نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

خلاصه

با محبوبیت فزاینده پلتفرم‌های اطلاعات جغرافیایی داوطلبانه (VGI) مانند OpenStreetMap (OSM)، ما با چالش ارزیابی کیفیت محتوای آن‌ها برای درک بهتر جایگاه آن نسبت به محتوای معتبر منابع سنتی‌تر مواجه هستیم. تاکنون، مطالعات عمدتاً بر کشورهای توسعه‌یافته متمرکز بوده و نشان می‌دهد که محتوای VGI می‌تواند با کیفیت منابع معتبر مطابقت داشته باشد یا حتی از کیفیت آن فراتر رود، با مطالعات بسیار کمی در کشورهای در حال توسعه. در این مقاله، ما کیفیت داده‌های جاده‌ای معتبر (داده‌های مرکز منطقه‌ای برای نقشه‌برداری منابع برای توسعه (RCMRD)) و غیرمعتبر (داده‌های OSM و Map Maker) جاده را در ارتباط با داده‌های جمعیت در نایروبی و اطراف آن مقایسه می‌کنیم. ، کنیا نتایج تنوع در پوشش بین همه این مجموعه داده ها را نشان می دهد. RCMRD با در نظر گرفتن کل منطقه مورد مطالعه، کامل‌ترین پوشش را ارائه می‌کند، هرچند کمتر، در حالی که OSM و Map Maker با حرکت از مرکز نایروبی به سمت مناطق روستایی، کاهش پوشش را نشان می‌دهند. علاوه بر این، OSM تراکم محتوای بالاتری در محله‌های فقیر نشین بزرگ داشت که از مجموعه داده‌های معتبر در این مکان‌ها پیشی گرفت، در حالی که Map Maker پوشش بهتری را در مناطق مسکونی روستایی نشان داد. این نتایج نشان‌دهنده نیاز بیشتر به رویکردی فراگیرتر با استفاده از VGI برای تکمیل شکاف‌های موجود در داده‌های معتبر در کشورهای در حال توسعه است. پیشی گرفتن از مجموعه داده های معتبر در این مکان ها، در حالی که Map Maker پوشش بهتری را در مناطق مسکونی روستایی نشان داد. این نتایج نشان‌دهنده نیاز بیشتر به رویکردی فراگیرتر با استفاده از VGI برای تکمیل شکاف‌های موجود در داده‌های معتبر در کشورهای در حال توسعه است. پیشی گرفتن از مجموعه داده های معتبر در این مکان ها، در حالی که Map Maker پوشش بهتری را در مناطق مسکونی روستایی نشان داد. این نتایج نشان‌دهنده نیاز بیشتر به رویکردی فراگیرتر با استفاده از VGI برای تکمیل شکاف‌های موجود در داده‌های معتبر در کشورهای در حال توسعه است.
کلید واژه ها: 

اطلاعات جغرافیایی داوطلبانه جمع سپاری ; شبکه های جاده ای ؛ داده های جمعیت ; کنیا

 

1. معرفی

وب 2.0 و افزایش در دسترس بودن دستگاه های تلفن همراه آگاه از موقعیت مکانی نسبتاً کم هزینه در طول دهه گذشته منجر به تولید حجم عظیمی از محتوای جغرافیایی آنلاین توسط کاربر شده است. منابع چنین اطلاعات تولید شده توسط کاربر شامل ویکی‌ها، وبلاگ‌ها، فیدهای رسانه‌های اجتماعی، مانند توییتر و فلیکر، و پلتفرم‌های نقشه‌برداری وب باز، مانند OpenStreetMap (OSM) [1] است . چنین اطلاعاتی، پس از جمع آوری، می تواند برای کاربردهای مختلف مفید باشد. به عنوان مثال، می‌توان از آن برای تکمیل لایه‌های جغرافیایی موجود، مانند تصاویر سنجش از دور برای بهبود نقشه‌برداری سیل‌ها (مثلا [2 ] ) استفاده کرد، یا برای ارائه یک لنز جدید برای درک بهتر افراد، جوامع و تعامل آنها با محیط اطراف آنها (به عنوان مثال، [ 3]). این محتوای تولید شده توسط کاربر به طور گسترده به عنوان اطلاعات جغرافیایی داوطلبانه (VGI, [ 4 ]) نامیده می شود، در حالی که اصطلاحات اضافی مانند اطلاعات جغرافیایی محیط (AGI, [ 5 ]) نیز برای ایجاد تمایز بین صریح و ضمنی استفاده شده است. محتوای جغرافیایی با مشارکت جمعیت
فعالیت‌های جمع‌سپاری مانند اینها محصول تعامل دیجیتال و مدنی است [ 6 ، 7 ]. به این ترتیب، آنها منعکس کننده فرآیندهای پیچیده اجتماعی و روانی هستند، و مکانیسم هایی که مشارکت در پروژه های مختلف جمع سپاری را هدایت می کنند، به تازگی شروع به مطالعه کرده اند (به عنوان مثال، [ 7 ، 8 ، 9 ، 10 ، 11 ]). وقتی صحبت از VGI به‌ویژه به میان می‌آید، ارتقای درک ما از انگیزه‌های کاربر برای شرکت در چنین فعالیت‌هایی، توانایی ما را برای استفاده کامل از ارزش چنین اطلاعاتی که توسط جمعیت ارائه می‌شود بهبود می‌بخشد. تحقیقات Neis و Zielstra [ 12] پیشنهاد می کند که افراد برای درونی (مانند نوع دوستی، سرگرمی/تفریح، یادگیری/غنی سازی شخصی، اخلاق منحصر به فرد و ابراز خود/تصویر) یا بیرونی (مثلاً پاداش/روابط اجتماعی، شغل، شهرت شخصی، هدف جامعه/پروژه و اعتماد سیستم) دلایل. انتظار می‌رود هر جامعه در ترکیب عواملی که سهم VGI را هدایت می‌کنند منحصربه‌فرد باشد، به‌دلیل تفاوت‌هایی، مثلاً در نقشه‌برداری علاقه، فرهنگ و جایگاه اجتماعی-اقتصادی. چنین تفاوت‌هایی باعث می‌شود که فرآیند مورد استفاده برای تولید VGI از یک گروه به گروه دیگر متفاوت باشد. به عنوان مثال، در حالی که برخی از کشورهای توسعه یافته ممکن است با شهرت شخصی یا VGI به عنوان یک رویداد سرگرم کننده یا تفریحی انگیزه داشته باشند (به عنوان مثال، [ 13 ])، بیشتر ادبیات در مورد VGI در حمایت از کشورهای در حال توسعه (به عنوان مثال، [ 14 ]15 ، 16 ]) استفاده از آن را عمدتاً برای رسیدگی به کمبود اغلب مجموعه داده های جغرافیایی موجود و به روز شده در این مکان ها پیشنهاد کرده است.
وقتی صحبت از کشورهای در حال توسعه به میان می‌آید، کمک‌های VGI معمولاً به صورت جهشی انجام می‌شود، برای مثال در واکنش به ورود یک کشور به کانون توجه جهانی، همانطور که ممکن است در پیامدهای یک بلای طبیعی اتفاق بیفتد (به عنوان مثال، [17، 18 ، 19 ] ) . ) به جای یک فرآیند منظم و مداوم. بیشتر موارد در مقیاس بزرگ VGI برای کشورهای در حال توسعه، حداقل مواردی که اغلب در ادبیات گزارش شده است، در زمان وقوع بلایا (مثلاً زلزله 2010 هائیتی) یا سایر اهداف بشردوستانه (مثلاً Map Kibera [20) رخ می دهد .]). در سال‌های اخیر، درایوهای نقشه مختلفی (یعنی نقشه‌برداری رویدادها/مپتون‌ها) توسط سازمان‌هایی مانند تیم بشردوستانه OpenStreetMap و MapGive (ابتکار واحد اطلاعات بشردوستانه وزارت امور خارجه ایالات متحده) برای افزایش نفوذ نقشه‌برداری VGI وجود داشته است. فعالیت در کشورهای در حال توسعه با این حال، پایداری و مفید بودن این نوع فعالیت ها هنوز ثابت نشده است. این علاوه بر عوامل مختلف گزارش شده در ادبیات است که بر سهم کلی پایین VGI در کشورهای در حال توسعه تأثیر می گذارد (که در بخش 2 با جزئیات بیشتر مورد بحث قرار خواهد گرفت ). به عنوان مثال، یک رویداد ملی نقشه برداری اخیر در جزیره کوچک گرمسیری و دریای کارائیب سنت لوسیا [ 21] پیشنهاد می‌کند که برخی از دولت‌ها در کشورهای در حال توسعه ارزش VGI را به رسمیت می‌شناسند، به این معنا که می‌توان از آن برای نظارت بر ادراک عمومی [ 22 ]، همراه با ارائه راه‌های جدید برای تعامل با شهرها و گرفتن اطلاعات در مورد شهرها استفاده کرد [ 23 ، 24 ] و تقویت جامعه مدنی [ 25 ].
کشورهای در حال توسعه در حال حاضر با چالش هایی با رشد سریع و ناپایدار جمعیت [ 26 ]، شهرنشینی سریع و توسعه زیرساخت های عظیم روبرو هستند که اغلب منجر به مسائلی مانند تکثیر و گسترش زاغه ها می شود. برای رسیدگی مناسب به چنین مسائلی، نیاز اساسی به اطلاعات مکانی به روز و قابل اعتماد [ 27 ] وجود دارد. با این حال، برای بسیاری از کشورهای در حال توسعه، هزینه ایجاد و نگهداری یک پایگاه داده ملی جغرافیایی به روز بسیار بالا است. برخی از کشورهای در حال توسعه قادر به انجام تعهدات مالی لازم برای حمایت از این نوع پروژه های بزرگ نیستند [ 28]]. این امر در دسترس بودن و استفاده بالقوه از VGI را به دلیل هزینه کم آن در مقایسه با روش های سنتی جمع آوری داده های مکانی، جایگزین جذابی می کند. با این حال، اطلاعات کمی در مورد کیفیت منابع داده VGI و مناسب بودن آنها برای چنین حوزه های کاربردی با توجه به نیازهای داده های مکانی در جهان در حال توسعه وجود دارد.
این مقاله یکی از اولین مطالعات را برای ارزیابی کیفیت داده های VGI در کشورهای در حال توسعه ارائه می کند. هدف ما کمک به ارزیابی پوشش منابع معتبر و غیرمعتبر داده‌های جاده‌ای در یک کشور در حال توسعه در آفریقا، کنیا در این مورد است تا درک خود را از ارزش VGI برای کشورهای در حال توسعه ارتقا دهیم. برای رسیدن به این هدف، ما بر اساس کارهای قبلی (به بخش 2 مراجعه کنید) می‌پردازیم تا نشان دهیم که چگونه می‌توان از چنین روش‌هایی برای به دست آوردن بینشی در مورد پتانسیل VGI به عنوان یک منبع داده مکمل برای رسیدگی به نیازهای داده‌های مکانی چنین کشورها استفاده کرد.
مطالعه موردی ما بر نایروبی، کنیا متمرکز است و داده‌های VGI را که توسط OSM و Google Map Maker گرفته شده است، با آنچه در آن زمان معتبرترین داده‌های معتبر در سطح ملی در آن زمان بود، مقایسه و مقایسه می‌کنیم. این یک چالش اضافی را معرفی می کند که برای کشورهای در حال توسعه بومی است، یعنی عدم وجود همزمانی چنین داده هایی. این داده های معتبر، در حالی که در آن زمان جدیدترین بودند، سه ساله بودند (آخرین به روز رسانی در سال 2011)، در حالی که مطالعه ما بر روی داده های موجود در سال 2014 متمرکز بود. برای پرداختن صحیح به این چالش، باید سه سؤال پژوهشی را در نظر بگیریم که شامل سهم این مقاله اول، چگونه داده های جاده VGI با داده های جاده معتبر از نظر پوشش برای همان دوره زمانی مقایسه می شود؟ دومین، چگونه داده های جاده VGI جدیدتر از نظر پوشش با تنها منبع داده های معتبر قدیمی تر جاده مقایسه می شود؟ در پرداختن به این سوالات، ما باید دو ویژگی کلیدی VGI را بررسی کنیم: پوشش آن (با توجه به جاده ها) و رابطه آن با تراکم جمعیت. در نتیجه، سومین سوال تحقیقی که در اینجا به آن پرداخته می شود، بررسی رابطه بین تراکم جمعیت و پوشش جاده در منطقه مورد مطالعه ما است.
بنابراین این مطالعه به ارتقای درک ما از کاربرد مشارکت های VGI برای تکمیل یا حتی گسترش منابع داده معتبر در کشورهای در حال توسعه کمک می کند. از طریق چنین تحلیلی، کشورهای در حال توسعه بهتر می توانند از VGI برای برآوردن نیازهای رو به رشد داده های مکانی خود استفاده کنند.
ادامه این مقاله به شرح زیر سازماندهی شده است. در بخش 2 ، تحقیقات قبلی در مورد الگوهای مشارکت، کامل بودن و پوشش داده های VGI را مرور می کنیم. بخش 3 به طور خلاصه حوزه مطالعه ما و داده های مورد استفاده در تجزیه و تحلیل ما را قبل از بیان روش شناسی ما در بخش 4 و نتایج و تجزیه و تحلیل مطالعه موردی ما در بخش 5 معرفی می کند . در نهایت، بخش 6 این مقاله را با توصیه هایی برای کار آینده به پایان می رساند.

