ایجاد و مدیریت "VGI متنی" برای مقابله با عدم قطعیت و عدم دقت

خلاصه

این مقاله به بررسی علل عدم دقت مشاهدات و عدم قطعیت نویسندگانی می‌پردازد که اطلاعات جغرافیایی داوطلبانه (VGI) را ایجاد می‌کنند، به‌عنوان مثال، محتوای جغرافیایی ارجاع‌شده تولید شده توسط داوطلبان هنگام شرکت در برخی از پروژه‌های علمی شهروندی. به طور خاص، جنبه های مختلف عدم دقت و عدم قطعیت VGI ترسیم شده است و برای مقابله با آنها، یک رویکرد مبتنی بر دانش مبتنی بر ایجاد و مدیریت “VGI متنی” پیشنهاد شده است. یک نمونه مطالعه موردی در کشاورزی گزارش شده است که در آن VGI زمینه‌ای را می‌توان در مورد مشاهدات درجا محصولات کشاورزی با استفاده از یک برنامه هوشمند که از داوطلبان با استفاده از هستی‌شناسی و بازنمایی زمینه مکان‌یابی جغرافیایی پشتیبانی می‌کند، ایجاد کرد. علاوه بر این، رویکردی برای مقابله با دانش نامشخص و عدم قطعیت یا مشاهدات نادرست داوطلب بر اساس هستی‌شناسی فازی با استدلال تقریبی مبتنی بر سطح عدم قطعیت تعریف شده است. با نشان دادن عدم قطعیت و عدم دقت VGI، کاربران، یعنی مصرف کنندگان، می توانند از مکانیسم های بررسی کیفیت برای فیلتر کردن VGI بر اساس نیازهای خود استفاده کنند.

کلید واژه ها:

اطلاعات جغرافیایی داوطلبانه (VGI) ؛ اپلیکیشن هوشمند ؛ عدم قطعیت ؛ عدم دقت ؛ هستی شناسی فازی ; استدلال تقریبی مبتنی بر سطح

1. معرفی

کمک داوطلبان به علم یک روش قدیمی است که در طول سال ها به غنی سازی مجموعه موزه ها کمک کرده است. امروزه، این روش قدیمی با نام «علم شهروندی» بسیار محبوب شده است، که با استفاده از اینترنت و هم وب و هم برنامه‌های کاربردی هوشمند که به تعداد زیادی از داوطلبان اجازه می‌دهد تا به دانشمندان در انجام وظایف خاص در پروژه‌های علمی کمک کنند. 1 ].

بیشتر پروژه‌های علمی شهروندی از اطلاعات جغرافیایی داوطلبانه (VGI) بهره‌برداری می‌کنند ، که در آن از داوطلبان خواسته می‌شود اطلاعاتی با اشکال و ماهیت‌های مختلف، مانند یادداشت‌های متنی، تصاویر، اندازه‌گیری ویژگی‌ها نسبت به اشیاء هدف، کلاس‌ها، ویدیوها و صداها ارائه کنند. با مرتبط کردن یک مرجع جغرافیایی با مشاهدات آنها، به نام geofootprint [ 1 ].

با این وجود، بسیاری از محققان از قابلیت استفاده از VGI انتقاد می کنند، زیرا اغلب با سطوح ناشناخته و ناهمگن عدم قطعیت و عدم دقت مشخص می شود: علل مهم ناهمگونی تخصص و تعهد نویسندگان VGI است. شرایط ناشناخته ای که VGI در آن ایجاد شده است و اهداف مورد نظر آن، به عنوان مثال، زمینه VGI، معنایی ناهمگون VGI (به عنوان مثال به دلیل تخصص نویسندگان یا عدم کنترل نحوی/معنی بر داده های وارد شده نویسندگان). و افزونگی و پراکندگی VGI [ 3 ].

سه دسته از رویکردهای اصلی در پروژه‌های دانش شهروندی برای تنظیم، محدود کردن، فیلتر کردن و تصحیح داده‌های وارد شده توسط داوطلبان به کار می‌رود تا تا حد امکان از عدم قطعیت، ابهام، ناقص بودن و نادرستی آنها بکاهد [3 ، 4 ] :

هدف رویکردهای قبلی فراهم کردن دسترسی آسان به منابع داوطلبان برای ایجاد صحیح و محدود VGI و مکانیزم خودکار برای کنترل ورود داده ها است [ 5 ]. این منابع شامل قالب‌هایی با قابلیت بررسی خودکار خطا برای آسان‌تر کردن روش‌های ایجاد داده بهتر، واژگان کنترل‌شده، روزنامه‌های جغرافیایی و هستی‌شناسی در حوزه علمی خاص پروژه است.
هدف رویکردهای post-post پاکسازی و بهبود VGI پس از ایجاد و ذخیره سازی قبل از انتشار آن در وب یا استفاده از آن برای اهداف علمی، مانند مکان یابی جغرافیایی اشیا است. یک رویکرد رایج مبتنی بر ارجاع متقابل VGI با اطلاعات معتبر از مجموعه داده‌های اداری و تجاری است، یا بر اساس آن با استفاده از روزنامه‌ها و هستی‌شناسی‌ها در حوزه علمی خاص [6 ] .
رویکردهای ترکیبی از تکنیک‌های پیش‌قدم و پس از آن استفاده می‌کنند.

استفاده از هستی شناسی ها به ویژه در پروژه های علمی شهروندی که از داوطلبان می خواهند اشیاء مورد علاقه را شناسایی کرده و آنها را بر اساس هستی شناسی دامنه ارائه شده دسته بندی کنند، پراکنده است. اینها اکثر پروژه های علمی شهروندی در نجوم هستند، مانند پروژه باغ وحش کهکشان که از داوطلبان می خواهد تا اشکال صدها هزار کهکشان موجود در حجم عظیمی از تصاویر میدان عمیق را که توسط اطلس کهکشان هابل پشتیبانی می شود، طبقه بندی کنند. در پروژه‌های مدیریت اضطراری، که در آن از شهروندان خواسته می‌شود موقعیت‌های بحرانی را که شاهد آن بوده‌اند با دسته‌بندی برچسب‌گذاری کنند [ 7]]؛ و در علوم طبیعی، مانند پروژه های بسیاری در مورد تماشای پرندگان و مشاهده گیاهان. این پروژه های اخیر به دقت بالایی در طبقه بندی اشیاء مشاهده شده نیاز دارند. برای مثال، inaturalist [ 8 ] هستی‌شناسی‌های بصری را در قالب تصاویر گونه‌ها ارائه می‌کند تا به داوطلبان کمک کند تا طبقه‌بندی صحیح مشاهدات را ایجاد کنند، که برای آن باید عکسی را آپلود کنند که سپس به بازبینی دستی جامعه ارسال می‌شود. با این وجود، حتی با حمایت هستی‌شناسی‌ها، بسیاری از داوطلبان در مورد طبقه‌بندی‌های خود تردید دارند و بسیاری از آنها صریحاً درخواست بررسی جامعه می‌کنند. این عدم قطعیت می تواند به «مبهم بودن» معیارهای طبقه بندی، تخصص کم داوطلب و زمینه مشاهده بستگی داشته باشد.

در این مقاله، ما رویکردی را برای ایجاد، نمایش و مدیریت “VGI متنی” پیشنهاد می کنیم تا به نویسندگان VGI اجازه دهیم زمینه مشاهدات خود را از طرف تولیدکنندگان مشخص کنند و مصرف کنندگان VGI را از عدم قطعیت و عدم دقت در VGI آگاه کنند. مواردی که آنها در سمت کاربران تجزیه و تحلیل می کنند.

به طور خاص، ما تجربه مستقیمی را که در پروژه Space4Agri داشتیم که هدف آن بهبود بخش کشاورزی در شمال ایتالیا بود، مورد بحث قرار خواهیم داد [ 9 ]. Space4Agri از اطلاعات چند منبعی، از جمله محصولات داده سنجش از دور و VGI بر روی مشاهدات محصولات کشاورزی که از طریق استفاده از یک برنامه هوشمند توسط داوطلبان (کشاورزان، کشاورزان و شهروندان) ایجاد شده است، بهره برداری می کند. این برنامه از داوطلب در انتخاب نوع محصول صحیح و مرحله فنولوژیکی آن که به توسعه محصول مربوط می شود، توسط یک هستی شناسی زراعی خاص (به نام مقیاس Biologische Bundesanstalt، Bundessortenamt و صنعت شیمیایی، برای مقیاس کوتاه BBCH) پشتیبانی می کند [ 10 ، 11]. با این وجود، حتی با کمک این هستی شناسی، داوطلبان با ابهامات زیادی در شناسایی محصولات صحیح و مراحل واقعی آنها مواجه شدند.

این تجربه پیشنهاد ما را مبنی بر تعریف یک رویکرد مبتنی بر دانش برای حمایت از ایجاد پیش‌قدم VGI زمینه‌سازی‌شده به‌منظور نمایش زمینه آن، انگیزه داد، که هم شامل ارزیابی خود نویسنده از قطعیت مشاهده هنگام ایجاد VGI و هم می‌شود. شرح شرایط مشاهده

در این مقاله ابتدا مشکل عدم قطعیت و عدم دقت VGI را معرفی می کنیم. متعاقباً، ما برنامه هوشمند Space4Agri را که از ایجاد VGI متنی پشتیبانی می‌کند، در اولین نسخه آن، با استفاده از یک هستی‌شناسی کلاسیک، و سپس با توصیف درس‌های آموخته‌شده بر اساس تجربه کاربران که نیاز به برخورد با عدم قطعیت مشاهده را هنگام ایجاد معنایی تشریح می‌کند، توصیف می‌کنیم. مشروح VGI. سپس، ناکافی بودن رویکردهای مبتنی بر زبان هستی‌شناسی وب کلاسیک (OWL) [ 12 ، 13 ] را مورد بحث قرار می‌دهیم و مفهوم هستی‌شناسی OWL-DL فازی (منطق توصیف) را برای نمایش دانش نامشخص در یک حوزه معرفی می‌کنیم [ 14 ، 15] .]. در نهایت، ما یک رویکرد هستی‌شناسی فازی با استدلال تقریبی مبتنی بر سطح عدم قطعیت برای مقابله با عدم قطعیت داوطلبان هنگام ایجاد VGI با بحث در مورد مطالعه موردی برنامه هوشمند Space4Agri پیشنهاد می‌کنیم.

