خلاصه

OpenStreetMap (OSM) یک نقشه رایگان است که می تواند توسط داوطلبان در سراسر جهان ایجاد، ویرایش و به روز شود. بنابراین کیفیت مجموعه داده های OSM بسیار نگران کننده است. مطالعات گسترده ای بر ارزیابی کامل بودن (معیار کیفیت) مجموعه داده های OSM در کشورهای مختلف متمرکز شده است، اما تعداد کمی از آنها به بررسی مجموعه داده های ساختمان OSM در چین توجه شده اند. هدف این مطالعه ارائه تحلیلی از تکامل، کامل بودن و الگوهای فضایی داده‌های ساختمان OSM در چین طی سال‌های 2012 تا 2017 است. این با استفاده از دو شاخص کیفیت، تعداد ساختمان OSM و تراکم ساختمان OSM انجام می‌شود، اگرچه یک مجموعه داده مرجع مربوطه برای کل کشور آزادانه در دسترس نیست. توسعه تعداد ساختمان های OSM از 2012 تا 2017 بر حسب تقسیمات در سطح استانی و استانی تجزیه و تحلیل می شود. عواملی که ممکن است بر توسعه داده های ساختمان OSM در چین تأثیر بگذارد نیز تجزیه و تحلیل می شوند. 1×1 کیلومتر2 شبکه منظم بر روی مناطق شهری هر بخش در سطح استان همپوشانی دارند و تراکم ساختمان OSM هر سلول شبکه محاسبه می شود. توزیع فضایی سلول‌های شبکه با چگالی بالا برای بخش‌های سطح استان تجزیه و تحلیل می‌شود. نتایج نشان می دهد که: (1) تعداد ساختمان های OSM تقریباً 20 برابر از سال 2012 تا 2017 افزایش می یابد و در بیشتر موارد، اقتصادی (تولید ناخالص داخلی) و طول جاده OSM دو عاملی هستند که ممکن است بر توسعه داده های ساختمان OSM در چین تأثیر بگذارند. ; (2) بیشتر سلول‌های شبکه در مناطق شهری هیچ داده ساختمانی ندارند، اما دو الگوی معمولی (پراکندگی و تجمع) سلول‌های شبکه با تراکم بالا در میان بخش‌های سطح استان یافت می‌شوند.

کلید واژه ها:

