تحلیل فضایی مخاطرات محیطی

تحلیل فضایی مخاطرات محیطی

ارزیابی استفاده از هوش مصنوعی در تکمیل داده های داوطلبانه مکانی. مطالعه موردی: داده های کاربری اراضی OSM

نویسندگان
جواد سدیدی
فاطمه تام نیا
هانی رضائیان
دانشگاه خوارزمی
10.61186/jsaeh.11.1.3
چکیده

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
کلیدواژه‌ها
هوش مصنوعی و OSM
کاربری اراضی
کامل بودن
یادگیری عمیق
واحد مبنا
کرج

عنوان مقاله English

Assessment of using artificial intelligence in completeness of Volunteer Geographic Information. A case study for Open Street Map (OSM) landuse data.

نویسندگان English

Javad Sadidi
Fatemeh tamnia
Hani rezaian
Kharazmi university
چکیده English

Nowadays, deep learning as a branch of artificial intelligence acts as an alternative for human with hopeful outcomes. Open Street Map as the biggest open source data is used as a complementary data sources for spatial projects. It is notable that is some advanced counties the accuracy of VGI data is higher than governmental official data. This research aims to use artificial intelligence to produce and subsequently promote completeness of OSM data. Res_UNet architecture was utilized to train landuse categories to the network. The result shows that IoU metric is about 83 percent that implies a high accuracy paradigm. Then, united-based method was used to calculated completeness of OSM data. The unit-based results show that completeness of building blocks, forest, fruits garden and agriculture land are: 3.6, 9.7, 90.4 and 81.88 respectively. It shows the low volunteer participation rate to produce OSM data. On the other side the high accuracy achieved by deep learning leads us to complete OSM data by artificial intelligence instead of human prepared data. The advantage of using machine rather than human may be utilized in undeveloped countries or low density population regions as well as inaccessible areas.

کلیدواژه‌ها English

Artificial intelligence
Deep Learning
OSM
Land use
unit-based
Karaj
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
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
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.
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.
Cooper,A.,Coetzee,s.,kourie,D.,&kaczmarek,I.(2012).Volunteered geographical information-the challenges.
Cooper,A.,Coetzee,s.,kourie,D.,&kaczmarek,I.(2012).Volunteered geographical information-the challenges.
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
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
Feick,R.,& Roche,s.(2013).Understandi g the Value of VGI. In Crowdsourcing geographi knowledge(pp.15 2).Springer Dordrecht.
Feick,R.,& Roche,s.(2013).Understandi g the Value of VGI. In Crowdsourcing geographi knowledge(pp.15 2).Springer Dordrecht.
Goodchild,M.F.,& Li,L.( 2012).Assuring the quality of volunteered geographic information Spatial statistics,1,110-120.
Goodchild,M.F.,& Li,L.( 2012).Assuring the quality of volunteered geographic information Spatial statistics,1,110-120.
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.
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.
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.
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.
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.
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.
Peng,Z.R.,&Tsou,M.H.(2003). Internet,GIS:distributed geographic information services for the internet and wireless networks. John Wiley & Sons.
Peng,Z.R.,&Tsou,M.H.(2003). Internet,GIS:distributed geographic information services for the internet and wireless networks. John Wiley & Sons.
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.
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.
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).
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).
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.
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.
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.
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.
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).
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).
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.
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.
LeCun,Y.,Bengio,Y.,Hinton,G.,2015.Deep learning.Nature521.436-444.
LeCun,Y.,Bengio,Y.,Hinton,G.,2015.Deep learning.Nature521.436-444.
Cihlar.J. Land cover mapping of large areas from satellites: Status and research priorities.2000.
Cihlar.J. Land cover mapping of large areas from satellites: Status and research priorities.2000.