نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

خلاصه

:

عکس های دارای برچسب جغرافیایی به طور فزاینده ای به عنوان منبع اطلاعات جغرافیایی داوطلبانه (VGI) مورد استفاده قرار می گیرند، که به طور بالقوه می تواند برای استفاده از زمین و کاربردهای پوشش زمین استفاده شود. هدف این مقاله تحلیل امکان‌سنجی استفاده از این منبع اطلاعات مکانی برای سه مورد کاربری مرتبط با پوشش زمین: کالیبراسیون، اعتبارسنجی و راستی‌آزمایی است. ما ابتدا فهرستی از ابرداده‌هایی که با عکس‌های دارای برچسب جغرافیایی جمع‌آوری شده‌اند ارائه می‌کنیم و سپس بررسی می‌کنیم که چه عناصری برای موارد استفاده فوق‌الذکر ضروری، مطلوب یا غیر ضروری هستند. سپس عکس‌های دارای برچسب جغرافیایی از Flickr، Panoramio و Geograph برای منطقه‌ای از لندن، انگلستان استخراج و بر اساس مفید بودن آن‌ها برای نقشه‌برداری پوشش زمین از جمله تجزیه و تحلیل ابرداده‌های همراه طبقه‌بندی شدند. سرانجام،
کلید واژه ها: 

عکس های دارای برچسب جغرافیایی ؛ اطلاعات جغرافیایی داوطلبانه ; فلیکر ؛ پانورامیو ; جغرافیا ؛ پوشش زمین ؛ کاربری زمین ؛ تناسب اندام برای استفاده

 

1. معرفی

اطلاعات جغرافیایی داوطلبانه (VGI) به ارائه اطلاعات مبتنی بر مکان توسط داوطلبان اشاره دارد [ 1 ]، که در آن نقشه برداری مشارکتی آنلاین، نقشه خیابان باز (OSM) را به یکی از موفق ترین نمونه های جمع آوری داده های مکانی توسط شهروندان تبدیل کرده است [ 2 ]. نمونه های دیگر عبارتند از VGI برای پاسخ به بلایا [ 3 ]، تفسیر تصاویر ماهواره ای برای نقشه برداری و اعتبار سنجی پوشش زمین [ 4 ]، و نظارت بر محیط [ 5 ]. همچنین علاقه قابل توجهی به بررسی نحوه استفاده از VGI برای تکمیل داده های معتبر یا برجسته کردن مناطق تغییر سریعتر از چرخه نقشه برداری آژانس های نقشه برداری ملی وجود دارد. بیشتر این کار بر مقایسه داده‌های OSM با داده‌های معتبر متمرکز شده است.6 ، 7 ، 8 ، 9 ، 10 ]. کار بسیار کمتری بر روی استفاده از عکس‌های دارای برچسب جغرافیایی به عنوان منبع VGI متمرکز شده است [ 11 ]، با این حال آنها منبع قابل توجه و رو به رشدی از اطلاعات داوطلبانه هستند، به عنوان مثال، از مخازن آنلاین مانند Flickr، Panoramio و Geograph، همچنین به عنوان پلتفرم های رسانه های اجتماعی عمومی، مانند اینستاگرام. در حال حاضر تخمین زده می شود که حدود 90 میلیون عکس در پانورامیو [ 12 ] وجود داشته باشد و فقط کمتر از 60 میلیون عکس در روز در اینستاگرام آپلود می شود [ 13 ]. به گفته میشل [ 14]، در فلیکر، حدود دو میلیون عکس در روز آپلود می شود و بیش از 5.26 میلیارد عکس تا پایان سال 2014 در دسترس بود. در سال 2010، کیسیلویچ و همکاران. [ 15 ] حدود 87 میلیون عکس با برچسب جغرافیایی برای تجزیه و تحلیل و تجسم جغرافیایی فعالیت ها و رفتار مردم در سراسر جهان دانلود کردند. نتایج نشان داد که جذابیت مکان‌ها را می‌توان با عکس‌ها بررسی کرد و ژئو تجسم در تحلیل ویژگی‌های زمانی و مکانی این مجموعه‌داده‌ها ارزش زیادی دارد. مطالعات مشابهی با استفاده از تصاویر دارای برچسب جغرافیایی برای یافتن مناطق مورد علاقه توریستی در استرالیا، هنگ کنگ، ایتالیا و سوئیس، و همچنین استخراج الگوهای رفتاری گردشگران با شناسایی مسیرهای مکانی-زمانی اصلی که توسط بازدیدکنندگان گرفته شده است، ظاهر شده است.16 ، 17 ، 18 ، 19 ، 20 ]. چهار نوع خوشه مکانی-زمانی (ایستا، ظاهر شدن مجدد، حرکت گاه به گاه و منظم) در عکس های فلیکر از سوئیس [ 19 ] یافت شد، جایی که نویسندگان این الگوها را با تفسیر معنایی متن ( به عنوان مثال ، برچسب ها از عکس ها) و اطلاعات ترکیب کردند. از منابع داده خارجی ( به عنوان مثال ، صفحات ویکی دارای برچسب جغرافیایی). همچنین از عکس‌های دارای برچسب جغرافیایی برای ارائه توصیه‌های شخصی در مورد جاذبه‌های گردشگری [ 21 ] و شناسایی رویدادها استفاده شده است [ 22 ، 23 ، 24 ، 25]]. به عنوان مثال، یک روش جدید توسط Rattenbury و همکاران توسعه داده شد . [ 22 ] برای تشخیص رویداد و معناشناسی مکان از توزیع و بسامد برچسب‌ها از تصاویر فلیکر در منطقه خلیج سانفرانسیسکو، بهتر از سایر روش‌های مشابه، در حالی که چن و روی [23] از عکس‌های برچسب‌گذاری‌شده جغرافیایی برای تشخیص رویدادهای متناوب با استفاده از موجک‌ها استفاده کردند. ابتدا نویز را فیلتر کنید. عکس‌های دارای برچسب جغرافیایی نیز برای شناسایی رویدادهای اجتماعی مانند مسابقات فوتبال، کنسرت‌ها، رژه‌ها و جشنواره‌ها استفاده شده‌اند [ 24 ، 25 ، 26 ] در حالی که عکس‌های توریستی نیز برای بازسازی مناطق شهری استفاده شده‌اند [ 27 ، 28 ].
یکی دیگر از حوزه‌های مورد علاقه در حال رشد، استفاده از عکس‌های دارای برچسب جغرافیایی برای توسعه، تأیید و اعتبار سنجی نقشه‌های کاربری و پوشش زمین (LULC) است [29 ] . به عنوان مثال، لی و همکاران. [ 30 ] یک روش خودکار برای تولید نقشه جاده های اصلی پکن با استفاده از تصاویر برچسب گذاری شده جغرافیایی از فلیکر پیشنهاد کرد. مکان‌ها و کلاس‌های جاده‌ها از مسیرهای ارائه‌شده توسط کاربر استنباط می‌شوند در حالی که نام جاده‌ها از برچسب‌ها مشتق شده‌اند. استیما و همکاران [ 31 ، 32] ارزیابی کرد که آیا می‌توان از عکس‌های فلیکر برای پشتیبانی از طبقه‌بندی LULC برای شهر کویمبرا و برای مقایسه با کلاس‌های Corine Land Cover (CLC) (سطح 1 و 2) برای قاره پرتغال استفاده کرد. برای کویمبرا، نتایج نشان‌دهنده توزیع نابرابر عکس‌های دارای برچسب جغرافیایی با غلظت قوی در مکان‌های توریستی بود در حالی که مقایسه با CLC نشان‌دهنده بالاترین تراکم عکس‌ها در مناطق مصنوعی بود. نویسندگان به این نتیجه رسیدند که عکس‌های فلیکر در صورت استفاده به تنهایی برای طبقه‌بندی LULC یا مقایسه با CLC مناسب نیستند، اما ممکن است با ترکیب آنها با سایر منابع VGI بهبود حاصل شود. لئونگ و نیوزام [ 33 ، 34 ، 35] بررسی کرد که آیا تصاویر دارای برچسب جغرافیایی می توانند به عنوان ورودی برای طبقه بندی پوشش زمین استفاده شوند یا خیر. نویسندگان با استفاده از عکس‌های دارای برچسب جغرافیایی از Flickr و Geograph، یک طبقه‌بندی پوشش زمین باینری (توسعه‌یافته/توسعه‌یافته) برای مساحت 100 × 100 کیلومتر مربع در بریتانیای کبیر ایجاد کردند. دقت به‌دست‌آمده در حدود 75 درصد بود، با نتایج بالاتری برای Geograph در مقایسه با Flickr [ 33 ، 34 ]. نویسندگان همچنین ادعا می‌کنند که عملکرد طبقه‌بندی زمانی بهبود می‌یابد که تصاویر با تلفن‌های همراه به دست می‌آیند و تصاویر گرفته شده با فلاش کنار گذاشته می‌شوند. رویکرد مشابهی توسط نویسندگان در [ 35] استفاده شد] برای طبقه بندی کاربری زمین با استفاده از تصاویر برچسب گذاری شده جغرافیایی از Flickr. این الگوریتم بر روی نقشه‌های کاربری اراضی از دو پردیس دانشگاه تایید شد و نتایج کلی نشان داد که پتانسیل خوبی برای تعمیم این رویکرد به مناطقی که نقشه‌های کاربری زمین در دسترس نیستند یا قدیمی هستند وجود دارد.
حرکت به مقیاس جهانی، Tsendbazar et al. [ 36 ] بررسی کرد که کدام محصولات پوشش زمین جهانی از عکس های برچسب گذاری شده جغرافیایی در آموزش یا اعتبار سنجی خود استفاده کرده اند، که شامل GlobCover 2005 [ 37 ]، GlobCover 2009 [ 38 ] و GLCNMO [ 39 ]، که در آن یکی از منابع عکس ها مدرک تحصیلی بوده است. پروژه تلاقی (DCP). DCP یک ابتکار داوطلبانه است که با هدف جمع‌آوری عکس‌ها و روایت‌ها در هر نقطه تقاطع طول و عرض جغرافیایی در سراسر جهان انجام می‌شود. فودی و بوید [ 40] از عکس‌های DCP برای اعتبارسنجی پوشش جنگلی در غرب آفریقا از نقشه GlobCover استفاده کرد، و دریافت که داده‌های داوطلبان مقادیر دقتی مشابه با اعتبارسنجی‌های حرفه‌ای را پس از اعمال مدل کلاس پنهان نشان می‌دهند. عکس های دارای برچسب جغرافیایی از DCP نیز برای اعتبار سنجی نقشه های پوشش زمین توسط Iwao و همکاران استفاده شد. [ 41]. نویسندگان از عکس‌ها و توضیحات مربوط به 749 نقطه DCP در سراسر جهان برای اعتبارسنجی پوشش زمین MODIS (MOD12)، پوشش جهانی زمین دانشگاه مریلند (UMD)، پوشش زمین جهانی 2000 (GLC2000) و پایگاه داده ویژگی‌های پوشش زمین جهانی (GLCC) استفاده کردند. . نتایج نشان داد که داده‌های DCP نسبت به داده‌های اعتبارسنجی که از تفسیر بصری تصاویر Landsat به دست می‌آیند، قابلیت اطمینان یکسان یا بالاتری دارند. یک مجموعه داده اعتبارسنجی بزرگتر (4211 داده DCP از مکان های سراسر جهان) توسط Iwao و همکاران استفاده شد . [ 42] برای اعتبار سنجی نقشه جهانی پوشش زمین جدید ایجاد شده با ترکیب سه نقشه پوشش زمین موجود (MOD12، GLC2000 و UMD). میزان توافق هر نقشه پوشش زمین برای شش منطقه عمده آب و هوایی محاسبه شد. نتایج نشان داد که توافق کلی برای نقشه جدید پوشش زمین در مقایسه با سه محصول منفرد بالاتر بود.
اگرچه بسیاری از مطالعات ذکر شده نتایج امیدوارکننده‌ای را با توجه به استفاده از عکس‌های دارای برچسب جغرافیایی به‌عنوان ورودی برای پوشش زمین و نقشه‌برداری کاربری زمین نشان داده‌اند، این منبع VGI با تعدادی اخطار همراه است. سازگاری اصطلاحی و عدم قابلیت همکاری با داده‌های معتبر توسط Kinley [ 43 ]، که کفایت عکس‌های برچسب‌گذاری‌شده جغرافیایی از Geograph را برای افزایش داده‌های معتبر در مورد پوشش زمین و Purves و همکارانش بررسی کرد ، برجسته شده است . [ 44 ]، که امکان توصیف مکان را از برچسب‌های مشارکت‌کننده کاربر در Geograph بررسی کرد. انواع مختلفی از سوگیری در داده ها وجود دارد، به عنوان مثال، یک سوگیری فضایی نسبت به مناطق شهری و توریستی [ 32 ، 45]]، نگرانی در مورد کیفیت VGI به طور کلی [ 46 ، 47 ] و همچنین مسائل خاصی مانند دقت موقعیت عکس های برچسب گذاری شده جغرافیایی [ 48 ، 49 ]، و مسائل حقوقی در مورد حریم خصوصی و مالکیت [ 50 ، 51 ]. برخی از این نگرانی ها، مانند نیاز به بهبود کیفیت داده ها و قابل اعتماد بودن داده ها، می تواند با استفاده از پروتکل های جمع آوری داده ها کمک کند. پروتکل‌های جمع‌آوری داده برای VGI یا وجود ندارند یا به‌طور دقیق اجرا نمی‌شوند، مثلاً با داده‌های OSM. در مقابل، بسیاری از پروژه های علمی شهروندی در زمینه نظارت و حفاظت از تنوع زیستی دارای پروتکل های جمع آوری داده های کاملاً تعریف شده ای هستند که نیاز به آموزش کاربر و/یا تعامل قوی با کارشناسان در این زمینه دارد.52 ]. به یک معنا، در تلاش برای پوشش این شکاف، کنسرسیوم وب جهانی (W3C) و کنسرسیوم فضایی باز (OGC) به طور مشترک پیش نویس سند [53] را در مورد بهترین شیوه هایی که باید هنگام انتشار داده های مکانی در وب دنبال شود منتشر کرده اند . اما هنوز به طور کلی کمبود پروتکل در VGI وجود دارد.
هدف کلی این مقاله بررسی قابلیت استفاده از عکس‌های برچسب‌گذاری‌شده جغرافیایی برای کاربردهای پوشش زمین، و ارائه توصیه‌هایی در مورد حداقل اطلاعات مورد نیاز، از جمله ملاحظات کیفیت این اطلاعات است. به عنوان نقطه شروع، پروتکل‌هایی را که با برنامه‌ها و ابتکارات فعلی مرتبط هستند که عکس‌های دارای برچسب جغرافیایی را جمع‌آوری می‌کنند، بررسی می‌کنیم. سپس فهرستی از ابرداده‌هایی که از عکس‌های دارای برچسب جغرافیایی، به عنوان مثال، از فایل‌های EXIF ​​و فرم‌هایی که هنگام آپلود عکس‌ها پر شده‌اند، جمع‌آوری می‌کنیم. این فهرست همچنین شامل اطلاعات دیگری است که می تواند توسط داوطلبان ارائه شود که ممکن است برای برنامه های مختلف ارزشمند باشد. سپس سه مورد استفاده مربوط به پوشش زمین را در نظر می‌گیریم و در نظر می‌گیریم که چه ابرداده‌هایی از فهرست فراداده‌های گردآوری‌شده ضروری یا مطلوب هستند. سپس عکس‌های دارای برچسب جغرافیایی از Flickr، Panoramio و Geograph برای بررسی فراداده‌های موجود استخراج شدند و تصاویر بر اساس سودمندی آنها برای نقشه‌برداری پوشش زمین طبقه‌بندی شدند. در نهایت، ما راهنمایی هایی در مورد حداقل نیازهای داده برای عکس های دارای برچسب جغرافیایی با توجه به کاربردهای پوشش زمین ارائه می دهیم و در مورد پروتکل های عکس های دارای برچسب جغرافیایی در کاربردهای جدید VGI در رابطه با پوشش زمین بحث می کنیم.

2. پروتکل‌ها برای سایت‌های عکس دارای برچسب جغرافیایی موجود و فهرست فراداده‌ها

2.1. پروتکل های فعلی برای عکس های دارای برچسب جغرافیایی

اکنون سایت‌های زیادی وجود دارند که به کاربران اجازه می‌دهند عکس‌ها را آپلود کنند، جایی که هدف از شبکه‌های اجتماعی خالص به سایت‌های اشتراک‌گذاری عکس با آن‌هایی که برای مستندسازی مناظر طراحی شده‌اند، متفاوت است. مجموعه ای از سایت ها در جدول 1 فهرست شده اند . سپس هر یک از این سایت‌ها برای تعیین حداقل الزامات یا پروتکل‌ها برای آپلود عکس‌ها و همچنین اطلاعاتی که می‌توان به صورت اختیاری اضافه کرد، مورد بررسی قرار گرفت. این نظرسنجی به منظور درک پروتکل های فعلی انجام شد. این را می توان با پروتکل بررسی قاب کاربری زمین/منطقه پوششی (LUCAS – نشان داده شده در پایین جدول 1) مقایسه کرد.که یک پروتکل حرفه‌ای برای جمع‌آوری داده‌های پوشش زمین و کاربری زمین است که هر سه سال یک بار در یک نمونه به طور منظم در سراسر اروپا به منظور تشخیص تغییر انجام می‌شود [54 ] .
از جدول 1 مشخص است که پروتکل های کمی در ارتباط با رسانه های اجتماعی و سایت های به اشتراک گذاری عکس در مقایسه با سایت های مربوط به مستندسازی مناظر وجود دارد. از سوی دیگر، پروتکل دقیق LUCAS در یک کتابچه راهنمای 109 صفحه ای [ 54 ] مشخص شده است. برچسب‌گذاری و نظرات در رسانه‌های اجتماعی و سایت‌های اشتراک‌گذاری عکس کاملاً رایگان است، در حالی که دسته‌بندی‌های پوشش زمین و کاربری زمین برای برخی اما نه همه سایت‌ها و برنامه‌های مستندسازی منظر ارائه شده است. در مقابل، طبقه بندی دقیق پوشش زمین و کاربری اراضی سه لایه بخشی از پروتکل LUCAS [ 55 ] است.

2.2. فهرستی از متادیتا برای عکس های دارای برچسب جغرافیایی

جدول 2 فهرستی از انواع ابرداده‌هایی را ارائه می‌کند که با عکس‌های آپلود شده در مخازن و پروژه‌های عکس مشترک همراه هستند، و همچنین ابرداده‌هایی که می‌توانند برای LULC مفید باشند. علاوه بر این، وجود یا عدم وجود این ابرداده ها در Flickr، Panoramio و Geograph ارائه شده است، زیرا عکس های مورد استفاده در این مطالعه از این طرح ها دانلود شده است.
به طور کلی، عکس‌ها می‌توانند بدون اطلاعات مکان همراه باشند، به این معنی که برای برنامه‌های LULC مفید نیستند، مگر اینکه بتوان آنها را از طریق فراداده همراه یا تجزیه و تحلیل بصری به طور دقیق ارجاع داد. عکس‌های دارای برچسب جغرافیایی می‌توانند هیچ یا مقادیر متفاوتی از متادیتای همراه داشته باشند، برخی از آنها ممکن است به طور خودکار تولید شوند (مثلاً از دستگاه‌های تلفن همراه یا دوربین)، در حالی که برخی دیگر ممکن است به صورت دستی توسط کاربران هنگام آپلود عکس‌ها اضافه شوند. در نهایت، برخی از انواع ابرداده می تواند برای ارزیابی کیفیت مفید باشد (به عنوان مثال، اطلاعات در مورد روش موقعیت یابی). با این حال، این متادیتاهای اخیر به ندرت در دسترس هستند. همچنین قابل توجه است که عکس‌ها طیف گسترده‌ای از ابرداده‌ها را در هدر EXIF ​​خود ذخیره می‌کنند. با این حال، روشی که وب سایت ها و برنامه ها با این منبع ابرداده برخورد می کنند ناسازگار است. به عنوان مثال، شورای بین‌المللی ارتباطات مطبوعاتی (IPTC) روش‌های مختلفی را بررسی کرد که رسانه‌های اجتماعی با ابرداده‌های همراه با یک عکس و اطلاعات نادیده گرفته شده یا حذف می‌شوند، هنگام عبور عکس از جریان کار یک مخزن [56 ].
پس از عدم وجود پروتکل‌های مرتبط با اکثر مخازن عکس دارای برچسب جغرافیایی و فهرستی از ابرداده‌ها که می‌تواند عکس‌های دارای برچسب جغرافیایی را همراهی کند، اکنون سه مورد استفاده را در نظر می‌گیریم و قابلیت استفاده عکس‌های دارای برچسب جغرافیایی را برای هر یک از این برنامه‌ها بررسی می‌کنیم.

3. روش شناسی

3.1. منطقه مطالعه

منطقه مورد مطالعه (8093 کیلومتر مربع ) مربوط به منطقه ای از لندن در داخل جعبه مرزی با محدودیت های 0.217 درجه غربی، 51.466 درجه شمالی تا 0.043 درجه غربی، 51.526 درجه شمالی در سیستم مرجع WGS84 است (شکل 1 ) .
عکس‌های دارای برچسب جغرافیایی برای این منطقه با استفاده از رابط برنامه‌نویسی برنامه عمومی (API) از Flickr، Panoramio و Geograph برای می 2015 برای کادر محدود نشان داده شده در شکل 1 دانلود شدند . در مجموع 573281 عکس از فلیکر، 35707 عکس از Panoramio و 75378 عکس از Geograph وجود داشت. فلیکر به وضوح دارای تعداد بسیار بیشتری از عکس های دارای برچسب جغرافیایی در مقایسه با دو طرح دیگر است.

3.2. موارد استفاده

عکس‌های دارای برچسب جغرافیایی ممکن است در سه مورد استفاده با توجه به پوشش زمین و نقشه‌برداری کاربری اراضی مفید باشند که برای سهولت در اینجا به عنوان کالیبراسیون، اعتبار سنجی و تأیید نامیده می‌شوند. اولین مورد در کالیبراسیون نقشه های پوشش زمین و کاربری زمین است ( به عنوان مثال ، داده های ورودی که می تواند برای آموزش الگوریتم های طبقه بندی استفاده شود). همانطور که وضوح مکانی و زمانی حسگرها همچنان بهبود می‌یابد، سودمندی اطلاعات اضافی جمع‌آوری‌شده در مکان‌های نقطه‌ای نیز افزایش می‌یابد. دومین مورد استفاده، اعتبار سنجی نقشه های پوشش زمین و کاربری اراضی است. این موارد استفاده متفاوت هستند زیرا نمونه برداری مورد نیاز برای اعتبارسنجی محصولات سنجش از راه دور دقیق تر از کالیبراسیون است [ 57]]. در نهایت، ما استفاده از عکس‌های دارای برچسب جغرافیایی را برای تقویت فرآیند تأیید محصولات سنجش از راه دور در نظر می‌گیریم. برای مثال، عکس‌ها ممکن است هنگام بررسی کیفیت یک طبقه‌بندی و کمک به بررسی زمینه‌های سردرگمی طبقه‌بندی، زمینه بیشتری را فراهم کنند.

3.2.1. الزامات فراداده موارد استفاده

اگرچه حداقل داده‌ها و الزامات کیفی سه مورد استفاده به وضوح فضایی تصاویر و نام‌گذاری استفاده‌شده بستگی دارد، اولین گام تحلیل، دسته‌بندی فراداده‌های فهرست‌شده در جدول 2 به‌عنوان «ضروری»، «مطلوب» یا “غیر ضروری” برای هر مورد استفاده (به بخش 4.1 مراجعه کنید ).

3.2.2. تجزیه و تحلیل فراداده

اگرچه دامنه این مقاله ارزیابی کیفی ابرداده های موجود برای عکس های دارای برچسب جغرافیایی در برابر الزامات مورد استفاده است، یک گام اضافی برای محاسبه مقدار برچسب ها و توضیحات موجود که با عکس ها مرتبط هستند، برداشته شد. همانطور که در مقدمه بحث شد، بسیاری از کارهای قبلی بر اساس تجزیه و تحلیل برچسب ها بوده است تا قابلیت استفاده عکس ها را افزایش دهد. نتایج تجزیه و تحلیل فراداده در بخش 4.2 ارائه شده است .

3.2.3. تجزیه و تحلیل قابلیت استفاده از محتوا

بخش سوم تجزیه و تحلیل، مفید بودن عکس ها را بر اساس محتوای آنها در نظر گرفت، زیرا فراداده ها تنها یک جنبه از سودمندی هستند. از بین عکس های موجود از منطقه مورد مطالعه، 1000 عکس به طور تصادفی از هر یک از سه مخزن انتخاب و سپس توسط داوطلبان (که از نویسندگان این مقاله بودند) از نظر سودمندی تفسیر شدند. سودمندی به این صورت تعریف شد که آیا می توان از عکس برای شناسایی پوشش زمین از بین 9 نوع پوشش اصلی زمین استفاده کرد: پوشش درختی، پوشش درختچه ای، علفزار/علفی، زمین زراعی، تالاب، سطوح مصنوعی، سنگ برهنه/سطح بایر، برف/یخ و آب. . این انواع سطح بالا پوشش زمین توسط Geo-Wiki برای جمع آوری اطلاعات پوشش زمین [ 4 ] استفاده می شود و بر اساس تلاش های هماهنگ سازی پوشش زمین هرولد است.و همکاران [ 58 ]. یک رابط ساده برای طبقه‌بندی عکس‌ها ابداع شد که در آن پاسخ «بله» نشان‌دهنده سودمندی بود ( یعنی فقط یک نوع پوشش زمین به وضوح در عکس دیده می‌شد) از پاسخ «شاید» زمانی استفاده شد که بیش از یک نوع می‌توانست. شناسایی شود، و “نه”، برای زمانی که هیچ مدرک مفیدی از پوشش زمین در دسترس نبود. یک آزمایش اولیه نشان داد که در انجام طبقه بندی توصیف شده مشکلاتی وجود دارد. هنگامی که نویسندگان تجربیات خود را پس از طبقه بندی 100 عکس، که در جدول 3 فهرست شده است، مقایسه کردند، یک سری قوانین ابداع شد و ارزیابی محتوا با استفاده از این مجموعه قوانین انجام شد (به بخش 4.3 مراجعه کنید ).

4. نتایج

4.1. الزامات فراداده موارد استفاده

جدول 4 ابرداده ها را از جدول 2 به “ضروری”، “مطلوب” و “غیرضروری” برای سه مورد استفاده دسته بندی می کند. داشتن اطلاعات مکان برای همه موارد استفاده کاملاً “ضروری” است، به عنوان مثال ، عکس ها باید دارای برچسب جغرافیایی باشند.
برای استفاده 2 (اعتبار سنجی نقشه LULC)، تاریخی که عکس گرفته شده است نیز “ضروری” است زیرا اعتبارسنجی الزامات بسیار دقیق تری نسبت به کالیبراسیون یا تأیید دارد. بنابراین برای موارد استفاده 1 و 3، تاریخی که عکس گرفته شده است «مطلوب» است اما «ضروری» نیست اگر تاریخ آپلود در دسترس باشد. به گفته آنتونیو و همکاران. [ 11 ] که تفاوت زمانی بین ثبت و آپلود عکس دارای برچسب جغرافیایی را در فلیکر و جئوگرافی مورد مطالعه قرار دادند، درصد کمی از عکس ها (4/8 درصد برای فلیکر و 2/9 درصد برای جئوگرافی) اختلاف زمانی بیش از یک سال دارند. علاوه بر این، بوتنر و همکاران. [ 59] بیان می کند که میانگین ارزش تغییر سالانه پوشش زمین در اروپا بسیار کوچک است (حدود 0.23٪) و بنابراین برخی از اختلافات زمانی ممکن است بر استفاده از عکس های دارای برچسب جغرافیایی برای کالیبراسیون و تأیید نقشه برداری LULC تأثیری نداشته باشد. صرف نظر از این، برخی از انواع اطلاعات زمانی ضروری است.
اکثر ابرداده های فهرست شده در جدول 2 برای همه موارد استفاده «مطلوب» اما «ضروری» نیستند. در این میان، یک استثنا ممکن است مجوز عکس‌ها باشد، که ممکن است اجازه ایجاد محصولات مشتق را تحت مجوز تجاری ندهد، به ویژه اگر این عکس‌ها برای ایجاد محصولات نقشه تجاری استفاده شوند و بنابراین «ضروری» خواهند بود. برچسب‌های معنی‌دار مطلوب هستند که از آن‌ها می‌توان اطلاعات LULC را استخراج کرد، به عنوان مثال، برچسب‌های مرتبط با منظره که کاربران می‌توانند با عکس‌های دارای برچسب جغرافیایی آپلود شده در Geograph انتخاب کنند، یا ممکن است برای حذف عکس‌هایی که محتوای LULC معنی‌داری ندارند، استفاده شوند. . تعدادی از ابرداده های “مطلوب” می توانند برای ارزیابی کیفیت موقعیت عکس ها مفید باشند ( به عنوان مثال، اطلاعاتی در مورد روش ارجاع جغرافیایی) و نوع و دقت دستگاه مجهز به GPS. جهت صحنه، شیب، افست، فاصله کانونی، و طول یا منطقه مرجع نیز ممکن است در تعیین وسعت پوشش زمین نشان داده شده در عکس به جای استفاده از آن به عنوان اطلاعات مبتنی بر نقطه کمک کند. داشتن عکس‌ها در چندین جهت از یک مکان نیز بسیار مطلوب خواهد بود، زیرا این موضوع زمینه اضافی را در مورد همگنی پوشش زمین در یک مکان مشخص فراهم می‌کند. شیب ممکن است برای کمک به حذف عکس‌هایی که از منظر محتوایی مفید نیستند نیز مفید باشد (مثلاً عکس‌هایی که به نقطه اوج می‌رسند و پوشش زمین یا کاربری زمین را منعکس نمی‌کنند). اگرچه به ندرت وجود دارد، اطلاعات مربوط به رفتار عکاس (انواع عکس‌هایی که معمولاً گرفته می‌شوند) می‌تواند برای دسته‌بندی عکس‌ها بر اساس سودمندی یا برای کنترل کیفیت اضافی به‌ویژه در مورد استفاده ۲ مفید باشد، اما در غیر این صورت «غیر ضروری» تلقی می‌شود. اطلاعات آب و هوا می تواند برای برخی از برنامه ها مفید باشد، اما برای موارد استفاده LC “غیر ضروری” تلقی می شود.
الزامات مختلف سه مورد استفاده واقعاً از نظر الزامات فراداده متفاوت نیست، بلکه در میزان عکس‌های موجود و توزیع فضایی آنها تفاوت دارد. برای آموزش، عکس‌ها عمدتاً در مکان‌هایی مورد نیاز هستند که نماینده کلاس‌های LULC هستند، در حالی که برای اهداف اعتبارسنجی، باید از نمونه‌ای نماینده از جمعیت مورد تجزیه و تحلیل استفاده شود که بر اساس نقشه LULC برای تأیید اعتبار خواهد بود. واحدهای نمونه ممکن است نقطه یا ناحیه باشند و چندین استراتژی نمونه گیری ممکن است برای این منظور در نظر گرفته شود [ 57]]. در مورد سومین مورد استفاده، از آنجایی که عکس‌ها فقط برای کمک به فرآیند تأیید استفاده می‌شوند، آنها فقط در مکان‌هایی مورد نیاز هستند که در طبقه‌بندی یا اعتبارسنجی عدم قطعیت وجود دارد. بنابراین الزامات مربوط به توزیع فضایی با دو مورد استفاده قبلی متفاوت است. از آنجایی که هدف این مقاله تحلیل سودمندی عکس‌ها از نظر فراداده و محتوا است، توجه به توزیع فضایی عکس‌ها در این مطالعه بیشتر توسعه نمی‌یابد.

4.2. تجزیه و تحلیل فراداده

3000 عکسی که به طور تصادفی از جعبه مرزی برای ارزیابی قابلیت استفاده استخراج شدند (به بخش 3.2.3 مراجعه کنید ) در تجزیه و تحلیل فراداده استفاده شد. علیرغم این نمونه کوچک، با این وجود، بررسی میزان بهره‌وری مشارکت‌کنندگان از نظر تعداد برچسب‌های یافت شده در Geograph، Flickr و Panoramio و تعداد کلمات در توضیحات و عناوین مرتبط با عکس‌ها به ترتیب در Geograph و Flickr جالب است. این عناصر متادیتا متفاوت به مستندسازی بهتر محتوای عکس کمک می‌کنند، اگرچه تغییرات قابل‌توجهی وجود دارد. جدول 5میانگین، میانه، انحراف معیار، حداقل، حداکثر و تعداد کل برچسب ها و کلمات در توضیحات و عناوین و همچنین تعداد عکس هایی که دارای برچسب، توضیحات و عنوان هستند را ارائه می دهد. عکس‌های Panoramio هیچ توضیح یا عنوان جداگانه‌ای در فراداده ندارند. به طور متوسط، فلیکر بالاترین میانگین تعداد برچسب ها را دارد و پس از آن Panoramio و Geograph با یک عکس در فلیکر دارای 60 برچسب است. از 1000 عکس تحلیل شده برای هر منبع عکس، تعداد عکس های دارای برچسب برای Panoramio بالاترین و برای Geograph کمترین بود. با بررسی نتایج برای توضیحات و عناوین، Geograph به طور متوسط ​​عناوین طولانی‌تری نسبت به Flickr داشت، که نشان‌دهنده محتوای اطلاعاتی بالقوه بیشتری است در حالی که عناوین تقریباً در همه عکس‌های فلیکر وجود داشتند ( یعنی، 927 از 1000 عکس) در مقایسه با Geograph، جایی که کمی بیش از دو سوم عنوان داشتند.

4.3. قابلیت استفاده از عکس ها بر اساس تجزیه و تحلیل محتوا

محتوای 3000 عکس دانلود شده از Flickr، Panoramio و Geograph به طور مستقل توسط هفت داوطلب تجزیه و تحلیل شد و طبق توضیح در بخش 3.2.3 ، در کلاس‌های «بله»، «شاید» و «خیر» با توجه به مفید بودن محتوا طبقه‌بندی شد. برنامه های کاربردی پوشش زمین
از نتایج به‌دست‌آمده، اولین جنبه مورد تجزیه و تحلیل، متغیر بودن پاسخ‌های داده‌شده توسط داوطلبان بود. شکل 2 درصد عکس هایی را نشان می دهد که در آن همه داوطلبان یک کلاس را انتخاب کردند (“بله”، “شاید” یا “نه”)، درصد عکس هایی که داوطلبان دو کلاس مختلف را انتخاب کردند، و درصد عکس هایی که هر سه کلاس برای آنها انتخاب کردند. توسط داوطلبان مختلف تعیین شدند.
با توجه به تنوع زیاد در نتایج، تجزیه و تحلیل دقیق تری از تنوع خروجی ها انجام شد. شکل 3 نتایج به دست آمده برای هفت داوطلب را نشان می دهد که به صورت Vi ( i= 1، …، 7)، برای سه ابتکار عمل. نتایج نشان می‌دهد که علی‌رغم قوانین مورد استفاده، برخی از داوطلبان تشخیص دادند که آیا این عکس‌ها برای پوشش زمین مفید هستند یا خیر. این نشان می‌دهد که حتی اگر قوانینی برای کاهش تنوع و ذهنیت فرآیند طبقه‌بندی ایجاد شده‌اند، هنوز ممکن است تأثیر مهمی از سوبژکتیویته وجود داشته باشد که نشان می‌دهد انجام طبقه‌بندی‌های متعدد توسط افراد مختلف مفید است. برای حذف تأثیر این داوطلبانی که خروجی‌هایی متفاوت ایجاد کردند، میانگین و انحراف معیار تعداد عکس‌های اختصاص داده شده به هر یک از سه کلاس توسط همه داوطلبان محاسبه شد، و داوطلبانی که به هر کلاس مقادیری را اختصاص دادند. به ترتیب بزرگتر یا کمتر از میانگین به علاوه یا منهای انحراف معیار، از تجزیه و تحلیل بعدی حذف شدند. این روش داوطلبان V4 و V6 را حذف کرد (شکل 3 ).
شکل 4 تنوع نتایج به دست آمده را با پنج داوطلب باقی مانده نشان می دهد. مشاهده می شود که تنوع برای همه ابتکارات کاهش یافته است. درصد عکس‌هایی که سه کلاس به آن‌ها اختصاص داده شده‌اند، برای Flickr و Geograph تنها به 3٪ و برای Panoramio به 5٪ کاهش یافته است.
میانگین تعداد عکس های اختصاص داده شده به کلاس های “بله”، “شاید” یا “خیر” در شکل 5 و انحراف معیار در شکل 6 نشان داده شده است . نتایج نشان می‌دهد که برای همه ابتکارات، بیش از 50 درصد عکس‌ها مفید در نظر گرفته می‌شوند و در مورد جئوگراف، این تعداد به 72 درصد افزایش یافته است. این مشابه یافته‌های لئونگ و نیوزام است که از فلیکر و جئوگراف برای طبقه‌بندی پوشش زمین استفاده کردند [ 33 و 34]. میانگین تعداد عکس‌هایی که مفید در نظر گرفته می‌شوند برای Panoramio و Geograph کمتر از 20٪ است، اما برای Flickr نزدیک به 40٪ است. میانگین درصد عکس هایی که ممکن است مفید در نظر گرفته شوند برای Flickr 9٪، برای Geograph 16٪ و برای Panoramio 28٪ است. برای انحراف استاندارد، مقادیر بزرگتر برای فلیکر و کلاس “خیر” (مقدار 46) به دست آمد، در حالی که حداقل برای فلیکر اما برای کلاس “بله” به دست آمد.

5. بحث

این مقاله قابلیت استفاده عکس های برچسب گذاری شده جغرافیایی را به عنوان منابع داده های پوشش زمین از طریق بررسی فراداده های موجود و محتوای موجود در عکس ها بررسی می کند. در حالی که تفاوت‌های مشخصی بین سه مخزن عکس در نظر گرفته شده در اینجا وجود دارد، به عنوان مثال، در داده‌های جمع‌آوری‌شده و دامنه ( به عنوان مثال ، فلیکر یک سایت اشتراک‌گذاری عکس و شبکه اجتماعی است، Panoramio یک سایت اشتراک‌گذاری عکس منظره است، در حالی که هدف Geograph مستندسازی منظره است. )، به وضوح پتانسیل استفاده از عکس های دارای برچسب جغرافیایی برای سه مورد کاربری پوشش زمین شناسایی شده وجود دارد.
با توجه به تجزیه و تحلیل ابرداده، موارد پوشش زمین انتخاب شده ( به عنوان مثال ، کالیبراسیون، اعتبار سنجی و راستی آزمایی نقشه های LC) حداقل به دو عنصر فراداده (یعنی مکان و تاریخ گرفته شده) نیاز دارند. این مهم است زیرا به این معنی است که بسیاری از مخازن به اشتراک گذاری عکس شناخته شده می توانند منابع بالقوه داده های ورودی برای نقشه برداری LULC باشند. این امر با ضبط خودکار تعدادی از عناصر فراداده توسط برنامه‌ها با استفاده از پروتکل‌های داخلی خود (مانند نام کاربری، تاریخ ارسال، نوع فایل و غیره) افزایش می‌یابد.)، که سپس از طریق APIهای مربوطه خود به صورت عمومی به اشتراک گذاشته می شوند. برای عکس‌های دیجیتال، هدر EXIF ​​مورد توجه ویژه‌ای است که حاوی عناصر متادیتای مختلفی است که در همه دستگاه‌های مدرن عکس‌برداری مشترک هستند. در حالی که حضور ثابت یک هدر EXIF ​​می تواند منبع غنی اطلاعات باشد، زیرا می تواند بسیاری از عناصر فراداده فهرست شده در جدول 1 را پوشش دهد.، هر وب سایت خط مشی متفاوتی در مورد نحوه نگهداری، ذخیره و به اشتراک گذاری این داده ها دارد. این عناصر فراداده به طور خودکار ضبط می شوند برخلاف عناصر وابسته به کاربر مانند برچسب ها و توضیحات. با این حال، این عناصر فراداده اخیر می تواند برای تجزیه و تحلیل خودکار بیشتر عکس ها بسیار مفید باشد. وجود برچسب‌های معنی‌دار و توضیحات جامع می‌تواند برای فیلتر کردن نویز و در نتیجه تمرکز بر روی آن دسته از عکس‌هایی که از نظر وسعت با مطالعه موردی مرتبط هستند، استفاده شود. به عنوان مثال، [ 17 ، 18 ، 19 ، 20 ، 21 ] را ببینید.
با بررسی محتوای عکس های دارای برچسب جغرافیایی از دیدگاه پوشش زمین، جالب توجه است که بیش از 71 درصد از عکس های بازیابی شده از Geograph (شکل 5) که هدف آن مستندسازی مناظر است، می تواند برای پوشش زمین مفید باشد. نقشه برداری، در مقایسه با فلیکر با 52٪. به طور مشابه، Leung و Newsam (2010؛ 2012) دریافتند که Geograph برای نقشه برداری پوشش زمین مفیدتر از Flickr است. از سوی دیگر، فلیکر سایت به اشتراک گذاری عکس است که بیشترین عکس ها را در منطقه مورد مطالعه دارد زیرا از فاکتور شبکه های اجتماعی استفاده می کند. بنابراین، طرح‌های منظر موجود و آینده باید از عکس‌های دارای برچسب جغرافیایی از هر دو سایت استفاده کنند، بالاترین مشارکت های ممکن را جلب می کند و در عین حال سعی می کند داوطلبان را به دنبال مجموعه ای از پروتکل های ساده راهنمایی کند که این عکس های دارای برچسب جغرافیایی را تا حد امکان برای برنامه های LULC مفید می کند. تکنیک‌های گیمیفیکیشن (مثلاً از طریق برنامه‌هایی مانند FotoQuest Austria که دارای پروتکل‌های داخلی [ 60 ] هستند) نیز ممکن است به داوطلبان در ارائه ابرداده‌های مفیدتر کمک کند. اگرچه 71% قابلیت استفاده به دست آمده توسط Geograph ممکن است بالا به نظر برسد، اما جا برای بهبود وجود دارد، به ویژه با توجه به اینکه هدف اصلی وب سایت توصیف منظره است. بنابراین، جدا از تعداد عکس‌های موجود، بهبود کیفیت فراداده و محتوای عکس‌ها به همان اندازه مهم است.
برای این منظور، ما مجموعه‌ای از پیشنهادات را ارائه می‌کنیم که به طور یکسان مشارکت‌کنندگان را در مخزن‌های عکس دارای برچسب جغرافیایی و مدیران برنامه‌های کاربردی LULC هدف قرار می‌دهند، که می‌تواند به شکل پروتکل‌هایی باشد که اگر قرار است این عکس‌ها برای آینده زمینی مفید باشند، باید اتخاذ شوند. برنامه های کاربردی. معرفی پروتکل‌ها مشابه آنچه در بسیاری از پروژه‌های موفق علمی شهروندی در زمینه‌های حفاظت و تنوع زیستی یافت می‌شود [ 61 ، 62 ]. نکته مهم در اینجا این است که این پروتکل ها نباید بار غیرضروری به فرآیند اضافه کنند یا مشارکت کنندگان را از آپلود تصاویر بازدارند یا رفتار خود به خودی آنها را در حین انجام این کار کاهش دهند. این پروتکل ها در دو حوزه اصلی سازماندهی شده اند ( یعنی، بهبود در ابرداده جمع آوری شده و بهبود محتوای عکس ها).
اگرچه انواع مختلفی از ابرداده در دسترس است، که در مخازن عکس های مختلف (و حتی در هر مخزن) متفاوت است، استاندارد کردن انتخاب برچسب های موجود و نیاز به حداقل برچسب گذاری عکس های منظره با عناصر LULC مفید خواهد بود. یک نقطه شروع مفید، چارچوب EAGLE [ 63 ] است که پوشش زمین و کاربری زمین را به اجزای اساسی تقسیم می کند. این چارچوب برای هماهنگ کردن طبقات مختلف پوشش زمین و محصولات کاربری زمین ایجاد شده است، اما همچنین می‌تواند مجموعه‌ای از برچسب‌ها را برای عکس‌های دارای برچسب جغرافیایی فراهم کند. یکی دیگر از عناصر فراداده “مطلوب” که باید “ضروری” شود، دقت GPS دستگاه است. این اطلاعات حیاتی در مورد دقت فضایی عکس ها فراهم می کند.
از نظر محتوا، در زمینه مطالعات زیست محیطی، عکس ها باید مانند اندازه گیری تلقی شوند. معمولاً در پروژه‌های علمی شهروندی یا جمع‌سپاری، عکس‌ها به سادگی به عنوان روش دیگری برای ثبت اندازه‌گیری یا مشاهده یک پدیده استفاده می‌شوند. اکنون تمرکز باید روی خود عکس‌ها باشد و مشارکت‌کنندگان باید از سایر عناصر فراداده (مانند عنوان، برچسب و توضیحات) برای مستندسازی آنها استفاده کنند. از این نظر، آنچه در عکس به تصویر کشیده شده است نقش بسیار مهمی دارد. یک مرحله برای افزایش قابلیت استفاده از عکس ها برای مطالعات LULC این است که اطمینان حاصل شود که زمین به اندازه کافی به گونه ای گرفته شده است که به طور واضح طبقه بندی آن را امکان پذیر می کند. برای این منظور، عکاسان باید از گرفتن عکس از موقعیت ها یا شرایطی که کیفیت محتوا را پایین می آورد، خودداری کنند. به عنوان مثال، عکس‌های گرفته شده از ساختمان‌ها یا با افزایش سطح زوم، تصور نادرست و مغایرت‌هایی را از نظر داده‌های مکان ایجاد می‌کنند (مخصوصاً زمانی که هیچ اطلاعات مرتبطی در فراداده موجود نباشد). همچنین باید تمهیداتی در نظر گرفته شود که بین LULC نشان داده شده در تصویر و وضعیت ایستاده عکاس مغایرتی وجود نداشته باشد. علاوه بر این، نباید عکسی گرفته شود که در آن کلاس های مختلف LULC مخلوط شده است (یعنی، مناظر ناهمگون) و بنابراین، استنباط وضعیت واقعی در زمین دشوار است. این را می توان با گرفتن چندین عکس از یک نقطه به سمت جهات شناخته شده (به عنوان مثال، اصلی) حل کرد. در هر صورت، یکی از جنبه‌های مهمی که باید در هنگام استخراج کلاس‌های LULC از عکس‌ها، چه برای آموزش یا اعتبارسنجی، در نظر گرفت، حداقل واحد نقشه‌برداری (MMU) نقشه است که باید ایجاد یا اعتبار سنجی شود، زیرا این موضوع ارتباط در نظر گرفتن اشیا یا ویژگی های نشان داده شده در عکس ها برای طبقه بندی. برای مثال، اگر بتوان گروه کوچکی از درختان را در منطقه ای از ساختمان ها و سطوح غیرقابل نفوذ شناسایی کرد، نیاز به گزارش درختان به عنوان یک کلاس مستقل به MMU مورد بررسی بستگی دارد. اگر MMU مورد نظر قبل از جمع آوری عکس ها شناسایی شود، سپس می‌توان آن را در هنگام ثبت عکس‌ها نیز در نظر گرفت، به این معنا که آنها فقط می‌توانند آنچه مرتبط است را نشان دهند و/یا به‌گونه‌ای گرفته شوند که مشخص باشد ویژگی‌های خاصی با منطقه اطراف متفاوت است یا خیر. منطقه ای که توسط عکس گرفته می شود نیز باید در صورت امکان به MMU وابسته باشد. اگر MMU به ترتیب چند صد متر باشد، نشان دادن تنها چیزی که در چند متر وجود دارد، اطلاعات مناسب یا قابل اعتمادی ارائه نمی دهد.
در مطالعه ما، در حالی که دسته‌های «بله» و «خیر» به وضوح قابلیت استفاده محتوای هر عکس را اندازه‌گیری می‌کنند، دسته‌بندی «شاید» مبهم باقی می‌ماند. در این دسته عکس‌هایی بودند که یا بیش از یک کلاس را نشان می‌دادند یا مشخص نبود که عکاس کجا ایستاده بود نسبت به آب‌ها. برای مورد دوم، یک بررسی توپولوژیکی با استفاده از داده های VGI برداری (به عنوان مثال، OSM) می تواند این موارد را ابهام کند و برای اختصاص دادن عکس ها به یک کلاس استفاده شود. در واقع استفاده از منابع اضافی (مانند OSM، Google Maps و غیره).) در طول ارزیابی بصری عکس ها می تواند به رفع ابهام تعدادی از موارد کمک کند. در نهایت، مطابق با اصول جمع‌سپاری، استفاده از مفسرهای متعدد برای عکس‌ها می‌تواند دقت کلی طبقه‌بندی را افزایش دهد. در واقع، استفاده از مفسرهای متعدد ممکن است در امکان تخمین دقیق و همچنین ارائه اطلاعات در مورد کیفیت برچسب‌گذاری از هر مفسر مجزا مفید باشد [ 64 ].

6. نتیجه گیری

برنامه‌های نقشه‌برداری کاربری و پوشش زمین به روش‌ها و رویکردهای جدید و انعطاف‌پذیر برای جمع‌آوری تعداد زیادی مشاهدات درجا ( به عنوان مثال، مشاهدات زمینی). در حالی که این هنوز یک کار چالش برانگیز است، به ویژه در زمینه مطالعات زیست محیطی، ظهور وب 2.0 و جمع سپاری حجم عظیمی از داده ها را ایجاد کرده است که می تواند وسعت اطلاعات مورد نیاز برای این منظور را فراهم کند. در دسترس بودن مخازن داده های آنلاین، هر دو صریح (به عنوان مثال، OSM) و ضمنی (به عنوان مثال، Flickr)، روش های جدید بازیابی اطلاعات جغرافیایی (GIR) و پدیده VGI، علی رغم تعصبات و اخطارهای موجود که این مجموعه داده ها را همراهی می کنند، راه امیدوارکننده ای هستند. . ادغام شهروندان و داده‌های جمع‌سپاری در روش‌های معتبر جمع‌آوری داده‌ها، آنچه تاکنون بوده است، می‌تواند به کاهش هزینه‌ها، افزایش دقت، تقویت سیستم‌های نظارت محیطی موجود و بهبود دوره‌ای محصولات پایش زمین کمک کند.
هدف تحقیق ارائه شده در این مقاله نشان دادن این است که آیا عکس های استخراج شده از Panoramio، Flickr و Geograph برای منطقه ای واقع در منطقه لندن ممکن است برای استخراج اطلاعات LULC برای سه مورد احتمالی، یعنی طبقه بندی کننده ها برای آموزش، اعتبار سنجی نقشه LULC (ارائه کننده اعتبار) مناسب باشند. حداقل الزامات ابرداده برآورده شده و طراحی نمونه برآورده شده است، که مشکلی متفاوت و خارج از محدوده این مقاله است) و برای بررسی کیفی سردرگمی ناشی از فرآیند طبقه بندی. انواع ابرداده‌های لازم برای هر مورد مورد استفاده، تجزیه و تحلیل و با ابرداده‌های موجود برای عکس‌های دانلود شده از سه طرح در نظر گرفته شده مقایسه شد. محتوای عکس‌ها برای تعیین اینکه آیا واقعاً اطلاعاتی در مورد LULC ارائه می‌دهند یا خیر، تجزیه و تحلیل شد.
نتایج نشان می‌دهد که برای منطقه مورد مطالعه، بیش از نیمی از عکس‌های جمع‌آوری‌شده از سه مخزن عکس ممکن است برای استخراج اطلاعات LULC مفید باشند. Geograph ابتکاری بود که بهترین نتایج را نشان داد و میانگین تنها 12٪ از عکس ها غیرقابل استفاده در نظر گرفته شد. فلیکر سایتی بود که بدترین نتایج را نشان می داد (با 40٪ از عکس ها غیرقابل استفاده). با این حال، بیشتر عکس‌های تحلیل‌شده برای فلیکر که به‌عنوان مفید طبقه‌بندی شده‌اند، در داخل ساختمان‌ها بودند که با در نظر گرفتن نام‌گذاری ذکر شده در بخش 3.2.3.، مربوط به کلاس “سطح مصنوعی” است. با این حال، برای یک نامگذاری متفاوت یا MMU، این عکس ها ممکن است اطلاعات قابل اعتمادی را ارائه نکنند، زیرا آنها نمایش کافی از طبقات مختلف پوشش زمین را ارائه نمی دهند.
در این تحقیق عکس های دارای برچسب جغرافیایی بدون در نظر گرفتن موقعیت جغرافیایی آنها به خودی خود مورد تجزیه و تحلیل قرار گرفتند. در مورد “بله”، ما منطقه دید را از نظر پوشش زمین همگن فرض کردیم که هر گونه خطای دقت موقعیتی را جبران می کند. در برخی موارد کلاس “شاید” به این دلیل اختصاص داده می شد که حتی با وجود اینکه مشخص بود عکس از کجا گرفته شده است، مانند مسیری در پارک، کلاس های دیگری در مجاورت آن وجود داشت که اطمینان از اینکه موقعیت جغرافیایی عکس دقیقاً در مسیر است و نه در کلاس نزدیک، به خصوص اگر از موقعیت مکانی GNSS برای ارجاع جغرافیایی عکس استفاده شود. برای کاهش این نوع دشواری، توصیه می شود اطلاعات بیشتری برای کمک به طبقه بندی عکس داشته باشید (مثلاً مکان روی یک تصویر ماهواره ای یا نقشه OSM).
نتایج نشان می دهد که در واقع اطلاعات مفید زیادی در عکس های جمع آوری شده وجود دارد. با این حال، استخراج اطلاعات از عکس‌ها زمان‌بر و در برخی موارد دشوار و ذهنی بود، حتی زمانی که از قوانینی برای آسان‌تر کردن طبقه‌بندی برای مفسر استفاده می‌شد. بنابراین، استفاده از روش های خودکار، حداقل برای حذف عکس های غیرقابل استفاده، زمینه ای برای کارهای آینده خواهد بود. علاوه بر این، Geograph در حال حاضر محدود به بریتانیای کبیر و ایرلند است، اگرچه ابتکارات در آلمان و کورس آغاز شده است، در حالی که Flickr و Panoramio در سطح جهانی در دسترس هستند.
یکی دیگر از حوزه‌های کار آینده، تحقیقات باز و پرسش‌های روش‌شناختی در مورد چگونگی تبدیل عناصر فراداده «مطلوب» به داده‌های مورد نیاز برای ارائه اطلاعات ارزشمند LULC است. به عبارت دیگر، مطالعات محیطی می‌توانند از روش‌های مشخصی که می‌توانند از داده‌ها، مانند جهت، جهت، شیب و غیره استفاده کنند ، به دست آورند تا توصیف دقیق‌تری از محتوای عکس ارائه شود.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

API
رابط برنامه نویسی کاربردی
CLC
پوشش زمین CORINE
DCP
پروژه تلاقی درجه
IPTC
شورای بین المللی ارتباطات مطبوعاتی
LULC
پوشش زمین کاربری
MMU
حداقل واحد نقشه برداری
OGC
کنسرسیوم فضایی باز
OSM
نقشه خیابان باز
VGI
اطلاعات جغرافیایی داوطلبانه
W3C
کنسرسیوم وب جهانی

منابع

  1. Goodchild، MF Citizens به عنوان حسگر: دنیای جغرافیای داوطلبانه. ژئوژورنال 2007 ، 69 ، 211-221. [ Google Scholar ] [ CrossRef ]
  2. جوکار ارسنجانی، ج. Zipf، A.; مونی، پی. هلبیچ، ام. مقدمه ای بر نقشه خیابان باز در علم اطلاعات جغرافیایی: تجربیات، تحقیقات و کاربردها. در OpenStreetMap در GIScience ; جوکار ارسنجانی، ج.، زیپف، ع.، مونی، پ.، هلبیچ، م.، ویرایش. یادداشت های سخنرانی در اطلاعات جغرافیایی و نقشه برداری. انتشارات بین المللی Springer: برلین، آلمان، 2015; صص 1-18. [ Google Scholar ]
  3. Goodchild، MF; Glennon، JA جمع سپاری اطلاعات جغرافیایی برای واکنش به بلایا: یک مرز تحقیقاتی. بین المللی جی دیجیت. زمین 2010 ، 3 ، 231-241. [ Google Scholar ] [ CrossRef ]
  4. فریتز، اس. مک کالوم، آی. شیل، سی. پرگر، سی. ببینید، L. شپاچنکو، دی. ون در ولده، م. کراکسنر، اف. Obersteiner, M. Geo-Wiki: یک پلت فرم آنلاین برای بهبود پوشش جهانی زمین. محیط زیست مدل. نرم افزار 2012 ، 31 ، 110-123. [ Google Scholar ] [ CrossRef ]
  5. کانرز، جی پی؛ لی، اس. کلی، ام. علم شهروندی در عصر نئوجغرافی: استفاده از اطلاعات جغرافیایی داوطلبانه برای نظارت بر محیط زیست. ان دانشیار صبح. Geogr. 2012 ، 102 ، 1267-1289. [ Google Scholar ] [ CrossRef ]
  6. سیپلوچ، بی. یعقوب، ر. مونی، پی. Winstanley، A. مقایسه دقت OpenStreetMap برای ایرلند با Google Maps و Bing Maps. در مجموعه مقالات نهمین سمپوزیوم بین المللی ارزیابی دقت فضایی در منابع طبیعی و علوم محیطی، لستر، بریتانیا، 20 تا 23 ژوئیه 2010.
  7. Girres, J.-F. Touya, G. ارزیابی کیفیت مجموعه داده OpenStreetMap فرانسه. ترانس. GIS 2010 ، 14 ، 435-459. [ Google Scholar ] [ CrossRef ]
  8. Haklay, M. اطلاعات جغرافیایی داوطلبانه چقدر خوب است؟ مطالعه تطبیقی ​​مجموعه داده‌های OpenStreetMap و Ordnance Survey. محیط زیست طرح. B طرح. دس 2010 ، 37 ، 682-703. [ Google Scholar ] [ CrossRef ]
  9. جکسون، اس. مولن، دبلیو. آگوریس، پ. کروکس، آ. کرویتورو، آ. استفانیدیس، الف. ارزیابی کامل بودن و خطای مکانی ویژگی‌ها در اطلاعات جغرافیایی داوطلبانه. ISPRS Int. J. Geo-Inform. 2013 ، 2 ، 507-530. [ Google Scholar ] [ CrossRef ]
  10. بروولی، MA; مینگینی، ام. مولیناری، م. Mooney, P. Towards یک مقایسه خودکار OpenStreetMap با مجموعه داده های معتبر جاده. ترانس. GIS. 2016 . [ Google Scholar ] [ CrossRef ]
  11. آنتونیو، وی. مورلی، جی. Haklay, M. Web 2.0 عکس های دارای برچسب جغرافیایی: ارزیابی بعد فضایی پدیده. Geomatica 2010 ، 64 ، 99-110. [ Google Scholar ]
  12. Panoramio Panorank: وب رتبه بندی Panoramio. در دسترس آنلاین: http://www.panorank.com/ (در 13 دسامبر 2015 قابل دسترسی است).
  13. مغز آمار: آمار شرکت اینستاگرام. در دسترس آنلاین: http://www.statisticbrain.com/instagram-company-statistics (در 13 دسامبر 2015 قابل دسترسی است).
  14. فرانک، ام. هر روز، ماه، سال چند عکس در فلیکر آپلود می شود؟ در دسترس آنلاین: https://www.flickr.com/photos/franckmichel/6855169886 (در 15 دسامبر 2015 قابل دسترسی است).
  15. کیسیلویچ، اس. کرستایچ، م. کیم، دی. آندرینکو، ن. Andrienko, G. تجزیه و تحلیل مبتنی بر رویداد از فعالیت ها و رفتار افراد با استفاده از مجموعه عکس های دارای برچسب جغرافیایی Flickr و Panoramio. در مجموعه مقالات چهاردهمین کنفرانس بین المللی تجسم اطلاعات (IV)، لندن، بریتانیا، 26-29 ژوئیه 2010; ص 289-296.
  16. آندرینکو، جی. آندرینکو، ن. باک، پ. کیسیلویچ، اس. کیم، دی. تجزیه و تحلیل داده‌های ارجاع‌شده به فضا و زمان مشارکت‌شده توسط جامعه (نمونه‌ای از عکس‌های فلیکر و پانورامیو). در مجموعه مقالات سمپوزیوم IEEE در علم و فناوری تجزیه و تحلیل بصری (VAST 2009)، شهر آتلانتیک، نیوجرسی، ایالات متحده آمریکا، 12 تا 13 اکتبر 2009. صص 213-214.
  17. Vu، HQ; لی، جی. قانون، ر. Ye, BH در حال بررسی رفتارهای سفر گردشگران ورودی به هنگ کنگ با استفاده از عکس های دارای برچسب جغرافیایی. تور. مدیریت 2015 ، 46 ، 222-232. [ Google Scholar ] [ CrossRef ]
  18. برمینگام، ال. لی، I. الگوهای متوالی مکانی-زمانی کاوی برای علوم گردشگری. Procedia Comput. علمی 2014 ، 29 ، 379-389. [ Google Scholar ] [ CrossRef ]
  19. کیسیلویچ، اس. کیم، دی. آندرینکو، ن. آندرینکو، جی. به سوی دستیابی به معناشناسی مکان‌ها و رویدادها با تحلیل چند منظری مجموعه‌های عکس دارای برچسب جغرافیایی. در تجسم جغرافیایی ; Moore, A., Drecki, I., Eds. یادداشت های سخنرانی در اطلاعات جغرافیایی و نقشه برداری. Springer: هایدلبرگ، آلمان، 2012; ص 211-233. [ Google Scholar ]
  20. لی، آی. کای، جی. لی، ک. کاوش عکس‌های دارای برچسب جغرافیایی از طریق روش‌های داده کاوی. انقضا سیستم Appl. 2014 ، 41 ، 397-405. [ Google Scholar ] [ CrossRef ]
  21. مجید، ع. چن، ال. چن، جی. میرزا، ح.ت. حسین، من. Woodward, J. یک سیستم توصیه مسافرتی شخصی‌شده آگاه از زمینه مبتنی بر داده‌کاوی رسانه‌های اجتماعی دارای برچسب جغرافیایی. بین المللی جی. جئوگر. آگاه کردن. علمی 2013 ، 27 ، 662-684. [ Google Scholar ] [ CrossRef ]
  22. راتنبری، تی. خوب، N. نعمان، م. به سوی استخراج خودکار معناشناسی رویداد و مکان از تگ های فلیکر. در مجموعه مقالات سی امین کنفرانس بین المللی سالانه SIGIR (SIGIR ’07)، آمستردام، هلند، 23 تا 27 ژوئیه 2007. ACM Press: نیویورک، نیویورک، ایالات متحده آمریکا، 2007; صص 103-110. [ Google Scholar ]
  23. چن، ال. روی، A. تشخیص رویداد از داده های فلیکر از طریق تجزیه و تحلیل فضایی مبتنی بر موجک. در مجموعه مقالات هجدهمین کنفرانس ACM در مدیریت اطلاعات و دانش (CIKM ’09)، هنگ کنگ، چین، 2-6 نوامبر 2009. صص 523-532.
  24. برنر، ام. Izquierdo، E. تشخیص و بازیابی رویداد اجتماعی در مجموعه‌های عکس مشترک. در مجموعه مقالات دومین کنفرانس بین المللی ACM در مورد بازیابی چند رسانه ای (ICMR ’12)، هنگ کنگ، چین، 5 تا 8 ژوئن 2012. پ. 21.
  25. سان، ی. Fan, H. شناسایی رویداد از تصاویر جغرافیایی ارجاع شده. در اتصال اروپای دیجیتال از طریق مکان و مکان . Huerta, J., Schade, S., Granell, C., Eds. انتشارات بین المللی Springer: چم، سوئیس، 2014; صص 73-88. [ Google Scholar ]
  26. هو، ی. گائو، اس. یانوویچ، ک. یو، بی. لی، دبلیو. پراساد، اس. استخراج و درک مناطق شهری مورد علاقه با استفاده از عکس های دارای برچسب جغرافیایی. محاسبه کنید. محیط زیست سیستم شهری 2015 ، 54 ، 240-254. [ Google Scholar ] [ CrossRef ]
  27. یانکوفسکی، پ. آندرینکو، ن. آندرینکو، جی. کیسیلویچ، اس. کشف اولویت‌های شاخص و الگوهای حرکتی از پست‌های عکس. ترانس. GIS 2010 ، 14 ، 833-852. [ Google Scholar ] [ CrossRef ]
  28. اسناولی، ن. Seitz، SM; Szeliski, R. مدل سازی جهان از مجموعه عکس های اینترنتی. بین المللی جی. کامپیوتر. Vis. 2007 ، 80 ، 189-210. [ Google Scholar ]
  29. Fonte, CC; باستین، ال. ببینید، L. فودی، جی. Lupia, F. قابلیت استفاده از VGI برای اعتبار سنجی نقشه های پوشش زمین. بین المللی جی. جئوگر. آگاه کردن. علمی 2015 ، 29 ، 1-23. [ Google Scholar ] [ CrossRef ]
  30. لی، جی. Qin، Q. هان، جی. تانگ، L.-A.; داده‌های مسیر معدن لی، KH و داده‌های برچسب‌گذاری شده جغرافیایی در رسانه‌های اجتماعی برای استنتاج نقشه راه: رسانه‌های اجتماعی استخراج برای استنتاج نقشه راه. ترانس. GIS 2015 ، 19 ، 1-18. [ Google Scholar ] [ CrossRef ]
  31. استیما، ج. Fonte, CC; Painho, M. مطالعه تطبیقی ​​طبقه‌بندی کاربری/پوشش زمین با استفاده از عکس‌های فلیکر، تصاویر ماهواره‌ای و پایگاه داده Corine Land Cover. در مجموعه مقالات هفدهمین کنفرانس بین المللی AGILE در علم اطلاعات جغرافیایی، کاستلون، اسپانیا، 1-6 ژوئن 2014.
  32. استیما، ج. Painho, M. ابتکارات اطلاعات جغرافیایی داوطلبانه مبتنی بر عکس: مطالعه مقایسه ای مناسب بودن آنها برای کمک به کنترل کیفیت پوشش زمین Corine. بین المللی جی. آگریک. محیط زیست آگاه کردن. سیستم 2014 ، 5 ، 73-89. [ Google Scholar ] [ CrossRef ]
  33. لئونگ، دی. Newsam، S. سنجش تقریبی: استنباط اینکه چه چیزی کجاست از مجموعه‌های عکس جغرافیایی مرجع. در مجموعه مقالات کنفرانس IEEE در مورد دید کامپیوتری و تشخیص الگو (CVPR)، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 13 تا 18 ژوئن 2010.
  34. لئونگ، دی. Newsam, S. بررسی تصاویر دارای برچسب جغرافیایی برای طبقه بندی کاربری زمین. در مجموعه مقالات کارگاه چند رسانه ای ACM 2012 درباره برچسب گذاری جغرافیایی و کاربردهای آن در چند رسانه ای (GeoMM ’12)، نارا، ژاپن، 29 اکتبر تا 2 نوامبر 2012. ACM Press: نیویورک، نیویورک، ایالات متحده آمریکا، 2012; صص 3-8. [ Google Scholar ]
  35. لئونگ، دی. Newsam, S. طبقه بندی پوشش زمین با استفاده از عکس های ارجاع جغرافیایی. چندتایی. ابزارهای کاربردی 2014 ، 74 ، 1-21. [ Google Scholar ] [ CrossRef ]
  36. Tsendbazar, NE; دی بروین، اس. هرولد، ام. ارزیابی مجموعه داده های مرجع پوشش زمین جهانی برای جوامع مختلف کاربر. ISPRS J. Photogramm. Remote Sens. 2015 ، 103 ، 93-114. [ Google Scholar ] [ CrossRef ]
  37. بیچرون، پی. دفورنی، پی. براکمن، سی. شوتن، ال. وانکاتسم، سی. هاک، ام. بونتمپس، اس. لروی، ام. آچارد، اف. هرولد، ام. و همکاران Globcover: توضیحات و گزارش اعتبارسنجی محصولات. در دسترس آنلاین: http://postel.obs-mip.fr/IMG/pdf/GLOBCOVER_Products_Description_Validation_Report_I2.1.pdf (دسترسی در 10 دسامبر 2015).
  38. بونتمپس، اس. دفورنی، پی. ون بوگارت، ای. آرینو، او. کالوگیرو، وی. Perez, JR GLOBCOVER 2009: Product Description and Validation Report 2011. در دسترس آنلاین: http://due.esrin.esa.int/files/GLOBCOVER2009_Validation_Report_2.2.pdf (در 10 دسامبر 2015 قابل دسترسی است).
  39. تطیشی، ر. اوریانگقای، بی. البلبیسی، ح. غار، م. تند-آیوش، ج. کوبایاشی، تی. کاسیمو، ا. Hoan، NT; شلابی، ع. الساعده، ب. و همکاران تولید داده های جهانی پوشش زمین-GLCNMO. بین المللی جی دیجیت. زمین 2011 ، 4 ، 22-49. [ Google Scholar ] [ CrossRef ]
  40. فودی، جنرال موتورز; بوید، دی اس با استفاده از داده های داوطلبانه در اعتبار سنجی نقشه پوشش زمین: نقشه برداری از جنگل های استوایی در سراسر آفریقای غربی. در مجموعه مقالات سمپوزیوم بین المللی زمین شناسی و سنجش از دور IEEE 2012 (IGARSS)، مونیخ، آلمان، 22 تا 27 ژوئیه 2012. صفحات 6207–6208.
  41. ایوائو، ک. نیشیدا، ک. کینوشیتا، تی. یاماگاتا، Y. اعتبارسنجی نقشه‌های پوشش زمین با اطلاعات پروژه تلاقی درجه. ژئوفیز. Res. Lett. 2006 , 33 , L23404. [ Google Scholar ] [ CrossRef ]
  42. ایوائو، ک. ناساهارا، KN; کینوشیتا، تی. یاماگاتا، ی. پاتون، دی. Tsuchida, S. ایجاد نقشه جدید پوشش زمین جهانی با یکپارچه سازی نقشه. جی. جئوگر. آگاه کردن. سیستم 2011 ، 3 ، 160-165. [ Google Scholar ] [ CrossRef ]
  43. Kinley, L. ارزیابی پتانسیل محتوای جغرافیایی جمع‌سپاری شده برای افزایش کیفیت نقشه‌برداری معتبر پوشش زمین. در مجموعه مقالات AGI GeoCommunity’13 Open for Business، ناتینگهام، بریتانیا، 17-18 سپتامبر 2013.
  44. Purves، RS; ادواردز، آ. فن، ایکس. هال، م. Tomko, M. تولید خودکار کلمات کلیدی برای تصاویر جغرافیایی ارجاع شده. در مجموعه مقالات GISRUK’2008، منچستر، انگلستان، 2 تا 4 آوریل 2008.
  45. هچت، بی. استفنز، ام. داستان شهرها: سوگیری های شهری در اطلاعات جغرافیایی داوطلبانه. در مجموعه مقالات ICWSM 2014، ان آربور، MI، ایالات متحده آمریکا، 1-4 ژوئن، 2014.
  46. بیشر، م. کوهن، دبلیو. اطلاعات مکانی از پایین به بالا: موضوع اعتماد و معناشناسی. در جامعه اطلاعاتی اروپا ; Fabrikant, SI, Wachowicz, M., Eds. Springer: هایدلبرگ، آلمان، 2007; صص 365-387. [ Google Scholar ]
  47. فلاناژین، ا. متزگر، ام. اعتبار اطلاعات جغرافیایی داوطلبانه. جئوژورنال 2008 ، 72 ، 137-148. [ Google Scholar ] [ CrossRef ]
  48. Hochmair، HH; Zielstra، D. دقت موقعیتی تصاویر Flickr و Panoramio در اروپا. در مجموعه مقالات انجمن ژئوانفورماتیک، سالزبورگ، اتریش، 3-6 ژوئن 2012. ص 14-23.
  49. زیلسترا، دی. Hochmair، HH تجزیه و تحلیل دقت موقعیت تصاویر Flickr و Panoramio برای مناطق منتخب جهان. جی. اسپات. علمی 2013 ، 58 ، 251-273. [ Google Scholar ] [ CrossRef ]
  50. Scassa, T. مسائل حقوقی با اطلاعات جغرافیایی داوطلبانه. می توان. Geogr./Le Géogr. می توان. 2013 ، 57 ، 1-10. [ Google Scholar ] [ CrossRef ]
  51. چو، جی. برخی نگرانی‌های حقوقی در مورد استفاده از اطلاعات مکانی با منبع جمعیت. IOP Conf. سر. محیط زمین. علمی 2014 ، 20 ، 012040. [ Google Scholar ] [ CrossRef ]
  52. مونسون، MA; کاروانا، آر. فینک، دی. هوچاچکا، WM; ایلیف، ام. روزنبرگ، KV; شلدون، دی. سالیوان، BL; چوب، سی. Kelling، S. روشی برای اندازه گیری محتوای اطلاعات نسبی داده ها از پروتکل های نظارتی مختلف: اندازه گیری کیفیت داده نسبی. روش ها Ecol. تکامل. 2010 ، 1 ، 263-273. [ Google Scholar ] [ CrossRef ]
  53. کنسرسیوم فضایی باز (OGC): داده های فضایی W3C در مورد موارد و الزامات استفاده از وب. در دسترس آنلاین: https://www.w3.org/TR/sdw-ucr/ (در 19 دسامبر 2015 قابل دسترسی است).
  54. Eurostat LUCAS 2015 (بررسی چارچوب کاربری زمین/منطقه پوششی). سند مرجع فنی C1 دستورالعمل برای نقشه برداران. موجود به صورت آنلاین: http://ec.europa.eu/eurostat/documents/205002/6786255/LUCAS2015-C1-Instructions-20150227.pdf/bbc63453-568f-44fc-a149-8ef6b04626 در تاریخ 15 دسامبر 2015 (1996/06/13)
  55. Eurostat LUCAS 2015 (بررسی چارچوب کاربری زمین/منطقه پوششی). سند مرجع فنی C3 طبقه بندی (پوشش زمین و کاربری زمین); موجود به صورت آنلاین: http://ec.europa.eu/eurostat/documents/205002/6786255/LUCAS2015-C3-Classification-20150227.pdf/969ca853-e325-48b3-9d59-7e86023 در 2017 دسامبر 2015 (accessed 2015)
  56. شورای بین المللی ارتباطات مطبوعاتی: نتایج آزمون فراداده عکس سایت های رسانه های اجتماعی. در دسترس به صورت آنلاین: http://www.embeddedmetadata.org/social-media-test-results.php (در 11 دسامبر 2015 قابل دسترسی است).
  57. طرح های نمونه برداری Stehman، SV برای ارزیابی دقت پوشش زمین. بین المللی J. Remote Sens. 2009 ، 30 ، 5243-5272. [ Google Scholar ] [ CrossRef ]
  58. هرولد، ام. مایو، پی. Woodcock، CE; باکسینی، آ. اشمولیوس، سی. برخی چالش‌ها در نقشه‌برداری جهانی پوشش زمین: ارزیابی توافق و دقت در مجموعه داده‌های 1 کیلومتری موجود. سنسور از راه دور محیط. 2008 ، 112 ، 2538-2556. [ Google Scholar ] [ CrossRef ]
  59. بوتنر، جی. کوزترا، بی. ماوچا، جی. Pataki, R. پیاده سازی و دستاوردهای CLC2006 ; آژانس محیط زیست اروپا: کپنهاگ، دانمارک، 2012. [ Google Scholar ]
  60. مک کالوم، آی. ببینید، L. استورن، تی. سالک، سی. پرگر، سی. دوراور، ام. کارنر، ام. مورثی، آی. دومیان، دی. فریتز، اس. مشارکت دادن شهروندان در نظارت بر محیط زیست از طریق بازی. در مجموعه مقالات ENVIP، بارسلونا، اسپانیا، 28 تا 30 اکتبر 2015.
  61. ویگینز، ای. نیومن، جی. استیونسون، RD; کروستون، ک. مکانیسم‌های کیفیت داده و اعتبارسنجی در علم شهروندی. در مجموعه مقالات هفتمین کنفرانس بین المللی IEEE در کارگاه های آموزشی علوم الکترونیک (eScienceW)، استکهلم، سوئد، 5-8 دسامبر 2011. ص 14-19.
  62. شپرد، SA; Terveen, L. Quality یک فعل است: عملیاتی شدن کیفیت داده در جامعه علمی شهروندی. در مجموعه مقالات هفتمین سمپوزیوم بین المللی ویکی ها و همکاری باز، Mountain View، CA، ایالات متحده، 3-5 اکتبر 2011; ACM Press: نیویورک، نیویورک، ایالات متحده آمریکا، 2011; ص 29-38. [ Google Scholar ]
  63. آرنولد، اس. کوزترا، بی. بانکو، جی. اسمیت، جی. هازو، جی. بوک، ام. والکارسل سانز، ن. مفهوم EAGLE – چشم انداز یک چارچوب نظارت بر زمین اروپا در آینده. در مجموعه مقالات سی و سومین سمپوزیوم EARseL به سمت افق 2020، ماترا، ایتالیا، 3 تا 6 ژوئن 2013. صص 551-568.
  64. فودی، جنرال موتورز; ببینید، L. فریتز، اس. ون در ولده، م. پرگر، سی. شیل، سی. Boyd, DS ارزیابی دقت اطلاعات جغرافیایی داوطلبانه ناشی از مشارکت کنندگان متعدد در یک پروژه مشارکتی مبتنی بر اینترنت. ترانس. GIS 2013 ، 17 ، 847-860. [ Google Scholar ] [ CrossRef ]
Ijgi 05 00064 g001a 1024 Ijgi 05 00064 g001b 1024
شکل 1. ( الف ) OpenStreetMap، اعتبار © OpenStreetMap مشارکت کنندگان و ( ب ) تصویر ماهواره ای (اعتبار © ESRI، نقشه پایه ارائه شده) از منطقه مورد مطالعه برای بررسی عکس های دارای برچسب جغرافیایی از Flickr، Panoramio و Geograph.
Ijgi 05 00064 g002 1024
شکل 2. درصد عکس هایی که یک کلاس، دو کلاس از سه کلاس توسط هفت داوطلب با در نظر گرفتن کلاس های “بله”، “شاید” یا “خیر” به آنها اختصاص داده شده است، نشان می دهد که آیا عکس ها برای استخراج اطلاعات پوشش زمین مفید هستند یا خیر.
Ijgi 05 00064 g003 1024
شکل 3. تعداد عکس های اختصاص داده شده به هر کلاس “بله”، “شاید” یا “خیر” توسط هفت داوطلب Vi ( i = 1، …، 7) برای ( a ) Panoramio. ( ب ) فلیکر و ( ج ) جغرافی.
Ijgi 05 00064 g004 1024
شکل 4. درصد عکس هایی که یک کلاس، دو کلاس از سه کلاس توسط پنج داوطلب باقی مانده پس از حذف موارد پرت از تجزیه و تحلیل، با در نظر گرفتن کلاس های “بله”، “شاید” یا “خیر” به آنها اختصاص داده شده است، که نشان می دهد آیا عکس ها برای استخراج اطلاعات پوشش زمین مفید هستند.
Ijgi 05 00064 g005 1024
شکل 5. میانگین تعداد عکس های اختصاص داده شده به کلاس های “بله”، “شاید” و “خیر” توسط پنج داوطلب.
Ijgi 05 00064 g006 1024
شکل 6. انحراف معیار تعداد عکس های اختصاص داده شده به کلاس های “بله”، “شاید” و “خیر” توسط پنج داوطلب.
جدول
جدول 1. پروتکل های مرتبط با سایت های مختلف که در آن عکس ها به اشتراک گذاشته/آپلود می شوند.
جدول
جدول 2. فهرستی از انواع ابرداده هایی که با عکس های دارای برچسب جغرافیایی مرتبط هستند و می توانند مرتبط باشند.
جدول
جدول 3. قوانین مورد استفاده برای کمک به طبقه بندی عکس ها به عنوان مفید برای کاربردهای پوشش زمین.
جدول
جدول 4. طبقه بندی فراداده ها بر اساس موارد استفاده به ضروری، مطلوب و غیر ضروری.
جدول
جدول 5. تجزیه و تحلیل برچسب های مرتبط با عکس های دارای برچسب جغرافیایی در Geograph، Flickr و Panoramio و توضیحات و عناوین Geograph و Flickr.

;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