آینده GIS:چهار اندیشه اساسی

یکی از دوستان  از من خواست به طور خلاصه در مورد آینده GIS حدس بزنم. من پنج ایده ارائه دادم: GIS با محیط داخلی سازگار خواهد شد ، ما توانایی این را خواهیم داشت که بدانیم همه چیز کجاست ، GIS از اینترنت نوظهور اشیا بسیار بهره مند خواهد شد ، GIS به طور فزاینده ای در زمان واقعی و GIS در آینده خواهد بود بیان دیدگاه های متعدد از جغرافیا.

چهار سال بعد ، هر پنج در حال توسعه سریع هستند ، و تحقیقات جدید و محصولات جدید همیشه در حال ظهور هستند. اما سرعت تغییر در سیستم اطلاعات جغرافیایی سریعتر از هر زمان دیگری است و امروز چندین تحول جدید هیجان انگیز در آستانه مشاهده هستند. بنابراین با به روزرسانی ، در اینجا چهار مبحث مربوط به GIS آورده شده است که در ابتدای سال 2015 بسیار مورد توجه من قرار گرفته است. اما در ابتدا ، من چند نکته را ارائه می دهم. تمام بحث در مورد آینده حدس و گمان است ، به ویژه در یک زمینه پیشرفته از نظر فنی مانند GIS. من هنوز احساس بدی دارم که یک تدوین دو جلدی ، هزار صفحه به علاوه ، پیشرفته ترین بررسی GIS در سال 1991 را انجام داده ام و از ذکر کامل اینترنت ناموفق هستم. علاوه بر این ، آنچه در زیر می آید گمانه زنی شخصی خودم است. من بخشی از آن را می نویسم زیرا تفکر در مورد آینده و تا حدی تحریک دیگران برای ارائه ایده های خود جالب است.

پایگاه داده های شخصی

هرگونه بحث درمورد GIS قطعاً به بحث در مورد حریم خصوصی می پردازد ، زیرا این فناوری قدرت زیادی در ضبط ، ذخیره و تجزیه و تحلیل اطلاعات شخصی دارد. چند سال پیش ، دخترم که در دانشگاهی در آمریکا مهندسی حمل و نقل تدریس می کند ، گروهی از دانشجویان را به تورنتو کانادا برد. آنها از طریق مهاجرت و آداب و رسوم عبور کردند ، وارد هتل شدند و سپس به گشت و گذار در شهر پرداختند و از چیزهایی که علاقه مند بودند مانند کامیون های حمل و نقل و ماشین های خیابانی ، عکس گرفتند. در آن زمان اتفاقاً تورنتو میزبان اجلاس اقتصادی بین المللی بود و امنیت بسیار شدید بود. چند دقیقه بعد از بازگشت گروه به هتل ، در زدند: سرویس اطلاعات امنیتی کانادا می خواست چند س themال از آنها بپرسد. ما فقط می توانیم در مورد آنچه این تحقیقات مورد نیاز است ، از طریق دوربین های امنیتی حدس بزنیم.نرم افزار تشخیص چهره پیوند سوابق هتل ، هواپیمایی و مهاجرت ؛ و البته ممکن است آنها به سادگی توسط یک عامل مشکوک مشاهده و پیگیری شوند. اما قدرت فن آوری مدرن نظارت هنوز گیج کننده است.

در حقیقت ، مسئله حفظ حریم خصوصی برای کنترل داده ها خلاصه می شود: شما چه کنترلی بر داده های مربوط به خود دارید؟ شما به عنوان مثال تصمیم می گیرید که چه موقع اطلاعات شخصی خود را از طریق رسانه های اجتماعی به اشتراک بگذارید ، اما مقادیر زیادی از اطلاعات شخصی و به همان اندازه شخصی در مورد شما در اختیار شرکت ها و سازمان های دولتی است. وقتی اشتباه است ، پراکنده است و به سختی دشوار است. جفری ژاكز ، استاد جغرافیا در دانشگاه بوفالو در نیویورك ، این را “بالكانیزه كردن خود کمی” می نامد.

فرض کنید شما تصمیم گرفتید با جمع آوری و مدیریت داده های شخصی خود به روشی سیستماتیک و تصمیم گیری در مورد اینکه چه کسی و به چه شرایطی باید دسترسی داشته باشد ، به دنبال گزینه بهتر باشید. اگر می خواهید خانه را بفروشید یا محتویات خانه را برای اهداف بیمه موجودی خود ثبت کنید ، ممکن است یک نمایشگر سه بعدی از خانه خود بگیرید. اگر دانشگاهی بودید ، می توانید یک پایگاه داده از کلیه مقالات ، سخنرانی ها و یادداشت های کلاس خود را جمع آوری کنید. برای پیگیری احتمال قرار گرفتن در معرض خطرات زیست محیطی در زندگی خود ، ممکن است یک پایگاه داده از سفرهای خود و مکان هایی که زندگی کرده اید ایجاد کنید.در صورت موافقت با به اشتراک گذاشتن این اطلاعات ، ممکن است چنین اطلاعاتی برای یک متخصص بهداشت بسیار مفید باشد – یا به این دلیل که اخیراً خودتان با مشکل بهداشتی روبرو شده اید یا به دلیل این که متخصص بهداشت می خواهد در تحقیقات خود به پرونده شما مراجعه کند.

وسوسه انگیزترین ، شاید ، توانایی شناخت و درک ارزش اقتصادی چنین داده هایی است. چرا هنگام استفاده از کارت های اعتباری ، به جای جمع آوری ، مدیریت و شاید فروش خود ، اطلاعات مربوط به عادت خرید خود را به فروشندگان تسلیم می کنیم؟

بزرگ و بزرگتر – داده

توجه اخیر رسانه ها به داده های بزرگ و برخی از موفقیت های آن جلب شده است. داده های بزرگ البته فقط بزرگ نیستند. این با حداقل سه ویژگی به درستی مشخص شده است که اغلب سه Vs نامیده می شود  :

• حجم – داده ها همچنین در حجم بیشتری از آنچه در گذشته توانسته ایم مدیریت کنیم در دسترس هستند.
• تنوع – امروزه به طور معمول یافتن چندین منبع داده مربوطه در مورد هر مشکلی امکان پذیر است.
• سرعت – ممکن است بسیاری از این منابع در زمان واقعی نزدیک به جمع آوری اطلاعات بپردازند.

داده های بزرگ شامل شبکه هایی از حسگرها است که سیاره را رصد می کنند و همچنین داده های زیادی را از شهروندان می گیرند ، اما داده ها به ندرت تحت نمونه گیری دقیق کنترل شده یا تضمین کیفیت قرار می گیرند.

حجم زیاد داده ها برای GIS چیز جدیدی نیست. لندست شروع به بدست آوردن داده ها در اوایل دهه 1970 در مقادیر بسیار بالاتر از توانایی ما در بهره برداری کامل از آنها کرد. امروز تصاویر ویدئویی ثبت شده توسط هزاران دوربین نظارتی مستقر در اطراف لندن ، انگلیس و دیگر شهرهای بزرگ به یک مشکل محاسباتی در مقیاس پتابایت تبدیل شده است. تنوع و سرعت موضوع متفاوتی است. در گذشته ، اطلاعات جغرافیایی ما توسط متخصصانی که برای آژانس هایی مانند آژانس اطلاعات مکانی-مکانی (NGA) یا سازمان زمین شناسی ایالات متحده (USGS) کار می کنند ، به دقت جمع آوری و سنتز شده است. داده های بزرگ به مجموعه ای کاملاً جدید از ابزارها برای ادغام و ترکیب نیاز دارد ، در واقع داده های مفید و قابل اعتماد را از بین مشاهدات متفاوت ایجاد می کند. سرعت نیز جدید است ،از آنجا که GIS در محیطی از نقشه ها تکمیل شده است که برای معتبرترین زمان ممکن طراحی شده اند و فقط ویژگی های نسبتاً پایداری مانند کوه ها ، رودخانه ها و جاده ها را نشان می دهند.

پس چرا سر و صدا؟ اگر می توانستیم این مسائل را حل کنیم ، چه چیزی به دست می آوریم؟ داستان های موفقیت بزرگ داده ها همه مربوط به پیش بینی – میانگین صنعتی داو جونز فردا یا نتیجه یک انتخابات است – به همین دلیل این ایده در صنعت و دولت توجه بسیاری را به خود جلب کرده است. داده های بزرگ در GIS نیز در مورد پیش بینی خواهد بود ، نه در مورد  زمان بلکه در مورد  مکان  (و گاهی اوقات   نیز در چه مواردی ) پیش بینی فضایی می تواند به س questionsالاتی مانند این پاسخ دهد

• این طوفان در هفته آینده به کجا می رسد؟
• اکنون پنج سال دیگر برای این خانه ای که قصد خرید آن را دارم ، ارزش آن چقدر خواهد بود؟
• سنگین ترین تأثیرات فصل آنفولانزا امسال کجا خواهد بود؟
• فروشگاه بعدی را در کجا باید در فروشگاه های خرده فروشی خود قرار دهیم؟

بنابراین داده های کلان چیزهای زیادی برای ارائه GIS دارند اما چالش های زیادی را برای جامعه تحقیقاتی GIScience ایجاد می کنند.

مکان و مکان

GIS فضایی است و از مختصات برای نشان دادن موقعیت ها و هندسه ها و توابع پشتیبان استفاده می کند که از این مختصات برای اندازه گیری فواصل ، شیب ها و مناطق استفاده می کند. اما انسانها از نظر مختصات فکر نمی کنند و در مغز خود توانایی محاسبه مسافت ، جهت ها و سایر خصوصیات را ندارند ، و به همین دلیل GIS بسیار حیاتی و موفق است. از طرف دیگر ، انسانها درباره مکانهای نامگذاری شده بسیار فکر می کنند ، از مقیاس قاره ها گرفته تا اتاقهای خانه هایشان. آنها انجمن های این مکان ها را در خاطرات خود ذخیره می کنند و آنها را در مکالمات به اشتراک می گذارند. آنها در مورد روابط سلسله مراتبی بین مکانهای نامگذاری شده (سیاتل در ایالت واشنگتن ، شمال غربی اقیانوس آرام ، مناطق صوتی Puget و منطقه کاسکادیا است) می دانند بدون اینکه بتوانند عملیات نقطه چند ضلعی را در سر آنها انجام دهند.

امروزه ما ابزارهای بی شماری برای پیوند دادن مکان ها به مکان ها داریم. روزنامه ها و پایگاه های اطلاعاتی مورد علاقه مختصات ویژگی های نامگذاری شده را به ما می دهند ، اگرچه در برخورد با ویژگی ها و ویژگی های بزرگ بدون مرزهای مشخص مشخص از هم می پاشد. به عنوان مثال ، سعی کنید از Google بخواهید مسیری از “کلرادو” به “وایومینگ” را پیدا کند (یا از ArcGIS آنلاین موقعیت رودخانه “می سی سی پی” را بخواهید). در هر دو مورد ، روزنامه هایی که توسط این سیستم ها استفاده می شوند فقط یک جفت مختصات به این ویژگی های بزرگ و گسترده می دهند. بنابراین فرض بر این است که سفر شما از کلرادو به وایومینگ در مرکز هندسی این ایالت ها شروع و به پایان می رسد و به شما گفته می شود که در زمستان بخشی از مسیر شما بسته است.

از مدت ها پیش GIS شهرت سختی در یادگیری و استفاده داشت ، به همین دلیل برای آموزش متخصصان GIS به دوره های GIS در سطح دانشگاه نیاز داریم. در سال های اخیر ، با رابط های اشاره و کلیک ، نقشه های داستان ، و کمک آنلاین گسترده ArcGIS ، همه چیز به طور قابل توجهی بهبود یافته است ، اما حتی امروزه استفاده از GIS به آسانی ممکن نیست. یک دلیل ممکن است این باشد که GIS مانند انسانها منطقی نیست ، بنابراین انسانها باید روش جدیدی برای برقراری ارتباط با GIS بیاموزند. چه می شود اگر ما می توانیم فناوری بسازیم که به انسان کمک کند همانطور که ذاتاً فکر می کند فکر کند؟ چه فوایدی خواهد داشت؟ اولاً ، به ما این امکان را می دهد تا از منابع عظیم دانش مکان محور که انسانها با خود حمل می کنند استفاده کنیم اما هیچ روش مبتنی بر فن آوری برای به اشتراک گذاری یا تدوین ندارند. دوم ، این امکان ایجاد مجموعه ای کاملاً جدید از توابع براساس مکان و نه مکان را فراهم می کند ،مانند نقشه های طراحی شده به طور خودکار که به منظور شفافیت و سودمندی ، دقت برنامه را از بین می برند. سوم ، این پل های بهتری بین جهان فضایی و “پلاتی” ایجاد می کند و منحنی یادگیری GIS را بسیار کوتاه می کند.

پس به هر حال همه چی هست؟

دنیایی که ما می شناسیم و دوستش داریم و GIS نامیده می شویم از زمان ایجاد مخفف اختصاری راجر تاملینسون در دهه 1960 با نظم های زیادی رشد کرده است. اصطلاحات تکثیر یافته اند و امروزه دانشجویان می توانند دوره های ژئو انفورماتیک ، ژئوماتیک ، علوم اطلاعات جغرافیایی یا سیستم های اطلاعات مکانی را بگذرانند و با همان محتوای اساسی یکسانی روبرو شوند. مدل G در GIS به عنوان رمزگشایی  جهانی  و  مکانی  به جای اصلی  جغرافیایی  (یا  جغرافیایی ) و  S  به عنوان  علم، خدمات،  و  مطالعات به جای سیستم. اما به دنبال اصطلاحی مرکزی بگردید که وجه اشتراک همه اینها باشد و ما چه چیزهایی داشته باشیم؟ Geospatial شاید قوی ترین رقیب باشد ، اما این صفت است: “شما چه کار می کنید؟” “من مکان فضایی را انجام می دهم. . .er . .چیز.”

در نسخه چهارم کتاب درسی ما  علوم و سیستم های اطلاعات جغرافیایی ، که در اواخر سال جاری منتشر خواهد شد ، Paul Longley ، David Maguire ، David Rhind و من استدلال می کنیم که تقریباً همه سیستم ها در شبکه ها و با GIS ابری ، کل اینترنت یکپارچه هستند. به سرعت در حال تبدیل شدن به یک GIS گسترده است. ما استدلال می کنیم که آنچه زمینه را در کنار هم نگه می دارد و هسته اساسی آن را تشکیل می دهد ، اطلاعات – اطلاعات جغرافیایی – و فرایندهایی است که برای ضبط ، نمایش ، ذخیره ، تجزیه و تحلیل ، مدل سازی ، بایگانی و بطور کلی استفاده از آنها استفاده می شود. ما در مورد پایگاه داده GI بحث می کنیم. علم GI؛ نرم افزار GI؛ متخصصان GI و البته خود GI. در هنگام برخورد با مشاهدات خام ، با اطلاعات اطلاعاتی ، و شاید با داده های جغرافیایی به همان اندازه راحت خواهیم بود.

چرا این مسئله برای آینده این رشته مهم است؟ زیرا درک چگونگی گسترش این رشته بسیار مهم است. و چرا بسیاری از متخصصانی که در سالهای اخیر به این رشته ما پیوسته اند ، هرگز آنرا به عنوان GIS شناسایی نکرده اند و حتی نمی دانند چگونه رمز اختصاری را رمزگشایی کنند.