OpenStreetMap ; چین ؛ داده های ساختمان ؛ تکامل ؛ کامل بودن ؛ الگوی فضایی

1. معرفی

اطلاعات جغرافیایی داوطلبانه (VGI) اطلاعات جغرافیایی است که می تواند به طور داوطلبانه توسط افراد ایجاد، ویرایش و به روز شود [ 1 ]. OpenStreetMap (OSM)، به عنوان یک پروژه معمولی VGI، یک نقشه آنلاین با محتوای رایگان است – همه می توانند آن را ویرایش و استفاده کنند. بسیاری از کاربردها با استفاده از داده های OSM پیشنهاد شده اند، مانند مسیریابی و ناوبری [ 2 ، 3 ]، نقشه برداری بحران [ 4 ، 5 ]، مدل سازی سه بعدی [ 6 ، 7 ] و نقشه برداری کاربری زمین/پوشش [ 8 ]. استفاده از داده های OSM رایگان است، پوشش جهانی دارد و همچنین به روز است. با این حال، بیشتر داده های OSM توسط “غیر حرفه ای” یا “جغرافیدانان آماتور” ارائه شده است [ 9]، 10 ]. بنابراین کیفیت داده ها بسیار نگران کننده است و بسیاری از مطالعات به این موضوع توجه کرده اند [ 11 ، 12 ، 13 ]. طبق تعریف سازمان بین المللی استانداردسازی، کیفیت داده های مکانی شامل شش معیار اصلی است: کامل بودن، سازگاری منطقی، دقت موقعیتی، کیفیت زمانی، دقت معنایی و قابلیت استفاده. در میان این عناصر کیفیت، معیار کامل بودن، که نشان می دهد آیا یک منطقه خاص به خوبی پوشش داده شده است، بسیار بیشتر مورد توجه قرار گرفته است.
تحقیقات گسترده ای بر روی ارزیابی کامل بودن مجموعه داده های OSM در کشورهای مختلف با مقایسه با مجموعه داده های مرجع مربوطه که ممکن است از یک مجموعه داده معتبر یا تجاری به دست آید، انجام شده است. به عنوان مثال، هاکلی [ 10 ] کامل بودن مجموعه داده های جاده OSM را در انگلستان با مقایسه با مجموعه داده های مربوطه تولید شده توسط Ordnance Survey، یک آژانس نقشه برداری معتبر در بریتانیا، ارزیابی کرد. Girres و Touya [ 14 ] مجموعه داده های OSM در فرانسه را با یک مجموعه داده مرجع که توسط آژانس ملی نقشه برداری فرانسه تهیه شده است مقایسه کردند. Goetz و Zipf [ 15 ] داده های ساختمان OSM و مجموعه داده های رسمی در آلمان را مقایسه کردند. آنها دریافتند که کامل بودن ساختمان مجموعه داده های OSM در آلمان تنها 30٪ است. Hecht و همکاران [16 ] از رویکردهای به اصطلاح «بر اساس واحد» و «مبتنی بر شی» برای ارزیابی کامل بودن ساختمان مجموعه داده‌های OSM در دو ایالت آلمان (راین-وستفالن و زاکسن) استفاده کرد. رویکرد مبتنی بر واحد نشان دهنده مقایسه تعداد ساختمان یا مساحت ساختمان بین مجموعه داده های OSM و مرجع است. رویکرد مبتنی بر شی، مساحت ساختمانی همپوشانی بین مجموعه داده های OSM و مرجع را به نسبت کل مساحت ساختمان یک مجموعه داده مرجع نشان می دهد. مطالعات مشابهی نیز در کانادا [ 17 ]، انگلستان [ 18 ]، آلمان [ 19 ، 20 ، 21 ، 22 ]، ایران [ 23 ]، ایتالیا [ 24 ]، سوئیس [ 25 ] انجام شده است.] و ایالات متحده [ 26 ، 27 ، 28 ، 29 ]، که همگی از یک مجموعه داده معتبر یا تجاری به عنوان مرجع برای ارزیابی کامل بودن یک مجموعه داده OSM استفاده کردند.
مجموعه داده های مرجع همیشه در کاربردهای عملی در دسترس نیستند. این به این دلیل است که خرید آنها ممکن است بسیار گران باشد یا محدودیت هایی برای استفاده داشته باشند. بنابراین برخی از مطالعات کامل بودن OSM را بدون مجموعه داده مرجع ارزیابی کرده اند. به عنوان مثال، گودچایلد و لی [ 30 ] سه رویکرد (جمع سپاری، اجتماعی و جغرافیایی) را برای تضمین کیفیت در VGI پیشنهاد کردند. موکنیک و همکاران [ 31 ] انواع مختلفی از زمینه ها (به عنوان مثال، مبتنی بر ادراک و مبتنی بر داده) مورد استفاده برای اندازه گیری کیفیت را شناسایی کرد. آنتونیو و اسکوپلیتی [ 32 ] چهار نوع شاخص کیفیت، یعنی داده ها، جمعیت شناختی، اجتماعی-اقتصادی و شاخص های مشارکت کنندگان را بررسی کردند. بارون و همکاران [ 33] چارچوبی شامل 25 شاخص (به عنوان مثال، «توسعه ویژگی‌ها و برچسب‌های OSM» و «کامل بودن شماره‌های خانه برچسب‌گذاری شده به ساختمان‌ها») برای ارزیابی کیفیت OSM، که می‌تواند صرفاً بر اساس تجزیه و تحلیل داده‌های تاریخی یک مجموعه داده OSM باشد، ایجاد کرد. گروچنیگ و همکاران [ 34 ] از داده های تاریخی برای تجزیه و تحلیل کامل بودن OSM استفاده کرد. آنها دریافتند که در حالی که داده های OSM در یک منطقه تقریبا کامل است، افزایش داده ها در چنین منطقه ای کمتر از 3٪ است. فن [ 35 ] از “توسعه شمارش ساختمان در طول زمان” استفاده کرد که همچنین بر اساس تجزیه و تحلیل داده های تاریخی در OSM بود. مبشری و همکاران [ 36 ] داده های پیاده رو OSM را با شمارش تعداد بخش های جاده با/بدون برچسب تجزیه و تحلیل کرد. اخیراً ژو [ 37] با استفاده از تراکم ساختمان OSM به عنوان یک شاخص پروکسی برای تخمین کمی کامل بودن ساختمان OSM پیشنهاد شده است. ژو و تیان [ 38 ] همچنین سه شاخص هندسی (یعنی مساحت، محیط و تراکم) را برای تخمین کمی کامل بودن بلوک‌های خیابان در مجموعه داده‌های جاده OSM پیشنهاد کردند.
علاوه بر پیشنهاد شاخص‌ها و رویکردهای کیفیت، برخی از مطالعات توجه بسیار بیشتری به توسعه یا تکامل مجموعه داده‌های OSM در یک یا چند منطقه خاص معطوف کردند، اگرچه هدف اصلی همچنان تحلیل کیفیت بود. برای مثال، نیس و همکاران. [ 39 ] تکامل مجموعه داده‌های جاده OSM را در آلمان بین سال‌های 2007-2011 تجزیه و تحلیل کرد و دریافت که مجموعه داده‌های OSM حتی 27 درصد داده‌های بیشتری نسبت به مجموعه داده تجاری در این منطقه ارائه می‌دهد. ارسنجانی و همکاران [ 40 ] یک شاخص مشارکت برای بررسی پویایی مجموعه داده OSM در آلمان ایجاد کرد. نیس و همکاران [ 41] توسعه مجموعه داده های جاده OSM را در 12 منطقه شهری منتخب در سراسر جهان در طول سال های مختلف تجزیه و تحلیل کرد و دریافت که عوامل اجتماعی-اقتصادی (به عنوان مثال، درآمد و تراکم جمعیت) بر کامل بودن مجموعه داده OSM تأثیر می گذارد. نتایج مشابهی نیز توسط Zielstra و Zipf [ 42 ] به دست آمد . کورکوران و همکاران [ 43 ] رشد سه مجموعه داده جاده OSM را در ایرلند تجزیه و تحلیل کرد و رشد را به عنوان دو الگو، یعنی تراکم و اکتشاف توضیح داد . مطالعات مشابهی نیز در چین انجام شده است [ 44 ، 45 ]، اگرچه همه آنها بر روی شبکه های جاده ای OSM متمرکز شده اند. علاوه بر این، زیرساخت نیز برای درک پروژه OSM توصیف شد [ 46].
هدف اصلی این مطالعه بررسی داده های ساختمان OSM در چین به دو دلیل اصلی است. اولاً، مجموعه داده‌های ساختمانی در چین که توسط آژانس‌های نقشه‌برداری معتبر یا شرکت‌های تجاری تولید می‌شوند، آزادانه در دسترس عموم نیستند. بنابراین، استفاده از مجموعه‌های داده باز به‌عنوان جایگزین بسیار مطلوب است، به‌ویژه برای محققان و مربیانی که ممکن است بیشتر به کمیت و/یا کیفیت به جای منطقه خاص یک مجموعه داده اهمیت دهند. مجموعه داده OSM ممکن است مورد استفاده قرار گیرد زیرا به صورت رایگان در دسترس است. دوم، مطالعات کمی بر تجزیه و تحلیل مجموعه داده های ساختمان OSM در چین متمرکز شده است. از این رو بررسی موضوعات مختلف پژوهشی جالب است، مانند:
  • Q1: داده های ساختمان OSM در چین در سال های اخیر چگونه توسعه یافته است؟
  • Q2: کدام بخش(های) در سطح استان یا استان داده های ساختمان OSM نسبتاً بیشتری دارد؟
  • Q3: فاکتور(های) بالقوه ای که بر توزیع فضایی داده های ساختمان OSM در چین تأثیر می گذارد چیست؟
  • Q4: کدام سلول (های) شبکه در مناطق شهری دارای مقادیر نسبتاً بالاتری از تراکم ساختمان OSM است؟
  • Q5: آیا الگویی برای آن سلول های شبکه با چگالی بالا در میان بخش های مختلف در سطح استان وجود دارد؟
مسائل تحقیقاتی فوق در این مطالعه به منظور تجزیه و تحلیل تکامل (Q1) و کامل (Q2 و Q4) و همچنین برای درک الگوهای فضایی (Q3 و Q5) داده‌های ساختمان OSM در چین مورد بررسی قرار خواهند گرفت، که ممکن است به نفع کاربرانی است که مجموعه داده(های) ساختمان OSM مناسب را انتخاب می کنند.
هدف از این مطالعه استفاده از دو شاخص کیفیت موجود، تعداد ساختمان OSM و تراکم ساختمان OSM، برای تجزیه و تحلیل است. به طور دقیق تر، اول از همه، تعداد داده های ساختمان OSM از سال 2012 تا 2017 بر اساس تقسیمات سطح استانی و استانی در چین محاسبه شد. عواملی که ممکن است بر توسعه داده های ساختمان OSM در چین تأثیر بگذارد نیز مورد تجزیه و تحلیل قرار گرفت. سپس، یک شبکه منظم 1 × 1 کیلومتر 2 بر روی مجموعه داده‌های ساختمان OSM در مناطق شهری همپوشانی داده شد و آن سلول‌های شبکه با چگالی بالا (که داده‌های ساختمان OSM تقریباً کامل بود) بیشتر استخراج و تجزیه و تحلیل شدند.
ساختار باقی مانده این مقاله به شرح زیر است: بخش 2 شاخص های کیفیت، روش ها و مراحل تجزیه و تحلیل تکامل، کامل بودن و الگوهای فضایی داده های ساختمان OSM در چین را ارائه می دهد. بخش 3 مجموعه داده های مختلف درگیر در این مطالعه را شرح می دهد. بخش 4 نتایج تجربی را تجزیه و تحلیل می کند. و بخش 5 این مطالعه را نتیجه گیری و بحث می کند.

2. روش شناسی

2.1. شاخص های کیفیت

2.1.1. تعداد ساختمان OSM

تعداد ساختمان های OSM تعداد ساختمان های OSM در یک منطقه معین را نشان می دهد. چندین مطالعه [ 34 ، 35 ] پیشنهاد کرده اند که “توسعه شمارش ساختمان در طول زمان” می تواند برای ارزیابی کیفیت کامل بودن ساختمان OSM استفاده شود. از نظر تئوری، تعداد ساختمان OSM با کامل بودن داده های ساختمان OSM در یک منطقه همبستگی مثبت دارد، اگرچه اولی نمی تواند به طور خاص مقدار کامل بودن را نشان دهد.
2.1.2. تراکم ساختمان OSM
تراکم ساختمان OSM نشان دهنده کل مساحت داده های ساختمان OSM در یک منطقه معین به نسبت مساحت زمین چنین منطقه ای است. این شاخص اخیراً توسط ژو [ 37 ] به عنوان یک پروکسی بالقوه برای برآورد کمّی کمّی داده‌های ساختمان OSM در مناطق شهری ترویج شده است . او دریافت که تراکم ساختمان OSM با کامل بودن داده های ساختمان OSM در مناطق شهری همبستگی مثبت دارد. بنابراین از نشانگر تراکم ساختمان OSM نیز استفاده شد. با این حال، مناطق غیر شهری در نظر گرفته نشدند زیرا تراکم کم داده های ساختمان OSM در مناطق غیر شهری ممکن است هنوز کامل باشد [ 37 ].

2.2. روش ها و مراحل

2.2.1. تجزیه و تحلیل بر اساس تعداد ساختمان OSM

اصل این روش مقایسه تعداد ساختمان های OSM در سال های مختلف برای تجزیه و تحلیل تکامل (Q1) و همچنین مقایسه آن ها در بین بخش های مختلف استانی و استانی برای تجزیه و تحلیل Q2 بود. به طور دقیق تر، توسعه شمارش ساختمان OSM در سال های مختلف (از 2012 تا 2017) بر حسب تقسیمات در سطح استان و استان محاسبه شد. این سال‌ها به این دلیل در نظر گرفته شدند که قبل از سال 2012، داده‌های ساختمان OSM بسیار کمی (به عنوان مثال، بیش از 5000) در هر بخش در سطح استانی و استانی وجود داشت.
عواملی که ممکن است بر توسعه (یا توزیع فضایی) داده‌های ساختمان OSM در چین تأثیر بگذارند نیز تجزیه و تحلیل شدند (Q3). اینها شامل تولید ناخالص داخلی (GDP)، جمعیت، مساحت زمین شهری و طول جاده OSM بود. تولید ناخالص داخلی و جمعیت در نظر گرفته شد زیرا مطالعات قبلی [ 38 ، 39] دریافت که جمعیت و عوامل اقتصادی-اجتماعی ممکن است بر کامل بودن داده‌های OSM تأثیر بگذارد. مساحت زمین شهری در نظر گرفته شد زیرا تعداد ساختمان اغلب با اندازه یک منطقه شهری همبستگی مثبت دارد. طول جاده OSM نیز در نظر گرفته شد زیرا پروژه OSM در ابتدا برای جمع‌آوری داده‌های جاده در سراسر جهان توسعه داده شد، و بنابراین ما فرض کردیم که داوطلبان ممکن است شروع به ارائه سایر داده‌های جغرافیایی (مانند ساختمان‌ها و کاربری‌های زمین) کنند، در حالی که داده‌های جاده نسبتاً کامل هستند.
تجزیه و تحلیل بر اساس تعداد ساختمان OSM شامل مراحل زیر است:
  • مرحله 1: مجموعه داده های ساختمان OSM برای هر سال را به ترتیب با مجموعه داده های اداری در سطح استان و استان تلاقی کنید.
  • مرحله 2: تعداد ساختمان OSM را در هر بخش در سطح استانی یا استانی محاسبه کنید.
  • مرحله 3: تعداد ساختمان های OSM را در بین بخش های مختلف استانی یا استانی در سال های مختلف (2012-2017) مقایسه کنید.
  • مرحله 4: محاسبه همبستگی بین تعداد ساختمان OSM و چهار عامل (GDP، جمعیت، مساحت زمین شهری و طول جاده OSM) بر حسب تقسیمات در سطح استان و استان برای سال‌های مختلف.
2.2.2. تجزیه و تحلیل بر اساس چگالی ساختمان OSM
اصل این روش مقایسه مقادیر تراکم ساختمان OSM بر اساس یک واحد تحلیل کوچکتر (شبکه 1 × 1 کیلومتر مربع ) در سال های مختلف برای تجزیه و تحلیل تکامل (Q1) و همچنین مقایسه بین سلول های شبکه مختلف برای تجزیه و تحلیل کامل بود. در مناطق شهری (Q4). این روش به نوعی با پیروی از مراحل پیشنهاد شده توسط ژو [ 37 ] اجرا شد، با این حال، همبستگی بین تراکم و کامل بودن داده‌های ساختمان OSM ابتدا با چندین مورد مطالعه در چین تأیید شد. مراحل خاص به شرح زیر ذکر شده است:
  • مرحله 1: یک شبکه 1 × 1 کیلومتر مربع در هر منطقه شهری در چین ایجاد کنید.
  • مرحله 2: مقادیر چگالی و کامل بودن ساختمان OSM را برای هر سلول شبکه محاسبه کنید (در اینجا، کامل بودن ساختمان OSM نشان دهنده نسبت کل مساحت داده های ساختمان OSM به داده های ساختمان مرجع مربوطه در هر سلول شبکه است).
  • مرحله 3: رابطه بین تراکم ساختمان OSM و کامل بودن را برای تمام سلول های شبکه در هر منطقه شهری ترسیم کنید.
به جای اعمال رابطه بالا برای تخمین کامل بودن ساختمان OSM برای همه سلول‌های شبکه، تنها سلول‌های شبکه‌ای که چگالی ساختمان OSM آنها کوچکتر یا بزرگتر از آستانه معین بود، مورد تجزیه و تحلیل قرار گرفتند. در غیر این صورت، همانطور که توسط ژو [ 37 ] بحث شده است، ممکن است خطای تخمین به طور چشمگیری افزایش یابد . دقیق تر،
  • مرحله 4: درصد سلول های شبکه ای را که تراکم ساختمان OSM آنها برابر 0 درصد است، محاسبه کنید که نشان می دهد کامل بودن ساختمان OSM مربوطه نیز 0 درصد است یا هیچ ساختمانی در چنین سلول های شبکه ای وجود ندارد. درصد سلول‌های شبکه‌ای را که چگالی ساختمان OSM آنها بزرگتر از آستانه معینی است (این آستانه را می‌توان به عنوان معکوس شیب رابطه به‌دست‌آمده در مرحله 3 تعیین کرد) محاسبه کنید تا بفهمید کدام سلول‌های شبکه دارای مقادیر چگالی نسبتاً بالاتری هستند یا تمایل دارند. کامل شدن
  • مرحله 5: درصد سلول های شبکه را در مناطق شهری با محدوده های مختلف تراکم ساختمان OSM در سال های مختلف مقایسه کنید.
یک رویکرد خوشه‌بندی برای تجزیه و تحلیل الگوی فضایی سلول‌های شبکه (که سلول‌های شبکه با چگالی بالا نامیده می‌شوند) که مقادیر چگالی آنها بزرگتر از یک آستانه خاص (Q5) است، پیشنهاد شده‌است. هدف این رویکرد گروه بندی سلول های شبکه با چگالی بالا در یک خوشه است ( شکل 1). سلول‌های شبکه با چگالی بالا همسایه با جستجو در خوشه‌بندی چهار جهتی یا خوشه‌بندی هشت جهتی از یک سلول شبکه اصلی با چگالی بالا پیدا شدند. پس از خوشه بندی، تعداد خوشه ها و حداکثر مساحت یک خوشه برای تمام مناطق شهری در هر بخش در سطح استان محاسبه شد. در نهایت، دو معیار فوق (تعداد خوشه و حداکثر مساحت خوشه) در بین بخش‌های مختلف در سطح استان، که حداقل یک خوشه برای آن‌ها وجود داشت، مقایسه شد.

3. داده ها

سرزمین اصلی چین (به استثنای هنگ کنگ، ماکائو، تایوان و جزایر در دریای چین جنوبی) برای تجزیه و تحلیل استفاده شد. مجموعه داده های درگیر در این مطالعه به شرح زیر بود:
(1)
مجموعه داده های OSM: ساختمان ها و جاده ها در مجموعه داده های OSM چین به مدت 6 سال (2012-2017) از https://download.geofabrik.de/index.html به دست آمدند . هر مجموعه داده OSM برای آخرین ماه (دسامبر) هر سال به دست آمد.
(2)
مجموعه داده های اداری: مجموعه داده های اداری در سطح استان و استان از https://www.gadm.org دانلود شده است . در مجموع از 34 بخش در سطح استان و 334 بخش در سطح استان در چین در تجزیه و تحلیل استفاده شد.
(3)
مجموعه داده‌های کاربری/پوشش: مجموعه داده‌های پوشش/استفاده از زمین با وضوح 30 متر دانلود شد ( https://globallandcover.com ) و “سطح مصنوعی” به عنوان مناطق شهری مشاهده شد.
(4)
داده‌های اجتماعی-اقتصادی: سه نوع داده اجتماعی-اقتصادی (جمعیت، تولید ناخالص داخلی و مساحت زمین شهری بر حسب تقسیمات استانی و استانی) در سال‌های مختلف از اداره ملی آمار در چین به دست آمده است (http: // www.stats.gov.cn ).

4. نتایج و بحث

4.1. تجزیه و تحلیل بر اساس تعداد ساختمان OSM

شکل 2 توسعه تعداد ساختمان های OSM در چین را از سال 2012 تا 2017 نشان می دهد. در سال 2012، 38928 ساختمان OSM وجود داشت، اما این مقدار در پایان سال 2017 به 755376 افزایش یافت، تقریباً 20 برابر در سال 2012. این نشان می دهد که ساختمان OSM داده ها در سال های اخیر به طور قابل توجهی توسعه یافته است.
شکل 3 و شکل 4 توزیع تعداد داده های ساختمان OSM را برای بخش های سطح استانی و استانی در چین از سال 2012 تا 2017 نشان می دهد.
شکل 3 و شکل 4 موارد زیر را نشان می دهند:
(1)
برای اکثر بخش‌های سطح استانی، تعداد داده‌های ساختمان OSM در سال 2012 کمتر از 5000 بود. با این حال، برای 7 بخش از 34 بخش در سطح استان، این تعداد تا سال 2017 به 30000 و بالاتر رسید. این استان‌ها (شاندونگ، جیانگ سو، ژجیانگ، گوانگدونگ، پکن، شانگهای و تیانجین) همگی در سواحل شرقی چین قرار داشتند. توزیع ناهمگون داده های ساختمان OSM در چین مشهود است. به عنوان مثال، تا پایان سال 2017، تعداد داده های ساختمان OSM در جیانگ سو 175215 و در گوئیژو تنها 1463 بود.
(2)
تعداد داده های ساختمان OSM در سال 2012 برای 329 از 334 بخش در سطح استان در چین کمتر از 2500 بود. با این حال، تعداد 21 بخش در سطح استان، که عمدتاً در سواحل شرقی چین قرار دارند، در سال 2017 بیش از 10000 بود. اگرچه تعداد داده‌های ساختمان OSM در پکن از 40000 فراتر رفت، اما اطلاعات مربوط به 83 درصد از بخش‌های سطح استان همچنان وجود داشت. کمتر از 2500
جدول 1 همبستگی بین تعداد ساختمان OSM و چهار عامل بالقوه (GDP، جمعیت، مساحت زمین شهری و طول جاده OSM) را برای تقسیمات سطح استانی و استانی در چین فهرست می کند.
جدول 1 نشان می دهد که در بیشتر موارد، تولید ناخالص داخلی و طول جاده OSM همبستگی متوسطی با تعداد داده های ساختمان OSM برای بخش های استانی یا استانی در چین دارند. در واقع، همانطور که در شکل 3 و شکل 4 نشان داده شده است، بیشتر داده های ساختمان OSM در مناطق نسبتا توسعه یافته (به عنوان مثال، سواحل شرقی) چین قرار داشتند.. این احتمالاً به این دلیل است که نه تنها در کل ساختمان های بسیار بیشتری وجود دارد، بلکه کاربران پردرآمد و اینترنت در مناطق نسبتاً توسعه یافته چین نیز بیشتر هستند. جالب توجه است، طول جاده OSM نیز با تعداد داده های ساختمان OSM همبستگی مثبت داشت. یکی از دلایل احتمالی این است که هر چه طول جاده OSM در یک منطقه بیشتر باشد، داده های جاده OSM در چنین منطقه ای کامل تر است، جایی که داوطلبان شروع به ارائه سایر داده های جغرافیایی می کنند (به عنوان مثال، داده های ساختمان).

4.2. تجزیه و تحلیل بر اساس چگالی ساختمان OSM

چهار کلان شهر در چین (پکن، شانگهای، تیانجین و سوژو) برای بررسی رابطه بین تراکم ساختمان OSM و کامل بودن ساختمان OSM مورد استفاده قرار گرفتند. آنها به این دلیل انتخاب شدند که داده های ساختمان مرجع مربوطه در دسترس بود. شکل 5 همبستگی خطوط را برای این چهار کلان شهر نشان می دهد. در شکل مشاهده می شود که شیب از 3.84 تا 4.09 متغیر است، که تقریباً مطابق با (3.4-4.0) یافت شده توسط ژو [ 37 ] است. از این همبستگی‌های خطی می‌توان استنباط کرد که داده‌های ساختمان OSM در یک سلول شبکه کامل هستند، در حالی که تراکم ساختمان OSM این سلول شبکه بالاتر از 25٪ است. بنابراین، 25٪ به عنوان آستانه برای تعیین سلول های شبکه با چگالی بالا استفاده شد، علی رغم این واقعیت که برخی از سلول های شبکه با چگالی کم ممکن است هنوز کامل باشند [ 37 ].
شکل 6 تراکم ساختمان OSM را برای 9 بخش در سطح استان از سال 2012 تا 2017 ترسیم می کند. محور x نشان دهنده سال است و محور y تعداد سلول های شبکه را در محدوده تراکم ساختمان معین به نسبت تعداد کل شبکه نشان می دهد. سلول ها به طور کامل در مناطق شهری در هر بخش در سطح استان قرار دارند. این بخش‌ها به این دلیل انتخاب شدند که از نظر تعداد ساختمان OSM در رتبه اول قرار گرفتند.
شکل 6 نشان می دهد که تعداد سلول های شبکه ای که تراکم ساختمان OSM آنها برابر با 0٪ بود از سال 2012 تا 2017 کاهش یافته است. برعکس، تعداد سلول های شبکه ای که تراکم ساختمان OSM آنها بیشتر از 0٪ بود افزایش یافته است. این نشان دهنده افزایش داده های ساختمان OSM در چین در طول سال ها است. با این وجود، تا پایان سال 2017، 40 تا 70 درصد از سلول‌های شبکه دارای تراکم ساختمان OSM برابر با 0 درصد بودند، حتی برای 9 بخش در سطح استان با بیشترین تعداد داده‌های ساختمان OSM. علاوه بر این، کمتر از 10٪ از سلول های شبکه دارای تراکم ساختمان OSM بزرگتر از 25٪ بودند. این نشان می دهد که داده های ساختمان OSM در چین هنوز تا کامل شدن فاصله دارند.
شکل 7 روابط بین تعداد خوشه و حداکثر مساحت خوشه را با استفاده از رویکرد خوشه بندی پیشنهادی در بخش 3 برای دو مورد مختلف ترسیم می کند. شکل 7 نشان می‌دهد که برای اکثر بخش‌های سطح استان، تعداد خوشه‌ها بیشتر از 5 نبوده و حداکثر مساحت خوشه کمتر از 5 کیلومتر مربع است . با این حال، برای برخی از بخش‌های سطح استان (مانند پکن، شانگهای، تیانجین، دالیان و سوژو)، تعداد خوشه‌ها بسیار بیشتر از 5 بود. حداکثر مساحت خوشه بسیار بزرگتر از 5 کیلومتر مربع بود . این نشان می دهد که الگوی توزیع فضایی سلول های شبکه با چگالی بالادر بین بخش های مختلف در سطح استان متفاوت است.
شکل 8 توزیع تراکم داده های ساختمان OSM را برای شش کلانشهر معمولی در چین برای سال 2017 نشان می دهد. در این شکل می توان مشاهده کرد که در پکن، شانگهای و تیانجین (شکل 8 a,c,e) اکثر سلول های شبکه که تراکم ساختمان OSM آنها بیشتر از 25 درصد بود، به طور پراکنده در مراکز خرید (به عنوان مثال، 2-Wangfujing در شکل 8 a و 6-Nanjing در شکل 8 c)، مراکز توریستی (به عنوان مثال، 1-شهر ممنوعه در شکل 8 a و 11-باغ Huaihe در شکل 8e)، یا مراکز حمل و نقل (به عنوان مثال، فرودگاه 5-Hongqiao). برعکس، در Luoyang، Yueyang، و Harbin، بیشتر سلول‌های شبکه‌ای که تراکم ساختمان OSM آن‌ها بیشتر از 25٪ بود، در هسته مناطق شهری جمع شدند (به عنوان مثال، منطقه 4-Yueyang Lou در شکل 8 ب، منطقه 8- Laocheng در شکل 8 د و ناحیه 12 دائولی در شکل 8 f). دلیل حالت‌های مختلف توزیع فضایی سلول‌های شبکه‌ای با چگالی بالا احتمالاً به دلیل تک یا چند مرکز بودن کلان‌شهرهای مختلف است.

5. نتیجه گیری ها

این مطالعه تکامل، کامل بودن و الگوهای فضایی داده‌های ساختمان OSM در چین را تحلیل کرده است. این ممکن است به نفع کاربرانی باشد که مجموعه داده‌های ساختمانی رایگان در چین دریافت می‌کنند، زیرا مجموعه داده‌های ساختمانی مجاز در این کشور به‌طور رایگان در دسترس نیستند. دو شاخص موجود (تعداد ساختمان OSM و تراکم ساختمان OSM) استفاده شد. تعداد داده‌های ساختمان OSM (یا تعداد ساختمان OSM) در بخش‌های مختلف استانی و استانی از سال 2012 تا 2017 در مقیاس مکانی و در بعد زمانی تجزیه و تحلیل شد. چهار عامل بالقوه (GDP، جمعیت، مساحت زمین شهری و طول جاده OSM) که ممکن است بر توسعه داده‌های ساختمان OSM تأثیر بگذارد نیز مورد بررسی قرار گرفت. درصد محدوده‌های تراکم مختلف (0٪، 0-25٪، > 25٪) در مناطق شهری برای چندین بخش معمولی در سطح استان محاسبه شد.سلول های شبکه با چگالی بالا ).
نتایج این مطالعه نشان داده است که:
(1)
داده های ساختمان OSM در چین از سال 2012 تا 2017 تقریباً 20 برابر افزایش یافته است، به ویژه برای مناطقی که در سواحل شرقی چین قرار دارند. در بیشتر موارد، عوامل تولید ناخالص داخلی و طول راه OSM همبستگی متوسطی با تعداد ساختمان OSM داشتند.
(2)
اکثر سلول‌های شبکه در مناطق شهری هنوز هیچ ساختمانی ندارند یا تراکم ساختمانی آنها برابر با 0 درصد است که نشان می‌دهد مجموعه داده ساختمان OSM در چین تا کامل شدن فاصله زیادی دارد. از تجزیه و تحلیل سلول‌های شبکه با چگالی بالا ، دو حالت توزیع فضایی معمولی (پراکندگی و تجمع) در بخش‌های چندگانه در سطح استان پیدا شد.
نتایج فوق ممکن است برای کاربرانی (به ویژه محققان و مربیان) که مجموعه داده های ساختمان OSM مناسب در چین را به عنوان منطقه مورد مطالعه انتخاب می کنند مفید باشد. به عنوان مثال، استان ها و بخش های سطح استان واقع در سواحل شرقی (یا مناطق نسبتا توسعه یافته) چین ممکن است ترجیح داده شوند زیرا داده های ساختمان OSM بیشتری در این مناطق وجود دارد. کاربران همچنین ممکن است به حالت‌های توزیع فضایی کلانشهرهای مختلف در شکل 7 و شکل 8 برای انتخاب مجموعه داده‌های ساختمان OSM در نقاط داغ (مثلاً مراکز خرید، توریستی و/یا حمل‌ونقل)، یا مراکز نسبتاً بزرگ‌تر مراجعه کنند. مناطق خوشه ای مهمتر از آن، روش پیشنهادی ممکن است برای استخراج مداوم سلول‌های شبکه با چگالی بالا استفاده شود، زیرا داده های ساختمان OSM هنوز در حال به روز رسانی هستند. علاوه بر این، داوطلبان در سراسر جهان ممکن است انگیزه داشته باشند تا داده‌های ساختمان OSM بیشتری را در مناطق مختلف (به عنوان مثال، استان‌ها یا بخش‌های سطح استانی که داده‌های ساختمان OSM بسیار کمی دارند، یا سلول‌های شبکه‌ای که داده‌های ساختمان OSM ندارند) را به اشتراک بگذارند. چین.
با این حال، محدودیت‌هایی در این مطالعه وجود دارد. اولاً، مقادیر خاص کامل بودن برای آن بخش‌های سطح استانی و استانی در چین ارائه نشد، زیرا تعداد کل ساختمان‌ها برای بخش‌های مختلف ناشناخته بود. علاوه بر این، هیچ مدرکی مبنی بر اینکه تعداد ساختمان OSM می تواند برای تخمین کمی کامل بودن داده های ساختمان OSM استفاده شود وجود نداشت و این مورد برای نشانگر مساحت ساختمان OSM نیز وجود دارد. دوم، مناطق روستایی با استفاده از تراکم ساختمان OSM برای تجزیه و تحلیل حذف شدند، زیرا این شاخص برای تجزیه و تحلیل در مناطق روستایی مناسب نیست [ 37]]. بنابراین، در کارهای آتی، هنوز نیاز به توسعه شاخص‌های کیفیت برای برآورد کمّی کمّی داده‌های ساختمان OSM، به‌ویژه در مناطق روستایی وجود دارد. یکی از گزینه های ممکن این است که نه تنها شاخص های هندسی (به عنوان مثال، تعداد ساختمان OSM، مساحت و/یا تراکم)، بلکه شاخص های اجتماعی-اقتصادی (مثلاً جمعیت و/یا درآمد) را نیز در نظر بگیریم. همچنین بررسی سایر معیارهای کیفیت (به عنوان مثال، دقت موقعیتی و دقت معنایی) یا ویژگی های جغرافیایی (به عنوان مثال، راه آهن، کاربری های زمین، و نقاط مورد علاقه) در مجموعه داده های OSM چین جالب خواهد بود.

منابع

  1. Goodchild، MF Citizens به عنوان حسگر: دنیای جغرافیای داوطلبانه. ژئوژورنال 2007 ، 69 ، 211-221. [ Google Scholar ] [ CrossRef ]
  2. زیلسترا، دی. Hochmair، H. استفاده از داده های رایگان و اختصاصی برای مقایسه طول کوتاه ترین مسیر برای مسیریابی موثر عابر پیاده در شبکه های خیابانی. ترانسپ Res. ضبط J. Transp. Res. هیئت 2012 ، 2299 ، 41-47. [ Google Scholar ] [ CrossRef ]
  3. باکی‌الله، م. لاور، جی. لیانگ، SHL؛ Zipf، A.; جوکار ارسنجانی، ج. مبشری، ع. Loos, L. استفاده از VGI بزرگ برای بهبود خدمات مسیریابی و ناوبری. در تکنیک ها و فناوری های کلان داده در ژئوانفورماتیک ; CRC Press: Boca Raton، FL، USA، 2014; صص 177-192. [ Google Scholar ]
  4. Meier, P. نقشه‌برداری بحران در عمل: چگونه نرم‌افزار منبع باز و شبکه‌های داوطلب جهانی در حال تغییر جهان هستند، یک نقشه در یک زمان. J. Map Geogr. Libr 2012 ، 8 ، 89-100. [ Google Scholar ] [ CrossRef ]
  5. 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 ]
  6. بیش از، م. شیلینگ، آ. نوبائر، اس. Zipf، A. تولید مدل های شهر سه بعدی مبتنی بر وب از OpenStreetMap: وضعیت فعلی در آلمان. محاسبه کنید. محیط زیست سیستم شهری 2010 ، 34 ، 496-507. [ Google Scholar ] [ CrossRef ]
  7. Goetz, M. به سمت تولید مدل‌های بسیار دقیق 3D CityGML از OpenStreetMap. بین المللی جی. جئوگر. Inf. علمی 2013 ، 27 ، 845-865. [ Google Scholar ] [ CrossRef ]
  8. ارسنجانی، ج. هلبیچ، ام. باکی‌الله، م. هاگناور، جی. Zipf، A. به سمت نقشه برداری الگوهای کاربری زمین از اطلاعات جغرافیایی داوطلبانه. بین المللی جی. جئوگر. Inf. علمی 2013 ، 27 ، 2264-2278. [ Google Scholar ] [ CrossRef ]
  9. Goodchild، MF ادعا و قدرت: علم محتوای جغرافیایی تولید شده توسط کاربر. در مجموعه مقالات کنفرانس برای شصتمین زادروز اندرو یو. فرانک ; دانشگاه صنعتی وین: وین، اتریش، 2008. [ Google Scholar ]
  10. Haklay, M. اطلاعات جغرافیایی داوطلبانه چقدر خوب است؟ مطالعه تطبیقی ​​مجموعه داده‌های OpenStreetMap و Ordnance Survey. محیط زیست طرح. B طرح. دس 2010 ، 37 ، 682-703. [ Google Scholar ] [ CrossRef ]
  11. اسکوپلیتی، ا. آنتونیو، وی. Bandrova، T. تجسم و ارتباط با کیفیت VGI. در نقشه برداری و سنسور شهروند ; Ubiquity Press: لندن، بریتانیا، 2017؛ صص 197-222. [ Google Scholar ]
  12. سناراتنه، اچ. مبشری، ع. علی، ال. کاپینری، سی. هاکلی، ام. مروری بر روش‌های داوطلبانه ارزیابی کیفیت اطلاعات جغرافیایی. بین المللی جی. جئوگر. Inf. علمی 2017 ، 31 ، 139-167. [ Google Scholar ] [ CrossRef ]
  13. نصیری، ع. عباسپور، ره. چهرقان، ع. جوکار ارسنجانی، ج. بهبود کیفیت داده‌های جغرافیایی مشارکت‌شده شهروندان از طریق مشارکت‌های تاریخی آنها: مورد شبکه جاده‌ای در OpenStreetMap. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 253. [ Google Scholar ] [ CrossRef ]
  14. گیرس، جی اف. Touya, G. ارزیابی کیفیت مجموعه داده OpenStreetMap فرانسه. ترانس. GIS 2010 ، 14 ، 435-459. [ Google Scholar ] [ CrossRef ]
  15. گوتز، ام. Zipf، A. OpenStreetMap در بینش‌های سه‌بعدی با جزئیات در مورد وضعیت فعلی آلمان. در مجموعه مقالات پانزدهمین کنفرانس بین المللی AGILE در علم اطلاعات جغرافیایی، آوینیون، فرانسه، 24-27 آوریل 2012. [ Google Scholar ]
  16. هچت، ر. کونز، سی. Hahmann, S. اندازه گیری کامل بودن ردپای ساختمان در OpenStreetMap در مکان و زمان. ISPRS Int. J. Geo-Inf. 2013 ، 2 ، 1066-1091. [ Google Scholar ] [ CrossRef ]
  17. Tenney, M. ارزیابی های کیفیت در داده های OpenStreetMap کانادا. In Proceedings of the Spatial Knowledge and Information، Banff، AB، کانادا، 7 فوریه 2014. [ Google Scholar ]
  18. فرام، سی. چیستوپولو، ک. Ellul, C. ارزیابی کیفیت داده های ساختمان OpenStreetMap و جستجوی یک متغیر پراکسی برای تخمین کامل بودن داده های ساختمان OSM. در مجموعه مقالات بیست و سومین کنفرانس تحقیقات GIS انگلستان (GISRUK)، لیدز، انگلستان، 15-17 آوریل 2015; صص 195-205. [ Google Scholar ]
  19. تورنروس، تی. دورن، اچ. هامن، اس. Zipf، A. عدم قطعیت اقدامات کامل در OpenStreetMap – مطالعه موردی برای ساختمان‌ها در یک شهر متوسط ​​آلمانی. در مجموعه مقالات ISPRS Annals of the Photogrammetry، سنجش از دور و علوم اطلاعات فضایی، La Grande Motte، فرانسه، 28 سپتامبر تا 3 اکتبر 2015. جلد II-3/W5، صص 353-357. [ Google Scholar ]
  20. 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 ]
  21. ارسنجانی، ج. مونی، پی. Zipf، A.; Schauss, A. ارزیابی کیفیت اطلاعات استفاده از زمین از OpenStreetMap در مقابل مجموعه داده‌های معتبر. در OpenStreetMap در GIScience ; Springer: Cham, Switzerland, 2015; صص 37-58. [ Google Scholar ]
  22. 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 ]
  23. فرقانی، م. Delavar, MR مطالعه کیفی مجموعه داده OpenStreetMap برای تهران. ISPRS Int. J. Geo-Inf. 2014 ، 3 ، 750-763. [ Google Scholar ] [ CrossRef ]
  24. بروولی، م. Zamboni, G. روشی جدید برای ارزیابی دقت فضایی و کامل بودن ردپای ساختمان OpenStreetMap. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 289. [ Google Scholar ] [ CrossRef ]
  25. مولر، اف. Iosifescu Enescu، I.; Hurni، L. ارزیابی و تجسم کیفیت ردپای ساختمان OSM. در مجموعه مقالات بیست و هفتمین کنفرانس بین المللی کارتوگرافی (ICC 2015)، ریودوژانیرو، برزیل، 23 تا 28 اوت 2015. ص 23-28. [ Google Scholar ]
  26. زیلسترا، دی. هوچمیر، اچ. Neis، P. ارزیابی اثر واردات داده ها بر کامل بودن نقشه خیابان باز – مطالعه موردی ایالات متحده. ترانس. GIS 2013 ، 17 ، 315-334. [ Google Scholar ] [ CrossRef ]
  27. زیلسترا، دی. Hochmair, H. مطالعه مقایسه ای دسترسی عابر پیاده به ایستگاه های حمل و نقل با استفاده از داده های شبکه رایگان و اختصاصی. ترانسپ Res. ضبط J. Transp. Res. هیئت 2011 ، 2217 ، 145-152. [ Google Scholar ] [ CrossRef ]
  28. جکسون، اس پی؛ مولن، دبلیو. آگوریس، پ. کروکس، آ. 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 ]
  29. Hochmair، HH; Zielstra، D. توسعه و کامل بودن نقاط مورد علاقه در مجموعه داده های رایگان و اختصاصی: مطالعه موردی فلوریدا. در مجموعه مقالات GI_Forum، سالزبورگ، اتریش، 3 تا 5 ژوئیه 2013. [ Google Scholar ]
  30. Goodchild، MF; Li, L. اطمینان از کیفیت اطلاعات جغرافیایی داوطلبانه. آمار اسپات 2012 ، 1 ، 110-120. [ Google Scholar ] [ CrossRef ]
  31. موکنیک، FB؛ مبشری، ع. گریسبام، ال. ایکل، ام. جیکوبز، سی. Klonner, C. هستی شناسی مبتنی بر زمین از معیارهای کیفیت داده. جی. اسپات. Inf. علمی 2018 ، 2018 ، 1–25. [ Google Scholar ] [ CrossRef ]
  32. آنتونیو، وی. Skopeliti، A. اندازه گیری ها و شاخص های کیفیت VGI: یک مرور کلی. در مجموعه مقالات ISPRS Annals of the Photogrammetry، سنجش از دور و علوم اطلاعات فضایی، La Grande Motte، فرانسه، 28 سپتامبر تا 3 اکتبر 2015. جلد II-3/W5، صص 345-351. [ Google Scholar ]
  33. بارون، سی. نیس، پ. Zipf، A. چارچوبی جامع برای تحلیل کیفی OpenStreetMap ذاتی. ترانس. GIS 2014 ، 18 ، 877-895. [ Google Scholar ] [ CrossRef ]
  34. گروچنیگ، اس. بروناور، آر. رهرل، ک. برآورد کامل بودن مجموعه داده های VGI با تجزیه و تحلیل فعالیت جامعه در طول دوره های زمانی. در اتصال اروپای دیجیتال از طریق مکان و مکان ؛ Springer: Cham, Switzerland, 2014; صص 3-18. [ Google Scholar ]
  35. فن، HC; یانگ، آ. Zipf، A. ارزیابی کیفیت ذاتی داده‌های ردپای ساختمان در OpenStreetMap در بادن-وورتمبرگ. در Flächennutzungsmonitoring VIII Flächensparen-Ökosystemleistungen-Handlungsstrategien ; RHOMBOS: برلین، آلمان، 2016; صص 253-260. [ Google Scholar ]
  36. مبشری، ع. سان، ی. لوس، ال. Ali, AL آیا مجموعه داده های Crowdsourced برای خدمات مسیریابی تخصصی مناسب هستند؟ مطالعه موردی OpenStreetMap برای مسیریابی افراد با تحرک محدود. پایداری 2017 ، 9 ، 997. [ Google Scholar ] [ CrossRef ]
  37. ژو، Q. بررسی رابطه بین تراکم و کامل بودن داده های ساختمان شهری در OpenStreetMap برای تخمین کیفیت. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 257-281. [ Google Scholar ] [ CrossRef ]
  38. ژو، Q. Tian، YJ استفاده از شاخص‌های هندسی برای تخمین کامل بودن کمی بلوک‌های خیابان در OpenStreetMap. ترانس. GIS 2018 ، 22 ، 1550-1572. [ Google Scholar ] [ CrossRef ]
  39. نیس، پ. زیلسترا، دی. Zipf، A. تکامل شبکه خیابانی نقشه‌های crowdsourced: OpenStreetMap در آلمان 2007-2011. اینترنت آینده 2011 ، 4 ، 1-21. [ Google Scholar ] [ CrossRef ]
  40. ارسنجانی، ج. مونی، پی. هلبیچ، ام. Zipf، A. کاوشی در مورد الگوهای آینده مشارکت در OpenStreetMap و توسعه یک نمایه مشارکت. ترانس. GIS 2015 ، 19 ، 896-914. [ Google Scholar ] [ CrossRef ]
  41. 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 ]
  42. 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، 10-14 مه 2010. [ Google Scholar ]
  43. کورکوران، پ. مونی، پی. برتولتو، ام. تجزیه و تحلیل رشد شبکه‌های OpenStreetMap. تف کردن آمار 2013 ، 3 ، 21-32. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. ژائو، پی. جیا، تی. Qin، K. شان، جی. Jiao, C. تجزیه و تحلیل آماری در مورد تکامل شبکه‌های جاده‌ای OpenStreetMap در پکن. فیزیک یک آمار مکانیک. برنامه آن است. 2015 ، 420 ، 59-72. [ Google Scholar ] [ CrossRef ]
  45. ژانگ، ی. لی، ایکس. وانگ، آ. بائو، تی. تیان، اس. تراکم و تنوع شبکه‌های جاده‌ای OpenStreetMap در چین. J. Urban Manag. 2015 ، 4 ، 135-146. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  46. موکنیک، FB؛ مبشری، ع. Zipf، A. زیرساخت داده کاوی منبع باز برای کاوش و تجزیه و تحلیل OpenStreetMap. نرم افزار داده های مکانی را باز کنید. ایستادن. 2018 ، 3 ، 7. [ Google Scholar ] [ CrossRef ]
Ijgi 08 00035 g001 550
شکل 1. ( الف – ج ) تصویری از رویکرد خوشه‌بندی برای تحلیل الگوهای فضایی سلول‌های شبکه با چگالی بالا .
Ijgi 08 00035 g002 550
شکل 2. تعداد ساختمان های OpenStreetMap (OSM) در چین از سال 2012 تا 2017.
Ijgi 08 00035 g003 550
شکل 3. توزیع تعداد داده های ساختمان OSM برای بخش های سطح استانی در چین، از سال 2012 تا 2017 ( a – f ).
Ijgi 08 00035 g004 550
شکل 4. توزیع تعداد داده های ساختمان OSM برای بخش های سطح استان در چین، از سال 2012 تا 2017 ( a – f ).
Ijgi 08 00035 g005 550
شکل 5. همبستگی های خطی بین تراکم ساختمان OSM و کامل بودن ساختمان OSM برای چهار کلان شهر در چین ( a – d ).
Ijgi 08 00035 g006 550
شکل 6. ( a – i ) تغییر تراکم ساختمان OSM از 2012 تا 2017، برای نه بخش در سطح استان.
Ijgi 08 00035 g007 550
شکل 7. ( الف – ب ) رابطه بین تعداد خوشه و حداکثر مساحت خوشه برای بخش‌های سطح استان در چین، در سال 2017. آن دسته از بخش‌های سطح استان که هیچ خوشه‌ای نداشتند نشان داده نشده‌اند.
Ijgi 08 00035 g008 550
شکل 8. ( a – f ) توزیع تراکم داده‌های ساختمان OSM برای شش کلانشهر معمولی در چین، در سال 2017.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید