خلاصه

تمرکز این تحقیق پرداختن به زیرمجموعه‌ای از چالش‌های تجسم جغرافیایی (یعنی تجسم جغرافیایی) است که در ادبیات شناسایی شده‌اند، یعنی تجسم داده‌های جغرافیایی چندبعدی و شطرنجی. علاوه بر این، این کار رویکردی را برای پردازش داده‌های جغرافیایی شطرنجی چند بعدی پیاده‌سازی می‌کند. نتایج این تحقیق از طریق یک ژئوپورتال متشکل از کاربردهای متعددی ارائه شده است که با تجسم سه بعدی شهرها، تغییر شکل زمین، کاربری و پوشش زمین و تحرک مرتبط است. در زیرمجموعه‌ای از برنامه‌ها، مجموعه داده‌های مدیریت شده از نظر حجم بزرگ در نظر گرفته می‌شوند. داده‌های مکانی روی کره‌های مجازی پویا و تعاملی برای فعال کردن اکتشاف بصری تجسم شدند. این ژئوپورتال در وب در دسترس است تا دسترسی بین پلتفرمی را به آن فعال کند. علاوه بر این، این ژئوپورتال با استفاده از استانداردهای باز، نرم افزار منبع باز و رایگان (FOSS) و داده های باز توسعه یافته است که مهمتر از همه برای اطمینان از قابلیت همکاری و کاهش موانع دسترسی به آن است. این ژئوپورتال مجموعه داده های مختلفی را گرد هم می آورد که هم از نظر زمینه و هم از نظر قالب با استفاده از فناوری های متعدد متفاوت هستند. در نتیجه، فن‌آوری‌های وب موجود برای تصویرسازی جغرافیایی و پردازش داده‌های مکانی مورد بررسی قرار گرفتند و نرم‌افزارهای نمونه و خلاقانه‌ای برای گسترش وضعیت هنر توسعه یافتند.

کلید واژه ها:

چند بعدی ؛ ژئوتصویرسازی ; پردازش داده های جغرافیایی ; کره های مجازی ؛ ژئوپورتال ; وب _ استانداردهای باز ؛ نرم افزار رایگان و متن باز

1. معرفی

تجسم جغرافیایی، که اغلب به عنوان تصویرسازی جغرافیایی کوتاه می شود، در نتیجه ابزارهایی که در عصر دیجیتال پدید آمدند و کارتوگرافی را متحول کردند، متولد شد. Geovisualization رویکردهایی از تجسم در محاسبات علمی، نقشه برداری، تجزیه و تحلیل تصویر، تجسم اطلاعات، تجزیه و تحلیل داده های اکتشافی (EDA) و سیستم های اطلاعات جغرافیایی (GIS) را برای ارائه نظریه، روش ها و ابزارهایی برای اکتشاف بصری، تجزیه و تحلیل، سنتز و ارائه داده های جغرافیایی ادغام می کند. 1]. تکنیک‌های تجسم زمین، محصولات دو بعدی و مدل‌های سه بعدی استاتیک را با معرفی نمایش داده‌های سه‌بعدی و چهاربعدی پویا و تعاملی گسترش داده‌اند. چنین نمایش‌هایی می‌توانند واقعیت‌های افزوده شده و مجازی و پایگاه‌های جغرافیایی را با هم ترکیب کنند. علاوه بر این، آنها در کاربرد، پلتفرم، مقیاس و محتوا انعطاف‌پذیر هستند و داده‌هایی که نشان می‌دهند احتمالاً چند متغیره هستند [ 2 ]. متمایزترین ویژگی زمین تجسمی در مقایسه با کارتوگرافی سنتی تعامل آن است که امکان کاوش و در نتیجه استنتاج را فراهم می کند [ 3 ].
پتانسیل استفاده از کره های مجازی برای تجسم (یعنی تجسم داده های جغرافیایی سه بعدی و واقعی) الگویی است که برای اولین بار با توسعه NASA WorldWind در سال 2003 پدیدار شد. در حال حاضر، برنامه های کاربردی ناکافی برای استفاده از جدیدترین فناوری های رایگان و منبع باز طراحی شده اند. که به این پارادایم برای تحقق زمین دیجیتال پاسخ می دهند [ 4 ، 5 ، 6 ، 7 ، 8 ، 9 ].
علاوه بر این، تجسم داده های چند بعدی یک چالش کاملاً تعریف شده در ادبیات است [ 1 ، 10 ، 11 ، 12 ، 13 ، 14 ]. در میان داده‌های چند بعدی، سری‌های زمانی جغرافیایی که فرآیندها را در طول زمان به تصویر می‌کشند، اغلب برای تجزیه و تحلیل بزرگ و چالش برانگیز هستند. با استفاده از روش‌ها و ابزارهای تثبیت‌شده مختلف، اطلاعات بیشتری در مورد چنین مجموعه‌های داده‌ای فراهم می‌کند، اما هنوز نیاز به اطلاعات بیشتر وجود دارد [ 15 ]. علاوه بر این، بیشتر این روش‌ها و ابزارها از کره‌های مجازی برای تجسم استفاده نمی‌کنند. در این کار، فرض بر این است که افزودن زمین به تجسم به تفسیر بهتر داده‌های مکانی کمک می‌کند. به همین ترتیب، لی، اس و همکاران. [ 16] تشخیص داد که روش ها و ابزارهایی که داده ها را در سه بعد جغرافیایی و یک بعد زمانی تجسم می کنند، به دلیل ناکافی بودن، نیاز به توسعه و تحقیق بیشتری دارند. نمونه‌های مختلفی در ادبیات برای تجسم داده‌های جغرافیایی چند بعدی در یک کره مجازی وجود دارد [ 17 ، 18 ، 19 ]. با انگیزه پرداختن به این چالش ها، داده های چند بعدی در کره های مجازی تجسم شدند. در این کار، داده های برداری (x/y/z) و شطرنجی (x/y/t یا مکانی-زمانی) به تصویر کشیده شد.
داده‌های چند بعدی جغرافیایی شطرنجی بزرگ، علاوه بر تجسم، قابل پردازش هستند. پورتال های جغرافیایی که کاربران را قادر می سازد پرس و جوهای از پیش تعریف شده را با استفاده از سرویس پردازش پوشش وب (WCPS) اجرا کنند، بار نوشتن پرس و جو برای پردازش پوشش ها را از دوش کاربران برمی دارد. استفاده از وب سرویس (یعنی WCPS) دسترسی چند پلتفرمی را به سرویس پردازشی امکان پذیر می کند. علاوه بر این، کاربران نیازی به دانلود داده های مکانی که به طور بالقوه دارای ویژگی های داده های بزرگ هستند برای اجرای پردازش در حافظه محلی خود ندارند، که باعث صرفه جویی در فضای ذخیره سازی می شود. علاوه بر این، انتقال داده کاهش می یابد، زیرا کاربران به جای دانلود داده ها از سرور راه دور، درخواستی را به یک سرور راه دور ارسال می کنند و تنها نتیجه پردازش را دریافت می کنند. WCPS در کاربردهای مختلف استفاده شده است [ 20 , 21 ,22 ، 23 ، 24 ، 25 ].
شتاب قابل توجهی در ایجاد ژئوپورتال ها، مانند زیرساخت اطلاعات فضایی در اروپا (INSPIRE) Geoportal ( https://inspire-geoportal.ec.europa.eu/ ) [ 26 ، 27 ]، آژانس فضایی اروپا (ESA) وجود داشته است. پلتفرم‌های بهره‌برداری موضوعی (TEPs) ( https://eo4society.esa.int/thematic-exploitation-platforms-overview/ ) (بیشترین مورد مرتبط با این کار، TEP شهری ( https://urban-tep.eu/ ) است. 28 ])، پلتفرم مدیریت داده های جغرافیایی پیشرفته (ADAM) ( https://adamplatform.eu/ ) توسعه یافته توسط Meteorological Environmental Earth Observer (MEEO) و EarthServer ( https://www.earthserver.eu/ ) [ 23]. این ژئوپورتال‌ها گرایش به در دسترس قرار دادن داده‌های مکانی باز بزرگ در وب برای جستجو، دانلود، تجسم دو بعدی یا سه بعدی، پرس و جو یا پردازش را نشان می‌دهند.
پروژه URBAN GEOmatics برای تولید اطلاعات انبوه، ارزیابی داده ها و آگاهی از فناوری (URBAN GEO BIG DATA) ( https://www.urbangeobigdata.it/ ) [ 29 ، 30 ] با هدف توسعه ابزارهای GIS نوآورانه ای است که از مجموعه داده های مختلف جغرافیایی بزرگ استفاده می کند. بر اساس ابزارهای موجود برای مدیریت داده های بزرگ جغرافیایی، برای درک بهتر پویایی های شهری و در نتیجه مدیریت موثرتر منابع طبیعی در مناطق شهری و زیرساخت های شهری [ 31 ]]. مجموعه داده ها شامل مجموعه داده های سنتی مانند پایگاه های داده توپوگرافی، داده های LIDAR و داده های آماری، داده های وب 2.0 مانند اطلاعات جغرافیایی داوطلبانه (VGI) و داده های مشاهده زمین (EO) است. این پروژه بر پنج شهر ایتالیا متمرکز است که عبارتند از میلان، ناپل، رم، پادوآ و تورین. ابزارهای GIS در فرآیند پروژه توسعه یافته و این مجموعه داده ها را به طور عمده در این شهرها تجسم می کنند. این کار مجموعه داده های تولید شده در پروژه را برای تجسم، پرس و جو و پردازش از طریق یک پورتال جغرافیایی که در وب در دسترس است، در دسترس قرار می دهد.
هدف پژوهشی این کار، توسعه نرم‌افزار نمونه‌ای با استفاده از استانداردهای باز، FOSS و داده‌های باز با رابط و عملکرد بهینه‌شده است که به تجسم و پردازش داده‌های جغرافیایی بردار و شطرنجی بزرگ و چند بعدی با استفاده از فناوری‌های کره مجازی در وب می‌پردازد. توجه به این نکته مهم است که برخی از برنامه‌ها تا حدی چالش‌های مطرح شده در این کار را برطرف می‌کنند [ 32]. این کار وضعیت هنر را بهبود می بخشد زیرا بر توسعه برنامه های کاربردی بهینه شده فردی، ادغام آنها، و در نتیجه، بر روی فناوری ها و مجموعه داده های متنوع، هم از نظر زمینه و هم از نظر قالب تمرکز می کند. در نتیجه، کره‌های مجازی که اشکال مختلف نمایش، مانند نقشه‌ها، متون و نمودارها را به هم پیوند می‌دهند، در پاسخ به تمام چالش‌های ذکر شده در بالا در دسترس قرار گرفتند. کد منبع ژئوپورتال با نسخه 3 مجوز عمومی عمومی گنو (GPL) در GitHub موجود است ( https://github.com/kilsedar/urban-geo-big-data-3d ).
علاوه بر این، نه محدود به مضامین برنامه‌های کاربردی در این کار، پیش‌بینی می‌شود که یک سیستم واحد که جنبه‌های مختلف مهم مناطق شهری را گرد هم می‌آورد مطلوب خواهد بود و مجموعه داده‌های مورد استفاده احتمالاً ماهیت چند بعدی خواهند داشت، زیرا گرایشی به سمت وجود دارد. هم تجسم داده های برداری چندبعدی (یعنی ایجاد دوقلوهای دیجیتالی از شهرها) و هم داشتن بعد زمانی در تجسم و پردازش داده های شطرنجی در نتیجه تولید مداوم داده های EO. نویسندگان می‌توانستند همه برنامه‌ها را در یک برنامه جهانی مجازی داشته باشند، اما بخش‌هایی را با توجه به مضامین ایجاد کردند تا ناوبری را تسهیل کنند. هدف از داشتن یک نقطه ورودی واحد برای حجم وسیعی از داده‌ها تحت موضوعات مختلف از طریق ژئوپورتال، انتقال خروجی‌های تحقیقات انجام شده در پروژه URBAN GEO BIG DATA است و با انجام این کار، شکاف بین علم و جامعه و کمک به دانشمندان را کاهش می‌دهد. مدیران بخش دولتی و خصوصی و شهروندان در تصمیم گیری در مورد پدیده های مختلف دنیای واقعی از طریق رابط های بصری پویا و تعاملی که راهی موثر برای استدلال انسان فراهم می کند. به طور کلی، هدف این کار کمک به چشم انداز زمین دیجیتال است. مدیران بخش دولتی و خصوصی و شهروندان در تصمیم گیری در مورد پدیده های مختلف دنیای واقعی از طریق رابط های بصری پویا و تعاملی که راهی موثر برای استدلال انسان فراهم می کند. به طور کلی، هدف این کار کمک به چشم انداز زمین دیجیتال است. مدیران بخش دولتی و خصوصی و شهروندان در تصمیم گیری در مورد پدیده های مختلف دنیای واقعی از طریق رابط های بصری پویا و تعاملی که راهی موثر برای استدلال انسان فراهم می کند. به طور کلی، هدف این کار کمک به چشم انداز زمین دیجیتال است.

2. مروری بر فناوری ها

رابط بصری جغرافیایی geoportal پروژه URBAN GEO BIG DATA از چندین کره مجازی پویا و تعاملی برای کاربردهای مختلف تشکیل شده است. ژئوپورتال، علاوه بر تجسم، پرس و جو و پردازش مجموعه داده های خاص را برای تحریک استدلال انسانی و کمک به تصمیم گیری موثر بیشتر امکان پذیر می کند. از آنجایی که گروه‌های تحقیقاتی در زمینه‌های مختلف مجموعه‌های داده را تولید می‌کنند، گردآوری آنها در یک ژئوپورتال یک چالش فنی ایجاد می‌کند که برای تولید ژئوپورتال حل شد. به طور خاص، مجموعه داده‌ها چند بعدی هستند و به دلیل اندازه‌های بزرگ و هر دو در فرمت برداری و شطرنجی، رسیدگی به آن‌ها چالش برانگیز است.
ژئوپورتال در وب در دسترس است به طوری که دسترسی به آن مستقل از سیستم عامل کاربران است. علاوه بر این، استانداردهای باز برای اطمینان از قابلیت همکاری ژئوپورتال به تصویب رسید. علاوه بر این، از نرم‌افزار رایگان و متن‌باز (FOSS) و داده‌های باز برای توسعه ژئوپورتال استفاده شد که مهم‌ترین آن کاهش موانع دسترسی به آن بود.
استانداردهای باز و FOSS که برای مقابله با چالش های ارائه شده در بخش قبل از طریق توسعه ژئوپورتال پروژه URBAN GEO BIG DATA مورد استفاده قرار گرفت در این بخش توضیح داده شده است. استانداردها و نرم افزار طیف گسترده ای از عملکردها را پوشش می دهد، در درجه اول ذخیره سازی، تجسم، پرس و جو و پردازش داده های چند بعدی جغرافیایی بزرگ در قالب برداری یا شطرنجی. استراتژی‌های آن‌ها برای برخورد با چنین داده‌هایی که مورد استفاده قرار گرفتند شامل کاشی‌کاری و نمایه‌سازی برای دسترسی سریع‌تر به داده‌ها و پردازش موازی است. استانداردها و نرم افزارها به گونه ای انتخاب شدند که از قابلیت همکاری و دسترسی بین پلتفرمی به ژئوپورتال اطمینان حاصل کنند. نمای کلی پروژه را می توان از شکل 1 بدست آورد .

2.1. استانداردهای باز

رابط های برنامه نویسی کاربردی (API) به کار گرفته شده برای تجسم جغرافیایی که در بخش 2.2 توضیح داده شده اند، از Web Graphics Library (WebGL) استفاده می کنند، یک استاندارد وب بین پلتفرمی و بدون حق امتیاز برای یک API گرافیکی سطح پایین، طراحی و نگهداری می شود. سود گروه کرونوس اجرای استاندارد یک API جاوا اسکریپت برای ارائه گرافیک های تعاملی دو بعدی و سه بعدی در یک مرورگر وب بدون پلاگین است زیرا API کاملاً مطابق با Open Graphics Library for Embedded Systems (OpenGL ES) است که می تواند در زبان نشانه گذاری Hypertext 5 استفاده شود. عناصر بوم (HTML5).
داده های مکانی توسط مشتری از چندین سرور با استفاده از استانداردهای وب باز کنسرسیوم فضایی باز (OGC) بازیابی می شوند. استانداردهای OGC داده‌های خام مکانی را ارائه یا پردازش می‌کنند یا تصویری از داده‌های مکانی خام ذخیره شده در یک سرور یا چندین سرور ارائه می‌دهند. استانداردهای OGC مورد استفاده عبارتند از خدمات نقشه وب (WMS)، سرویس نقشه وب کاشی (WMTS)، سرویس ویژگی وب (WFS)، سرویس پوشش وب (WCS) و WCPS.
WMS نقشه هایی از داده های زمین مرجع را به صورت پویا از داده های مکانی تولید می کند. نقشه تصویری از داده های مکانی به عنوان یک تصویر دیجیتالی مناسب برای نمایش بر روی صفحه نمایش کامپیوتر است، در نتیجه داده ها نیستند. Styled Layer Descriptor (SLD) تعریف می کند که چگونه یک WMS را می توان گسترش داد تا امکان نمادسازی و رنگ آمیزی تعریف شده توسط کاربر ویژگی های جغرافیایی و داده های پوشش را با استفاده از رمزگذاری زبان نشانه گذاری توسعه پذیر (XML) فراهم کند. SLD یک مشخصات OGC است. WMTS یک رویکرد مکمل برای WMS ارائه می دهد. WMS یک نقشه را به صورت پویا تولید می کند، احتمالاً با استفاده از یک سند SLD برای رندر کردن با یک سبک سفارشی. WMTS انعطاف‌پذیری رندر نقشه سفارشی را با مقیاس‌پذیری ممکن با ارائه کاشی‌های تصویر از پیش تعریف‌شده معامله می‌کند. ارائه داده‌های استاتیک امکان پیاده‌سازی WMTS را با استفاده از یک وب سرور که به سادگی فایل‌های موجود را برمی‌گرداند و استفاده از مکانیسم‌های شبکه استاندارد برای مقیاس‌پذیری مانند سیستم‌های کش توزیع شده را می‌دهد. برعکس، WFS دسترسی به داده های جغرافیایی را در سطح ویژگی و ویژگی ویژگی ارائه می دهد. این به مشتریان اجازه می دهد تا داده های مورد نظر خود را بازیابی، اصلاح، جایگزین و حذف کنند، نه فایلی که حاوی داده های مورد نظر است.
WCS یک هسته اجباری دارد که می توان برنامه های افزودنی را پیرامون آن پیاده سازی کرد. WCS Core دسترسی به پوشش، زیرمجموعه و رمزگذاری فرمت را ارائه می دهد. زیرتنظیم پوشش اجازه می دهد تا برش و برش. Trimming پوششی را با همان تعداد ابعاد پوشش ورودی برمی گرداند. از سوی دیگر، برش یک پوشش با تعداد ابعاد کاهش یافته در مقایسه با پوشش ورودی را برمی گرداند ( شکل 2 را ببینید ).
لیست افزونه های WCS Core را می توان در [ 33 ] یافت. موردی که به این موضوع مربوط می شود WCPS است. WCPS یک زبان مستقل از پروتکل را برای استخراج، پردازش و تجزیه و تحلیل پوشش های چند بعدی که نشان دهنده داده های سنسور، تصویر یا آمار است، تعریف می کند. این امکان تجزیه و تحلیل پوشش را از طریق الحاق یک پرس و جوی پارامتری به درخواست WCS، که شامل یک رشته پرس و جو WCPS است، می دهد. به طور خلاصه، WCPS اجازه می دهد:
  • زیرمجموعه (دانلود زیرمجموعه ای از پوشش با برش یا برش)؛
  • زیرمجموعه محدوده (استخراج یک باند یا باندهای یک پوشش)؛
  • متراکم کردن (تجمیع مقادیر سلول یک پوشش در امتداد محورهای انتخاب شده به یک مقدار اسکالر بر اساس عملیات متراکم، مانند محاسبه حداقل، حداکثر، میانگین یا مجموع مقادیر سلول).
  • ایجاد پوشش (ایجاد پوشش جدید در حال پرواز و پر کردن آن با مقادیر حاصل از ارزیابی عبارت پردازشی)؛
  • اعمال عملیات القایی (با استفاده از یک تابع تکی یا دودویی، که ممکن است شامل عملیات حسابی، مقایسه، بولی، مثلثاتی و لگاریتمی و تمایز مواردی باشد که روی یک سلول کار می‌کند و به‌کارگیری آن بر روی تمام سلول‌های یک پوشش به طور همزمان).

از آنجایی که پوشش‌ها ابرمجموعه‌ای از مکعب‌های داده هستند، استانداردهای مربوط به پوشش‌ها برای پیاده‌سازی خدمات دسترسی و پردازش مکعب‌های داده استفاده می‌شوند. مرجع. [ 33 ] یک دیتاکیوب را به صورت زیر تعریف کرد:

دیتاکیوب یک آرایه چند بعدی عظیم است که «داده های شطرنجی» یا «داده های شبکه ای» نیز نامیده می شود. “عظیم” مستلزم […] اندازه های قابل توجهی فراتر از منابع حافظه اصلی سخت افزار سرور است – در غیر این صورت، پردازش را می توان به طور رضایت بخشی با ابزارهای آرایه موجود مانند MATLAB یا R انجام داد.
مفهوم datacube منادی افزایش دسترسی به داده های EO، از جمله محور زمان است. مکعب های داده با ایجاد یک آرایه سه بعدی (x/y/t) برای سری های زمانی شطرنجی، دسترسی به داده های مکانی چند زمانی را ساده می کنند. علاوه بر این، مکعب‌های داده ممکن است سری‌های زمانی حسگر یک‌بعدی، تصاویر دوبعدی، داده‌های وکسل زیرسطحی سه‌بعدی (x/y/z)، مکعب‌های آب و هوا و اقیانوس‌های 4 بعدی (x/y/z/t) و حتی داده‌های جوی 5 بعدی با دو بعد زمانی را تشکیل دهند [ 33 ] ]. در این کار از تصاویر دو بعدی و آرایه سه بعدی (x/y/t) برای سری های زمانی شطرنجی استفاده شده است. در نتیجه، از این پس، هر گاه از اصطلاح پوشش در رابطه با استاندارد WCPS استفاده شود، داده ها در قالب شطرنجی هستند.
علاوه بر این، از نظر استانداردهای داده باز، از زبان نشانه گذاری جغرافیای شهر (CityGML)، نمادگذاری شی جاوا اسکریپت (JSON)، GeoJSON و فرمت فایل تصویر با برچسب جغرافیایی (GeoTIFF) استفاده شد. CityGML یک استاندارد رمزگذاری OGC است و یک مدل داده باز و قالب مبتنی بر XML برای مدل‌های شهری سه بعدی مجازی را نشان می‌دهد. علاوه بر این، GeoJSON یک فرمت داده های جغرافیایی استاندارد باز مبتنی بر JSON است.

2.2. نرم افزار رایگان و متن باز

API های مختلفی برای ایجاد کره های مجازی در وب وجود دارد. در میان آنها، دو مورد برجسته عبارتند از NASA Web WorldWind و CesiumJS. هر دو API تجسم و اکتشاف یک کره مجازی با سطح زمین و لایه‌های داده‌های جغرافیایی دوبعدی و سه‌بعدی روی آن را با کارایی بالا، پویا، تعاملی و بین پلتفرمی ارائه می‌کنند. هر دو از WebGL، JavaScript، HTML5 و Cascading Style Sheets سطح 3 (CSS3) استفاده می کنند.
امروزه بسیاری از ابزارهای اختصاصی و متن باز از CityGML پشتیبانی می کنند. فهرست جامعی در مورد این ابزارها را می توان در ویکی CityGML ( https://www.citygmlwiki.org/). پایگاه داده شهر سه بعدی (3DCityDB) یکی از این ابزارها است. این یک پایگاه جغرافیایی برای ذخیره و مدیریت مدل های شهر سه بعدی مجازی در بالای یک پایگاه داده رابطه ای فضایی استاندارد (Oracle Spatial یا Locator یا PostgreSQL با PostGIS) است. طرح پایگاه داده به طور کامل استانداردهای CityGML 1.0.0 و 2.0.0 را پیاده سازی می کند. مدل پایگاه داده شامل اشیاء شهر چند مقیاسی از لحاظ معنایی غنی، ساختار سلسله مراتبی است که وظایف پیچیده مدل‌سازی و تحلیل GIS را فراتر از تجسم تسهیل می‌کند. 3DCityDB Importer/Exporter یک برنامه کاربردی مبتنی بر جاوا برای وارد کردن داده ها در قالب CityGML و صادر کردن داده های کاشی شده در Keyhole Markup Language (KML)، فعالیت طراحی مشارکتی (COLLADA)، فرمت انتقال GL (glTF) یا CityGML است. 3DCityDB-Web-Map-Client CesiumJS را برای تجسم سه بعدی و کاوش تعاملی مدل های شهر مجازی سه بعدی معنایی دلخواه بزرگ در وب گسترش می دهد. این اجازه می دهد تا داده های بزرگ و کاشی شده را در فرمت های KML، COLLADA، glTF که با استفاده از واردکننده/صادرکننده 3DCityDB به همراه لایه های زمین و لایه های برداری و شطرنجی به دست آمده اند، تجسم کنید.
GeoServer یک سرور FOSS مبتنی بر جاوا برای به اشتراک گذاری داده های مکانی با استفاده از استانداردهای باز است. WMS، Transactional WFS و WCS را پیاده سازی می کند. علاوه بر این، پیاده‌سازی‌های WPS، WMTS و خدمات کاتالوگ برای وب (CSW) به عنوان پسوند ارائه می‌شوند. کلاینت هایی که داده های مکانی منتشر شده در GeoServer را درخواست می کنند، معمولاً مرورگرهای وب و نرم افزار دسکتاپ GIS هستند. GeoServer دارای یک رابط مدیریتی در یک مرورگر وب است که به منابع داده در بک‌اند متصل می‌شود. علاوه بر این، GeoWebCache (GWC) در GeoServer یکپارچه شده است. GWC یک برنامه وب رایگان و منبع باز مبتنی بر جاوا برای ذخیره کاشی های نقشه از منابع مختلف است.
rasdaman (مدیر داده های شطرنجی) برای بیش از دو دهه به عنوان یک موتور دیتاکیوب متقابل دامنه در یک سری پروژه توسعه داده شده است [ 34 ، 35 ، 36 ، 37 ، 38 ، 39 ، 40 ]. زبان پرس و جو شطرنجی rasdaman، rasql زبان پرس و جو ساخت یافته (SQL) را با عملگرهای آرایه nD اعلامی گسترش می دهد [ 41]. یک لایه جداگانه با پیاده سازی WMS 1.3، WCS 2.0 و WCPS 1.0، معنای جغرافیایی، مانند اطلاعات مربوط به شبکه های منظم و نامنظم و سیستم های مرجع مختصات (CRS) را اضافه می کند. برای OGC و INSPIRE WCS و OGC WCPS rasdaman پیاده سازی مرجع است. rasdaman تنها پیاده سازی موجود برای OGC WCPS است.

3. نتایج

در بخش‌های بعدی، هر برنامه به طور مفصل با مجموعه داده‌های مورد استفاده، جزئیات توسعه نرم‌افزار و قابلیت‌های آن توضیح داده می‌شود. هنگامی که پیشینه یا ادبیات با پیشینه ارائه شده در دو بخش اول متفاوت است، به شیوه ای مختصر ارائه می شود.

3.1. تجسم داده های جغرافیایی برداری چند بعدی

3.1.1. تجسم داده های OSM

OpenStreetMap (OSM) در سال 2004 تاسیس شد و به یک پروژه مشترک تبدیل شد که یک نقشه رایگان و قابل ویرایش از جهان ایجاد کرد. OSM یکی از برجسته ترین پروژه های VGI است. VGI، ابداع شده توسط [ 42 ]، یک مورد خاص از پدیده عمومی تر، محتوای تولید شده توسط کاربر (UGC) از وب 2.0 است. VGI یک UGC مکانی است، به عنوان مثال، داده های مکانی که توسط افراد به طور داوطلبانه جمع آوری می شود [ 43 ]. پایگاه داده OSM حاوی داده های مکانی جمع آوری شده است که باز هستند و تحت مجوز پایگاه داده باز (ODbL) مجوز دارند [ 44 ].
از سال 2008، مردم بیشتر و بیشتر داده‌هایی را جمع‌آوری کرده‌اند که می‌توان از آنها برای ایجاد اشیاء سه‌بعدی، مانند داده‌های هندسه ارتفاع و سقف استفاده کرد [ 45 ]. توانایی ایجاد اشیاء سه بعدی از منابع VGI مهم است، نه تنها به این دلیل که ما در دنیای سه بعدی زندگی می کنیم، بلکه به این دلیل که داده های سه بعدی امکان توسعه و ارائه بسیاری از برنامه ها را فراهم می کند. برنامه های کاربردی شامل ارائه یک مدل سه بعدی مجازی از یک شهر برای نشان دادن برنامه های توسعه شهر در آینده به عموم مردم [ 46 ]، تجزیه و تحلیل دید [ 47 ]، پشتیبانی تصمیم گیری برای شرایط اضطراری [ 48 ، 49 ، 50 ]، تجسم روابط توپولوژیکی [ 51 ] و تعیین است. کیفیت محیطی فضاهای عمومی [52 ]. برنامه های مختلف از داده های OSM برای ساخت اشیاء سه بعدی استفاده می کنند. فهرست جامعی در ویکی OSM ( https://wiki.openstreetmap.org/wiki/3D ) موجود است. علاوه بر این، تحقیقات گسترده ای در رابطه با این موضوع انجام شده است [ 45 ، 53 ، 54 ، 55 ، 56 ].
API 3D OSM Plugin برای NASA Web WorldWind در برنامه Google Summer of Code (GSoC) در سال 2017 توسعه داده شد. کد منبع API در GitHub در دسترس است ( https://github.com/kilsedar/3dosm) با مجوز MIT. API راهی برای تجسم داده های OSM به صورت دو بعدی و سه بعدی در یک کره مجازی ایجاد شده با استفاده از NASA Web WorldWind فراهم می کند. فقط ساختمان ها به صورت سه بعدی تجسم می شوند. بقیه ویژگی ها به صورت دو بعدی تجسم می شوند. کیفیت فضایی ساختمان‌های OSM با مقایسه داده‌های OSM منطقه لومباردی ایتالیا که پایتخت آن میلان است با مجموعه داده معتبر منطقه بررسی شد. در نتیجه، مشخص شد که دقت موقعیتی ساختمان‌های OSM با کیفیت مجموعه داده‌های معتبر در مقیاس 1:5000 قابل مقایسه است، در نتیجه، آنها برای تجسم توسعه‌یافته در این کار مناسب هستند [ 57 ].
3D OSM Plugin API داده های OSM را بر اساس یک برچسب و کادر محدود ناحیه ای که کاربر می خواهد عناصر را برای آن بازیابی کند، واکشی می کند. برای واکشی داده ها از Overpass API استفاده شد. Overpass API یک API فقط خواندنی است که به بخش انتخاب شده ای از پایگاه داده OSM خدمت می کند. یک کلاینت یک پرس و جو را به API ارسال می کند و داده های مربوط به پرس و جو را دریافت می کند. دارای دو زبان پرس و جو است: Overpass XML و Overpass Query Language (Overpass QL). برای ساخت پرس و جوها از Overpass QL استفاده شد. Overpass API داده ها را در قالب JSON برمی گرداند. داده ها با فرمت JSON با استفاده از API osmtogeojson ( https://github.com/tyrasd/osmtogeojson به فرمت GeoJSON تبدیل شدند). علاوه بر دریافت داده ها با استفاده از Overpass API، می توان از یک فایل با فرمت GeoJSON استفاده کرد یا داده ها را با فرمت GeoJSON در کد جاوا اسکریپت نوشت. فقط داده‌های GeoJSON به‌دست‌آمده به روشی که API پلاگین 3D OSM انجام می‌دهد مورد آزمایش قرار گرفت و نتایج مطابق انتظار بود.
ارتفاع ساختمان هایی که به صورت سه بعدی تجسم می شوند را می توان با استفاده از پایگاه داده OSM، به طور خاص، برچسب های ویژگی ها تنظیم کرد. ابتدا، کلید ارتفاع ( https://wiki.openstreetmap.org/wiki/Key:height ) که ارتفاع یک ویژگی را توصیف می کند، برای تنظیم ارتفاع یک ساختمان استفاده می شود، در صورتی که برای عنصری با مقداری به آن اختصاص داده شود. کلید ساختمان ( https://wiki.openstreetmap.org/wiki/Key:building ). اگر مقداری برای چنین کلید ارتفاعی تعریف نشده باشد، کلید building:levels ( https://wiki.openstreetmap.org/wiki/Key:building:levels) که تعداد سطوح بالای یک ساختمان یا بخشی از یک ساختمان را توصیف می کند که برای تعیین ارتفاع یک ساختمان استفاده می شود، اگر مقداری به آن اختصاص داده شود. هر سطح 3 متر در نظر گرفته شده است. اگر مقداری به هیچ یک از کلیدها اختصاص داده نشود، ساختمان دارای پنج سطح فرض می شود، یعنی 15 متر طول دارد. فهرست جامعی از کلیدهای OSM که می‌توانند برای نمایش ساختمان‌های سه بعدی استفاده شوند در ویکی OSM ( https://wiki.openstreetmap.org/wiki/Simple_3D_buildings ) موجود است. از آنجایی که این تگ ها در اکثر مواقع وجود ندارند، API به کاربر این امکان را می دهد که از فایلی با فرمت GeoJSON که به روشی که در بالا توضیح داده شده است، با یک ویژگی اضافی که نشان دهنده ارتفاع ساختمان است استفاده کند. بر اساس انتشار [ 45]، کمتر از 1.5 درصد از عناصر دارای کلید ساختمان در پایگاه داده OSM دارای کلید ارتفاع در نوامبر 2011 بودند. همچنین امکان تجسم ساختمان ها به صورت دو بعدی نیز وجود دارد.
سبک عناصر OSM را می توان با استفاده از API تنظیم کرد که از دو کلاس NASA Web WorldWind استفاده می کند: PlacemarkAttributes و ShapeAttributes. کلاس PlacemarkAttributes برای انواع Point و MultiPoint Geometry GeoJSON استفاده می شود. کلاس ShapeAttributes برای بقیه انواع Geometry از GeoJSON و مش های مثلثی استفاده می شود. با استفاده از کلاس PlacemarkAttributes، می توان تصویر و برچسب مکان مارک ها را در میان موارد دیگر تنظیم کرد. با استفاده از کلاس ShapeAttributes، می توان رنگ داخلی و طرح کلی، عرض طرح، ترسیم طرح کلی و موارد دیگر را تنظیم کرد. کاربر می تواند رنگ های مختلفی را برای تجسم سه بعدی ساختمان ها تنظیم کند. رنگ ها به ارتفاع ساختمان ها در مجموعه داده و رنگ و آستانه های تعریف شده توسط کاربر بستگی دارد. با افزایش ارتفاع ساختمان ها، مولفه قرمز رنگ در RGB مقدار بالاتری می گیرد. علاوه بر این، آستانه‌هایی که مرتب می‌شوند مقادیر ارتفاع ساختمان را نگه می‌دارند و تک رنگ به تمام ساختمان‌هایی با ارتفاع بین دو آستانه متوالی اختصاص داده می‌شود. به این ترتیب یک نقشه حرارتی سه بعدی که نشان دهنده ارتفاع ساختمان است تولید می شود.
نویسندگان در چالش NASA Europa 2017 با برنامه ای که از API پلاگین OSM 3D استفاده می کند شرکت کردند. شکل 3 اسکرین شات هایی از برنامه را نمایش می دهد و نمونه ای از قابلیت های API را نشان می دهد. عناصری که در کادر محدودی که توسط کاربر بر روی کره مجازی ترسیم شده است را می توان از پایگاه داده OSM بازیابی کرد. علاوه بر این، برچسب و رنگ عناصر را می توان توسط کاربر با استفاده از رابط کاربری گرافیکی (GUI) برنامه تعریف کرد. شکل 3 a امکانات رفاهی در استانبول را نشان می دهد که با استفاده از مکان نماها نمایش داده شده اند. گره ها از پایگاه داده OSM با استفاده از تگ amenity=yes ( https://wiki.openstreetmap.org/wiki/Key:amenity ) بازیابی شدند. شکل 3b مسیرهایی را نشان می دهد که به طور انحصاری یا عمدتاً توسط عابران پیاده در میلان استفاده می شود که با استفاده از خطوط و چند ضلعی نمایش داده می شود. راه ها از پایگاه داده OSM با استفاده از تگ highway=footway ( https://wiki.openstreetmap.org/wiki/Tag:highway=footway ) بازیابی شدند. شکل 3 ج، جنگل ها و جنگل های هلسینکی را نشان می دهد که با استفاده از چند ضلعی و چند ضلعی نمایش داده شده اند. راه ها و روابط از پایگاه داده OSM با استفاده از برچسب landuse=forest ( https://wiki.openstreetmap.org/wiki/Tag:landuse=forest ) بازیابی شدند.
شکل 3 d ساختمان های نیویورک را نشان می دهد که با استفاده از مش های مثلثی بر اساس چند ضلعی ها و چند ضلعی ها نمایش داده شده اند. راه ها و روابط از پایگاه داده OSM با استفاده از تگ building=yes بازیابی شدند. این تجسم از مقادیر ارتفاع کلید و ساختمان استفاده می کند: سطوح مرتبط با عناصری که یک ساختمان را نشان می دهند تا ارتفاع مش های مثلثی را تنظیم کنند. این تجسم به وضوح ارتفاع متفاوت ساختمان ها را نشان می دهد، زیرا برای اکثر عناصری که یک ساختمان را در نیویورک نشان می دهند، کلیدهای ارتفاع یا سطوح ساختمان: با یک مقدار اختصاص داده شده وجود دارد.
با این حال، از آنجایی که اکثر عناصری که دارای کلید ساختمان هستند، کلید ارتفاع یا سطوح ساختمان را ندارند، در صورت امکان، از یک روش جایگزین برای تنظیم ارتفاع ساختمان استفاده شد. ابتدا، داده های LIDAR که مدل دیجیتال زمین (DTM) و مدل سطح دیجیتال (DSM) را نشان می دهد برای استخراج ارتفاع ساختمان ها در میلان استفاده شد. داده های LIDAR از وزارت محیط زیست، حفاظت از زمین و دریا ایتالیا با استفاده از اطلاعات تماس موجود در ژئوپورتال ملی ( https://www.pcn.minambiente.it/mattm/en/data-distribution-service-pst/ ) دریافت شد.). سپس با استفاده از برنامه gdalbuildvrt کتابخانه انتزاعی داده های جغرافیایی (GDAL) به مجموعه داده های مجازی (VRTs) تبدیل شدند. سپس VRT های DTM و DSM به GRASS GIS وارد شدند. این روش شامل کم کردن DTM از DSM برای بدست آوردن ارتفاع اجسام در زمین با استفاده از ماژول r.mapcalc GRASS GIS است. داده‌های OSM که حاوی ردپای ساختمان در میلان هستند در قالب GeoJSON با استفاده از استخراج مترو Mapzen دانلود و به GRASS GIS وارد شدند. با استفاده از ماژول v.rast.stats GRASS GIS، مقداری آمار برای ردپای ساختمان ها محاسبه شد. آمار محاسبه شده حداقل، حداکثر، میانگین و میانه مقادیر پیکسل های داخل هر ردپای بود. از جمله این آمار، از میانه برای کنار گذاشتن نقاط پرت که ممکن است ناشی از ناهماهنگی بین ردپاها در داده‌های OSM و اندازه‌گیری‌های LIDAR باشد، استفاده شد. دوم، مجموعه داده های Urban Atlas Building Height 2012 در قالب GeoTIFF ارائه شده توسط برنامه کوپرنیک (برای استخراج ارتفاع ساختمان های رم از https://land.copernicus.eu/local/urban-atlas/building-height-2012 استفاده شد. تنها تفاوت بین این روش و روش قبلی حذف تفریق بین DTM و DSM است، زیرا داده‌های شطرنجی از قبل ارتفاع ساختمان را نشان می‌دهند. برای سه شهر دیگر، پروژه URBAN GEO BIG DATA بر روی (یعنی پادوآ، تورین و ناپل) تمرکز دارد، کلیدهای ارتفاع و سطوح ساختمان مرتبط با عناصری که نمایانگر یک ساختمان هستند برای تنظیم ارتفاع ساختمان استفاده شده است.

3.1.2. تجسم داده های CityGML

علاوه بر VGI (یعنی داده‌های OSM در قالب GeoJSON)، تجسم داده‌های برداری سه‌بعدی با استفاده از استاندارد OGC برای نمایش داده‌های برداری سه‌بعدی مربوط به مناطق شهری، CityGML به دست آمد. تجسم داده‌ها در قالب CityGML به‌طور ایده‌آل با استفاده از استاندارد کاشی‌های سه‌بعدی به دست می‌آید، زیرا برای پخش و ارائه داده‌های جغرافیایی سه بعدی عظیم طراحی شده است و با استفاده از استاندارد OGC با هدف دستیابی به قابلیت همکاری سازگار است. علاوه بر این، CesiumJS از قالب 3D Tiles پشتیبانی می کند. توجه به این نکته مهم است که استانداردهای OGC دیگری برای تحویل داده های جغرافیایی سه بعدی مانند سرویس تصویر سه بعدی (3DPS) و لایه های صحنه سه بعدی نمایه شده (I3S) وجود دارد، اما توسط CesiumJS پشتیبانی نمی شوند. با این حال، FOSS برای تبدیل داده ها در فرمت CityGML به قالب کاشی های سه بعدی وجود ندارد. در نتیجه،
مدل‌های شهری سه‌بعدی مجازی در قالب CityGML برای بسیاری از شهرهای جهان ایجاد شده‌اند، اما برای پنج شهری که پروژه URBAN GEO BIG DATA روی آنها تمرکز دارد، در دسترس نیستند. به همین دلیل، تیمی از دانشگاه پادوآ نرم افزاری به نام shp2city توسعه دادند که داده ها را در فرمت شکل فایل Esri به فرمت CityGML تبدیل می کند [ 58 ]]. در پروژه URBAN GEO BIG DATA، مجموعه داده های CityGML که نمایانگر ساختمان های میلان، پادوآ، تورین و ناپل هستند با استفاده از نرم افزار shp2city تولید شدند. با استفاده از 3DCityDB Importer/Exporter، مجموعه داده ها به یک پایگاه داده PostgreSQL که با PostGIS گسترش یافته بود، وارد شدند. سپس با استفاده از همان نرم‌افزار در قالب‌های KML، COLLADA، glTF کاشی‌سازی شدند. مجموعه داده های صادر شده با استفاده از 3DCityDB-Web-Map-Client تجسم شدند. از آنجایی که ساختمان‌های مجموعه داده‌های CityGML دارای مقادیر ارتفاع هستند، می‌توان آنها را در زمین قرار داد. در ژئوپورتال، امکان شبیه‌سازی خورشید نیز وجود دارد که امکان تجسم سایه‌های زمین و ساختمان‌ها را در زمان‌های مختلف روز و سال فراهم می‌کند. علاوه بر این، در هنگام استفاده از CesiumJS برای ایجاد کره مجازی، شش نقشه پایه در ژئوپورتال ارائه شد که Bing Maps Aerial هستند. Mapbox Satellite Streets، OSM، CARTO Dark، Stamen Terrain و Stamen Watercolor. ژئوپورتال امکان جابجایی بین این شش نقشه پایه را فراهم می کند.
مدل‌های شهری سه بعدی مجازی در قالب CityGML برای کاربردهای مختلفی مانند شبیه‌سازی انتشار نویز و نقشه‌برداری، ارزیابی‌های مرتبط با انرژی ساختمان‌ها، ناوبری داخلی، مدیریت بلایا و امنیت داخلی استفاده شده‌اند [ 59 ، 60 ]. برنامه های کاربردی مدیریت بلایا شامل شبیه سازی سیل برای ارزیابی خطر سیل و خسارت احتمالی در مقیاس خرد است [ 61 ، 62 ، 63 ، 64 ، 65 .]. در این کار از مدل‌های سه بعدی شهر مجازی در قالب CityGML برای شبیه‌سازی سیل استفاده شد. یک چند ضلعی نیمه شفاف بر روی سطح بیضی شکل کره مجازی قرار داده شد که کاربران می توانند با استفاده از یک نوار لغزنده در رابط کاربری گرافیکی ژئوپورتال آن را بر حسب متر اکسترود کنند. می توان از کلاس VRTheWorldTerrainProvider از CesiumJS برای تولید هندسه زمین با استفاده از مدل دیجیتال ارتفاع (DEM) که شامل توپوگرافی زمین و عمق سنجی با وضوح 90 متر برای کل کره زمین ارائه شده توسط سرور VR-TheWorld است، استفاده کرد ( https ://www.mak.com/products/terrain/vr-theworld-server). به جای استفاده از DEM ارائه شده توسط سرور VR-TheWorld، یک DTM 5 متری میلان در قالب GeoTIFF برای ساخت زمین کره مجازی برای افزایش دقت شبیه سازی سیل استفاده شد. این مجموعه داده توسط منطقه لمباردی ( https://www.geoportale.regione.lombardia.it/en/home ) به عنوان داده باز منتشر شده است. اولین قدم برای استفاده از DTM میلان برای ساخت زمین کره مجازی، ایجاد کاشی های زمین در قالب quantized-mesh-1.0 ( https://github.com/AnalyticalGraphicsInc/quantized-mesh ) بود. کاشی ها با استفاده از Cesium Terrain Builder ( https://github.com/ahuarte47/cesium-terrain-builder ) ایجاد شده اند. سپس، سرور Cesium Terrain ( https://github.com/geo-data/cesium-terrain-server) برای میزبانی کاشی ها استفاده شد. ژئوپورتال برای بازیابی کاشی ها به این سرور اشاره می کند. با پیروی از این رویکرد، شبیه سازی سیل در هیچ جای دیگر جهان امکان پذیر نیست زیرا DTM فقط برای میلان است مگر اینکه از DEM یا DTM محلی اضافی برای ساخت زمین کره مجازی استفاده شود. در نهایت، نقشه خطر سیل میلان منتشر شده توسط منطقه لومباردی به عنوان داده های باز در GeoServer ذخیره شد و با استفاده از GWC کاشی شد. کلاس‌های ImageryLayer و WebMapTileServiceImageryProvider از CesiumJS توسط کلاینت برای درخواست‌هایی برای پیاده‌سازی WMTS GeoServer و قرار دادن تصاویر کاشی‌شده بازیابی شده در کره مجازی استفاده شد. اطلاعات بیشتر توسط [ 66 ] ارائه شد. شکل 4 نرم افزار مورد استفاده و تعاملات آنها را برای روشن شدن محتوای داده شده در بالا خلاصه می کند. شکل 5یک شبیه‌سازی سیل در میلان با نقشه خطر سیل و تجسم داده‌های CityGML که ساختمان‌ها را نشان می‌دهند، نمایش می‌دهد.

3.2. تجسم، پرس و جو و پردازش داده های جغرافیایی شطرنجی چند بعدی

3.2.1. تجسم و پرس و جو تغییر شکل زمین

تداخل سنجی رادار دیافراگم مصنوعی دیفرانسیل (DInSAR) یک تکنیک به خوبی تثبیت شده برای نقشه برداری و نظارت مستمر مناطق روی زمین است که در معرض تغییر شکل زمین هستند [ 67 ]. شورای ملی تحقیقات ایتالیا (CNR) موسسه سنجش الکترومغناطیسی محیط (IREA) از تکنیک زیر مجموعه خط پایه کوچک (SBAS) استفاده کرد که یک الگوریتم DInSAR است [ 68 ]]، برای تولید نقشه‌های سرعت تغییر شکل متوسط ​​و سری‌های زمانی تغییر شکل برای میلان، پادوآ، تورین، ناپل و رم. داده های تغییر شکل اطلاعاتی در مورد تغییرات سطح زمین با جهت و بزرگی در واحد متریک می دهد که امکان نظارت بر مخاطرات طبیعی و تغییرات محیطی ناشی از فرونشست و کشاورزی و غیره را فراهم می کند. این اطلاعات تعیین قسمت هایی از مناطق تحت نظارت که در صورت خطرات طبیعی مستعد آسیب هستند و سازه هایی که در نتیجه یا مستقل از خطرات طبیعی مستعد آسیب یا فروریختن هستند را تسهیل می کند.
الگوریتم SBAS برای توالی تصاویر آرشیو شده رادار دیافراگم مصنوعی (SAR) که توسط ماهواره‌های سنجش از دور اروپایی (ERS) و ماهواره‌های محیطی (Envisat) ESA از سال 1992 تا 2010 جمع‌آوری شده‌اند، اعمال شد. حداکثر عمود بر خط پایه و حداکثر 400 متر دوره دو ساله برای انتخاب جفت داده های تداخل سنجی پایه کوچک برای مناطق مورد علاقه در پنج شهر مورد استفاده قرار گرفت. داده‌های تغییر شکل در تفکیک مکانی متوسط ​​و برای برخی از بخش‌های مناطق مسکونی و مرکزی مناطق مورد علاقه نیز با تفکیک مکانی کامل تولید شدند.
نقشه‌های میانگین سرعت تغییر شکل و سری‌های زمانی تغییر شکل پنج شهر در نصب Geoinformation Enabling ToolkIT starterkit® ( GET-IT) ( https://www.get-it.it/ ) ( https://ugbd.get) موجود است. -it.it/ ). GET-IT در CNR IREA در پروژه شاخص RITMARE ( https://www.ritmare.it/en/ ) توسعه یافته است که از سیستم مدیریت محتوای جغرافیایی (CMS) GeoNode به طور گسترده ای شناخته شده است [ 69 ]. از GET-IT می توان برای تجسم و دانلود داده های مکانی استفاده کرد. علاوه بر این، می توان از آن برای خواندن و دانلود ابرداده داده های مکانی استفاده کرد. تجسم نقشه های میانگین سرعت تغییر شکل برای پنج شهر در شکل 6 آورده شده است.
یک نقشه میانگین سرعت تغییر شکل با درخواست به نمونه GET-IT پروژه URBAN GEO BIG DATA، با استفاده از اجرای WMS GeoServer، بازیابی شد. کلاس های ImageryLayer و WebMapServiceImageryProvider از CesiumJS توسط مشتری برای درخواست و قرار دادن تصویر بازیابی شده در کره مجازی استفاده می شود. روی هر نقطه تغییر شکل می‌توان کلیک کرد تا سری زمانی تغییر شکل تجمعی آن با استفاده از نمودار ایجاد شده با استفاده از API Plotly جاوا اسکریپت نمایش داده شود ( https://github.com/plotly/plotly.js). داده‌های مورد استفاده برای ایجاد نمودار در قالب JSON با درخواست به نمونه GET-IT پروژه URBAN GEO BIG DATA، با استفاده از پیاده‌سازی WFS GeoServer، بازیابی شدند. سبک نقشه ها با استفاده از رمزگذاری SLD در GeoServer تعریف شد. طرح رنگ برای میانگین سرعت تغییر شکل استفاده شده در پروژه URBAN GEO BIG DATA در شکل 6 آورده شده است. تجسم نقشه میانگین سرعت تغییر شکل رم و نمودار سری زمانی تغییر شکل تجمعی یک نقطه تغییر شکل در شکل 7 نشان داده شده است . رسم سری زمانی تغییر شکل تجمعی برای تمام نقاط تغییر شکل پنج شهر در دسترس است.
علاوه بر این، فایل‌های شطرنجی که تغییر شکل تجمعی را نشان می‌دهند تقریباً برای هر سال و پنج شهر تولید می‌شوند، به طوری که می‌توان با متحرک‌سازی موقت تصاویر شطرنجی به یک نمای کلی از تغییر شکل برای هجده سال دست یافت. فایل های شطرنجی در قالب GeoTIFF از سری زمانی تغییر شکل مشتق شده اند. مرجع. [ 70 ] روش ایجاد فایل های شطرنجی را توضیح داد که وضوح مکانی و زمانی را کاهش داده است. در نتیجه، سری های زمانی تغییر شکل خلاصه شدند. ذخیره داده ImageMosaic GeoServer برای ایجاد سری های زمانی شطرنجی استفاده شد. یک ImageMosaic برای هر یک از پنج شهر ایجاد شد. طرح رنگ برای تغییر شکل تجمعی مورد استفاده در پروژه URBAN GEO BIG DATA و تجسم سری زمانی تغییر شکل شطرنجی تورین درشکل 8 . شکل ها تغییرات کاهشی، افزایشی و دوره ای تغییر شکل را نشان می دهند.
یک انیمیشن برای هر ImageMosaic در دسترس است. یک ImageMosaic با استفاده از انیمیشن و ویجت‌های جدول زمانی CesiumJS که با استفاده از کلاس‌های Animation و Timeline کتابخانه ایجاد شده‌اند، به‌طور موقت متحرک شد. سری زمانی شطرنجی در قالب ImageMosaic از چندین فایل شطرنجی تشکیل شده است که هر کدام دارای مهر زمانی هستند. بنابراین، یک انیمیشن برای هر ImageMosaic ایجاد شده در این اثر در دسترس است که در آن هر فریم از انیمیشن با یک تصویر شطرنجی با مهر زمانی مطابقت دارد. انیمیشن را می توان با استفاده از ویجت انیمیشن شروع، مکث کرد و به جلو و عقب پخش کرد. علاوه بر این، با استفاده از ویجت جدول زمانی، امکان پیمایش در زمان به صورت دستی وجود دارد. ویجت های انیمیشن و جدول زمانی و تجسم فایل شطرنجی سال 2005 از سری زمانی تغییر شکل شطرنجی تورین در شکل 9 مشاهده می شود.. این ژئوپورتال امکان بزرگنمایی به هر یک از پنج شهر را با استفاده از یک لیست کشویی فراهم می کند. هنگامی که یک شهر با استفاده از لیست انتخاب می شود، می توان نقشه میانگین سرعت تغییر شکل یا سری زمانی تغییر شکل شطرنجی شهر انتخاب شده را به کره مجازی اضافه کرد.
از آنجایی که داده‌های تغییر شکل دارای مقادیر منفی و مثبت هستند، طرح‌های رنگی به طرح‌های واگرا می‌پیوندند که در آن تأکید یکسان بر دامنه‌های میانی و افراطی در هر دو انتهای محدوده داده شده است. در طرح‌های واگرا، شکست در وسط با رنگ‌های روشن تاکید می‌شود و افراط‌های پایین و بالا با رنگ‌های تیره که دارای رنگ‌های متضاد هستند، تاکید می‌شوند [ 71 ]. طرح های واگرا با یازده کلاس با استفاده از ColorBrewer 2.0 ( https://colorbrewer2.org ) [ 72 ] انتخاب شدند.]. مقدار میانی با 0 در طرح های رنگی جایگزین شد تا رنگ های مختلف برای مقادیر منفی و مثبت تعریف شود. علاوه بر این، فواصل رنگ ها در طرح رنگ برای سرعت تغییر شکل متوسط ​​از انحراف استاندارد حدود 1 میلی متر در سال برای سرعت تغییر شکل متوسط ​​تجاوز نمی کند. به همین ترتیب، فواصل رنگ ها در طرح رنگ برای تغییر شکل تجمعی از انحراف استاندارد حدود 5 میلی متر برای تغییر شکل تجاوز نمی کند [ 73 ]. با توجه به انحراف معیار و ماهیت واگرای داده ها، طرح های رنگی ارائه شده در شکل 6 و شکل 8استفاده شده. هر دو طرح رنگ برای هر پنج شهر مورد استفاده قرار گرفت تا امکان مقایسه بصری بین آنها فراهم شود. از آنجایی که مقادیر میانگین سرعت تغییر شکل و تغییر شکل تجمعی در اطراف صفر متمرکز می‌شوند، فواصل به سمت حدهای پایین و زیاد گسترده‌تر می‌شوند.
3.2.2. تجسم، پرس و جو و پردازش LULC
رشد شهرها و در نتیجه افزایش مصرف خاک [ 74 ] منجر به کاهش کیفیت زندگی در شهرها می شود. یکی از راه های انجام این کار افزایش دمای هوا است [ 75] که باعث تشدید مشکلات سلامتی به ویژه برای سالمندان در تابستان می شود. در نتیجه، این کار همچنین بر کاربری زمین و پوشش زمین (LULC) متمرکز شد. مجموعه داده های LULC مشتق از EO بر روی یک کره مجازی در وب تجسم شدند. علاوه بر این، پرس و جو و پردازش مجموعه داده ها را می توان با استفاده از geoportal آغاز کرد. مجموعه داده های LULC شامل نقشه های مصرف زمین از موسسه ایتالیایی برای حفاظت از محیط زیست و تحقیقات (ISPRA) در سال های 2012، 2015، 2016 و 2017 با وضوح 10 متر است. نقشه پوشش زمین از ISPRA سال 2012 با وضوح 10 متر. GlobeLand30 سال 2000 و 2010 با وضوح 30 متر و GHS ساخته شده (GHS-BUILT) در سال های 1975، 1990، 2000 و 2014 با وضوح 38 متر. GlobeLand30 و GHS-BUILT که در سطح جهانی در دسترس هستند تا مرز ایتالیا بریده شدند. اندازه نقشه های مصرف زمین از ISPRA حدود 224 گیگابایت است. اندازه نقشه پوشش زمین از ISPRA حدود 28 گیگابایت، اندازه GlobeLand30 حدود 2.94 گیگابایت و اندازه GHS-BUILT حدود 6.23 گیگابایت است. نقشه های مصرف اراضی ISPRA به عنوان نقشه های کاربری اراضی و مابقی نقشه های پوشش زمین در نظر گرفته می شوند. نقشه های مصرف زمین از ISPRA و GHS-BUILT دارای دو کلاس است که به ترتیب نشان می دهد که آیا منطقه مصرفی است یا خیر و ساخته شده است یا خیر. نقشه پوشش زمین از ISPRA و GlobeLand30 بیش از دو کلاس دارد. نقشه های مصرف زمین از ISPRA و GHS-BUILT دارای دو کلاس است که به ترتیب نشان می دهد که آیا منطقه مصرفی است یا خیر و ساخته شده است یا خیر. نقشه پوشش زمین از ISPRA و GlobeLand30 بیش از دو کلاس دارد. نقشه های مصرف زمین از ISPRA و GHS-BUILT دارای دو کلاس است که به ترتیب نشان می دهد که آیا منطقه مصرفی است یا خیر و ساخته شده است یا خیر. نقشه پوشش زمین از ISPRA و GlobeLand30 بیش از دو کلاس دارد.
سبک تمام مجموعه داده های LULC با استفاده از رمزگذاری SLD در GeoServer تعریف شد. این ژئوپورتال امکان بزرگنمایی به هر یک از پنج شهر را با استفاده از یک لیست کشویی فراهم می کند. نقشه پوشش زمین از ISPRA در سال 2012 با استفاده از فروشگاه داده GeoTIFF به جای ذخیره اطلاعات ImageMosaic GeoServer که برای یک سال در دسترس است، ذخیره شد. پس از انتشار مجموعه داده در GeoServer، با استفاده از GWC کاشی شد. کلاس‌های ImageryLayer و WebMapTileServiceImageryProvider از CesiumJS توسط کلاینت برای درخواست‌هایی برای پیاده‌سازی WMTS GeoServer و قرار دادن تصاویر کاشی‌شده بازیابی شده در کره مجازی استفاده شد.
همانطور که قبلاً در بخش قبل ذکر شد، ذخیره داده ImageMosaic GeoServer برای ایجاد سری های زمانی شطرنجی استفاده شد. ImageMosaic برای نقشه های مصرف زمین از ISPRA، GlobeLand30 و GHS-BUILT ایجاد شد. یک انیمیشن برای هر ImageMosaic موجود است که با استفاده از روش توضیح داده شده در بخش قبل ایجاد شده است. GlobeLand30 و GHS-BUILT که در سطح جهانی در دسترس هستند، با تمرکز پروژه URBAN GEO BIG DATA بر ایتالیا و ظرفیت ذخیره سازی محدود، در مرز ایتالیا قرار گرفتند. شکل 10 نشان می دهد که انیمیشن اجازه می دهد تا تغییرات پوشش زمین را در طول زمان به صورت بصری تشخیص دهد زیرا قابل مشاهده است که مناطق ساخته شده به طور پیوسته در رم از سال 1975 تا 2014 طبق GHS-BUILT افزایش یافته است.
علاوه بر این، تمام مجموعه داده های LULC به rasdaman وارد شدند تا بتوانند با استفاده از WCPS پردازش شوند. مجموعه داده‌ها با استفاده از اجرای تراکنش خدمات پوشش وب (WCS-T) از rasdaman وارد شدند. در نتیجه وارد کردن مجموعه‌های مجموعه داده‌ها، یک مکعب داده ایجاد شد که مربوط به هر مجموعه از مجموعه‌های داده است. در نتیجه، چهار دیتاکیوب ایجاد شد. دیتاکیوب نقشه پوشش زمین از ISPRA 2 بعدی (x/y) است، در حالی که بقیه مکعب ها 3 بعدی (x/y/t) هستند.
پردازش را می توان هم برای مجموعه ای از مختصات و هم برای چهار مجموعه مختصات، به عنوان مثال، یک مستطیل اجرا کرد. وقتی کاربر روی یک پیکسل کلیک می کند، مختصات پیکسل بوم با استفاده از CesiumJS به مجموعه ای از مختصات در EPSG:3857 ترجمه می شود. پردازش، که نشان دهنده یک عملیات برش است، از مجموعه مختصات استفاده می کند و بسته به تعداد ابعاد دیتاکیوب، متفاوت اجرا می شود. اگر دیتاکیوب دوبعدی باشد که برای نقشه پوشش زمین از ISPRA درست است، پردازش مقدار پیکسلی را که کلاس پوشش زمین است برمی‌گرداند. از سوی دیگر، اگر دیتاکیوب سه بعدی باشد، که برای نقشه‌های مصرف زمین از ISPRA، GlobeLand30 و GHS-BUILT صادق است، پردازش مقدار پیکسل را برای تمام زمان‌هایی که مجموعه داده‌ها در دسترس هستند، برمی‌گرداند که مطابق با طبقات کاربری زمین یا پوشش زمین.شکل 11 ).
همانطور که قبلا ذکر شد، پردازش علاوه بر مجموعه ای از مختصات، می تواند برای چهار مجموعه مختصات نیز اجرا شود. ژئوپورتال یک رابط برای محاسبه میزان تغییر کاربری یا طبقه پوشش زمین انتخاب شده در داخل مستطیلی که توسط کاربر بین دو سال انتخاب شده ترسیم شده است، فراهم می کند. این عملیات فقط برای دیتاکیوب های سه بعدی در دسترس است. پردازش نشان دهنده ترکیبی از عملیات برش و متراکم است. چهار مجموعه مختصات پیکسلی بوم که رئوس مستطیل را تعریف می کنند با استفاده از CesiumJS به چهار مجموعه مختصات در EPSG:3857 ترجمه می شوند.
نشانی‌های اینترنتی اجرا شده (یعنی درخواست‌های ارائه شده به اجرای WCPS rasdaman) https://urbangeobigdata.como.polimi.it:8081/rasdaman/ows?query=for $ cin(ispra_lc_2012_2015_2016_2017)count $ code [ code( X(xMin:xMax)،Y(yMin:yMax)،ansi(firstYear)]=classificationCode)،”text/csv”) و https://urbangeobigdata.como.polimi.it:8081/rasdaman/ows?query= برای $ cin (ispra_lc_2012_2015_2016_2017) returnecode(count( $ c[X(xMin:xMax)، Y(yMin:yMax)، ansi(secondYear)]=classificationCode)، «text/csv»)برای پردازش مکعب داده نقشه های مصرف زمین از ISPRA برای چهار مجموعه مختصات. متغیر xMin مخفف حداقل طول جغرافیایی، متغیر xMax مخفف حداکثر طول جغرافیایی، متغیر yMin مخفف حداقل عرض جغرافیایی و متغیر yMax مخفف حداکثر عرض جغرافیایی است. این متغیرها دارای مقادیر چهار مجموعه مختصات در EPSG:3857 هستند که با رئوس مستطیل مطابقت دارند. مقدار متغیر firstYear سال اول است و مقدار متغیر secondYear سال دومی است که کاربر با استفاده از لیست های کشویی در رابط کاربری گرافیکی انتخاب می کند. متغیر classificationCode دارای مقدار پیکسل در فایل شطرنجی است که مطابق با کلاسی است که کاربر با استفاده از لیست کشویی در رابط کاربری گرافیکی انتخاب می کند. مقدار پارامتر query یک کوئری rasql است. برای دو دیتاکیوب دیگر فقط شناسه پوشش (یعنی ispra_lc_2012_2015_2016_2017) در URL ها متفاوت است. درخواست‌ها تعداد پیکسل‌های داخل مستطیل ترسیم شده توسط کاربر را محاسبه می‌کنند که دارای مقدار classificationCode برای مقادیر firstYear و secondYear است. پس از دریافت شمارش برای هر دو سال، درصد تغییر محاسبه شده و در پنجره ای که با استفاده از کلاس InfoBox از CesiumJS ایجاد شده است، به کاربر داده می شود.شکل 12 ).
VGI بر روی تصاویر شطرنجی LULC در کره مجازی تجسم شد. بسیاری از برنامه های کاربردی دیگر برای تجسم VGI بر روی یک نقشه دو بعدی یا سه بعدی وجود دارد [ 76 ، 77 ، 78 ]. در این کار، VGI توسط برنامه‌ای به نام Land Cover Collector جمع‌آوری می‌شود که امکان جمع‌آوری داده‌های پوشش زمین را بر اساس نام‌گذاری GlobeLand30 فراهم می‌کند.
VGI از پایگاه داده CouchDB با فرمت JSON بازیابی شده است. هر شی در داده‌های JSON که مربوط به یک ارسال منفرد VGI است توسط یک شی ایجاد شده با استفاده از کلاس Entity CesiumJS نشان داده می‌شود. موقعیت یک موجودیت با مقادیر طول و عرض جغرافیایی شیء JSON که با آن مطابقت دارد تعیین می شود. برای هر نهاد، کلاس BillboardGraphics از CesiumJS برای ایجاد یک پین واقع در موقعیت موجودیت استفاده شد. نمادهای GlobeLand30 برای ایجاد پین ها به کار گرفته شدند. هنگامی که کاربر روی یک پین کلیک می کند، مقادیر ویژگی های مهم شی JSON که با پین کلیک شده مطابقت دارد در پنجره ای که با استفاده از کلاس InfoBox از CesiumJS ایجاد شده است، نمایش داده می شود. املاک مهم عبارتند از کلاس پوشش زمین، تاریخ ارسال داده های پوشش زمین،
تمام اشیاء JSON که دارای کلاس پوشش زمین یکسان هستند توسط یک شی ایجاد شده با استفاده از کلاس CustomDataSource CesiumJS نمایش داده می شوند تا بتوان آنها را خوشه بندی کرد. خوشه‌بندی باعث می‌شود که تجسم درهم‌ریخته کمتری به دست آورید، که به شما امکان می‌دهد در مورد توزیع کلاس‌های پوشش زمین در کره مجازی برای هر سطح بزرگ‌نمایی اطلاعاتی به دست آورید. هر خوشه با یک پین ایجاد شده با استفاده از کلاس PinBuilder CesiumJS نمایش داده می شود. پین هر خوشه از یک کلاس پوشش زمین دارای رنگ پیکسل ها در تصاویر شطرنجی است که نشان دهنده کلاس پوشش زمین خوشه ای است. علاوه بر این، تعداد موجودیت ها در هر خوشه روی پین نمایش داده می شود. خوشه هایی که با پین ها در کره مجازی نشان داده شده اند در شکل 13 نشان داده شده اند.. علاوه بر این، این تجسم به شما امکان می‌دهد تا تفاوت‌های بین VGI جمع‌آوری‌شده بر اساس نام‌گذاری GlobeLand30 و تصاویر شطرنجی GlobeLand30 را به صورت بصری شناسایی کنید. تفاوت ها نشان دهنده خطاهایی در GlobeLand30 است که مستلزم بررسی بیشتر است. داده های جمع آوری شده با استفاده از برنامه Land Cover Collector می توانند به عنوان داده های مرجع برای انجام اعتبارسنجی GlobeLand30 به صورت محاسباتی استفاده شوند [ 79 ، 80 ، 81 ].
3.2.3. تجسم تحرک
مجموعه داده‌های شبکه‌های حمل‌ونقل عمومی و ترافیک (یعنی تعداد وسایل نقلیه) برای هر 24 ساعت از روز (10 اکتبر 2018) توسط تیم Politecnico di Torino تولید و در یک نصب GeoServer ذخیره شد. آنها با استفاده از پیاده سازی WMS GeoServer بازیابی شدند و کلاس های ImageryLayer و WebMapServiceImageryProvider از CesiumJS برای ایجاد درخواست ها و قرار دادن تصاویر بازیابی شده در کره مجازی استفاده شدند. از آنجایی که مجموعه داده‌های ترافیک برای بازه‌های زمانی متعدد در دسترس هستند، می‌توان آنها را با استفاده از انیمیشن و ویجت‌های جدول زمانی CesiumJS، با استفاده از روش مورد استفاده در برنامه‌های مربوط به تغییر شکل زمین و LULC، تجسم کرد. البته شایان ذکر است که در این اپلیکیشن به جای ذخیره اطلاعات ImageMosaic GeoServer از 24 مجموعه داده برای هر شهر که به صورت برداری در GeoServer ذخیره شده است استفاده شده است. که دردر شکل 14 ، تجسم ترافیک در رم بین ساعت 12:00 و 13:00 UTC ارائه شده است.

