خلاصه

از آنجایی که جهان به سرعت در حال دیجیتالی شدن است، افزایش داده های بزرگ و کوچک فرصت هایی برای غنی سازی آمار رسمی برای گزارش اهداف توسعه پایدار (SDG) فراهم می کند. با این حال، داده‌های نظرسنجی که از تعداد فزاینده‌ای از سازمان‌ها (داده‌های کوچک) و داده‌های بزرگ به دست می‌آیند، چالش‌هایی را از نظر ناهمگونی داده‌ها ارائه می‌کنند. این مقاله روشی را برای ترکیب منابع داده های مختلف برای ایجاد مجموعه داده جامع تر در SDG 6.1.1 توصیف می کند. (نسبت جمعیتی که از خدمات آب آشامیدنی با مدیریت ایمن استفاده می کنند). ما داوطلبان دیجیتالی را قادر ساختیم تا ساختمان‌ها را بر روی تصاویر ماهواره‌ای ردیابی کنند و از ردیابی‌ها در OpenStreetMap برای تسهیل تشخیص بصری نقاط آب در تصاویر وسایل نقلیه هوایی بدون سرنشین (UAV) و تخمین تعداد افرادی که در هر نقطه آبی خدمت می‌کنند، استفاده کردیم. ترکیب داده‌های مربوط به نقاط آبی شناسایی‌شده در تصاویر پهپاد ما با داده‌های مربوط به نقاط آب از بررسی‌های میدانی، کیفیت کلی را از نظر حذف ناسازگاری‌ها و غنی‌سازی اطلاعات ویژگی‌ها بهبود می‌بخشد. تصاویر ماهواره‌ای مقیاس‌پذیری را آسان‌تر از تصاویر پهپاد امکان‌پذیر می‌سازد، اما برای به دست آوردن آن با وضوح کافی بسیار پرهزینه است. برای مناطق کوچک، گردش کار ما در ایجاد یک مجموعه داده نقطه آب به روز و ثابت با ترکیب تصاویر پهپاد، اطلاعات جغرافیایی داوطلبانه و داده های بررسی میدانی مقرون به صرفه است.

کلید واژه ها:

تامین آب روستایی ; نقاط آب ؛ پهپاد ; تصاویر پهپاد ; داده های مشترک ; زیرساخت داده ; اهداف توسعه پایدار ; اطلاعات جغرافیایی داوطلبانه OSM ; سنجش از دور ؛ داده های جغرافیایی

1. معرفی

با توجه به افزایش تعداد اهداف، اهداف و شاخص ها، گزارش دهی در مورد اهداف توسعه پایدار (SDGs) (2015-2030) پیچیده تر از گزارش در مورد اهداف توسعه هزاره (MDGs) شده است. SDG 6 [ 1 ] بر تضمین در دسترس بودن و مدیریت پایدار آب و فاضلاب برای همه متمرکز است. این سازمان دارای هشت هدف و یازده شاخص است، در حالی که هیچ توسعه هزاره توسعه مجزایی در مورد آب و فاضلاب وجود ندارد. اهداف توسعه هزاره تنها دارای سه شاخص مرتبط تحت هدف 7 (تضمین پایداری زیست محیطی) هستند. به طور سنتی، این گزارش از داده‌های سرشماری اداره ملی آمار (NSO) و بررسی‌های خانوارها از وزارتخانه‌ها استفاده می‌کند. فریتز و همکاران [ 2] یک نمای کلی از منابع داده اضافی جدید ارائه می دهد که برای اندازه گیری SDG ها در دسترس هستند. دیجیتالی شدن مداوم جامعه منجر به افزایش تصاعدی در حجم به اصطلاح Big Data شده است. Big Data نه تنها حجم زیادی دارد، بلکه به طور مداوم تولید می شود و ماهیت آن متفاوت است (داده های ساختاریافته و بدون ساختار). علاوه بر Big Data، Small Data نیز بیشتر و بیشتر باز می شود. داده‌های کوچک، داده‌هایی از طیف گسترده‌ای از ذینفعان هستند که به روشی کاملاً کنترل‌شده با استفاده از تکنیک‌های نمونه‌گیری که دامنه، زمانی، اندازه و تنوع آن‌ها را محدود می‌کند، تولید می‌شوند [ 3 ].
از نظر داده های بزرگ، به و همکاران مراجعه کنید. [ 4 ] یک نمای کلی از ارزش ترکیب سنجش از دور و داده های مکانی برای نظارت موثرتر SDGs ارائه می دهد. داده های جغرافیایی در اینجا به عنوان داده هایی با موقعیت های جغرافیایی صریح تعریف می شوند. والز و همکاران [ 5] نشان می دهد که چگونه می توان از داده های سنجش از دور و داده های زمین آماری برای نظارت بر پیشرفت یک شاخص از یک چارچوب جهانی در سطح شهرداری استفاده کرد. در این مورد، این رویکرد بر روی چارچوب سندای آزمایش می‌شود، اما همان رویکرد را می‌توان در اصل برای شاخص‌های خاص SDG نیز آزمایش کرد. متذکر می شویم که تصاویر سنجش از دور نیز حاوی داده های مکانی از نظر جعبه مرزی تصاویر و سیستم مرجع مکانی است. با این حال، در این مورد، هیچ مکان یا اشیاء دقیقی از قبل شناسایی نمی شود. نمونه‌هایی از داده‌های مکانی، داده‌های تلفن همراه یا رسانه‌های اجتماعی و اطلاعات جغرافیایی داوطلبانه (VGI) هستند. پلتفرم‌های ICT توسعه یافته‌اند که به افراد حرفه‌ای و شهروندان اجازه می‌دهد تا از طریق دستگاه‌های تلفن همراه (عمدتاً تلفن) در مورد نقاط آب گزارش دهند [ 6 ]. فراسل و همکاران [ 7] نقش‌های علمی شهروندی را در SDGs سازمان ملل ترسیم کرد و نشان داد که براساس تمرین نقشه‌برداری که گروه مشاهدات زمین (GEO) انجام داد، [ 8 ] از 29 شاخص شناسایی‌شده توسط GEO، علم شهروندی می‌تواند از 24 شاخص پشتیبانی کند. مشارکت جهانی برای توسعه پایدار داده ها (GPSDD) از این نوع داده های تولید شده توسط شهروندان حمایت می کند [ 9]. این می‌تواند منابع رسمی داده را تکمیل کند، شکاف‌های داده را پر کند، و به کسانی که به سختی می‌توانند در مورد مسائلی که برایشان مهم‌تر است، نظر بدهند. توییت‌ها یا پست‌های دارای ارجاع جغرافیایی در رسانه‌های اجتماعی می‌توانند حاوی اطلاعاتی در مورد عملکرد زیرساخت‌های عمومی باشند. با این حال، اکثر کشورهای در حال توسعه که نظارت بر SDG 6 ضروری است، ضریب نفوذ اینترنت و رسانه های اجتماعی پایینی دارند، به ویژه در مناطق روستایی. سوابق جزئیات تماس می تواند یک پروکسی برای تعداد کاربران یک نقطه آبی باشد، اما دسترسی به آنها بسیار سخت است و اغلب مغرضانه هستند. نقشه‌های گمشده [ 10] یک همکاری باز VGI است که توسط انجمن بشردوستانه OpenStreetMap (HOTOSM)، پزشکان بدون مرز (MSF) و صلیب سرخ بریتانیا و آمریکا تأسیس شده است. هدف از این پروژه ترسیم نقشه آسیب پذیرترین مکان ها در کشورهای در حال توسعه است تا سازمان های بشردوستانه بتوانند از این نقشه ها و داده ها برای پاسخگویی بهتر به بحران ها استفاده کنند. از طریق Tasking Manager of Missing Maps، سازمان‌ها می‌توانند از داوطلبان راه دور برای ردیابی تصاویر هوایی برای یک منطقه خاص درخواست کنند. چند ضلعی ها، خطوط، نقاط و اطلاعات ویژگی های ایجاد شده به عنوان داده های آزاد و باز در پایگاه داده OSM ذخیره و ذخیره می شوند و مانند سایر عصاره های OSM معمولی قابل دسترسی هستند.
از نظر داده‌های کوچک، سازمان‌های بشردوستانه و توسعه به طور مرتب داده‌هایی را در مورد آب و فاضلاب از طریق بررسی‌های خانگی جمع‌آوری می‌کنند، معمولاً در مناطقی که مداخله می‌کنند. برنامه نظارت مشترک WHO/یونیسف (JMP) داده‌های خانوار را در سطح جهانی، در مورد آب و بهداشت برای سلامت (WASH) از طریق نظرسنجی‌ها جمع‌آوری می‌کند و آن را در سطح کشور جمع‌آوری می‌کند [ 11 ]. با این حال، بسیاری دیگر از بازیگران بشردوستانه و توسعه، داده هایی را به طور خاص، به عنوان مثال، SDG 6.1.1 جمع آوری می کنند. نسبت جمعیتی که از خدمات آب آشامیدنی با مدیریت ایمن استفاده می کنند. ون دن هومبرگ و سوشا [ 12] چارچوبی را برای توصیف یک اکوسیستم داده ایجاد کرد و آن را در نقاط آبی در مالاوی اعمال کرد. این چارچوب از پنج بعد تشکیل شده است: زیرساخت داده، عرضه و تقاضای داده، حاکمیت داده و بازیگران. نتایج نشان می‌دهد که بسیاری از بازیگران دولتی و غیردولتی در پروژه‌های تامین آب با منابع مالی متفاوت و حاکمیت کلی کمی درگیر هستند. تنوع زیادی از پلتفرم‌های اشتراک‌گذاری داده‌های جغرافیایی و سیستم‌های مدیریت اطلاعات در دسترس آنلاین وجود دارد که با این حال، به دلیل اتصال به اینترنت محدود و سواد داده‌ای کم، استقبال کم‌تری دارند. این چارچوب همچنین برای توصیف کیفیت داده این منابع داده و شناسایی شکاف‌ها، مانند باز نبودن تعداد زیادی داده، استفاده شد. ورپلانکه و جورجیادو [ 13] پیچیدگی ایجاد یک پایگاه داده باز برای نقشه برداری از تمام نقاط آب روستایی در یک کشور آفریقایی (تانزانیا) را توصیف می کند. هنگام گردآوری داده های ناهماهنگ از منابع مختلف، خطاهای اندازه گیری باید فهرست و مشخص شوند. علل خطاها از خطاهای مادی، مشاهده ای، مفهومی و گفتمانی متغیر است [ 13 ]. با در نظر گرفتن کیفیت آب به عنوان مثال، برخی از روش‌های اندازه‌گیری مبتنی بر بازرسی بصری یا چشیدن آب هستند و بنابراین ذهنی هستند، در حالی که روش‌های دیگر به کیت‌های آزمایش شیمیایی متکی هستند [ 13 ].
این منابع جدید داده‌های بزرگ و کوچک فرصت‌هایی را برای تکمیل آمار رسمی برای گزارش‌دهی در مورد اهداف توسعه پایدار، به‌ویژه در سطح محلی، ارائه می‌دهند. توجه اندکی به اطلاعات SDG در سطح ملی اختصاص داده شده است. گزارش توسعه توسعه پایدار سازمان ملل متحد 6 [ 14 ] کمبود داده در مناطق روستایی را به عنوان یک چالش برای ردیابی پیشرفت شناسایی می کند. پورتال داده 6 SDG UN-Water که اخیرا راه اندازی شده است [ 15] داده‌های روی SDG 6 را در یک رابط کاربرپسند در دسترس قرار می‌دهد اما با سطحی که داده‌ها در آن در دسترس هستند محدود می‌شود. برای بسیاری از کشورها مانند مالاوی، داده های محلی در پورتال وجود ندارد که قابلیت استفاده از داده ها را توسط تصمیم گیرندگان محدود می کند. UN Water به اصطلاح درایوهای داده را معرفی کرده است، که در آن آژانس‌های نگهبان از نقاط کانونی در زمینه گردآوری داده‌ها از منابع مختلف به روش‌های مختلف، مانند ارائه روش‌شناسی، میز کمک، وبینارها و کارگاه‌ها [ 14 ] پشتیبانی می‌کنند. مالاوی در ژوئن 2020 اولین گزارش بررسی ملی داوطلبانه خود را برای اهداف توسعه پایدار منتشر کرد [ 16 ]]. این مکانیسم چگونگی هماهنگی شوراهای محلی در سطح زیرملی را برای اجرا و نظارت بر SDG ها شرح می دهد. با این حال، بررسی اذعان می کند که ردیابی پیشرفت و گزارش در مورد ابتکارات مختلف باید در این سطوح محلی تقویت شود. شرح SDG 6.1.1 به وضوح این را نشان می دهد، زیرا فقط اعداد در سطح ملی ارائه شده است و تنها پیشرفت در دوره قبل از سال 2016 است.
این مقاله ارزیابی می‌کند که چگونه داده‌های بزرگ می‌تواند برای تکمیل داده‌های حاصل از داده‌های کوچک برای بهبود گزارش‌دهی زیرملی در مورد SDG 6.1.1 استفاده شود. برای مطالعه موردی در مالاوی، ما تصاویر ماهواره‌ای با وضوح بالا و پایین را با تصاویر وسایل نقلیه هوایی بدون سرنشین (UAV) مقایسه می‌کنیم تا بفهمیم کدام تصاویر سنجش از دور دارای وضوح کافی برای شناسایی نقطه آب هستند. ما ارزش افزوده ترکیب تصاویر پهپاد، VGI و داده‌های بررسی میدانی از ارائه‌دهندگان داده‌های مختلف را با (الف) اعتبارسنجی متقابل و حل اختلاف در اطلاعات مربوط به ویژگی‌های نقطه آب از این ارائه‌دهندگان مختلف داده و (ب) غنی‌سازی اطلاعات در مورد ویژگی‌ها ارزیابی می‌کنیم. یا ارزیابی اینکه آیا می توان ویژگی ها را اضافه کرد.

2. مواد و روشها

شکل 1 نمای کلی چارچوب تحقیق را نشان می دهد. بخش 2.1 انتخاب منطقه و بخش 2.2 منابع داده مورد استفاده (ماهواره، پهپاد و داده های بررسی میدانی) را شرح می دهد. تجزیه و تحلیل داده های مورد استفاده برای به دست آوردن نتایج در بخش 2.3 پوشش داده شده است . در بخش 2.2 و بخش 2.3 ، ما توضیح می دهیم که چه بازیگرانی در جمع آوری داده ها یا تجزیه و تحلیل داده ها دخیل هستند.