2. عدم قطعیت و عدم دقت VGI

چهار علت اصلی عدم قطعیت و عدم دقت VGI را می توان شناسایی کرد:

دانش ناقص یا ناکافی از داوطلب شرکت کننده در پروژه: این ممکن است به ویژه در پروژه های علمی شهروندی که شامل داوطلبان عموم مردم بدون ارائه امکانات آموزشی کافی و اطلاعات در مورد دامنه پروژه است، تأثیر بگذارد.
مبهم بودن معیارهای ارائه شده برای حمایت از داوطلبان در توصیف، طبقه بندی یا برچسب گذاری صحیح مشاهدات خود. این ممکن است در حوزه‌هایی اتفاق بیفتد که در آن از داوطلبان خواسته می‌شود اشیاء مشاهده‌شده را بر اساس توضیحات مبهم نمونه‌های اولیه دسته‌بندی برچسب‌گذاری کنند. نمونه‌هایی از توصیف‌های مبهم گل رز و گنجشک به شرح زیر است: « رز گل‌هایی هستند که از نظر اندازه و شکل متفاوت هستند و معمولاً بزرگ و خودنمایی می‌کنند، در رنگ‌های مختلف از سفید تا زرد و قرمز » و « گنجشک پرندگان کوچکی هستند با منقارهای کلفت برای خوردن. دانه ها، و بیشتر به رنگ خاکستری یا قهوه ای هستند » [ 8 ].
محدودیت های ابزار مشاهده داوطلبان: این ممکن است به زمینه مشاهدات مانند شرایط آب و هوایی، فاصله از جسم، یا ابزارهای مشاهده و اندازه گیری بستگی داشته باشد. برای مثال، توضیحات دقیقی از هر دو بلبل معمولی داده شده است به عنوان ” بلبل معمولی کمی بزرگتر از رابین اروپایی است، در طول 15-16.5 سانتی متر (5.9-6.5 اینچ). در بالا به جز دم قرمز ، قهوه‌ای ساده است و سینه قرمز رابین به‌عنوان « سینه قرمز رابین » طولی در حدود 12.5 تا 14.0 سانتی‌متر (5.0 تا 5.5 اینچ) دارد، با سینه‌های قرمز و قسمت بالایی قهوه‌ای». هنگامی که از موقعیت دور مشاهده می شوند آنها را از هم جدا کنید.
اطلاعات از دست رفته در مورد VGI ایجاد شده در سمت مصرف کننده، مانند عدم وجود ابرداده مناسب که شرایط ایجاد VGI را توصیف می کند، فقدان اطلاعات در مورد عدم دقت مکان یابی جغرافیایی VGI و غیره.

از موارد فوق، واضح است که مشکل عدم قطعیت و عدم دقت VGI به شدت به نمایش معنایی VGI و زمینه ایجاد آن مرتبط است. برای فعال کردن قابلیت تعامل معنایی برنامه های کاربردی VGI، Bakillah و همکاران. [ 16] یک مدل داده معنایی VGI را پیشنهاد کرد که ویژگی‌های VGI را از برنامه‌های متمایز، از نظر انواع داده‌های احتمالی که ممکن است برای داوطلبان درخواست شود، تعریف می‌کند. مدل داده VGI برای ادغام معنایی پس از VGI در نظر گرفته شده است، زمانی که یک برنامه کاربردی از قبل وجود داشته باشد، با ارائه چارچوب مفهومی برای تولید توصیفات رایج از مجموعه داده های ناهمگن VGI. این توضیحات باید به عنوان رابط های مشترک عمل کنند تا امکان پرس و جو و تفسیر صحیح VGI، ارائه شده توسط برنامه های کاربردی مجزا، از طریق یک پلت فرم واحد را فراهم کنند. همانطور که در [ 3 ] اشاره شد ، به منظور تعریف مدل داده معنایی VGI، نویسندگان [ 16]] برخی از ابتکارات علم شهروندی VGI را بررسی کرد و آنها را بر اساس نوع مشارکت طبقه بندی کرد، یعنی VGI ارائه شده توسط دستگاه های حسگر، متن ارجاع داده شده جغرافیایی، یا ویژگی های ارجاع جغرافیایی، به عنوان مثال، انتزاع پدیده های دنیای واقعی مانند اشیاء (مانند ساختمان ها). و نقاط مورد علاقه (POI)) یا رویدادها. در این رویکرد، برای فعال کردن قابلیت دسترسی VGI، هر برنامه VGI باید با تعریف نمونه ای از مدل داده VGI از طریق حاشیه نویسی معنایی، در یک سرویس ثبت نام کند [ 17 ]. این رویکرد ممکن است تفسیر VGI اصلی را وادار کند تا بسته به ذهنیت حاشیه‌نویس منفرد، معنای خاصی داشته باشد، در حالی که داوطلبان متعدد با ویژگی‌های ناهمگن ممکن است آن را با دامنه‌ها و تفاسیر متمایز ایجاد کرده باشند.

رویکردهای تکمیلی استفاده از مکانیسم‌های معنایی پیشین را برای حمایت از داوطلبان در ایجاد VGI معنادار برای زمینه یک برنامه پیشنهاد کرده‌اند. پشتیبانی معنایی پیشین برای ایجاد VGI اخیراً به دو روش متمایز مواجه شده است: یا با اتخاذ چارچوب وب معنایی و داده های پیوندی [ 18 ، 19 ، 20 ] یا با تکیه بر هستی شناسی های دامنه [ 21 ، 22 ، 23]]. برای این منظور، آنها توصیفی متنی از مفاهیم و رابطه معنادار مورد استفاده در برنامه ارائه می‌کنند تا نه تنها نویسندگان VGI بلکه کاربران VGI را نیز سود ببرند. وادار کردن داوطلبان به انتخاب برچسب ها از واژگانی از اصطلاحات و روابط معنی دار، و احتمالاً تکمیل برچسب ها با متن و تصاویر آزاد، می تواند به عنوان نوعی حاشیه نویسی معنایی پیشین در نظر گرفته شود که مستقیماً توسط نویسندگان VGI انجام می شود. ما معتقدیم که این رویکرد بسیار بیشتر از آنچه که حاشیه‌نویسی معنایی پس از آن می‌تواند انجام دهد، به معنای اصلی VGI احترام می‌گذارد. با این وجود، هنگام ایجاد VGI از یک دستگاه تلفن همراه که به اینترنت متصل نیست، نمی توان به داده های پیوندی دسترسی داشت. این دلیل اصلی است که از پذیرش هستی شناسی ها برای حمایت از حاشیه نویسی معنایی پیشین VGI در طول ایجاد آن حمایت می کند [ 21]]. علاوه بر این، در مرحله تجزیه و تحلیل، هستی شناسی اطلاعات تکمیلی مفیدی را در مورد مشاهدات ارائه می دهد. اینها دلایلی هستند که هستی شناسی ها را به طور گسترده در طرح های علمی شهروندی مورد استفاده قرار می دهند. ما پروژه‌های علمی شهروندی را در زیر چتر غیر طبیعی [ 8 ] ذکر می‌کنیم، که یک طبقه‌بندی بصری برای پشتیبانی از شناسایی گونه‌های گیاهی و جانوری، و امکان مشخص کردن عدم دقت ردپای جغرافیایی در جایی که اشیا مشاهده می‌شوند، فراهم می‌کند ( شکل 1 را ببینید ). با این وجود، شهروندان اغلب طبقه بندی صحیح اشیاء را بر اساس استفاده از هستی شناسی های کلاسیک دشوار می دانند. در [ 7 ]، VGI توسط داوطلبان از طریق Ushahidi تولید شدپلتفرم وب در پاسخ به زلزله 2010 در هائیتی برای ارزیابی عدم قطعیت آنها مورد بررسی قرار گرفت. داوطلبان پیام‌های ارسالی (متن، ایمیل و صوت) را که توسط قربانیان زلزله ارسال شده بود، ترجمه کردند و هر پیام را با کمک یک طبقه‌بندی دو سطحی به دسته‌بندی اولیه و ثانویه و زیر مجموعه‌ای که «نیاز اضطراری» متمایز را بیان می‌کرد، دسته‌بندی کردند و به هر کدام ارجاع جغرافیایی دادند. پیام تجزیه و تحلیل نشان داد که 50٪ از پیام ها توسط داوطلبان به اشتباه طبقه بندی شده بودند، و نتوانستند ایده اصلی پیام قربانی را منتقل کنند. در سطح زیرمجموعه، تقریباً 73 درصد از پیام ها نتوانستند ایده اصلی پیام ها را منتقل کنند. با وجود این نتایج، Camponovo و Freundschuh [ 7] کاربرد VGI را برای نجات اضطراری تشخیص داد و نیاز به روش‌های جدید برای کاهش عدم قطعیت در ایجاد VGI را تشریح کرد. از طرف دیگر، هاکلی [ 1 ] یک دیدگاه مکمل برای مقابله با عدم قطعیت VGI در پروژه های علمی شهروندی پیشنهاد می کند. نویسنده بیان می کند که عدم قطعیت VGI را نباید به عنوان چیزی که می توان با استفاده از پروتکل های محکم تر برای ایجاد آن حذف کرد، در نظر گرفت، بلکه به عنوان بخشی جدایی ناپذیر از هر مجموعه VGI در نظر گرفت، و بنابراین او از روش های جدید برای نمایش و مقابله با عدم قطعیت VGI در طول دوره حمایت می کند. فاز تحلیل از این نقطه نظر ما شروع به طراحی یک برنامه هوشمند برای ایجاد VGI در پروژه علمی شهروندی Space4Agri کردیم که قادر به نمایش و مدیریت عدم قطعیت و عدم دقت بود.

3. ایجاد و مدیریت VGI متنی در پروژه Space4Agri

پروژه Space4Agri (S4A) یک زیرساخت داده‌های مکانی (SDI) را تعریف و توسعه داد که داده‌های ناهمگون چند منبعی را از فضا، به عنوان مثال، تصاویر ماهواره‌ای و عکس‌های وسایل نقلیه هوایی بدون سرنشین (UAV)، پایگاه‌های اطلاعاتی معتبر از سازمان کشاورزی لمباردی و داده‌های کاداستر، و داده‌های درجا یکپارچه می‌کند. در مورد توسعه محصول و شیوه های کشاورزی ایجاد شده توسط کشاورزان داوطلب، کشاورزان و شهروندان برای حمایت از کشاورزی پایدار و دقیق در منطقه لمباردی، شمال ایتالیا [ 9 ]. یک برنامه هوشمند، برنامه هوشمند S4A، برای ایجاد VGI متنی با داشتن مفاهیم طراحی زیر به عنوان سنگ بنا طراحی و پیاده سازی شده است:

امکان پشتیبانی از عادی سازی داده ها و قابلیت همکاری معنایی با ارائه یک هستی شناسی دامنه به نویسنده به منظور سهولت ایجاد مشاهدات و تفسیر محتوا توسط مصرف کنندگان بالقوه.
کاهش و در صورت امکان، رفع عدم دقت هندسی ردپای جغرافیایی VGI. و
اشتراک گذاری VGI توسط سرویس های وب استاندارد توصیه شده توسط کنسرسیوم فضایی باز (OGC) تا امکان کشف و دسترسی با گزینه های فیلترینگ فراهم شود.

