تعریف داده های فضایی

ارجاع جغرافیایی و ژئوکدینگ

فرآیندهای مشابه، ارجاع جغرافیایی و ژئوکدگذاری ، جنبه های مهم تجزیه و تحلیل جغرافیایی هستند . هم کدگذاری جغرافیایی و هم ارجاع جغرافیایی شامل برازش داده ها در دنیای واقعی با استفاده از مختصات مناسب است ، اما شباهت در اینجا به پایان می رسد.

ارجاع جغرافیایی بر اختصاص مختصات داده به بردارها یا شطرنجی ها متمرکز است . این رویکرد به مدل سازی دقیق سطح سیاره کمک می کند.

از سوی دیگر ، ژئوکدینگ ، توصیفگرهای آدرس و مکان را فراهم می کند. اینها می تواند شامل اطلاعات شهرها، ایالت ها، کشورها و غیره باشد. هر مختصات دقیق به یک مکان خاص در سطح زمین اشاره می کند.

TECHTARGET

وکتور و شطرنجی

وکتور و شطرنجی فرمت های داده رایجی هستند که برای ذخیره داده های مکانی استفاده می شوند.

وکتورها نمایش گرافیکی از دنیای واقعی هستند. سه نوع اصلی داده برداری وجود دارد : نقاط، خطوط و چندضلعی. نقاط به ایجاد خطوط کمک می کنند و خطوط اتصال مناطق یا چند ضلعی های محصور را تشکیل می دهند. بردارها اغلب بیانگر تعمیم ویژگی ها یا اشیاء در سطح سیاره هستند. داده های برداری معمولاً در فایل های شیپ ذخیره می شوند که گاهی اوقات به آنها فایل های .shp نیز گفته می شود.

Raster اطلاعات ارائه شده در یک شبکه پیکسلی را نشان می دهد . هر پیکسل ذخیره شده در یک رستر دارای ارزش است. این می تواند هر چیزی از یک واحد اندازه گیری، رنگ یا اطلاعات مربوط به یک عنصر خاص باشد. به طور معمول، شطرنجی به تصاویر اشاره دارد، اما در تجزیه و تحلیل فضایی اغلب به یک تصویر ارتو یا عکس های گرفته شده از دستگاه های هوایی یا ماهواره ها اشاره دارد .

همچنین چیزی به نام ویژگی وجود دارد . هرگاه داده‌های مکانی حاوی اطلاعات اضافی یا داده‌های غیر مکانی باشد، به آن ویژگی می‌گویند. داده های مکانی می توانند هر تعداد ویژگی در مورد یک مکان داشته باشند. برای مثال، این ممکن است یک نقشه، عکس، اطلاعات تاریخی یا هر چیز دیگری باشد که ممکن است ضروری تشخیص داده شود.

علم داده های مکانی چیست؟

علم داده های مکانی بر استخراج بینش های عمیق تر از داده ها با استفاده از مجموعه ای جامع از الگوریتم های مکانی و روش های تحلیلی تمرکز دارد. اینها شامل استفاده از یادگیری ماشین و یادگیری عمیق برای شناسایی الگوهای پنهان در داده ها است. این رویکرد به بهبود مدل های پیش بینی کمک می کند.

داده‌های مکانی همچنین ممکن است شامل ویژگی‌هایی باشد که اطلاعات بیشتری در مورد نهادی که نشان می‌دهد ارائه می‌کند. این به کاربران کمک می کند تا بفهمند که اتفاقات در کجا اتفاق می افتد و چرا در آنجا اتفاق می افتد. به عنوان مثال، سیستم‌های اطلاعات جغرافیایی (GIS) و سایر نرم‌افزارهای تخصصی به دسترسی، تجسم، دستکاری و مشارکت در تجزیه و تحلیل فضایی کمک می‌کنند.

کارشناسان انتظار دارند با تلاش سازمان ها و نهادهای دولتی برای اتخاذ تصمیمات مبتنی بر داده های هوشمندانه، علم داده های مکانی اهمیت بیشتری پیدا کند .

جنبه های دیگر علم داده های مکانی شامل داده کاوی مکانی و تجسم داده ها است.

داده کاوی مکانی فرآیند کشف الگوهای پنهان در مجموعه داده های مکانی بزرگ را توصیف می کند . داده کاوی مکانی به عنوان یک محرک کلیدی در توسعه برنامه GIS ، به کاربران اجازه می دهد تا داده های ارزشمند را در مناطق به هم پیوسته استخراج کرده و الگوهای فضایی را بررسی کنند. در این سناریو، متغیرهای فضایی مانند فاصله و جهت در نظر گرفته می شوند.

نرم‌افزار تجسم داده‌ها ، مانند Tableau ، به دانشمندان داده و بازاریابان اجازه می‌دهدتا فایل‌های داده‌های مکانی مختلف مانند پایگاه‌های جغرافیایی فایل Esri، فایل‌های GeoJSON، فایل‌های زبان نشانه‌گذاری کلید سوراخ ( KML )، جداول MapInfo، Shapefiles و فایل‌های TopoJSON را به هم متصل کنند. پس از اتصال، کاربران می توانند با استفاده از اطلاعات موجود در فایل های داده های مکانی، فایل های داده لیدار و فایل های داده های مکانی، نقاط، خطوط و نقشه های چندضلعی ایجاد کنند.

داده های مکانی برای اینترنت اشیا ( IoT ) مهم هستند. این به پروتکل های اینترنت اشیا کمک می کند تا از سنجش از راه دور برای جمع آوری داده ها برای تجزیه و تحلیل فضایی استفاده کنند. داده‌های مکانی نیز در حمل‌ونقل و تدارکات استفاده می‌شود تا به شرکت‌ها کمک کند بفهمند کدام ماشین در یک مکان خاص بهتر کار می‌کند، تخمین‌های زمانی دقیق برای تحویل انجام دهد و تحویل را در زمان واقعی دنبال کند.

TECHTARGET

فناوری‌های محیطی همچنین از داده‌های مکانی برای نظارت بر الگوهای دما، الگوهای جزر و مد و موارد دیگر استفاده می‌کنند. توانایی ردیابی مناطق در معرض خطر در ترکیب با داده های تاریخی ، داده های آب و هوا و داده های مکانی اطلاعات بهتری را برای پیش بینی بلایای طبیعی به دانشمندان می دهد.

5 مزیت تجسم مکانی در هنگام تجزیه و تحلیل داده های اینترنت اشیا

ظهور چهارمین انقلاب صنعتی به پیشرفت اینترنت اشیا اشاره کرد و حجم بی‌سابقه‌ای از داده‌های جریانی و بلادرنگ را تولید کرد. آنچه در ابتدا به عنوان حجم قابل توجهی از داده ها نشان داده می شود، هنگامی که به درستی از آن بهره برداری می شود، به یک منبع غنی تبدیل می شود. با حجم عظیمی از داده ها، مسئولیت تجزیه و تحلیل آن برای هدایت تصمیمات آگاهانه است.

اما چگونه می توان به بهترین نحو از این منبع ارزشمند استفاده کرد؟ با استفاده از تجسم مکانی، سازمان‌ها می‌توانند داشبوردها و برنامه‌هایی را بسازند تا بینش‌های عملی را از این داده‌های ارزشمند جمع‌آوری کنند، درک آن را بهبود بخشند و در نهایت تصمیم‌های بهتری بگیرند. بیایید پنج راه اصلی را که در آنها تجسم فضایی برای سازمان ها سودمند است، کشف کنیم.

راندمان عملیاتی را افزایش می دهد

به طور کلی، تجسم جغرافیایی ابزارهای مورد نیاز برای افزایش کارایی عملیاتی را در اختیار سازمان‌ها قرار می‌دهد که تأثیر مثبتی بر نتیجه آنها دارد. به عنوان مثال، صنعت حمل و نقل به تجسم فضایی برای فعال کردن تحویل به موقع متکی است. خدمات پستی ایالات متحده (USPS) مسیرها را برای ناوگان وسیع کامیون های خود با استفاده از داده های مکانی هزاران دستگاه اینترنت اشیا بهینه می کند.

این داده‌ها برای ردیابی جایی که وسایل نقلیه تحویل در مسیر خود هستند و به USPS کمک می‌کند تا بهترین مسیر ممکن را برای رانندگان برای سریع‌ترین زمان تحویل ممکن انتخاب کند. این کارایی‌های مبتنی بر داده‌ها در نهایت بر نتیجه USPS تأثیر می‌گذارد. هزاران ساعتی که در غیر این صورت ممکن است صرف مسیرهای کمتر کارآمد شود، کاهش می یابد و با تکمیل به موقع تحویل، رضایت مشتری افزایش می یابد.

امروزه میلیون‌ها سیگنال و نقطه داده ساطع شده از دستگاه‌ها و سیستم‌های اینترنت اشیا، سرنخ‌هایی را در اختیار رهبران قرار می‌دهند که باید کارآمدترین، دقیق‌ترین و مقرون‌به‌صرفه‌ترین تصمیم‌های ممکن را ارائه کنند. این داده ها اغلب مورد سوء استفاده قرار می گیرند و فرصتی منحصر به فرد برای کسانی که از آن استفاده می کنند فراهم می کند. استفاده از قدرت داده‌های مکانی به کسب‌وکارها امکان می‌دهد تا انبوهی از بینش‌ها را برای تصمیم‌گیری‌هایی که آنها را جلوتر از منحنی‌ها قرار می‌دهد، باز کنند.

همه مشارکت کنندگان شبکه IoT Agenda مسئول محتوا و صحت پست های خود هستند. نظرات مربوط به نویسندگان است و لزوماً ایده های برنامه IoT را منتقل نمی کند.

داده های جغرافیایی وسیله ای برای درک عمیق تر

در حالی که بررسی معیارهای کلیدی عملکرد برای کمک به سازمان‌ها در تصمیم‌گیری‌های مبتنی بر داده حیاتی است، داده‌های مکانی می‌توانند راهی ارزشمند برای درک حتی بیشتر از عملیات سازمانی باشند.

مارک دینز، مدیر نوآوری شرکت مشاوره فناوری اطلاعات و شریک اوراکل Beyond Systems، در طی ارائه‌ای در جریان اجلاس تحلیل مجازی اوراکل، نشان داد که چگونه می‌توان از داده‌های مکانی برای درک نه تنها آنچه اتفاق می‌افتد، بلکه مکان وقوع آن نیز استفاده کرد.

علاوه بر این، او نشان داد که چگونه می توان بدون نیاز به کدنویسی با استفاده از پلتفرم تحلیلی Oracle با شروع استودیوی فضایی نسبتاً جدید Oracle که در سال 2019 معرفی شد، این کار را انجام داد.

دینز گفت: «پایگاه‌های اطلاعاتی Oracle دارای قابلیت‌های فضایی طولانی مدت بوده و دارند، اما ممکن است لازم باشد برنامه‌نویس باشید تا بهترین نتیجه را از آن بگیرید. “با این حال، Spatial Studio یک [ رابط کاربری گرافیکی ] نسبتاً آسان برای استفاده ارائه می‌کند ، بنابراین می‌توانید برای انجام تحلیل فضایی دستورات را بکشید و رها کنید و فقط روی دستورها کلیک کنید .”

مورد استفاده

Daynes با استفاده از یک رستوران ساختگی که به دنبال بازاریابی یک سرویس تحویل جدید به عنوان مثال بود، کل فرآیند استخراج اطلاعات از داده‌های مکانی، از بارگذاری داده‌ها در Oracle Spatial Studio تا تجسم و عمل در Oracle Analytics را طی کرد.

در همین حال، اگرچه داینز ارائه خود را به رستوران ساختگی خود محدود کرد و به مثال‌های واقعی در مورد اینکه چگونه سازمان‌های واقعی می‌توانند از داده‌های جغرافیایی برای تصمیم‌گیری مبتنی بر داده‌ها استفاده کنند، نپرداخت، یکی از حوزه‌هایی که چنین داده‌هایی در ماه‌های اخیر در آن حیاتی بوده است، مبارزه با شیوع COVID-19.

ارائه دهندگان مراقبت های بهداشتی از داده های مکانی برای آماده شدن برای افزایش احتمالی بیماران استفاده می کنند و دولت های ایالتی از آن برای اطلاع رسانی درباره نحوه و زمان بازگشایی اقتصاد خود استفاده می کنند. در مکان‌هایی مانند ماساچوست، جایی که به نظر می‌رسد اقدامات ماندن در خانه مانع از گسترش ویروس شده است، داده‌ها به ایالت امکان می‌دهد تا امکانات آزمایشی را در جوامع هدف راه‌اندازی کند . در نیویورک، یکی دیگر از ایالت‌هایی که به نظر می‌رسد اقدامات در خانه ماندن در آن مانع از شیوع ویروس شده است، مقامات ایالتی از داده‌ها برای اطلاع‌رسانی تصمیم‌گیری در مورد بازدیدکنندگانی که باید به مدت دو هفته قرنطینه شوند، استفاده کرده‌اند.

رستوران ساختگی ایجاد شده توسط Daynes در لندن واقع شده است و اطلاعاتی در مورد مشتریان خود دارد، مانند محل زندگی آنها و مقداری که برای صرف غذا در رستوران صرف کرده اند. رستوران تصمیم گرفت برای هر کسی که در شعاع 3 مایلی از محل رستوران زندگی می‌کند، تحویل ارائه دهد. بنابراین، مؤسسه، بازاریابی خود را برای تمام مشتریانی که در آن شعاع زندگی می کنند، هدف قرار می دهد. با این حال، فراتر از آن، کسب و کار تلاش بیشتری برای جذب مشتریانی که در حال حاضر بیشترین هزینه را در رستوران دارند، انجام خواهد داد.

و تا حدی با بررسی داده‌های مکانی – نقشه‌برداری – است که رستوران می‌تواند تشخیص دهد چه کسی را هدف قرار دهد.

دینز گفت: “ما قصد داریم تا برخی از تحلیل های فضایی را برای یافتن بینش هایی با استفاده از قابلیت های فضایی ابزار Oracle Spatial Studio انجام دهیم.” سپس داده‌هایی را که تجزیه‌وتحلیل کرده‌ایم می‌گیریم و به Oracle Analytics وارد می‌کنیم، و می‌خواهیم تحلیلی روی آن انجام دهیم تا مقداری ارزش اضافی در آن پیدا کنیم و ببینیم این محصولات چگونه با هم کار می‌کنند.

دینز بدون نوشتن کد، دو جدول ذخیره شده در Oracle Analytics – لیستی از مشتریان با آدرس آنها و مبلغی که در رستوران خرج کرده‌اند و سپس مکان رستوران – آنها را در Spatial Studio بارگذاری کرد و نام آنها را گذاشت. . سپس این ابزار به‌طور خودکار آدرس‌ها را کدگذاری کرد و با کشیدن و رها کردن مجموعه داده‌های جغرافیایی از یک طرف رابط کاربری به سمت دیگر، Daynes نقشه‌ای با نقطه‌هایی ایجاد کرد که نشان می‌دهد هر یک از مشتریان رستوران کجا زندگی می‌کنند.

سپس لایه‌هایی را به نقشه اضافه کرد.

او مکان رستوران را اضافه کرد و سپس از میان منوی فیلترهای احتمالی انتخاب کرد تا مشتریان را در شعاع 3 مایلی نشان دهد و یک دایره در اطراف آن شعاع قرار دهد. او تنها با یک کلیک می‌توانست دسته‌هایی از مشتریان را مشاهده کند و با یک کلیک دیگر می‌توانست یک نقشه حرارتی ایجاد کند .

دینز گفت: “اینها همه فقط راه های فوری برای تجسم داده هایی هستند که قبلاً در دسترس من نبودند.”

مارک دینز / فراتر از سیستم ها

استخراج داده های مکانی

پس از اتمام ساخت نقشه‌هایش، دینز داده‌های جغرافیایی رستوران را به Oracle Analytics صادر کرد، جایی که می‌توانست عمیق‌تر به تجزیه و تحلیل بپردازد، مانند پیوستن داده‌های مکان به داده‌های تراکنش برای شروع شناسایی مشتریان برای هدف‌گیری برای تحویل.

داده‌ها را می‌توان برای نمایش مخارج مشتریان – از جمله نام‌ها – از بالا به پایین در نمودار میله‌ای، به عنوان مثال، یا روی نقشه مجاور یک نمودار میله‌ای در همان داشبورد، مرتب کرد. و با نگه داشتن ماوس روی نام یک مشتری، تمام اطلاعات آنها قابل مشاهده است.

پس از شروع تحویل، کاربران همچنین می توانند به آن داده ها بپیوندند.

دینز گفت: «Spatial Studio برای ایجاد و دستکاری زیرمجموعه‌هایی از داده‌ها که انجام آنها چالش‌برانگیزتر است بسیار عالی است، و سپس می‌توان آن را به Oracle Analytics واگذار کرد تا نتایج آن تحلیل فضایی را مصرف کند و آن را با داده‌های دیگر تقویت کند. “این واقعا به خلق داستان کمک می کند.”

IBM Pairs Geoscope داده های مکانی-زمانی را برای توسعه دهندگان می آورد

خدمات Geoscope IBM Research توسعه دهندگانی را هدف قرار می دهد که برنامه های پیچیده ای را می سازند که به داده هایی از مجموعه داده های مکانی-زمانی بزرگ و متفاوت نیاز دارند.

آی‌بی‌ام سرویسی را راه‌اندازی کرده است تا به توسعه‌دهندگان و دانشمندان داده کمک کند تا برنامه‌هایی را ایجاد کنند که از مجموعه داده‌های عظیم مکانی-زمانی استفاده می‌کنند.

ارائه ژئوسکوپ یکپارچه مخزن داده و خدمات تجزیه و تحلیل فیزیکی IBM (PAIRS) به توسعه دهندگان این امکان را می دهد تا از طریق یک فراخوانی API از حجم عظیمی از داده های بزرگ مکانی-زمانی بهره ببرند. این سرویس زمان مورد نیاز برای شناسایی، جمع‌آوری و دسترسی به مجموعه‌های داده بزرگ – از جمله داده‌های نقشه، ماهواره، آب‌وهوا، هواپیماهای بدون سرنشین و اینترنت اشیا – و استفاده از آنها برای ساخت برنامه‌های پیچیده را کاهش می‌دهد.

داده‌های مکانی-زمانی فضا و زمان را پوشش می‌دهند، اغلب در مقیاس جهانی، مانند تصاویر ماهواره‌ای و هوایی، داده‌های آب و هوا و آب و هوا و داده‌های حسگرهای زمینی برای اندازه‌گیری رطوبت خاک. همچنین شامل داده‌هایی از پلتفرم‌های تقریباً هم‌زمان، مانند توییتر و GDELT ، پایگاه داده جهانی رویدادها، پروژه زبان و آهنگ است که خروجی‌های رسانه‌های سراسر جهان را نظارت می‌کند.

توسعه ساده تر با یک API واحد

IBM Pairs Geoscope به‌طور خودکار داده‌های مکانی-زمانی را از منابع مختلف جذب، مدیریت و ادغام می‌کند و آن‌ها را به عنوان یک سرویس از طریق یک REST API به توسعه‌دهندگان ارائه می‌کند. اگرچه این داده ها معمولاً به صورت رایگان در دسترس هستند، اما اندازه، پیچیدگی و قالب آن می تواند استفاده از آن را برای توسعه دهندگان دشوار کند.

هندریک هامان، مدیر ارشد تجزیه و تحلیل فیزیکی در IBM Research، گفت: توسعه‌دهنده‌ای که امروزه بدون پلتفرم Pairs وجود ندارد، باید به منابع متعددی برای به دست آوردن داده‌های مکانی-زمانی و همچنین APIها مراجعه کند تا همه آن‌ها را به هم پیوند دهد. او گفت که Pairs Geoscope یک API واحد دارد و منابع متعددی از اطلاعات مکانی خاص را در نوک انگشتان توسعه‌دهنده ارائه می‌کند و داده‌ها و بینش‌ها را سریع‌تر از سرویس‌های داده معمولی ارائه می‌دهد.

برای مثال، با استفاده از ابزار Pairs، یک توسعه‌دهنده می‌تواند یک تماس API را اجرا کند و اطلاعات آب‌وهوا و تراکم جمعیت مجاور را برای همه فرودگاه‌های جنوب شرقی آسیا جمع‌آوری کند. هامان گفت، سپس آنها می توانند برنامه ای برای یافتن بهترین مکان برای تماشای پرندگان در منطقه بسازند که به داده های آب و هوا و سایر داده های مکانی نیاز دارد.

Yao-Yi Chiang، دانشیار موسسه علوم فضایی در دانشکده مهندسی ویتربی دانشگاه کالیفرنیای جنوبی گفت: “PAIRS روشی کارآمد برای استخراج سریع داده های جغرافیایی شطرنجی از تعدادی منبع و تجسم آنها با سایر داده های نقشه ارائه می دهد.” . رسترها معمولاً عکس های هوایی دیجیتال، تصاویر ماهواره ها، تصاویر دیجیتال و نقشه های اسکن شده هستند.

پیش از این، تیم چیانگ باید ابتدا منابع داده مورد نیاز را پیدا می‌کرد، داده‌ها را دانلود می‌کرد، داده‌ها را در یک سیستم ذخیره‌سازی کارآمد قرار می‌داد و سپس داده‌ها را در یک سیستم اطلاعات جغرافیایی (GIS) جستجو و تجسم می‌کرد. تیم چیانگ از IBM Pairs Geoscope برای تسهیل پردازش نقشه دیجیتالی تحقیقاتی، ادغام داده های جغرافیایی و موارد دیگر استفاده می کند. او گفت: «PAIRS کل گردش کار را از ساعت به دقیقه ساده کرد.

او گفت که تیم چیانگ قصد دارد API های جفت را برای تجزیه و تحلیل خودکار داده ها بررسی کند و از جفت ها به عنوان یک منبع داده مقیاس پذیر و یکپارچه برای همه داده های شطرنجی مورد نیاز استفاده کند.

IBM

از انگور تا جداول داده

جفت ژئوسکوپ از پروژه مشترک IBM Research و Gallo Winery سرچشمه گرفته است. این دو شرکت به دنبال ایجاد یک سیستم آبیاری دقیق بودند که آب کمتری مصرف کند اما انگورهای بیشتر و باکیفیت بیشتری تولید کند. این پروژه به مقادیر زیادی داده از حسگرهای IoT، ماهواره ها و سایر منابع برای بهینه سازی بهره وری مصرف آب نیاز داشت.

“در ابتدا، ما روی یک تاکستان بسیار کوچک کار کردیم تا این مفهوم را اثبات کنیم، اما پس از موفقیت، متوجه شدیم که برای انجام این کار برای مناطق بزرگتر باید از حجم عظیمی از داده ها در اشکال مختلف استفاده کنیم – داده های تصویری، داده های برداری. هامان گفت [و] داده های حسگر.

IBM فناوری مورد نیاز برای مقیاس پروژه را برای پشتیبانی از مجموعه داده های بسیار بزرگ مورد بررسی قرار داد که منجر به ایجاد ژئوسکوپ جفت شد.

هامان گفت که نام رمز جفت به 10 سال قبل بازمی گردد، اما امروزه تصور می شود که داده های جغرافیایی را با هوش مصنوعی جفت می کند.

IBM

برخی دیگر در فضاهای جغرافیایی بازی می کنند

IBM تنها ارائه‌دهنده ابری نیست که در مورد خدمات داده‌های جغرافیایی جدی است. در اوایل این ماه، مایکروسافت و ارائه‌دهنده نرم‌افزار نقشه‌برداری GIS Esri با یکدیگر متحد شدند تا ماشین مجازی علم داده GeoAI (DSVM) Esri را به عنوان بخشی از خانواده محصولات ماشین مجازی علم داده/ماشین مجازی یادگیری عمیق مایکروسافت در پلتفرم ابری Azure ارائه دهند. DSVM توسعه کاربردهای مکانی مبتنی بر هوش مصنوعی را در Azure ساده می کند.

جوزف سیروش، معاون هوش مصنوعی و تحقیقات شرکت مایکروسافت، گفت که دانشمندان داده و محققان در مایکروسافت و Esri از GeoAI DSVM برای تجزیه و تحلیل خودکار نقشه‌های پوشش زمین در محیط‌های آبخیز شکننده با استفاده از یادگیری عمیق استفاده کرده‌اند.