2.1. انتخاب منطقه

ما بر یک مطالعه موردی در روستایی مالاوی تمرکز می کنیم. با توجه به شبکه‌های داخلی صلیب سرخ، حمایت سازمان‌های دولتی و پروژه‌های مبتنی بر داده‌های در حال انجام، مالاوی از زیرمجموعه اولیه کشورهای کم درآمد و فقیر داده انتخاب شده است. ما مقامات سنتی (TA) مخویرا را در منطقه چیکواوا شناسایی کردیم، به شکل 2 مراجعه کنید.. این TA همچنین منطقه مداخله دومین برنامه عملیات حفاظت مدنی و کمک های بشردوستانه اروپا (ECHO) است که توسط انجمن صلیب سرخ مالاوی (MRCS) با حمایت صلیب سرخ هلند (NLRC)، صلیب سرخ بلژیک-فلاندرز، و اجرا شده است. صلیب سرخ دانمارک این برنامه بر ایجاد تاب آوری در برابر سیل در میان جوامع آسیب پذیر متمرکز است. داشبورد ارزیابی ریسک جامعه (CRA) 510، ابتکاری صلیب سرخ هلند [ 17 ]، برای شناسایی آن جوامع استفاده می شود. نقاط آب در مناطق مستعد سیل در معرض خطر آلودگی و خرابی هستند.

2.2. منابع اطلاعات

2.2.1. تصویربرداری ماهواره ای

ما سه گزینه را برای به دست آوردن تصاویر ماهواره ای دنبال کردیم. اول، تصاویر ماهواره‌ای به‌طور رایگان از Bing Maps، یک سرویس نقشه‌برداری وب ارائه‌شده توسط مایکروسافت، در دسترس است. نقشه های بینگ داده های خود را از انواع ارائه دهندگان داده های ماهواره ای تامین می کند. به عنوان مثال، برای Chikwawa، TomTom، HERE، Maxar Technologies و Earthstar Geographics SIO بسته به سطح بزرگنمایی ارجاع داده می شوند. وضوح تا 50 سانتی متر در دسترس بود. دوم، مالاوی سرشماری نفوس و مسکن را در سال 2018 برگزار کرد. یک مؤلفه حیاتی، تعیین مناطق آماری به نام مناطق سرشماری (EAs) برای شمارش میدانی بود که پایه فضایی مجموعه داده‌های سرشماری است [ 18 ].]. واحد سیستم اطلاعات جغرافیایی (GIS) بخش جمعیت شناسی و آمار اجتماعی اداره ملی آمار (NSO) مرکز منطقه ای نقشه برداری از منابع برای توسعه (RCMRD) را برای ارائه تصاویر ماهواره ای و انجام یک چارچوب مسکونی، جذب کرد. محل حدود 200 تا 300 واحد مسکونی در حدود 25000 EA. RCMRD از تصاویر ماهواره ای مناطق فوق شهری در 0.5 متر، شهری معمولی در 2.5 متر و مناطق روستایی در 2.5 متر استفاده کرد [ 18 ]. همچنین از این تصویر برای ترسیم امکانات در روستاها مانند مدارس، گمانه ها و مراکز بهداشتی استفاده شده است. متاسفانه امکان تهیه این تصاویر ماهواره ای وجود نداشت. سوم، Maxar Technologies تصاویر ماهواره‌ای WorldView-3 را در فاصله 30 سانتی‌متری نمونه زمین برای مناطق پرواز پهپاد به نویسندگان ارائه کرد.
2.2.2. تصویربرداری پهپاد
Smartplane Freya، یک پهپاد بال ثابت با 0.3 متر مربعمنطقه بال، وزن حدود 1.5 کیلوگرم و دوربین RICOH GR II برای به دست آوردن تصاویر پهپاد استفاده شد. این پهپاد فقط از باندهای ISM بدون مجوز استفاده می کرد. MRCS مجوز پرواز را از سازمان هواپیمایی کشوری (CAA) و مجوز از خدمات پلیس مالاوی دریافت کرد. مقرراتی که توسط کنترل ترافیک هوایی CAA اعمال شده است، اجازه پرواز در 120 متر را می دهد، به موجب آن در برخی موارد، می توان تا ارتفاع 500 متری پرواز کرد. MRCS یک هفته قبل کمپین حساس سازی جامعه را سازماندهی کرد. این کمپین توضیح داد که این پرواز کجا انجام می شود و چرا جمع آوری داده ها برای مقابله با سوء ظن صورت گرفته است. MRCS از تبلیغات ون سیار و صدای جینگل که در ایستگاه های رادیویی اجتماعی Nyantepa و Gaka پخش می شد استفاده کرد. همچنین به جوامع اطلاع داده شد که گاهی فرود اضطراری ضروری است و نباید به سمت هواپیمای بدون سرنشین سنگ پرتاب کنند. برخی از افراد از این که پهپاد اطلاعات شخصی آنها را به دست آورد و اینکه از این اطلاعات در تقلب در انتخابات استفاده شود می ترسیدند. این پهپاد معمولاً در ارتفاع حدود 300 متری پرواز می کند، به طوری که تصاویر اپتیکال وضوحی در حدود 11 سانتی متر دارند. زمان پرواز پهپاد حداکثر 60 دقیقه به ازای هر باتری است. یک پرواز در ارتفاع 500 متری با یک لایه جانبی و همپوشانی هر 70 درصد می تواند حداکثر 3.4 کیلومتر را طی کند.2 در هر پرواز منطقه کامل شامل 140 پرواز بود که هر پرواز 45 دقیقه به طول انجامید که منجر به 105 ساعت پرواز بدون احتساب زمان جابجایی شد. برد پهپاد طبق دفترچه راهنما تا 60 کیلومتر است، اما در عمل به دلیل باد یا ناهنجاری باتری حدود 20 کیلومتر بود. مساحت پرواز در ماخویرا 284 کیلومتر مربع است . شکل 3 تصویری از ماموریت پهپاد را نشان می دهد.
2.2.3. داده های بررسی میدانی
تعدادی از بازیگران در بخش WASH در مالاوی با انجام منظم بررسی های میدانی، داده هایی را در مورد نقاط آب تولید می کنند. سوشا و ون دن هومبرگ [ 12 ] به طور گسترده اکوسیستم داده WASH مربوطه را در مالاوی توصیف کردند و همچنین آن را در داشبورد تجسم کردند [ 19 ]]. در این تحقیق، ما فقط بر روی آن دسته از بازیگرانی تمرکز می کنیم که داده هایی را برای منطقه مورد مطالعه تولید می کنند. از 9 ارائه دهنده داده، 4 مورد منطقه تصاویر پهپاد را پوشش ندادند. پنج ارائه‌دهنده داده که منطقه را تحت پوشش قرار دادند عبارتند از Fisherman’s Rest (با پلت فرم Madzi Alipo)، صندوق عدالت آب و هوا (CJF)، تبادل اطلاعات نقطه آب (WPDx)، وزارت آبیاری و توسعه آب (DoIWD) و وزارت از نظرسنجی (Dept Surveys). به غیر از DoIWD که مستقیماً در ارائه خدمات تامین آب نقش دارد، سازمان‌های دولتی نیز وجود دارند که از منظر داده نقش دارند. NSO داده های پایه را برای SDG ها از جمله SDG 6.1.1 فراهم می کند. در سال‌های 2015-2016، بررسی سلامت جمعیتی در مقیاس بزرگ (DHS) انجام شد. این نظرسنجی بینشی از وضعیت فعلی تامین آب روستایی، شهری و کلی ارائه کرد.16 ]. برنامه DHS در سراسر جهان (که توسط USAID حمایت می شود) چندین مجموعه داده اساسی را پس از ثبت در دسترس قرار می دهد. با این حال، درک فعلی ما این است که پاسخ به سؤالات نظرسنجی در مورد دسترسی به آب برای هر خانوار با مختصات GPS مربوطه در دسترس نیست زیرا این مختصات به طور تصادفی جابجا می شوند تا از محرمانه بودن پاسخگو اطمینان حاصل شود [ 20 ]]. دولت مالاوی با دانشگاه Strathclyde و دولت اسکاتلند از طریق صندوق عدالت آب و هوا: برنامه آینده آب برای دریافت داده های مدیریت دارایی آب با استفاده از پلت فرم داده mWater آنها کار می کند. با این حال، برای مطالعه ما، ما فقط می‌توانیم به یک مجموعه داده نمونه دسترسی داشته باشیم و نه به مجموعه داده کامل. دلایل باز نشدن مجموعه داده ممکن است مربوط به پاسخگویی دولت و حفاظت از موقعیت منحصر به فرد پیمانکار باشد. به غیر از NSO، بخش بررسی (DoS) نیز از نظر داده‌های مربوط به نقاط آب نقش دارد زیرا چشم‌انداز آنها ارائه اطلاعات مکانی به موقع، دقیق و قابل اعتماد برای توسعه پایدار است.

2.3. تجزیه و تحلیل داده ها

ما نقطه آب را به عنوان یک منبع بهبود یافته برای آب آشامیدنی تعریف می کنیم. منابع بهبودیافته سه سطح خدمات برتر هستند که توسط [ 11 ] تعریف شده است، جدول 1 را ببینید .
نقاط آب با مدیریت ایمن در محل هستند، بنابراین در مجاورت ساختمان هستند. نقاط اصلی و محدود آب می توانند تا 30 دقیقه پیاده روی دورتر باشند، اما معمولاً نزدیک به روستایی که در حال خدمت است. بنابراین، برای تسهیل تشخیص بصری نقاط آب روستایی در تصاویر پهپاد و ماهواره‌ای، اولین گام ما همپوشانی تصاویر با داده‌های ساختمان OSM بود. داده های ساختمان OSM از طریق mapathons ایجاد شد. در نقشه‌برداری، تعداد زیادی از داوطلبان دیجیتالی روی کارهای متعددی کار می‌کنند که شامل ردیابی ساختمان‌ها بر روی تصاویر ماهواره‌ای از (بیشتر) نقشه‌های بینگ با وضوح زیر متر است، معمولاً بین 50 تا 70 سانتی‌متر برای مناطق خاص. صلیب سرخ هلند بیش از 20 ماپاتون را در هلند سازماندهی کرد و صدها داوطلب عمدتا هلندی را بسیج کرد. داوطلبان یا کارمندان طیف وسیعی از سازمان ها یا دانشجویان چندین دانشگاه بودند. اقلیتی از این شرکت کنندگان پیشینه ای در GIS داشتند، بنابراین همه ماپاتون ها با یک مقدمه اولیه برای OSM شروع کردند. بین سال‌های 2016 تا 2017، با توجه به این وظایف، تعداد جاده‌های جدید نقشه‌برداری شده در مالاوی از 37000 کیلومتر به 78000 کیلومتر دو برابر شد. بیش از 1.8 میلیون ساختمان از زمان شروع پروژه در مالاوی نقشه برداری شده است که مقدار زیادی از طریق وظایف صلیب سرخ هلند است. تعدادی از این وظایف در حوزه خلبان پهپاد بود. برخی نیز خارج از این منطقه بودند. نقشه‌برداران با تجربه، اغلب سازمان‌دهنده mapathon و همچنین سایرین واجد شرایط به‌عنوان اعتبارسنجی، کیفیت را بررسی کرده و وظایف مطابق با گردش کار معمول نقشه‌برداری OSM را تأیید کردند. اقلیتی از این شرکت کنندگان پیشینه ای در GIS داشتند، بنابراین همه ماپاتون ها با یک مقدمه اولیه برای OSM شروع کردند. بین سال‌های 2016 تا 2017، با توجه به این وظایف، تعداد جاده‌های جدید نقشه‌برداری شده در مالاوی از 37000 کیلومتر به 78000 کیلومتر دو برابر شد. بیش از 1.8 میلیون ساختمان از زمان شروع پروژه در مالاوی نقشه برداری شده است که مقدار زیادی از طریق وظایف صلیب سرخ هلند است. تعدادی از این وظایف در حوزه خلبان پهپاد بود. برخی نیز خارج از این منطقه بودند. نقشه‌برداران با تجربه، اغلب سازمان‌دهنده mapathon و همچنین سایرین واجد شرایط به‌عنوان اعتبارسنجی، کیفیت را بررسی کرده و وظایف مطابق با گردش کار معمول نقشه‌برداری OSM را تأیید کردند. اقلیتی از این شرکت کنندگان پیشینه ای در GIS داشتند، بنابراین همه ماپاتون ها با یک مقدمه اولیه برای OSM شروع کردند. بین سال‌های 2016 تا 2017، با توجه به این وظایف، تعداد جاده‌های جدید نقشه‌برداری شده در مالاوی از 37000 کیلومتر به 78000 کیلومتر دو برابر شد. بیش از 1.8 میلیون ساختمان از زمان شروع پروژه در مالاوی نقشه برداری شده است که مقدار زیادی از طریق وظایف صلیب سرخ هلند است. تعدادی از این وظایف در حوزه خلبان پهپاد بود. برخی نیز خارج از این منطقه بودند. نقشه‌برداران با تجربه، اغلب سازمان‌دهنده mapathon و همچنین سایرین واجد شرایط به‌عنوان اعتبارسنجی، کیفیت را بررسی کرده و وظایف مطابق با گردش کار معمول نقشه‌برداری OSM را تأیید کردند. 000 کیلومتر تا 78000 کیلومتر. بیش از 1.8 میلیون ساختمان از زمان شروع پروژه در مالاوی نقشه برداری شده است که مقدار زیادی از طریق وظایف صلیب سرخ هلند است. تعدادی از این وظایف در حوزه خلبان پهپاد بود. برخی نیز خارج از این منطقه بودند. نقشه‌برداران با تجربه، اغلب سازمان‌دهنده mapathon و همچنین سایرین واجد شرایط به‌عنوان اعتبارسنجی، کیفیت را بررسی کرده و وظایف مطابق با گردش کار معمول نقشه‌برداری OSM را تأیید کردند. 000 کیلومتر تا 78000 کیلومتر. بیش از 1.8 میلیون ساختمان از زمان شروع پروژه در مالاوی نقشه برداری شده است که مقدار زیادی از طریق وظایف صلیب سرخ هلند است. تعدادی از این وظایف در حوزه خلبان پهپاد بود. برخی نیز خارج از این منطقه بودند. نقشه‌برداران با تجربه، اغلب سازمان‌دهنده mapathon و همچنین سایرین واجد شرایط به‌عنوان اعتبارسنجی، کیفیت را بررسی کرده و وظایف مطابق با گردش کار معمول نقشه‌برداری OSM را تأیید کردند.21 ].
پس از همپوشانی داده های OSM، هشت داوطلب از 510 نفر به صورت بصری تصاویر را بازرسی کردند و نقاط آب را نقشه برداری کردند. هشت داوطلب اکثراً دانشجویان کارشناسی ارشد هلندی بودند که تحقیقات یا کارآموزی خود را با 510 دانشجو انجام می‌دادند یا دانش‌آموزان تازه فارغ‌التحصیل شده بودند که با 510 نفر داوطلب شدند. همه مهارت‌های GIS داشتند. نقاط آب در یک مجموعه داده فضایی بر اساس تصاویر ایجاد شدند. اطلاعات اضافی بر اساس بازرسی بصری محیط اطراف و سایر ابرداده ها در لیست ویژگی ها اضافه شد. پس از نقشه برداری اولیه، 510 کارمند داده ها را بر اساس کیفیت و سازگاری بررسی کردند. نتایج در مجموعه داده ذخیره شد و برای تجزیه و تحلیل بیشتر استفاده شد. به دلیل تعداد داوطلبان، این فرآیند می تواند در عرض یک هفته به پایان برسد. همچنین می توانست گزینه ای برای ایجاد وظایف OSM برای شناسایی نقاط آب از طریق داوطلبان دیجیتال از راه دور باشد. با این حال، تعداد محدودی از پهپادها و تصاویر ماهواره ای موجود هنوز نیازی به ارتقاء مقیاس از انبوه داوطلبان OSM نداشت. علاوه بر این، دستورالعمل‌های روشنی برای نقشه‌برداری نقاط آب باید ایجاد شود تا به یک روش یکنواخت و استاندارد برای نقشه‌برداری آنلاین باز برسیم. علاوه بر دستی، گزینه‌های تشخیص خودکار نقطه آب به طور مختصر مورد بررسی قرار گرفت. در حال حاضر، الگوریتم‌هایی (مانند یادگیری عمیق) برای تشخیص خطوط کلی ساختمان و مواد در تصاویر هوایی در حال توسعه هستند.22 ]. با این حال، این ها هنوز در مرحله توسعه هستند و هنوز با اجسام با اندازه های کوچک مانند نقاط آب در ترکیب با وضوح تصویر محدود موجود به خوبی کار نمی کنند. علاوه بر این، یک مجموعه داده آزمایشی خوب باید برای آموزش الگوریتم در دسترس باشد.
ردپای ساختمان OSM نه تنها می تواند برای تسهیل شناسایی نقاط آب بلکه برای به دست آوردن بینش بیشتر در مورد وضعیت محلی استفاده شود. ما اندازه هر خانه را محاسبه کردیم متر2و تمام خانه های بزرگتر از 15 را انتخاب کرد متر2و کوچکتر از 100 متر2در اندازه. ساختمان های بزرگتر از 100 متر2کلیساها، مدارس یا ساختمان های صنعتی فرض می شوند. پس از آن، می‌توانیم تعداد افرادی را که در شعاع معینی در اطراف یک نقطه آبی زندگی می‌کنند، با مرتبط کردن اندازه ساختمان به تعداد افرادی که به طور متوسط ​​در چنین خانه‌هایی زندگی می‌کنند، تخمین بزنیم. ما از ArcGIS Living Atlas of the World [ 23 ] استفاده کردیم که به طور متوسط ​​4.5 نفر در هر خانوار را نشان می دهد.

3. نتایج

3.1. نتایج تصاویر ماهواره ای در مقایسه با تصاویر پهپاد

برای پنج سایت در منطقه پرواز پهپاد، ما تصاویر را با سه وضوح مختلف موجود مقایسه کردیم. شکل 4نتایج را برای بزرگنمایی در دو سایت نشان می دهد. در هر یک از تصاویر ردیف بالا، یک نقطه رنگی برای نقاط آب در این منطقه در صورتی که در بررسی های میدانی ذکر شده باشد و یک صلیب قرمز در صورت شناسایی توسط داوطلبان دیجیتال از طریق بازرسی بصری روی تصاویر پهپاد ترسیم کرده ایم. اکثر داوطلبان دیجیتال تشخیص نقاط آبی را در نقشه های بینگ غیرممکن می دانستند، به جز نقاط آبی بزرگتر، به عنوان مثال نقاط آب دیواری. این در تصاویر WorldView-3 امکان پذیر بود، اگرچه کمی پیچیده تر از تصاویر پهپاد بود. با توجه به اینکه اندازه آنها می تواند با وضوح 30 سانتی متری تصاویر WorldView-3 برابر باشد، شناسایی گمانه های محافظت نشده بسیار چالش برانگیز بود.
در ناحیه ردیف بالا، Madzi Alipo (نقطه قهوه ای)، CJF (نقطه سبز)، Dept Surveys (نقطه زرد)، و WPDx (نقطه قرمز) هر کدام دو نقطه آب را شناسایی کردند. پایگاه داده Madzi Alipo آنها را به عنوان یک نقطه آب لوله شده (خوراک گرانشی) و یک پمپ دستی از Afridev توصیف می کند. در هر دو مورد، آنها نقاط آبی کاربردی و محافظت نشده هستند.
در ناحیه ردیف پایین، Madzi Alipo، CJF، Dept Surveys و WPDx هر کدام دو نقطه آب را شناسایی کردند. پایگاه داده Madzi Alipo آنها را به عنوان یک نقطه آب لوله شده (کار نمی کند) و یک پمپ دستی محافظت شده (در حال کار) توصیف می کند. پایگاه داده WPDx آنها را به عنوان یک سیستم تغذیه گرانشی توصیف می کند.

3.2. نتایج تصاویر پهپاد

3.2.1. بازرسی بصری

شکل 5 ، شکل 6 ، شکل 7 و شکل 8 نقاط آب شناسایی شده در تصاویر پهپاد را نشان می دهد. ما می توانیم از روی یک تصویر پهپاد تعیین کنیم که نوع نقطه آب چیست و آیا آب از یک منبع بهبودیافته می آید یا خیر. شکل 5 یک نقطه آبی محافظت شده را نشان می دهد. خطر ناکارآمدی را می توان با سطح حفاظت از نقطه آب (وجود دیوارها، دیوارها، نرده ها یا سقف ها) تخمین زد. ناکارآمدی را می توان از خاک خشک اطراف نقطه آب نیز استنباط کرد ( شکل 6 )، در حالی که نقاط مرطوب روی خاک نشان می دهد که نقطه آب آب را تامین می کند ( شکل 7).). خطر آلودگی را می توان بر اساس نزدیکی منبع آب به سیستم های فاضلاب قابل مشاهده، مستراح یا صنایع فرض کرد، زیرا این موارد می توانند آب های زیرزمینی و سطحی یا آب رودخانه ها و دریاچه ها یا سیل را آلوده کنند. شکل 8 یک نقطه آبی را نشان می دهد که نزدیک به یک مستراح قرار دارد. می توان تصمیم گرفت که آیا یک نقطه آبی در یک محل قرار دارد یا خیر، اما نه اینکه محل آن متعلق به چه کسی است. بنابراین، جنبه دسترسی مکان یک نقطه آبی را نمی توان به طور قطعی تعیین کرد. در برخی موارد، تصاویر پهپاد به ما این امکان را می دهد که در صورت مشاهده ریزش آب، حضور افراد یا سطل، در مورد استفاده از نقطه آب چیزی بگوییم.
3.2.2. تضاد تصاویر پهپاد با داده‌های مربوط به نقاط آبی سایر سازمان‌ها
شکل 9 یک نمای کلی از نقاط آبی (دایره های قرمز) که به صورت بصری بر روی تصاویر پهپاد (محیط قرمز) شناسایی شده و همچنین نقاط آب از بررسی های میدانی را نشان می دهد. مقایسه خودکار در نرم افزار دسکتاپ متن باز QGIS، یافتن نقاط آب در داده های بررسی میدانی نقطه آب در بافرهای مختلف (15، 50، 100، 200 و 500 متر) را قادر می سازد. همانطور که در شکل 10 نشان داده شده است ، بافرهای 200 و 500 متری می توانند زمانی که به لبه منطقه پرواز پهپاد نزدیک می شوند، خارج از منطقه قرار گیرند. ما در نظر می گیریم که نقاط آبی در فاصله 15 متری از یکدیگر همان نقطه آبی هستند زیرا دقت مکان GPS ممکن است 100٪ نباشد.
جدول 2 نشان می دهد که تطابق 100٪ وجود ندارد. بهترین تطابق با ارائه دهنده داده تبادل داده Water Point [ 24 ] است. در تصاویر پهپاد، نقاط آب بیشتری شناسایی می‌شوند، اما برخی از نقاط آب همخوانی ندارند. عدم تطابق می تواند دلایل متعددی داشته باشد از جمله اینکه نقطه آب وجود ندارد، زیر بوته ها/درخت قرار دارد و در تصاویر قابل مشاهده نیست، یا دیگر عملیاتی و برچیده نشده است. در این موارد تنها بازرسی میدانی می تواند پاسخ قطعی بدهد. در مورد مسابقات، مکان دقیق تری از نقاط آب را می توان به OSM و پایگاه های داده ارائه دهندگان داده اضافه کرد. جدول 3 یک نمای کلی از حفاظت و عملکرد نقاط آبی که در تصاویر پهپاد مشخص شده است را نشان می دهد.
تحلیل بعدی محاسبه تعداد ساختمان های OSM در شعاع اطراف یک نقطه آبی در منطقه پرواز پهپاد است ( شکل 11 ). جدول 4 نتیجه را برای سطوح مختلف زمین ساختمان ها نشان می دهد. تصاویر پهپاد در نزدیکی شهر Mapalera قرار دارد. از آنجایی که تنها بخشی از ردپای ساختمان این شهر توسط داوطلبان OSM ترسیم شده است، ممکن است نقاط آبی بیشتری در نزدیکی منطقه نقشه برداری نشده وجود داشته باشد که در هنگام تشخیص بصری کشف نشده اند. بنابراین، مقادیر جدول 4 یک تخمین هستند. نشان می دهد که همه روستاها یک یا چند نقطه آب دارند و بزرگ ترین خانه ها بیشتر در مرکز روستاها قرار دارند.

4. بحث

جدول 5 خلاصه می کند که چگونه داده های مختلف سنجش از دور، VGI، و داده های بررسی میدانی را می توان برای به دست آوردن اطلاعات بیشتر در مورد نقاط آب و ویژگی های آنها ترکیب کرد. ستون سمت چپ فهرستی طولانی از تمام ویژگی های موجود در مجموعه داده های مختلف نقطه آب است که توسط ارائه دهندگان داده های دولتی و غیر دولتی ارائه شده است [ 12 ]. ما یک ویژگی در مورد تعداد کاربران در هر نقطه آبی اضافه کردیم.
تصاویر پهپاد معمولا وضوح بالاتری نسبت به تصاویر ماهواره ای دارند و بنابراین برای تشخیص نقاط آب مناسب تر هستند. تصاویری که با پهپادها توانستیم جمع آوری کنیم دارای وضوح 11 سانتی متر هستند که برای شناسایی نقاط آب کافی است. تصاویر ماهواره‌ای با وضوح 30 سانتی‌متر امکان شناسایی نقاط آبی بزرگ‌تر یا دیواره‌دار را فراهم می‌کنند، در حالی که تصاویر ماهواره‌ای 50 سانتی‌متری این امکان را ندارند. ترکیب با داده‌های ردپای ساختمان OSM قدرتمند است و ما را قادر می‌سازد تا بینش بیشتری داشته باشیم. با این حال، ترکیب داده های OSM و پهپاد تمام شکاف های اطلاعاتی را پر نکرد. در حالی که پایلوت ما ثابت می‌کند که تصاویر پهپاد در رفع برخی شکاف‌های اطلاعاتی امیدوارکننده است، بررسی‌های میدانی همچنان ضروری خواهد بود. کیفیت آب، مدیریت نقطه آب، و اینکه یک نقطه آبی خدمات رایگان یا پولی ارائه می دهد را نمی توان از روی تصاویر پهپاد مشخص کرد. افزایش پذیرش ابزارهای جمع‌آوری داده‌ها که می‌توانند داده‌های مکانی را به جای استفاده از کاغذ یا سایر روش‌های جمع‌آوری غیرمکانی جمع‌آوری کنند، به پر کردن شکاف‌های اطلاعاتی کمک می‌کند. با این وجود، ترکیب داده‌های سنجش از دور با داده‌های بررسی میدانی می‌تواند نقش مهمی ایفا کند، به‌ویژه اگر برای مثال، داده‌های سنجش از دور در فواصل منظم‌تری نسبت به بررسی‌های میدانی گرفته شوند.
علاوه بر شکاف های اطلاعاتی، ترکیب سنجش از دور، VGI و داده های بررسی میدانی در پاسخ به شکاف های جغرافیایی ضروری است. تجزیه و تحلیل مکان می تواند برای شناسایی کمبودهای فضایی در پوشش اطلاعات استفاده شود. هنگامی که اینها شناسایی شدند، داده های جدید را می توان به طور موثر در مناطق هدف جمع آوری کرد. این را می توان با انجام بررسی های میدانی یا با مأموریت های پهپاد همانطور که در بالا توضیح داد انجام داد. بدین وسیله جامعه OSM می تواند با نقشه برداری از مناطق مورد نظر در تصاویر پهپاد پشتیبانی کند.
از نظر تصاویر هوایی مختلف موجود، تصاویر ماهواره‌ای در مقایسه با پهپاد و عکاسی تصویری مقیاس‌پذیرترین خواهند بود. ارائه دهندگان داده های ماهواره ای تجاری می توانند هر مکان روی زمین را در فواصل زمانی بسیار منظم ضبط کنند و معمولا وضوح تصویر از 30 سانتی متر به بالا را ارائه می دهند. با این حال، مسائل مالی برای تصاویر ماهواره ای با وضوح بالا باید حل شود. قیمت‌های رزولوشن 50 سانتی‌متری معمولاً بین 20 تا 40 دلار در هر کیلومتر مربع است [ 25 ]، و از این رو وضوح بالاتر به احتمال زیاد گران‌تر خواهد بود. RCMRD به عنوان سطح مالاوی 118484 می دهد کیلومتر2، که هزینه ای بالغ بر 2.3 میلیون دلار خواهد داشت . این هزینه حد بالایی خواهد بود زیرا احتمالاً ارائه دهندگان ماهواره هزینه را کاهش می دهند کیلومتر2اگر کسی تصاویر را برای یک منطقه بسیار بزرگ بخرد. RCMRD مبلغ 1.1 میلیون دلار از NSO برای کمک های فنی و تصاویر ماهواره ای برای کل مالاوی (اما برای وضوح 0.5 تا 2.5 متر) دریافت کرد [ 18 ]. برای مقایسه، شرکت‌های هواپیماهای بدون سرنشین مالاوی معمولاً در هر هکتار حدود 5 دلار آمریکا درخواست می‌کنند که معادل 500 دلار در هر کیلومتر مربع است . تعیین هزینه های بررسی های میدانی در سراسر کشور دشوارتر است. با توجه به [ 2 ] و [ 26 ]، روش های مبتنی بر نمونه مانند نظرسنجی های خانوار به طور متوسط ​​بین 460000 تا 1.7 میلیون دلار بسته به نوع نظرسنجی مورد استفاده هزینه دارند.