در بخش‌های فرعی زیر، ویژگی‌های اصلی برنامه هوشمند S4A و گردش کار ایجاد، مدیریت و به ثمر رسیدن VGI در وب را یادآوری می‌کنیم. در نهایت، ما درس‌های آموخته‌شده را بر اساس تجربیات داوطلبانی که از برنامه هوشمند S4A در طول فصل زراعی 2015 و 2016 برای ایجاد داده‌های درجا در مورد محصولات گسترده در منطقه لومباردی (ایتالیا) و در پروونس (جنوب فرانسه) استفاده کردند، خلاصه می‌کنیم.

3.1. ایجاد VGI

برنامه هوشمند S4A (قابل دانلود رایگان از فروشگاه Google Play) را می توان بر روی یک دستگاه اندرویدی نصب کرد که به وسیله آن داوطلبان می توانند VGI مورد علاقه کشاورزی را ایجاد کنند که توسط یک هستی شناسی دامنه سلسله مراتبی فشرده، یک طبقه بندی با سه سطح پشتیبانی می شود.

بسته به زمینه ای که برنامه هوشمند برای آن سفارشی شده است، به عنوان مثال، بسته های کشاورزی در یک منطقه مورد علاقه، داوطلبان با انتخاب دسته ها (از هستی شناسی دامنه) با توصیف برخی ویژگی ها یا کلاس های جالب موجودیت های مشاهده شده، به نهادهای برچسب هدایت می شوند. با منوی سلسله مراتبی روی صفحه دستگاه تلفن همراه مشاهده می شود. این روش ایجاد هدف دوگانه عادی سازی محتوای VGI را با محدود کردن داوطلبان به سمت ایجاد نحوی صحیح و حاشیه نویسی معنایی ثابت از متن آزاد و/یا عکس که همچنین می تواند برای غنی کردن توصیف مشاهدات آنها ارائه شود، در خدمت دارد. در واقع، متن آزاد می‌تواند وسیله‌ای ارزشمند برای توصیف موقعیت‌های غیرمنتظره یا غیرعادی باشد که نمی‌توان آن‌ها را صرفاً با استفاده از یک برچسب انتخاب شده از یک هستی‌شناسی نشان داد. نویسندگان VGI می‌توانند از متن آزاد برای بیان تردیدهای خود در مورد مشاهدات یا توصیف شرایطی استفاده کنند که ممکن است مشاهدات آنها را سوگیر کند، به عنوان مثال دور بودن از موضوع. تصاویر همچنین ابزار مفیدی برای مستندسازی عینی‌تر مشاهده هستند، زیرا به کاربران VGI اجازه می‌دهند مستقیماً مشاهدات را تأیید کنند. به عنوان مثال، اگر داوطلبی مشاهده یک محصول غیرمعمول را برای یک منطقه مشخص کرده باشد، می تواند مشاهده را با ارائه تصویری برای حمایت از آن ثابت کند.

شکل 2 عصاره ای از هستی شناسی گسترده BBCH را گزارش می دهد که در [ 10 ] تعریف شده و توسط کشاورزان برای مشخص کردن مراحل توسعه محصولات [ 11 ] استفاده شده است ( جدول 1 دسته ها و توضیحات مراحل اصلی محصول را گزارش می کند در حالی که شکل 2 نمونه ای از مرحله دوم را نشان می دهد. طبقه بندی سطح، به مراحل رشد غلات). مشاهده می شود که هر کد به طور منحصر به فرد یک تصویر و یک توضیحات متنی مرتبط را شناسایی می کند. برای کاربران بی تجربه، تشخیص تفاوت بین برخی از کدهای نزدیک با مشاهده تصاویر یا خواندن توضیحات متنی آنها که حاوی عبارات مبهمی مانند ” 30: شروع طویل شدن ساقه … ” و31: گره اول حداقل یک سانتی متر… ” .

برنامه هوشمند S4A یک نسخه فشرده از همان هستی شناسی را در دستگاه تلفن همراه ذخیره می کند. سپس داوطلب منوی دو سطحی را مرور می‌کند و کدهای BBCH را انتخاب می‌کند که شرح آنها به بهترین شکل با مشاهدات فعلی مطابقت دارد ( شکل 3 را ببینید ).

موارد VGI ایجاد شده به طور خودکار با مرتبط کردن آنها با مختصات جغرافیایی موقعیت فعلی تعیین شده توسط سنسور GPS دستگاه تلفن همراه، ارجاع جغرافیایی می شوند. به منظور کاهش عدم قطعیت، داوطلب می‌تواند این مرجع جغرافیایی را تأیید کند (با آگاهی از عدم دقت آن که توسط دایره‌ای که شعاع آن متناسب با عدم دقت است و در مرکز مکان شناسایی شده توسط سنسور GPS نمایش داده می‌شود) یا می‌تواند حرکت دهد. فقط با کلیک بر روی نقشه تجسم شده به مکان دیگری پین کنید. این ویژگی یک گزینه مفید است که داوطلب می تواند از آن برای تصحیح مکان یابی نادرست جغرافیایی ارائه شده توسط سنسور GPS استفاده کند، بنابراین دقت موقعیت VGI ایجاد شده را افزایش می دهد.

3.2. مدیریت VGI

برنامه هوشمند S4A از طریق شبکه بی سیم یا تلفن همراه با یک برنامه پشتیبان نصب شده و در حال اجرا بر روی یک سرور وب که در آن یک پایگاه جغرافیایی موارد VGI را ذخیره می کند، ارتباط برقرار می کند. برنامه بک‌اند می‌تواند پیام‌های نشانه‌گذاری شی جاوا اسکریپت (JSON) را به/از برنامه هوشمند S4A ارسال/دریافت کند، و می‌تواند در پایگاه داده جغرافیایی بخواند/بنویسد. در این مرحله، کاهش و تفکیک عدم دقت ردپاهای جغرافیایی VGI با استفاده از یک ترکیب مبتنی بر دانش انجام می‌شود. هنگام دریافت یک آیتم VGI جدید، برنامه بک‌اند ردپای جغرافیایی خود را تجزیه و تحلیل می‌کند و احتمالاً آن را با سایر موارد VGI که قبلاً در پایگاه داده‌های جغرافیایی ذخیره شده‌اند، با بهره‌برداری از “لایه داده ترکیبی” (در صورت ارائه) ترکیب می‌کند. این نشان دهنده نهادهای جغرافیایی شناخته شده مورد علاقه برای پروژه فعلی است که باید به عنوان اهداف مشاهدات داوطلبان در نظر گرفته شوند. در پروژه S4A، نهادهای مورد علاقه مزارع کشت می‌شوند و بنابراین، برنامه هوشمند S4A دسته‌های زراعی هستی‌شناسی BBCH مشخص‌شده در آیتم‌های VGI را به بسته‌های زراعی بررسی‌شده و ذخیره‌شده در پایگاه داده کاداستر زراعی مرتبط می‌کند. به عنوان لایه داده ترکیبی. اقلام VGI خارج از فیلدها به صورت پرت در نظر گرفته می شوند و در یک لایه متفاوت ذخیره می شوند ( که به عنوان لایه داده ترکیبی ارائه شده است. اقلام VGI خارج از فیلدها به صورت پرت در نظر گرفته می شوند و در یک لایه متفاوت ذخیره می شوند ( که به عنوان لایه داده ترکیبی ارائه شده است. اقلام VGI خارج از فیلدها به صورت پرت در نظر گرفته می شوند و در یک لایه متفاوت ذخیره می شوند (شکل 4برخی از فیلدهای برچسب گذاری شده با VGI را نشان می دهد. مدیر می‌تواند لایه داده‌های ترکیبی را تغییر دهد تا چارچوب را برای پروژه‌ها و نیازهای مختلف سفارشی کند: همه موارد VGI با ژئوفوتprint در داخل مرز یک موجودیت لایه داده ترکیبی با آن موجودیت خاص مرتبط هستند. در اولین نسخه از برنامه هوشمند S4A، ردپاهای جغرافیایی VGI که به دور از هر موجودیتی بودند، با یک موجودیت پوچ مرتبط شدند. بر اساس بازخورد کاربران، نسخه دومی از برنامه را توسعه دادیم که این موارد VGI را با موجودیت‌های بیشتری با درجات متمایز محاسبه شده با بهره‌برداری از دانش عدم دقت مکان‌یابی GPS و جهت‌گیری دوربین، که هنگام ایجاد موارد VGI شناسایی می‌شوند، مرتبط می‌کند. این اطلاعات متنی در هنگام ایجاد آیتم VGI مرتبط می شود و همراه با ردپای جغرافیایی VGI در پایگاه داده جغرافیایی ذخیره می شود: ما به طور خاص شعاع عدم دقت GPS مرتبط و زاویه آزیموت جهت دوربین را ذخیره می‌کنیم که زمانی که داوطلب عکس را می‌گیرد، و بنابراین زمانی که دوربین بسته مورد نظر را قاب می‌کند، شناسایی می‌شود. درجه ارتباط یک آیتم VGI با یک بسته کاداستری را می توان به طور معکوس با فاصله ردپای جغرافیایی VGI که مرز بسته را در جهت دوربین قطع می کند محاسبه کرد. با ذخیره سازی VGI متنی، کاوش کاربر در مورد عدم قطعیت و عدم دقت ردپاهای جغرافیایی VGI را فعال می کنیم. “لایه داده های ترکیبی” زمانی معنا پیدا می کند که ردپای نهادهای مورد علاقه شناخته شده باشد، مانند مورد ما یا در مواردی که پروژه هایی در مورد ویژگی هایی مانند نقاط علاقه جمع آوری می کنند. با این وجود، در موردی که نهادهای مورد نظر محلی سازی شناخته شده ندارند،پروژه غیر طبیعی ، “لایه داده ترکیبی” هنوز می تواند برای گروه بندی آیتم های VGI که دارای ردپای جغرافیایی در محدوده موجودیت های متنی مورد علاقه هستند، مانند مرز پارک ها یا اکوسیستم های طبیعی مفید باشد. از طرف دیگر، اگر آیتم های VGI به دور از موجودیت های مورد علاقه ایجاد شوند، همچنان می توان آنها را تجزیه و تحلیل کرد و یا توسط یک ناظر اعتبار سنجی کرد یا به عنوان نویز فیلتر کرد. به عنوان مثال، در VGI غیر طبیعی گیاهان و جانوران در اکوسیستم های غیرمنتظره ممکن است اطلاعات مهمی در مورد تغییرات محیطی باشد.

یک سرور Web GIS موارد VGI ذخیره شده در پایگاه داده جغرافیایی را به عنوان نمای مجزا در وب، همراه با لایه داده های ترکیبی و احتمالاً سایر داده های چندمنبعی جغرافیایی مورد علاقه پروژه از طریق خدمات وب OGC، مستقر می کند. یک رکورد ابرداده، بر اساس INSPIRE و مقررات ملی ایتالیا “Repertorio Nazionale dei Dati Territoriali”، برای هر نوع لایه VGI با اطلاعات اولیه که ویژگی های مشترک موارد VGI آن را توصیف می کند، ایجاد می شود، به عنوان مثال، نوع دسته، پیوند به URL هستی‌شناسی گسترده BBCH، کلمات کلیدی رایج برای تقویت کشف داده‌ها و کادر محدود حاوی تمام ردپاهای جغرافیایی VGI. به این ترتیب کاربران VGI همه اطلاعات گسترده ای در مورد معنایی دارند و بنابراین می توانند معنای VGI را به درستی تفسیر کنند. به این منظور، ژئوپورتال S4A امکان دسترسی به VGI ایجاد شده همراه با سایر داده های جغرافیایی پروژه را فراهم می کند. پورتال جغرافیایی می‌تواند نماهای متمایز آیتم‌های VGI را نمایش دهد: به‌عنوان پین‌هایی که می‌توان روی آن‌ها کلیک کرد و آن‌ها را باز کرد تا تصاویر محصور شده و متن آزاد را ببیند، و به‌عنوان نشانگرهایی با رنگ‌های متمایز برای تشخیص انواع محصولات هستی‌شناسی BBCH که در افسانه مرتبط توضیح داده شده است. . همچنین می‌توان رنگ‌های متمایز را در موجودیت‌های لایه داده ترکیبی مشاهده کرد که حداقل توسط یک مورد VGI با یک دسته BBCH برچسب‌گذاری شده‌اند (نگاه کنید بهشکل 4 ) و در نهایت، نقشه نقاط پرت VGI که با هیچ میدان بررسی شده مرتبط نیست.

3.3. درس های آموخته شده در پروژه Space4Agri

در طول فصل پوشش گیاهی 2015 و 2016، برنامه هوشمند S4A توسط کشاورزان، کشاورزان، دانش‌آموزان دبیرستان زراعی و محققان S4A برای جمع‌آوری و مستندسازی رشد محصولات در مناطق مختلف مطالعه منطقه لومباردی استفاده شده است. برنامه هوشمند S4A همچنین در طی یک کمپین در منطقه پروونس (جنوب فرانسه) برای عکس گرفتن و حاشیه نویسی مزارع اسطوخودوس استفاده شده است. جدول 2 برخی از اطلاعات را در مورد گزارش های VGI و داوطلبان درگیر نشان می دهد.

مشاهده می شود که 25 درصد از افرادی که اپلیکیشن هوشمند S4A را نصب کرده اند، داوطلبان فعال هستند.

اکثر موارد VGI (88٪) بر اساس هستی شناسی BBCH ایجاد شده اند، در حالی که 5٪ با پشتیبانی هستی شناسی کشاورزی-عملی ایجاد شده اند. در نهایت، 13٪ از موارد VGI به صورت متن حاشیه‌نویسی معنایی هستند، یعنی موارد VGI هستند که هم با کد BBCH یا کد عمل کشاورزی و هم متن یا تصویر آزاد مشخص شده‌اند.

با تجزیه و تحلیل موارد VGI مشروح معنایی، متوجه شدیم که متون یا تصاویر برای گزارش مشکل یا تردید داوطلب هنگام انتخاب کد BBCH به دلایل مختلف ایجاد شده اند:

تردید در تفسیر معنای متن مرتبط با کد BBCH.
مشکل در تشخیص واضح جنبه های مشخصه کد BBCH در نمونه محصول مشاهده شده به دلیل کمبود ابزار مشاهده (دیدگاه دور). و
تردید در انتخاب یک کد منحصر به فرد BBCH برای چندین نمونه محصول مشاهده شده نزدیک به فضای داخل یک بسته، به دلیل تنوع ویژگی های آنها.

این به ما نیاز به گسترش استدلال مبتنی بر هستی‌شناسی را با نشان دادن عدم قطعیت داوطلب در ایجاد موارد VGI هنگام انتخاب برچسب‌ها از هستی‌شناسی BBCH نشان داد.

در سمت کاربر، هنگام تجزیه و تحلیل VGI ذخیره شده با استفاده از امکانات ژئوپورتال S4A، کاربران گاهی اوقات رفع ابهام از مرجع جغرافیایی VGI را دشوار می‌دانستند، زمانی که داوطلبان از تغییر موقعیت دستی ردپای جغرافیایی روی نقشه استفاده نمی‌کردند. به خصوص در طول مبارزات انتخاباتی سال 2016، تصاویر بسیاری با ارجاع جغرافیایی خودکار آنها با استفاده از موقعیت تعیین شده توسط سنسور GPS نصب شده بر روی تلفن های همراه گرفته شده است. این عمل منجر به ایجاد بسیاری از اقلام VGI در جاده های کشور یا مسیرهای نزدیک به چندین منطقه کشاورزی شد.

همانطور که در شکل 5 نشان داده شده است، می توان مشاهده کرد که بسیاری از موارد VGI، نقاط قرمز رنگ، در مسیرها قرار دارند و نه در مزارع کشاورزی. این وضعیت هنگامی که کاربر مجبور بود ناحیه واقعی نشان داده شده در تصویر را شناسایی کند و ابزاری برای مقابله با آن درخواست کند، ابهاماتی را برای کاربر ایجاد می کند. بر اساس این بازخورد کاربر، ما نمایش عدم دقت GPS و جهت گیری دوربین را که در نسخه دوم برنامه هوشمند S4A اجرا شده است، معرفی کردیم (به سمت راست ترین پانل در شکل 3 مراجعه کنید ).

4. بازنمایی و مدیریت دانش بد تعریف شده توسط هستی شناسی های فازی

یک راه متداول برای تعریف هستی شناسی ها با استفاده از زبان هستی شناسی وب (OWL) است [ 17 ، 18] .]. در OWL، کلاس‌ها تعاریف عمیق مفاهیم هستند، روابط بین کلاس‌ها با ویژگی‌هایشان برچسب‌گذاری می‌شوند، و نمونه‌های کلاس‌ها تعاریف توسعه‌ای هستند، یعنی افراد منفرد متعلق به کلاس‌ها. OWL از قدرت استدلال منطق توصیف (DL) پشتیبانی می کند. بنابراین، OWL-DLها را می‌توان به‌عنوان استانداردسازی قابل پردازش ماشینی از منطق‌های توصیف مناسب برای قابلیت همکاری و مقیاس‌پذیری سیستم‌ها، که استفاده مجدد از داده‌ها و استدلال را در وب ترویج می‌کند، مشاهده کرد. از آنجایی که OWL-DL اجازه می دهد تا جهان را از نظر مفاهیم واضح (مجموعه ها) و روابط بین موجودیت ها (که درست یا نادرست هستند) نشان دهیم، در حوزه هایی که مفاهیم یا روابط تعریف دقیقی ندارند اما نامناسب هستند، نامناسب می شود. ، طبیعت آنها مبهم است. برای مثال،

” کالا یک گل سفید بسیار بزرگ و بلند است که روی ساقه های ضخیم قرار دارد .”

(1)

مفاهیم مبهمی مانند ” بسیار بزرگ “، ” طولانی ” و ” ضخیم ” شامل مقداری مبهم است که تعریف واضح و دقیق برای آنها منطقی نیست. پهنای یک گل چقدر است که باعث می شود ” بسیار بزرگ ” به نظر برسد؟ این موضوع بسته به یک تفسیر ذهنی درجاتی است و مطمئناً بین « بسیار بزرگ » و « نه خیلی بزرگ » بودن Calla که همه نویسندگان آن را به اشتراک گذاشته اند، انتقال واضحی وجود ندارد.

موقعیت دوگانه دیگری که ممکن است در دنیای واقعی مشاهدات اتفاق بیفتد، زمانی است که نویسنده VGI از مشاهده خود کاملاً مطمئن نیست، یا به دلیل نداشتن دانش کافی از مسئله یا به دلیل کمبود ابزار مشاهده. . این ممکن است حتی زمانی اتفاق بیفتد که دانش دامنه در یک هستی شناسی دقیق رمزگذاری شده باشد.

در نهایت، شرایطی وجود دارد که ممکن است شامل دانش نامشخص و عدم اطمینان نویسندگان VGI باشد. اجازه دهید این توصیف گنجشک ارائه شده توسط ویکی پدیا ( https://en.wikipedia.org/wiki/Sparrow ) را در نظر بگیریم:

گنجشک ها پرندگان کوچک قهوه ای یا خاکستری چاق هستند که اغلب دارای نشانه های سیاه، زرد یا سفید هستند. معمولاً 10 تا 20 سانتی‌متر طول دارند، از گنجشک شاه بلوط (Passer eminibey)، با 11.4 سانتی‌متر و 13.4 گرم، تا گنجشک منقار طوطی (Passer gongonensis)، در 18 سانتی‌متر و 42 گرم. آنها منقارهای مخروطی قوی و کلفتی دارند که نوک آنها منحنی است .

این طبقه‌بندی از انواع گنجشک شامل محمولات فازی (که توسط صفت‌ها با فونت درشت مشخص می‌شود) و محمول‌های دقیق (اندازه‌ها بر حسب سانتی‌متر و گرم ارائه می‌شوند) است. تا آنجا که محمول های فازی، ممکن است سوال برانگیز باشد که آیا پرنده کوچک و خاکستری است. علاوه بر این، حتی ممکن است اندازه گیری طول و وزن واقعی یک پرنده مشاهده شده یا تخمین اندازه گیری ها از یک نقطه مشاهده دور غیرممکن باشد. بنابراین، ممکن است علامت گذاری مشاهدات به عنوان یک گنجشک شاه بلوط یا یک گنجشک نوک طوطی مشکوک باشد، در حالی که می توان عدم اطمینان یا تردید در مورد صدق محمولات دقیق را بیان کرد.

هستی شناسی های فازی به منظور نشان دادن فازی بودن مفاهیم در هستی شناسی تعریف شده اند. با توجه به [ 14 ]، یک هستی شناسی فازی را می توان با گسترش OWL-DL، به ویژه فازی OWL-DL تعریف کرد. برای معرفی مفاهیم اولیه، ابتدا باید تعریف مجموعه فازی را یادآوری کنیم. مجموعه های فازی توسط زاده در سال 1965 [ 24 ] برای مقابله با مفاهیم مبهم معرفی شدند .

به طور رسمی، یک مجموعه فازی A نسبت به جهان X دارای تابع عضویت μ _A است : X → [0, 1]، که درجه عضویت، μ _A (x) ∈ [0، 1] را به هر عنصر x از دامنه X.

به طور معمول، اگر μ _A (x) = 1 به این معنی است که x قطعا متعلق به A است، در حالی که، اگر μ _A (x) = 0 به این معنی است که x اصلا متعلق به A نیست. μ _A (x) = 0.8 به این معنی است که x تا حدی یکی از عناصر A است، که می تواند به این معنی باشد که یا x تمام ویژگی هایی که یک عنصر از A را مشخص می کند را برآورده نمی کند یا اینکه فرد فاقد دانش کامل در مورد x است و نمی تواند به طور دقیق بیان کند که آیا یک عنصر است یا خیر. عنصر A (باید یکی از دو تفسیر ممکن را انتخاب کرد و نمی توان هر دو را همزمان فرض کرد).

بر این اساس، در منطق فازی، مفهوم درجه عضویت، μ _A (x)، یک عنصر x ∈ X به مجموعه فازی A بر X به عنوان درجه صدق در [0، 1] از عبارت “x” در نظر گرفته می شود. هست یک”. این تفسیر در DL فازی استفاده می شود، جایی که یک مفهوم A، به جای اینکه به عنوان یک مجموعه کلاسیک تفسیر شود، به عنوان یک مجموعه فازی تفسیر می شود و بنابراین، مفاهیم می توانند فازی باشند. در نتیجه، عبارت “x A است”، یعنی x:A، دارای درجه ای از صدق در [0, 1] است که توسط μ _{A ارائه شده است.}(x) درجه عضویت عنصر منفرد x به مجموعه فازی الف. عملگرهای بولی که برای ترکیب مجموعه‌های کلاسیک تعریف شده‌اند، برای ترکیب مجموعه‌های فازی بسط داده شده‌اند، به طوری که تقاطع منطقی، اتحاد و متمم به ترتیب با یک هنجار t تعریف می‌شوند. min)، یک عملگر t-conorm (max) و نه (1-).

با استفاده از Fuzzy OWL-DL، می توان یک عبارت نامناسب مانند تعریف (1) را نشان داد که یک Calla را با اصل زیر با گزاره های فازی توصیف می کند:

کالا ⊆ گل ∩ (∃ اندازه دارد. خیلی (بزرگ)) ∩ (∃ دارای پهنای گلبرگ است. بلند) ∩ (∃ رنگ. سفید) ∩ ∃ ساقه دارد. ضخیم

(2)

جایی که

گل یک محمول واضح است به طوری که μ _گل (x) = 1 اگر x یک گل است، در غیر این صورت μ _گل (x) = 0. توجه کنید که مجموعه ترد یک مورد خاص از مجموعه های فازی است.
Size.very_Large، PetalWidth.Long، Colour.White و Stalks.Thick محمول های فازی هستند که با مجموعه های فازی با توابع عضویت μ _{Size.very_Large} ، μ _{پهنای گلبرگ.طول} ، μ _{رنگ.سفید} ، و μ _{ساقه ها.ضخیم} در شکل، شکل 6 .
∩ عملگر تقاطع بین مجموعه‌های فازی است که با حداقل تعریف می‌شود و ⊆ عملگر گنجاندن زیر مجموعه است.

فرض کنید نویسنده VGI می‌تواند با اندازه‌گیری اندازه، عرض گلبرگ و نوع ساقه، مشاهده دقیقی از یک گل x ارائه دهد. با توجه به این اندازه‌گیری‌های دقیق و توابع عضویت μ _{Size.very_Large} ، μ _{PetalWidth.Long} ، μ _Color.White و μ _Stalks. با تعریف ضخیم معنای محمول‌های فازی مربوطه، می‌توانیم درجه رضایت و در نهایت درجه آنها را محاسبه کنیم. صدق (μ _Calla (x)) عبارت “x یک Calla است ” با استفاده از استدلال تقریبی بر اساس محمول های فازی [ 17 ]:

μ _Calla (x) = min (1، μ _{اندازه. بزرگ} (x)، μ _{پهنای گلبرگ. بلند} (x)، μ _{رنگ. سفید} (x)، μ _{ساقه. ضخیم} (x))

(3)

با این وجود، استدلال تقریبی مبتنی بر هستی شناسی فازی که تاکنون نشان داده شده است برای مقابله با دانش نامشخص، یعنی دانش فازی مناسب است، در حالی که ما باید با دانش دقیق و مشاهدات نامطمئن استدلال کنیم، همانطور که در درس های آموخته شده در بخش 3.3 بیان شده است .

در واقع، اغلب سوء تفاهم در مورد مدل سازی عدم قطعیت و عدم دقت یا مبهم وجود دارد که به اشتباه اصطلاحات مترادف در نظر گرفته می شوند [ 25 ]. با این وجود، بر اساس نظریه عدم قطعیت، گزاره‌ها در هر جهان/تفسیری یا کاملاً درست هستند یا کاملاً نادرست هستند، اما ما نمی‌دانیم کدام جهان درست است، بنابراین یک توزیع احتمال یا احتمال را بر روی جهان‌ها تعریف می‌کنیم. به عنوان مثال، عبارت ” x یک محصول گندم است” یک جمله واضح است: x می تواند یک محصول گندم باشد یا نه، نمی تواند تا حدی یک محصول گندم باشد، درجه ای که می توانیم به این عبارت مرتبط کنیم به دانش ما در مورد آن بستگی دارد. حقیقت در مورد xیک محصول گندم است که ممکن است به کمبود مشاهده بستگی داشته باشد. در تئوری فازی، گزاره‌ها تا حدی درست و نادرست هستند، زیرا حاوی مفاهیم فازی مانند هستی‌شناسی فازی هستند: برای مثال عبارت x دارای یک برگ بلند است، حاوی عبارت فازی Long است که معنای آن بر حسب سانتی‌متر یک درجه است. ، هر چه برگ بلندتر باشد درجه ارضای عبارت بیشتر است. ما می‌توانیم مشاهدات متاثر از کمبود شرایط را با دو عبارت جایگزین مدل کنیم [ 26 ]: برای مثال، با مشاهده یک محصول گندم از نقطه‌نظر دور، می‌توان عدم قطعیت خود را در مورد صحت یک جمله دقیق مشخص کرد. ” من 0.6 مطمئن هستم که طول برگ 40 سانتی متر است ” یا می توان یک جمله مبهم خاص مانند “من مطمئن هستم که x یک برگ بلند دارد یا هر دو عبارت نامشخص و مبهم مانند ” من 0.8 مطمئن هستم که طول برگ بین 35 تا 45 سانتی متر است “. در این عبارات، می توان متوجه شد که درجات عدم قطعیت با میزان عدم دقت/فاضل بودن محمولات رابطه معکوس دارند. می توان حدس زد که مجموع مقادیر عدم قطعیت به اضافه عدم دقت / مبهم در تمام عباراتی که مشاهدات مشابه را به روش های جایگزین توصیف می کنند ثابت هستند و به درجه نقص کلی بستگی دارند.از مشاهدات، و هر چه نقص مشاهده بیشتر باشد، مقدار کل عدم قطعیت به اضافه عدم دقت/فاضل عبارتی که مشاهدات را توصیف می کند بیشتر است. در بخش بعدی پیشنهاد خود را برای مقابله با عدم دقت و عدم قطعیت مشاهدات هنگام ایجاد VGI با معرفی استدلال تقریبی مبتنی بر سطح عدم قطعیت با هستی‌شناسی فازی شرح خواهیم داد.

5. مقابله با عدم قطعیت و عدم دقت مشاهدات با استفاده از هستی شناسی فازی با استدلال تقریبی مبتنی بر سطح عدم قطعیت

در ادامه، نمونه‌ای را در رابطه با تعریف هستی‌شناسی BBCH فازی خواهیم ساخت که انواع محصولات را که به عنوان مفاهیم دقیق در نظر گرفته شده و مراحل توسعه آن‌ها در بخش 3.1 معرفی شده است، توصیف می‌کند که می‌تواند تا حدودی به عنوان مراحل فازی در نظر گرفته شود زیرا یک مرحله تدریجی وجود دارد. انتقال از یک مرحله توسعه به مرحله متوالی با ویژگی های متوسط رشد محصول. بنابراین، منطقی است که مقادیر BBCH فازی را با توابع عضویت در یک دامنه پیوسته از مراحل ترد BBCH تعریف شده در جدول 1 تعریف کنیم ( شکل 7 را ببینید ).

به منظور مقابله با کمبود مشاهدات، ما به داوطلبان اجازه می‌دهیم نقص کلی (عدم قطعیت + عدم دقت / فازی) مشاهده خود را با مقدار عددی d در [0,1] در هر دو نوع محصول مشاهده شده و مرحله توسعه نسبی بیان کنند. ، که در آن مرحله توسعه را می توان با انتخاب مقادیر BBCH فازی از هستی شناسی فازی مشخص کرد.

از آنجایی که انواع محصول مفاهیم دقیقی در نظر گرفته می شوند، در واقع درجه نقص کلی d به درجه عدم قطعیت کاهش می یابد. برای مقابله با عدم قطعیت داوطلب در انتخاب نوع محصول، به نویسندگان VGI اجازه می‌دهیم تا بیش از یک نوع محصول را برای هر نمونه مشاهده‌شده انتخاب کنند و اجازه می‌دهیم با هر محصول انتخابی نشانه‌ای از عدم قطعیت وی در مورد مشاهده مرتبط شود. در اصل، ما می‌توانیم به داوطلبان اجازه دهیم تا انواع بیشتری از محصولات را با درجه عدم قطعیت مشخص d _i در [0، 1] مشخص کنند، به طوری که Σ _i = _{1، …، n}d _i = 1، که در آن 0 به معنای اطمینان کامل، 1 به معنای عدم قطعیت کامل است. و مقادیر میانی نشانه عدم قطعیت جزئی هستند.

برای ساده‌سازی تعامل کاربر هنگام استفاده از برنامه هوشمند S4A، از داوطلبان نمی‌خواهیم یک مقدار عددی d را در [0، 1] تعیین کنند، که این امر به وظیفه دیجیتالی کردن اعداد نیاز دارد، اما ما انتخاب‌های ممکن را به سه مقدار d ∈ محدود می‌کنیم. {0، 0.5، 1}، که آنها می توانند با کلیک کردن بر روی دکمه قرمز، زرد یا سبز چراغ راهنمایی که روی صفحه نمایش برنامه هوشمند نمایش داده می شود، انتخاب کنند، که تعامل بصری تر و سریع تر به نظر می رسد. این مدل کلی است و همچنین در مواردی که داوطلب مجاز باشد هر d را در [0، 1] مشخص کند، کار خواهد کرد. بنابراین، درجه را می توان در {0، 0.5، 1} انتخاب کرد که در آن 0 به معنای قطعی، 0.5 به معنای کمی نامشخص، و 1 به معنای نامشخص است.

با بهره‌برداری از نظم موجود بین مراحل توسعه، مقادیر BBCH فازی را با توابع عضویت مثلثی در مقیاس واضح BBCH همانطور که در شکل 7 نشان داده شده است، تعریف می‌کنیم . دامنه به عنوان یک انتقال تدریجی بین مراحل توسعه در نظر گرفته می شود. هر تابع عضویت را می توان با یک سه گانه ( a ≤ b ≤ c ) تعریف کرد که در آن a, b, c ∈ {0, …, 9} مراحل واضح BBCH را به صورت زیر مرتب می کنند:

μ اف u z z y B B C اچ (x) = ⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ 0 b - x b - a ج - x ج - ب 0 من f من f من f من f x \leq a a < x < b b < x < c x \geq c

(4)

که در آن x یک مشاهده را مشخص می کند. این انتخاب بر اساس این ایده انجام شد که در اصل، ما به داوطلبان اجازه می‌دهیم مقادیر BBCH فازی را از هستی‌شناسی فازی انتخاب کنند و درجه نقص کلی d را می‌توان شامل عدم قطعیت و عدم دقت مشاهده در نظر گرفت: d = 0 به معنای قطعی و دقیق است. مشاهده، سپس مقدار BBCH فازی مشخص شده باید به عنوان یک مشاهده دقیق تفسیر شود، به عنوان مثال، یک مرحله واضح BBCH. d = 1 به معنای حداکثر مشاهده نامشخص و نادقیق است، سپس مقدار BBCH فازی مشخص شده باید با حداکثر فازی تفسیر شود، به عنوان مثال، مراحل بیشتری BBCH ممکن است. با کاهش dنسبت به 0 به این معنی است که مشاهده کمتر نامطمئن و کمتر مبهم/فازی می شود، و بنابراین مقدار BBCH فازی انتخاب شده باید به صورت فازی کمتر تفسیر شود، به عنوان مثال، مراحل واقعی BBCH با d کاهش می یابد تا زمانی که تنها یکی ممکن شود . برای مدل‌سازی این رفتار، در طول مرحله استدلال، d را به‌عنوان آستانه‌ای در تابع عضویت BBCH فازی مشخص شده تفسیر می‌کنیم، به طوری که فقط مراحل شفاف BBCH با درجه‌های مساوی یا بزرگ‌تر از (1- d)) به عنوان مقادیر ممکن مرحله توسعه در نظر گرفته می شوند. توابع عضویت مثلثی شکلی ساده با یک هسته نقطه مانند دارند، یعنی فقط یک مقدار واحد از دامنه آنها (مراحل BBCH) دارای درجه عضویت کامل است. به همین دلیل است که ما توابع مثلثی شکل را با توجه به توابع ذوزنقه ای اتخاذ کردیم، به طوری که، در مورد مشاهده دقیق و مطمئن، ( d = 0)، تنها یک مرحله دقیق BBCH امکان پذیر است:

d = 1 به معنای عدم قطعیت کامل و حداکثر فازی بودن مشاهده است. به عنوان مثال، شکل 7 توابع عضویت مقادیر BBCH فازی تعریف شده در دامنه مراحل واضح BBCH جدول 1 را نشان می دهد . نقص d = 1 را در مشاهده مرحله رشد ~گلدهی فرض کنید. بودن دمکمل یک آستانه در تابع عضویت ~Flowering مراحل واضح BBCH (یعنی مقادیر روی دامنه تابع عضویت) که دارای درجه عضویت بالاتر از 0 هستند فقط موارد زیر هستند: گلدهی کاملاً ممکن است (درجه 1) مراحل Heading و Fruit Development تا حدی امکان پذیر است (هر دو درجه 0.75) و Booting و Ripening نیز حداقل ممکن است (دارای هر دو درجه 0.25). تمام مراحل دیگر BBCH با توجه به تابع عضویت ~Flowering دارای درجه 0 هستند و بنابراین به عنوان مراحل توسعه احتمالی مشاهده معیوب حذف می شوند.
وقتی d = 0.5 باشد، به معنای عدم قطعیت و مبهم بودن جزئی مشاهده است. در این حالت، با توجه به تأثیر d کاهش یافته نسبت به وضعیت قبلی، می‌توانیم فازی بودن مشاهده را کاهش دهیم: در این حالت، آستانه d امکان حذف هر دو مرحله Booting و Ripening را به عنوان مراحل ممکن فراهم می‌کند (زیرا درجه آنها 0.25 است. زیر آستانه 0.5)، در حالی که گلدهی هنوز کاملاً امکان پذیر است (درجه 1 بالای 0.5 است) و رشد سر و میوه هنوز تا حدی امکان پذیر است (درجه آنها 0.75 نیز بالای 0.5 است). با توجه به مشاهده بدتر قبلی ~Flowering، که منجر به پنج مرحله توسعه ممکن شد، اکنون ما فقط سه مرحله توسعه ممکن داریم.
وقتی d = 0 به معنای مشاهده قطعی و دقیق است. در این حالت فقط یک مرحله واضح BBCH کاملاً امکان پذیر است (Flowering) زیرا این تنها مرحله توسعه است که درجه عضویت آن به ~Flowering برابر با 1 است، در حالی که سایر مراحل توسعه دامنه را می توان به عنوان مراحل احتمالی مشاهده حذف کرد. . در صورت مشاهده کامل، حتی اگر یک مقدار BBCH فازی را انتخاب کنیم، تنها یک مرحله ممکن دقیق BBCH را به دست آوردیم.

به طور رسمی، با توجه به یک مشاهده معیوب x از مقدار BBCH فازی (~ BBCH_Value ) با نقص d ، به این معنی است که ما حداکثر (1 – d ) در صحت گزاره فازی مطمئن هستیم “مرحله توسعه x ~ BBCH_Value است ” ( به عنوان مثال، معین ( x ~ BBCH_Value است ) ≤ 1 – d ). بر اساس این فرض، و بر اساس تابع عضویت ~ BBCH_Value ، می‌توانیم درجه احتمال درست بودن « x is BBCH _{Stage » را محاسبه کنیم.}یعنی این احتمال وجود دارد که مرحله واضح BBCH ( BBCH_مرحله ) یک مرحله توسعه احتمالی x به شرح زیر است:

با توجه به C e r t a i n t y ( x ~ است     B B C HV a l u e) ≤ 1 – د  سپسP o s i b i l i t y ( x i s _  B B C HS t a g e) =μB B C H S t a g e ( x ) کجا    μB B C H S t a g e ( x ) = { μ~B B C HV a l u e(B B C HS t a g e)0من f μ~B B C HV a l u e(B B C HS t a g e) ≥1–دمن f μ~B B C HV a l u e(B B C HS t a g e) <1–دداده شده  یقین – اطمینان – قطعیت (ایکس است ~BBCHارزش)≤1–د  سپسامکان پذیری(ایکس است BBCHصحنه)=�BBCH صحنه(ایکس)   جایی که �BBCH صحنه(ایکس) ={�~BBCHارزش(BBCHصحنه)اگر �~BBCHارزش(BBCHصحنه)≥1–د0اگر �~BBCHارزش(BBCHصحنه)<1–د

(5)

اجازه دهید با استفاده از فرمول قبلی یک مثال ساده از استدلال تقریبی مبتنی بر سطح عدم قطعیت ایجاد کنیم.

ده اصل زیر را عصاره هستی‌شناسی TBOX فازی فرض کنید، که در آن هر گزاره درجه‌ای از احتمال را در [0، 1] برای درست بودن می‌پذیرد، و اجازه دهید تقاطع و گنجاندن را با min تعریف کنیم:

1.	گلدهی_گندم ⊆ محصول ∩ (∃گندم) ∩ (∃گلدهی)	(6)
2.	سرفصل_گندم ⊆ محصول ∩ (∃گندم) ∩ (∃سرفصل)
3.	میوه_توسعه_گندم ⊆ محصول ∩ (∃گندم) ∩ (∃توسعه_میوه)
4.	Booting_Wheat ⊆ crop ∩ (∃Wheat) ∩ (∃Booting)
5.	رسیدن_گندم ⊆ محصول ∩ (∃گندم) ∩ (∃در حال رسیدن)
6.	گلدهی_جو ⊆ محصول ∩ (∃جو) ∩ (∃گلدهی)
7.	Heading_Barley ⊆ crop ∩ (∃Ju) ∩ (∃Heading)
8.	میوه_توسعه_جو ⊆ محصول ∩ (∃جو) ∩ (∃توسعه_میوه)
9.	Booting_Barley ⊆ crop ∩ (∃Barley) ∩ (∃Booting)
10.	رسیدن_گندم ⊆ محصول ∩ (∃گندم) ∩ (∃در حال رسیدن)

فقط برای روشن شدن معنا، اصل اول بیان می کند که محصول گندم در مرحله گلدهی، محصولی است که نوع آن گندم و مرحله رشد آن گلدهی است.

اجازه دهید، به عنوان مثال ABOX، مشاهده ناقص زیر را که توسط یک داوطلب انجام شده است، فرض کنیم:

x ⊆ (گندم، d ₁ = 0) ∩ (~ گلدهی، d ₂ = 0.5)

این بدان معنی است که داوطلب مطمئن است که x یک محصول گندم است ( قطعیت (گندم) = 1) در حالی که او معتقد است که مرحله توسعه x ~گلدهی با حداکثر اطمینان نسبی است ( قطعیت (~گلدهی) ≤ 0.5). با استفاده از استدلال تقریبی مبتنی بر سطح عدم قطعیت، (معادله (5))، با توجه به درجه حداکثر اطمینان ~گلدهی، می‌توانیم مراحل توسعه احتمالی x را استنتاج کنیم . این با ارزیابی درجه احتمال درستی بدیهیات تعریف شده در رابطه (6) به صورت زیر به دست می آید:

μ _{FloweringWheat} ( x ) = min (μ _Crop ( x ), μ _گندم ( x ), μ _Flowering ( x )) = min (1, 1, 1) = 1

μ _{سرفصل گندم} ( x ) = min (μ _محصول ( x )، μ _گندم ( x )، μ _سرفصل ( x )) = min (1، 1، 0.75) = 0.75

μ _{توسعه میوه گندم} ( x ) = min (μ _محصول ( x )، μ _گندم ( x )، μ _{رشد میوه} ( x )) = دقیقه (1، 1، 0.75) = 0.75

μ _BootingWheat ( x ) = min (μ _Crop ( x ), μ _Wheat ( x ), μ _Booting ( x )) = min (1, 1, 0) = 0

μ _{رسیده گندم} ( x ) = min (μ _محصول ( x )، μ _گندم ( x )، μ _رسیدن ( x )) = دقیقه (1، 1، 0) = 0

μ _{FloweringBarley} ( x ) = μ _HeadingCorn ( x ) = μ _{توسعه میوه جو} ( x ) = μ _{BootingBarley} ( x ) = 0 از μ _جو ( x ) = 0

خلاصه زبانی مشاهدات به شرح زیر است: “به طور کامل امکان دارد که محصول x گندم در مرحله گلدهی باشد، اما همچنین بسیار محتمل است که x در مراحل رشد میوه یا سرفصل باشد، در حالی که تمام مراحل دیگر را می توان قطعا حذف کرد.” .

در صورتی که داوطلب مشخص کرده باشد:

x ⊆ (گندم، 0.5) ∪ (جو، 0.5) ∩ (~گلدهی، 0.5)

به این معنی که x می تواند گندم (با قطعیت 0.5، یعنی یقین (گندم) = 0.5) یا جو (با قطعیت 0.5، یعنی یقین (جو) = 0.5)، و یقین (~گلدهی) ≤ 0.5 باشد. در نتیجه استدلال تقریبی مبتنی بر سطح عدم قطعیت، درجات احتمالی زیر را به دست خواهیم آورد تا بدیهیات تعریف شده در (6) درست باشند:

μ _{گلدهی گندم} ( x ) = μ _{سرفصل گندم} ( x ) = μ _{رشد میوه گندم} ( x ) = 0.5

μ _{FloweringBarley} ( x ) = μ _{HeadingBarley} ( x ) = μ _{رشد میوه جو} ( x ) = 0.5

این نتیجه را می توان از نظر زبانی به صورت زیر بیان کرد: ” x می تواند یک محصول گندم یا جو در یکی از مراحل زیر باشد: گلدهی، یا سربرگ شدن، یا رشد میوه، در حالی که تمام مراحل دیگر را می توان حذف کرد”.

در این چارچوب، وقتی d = 0 برای همه مشاهدات (همه آنها کاملاً مطمئن هستند)، استدلال کلاسیک OWL-DL را به دست می آوریم (انتخاب های فازی در واقع مشاهدات واضح و دقیق هستند).

اجازه دهید با توجه به مشاهدات زیر مثالی بزنیم:

x ⊆ (گندم، 0) ∩ (~گلدهی، 0)

یعنی یقین (گندم) = 1 و یقین (~گلدهی) ≤1.

در این حالت، با اعمال هر دو رابطه (5) و بدیهیات تعریف شده در رابطه (6)، به نتیجه دقیق می رسیم:

μ _{FloweringWheat} ( x ) = 1، که از نظر زبانی به صورت زیر ترجمه می شود:

“مطمئن است که محصول گندم x در مرحله گلدهی است”

این اطمینان را می توان با این واقعیت استنباط کرد که گلدهی تنها مرحله کاملاً ممکن x است .

از طرف دیگر، زمانی که d = 1 (بدترین وضعیت)، ما در چارچوب استدلال تقریبی با هستی شناسی فازی هستیم.

6. نتیجه گیری

در این مقاله ما چندین جنبه از عدم قطعیت موثر بر VGI را در پروژه‌های علمی شهروندان، با تمرکز ویژه بر پروژه‌هایی که از داوطلبان می‌خواهند مشاهدات و اندازه‌گیری‌ها را طبقه‌بندی کنند، تحلیل کردیم. به طور دقیق‌تر، نمونه مطالعه موردی پروژه Space4Agri [ 9 ] را نشان دادیم و استفاده از یک هستی‌شناسی دامنه کلاسیک و محدودیت‌های آن را مورد بحث قرار دادیم.

بدون شک درست است که با محدود کردن داوطلبان به انتخاب برچسب ها از یک منوی از پیش تعریف شده، بیان بالقوه توصیفات متنی داوطلبان از مشاهدات واقعی که به ندرت با نمونه اولیه کاملاً مطابقت دارند، محدود می کند، همانطور که توسط آزمایش های میدانی انجام شده در پروژه S4A مشخص شده است. با این وجود، برای سهولت پردازش و تفسیر VGI، این یک مزیت است که بتوان از حاشیه نویسی های معنایی مبتنی بر هستی شناسی، که احتمالاً با متن آزاد تکمیل می شود، بهره برداری کرد. برای مقابله با سختی که ممکن است پایبندی به هستی‌شناسی کلاسیک برای داوطلبان نیاز داشته باشد، هستی‌شناسی‌های OWL فازی تعریف شدند که امکان نمایش دانش نامشخص و در نتیجه مدل‌سازی سطحی از انعطاف‌پذیری در ایجاد VGI بر اساس آنها را فراهم می‌کنند.

ما در این مقاله با اجازه دادن به مدل‌سازی عدم قطعیت داوطلبان هنگام استفاده از هستی‌شناسی OWL فازی برای برچسب‌گذاری مشاهدات، از طریق استدلال تقریبی مبتنی بر سطح عدم قطعیت، سطح بیشتری از انعطاف‌پذیری را معرفی می‌کنیم. در اصل، پذیرش این هستی شناسی فازی چندین مزیت بالقوه با توجه به تعریف واضح ارائه می دهد.

ما می‌توانیم ایجاد دقیق و نامطمئن VGI را مدل‌سازی کنیم، بنابراین با محدودیت‌های ابزار مشاهده و زمینه مقابله کنیم.
ما از داوطلبان بی‌تجربه‌ای حمایت می‌کنیم که نمی‌توانند معنای مراحل BBCH محصولات را تفسیر کنند و با اجازه دادن به آنها برای انتخاب مقادیر BBCH “فازی” آنها را در مزرعه تشخیص دهند. با انجام این کار می توانیم با تنوع موجودیت های مشاهده شده نیز کنار بیاییم. به عنوان مثال، در موردی که مراحل رشد متغیر محصولات را در یک بسته مشاهده می‌کند، می‌تواند یک مقدار BBCH فازی با درجه نقص جزئی d را مشخص کند، بنابراین چندین مرحله رشد را با یک انتخاب منحصربه‌فرد خلاصه می‌کند.
مصرف کنندگان VGI، هنگام تجزیه و تحلیل مجموعه VGI ایجاد شده بر اساس هستی شناسی های فازی، می توانند پرس و جوهای انعطاف پذیری را بیان کنند که نقص آیتم های VGI را به کمتر از مقدار دلخواه محدود می کند، تا موارد رتبه بندی شده VGI را مانند پایگاه های داده فازی بازیابی کنند [27 ] . آن‌ها می‌توانند تنها مشاهداتی را انتخاب کنند که حداقل سطح احتمالی را دارند تا مراحل توسعه واقعی محصولات مشاهده‌شده باشند، همانطور که با استفاده از استدلال تقریبی مبتنی بر سطح عدم قطعیت محاسبه می‌شود.

برای ارزیابی قطعی مزایا/معایب رویکرد، باید ارزیابی کاربر را انجام دهیم. ما اکنون در حال پیاده سازی نسخه جدیدی از برنامه هوشمند S4A با استفاده از مقیاس فازی BBCH هستیم و به کاربران امکان می دهیم میزان نقص مشاهدات خود را مشخص کنند. این پیش نیاز برای انجام یک آزمایش میدانی واقعی با هدف ارزیابی مزایای استفاده از هستی‌شناسی‌های OWL فازی همراه با استدلال تقریبی مبتنی بر سطح عدم قطعیت است.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

برنامه	برنامه نرم افزاری برای دستگاه های تلفن همراه هوشمند متصل به اینترنت.
مقیاس BBCH	مقیاس صنعت Biologische Bundesanstalt، Bundessortenamt و CHhemical یک هستی شناسی برای کدگذاری یکنواخت مراحل رشد فنولوژیکی مشابه همه گونه های گیاهی تک و دو لپه ای است که معمولاً توسط کشاورزان استفاده می شود [14 ] .
DEM	مدل دیجیتالی ارتفاع یک مدل دیجیتالی است که به صورت آرایه شبکه‌ای یا فایل داده برداری است که اطلاعات ارتفاع سطح را نشان می‌دهد.
جی پی اس	سیستم موقعیت یاب جهانی یک سیستم ماهواره‌ای ناوبری جهانی است که اطلاعات مکان و زمان را در هر نقطه از زمین یا نزدیک به آن در جایی که خط دید بدون مانعی برای چهار یا چند ماهواره GPS وجود دارد، ارائه می‌کند.
CNR-IDPA	موسسه دینامیک فرآیندهای زیست محیطی شورای ملی تحقیقات ایتالیا.
CNR-IREA	موسسه سنجش الکترومغناطیسی محیط از شورای ملی تحقیقات ایتالیا.
OGC	کنسرسیوم فضایی باز
جغد	زبان وب هستی شناسی که برای رمزگذاری هستی شناسی ها استفاده می شود.
جغد DL	OWL DL به دلیل مطابقت آن با Description Logics، یک زمینه تحقیقاتی که منطق هایی را که شالوده رسمی OWL را تشکیل می دهند، مورد مطالعه قرار داده است.
POI	نقطه جالبی که یک موجودیت ژلوکات شده از دنیای واقعی را شناسایی می کند.
SDI	زیرساخت داده های مکانی
S4A	مخفف Space4Agri برای پروژه با عنوان «Sviluppo di metodologie aerospaziali innovative di osservazione della terra a supporto del settore Agricolo in Lombardia» که طی سال‌های 2013 تا 2015 در CNR IREA و CNR IDPA با همکاری منطقه Lombardia و CNR IDPA انجام شد.
پهپاد	وسیله نقلیه هوایی بدون سرنشین که با نام “پهپاد” نیز شناخته می شود، هواپیمای بدون سرنشین انسان است که با کنترل از راه دور هدایت می شود.
VGI	اطلاعات جغرافیایی داوطلبانه
W3C	مخفف کنسرسیوم وب جهانی، جامعه بین المللی است که استانداردهای باز را برای اطمینان از رشد طولانی مدت وب توسعه می دهد ( https://www.w3.org/ ).

منابع

هاکلی، ام. علوم شهروندی و اطلاعات جغرافیایی داوطلبانه – مرور کلی و گونه‌شناسی مشارکت. در اطلاعات جغرافیایی داوطلبانه، مشارکت عمومی، و تولید دانش جغرافیایی به صورت انبوه سپاری ؛ Sui، DZ، Elwood، S.، Goodchild، MF، Eds. Springer: برلین، آلمان، 2012; صص 105-122. [ Google Scholar ]
Goodchild، MF Citizens به عنوان حسگرهای داوطلبانه: زیرساخت داده های مکانی در دنیای وب 2.0. بین المللی جی. اسپات. زیرساخت داده Res. 2007 ، 2 ، 24-32. [ Google Scholar ]
بوردوگنا، جی. کارارا، پی. کریسکوئولو، ال. پپه، م. Rampini, A. در مورد پیش بینی و بهبود کیفیت پروژه های داوطلبانه اطلاعات جغرافیایی. بین المللی جی دیجیت. زمین 2014 ، 9 ، 1-22. [ Google Scholar ] [ CrossRef ]
Shade، S. Tsinaraki, C. گزارش نظرسنجی: مدیریت داده ها در پروژه های علمی شهروندی ; گزارش فنی JRC برای کمیسیون اروپا؛ دفتر انتشارات اتحادیه اروپا: لوکزامبورگ، 2016. [ Google Scholar ]
کرال، AW؛ نیومن، جی جی; استولگرن، تی جی; هولفلدر، کالیفرنیا؛ گراهام، جی. والر، DM ارزیابی کیفیت داده های علم شهروندی: مطالعه موردی گونه های مهاجم. حفظ کنید. Lett. 2011 ، 4 ، 433-442. [ Google Scholar ] [ CrossRef ]
البکری، م. Fairbairn، D. ارزیابی دقت داده‌های جمع‌سپاری شده و ادغام آن با مجموعه‌های رسمی داده‌های مکانی. در مجموعه مقالات نهمین سمپوزیوم بین المللی ارزیابی دقت فضایی در منابع طبیعی و علوم محیطی (دقت 2010)، لستر، انگلستان، 20 تا 23 ژوئیه 2010.
Camponovo، ME; Freundschuh، SM ارزیابی عدم قطعیت در VGI برای پاسخ اضطراری. کارتوگر. Geogr. Inf. علمی 2014 ، 41 ، 440-455. [ Google Scholar ] [ CrossRef ]
طبیعت شناس. در دسترس آنلاین: http://www.inaturalist.org/ (در 8 اوت 2016 قابل دسترسی است).
بوردوگنا، جی. کلیمنت، ک. فریجریو، ال. استروپیانا، دی. Brivio، PA; کرما، ا. بوشتی، ام. Sterlacchini، S. زیرساخت داده های فضایی ادغام داده های چندمنبعی ناهمگن جغرافیایی و سری های زمانی: یک مورد مطالعه در کشاورزی. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 73. [ Google Scholar ] [ CrossRef ]
هک، اچ. بلیهولدر، اچ. بوهر، ال. مایر، یو. Schnock-Fricke، U. وبر، ای. Witzenberger، A. Einheitliche Codierung der phänologischen Entwicklungsstadien mono-und dikotyler Pflanzen–Erweiterte BBCH-Skala، Allgemein-Nachrichtenbl. دوم Pflanzenschutzd. 1992 ، 44 ، 265-270. [ Google Scholar ]
مراحل رشد گیاهان تک و دو لپه ای. در دسترس آنلاین: https://www.politicheagricole.it/flex/AppData/WebLive/Agrometeo/MIEPFY800/BBCHengl2001.pdf (در 8 اوت 2016 قابل دسترسی است).
OWL 2 Web Ontology Language Primer. توصیه W3C 2009. در دسترس آنلاین: http://www.w3.org/TR/owl2-primer/ (در 6 دسامبر 2016 قابل دسترسی است).
هیتزلر، پی. کروتزش، ام. رودولف، اس. مبانی فن آوری های وب معنایی ; CRC Press: Boca Raton، FL، USA، 2009. [ Google Scholar ]
Straccia، U. همه چیز درباره منطق ها و کاربردهای توصیف فازی. در Reasoning Web 2015، LNCS 9203 ; Faber, W., Paschke, A., Eds. Springer: برلین، آلمان، 2015; صص 1-31. [ Google Scholar ]
بوبیلو، اف. Straccia، U. منطق هستی شناسی فازی fuzzyDL. بدانید. سیستم مبتنی بر 2016 ، 95 ، 12-34. [ Google Scholar ] [ CrossRef ]
باکی‌الله، م. لیانگ، SHL؛ Zipf، A.; ارسنجانی، JJ قابلیت همکاری معنایی داده های حسگر با اطلاعات جغرافیایی داوطلبانه: یک مدل واحد. ISPRS Int. J. Geo-Inf. 2013 ، 2 ، 766-796. [ Google Scholar ] [ CrossRef ]
گروبر، TR به سمت اصولی برای طراحی هستی شناسی های مورد استفاده برای اشتراک دانش. بین المللی جی. هوم. محاسبه کنید. گل میخ. 1995 ، 43 ، 907-928. [ Google Scholar ] [ CrossRef ]
چو، WC; ریچاردز، دی. ساخت هستی‌شناسی و استفاده مجدد از مفهوم با تحلیل مفهومی رسمی برای بهبود بازیابی اسناد وب. وب اینتل. Agent Syst. 2007 ، 5 ، 109-126. [ Google Scholar ]
Ronzhin، S. غنی سازی معنایی اطلاعات جغرافیایی داوطلبانه با استفاده از داده های پیوندی: سناریوی مورد استفاده برای مدیریت بلایا. پایان نامه کارشناسی ارشد، دانشگاه Twente، Enschede، هلند، 2015. [ Google Scholar ]
استدلر، سی. لمان، جی. هافنر، ک. Auer, S. LinkedGeoData: هسته ای برای شبکه ای از داده های فضایی باز. سمنت. وب 2012 ، 3 ، 333-335. [ Google Scholar ]
بوردوگنا، جی. بوشتی، ام. Brivio، PA; کرما، ا. استروپیانا، دی. فریجریو، ال. کلیمنت، تی. Sterlacchini، S. قابلیت همکاری معنایی اطلاعات جغرافیایی داوطلبانه بر اساس دانش زمینه‌ای. در مجموعه مقالات کارگاه Link-VGI AGILE 2016، هلسینکی، فنلاند، 14-17 ژوئن 2016.
مارتینز راموس، آی. واندکاستیل، ا. Devillers، J. ادغام معنایی اطلاعات جغرافیایی معتبر و داوطلبانه (VGI) با استفاده از هستی شناسی ها. در مجموعه مقالات چهاردهمین کنفرانس بین المللی توسعه نرم افزار چابک، وین، اتریش، 3 تا 7 ژوئن 2013.
پازوکی، ش. کریمی پور، ف. حکیم پور، ف. یک راه حل هستی شناختی برای عدم قطعیت های ادراکی VGI. در مجموعه مقالات هشتمین کنفرانس بین المللی علم اطلاعات جغرافیایی، وین، اتریش، 23 تا 26 سپتامبر 2014.
Zadeh, LA Fuzzy sets. Inf. کنترل 1965 ، 8 ، 338-353. [ Google Scholar ] [ CrossRef ]
Straccia، U. Towards a Fuzzy Description Logic for the Semantic Web ; Springer: برلین، آلمان، 2005. [ Google Scholar ]
بوردوگنا، جی. پاسی، جی. مدلسازی معیارهای زبانی عدم قطعیت در پایگاه داده فازی. بین المللی جی. اینتل. سیستم 2000 ، 15 ، 995-1014. [ Google Scholar ] [ CrossRef ]
بوردوگنا، جی. Psaila, G. پرس‌وجو انعطاف‌پذیر قابل تنظیم در پایگاه‌های داده رابطه‌ای کلاسیک. در کتابچه راهنمای تحقیق در مورد پردازش اطلاعات فازی در پایگاه های داده ; گالیندو، جی.، ویرایش. IGI Global: Hershey، PA، USA، 2008; صص 191-217. [ Google Scholar ]

شکل 1. تصویری از ژئوپورتال وب غیر طبیعی که یک VGI را به شکل یک تصویر طبقه بندی شده (در سمت چپ)، ردپای جغرافیایی آن با عدم دقت مرتبط (دایره روی نقشه) و آیتم هستی شناسی بصری مربوطه با اطلاعات تکمیلی در مورد گونه نمایش می دهد. خار» (سمت راست) [ 8 ].

شکل 2. عصاره BBCH برای مراحل رشد غلات. منبع: [ 10 ].

شکل 3. اسکرین شات های برنامه هوشمند S4A که منوی اصلی ایجاد VGI، ورودی های سطح اول و دوم از هستی شناسی زراعی فشرده BBCH و نمایش عدم دقت GPS و جهت گیری دوربین را نشان می دهد (با زاویه خط سبز نشان داده شده است).

شکل 4. ژئوپورتال S4A که فیلدهای برش برچسب گذاری شده با VGI را نمایش می دهد. رنگ‌های متمایز زمین‌ها نشان‌دهنده انواع محصول متمایز است. جدول تمام موارد VGI مربوط به مشاهده مرحله رشد BBCH در مزرعه ذرت را نشان می دهد که با پین آبی مشخص شده است.

شکل 5. ژئوپورتال S4A اقلام VGI (نقاط قرمز) حاوی تصاویر گرفته شده از مزارع در پروونس، فرانسه، در طول کمپین تابستانی 2016 را نشان می دهد. این تصاویر بیشتر در جاده‌های کشور در حال عبور از یک منطقه زراعی کشت شده با اسطوخودوس قرار دارند و بنابراین نمی‌دانید کدام بسته را حاشیه‌نویسی می‌کنند.

شکل 6. توابع عضویت مجموعه های فازی Size.large ، PetalWidth.Long ، Stalks.Thick و Color.White .

شکل 7. توابع عضویت مقادیر BBCH فازی (شناسایی شده با پیشوند ~) که در مراحل BBCH سطح اول در جدول 1 تعریف شده است .

جدول 1. مراحل رشد اصلی محصولات [ 10 ].

جدول 2. خلاصه ای از تعداد داوطلبان (بر اساس دسته) و موارد VGI (بر اساس دسته) ایجاد شده در پروژه S4A در طول سال 2015.

© 2016 توسط نویسندگان؛ دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC-BY) (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب