نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

خلاصه

اطلاعات جغرافیایی داوطلبانه (VGI) مانند داده های حاصل از پروژه OpenStreetMap (OSM) یک منبع داده محبوب برای داده های جغرافیایی آزادانه در دسترس است. به طور معمول، مشارکت کنندگان آموزش ندیده این داده ها را جمع آوری می کنند. این واقعیت اغلب باعث نگرانی در مورد کیفیت و قابلیت استفاده این داده ها می شود. در این مطالعه، کیفیت داده‌های کاربری زمین و پوشش زمین OSM (LULC) برای منطقه‌ای در جنوب آلمان بررسی می‌شود. دو عنصر کیفیت داده‌های مکانی، دقت موضوعی و کامل بودن با مقایسه داده‌های OSM با یک مجموعه داده مرجع معتبر آلمانی مورد بررسی قرار می‌گیرند. نتایج نشان می‌دهد که مقدار کاپا یک توافق اساسی بین OSM و مجموعه داده معتبر را نشان می‌دهد. با این وجود، برای منطقه مورد مطالعه ما، تغییرات واضحی بین کلاس‌های LULC وجود دارد. جنگل منطقه وسیعی را پوشش می دهد و هم کامل بودن OSM بالا (97.6٪) و هم درستی (95.1٪) را نشان می دهد. در مقابل، زمین‌های کشاورزی نیز مساحت زیادی را پوشش می‌دهند، اما برای این کلاس OSM مقدار کم‌کامل (45.9%) را به دلیل مناطق بدون نقشه نشان می‌دهد. علاوه بر این، نتایج نشان می دهد که تراکم جمعیت بالا، همانطور که در مناطق شهری وجود دارد، به نظر می رسد نشان دهنده قدرت توافق بالاتر بین OSM و DLM (مدل منظر دیجیتال) باشد. با این حال، تراکم جمعیت کم لزوماً به معنای قدرت توافق پایین نیست. به نظر می رسد که نشان دهنده قدرت توافق بالاتر بین OSM و DLM (مدل منظر دیجیتال) باشد. با این حال، تراکم جمعیت کم لزوماً به معنای قدرت توافق پایین نیست. به نظر می رسد که نشان دهنده قدرت توافق بالاتر بین OSM و DLM (مدل منظر دیجیتال) باشد. با این حال، تراکم جمعیت کم لزوماً به معنای قدرت توافق پایین نیست.
کلید واژه ها: 

VGI _ اطلاعات جغرافیایی جمع‌سپاری شده ATKIS Base DLM ; کیفیت داده ها ؛ کاپا

 

چکیده گرافیکی

1. معرفی

OpenStreetMap (OSM) یک پروژه نقشه برداری مشارکتی است که در لندن (بریتانیا) در سال 2004 تأسیس شد. با این پروژه، شهروندان خصوصی داده های مکانی آزادانه در دسترس را ایجاد می کنند که می تواند جایگزینی برای داده های رسمی باشد [ 1 ]. امروزه، OSM یک پروژه بسیار محبوب است و برای کاربردهای خاص، «به یک رقیب بالقوه برای ارائه دهندگان داده های جغرافیایی عمومی و تجاری تبدیل شده است» [ 2 ]، حداقل از نظر دقت موقعیت اشیا [ 3 ].
اطلاعات جغرافیایی تولید شده توسط کاربر یا جمع‌سپاری که به عنوان اطلاعات جغرافیایی داوطلبانه (VGI) نیز شناخته می‌شود ، می‌تواند داده‌های جغرافیایی و دانش یا درک محیط را افزایش دهد. با این وجود، نگرانی هایی در مورد کیفیت و ارزش این داده ها وجود دارد [ 5 ]. به طور معمول، مشارکت کنندگان VGI غیر متخصص هستند. آنها ممکن است داوطلبان فاقد صلاحیت و آموزش ندیده باشند که بر زمینه های مورد علاقه خود تمرکز می کنند، و در مورد OSM، کاربران می توانند بلافاصله پس از ثبت نام، ویژگی ها را اصلاح یا ویرایش کنند [ 1 ، 5 ، 6 ، 7 ].
Heipke [ 8 ] به مزایای داده های تولید شده توسط کاربر به دلیل ادغام دانش محلی اشاره می کند. در واقع، استفاده از داده های OSM تولید شده توسط کاربر می تواند سودمند باشد. بدون هزینه است و امکان استفاده از داده های بالقوه به روز را در هر زمان فراهم می کند. علاوه بر این، OSM را می توان به راحتی تحت «مجوز Open Data Commons Open Database (ODbL)» به اشتراک گذاشت. در مقابل، داده های معتبر اغلب پرهزینه هستند و استفاده و به اشتراک گذاری داده ها معمولاً محدود است. علاوه بر این، به روز رسانی داده های معتبر معمولاً با هزینه های بیشتر همراه است.
همانطور که قبلا ذکر شد، پرداختن به کیفیت داده های VGI ضروری است. برای انجام این کار، مفهوم تناسب برای استفاده توصیف شده است “به عنوان نزدیکی توافق بین ویژگی های داده و نیازهای صریح و/یا ضمنی یک کاربر برای یک برنامه معین در یک منطقه معین” [ 9 ]. کیفیت داده های مکانی را می توان از طریق چندین ویژگی کیفی تعریف کرد و استانداردهایی برای توصیف آنها در دسترس است. اصول کیفیت اطلاعات جغرافیایی قبلاً در استانداردهای ISO 19113 [ 10 ] در مورد اصول کیفیت و ISO 19114 [ 11 ] در مورد روش های ارزیابی کیفیت توضیح داده شده است. هر دو استاندارد بعداً در ISO 19157 با عنوان “اطلاعات جغرافیایی-کیفیت داده” مورد بازنگری قرار گرفتند. ISO 19157 [ 12] شش عنصر کیفیت داده را تشریح می کند: کامل بودن، دقت موضوعی، سازگاری منطقی، کیفیت زمانی، دقت موقعیت و عنصر قابلیت استفاده. در این کار، تمرکز بر کامل بودن است که به عنوان «وجود و عدم وجود ویژگی‌ها، ویژگی‌ها و روابط آنها» [ 12 ] و همچنین بر صحت طبقه‌بندی تعریف می‌شود. یک عنصر کیفیت داده از دقت موضوعی.
یکی از اولین تلاش های سیستماتیک برای ارزیابی کیفیت OSM توسط هاکلی [ 6 ] انجام شد. نویسنده داده های OSM را با مجموعه داده Ordnance Survey با تجزیه و تحلیل دقت موقعیتی و کامل بودن شبکه جاده ها بر اساس روش های توسعه یافته توسط Goodchild و Hunter [ 13 ] و Hunter [ 14 ] مقایسه کرد. Girres و Touya [ 15 ] این کار را با استفاده از چندین پارامتر کیفیت از جمله دقت ویژگی به مجموعه داده فرانسوی OSM گسترش دادند. نویسندگان مزایای انعطاف پذیری و پاسخگویی داده ها و همچنین مضرات ناهمگونی در مجموعه داده OSM را نشان می دهند. چندین نویسنده روش ها و ابزارهای بیشتری را برای رسیدگی به کیفیت داده های OSM توسعه داده اند. گریزر و همکاران [16 ] یک ابزار رایگان قابل استفاده متشکل از مدل‌ها و الگوریتم‌ها برای ارزیابی کیفیت شبکه‌های خیابانی با پرداختن به دقت موقعیت، طول شبکه و کامل بودن ویژگی ارائه کرد. لودویگ و همکاران [ 17 ] شبکه خیابان آلمانی OSM را با Navteq با تطبیق خودکار اشیاء جاده مقایسه کردند و Zielstra و Zipf [ 18 ] کامل بودن شبکه جاده را با مقایسه OSM و TeleAtlas تجزیه و تحلیل کردند. نتیجه مطالعه اخیر نشان داد که “داده های ارائه شده به صورت رایگان هنوز جایگزین کافی برای داده های اختصاصی TeleAtlas نیست” [ 18 ]. هلبیچ و همکاران [ 19] دقت موقعیتی اتصالات جاده را با مقایسه OSM با TeleAtlas بررسی کرد. همچنین پورعبدالله و همکاران. [ 20 ] روشی را برای ادغام ویژگی های جاده OSM و Ordnance Survey توسعه داد. چندین مطالعه بیشتر در مورد کیفیت شبکه های خیابانی OSM وجود دارد، به عنوان مثال، [ 2 ، 21 ، 22 ، 23 ، 24 ] و همچنین نشان داده شده است که کیفیت و پوشش داده های OSM به رفتار نقشه برداری کاربران بستگی دارد. معمولاً داده ها در مناطق شهری در مقایسه با مناطق روستایی متراکم تر هستند [ 24 ].
علاوه بر آنالیزهای بیرونی ذکر شده در بالا (که در آن دو مجموعه داده مختلف با هم مقایسه می شوند)، هاکلی و همکاران. [ 3 ] یک رویکرد ذاتی را اعمال کرد که تنها بر یک مجموعه داده برای ارزیابی کیفیت داده های مکانی (در اینجا دقت موقعیتی) با در نظر گرفتن قانون لینوس متکی است. با این رویکرد، نویسندگان توانستند نشان دهند که دقت موقعیتی OSM همراه با تعداد مشارکت کنندگان افزایش یافته است. چارچوب بارون و همکاران. [ 25 ] مجموعه ای از تحلیل کیفیت OSM ذاتی را برای توصیف تناسب برای استفاده برای مجموعه ای از انواع استفاده، اما بدون تمرکز بر LULC (کاربری زمین و پوشش زمین)، که در این مقاله به آن پرداخته می شود، ایجاد کرد. با چنین رویکردی، هیچ مجموعه داده حقیقت پایه ای لازم نیست، اما نویسندگان [25 ] اشاره می کند که “گزاره های مطلق در مورد کیفیت داده ها تنها با یک مجموعه داده مرجع با کیفیت بالا به عنوان مبنایی برای مقایسه امکان پذیر است.” مونی و همکاران [ 26 ] تجزیه و تحلیل درونی و بیرونی ترکیب شده است. آنها معیارهای کیفیت را برای ارزیابی کیفیت داده های OSM با یا بدون اطلاعات واقعی مورد بررسی قرار دادند.
علاوه بر تحلیل‌های کیفی ویژگی‌های OSM خطی، مطالعات دیگر با ویژگی‌های منطقه‌ای سروکار داشتند. Hecht و همکاران ، کونزه و همکاران [ 27 و 28 ] و کلونر و همکاران. [ 29 ] به کیفیت ساختمان ها پرداخت. آنها ویژگی های ساختمان OSM را با داده های منابع رسمی در آلمان یا اتریش مقایسه کردند. در آلمان، در مناطق شهری در مقایسه با مناطق روستایی، کاملیت بالاتری مشاهده شد. با این حال، کامل بودن مطلق ساختمان OSM به طور کلی پایین بود [ 27 ]. مطالعه مفصل توسط فن و همکاران. [ 30] ردپای ساختمان را از نظر کامل بودن، دقت معنایی، دقت موقعیتی و صحت شکل با مقایسه OSM با ATKIS (سیستم اطلاعات توپوگرافی-کارتوگرافی معتبر) بررسی کرد. نویسندگان به این نتیجه رسیدند که کامل بودن ردپای ساختمان زیاد است اما ویژگی‌های بیشتر ساختمان معمولاً وجود ندارد.
اگرچه مطالعات زیادی در مورد کیفیت داده‌های OSM وجود دارد، تعداد کمی از آنها بر کاربری و پوشش زمین تمرکز می‌کنند. Schoof [ 31 ] OSM و داده‌های پوشش زمینی پایگاه DLM آلمانی ATKIS را در سه منطقه مورد مطالعه، که هر کدام 25 کیلومتر مربع را در Niedersachsen، شمال غربی آلمان پوشش می‌دهند، مقایسه کرد. نویسنده به کامل بودن و دقت موقعیت برای هر دو ویژگی خطی و منطقه ای اشاره کرده است. با توجه به ویژگی های منطقه، تمرکز بر روی دسته بندی پوشش گیاهی و مناطق ساخته شده، مقایسه اندازه های منطقه بود. نویسنده نشان داد که DLM پایه ATKIS، به استثنای یک استثنا، مقادیر مساحت بزرگتری نسبت به OSM دارد [ 31 ]. جوکار ارسنجانی و واز [ 32] مطالعه دیگری با تمرکز بر کاربری و پوشش زمین انجام داد. نویسندگان دقت OSM را در مقایسه با نظارت جهانی برای محیط زیست و امنیت شهری ارزیابی کردند. شاخص کامل و آمار کاپا برای چندین منطقه بزرگ شهری در اروپا به دست آمد. مقادیر کاپا حاصل بین شهرهای مورد بررسی به شدت متفاوت است. علاوه بر این، مونی و همکاران. [ 33 ] نمایش ویژگی های OSM برچسب گذاری شده به عنوان کاربری طبیعی یا زمین را بررسی می کند. به عنوان مثال، نویسندگان میانگین فاصله بین رئوس را محاسبه کردند و به این نتیجه رسیدند که بسیاری از چند ضلعی‌های LULC کمتر نشان داده شده‌اند در حالی که برخی دیگر از نظر تعداد نقاط بیش از حد نشان داده شده‌اند [ 33 ].
پیشنهاد شده است که قبل از استفاده به طور موثر داده های VGI را در برابر داده های رسمی بررسی کنید [ 1]. با در نظر گرفتن این موضوع، مطالعه فعلی LULC در OSM را با مجموعه داده معتبر LULC مقایسه می‌کند. به طور دقیق تر، مقایسه مجموعه داده “طبیعی” OSM با مجموعه داده معتبر آلمانی ATKIS DLM برای منطقه ای به مساحت حدود 1300 کیلومتر مربع شامل مناطق شهری و روستایی انجام شده است. هدف از این مطالعه ارزیابی کیفیت کاربری اراضی OSM و همچنین داده های پوشش زمین است. بررسی می شود که آیا می توان از داده ها به جای داده های معتبر یا علاوه بر آنها استفاده کرد. این مطالعه بخشی از یک پروژه بزرگتر با همکاری گروه هایدلبرگ GIScience، موسسه مرکزی سلامت روان در مانهایم و موسسه فناوری کارلسروهه است. مطالعه طولی مورد نظر به رابطه احتمالی بین رفاه یا سلامت روان و استفاده از زمین، در میان دیگران می‌پردازد.

2. منطقه مطالعه و داده ها

منطقه مورد مطالعه ما منطقه راین-نکار واقع در جنوب آلمان در ایالت فدرال بادن-وورتمبرگ است ( شکل 1).). این منطقه شامل 54 شهرداری است و شامل مناطق روستایی و شهرهای مانهایم (~ 318,000 نفر، Nexiga GmbH، 2014) و هایدلبرگ (~ 151,000 نفر، Nexiga GmbH، 2014) در میان سایرین است. کل منطقه حدود 1300 کیلومتر مربع را پوشش می دهد که مناطق ساخته شده تقریباً 19٪ آن را پوشش می دهد. این مطالعه با مقایسه داده‌ها با مجموعه داده‌های معتبر ATKIS Base DLM نسخه 6.0 به کیفیت استفاده از زمین و داده‌های پوشش زمین OSM می‌پردازد. این مجموعه داده توسط آژانس نقشه برداری Landesamt für Geoinformation und Landentwicklung Baden-Württemberg (LGL—اداره ایالت بادن-وورتمبرگ برای اطلاعات جغرافیایی و توسعه ایالتی) ارائه شده است. داده ها دارای مقیاس 1:25000 (بالاترین وضوح برای مجموعه داده های کاربری زمین در سراسر کشور در آلمان) هستند و از 103 دسته شی مختلف تشکیل شده اند که 46 مورد از آنها ویژگی های چند ضلعی هستند. حداقل مساحت برای اکتساب بین 0.1 هکتار تا 1 هکتار با تفاوت بین دسته ها است. به عنوان مثال، حداقل عرض 12 متر برای نهرها مورد نیاز است، در حالی که سایر مناطق مانند تأسیسات ورزشی و نیروگاه ها بدون هیچ محدودیتی در مورد حداقل مساحت تصرف می شوند. مجموعه داده تنها مجموعه داده معتبر در سراسر کشور برای استفاده از زمین در آلمان است. برای منطقه مطالعه بزرگ مورد استفاده در این مقاله، این بهترین مرجع موجود است، اما ممکن است به دلیل واقعی بودن و مقیاس داده ها محدودیت هایی وجود داشته باشد. مجموعه داده تنها مجموعه داده معتبر در سراسر کشور برای استفاده از زمین در آلمان است. برای منطقه مطالعه بزرگ مورد استفاده در این مقاله، این بهترین مرجع موجود است، اما ممکن است به دلیل واقعی بودن و مقیاس داده ها محدودیت هایی وجود داشته باشد. مجموعه داده تنها مجموعه داده معتبر در سراسر کشور برای استفاده از زمین در آلمان است. برای منطقه مطالعه بزرگ مورد استفاده در این مقاله، این بهترین مرجع موجود است، اما ممکن است به دلیل واقعی بودن و مقیاس داده ها محدودیت هایی وجود داشته باشد.
Ijgi 04 01657 g001 1024
شکل 1. کاربری اراضی/پوشش اراضی منطقه مورد مطالعه (منطقه راین-نکار) از ( الف ) پایگاه ATKIS DLM، و ( ب ) OpenStreetMap.
داده های OpenStreetMap از پایگاه داده OSM (طرح اسمز) بازیابی شدند. داده ها بر اساس گوتز و همکاران پردازش شده اند. [ 34 ] و از پایگاه داده به عنوان فایل های شکل استخراج شدند. اشیاء “طبیعی” OSM حاوی عناصر برچسب‌گذاری شده با “استفاده از زمین”، “فرغت”، “طبیعی”، “گردشگری” و “آبراه” هستند. بر این اساس، کاربری اراضی و همچنین ویژگی های پوشش زمین را شامل می شود و 76 درصد از کل مساحت مورد مطالعه را پوشش می دهد ( شکل 1 ).
هر دو مجموعه داده ATKIS و OSM بر اساس برداری هستند. با این حال، DLM دارای یک مقیاس ثابت است، در حالی که در مجموعه داده طبیعی OpenStreetMap، سطح جزئیات و در نتیجه مقیاس متفاوت است، همانطور که توسط مطالعه Touya و Reimer [ 35 ] نشان داده شده است. هر دو مجموعه داده مربوط به سال 2014 هستند، OSM در ماه مارس دانلود شد و DLM پایه در ماه می به دست آمد. ATKIS Base DLM حداقل دو بار در سال به روز می شود. بنابراین، یک واقعیت مشابه را می توان برای هر دو مجموعه داده فرض کرد.

3. روش شناسی

مقایسه OSM جمع‌سپاری شده و مجموعه داده‌های DLM از طریق یک هماهنگی معنایی ( بخش 3.1 ) و یک بخش پیش پردازش چند ضلعی ( بخش 3.2 ) انجام می‌شود، که منجر به مقایسه نقشه مربوط به منطقه با یک ماتریس سردرگمی ( بخش 3.3 ) می‌شود. شکل 2این رویه را تجسم می کند. هماهنگ سازی معنایی با ترجمه اصطلاحات نامگذاری آلمانی ATKIS DLM به انگلیسی و متعاقباً مقایسه توضیحات مجموعه داده های OSM و DLM انجام شد. در مرحله بعد، ادغام همه چند ضلعی ها در یک کلاس، همپوشانی های درون کلاس ها را حل کرد. پس از آن، تناقضات بیشتر حل شد. همپوشانی چند ضلعی ها از کلاس های مختلف باید حل می شد تا امکان مقایسه با استفاده از آمار کاپا فراهم شود. پس از پیش پردازش مجموعه داده ها قطع شد، مقادیر مساحت محاسبه شد و یک ماتریس سردرگمی به منظور ارزیابی کیفیت نقشه OSM ساخته شد. این فصل پیش پردازش و تجزیه و تحلیل را با جزئیات بیشتری توضیح می دهد.
Ijgi 04 01657 g002 1024
شکل 2. گردش کار برای مقایسه بین OSM و ATKIS Base DLM.

3.1. هماهنگی معنایی

معمول است که مجموعه داده های مختلف LULC از معنایی متفاوت استفاده می کنند. ATKIS DLM یک سیستم آلمانی است، بنابراین نام دسته‌ها ابتدا باید به انگلیسی ترجمه می‌شد تا امکان مقایسه OSM-DLM فراهم شود. علاوه بر این، DLM 46 دسته شی چند ضلعی را ارائه می دهد، در حالی که OSM “naturals” دارای 52 دسته برای منطقه مورد مطالعه است (پس از پردازش طبق [ 34 ]). به منظور امکان مقایسه مجموعه داده ها، یک فرهنگ لغت ساخته شد. ابتدا، برای هر دسته OSM یک دسته ATKIS مربوطه به صورت دستی شناسایی شد. در مرحله بعد، این دسته بندی ها به کلاس ها گروه بندی شدند تا امکان مقایسه فراهم شود. با این رویکرد 15 کلاس LULC قابل مقایسه تشکیل شد ( جدول 1 را ببینید). علاوه بر اینها، کلاسی به نام «ناشناخته» معرفی شد که شامل دسته‌هایی بود که داده‌های OSM را نمی‌توان با هیچ کلاس ATKIS DLM مطابقت داد و بالعکس . در داده های OSM، 25.3٪ از کل منطقه توسط کلاس “ناشناخته” پوشش داده شده است، در حالی که 1.49٪ از منطقه در DLM با برچسب “ناشناخته” است.
برخی از مقولات نیاز به توجه بیشتری داشتند. به عنوان مثال ذخیره‌گاه طبیعی باید جداگانه ارزیابی می‌شد، زیرا یک شیء اداری است که شامل چندین طبقه پوشش زمین مانند جنگل در میان سایرین است. مناطق شهری یا مسکونی نیز با طبقات دیگر همپوشانی دارند. آنها در مقایسه گنجانده شده اند و در همپوشانی ها کمترین اولویت را دارند. در نتیجه، همپوشانی با مناطق شهری با حذف این مناطق از طبقه شهری حل شد. کلاس جدید، “ناشناخته” در DLM به چندین کلاس اصلی اشاره دارد که نمی توان آنها را با داده های موجود در OSM مقایسه کرد زیرا کاربری زمین مبهم است. این مناطق عمدتاً شامل جاده‌های اصلی، تقاطع‌های بزرگراهی، مناطق با کاربری مختلط، مناطقی با ویژگی عملکردی خاص و مناطقی با کاربری ناشناخته هستند. کلاس OSM جدید، “ناشناخته”، شامل مناطقی است که هیچ اطلاعات LULC در دسترس نیست (95٪) و مناطق تحت پوشش سایر کلاس ها که نمی توانند با DLM مطابقت داشته باشند (5٪). پس از ایجاد فرهنگ لغت، اشیاء چند ضلعی باید از قبل پردازش شوند.

3.2. پیش پردازش چند ضلعی ها

مقایسه OSM و مجموعه داده DLM به همان مرجع فضایی نیاز دارد. OSM از سیستم جهانی ژئودتیک 1984 (WGS 84) استفاده می کند که به عنوان یک مرجع جهانی مناسب است، اما باعث انحراف در مناطق محلی می شود. در مقابل، DLM ATKIS در منطقه سیستم مختصات گاوس- کروگر 3 ارائه می‌شود. برای این مطالعه هر دو مجموعه داده به سیستم مرجع زمینی اروپا 1989/UTM منطقه 32N، یک سیستم مختصات اروپایی منسجم برای منطقه مورد مطالعه، پیش‌بینی شدند. متعاقباً، مجموعه داده ها طبق جدول 1 مجدداً طبقه بندی شدند . چند ضلعی های متعلق به یک کلاس به منظور جلوگیری از همپوشانی فضایی در همان کلاس رایج در OSM ادغام شدند. خطاهای توپولوژیکی احتمالی در داده های برداری ناشی از ویژگی های متعلق به حداقل دو کلاس در یک مجموعه داده است [ 36]. از آنجا که هدف این مطالعه تجزیه و تحلیل دقت OSM با استفاده از آمار کاپا است، یک مجموعه داده بدون چند ضلعی های همپوشانی یک پیش شرط است [ 37 ].
همپوشانی بین کلاس ها در هر دو مجموعه داده وجود دارد و عمدتاً مربوط به کلاس “شهری” است. در DLM، همپوشانی‌ها نیز توسط طبقات «صنعت»، «راه‌آهن» و «قفل» ایجاد می‌شوند، که گهگاه با سایر طبقات کاربری زمین همپوشانی دارند. برای مقابله با همپوشانی ها در ATKIS DLM قوانین زیر وضع شد: در صورت همپوشانی با طبقه شهری، طبقه غیر شهری در اولویت قرار گرفت. تنها استثنا برای کلاس “ناشناخته” بود که در آن مورد منطقه شهری در اولویت قرار گرفت. قانون دیگری تضمین می کرد که “قفل” بر “رودخانه” و “راه آهن” اولویت داده می شود. در غیر این صورت تمام قسمت های قفل برداشته می شد. برای همه همپوشانی های دیگر، تصمیمات فردی پس از بررسی بصری تصاویر هوایی گرفته شد.
جدول
جدول 1. فرهنگ لغت بین OSM و ATKIS Base DLM.
در OSM، هیچ کلاس خاصی به جز “شهری” نمی تواند با خطاهای توپولوژیکی مرتبط باشد. با این حال، بخش بزرگی از همپوشانی‌ها به دلیل چند ضلعی‌های بریده‌ای بود که ممکن است زمانی که مرزها در OSM تراز نیستند ایجاد شوند. چند ضلعی های تکه تکه نیز می توانند از دیدگاه های مختلف کاربر به وجود بیایند که به عنوان مثال، همان ناحیه به عنوان “scrub” و “forest” برچسب گذاری شده است. سایر خطاهای رخ داده به دلیل مناطق کوچکتر در یک منطقه بزرگتر است، به عنوان مثال یک دریاچه واقع در یک جنگل. در بیشتر موارد، مناطق جنگلی توسط چند ضلعی های بزرگ پوشیده شده است. مرزهای بیرونی این چند ضلعی ها ممکن است بر اساس یک تصویر هوایی بدون در نظر گرفتن مناطق کوچکتر غیر جنگلی در داخل ترسیم شوند. اگر دریاچه در نقطه بعدی نقشه برداری شود با چندضلعی جنگلی بزرگتر همپوشانی خواهد داشت.
چند ضلعی های OSM کوچکتر از 20 متر مربع با چند ضلعی مجاور دارای طولانی ترین حاشیه مشترک ادغام شدند. برای مسائل توپولوژی باقی مانده، در ابتدا، کلاس های کوچکتر اولویت داده شدند (به عنوان مثال، یک دریاچه جنگلی بر جنگل اولویت داده شد). اگر بهترین انتخاب را نمی‌توان بر اساس اندازه‌های چند ضلعی تعیین کرد، کلاس‌های کاربری اراضی بر طبقات پوشش زمین ترجیح داده می‌شوند. به کلاس «شهری» کمترین اولویت داده شد (مانند کار با DLM) به استثنای کلاس ناشناخته. تجزیه و تحلیل تصاویر هوایی برای حل خطاهای باقی مانده استفاده شد. در نهایت، طبقه بندی کاربری اراضی ذخیره طبیعی به طور جداگانه مقایسه شد، همه چند ضلعی های این طبقه ادغام شدند و بنابراین هیچ همپوشانی رخ نداد.

3.3. مقایسه نقشه مربوط به منطقه

به منظور پرداختن به کیفیت مجموعه داده OSM، مقایسه نقشه LULC بر اساس چند ضلعی ها انجام شد. هم کامل بودن و هم صحت OSM مورد ارزیابی قرار گرفت. کامل بودن عنصری از کیفیت داده های مکانی است [ 38 ] و این مطالعه به کامل بودن اشیا می پردازد. بررسی کامل بودن صفات نیز امکان دیگری خواهد بود که از حوصله این تحقیق خارج است. معیار دیگر برای کیفیت داده های مکانی، صحت ذکر شده است. بر اساس ISO 19157 [ 12] صحت طبقه بندی یک عنصر کیفیت داده از دقت موضوعی است و به عنوان “مقایسه طبقات […] با یک جهان گفتمان (مثلاً، حقیقت پایه یا داده های مرجع) تعریف می شود. علاوه بر کامل بودن و صحت، کاپا کوهن به منظور رسیدگی بیشتر به توافق بین مجموعه داده های OSM و DLM مشتق شده است. کاپا یک معیار شناخته شده توافق در زمینه سنجش از دور است [ 39 ].
پس از استخراج ویژگی های مربوطه و پیش پردازش داده ها مطابق با بخش 3.1 و بخش 3.2 ، مناطق همپوشانی و غیر همپوشانی مجموعه داده OSM حاصل با مجموعه داده ATKIS DLM تنظیم شده شناسایی شد. سپس مساحت در هکتار محاسبه شد و یک ماتریس سردرگمی استخراج شد. بر اساس ماتریس می توان کامل بودن، صحت و کاپا را محاسبه کرد.
مقادیر مثبت واقعی (TP)، مثبت کاذب (FP) و منفی کاذب (FN) برای هر کلاس LULC جداگانه به دست آمد. موارد مثبت واقعی، نواحی همپوشانی در یک کلاس در مجموعه داده مشاهده شده (OSM) و مرجع (DLM) هستند. موارد مثبت کاذب مناطقی هستند که به کلاس ارزیابی شده در OpenStreetMap تعلق دارند، اما در DLM نیستند. به همین ترتیب، منفی های کاذب مناطقی هستند که به کلاس مورد علاقه در DLM تعلق دارند اما در OSM نیستند. کامل بودن (1) و صحت (2) بر اساس [ 40 ] محاسبه می شود:
C o m p l e t e n e s s = تی پیT P + F Nکامل بودن= TPTP+FN
C o r e c t n e s s = _ تی پیT P + F Pصحت = TPTP+FP
کامل بودن و صحت نیز به ترتیب به عنوان دقت تولید کننده و کاربر شناخته می شود. کامل بودن یک اندازه گیری دقت است که خطاهای حذف را نشان می دهد و صحت خطاهای انجام شده را می سنجد [ 41 ]. کاپا کوهن [ 42 ] یک معیار آماری برای تعیین کمیت توافق بین تصاویر است. اغلب برای ارزیابی کیفیت طبقه بندی بر اساس تصاویر سنجش از دور، همراه با کامل بودن و صحت استفاده می شود [ 39 ]. شاخص کاپا ممکن است زیر 0 باشد (به این معنی که توافق کمتر از توافق اتفاقی وجود دارد)، برابر با 0 (که توافقی معادل شانس را نشان می دهد) یا تا 1 (که نشان دهنده توافق کل است) [ 43 ]] بین دو تصویر یا نقشه. این مطالعه از شاخص کاپا برای پرداختن به کیفیت کلی OSM استفاده می کند.

4. نتایج و بحث

میله های شکل 3کامل بودن و صحت مجموعه داده OSM را برای 14 کلاس نشان می دهد. مساحت مطلق طبقات کاربری زمین در شکل به صورت خطوط درج شده است. کلاس ناشناخته شامل نمی شود، زیرا محتوای کلاس بین مجموعه داده ها قابل مقایسه نیست. شکل هر دو کلاس پوشش زمین و کاربری زمین را نشان می دهد. داده‌های DLM نشان می‌دهد که یک منطقه بزرگ توسط زمین‌های کشاورزی (تقریباً 52300 هکتار) و جنگل (تقریباً 45400 هکتار) پوشیده شده است، در حالی که سایر کلاس‌های LULC مانند قفل و گرما فقط مناطق نسبتاً کوچکی را پوشش می‌دهند (به ترتیب تقریباً 13 و 4.8 هکتار). . این تصویر همچنین جنگلی را نشان می‌دهد که مساحت نسبتاً بزرگی (تقریباً 46600 هکتار) در OSM را شامل می‌شود. علاوه بر این، این کلاس با بالاترین دقت نقشه برداری می شود، زیرا هم کامل بودن (97.6٪) و هم صحت (95.1٪) نسبتاً بالا هستند. یکی از دلایل مناطق مثبت کاذب در جنگل، که مقدار صحت را کاهش می دهد، این است که در برخی مناطق ممکن است ساختار شبیه به اسکراب باشد و بنابراین کاربران این مناطق را به عنوان جنگل ترسیم کردند. مناطق تفریحی، که ممکن است برای رفاه مردم مرتبط باشد، کامل بودن متوسط ​​(57.8٪) و همچنین درستی (62.3٪) را نشان می دهد. از سوی دیگر، رودخانه ها به نسبت کامل (86.7%) و به درستی (87.9%) نقشه برداری شده اند. یک دلیل می تواند این باشد که هم جنگل و هم رودخانه دسته های پوشش زمین هستند که به دلیل ساختار و رنگشان به راحتی در تصاویر سنجش از دور قابل شناسایی هستند، اما تفریح ​​یک مقوله کاربری زمینی است که شامل پوشش های مختلف زمین است (مثلاً زمینی با پیست ورزشی). . بنابراین نقشه‌برداری اولی نسبتاً آسان است. توضیح دیگری در مورد مقادیر بالا می تواند مربوط به واردات داده باشد که برای شبکه جاده ای OSM در ایالات متحده توسط [. این است که در برخی مناطق این ساختار ممکن است شبیه به اسکراب باشد و بنابراین کاربران این مناطق را به عنوان جنگل ترسیم کردند. مناطق تفریحی، که ممکن است برای رفاه مردم مرتبط باشد، کامل بودن متوسط ​​(57.8٪) و همچنین درستی (62.3٪) را نشان می دهد. از سوی دیگر، رودخانه ها به نسبت کامل (86.7%) و به درستی (87.9%) نقشه برداری شده اند. یک دلیل می تواند این باشد که هم جنگل و هم رودخانه دسته های پوشش زمین هستند که به دلیل ساختار و رنگشان به راحتی در تصاویر سنجش از دور قابل شناسایی هستند، اما تفریح ​​یک مقوله کاربری زمینی است که شامل پوشش های مختلف زمین است (مثلاً زمینی با پیست ورزشی). . بنابراین نقشه‌برداری اولی نسبتاً آسان است. توضیح دیگری در مورد مقادیر بالا می تواند مربوط به واردات داده باشد که برای شبکه جاده ای OSM در ایالات متحده توسط [. این است که در برخی مناطق این ساختار ممکن است شبیه به اسکراب باشد و بنابراین کاربران این مناطق را به عنوان جنگل ترسیم کردند. مناطق تفریحی، که ممکن است برای رفاه مردم مرتبط باشد، کامل بودن متوسط ​​(57.8٪) و همچنین درستی (62.3٪) را نشان می دهد. از سوی دیگر، رودخانه ها به نسبت کامل (86.7%) و به درستی (87.9%) نقشه برداری شده اند. یک دلیل می تواند این باشد که هم جنگل و هم رودخانه دسته های پوشش زمین هستند که به دلیل ساختار و رنگشان به راحتی در تصاویر سنجش از دور قابل شناسایی هستند، اما تفریح ​​یک مقوله کاربری زمینی است که شامل پوشش های مختلف زمین است (مثلاً زمینی با پیست ورزشی). . بنابراین نقشه‌برداری اولی نسبتاً آسان است. توضیح دیگری در مورد مقادیر بالا می تواند مربوط به واردات داده باشد که برای شبکه جاده ای OSM در ایالات متحده توسط [. کامل بودن متوسط ​​(57.8%) و همچنین صحت (62.3%) را نشان می دهد. از سوی دیگر، رودخانه ها به نسبت کامل (86.7%) و به درستی (87.9%) نقشه برداری شده اند. یک دلیل می تواند این باشد که هم جنگل و هم رودخانه دسته های پوشش زمین هستند که به دلیل ساختار و رنگشان به راحتی در تصاویر سنجش از دور قابل شناسایی هستند، اما تفریح ​​یک مقوله کاربری زمینی است که شامل پوشش های مختلف زمین است (مثلاً زمینی با پیست ورزشی). . بنابراین نقشه‌برداری اولی نسبتاً آسان است. توضیح دیگری در مورد مقادیر بالا می تواند مربوط به واردات داده باشد که برای شبکه جاده ای OSM در ایالات متحده توسط [. کامل بودن متوسط ​​(57.8%) و همچنین صحت (62.3%) را نشان می دهد. از سوی دیگر، رودخانه ها به نسبت کامل (86.7%) و به درستی (87.9%) نقشه برداری شده اند. یک دلیل می تواند این باشد که هم جنگل و هم رودخانه دسته های پوشش زمین هستند که به دلیل ساختار و رنگشان به راحتی در تصاویر سنجش از دور قابل شناسایی هستند، اما تفریح ​​یک مقوله کاربری زمینی است که شامل پوشش های مختلف زمین است (مثلاً زمینی با پیست ورزشی). . بنابراین نقشه‌برداری اولی نسبتاً آسان است. توضیح دیگری در مورد مقادیر بالا می تواند مربوط به واردات داده باشد که برای شبکه جاده ای OSM در ایالات متحده توسط [. یک دلیل می تواند این باشد که هم جنگل و هم رودخانه دسته های پوشش زمین هستند که به دلیل ساختار و رنگشان به راحتی در تصاویر سنجش از دور قابل شناسایی هستند، اما تفریح ​​یک مقوله کاربری زمینی است که شامل پوشش های مختلف زمین است (مثلاً زمینی با پیست ورزشی). . بنابراین نقشه‌برداری اولی نسبتاً آسان است. توضیح دیگری در مورد مقادیر بالا می تواند مربوط به واردات داده باشد که برای شبکه جاده ای OSM در ایالات متحده توسط [. یک دلیل می تواند این باشد که هم جنگل و هم رودخانه دسته های پوشش زمین هستند که به دلیل ساختار و رنگشان به راحتی در تصاویر سنجش از دور قابل شناسایی هستند، اما تفریح ​​یک مقوله کاربری زمینی است که شامل پوشش های مختلف زمین است (مثلاً زمینی با پیست ورزشی). . بنابراین نقشه‌برداری اولی نسبتاً آسان است. توضیح دیگری در مورد مقادیر بالا می تواند مربوط به واردات داده باشد که برای شبکه جاده ای OSM در ایالات متحده توسط [.44 ] به عنوان مثال. استفاده از ATKIS Base DLM محدود شده و با هزینه های مالی مرتبط است. علاوه بر این، داده ها به طور قانونی نمی توانند به OSM وارد شوند. بنابراین، می توان فرض کرد که واردات قابل توجهی از DLM در OSM وجود ندارد. با این وجود، الگوی کامل بودن زمین‌های کشاورزی ممکن است با واردات داده‌ها از منابع دیگر نیز توضیح داده شود. کلاس یک کاملیت کم (45.9٪) اما یک صحت زیاد (94.8٪) را نشان می دهد، و بدیهی است که عمدتاً قسمت غربی منطقه مورد مطالعه به خوبی نقشه برداری شده است ( شکل 1 را ببینید ). با این حال، بخش غربی نیز بیشتر از قسمت شرقی شهری است، در نتیجه علاقه بیشتر یا تعداد بیشتری از کاربران OSM می‌تواند پوشش بالاتر را نیز توضیح دهد.
طبقات نسبتاً کوچک مانند قبرستان و قفل صحت بالایی را نشان می دهند (به ترتیب 97.2% و 97.7%)، اما مقادیر کامل (به ترتیب 77.7% و 12.0%) نشان می دهد که بسیاری از مناطق از دست رفته اند. برای کلاس قفل، کامل بودن پایین فرضاً به دلیل رفتار نقشه برداری کاربران OSM است. ناحیه اطراف قفل واقعی در OSM نیست، بلکه در مجموعه داده های مدیریتی DLM گنجانده شده است. برای کلاس Heth هیچ نتیجه ای قابل مشاهده نیست، زیرا مناطق در OSM ( حدود 2 هکتار) و در DLM ( حدود ) نسبتاً کوچک هستند.. 5 هکتار) و داده ها به سادگی با هم همپوشانی ندارند. در این نمونه ها، مقادیر صحت بالاتر از موارد کامل است، در حالی که برای سه دسته (جنگل، دریاچه و معدن)، کامل بودن بالاتر از صحت است. این ممکن است نشانگر نقشه برداری نادرست یا نادرست برخی از مناطق باشد.
ذخیره گاه طبیعی کاربری زمینی است که چندین طبقه کاربری و پوشش اراضی را پوشش می دهد. نتایج ارزیابی جداگانه کلاس ذخیره‌گاه طبیعی OSM کامل بودن 72.92% و صحت بالای 98.58% را نشان می‌دهد.
کاپا به عنوان شاخصی برای کیفیت داده های OSM LULC استفاده شد. کاپا حاصل از 0.61 یک توافق مثبت بین OSM و DLM را نشان می دهد. با توجه به برچسب گذاری دسته های کاپا Landis و Koch [ 43 ] توافق اندازه گیری شده قابل توجه است (0.61 تا 0.80).
محاسبه کاپا برای هر شهرداری بینش دقیق تری از توزیع فضایی دقت نقشه OSM می دهد ( شکل 4 ). در بخش غربی، قدرت توافق قابل توجه است تا تقریباً کامل طبق لندیس و کخ [ 43 ] طبقه بندی شده است. شهرداری‌هایی که کمترین مقدار کاپا را دارند در بخش جنوب شرقی، بیشتر روستایی، منطقه مورد مطالعه قرار دارند. در اینجا مناطق کشاورزی از دست رفته منجر به مقادیر نسبتاً پایین کاپا می شود ( شکل 1 را ببینید). مقیاس های متفاوت مجموعه داده ها ممکن است بر نتایج تأثیر بگذارد. به منظور بررسی این عامل، هر دو مجموعه داده به شطرنجی با وضوح 50 متر تبدیل شدند. این وضوح درشت (در مقایسه با مجموعه داده برداری) نابرابری های بالقوه در مرزهای چند ضلعی را کاهش می دهد. شاخص کاپا (61/0) برای منطقه مورد مطالعه تغییری نکرد و با انتخاب وضوح شطرنجی 20 متر نیز تغییری نکرد. این یافته ها نشان می دهد که به نظر می رسد مقیاس در این منطقه مورد مطالعه تأثیر جزئی بر نتایج داشته باشد. با این وجود، تحقیقات بیشتری برای بررسی تأثیر مقیاس در این زمینه لازم است، همانطور که برای مثال Touya و Reimer [ 35 ] قبلاً برای اشیاء جداگانه انجام دادند.
Ijgi 04 01657 g003 1024
شکل 3. کامل بودن و صحت مجموعه داده های OSM در مقایسه با مجموعه داده های مرجع ATKIS Base DLM. خطوط نشان دهنده پوشش در هکتار است.
Ijgi 04 01657 g004 1024
شکل 4. کاپا کوهن برای شهرداری های منطقه مورد مطالعه طبقه بندی شده بر اساس Landis و Koch [ 43 ].
برای بررسی ارتباط احتمالی بین شهرنشینی و کیفیت OSM، رابطه تراکم جمعیت و پوشش OSM، و همچنین تراکم جمعیت و کاپا مشاهده شد ( شکل 5 ). این شکل نشان می دهد که تراکم جمعیت بالاتر منجر به پوشش OSM بالاتر می شود. با این حال، همچنین نشان می دهد که شهرداری هایی با تراکم جمعیت پایین ممکن است دارای پوشش OSM کم یا بالا باشند. همین امر در مورد رابطه تراکم جمعیت و کاپا نیز صدق می کند. با این وجود، می توان بیان کرد که هم پوشش OpenStreetMap و هم کاپا در شهرداری هایی با تراکم جمعیت بالاتر بیشتر است.
Ijgi 04 01657 g005 1024
شکل 5. رابطه پوشش OSM (منطقه OSM نقشه برداری شده/منطقه شهرداری) و کاپا با تراکم جمعیت برای شهرداری های منطقه مورد مطالعه (داده های تراکم جمعیت © Statistisches Landesamt Baden-Württemberg, Stuttgart, 2013).

5. نتیجه گیری ها

OpenStreetMap یک منبع داده آزادانه در دسترس است، اما اغلب به دلیل نگرانی‌های مربوط به کیفیت داده مورد بحث قرار می‌گیرد. ناهمگونی و ناقص بودن برخی از نگرانی های اصلی است. البکری و فیربایرن [ 1 ] پیشنهاد می کنند قبل از استفاده از داده های VGI در برابر داده های رسمی آزمایش شوند. در این مطالعه، کیفیت مجموعه داده “naturals” OSM بازیابی شده از Osmosis با استفاده از DLM پایه ATKIS آلمان به عنوان مجموعه داده مرجع مورد بررسی قرار گرفت. کامل بودن، صحت و کاپا برای پرداختن به کیفیت داده های مکانی به دست آمد.
نتایج نشان می دهد که نتایج کامل و صحت ناهمگن بوده است. جنگل که سهم زیادی از منطقه مورد مطالعه را در بر می گیرد، کاربری اراضی با بالاترین کامل بودن و در عین حال صحت بالایی را نشان می دهد. چندین کلاس دیگر از کامل بودن پایین (مثلاً زمین کشاورزی، شهری) و صحت بالاتری برخوردار بودند، که نشان می‌دهد ویژگی‌های موجود دقیقاً نقشه‌برداری شده‌اند، اما ویژگی‌های زیادی از دست رفته است. سایر کلاس‌ها کاملیت بالاتری نسبت به صحت نشان دادند (به عنوان مثال، معدن، دریاچه)، که نشان می‌دهد در مقایسه ویژگی‌های کمتری گم شده‌اند، اما با ویژگی‌های اشتباه یا نادقیق ترسیم‌شده بیشتری دارند. محاسبات نشان داد که یک کلاس دارای کامل بودن بالای 90 درصد و شش کلاس از 15 کلاس (شامل حفاظتگاه طبیعی، به استثنای ناشناخته) دارای صحت بالای 90 درصد هستند.
به عنوان یک معیار کلی برای دقت موضوعی، آمار کاپا استخراج شد. نتیجه 0.61 را می توان به عنوان توافق اساسی بین دو منبع داده تفسیر کرد. تجزیه و تحلیل بیشتر تفاوت بین مناطق شهری و روستایی را نشان داد. در منطقه مورد مطالعه ما، مناطق پرجمعیت تر تمایل به پوشش OSM بالاتر و مقادیر کاپا بالاتر داشتند.
برای خلاصه کردن نتایج، مطالعه نشان داد که کیفیت کاربری اراضی OSM و ویژگی‌های پوشش زمین بین طبقات مورد بررسی متفاوت است. برخی از کلاس ها صحت و کامل بودن بالاتری را نسبت به سایرین نشان می دهند و بنابراین ممکن است برای اهداف خاصی قابل استفاده باشند. اگر یک کامل بودن کامل و صحت بالا، همانطور که در یک مجموعه داده رسمی مورد نیاز است، طبق این مطالعه OSM کافی نیست. همچنین جایگزینی DLM آلمانی از طریق داده های OSM LULC در وضعیت فعلی و برای منطقه مورد بررسی توصیه نمی شود. با این وجود، برای این منطقه مورد مطالعه، جنگل نمونه ای از کلاس کاربری زمین است که (بسته به کاربرد) ممکن است به جای داده های معتبر از OSM مشتق شود و به طور کلی ممکن است داده های گم شده باشد، اما زمانی که نقشه برداری می شود، اکثرا درسته در آینده، اگر کاربری زمین و پوشش زمین در OSM با افزودن ویژگی‌های جدید و افزودن دقت به ویژگی‌های موجود برای ایجاد یک مجموعه داده منسجم برای چندین کاربرد یا پرداختن به رابطه احتمالی استفاده از زمین و رفاه مردم، بهبود یابد، سودمند خواهد بود. در نهایت، تحقیقات بیشتر در مناطق مورد مطالعه بیشتر به منظور بررسی کیفیت داده های مکانی و تناسب استفاده از داده های OpenStreetMap LULC با جزئیات بیشتر مورد نیاز است.

منابع

  1. البکری، م. Fairbairn، D. ارزیابی تطبیق شباهت برای ادغام احتمالی طبقه‌بندی ویژگی‌های داده‌های مکانی از منابع رسمی و غیررسمی. بین المللی J. Geogr.Inf. علمی 2012 ، 26 ، 1437-1456. [ Google Scholar ] [ CrossRef ]
  2. نیس، پ. زیلسترا، دی. Zipf، A. تکامل شبکه خیابانی نقشه‌های crowdsourced: OpenStreetMap در آلمان 2007-2011. آینده بین المللی. 2012 ، 4 ، 1-21. [ Google Scholar ] [ CrossRef ]
  3. هاکلی، م. بسیوکا، اس. آنتونیو، وی. Ather، A. برای نقشه برداری خوب یک منطقه به چند داوطلب نیاز است؟ اعتبار قانون لینوس برای اطلاعات جغرافیایی داوطلبانه کارتوگر. J. 2010 , 47 , 315-322. [ Google Scholar ] [ CrossRef ]
  4. Goodchild، MF Citizens به عنوان حسگر: دنیای جغرافیای داوطلبانه. ژئوژورنال 2007 ، 69 ، 211-221. [ Google Scholar ] [ CrossRef ]
  5. فلاناژین، ا. متزگر، ام. اعتبار اطلاعات جغرافیایی داوطلبانه. جئوژورنال 2008 ، 72 ، 137-148. [ Google Scholar ] [ CrossRef ]
  6. Haklay, M. اطلاعات جغرافیایی داوطلبانه چقدر خوب است؟ مطالعه تطبیقی ​​مجموعه داده های نظرسنجی OpenStreetMap و مهمات. محیط زیست طرح. B طرح. دس 2010 ، 37 ، 682-703. [ Google Scholar ] [ CrossRef ]
  7. نیس، پ. Zielstra، D. تحولات اخیر و روندهای آینده در تحقیقات داوطلبانه اطلاعات جغرافیایی: مورد OpenStreetMap. آینده بین المللی. 2014 ، 6 ، 76-106. [ Google Scholar ] [ CrossRef ]
  8. هیپک، سی. داده‌های جغرافیایی جمع‌سپاری. ISPRS J. Photogramm. Remote Sens. 2010 , 65 , 550-557. [ Google Scholar ] [ CrossRef ]
  9. دیویلر، آر. Bédard، Y.; ژانسولین، آر. Moulin، B. ابزارهای تحلیل اطلاعات کیفیت داده‌های مکانی برای کارشناسانی که تناسب استفاده از داده‌های مکانی را ارزیابی می‌کنند. بین المللی جی. جئوگر. Inf. علمی 2007 ، 21 ، 261-282. [ Google Scholar ] [ CrossRef ]
  10. اطلاعات جغرافیایی – اصول کیفیت (ISO 19113:2002). در دسترس آنلاین: http://www.beuth.de/en/standard/din-en-iso-19113/77801382 (در 29 ژوئیه 2015 در دسترس است).
  11. اطلاعات جغرافیایی-روشهای ارزیابی کیفیت (ISO 19114:2003). در دسترس آنلاین: http://www.iso.org/iso/iso_catalogue/catalogue_tc/catalogue_detail.htm?csnumber=26019 (در 29 ژوئیه 2015 قابل دسترسی است).
  12. Geoinformation—Datenqualität (ISO 19157:2013). در دسترس به صورت آنلاین: http://www.beuth.de/de/norm/din-en-iso-19157/199073153 (در 29 ژوئیه 2015 قابل دسترسی است).
  13. Goodchild، MF; Hunter، GJ یک اندازه گیری دقت موقعیتی ساده برای ویژگی های خطی. بین المللی جی. جئوگر. Inf. علمی 1997 ، 11 ، 299-306. [ Google Scholar ] [ CrossRef ]
  14. Hunter, GJ ابزارهای جدید برای مدیریت کیفیت داده های مکانی: حرکت از مفاهیم دانشگاهی به واقعیت عملی. URISA J. 1999 ، 11 ، 25-34. [ Google Scholar ]
  15. گیرس، جی اف. Touya, G. ارزیابی کیفیت مجموعه داده OpenStreetMap فرانسوی. ترانس. GIS 2010 ، 14 ، 435-459. [ Google Scholar ] [ CrossRef ]
  16. گریزر، ا. استراوب، ام. Dragaschnig, M. Towards a Towards the Towards an open source analysis tool for street network مقایسه: شاخص ها، ابزارها و نتایج مقایسه OSM و نمودار مرجع رسمی اتریش. ترانس. GIS 2014 ، 18 ، 510-526. [ Google Scholar ] [ CrossRef ]
  17. لودویگ، آی. ووس، ا. Krause-Traudes، M. مقایسه شبکه های خیابانی Navteq و OSM در آلمان. در پیشرفت علم اطلاعات جغرافیایی برای جهانی در حال تغییر . Geertman, S., Reinhardt, W., Toppen, F., Eds. Springer: برلین هایدلبرگ، آلمان، 2011; صص 65-84. [ Google Scholar ]
  18. زیلسترا، دی. Zipf، A. مطالعه مقایسه ای داده های جغرافیایی اختصاصی و اطلاعات جغرافیایی داوطلبانه برای آلمان. در مجموعه مقالات سیزدهمین کنفرانس بین المللی AGILE در علم اطلاعات جغرافیایی، گیمارش، پرتغال، 10-14 مه 2010.
  19. هلبیچ، ام. آملونکسن، سی. Neis، P. تحلیل فضایی مقایسه ای دقت موقعیتی نقشه خیابان باز و داده های جغرافیایی اختصاصی. در مجموعه مقالات انجمن GI 2012: Geovisualization، Society and Learning، سالزبورگ، اتریش، 4-6 ژوئیه 2012.
  20. پورعبدالله، ع. مورلی، جی. فلدمن، اس. جکسون، ام. به سوی نقشه خیابان باز معتبر: تلفیق شبکه جاده ای نقشه های ملی داده های باز OSM و OS. ISPRS Int. J. Geo-Inf. 2013 ، 2 ، 704-728. [ Google Scholar ] [ CrossRef ]
  21. البکری، م. Fairbairn، D. ارزیابی دقت داده‌های جمع‌سپاری و ادغام آن با مجموعه داده‌های فضایی رسمی. در مجموعه مقالات نهمین سمپوزیوم بین المللی ارزیابی دقت فضایی در منابع طبیعی و علوم محیطی، لستر، بریتانیا، 20 تا 23 ژوئیه 2010.
  22. Ather، A. تجزیه و تحلیل کیفیت داده های OpenStreetMap . دانشگاه کالج لندن: لندن، انگلستان، 2009. [ Google Scholar ]
  23. کورکوران، پ. Mooney, P. مشخص کردن تکامل متریک و توپولوژیکی بازنمودهای شبکه OpenStreetMap. یورو فیزیک J. Spec. بالا. 2013 ، 215 ، 109-122. [ Google Scholar ] [ CrossRef ]
  24. موندزچ، جی. Sester، M. تجزیه و تحلیل کیفیت داده های OpenStreetMap بر اساس نیازهای برنامه. کارتوگر. بین المللی J. Geogr.Inf. ژئوویژوال. 2011 ، 46 ، 115-125. [ Google Scholar ] [ CrossRef ]
  25. بارون، سی. نیس، پ. Zipf، A. چارچوبی جامع برای تحلیل کیفی OpenStreetMap ذاتی. ترانس. GIS 2014 ، 18 ، 877-895. [ Google Scholar ] [ CrossRef ]
  26. مونی، پی. کورکوران، پ. Winstanley، AC به سمت معیارهای کیفیت برای OpenStreetMap. در مجموعه مقالات هجدهمین کنفرانس بین المللی SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، سن خوزه، کالیفرنیا، ایالات متحده آمریکا، 2 تا 5 نوامبر 2010.
  27. هچت، ر. کونز، سی. Hahmann, S. اندازه گیری کامل بودن ردپای ساختمان در OpenStreetMap در مکان و زمان. ISPRS Int. J. Geo-Inf. 2013 ، 2 ، 1066-1091. [ Google Scholar ] [ CrossRef ]
  28. Zur Vollständigkeit des Gebäudedatenbestandes von OpenStreetMap. در دسترس آنلاین: http://www.kartographische-nachrichten.de/kartographische-nachrichten/heftarchiv/kn-02032013.html#c3764 (در 29 ژوئیه 2015 قابل دسترسی است).
  29. کلونر، سی. بارون، سی. نیس، پ. Höfle, B. به روز رسانی مدل های رقومی ارتفاع از طریق تشخیص تغییر و ادغام داده های حسگر انسانی و راه دور در محیط های شهری. بین المللی J. Digital Earth 2014 . [ Google Scholar ] [ CrossRef ]
  30. فن، اچ. Zipf، A.; فو، س. Neis, P. ارزیابی کیفیت برای ایجاد داده های ردپایی در OpenStreetMap. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 700-719. [ Google Scholar ] [ CrossRef ]
  31. Atkis-basis-dlm und OpenStreetMap—ein Datenvergleich anhand ausgewählter Gebiete در Niedersachsen. در دسترس آنلاین: http://www.fossgis.de/w/images/a/a1/2011_fossgis_tagungsband.pdf#page=118 (در 29 ژوئیه 2015 قابل دسترسی است).
  32. جوکار ارسنجانی، ج. Vaz, E. ارزیابی یک رویکرد نقشه برداری مشترک برای کاوش الگوهای کاربری زمین برای چندین کلانشهر اروپایی. برنامه Int J. زمین Obs. Geoinf. 2015 ، 35 ، 329-337. [ Google Scholar ] [ CrossRef ]
  33. مونی، پی. کورکوران، پ. Winstanley، AC مطالعه ای در مورد نمایش داده های ویژگی های طبیعی در OpenStreetMap. در مجموعه مقالات ششمین کنفرانس بین المللی، GIScience 2010، زوریخ، سوئیس، 14-17 سپتامبر 2010.
  34. گوتز، ام. لاور، جی. Auer, M. یک روش مبتنی بر الگوریتم برای ایجاد یک نقشه آنلاین جهانی که به طور منظم به روز می شود که از اطلاعات جغرافیایی داوطلبانه مشتق شده است. در مجموعه مقالات چهارمین کنفرانس بین المللی سیستم های اطلاعات جغرافیایی پیشرفته، برنامه ها و خدمات، والنسیا، اسپانیا، 30 ژانویه تا 4 فوریه 2012.
  35. تویا، جی. Reimer, A. استنتاج مقیاس ویژگی های OpenStreetMap. در OpenStreetMap در Giscience ; جوکار ارسنجانی، ج.، زیپف، ع.، مونی، پ.، هلبیچ، م.، ویرایش. انتشارات بین المللی Springer: چم، سوئیس، 2015; صص 81-99. [ Google Scholar ]
  36. Vaugin, F. A مطالعه عملی در مورد دقت و وضوح در پایگاه داده های جغرافیایی برداری. در کیفیت داده های مکانی ; Shi, W., Fisher, P., Goodchild, MF, Eds. تیلور و فرانسیس: لندن، انگلستان، 2002; صص 127-139. [ Google Scholar ]
  37. Foody، GM وضعیت ارزیابی صحت طبقه بندی پوشش زمین. سنسور از راه دور محیط. 2002 ، 80 ، 185-201. [ Google Scholar ] [ CrossRef ]
  38. Aalders، HJGL ثبت کیفیت در GIS. در کیفیت داده های مکانی ; Shi, W., Fisher, P., Goodchild, MF, Eds. تیلور و فرانسیس: لندن، انگلستان، 2002; ص 186-199. [ Google Scholar ]
  39. Congalton، RG مروری بر ارزیابی دقت طبقه‌بندی داده‌های سنجش از دور. سنسور از راه دور محیط. 1991 ، 37 ، 35-46. [ Google Scholar ] [ CrossRef ]
  40. هیپکه، سی. مایر، اچ. ویدمن، سی. Jamet, O. ارزیابی استخراج خودکار جاده. بین المللی قوس فتوگرام Remote Sens. 1997 , 32 , 151-160. [ Google Scholar ]
  41. سرا، پ. موره، جی. Pons، X. وزن‌دهی وفاداری در مقابل ناحیه طبقه‌بندی‌شده در طبقه‌بندی‌های سنجش از دور از منظر پیکسل و چندضلعی. در مجموعه مقالات هفتمین سمپوزیوم بین المللی ارزیابی دقت فضایی در منابع طبیعی و علوم محیطی، لیسبون، پرتغال، 5-7 ژوئیه 2006.
  42. کوهن، جی. ضریب توافق برای مقیاس های اسمی. آموزش. روانی Meas. 1960 ، 20 ، 37-46. [ Google Scholar ] [ CrossRef ]
  43. لندیس، جی آر. Koch, GG اندازه گیری توافق ناظر برای داده های طبقه بندی شده. بیومتریک 1977 ، 33 ، 159-174. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  44. زیلسترا، دی. Hochmair، HH; Neis، P. ارزیابی تأثیر واردات داده بر کامل بودن نقشه خیابان باز – مطالعه موردی ایالات متحده. ترانس. GIS 2013 ، 17 ، 315-334. [ Google Scholar ] [ CrossRef ]

;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