5. نتیجه گیری ها

مفهوم اصلی تحقیق ما این است که ما برای مناطق کوچک، یک گردش کار مقرون به صرفه ایجاد کرده‌ایم که می‌تواند یک مجموعه داده نقطه آب به‌روز و ثابت ایجاد کند. این گردش کار تصاویر پهپاد، VGI و داده های بررسی میدانی را ترکیب می کند. در ترکیب این مجموعه داده‌های ناهمگن، اطلاعات ساختمان‌هایی که از طریق پلتفرم VGI باز OSM نقشه‌برداری شده‌اند، مهم است، که به موجب آن OSM مقیاس‌بندی آسان و سیستماتیک نقشه‌برداری را به مناطق دیگر امکان‌پذیر می‌سازد. داده‌های نقطه آب به‌دست‌آمده، شکافی را در نیازهای داده برای نظارت بر SDGs مرتبط با آب در سطح زیرملی پر می‌کند، زیرا جزئیات بیشتری در مورد سطح خدمات نقاط آب در سطح خانوار ارائه می‌دهد. تجزیه و تحلیل ما ارزش افزوده هر منبع داده را روشن می کند، با توجه به اینکه اطلاعات ویژگی و کیفیت متفاوت است.
تحقیقات آینده ارزیابی خواهد کرد که چگونه همکاری با سایر سازمان‌هایی که تجزیه و تحلیل پهپادها را در مالاوی انجام می‌دهند، می‌تواند به طور بالقوه مقیاس‌پذیری رویکرد آزمایش‌شده در این آزمایشی را امکان‌پذیر کند. OpenAerial Map [ 27] در حال حاضر برخی از تصاویر پهپاد از مناطق مختلف مالاوی در دسترس است. انتظار این است که با توجه به اینکه پهپادهای کم‌هزینه بیشتری در دسترس قرار می‌گیرند و سازمان‌های دولتی و بشردوستانه بیشتری شروع به استفاده از آن‌ها می‌کنند، میزان تصاویر آشکارا در دسترس افزایش خواهد یافت. ما همچنین به استفاده از داده‌های جغرافیایی دیگر مانند لایه استقرار با وضوح بالا نگاه خواهیم کرد، زیرا تخمینی با وضوح بالا از افراد ساکن در منطقه ارائه می‌دهد. مدل‌های دیجیتال ارتفاع استخراج‌شده از تصاویر پهپاد می‌توانند برای شناسایی نقاط آبی که بیشتر در معرض خطر آبگرفتگی هستند و برای کدام دوره‌های بازگشت مفید هستند. به طور کلی، ایجاد مشارکت های داده [ 12] برای همسو کردن تلاش‌های مختلف جمع‌آوری داده‌ها و تسهیل اشتراک‌گذاری داده‌ها در میان بسیاری از بازیگران درگیر در بخش تقسیم‌شده WASH ضروری است.

منابع

  1. شاخص فراداده SDG 6. موجود به صورت آنلاین: https://unstats.un.org/sdgs/metadata (در 30 نوامبر 2019 قابل دسترسی است).
  2. فریتز، اس. ببینید، L. کارلسون، تی. هاکلی، م.م. الیور، جی ال. فراسل، دی. وهن، علم شهروندی U. و اهداف توسعه پایدار سازمان ملل متحد. نات. حفظ کنید. 2019 ، 2 ، 922-930. [ Google Scholar ] [ CrossRef ]
  3. کیچین، آر. Lauriault، TP داده های کوچک در عصر داده های بزرگ. ژئوژورنال 2015 ، 80 ، 463-475. [ Google Scholar ] [ CrossRef ]
  4. ببینید، L. فریتز، اس. مورثی، آی. دانیلو، او. ون دایک، ام. رایان، بی. استفاده از سنجش از دور و اطلاعات مکانی برای توسعه پایدار. در از اجلاس سران تا راه حل: نوآوری در اجرای اهداف توسعه پایدار ؛ Desai, R., Kato, H., Kharas, H., McArthur, JW, Eds.; انتشارات موسسه بروکینگز: واشنگتن، دی سی، ایالات متحده آمریکا، 2018. [ Google Scholar ]
  5. والز، ی. Min، A. دال، ک. دوگورو، م. Villagran de Leon، J.-C.; گراو، وی. دوبوویک، او. سبسواری، ز. جردان، ا. پست، جی. نظارت بر پیشرفت چارچوب سندای با استفاده از مدل جغرافیایی: نمونه ای از مردم تحت تأثیر خشکسالی کشاورزی در کیپ شرقی، آفریقای جنوبی. Prog. فاجعه علمی. 2020 ، 5 ، 100062. [ Google Scholar ] [ CrossRef ]
  6. لمنز، آر. لونگو، جی. جورجیادو، ی. Verplanke, J. نظارت بر نقاط آب روستایی در تانزانیا با تلفن های همراه: تکامل برنامه SEMA. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 316. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  7. فراسل، دی. کمپبل، جی. ببینید، L. وهن، یو. واردلاو، جی. طلا، م. مورثی، آی. آریاس، ر. پیرا، جی. الیور، جی ال. و همکاران ترسیم کمک های علمی شهروندی به اهداف توسعه پایدار سازمان ملل. حفظ کنید. علمی 2020 ، 2020 ، 1-17. [ Google Scholar ]
  8. اندرسون، ک. رایان، بی. سونتاگ، دبلیو. کاوادا، ا. Friedl, L. رصد زمین در خدمت دستور کار 2030 برای توسعه پایدار. ژئو اسپات. Inf. علمی 2017 ، 20 ، 77-96. [ Google Scholar ] [ CrossRef ]
  9. مشارکت جهانی برای داده های توسعه پایدار GPSDD با استفاده از داده های تولید شده توسط شهروندان برای نظارت بر SDGs. در دسترس آنلاین: https://www.data4sdgs.org/sites/default/files/2017-09/Making%20Use%20of%20Citizen-Generated%20Data%20-%20Data4SDGs%20Toolbox%20Module.pdf (دسترسی در ژوئیه 29 2020).
  10. شولز، اس. نایت، پی. ایکل، ام. مارکس، اس. Zipf، A. داوطلبانه اطلاعات جغرافیایی برای کاهش خطر بلایا – رویکرد نقشه های گمشده و پتانسیل آن در جنبش صلیب سرخ و هلال احمر. Remote Sens. 2018 , 10 , 1239. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. سازمان بهداشت جهانی WHO. آب آشامیدنی با مدیریت ایمن – گزارش موضوعی در مورد آب آشامیدنی. در دسترس آنلاین: https://www.who.int/water_sanitation_health/publications/safely-managed-drinking-water/en/ (در 7 اکتبر 2020 قابل دسترسی است).
  12. ون دن هومبرگ، م. Susha, I. مشخص کردن اکوسیستم های داده برای پشتیبانی از آمار رسمی با داده های نقشه برداری باز برای گزارش اهداف توسعه پایدار. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 456. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  13. ورپلانکه، جی. Georgiaadou, Y. Wicked Water Points: The Quest for an Error پایگاه داده ملی نقطه آب رایگان. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 244. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  14. سازمان ملل متحد آب. بررسی اجمالی فرآیند جمع آوری داده ها و جدول زمانی 2019–2022 برای شاخص های جهانی SDG 6. در دسترس آنلاین: https://www.sdg6monitoring.org/activities/overview-2019-2022-data-collection-process-and-timeline-for-sdg-6-global-indicators/ (در 29 آوریل 2020 قابل دسترسی است).
  15. پورتال داده UN-Water SDG 6. در دسترس آنلاین: https://www.sdg6data.org/ (در 29 آوریل 2020 قابل دسترسی است).
  16. گزارش بررسی داوطلبانه ملی مالاوی 2020 برای اهداف توسعه پایدار. 2020. در دسترس آنلاین: https://sustainabledevelopment.un.org/content/documents/26317MalawiVNRReport.pdf (در 7 اکتبر 2020 قابل دسترسی است).
  17. داشبورد ارزیابی ریسک جامعه در دسترس آنلاین: https://dashboard.510.global/#!/ (در 7 اکتبر 2020 قابل دسترسی است).
  18. Chirwa، I. ارائه شده در کارگاه منطقه ای سازمان ملل متحد در برنامه جهانی 2020 در مورد سرشماری نفوس و مسکن: استانداردهای بین المللی و فناوری های معاصر. در دسترس آنلاین: https://unstats.un.org/unsd/demographic-social/meetings/2017/lusaka–regional-workshop-on-2020-census/docs/s09-02-Malawi.pptx (دسترسی در 7 اکتبر 2020).
  19. Data4SDG: مشخص کردن بعد عرضه داده اکوسیستم های داده. در دسترس آنلاین: https://rodekruis.github.io/Data4SDG_Malawi/ (در 7 اکتبر 2020 قابل دسترسی است).
  20. ICF. 2018. در دسترس آنلاین: https://dhsprogram.com/What-We-Do/GPS-Data-Collection.cfm (در 1 نوامبر 2018 قابل دسترسی است).
  21. آلبوکرک، JPD; هرفورت، بی. Eckle, M. The tasks of crowd: گونه شناسی وظایف در جمع سپاری اطلاعات جغرافیایی و مطالعه موردی در نقشه برداری بشردوستانه. Remote Sens. 2016 , 8 , 859. [ Google Scholar ] [ CrossRef ][ Green Version ]
  22. ما، ال. لیو، ی. ژانگ، ایکس. بله، ی. یین، جی. جانسون، کارشناسی یادگیری عمیق در کاربردهای سنجش از دور: یک متاآنالیز و بررسی. ISPRS J. Photogram. Remote Sens. 2019 , 152 , 166–177. [ Google Scholar ] [ CrossRef ]
  23. ArcGIS. در دسترس آنلاین: https://livingatlas.arcgis.com/en/browse/#d=2&srt=recent&cont=esriOnly&q=malawi%20and%20owner%3Aesri%20and%20tags%3Ademographics (در 30 نوامبر 2019 قابل دسترسی است).
  24. تبادل اطلاعات نقطه آب در دسترس آنلاین: https://www.waterpointdata.org/ (دسترسی در 30 نوامبر 2019).
  25. خرید تصاویر ماهواره ای: اطلاعات قیمت برای تصاویر ماهواره ای با وضوح بالا. در دسترس آنلاین: https://www.landinfo.com/satellite-imagery-pricing.html (در 30 نوامبر 2019 قابل دسترسی است).
  26. اسپی، جی. سوانسون، ای. بدیعی، س. کریستنسن، ز. فیشر، آ. لوی، ام. یتمن، جی. د شربینین، ا. چن، آر. کیو، ی. و همکاران داده ها برای توسعه: نیازسنجی برای نظارت SDG و توسعه ظرفیت آماری. در دسترس آنلاین: https://www.sdsntrends.org/research/2015/7/15/data-for-development-a-needs-assessment-for-sdg-monitoring-and-statistical-capacity-development (دسترسی در 7 اکتبر 2020).
  27. OpenAerial Map. در دسترس آنلاین: https://openaerialmap.org/ (در 30 نوامبر 2019 قابل دسترسی است).
Ijgi 09 00592 g001 550
شکل 1. چارچوب تحقیق. فاصله نمونه زمینی (GSD)، وسایل نقلیه منطقه بدون سرنشین (UAV). دایره های سبز تیره نشان دهنده سازمان هایی هستند که داده ها را از طریق بررسی های میدانی در مورد نقاط آب جمع آوری کرده اند: صندوق عدالت آب و هوا (CJF)، تبادل داده نقطه آب (WPDx)، وزارت آبیاری و توسعه آب (DoIWD)، دپارتمان نظرسنجی (دپارتمان بررسی).
Ijgi 09 00592 g002 550
شکل 2. نمای کلی منطقه مورد مطالعه، بخشی از مرجع سنتی ماخویرا در منطقه چیکواوا.
Ijgi 09 00592 g003 550
شکل 3. تصاویر ماموریت پهپاد.
Ijgi 09 00592 g004 550
شکل 4. نمای کلی تصاویر مختلف برای 175 × 125 متر مربع برای دو مکان مختلف (ردیف بالا و ردیف پایین) در منطقه مورد مطالعه. صلیب قرمز به نقاط آبی اشاره دارد که در تصاویر پهپاد مشخص شده است. نقاط سبز نشان دهنده نقاط آبی بررسی شده توسط صندوق عدالت اقلیمی، نقاط قرمز تبادل داده نقطه آب، نقاط زرد وزارت نظرسنجی، نقاط قهوه ای مدزی علیپو هستند. در برخی موارد، نقاط قهوه ای و زرد با هم مطابقت دارند. هیچ نقطه آبی از سروی وزارت آبیاری و توسعه آب در این بخش ها وجود نداشت.
Ijgi 09 00592 g005 550
شکل 5. نقطه آب محافظت شده.
Ijgi 09 00592 g006 550
شکل 6. نقطه آب غیر کاربردی.
Ijgi 09 00592 g007 550
شکل 7. نقطه آب عملکردی.
Ijgi 09 00592 g008 550
شکل 8. نقطه آب نزدیک به مستراح قرار دارد.
Ijgi 09 00592 g009 550
شکل 9. نمای کلی نقاط آبی (دایره قرمز) که به صورت بصری در تصاویر پهپاد شناسایی شده اند (محیط قرمز). علاوه بر این، نقاط آبی از مدزی علیپو، وزارت توسعه آبیاری و آب، صندوق عدالت اقلیم، تبادل داده نقطه آب، و اداره بررسی به تصویر کشیده شده است.
Ijgi 09 00592 g010 550
شکل 10. نمای کلی بافرها (50 متر، 100 متر، 200 متر، 500 متر) ایجاد شده در اطراف نقطه مرکزی نقاط آبی انتخاب شده.
Ijgi 09 00592 g011 550
شکل 11. نمودار نشان می دهد که چگونه می توان تعداد ساختمان های OpenStreetMap در مناطق مختلف حائل در اطراف یک نقطه آبی را محاسبه کرد.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید