دوره 11، شماره 1 - ( 3-1403 )
جلد 11 شماره 1 صفحات 15-1 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Sadidi J, tamnia F, rezaian H. Assessment of using artificial intelligence in completeness of Volunteer Geographic Information. A case study for Open Street Map (OSM) landuse data.. Journal of Spatial Analysis Environmental Hazards 2024; 11 (1) : 1
URL: http://jsaeh.khu.ac.ir/article-1-3398-fa.html
URL: http://jsaeh.khu.ac.ir/article-1-3398-fa.html
سدیدی جواد، تام نیا فاطمه، رضائیان هانی. ارزیابی استفاده از هوش مصنوعی در تکمیل داده های داوطلبانه مکانی. مطالعه موردی: داده های کاربری اراضی OSM. تحلیل فضایی مخاطرات محیطی. 1403; 11 (1) :1-15
جواد سدیدی 
1، فاطمه تام نیا2 ، هانی رضائیان2
1، فاطمه تام نیا2 ، هانی رضائیان2
1- دانشگاه خوارزمی ، jsadidikhu@gmail.com
2- دانشگاه خوارزمی
2- دانشگاه خوارزمی
چکیده: (1884 مشاهده)
یادگیری عمیق یک روش مدرن پردازش تصویر و تجزیه و تحلیل داده هاست که با داشتن نتایج امیدوار کننده و پتانسیل بالا وارد حوزه مدیریت شهری شده است. پروژه (OSM)Open Steet Map بزرگ‌ترین مجموعه داده های مکانی داوطلبانه است که در بسیاری از حوزه‌های کاربردی مختلف به عنوان مکمل یا جایگزین با داده‌های مرجع استفاده می‌شود. در بعضی از موارد در کشورهای پیشرفته دقت داده‌های داوطلبانه تولید شده توسط موبایل و دیگر ابزار توسط کاربران حتی بیش از داده ی مرجع دولتی می‌باشد. هدف از تحقیق حاضر ارزیابی استفاده از هوش مصنوعی در تکمیل داده های داوطلبانه در مناطق کمتر مشارکت شده توسط داوطلبان می باشد. ابتدا با استفاده از شبکه عصبی کانولوشنی Res_UNet کاربری اراضی با دقت 83 درصد به دست آمد، سپس با توجه به پیش‌بینی انجام شده، از روش واحد مبنا جهت ارزیابی میزان کامل بودن داده‌های OSM استفاده شد. نتایج نشان میدهد میزان کامل بودن بلوک‌های ساختمانی OSM در کل منطقه مطالعاتی برابر با 6/3 درصد، جنگل‌ها7/9درصد، درخت‌های میوه 4/90 درصد و زمین‌های کشاورزی 88/81درصد می‌باشد. که نشان از نرخ پایین کامل بودن بلوک‌های ساختمانی و جنگل و نرخ بالای کامل بودن زمین‌های کشاورزی و درختان میوه می‌باشد. نتایج تحقیق بیانگر درصد مشارکت پایین داوطلبانه درتولید داده‌های مکانی می‌باشد. از طرفی دقت بالای تولید کاربری اراضی توسط هوش مصنوعی نتایج امیدوارکننده‌ای را در استفاده از هوش مصنوعی در تولید و تکمیل داده‌های داوطلبانه به جای نیروی انسانی بخصوص در کشورهای کمتر توسعه‌یافته یا مناطق با جمعیت داوطلب کمتر یا نقاط دورافتاده و صعب‌العبور ارائه میدهد
شماره‌ی مقاله: 1
فهرست منابع
1. ادبی،ر.عباس پور،ر.چهرتان،ع.سنجش میزان کامل بودن داده های مکانی داوطلبانه با تمرکز برداده های بلوک های ساختمانی(مطالعه موردی:کلانشهر تهران(2021). نشریه علمی مهندسی فناوری اطلاعات مکانی
2. Chen,J.,Zhou,Y.,Zipf,A.,&Fan,H.(2018).Deep learning from multiple crowds:A case study of humanitarian mapping.IEEE Transactions on Geoscience and Remote Sensing,57(3),1713-1722.
3. Cooper,A.,Coetzee,s.,kourie,D.,&kaczmarek,I.(2012).Volunteered geographical information-the challenges.
4. Fram,C.,Chistopoulou,k.,and Ellul.C.,'Assessing the quality of Open street map building data and searching for a proxy variable to estimate OSM building data completeness,'In: proceedings of the 23 rd GIS Research UK (GISRUK) conference, Leeds,UK,PP.17-15,2015
5. Feick,R.,& Roche,s.(2013).Understandi g the Value of VGI. In Crowdsourcing geographi knowledge(pp.15 2).Springer Dordrecht.
6. Goodchild,M.F.,& Li,L.( 2012).Assuring the quality of volunteered geographic information Spatial statistics,1,110-120.
7. Hashemi,P.,&Ali Abbaspour,R.(2015).Assment of logical consistency in Open street map based on the spatial similarity concept.In OpenStreet Map in giscience(pp.19-36).Springer,Cham.
8. Haklay,M.(2010).How good is volunteered geographical information? A comparative study,OpenSteetMap Ordnance Survey datasets.Environment and planning B:Planning and design,37(4),682-703.
9. Hecht, R., Kunze, C., & Hahmann, S. (2013). Measuring completeness of building footprints in OpenStreetMap over space and time. ISPRS International Journal of Geo-Information, 2(4), 1066-1091.
10. Peng,Z.R.,&Tsou,M.H.(2003). Internet,GIS:distributed geographic information services for the internet and wireless networks. John Wiley & Sons.
11. Törnros, T., Dorn, H., Hahmann, S., & Zipf, A. (2015).Uncertainties.of,completeness,measures,in,OpenStreetMap–A case study for buildings in a medium-sized German city. ISPRS ann als of the photogrammetry, remote sensing and spatial information sciences, 2, 353.
12. Wang, M., Li, Q., Hu, Q., & Zhou, M. (2013). Quality analysis of open street map data. International archives of the photogrammetry, remote sensing and spatial information sciences, 2(W1).
13. Zhang, C., Sargent, I., Pan, X., Li, H., Gardiner, A., Hare, J., & Atkinson, P. M. (2018). An object-based convolutional neural network (OCNN) for urban land use classification. Remote sensing of environment, 216, 57-70.
14. Zheng, S., & Zheng, J. (2014). Assessing the completeness and positional accuracy of OpenStreetMap in China. In Thematic cartography for the society (pp171-189).Springer,Cham.
15. Zielstra, D., & Zipf, A. (2010, May). A comparative study of proprietary geodata and volunteered geographic information for Germany. In 13th AGILE international conference on geographic information science (Vol. 2010, 1-15).
16. M. A. Brovelli, M. Minghini, M. E. Molinari, and G. Zamboni," Positional accuracy assessment of the OpenStreetMap buildings layer through automatic homologous pairs detection:The method and a case study." 2016.
17. LeCun,Y.,Bengio,Y.,Hinton,G.,2015.Deep learning.Nature521.436-444.
18. Cihlar.J. Land cover mapping of large areas from satellites: Status and research priorities.2000.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