4. نتیجه گیری

نقشه کشی به طور سنتی نقشه های دو بعدی تولید می کند. گلوب ها، اگرچه مزیت نمایش تحریف نشده زمین را ارائه می دهند، اما استفاده از آنها ناراحت کننده است. از سوی دیگر، استفاده از کره‌های مجازی راحت است و در مقایسه با نقشه‌های دوبعدی، امکان بافت‌بندی پدیده‌های ارائه‌شده را به طور مؤثرتری فراهم می‌کند. علاوه بر این، پتانسیل آنها در حال حاضر به طور کامل کشف نشده است. در نتیجه در این کار از کره های مجازی برای تصویرسازی جغرافیایی استفاده شد. برای ایجاد کره‌های مجازی، از نرم‌افزار منبع باز عمدتاً استفاده می‌شود تا بتوانند آزادانه‌تر در مقایسه با جایگزین‌های منبع بسته سفارشی‌سازی شوند.
استانداردهای باز برای اطمینان از قابلیت همکاری ژئوپورتال استفاده شد. علاوه بر این، FOSS و داده های باز برای توسعه ژئوپورتال در درجه اول برای کاهش موانع دسترسی به آن استفاده شد. اکثر استانداردها و FOSS مورد استفاده برای مقابله با داده های بزرگ جغرافیایی توسعه یافته اند. از آنجایی که داده‌های مکانی به طور پیوسته بیشتر در وب و کمتر با برنامه‌های دسکتاپ مورد استفاده قرار می‌گیرند، این تحقیق بر جنبه‌های فن‌آوری برای انتشار داده‌های مکانی در وب با استفاده از استانداردهای باز بین‌المللی و رایج‌ترین و با بالاترین عملکرد FOSS متمرکز شده است.
این کار جدیدترین فن‌آوری‌های وب را گرد هم می‌آورد و نرم‌افزار جدیدی را برای تجسم داده‌های مکانی چندبعدی بردار و شطرنجی و پردازش داده‌های جغرافیایی شطرنجی چند بعدی توسعه می‌دهد. از آنجایی که چالش‌های مورد توجه در این تحقیق نه تنها از نظر تئوری، بلکه از طریق توسعه برنامه‌های کاربردی مورد بررسی قرار گرفت، می‌توان این برنامه‌ها را نمادی برای طراحی و پیاده‌سازی راه‌حل‌های بهینه برای مقابله با چالش‌های فوق‌الذکر دانست. علاوه بر این، توجه به این نکته مهم است که درخواست پردازش از طریق WCPS تنها یک مثال است. همان معماری نرم‌افزاری را می‌توان برای سایر عملیات‌هایی که استاندارد WCPS اجازه اجرای آن‌ها را می‌دهد، اعمال کرد.
این تحقیق را می توان با ادغام تکنیک های تحلیل ژئو بصری، مانند نماهای چند پیوندی در ژئوپورتال ادامه داد. علاوه بر این، اگر یک جایگزین FOSS برای ایجاد مجموعه داده‌ها در این قالب موجود باشد، می‌توان از جریان داده‌های جغرافیایی عظیم سه‌بعدی و رندر کاشی‌های سه‌بعدی استاندارد اخیراً پدید آمده استفاده کرد. علاوه بر این، مفید خواهد بود که به کاربران اجازه دهید پرس و جوهای rasql خود را از طریق geoportal بنویسند و اجرا کنند. علاوه بر این، نتایج پردازش از طریق WCPS که در قالب شطرنجی هستند را می توان در کره مجازی تجسم کرد. علاوه بر این، کاربران می توانند تمام نتایج پردازش را از طریق geoportal دانلود کنند. در نهایت، مخازن داده‌های باز موجود را می‌توان کاوش کرد و داده‌هایی را که میزبانی می‌کنند می‌توان بدون انتشار مجدد در ژئوپورتال استفاده کرد.

منابع

  1. MacEachren، AM; کراک، MJ چالش های تحقیقاتی در ژئوویژوالیزه کردن. کارتوگر. Geogr. Inf. علمی 2001 ، 28 ، 3-12. [ Google Scholar ] [ CrossRef ]
  2. ویرانتاوس، ک. فیربرین، دی. کراک، MJ ICA دستور کار تحقیقاتی در زمینه نقشه برداری و علم GIS. کارتوگر. Geogr. Inf. علمی 2009 ، 36 ، 209-222. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  3. چولتکین، ا. بلیش، اس. آندرینکو، جی. دایکز، جی. چالش‌های پایدار در تجسم جغرافیایی – دیدگاه جامعه. بین المللی جی. کارتوگر. 2017 ، 3 ، 115-139. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. گور، آ. زمین دیجیتال: درک سیاره ما در قرن بیست و یکم. اوست Surv. 1998 ، 43 ، 89-91. [ Google Scholar ] [ CrossRef ]
  5. کراگلیا، ام. Goodchild، MF; آنونی، ا. کامارا، جی. گولد، ام. کوهن، دبلیو. مارک، دی. ماسر، آی. مگوایر، دی. لیانگ، اس. و همکاران زمین دیجیتالی نسل بعدی: مقاله موضعی از ابتکار Vespucci برای پیشرفت علم اطلاعات جغرافیایی. بین المللی جی. اسپات. زیرساخت داده Res. 2008 ، 3 ، 146-167. [ Google Scholar ]
  6. گروسنر، KE; Goodchild، MF; Clarke، KC تعریف یک سیستم زمین دیجیتال. ترانس. GIS 2008 ، 12 ، 145-160. [ Google Scholar ] [ CrossRef ]
  7. کراگلیا، ام. دی بی، ک. جکسون، دی. پسری، م. Remetey-Fülöpp، G. وانگ، سی. آنونی، ا. بیان، ال. کمبل، اف. اهلرز، ام. و همکاران Digital Earth 2020: به سوی چشم انداز دهه آینده. بین المللی جی دیجیت. زمین 2012 ، 5 ، 4-21. [ Google Scholar ] [ CrossRef ]
  8. Goodchild، MF; گوا، اچ. آنونی، ا. بیان، ال. دی بی، ک. کمبل، اف. کراگلیا، ام. اهلرز، ام. ون جندرن، جی. جکسون، دی. و همکاران نسل بعدی زمین دیجیتال. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2012 ، 109 ، 11088-11094. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. ونندال، بی. بروولی، MA; لی، اس. بررسی نقشه‌برداری وب: دوره‌ها، روندها و مسیرها. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 317. [ Google Scholar ] [ CrossRef ]
  10. هیبارد، بی. ده مشکل برتر تجسم. محاسبات ACM SIGGRAPH. نمودار 1999 ، 33 ، 21-22. [ Google Scholar ] [ CrossRef ]
  11. جانسون، سی. مشکلات تحقیق تجسم علمی برتر. محاسبات IEEE. نمودار Appl. 2004 ، 24 ، 13-17. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  12. لارامی، آر.اس. کوسارا، ر. چالش ها و مسائل حل نشده. در محیط های تجسم محور انسان ؛ Kerren, A., Ebert, A., Meyer, J., Eds. Springer: هایدلبرگ، آلمان، 2007; صص 231-254. [ Google Scholar ]
  13. Guo, D. تجزیه و تحلیل بصری الگوهای تعامل فضایی برای حمایت از تصمیم گیری همه گیر. بین المللی جی. جئوگر. Inf. علمی 2007 ، 21 ، 859-877. [ Google Scholar ] [ CrossRef ]
  14. برتولتو، ام. دی مارتینو، اس. فروچی، اف. Kechadi، T. به سوی چارچوبی برای استخراج و تجزیه و تحلیل مجموعه داده های مکانی-زمانی. بین المللی جی. جئوگر. Inf. علمی 2007 ، 21 ، 895-906. [ Google Scholar ] [ CrossRef ]
  15. سیپس، م. اشنایدویند، جی. Keim, DA برجسته کردن الگوهای فضا-زمان: رمزگذاری‌های بصری مؤثر برای تصمیم‌گیری تعاملی. بین المللی جی. جئوگر. Inf. علمی 2007 ، 21 ، 879-893. [ Google Scholar ] [ CrossRef ]
  16. لی، اس. دراگیسویچ، اس. کاسترو، FA; سستر، ام. زمستان، اس. کولتکین، ا. پتیت، سی. جیانگ، بی. هاورث، جی. استین، ا. و همکاران نظریه و روش های مدیریت داده های بزرگ جغرافیایی: بررسی و چالش های تحقیق ISPRS J. Photogramm. Remote Sens. 2016 ، 115 ، 119-133. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. فراز، VRT; سانتوس، MTP GlobeOLAP: بهبود واقع گرایی جغرافیایی در محیط تحلیل چند بعدی. در مجموعه مقالات دوازدهمین کنفرانس بین المللی سیستم های اطلاعات سازمانی، فونچال، پرتغال، 8 تا 12 ژوئن 2010. Filipe, J., Cordeiro, J., Eds. SciTePress: Setúbal، پرتغال، 2010. [ Google Scholar ]
  18. دمنده، JD; جمل، آل. گریفیث، جی اچ. هاینز، ک. سانتوخی، ا. Yang, X. یک سرویس نقشه وب برای تجسم داده های محیطی شبکه بندی شده چند بعدی. محیط زیست مدل. نرم افزار 2013 ، 47 ، 218-224. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. لی، دبلیو. Wang, S. PolarGlobe: یک سیستم کره مجازی در سطح وب برای تجسم داده های آب و هوای بزرگ چند بعدی، متغیر با زمان. بین المللی جی. جئوگر. Inf. علمی 2017 ، 31 ، 1562-1582. [ Google Scholar ] [ CrossRef ]
  20. Cappelaere، P. سانچز، اس. برنابه، اس. اسکوری، ا. ماندل، دی. پلازا، A. پیاده‌سازی ابر طیفی کامل زنجیره‌ای در سرویس پردازش پوشش وب ناسا برای EO-1. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2013 , 6 , 408-418. [ Google Scholar ] [ CrossRef ]
  21. کارماس، ا. تزوتسوس، ا. Karantzalos، K. خدمات وب جغرافیایی مقیاس پذیر از طریق پردازش کارآمد، آنلاین و نزدیک به زمان واقعی داده های رصد زمین. در مجموعه مقالات اولین کنفرانس بین المللی IEEE در سال 2015 در مورد سرویس ها و برنامه های محاسباتی کلان داده، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 30 مارس تا 3 آوریل 2015؛ صص 194-201. [ Google Scholar ]
  22. کارماس، ا. Karantzalos، K. معیار ماژول های نرم افزار سمت سرور برای مدیریت و پردازش داده های سنجش از راه دور از طریق Rasdaman. در مجموعه مقالات هفتمین کارگاه 2015 در مورد پردازش تصویر فراطیفی و سیگنال: تکامل در سنجش از دور (WHISPERS)، توکیو، ژاپن، 2 تا 5 ژوئن 2015. صص 1-4. [ Google Scholar ]
  23. باومن، پی. مازتی، پ. اونگار، ج. باربرا، آر. باربونی، دی. بکتی، ا. بیگاگلی، ال. بولدرینی، ای. برونو، آر. کالاندوچی، آ. و همکاران تجزیه و تحلیل داده های بزرگ برای علوم زمین: رویکرد EarthServer. بین المللی جی دیجیت. زمین 2016 ، 9 ، 3-29. [ Google Scholar ] [ CrossRef ]
  24. تزوتسوس، ا. کارماس، ا. مرتیکاریو، وی. میسف، دی. Baumann, PA Datacube Approach to Agro-geoinformatics. در مجموعه مقالات ششمین کنفرانس بین المللی 2017 در زمینه آگرو-ژئوانفورماتیک، فیرفکس، VA، ایالات متحده آمریکا، 7 تا 10 اوت 2017; صص 1-6. [ Google Scholar ]
  25. باومن، پی. کوهلر، ک. مرتیکاریو، وی. Isroilov، I. استفاده از فناوری Datacube برای کشاورزی دقیق درجا. در مجموعه مقالات هفتمین کارگاه بین المللی ACM SIGSPATIAL در مورد تجزیه و تحلیل برای داده های بزرگ جغرافیایی (BigSpatial 2018)، سیاتل، WA، ایالات متحده آمریکا، 6 نوامبر 2018؛ صص 10-15. [ Google Scholar ]
  26. برنارد، ال. کانلوپولوس، آی. آنونی، ا. اسمیتز، پی. ژئوپورتال اروپایی – یک گام به سوی ایجاد زیرساخت داده های مکانی اروپایی. محاسبه کنید. محیط زیست سیستم شهری 2005 ، 29 ، 15-31. [ Google Scholar ] [ CrossRef ]
  27. بارتا، جی. Kocsis، S. استانداردسازی داده های جغرافیایی: دستورالعمل INSPIRE اروپا. یورو جی. جئوگر. 2011 ، 2 ، 79-89. [ Google Scholar ]
  28. اش، تی. آسامر، اچ. باکوفر، اف. بالهار، ج. بوچر، ام. بوسیه، ای. d’Angelo، P. Gevaert، CM; هیرنر، آ. جوپووا، ک. و همکاران دنیای دیجیتال با سیاره شهری روبرو می شود – چشم اندازهای جدید برای مطالعات شهری مبتنی بر شواهد ناشی از بهره برداری مشترک از داده های بزرگ زمین، فناوری اطلاعات و دانش مشترک. بین المللی جی دیجیت. زمین 2020 ، 13 ، 136-157. [ Google Scholar ] [ CrossRef ]
  29. پپه، آ. بونانو، م. بوردوگنا، جی. بروولی، م. کالو، اف. کارارا، پی. کونگدو، ال. فریجریو، ال. Imperatore، P. لناری، ر. و همکاران پروژه “ژئوماتیک شهری برای تولید اطلاعات انبوه، ارزیابی داده ها و آگاهی از فناوری”: تشخیص، نمایش و تحلیل تغییرات سناریوی شهری. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور IEEE 2018، والنسیا، اسپانیا، 22 تا 27 ژوئیه 2018؛ صفحات 2902-2905. [ Google Scholar ]
  30. بروولی، MA; بوکاردو، پی. بوردوگنا، جی. پپه، آ. کرسپی، م. منافو، م. پیروتی، اف. داده های بزرگ جغرافیایی شهری. در آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، مجموعه مقالات FOSS4G 2019 — مسیر آکادمیک، بخارست، رومانی، 26 تا 30 اوت 2019 ؛ Brovelli، MA، Marin، AF، Eds. انتشارات کوپرنیک: گوتینگن، آلمان، 2019; ص 23-30. [ Google Scholar ]
  31. اکسولی، دی. صبری، س. رجبی فرد، ع. Brovelli، MA یک تکنیک طبقه بندی برای خوشه های چند متغیره محلی و نقاط پرت ارتباط فضایی. ترانس. GIS 2020 ، 1-21. [ Google Scholar ] [ CrossRef ]
  32. دورایسوامی، اچ. فریره، جی. لاگه، م. میراندا، اف. سیلوا، سی. تجزیه و تحلیل داده های شهری فضایی-زمانی: دیدگاه تحلیلی بصری. محاسبات IEEE. نمودار Appl. 2018 ، 38 ، 26-35. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  33. باومن، پی. میسف، دی. مرتیکاریو، وی. Huu، BP Datacubes: Towards Space/Time Analysis-Ready Data. در نقشه برداری سرویس گرا ; Döllner, J., Jobst, M., Schmitz, P., Eds. Springer: Cham، سوئیس، 2019; صص 269-299. [ Google Scholar ]
  34. Baumann, P. مدیریت داده های گسسته چند بعدی. VLDB J. 1994 ، 3 ، 401-444. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. باومن، پی. دهمل، ع. فورتادو، پ. ریچ، آر. Widmann, N. سیستم پایگاه داده چند بعدی RasDaMan. در مجموعه مقالات کنفرانس بین المللی ACM SIGMOD در مدیریت داده ها، سیاتل، WA، ایالات متحده آمریکا، 2-4 ژوئن 1998. Tiwary, A., Franklin, M., Eds. ACM Press: نیویورک، نیویورک، ایالات متحده آمریکا، 1998; صص 575-577. [ Google Scholar ]
  36. باومن، پی. دهمل، ع. فورتادو، پ. ریچ، آر. Widmann، N. بازیابی فضایی-زمانی با RasDaMan. در مجموعه مقالات بیست و پنجمین کنفرانس بین المللی پایگاه های داده بسیار بزرگ، ادینبورگ، اسکاتلند، بریتانیا، 7 تا 10 سپتامبر 1999. اتکینسون، MP، Orlowska، ME، Valduriez، P.، Zdonik، SB، Brodie، ML، Eds. Morgan Kaufmann Publishers: San Francisco, CA, USA, 1999; صص 746-749. [ Google Scholar ]
  37. فورتادو، پ. Baumann, P. ذخیره سازی آرایه های چند بعدی بر اساس کاشی کاری دلخواه. در مجموعه مقالات پانزدهمین کنفرانس بین المللی مهندسی داده، سیدنی، استرالیا، 23 تا 26 مارس 1999. Kitsuregawa, M., Maciaszek, L., Papazoglou, M., Pu, C., Eds. انجمن کامپیوتر IEEE: واشنگتن، دی سی، ایالات متحده آمریکا، 1999; ص 480-489. [ Google Scholar ]
  38. باومن، پی. دومیترو، AM; مرتیکاریو، وی. پایگاه داده آرایه ای که پایگاه داده نیست: پاسخ پرس و جو آرایه مبتنی بر فایل در رسدامن. در پیشرفت در پایگاه داده های مکانی و زمانی ; Nascimento, MA, Sellis, T., Cheng, R., Sander, J., Zheng, Y., Kriegel, HP, Renz, M., Sengstock, C., Eds.; Springer: هایدلبرگ، آلمان، 2013; صص 478-483. [ Google Scholar ]
  39. باومن، پی. مرتیکاریو، وی. در مورد ارزیابی کارآمد پیوندهای آرایه. در مجموعه مقالات کنفرانس بین المللی IEEE در سال 2015 درباره داده های بزرگ (داده های بزرگ)، سانتا کلارا، کالیفرنیا، ایالات متحده آمریکا، 29 اکتبر تا 1 نوامبر 2015؛ هو، اچ، چین اوی، بی، زکی، ام جی، هو، ایکس، هاس، ال.، کومار، وی، راچوری، اس.، یو، اس.، هوی-آی هسیائو، ام.، لی، J., et al., Eds. IEEE: Piscataway, NJ, USA, 2015; صفحات 2046–2055. [ Google Scholar ]
  40. دومیترو، AM; مرتیکاریو، وی. Baumann, P. Array Database Scalability: Queries intercontinental on Petabyte Datasets. در مجموعه مقالات بیست و هشتمین کنفرانس بین المللی مدیریت پایگاه داده های علمی و آماری، بوداپست، مجارستان، 18 تا 20 ژوئیه 2016؛ Baumann, P., Manolescu-Goujot, I., Trani, L., Ioannidis, Y., Barnaföldi, GG, Dobos, L., Bányai, E., Eds.; ACM Press: نیویورک، نیویورک، ایالات متحده آمریکا، 2016. صص 1-5. [ Google Scholar ]
  41. دومیترو، آ. مرتیکاریو، وی. باومن، پی. بررسی فرصت های ابری از دیدگاه پایگاه داده آرایه. در مجموعه مقالات کنفرانس ACM SIGMOD/PODS، Snowbird، UT، ایالات متحده آمریکا، 22-27 ژوئن 2014. Katsifodimos, A., Tzoumas, K., Babu, S., Eds. ACM Press: نیویورک، نیویورک، ایالات متحده آمریکا، 2014. صص 1-4. [ Google Scholar ]
  42. Goodchild، MF Citizens به عنوان حسگر: دنیای جغرافیای داوطلبانه. ژئوژورنال 2007 ، 69 ، 211-221. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. ببینید، L. استیما، ج. پودور، ا. ارسنجانی، ج. بایاس، JCL; Vatseva, R. منابع VGI برای نقشه برداری. در نقشه برداری و سنسور شهروند ; Foody, G., See, L., Fritz, S., Mooney, P., Olteanu-Raimond, A., Fonte, C., Antoniou, V., Eds.; Ubiquity Press: لندن، بریتانیا، 2017؛ صص 13-35. [ Google Scholar ]
  44. مونی، پی. مینگینی، ام. مروری بر داده های نقشه خیابان باز. در نقشه برداری و سنسور شهروند ; Foody, G., See, L., Fritz, S., Mooney, P., Olteanu-Raimond, A., Fonte, C., Antoniou, V., Eds.; Ubiquity Press: لندن، بریتانیا، 2017؛ صص 37-59. [ Google Scholar ]
  45. گوتز، ام. Zipf، A. تکامل جغرافیای جمع سپاری: آوردن اطلاعات جغرافیایی داوطلبانه به بعد سوم. در جمع سپاری دانش جغرافیایی ; Sui, D., Elwood, S., Goodchild, M., Eds. Springer: Dordrecht، هلند، 2013; صص 139-159. [ Google Scholar ]
  46. سارجاکوسکی، T. GIS شبکه شده برای مشارکت عمومی – تاکید بر استفاده از داده های تصویری. محاسبه کنید. محیط زیست سیستم شهری 1998 ، 22 ، 381-392. [ Google Scholar ] [ CrossRef ]
  47. یانگ، PPJ; پوترا، سی. Li, W. Viewsphere: تحلیل دید سه بعدی مبتنی بر GIS برای ارزیابی طراحی شهری. محیط زیست طرح. B طرح. دس 2007 ، 34 ، 971-992. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  48. لی، جی. یک مدل داده قابل هدایت سه بعدی برای پشتیبانی از واکنش اضطراری در محیط های ساخته شده ریزفضایی. ان دانشیار صبح. Geogr. 2007 ، 97 ، 512-529. [ Google Scholar ] [ CrossRef ]
  49. لی، جی. زلاتانوا، اس. یک مدل داده سه بعدی و تجزیه و تحلیل توپولوژیکی برای پاسخ اضطراری در مناطق شهری. در فناوری اطلاعات مکانی برای واکنش اضطراری ; زلاتانوا، اس.، لی، ج.، ویرایش. گروه تیلور و فرانسیس: لندن، انگلستان، 2008; صص 159-184. [ Google Scholar ]
  50. کلبه، تی. گروگر، جی. مدل‌های شهر پلومر، L. CityGML–3D و پتانسیل آن‌ها برای واکنش اضطراری. در فناوری اطلاعات مکانی برای واکنش اضطراری ; زلاتانوا، اس.، لی، ج.، ویرایش. گروه تیلور و فرانسیس: لندن، انگلستان، 2008; صص 257-274. [ Google Scholar ]
  51. لی، جی. مدل داده سه بعدی برای نمایش روابط توپولوژیکی ویژگی های شهری. در مجموعه مقالات بیست و یکمین کنفرانس بین‌المللی کاربران Esri، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 9 تا 13 ژوئیه 2001. [ Google Scholar ]
  52. میراندا، اف. دورایسوامی، اچ. لاگه، م. ویلسون، ال. حسیه، م. Silva، CT Shadow Accrual Maps: انباشت کارآمد سایه‌های مقیاس شهر در طول زمان. IEEE Trans. Vis. محاسبه کنید. نمودار 2019 ، 25 ، 1559-1574. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  53. 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 ]
  54. 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 ]
  55. گوتز، ام. Zipf، A. گسترش OpenStreetMap به محیط های داخلی: آوردن اطلاعات جغرافیایی داوطلبانه به سطح بعدی. در مدیریت داده های شهری و منطقه ای ; Zlatanova, S., Ledoux, H., Fendel, EM, Rumor, M., Eds. گروه تیلور و فرانسیس: لندن، بریتانیا، 2011; ص 47-58. [ Google Scholar ]
  56. وانگ، ز. Zipf، A. استفاده از داده‌های OpenStreetMap برای تولید مدل‌های ساختمان با ساختارهای داخلی آنها برای نقشه‌های سه بعدی. در ISPRS Annals of Photogrammetry, Remote Sensing & Spatial Information Sciences، مجموعه مقالات هفته جغرافیایی ISPRS، ووهان، چین، 18 تا 22 سپتامبر 2017 . لی، دی، گونگ، جی، یانگ، بی، وو، اچ، لیندنبرگ، آر.، بوهم، جی.، روتزینگر، ام.، یائو، دبلیو.، واینمن، ام.، ژانگ، ی.، و همکاران، ویرایش. انتشارات کوپرنیک: گوتینگن، آلمان، 2017; صص 411-416. [ Google Scholar ]
  57. بروولی، MA; 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 ] [ نسخه سبز ]
  58. فیسور، اف. پیروتی، F. مهاجرت کارتوگرافی دیجیتال به CityGML. یک ابزار مبتنی بر وب برای پشتیبانی از روش های ساده ETL. در آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، مجموعه مقالات سمپوزیوم میان مدت ISPRS TC IV “علم اطلاعات فضایی سه بعدی – موتور تغییر”، دلفت، هلند، 1 تا 5 اکتبر 2018 ؛ زلاتانوا، اس.، دراگیسویچ، س.، سیتوله، جی.، ویرایش. انتشارات کوپرنیک: گوتینگن، آلمان، 2018; صص 193-200. [ Google Scholar ]
  59. گروگر، جی. Plümer, L. CityGML—مدل های شهری سه بعدی معنایی قابل تعامل. ISPRS J. Photogramm. Remote Sens. 2012 ، 71 ، 12-33. [ Google Scholar ] [ CrossRef ]
  60. بیلجکی، اف. استوتر، جی. لدوکس، اچ. زلاتانوا، اس. Çöltekin، A. کاربردهای مدل های سه بعدی شهر: بررسی وضعیت هنر. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 2842-2889. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  61. شولت، سی. Coors، V. توسعه CityGML ADE برای اطلاعات سیل سه بعدی پویا. در مجموعه مقالات کنفرانس مشترک ISCRAM-چین و GI4DM در مورد سیستم های اطلاعاتی برای مدیریت بحران، هیلونگجیانگ، چین، 4 تا 6 اوت 2008. [ Google Scholar ]
  62. واردون، وی. موندانی، RP; رتبه، E. مدل های چند وضوح: پیشرفت اخیر در جفت کردن هندسه سه بعدی به شبیه سازی عددی محیطی. در علوم زمین اطلاعات سه بعدی ; Breunig, M., Al-Doori, M., Butwilowski, E., Kuper, PV, Benner, J., Haefele, KH, Eds. Springer: Cham, Switzerland, 2015; صص 55-69. [ Google Scholar ]
  63. امیرابراهیمی، س. رجبی فرد، ع. مندیس، پ. Ngo, T. یک روش یکپارچه سازی BIM-GIS در پشتیبانی از ارزیابی و تجسم سه بعدی آسیب سیل به یک ساختمان. جی. اسپات. علمی 2016 ، 61 ، 317-350. [ Google Scholar ] [ CrossRef ]
  64. امیرابراهیمی، س. رجبی فرد، ع. مندیس، پ. Ngo، T. چارچوبی برای ارزیابی آسیب سیل در مقیاس میکرو و تجسم برای یک ساختمان با استفاده از ادغام BIM-GIS. بین المللی جی دیجیت. زمین 2016 ، 9 ، 363-386. [ Google Scholar ] [ CrossRef ]
  65. تیمکو، پی. کارپینا، م. Borkowski، A. 3D GIS برای مدلسازی سیل در دره رودخانه. در آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، مجموعه مقالات کنگره XXIII ISPRS، پراگ، جمهوری چک، 12 تا 19 ژوئیه 2016 . Halounova، L.، Šafář، V.، Raju، PLN، Plánka، L.، Ždímal، V.، Srinivasa Kumar، T.، Faruque، FS، Kerr، Y.، Ramasamy، SM، Comiso، J.، و همکاران .، ویرایش. انتشارات کوپرنیک: گوتینگن، آلمان، 2016; صص 175-178. [ Google Scholar ]
  66. کیلسدار، م. فیسور، اف. پیروتی، اف. بروولی، کارشناسی ارشد استخراج و تجسم مدل های ساختمانی سه بعدی در مناطق شهری برای شبیه سازی سیل. در آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، مجموعه مقالات GEORES 2019 — دومین کنفرانس بین المللی ژئوماتیک و مرمت، میلان، ایتالیا، 8 تا 10 مه 2019 ؛ Brumana, R., Pracchi, V., Rinaudo, F., Grimoldi, A., Scaioni, M., Previtali, M., Cantini, L., Eds. انتشارات کوپرنیک: گوتینگن، آلمان، 2019; صص 669-673. [ Google Scholar ]
  67. ماسونت، دی. فیگل، تداخل سنجی رادار KL و کاربرد آن در تغییرات سطح زمین. کشیش ژئوفیس. 1998 ، 36 ، 441-500. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  68. لناری، ر. کاسو، اف. مانزو، م. زنی، جی. براردینو، پی. مونتا، م. Pepe, A. مروری بر الگوریتم کوچک زیر مجموعه خط پایه: تکنیک DInSAR برای تجزیه و تحلیل تغییر شکل سطح. در تغییر شکل و تغییر گرانش: شاخص های ایزوستازی، تکتونیک، آتشفشان، و تغییرات آب و هوا . Wolf, D., Fernández, J., Eds. Springer: بازل، سوئیس، 2007; صص 637-661. [ Google Scholar ]
  69. لانوکارا، اس. اوجیونی، ا. مودیکا، جی. کارارا، ص. به اشتراک گذاری و تجسم داده های زمین شناسی و ابزار: اثبات مفهوم. در علوم محاسباتی و کاربردهای آن-ICCSA 2017 ; Gervasi, O., Murgante, B., Misra, S., Borruso, G., Torre, CM, Rocha, AMAC, Taniar, D., Apduhan, BO, Stankova, E., Cuzzocrea, A., Eds.; Springer: Cham, Switzerland, 2017; صص 584-599. [ Google Scholar ]
  70. کیلسدار، م. فریجریو، ال. بونانو، م. بوردوگنا، جی. کارارا، پی. Imperatore، P. لناری، ر. مانزو، م. پپه، آ. بروولی، کارشناسی ارشد تجسم ژئوداده بزرگ: آزمایشی با سری زمانی تغییر شکل DInSAR. در آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، مجموعه مقالات FOSS4G 2019 — مسیر آکادمیک، بخارست، رومانی، 26 تا 30 اوت 2019 ؛ Brovelli، MA، Marin، AF، Eds. انتشارات کوپرنیک: گوتینگن، آلمان، 2019; صص 135-141. [ Google Scholar ]
  71. دستورالعمل‌های استفاده از رنگ Brewer، CA برای نقشه‌برداری و تجسم. در تجسم در کارتوگرافی مدرن ; MacEachren، AM، Taylor، DRF، Eds. الزویر: آکسفورد، انگلستان، 1994; صص 123-147. [ Google Scholar ]
  72. هاروور، ام. Brewer, CA ColorBrewer.org: ابزاری آنلاین برای انتخاب طرح‌های رنگی برای نقشه‌ها. کارتوگر. J. 2003 ، 40 ، 27-37. [ Google Scholar ] [ CrossRef ]
  73. کاسو، اف. مانزو، م. Lanari، R. ارزیابی کمی از عملکرد الگوریتم SBAS برای بازیابی تغییر شکل سطح از داده‌های DInSAR. سنسور از راه دور محیط. 2006 ، 102 ، 195-210. [ Google Scholar ] [ CrossRef ]
  74. اکسولی، دی. مولیناری، من; Brovelli، MA Hotspot Analysis، یک ابزار منبع باز GIS برای تجزیه و تحلیل داده های فضایی اکتشافی: کاربرد در مطالعه مصرف خاک در ایتالیا. رند. Della Soc. جئول ایتالیایی 2018 ، 46 ، 82-87. [ Google Scholar ] [ CrossRef ]
  75. اکسولی، دی. رونچتی، جی. مینگینی، ام. مولیناری، من; لطفیان، م. سونا، جی. Brovelli، MA اندازه‌گیری تأثیر پوشش زمین شهری بر دمای هوا از طریق داده‌های جغرافیایی چندگانه – مورد میلان، ایتالیا. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 421. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  76. Deparday، V. تقویت تجسم داوطلبانه اطلاعات جغرافیایی (VGI) با نرم افزار منبع باز مبتنی بر وب. پایان نامه کارشناسی ارشد، دانشگاه واترلو، واترلو، ON، کانادا، 2011. [ Google Scholar ]
  77. آنتونوویچ، م. بروولی، MA; کاناتا، م. کاردوسو، ام. کیلسدار، م. مینگینی، ام. زامبونی، جی. ترویج گردشگری کند از طریق نقشه برداری وب FOSS4G: مطالعه موردی ایتالیایی-سوئیسی. در کتاب‌های ژئوماتیک، مجموعه مقالات FOSS4G اروپا 2015، کومو، ایتالیا، 14-17 جولای 2015 . Brovelli، MA، Minghini، M.، Negretti، M.، ویرایش. Politecnico di Milano: کومو، ایتالیا، 2015; صص 99-104. [ Google Scholar ]
  78. بروولی، MA; کیلسدار، م. زامبونی، جی. تجسم داده‌های VGI از طریق کره‌ی مجازی باد دنیای وب جدید ناسا. در آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، مجموعه مقالات کنگره XXIII ISPRS، پراگ، جمهوری چک، 12 تا 19 ژوئیه 2016 . Halounova، L.، Šafář، V.، Raju، PLN، Plánka، L.، Ždímal، V.، Srinivasa Kumar، T.، Faruque، FS، Kerr، Y.، Ramasamy، SM، Comiso، J.، و همکاران .، ویرایش. انتشارات کوپرنیک: گوتینگن، آلمان، 2016; ص 205-209. [ Google Scholar ]
  79. کیلسدار، م. براتیک، جی. مولیناری، من; مینگینی، ام. Brovelli، MA منابع آموزشی باز برای اعتبارسنجی نقشه‌های پوشش زمین با وضوح بالا. در Preprints PeerJ، مجموعه مقالات سمپوزیوم تحقیقات و آموزش زمین فضایی منبع باز، لوگانو، سوئیس، 9-11 اکتبر 2018 . PeerJ: سن دیگو، کالیفرنیا، ایالات متحده؛ لندن، بریتانیا، 2019؛ صص 1-6. [ Google Scholar ]
  80. بروولی، MA; وو، اچ. مینگینی، ام. مولیناری، من; کیلسدار، م. ژنگ، ایکس. شو، پ. Chen, J. نرم افزار منبع باز و مواد آموزشی باز در مقایسه و اعتبارسنجی نقشه های پوشش زمین. در آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، مجموعه مقالات سمپوزیوم میان مدت ISPRS TC IV «علم اطلاعات فضایی سه بعدی—موتور تغییر»، دلفت، هلند، 1 تا 5 اکتبر 2018 ؛ زلاتانوا، اس.، دراگیسویچ، س.، سیتوله، جی.، ویرایش. انتشارات کوپرنیک: گوتینگن، آلمان، 2018; صص 61-68. [ Google Scholar ]
  81. اکسولی، دی. براتیک، جی. وو، اچ. Brovelli، MA گسترش روشهای ارزیابی دقت پوشش جهانی نقشه های پوشش زمین از طریق تجزیه و تحلیل انجمن فضایی. در آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، مجموعه مقالات ISPRS Geospatial Week 2019، Enschede، هلند، 10-14 ژوئن 2019 ؛ Vosselman, G., Oude Elberink, SJ, Yang, MY, Eds. انتشارات کوپرنیک: گوتینگن، آلمان، 2019; صفحات 1601-1607. [ Google Scholar ]
Ijgi 09 00434 g001 550
شکل 1. معماری نرم افزاری پروژه URBAN GEOmatics برای تولید اطلاعات انبوه، ارزیابی داده ها و آگاهی از فناوری (URBAN GEO BIG DATA) که از یک پورتال جغرافیایی برای تجسم، پرس و جو و پردازش داده های جغرافیایی، یک سرویس کشف برای فعال کردن جستجوی فضای مکانی تشکیل شده است. داده ها بر اساس پارامترهای مختلف و سرورهای داده که میزبان داده های مکانی مورد استفاده توسط geoportal و سرویس اکتشاف هستند.
Ijgi 09 00434 g002 550
شکل 2. برش ( سمت چپ ) و برش ( راست ) (منبع: OGC).
Ijgi 09 00434 g003a 550 Ijgi 09 00434 g003b 550
شکل 3. تجسم دو بعدی و سه بعدی عناصر OpenStreetMap (OSM) در یک کره مجازی که با استفاده از NASA Web WorldWind و 3D OSM Plugin API ایجاد شده است.
Ijgi 09 00434 g004 550
شکل 4. گردش کار برای تجسم داده های CityGML در یک کره مجازی ایجاد شده با استفاده از CesiumJS.
Ijgi 09 00434 g005 550
شکل 5. شبیه سازی سیل در میلان با نقشه خطر سیل و تجسم داده های CityGML در یک کره مجازی ایجاد شده با استفاده از CesiumJS.
Ijgi 09 00434 g006 550
شکل 6. تجسم نقشه های سرعت تغییر شکل متوسط ​​میلان، پادوآ، تورین، ناپل و رم، به ترتیب از بالا به چپ به پایین، در GET-IT.
Ijgi 09 00434 g007 550
شکل 7. تجسم نقشه میانگین سرعت تغییر شکل رم و نمودار سری زمانی تغییر شکل تجمعی یک نقطه تغییر شکل روی یک کره مجازی ایجاد شده با استفاده از CesiumJS.
Ijgi 09 00434 g008 550
شکل 8. تجسم سری زمانی تغییر شکل شطرنجی تورین در GeoServer.
Ijgi 09 00434 g009 550
شکل 9. تجسم فایل شطرنجی سال 2005 از سری زمانی تغییر شکل شطرنجی تورین در یک کره مجازی ایجاد شده با استفاده از CesiumJS.
Ijgi 09 00434 g010 550
شکل 10. تجسم GHS-BUILT که در رم سال های 1975، 1990، 2000 و 2014 به ترتیب از بالا به چپ به سمت راست پایین، در یک کره مجازی ایجاد شده با استفاده از CesiumJS بزرگنمایی شده است.
Ijgi 09 00434 g011 550
شکل 11. پرس و جو از یک پیکسل از GlobeLand30 برای سال های 2000 و 2010 در یک کره مجازی ایجاد شده با استفاده از CesiumJS.
Ijgi 09 00434 g012 550
شکل 12. نمایش نتیجه پردازش مساحت ترسیم شده نقشه های مصرف زمین از موسسه تحقیقات و حفاظت محیط زیست ایتالیا (ISPRA) که میزان تغییر مناطق مصرفی را از سال 2012 تا 2017 بر روی یک کره مجازی ایجاد شده با استفاده از آن محاسبه می کند. سزیوم جی اس.
Ijgi 09 00434 g013 550
شکل 13. خوشه های اطلاعات جغرافیایی داوطلبانه (VGI) در یک کره مجازی ایجاد شده با استفاده از CesiumJS.
Ijgi 09 00434 g014 550
شکل 14. تجسم ترافیک در رم بین ساعت 12:00 و 13:00 UTC در یک کره مجازی ایجاد شده با استفاده از CesiumJS.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید