نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

خلاصه

در حال حاضر، بهترین روش برای پشتیبانی از برنامه‌ریزی زمین، توسعه زیرساخت‌های داده‌های مکانی (SDI) را می‌طلبد که قادر به ادغام مجموعه داده‌های مکانی و اطلاعات سری‌های زمانی از منابع متعدد، به عنوان مثال، داده‌های ماهواره‌ای چندزمانی و اطلاعات جغرافیایی داوطلبانه (VGI) باشد. این مقاله یک معماری SDI سازگار با استاندارد OGC و گردش کار داده‌های مکانی و فراداده برای ایجاد و مدیریت مجموعه داده‌های جغرافیایی ناهمگن چندمنبعی و سری‌های زمانی را توصیف می‌کند و آن را در چارچوب مورد مطالعه پروژه Space4Agri که برای حمایت از بخش کشاورزی در منطقه لومباردی توسعه یافته است، مورد بحث قرار می‌دهد. ، شمال ایتالیا مشارکت‌های جدید اصلی فراتر از حوزه کاربردی است که SDI برای آن توسعه یافته است و به شرح زیر است: جذب در یک SDI a-centric،اندازه‌گیری‌های درجا و اطلاعات داوطلبانه (VGI) ایجاد شده توسط کشاورزان و کشاورزان با استفاده از یک برنامه هوشمند اصلی؛ اتوماسیون گردش کار برای انتشار مجموعه‌ها و سری‌های زمانی داده‌های مکانی چندمنبعی ناهمگن و خدمات وب نسبی. و در نهایت، ژئوپورتال پروژه، که می تواند تجزیه و تحلیل مجموعه داده های جغرافیایی و سری های زمانی را با ارائه پرس و جو و امکانات پاسخگویی هوشمند مکانی-زمانی آسان کند.
کلید واژه ها: 

زیرساخت داده های مکانی (SDI) ; داده های مکانی (GD) ; سری زمانی ؛ اطلاعات جغرافیایی داوطلبانه (VGI) ; فراداده ; اپلیکیشن هوشمند ؛ ژئوپورتال ; کشاورزی

 

چکیده گرافیکی

1. معرفی

اطلاعات جغرافیایی در وب، که GeoWeb نیز نامیده می شود، نه تنها در میان کاربران سنتی (عمدتاً محققان محیط زیست، جغرافیدانان، و دانشمندان علوم اجتماعی) بلکه در بین مقامات دولتی و شهروندان برای متنوع ترین وظایف: بازیابی نقاط مورد علاقه، اهمیت بیشتری پیدا می کند. (POIs)، مشاوره سری های زمانی نقشه های هواشناسی و موضوعی برای مخاطرات طبیعی، کشاورزی و غیره . برنامه های تخصصی با استفاده از داده های مکانی (GD)، مانند خدمات مبتنی بر مکان (LBS)، سیستم های نقشه برداری وب، و نقشه ها و کره های تعاملی، بسیار محبوب شده اند [1 ] .
تخمین زده شده است که بیش از 15% از پرس و جوهای ارسال شده به موتورهای جستجو ماهیت جغرافیایی دارند [ 2 ] و عمدتاً اطلاعات جغرافیایی ارجاع داده شده را درخواست می کنند. سایر مطالعات گزارش شده در [ 1 و 3 ] تأثیر اجتماعی GD را با گسترش آشکار بر فضای جغرافیایی، مانند تصاویر و عکس‌های هوایی از رصد زمین (EO) سنجش از دور، نقشه‌های دیجیتال موضوعی با ویژگی‌های مرتبط، اطلاعات برچسب‌گذاری‌شده جغرافیایی جمع‌سپاری شده از شبکه اجتماعی، تحلیل کرده‌اند. شبکه‌ها و اطلاعات جغرافیایی داوطلبانه (VGI)، که اطلاعات جغرافیایی است که آزادانه توسط شهروندان ایجاد می‌شود [ 4 ]، احتمالاً با استفاده از برنامه‌های کاربردی هوشمند نصب‌شده بر روی دستگاه‌های تلفن همراه آنها که به اینترنت متصل هستند.
موتورهای جستجو به ابزارهای بسیار قدرتمند و موثری برای جستجو و بازیابی اطلاعات به صورت متنی، بلکه تصاویر، اخبار، وبلاگ ها، ویدئوها، ضبط های صوتی، و آخرین اما نه کم اهمیت ترین، اطلاعات متنی جغرافیایی، با استفاده از نقشه های گوگل تبدیل شده اند. و غیره با این وجود، هنوز شکافی برای پر کردن وجود دارد تا امکان دسترسی مؤثر، بازیابی، یکپارچه سازی، تجسم، تحلیل و تفسیر GD و سری های زمانی با قالب ها و مضامین ناهمگن و از منابع متعدد وجود داشته باشد [3] .]. به طور خاص، برای حمایت از برنامه‌ریزی سرزمین، امروزه SDI باید طراحی و توسعه یابد تا هم مجموعه‌های GD و هم سری‌های زمانی اطلاعات داده‌های صریح فضایی از منابع متعدد را ادغام کند: محصولاتی که از پردازش اکتساب مداوم تصاویر سنجش از دور، اندازه‌گیری‌های زمین مرجع در محل به دست می‌آیند . از حسگرها، و اطلاعات جغرافیایی که توسط اپراتورها و داوطلبان با استفاده از برنامه های کاربردی هوشمند ایجاد شده است.
علیرغم این واقعیت که فناوری‌هایی برای فعال کردن مدیریت GD در وب و تعدادی راه‌حل منبع باز موجود است، نیاز فوری به بهبود روش‌های مدیریت GD چند منبعی ناهمگن وجود دارد [ 5 ]. موضوعات اصلی تحقیق باز مربوط به: (1) طراحی راه حل های مقیاس پذیر برای معماری SDI. (ب) مدیریت متقابل داده های حسگر و VGI ادغام کننده GD ناهمگن. (iii) ترکیب و اتوماسیون سرویس‌های وب برای تعریف گردش کار برای استقرار از طریق وب مجموعه‌های چندمنبعی GD و سری‌های زمانی. و (IV) در دسترس بودن استانداردهایی که امکانات خدماتی پیچیده را برای دسترسی آسان و تجزیه و تحلیل یکپارچه GD هم در مکان و هم در زمان فراهم می‌کنند.
یکپارچگی و قابلیت همکاری GD که بین چندین سرور توزیع شده است، نیازمند استانداردهای پذیرش SDI است که توسط کنسرسیوم فضایی باز (OGC) شناسایی شده است تا امکان اشتراک گذاری و تجزیه و تحلیل محتوا را فراهم کند [1 ، 3 ، 6 ] . در پیشنهاد ما، برای مقابله با مقیاس‌پذیری و GD پویا و سری‌های زمانی، یک معماری SDI متمرکز و توزیع‌شده را بر اساس مجموعه‌ای از خدمات وب OGC برای اشتراک‌گذاری و کشف GD اتخاذ کردیم [6 ] . در میان سرویس‌های وب، سرویس‌های کاتالوگ برای فعال کردن کشف داده‌های جغرافیایی توسط کاربرانی که نیازهای اطلاعاتی دارند و با پرس و جو بیان می‌شوند، اساسی هستند. یک سرویس کاتالوگ از یک سیستم مدیریت پایگاه داده وب برای مدیریت ابرداده استفاده می کند، اطلاعاتی در مورد GD و پاسخگویی به سوالات کاربران. فراداده ویژگی‌های قالب GD، تألیف، معناشناسی، زمینه جغرافیایی و زمانی، و اطلاعات جانبی در مورد کیفیت آنها را توصیف می‌کند، که برای اجازه دادن به مصرف‌کنندگان و ذینفعان برای تفسیر معنای GD و درک اینکه آیا GD پاسخگو با نیازهای اطلاعاتی آنها مطابقت دارد یا خیر، ضروری است. گلوگاه در راه اندازی یک سرویس کاتالوگ، نیاز به انجام فعالیت سنگین ایجاد دستی ابرداده توسط ارائه دهندگان یا نویسندگان داده است [ 7]]. این کار باید هر بار که یک GD جدید در یک SDI منتشر می‌شود، انجام شود، و باید به صورت دوره‌ای در مورد سری‌های زمانی داده‌های مکانی انجام شود. برای پرداختن به این فعالیت، ما یک اتوماسیون اصلی گردش کار برای استقرار وب هم مجموعه‌های GD و هم سری‌های زمانی، و ایجاد و به‌روزرسانی ابرداده‌ها بر اساس یک روش نیمه خودکار را پیشنهاد می‌کنیم [8 ، 9 ، 10 ] .
علاوه بر این، برنامه‌هایی که VGI را برای پروژه‌های علمی شهروندی خاص جمع‌آوری می‌کنند، معمولاً با پیروی از سرویس‌های وب استاندارد OGC به آن خدمات ارائه نمی‌دهند: حتی زمانی که VGI به‌عنوان داده باز منتشر می‌شود، باید برای تجسم، پرس و جو و احتمالاً دانلود آن به ژئوپورتال پروژه متصل شود. برای تجزیه و تحلیل VGI به صورت متنی برای باز کردن GD از پروژه های دیگر در یک SDI استاندارد و قابل همکاری، برخی از پیشنهادات یک واسطه Web 2.0 را برای دسترسی و جمع آوری VGI ایجاد شده در شبکه های اجتماعی معرفی کردند [11 ] . راه حل پیشنهادی ما با طراحی یک اپلیکیشن هوشمند برای دستگاه های تلفن همراه متصل به اینترنت که قادر به ایجاد در محل است، این مشکل را از دیدگاهی متفاوت و مکمل برطرف می کند.گزارش های VGI قابل همکاری بومی برنامه هوشمند برای انتشار مستقیم داده ها از طریق SDI و ارائه آنها به ذینفعان توسط خدمات وب استاندارد طراحی و پیاده سازی شده است. به این ترتیب، VGI را می توان به صورت تصویری، پرس و جو و تجزیه و تحلیل متنی برای سایر داده های باز مشاهده کرد.
گلوگاه نهایی ژئوپورتال‌های فعلی فقدان عملکردهای پیچیده است که به ذینفعان اجازه می‌دهد به راحتی پرس‌وجوها را در هر دو لایه GD با یک بعد زمانی (مثلاً سری‌های زمانی پارامترهای محیطی) از چندین منبع مجزا بدون نیاز به زحمت در مورد قالب داده‌ها انجام دهند. به عنوان مثال، بردار یا شطرنجی) و ساختار داده [ 12 ]. این بدان معنی است که آنها اصل استقلال داده سیستم های مدیریت پایگاه داده را نقض می کنند که تضمین می کند کاربران می توانند مستقل از قالب داده ها و ساختار فیزیکی واقعی با داده ها تعامل داشته باشند [ 13] .]. پورتال‌های جغرافیایی استاندارد OGC از درخواست‌های خدمات نقشه وب (WMS) و گاهی اوقات سرویس ویژگی‌های وب (WFS) پشتیبانی می‌کنند، اما به ندرت درخواست‌هایی برای بازیابی اطلاعات از سری‌های زمانی ارائه می‌کنند. علاوه بر این، طبق دانش ما، آنها هرگز نمودارهای گرافیکی که تغییرات زمانی پارامتر را در یک مکان انتخاب شده (به عنوان مثال، یک پیکسل یا بخشی از منطقه جغرافیایی) به صورت متناظر به VGI برای همان مکانی که ما انجام می دهیم، به عنوان پاسخ های پرس و جو ارائه نمی کنند. .
در حال حاضر، اپراتورها برای انجام تجزیه و تحلیل خود از GD بر گردش کار زیر تکیه می کنند: (i) آنها ابتدا محصولات مورد علاقه را با پرس و جو از یک سرویس کاتالوگ کشف می کنند. (ii) سپس GD مطابق با نیازهای خود را دانلود می کنند. (iii) علاوه بر این، آنها داده ها را در داخل یک سیستم اطلاعات جغرافیایی رومیزی (GIS) وارد می کنند تا اغلب عملیات تبدیل داده را انجام دهند. و (IV) آنها چندین عملیات تحلیل فضایی پیچیده را برای به دست آوردن نتایج مورد نظر که در قالب نمودار خلاصه می شود، اعمال می کنند. اینها نوع عملکردهایی هستند که اپراتورها مایلند به روشی ساده تر، سریعتر و عملی تر از روش فعلی برای انجام تجزیه و تحلیل خود با استفاده از پتانسیل خدمات پردازش وب انجام دهند. برای فعال کردن یک تعامل آسان با کاربر،
در این مقاله، ابتدا مسائل مربوط به ایجاد SDI برای به اشتراک گذاری و کشف GD ( بخش 2 ) را مورد بحث قرار می دهیم. سپس، در بخش 3 ، ما معماری غیرمرکز SDI تحقق یافته را نشان می‌دهیم که مجموعه‌های ناهمگن GD و سری‌های زمانی چند منبعی را ادغام می‌کند. بخش 4 توصیفی از اجزای SDI را با نشان دادن ویژگی‌های آن ارائه می‌کند: گونه‌شناسی مجموعه‌های GD و سری‌های زمانی، برنامه‌ای که برای ایجاد داده‌های درجا محقق شده است، گردش کار برای ایجاد و مدیریت ابرداده، و در نهایت، مجموعه‌های GD. و کشف سری های زمانی توسط سرویس کاتالوگ و به ثمر رسیدن آنها توسط ژئوپورتال. بخش 5 کارهای مرتبط را مورد بحث قرار می دهد. بخش 6بر نتیجه گیری های به دست آمده از نتایج آزمایش تمرکز می کند و بینش هایی را برای کار آینده ارائه می دهد.

2. مسائل جاری در اشتراک گذاری و مدیریت GD در وب

مقدار GD، در محلاندازه‌گیری‌ها و مشاهدات حسگر، و سری‌های زمانی محصولات، به دست آمده از پردازش چند زمانی تصاویر سنجش از راه دور، به طور چشمگیری در حال افزایش است. این روند عمدتاً توسط: (1) انتشار سریع اینترنت اشیا (IoT)، که در آن دستگاه‌های هوشمند که به اینترنت متصل هستند و به متنوع‌ترین حسگرها مجهز شده‌اند، در حال افزایش است. و (ب) در دسترس بودن تصاویر ماهواره ای رایگان عملیاتی با وضوح فضایی متوسط/بالا، مانند NASA-MODIS (طیف رادیومتر تصویربرداری با وضوح متوسط) و Landsat OLI (تصویرساز زمین عملیاتی). در آینده نزدیک توسط مجموعه کامل ماهواره های رادار و نوری ESA Sentinel در دسترس بودن تصاویر ماهواره ای رایگان بیشتر خواهد شد.
از پردازش و تجزیه و تحلیل GD خام، که توسط اینترنت اشیا و سنجش از دور ارائه می شود، محصولات جدید GD و سری های زمانی توسط محققان و شرکت های ICT تولید می شوند. در واقع، بیشتر مجموعه داده‌های جدید تولید شده، نتایج پروژه‌های علمی است که برای حمایت از بخش‌های تجاری و اجتماعی، مانند کشاورزی و تولید مواد غذایی، ایمنی و امنیت انسانی، و پایش ریسک خطرات طبیعی، با هدف بهینه‌سازی اثرات اقتصادی، تأمین مالی شده‌اند. فرآیندها و سیاست های تعمیر و نگهداری [ 14 ].
رایج‌ترین و رایج‌ترین روش کنونی برای مدیریت چنین داده‌هایی، ذخیره آن‌ها بر روی ماشین‌های سرور دسترسی شبکه (NAS) و به اشتراک گذاشتن آن‌ها از طریق یک شبکه کامپیوتری اینترنتی محلی است. با این حال، اگر هر کاربر خارجی مایل به کشف و استفاده از این مجموعه داده‌ها باشد، هرگز بدون دخالت یک واسطه، یک تکنسین، موفق نخواهد شد تا داده‌های مناسب را در اختیار او قرار دهد.
دلایل متعددی، هم سیاسی و هم فنی وجود دارد که این وضعیت را توضیح می دهد.
اول از همه، محققان تمایلی به اتخاذ بهترین شیوه‌های اشتراک‌گذاری GD در وب ندارند، زیرا یا آن را نمی‌خواهند، یا در بهترین موارد، نیازی به انتشار و به اشتراک‌گذاری داده‌ها احساس نمی‌کنند و عمدتاً چنین نیستند. به دلیل سیاست‌های سازمان‌ها و/یا کمک‌کنندگانی که پروژه‌های تحقیقاتی را تأمین مالی کرده‌اند، مجبور به انجام این کار شده‌اند. اگرچه GD مرتبط ترین نتایج تلاش تحقیقاتی آنها را تشکیل می دهد، محققان انگیزه ندارند که GD خود را بدون به رسمیت شناختن کارشان یا بدون مجوزی که به آنها امکان جایگزینی/به روز رسانی منبع رسمی اطلاعات را می دهد، به مردم ارائه دهند.
جنبه‌های فنی نیز نقش کلیدی در محدود کردن پذیرش بهترین شیوه‌ها برای انتشار GD در وب دارند. اغلب، محققان استانداردهای ایجاد شده در جامعه ICT را نادیده می گیرند و آنها ابزاری برای تسهیل انتشار GD به روشی آسان و مفید ندارند.
با این وجود، این وضعیت به لطف عوامل متعددی به سرعت در حال تغییر است، که از میان آنها بیشترین تأثیرگذاری در جدول 1 گزارش شده و پس از آن مورد بحث قرار گرفته است.
–
قوانین و راهبردهای جدید با دستورالعمل اروپایی 2007/2/EC معروف به INSPIRE [ 6 ] که یک چارچوب قانونی پیچیده برای ایجاد یک زیرساخت برای اطلاعات مکانی در اروپا به منظور بهبود قابلیت استفاده از GD برای حمایت از حفاظت از محیط زیست و پایدار تعریف می‌کند، لازم‌الاجرا شد. سیاست های توسعه دستورالعمل 2003/98/EC دیگر، معروف به «دستورالعمل PSI»، بر جنبه‌های اقتصادی استفاده مجدد از اطلاعات تمرکز دارد و کشورهای عضو را تشویق می‌کند تا حد امکان اطلاعات بیشتری را برای استفاده مجدد در دسترس قرار دهند [15 ] . کمیسیون اروپا همچنین از ابتکار داده های باز حمایت می کند، که به این ایده اشاره دارد که مجموعه داده های ایجاد شده با حمایت بودجه عمومی باید آزادانه برای استفاده و به طور دقیق تر استفاده مجدد در دسترس باشند [20 ]]. کار کمیسیون بر تولید ارزش از طریق استفاده مجدد از نوع خاصی از داده ها متمرکز است – داده های بخش عمومی و داده های دولتی. حوزه دیگری که اخیراً مورد توجه صحنه سیاسی اروپا قرار گرفته است، مربوط به بهره برداری از داده های بزرگ [ 21 ] برای حمایت و تسریع انتقال به سمت اقتصاد مبتنی بر داده است. اقتصاد مبتنی بر داده، تحقیقات و نوآوری در داده ها را تحریک می کند و در عین حال منجر به فرصت های تجاری بیشتر و افزایش در دسترس بودن دانش و سرمایه، به ویژه برای SME ها، در سراسر اروپا می شود.
–
فعالیتهای استانداردسازی کنسرسیوم جهانی (W3C) [ 22 ] و کنسرسیوم فضایی باز (OGC) [ 23 ] که در ابتدای سال 2015 همکاری جدیدی را برای بهبود قابلیت همکاری و یکپارچگی GD در وب اعلام کردند. GD که موقعیت‌های جغرافیایی روی زمین و ویژگی‌های طبیعی و انسانی را توصیف می‌کند، خدمات مصرف‌کننده مبتنی بر مکان، نقشه‌های آنلاین، اخبار، تحقیقات علمی، مدیریت دولتی و بسیاری از برنامه‌های کاربردی دیگر را به‌طور قابل‌توجهی غنی می‌کند. استانداردهای OGC از راه حل های قابل همکاری برای Geo-Web، خدمات بی سیم و مبتنی بر مکان، و برنامه های کاربردی “فعالیت جغرافیایی” IT اصلی پشتیبانی می کنند. پل زدن سیستم های GIS و وب یک اثر شبکه ای ایجاد می کند که هر دو جهان را غنی می کند.
–
روند رو به افزایش نرم افزارهای آزاد و باز موجود می تواند به طور قابل توجهی فرآیندهای مدیریت GD را تسهیل کند. نرم افزار باز شاید شناخته شده ترین جنبه GIS باز باشد. در واقع، نرم افزار منبع باز یکی از نیروهای محرک روش شناختی در پشت پارادایم علم باز است [ 24 ].
–
روند کاهشی قیمت های بازار برای منابع سخت افزاری نیز می‌تواند به نفع سرمایه‌گذاری باشد: امروزه رایانه‌ای که برای استقرار یک گره GD در اینترنت از یک موسسه تحقیقاتی متوسط ​​کافی است، با هزینه کم قابل خریداری است.
اگر از یک سو، انتشار مجموعه‌های GD در وب، محصول موضوعی یا سری زمانی تک استاتیک، روز به روز بیشتر و بیشتر منتشر می‌شود، از سوی دیگر، موضوعات بسیار کمی بر مشکل ایجاد و انتشار فراداده GD متمرکز شده‌اند. . فراداده به عنوان اطلاعات توصیفی در مورد داده ها [ 25]، حاوی اطلاعاتی است که می تواند برای کشف داده های موجود مورد علاقه کاربران، درک محتوای معنایی داده ها، و در نتیجه تصمیم گیری در مورد تناسب داده ها برای استفاده مورد استفاده قرار گیرد. بنابراین، فراداده GD مکمل بسیار مهمی برای هر مجموعه و سری زمانی GD است، زیرا به عنوان مواد تبلیغاتی آن عمل می‌کند. کشف را می توان با پرس و جو در بخش های فرعی فراداده، مانند پوشش مکانی، موضوعی و زمانی، نحوه دسترسی به آن و حقوق مالکیت ممکن انجام داد. ابرداده استاندارد شده تضمین می کند که داده ها در مقیاس وسیع تری قابل کشف و استفاده مجدد خواهند بود و نه تنها برای اهداف داخلی پروژه. با این وجود، اهمیت ابرداده همیشه توسط ارائه دهندگان داده درک نمی شود، زیرا ایجاد ابرداده را به عنوان یک بار اضافی برای خود می دانند.

3. طراحی زیرساخت داده های مکانی

رویکرد ما برای انتشار GD و ایجاد ابرداده آنها در پروژه Space4Agri (S4A) طراحی شده است (وب سایت پروژه را می توان در [ 26 ] مشاهده کرد)، یک پروژه ایتالیایی که به طور مشترک توسط CNR (Consiglio Nazionale delle Ricerche) و منطقه لومباردی تامین مالی شده است. توسعه روش‌های نوآورانه برای ادغام محصولات رصد زمین (EO) در فعالیت‌های نظارتی برای بخش کشاورزی در لمباردی. هدف S4A پاسخگویی به نیازهای ناشی از سطح منطقه ای برای بخش کشاورزی و مواد غذایی برای حمایت از روش های کارآمد و موثر برنامه ریزی و مدیریت سیستم های کشت، تنش آبی و اثرات تغییرات آب و هوایی بر قلمرو است [27] .]. برای این هدف، یک SDI استاندارد OGC برای مدیریت اطلاعات مکانی و جریان اصلی تولید شده در پروژه از سه نوع منبع داده طراحی شد، یعنی:

  • فضا، به عنوان مثال ، سری زمانی تصاویر ماهواره ای چندطیفی برای نظارت بر شرایط محصول و رشد محصول.
  • aero، به عنوان مثال ، یک یا چند تصویر به دست آمده توسط هواپیماهای بدون سرنشین برای نظارت بر شرایط محصول در مقیاس محلی برای کاربردهای کشاورزی دقیق و/یا برای بررسی بیشتر شرایط غیرعادی شناسایی شده توسط تجزیه و تحلیل ماهواره ای. و
  • درجا ، یعنی سری‌های زمانی داده‌های خودکار ( به عنوان مثال ، ایستگاه‌های هواشناسی) و حسگرهای انسانی مانند مشاهدات دوره‌ای از اپراتورهای معتبر میدانی ( به عنوان مثال ، کشاورزان، کارشناسان منطقه لومباردی) یا داوطلبان ( به عنوان مثال ، شهروندان یا کشاورزان) مجهز به برنامه های هوشمند این داده‌های درجا به صورت پویا به GD رسمی مشتق‌شده از پایگاه‌داده زراعی منطقه لمباردی ” Sistema Informativo Agronomico Regione Lombardia ” (SIARL)، [ 27 ] و پایگاه‌داده کاداستر متصل می‌شوند.
مجموعه‌ها و سری‌های زمانی GD که توسط این سه منبع به‌علاوه منابع رسمی ایجاد شده‌اند، در یک معماری غیرمتمرکز توزیع‌شده نشان‌داده‌شده در شکل 1 در اینترنت در معرض دید قرار می‌گیرند و به روشی یکپارچه و قابل تعامل توسط S4A SDI، که بر روی نرم‌افزار منبع باز پیاده‌سازی شده است، مدیریت می‌شوند.
PostgreSQL [ 28 ] توسعه یافته با PostGIS [ 29 ] یک پایگاه جغرافیایی منبع باز با یک مدل داده رابطه ای شی است که برای ذخیره تمام مجموعه های GD درجا و معتبر نصب شده است.
Geoserver [ 30 ] یک سرور وب GIS است که در وب سرورهای مجزا برای استقرار مجموعه‌های GD و سری‌های زمانی از سه منبع مجزا، فضا، هوا و درجا ، به روشی مقیاس‌پذیر نصب شده است . این پارتیشن در ماشین‌های متمایز امکان مدیریت کارآمد GD و سری‌های زمانی پروژه و موازی‌سازی جزئی فرآیندهای دسترسی به داده‌ها توسط ژئوپورتال‌های مشتریان OGC را می‌دهد که می‌توانند با سرویس‌های وب استاندارد OGC WMS، WMS-T و WFS تعامل داشته باشند. همانطور که GD پروژه افزایش می یابد و عملکرد دسترسی کاهش می یابد، نصب های جدید Geoserver می توانند راه اندازی شوند.
Geonetwork [ 31 ] برای ارائه تسهیلات کشف به مصرف کنندگان علاقه مند به کاوش در مجموعه داده های S4A GD و سری های زمانی موجود از طریق سرویس کاتالوگ استفاده می شود که تمام ابرداده های مجموعه ها و سری های زمانی GD را مدیریت می کند. همانطور که در بخش بعدی توضیح داده خواهد شد، یک فرآیند نیمه خودکار برای ایجاد فراداده GD طراحی و توسعه یافته است.
در نهایت، حتی اگر اصولاً دسترسی به مجموعه‌ها و سری‌های زمانی S4A GD توسط هر ژئوپورتال مشتری استاندارد OGC مانند GIS منبع باز (QGIS [32] ) انجام شود ، در پروژه S4A، یک ژئوپورتال اصلی توسعه داده شده است که می تواند نقشه وب هدایت شده و شخصی سازی شده و تسهیلات تحلیل فضایی پیچیده را که برای برآوردن و سهولت موارد استفاده خاص تعریف شده است، ارائه دهد. این اجازه می دهد تا تنظیمات شخصی کاربر را برای لایه های GD و سری های زمانی معین، و یک جعبه مرزی شخصی از ناحیه مورد نظر ذخیره کنید. علاوه بر این، علاوه بر توابع اصلی نگاشت برای مشاهده لایه های GD بازیابی شده در حالت همپوشانی، قابلیت های اضافی را برای موارد زیر فراهم می کند:

  • فهرست کردن خودکار همه DG موجود و سری های زمانی منتشر شده به موقع در SDI بدون نیاز به دسترسی به کاتالوگ برای بازیابی آنها.
  • کاوش فضایی لایه‌های فعال GD و سری‌های زمانی مانند توانایی جستجوی فضایی لایه‌های فعال چندمنبعی و ناهمگن با یک پرس‌وجو.
  • تجزیه و تحلیل و تولید نمودارهای روند سری زمانی GD در زمان و مکان به طوری که بتوان ناهنجاری ها و همبستگی های محلی را با سایر GD چند منبعی ناهمگون افزایش داد. و
  • انجام کشف مجموعه‌ها و سری‌های زمانی S4A GD برای درک معنایی و کیفیت آنها از طریق پیوند به سرویس کاتالوگ جغرافیایی.

4. اجزای SDI

4.1. مجموعه‌های GD و سری‌های زمانی

محصولات EO GD در فرمت شطرنجی با وضوح مکانی و زمانی متمایز برگرفته از حسگرهای نوری ماهواره ای متمایز، مانند NASA-MODIS (طیف رادیومتر تصویربرداری با وضوح متوسط) – بازدید مجدد روزانه و اندازه پیکسل 250 متر – و Landsat-OLI (تصویرگر زمین عملیاتی) هستند. و Landsat-TM (Thematic Mapper) – 16 روز بازدید مجدد و اندازه پیکسل 30 متر – محصولات EO شامل سری های زمانی برای دوره زمانی 2003 (2014) تا 2015 برای تصاویر MODIS (Landsat) از شاخص های گیاهی مفید برای فعالیت های نظارت بر محصول هستند: شاخص گیاهی تفاوت نرمال شده (NDVI؛ [ 33 ])، شاخص گیاهی تقویت شده (EVI؛ [ 34 ])، شاخص نسبت سبز قرمز (RGRI؛ [ 35 ])، و شاخص سیل تفاوت عادی شده (NDFI؛ [ 36]]).
داده‌های معتبر GD در قالب برداری هستند و شامل نقشه‌های رسمی کاداستر از بسته‌های املاک مزرعه و اطلاعات زراعی مرتبط هستند، به عنوان مثال ، نوع محصول بر اساس اظهارات کشاورز و به‌طور خودکار از پایگاه داده منطقه لمباردی (SIARL) برای سال‌های قبل از فصل جاری مشتق شده‌اند.
داده های GD درجا در قالب برداری، در واقع، متشکل از VGI، توسط کشاورزان متخصص، محققان و کشاورزان درگیر در پروژه با استفاده از برنامه هوشمند S4A نصب شده بر روی دستگاه های تلفن همراه آندروید آنها ایجاد شده است (شکل 2 کار را نشان می دهد . جریان داده های ایجاد شده توسط برنامه هوشمند S4A).

4.2. برنامه هوشمند برای ایجاد گزارش های VGI

برنامه هوشمند با داشتن مفاهیم طراحی زیر به عنوان سنگ بنا اجرا شده است [ 37 ]:

  • امکان پشتیبانی عادی سازی داده ها و قابلیت همکاری معنایی با ارائه یک هستی شناسی دامنه به کاربر به منظور سهولت ایجاد مشاهدات و تفسیر محتوا توسط ذینفعان بالقوه. کاربر می‌تواند اشیاء مشاهده‌شده را با انتخاب برچسب‌ها از مجموعه‌ای از دسته‌ها و زیرمجموعه‌های از پیش تعریف‌شده توصیف کند که معنای آن‌ها در قالب یک توصیف متنی و یک نمونه اولیه بصری ارائه می‌شود، مانند تصویری از یک شی که مقوله را نشان می‌دهد.
  • استقرار وب استاندارد OGC از VGI ایجاد شده و فراداده های متناظر به گونه ای که بتوان آن را از طریق پرس و جوهای محتوا کشف کرد و آن را با سایر اطلاعات جغرافیایی ارجاع شده از منابع دیگر و با قالب و معنایی متمایز مرتبط کرد.
  • حل عدم دقت هندسی ردپای VGI با استفاده از تکنیک‌های اختلاط جغرافیایی مرجع، به گونه‌ای که با ادغام موارد VGI ایجاد شده در مرز یا نزدیک به مرز همان موجودیت‌های مورد علاقه، افزونگی و ناسازگاری‌ها را از بین ببرد.
برنامه هوشمند پیاده‌سازی شده برای پروژه S4A بر روی دستگاه‌های تلفن همراه اندروید اجرا می‌شود و می‌توان آن را به صورت رایگان از فروشگاه Google Play دانلود کرد. داده‌های درجا ایجاد شده توسط برنامه هوشمند شامل مشاهدات در زمین در مورد شیوه‌های کشاورزی و فنولوژی محصول است و شامل متون رایگان جغرافیایی با عکس‌های مرتبط و اطلاعات طبقه‌بندی شده در مورد نوع محصول با تاریخ کاشت مرتبط و مراحل فنولوژیکی است. ، و شیوه های کشاورزی. هر قطعه در محلاطلاعات با اطلاعات متنی مربوط به سازنده، مهر زمانی ایجاد، و یک ردپای جغرافیایی دوگانه مرتبط است: یک مرجع جغرافیایی شامل مختصات جغرافیایی شناسایی شده توسط GPS دستگاه تلفن همراه، که احتمالاً به صورت دستی توسط سازنده تصحیح می شود (گزینه ای که به اپراتور اجازه می دهد تا مشخص کنید که آیا مشاهدات او مربوط به میدانی است که با محل فعلی او متفاوت است یا خیر)، و شناسه منحصر به فرد نزدیکترین میدان زراعی کاداستر در لایه برداری بسته های کاداستری. این برنامه می تواند به صورت محلی اطلاعات ایجاد شده را هنگامی که اتصال اینترنت در دسترس نیست ذخیره کند و بعداً می توان داده ها را مشاهده، اصلاح، حذف یا به SDI ارسال کرد. این داده های درجا در پایگاه داده های جغرافیایی سازماندهی شده اند که طرحواره آن در شکل 3 نشان داده شده است.. توجه داشته باشید که کاربرانی که مشاهدات درجا ایجاد می‌کنند به نقش‌ها، کشاورزان، محققان یا اپراتورهای متمایز تعلق دارند. دسته بندی انواع محصولات با مراحل و مراحل فنولوژیکی آنها از یک هستی شناسی زراعی سلسله مراتبی (معروف به هستی شناسی BBCH [ 38 ]) انتخاب می شوند، که برای پشتیبانی از هر دو اپراتور در ایجاد داده های نرمال شده و تفسیر آنها توسط ذینفعان عمل می کند. همه مشاهداتی که مختصات جغرافیایی آنها شامل یا در نزدیکی مرزهای همان قطعه کاداستر زراعی است، با هم ترکیب می شوند. این اجازه می دهد تا ابهامات مربوط به مکان یابی GPS را برطرف کنید و در نتیجه موارد اضافی و ناسازگاری را حذف کنید.

4.3. خدمات SDI برای مجموعه های GD، سری های زمانی و Metatada Web Deploy

تمام مجموعه‌های GD (سری‌های استاتیک یا زمانی) و گزارش‌های VGI که ​​در بخش‌های قبلی توضیح داده شد، ورودی گردش کار برای استقرار وب آنها را تشکیل می‌دهند. روش انتشار مجموعه ها و سری های زمانی GD و تولید ابرداده مربوطه به صورت شماتیک در شکل 4 نشان داده شده است .
مجموعه داده‌های سنجش از دور در یک ساختار داده‌های سیستم فایل در NAS ذخیره می‌شوند، که در پوشه‌های موضوعی سازمان‌دهی شده‌اند، با در نظر گرفتن معنای معنایی محصولات که توسط کارشناسان سنجش از دور که آنها را ایجاد کرده‌اند بیان می‌شوند. هر پوشه یک موضوع یا دسته است که به طور منحصر به فرد یک مجموعه داده را در کل گردش کار شناسایی می کند. این ساختار پوشه موضوعی بر اساس دانش دامنه ارائه دهندگان داده تعریف شده است به طوری که هر پوشه را می توان با GD با یک دسته بندی و قالب مشترک پر کرد، به طوری که قرارداد نامگذاری پوشه ها و فایل های مجموعه داده ها امکان شناسایی یکسان اطلاعات معنایی داده ها را فراهم می کند. موجود است. علاوه بر این، هر پوشه حاوی یک رکورد فراداده جامع است که به صورت دستی، یکبار برای همیشه، برای هر دسته داده مطابق با مقررات فراداده INSPIRE و پسوند ایتالیایی آن ایجاد شده است.39 ]. فراداده جامع با بهره‌برداری از دانش زمینه‌ای ارائه‌دهنده و سازمان GD از نظر معنایی غنی می‌شود. فرآیند انتشار هر بار که یک GD جدید در یک پوشه قرار می‌گیرد اجرا می‌شود و ذخیره داده‌های مربوطه و لایه مربوطه را در سرور وب GIS هدف در یک فضای کاری از پیش تعریف‌شده ایجاد می‌کند. هر فضای کاری مجموعه داده را از طریق سرویس های داده موجود (به عنوان مثال، OGC WMS یا OGC WFS) در وب مستقر می کند. علاوه بر این، شکاف بین داده ها و ابرداده ها در طول کار برداشت، زمانی که هر لایه جدید با ابرداده خود تکمیل می شود، پر می شود. ابرداده ها به طور خودکار از سند قابلیت های سرویس [ 40 ] مطابق با مشخصات رایج وب سرویس [ 41] استخراج می شوند.] و با اطلاعات الگوی فراداده جامع تعریف شده برای هر موضوع داده گسترش یافته است.
تا آنجا که داده‌های درجا و داده‌های معتبر، هر بار که یک مشاهده جدید توسط برنامه S4A ارسال می‌شود و در پایگاه داده‌های جغرافیایی ذخیره می‌شود یا زمانی که پایگاه داده SIARL یک بار در سال به‌روزرسانی می‌شود، فرآیند استقرار آنها اجرا می‌شود. چندین نما از پایه GD به طور خودکار به عنوان لایه های جداگانه GD مستقر می شوند: برخی از این نماها اطلاعات GD درجا را با اطلاعات معتبر از SIARL ترکیب می کنند، مانند لایه نمایش داده شده در شکل 5 که مشاهده درجا برش را با رنگ های متمایز نشان می دهد. نوع، همانطور که در پایه GD ذخیره می شود، به هر بسته زراعی اختصاص داده شده است.

4.3.1. انتشار تصاویر سنجش از راه دور

همانطور که در بخش 4.1 بیان شد ، محصولات داده به دست آمده از تصاویر سنجش از راه دور ( به عنوان مثال ، شاخص های گیاهی) در پوشه های داده ایجاد شده در سرور NAS موسسه IREA-CNR ذخیره می شوند. گردش‌های کاری انتشار با استفاده از GeoBatch که یک برنامه منبع باز است که برای پردازش و انتشار GD در زمان واقعی استفاده می‌شود، پیاده‌سازی شد. 41]]. این برنامه یک سیستم پردازش دسته ای آگاه GD مبتنی بر رویداد را برای تسهیل توسعه، استقرار و مدیریت مشاغل در جریان های GD ارائه می دهد. یک کار دسته ای توسط یک فایل پیکربندی XML کدگذاری می شود که از این به بعد جریان نامیده می شود. هر جریان از سه بخش تشکیل شده است: یک بخش توصیفی، یک بخش نظارت و تشخیص جریان های داده از فایل های خاص در یک جریان، و بخش توضیح و انتشار نهایی آن. جریان های جداگانه برای هر پوشه داده حاوی مجموعه داده های محصولات تصویر سنجش از دور، که مجموعه داده های شطرنجی هستند، ایجاد شد. رویدادها برای شرح دادن و انتشار فایل های داده پیکربندی شدند تا در هر فایل با پسوند TIF زمانی که در یک پوشه داده از پیش تعریف شده قرار می گیرند، اعمال شوند. این تضمین می کند که هر بار یک مجموعه داده جدید، به عنوان مثال، EVI، تولید می شود (بسته به زمان بازبینی مجدد سنسور منبع ماهواره و شرایط بدون ابر)، تولید کننده داده فایل خود را در یک پوشه داده/موضوع از پیش تعریف شده قرار می دهد. سپس، مجموعه داده بر روی یک سرور وب GIS منتشر می شود. هر فایل شطرنجی به عنوان یک لایه داده شطرنجی جداگانه GeoTIFF (فرمت فایل تصویر برچسب‌گذاری شده با GD) منتشر می‌شود که در پیکربندی منبع داده GeoServer موجود است. علاوه بر این، برای هر موضوع داده مربوطه، هر بار که مجموعه داده جدیدی در GeoServer منتشر می‌شود، یک ذخیره‌سازی داده‌های موزاییک تصویر سری زمانی ایجاد و به روز می‌شود. با چنین تنظیماتی، تصاویر را می توان به عنوان لایه های جداگانه WMS منتشر شده برای هر مجموعه داده یا به عنوان یک لایه سری زمانی مشترک، که می تواند با پارامتر TIME برای نمایش تصاویر یک تاریخ خاص مورد جستجو قرار گیرد، استفاده شود (نگاه کنید به مجموعه داده بر روی یک سرور وب GIS منتشر می شود. هر فایل شطرنجی به عنوان یک لایه داده شطرنجی جداگانه GeoTIFF (فرمت فایل تصویر برچسب‌گذاری شده با GD) منتشر می‌شود که در پیکربندی منبع داده GeoServer موجود است. علاوه بر این، برای هر موضوع داده مربوطه، هر بار که مجموعه داده جدیدی در GeoServer منتشر می‌شود، یک ذخیره‌سازی داده‌های موزاییک تصویر سری زمانی ایجاد و به روز می‌شود. با چنین تنظیماتی، تصاویر را می توان به عنوان لایه های جداگانه WMS منتشر شده برای هر مجموعه داده یا به عنوان یک لایه سری زمانی مشترک، که می تواند با پارامتر TIME برای نمایش تصاویر یک تاریخ خاص مورد جستجو قرار گیرد، استفاده شود (نگاه کنید به مجموعه داده بر روی یک سرور وب GIS منتشر می شود. هر فایل شطرنجی به عنوان یک لایه داده شطرنجی جداگانه GeoTIFF (فرمت فایل تصویر برچسب‌گذاری شده با GD) منتشر می‌شود که در پیکربندی منبع داده GeoServer موجود است. علاوه بر این، برای هر موضوع داده مربوطه، هر بار که مجموعه داده جدیدی در GeoServer منتشر می‌شود، یک ذخیره‌سازی داده‌های موزاییک تصویر سری زمانی ایجاد و به روز می‌شود. با چنین تنظیماتی، تصاویر را می توان به عنوان لایه های جداگانه WMS منتشر شده برای هر مجموعه داده یا به عنوان یک لایه سری زمانی مشترک، که می تواند با پارامتر TIME برای نمایش تصاویر یک تاریخ خاص مورد جستجو قرار گیرد، استفاده شود (نگاه کنید به هر بار که یک مجموعه داده جدید در GeoServer منتشر می شود، یک فروشگاه داده های موزاییک تصویر سری زمانی ایجاد و به روز می شود. با چنین تنظیماتی، تصاویر را می توان به عنوان لایه های جداگانه WMS منتشر شده برای هر مجموعه داده یا به عنوان یک لایه سری زمانی مشترک، که می تواند با پارامتر TIME برای نمایش تصاویر یک تاریخ خاص مورد جستجو قرار گیرد، استفاده شود (نگاه کنید به هر بار که یک مجموعه داده جدید در GeoServer منتشر می شود، یک فروشگاه داده های موزاییک تصویر سری زمانی ایجاد و به روز می شود. با چنین تنظیماتی، تصاویر را می توان به عنوان لایه های جداگانه WMS منتشر شده برای هر مجموعه داده یا به عنوان یک لایه سری زمانی مشترک، که می تواند با پارامتر TIME برای نمایش تصاویر یک تاریخ خاص مورد جستجو قرار گیرد، استفاده شود (نگاه کنید بهشکل 6 ).

4.3.2. انتشار مشاهدات درجا

چهار مجموعه داده برداری موضوعی اساسی ایجاد شده توسط اپراتورهای میدانی با استفاده از برنامه هوشمند S4A از طریق GeoServer به صورت WMS و WFS به صورت خودکار به شرح زیر بر روی وب منتشر می شوند (شکل 7 را ببینید): گونه شناسی محصول ( شکل 7 ب )، روش های کشاورزی ( شکل) 7 ج)، مراحل فنولوژیکی محصول و مشاهدات متن آزاد با عکس مرتبط ( شکل 7 د).
هر مشاهده در یک مجموعه داده موضوعی تجمیع می‌شود و داده‌های جمع‌آوری‌شده به یک بسته کاداستر زراعی بر اساس روابط فضایی اختصاص می‌یابد. این فرآیند در مراحل پس از پردازش و بررسی کیفیت انجام می شود.

4.3.3. انتشار داده های معتبر از پایگاه داده های کشاورزی منطقه ای

GD در مورد اظهارات کشاورزی کشاورزان به مقامات منطقه ای لومباردی در پایگاه داده SIARL به عنوان داده های الفبایی مرتبط با بسته های کاداستر جمع آوری می شود. زیر مجموعه ای از بسته های کاداستر طبقه بندی نشده (بدون اطلاعات حساس مزرعه) در قالب ESRI SHP [ 42] ارائه شده است.] برای مناطق مورد علاقه مرتبط (واحدهای شهرداری) که باید توسط S4A SDI در وب منتشر شود. این نوع اطلاعات سالانه ارائه می شود و نشان دهنده نوع محصولات کشت شده در پاکت های کشاورزی برای فصل زراعی قبلی است. در چارچوب تحلیل سیستم پایش فصلی، این اطلاعات ثابت است. داده ها به عنوان دو مجموعه داده با تعریف جغرافیایی و هندسی یکسان در S4A SDI ادغام می شوند. مجموعه داده اول 1:1 اطلاعات موجود در پایگاه داده کشاورزی منطقه ای را نشان می دهد و مجموعه داده دوم اطلاعات درجا را جمع می کند.داده های جمع آوری شده توسط برنامه S4A: توضیحات کلی، نوع محصول، تنوع، تاریخ کاشت، عمل کشاورزی، تاریخ مشاهده عمل کشاورزی، مرحله فنولوژیکی (رمزگذاری شده بر اساس طبقه بندی معروف به BBCH)، و تاریخ تعریف BBCH ( شکل 8 ). علاوه بر این، یک ویرایشگر وب پیوند، که برای ارائه رابط برای تأیید و تصحیح داده‌های جمع‌آوری‌شده توسط برنامه هوشمند S4A ایجاد شده است، در اختیار کاربران مجاز قرار می‌گیرد. علاوه بر این، نقشه‌های موضوعی خارجی (ET)، مانند نقشه‌های پس‌زمینه پروژه OpenStreetMap [ 43 ] نیز می‌توانند به اشتراک گذاشته شوند، همانطور که در شکل 4 نشان داده شده است .

4.3.4. انتشار فراداده

یکی از اجزای بسیار مهم کار برداشت که برای تولید فراداده مجموعه داده، سری و سرویس برای موضوع داده مربوطه هر پروژه اعمال می‌شود، یک رکورد فراداده جامع شامل تمام اطلاعات مورد نیاز توسط مقررات فراداده INSPIRE و گسترش ایتالیایی آن بود. ویرایشگر Metadata Edi، توسعه یافته در پروژه Ritmare [ 39 ]، برای ارائه یک رابط آسان و قابل دسترسی به وب برای ایجاد رکورد فراداده جامع برای هر موضوع داده استفاده شد. اطلاعات به عنوان چکیده، کلمات کلیدی از واژگان کنترل شده مرتبط (موضوع ISPIRE، GCMD، کلمات کلیدی علوم زمین، و غیره) .، کلمات کلیدی رایگان، دسته موضوع، فراوانی به روز رسانی، اطلاعات اضافی، محدودیت در داده ها، اصل و نسب و مسئول چندین نقش (خالق، نقطه تماس و توزیع کننده) توسط محققانی که مجموعه داده ها را تولید می کنند، ارائه شده است. رکوردهای فراداده به دست آمده برای توسعه تبدیل‌های زبان صفحه سبک توسعه‌پذیر سفارشی (XSL) مورد استفاده قرار گرفت تا در طول وظایف برداشت که توسط سرویس کاتالوگ GeoNetwork اجرا می‌شود، اعمال شود.
بسته GeoNetwork جمع آوری سوابق ابرداده را امکان پذیر می کند که منجر به ایجاد خودکار ابرداده از یک گره راه دور می شود، که می تواند نقطه پایانی قابلیت های سرویس OGC باشد. در واقع، برداشت فرآیند جمع آوری ابرداده از راه دور و ذخیره آنها به صورت محلی برای دسترسی و بازیابی سریعتر است. برداشت یک عملیات واردات ساده نیست: ابرداده های محلی و راه دور به صورت دوره ای در یک راستا نگه داشته می شوند. گره GeoNetwork قادر به کشف ابرداده هایی است که در گره راه دور اضافه، حذف یا به روز شده اند. به طور معمول، زمانی که GeoNetwork یک وظیفه برداشت را در نقاط انتهایی OGC از راه دور اجرا می کند، به عنوان مثال، OGC WMS، به اصطلاح متادیتا crosswalk [ 9] را اجرا می کند.]، به عنوان یک تبدیل XSL پیاده سازی شده است. نصب GeoNetwork به طور پیش‌فرض یک فایل XSL عمومی را برای سرویس وب OGC از نوع پشتیبانی شده یکپارچه می‌کند و بر اساس معیار تطبیق، مجموعه‌ای از تبدیل‌های خاص XSL را برای ایجاد رکوردهای ابرداده برای خود سرویس و مجموعه داده‌ها (در صورت پیکربندی برای انجام این کار) اعمال می‌کند. بسته به نوع سرویس پیکربندی شده برای کار برداشت، یک الگوی خاص XSL پردازش می شود. ما فایل‌های XSL را سفارشی کردیم و همچنین فایل‌های جدیدی ایجاد کردیم تا بتوانیم ابرداده خودکار را برای مضامین داده‌ای جداگانه اعمال کنیم. شناسه اصلی موضوع داده (به عنوان مثال، APP، EVI، NDVI، و غیره.) به عنوان یک متغیر مورد استفاده قرار می گیرد تا تصمیم بگیرد کدام مجموعه از الگوها باید اعمال شوند. به عنوان مثال، قطعه فایل XSL اصلی، که به عنوان روتر برای تولید خودکار ابرداده مجموعه داده برای مضامین NDVI عمل می کند، در جدول 2 نمایش داده شده است . بر اساس قرارداد اختصاری توافق شده، یک پردازنده XSLT که در کاتالوگ GeoNetwork پیاده سازی شده است، عبارت XPath را ارزیابی می کند و در صورت رضایت، الگوهای XSL مربوطه (تعریف شده توسط ویژگی حالت) به موضوع داده منطبق اعمال می شود. اگر هیچ یک از عبارات XPath برآورده نشد، الگوهای پیش‌فرض GeoNetwork XSL برای تولید ابرداده اعمال می‌شوند.
نصب GeoNetwork همراه با یک سرور DBMS داخلی، پایگاه داده McKoi SQL است. با این حال، قابلیت اتصال به پایگاه داده های دیگر از جمله Oracle، PostgreSQL و MySQL را دارد. GeoNetwork رکوردهای فراداده را در قالب XML ذخیره می کند. کل رشته XML فراداده در یک ستون پایگاه داده واحد [ 44 ] ذخیره می شود. ما از PostgreSQL با پسوند PostGIS به منظور ذخیره نمایه های فضایی به طور مستقیم در پایگاه داده به منظور بهبود عملکرد جستجو استفاده کردیم.
GeoNetwork از موتور فهرست Lucene استفاده می‌کند، که یک کتابخانه بازیابی اطلاعات است که به زبان جاوا نوشته شده است و با کارایی بالا و مقیاس‌بندی آسان، می‌تواند به راحتی قابلیت‌های جستجو و نمایه‌سازی را به برنامه‌ها اضافه کند [45 ] . پیکربندی Lucene از طریق فایل‌های پیکربندی XML انجام می‌شود و چندین گزینه برای سفارشی‌سازی قابلیت‌های جستجو فراهم می‌کند که کاربران نهایی ممکن است از ابرداده‌های ذخیره شده در کاتالوگ بپرسند. فیلدهای جستجو را می توان به گونه ای پیکربندی کرد که به طور جداگانه ایندکس شوند و برای فیلتر کردن و همچنین برای بازیابی و نمایش سوابق فراداده منطبق در لیست نتایج استفاده شوند. شاخص های لوسن همچنین در تعریف نقاط پایانی CSW مجازی برای فیلتر کردن ابرداده های ارائه شده توسط یک نقطه پایانی خاص استفاده می شود.

4.4. نقاط دسترسی کشف و تحلیل SDI

کاربر یا ذینفع دارای دو نقطه دسترسی مجزا برای تجسم و تجزیه و تحلیل GD است:

  • سرویس کاتالوگ GeoNetwork که امکان کشف GD مورد علاقه را با مشخص کردن پرس و جوها برای بازیابی فراداده و در نتیجه GD گزارشگر می دهد (سرویس کاتالوگ جغرافیایی S4A در [ 46 ] موجود است).
  • ژئوپورتال قابل تنظیم پروژه S4A که به طور خودکار فهرستی از تمام لایه‌های GD و سری‌های زمانی موجود را در منوی ارائه می‌کند که کاربر می‌تواند از آن پرس‌وجوهای زمانی مکانی را انتخاب کرده و انجام دهد (سرویس کاتالوگ جغرافیایی S4A در [47] موجود است ) .

4.4.1. نقطه دسترسی خدمات کاتالوگ

چندین نسخه از رابط کاربری گرافیکی سرویس کاتالوگ GeoNetwork در دسترس کاربران نهایی قرار گرفته است که سطوح متفاوتی از تعامل را امکان پذیر می کند. در ساده ترین مورد، کاربر نهایی می تواند یک پرس و جو را با یک کلمه کلیدی رایگان مشخص کند و در پیشرفته ترین مورد، کاربران می توانند کلمات کلیدی کنترل شده را در زمینه های فوق داده خاص مشخص کنند. علاوه بر این، ابرداده های منتشر شده توسط ابزارهای خارجی از طریق یک رابط برنامه نویسی کاربردی تعریف شده توسط استاندارد OGC CSW [ 40 ] قابل کشف هستند.
در کاتالوگ S4A GeoNetwork، رکوردهای فراداده بر اساس موضوع داده (NDVI، EVI، APP و غیره ) و نوع منبع (مجموعه داده، سری یا سرویس) به دسته‌هایی تقسیم می‌شوند. وظایف برداشت برای پرچم‌گذاری هر رکورد فراداده تولید شده با نوع دسته مرتبط تنظیم شده‌اند. چنین پیکربندی به کاربران نهایی اجازه می دهد تا ابرداده ها را بر اساس دسته بندی همراه با متن رایگان و سایر اپراتورهای جستجوی پیشرفته مرور کنند. نمونه ای از فرآیند کشف انجام شده در کاتالوگ GeoNetwork با استفاده از عملگرهای جستجوی پیشرفته در شکل 9 نمایش داده شده است .
به عنوان مثال، با پرس و جو از سرویس کاتالوگ با کلمه کلیدی “NDVI” تعداد مجموعه داده ها (343)، سری (8) و خدمات (1) موجود برای موضوع داده NDVI_MODIS به عنوان نتیجه به دست می آید. گستره زمانی داده ها 2011-2015 است و وسعت معنایی با مجموعه ای از کلمات کلیدی آزاد یا منشأ گرفته از واژگان کنترل شده نشان داده می شود. علاوه بر این، هر مجموعه داده و سری توسط فیلدهای فراداده INSPIRE به عنوان اصل و نسب، شرایط و محدودیت در دسترسی و استفاده، اطلاعات فنی مانند فرکانس به‌روزرسانی، فرمت، دقت موقعیت و غیره توصیف می‌شود .
فرآیند به‌روزرسانی ابرداده‌های ذخیره‌شده در کاتالوگ S4A با اجرای دوره‌ای وظایف برداشت تعریف‌شده برای هر سرویس WMS که بر روی مجموعه‌های داده برای مضامین داده‌های فردی کار می‌کند، تضمین می‌شود. در حال حاضر پیکربندی وظایف برداشت را هر روز، یکی پس از دیگری، از نیمه شب شروع می‌کند و هر نیم ساعت کار بعدی را اجرا می‌کند.

4.4.2. نقطه دسترسی ژئوپورتال قابل تنظیم

ژئوپورتال قابل تنظیم S4A به گونه ای طراحی شده است که هم برای اپراتورهای منطقه ای و هم کشاورزان محلی مناسب باشد و داده های مختلف GD ارائه شده است. اپراتور منطقه ای مسئول نظارت بر محصول نیاز به تجزیه و تحلیل سری های زمانی شاخص های سنجش از دور (به عنوان مثال، NDVI) در مناطق خاص زراعی در ارتباط با اعلامیه های کشاورزان، موجود در پایگاه داده SIARL، و مشاهدات درجا ایجاد شده توسط اپراتورهای مزرعه دارد . برعکس، کشاورزان عمدتاً علاقه مند به تجزیه و تحلیل اطلاعات مربوط به املاک خود یا مزارع مجاور هستند تا از رشد نامتجانس احتمالی محصولات در میان مزارع یا ناهنجاری های فضایی در شاخص های مزرعه و همچنین شناسایی موقعیت هجوم احتمالی اشاره شده توسط. سایر کشاورزان / اپراتور مزرعه در مزارع نزدیک.
ژئوپورتال S4A، اگرچه دسترسی آزاد است، بنابراین نیازی به ثبت نام ندارد، اما امکان ثبت نام به منظور داشتن مشخصات شخصی مرتبط، دسترسی شخصی و امکانات تجسم را فراهم می کند. علاوه بر کاربران ثبت شده مشترک، نقش‌های خاصی می‌توانند برای دسترسی و تجزیه و تحلیل اطلاعات محدود شده و انجام عملیات خاص مجاز باشند.
نوآوری های اصلی ژئوپورتال عبارتند از اجرای کارآمد سرویس های وب استاندارد، امکانات هوشمند و موثر پرس و جو/پاسخ و امکانات سفارشی سازی آن.
ژئوپورتال S4A دسترسی سریع و خودکار به تمام سری‌های GD و زمانی را که توسط هر گره نقطه پایانی ارائه شده ارائه می‌شود، امکان‌پذیر می‌سازد و مجموعه‌های GD و سری‌های زمانی را به ترتیبی که بستگی به ترجیحات کاربر دارد و احتمالاً در نمایه کاربر ذخیره می‌شود، ارائه می‌کند. این سیستم اجازه می دهد تا نقاط پایانی دیگری را اضافه کند که خدمات وب استاندارد OGC را ارائه می دهد و مجموعه داده های GD را باز می کند که می توان به صورت متنی تجزیه و تحلیل کرد. کارایی درخواست‌ها با ذخیره کردن اطلاعات حاصل از قابلیت‌های دریافت که توسط گره‌های نقطه پایانی بازگردانده می‌شوند در یک پایگاه داده در سمت سرور به دست می‌آید.
تا آنجا که امکانات سفارشی‌سازی، کاربر می‌تواند برای شخصی‌سازی فهرست لایه‌های فعال و سبک تجسم آن‌ها، اطلاعات را در پروفایل کاربر ثبت و ذخیره کند. کاربر می تواند نقشه پس زمینه ترجیحی و لایه های فعال پیش فرض را برای تجسم در هر اتصال ذخیره کند. او همچنین می تواند منطقه جغرافیایی را برای تجسم در هر اتصال با تنظیم کادر محدود شخصی انتخاب کند. این تنظیمات برگزیده برای اتصالات بعدی به ژئوپورتال با اعتبار همان کاربر و تا زمانی که تغییر جدیدی رخ دهد، فعال باقی خواهند ماند.
امکانات پرس و جو/پاسخ با سهولت تعامل برای تجزیه و تحلیل داده های مرتبط با لایه های فعال مرتبط است. آنها با استفاده از خدمات وب OGC به عنوان WMS، WMS-T و WFS ارزیابی می شوند. عملکرد WMS-T برای مدیریت پرس و جوهای مکانی-زمانی استفاده می شود که به عنوان پاسخ، نمایش نموداری از تغییرات زمانی برخی پارامترها/شاخص ها، مانند شاخص های پوشش گیاهی (به عنوان مثال، NDVI)، در نقاط خاص منطقه جغرافیایی نمایش داده شده را ارائه می کند. شکل 10 را ببینید ) یا به طور میانگین در یک منطقه زراعی در یک بازه زمانی زمانی دلخواه محاسبه شود.
فقط با یک کلیک ماوس بر روی یک موقعیت در صفحه تجسم نقشه ها، کاربر می تواند پرس و جوهای چند نقطه ای را برای همه لایه های فعال روی هم به صورت شفاف انجام دهد، بدون اینکه نیازی به زحمت در مورد قالب لایه های منفرد باشد، که می تواند شامل هر دو باشد. لایه های برداری و شطرنجی و سری های زمانی. بسته به دانش فرمت لایه (رستر یا بردار)، که به عنوان ویژگی توسط درخواست “get capability” برگردانده می شود، پرس و جو نقطه ای توسط تجزیه کننده geoportal به یک WMS، یک WMS-T یا یک درخواست WFS ترجمه می شود. درخواست WFS با ارائه مکان دقیق انتخاب شده توسط کاربر به عنوان پارامتر به لایه های برداری ارسال می شود: گنجاندن فضایی مختصات جغرافیایی متناظر با این مکان دقیق در داخل مرزهای اشیاء در لایه‌های برداری ارزیابی می‌شود و مقادیر مشخصه مرتبط با شی که شامل گنجاندن را برآورده می‌کند، بازیابی می‌شود. در مورد لایه شطرنجی و سری های زمانی، مکان دقیق انتخاب شده یک پیکسل در تصویر یا سری زمانی تصاویر را مشخص می کند که به کاربر اجازه می دهد مقادیر پیکسل را بازیابی کند. ژئوپورتال مقادیر پیکسل موقعیت های انتخاب شده را برای لایه های شطرنجی و جدول ویژگی های چند ضلعی حاوی موقعیت انتخاب شده برای لایه های برداری را برمی گرداند. به این ترتیب، می توان به صورت متناوب اطلاعات ناهمگن چند منبعی را تحلیل کرد: به عنوان مثال، اپراتور اداره زراعی منطقه لمباردی (DG AGRI یا آژانس های منطقه ای مانند ERSAF یا ARPA) می تواند اطلاعات مربوط به نوع محصول مرتبط با بسته کاداستری حاوی موقعیت انتخابی را با استفاده از برنامه هوشمند بازیابی کند و آن را با مزرعه دار اعتبار سنجی متقابل کند. اعلامیه های پایگاه داده معتبر SIARL. دانش ارائه شده توسط برچسب مرحله فنولوژیکی محصول، همچنین با استفاده از برنامه هوشمند همراه با تجزیه و تحلیل مقدار NDVI در همان تاریخ، می تواند توسط محقق برای استخراج امضای NDVI محصول مورد استفاده قرار گیرد. وضعیت فنولوژیکی، که می تواند برای آموزش طبقه بندی کننده های خودکار مفید باشد [48 ].
یکی دیگر از امکانات پرس و جو/پاسخ ژئوپورتال، شناسایی خودکار اطلاعات متنی مرتبط اضافی برای یک لایه یا سری زمانی خاص است. به طور خاص، ژئوپورتال از دانش ارائه شده با ارسال درخواست ها به نقطه پایانی Web GIS، در مورد میانگین بلندمدت (LTA) مقادیر همان پارامتر ارائه شده در یک لایه پرس و جو برای غنی سازی پاسخ به کاربر، بهره برداری می کند. به عنوان مثال، اگر نمودار نمایش داده شده یک سری زمانی NDVI از داده های MODIS باشد، LTA را برای دوره موجود (2003-2013) به عنوان اطلاعات زمینه ای مرتبط کرده است. در چنین حالتی، هنگامی که سری زمانی در یک موقعیت انتخابی پرس و جو می شود، نتیجه به شکل یک نمودار گرافیکی گزارش می شود که تغییرات زمانی NDVI را نشان می دهد (خطوط آبی در شکل 10).) همراه با تغییرات زمانی LTA و انحرافات استاندارد همان پارامتر (خطوط نقطه چین سبز در شکل 10 ).
در نهایت، تا آنجا که فرآیندهای خودکار برنامه S4A هر بار که یک لایه جدید (به عنوان مثال، یک لایه NDVI) به یک سری زمانی اضافه می‌شود، فعال می‌شوند تا مقادیر لایه فعلی با LTA همان پارامتر مقایسه شود. نتیجه مقایسه یک نقشه “وضعیت” است که پیکسل هایی را که دارای مقدار پارامتر بسیار بالاتر (> 2 سیگما) و بسیار پایین تر از میانگین (<2 سیگما) از میانگین هستند، با رنگ های مختلف نشان می دهد که ممکن است به موارد استثنایی و استثنایی اشاره کند. ناهنجاری در رشد محصول

5. آثار مرتبط

مفهوم SDI در رابطه با داشتن یک استاندارد بین المللی برای به اشتراک گذاری و مبادله GD در سطوح جهانی، ملی و منطقه ای شروع به تعریف کرد. ال گور نیاز به SDI ها را برانگیخت که در آن زمین می تواند به عنوان یک سیاره با وضوح چند بعدی سه بعدی دیده شود، جغرافیایی برای تجسم اطلاعات اجتماعی و فیزیکی [ 5 ]. مروری بر وضعیت هنر در کشورهای توسعه یافته و در حال توسعه پذیرش و اجرای SDI در [ 3 ] گزارش شده است. به نظر می رسد که اکثر کشورهای اروپا و آمریکا نیازهای چشم انداز زمین دیجیتال سال 2020 را برآورده کرده اند، در حالی که مفهوم SDI با این ایده که شامل اشتراک گذاری ژئوسنسورها و داده های زمین مرجع تولید شده توسط انسان (VGI) نیز می شود، تغییر کرده است [49 ]]. در این رابطه، استاندارد Sensor Web Enablement (SWE) توسط OGC تعریف شده است تا قابلیت همکاری و رمزگذاری های ابرداده را امکان پذیر کند که امکان ادغام بلادرنگ شبکه های حسگر ناهمگن را در SDI ها فراهم می کند.
یکی از موضوعات اصلی در SDI مفهوم قابلیت همکاری است که هم به داده ها و هم به خدمات اشاره می کند. موضوع قابلیت همکاری داده ها به دلیل ماهیت ناهمگون GD به وجود می آید که می تواند قالب های متفاوتی داشته باشد، به عنوان مثال ، نحو، ساختار متفاوت، یعنی طرحواره ها، معنایی متفاوت، یعنی تضاد نام ها به دلیل معانی متمایز در زمینه های متمایز، ویژگی های به روز رسانی متمایز. و حجم هایی که نیازمند استراتژی های ذخیره سازی و نمایه سازی متمایز هستند. موضوع قابلیت همکاری سرویس هم به ارائه یک کشف مؤثر از مقدار عظیمی از مجموعه‌های GD و هم سری‌های زمانی مربوط می‌شود .این امر با خودکارسازی ایجاد ابرداده و ادغام GD ناهمگن از نظر ترکیب و هماهنگی خدمات برای ارائه عملکردهای پیچیده مرتبط است.
اگرچه در حال حاضر، اصلی ترین سرویس های وب موجود در SDI WMS است، اما روند ارائه بسیاری از خدمات جغرافیایی وب مستقل است. در صورت نیاز به یک سرویس پیچیده، ترکیب دستی زنجیره ای از خدمات جغرافیایی از پیش تعریف شده باید انجام شود [ 50 ]. چالش آینده ترکیب (نیمه) خودکار خدمات دلخواه به منظور دستیابی به خدمات پیچیده انعطاف پذیر بر اساس خدمات اولیه موجود است. به دلیل ناهمگونی GD، این یک کار بی اهمیت نیست. در این راستا، ژئوپورتال S4A امکانات پیچیده پرس و جو را فراهم می کند که با ترکیب و هماهنگی سرویس های وب متمایز (WMS، WMS-T و WFS) به صورت شفاف در اختیار کاربر قرار می گیرد.
برخی از کارهای تحقیقاتی قبلاً به این مشکلات پرداخته و راه‌حل‌هایی را پیشنهاد داده‌اند.
جامع ترین تحقیق در مورد اتوماسیون ابرداده در [ 10 ] گزارش شده است. در این مقاله، یک بررسی از کارهای تحقیقاتی که پیشینه اتوماسیون ابرداده GD را در دو حوزه اصلی بررسی می‌کند، گزارش می‌شود: جامعه کتابخانه دیجیتال و علم اطلاعات، و جامعه GD. استخراج و برداشت فراداده در هر دو جامعه به عنوان دو روش کلیدی برای خودکارسازی ایجاد و به‌روزرسانی ابرداده‌های مکانی مورد تایید قرار گرفت [ 10 ]. محققان در [ 7 ، 8 ، 9 ، 51 ] تولید خودکار فراداده را با استنتاج ابرداده، توانایی استنتاج توصیف کامل فراداده، صعودی یا نزولی از طریق روابط تجمعی، مورد بررسی قرار می دهند. در [ 8]، نویسندگان در مورد پیشرفت‌های جاری برای استخراج ابرداده نیمه خودکار از منابع داده‌های تصویری و نقشه‌نگاری معروف بحث کردند، جایی که ابرداده‌های داخلی به‌طور خودکار جمع‌آوری می‌شد و کاربر می‌توانست انتخاب کند که ابرداده خارجی را اضافه کند، و رکورد ابرداده نهایی را منتشر کند. کاتالوگ ها کار تحقیقاتی [ 34 ] تولید خودکار فراداده های GD با قابلیت معناشناسی را پیشنهاد می کند که در طول تحقق یک محصول داده مجازی تولید، تایید و منتشر می شوند. در [ 39 ]، یک بسته منبع باز به نام get-itتوسعه داده شده است تا به دست اندرکاران مقامات دولتی و موسسات تحقیقاتی اجازه دهد تا به راحتی GD خود را به کار گیرند و از آنها در ایجاد دستی ابرداده های خبرنگاری که از نظر معنایی با بهره برداری از اطلاعات متنی در مورد موضوع، منبع، نویسنده و سازمان غنی شده اند، حمایت کنند. اخیراً، [ 52 ] ابزار استخراج خودکار فراداده (نیمه) برای استخراج اطلاعات از منابع غیرمکانی (pdf، doc و txt) و فضایی (Shapefiles، کلاس‌های ویژگی (پایگاه جغرافیایی فایل و پایگاه جغرافیایی شخصی)، کلاس‌های ویژگی SDE، GRID و TIFF) برای ترویج کاربردهای ژئوپورتال به عنوان پورتال های دانش جغرافیایی. گردش کار ایجاد و استقرار فراداده نیمه خودکار پیشنهادی ما با ترکیب این دو رویکرد اخیر، یعنی با استفاده از ابزار، طراحی و توسعه یافته است.get-it [ 39 ] برای ایجاد یک الگوی ابرداده برای هر نوع محصول در یک پوشه، و سپس با افزودن برخی فیلدهای فراداده با استخراج اطلاعات از محتوای محصولات مانند تاریخ ایجاد و کادر محدود.
تا آنجا که قابلیت همکاری اطلاعات جغرافیایی منبع انبوه از شبکه های اجتماعی، برخی از رویکردهای مبتنی بر معماری وب سرویس ارائه شده است، مانند [11]، که در آن یک واسطه وب 2.0 (W2B) بین برنامه های کاربردی مشتری و خدمات پشتیبان وب 2.0 برای ارائه کشف واسطه می شود. و بازیابی اطلاعات در خدمات مختلف جمع سپاری. کاربرد کارگزار W2B برای ادغام SDI و VGI برای یک برنامه کاربردی در مدیریت و بازاریابی املاک و مستغلات در [ 53] توضیح داده شده است.]. با این وجود، این رویکرد با مشکل جمع‌آوری VGI از شبکه‌های اجتماعی موجود برای فعال کردن مدیریت متقابل آن‌ها مواجه است، در حالی که در پیشنهاد ما به موضوع ایجاد VGI سازگار بومی می‌پردازیم: هیچ راه‌حل مشابهی برای یک برنامه هوشمند که به صورت بومی در وب مستقر می‌شود، فرموله نشده است. داده های ایجاد شده با خدمات استاندارد Wed.
در نهایت، تا آنجا که عملکردهای پیچیده تجزیه و تحلیل فضایی ژئوپورتال های مبتنی بر خدمات وب استاندارد، هیچ پیشنهادی امکانات پرس و جو و تجزیه و تحلیل یکپارچه GD وکتور و شطرنجی را به صورت شفاف در اختیار کاربر قرار نمی دهد. همانند GIS سنتی، کاربران باید از قالب GD آگاه باشند و بسته به آن، باید تابع تجزیه و تحلیل متمایز را برای تجزیه و تحلیل GD انتخاب کنند.
یکی از نمونه‌های SDI سرور پردازش تخمینی است که با استفاده از نرم‌افزار منبع باز در مرکز تحقیقات مشترک برای خودکارسازی کسب، پردازش، اشتراک‌گذاری و تجسم مطابق با OGC محصولات داده‌های رصد زمین توسط یک نقطه دسترسی مشترک توسعه یافته است [54 ] . با این حال، در مقایسه با طرح پیشنهادی ما، استقرارهدف به اشتراک گذاری و پرس و جو در یک چارچوب یکپارچه VGI و محصولات داده EO با تمرکز بر پردازش داده های EO است. در واقع، عملیاتی را که یک تکنسین معمولاً به صورت دستی برای ایجاد محصولات داده EO انجام می دهد (مانند دانلود داده ها، پیش پردازش داده ها از جمله طرح ریزی، برش تصویر در ناحیه مورد نظر، آلودگی ابری) به صورت خودکار انجام می دهد. حذف)، تنها تجزیه و تحلیل و تفسیر نتایج را به کارشناس محیط زیست واگذار می کند.
اگرچه هم پورتال جغرافیایی EMMA estation SDI و هم ژئوپورتال S4A تسهیلات پرس و جو داده های موردی را برای تجسم سری های زمانی محصولات موضوعی از طریق یک ابزار نمودار تعاملی فراهم می کنند، ژئوپورتال S4A امکانات پرس و جو اضافی را مطابق با اصل استقلال داده در سیستم های مدیریت پایگاه داده فراهم می کند [13] . ]، به عنوان مثال ، کاربران با GD و سری های زمانی مستقل از قالب واقعی آنها تعامل دارند و geoportal وظیفه ترجمه درخواست کاربر به درخواست های مناسب را بر عهده دارد.
SDI دیگری که برای کشاورزی دقیق در منطقه توکاچی هوکایدو ژاپن توسعه یافته است، به نام FieldTouch ، در [ 55 ] توضیح داده شده است. FieldTouch داده‌های چند مقیاسی سنسور را برای پایش مزرعه‌ای ادغام می‌کند، قابلیت‌هایی را برای ثبت فعالیت‌های کشاورزی کشاورزان، به عنوان مثال، مدیریت کود، ادغام سری‌های زمانی تصاویر ماهواره‌ای برای نظارت بر وضعیت پوشش گیاهی، داده‌های حسگر میدانی از گره‌ها، داده‌های رطوبت و دما خاک را در اعماق مختلف خاک ثبت می‌کند. و متغیرهای هواشناسی، به عنوان مثال، بارندگی، تابش خورشیدی، باد، و غیره ارائه شده توسط یک شبکه رصد آب و هوا. داده‌های حسگر توسط سرویس باطن «cloudSense» مدیریت می‌شوند که متا داده‌ها و داده‌ها را به FieldTouch ارائه می‌کند.از طریق سرویس مشاهده سنسور. با این حال، یک تفاوت این است که VGI در شیوه های کشاورزی توسط کشاورزان از طریق رابط کاربری سیستم ایجاد می شود، و نه از طریق یک برنامه هوشمند مانند مورد ما. علاوه بر این، اگرچه هر دو به محصولات داده های سنجش از راه دور، مانند نقشه های NDVI، برای برجسته کردن تنوع مکانی و زمانی قدرت محصول برای مداخله کشاورز متکی هستند، ابزارهای پشتیبانی از تشخیص ناهنجاری های احتمالی در رشد محصول متفاوت است. فیلد تاچشامل یک ابزار شبیه‌سازی است که شامل پارامترهای مدل محصول کالیبره‌شده است که از آزمایش‌های بلندمدت زراعی به دست می‌آید، برای تخمین شرایط محصول بر اساس سناریوهای آب‌وهوا و شیوه‌های کشاورزی. در حالی که S4A SDI تسهیلات پرس و جو و نمودار را برای کمک به کشاورز در شناسایی ناهنجاری های بالقوه فراهم می کند، با نشان دادن نمودار تغییرات زمانی NDVI به صورت متناوب به میانگین بلندمدت تغییرات NDVI در یک منطقه انتخاب شده مورد علاقه.

6. نتیجه گیری و کارهای آینده

کار ارائه شده در این مقاله منجر به یک معماری اولیه SDI برای ایجاد، مدیریت و تجزیه و تحلیل بر روی مجموعه‌ها و سری‌های زمانی ناهمگن GD چند منبعی وب شد. این مجموعه داده ها در پروژه S4A [ 26 ، 27 ] برای نشان دادن امکان سنجی یک پلت فرم کم هزینه برای حمایت از بخش کشاورزی لمباردی توسعه یافته اند. ناهمگن به فرمت‌های GD (رستر و برداری)، معناشناسی و وضوح مکانی-زمانی اشاره دارد و چند منبعی شامل منابع معتبر، حسگرهای انسانی و محصولات مشتق شده از تصویر سنجش از دور است.
در یک سال، بیش از 430 مجموعه داده، مربوط به نوع محصول و شرایط محصول، در وب از طریق خدمات OGC توسط ابرداده منتشر شده در یک کاتالوگ SDI آنلاین در دسترس قرار گرفت. مجموعه داده ها چندین موضوع داده را پوشش می دهند، مانند NDVI از تصاویر Landsat OLI/TM و NASA-MODIS، Landsat EVI و NDFI، بیش از 5000 گزارش VGI ایجاد شده توسط اپراتورهای میدانی و داوطلبان با استفاده از برنامه هوشمند S4A، و داده های کشاورزی از معتبر پایگاه داده های غنی شده با داده های جمع آوری شده در محل .
رویکرد گزارش شده در این مقاله راه آسانی برای به اشتراک گذاری و تجزیه و تحلیل منابع اطلاعاتی GD در داخل و خارج از جامعه سهامداران پروژه ارائه می دهد. راه حل معماری و اجرای ما با توجه به رویکردهای فعلی دارای چندین مزیت است:

  • مقیاس پذیر است، زیرا انتشار مجموعه های GD و سری های زمانی را بر روی چندین گره سرور GIS وب بسته به منابع اطلاعاتی آنها غیرمتمرکز می کند، به طوری که گره های جدید را می توان به عنوان منابع جدید اضافه کرد یا GD بیشتری را برای استقرار در دسترس قرار داد.
  • پیاده‌سازی آن کم‌هزینه است، زیرا عمدتاً بر روی نرم‌افزار باز استاندارد OGC، یعنی نصب گره‌های Geoserver برای استقرار GD و Geonetwork برای مدیریت ابرداده، اجرا شده در ماشین‌های مجازی مستقر در ایستگاه‌های کاری «کم‌هزینه» با ۱۶ گیگابایت حافظه، ۱ ترابایت اجرا می‌شود. فضای دیسک، پردازنده چهار هسته ای و قیمت زیر 1000 یورو.
  • این به طور کامل با استانداردهای OGC مطابقت دارد به طوری که GD مستقر شده را می توان توسط مشتریان سازگار با OCG شخص ثالث کشف و به آن دسترسی داشت.
  • عادات روزانه کنونی تولیدکنندگان داده را حفظ می‌کند تا با خودکارسازی گردش‌های کاری برای استقرار مجموعه‌ها و سری‌های زمانی ناهمگن چند منبعی GD و تکمیل ابرداده، بار اضافی برای مدیریت ابرداده را به حداقل برساند. تنها وظیفه ای که برای تولیدکنندگان داده لازم است، برچسب گذاری مجموعه ها و سری های زمانی GD برای انتشار با قرار دادن آنها در پوشه های مناسب، که ساختار و قراردادهای نامگذاری توسط آنها تعریف شده است، و به روز نگه داشتن رکورد فراداده الگوی جامع در هر پوشه است. .
  • توابع تجزیه و تحلیل فضایی پیچیده ای را ارائه می دهد که با هماهنگی سرویس های وب استاندارد توسعه یافته است تا گردش کار فعلی تحلیل فضایی را تسهیل کند که کاربر را ملزم به آگاهی از فرمت ها و ساختار GD می کند.
نسخه اولیه S4A SDI در حال کار است و در واقع از محققان سنجش از دور و متخصصان کشاورزی در فعالیت های روزانه خود پشتیبانی می کند. برنامه هوشمند S4A و SDI به کشاورزان داوطلب و دانش‌آموزان دبیرستان‌های زراعی به عنوان سهامداران بالقوه معرفی شده‌اند تا بستر آزمایش اولیه پلتفرم را برای آنها فراهم کند و همچنین از فرآیند آموزشی پشتیبانی کند [56 ] .
اولین ارزیابی کاربر از چارچوب پیشنهادی توسط کارشناسان سنجش از دور با استفاده از این پلتفرم انجام شده است، عمدتاً محققان CNR-IREA، که مزایای انتشار داده های خود را از طریق یک گره GD برای تسهیل فعالیت روزانه خود کشف کردند. بنابراین، آنها تمایل دارند داده های بیشتری را برای انتشار تقریباً به صورت روزانه ارائه دهند. به عنوان مثال، به جای جستجوی GD در فایل سیستم سرور داده (مثلاً سرور داده موسسه IREA دارای ظرفیت 100 ترابایت است و بیش از 90 درصد از این فضا استفاده می شود)، می توانند از کاتالوگ S4A GD استفاده کنند. داده‌های مورد علاقه خود را جستجو می‌کنند و می‌توانند از خدمات OGC برای دسترسی مستقیم به داده‌ها در ابزارهای معمول خود (مانند مشتریان GIS مانند QGIS و ArcMap) استفاده کنند [ 48]. داده های موجود از طریق پلت فرم S4A ممکن است به طور قابل توجهی از مدیریت منطقه ای در فرآیند راستی آزمایی پشتیبانی کند: بیانیه کشاورزان در مقابل نقشه های محصول اولیه که از تجزیه و تحلیل منابع داده ناهمگن، از جمله محصولات سنجش از راه دور، مشاهدات درجا جمع آوری شده توسط دستگاه های تلفن همراه و داده های نظارتی حاصل می شود. مانند اطلاعات هواشناسی به عنوان یک فعالیت آینده، لازم است یک ارزیابی اثرات اقتصادی گردش‌های کاری جدید انجام شود که می‌تواند با استفاده از مجموعه‌های GD و سری‌های زمانی برای انجام اقدامات زراعی و کنترل‌ها و تصمیم‌های اداری اجرا شود [56] .]. ارزیابی نه تنها باید مقادیر صرفه‌جویی در هزینه‌های بخش دولتی را با پذیرش گسترده راه‌حل پیشنهادی تأیید کند، بلکه باید هم شکاف‌هایی را که هنوز باید پر شود و هم سرمایه‌گذاری‌های نسبی را برای ارتقای این SDI تخمین می‌زند. به یک سرویس عملیاتی

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

برنامه برنامه هوشمند برای دستگاه های تلفن همراه هوشمند
جی دی داده‌های مکانی، یعنی داده‌های جغرافیایی ارجاع‌شده به شکل یا نقشه‌های برداری یا تصاویر جغرافیایی مرجع
GIS سیستم اطلاعات جغرافیایی
IREA موسسه سنجش الکترومغناطیسی محیط
NDVI شاخص گیاهی تفاوت عادی شده
OGC کنسرسیوم فضایی باز
SDI زیرساخت داده های مکانی
VGI اطلاعات جغرافیایی داوطلبانه
WFS سرویس ویژگی وب
WMS خدمات نقشه وب
WMS-T Web Map Service-Time

منابع

  1. چارل، آ. Tochtermann, K. (Eds.) The Geospatial Web: How Geobrowsers, Social Software و Web 2.0 The Shaping the Network Society ; اسپرینگر: لندن، بریتانیا، 2007.
  2. ساندرسون، ام. کوهلر، جی. تحلیل پرس و جوهای جغرافیایی. در مجموعه مقالات کارگاه 2004 در مورد بازیابی اطلاعات جغرافیایی SIGIR، شفیلد، انگلستان، 25-29 ژوئیه 2004.
  3. توما، ا. احمد، ع. سیستم اطلاعات جغرافیایی و زیرساخت داده های مکانی: ادراک جوامع در حال توسعه. دانشگاه جی. ژئوشی. 2014 ، 2 ، 85-92. [ Google Scholar ]
  4. Goodchild، MF Citizens به عنوان حسگر: دنیای جغرافیای داوطلبانه. ژئوژورنال 2007 ، 69 ، 211-221. [ Google Scholar ] [ CrossRef ]
  5. کراگلیا، ام. Goodchild، MF; آنونی، ا. کامارا، جی. گولد، ام. کوهن، دبلیو. مارک، دی. ماسر، آی. مگویر، دی. الیانگ، اس. و همکاران زمین دیجیتالی نسل بعدی: مقاله موضعی از ابتکار vespucci برای پیشرفت علم اطلاعات جغرافیایی. بین المللی جی. اسپات. زیرساخت داده Res. 2008 ، 3 ، 146-167. [ Google Scholar ]
  6. پارلمان اروپا و شورای اتحادیه اروپا. دستورالعمل 2007/2/EC پارلمان اروپا و شورای 14 مارس مبنی بر ایجاد زیرساختی برای اطلاعات مکانی در جامعه اروپایی (INSPIRE). در دسترس آنلاین: http://eur-lex.europa.eu/legal-content/EN/ALL/?uri=CELEX:32007L0002 (دسترسی در 10 اکتبر 2014).
  7. تریلز، اس. دیاز، ال. گیل، جی. Huerta، J. کمک به تولید و انتشار ابرداده های مکانی. در مجموعه مقالات پانزدهمین کنفرانس بین المللی AGILE در علم اطلاعات جغرافیایی: پل زدن بر علوم اطلاعات جغرافیایی، آوینیون، فرانسه، 24-26 آوریل 2012. صص 105-110.
  8. دیاز، ال. مارتین، سی. گولد، ام. گرانل، سی. Manso, MA استخراج ابرداده نیمه خودکار از تصاویر و داده های نقشه برداری. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور IEEE، بارسلون، اسپانیا، 23 تا 28 ژوئیه 2007. صص 3051–3052.
  9. نوگراس-ایسو، جی. Zarazaga-Soria، FJ; MuroMedrano، PR فراداده اطلاعات جغرافیایی برای زیرساخت های داده های مکانی. منبع. Interoper. Inf. Retr. 2005 . [ Google Scholar ] [ CrossRef ]
  10. اولفت، اچ. به روز رسانی و غنی سازی خودکار فراداده فضایی. پایان نامه کارشناسی ارشد، دانشگاه ملبورن، ملبورن، ویک، استرالیا، 2013. [ Google Scholar ]
  11. دیاز، ال. گرانل، سی. هوئرتا، ​​جی. Gould، M. Web 2.0 Broker، یک سرویس مبتنی بر استانداردها برای جستجوی مکانی-زمانی اطلاعات جمع آوری شده. Appl. Geogr. 2012 ، 35 ، 448-459. [ Google Scholar ] [ CrossRef ]
  12. Pebesma، E. Spacetime: داده های مکانی-زمانی در R. J. Stat. نرم افزار 2012 ، 51 ، 1-30. [ Google Scholar ] [ CrossRef ]
  13. ریگو، پی. شول، ام. Voisard، A. پایگاه های داده فضایی با کاربرد در GIS ; Morgan Kaufmann ناشر: Burlington, MA, USA, 2002. [ Google Scholar ]
  14. ویلا، پ. رایتز، تی. Gomarasca، M. پروژه HUMBOLDT: اجرای چارچوبی برای هماهنگ سازی داده های جغرافیایی- فضایی و حرکت به سمت ESDI. در GeoInformation در اروپا ; Gomarsca، MA، Ed. IOS Press: آمستردام، هلند، 2007; صص 29-36. [ Google Scholar ]
  15. پارلمان اروپا و شورای اتحادیه اروپا: دستورالعمل 2003/98/EC پارلمان اروپا و شورای 17 نوامبر 2003 در مورد استفاده مجدد از اطلاعات بخش عمومی. در دسترس آنلاین: http://eur-lex.europa.eu/LexUriServ/LexUriServ.do?uri=OJ:L:2003:345:0090:0096:en:PDF (دسترسی در 10 اکتبر 2014).
  16. SmartOpenData. در دسترس آنلاین: http://www.smartopendata.eu/ (دسترسی در 10 اکتبر 2014).
  17. داده های باز هوشمند وبلاگ توسعه دهندگان SDI4Apps. در دسترس آنلاین: http://www.smartopendata.eu/news/sdi4apps-developers-blog (در 10 اکتبر 2014 قابل دسترسی است).
  18. OpenGeo. در دسترس آنلاین: http://suite.opengeo.org/dashboard/ (دسترسی در 10 اکتبر 2014).
  19. انجمن OSGeo. در دسترس آنلاین: http://www.osgeo.org/ (دسترسی در 10 اکتبر 2014).
  20. زوئیدرویک، ا. Janssen, M. سیاست های داده باز، پیاده سازی و تأثیر آنها: چارچوبی برای مقایسه. فرمانداری Inf. Q. 2014 , 31 , 17-29. [ Google Scholar ] [ CrossRef ]
  21. مایر-شونبرگر، وی. Cukier, K. Big Data: انقلابی که نحوه زندگی، کار و فکر ما را متحول خواهد کرد . Houghton Mifflin Harcourt: Boston, MA, USA, 2013. [ Google Scholar ]
  22. Jaffe، J. Web در 25، W3C در 20: فرصتی برای تأمل و نگاه به آینده. محاسبات اینترنتی IEEE. 2014 ، 18 ، 74-78. [ Google Scholar ] [ CrossRef ]
  23. بیجار، ر. لوپز-پلیسر، FJ; نوگراس-ایسو، جی. ZarazagaSoria، FJ; Muro-Medrano، PR پروتکلی برای سیاست‌های کش قابل خواندن توسط ماشین در خدمات وب OGC: کاربرد در سیستم اطلاعات EuroGeoSource. محیط زیست مدل. نرم افزار 2014 ، 60 ، 346-356. [ Google Scholar ] [ CrossRef ]
  24. Sui, D. فرصت ها و موانع برای GIS باز. ترانس. GIS 2014 ، 18 ، 1-24. [ Google Scholar ] [ CrossRef ]
  25. ایوانووا، آی. مورالس، جی. de By, RA; بشه، تی اس; Gebresilassie، MA جستجوی منابع داده های مکانی بر اساس تناسب برای استفاده. جی. اسپات. علمی 2013 ، 58 ، 15-28. [ Google Scholar ] [ CrossRef ]
  26. پروژه Space4 Agri. در دسترس آنلاین: http://space4agri.irea.cnr.it/it (در 12 مه 2016 قابل دسترسی است).
  27. کلیمنت، تی. بوردوگنا، جی. فریجریو، ال. استروپیانا، دی. کرما، ا. بوشتی، ام. استرلاکچینی، اس. Brivio، PA حمایت از یک بخش کشاورزی منطقه ای با Geo و جریان اصلی ICT – مطالعه موردی پروژه space4agri. Agris Online Pap. اقتصاد آگاه کردن. 2014 ، 6 ، 69-80. [ Google Scholar ]
  28. PostGreSQL. در دسترس آنلاین: http://www.postgresql.org (در 12 مه 2016 قابل دسترسی است).
  29. PostGIS. در دسترس آنلاین: http://www.postgresql.org/ (در 12 مه 2016 قابل دسترسی است).
  30. GeoServer. در دسترس آنلاین: http://geoserver.org/ (در 12 مه 2016 قابل دسترسی است).
  31. ژئوشبکه. در دسترس آنلاین: http://www.geonetwork.it (در 12 مه 2016 قابل دسترسی است).
  32. QGIS. در دسترس آنلاین: http://www.qgis.org (در 12 مه 2016 قابل دسترسی است).
  33. Rouse, JW; هاس، RH; شل، JA; Deering، DW نظارت بر سیستم های پوشش گیاهی در دشت های بزرگ با ERTS. در مجموعه مقالات سومین سمپوزیوم فناوری منابع زمینی ماهواره-1، واشنگتن، دی سی، ایالات متحده آمریکا، 10-14 دسامبر 1973; صص 309-317.
  34. Huete، AR؛ لیو، اچ. باچیلی، ک. ون لیوون، دبلیو. مقایسه شاخص‌های پوشش گیاهی بر روی مجموعه‌ای جهانی از تصاویر TM برای EOS-MODIS. سنسور از راه دور محیط. 1997 ، 59 ، 440-451. [ Google Scholar ] [ CrossRef ]
  35. گامون، ج.ا. Surfus, JS ارزیابی محتوای رنگدانه برگ و فعالیت با بازتاب سنج. فیتول جدید. 1999 ، 143 ، 105-117. [ Google Scholar ] [ CrossRef ]
  36. بوشتی، ام. نوتینی، اف. مانفرون، جی. Brivio، PA; نلسون، A. تجزیه و تحلیل مقایسه ای از شاخص های طیفی تفاوت نرمال به دست آمده از MODIS برای تشخیص آب سطحی در سیستم های کشت برنج غرقاب شده. PLoS ONE 2014 ، 9 ، e88741. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  37. بوردوگنا، جی. کلیمنت، تی. فریجریو، ال. Carrara، P. اطلاعات جغرافیایی و زیرساخت‌های داده‌های مکانی داوطلبانه برای ارتقای منابع کم: مطالعه موردی برنامه هوشمند “Orti di Bergamo”. در مرکزیت سرزمین ها ; Casti, E., Burini, F., Eds. Sestante Edizioni ناشر: برگامو، ایتالیا، 2015; صص 165-182. [ Google Scholar ]
  38. تعریف هستی شناسی BBCH. در دسترس آنلاین: http://wiki.plantontology.org/index.php/Growth_Stages_Ontology_Principles (دسترسی در 10 اکتبر 2014).
  39. فوگازا، سی. باسونی، ا. منگن، اس. اوجیونی، ا. پاوسی، ف. پپه، م. سارتا، ا. Carrara, P. RITMARE: هماهنگی آگاهانه از معناشناسی داده ها در تحقیقات دریایی ایتالیا. Procedia Comput. علمی 2014 ، 33 ، 261-265. [ Google Scholar ] [ CrossRef ]
  40. Voges، U. Senkler, K. OpenGIS Catalog Services Specification 2.0. 2-نمایه اپلیکیشن فراداده ISO ; مرجع سند OGC شماره OGC07-006r1; کنسرسیوم فضایی باز باز (OGC): Wayland، MA، ایالات متحده آمریکا، 2007. [ Google Scholar ]
  41. Whiteside, A. OGC Web Services Common Specification ; کنسرسیوم فضایی باز (OGC): Wayland، MA، ایالات متحده آمریکا، 2007. [ Google Scholar ]
  42. توضیحات فنی ESRI Shapefile: An ESRI White Paper—July 1998. موجود به صورت آنلاین: https://www.esri.com/library/whitepapers/pdfs/shapefile.pdf (در 12 مه 2016 قابل دسترسی است).
  43. پروژه نقشه خیابان را باز کنید. در دسترس آنلاین: http://www.openstreetmap.org (در 12 مه 2016 قابل دسترسی است).
  44. تیچلر، جی. Hielkema، JU Geonetwork opensource استاندارد بین المللی مدیریت اطلاعات فضایی توزیع شده. OSGeo J. 2007 , 2 , 1-6. [ Google Scholar ]
  45. ژو، DP; Xie، موتور جستجوی KL Lucene. محاسبه کنید. مهندس 2007 ، 33 ، 95-96. [ Google Scholar ]
  46. سرویس ژئوکاتالوگ پروژه Space4Agri. در دسترس آنلاین: http://155.253.20.86/geonetwork/srv/eng/catalog.search (در 12 مه 2016 قابل دسترسی است).
  47. ژئوپورتال پروژه Space4Agri. در دسترس آنلاین: http://155.253.20.86:8080/Space4AgriGeoPortal/ (دسترسی در 12 مه 2016).
  48. ویلا، پ. استروپیانا، دی. فونتانلی، جی. آذر، ر. Brivio، PA نقشه برداری در فصل از نوع محصول با داده های SAR نوری و باند X: یک رویکرد درخت طبقه بندی با استفاده از ویژگی های فصلی سینوپتیک. Remote Sens. 2015 ، 7 ، 12859–12886. [ Google Scholar ] [ CrossRef ]
  49. کراگلیا، ام. دی بی، ک. جکسون، دی. پسری، م. Remetey-Fülöpp، G. وانگ، سی. آنونی، ا. بیان، ال. کمبل، اف. اهلرز، ام. و همکاران Digital Earth 2020: به سوی چشم انداز دهه آینده. بین المللی جی دیجیت. زمین 2012 ، 5 ، 4-21. [ Google Scholar ] [ CrossRef ]
  50. واکاری، ال. شوایکو، پ. Marchese, M. یک ادغام معنایی خدمات جغرافیایی در زیرساخت های داده های مکانی. بین المللی جی. اسپات. زیرساخت داده Res. 2009 ، 4 ، 24-51. [ Google Scholar ]
  51. یو، پی. گونگ، جی. دی، ال. او، L. تولید خودکار ابرداده های مکانی برای محصولات داده های مجازی علوم زمین. Geoinformatica 2012 ، 16 ، 1-29. [ Google Scholar ] [ CrossRef ]
  52. وکنر، بی. ریشتر، آ. Mittlböck، M. از geoportals تا پورتال دانش جغرافیایی. ISPRS Int. J. Geo-Inf. 2013 ، 2 ، 256-275. [ Google Scholar ] [ CrossRef ]
  53. سلاجقه، ج. حکیمپو، ف. اسماعیلی، الف. توسعه یک سیستم مبتنی بر وب با ادغام VGI و SDI برای مدیریت و بازاریابی املاک و مستغلات. بین المللی J. Arch. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2014 ، 40 ، 231-236. [ Google Scholar ] [ CrossRef ]
  54. کلریچی، م. کمبال، بی. پکل، جی اف. دوبوا، جی. وانت کلوستر، جی. Skøien، JO; Bartholomé, E. The eStation، یک سرویس پردازش رصد زمین در حمایت از نظارت بر محیط زیست. Ecol. آگاه کردن. 2013 ، 18 ، 162-170. [ Google Scholar ] [ CrossRef ]
  55. هوندا، ک. اینس، AVM؛ Yui, A. خدمات اطلاعات کشاورزی بر اساس زیرساخت داده های مکانی و مدل سازی محصول ساخته شده است. در مجموعه مقالات کارگاه بین المللی 2014 در زمینه هوش وب و سنجش هوشمند، سنت اتین، فرانسه، 1 تا 2 سپتامبر 2014.
  56. L’Astorina، A. توماسونی، آی. باسونی، ا. Carrara, P. تفسیر فراتر از انتشار تحقیقات مشاهده زمین: مشارکت سهامداران و کاربران در طراحی مشترک پروژه. J. Sci. اشتراک. 2015 ، 14 ، 1-10. [ Google Scholar ]
Ijgi 05 00073 g001 1024
شکل 1. معماری زیرساخت داده های فضایی Space4Agri (S4A).
Ijgi 05 00073 g002 1024
شکل 2. گردش کار داده های درجا ایجاد شده با استفاده از برنامه هوشمند S4A.
Ijgi 05 00073 g003 1024
شکل 3. طرحواره پایه GD حاوی مشاهدات درجا .
Ijgi 05 00073 g004 1024
شکل 4. نمایش شماتیک گردش کار طراحی شده برای خودکارسازی فرآیند GD و انتشار فراداده در SDI اجرا شده در پروژه S4A (منبع: پردازش خود).
Ijgi 05 00073 g005 1024
شکل 5. ژئوپورتال S4A که یک لایه GD از مشاهدات درجا از انواع محصولات ایجاد شده با استفاده از برنامه هوشمند S4A را نشان می دهد (منبع: پردازش خود).
Ijgi 05 00073 g006 1024
شکل 6. لایه سری زمانی EVI 2014: نمونه ای از داده های شطرنجی سری زمانی منتشر شده به طور خودکار در سرور GeoServer Web GIS که در S4A-SDI برای سال 2014 مستقر شده است. شاخص پوشش گیاهی EVI نشان داده شده توسط هر تصویر به عنوان نماینده زیست توده گیاهی فرض می شود. از سمت چپ بالا به راست به پایین، مجموعه داده های فردی برای دوره زمانی مشخصی از سال 2014 تولید شده و لایه نهایی سری 2014 را تعریف می کند (منبع: پردازش خود).
Ijgi 05 00073 g007a 1024 Ijgi 05 00073 g007b 1024 Ijgi 05 00073 g007c 1024
شکل 7. نمونه ای از گزارش های VGI که ​​با برنامه هوشمند S4A ایجاد شده و به صورت خودکار به عنوان لایه های WMS و ویژگی های WFS منتشر می شوند. ( الف ) تصاویری از برنامه هوشمند S4A: پنل مرکزی بالای منوی اصلی را نشان می‌دهد که شش نماد مرتبط با انتخاب‌های احتمالی گزارش‌های VGI را نشان می‌دهد که می‌توان ایجاد کرد (یک تصویر، یک حاشیه‌نویسی متنی رایگان، می‌توان موارد ذخیره شده محلی VGI را که قبلاً ایجاد شده‌اند ارسال کرد. تاریخ کاشت محصول، مرحله BBCH، مشاهده عمل کشاورزی). پانل های دیگر منوهای سطح پایین APP را برای انواع متمایز گزارش های VGI نشان می دهند. لایه‌های متمایز گزارش‌های VGI: ( ب ) گونه‌شناسی محصول، ( ج ) روش‌های کشاورزی، ( د ) حاشیه‌نویسی و تصاویر متنی رایگان، به ترتیب. (منبع: خود پردازش).
Ijgi 05 00073 g008 1024
شکل 8. مجموعه GD از قطعات کشاورزی از نقشه قطعات کاداستر و زیر مجموعه با داده های گسترده جمع آوری شده توسط اپراتورهای میدانی و تأیید شده توسط محققان و/یا اپراتور منطقه ای که به عنوان لایه WMS و ویژگی های WFS منتشر شده است (منبع: پردازش خود).
Ijgi 05 00073 g009 1024
شکل 9. کشف لایه های GD موجود برای موضوع NDVI_MODIS و فراداده INSPIRE یک سری NDVI MODIS برای سال 2013 (منبع: پردازش خود).
Ijgi 05 00073 g010a 1024 Ijgi 05 00073 g010b 1024
شکل 10. ( الف ) اسکرین شات ژئوپورتال S4A که پاسخ دو پرس و جوی مکانی-زمانی را در یک سری زمانی NDVI برای سال 2014 نشان می دهد، که با پردازش داده های منبع MODIS به دست آمده است، که به شکل نمودار نشان داده شده است: نمودارها تغییرات زمانی را نشان می دهند. NDVI در نقاط انتخاب شده (پیکسل) در مزارع کشت برنج که با پین های منطقه جغرافیایی مشخص شده است. ( ب ) و ( ج ) نمودارهایی هستند که در ( الف) نشان داده شده اند) که در آن می توان تفاوت تغییرات NDVI را در دو نقطه انتخاب شده بهتر درک کرد: خط آبی تغییر NDVI در طول سال 2014 برای پیکسلی است که به صورت متنی با میانگین (خط نقطه چین آبی روشن)، حداکثر (سبز بالایی) نگاشت شده است. خط نقطه چین) و حداقل (خط نقطه چین پایین سبز) تغییرات طولانی مدت NDVI برای همان پیکسل (محاسبه شده در دوره 2003-2013). (منبع: پردازش خود).
جدول
جدول 1. عوامل نقش کلیدی در توسعه SDI.
جدول
جدول 2. قطعه XSL برای تولید خودکار ابرداده برای NDVI GD.

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370