۰۱۰ ، ۱۴ ، ۴۳۵-۴۵۹٫ [ Google Scholar ] [ CrossRef ]
- موندزچ، جی. Sester، M. تجزیه و تحلیل کیفیت داده های OpenStreetMap بر اساس نیازهای برنامه. Cartographica ۲۰۱۱ ، ۴۶ ، ۱۱۵-۱۲۵٫ [ Google Scholar ] [ CrossRef ]
- ابزار Da Costa، JN Novel برای بررسی کامل بودن داده ها بر اساس مطالعه تطبیقی داده های VGI و مجموعه داده های ساختمان رسمی. Geodetski Vestnik ۲۰۱۶ ، ۶۰ ، ۴۹۵-۵۰۸٫ [ Google Scholar ] [ CrossRef ]
- ژانگ، اچ. Malczewski، J. ارزیابی دقت شبکههای جادهای نقشه خیابان باز کانادا. IJGER ۲۰۱۸ ، ۵ ، ۱-۱۴٫ در دسترس آنلاین: https://dc.uwm.edu/ijger/vol5/iss2/1/ (دسترسی در ۲۰ اکتبر ۲۰۲۱).
- مبشری، ع. Zipf، A.; فرانسیس، L. OpenStreetMap غنی سازی کیفیت داده از طریق افزایش آگاهی و ابزارهای اقدام جمعی – تجربیات یک پروژه اروپایی. ژئو اسپات. Inf. علمی ۲۰۱۸ ، ۲۱ ، ۲۳۴-۲۴۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- محمدی، ن. صداقت، ع. چارچوبی برای طبقه بندی داده های جغرافیایی داوطلبانه بر اساس نیاز کاربر. Geocarto Int. ۲۰۲۱ ، ۳۶ ، ۱۲۷۶-۱۲۹۱٫ [ Google Scholar ] [ CrossRef ]
- کورکوران، پ. مونی، پی. برتولتو، ام. تجزیه و تحلیل رشد شبکههای OpenStreetMap. تف کردن آمار ۲۰۱۳ ، ۳ ، ۲۱-۳۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- ژائو، پی. جیا، تی. کوین، ک. شان، جی. Jiao, C. تجزیه و تحلیل آماری در مورد تکامل شبکههای جادهای OpenStreetMap در پکن. Physica A ۲۰۱۵ ، ۴۲۰ ، ۵۹-۷۲٫ [ Google Scholar ] [ CrossRef ]
- هاکار، م. کیلیچ، بی. شاهباز، ک. تجزیه و تحلیل داده های جاده نقشه خیابان باز و توصیف رفتار مشارکت کنندگان در آنکارا، ترکیه. ISPRS Int. J. Geo.-Inf. ۲۰۱۸ ، ۷ ، ۴۰۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- بصیری، ع. جکسون، ام. امیریان، پ. پورعبدالله، ع. سستر، ام. وینستانلی، ا. مور، تی. Zhang, L. ارزیابی کیفیت داده های OpenStreetMap با استفاده از استخراج مسیر. ژئو اسپات. Inf. علمی ۲۰۱۶ ، ۱۹ ، ۵۶-۶۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- Hacar، M. استفاده از ویژگی های هندسی و معنایی برای شناسایی برچسب های نیمه خودکار در داده های OpenStreetMap. در مجموعه مقالات GISRUK 2021، کاردیف، انگلستان، ۱۴-۱۶ آوریل ۲۰۲۱٫ [ Google Scholar ] [ CrossRef ]
- رایت، جی کی نقشه سازان انسان هستند: نظرات در مورد موضوع ذهنی در نقشه ها. Geogr. Rev. ۱۹۴۲ , ۳۲ , ۵۲۷-۵۴۴٫ [ Google Scholar ] [ CrossRef ]
- مونی، پی. Corcoran, P. خصوصیات اشیاء به شدت ویرایش شده در OpenStreetMap. اینترنت آینده ۲۰۱۲ ، ۴ ، ۲۸۵-۳۰۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- ویکی OpenStreetMap. ویژگی های نقشه در دسترس آنلاین: https://wiki.openstreetmap.org/wiki/Map_Features (در ۲۰ اکتبر ۲۰۲۱ قابل دسترسی است).
- حوزه های اداری جهانی پایگاه داده GADM در دسترس آنلاین: http://www.gadm.org/ (دسترسی در ۲۰ اکتبر ۲۰۲۱).
- مبشری، ع. هوانگ، اچ. دگروسی، ال سی. Zipf، A. غنی سازی کامل بودن داده های OpenStreetMap با هندسه های پیاده رو با استفاده از تکنیک های داده کاوی. Sensors ۲۰۱۸ , ۱۸ , ۵۰۹٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
- موکنیک، FB؛ مبشری، ع. Zipf، A. زیرساخت داده کاوی منبع باز برای کاوش و تجزیه و تحلیل OpenStreetMap. Geospat را باز کنید. نرم افزار داده ایستادن. ۲۰۱۸ ، ۳ ، ۱-۱۵٫ [ Google Scholar ] [ CrossRef ]
- پازوکی، ش. پهلوانی، ص. توسعه یک سیستم چند طبقهبندی برای طبقهبندی برچسبهای OSM بر اساس پارامترهای مرکزیت. Appl. زمین Obs. Geoinf. ۲۰۲۱ ، ۱۰۴ ، ۱۰۲۵۹۵٫ [ Google Scholar ] [ CrossRef ]
- موستیر، اس. Devogele, T. تطبیق شبکه ها با سطوح مختلف جزئیات. GeoInformatica ۲۰۰۸ ، ۱۲ ، ۴۳۵-۴۵۳٫ [ Google Scholar ] [ CrossRef ]
- سیلورمن، تخمین چگالی BW برای آمار و تجزیه و تحلیل داده ها . چاپمن و هال، چاپ CRC: لندن، انگلستان، ۱۹۸۶٫ [ Google Scholar ]
- گیبین، م. لانگلی، پی. اتکینسون، P. تخمین چگالی کرنل و کانتورهای درصد حجمی در تجزیه و تحلیل حوضه آبریز در مناطق شهری. در مجموعه مقالات GISRUK 2007، کیلدر، ایرلند، ۱۱-۱۳ آوریل ۲۰۰۷; ص ۲۸۲-۲۸۸٫ [ Google Scholar ]
- فن، اچ. Zipf، A.; فو، س. Neis, P. ارزیابی کیفیت برای ایجاد داده های ردپایی در OpenStreetMap. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۴ ، ۲۸ ، ۷۰۰-۷۱۹٫ [ Google Scholar ] [ CrossRef ]
- Rosin, PL اندازه گیری مستطیل شکل. ماخ Vision Appl. ۱۹۹۹ ، ۱۱ ، ۱۹۱-۱۹۶٫ [ Google Scholar ] [ CrossRef ]
- ArcMap. چگالی هسته چگونه کار می کند-ArcMap. مستندات. (دوم). در دسترس آنلاین: https://desktop.arcgis.com/en/arcmap/latest/tools/spatial-analyst-toolbox/how-kernel-density-works.htm (دسترسی در ۲۰ اکتبر ۲۰۲۱).
- پدرگوسا، اف. واروکو، جی. گرامفورت، آ. میشل، وی. تیریون، بی. گریزل، او. بلوندل، م. پرتنهوفر، پی. ویس، آر. دوبورگ، وی. و همکاران Scikit-learn: یادگیری ماشینی در پایتون. جی. ماخ. Res را یاد بگیرید. ۲۰۱۱ ، ۱۲ ، ۲۸۲۵-۲۸۳۰٫ [ Google Scholar ]
- بریمن، ال. فریدمن، جی. استون، سی جی; اولشن، RA طبقه بندی و رگرسیون درختان ; چاپمن و هال، چاپ CRC: لندن، انگلستان، ۱۹۸۴٫ [ Google Scholar ]
بدون دیدگاه