2. پس زمینه

در طول دهه گذشته، رشد و علاقه زیادی به استفاده از VGI به عنوان منبع جایگزین و تکمیلی داده های مکانی در مقایسه با منابع سنتی مانند آژانس های نقشه برداری ملی وجود داشته است. نمونه اولیه VGI پروژه OSM است. این پروژه در ژوئیه 2004 در دانشگاه کالج لندن آغاز شد و تا ماه مه 2008، بیش از 35000 کاربر ثبت نام کرده بود [ 29 ]. امروزه، تعداد کاربران ثبت‌شده OSM به تقریباً سه میلیون در سراسر جهان رسیده است [ 30 ] که نشان‌دهنده علاقه‌ی مداوم به ایجاد و استفاده از داده‌های OSM است. داده‌های OSM برای حمایت از مطالعات زیادی در بسیاری از رشته‌های مختلف مورد استفاده قرار گرفته‌اند (نگاه کنید به [ 31]] برای بررسی جامع). به عنوان مثال، OSM برای ارزیابی قابلیت اطمینان مسیرهای ویلچر (به عنوان مثال، [ 32 ])، برای ایجاد مدل های سه بعدی از شهرها، برای ناوبری در زمان واقعی (به عنوان مثال، [ 33 ، 34 ]) و برای حمایت از امداد رسانی در بلایای طبیعی استفاده شده است. به عنوان مثال می توان به شیوع ابولا در غرب آفریقا در سال 2014 [ 35 ] و زلزله های هائیتی [ 17 ] و نپال [ 36 ] در سال های 2010 و 2015 اشاره کرد. علاوه بر این، OSM برای حمایت از نقشه برداری مبتنی بر جامعه از جوامع به حاشیه رانده شده، مانند زاغه ها (به عنوان مثال، [ 37) استفاده شده است.]). با توجه به تعداد روزافزون کاربران OSM و استفاده از این داده ها، انتظار می رود که تعداد برنامه هایی که از OSM استفاده می کنند در آینده قابل پیش بینی همچنان به رشد خود ادامه دهند.
با انگیزه مزایای مختلف VGI، چندین مطالعه کیفیت بین VGI استخراج شده از پلت فرم های داده باز و داده های معتبر را مقایسه کرده اند. در حالی که سطحی از تضمین کیفیت را معمولاً می توان از ارائه دهندگان داده های تجاری معتبرتر به دست آورد [ 38 ]، چنین اقداماتی اغلب در مورد VGI وجود ندارند یا بسیار محدود هستند [ 39 ، 40 ، 41 ، 42].]. این باعث شده است که نگرانی هایی در مورد کیفیت VGI و مناسب بودن آن برای استفاده مطرح شود، به ویژه زمانی که این داده ها برای پشتیبانی از برنامه های کاربردی مهم (مانند کمک های بشردوستانه و ناوبری خودرو) استفاده می شوند. در نتیجه، چندین مطالعه کیفیت داده های VGI را با مقایسه آن با منابع داده های تجاری یا معتبر بررسی کرده اند. هاکلی [ 43]، برای مثال، دقت موقعیت و کامل بودن OSM را با داده‌های جاده‌ای Ordinance Survey (OS)، یک منبع معتبر داده‌های معتبر در بریتانیا مقایسه کرد. جاده های سیستم عامل سپس درصد جاده‌های OSM که با آن بافرها همپوشانی داشتند محاسبه شد. کامل بودن جاده ها با مقایسه طول کل جاده ها در هر 1 کیلومتر × 1 کیلومتر شبکه شبکه برای هر دو OSM و OS تعیین شد. آن مطالعه میانگین دقت موقعیتی OSM را در مقایسه با داده‌های سیستم عامل، از جمله همپوشانی تقریباً 80 درصدی بین بزرگراه‌ها در هر دو مجموعه داده برای لندن، حدود 6 متر گزارش کرد. علاوه بر این، با مقایسه کامل جاده‌های OSM برای کل بریتانیا، Haklay [ 43] دریافت که در آن زمان، جاده‌های OSM 69 درصد از داده‌های سیستم‌عامل را به خود اختصاص می‌داد که با استفاده از داده‌های OSM در برخی مناطق، تا 25 درصد پوشش بهتری داشت. مکاتبات بالا مشابهی (97 درصد در مناطق شهری) توسط لودویگ و همکاران گزارش شده است. [ 44 ]، مقایسه کامل ویژگی های جاده (به عنوان مثال، مسیرهای اولیه، ثانویه و دوچرخه) در OSM با داده های Navteq در چندین شهر آلمان. با توجه به مطالعه اخیر در آلمان، با توجه به مطالعه اخیر در آلمان، هنگام استنباط نتایج چنین مطالعاتی به شهرهای دیگر باید دقت شود، زیرا همانطور که Neis و همکارانش می‌گویند. [ 45] نشان می دهد که آلمان دارای فعال ترین جوامع OSM است. بنابراین تعجب آور نیست که مواردی از تطابق پوشش OSM یا حتی فراتر از کیفیت داده های تجاری یا معتبر در آن مکان ها گزارش شده باشد. این بیانیه بیشتر با کار پروژه Map Kibera در نایروبی، کنیا، یک طرح نقشه برداری مبتنی بر جامعه برای نقشه برداری از محله های فقیر نشین در کنیا، نشان می دهد که آنها را برای جهان قابل مشاهده می کند [20 ] . انتظار می‌رود که پوشش OSM در مناطق پروژه فعال در مقایسه با سایر مناطقی که پروژه‌های مشابه در آن‌ها کم یا اصلاً وجود نداشته است، بسیار بیشتر باشد.
با این حال، علاوه بر کار Haklay [ 46 ] در هائیتی و Camboim و همکاران. [ 16 ] در برزیل، طبق اطلاعات نویسندگان، هیچ مطالعه دیگری در حال حاضر برای مقایسه چنین داده هایی برای کشورهای در حال توسعه وجود ندارد. در Haklay [ 46 ]، این مطالعه مقدماتی از همان روشی استفاده کرد که در Haklay [ 43]] برای محاسبه کامل بودن جاده، مقایسه پوشش جاده بین داده های OSM و Map Maker به دست آمده پس از زلزله هائیتی 2010. نویسنده نشان داد که ظرف چند روز بلافاصله پس از این رویداد، OSM پوشش جامع تری در مرکز زمین لرزه در شهر پایتخت پورتو پرنس و نواحی اطراف آن داشت. از سوی دیگر، Map Maker پوشش بیشتری را در برخی از مناطق روستایی نزدیک به مناطق شمالی و جنوب غربی کشور نشان داد. همان معیار کامل بودن توسط کامبویم و همکاران استفاده شد. [ 16]، همراه با سه معیار تکمیلی اضافی (طول جاده، تعداد ساختمان‌ها و کامل بودن ویژگی) و دو معیار زمانی (تعداد ویرایشگران در هر منطقه و روزهای گذشته از آخرین تغییر) برای ارزیابی کیفیت VGI برای مناطق شهری و روستایی در کوریتیبا، برزیل . آن مطالعه کامل بودن و مقادیر زمانی بالاتر را در مناطقی با تراکم جمعیت بیشتر نشان داد. علاوه بر این، آزمون همبستگی بیشتر با کامل بودن به دست آمده و معیارهای زمانی با اطلاعات جمعیت‌شناختی جمع‌آوری‌شده از داده‌های سرشماری نشان داد که VGI به تنهایی برای ارائه اطلاعات جمعیت‌شناختی کافی در بخش‌های فقیرتر و منزوی‌تر منطقه مورد مطالعه ناکافی است. نتایج مشابهی که نشان‌دهنده تفاوت در پوشش در شبکه‌های جاده‌ای و کاربری اراضی مرتبط و پوشش زمین است نیز توسط ارسنجانی و همکاران نشان داده شد. [ 26]، مقایسه OSM با استفاده از زمین و داده های پوشش زمین در چندین شهر آلمان. تحقیقات همچنین ارتباط بالقوه بین الگوهای مشارکت VGI و واریانس در ویژگی های اجتماعی-دموگرافیک و اجتماعی-اقتصادی جمعیت را مورد بررسی قرار داده است (به عنوان مثال، [ 43 ، 47 ، 48 ، 49 ]). چنین مطالعاتی به طور کلی نشان داده اند که چنین ویژگی هایی می توانند بر مشارکت OSM تأثیر بگذارند.
رویکردهای کیفی بیشتری نیز برای ارزیابی کیفیت داده های جاده VGI استفاده شده است. به عنوان مثال، Ciepłuch و همکاران. [ 50 ] دقت نقشه های گوگل، نقشه های بینگ و داده های OSM را برای ایرلند مقایسه کرد. در آن مطالعه، یک برنامه وب توسعه داده شد تا هر سه مجموعه داده بر روی یکدیگر قرار گرفته باشند. سپس یک شبکه منظم سلولی 4 کیلومتر × 4 کیلومتر برای مقایسه بصری تفاوت در پوشش بین شبکه‌های جاده‌ای مورد استفاده قرار گرفت. سیپلوچ و همکاران [ 50 ] پیشنهاد کرد که به دلیل تنوع مکانی در پوشش جاده گزارش شده توسط هر سه لایه داده، یعنی برخی از مناطق در مقایسه با سایرین توسط یک منبع داده بهتر ارائه می‌شوند، نمی‌توان گفت که هیچ منبع داده واحدی پوشش کلی بهتری دارد. اخیراً هوچمیر و همکاران. [ 51] کامل بودن ویژگی های دوچرخه سواری در OSM و Google Maps در چندین شهر ایالات متحده را با داده های جمع آوری شده از سازمان های برنامه ریزی محلی مقایسه کرد. پوشش OSM بیشتر برای مسیرها در مقایسه با خطوط دوچرخه در مکان‌های درون شهری که پوشش Google بهتر بود گزارش شد. در نهایت، همانطور که در آن مطالعه و سایر مطالعات پیشنهاد شد، داده‌های OSM و Google Maps می‌توانند برای تکمیل یکدیگر، با بهبود بیشتر در پوشش ویژگی‌های دوچرخه‌سواری به‌دست‌آمده از استفاده از داده‌های برنامه‌ریزی محلی در صورت وجود استفاده شوند. چنین مطالعاتی علاقه روزافزون به استفاده از OSM را برجسته می کند.
با این حال، در حالی که مقدار داده های VGI همچنان در حال رشد است، توزیع فضایی این داده ها برابر نبوده است. مطالعات در دنیای غرب نشان می دهد که مناطق شهری در مقایسه با مناطق روستایی (به عنوان مثال، [ 43 ، 52 ، 53 ]) و شهرهایی با موقعیت اجتماعی-اقتصادی بالاتر (مثلا [ 45 ]) تمایل به دریافت پوشش بسیار بیشتری از VGI دارند . همانطور که جانسون و هچت پیشنهاد کردند [ 54]، این به دلیل تفاوت های سیستماتیک در تراکم جمعیت است، یعنی مناطق شهری تعداد کاربران بیشتری در هر منطقه برای نقشه برداری از ویژگی ها در مقایسه با مناطق روستایی دارند. در نتیجه، مکان‌هایی که تراکم جمعیت بالاتری دارند، اغلب در مقایسه با سایر مناطق با تراکم جمعیت پایین، برای مثال مناطق روستایی، از کامل بودن و دقت موقعیتی بیشتری در داده‌های VGI برخوردارند [ 55 ].
در این مقاله، ما این مجموعه کار را با پرداختن به همبستگی بالقوه بین تراکم جمعیت و مشارکت های VGI در کنیا گسترش می دهیم تا بینشی در مورد این رابطه متقابل در جهان در حال توسعه به دست آوریم.

3. منطقه مطالعه و داده ها

نایروبی پایتخت کنیا در شرق آفریقا است. این شهر بین طول‌های جغرافیایی 36 درجه و 04 دقیقه و 37 درجه و 01 دقیقه شرقی و عرض‌های جغرافیایی 1 درجه و 09 دقیقه و 1 درجه و 28 دقیقه جنوبی واقع شده است و مساحت آن 689 کیلومتر مربع است [ 56 ] . نایروبی یکی از بزرگترین مراکز تجاری، صنعتی، مالی، آموزشی و ارتباطات در آفریقا است [ 57 ]. در ژوئیه 2011، کنیا اولین کشور آفریقایی جنوب صحرا شد و پس از مراکش در کشورهای در حال توسعه، دومین کشوری بود که یک ژئوپورتال داده باز به نام OpenKenya راه اندازی کرد. از ماه می 2015، تقریباً 500 مجموعه داده در OpenKenya آپلود شده بود [ 58]. حمایت از ابتکار داده های باز کنیا، سرمایه گذاری های قابل توجهی در فناوری ارتباطات اطلاعات (ICT) بوده است که توسط دولت کنیا و منابع خارجی، مانند بانک جهانی، تامین شده است. برای بسیاری از پلتفرم‌های داده باز مانند OSM، اتصال اینترنت برای آپلود ویرایش‌های نقشه جدید ضروری است [ 4 ]. در سال 2013، ضریب نفوذ اینترنت کنیا بیش از 20 درصد بود، بسیار بالاتر از میانگین در مقایسه با بسیاری از کشورهای کم درآمد دیگر، و تا سال 2015 به 39 درصد رسید [ 59 ]. بر خلاف برخی از کشورهای در حال توسعه، به عنوان مثال، بنگلادش، که در آن نفوذ OSM نسبتا کم بوده است [ 60 ]، مرکز فعالیت در نایروبی وجود داشته است. این تا حدی به دلیل تأثیر پروژه Map Kibera است.
نایروبی به عنوان بزرگترین شهر کنیا، افراد زیادی را از سایر مناطق شهری و روستایی به دنبال فرصت های اقتصادی و معیشتی بهتر جذب می کند. این منجر به رشد سریع و کنترل نشده شهری شده است که منجر به ازدیاد محله های فقیر نشین شده است، مشکلی که دولت کنیا همچنان با آن دست و پنجه نرم می کند. با توجه به مرکز تحقیقات جمعیت و سلامت آفریقا (APHRC) [ 61 ]، حدود 60٪ – 70٪ از جمعیت نایروبی (حدود سه میلیون بر اساس آخرین سرشماری [ 62)]) در حال حاضر در محله های فقیر نشین زندگی می کنند. جای تعجب نیست که بسیاری از سازمان‌های بین‌المللی، مانند سازمان ملل و بانک جهانی، به تأمین مالی پروژه‌هایی با هدف بهبود کیفیت زندگی در جوامع زاغه‌نشین در نایروبی و اطراف آن ادامه می‌دهند. این امر همچنین باعث به وجود آمدن بسیاری از مطالعاتی شده است که از نایروبی به عنوان یک بستر آزمایشی برای مطالعه فقر و برای سیاسی کردن نیاز به بهبود شرایط جمعیت فقیر به طور کلی استفاده می کنند (به عنوان مثال، [63، 64 ، 65 ] ) .
با توجه به تأثیر فناوری اطلاعات و ارتباطات در نایروبی و اطراف آن و مسائل جاری با افزایش شهرنشینی و فقر، نیاز به داده های جغرافیایی به روز و قابل اعتماد در مورد زیرساخت های حیاتی، مانند جاده ها، برای این منطقه وجود دارد. این امر نایروبی را به منطقه ای مناسب و در عین حال بسیار جالب برای بررسی پوشش زیرساخت های جاده ای از منابع مختلف معتبر و غیرمعتبر تبدیل می کند. شکل 1 منطقه مورد مطالعه، نایروبی، و اطراف آن را نشان می دهد، منطقه ای به وسعت 48 کیلومتر × 72 کیلومتر. همانطور که در شکل 1 نشان داده شده استنایروبی بلافاصله توسط سه شهرستان دیگر احاطه شده است: کیامبو، کاجیادو و ماچاکوس. نایروبی به شدت شهری است، در حالی که شهرستان های اطراف آن دارای ترکیبی از پوشش های اراضی کشاورزی و روستایی هستند. اطلاعات پوشش زمین استفاده شده در شکل 1 یک نسخه کلی از محصول جهانی پوشش زمین GlobCover [ 66 ] است. این محصول دارای قدرت تفکیک مکانی 300 متر × 300 متر است که به دلیل قدرت تفکیک درشت، وجود انواع کاربری های حمل و نقل مانند جاده ها را پنهان می کند. بنابراین از این تصویر در این مقاله برای توصیف کیفیات فیزیکی عمومی منطقه مورد مطالعه استفاده شده است.
در جدول 1 ، منابع داده موجود برای مطالعه خود را خلاصه می کنیم. ما منبع داده، نحوه اکتساب و جدیدترین به روز رسانی هر پایگاه داده (تا زمان این مطالعه) را فهرست می کنیم. داده‌های جاده‌ای از سه منبع اصلی اطلاعات مکانی برای کنیا به‌دست آمدند که نشان‌دهنده جدیدترین داده‌های آن‌ها در سال 2014 است:

  • RCMRD (مرکز منطقه ای منابع نقشه برداری برای توسعه)
  • OSM
  • نقشه ساز گوگل.
RCMRD به عنوان پایه داده معتبر برای مطالعه ما عمل می کند. OSM و Map Maker هر دو منابع غیر معتبر و شناخته شده ای از داده های VGI هستند و این دو مجموعه داده ای هستند که در این مطالعه با RCMRD مقایسه می شوند. به منظور پرداختن به چالش ذکر شده در مورد عدم همزمانی این مجموعه داده‌ها، مجموعه داده‌های OSM مربوطه را در سال 2011 در نظر گرفتیم. با در نظر گرفتن هر دو مجموعه داده OSM 2014 و 2011، ما نه تنها قادر به مقایسه مجموعه داده‌های معتبر و VGI هستیم. از سال 2014 در دسترس است، اما همچنین برای برجسته کردن پیشرفت های بالقوه انجام شده در OSM در نقشه برداری نایروبی در طول دوره سه ساله 2011-2014. متأسفانه، نمی توان چنین مقایسه ای با مجموعه داده Map Maker انجام داد، زیرا داده های سال 2011 برای این مطالعه در دسترس نبود.
دلیل ما برای گنجاندن Map Maker دوگانه بود. اول، مقایسه و مقایسه تفاوت‌ها بین محصولات VGI برای یک دوره زمانی مشابه است (مثلاً 2014). مطالعات داده‌های OSM و Map Maker را با هم مقایسه کرده‌اند (به عنوان مثال، [ 43 ])، و تفاوت‌ها را در پوشش فضایی آنها شناسایی کرده‌اند. با این حال، چنین تفاوت هایی به طور گسترده مورد مطالعه قرار نگرفته است. ثانیا، این مقایسه محصول VGI دیگری را در مقابل داده های معتبر در اختیار ما قرار می دهد. با هم، چنین تحلیلی می تواند برای کمک به درک بهتر تغییرات در پوشش VGI از پلتفرم های مختلف استفاده شود. این به طور بالقوه می تواند مناطقی را پیشنهاد کند که در آن یک مجموعه داده ممکن است در مقایسه با دیگری پوشش جامع تری ارائه دهد، و همچنین این مجموعه داده ها می توانند مکمل یکدیگر باشند.
مرکز منطقه ای نقشه برداری منابع برای توسعه یک سازمان بین دولتی است که توسط کمیسیون اقتصادی سازمان ملل متحد برای آفریقا در سال 1975 تأسیس شد. هدف RCMRD ترویج توسعه پایدار از طریق تولید، استفاده و انتشار اطلاعات جغرافیایی، حمایت از فناوری اطلاعات و ارتباطات است. ، محصولات و خدمات [ 72 ]. RCMRD به عنوان یکی از مهمترین منابع داده های جغرافیایی معتبر برای چندین کشور آفریقایی از جمله کنیا در نظر گرفته می شود. داده های RCMRD به دست آمده برای این مطالعه از طریق ژئوپورتال مجازی کنیا به دست آمده است. همانطور که در جدول 1 نشان داده شده استدر حالی که داده‌ها در سال 2014 جمع‌آوری شده‌اند، آخرین زمان به‌روزرسانی برای این مجموعه داده‌ها در سال 2011 بوده است. این کمبود داده‌های فعلی در کشورهای در حال توسعه رایج است و منعکس‌کننده فقر داده‌ای مرتبط با چنین کشورهایی است، به‌ویژه کشورهای آفریقایی از این نظر در مضیقه هستند. [ 73 ]. با در نظر گرفتن در دسترس بودن داده های مکانی در کنیا، به ویژه، مطالعات وضعیت ضعیف زیرساخت داده های مکانی کنیا و در دسترس بودن داده های مکانی را به طور کلی نشان داده اند [ 74 ، 75]]. بنابراین، غیرمعمول نیست که “جدیدترین داده” موجود در کشورهایی مانند کنیا کمی قدیمی باشد. این در تضاد شدید با رشد سریع این کشورهاست که بر ماهیت مشکل و لزوم رسیدگی به آن تاکید بیشتری دارد که دقیقاً تمرکز اصلی این نشریه است.
به منظور پشتیبانی از تحلیل خود، ما همچنین به مجموعه داده های کمکی در قالب داده های جمعیت و مرزهای کشور نیاز داشتیم و منابع این مجموعه داده ها نیز در جدول 1 آمده است . داده های جمعیت از پایگاه داده جهانی LandScan آزمایشگاه ملی Oak Ridge (ORNL) [ 69 ] به دست آمد . LandScan یکی از کامل ترین منابع داده های جمعیتی را نشان می دهد و تنها منبع داده های جمعیت جهانی است که سالانه در دسترس است. همانطور که توسط Bhaduri و همکاران بحث شده است. [ 76 ]، LandScan ترکیبی از منابع اطلاعاتی باز، تجاری و غیر افشا شده را در تولید محصول خود ترکیب می کند. شهرستان های کنیا از پورتال جغرافیایی داده های باز کنیا [ 58] به دست آمد]، در حالی که اطلاعات پوشش زمین از ژئوپورتال آژانس فضایی اروپا [ 66 ] جمع آوری شد.

4. روش شناسی

برای دریافت وسعت پوشش جاده، رویکردی را دنبال کردیم که قابل مقایسه با روش معرفی شده توسط Haklay [ 43 ] بود. منطقه آزمایشی به سلول‌های شبکه‌ای 1 کیلومتر × 1 کیلومتر که با داده‌های LandScan منطبق بود، جدا شد و در هر سلول، طول کل جاده مربوطه را محاسبه کردیم. در انجام این کار، ما همه انواع جاده‌ها را در نظر گرفتیم، نه فقط بزرگراه‌ها را، همانطور که در [ 43 ] اتفاق افتاد ، تا با عدم استانداردسازی طبقه‌بندی جاده‌ها در منابع داده‌های منطقه مورد مطالعه ما که کاملاً در کشورهای در حال توسعه رایج است، سازگاری بهتری داشته باشیم. برای ارزیابی وضعیت کنیا ، به عنوان مثال، Okuku و همکاران [ 77 ] را ببینید.
به منظور نشان دادن این موضوع با استانداردسازی، یک منطقه مسکونی را در نظر بگیرید که بلافاصله در غرب مرکز شهر نایروبی قرار دارد، همانطور که در شکل 2 نشان داده شده است . همپوشانی سه منبع داده (RCMRD، OSM برای سال 2014 و Google Map Maker) همپوشانی قابل توجهی را بین جاده‌های «مسکونی» در OSM و جاده‌های «محلی» (طبقه‌بندی Google برای جاده‌های مسکونی) در Map Maker نشان می‌دهد. لایه جاده RCMRD به‌دست‌آمده برای استفاده در این مطالعه شامل جاده‌هایی است که بر اساس انواع سطح مختلف طبقه‌بندی شده‌اند، با جاده‌های نوع سطحی «محصول» و «آب و هوای خشک» که وسعت در شکل 2 را پوشش می‌دهند و همچنین با جاده‌های OSM و Map Maker همپوشانی دارند. شکل 2همچنین چندین جاده را به‌عنوان «طبقه‌بندی نشده» در داده‌های OSM و همپوشانی با جاده‌های Map Maker و RCMRD نشان می‌دهد. باید به خواننده توجه داشت که طبق طبقه‌بندی OSM آن، جاده‌های «طبقه‌بندی نشده» جاده‌های کوچک غیرمسکونی هستند که برای ترافیک محلی و برای اتصال شهرهای کوچک در نظر گرفته شده‌اند [78 ] . با این حال، همانطور که شکل 2 نشان می دهد ، بسیاری از جاده های داخل منطقه مورد مطالعه ، توسط مشارکت کنندگان به عنوان “طبقه بندی نشده” در داده های OSM برچسب گذاری شده اند. اینها شامل جاده های اصلی در مرکز شهر نایروبی و اطراف آن است. چنین مواردی از برچسب‌گذاری نادرست برای OSM رایج است زیرا کاربران ملزم به پذیرش برچسب‌های پیشنهادی OSM برای برچسب‌گذاری ویژگی‌های نقشه‌برداری شده خود نیستند [ 79]]. بنابراین، در این مطالعه، ما از تمام جاده‌هایی که به‌عنوان «طبقه‌بندی‌نشده» برچسب‌گذاری شده‌اند، مانند هر نوع جاده طبقه‌بندی‌شده دیگری در پایگاه داده OSM استفاده می‌کنیم. در پایگاه داده OSM در سال 2014، جاده‌های «طبقه‌بندی نشده» 23 درصد از کل جاده‌های OSM برای منطقه مورد مطالعه را تشکیل می‌دهند. استاندارد نبودن انواع جاده ها از هر سه منبع داده، همراه با مقدار زیادی جاده های “طبقه بندی نشده” در OSM در منطقه مورد مطالعه، ترکیب جاده ها را به یک کار چالش برانگیز تبدیل می کند. علاوه بر این، برای برخی از جوامع در کنیا، به عنوان مثال، زاغه کیبرا، تعداد زیادی از جاده‌ها در این زاغه در مقایسه با پوشش بسیار محدودتر در داده‌های OSM به‌عنوان «مسیر»، «مسیر پیاده» و «جاده‌های خاکی» طبقه‌بندی می‌شوند. RCMRD و Map Maker. برخی از این جاده‌های غیررسمی نیز در Map Maker به‌عنوان «جاده‌های محلی» برچسب‌گذاری شدند. به طور مشابه، در ذخیره‌گاه جنگلی کارورا، درست در شمال مرکز شهر نایروبی،
توجه به این نکته ضروری است که این تفاوت‌ها بین طبقه‌بندی جاده‌ها فقط معنایی نیست. شکست در گرفتن همه جاده‌ها می‌تواند تأثیر قابل‌توجهی بر تجزیه و تحلیل داشته باشد، زیرا تمرکز بر انواع خاصی از جاده‌ها ممکن است ماهیت پیچیده شبکه‌های حمل‌ونقل در داخل و اطراف محله‌های فقیر نشین را نشان دهد. ساکنان محله‌های فقیر نشین مانند کیبرا برای دسترسی به مکان‌های داخل و خارج از محله خود به این جاده‌های غیررسمی وابسته هستند [ 65]]. در نتیجه، شکست این نوع جاده‌ها در تجزیه و تحلیل می‌تواند به طور بالقوه منجر به سوگیری در پوشش جاده‌ای شود که به نفع منابع معتبرتر داده‌های جاده‌ای است. بنابراین در این مطالعه، ما بین انواع مختلف جاده ها تفاوتی قائل نمی شویم. مقایسه مشابهی از طول کل جاده همه انواع جاده‌ها بین جاده‌های OSM و طول جاده‌های موجود در کتاب حقایق جهانی [ 81 ] در سطح ملی تجمیع توسط MapBox [ 82 ] ارائه شده است.
هر دو آمار مرتبه اول، مانند میانگین و انحراف معیار، و توزیع جغرافیایی هر منبع داده های جاده مورد بررسی قرار گرفت. به دنبال این، تفاوت دوتایی در پوشش بین شبکه‌های جاده‌ای با کم کردن مقادیر سلول‌های شبکه همپوشانی استخراج شد. در مرحله بعد، نمونه های محلی خودهمبستگی فضایی (LISA، [ 83]) برای بررسی الگوهای فضایی معنی‌دار خوشه‌بندی بین تفاوت‌های زوجی در پوشش جاده استفاده شد. به طور خاص، LISA برای شناسایی الگوها در تفاوت های فضایی بین جاده ها، تراکم جمعیت و پوشش جاده در رابطه با تراکم جمعیت استفاده شد. LISA، یک انطباق محلی از آمار جهانی آزمون Moran’s I، به این صورت ارائه می‌شود: عدم استانداردسازی طبقه‌بندی جاده‌ها در منابع داده منطقه مورد مطالعه ما:

منمن=ایکسمن–ایکس¯¯¯اس2من ∑j = 1 ، j ≠ inwمن ، ج(ایکسمن– ایکس¯¯¯)منمن=ایکسمن–ایکس¯اسمن2 ∑�=1،�≠من��من،�(ایکسمن– ایکس¯)

جایی که ایکسمنایکسمن، یک ویژگی است (یعنی پوشش جاده، تراکم جمعیت و پوشش جاده در رابطه با تراکم جمعیت) متعلق به ویژگی i (یک سلول شبکه 1 کیلومتر در 1 کیلومتر)، ایکس¯¯¯ایکس¯میانگین مقدار ویژگی ویژگی است ایکسمن، wمن ، جایکسمن، �من،�وزن فضایی بین ویژگی های i و j است و:

اس2من= ∑nj = 1 ، j ≠ i  (ایکسمن– ایکس¯¯¯)n – 1اسمن2= ∑�=1، �≠من �(ایکسمن– ایکس¯)�–1

با n نشان دهنده تعداد ویژگی ها. که در مجموعه نرم‌افزار جغرافیایی ArcGIS 10.3.1 پیاده‌سازی شده است، از مقدار اهمیت پیرسون 0.05 برای نشان دادن مناطقی با خوشه‌های فضایی بالا و پایین از مقادیر استفاده می‌شود. دو نوع مختلف از نقاط پرت نیز شناسایی می‌شوند: مناطقی با مقادیر بالا که توسط مناطق با مقادیر کم (بالا-کم) احاطه شده‌اند و مناطق با مقادیر کم که توسط مناطق دیگر با مقادیر زیاد (کم-زیاد) احاطه شده‌اند.

برای مطالعه تأثیر تراکم جمعیت بر پوشش جاده، گسترش کار هاکلی [ 43 ]، رویه ذکر شده در بالا با استفاده از داده‌های LandScan قبل از حرکت به جلو، ابتدا با استفاده از داده‌های LandScan عادی سازی شد. این نشان می دهد که طول کل جاده ها در هر 1 کیلومتر × 1 کیلومتر سلول شبکه تراکم جمعیت.

5. نتایج و تجزیه و تحلیل

5.1. مقایسه فضایی پوشش شبکه راه

شکل 3 توزیع فضایی شبکه های جاده ای OSM، RCMRD و Map Maker را نشان می دهد. پوشش متراکم Map Maker در مرکز نایروبی به راحتی در این شکل قابل مشاهده نیست. این به این دلیل است که پوشش OSM و Map Maker در این قسمت از منطقه مورد مطالعه بسیار شبیه هستند، به طوری که جاده های Map Maker تحت الشعاع جاده های OSM قرار دارند. با دور شدن از نایروبی مرکزی، می توان مشاهده کرد که تنوع بیشتری در پوشش بین شبکه های جاده ای وجود دارد، به طوری که Kajiado و Machakos حضور بسیار بالاتری از پوشش RCMRD دارند. در همین شکل، پوشش پراکنده OSM و Map Maker را در شهرستان ماچاکوس مشاهده می کنیم.
به منظور پرداختن به سؤالات تحقیق اول و دوم که در مقدمه آمده است، داده های جاده معتبر و VGI را برای یک دوره زمانی مشابه و همچنین برای دوره های زمانی مختلف مقایسه و مقایسه می کنیم. همانطور که قبلاً ذکر شد، مجموعه داده معتبر جاده RCMRD موجود در سال 2014 تقریباً در سال 2011 بود، در حالی که داده های OSM برای هر دو سال 2011 و 2014 در دسترس بودند (به ترتیب OSM 2011 و OSM 2014 در اینجا نامیده می شوند). از سوی دیگر، داده‌های Map Maker فقط برای سال 2014 در دسترس بود. در جدول 2 ، آمارهای کلیدی این مجموعه داده‌ها را خلاصه می‌کنیم. RCMRD پوشش جاده ای (کل) بالاتری در منطقه مورد مطالعه در مقایسه با همتایان خود دارد. به طور خاص، OSM 2011، OSM 2014 و Map Maker به ترتیب تنها 50٪، 83٪ و 94٪ از کل طول جاده RCMRD را نشان می دهند.
به منظور ارزیابی توزیع فضایی این شبکه‌های جاده‌ای، منطقه مورد مطالعه خود را به 4056 سلول به ابعاد 1 کیلومتر × 1 کیلومتر تقسیم می‌کنیم. سپس مشاهده می‌کنیم که 97 درصد از این سلول‌ها حداقل یک بخش جاده را در RCMRD داشتند که معیاری از پوشش فضایی گسترده آن مجموعه داده را ارائه می‌دهد. در مقابل، مجموعه داده‌های OSM 2011، OSM 2014 و Map Maker به ترتیب 40، 66 و 64 درصد از سلول‌هایشان حاوی حداقل یک بخش جاده بودند. این الگو در شکل 4 قابل مشاهده است ، که همچنین نشان می دهد که OSM 2011، OSM 2014 و Map Maker پوشش بسیار متراکم تری در نایروبی مرکزی در مقایسه با RCMRD دارند. به طور کلی، OSM 2014 و Map Maker پوشش جاده ای قابل مقایسه را نشان می دهند که به سمت شمال شهرستان کیامبو امتداد دارد. OSM 2011 و OSM 2014، همانطور که در جدول 2 نیز نشان داده شده است، دارای بالاترین (حداکثر) تراکم جاده ها (تقریبا 21000 متر) هستند که در مرکز نایروبی رخ می دهد و در شکل 4 قابل مشاهده است .
برای مقایسه و مقایسه این مجموعه داده‌ها، مقایسه‌های مجموعه داده‌های زوجی زیر را بررسی می‌کنیم: (1) RCMRD 2011 در مقابل Map Maker 2014. (2) RCMRD 2011 در مقابل OSM 2011؛ (3) RCMRD 2011 در مقابل OSM 2014؛ (3) OSM 2014 در مقابل Map Maker 2014. شکل 5 تفاوت دوتایی در پوشش بین این مجموعه داده های جاده های مختلف را نشان می دهد. در آن شکل، سلول‌های قرمز نشان می‌دهند که لایه اول جفت مرتب شده دارای مقادیر بالاتر (پوشش بیشتر) است، در حالی که سلول‌های سبز برعکس را نشان می‌دهند، یعنی لایه دوم پوشش جاده‌ای بالاتری را ارائه می‌کند. به عنوان مثال، جایی که OSM 2014 و Map Maker مقایسه می شوند ( شکل 5iv)، سلول‌های قرمز مکان‌هایی را نشان می‌دهند که OSM پوشش بیشتری دارد، در حالی که سلول‌های سبز مکان‌هایی را نشان می‌دهند که Map Maker پوشش بیشتری دارد. مقایسه RCMRD در مقابل OSM 2014 و RCMRD در مقابل Map Maker الگوهای قابل مقایسه را نشان می دهد. با توجه به الگوهای مشابه پوشش فضایی ارائه شده توسط OSM 2014 و Map Maker ( شکل 4 ) این غیر منتظره نیست. مقایسه OSM 2011 با RCMRD منجر به اختلافات بالاتری می شود، اما با این وجود الگوی قابل مقایسه ای را نشان می دهد: OSM 2011 در ناحیه مرکزی نایروبی و برخی از بخش های Kajiado پیشتاز است، اما در جاهای دیگر از RCMRD عقب است.
مقایسه OSM 2014 با Map Maker ( شکل 5 iv) نشان می‌دهد که غلظت بسیار بیشتری از جاده‌های OSM 2014 در نایروبی مرکزی در مقایسه با Map Maker وجود دارد (تفاوت نزدیک به 12 کیلومتر طول در برخی مکان‌ها). این در درجه اول در مرکز شهر نایروبی است. شیوع بیشتر OSM 2014 در نواحی جنوبی و غربی که نایروبی با مرزهای شهرستان های اطراف ملاقات می کند نیز قابل توجه است. این مناطق نشان دهنده گذار از شهری به روستایی است. در مقابل، Map Maker در مناطق شمال و شرق نایروبی پیشرو است.
در ارتباط با مقایسه بین OSM 2011 و RCMRD و بین OSM 2014 و RCMRD، مقایسه OSM 2011 با OSM 2014 به منظور مطالعه تکامل پوشش OSM همانطور که در این مجموعه داده خاص اعمال می شود، جالب است. شکل 6 نتیجه این مقایسه را نشان می دهد. همانطور که در اینجا مشاهده می شود، تفاوت بین این دو مجموعه داده به دلیل پوشش گسترده تر از طریق ادغام سلول های اضافی (2254 سلول حداقل یک بخش جاده را در OSM 2014 در مقایسه با 1611 در OSM 2011 شامل می شود) و همچنین به دلیل کلی است. گسترش شبکه نقشه برداری شده (رشد 60 درصدی در طول کل شبکه جاده های نقشه برداری شده، از کمی کمتر از 4000 کیلومتر در سال 2011 به بیش از 6000 کیلومتر در سال 2014).
بیشتر موارد اضافه شده در OSM 2014 در نزدیکی و به سمت حاشیه بیرونی نایروبی رخ می دهد. همانطور که شکل 6 نشان می دهد، تفاوت ها صرفاً به دلیل افزایش (گلبول های قرمز) نیست، بلکه تفاوت های منفی کمی نیز داریم (سلول های سبز). این ممکن است به نظر خلاف واقع باشد. با این حال، زمانی روشن می شود که در نظر بگیریم که OSM یک محصول در حال تکامل است و به این ترتیب نه تنها در معرض گسترش است، بلکه در معرض پاکسازی و حذف قرار دارد [ 84 ]. در شکل 7 ، نمونه ای از چنین سلول منفی را نشان می دهیم که از بین رفتن پوشش ناشی از حذف مسیرهای جنگلی بین سال های 2011 و 2014 در پایگاه داده OSM را نشان می دهد.
به منظور ارزیابی فضایی تفاوت‌های زوجی بین RCMRD و OSM 2014، RCMRD و Map Maker و OSM 2014 و Map Maker، از تحلیل LISA استفاده کردیم. نتایج این تحلیل برای این تفاوت ها در شکل 8 نشان داده شده است. به طور کلی، مقایسه بین RCMRD و OSM 2014 و RCMRD و Map Maker الگوهای متمایز تغییر را نشان می دهد. از سوی دیگر، بین OSM 2014 و Map Maker، مناطقی با مقادیر بالا به صورت خوشه‌ای در نایروبی مرکزی نشان داده می‌شوند. بخش شمالی این منطقه یک منطقه جنگلی به نام جنگل کارورا را نشان می‌دهد که پوشش بسیار بهتری از مسیرهای پیاده‌روی قابل مشاهده در OSM 2014 دارد. منطقه متصل جنوبی شامل شهرک‌های مسکونی با OSM 2014 است که تعداد بیشتری از جاده‌های فرعی را به تصویر می‌کشد. منطقه متصل شرقی و دو خوشه دیگر با ارزش های بالا با زاغه های بزرگ همپوشانی دارند. این زاغه‌ها همچنان توسط پروژه Map Kibera نقشه‌برداری می‌شوند، و بنابراین، قابل درک است که چرا آنها در OSM 2014 دارای پوشش بسیار بالایی از جاده‌ها هستند. اینها مناطقی با مقادیر زیادی از پوشش گیاهی را نشان می دهند که به توضیح پوشش کم جاده ها در این مکان ها کمک می کند. دو منطقه اصلی دیگر با ارزش های خوشه ای بالا، سکونتگاه های مسکونی در غرب و جنوب و در حاشیه نایروبی بودند. همچنین چند مورد از نقاط پرت زیاد کم و پایین مشاهده شد که با بررسی بیشتر مشخص شد که عمدتاً خوشه‌هایی از جاده‌ها هستند که توسط مناطق وسیعی از پوشش گیاهی و سکونتگاه‌های حاوی جاده‌های کوچک احاطه شده‌اند. نتایج تجزیه و تحلیل LISA، به ویژه مقایسه RCMRD با OSM 2014 و Map Maker، کاربرد بالقوه مشارکت های VGI را برای تکمیل و حتی گسترش منابع داده معتبر در کشورهای در حال توسعه برجسته می کند. دو منطقه اصلی دیگر با ارزش های خوشه ای بالا، سکونتگاه های مسکونی در غرب و جنوب و در حاشیه نایروبی بودند. همچنین چند مورد از نقاط پرت زیاد کم و پایین مشاهده شد که با بررسی بیشتر مشخص شد که عمدتاً خوشه‌هایی از جاده‌ها هستند که توسط مناطق وسیعی از پوشش گیاهی و سکونتگاه‌های حاوی جاده‌های کوچک احاطه شده‌اند. نتایج تجزیه و تحلیل LISA، به ویژه مقایسه RCMRD با OSM 2014 و Map Maker، کاربرد بالقوه مشارکت های VGI را برای تکمیل و حتی گسترش منابع داده معتبر در کشورهای در حال توسعه برجسته می کند. دو منطقه اصلی دیگر با ارزش های خوشه ای بالا، سکونتگاه های مسکونی در غرب و جنوب و در حاشیه نایروبی بودند. همچنین چند مورد از نقاط پرت زیاد کم و پایین مشاهده شد که با بررسی بیشتر مشخص شد که عمدتاً خوشه‌هایی از جاده‌ها هستند که توسط مناطق وسیعی از پوشش گیاهی و سکونتگاه‌های حاوی جاده‌های کوچک احاطه شده‌اند. نتایج تجزیه و تحلیل LISA، به ویژه مقایسه RCMRD با OSM 2014 و Map Maker، کاربرد بالقوه مشارکت های VGI را برای تکمیل و حتی گسترش منابع داده معتبر در کشورهای در حال توسعه برجسته می کند. پس از بررسی بیشتر مشخص شد که عمدتاً خوشه هایی از جاده ها هستند که توسط مناطق وسیعی از پوشش گیاهی و سکونتگاه های حاوی جاده های کوچک احاطه شده اند. نتایج تجزیه و تحلیل LISA، به ویژه مقایسه RCMRD با OSM 2014 و Map Maker، کاربرد بالقوه مشارکت های VGI را برای تکمیل و حتی گسترش منابع داده معتبر در کشورهای در حال توسعه برجسته می کند. پس از بررسی بیشتر مشخص شد که عمدتاً خوشه هایی از جاده ها هستند که توسط مناطق وسیعی از پوشش گیاهی و سکونتگاه های حاوی جاده های کوچک احاطه شده اند. نتایج تجزیه و تحلیل LISA، به ویژه مقایسه RCMRD با OSM 2014 و Map Maker، کاربرد بالقوه مشارکت های VGI را برای تکمیل و حتی گسترش منابع داده معتبر در کشورهای در حال توسعه برجسته می کند.

5.2. رابطه بین تراکم جمعیت و پوشش جاده ای

برای پرداختن به سوال سوم پژوهشی خود، که رابطه احتمالی بین تراکم جمعیت و پوشش است، با بررسی تراکم جمعیت برای منطقه مورد مطالعه خود شروع می کنیم. شکل 9 توزیع فضایی تراکم جمعیت را نشان می دهد که بیشترین تراکم مردم در نایروبی مرکزی و مناطقی به سمت کیامبو قرار دارد. این شکل شباهت هایی به پوشش جاده برای OSM 2014 و Map Maker در شکل 3 نشان می دهد . یکی از منابع اصلی داده های مورد استفاده در LandScan، داده های جاده است، همانطور که توسط Bhaduri و همکاران نشان داده شده است. [ 76 ]. این نشان می‌دهد که جاده‌ها در تولید داده‌های جمعیت LandScan در منطقه مورد مطالعه نقش دارند، یا حداقل وزن زیادی دارند. پوشش نرمال شده جاده ها با استفاده از داده های جمعیت در شکل 10 نشان داده شده است. RCMRD (همانطور که قبلا در شکل 3 و جدول 1 مشاهده شد ) با در نظر گرفتن کل منطقه مورد مطالعه، پوشش کلی بهتری دارد. از سوی دیگر، OSM 2014 و Map Maker پوشش بسیار محدودی در اکثر شهرستان‌های Kajiado و Machakos، یعنی شهرستان‌های شرق و جنوب نایروبی دارند. با این حال، هر سه مجموعه داده دارای پوشش متقاطع در نایروبی و بیشتر بخش‌های شهرستان کیامبو، درست در شمال غربی نایروبی هستند. شهرستان کیامبو دارای جمعیتی بسیار بزرگتر و پراکنده در مقایسه با سایر شهرستانهای اطراف نایروبی است. از آنجایی که مقدار زیادی پوشش گیاهی با مسکن های مسکونی در کیامبو پراکنده شده است، به توضیح اینکه چرا توزیع جمعیت برای این شهرستان، همانطور که در شکل 9 مشاهده می شود، کمک می کند.، توزیع کلی کم را در هر سلول شبکه 1 کیلومتر × 1 کیلومتر نشان می دهد. تعداد بسیار بالای جاده ها به ازای سلول های شبکه جمعیتی قابل مشاهده در شکل 10 برای هر سه نقشه پوشش، پارک ملی نایروبی را نشان می دهد. جاده‌ها و مسیرهای پیاده‌روی در این منطقه مشخص شده‌اند، با جمعیتی کم یا بدون جمعیت، که در نتیجه مقادیر زیادی برای پوشش جاده‌ها ایجاد می‌شود. این نتایج نشان می‌دهد که جمعیت بر پوشش تأثیر می‌گذارد، با مناطق پرجمعیت‌تر که پوشش جاده‌ای بیشتری در داده‌های OSM و Map Maker VGI نسبت به مناطق کم‌جمعیت دارند.
شکل 11 تفاوت های دوتایی در پوشش جاده نرمال شده با استفاده از داده های جمعیت را نشان می دهد. تفاوت بین RCMRD با OSM 2014 و RCMRD با Map Maker قابل مقایسه است. مناطق سبز، همانطور که قبلا توضیح داده شد، نشان می دهد که RCMRD جاده های محدودی در پارک ملی نایروبی دارد. تفاوت OSM 2014 و Map Maker اما نشان می دهد که Map Maker پوشش بیشتری از جاده ها برای این پارک دارد. شکل 12 نتایج را پس از اعمال LISA در لایه های مختلف داده نرمال شده توسط جمعیت نشان می دهد. نتایج، خوشه‌بندی مشاهده‌شده قبلی در شکل 10 را که در پارک ملی نایروبی رخ داده است، تأیید می‌کند.
به منظور ارزیابی رابطه بین رشد جمعیت و تغییرات در پوشش جاده‌ها، ما روند تغییر در پوشش OSM در دوره سه ساله بین سال‌های 2011 و 2014 را با الگوهای تغییر در تراکم جمعیت در نایروبی برای همان دوره مقایسه می‌کنیم. برای دومی، از داده های LandScan به عنوان یک پروکسی استفاده می کنیم. البته، ما باید آگاه باشیم که تغییرات احتمالی در روشی که LandScan برای تخمین تراکم جمعیت استفاده می‌کند، ممکن است بر مجموعه داده‌های ورودی تأثیر بگذارد [ 85 ]، اما با این وجود، این نزدیک‌ترین تقریب موجود است، زیرا آخرین سرشماری در کنیا در سال انجام شد. 2009.
شکل 13 این مقایسه را نشان می دهد. به منظور حمایت از مقایسه بصری روند تغییر، داده‌های OSM و تغییر جمعیت را نرمال کرده‌ایم. در این شکل، سلول‌های قرمز تیره بیشترین میزان افزایش را دارند، در حالی که سلول‌های صورتی بسیار روشن، آنهایی هستند که تغییری ندارند. مقایسه این دو شکل نشان می‌دهد که در حالی که برخی از کانون‌های رشد جمعیت در واقع با نقاط رشد پوشش پوشش مطابقت دارند (مثلاً در منطقه Ngong در مرز سه شهرستانی شهرستان نایروبی با Kajiado و Kiambu در غرب)، الگوی رشد در OSM پوشش فقط به رشد جمعیت نسبت داده نمی شود. بر این اساس، می توان استدلال کرد که رشد پوشش در OSM احتمالاً نتیجه رشد جمعیت و گسترش پوشش پایگاه داده OSM است.

6. بحث و نتیجه گیری

VGI با استفاده از قدرت جمعیت به عنوان یک منبع داده مکانی برجسته ظاهر شده است. به این ترتیب، VGI یک منبع داده مکانی مکمل، و گاهی اوقات حتی تنها، برای طیف وسیعی از دامنه ها ارائه می دهد. نقش خاص VGI در یک اکوسیستم داده‌های مکانی برای یک منطقه مشخص می‌تواند در امتداد پیوستاری تغییر کند که بین مکمل بودن تا تنها موجود بودن متغیر است. در کشورهای در حال توسعه، که اغلب فاقد داده‌های مکانی معتبر و قابل دسترس هستند، VGI پتانسیل قابل توجهی برای غلبه بر چنین کمبود داده‌های مکانی معتبر دارد. با این حال، برای درک کامل نقشی که VGI می تواند در کشورهای در حال توسعه ایفا کند، درک بهتر ویژگی های VGI مورد نیاز است. در این صفحه، ما با تمرکز در درجه اول بر پوشش ارائه شده توسط سیستم عامل های VGI در کنیا به این موضوع کمک می کنیم. با مشارکت در این اولین مطالعه موردی از نوع خود در قاره آفریقا، ما ادبیات بسیار محدود را تقویت می کنیم [16 ، 46 ] در مورد این موضوع و کمک به پیشرفت درک ما از ارزش داده های مشارکتی شهروندان برای کشورهای در حال توسعه، و همچنین چالش های مرتبط با این الگوی در حال تحول جمع آوری داده های مکانی برای چنین جوامعی است.
به طور خاص، ما سه منبع مختلف داده‌های شبکه جاده‌ای را برای منطقه وسیع‌تر نایروبی، یعنی پلت‌فرم‌های OSM و Map Maker VGI و مجموعه داده‌های معتبر موجود از طریق RCMRD در نظر گرفتیم. ما الگوهای فضایی پوشش این سه مجموعه داده را عمدتاً در سه خط تحقیق مقایسه کردیم: (1) مقایسه داده‌های جاده معتبر و VGI از نظر پوشش برای همان دوره زمانی. (ب) ارزیابی از نحوه مقایسه پوشش داده‌های VGI به‌روزرسانی شده و در دسترس با چرخه‌های به‌روزرسانی نسبتاً ثابت مجموعه داده‌های معتبر. و (iii) کاوشی در رابطه بین تراکم جمعیت و پوشش جاده در منطقه مورد مطالعه ما.
نتایج این مطالعه پوشش خوبی را توسط هر سه منبع داده‌های جاده برای نایروبی نشان می‌دهد، با OSM و Map Maker پوشش مشابه، اما بیشتر در مرکز شهر نایروبی ارائه می‌دهند. با این حال، با حرکت بیشتر به خارج از نایروبی به شهرستان‌های اطراف کیامبو، کاجیادو و ماچاکوس، پوشش OSM و Map Maker کاهش می‌یابد. در نواحی روستایی‌تر کاجیادو و ماچاکوس، شهرستان‌های جنوب و شرق نایروبی، پوشش جاده‌ای ارائه شده توسط OSM و Map Maker در مقایسه با RCMRD عموما ضعیف‌تر بود.
مهم است که دوباره تفاوت در چرخه های به روز رسانی برای مجموعه داده های مقایسه شده را در نظر بگیریم. در حالی که هر سه مجموعه داده نشان دهنده آنچه در یک لحظه خاص از زمان (به عنوان مثال، 2014) جاری بوده است، داده های RCMRD آخرین بار در سال 2011 به روز شدند، بنابراین این احتمال را افزایش می دهد که برخی از اختلافات بین داده های RCMRD و دو مجموعه داده دیگر (یعنی، OSM و Map Maker) را می‌توان به بخش‌های جاده‌ای جدیدتری نسبت داد که بین سال‌های 2011 و 2014 اضافه شده‌اند. می‌توان استدلال کرد که دلیل مغایرت‌های آنها (یعنی کمبود داده یا کمبود ارز) ممکن است به دلیل متفاوت بودن آنها ثانویه در نظر گرفته شود. . در این مقاله، همانطور که در بالا بحث کردیم، این درجه از تفاوت را ارزیابی می کنیم. در واقع، فقدان ارز داده معتبر برای کشورهای در حال توسعه بومی است.
با تمرکز بر شبکه های جاده ای، RCMRD پوشش کلی بیشتری را در کل منطقه مورد مطالعه نشان داد. این در راستای مأموریت کلی آژانس های نقشه برداری ملی یا منطقه ای است که اغلب وظیفه ارائه پوشش کامل تر جاده ها را برای یک کشور یا منطقه بر عهده دارند. از سوی دیگر، OSM و Map Maker چنین محدودیتی ندارند، که منجر به توزیع کج در پوشش جاده ها در آنها می شود. با این حال، به طور کلی OSM در مقایسه با مجموعه داده معتبر RCMRD در مناطق فقیر نشین مرکز شهر نایروبی پوشش بیشتری ارائه می دهد. همانطور که در بالا ذکر شد، این نشان‌دهنده قدرت کمپین‌های هدفمند مشارکت مدنی است (مثلاً نقشه کیبرا)، زیرا گروه‌های OSM همچنان به طور فعال با جوامع در محله‌های فقیر نشین نایروبی کار می‌کنند و به عموم مردم قدرت می‌دهند تا از این مناطق نقشه‌برداری کنند.
حرکت فراتر از مناطق شهری به سمت مناطق حومه‌ای و روستایی منجر به کاهش پوشش جاده‌ای در OSM و Map Maker می‌شود که نشان‌دهنده رابطه بین تراکم جمعیت و پوشش در این سیستم عامل‌های VGI است. در مناطق سبز روستایی مانند پارک ملی نایروبی، Map Maker بهتر از OSM عمل کرد، اما هر دو از پوشش ارائه شده توسط RCMRD عقب بودند. پوشش جاده کمتر OSM در مقایسه با Map Maker در پارک ممکن است به تفاوت در علایق نقشه برداری توسط این دو جامعه نسبت داده شود.
در عمل، درک این نکته مهم است که عوامل زیادی بر پوشش VGI تأثیر می‌گذارند، از انگیزه مشارکت‌کنندگان فردی گرفته تا کمپین‌های نقشه‌برداری هدفمند در پاسخ به بلایای طبیعی. به عنوان مثال، نتایج ما نشان می دهد که پروژه Map Kibera در پوشش VGI در برخی از مناطق فقیر نشین نایروبی بسیار تأثیرگذار بوده است. علاوه بر این، در پی بلایای طبیعی اخیر (به عنوان مثال، زلزله نپال در سال 2015) و بیماری های همه گیر (به عنوان مثال، شیوع ابولا در غرب آفریقا در سال 2014)، بسیاری از تلاش های نقشه برداری سازمان یافته بر مناطق شهری متمرکز شده اند. این را می توان به تعداد زیادی از افراد در معرض خطر در این مکان ها نسبت داد.
همانطور که این مطالعه موردی نشان داد، هم اطلاعات جغرافیایی معتبر و هم داوطلبانه در کشورهای در حال توسعه مزایای خاصی را ارائه می‌کنند در حالی که از برخی معایب متمایز رنج می‌برند، مانند پوشش، گونه‌شناسی ویژگی یا سطح جزئیات. نتایج ارائه‌شده در این مقاله نشان می‌دهد که در کشورهای در حال توسعه، این منابع داده‌ها باید به‌جای رقابت به‌عنوان مکمل در نظر گرفته شوند و ترکیب آن‌ها به طور بالقوه می‌تواند منجر به داده‌های جغرافیایی شود که نیازهای این کشورها را بهتر برآورده می‌کند. به عنوان مثال، RCMRD می تواند به عنوان منبع داده اولیه در مناطق روستایی با جاده ها از منابع VGI برای بهبود پوشش RCMRD شهری استفاده شود. علاوه بر این، در مناطقی که محله های فقیر نشین بزرگ وجود دارد، OSM ممکن است به روزترین پوشش جاده ها را برای چنین مناطقی ارائه دهد. این اطلاعات می تواند برای حمایت از استراتژی های مداخله ای بهتر برای کمک به این جوامع با توجه به افزایش دسترسی و بهبود زیرساخت های بسیار مورد نیاز در میان دیگران استفاده شود. علاوه بر این، در موارد اضطراری، به عنوان مثال، در پی یک بلای طبیعی، یک مجموعه داده ترکیبی حاوی به روزترین پوشش فضایی جاده می تواند برای هدایت جمعیت به سمت ایمنی مفید باشد. با این حال، ترکیب چنین داده های جغرافیایی بدون مجموعه ای از چالش ها نیست، با بسیاری از مطالعات با استفاده از رویکردهای مختلف برای پرداختن به این موضوع در حال انجام (به عنوان مثال، [ مجموعه داده ترکیبی حاوی به روزترین پوشش فضایی جاده می تواند برای هدایت جمعیت به سمت ایمنی مفید باشد. با این حال، ترکیب چنین داده های جغرافیایی بدون مجموعه ای از چالش ها نیست، با بسیاری از مطالعات با استفاده از رویکردهای مختلف برای پرداختن به این موضوع در حال انجام (به عنوان مثال، [ مجموعه داده ترکیبی حاوی به روزترین پوشش فضایی جاده می تواند برای هدایت جمعیت به سمت ایمنی مفید باشد. با این حال، ترکیب چنین داده های جغرافیایی بدون مجموعه ای از چالش ها نیست، با بسیاری از مطالعات با استفاده از رویکردهای مختلف برای پرداختن به این موضوع در حال انجام (به عنوان مثال، [86 ، 87 ]). بنابراین تحقیقات بیشتر به منظور استفاده از چنین تحقیقاتی در جهت ایجاد مجموعه داده های ترکیبی (یعنی VGI و معتبر) مورد نیاز است.
با توجه به کار ارائه شده در اینجا، چندین حوزه تحقیق را می توان بیشتر توسعه داد. اولی مربوط به وضوحی است که در آن تجزیه و تحلیل انجام می شود. با وضوح بسیار دقیق‌تر داده‌های به‌روز جمعیت در دسترس قرار می‌گیرد (مثلاً WorldPop در 100 متر × 100 متر [ 88])، می‌توان تحلیل دقیق‌تری از تغییرات مکانی و زمانی رابطه بین تراکم جمعیت و پوشش جاده‌ای در زمینه جهان در حال توسعه انجام داد. این امر همچنین از مطالعه VGI در زمینه جوامع حاشیه‌نشین (مثلاً زاغه‌ها) با توجه به ردپای کوچک بسیاری از چنین جوامعی در مقایسه با وضوح داده‌های به‌روز جمعیت موجود (یعنی 1 کیلومتر در 1) حمایت می‌کند. کیلومتر). در حالی که در برخی از کشورهای در حال توسعه، داده های وضوح دقیق تری وجود دارد، بسیاری از کشورهای در حال توسعه همچنان فاقد چنین داده هایی هستند، به ویژه برای جوامع حاشیه نشین و مناطق روستایی [ 28 ].
حوزه دوم تحقیق، که در بالا از آن صرف نظر شد، به انگیزه های کاربران برای مشارکت در VGI مربوط می شود. در حالی که تراکم جمعیت به وضوح نقشی در تقویت چنین مشارکت‌هایی دارد، عوامل دیگری باید بررسی شوند. به عنوان مثال، درک ما از روابط بین عناصر عملکردی مناطق پرجمعیت و ویژگی های VGI مربوط به این مناطق هنوز در مراحل اولیه است. به طور خاص، روابط بین فرم و عملکرد شهری و چگونگی تأثیر آن بر مشارکت های VGI [ 23 ، 89 ] باید بیشتر مورد بررسی قرار گیرد. علاوه بر این، با افزایش دسترسی به اینترنت، بررسی تأثیر چنین دسترسی بر مشارکت های VGI در کشورهای در حال توسعه نیز جالب خواهد بود.
در راستای زمینه‌های تحقیق ذکر شده در بالا، مطالعه انواع کاربرانی که در VGI مشارکت دارند و ارزیابی دقت مشارکت‌های آنها نیز جالب خواهد بود. به عنوان مثال، کار Leeuw و همکاران. [ 90] در غرب کنیا نشان داد که دانش محلی نقش مهمی در بهبود دقت مشارکت های VGI ایفا می کند. در آن مطالعه، شرکت کنندگان با دانش محلی، به طور متوسط، توانستند جاده ها را با دقت بیش از 92 درصد در مقایسه با نقشه برداران حرفه ای (67.7٪) و سایر کاربران غیر عادی بدون دانش محلی از منطقه (42.9٪) طبقه بندی کنند. چنین نتایجی نیاز به یک چارچوب فراگیرتر را نشان می دهد که به موجب آن تخصص محلی ممکن است محصولات نقشه برداری ملی را بهبود بخشد. این نمونه ای نماینده از انواع پرس و جو است که با تلاش جامعه جغرافیایی برای بهبود درک خود از مکانیسم های اساسی حاکم بر مشارکت ها و ویژگی های VGI، اهمیت فزاینده ای پیدا می کند.
تلاش زیادی نیز بر روی ارزیابی پتانسیل VGI با استفاده از شبکه های جاده ای متمرکز شده است. با این حال، دنیای VGI فراتر از جاده ها است. به عنوان مثال، چندین مطالعه پتانسیل VGI را برای پشتیبانی از نقشه برداری دوبعدی و سه بعدی و مشخص کردن ساختمان ها (به عنوان مثال، [ 91 ، 92 ، 93 ، 94 ])، کاربری زمین و پوشش زمین (به عنوان مثال، [ 26 ، 95 ، 96 ، 97 ) بررسی کرده اند. ]) و برای فهرست نویسی ویژگی های فضایی، مانند استخرهای کوچک ماهی در نزدیکی خانه ها [ 14 ]. با توجه به افزایش مشارکت دیجیتالی نقشه‌برداران غیرمتخصص و ویکی‌سازی اطلاعات جغرافیایی [ 98]، VGI اکنون کاربران را قادر می‌سازد تا آنچه را که مهم می‌دانند، چه محسوس و چه ناملموس، ثبت کنند. بنابراین، کشف روش‌ها و معیارهای جدیدی که می‌توانند برای ارزیابی مناسب پتانسیل چنین داده‌هایی مورد استفاده قرار گیرند، مهم است.
پیگیری حوزه‌های تحقیقی مانند مواردی که در اینجا به آنها اشاره شد، برای کشورهای در حال توسعه اهمیت فزاینده‌ای پیدا می‌کند. همانطور که کشورهای در حال توسعه به تکامل خود ادامه می دهند، نیازهای اطلاعات مکانی آنها نیز افزایش می یابد. این نشان‌دهنده یک چرخه محرومیت از داده‌های خود تقویت‌شده برای چنین کشورهایی است: در حالی که چنین کشورهایی برای توسعه خود به داده‌های مکانی با کیفیت بالا و قابل اعتماد نیاز دارند، به طور فزاینده‌ای تحت فشار نبود مجموعه داده‌های جغرافیایی قابل اعتماد یا ابزاری برای به دست آوردن آنها هستند. VGI پتانسیل شکستن این چرخه را دارد. در حالی که بسیاری از مطالعات VGI بر روی جهان توسعه یافته متمرکز شده است که در آن داده های معتبر اغلب فراوان است، این اغلب در کشورهای در حال توسعه صادق نیست.

منابع

  1. کروکس، AT; هادسون اسمیت، ا. کرویتورو، آ. استفانیدیس، A. geoweb در حال تکامل. در ژئومحاسبات ; آبراهارت، RJ، نگاه کنید، LM، ویرایش. CRC Press: Boca Raton، FL، USA، 2014; صص 69-96. [ Google Scholar ]
  2. سان، دی. لی، اس. ژنگ، دبلیو. کرویتورو، آ. استفانیدیس، ا. گلدبرگ، ام. نقشه برداری سیل ناشی از طوفان سندی با استفاده از داده های NPP VIIRS و ATMS و تصاویر فلیکر دارای برچسب جغرافیایی. بین المللی جی دیجیت. زمین 2016 ، 9 ، 427-441. [ Google Scholar ] [ CrossRef ]
  3. جنکینز، ا. کرویتورو، آ. کروکس، AT; استفانیدیس، A. جمع سپاری حس جمعی از مکان. PLoS ONE 2016 , 11 , e0152932. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  4. Goodchild، MF Citizens به عنوان حسگر: دنیای جغرافیای داوطلبانه. ژئوژورنال 2007 ، 69 ، 211-221. [ Google Scholar ] [ CrossRef ]
  5. استفانیدیس، تی. کروکس، AT; Radzikowski، J. برداشت اطلاعات مکانی محیطی از فیدهای رسانه های اجتماعی. جئوژورنال 2013 ، 78 ، 319-338. [ Google Scholar ] [ CrossRef ]
  6. ماندارانو، ال. منار، م. استاینز، سی. ایجاد سرمایه اجتماعی در عصر دیجیتال مشارکت مدنی. جی. پلان. روشن شد 2010 ، 25 ، 123-135. [ Google Scholar ] [ CrossRef ]
  7. کارلتی، ال. جیاناچی، جی. قیمت، دی. مک آلی، دی. بنفورد، اس. علوم انسانی دیجیتال و جمع سپاری: یک کاوش. در مجموعه مقالات موزه ها و کنفرانس وب 2013، پورتلند، OR، ایالات متحده آمریکا، 17-20 آوریل 2013.
  8. برابهام، دی سی جابجایی جمعیت بدون رشته: انگیزه‌های مشارکت در یک برنامه جمع‌سپاری. Inf. اشتراک. Soc. 2010 ، 13 ، 1122-1145. [ Google Scholar ] [ CrossRef ]
  9. حسین، م. انگیزه کاربران برای شرکت در پلتفرم‌های جمع‌سپاری آنلاین. در مجموعه مقالات کنفرانس بین المللی 2012 مدیریت نوآوری و تحقیقات فناوری، مالاکا، مالزی، 21-22 مه 2012. صص 310-315.
  10. بوداتوکی، NR; Haythornthwaite، C. انگیزه برای همکاری باز جمعیت و مدل های جامعه و مورد OpenStreetMap. صبح. رفتار علمی 2013 ، 57 ، 548-575. [ Google Scholar ] [ CrossRef ]
  11. سویی، دی. الوود، اس. Goodchild، MF داوطلب اطلاعات جغرافیایی، exaflood، و شکاف دیجیتالی رو به رشد. در جمع سپاری دانش جغرافیایی: اطلاعات جغرافیایی داوطلبانه (VGI) در تئوری و عمل . Sui, D., Elwood, S., Goodchild, MF, Eds. Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2013; صص 1-12. [ Google Scholar ]
  12. نیس، پ. Zielstra، D. تحولات اخیر و روندهای آینده در تحقیقات داوطلبانه اطلاعات جغرافیایی: مورد Openstreetmap. اینترنت آینده 2014 ، 6 ، 76-106. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. پائودیال، DR. مک دوگال، ک. آپان، الف. بررسی کاربرد اطلاعات جغرافیایی داوطلبانه در مدیریت حوضه آبریز: یک رویکرد پیمایشی. ISPRS Ann. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2012 ، 1-4 ، 275-280. [ Google Scholar ] [ CrossRef ]
  14. اشمید، اف. کای، سی. فرومبرگر، L. یک روش جدید ریزنقشه‌برداری برای VGI سریع ویژگی‌های جغرافیایی کوچک. در مجموعه مقالات هفتمین کنفرانس بین المللی علوم اطلاعات جغرافیایی، کلمبوس، OH، ایالات متحده، 18-21 سپتامبر 2012.
  15. هاکلی، م. آنتونیو، وی. بسیوکا، اس. سودن، آر. Mooney, P. استفاده از اطلاعات جغرافیایی جمع‌سپاری شده در دولت . انتشارات بانک جهانی: لندن، بریتانیا، 2014. [ Google Scholar ]
  16. Camboim, SP; براوو، JVM؛ Sluter، CR تحقیق در مورد کامل بودن و به روز رسانی داده های OpenStreetMap در یک منطقه ناهمگن در برزیل. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 1366-1388. [ Google Scholar ] [ CrossRef ]
  17. زوک، م. گراهام، ام. شلتون، تی. Gorman, S. داوطلبانه اطلاعات جغرافیایی و جمع سپاری امداد رسانی به بلایا: مطالعه موردی زلزله هائیتی. پزشکی جهانی سیاست سلامت 2010 ، 2 ، 7-33. [ Google Scholar ] [ CrossRef ]
  18. مایر، P. نقشه‌برداری بحران در عمل: چگونه نرم‌افزار باز و شبکه‌های داوطلب منبع جهانی در حال تغییر جهان هستند، یک نقشه در یک زمان. J. Map Geogr. لیب 2012 ، 8 ، 89-100. [ Google Scholar ] [ CrossRef ]
  19. وروچی، ای. پرز-فوئنتس، جی. روزتو، تی. بیسبی، ال. هاکلی، م. راش، دی. ریکلز، پی. فاگ، جی. Joffe, H. روش های درگیری دیجیتال برای آمادگی در برابر زلزله و آتش: یک بررسی. نات خطرات 2016 . [ Google Scholar ] [ CrossRef ]
  20. هاگن، ای. تغییر نقشه برداری: توانمندسازی اطلاعات جامعه در کیبرا (روایت موردی نوآوری: نقشه کیبرا). نوآوری. تکنولوژی فرماندار گلوب. 2011 ، 6 ، 69-94. [ Google Scholar ] [ CrossRef ]
  21. دولت سنت لوسیا نقشه سنت لوسیا. در دسترس آنلاین: http://www.govt.lc/news/map-saint-lucia (در 10 ژوئن 2016 قابل دسترسی است).
  22. ساترلند، ام. تیناه، تی. سیرام، ا. رملل، بی. Nichols، S. GIS مشارکتی عمومی، زیرساخت داده های مکانی، و حاکمیت مشارکتی فراگیر شهروندان. در توانمندسازی فضایی در حمایت از توسعه اقتصادی و کاهش فقر ; هارلان، او.، رجبی فرد، ع.، ویرایش. انتشارات انجمن GSDI: Needham، MA، USA، 2013; صص 123-140. [ Google Scholar ]
  23. کروکس، AT; Pfoser، D.; جنکینز، ا. کرویتورو، آ. استفانیدیس، ا. اسمیت، دی. کاراگیورگو، اس. افنتاکیس، ا. لامپریانیدیس، جی. شکل و عملکرد شهری جمع سپاری. بین المللی جی. جئوگر. Inf. علمی 2015 ، 29 ، 720-741. [ Google Scholar ] [ CrossRef ]
  24. استفانیدیس، ا. جنکینز، ا. کرویتورو، آ. Crooks, A. Megacities از دریچه رسانه های اجتماعی. هومل. Def. امن Inf. مقعدی سنت. 2016 ، 3 ، 24-29. [ Google Scholar ]
  25. جانسون، PA; Sieber، RE موقعیت پذیرش VGI توسط دولت. در جمع سپاری دانش جغرافیایی: اطلاعات جغرافیایی داوطلبانه (VGI) در تئوری و عمل . Sui, D., Elwood, S., Goodchild, MF, Eds. Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2013; صص 65-81. [ Google Scholar ]
  26. ارسنجانی، ج. مونی، پی. Zipf، A.; Schauss, A. ارزیابی کیفیت اطلاعات استفاده از زمین از OpenStreetMap در مقابل مجموعه داده‌های معتبر. در OpenStreetMap in Giscience: Experiences, Research, and Applications . ارسنجانی، جی جی، زیپف، ع.، مونی، پی.، هلبیچ، م.، ویرایش. Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2015; صص 37-58. [ Google Scholar ]
  27. مهابیر، ر. کروکس، آ. کرویتورو، آ. آگوریس، پ. مطالعه زاغه ها به عنوان سازه های اجتماعی و فیزیکی: چالش ها و فرصت های تحقیقاتی در حال ظهور. Reg. گل میخ. Reg. علمی 2016 ، 3 ، 400-420. [ Google Scholar ] [ CrossRef ]
  28. Lachman، BE; وانگ، آ. ناپمن، دی. Gavin, KE Lessons for the Global Spatial Data Infrastructure ; شرکت رند: سانتا مونیکا، کالیفرنیا، ایالات متحده آمریکا، 2002. [ Google Scholar ]
  29. هاکلی، م. Weber, P. OpenStreetMap: نقشه های خیابانی تولید شده توسط کاربر. IEEE Perv. محاسبه کنید. 2008 ، 7 ، 12-18. [ Google Scholar ] [ CrossRef ]
  30. نقشه خیابان باز آمار در دسترس آنلاین: http://www.wiki.openstreetmap.org/wiki/Stats (دسترسی در 10 ژوئن 2016).
  31. ارسنجانی، ج. Zipf، A.; مونی، پی. Helbich، M. OpenStreetMap در GIScience ; Springer International Publishing: Cham, Switzerland, 2015. [ Google Scholar ]
  32. Neis, P. اندازه گیری قابلیت اطمینان برنامه ریزی مسیر کاربر ویلچر بر اساس اطلاعات جغرافیایی داوطلبانه. ترانس. GIS 2015 ، 19 ، 188-201. [ Google Scholar ] [ CrossRef ]
  33. لوکسن، دی. Vetter, C. مسیریابی بلادرنگ با داده های OpenStreetMap. در مجموعه مقالات نوزدهمین کنفرانس بین المللی ACM SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، شیکاگو، IL، ایالات متحده آمریکا، 1-4 نوامبر 2011.
  34. گوتز، ام. Zipf، A. به سوی تعریف چارچوبی برای استخراج خودکار مدل های سه بعدی citygml از اطلاعات جغرافیایی داوطلبانه. بین المللی J. 3D Inf. مدل. 2012 ، 1 ، 1-16. [ Google Scholar ] [ CrossRef ]
  35. پزشکان بدون مرز. پشتیبانی GIS برای پاسخ MSF ابولا در گینه در سال 2014. در دسترس آنلاین: http://www.cartong.org/sites/cartong/files/GIS%20Support%20Ebola%202015_EN.pdf (در 15 اوت 2016 قابل دسترسی است).
  36. ررل، ک. Gröchenig، S. چارچوبی برای تجزیه و تحلیل داده محور فعالیت نقشه برداری در زمینه اطلاعات جغرافیایی داوطلبانه. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 37. [ Google Scholar ] [ CrossRef ]
  37. نقشه کیبرا. نقشه شهروندی و سیتیزن مدیا. در دسترس آنلاین: http://www.mapkibera.org/ (دسترسی در 1 ژوئن 2016).
  38. زیلسترا، دی. Hochmair، HH Digital Street data: رایگان در مقابل اختصاصی. GIM Int. 2011 ، 29-33. در دسترس آنلاین: http://www.gim-international.com/content/article/digital-street-data (در 10 ژوئن 2016 قابل دسترسی است). [ Google Scholar ]
  39. فلاناژین، ا. متزگر، ام. اعتبار اطلاعات جغرافیایی داوطلبانه. جئوژورنال 2008 ، 72 ، 137-148. [ Google Scholar ] [ CrossRef ]
  40. فرقانو، م. Delavar, MR مطالعه کیفی مجموعه داده OpenStreetMap برای تهران. ISPRS Int. J. Geo-Inf. 2014 ، 3 ، 750-763. [ Google Scholar ] [ CrossRef ]
  41. مونی، پی. کورکوران، پ. Winstanley، AC به سمت معیارهای کیفیت برای OpenStreetMap. در مجموعه مقالات هجدهمین کنفرانس SIGSPATIAL در مورد پیشرفت‌ها در سیستم‌های اطلاعات جغرافیایی، سن خوزه، کالیفرنیا، ایالات متحده آمریکا، 3 تا 5 نوامبر 2010. صص 514-517.
  42. ببینید، L. کامبر، ا. سالک، سی. فریتز، اس. ون در ولده، م. پرگر، سی. مک کالوم، آی. کراکسنر، اف. Obersteiner, M. مقایسه کیفیت داده های جمع سپاری جمع آوری شده توسط کارشناسان و غیر متخصصان. PLoS ONE 2013 ، 8 ، e69958. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  43. Haklay, M. اطلاعات جغرافیایی داوطلبانه چقدر خوب است؟ مطالعه تطبیقی ​​مجموعه داده‌های OpenStreetMap و Ordnance Survey. محیط زیست طرح. B 2010 , 37 , 682-703. [ Google Scholar ] [ CrossRef ]
  44. لودویگ، آی. ووس، ا. Krause-Traudes، M. مقایسه ای از 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: نیویورک، نیویورک، ایالات متحده آمریکا، 2011; صص 65-84. [ Google Scholar ]
  45. نیس، پ. زیلسترا، دی. Zipf، A. مقایسه مشارکت داوطلبانه اطلاعات جغرافیایی و توسعه جامعه برای مناطق منتخب جهان. اینترنت آینده 2013 ، 5 ، 282-300. [ Google Scholar ] [ CrossRef ]
  46. هاکلی، ام. هائیتی — VGI چگونه می تواند کمک کند؟ مقایسه OpenStreetMap و Google Map Maker. در دسترس آنلاین: https://www.povesham.wordpress.com/2010/01/18/haiti-how-can-vgi-help-comparison-of-openstreetmap-and-google-map-maker/ (دسترسی در 10 ژوئن 2016).
  47. گیرس، جی اف. Touya, G. ارزیابی کیفیت مجموعه داده OpenStreetMap فرانسه. ترانس. GIS 2010 ، 14 ، 435-459. [ Google Scholar ] [ CrossRef ]
  48. مولن، دبلیو. جکسون، اس پی؛ کرویتورو، آ. کروکس، AT; استفانیدیس، ا. آگوریس، ص. ارزیابی تأثیر ویژگی های جمعیت شناختی بر خطای فضایی در ویژگی های اطلاعات جغرافیایی داوطلبانه. GeoJournal 2015 ، 80 ، 587-605. [ Google Scholar ] [ CrossRef ]
  49. مشهدی، ع. کواترون، جی. Capra, L. تاثیر جامعه بر اطلاعات جغرافیایی داوطلبانه: مورد OpenStreetMap. در OpenStreetMap in Giscience: Experiences, Research, and Applications . ارسنجانی، جی جی، زیپف، ع.، مونی، پی.، هلبیچ، م.، ویرایش. Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2015; صص 125-141. [ Google Scholar ]
  50. سیپلوچ، بی. یعقوب، ر. مونی، پی. Winstanley، A. مقایسه دقت OpenStreetMap برای ایرلند با نقشه های گوگل و نقشه های بینگ. در مجموعه مقالات نهمین سمپوزیوم بین المللی ارزیابی دقت فضایی در منابع طبیعی و علوم محیطی، لستر، بریتانیا، 20 تا 23 ژوئیه 2010.
  51. Hochmair، HH; زیلسترا، دی. Neis، P. ارزیابی کامل ویژگی‌های مسیر دوچرخه و مسیر در OpenStreetMap برای ایالات متحده. ترانس. GIS 2015 ، 19 ، 63-81. [ Google Scholar ] [ CrossRef ]
  52. 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، گیماراس، پرتغال، 11-14 مه 2010. صص 1-15.
  53. دورن، اچ. تورنروس، تی. Zipf، A. ارزیابی کیفیت VGI با استفاده از داده‌های معتبر – مقایسه با داده‌های کاربری زمین در جنوب آلمان. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 1657-1671. [ Google Scholar ] [ CrossRef ]
  54. جانسون، آی. Hecht, B. علل ساختاری سوگیری در اطلاعات جغرافیایی مشتق شده از جمعیت: به سوی یک درک جامع. در مجموعه مقالات انجمن پیشرفت هوش مصنوعی 2016 سمپوزیوم بهار در مورد مطالعات مشاهده ای از طریق رسانه های اجتماعی و سایر محتوای تولید شده توسط انسان، پالو آلتو، کالیفرنیا، ایالات متحده آمریکا، 21 تا 23 مارس 2016.
  55. هاکلی، م.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 ]
  56. Mundia، CN; Aniya، M. دینامیک تغییرات کاربری/پوشش و تخریب شهر نایروبی، کنیا. تخریب زمین توسعه دهنده 2006 ، 17 ، 97-108. [ Google Scholar ] [ CrossRef ]
  57. Oyugi، MO; K’Akumu، OA چالش های مدیریت کاربری زمین برای شهر نایروبی. Urban Forum 2007 , 18 , 94-113. [ Google Scholar ] [ CrossRef ]
  58. KOD. داده های باز کنیا در دسترس آنلاین: https://www.opendata.go.ke (دسترسی در 14 ژوئن 2016).
  59. دوتا، اس. گایگر، تی. Lanvin، B. گزارش جهانی فناوری اطلاعات 2015 ; مجمع جهانی اقتصاد: ژنو، سوئیس، 2015. [ Google Scholar ]
  60. رضوان، SB; فردوس، HS; احمد، SI چالش ها و چشم انداز OpenStreetMap در بنگلادش. در مجموعه مقالات چهاردهمین کنفرانس بین المللی کامپیوتر و فناوری اطلاعات، داکا، بنگلادش، 22 تا 24 دسامبر 2011.
  61. مرکز تحقیقات جمعیت و سلامت آفریقا (APHRC). پویایی جمعیت و سلامت در سکونتگاه‌های غیررسمی نایروبی: گزارش نظرسنجی مقطعی زاغه‌های نایروبی (NCSS) 2012 . مرکز تحقیقات جمعیت و سلامت آفریقا: نایروبی، کنیا، 2014. [ Google Scholar ]
  62. KNBS. سرشماری نفوس و مسکن 2009، اداره ملی آمار کنیا. در دسترس آنلاین: http://www.knbs.or.ke/index.php?option=com_phocadownload&view=category&id=100&Itemid=1176 (دسترسی در 10 ژوئن 2016).
  63. بانک جهانی. کنیا – درون غیررسمی: فقر، مشاغل، مسکن و خدمات در زاغه‌های نایروبی ؛ شماره گزارش 36347-K; بانک جهانی: واشنگتن، دی سی، ایالات متحده آمریکا، 2006. [ Google Scholar ]
  64. بانک جهانی. ارزیابی فقر و نابرابری کنیا ; شماره گزارش 44190-KE; بانک جهانی: واشنگتن، دی سی، ایالات متحده آمریکا، 2008. [ Google Scholar ]
  65. سازمان عفو ​​بین الملل. کنیا-اکثریت نادیده: دو میلیون زاغه نشین نایروبی . عفو بین‌الملل: لندن، بریتانیا، 2009. [ Google Scholar ]
  66. بونتمپس، اس. دفورنی، پی. بوگارت، EV; آرینو، او. کالوگیرو، وی. Perez, JR Globcover 2009-شرح محصولات و گزارش اعتبارسنجی ; Universite Catholique de Louvain و آژانس فضایی اروپا: Louvain-la-Neuve، بلژیک، 2011. [ Google Scholar ]
  67. کنیای مجازی در دسترس آنلاین: http://www.maps.virtualkenya.org/ (در 8 اوت 2016 قابل دسترسی است).
  68. نقشه خیابان باز در دسترس آنلاین: http://www.planet.openstreetmap.org/planet/full-history/ (دسترسی در 10 اکتبر 2016).
  69. BBBike. در دسترس آنلاین: http://www.download.bbbike.org/osm/ (در 2 آوریل 2014 قابل دسترسی است).
  70. گوگل. Google Map Maker. در دسترس آنلاین: https://www.services.google.com/fb/forms/mapmakerdatadownload/ (در 2 آوریل 2014 قابل دسترسی است).
  71. ORNL. لندسکن. در دسترس آنلاین: http://www.web.ornl.gov/sci/landscan/ (در 3 آوریل 2016 قابل دسترسی است).
  72. RCMRD. مرکز منطقه ای نقشه برداری از منابع برای توسعه. در دسترس آنلاین: http://www.rcmrd.org/organization/ (دسترسی در 10 ژوئن 2016).
  73. لیدیگ، ام. Teeuw، RM Correction: کمی سازی و نقشه برداری از فقر داده های جهانی. PLoS ONE 2015 , 10 , e0145591. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  74. مولاکو، جی سی; کیما، JBK؛ Siriba، DN ارزیابی آمادگی کنیا برای زیرساخت داده های جغرافیایی. Surv. Rev. 2013 , 39 , 328-337. [ Google Scholar ] [ CrossRef ]
  75. گویگوز، ی. جولیانی، جی. Nonguierma، A.; لمان، ا. ملیسا، ا. Ray، N. زیرساخت های داده های فضایی در آفریقا: تجزیه و تحلیل شکاف. جی. محیط زیست. Inf. 2016 . [ Google Scholar ] [ CrossRef ]
  76. بهادری، بی. برایت، ای. کلمن، پی. دابسون، جی. لندسکن. ژئوانفورماتیک 2002 ، 5 ، 34-37. [ Google Scholar ]
  77. اوکوکو، جی. برگت، آ. Grus, L. ارزیابی توسعه زیرساخت داده های مکانی ملی کنیا. اس افر. J. Geoinf. 2014 ، 3 ، 95-112. [ Google Scholar ]
  78. نقشه خیابان باز در دسترس آنلاین: http://www.wiki.openstreetmap.org/wiki/Tag:highway%3Dunclassified (در 12 اکتبر 2016 قابل دسترسی است).
  79. برنج، MT; پائز، فی. Mulhollen، AP; Shore، BM; کالدول، DR داده‌های جغرافیایی جمع‌سپاری شده: گزارشی درباره پدیده‌های نوظهور داده‌های جغرافیایی جمع‌سپاری و تولید شده توسط کاربر . گزارش شماره AA10-4733; مرکز مهندسی توپوگرافی: الکساندرا، ویرجینیا، ایالات متحده آمریکا، 2012. [ Google Scholar ]
  80. ESRI. در دسترس آنلاین: http://www.esri.com/software/arcgis/arcgisonline (در 22 اوت 2016 قابل دسترسی است).
  81. کتاب حقایق جهان. در دسترس آنلاین: https://www.cia.gov/library/publications/the-world-factbook/rankorder/2085rank.html (در 16 اوت 2016 قابل دسترسی است).
  82. MapBox. در دسترس آنلاین: https://www.mapbox.com/data-platform/country/#kenya (در 16 اوت 2016 قابل دسترسی است).
  83. Anselin، L. شاخص های محلی ارتباط فضایی-LISA. Geogr. مقعدی 1995 ، 27 ، 93-115. [ Google Scholar ] [ CrossRef ]
  84. نیس، پ. گوتز، ام. Zipf، A. Towards Automatic Vandalism Detection در OpenStreetMap. بین المللی J. Geo Inf. 2012 ، 1 ، 315-332. [ Google Scholar ] [ CrossRef ]
  85. ORNL. سوالات متداول LandScan. در دسترس آنلاین: http://www.web.ornl.gov/sci/landscan/landscan_faq.shtml (دسترسی در 7 دسامبر 2016).
  86. چن، سی سی; Knoblock، CA; شهابی، سی. تلفیق خودکار داده‌های بردار جاده با تصوير قاعده. GeoInformatica 2006 ، 10 ، 495-530. [ Google Scholar ] [ CrossRef ]
  87. آهنگ، دبلیو. Haithcoat، TL; Keller, JM رویکردی مبتنی بر مار برای ترکیب داده‌های جاده ببر. کارتوگر. Geogr. Inf. علمی 2006 ، 33 ، 287-298. [ Google Scholar ] [ CrossRef ]
  88. استیونز، FR; Gaughan، AE; لینارد، سی. Tatem، AJ تفکیک داده‌های سرشماری برای نقشه‌برداری جمعیت با استفاده از جنگل تصادفی با داده‌های سنجش از راه دور و فرعی. PLoS ONE 2015 ، 10 ، e0107042. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  89. کروکس، آ. کرویتورو، آ. جنکینز، ا. مهابیر، ر. آگوریس، پ. Stefanidis، A. داده های بزرگ تولید شده توسط کاربر و مورفولوژی شهری. محیط ساخته شده 2016 ، 42 ، 396-414. [ Google Scholar ] [ CrossRef ]
  90. دی لیو، جی. گفت، م. اورتگاه، ل. ناگدا، س. جورجیادو، ی. DeBlois، M. ارزیابی دقت تولید نقشه راه داوطلبانه در غرب کنیا. Remote Sens. 2011 ، 3 ، 247-256. [ Google Scholar ] [ CrossRef ]
  91. جکسون، اس پی؛ مولن، دبلیو. آگوریس، پ. کروکس، AT; کرویتورو، آ. استفانیدیس، الف. ارزیابی کامل بودن و خطای مکانی ویژگی‌ها در اطلاعات جغرافیایی داوطلبانه. ISPRS Int. J. Geo-Inf. 2013 ، 2 ، 507-530. [ Google Scholar ] [ CrossRef ]
  92. 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 جی دیجیت. زمین 2015 ، 8 ، 153-171. [ Google Scholar ] [ CrossRef ]
  93. 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 ]
  94. فن، اچ. Zipf، A. مدل سازی کار به صورت سه بعدی از داده های VGI/Crowdsourced. در کتاب راهنمای اروپایی اطلاعات جغرافیایی جمع‌سپاری شده ; Capineri, C., Haklay, M., Huang, H., Antoniou, V., Kettunen, J., Ostermann, F., Purves, R., Eds. Ubiquity Press: لندن، انگلستان، 2016; صص 435-446. [ Google Scholar ]
  95. صبری، س. رجبی فرب، ع. هو، اس. امیرابراهیمی، س. Bishop، I. استفاده از VGI با فناوری فضایی سه بعدی برای حمایت از تشدید شهری در ملبورن، استرالیا. طرح شهری. 2016 ، 1 ، 32-48. [ Google Scholar ] [ CrossRef ]
  96. فریتز، اس. مک کالوم، آی. شیل، سی. پرگر، سی. ببینید، L. شپاچنکو، دی. ون در ولده، م. کراکسنر، اف. Obersteiner, M. Geo-wiki: یک پلتفرم آنلاین برای بهبود پوشش جهانی زمین. محیط زیست مدل. نرم افزار 2012 ، 31 ، 110-123. [ Google Scholar ] [ CrossRef ]
  97. ببینید، L. شپاچنکو، دی. لسیو، م. مک کالوم، آی. فریتز، اس. کامبر، ا. پرگر، سی. شیل، سی. ژائو، ی. Maus، MV; و همکاران ساخت یک نقشه ترکیبی پوشش زمین با جمع‌سپاری و رگرسیون وزن‌دار جغرافیایی. ISPRS J. Photogramm. Remote Sens. 2015 ، 103 ، 48-56. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  98. سویی، دی. ویکی‌سازی GIS و پیامدهای آن: یا خالکوبی جدید آنجلینا جولی و آینده GIS. محاسبه کنید. محیط زیست سیستم شهری 2008 ، 32 ، 1-5. [ Google Scholar ] [ CrossRef ]
Ijgi 06 00024 g001 550
شکل 1. منطقه مورد مطالعه: نایروبی، کنیا، و شهرستان های اطراف آن.
Ijgi 06 00024 g002 550
شکل 2. توزیع فضایی انواع جاده از منابع مختلف برای یک سکونتگاه مسکونی در غرب نایروبی (منبع تصویر پس زمینه: ESRI [ 80 ]).
Ijgi 06 00024 g003 550
شکل 3. جاده ها در نایروبی و مناطق اطراف آن.
Ijgi 06 00024 g004 550
شکل 4. پوشش جاده در هر کیلومتر 2 .
Ijgi 06 00024 g005 550
شکل 5. تفاوت زوجی در پوشش جاده. در جهت عقربه های ساعت از بالا سمت چپ: ( i ) RCMRD 2011 در مقابل Map Maker 2014. ( ii ) RCMRD 2011 در مقابل OSM 2011; ( iii ) RCMRD 2011 در مقابل OSM 2014. ( IV ) OSM 2014 در مقابل Map Maker 2014 (سلول های قرمز: لایه اول پوشش بیشتری دارد؛ سلول های سبز: لایه دوم پوشش بیشتری دارد).
Ijgi 06 00024 g006 550
شکل 6. شبکه های جاده ای OSM در ( i ) 2011; و ( ii ) 2014; و ( iii ) تفاوت در پوشش جاده بین OSM 2011 و 2014 (که در آن سبز نشان دهنده مناطقی است که پوشش جاده کاهش یافته است و قرمز نشان دهنده مناطقی است که پوشش جاده بین سال های 2011 و 2014 افزایش یافته است).
Ijgi 06 00024 g007 550
شکل 7. جاده های OSM در منطقه حفاظت شده جنگل Ngong، نایروبی، کنیا (منبع تصویر پس زمینه: ESRI [ 80 ]).
Ijgi 06 00024 g008 550
شکل 8. خوشه / نقاط پرت بین شبکه های جاده ای.
Ijgi 06 00024 g009 550
شکل 9. تراکم جمعیت در هر 1 کیلومتر در 1 کیلومتر در نایروبی و مناطق اطراف آن.
Ijgi 06 00024 g010 550
شکل 10. پوشش جاده در رابطه با تراکم جمعیت در هر کیلومتر مربع .
Ijgi 06 00024 g011 550
شکل 11. تفاوت زوجی در جاده ها به ازای تراکم جمعیت (سبز، لایه دوم مقادیر بالاتری دارد؛ قرمز، لایه اول مقادیر بیشتری دارد).
Ijgi 06 00024 g012 550
شکل 12. خوشه / نقاط پرت بین شبکه های جاده ای نرمال شده بر اساس جمعیت.
Ijgi 06 00024 g013 550
شکل 13. تغییرات عادی در تغییر OSM در مقابل تغییر تراکم جمعیت به دلیل اضافه شدن.
جدول
جدول 1. مجموعه داده های مورد استفاده برای این مطالعه. RCMRD، مرکز منطقه ای نقشه برداری از منابع برای توسعه. ORNL، آزمایشگاه ملی اوک ریج.
جدول
جدول 2. آمار خلاصه از داده های جاده برای نایروبی و مناطق اطراف.

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسیکاربردهای GIs 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