چکیده

اشکال متمایز و جایگزین از geosemantics، که طبقه بندی آنها اغلب نامشخص است، در مدیریت اطلاعات مکانی پدیدار می شوند. این مقاله یک گردش کار برای شناسایی الگوها در شیوه‌ها و روش‌های مختلف مربوط به اطلاعات جغرافیایی پیشنهاد می‌کند. از یک بررسی فرامرحله ای از وضعیت هنر در زمین شناسی، این مقاله ابتدا “کلمات کلیدی” را نشان می دهد که مفاهیم، ​​چالش ها، روش ها و فناوری های کلیدی را نشان می دهد. سپس، ما چندین مطالعه موردی را نشان می‌دهیم که بسته به نوع ورودی آن‌ها، پس از طبقه‌بندی به معناشناسی ضمنی، رسمی، و قدرتمند (یعنی نرم) نشان می‌دهیم. در نهایت، ما مطالعات موردی را با کلمات کلیدی شناسایی شده قبلی مرتبط می‌کنیم و شباهت‌های آنها را محاسبه می‌کنیم تا مشخص کنیم که آیا متدولوژی‌ها، تکنیک‌ها و چالش‌های متمایز می‌توانند به سه شکل متمایز معناشناسی مرتبط باشند یا خیر.

کلید واژه ها:

زمین شناسی ; معناشناسی ضمنی ; معناشناسی رسمی ; معناشناسی قدرتمند

1. مقدمه

معناشناسی سنگ بنای مدیریت داده های پیشرفته است، صرف نظر از حوزه خاص. بدون معناشناسی، ما ناتوانانه در سیل بیگ داده های نامفهوم غرق می شویم. از ادبیات بسیار زیاد در مورد این موضوع در زمینه زبان‌شناسی و حتی قبل از آن در فلسفه بگذریم، بازنمایی و مدیریت معناشناسی اغلب به عنوان راه‌حلی برای ناهمگونی در بازیابی و بهره‌برداری از داده‌ها در علوم رایانه (CS) در نظر گرفته می‌شود [ 1 ، 2 ]. ، 3]. این مقاله به یک حوزه خاص در چشم انداز CS آگاه از معناشناسی مربوط می شود، به عنوان مثال، اطلاعات مکانی ارائه شده در قالب داده ها و ابرداده ها. این حوزه به ویژه چالش برانگیز است زیرا ماهیت غیر متنی بیشتر داده‌های مکانی به این معنی است که شیوه‌های نمایه‌سازی موتورهای جستجوی عمومی ناکارآمد هستند. از این رو نیاز به بازنمایی و مدیریت معناشناسی است.
هر دو Sheth و همکاران. [ 4 ] و Uschold [ 5 ] یک دسته بندی درشت دانه از معناشناسی ارائه می دهند. دومی شامل چهار دسته زیر می شود: (1) معناشناسی ضمنی، (2) معناشناسی غیررسمی بیان شده، (iii) معناشناسی رسمی بیان شده برای مصرف انسان، و (IV) معنایی رسمی بیان شده برای پردازش ماشینی. در عمل، سه سطح اول در دسته اول تعریف شده در [ 4 ] قرار می گیرند که طبقه بندی زیر را پیشنهاد می کند:
معناشناسی ضمنی
معنایی است که به صراحت نشان داده نمی شود، یعنی مستقیماً توسط ماشین ها برای استخراج دانش جدید قابل استفاده نیست.
معناشناسی رسمی
وقتی معناشناسی در نوعی فرمالیسم نشان داده می شود، تا ماشینی قابل خواندن و پردازش باشد، مثلاً در قالب هستی شناسی ها.
معناشناسی قدرتمند (نرم).
وقتی معناشناسی به شکل‌هایی نمایش داده می‌شود که غلبه بر فرمالیسم‌های واضح مبتنی بر مجموعه را امکان‌پذیر می‌سازد، به عنوان مثال، با استفاده از رویکردهای فازی و معناشناسی متناوب زمان‌بندی، امکان نمایش درجاتی از عضویت و قطعیت را فراهم می‌کند.
به نظر ما، طبقه‌بندی دوم نه تنها شامل طبقه‌بندی اول می‌شود، بلکه در عین حال، با ارائه دو طبقه‌بندی بازنمایی متمایز، سطح چهارم سطح اول را قدرتمند می‌کند، و به سمت روش‌هایی باز می‌شود که رویکردهای نرم و انعطاف‌پذیر انسان را برای استدلال و تصمیم‌گیری بهتر تقلید می‌کنند. ساخت. این انگیزه اصلی برای اتخاذ این روش طبقه‌بندی دوم، صدور مفاهیم آن در حوزه جغرافیایی و انعکاس آنها در بخش‌های آتی این مقاله است. اگرچه ظاهراً طیف گسترده‌ای از فناوری‌ها وجود دارد که زیر چتر هر یک از این دسته‌بندی‌ها قرار می‌گیرند (در واقع، آلمیدا و همکاران [ 6 ] مفهوم پیوستار معنایی را توضیح می‌دهند )، ما ویژگی‌های مشترک آنها را مورد بحث قرار خواهیم داد.
گاردنفورس [ 7 ] با توجه به طبقه‌بندی سطح بالایی از اشکال معناشناسی، بین «نمادین»، «تداعی گرایانه» و «مفهومی» تمایز قائل می‌شود و برای دومی توصیفی فضایی ارائه می‌کند. فضاهای شناختی او دارای تشابهات جالبی با مفاهیمی است که در حوزه جغرافیایی (مثلاً تقاطع فضایی) معمول است. با این حال، رویکردهای غیر نمادین عمدتاً بر اساس طبقه‌بندی شیث در دسته معناشناسی ضمنی قرار دارند.
هدف نهایی این کار این است که خواننده را با آگاهی از جهت‌گیری‌ها در مورد مسائل اصلی، چالش‌ها و راه‌حل‌های ممکن برای پرداختن به مقوله‌های مختلف معناشناسی تعریف‌شده توسط Sheth در حوزه اطلاعات جغرافیایی، آماده کند. به طور خلاصه، این مقاله به تشریح این موضوع می‌پردازد که چه فناوری‌هایی برای رسیدگی به یک مشکل تحقیقاتی مناسب‌تر هستند. اهمیت این موضوع برای جامعه جغرافیایی با افزایش ارتباط معناشناسی به عنوان “چسب” بین حوزه های موضوعی ناهمگن و همچنین در سراسر گردش کار فردی آنها تأیید می شود. از یک طرف، قابلیت همکاری بین رشته ای مستلزم نقشه برداری از اصطلاحات فردی است که برای حاشیه نویسی داده ها استفاده می شود. از سوی دیگر، کشف و ارائه موثر داده‌های مکانی نیازمند توصیف دقیق منابع است (به عنوان مثال،
فرضیه پشت کار ما این است که سه شکل معناشناسی Sheth نیز در زمینه geosemantics منعکس شده است. سپس هدف مقاله ما شناسایی فناوری‌ها، روش‌شناسی‌ها، چالش‌ها و راه‌حل‌هایی است که برای ژئومانتتیک ضمنی، رسمی و قدرتمند متمایز هستند تا خواننده را در حل مسئله راهنمایی کند. برای دستیابی به این هدف، با تجزیه و تحلیل بررسی‌های اخیر و مقالات سرمقاله در زمین‌شناسی، ابتدا فناوری‌ها، روش‌شناسی، چالش‌های تحقیقاتی و راه‌حل‌های اصلی ارائه‌شده توسط نویسندگان، با در نظر گرفتن آنها به عنوان کلمات کلیدی ( بخش 2.3 ) را بررسی می‌کنیم.
به طور متوالی، ما یک تجزیه و تحلیل دو مرحله ای را با بحث در مورد مطالعات موردی منتخب که شامل مدیریت زمین شناسی ضمنی، رسمی و قدرتمند است، انجام می دهیم. انتخاب مطالعات موردی با در نظر گرفتن تعلق آنها به یکی از مقوله‌های معنایی Sheth (بسته به ویژگی‌های ورودی‌های آنها) و تنوع و نمایندگی حوزه‌های کاربردی همانطور که در [ 8 ] مشخص شده است، انجام شده است.]. به طور خاص، برنامه‌ریزی شهری، مدیریت بلایای طبیعی، ارزیابی تنوع زیستی و مدیریت زمین، متنوع‌ترین و معرف‌ترین کاربردهایی است که ژئوماتیک را می‌توان به کار برد. سپس کلمات کلیدی را با مطالعات موردی مرتبط می‌کنیم و ارزیابی می‌کنیم که آیا دسته‌های Sheth با کلمات کلیدی متمایز، یعنی روش‌ها، فن‌آوری‌ها و راه‌حل‌های خاص مشخص می‌شوند، بنابراین امکان خوشه‌بندی متمایزتر از کلمات کلیدی را با توجه به آنچه که از metareview در بخش 2.3 پدیدار شده است، می‌دهیم. .
سهم این مقاله همچنین گردش کار روش شناختی است که ما به منظور توصیف اشکال معناشناسی در اطلاعات جغرافیایی با رویکردهای ترجیحی/انتخابی آنها دنبال کردیم.

2. مواد و روشها

این بخش به صورت زیر سازماندهی شده است: بخش 2.1 هدف ما و گردش کاری را که برای تأیید فرضیه خود دنبال کردیم، شرح می دهد. بخش 2.2 طبقه‌بندی معناشناسی را در اثر مرجع اصلی [ 4 ] که الهام‌بخش این مقاله است، توضیح می‌دهد. سپس، بخش 2.3 یک متاآنالیز از ادبیات زمین‌شناسی را که در بررسی‌های اخیر و مقالات مروری مورد بحث قرار گرفته است، ارائه می‌کند. بخش 2.4 ، بخش 2.5 و بخش 2.6 مطالعات موردی را که ما بر اساس معیارهای بیان شده در بالا انتخاب کردیم، ارائه می کند.

2.1. جریان کار

در این کار، هدف ما بررسی این است که آیا سه شکل معناشناسی توسط Sheth و همکاران. [ 4 ] را می توان با متمایز کردن روش ها، تکنیک ها و منابع دانش در میان آنهایی که در ادبیات اطلاعات مکانی یافت می شود، مرتبط دانست. این به هیچ وجه یک نتیجه گیری قطعی نیست و این روش شناسی های متمایز ممکن است مانند سایر زمینه ها نباشد. در واقع، دامنه جغرافیایی گاهی اوقات به دلیل ویژگی‌های آن (مثلاً پیشنهاد معماری‌های سرویس‌محور در مقابل معماری‌های منبع‌محور) از روندهای فعلی فاصله می‌گیرد.
برای این هدف، جریان کاری را تعریف می کنیم که مراحل اصلی آن در شکل 1 نشان داده شده است : بالا-چپ، یک بررسی فرامرحله ای از بررسی های اخیر مقالاتی که کاربردهای مدیریت اطلاعات مکانی را نشان می دهند انجام شده است ( بخش 2.3 ). بررسی متا امکان شناسایی موضوعات، چالش های تحقیق و راه حل ها را فراهم می کند. اینها به عنوان کلمات کلیدی در نظر گرفته می شوند و در سمت راست شکل 2 نشان داده شده اند. در سمت راست بالا، با فرض اینکه به عنوان نقطه شروع تجزیه و تحلیل خود، سه شکل فوق الذکر از معناشناسی (که تعاریف آنها در بخش 2.2 توضیح داده شده است )، چندین مطالعه موردی را انتخاب و تجزیه و تحلیل می کنیم و آنها را بر اساس این سه شکل از معناشناسی در زمینه طبقه بندی می کنیم. بر اساس ویژگی های ورودی آنها (بخش 2.4 ، بخش 2.5 و بخش 2.6 ).
در نهایت، به منظور اثبات فرضیه پشت این کار – که مقوله‌های Sheth نیز در زمینه زمین‌منطقی منعکس می‌شوند – نتایج به دست آمده توسط دو فاز مستقل قبلی به منظور محاسبه یک ماتریس شباهت بر اساس کلمات کلیدی مرتبط ارجاع داده می‌شوند. با مطالعات موردی به طور خاص، این امر با تأیید اینکه شباهت‌های درونی (درجات شباهت بین جفت‌های مطالعات موردی متعلق به یک شکل از زمین‌مانتیک) بیشتر از درجات شباهت بین جفت موارد مطالعه طبقه‌بندی شده به عنوان اشکال مختلف زمین‌مانتیک به دست می‌آید. هرچه شباهت درونی با توجه به شباهت بین‌المللی بیشتر باشد، روش‌ها و فناوری‌های مشخص‌کننده سه شکل ژئومانتیک متمایزتر می‌شوند.

2.2. سه سایه معناشناسی

نگاه کردن به ژئومانستیک از طریق عدسی‌های پیشنهاد شده توسط Sheth امکان دسته‌بندی در حداقل مجموعه‌ای از طبقات را فراهم می‌کند که چشم‌انداز وسیع (و همیشه در حال رشد) موضوعات (شامل هر دو روش و فن‌آوری) که در این حوزه وجود دارد، طبقه‌بندی شود. در غیر این صورت، پیامدهای ناهمگونی منبع اطلاعات (تا آنجایی که به ژانر و ماهیت مربوط می شود)، چند بعدی بودن اطلاعات، و وابستگی به دانش دامنه به راحتی چندین کلاس را ایجاد می کند که یک پیوستار معنایی à la Almeida [ 6 ] را پیکربندی می کند. از آنجایی که ناهمگونی منبع داده، تعامل بین دامنه‌ای، نقص داده/فرآیند، و حجم داده‌های بزرگ از ویژگی‌های رایج در حوزه جغرافیایی هستند که بین ضمنی ، رسمی و قدرتمند تمایز قائل می‌شوند.معناشناسی به ما این امکان را می دهد که مطالعات موردی ارائه شده را با یک راه حل واضح از تداوم به سه دسته تقسیم کنیم.
معناشناسی ضمنی به نوعی اشاره دارد که در داده ها ضمنی است و به صراحت در هیچ نحو قابل پردازش ماشینی نمایش داده نمی شود. معمولاً به مفاهیم و روابط بین آنها مربوط می شود که به صورت رسمی نمایش داده نمی شوند، اما در اسناد چند رسانه ای گنجانده شده اند، به عنوان مثال، “معنای آنها بر اساس درک مشترک حاصل از اجماع انسانی منتقل می شود” [ 5 ]. اینها می‌توانند اسناد زبان طبیعی، تصاویر چند طیفی، سری زمانی اندازه‌گیری‌ها، توالی فریم‌های ویدئویی، ضبط‌های صوتی، داده‌های جدولی غیرمستند و غیره باشند. هدف اصلی استخراج معنایی ضمنی مقابله با ابهام ذاتی است. در واقع، اصطلاحات در متون، جنبه های بصری در تصاویر و غیره بسته به زمینه و دانش افراد می توانند معانی مختلفی داشته باشند.9 ]. باید توجه داشت که ضمنی به معنای از دست دادن یک زیربنای مبتنی بر دانش نیست، بلکه به این معنی نیست که (یا نمی توان) به صورت رسمی، مانند ارزیابی توسط یک متخصص حوزه، به آن اشاره کرد.
به‌طور کلی‌تر، می‌توان گفت که معناشناسی که در برخی از نحوهای نحوی به خوبی نشان داده می‌شود (که توسط قواعد نحوی اداره می‌شوند) به عنوان معناشناسی رسمی شناخته می‌شوند. در سال 2001، برنرز لی و همکاران. [ 10 ] بیان کرد که «وب معنایی توسعه وب فعلی است که در آن به اطلاعات معنایی کاملاً تعریف شده داده می‌شود و رایانه‌ها و افراد را قادر می‌سازد تا با هم همکاری کنند». به این ترتیب، وب معنایی (SW) آشکارترین تجسم معناشناسی در زمینه محتواها و برنامه های کاربردی با واسطه اینترنت است. در اینجا، عطفی که ما به این اصطلاح می‌دهیم ، معناشناسی رسمی است، به‌ویژه آنهایی که توسط قطعات قابل تصمیم منطق مرتبه اول (FOL) ارائه می‌شوند [ 11 ].]. در واقع، “رسمی” نام دسته ای است که Sheth و همکارانش. به این نوع از معناشناسی [ 4 ]، مشابه «معناشناسی رسمی برای پردازش ماشین» در طبقه‌بندی Uschold [ 5 ] می‌پردازیم. بازنمایی صریح معناشناسی رسمی شامل نمودارهای دانش، هستی شناسی ها و موارد مشابه است.
در نهایت، Sheth و همکاران. مفهوم معناشناسی قدرتمند را به عنوان معناشناسی رسمی معرفی کنید که نه تنها می تواند مفاهیم و روابط دقیق و کاملاً تعریف شده، بلکه مفاهیم غیردقیق و نامطمئن و روابط تدریجی را نیز نشان دهد که معنای آنها می تواند ذهنی، مبهم و متغیر باشد. بسته به چند شرایط زمینه ای [ 12 ]. توانایی چارچوب‌های رسمی برای نمایش و مدیریت معناشناسی قدرتمند در واقع با هدف انجام استدلال تقریبی و کیفی به منظور کشف مفاهیم و روابط ضمنی، احتمالا نامشخص و نادقیق است، اگرچه به اندازه کافی دقیق است که برای حل برخی از وظایف مورد نیاز مفید باشد.

2.3. دیدگاه متاآنالیز

تیموتی تامباسی در پیشگفتار خود بر کتاب «فلسفه GIS» [ 13 ]]، اشاره کرد که ادبیات GIS ناهمگن و پراکنده است، در درجه اول به دلیل شاخه های متعدد دانش که از اطلاعات جغرافیایی استفاده، مدیریت و ایجاد می کنند. این همچنین در مورد زمین‌مانتیک صدق می‌کند، که ادبیات آن «جنگل» مفهومی از مسائل، موضوعات، فناوری‌ها، روش‌شناسی، چالش‌ها و راه‌حل‌ها را پیکربندی می‌کند که در آن به راحتی می‌توان جهت‌گیری را از دست داد. برای چارچوب‌بندی رویکردها در زمینه ژئومانستیک، برخی از مقالات مروری محرک در این زمینه را که در دهه اخیر ظاهر شده‌اند، در نظر گرفته‌ایم و سعی در بررسی و دسته‌بندی موضوعات، چالش‌های پژوهشی و راه‌حل‌های شرح داده شده داشته‌ایم. این یک تمرین متاآنالیز است که مقالات شرح داده شده در زیر را در نظر می گیرد.
کوکلا و همکاران [ 14 ] یک بررسی جامع از مشارکت‌هایی ارائه می‌دهد که نشان‌دهنده پیشرفت در معناشناسی جغرافیایی از سال 2015 است. بر دو موضوع اصلی تمرکز دارد، یعنی مدل‌سازی اطلاعات (هستی‌شناسی و توسعه آن‌ها) و استخراج دانش (نهفته) (از محتوای بدون ساختار یا نیمه ساختارمند، به ویژه بر اساس محتوای متنی). این مقاله به بررسی بیش از 150 اثر می پردازد. در میان آنها مقالاتی هستند که دسته بندی روش ها و رویکردهای زمین شناسی را ارائه می دهند، مانند [ 15 ، 16 ، 17 ، 18 ، 19 ]. سایر مشارکت های ذکر شده در مورد تلاش ها برای توصیف روش های موجود گزارش می دهند: [ 20 ، 21 ، 22, 23 , 24 , 25 , 26 , 27 , 28 , 29 , 30 , 31 , 32 ]. علاوه بر این، در این بررسی، خواننده می تواند آثار بسیاری را بیابد که نمونه اولی را در تعداد زیادی از برنامه ها نشان می دهد. در میان این [ 33 ، 34 ، 35 ، 36 ، 37 ، 38 ، 39 ، 40 ، 41 ، 42 ، 43 ، 44 ، 45 ، 46 ،47 , 48 , 49 , 50 , 51 , 52 , 53 , 54 , 55 ].
Hu [ 56 ] یک مرور کلی و مروری از مشارکت‌های مهم ارائه می‌دهد که با شش حوزه تحقیقاتی عمده در معناشناسی جغرافیایی، یعنی «هم‌کاری معنایی و هستی‌شناسی‌ها» [ 16 ، 24 ، 38 ، 57 ، 58 ، 59 ، 60 ، 61 ، 62 ، سروکار دارند. 63 ، 64 ، 65 ، 66 ، 67 ، 68 ، 69 ، 70 ]، “روزنامه های دیجیتال” [ 71 ، 72 ، 73 ، 74, 75 , 76 , 77 , 78 , 79 , 80 , 81 , 82 , 83 , 84 , 85 , 86 ] , ” بازیابی اطلاعات جغرافیایی ” _ _ _ _ _ _ _ _ _ _ _ _ 95 , 96 , 97 , 98 , 99 , 100 , 101, 102 , 103 , 104 , 105 , 106 ], “Web Semantic Geospatial and Linked Data” [ 43 , 107 , 108 , 109 , 110 , 111 , 112 , 114 , 114 , 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11 , 11 , 11 , 7 , 117 , 118 , 119 , 120 , 121 ], “مفاهیم شناختی جغرافیایی و استدلال کیفی” [ 70 ، 119 ،120 , 121 , 122 , 123 , 124 ].
یانوویچ و همکاران [ 125 ] یک نمای کلی غنی از چشم انداز geosemantics است که بر برخی موضوعات انتخابی تمرکز دارد که نویسندگان آن را مورد توجه خاص می دانند. مشارکت های بررسی شده بر اساس این موارد سازماندهی می شوند. با توجه به این سوال که چه نوع کلاس های جغرافیایی را باید متمایز کرد، آنها به [ 16 ، 17 ، 18 ، 63 ، 65 ، 66 ، 68 ، 126 ، 127 ، 128 ، 129 ] استناد می کنند. در عوض، سوال در مورد چگونگی ارجاع پدیده های مکانی توسط [ 113 ، 123 ، 130 پشتیبانی می شود., 131 , 132 ]. کشف وقایع و محاسبه تغییرات جغرافیایی در [ 133 ، 134 ، 135 ، 136 ] مواجه و تقویت می‌شود، مدیریت مکان‌ها و مسیرهای جسم متحرک در [ 70 ، 77 ، 90 ، 133 ، 137 ، 1301 ، 139 ، 139 ، 139 ، , 142 , 143 ]. مقالات زیر با اشاره به مقایسه، هم ترازی و ترجمه کلاس‌های مکانی [ 15 ، 69 ، 90 ] ذکر شده است., 144 , 145 , 146 , 147 , 148 , 149 ]. در نهایت، مسائلی که با پردازش، انتشار و بازیابی داده‌های جغرافیایی مطرح می‌شوند، در [ 150 ، 151 ، 152 ، 153 ، 154 ، 155 ، 156 ] بررسی می‌شوند.
این رویکرد در [ 157 ] تغییر می کند: به جای بررسی مقالات مربوط به پروژه ها و مسائل مربوط به زمین شناسی، ایده هایی را که ریشه در علوم شناختی و زبان شناسی دارند برای ترسیم کاربرد آنها در معناشناسی اطلاعات جغرافیایی بررسی می کند. این ایده از سال 1990 تا 2010 را مورد بحث قرار می دهد و نشان می دهد که چرا و چگونه این ایده ها برای پرداختن به معناشناسی سازنده بوده اند.
ما همچنین چند مقاله را در نظر گرفتیم که کاملاً بررسی نیستند، اما، به نظر ما، ارزش گنجاندن را دارند، زیرا چشم‌اندازی از روندها و مشارکت‌ها را در زمین‌شناسی ارائه می‌دهند. یانوویچ و همکاران [ 112 ]، مقاله سرمقاله‌ای در وب معنایی، زمینه تحقیقاتی معناشناسی جغرافیایی را ترسیم می‌کند، جهت‌ها و گرایش‌های اصلی تحقیقات را برجسته می‌کند، و نگاهی به چالش‌های آینده می‌اندازد. مقاله سرمقاله دیگری [ 158 ]، VGI (اطلاعات جغرافیایی داوطلبانه) را در نظر می‌گیرد و ادعا می‌کند که داده‌های پیوندی جغرافیایی و نمودارهای دانش، زمانی که برای پیاده‌سازی جستجوی هوشمند داده‌ها استفاده می‌شوند، می‌توانند به خدمات اشتراک‌گذاری دقیق داده منجر شوند.
کار کمتر اخیری که ما در نظر گرفتیم [ 159]، جایی که نویسنده مشاهده می‌کند که رویکردهای اصلی برای غلبه بر ناهمگونی معنایی بر هستی‌شناسی‌هایی تکیه می‌کنند که با داشتن تعاریف پیشینی، متن‌زدایی شده‌اند. در مقابل، او تأیید می کند که آشتی معنایی باید معانی مبتنی بر زمینه را در نظر بگیرد. از آنجایی که «معنا و زمینه به طور پویا از فعالیت و کنش متقابل پدید می‌آیند که در لحظه و در انجام کار تعیین می‌شوند». او بیشتر محدودیت های رویکردهای بازنمایی را برجسته می کند. در واقع، دومی فرض می‌کند که زمینه، اطلاعاتی با ثبات و محدود است که می‌تواند فقط در یک لایه اطلاعاتی دیگر یا هستی‌شناسی دیگری در یک سیستم اطلاعاتی شناخته و کدگذاری شود. اینها دلایلی هستند که چرا این کار فرمالیسم‌های مدل‌سازی غیربازنمایی را تشویق می‌کند تا با تعامل معنایی در اشتراک‌گذاری و یکپارچه‌سازی اطلاعات جغرافیایی کنار بیایند.
با تجزیه و تحلیل مرورهای بالا، ما فهرستی از اصطلاحاتی را استخراج کرده‌ایم که نویسندگان آنها را به عنوان موضوعات مورد علاقه، چالش‌های پژوهشی یا راه‌حل‌ها مشخص کرده‌اند که به عنوان کلمات کلیدی در نظر می‌گیریم. مطابقت بین کلمات کلیدی و بررسی های مبدأ مربوطه را می توان در مطالب تکمیلی یافت . کلمات کلیدی در سمت راست نمودار در شکل 2 آمده است. این فهرست به اندازه کافی گسترده است که نشان دهد زمین بازی ارائه شده توسط geosemantics چقدر است.
با این حال، این فهرست ممکن است مغرضانه باشد، زیرا بر اساس دیدگاه‌ها و بررسی‌های نویسندگان درباره ادبیاتی است که به سرعت در حال تکامل است، و برخی از اصطلاحات می‌توانند معانی همپوشانی داشته باشند. به عنوان مثال، بررسی های اخیر، مانند Kokla و همکاران. [ 14 ]، به دلیل ظهور اپلیکیشن های موبایل و اجتماعی، اینترنت اشیا، هوش مصنوعی و غیره در پنج سال گذشته، افزایشی در این فهرست اصطلاح ایجاد کرد. این زمینه های تحقیقاتی مفاهیم جدیدی مانند هستی شناسی های سبک وزن را معرفی کردند. این افزایش همچنین به دلیل تغییر پارادایم است که به سال 2012 برمی گردد [ 20 ]، از وب همه منظوره به جوامع و دیدگاه های خاص آنها، که به نوبه خود توسط حرکت Critical GIS [ 160 ] پیش می رود. با اشاره به مفهوم زمین دیجیتال، در [ 161] نویسندگان “شبکه ای از نظریه ها را درخواست کردند که قابلیت همکاری را بدون دست کشیدن از ناهمگونی معنایی تقویت می کند”. به این ترتیب، این امکان وجود دارد که آثار اخیر بیشتر فهرست شکل 2 را پر کنند.
در مقالاتی که بررسی کردیم، نویسندگان گروه بندی این کلمات کلیدی را بر اساس برخی دسته بندی ها، که در سمت چپ نمودار فهرست شده اند، پیشنهاد کردند. برخی از کلمات کلیدی را می توان به چندین دسته مرتبط کرد زیرا می توانند پیشنهادهای خوبی در سناریوهای کاربردی متنوع باشند. به عنوان مثال، اصطلاح روزنامه‌ها در برخی از آثار به‌عنوان «وب معنایی جغرافیایی» یا «استخراج اطلاعات معنایی» ارائه شده است. “هستی شناسی دامنه” در کارهایی که با “رسمی سازی ژئومعناشناسی” و “همکاری معنایی” مقابله می کنند، استفاده شده است. از سوی دیگر، مقوله‌هایی وجود دارند که می‌توان با استراتژی‌های متعدد با آنها مقابله کرد. به عنوان مثال، مسائل زمین‌شناسی که در دسته «مفاهیم جغرافیایی شناختی» قرار می‌گیرند، در پروژه‌های «کشف رویدادها-تغییر»، «GIS مبتنی بر مکان» یا «استدلال کیفی» مورد بررسی قرار گرفته‌اند.
شکل 2 نشان می‌دهد که دسته‌های سمت چپ با موضوعات و راه‌حل‌های متمایز در سمت راست مرتبط نیستند، به‌عنوان مثال، بررسی‌ها موفق نشدند اجازه دهند الگوها در «جنگل» زمین‌مانتیک ظاهر شوند، بنابراین در شیوه‌های متنوع نظم ایجاد کردند.

2.4. زمین شناسی ضمنی

در [ 14 ]، استخراج جغرافیای ضمنیمعناشناسی «برانگیختن اطلاعات معنایی» نام دارد. تحت این تفسیر، این اصطلاح در معنای وسیع‌تری برای دربرگرفتن فرآیندهایی به کار می‌رود که هدفشان آشکار ساختن دانش نهفته از محتوای بدون ساختار یا نیمه ساختار است. این فرآیندها بر برانگیختن نمایشی ساختاریافته از اطلاعات در اشکال مختلف، مانند ابرداده معنایی، پیوند به مفاهیم هستی‌شناسی، مجموعه‌ای از موضوعات، نقشه‌ها و تصاویر دارای برچسب جغرافیایی، و غیره تمرکز دارند. – اسناد متنی ساختاریافته، تصاویر گرفته شده از دوربین ها، تصاویر از سنجش از راه دور، فایل های صوتی و تصویری. در بیشتر موارد، ابرداده ها در دسترس هستند، اما به طور کلی برای نمایش و درک محتوا کافی نیستند.
به طور معمول، متون بدون ساختار، پست‌ها در شبکه‌های اجتماعی و جریان‌های خبری ممکن است به نام‌های جغرافیایی در محتوای خود اشاره کنند تا رویدادها، نقاط مورد علاقه (POI) و مکان‌ها را توصیف کنند. رشته‌ای که محتویات جغرافیایی را از متون بدون ساختار و نیمه‌ساختار استخراج می‌کند تا آن‌ها را نمایه کند و امکان ارزیابی پرس‌وجوهای محتوایی و مکانی را فراهم کند، بازیابی اطلاعات جغرافیایی (GIR) [ 87 ] است.]. تصاویر یکی دیگر از منابع بالقوه اطلاعات geosemantic هستند. عکس ها ممکن است مکان های جغرافیایی را بدون ذکر صریح نام یا موقعیت جغرافیایی آنها به تصویر بکشند. با توجه به فایل های ویدئویی، می توان رویدادهای گزارش اخبار تلویزیون را نسبت به مناطق جغرافیایی خاص در نظر گرفت. در نهایت، تصاویر سنجش از دور ممکن است حاوی نمایش‌هایی از وضعیت محیط با توجه به وقوع پدیده‌های جغرافیایی-زمانی و رویدادهایی باشند که در یک منطقه خاص در حال وقوع هستند. تقسیم‌بندی تصاویر به منظور استخراج ردپای جغرافیایی مکان‌ها و رویدادها را می‌توان با استفاده از تحلیل مکانی-زمانی انجام داد. دومی اساساً مبتنی بر (i) دانش کارشناسان حوزه است. (2) رویکردهای آماری و یادگیری ماشین، یا (iii) رویکردهای ترکیبی ترکیبی از دو مورد قبلی [ 162 ].
برخی از چالش‌های مهم استخراج زمین‌مانتیک ضمنی در اسناد چند رسانه‌ای به سه هدف اصلی مرتبط است:
(من)
تطبیق مفهوم‌سازی‌های مکان و فضای زمین‌مانتیک: در حالی که منظر «فضایی» (بر اساس مکان) معمولاً در متن‌ها با نام مکان‌های متنی، توصیف‌های زبانی و روابط معنایی بین مکان‌ها تعریف می‌شود، چشم‌انداز فضایی نمونه‌ای از نقشه‌های ژئوارفرانسی به صراحت نشان‌دهنده هندسه ها بر اساس مختصات، فواصل، توپولوژی و جهت هایشان، اما عمدتاً فاقد توصیف معانی آنها هستند. این آشتی از سطحی به فضایی و بالعکس مستلزم مدل‌سازی عدم قطعیت فرآیند تشخیص است.
(II)
افزایش درک انسان از معنای شناسی اطلاعات جغرافیایی با در نظر گرفتن نیازها و ترجیحات مکانی، زمانی و محتوایی کاربران. این به معنای شناسایی و خلاصه کردن محتوای جغرافیایی بر اساس جزئیات مکانی، زمانی و محتوایی متمایز است.
(iii)
افزایش قابلیت همکاری نمایش معنایی اطلاعات جغرافیایی به منظور امکان استفاده مجدد از آن در زمینه ها و برنامه های مختلف. این امر با اتخاذ استانداردها و هستی شناسی های حوزه/وظیفه/برنامه به دست می آید.
اساساً، رویکردهای هوش مصنوعی متشکل از متدولوژی‌های مختلف (مانند محاسبات نرم، خوشه‌بندی، الگوریتم‌های ژنتیک، تحلیل زمین‌آمار، شبکه‌های عصبی، ماشین‌های بردار پشتیبان و موارد مشابه) برای استخراج معنای ضمنی از اسناد چندرسانه‌ای استفاده می‌شوند. از پایگاه‌های دانش برای پشتیبانی از تحلیل استفاده می‌شود: این پایگاه‌ها ممکن است به شکل روزنامه‌ها، DBpedia ( https://wiki.dbpedia.org/ دسترسی به ۱ آوریل ۲۰۲۱)، اصطلاحنامه‌های عمومی و دامنه مانند WordNet ( https://wordnet) باشند. princeton.edu/قابل دسترسی در 1 آوریل 2021)، ژئو هستی شناسی ها، و اطلاعات مکانی موضوعی. در ادامه، برخی از مطالعات موردی متمرکز بر چالش‌های فوق را ارائه می‌کنیم که ژانرهای مختلف محتوای جغرافیایی (به طور اساسی، اشیاء، رویدادها و مسیر حرکت اجسام متحرک) را در دسته‌های متمایز اسناد چندرسانه‌ای (اسناد متنی و پست‌های رسانه‌های اجتماعی) در نظر می‌گیرند.
یک نمای تلفیقی از چهار مطالعه موردی که با شکل ضمنی معناشناسی سروکار دارند در جدول 1 گزارش شده است : علاوه بر شناسه مطالعه موردی، مخفف آن و شرح مختصری، جدول نوع ورودی، روشی را که اعمال می‌کند، گزارش می‌کند. نوع خروجی تولید شده و استفاده بالقوه آن می توان متوجه شد که نوع ورودی اسناد متنی بدون ساختار یا اسناد رسانه های اجتماعی است، نوعی داده که معمولاً حاوی شکل ضمنی معناشناسی است. همچنین می‌توان متوجه شد که خروجی‌ها حاوی ژئومانتیک صریح‌تر هستند، که توسط ردپاهای جغرافیایی اسناد، خوشه‌های مکانی-زمانی رویدادها، مسیرها، و نام‌های مکان ارجاع‌شده تشکیل شده‌اند.
در مورد حوزه‌های کاربردی که توسط مطالعات موردی پوشش داده شده‌اند، در بخش 2.4.1 مربوط به بازیابی اطلاعات جغرافیایی ارجاع‌شده است و ابزارهای مؤثری را برای برنامه‌ریزان شهری برای استخراج دانش منابع سرزمینی فراهم می‌کند. مطالعه موردی در بخش 2.4.2 استخراج مسیری را برای حمایت از برنامه ریزی تحرک برای گردشگران انجام می دهد. مطالعه موردی در بخش 2.4.4 نشان می‌دهد که مدیریت بلایا می‌تواند با تشخیص به‌موقع رویداد تقویت شود و در نهایت، مطالعه موردی در بخش 2.4.4 در مورد ایجاد geo-gazetteer از VGI، در حمایت از اداره زمین است.

2.4.1. از “مکان” تا “فضا”: نشان دهنده عدم قطعیت اطلاعات جغرافیایی در متون برای پشتیبانی از بازیابی اطلاعات جغرافیایی

در [ 163 ]، یک سیستم GIR پیشنهاد شد که امکان استخراج geosemantics ضمنی را در محتوای اسناد متنی از طریق شناسایی ردپاهای جغرافیایی فازی ، به عنوان مثال، مکان‌های متمایز روی زمین که توسط اسناد به آنها اشاره می‌شود، می‌دهد.
مدل GIR از روش‌های محاسباتی نرم استفاده می‌کند. به طور خاص، ارزیابی معیارهای دوقطبی چندگانه [ 164 ، 165 ] بر اساس یک عملگر p-norm [ 166 ] برای استخراج ردپای فازی اسنادی که تمرکز جغرافیایی آنها را نشان می‌دهند، جمع‌آوری شدند. به طور خلاصه، برخی از معیارها تأثیر مثبتی بر انتخاب نام‌های جغرافیایی در متن به‌عنوان ردپای یک سند دارند (مثلاً وقتی نویسه‌های اولیه عبارت یک حرف بزرگ است، زمانی که عبارت رخداد نزدیک به عبارت‌های لنگر مثبت است. مانند «خیابان»، «شهر»، «ملت» و غیره). سایرین تأثیر منفی دارند (مثلاً وقتی که قبل از این اصطلاح عبارت‌های لنگر منفی مانند «آقا»، «آقا»، «خانم» و غیره آمده است).
سیستم نمونه اولیه، ساختار کلاسیک یک سیستم بازیابی اطلاعات (IRS) [ 163 ] را دارد که از دو جزء اصلی تشکیل شده است: ماژول نمایه سازی و ماژول بازیابی . ماژول نمایه سازی دو زیرمجموعه اصلی دارد: نمایه سازی تمام متن و نمایه سازی جغرافیایی.ماژول های فرعی اولی نمایه سازی متن کامل اسناد را برای نشان دادن محتوای مهم آنها انجام می دهد و فهرست معکوس متنی را برای فعال کردن جستجوهای مبتنی بر محتوا ایجاد می کند. در عوض، ماژول فرعی GeoIndexing ردپای فازی اسناد را با پشتیبانی از یک پایگاه دانش که هم شامل یک ژئوآنتولوژی و هم یک پایه قانون است که دانش اکتشافی مورد نیاز برای رویارویی با ابهامات جغرافیایی/غیر جغرافیایی را در طول تحلیل جغرافیایی رمزگذاری می‌کند، شناسایی می‌کند. و با ابهامات geo/geo در طول geocoding. نمونه ای از ابهام جغرافیایی/غیر جغرافیایی، موردی است که نام مکانی دارای معنای غیرجغرافیایی نیز باشد، مانند «Nice» (فرانسه)، «Crema، Brindisi» (ایتالیا) و «Of» (ترکیه). در عوض، ابهامات جغرافیایی/جغرافیایی به دلیل مکان‌های متمایز روی زمین با نام مکان یکسان است، مانند رم، پاریس، لندن و غیره). قوانین ابهام‌زدایی هم بافت جغرافیایی را در نظر می‌گیرند، بر اساس این فرض مشترک که «مکان‌های نزدیک نسبت به مکان‌های دور نزدیک‌تر هستند» و هم بافت متنی، بر اساس این در نظر گرفتن که نام‌های جغرافیایی متمایز که در متن نزدیک به نظر می‌رسند نیز ارتباط نزدیکی دارند. در فضای جغرافیایی به این ترتیب، نام مکان‌ها در اسناد با ردپایی مبهم در فضای جغرافیایی مرتبط می‌شوند، بنابراین دو مفهوم‌سازی زمین‌شناسی را با هم تطبیق می‌دهند و هم جستجوگران محتوا و هم فضایی را قادر می‌سازند.
2.4.2. تشخیص رویدادهای دوره ای/ اپیزودیک از شبکه های اجتماعی با دانه بندی مطلوب فضایی- زمانی
مقاله توسط [ 167] رویکردی را برای کشف رویدادهای مورد علاقه از رسانه‌های اجتماعی با مدل‌سازی دانه‌بندی زمانی-مکانی متمایز پیشنهاد می‌کند. ویژگی اصلی این مطالعه انعطاف‌پذیری در تشخیص رویدادهایی است که با یک مهر زمانی دوره‌ای یا اپیزودیک مشخص می‌شوند، بنابراین اجازه می‌دهد تا دانش پیشینی از نظم‌های زمین‌زمانی احتمالی آن‌ها تایید شود. با توجه به مجموعه‌ای از منابع اطلاعات مکانی-زمانی، مانند توییتر، این روش ابتدا یک خزیدن متمرکز در محتوای رسانه‌های اجتماعی انتخاب شده برای جمع‌آوری پیام‌های نامزد مربوط به یک رویداد مورد علاقه انجام می‌دهد. به‌طور متوالی، پیام‌های جمع‌آوری‌شده با استفاده از یک الگوریتم خوشه‌بندی مکانی-زمانی مبتنی بر چگالی اصلی تحلیل می‌شوند. دومی با گسترش الگوریتم DBSCAN برای گروه‌بندی پیام‌هایی که به طور متراکم در حوزه مکانی-زمانی قرار دارند، تعریف می‌شود.
کاوش تعاملی و چند دانه ای است و به تحلیلگران این امکان را می دهد که نه تنها موضوعات مورد علاقه، به عنوان مثال، دسته، بلکه دوره زمانی و چگالی مکانی را نیز به گونه ای سفارشی کنند تا با مقیاس های زمانی- مکانی مختلف مطابقت داشته باشند. می‌توان (i) مجموعه‌ای از کلمات کلیدی مورد علاقه را برای فیلتر کردن پیام‌های مربوط به یک رویداد یا موضوع (مثلاً راهبندان، طوفان، رانش زمین، مسابقه فوتبال) مشخص کرد، (ب) جزئیات مورد نظر در دوره زمانی تحلیل (مانند مانند هر روز، ماه، سال) و (iii) دانه بندی فضایی مورد نیاز برای تشکیل یک خوشه، تعریف شده توسط تراکم مکانی-زمانی پیام ها. هر خوشه تولید شده توسط الگوریتم را می توان با لیستی از معرف ترین کلمات کلیدی که در پیام های خوشه یافت شد، شناسایی کرد، بنابراین معنایی خوشه را نشان می دهد. استفاده از اصطلاحنامه [168 ] به شناسایی عبارات کلی تری کمک می کند که معنای عبارات خاص موجود در پیام های جداگانه خوشه را بیان می کنند. تا آنجا که به نمایش ردپای جغرافیایی هر خوشه مربوط می شود، یک بدنه محدب را می توان از مختصات جغرافیایی پیام ها در هر خوشه محاسبه کرد تا یک نمایش چند ضلعی از ردپای جغرافیایی به دست آید.
2.4.3. کشف و خلاصه کردن مسیرهای حرکت اجسام از توییتر
کار شرح داده شده در [ 169 ] رویکردی را برای شناسایی، ردیابی و تجزیه و تحلیل تورهای محبوب گردشگرانی که از یک منطقه مورد علاقه (ROI) بازدید می کنند، بر اساس توییت هایی که منتشر می کنند، پیشنهاد می کند.
این راه حل از دو مجموعه اصلی ابزار تشکیل شده است: مجموعه FollowMe برای شناسایی و ردیابی گردشگران و مجموعه TripsAnalysis برای استخراج تورهای محبوب.
مجموعه FollowMe به کاربران این امکان را می‌دهد که درخواست‌های فضایی را به API توییتر ارسال کنند تا توئیت‌های hang ، به عنوان مثال، توییت‌های ارسال شده در منطقه فرودگاه‌های تحت نظارت را پیدا کنند. برای هر کاربری که با استفاده از توییت‌ها شناسایی می‌شود، مجموعه FollowMe (از طریق API توییتر) جدول زمانی او، یعنی تاریخچه توییت‌های ارسال شده توسط کاربر را جستجو می‌کند تا توییت‌ها را ردیابی کند.
با توجه به ROI، سفرهایی که در ROI اتفاق می‌افتند با جستجو در توییت‌های hang و توییت‌های ردیابی شده که قبلاً در پایگاه داده محلی ذخیره شده‌اند، بازسازی و استخراج می‌شوند. سفرهای بازسازی شده با فهرستی از مختصات جغرافیایی نشان داده می شوند که بر اساس زمان ایجاد پیام مرتب شده و از طریق رابط وب سرویس صادر می شوند.
مجموعه تجزیه و تحلیل سفر، فعالیت های کشف دانش را در سفرهای جمع آوری شده توسط FollowMe Suite انجام می دهد. یک روش خوشه‌بندی مسیر مبتنی بر دانش امکان تجزیه و تحلیل سفرها را بر اساس معناشناسی قابل تنظیم می‌دهد. تحلیلگر می تواند با ارائه یک لایه برداری از شکاف های جغرافیایی (جغرافیایی) مورد علاقه، هم دانه بندی و هم معنایی تحلیل مورد نظر را مشخص کند. اینها از منابع خارجی قابل همکاری استخراج شده اند که الگوریتم از آنها برای ادغام نقاط سفرها برای سهولت گروه بندی آنها استفاده می کند. به عنوان مثال، می توان سفرها را با توجه به شهرداری های بازدید شده، مناطق، کشورها، محله های شهر، کد پستی و غیره ادغام و سپس تجزیه و تحلیل کرد. الگوریتم ابتدا سفرهای نمایش داده شده را بر اساس توالی مرتب مختصات جغرافیایی به یک نمایش سفر ترکیبی متشکل از یک دنباله مرتب شده از شناسه های شکاف جغرافیایی، به عنوان مثال، یک رشته تقسیم می کند. به این ترتیب، پارتیشن‌های geo-slots مختلف تفاسیر، مقیاس‌ها و معنایی تحلیل را ارائه می‌دهند.
سفرهای ترکیبی را می توان به راحتی با استفاده از یک الگوریتم خوشه بندی مسیر سلسله مراتبی پیوند کامل با استفاده از تطبیق رشته-شباهت خوشه بندی کرد. تطبیق برای شناسه‌های به هم پیوسته شکاف‌های جغرافیایی در نمایش سفرهای ترکیبی اعمال می‌شود. در نهایت، تورهای پرطرفدار را می‌توان با انتخاب پارتیشنی از سلسله‌مراتب خوشه‌ها با تعیین یک آستانه در حداقل شباهت بین سفرهای ترکیبی در یک تور محبوب، یا حداقل تعداد سفرهایی که یک تور محبوب باید داشته باشد، شناسایی کرد.
2.4.4. ایجاد روزنامه های جغرافیایی توسط تجزیه و تحلیل داوطلبانه اطلاعات جغرافیایی
ساخت روزنامه های جغرافیایی از نظر تلاش انسان بسیار پرهزینه است و پس از ایجاد، نیاز به به روز رسانی مداوم دارند. کار [ 81] استفاده از علم داده را برای استخراج اطلاعات معنایی در مورد نام‌ها، مکان‌ها و POI از اطلاعات جغرافیایی بزرگ ایجاد شده توسط داوطلبان در وب، به‌ویژه از تصاویر فلیکر دارای برچسب جغرافیایی، پیشنهاد می‌کند. هدف، غنی‌سازی و به‌روزرسانی روزنامه‌های فعلی با ایجاد خودکار روزنامه‌نگاران دیجیتال از نام‌های مکان‌های ارجاع‌شده مانند «مرکز شهر»، «منطقه خرید» و POI مرتبط با کلمات کلیدی و ردپای جغرافیایی است. هدف نهایی، پشتیبانی از برنامه های کاربردی متنوع، مانند بازیابی اطلاعات جغرافیایی (GIR)، خدمات کتابخانه دیجیتال، و سیستم هایی با استفاده از دانش مکانی-زمانی است. ردپای جغرافیایی از مکان‌های GPS تصاویر Flicker استخراج می‌شود در حالی که توضیحات مکان از برچسب‌های آن‌ها تقطیر می‌شود. مکان‌های GPS نزدیک مرتبط با توصیفات متنی مشابه ایجاد شده توسط داوطلبان متمایز، به عنوان شناسایی همان مکان فرض می‌شوند. این مکان ها عموماً کاملاً منطبق نیستند اما معمولاً ساختار خوشه ای در فضا دارند. این به نویسندگان پیشنهاد کرد که از یک تابع کاهش فاصله برای اندازه‌گیری عضویت مکان‌های نامزد اختصاص داده شده به یک مکان استفاده کنند تا یک مدل شهرت کاربر بصری برای ارزیابی اعتماد ارائه کنند.

2.5. زمین شناسی رسمی

دلیل اینکه مورد استفاده در بخش 2.5.1 مثالی برای گذار از ژئومانتیک ضمنی به رسمی است، دو مورد است. از یک سو، از هستی‌شناسی‌ها به عنوان ابزار رسمی‌سازی حمایت می‌کند و بیان محدودتری را برای مدل‌سازی موجودیت‌های جغرافیایی ارائه می‌دهد. از سوی دیگر، به یک موضوع تحقیقاتی می پردازد، نقشه های نسل بعدی، که ریشه در نقشه کشی دارد و به این ترتیب، معمولاً به تفسیر اطلاعات ضمنی با واسطه تخصص دامنه کاربران نهایی وابسته است. بیشتر کاربردهای معناشناسی در اطلاعات مکانی از معنای “کوچک” مانند واژگان SKOS [ 170 ] استفاده می کنند.] که از بیان کامل زبان های هستی شناسی استفاده نمی کنند. دیگران رمزگذاری RDF را با معناشناسی اشتباه می گیرند. درعوض، مهم است که در نظر داشته باشید که معیارهای مدل‌سازی بسیار گویاتر (زبان‌های هستی‌شناسی) و ابزارهای استنتاج (عقلان) وجود دارند. بخش 2.5.1 هم یک مدل مفهومی برای موجودیت های جغرافیایی و هم یک پیاده سازی نمونه ارائه می کند.
کشف ، به معنای “بازیابی اطلاعات مکانی”، تا حد زیادی به ابرداده وابسته است. به نوبه خود، توصیف معنایی فراداده به عنوان ابزار اولیه برای دستیابی به قابلیت همکاری [ 171 ] در حوزه ای در نظر گرفته می شود که در غیر این صورت مملو از ناهمگونی ها است [ 14 ، 56 ]. آزادسازی این پتانسیل معمولاً به معنای مرتبط کردن اقلام ابرداده به موجودیت‌های موجود در وب داده (ابر داده باز پیوندی: https://lod-cloud.net/ قابل دسترسی در 1 آوریل 2021) است، مانند اصطلاحات از واژگان، افراد و سازمان‌های SKOS. در نمایش‌های FOAF [ 172 ]، و غیره. در حالی که این مرحله ممکن است برای کشف معانی آگاه به شدت ضروری نباشد [ 173 ]]، استفاده از این دسته از ساختارهای داده می تواند به راحتی توصیفات منابع آگاه به معنایی را به دست آورد. مزایای این عمل بسیار زیاد است. از یک طرف، این ساختارهای داده ممکن است تجربه کاربر در تولید ابرداده را تا حد زیادی بهبود بخشد. از سوی دیگر، ابرداده های سنتی را می توان به منظور فعال کردن معیارهای کشف هوشمندانه غنی کرد. این تمرکز بخش 2.5.2 است.
از ساختارهای داده بافضیلت فوق الذکر که بگذریم، مجموعه بزرگی از ساختارهای داده قابل دسترسی به وب وجود دارد که از هستی شناسی های بیان شده در OWL/OWL2، مانند موارد ذکر شده در بالا، یا زبان های طرحواره سازگار با آنها (مانند طرحواره RDF) بهره نمی برند. . به عنوان مثال، Microdata را در نظر بگیرید که معمولاً در صفحات وب جاسازی شده است یا ساختارهای داده XML/JSON که اغلب در اجرای API ها استفاده می شوند. بخش 2.5.3ایجاد “دوقلوهای معنایی” از ساختارهای داده JSON را پیشنهاد می کند تا امکان دسترسی شفاف به منابع داده ناهمگن را فراهم کند. لازم به ذکر است که اگرچه ما قبلاً قالب JSON را در بخش قبل در نظر گرفتیم، در این زمینه معنایی زیربنای داده JSON (شکل ضمنی آن) با نگاشت به RDF، با فرض تفسیر، آشکار می شود. برخی از اطلاعات (افزایش یافته) موجود در ساختارهای داده RDF می توانند به JSONهای اصلی بازخورد داده شوند تا یک نمایش JSON-LD [ 174 ] از منابع محقق شود.
در نهایت، بخش 2.5.4 مدلی را برای میانجیگری معنایی با هدف بهبود اکتشافات مکانی توصیف می‌کند، به عنوان مثال، با بهره‌برداری از ابرداده‌های هوشمندانه‌تر ناشی از روش‌شناسی ایجاد شبیه به آنچه در بخش 2.5.2 و  بخش 2.5.3 ارائه شده است. در واقع، آشکار است که کشف یک “گام اول حیاتی” در تصویب زیرساخت های داده های مکانی (SDIs) است و با این وجود “بیشتر نادیده گرفته شده و با پیروی از پارادایم های قدیمی مورد توجه قرار می گیرد” [ 112]. علاوه بر استفاده از اطلاعات غنی‌تر ناشی از توصیف معنایی فراداده، یکی دیگر از اهداف کلیدی این عمل پیاده‌سازی مدیریت داده‌های مکانی به‌عنوان یک API قابل پردازش توسط ماشین است، بنابراین دسترسی عادلانه به منابع مکانی را تقویت می‌کند [ 175 ]. دلیل این امر این است که تلاش برای توصیف معنایی فراداده ها و انجام ندادن آخرین مایل به سمت بهره برداری کامل از آنها توسط عوامل خودکار، منطقی نیست. نمای سینوپتیک مطالعات موردی تحلیل شده در رابطه با ژئومانتیک رسمی در جدول 2 گزارش شده است.

2.5.1. بازنمایی نقشه کل نگر با سناریوهای جغرافیایی

کار در [ 176 ] سناریوهای جغرافیایی  [ 177 ] را نشان می‌دهد، مفهومی که بر اساس نظریه سیستم عمومی [ 178 ] یکپارچه‌سازی اطلاعات فضایی، فرآیندی و رابطه‌ای مربوط به عناصر جغرافیایی و رویدادهای جغرافیایی ارجاع داده شده است. بر خلاف رویکردهای تقلیل گرایانه (مانند آنهایی که موجودیت های جغرافیایی را به مضامین تقسیم می کنند)، سناریوهای جغرافیایی دیدگاهی کل نگر را پیشنهاد می کنند که باید برای نشان دادن ارتباطات سلسله مراتبی میان موجودیت های جغرافیایی مناسب تر باشد. علاوه بر این، با ترجیح فضا در طول زمان، GIS پیشرفته ممکن است به نوعی روابط پویا و علل را به تصویر بکشد.
مبتنی بر چارچوب مفهومی سناریوهای جغرافیایی بر روی هستی شناسی امکان بیان دسته بندی های چند سلسله مراتبی و مرزهای فازی، به تصویر کشیدن موجودیت های متنوع و پیچیده در مقیاس ها و ابعاد مختلف را می دهد. ویژگی‌های جغرافیایی فرآیندی است که از طریق آن به سناریوها و همچنین اجزای منفرد آن‌ها ویژگی‌ها و روابط نه تنها بر اساس مفاهیم سنتی، مانند منطقه‌بندی و طبقه‌بندی، بلکه بر اساس اکولوژی و جهت‌گیری انسان (که معمولا به عنوان ابعاد موضوعی صرف در نظر گرفته می شود). رویدادها در مدل‌سازی هستی‌شناختی سناریوهای جغرافیایی به شهروندان درجه یک تبدیل می‌شوند، بنابراین امکان نسبت دادن روابط پویا بین موجودیت‌های جغرافیایی را فراهم می‌کنند.
از نقطه نظر فنی، تحققی که ارائه می شود، داده های رابطه ای را با کلاس ها و ویژگی های هستی شناسی با اعمال قوانین SWRL [ 179 ] ترکیب می کند. اطلاعات به دست آمده در یک پایگاه داده گراف برای پرس و جو ذخیره می شود. در حالی که مثال پیشنهادی قابلیت‌های افزوده شده سناریوهای جغرافیایی را به طور کامل نشان نمی‌دهد، مدولار بودن زیربنای معنایی احتمالی (هستی‌شناسی) و راه‌حل مقیاس‌پذیر برای ذخیره‌سازی (پایگاه داده گراف) اجرای گسترده‌تری را پیشنهاد می‌کند.
2.5.2. خصوصیات معنایی پیشین و پس از فراداده
در دهه گذشته، گروه کاری ما وظیفه توسعه SDI را برای یک پروژه ملی در زمینه تحقیقات دریایی بر عهده داشت. رویکردهای کلیدی عبارت بودند از: (1) ایجاد یک شبکه غیرمتمرکز از گره‌ها که داده‌ها را ارائه می‌دهند [ 180 ] و (ب) استفاده گسترده از فناوری‌های آگاه از معناشناسی در مدیریت ابرداده [ 181 ]. دومی مستلزم توسعه یک ویرایشگر فراداده است که به راحتی می تواند با چشم انداز همیشه در حال تغییر قالب ها و نمایه های فراداده سازگار شود [ 182 ].
از آنجایی که هیچ ابزار پیشرفته ای اجازه این درجه از انعطاف پذیری را نمی داد، تصمیم گرفتیم EDI، یک ویرایشگر فراداده کاملاً جدید را توسعه دهیم [ 183 ]. علاوه بر اجازه دادن به یک رابط کاربری بسیار کاربرپسند برای ارائه ابرداده، این ابزار هم انطباق با هر فرمت فراداده XML یا مبتنی بر متن و همچنین قابلیت اتصال منابع ناهمگن مبتنی بر RDF (در دسترس به عنوان نقطه پایانی SPARQL [ 184 ]) را به عنوان منابع داده مرجع برای ارائه عملکردهای تکمیل خودکار. این ویژگی امکان ادغام طیف وسیعی از ساختارهای داده شخص ثالث (مثلاً لیست کدها، واژگان کنترل شده، روزنامه‌ها، و رجیستری‌ها) را در وب داده می‌دهد.
مقادیر فیلد همچنین می‌توانند در صورت تقاضا تولید شوند، می‌توانند محتوای یک فیلد دیگر را کپی کنند و حتی از توابع XPath عمومی برای ترکیب و تطبیق مقادیر گرفته‌شده از سند XML خروجی استفاده کنند. در نهایت، این سند خروجی را می توان به یک زنجیره دلخواه از تبدیل های XSLT (به عنوان مثال، برای تولید یک خروجی مبتنی بر متن، مانند JSON) وارد کرد. همه این عملکردها توسط یک الگو ، بیان شده در XML، کنترل می شوند که تولید سند خروجی را تنظیم می کند، منابع داده خارجی را که باید از طریق SPARQL به آنها دسترسی داشت، و غیره را تعریف می کند. لطفاً برای توصیف جامع زبان الگو به [ 185 ] مراجعه کنید.
پرداختن به تقویت معنایی فراداده در زمان ویرایش (به عنوان مثال، از قبل) مقدار زیادی از توضیحات منابع را بدون این ویژگی مهم باقی می‌گذارد. در نتیجه، قابلیت‌های مهمی که توسط فراداده غنی‌شده معنایی فعال می‌شوند (به عنوان مثال، چندزبانگی، گسترش پرس و جو) نمی‌توانند توسط ژئوپورتال‌ها در گردش‌های کاری کشف پیاده‌سازی شوند. سپس، ما شروع به کار بر روی افزایش معنایی آفلاین سوابق ابرداده‌ها کردیم و متوجه شدیم که می‌توان از الگوها برعکس برای جستجوی فراداده‌های سنتی XML برای مطابقت‌ها در منابع داده RDF استفاده کرد. برنامه به دست آمده، به نام Liftboy، در [ 186 ] توضیح داده شده و در GitHub در دسترس قرار گرفته است ( https://github.com/IREA-CNR-MI/liftboy-pythonقابل دسترسی در 1 آوریل 2021) در اجرای جدیدتر و بهبود یافته خود.
به عنوان یادداشت پایانی، می‌خواهیم بر اهمیت توصیف معنایی فراداده تأکید کنیم. به طور معمول، این به عنوان راه حلی برای ناهمگونی معنایی و فرصتی برای اعمال بسط پرس و جو در بازیابی اطلاعات دیده می شود (در [ 186 ] نویسندگان نمونه هایی برای هر دوی این موارد ارائه می دهند). به نظر ما، فراداده معنایی می‌تواند هدف بالاتری داشته باشد، یعنی «عادی‌سازی» توصیف منابع با ترکیب کردن به نوعی نشانگر به‌جای تکرار مکرر مقادیر ویژگی‌های ابرداده (مانند کلمات کلیدی، نام‌ها، آدرس‌های پست الکترونیکی افراد و غیره). که اغلب منجر به ناسازگاری می شود، عملی که ما آن را تفویض ابرداده نامیدیم  [ 187]. اگر همه ارجاعات به یک کلمه کلیدی ارائه شده توسط یک واژگان کنترل شده شناخته شده با یک شناسه منحصر به فرد برای آن عبارت (URI of a skos:Concept  [ 170 ]) برچسب گذاری شوند، اگر همه ارجاعات به یک محقق به FOAF او اشاره کنند، ساده تر خواهد بود. رکورد [ 172 ]، ایجاد شبکه ای از ابرداده های غیرمتمرکز.
2.5.3. بهره برداری از ساختارهای داده غیر Rdf برای ایجاد فراداده معنایی
این مطالعه موردی مبتنی بر نرم‌افزاری به نام SPARQL-Generate ( https://ci.mines-stetienne.fr/sparql-generate/ قابل دسترسی در 1 آوریل 2021) [ 188 ] است که نحو SPARQL 1.1 [ 189 ] را با ساختارهایی گسترش می‌دهد که امکان استخراج داده ها از ساختارهای داده ناهمگن و تولید توضیحات RDF. کاربرد در حوزه جغرافیایی که ما توضیح می دهیم، تولید فراداده برای نمونه ها (که نمونه نیز نامیده می شود ) در قالب شماره نمونه جغرافیایی بین المللی (IGSN) است [ 190 ]. ساختارهای داده هدف، موجودیت هایی هستند که توسط شبکه تحقیقات زیست محیطی بلندمدت اروپایی (eLTER) در سایت ها و ثبت داده های آن (DEIMS-SDR) در دسترس قرار گرفته است [ 191 ،192 ] (به طور خاص، موجودیت هایی که فعالیت ها ، سایت ها و حسگرها را نشان می دهند).
ما می‌خواستیم بر اساس EDI، ویرایشگر فراداده ارائه شده در بخش قبلی، بسازیم، اما منابع اصلی در قالب JSON هستند و بنابراین نمی‌توان آنها را مستقیماً در عملکردهای تکمیل خودکار ارائه شده توسط قبلی ادغام کرد. سپس تصمیم گرفتیم توضیحات RDF را به‌عنوان تابلوی راهنما برای موجودیت‌های فوق‌الذکر ایجاد کنیم و نمونه‌ها را با وصل کردن این «دوقلوهای معنایی» RDF در قالب EDI سفارشی به آن‌ها مرتبط کنیم. سپس، نگهدارنده ابرداده می‌تواند به رابط HTML5 تولید شده توسط کلاینت EDI دسترسی داشته باشد و موجودیت‌های موجود در ساختارهای داده مبدأ را از طریق ویجت‌های زیادی که توسط نرم‌افزار در دسترس است، انتخاب کند، و اطلاعاتی را از ساختارهای داده خارجی استخراج کند.
2.5.4. میانجیگری معنایی برای دسترسی عادلانه به منابع
این مطالعه موردی بیان اکتشاف جغرافیایی را به عنوان یک API وب در نظر می گیرد تا کاتالوگ ها را توسط عوامل خودکار در دسترس قرار دهد. ممکن است کسی استدلال کند که سرویس کاتالوگ برای وب (CSW) توسط OGC [ 193 ] به این منظور خدمت می کند و البته، زمانی که عامل خودکار بداند نقطه پایانی کجاست و از کدام پروتکل استفاده کند، برداشت منابع و جستجو ساده است. با این حال، زمانی که نماینده فقط صفحه اصلی ارائه دهنده داده را می داند و هیچ اطلاعاتی در مورد پروتکل اعمال می شود، ممکن است دستیابی به این عملیات دشوار باشد.
مشکل (و پیوند به موضوع این مقاله، به عنوان مثال، معناشناسی) این است که وب، همانطور که توسط عوامل انسانی تجربه می‌شود، بر خلاف APIهای وب است، زیرا قبل از اینکه ماشین‌ها بتوانند به طور کامل مشارکت کنند ، یک شکاف معنایی وجود دارد که باید پل شود [ 194 ]. . غلبه بر این شکاف مستلزم درونی کردن اصول کلیدی REST (انتقال دولتی نمایندگی) است که توسط روی فیلدینگ در دکترای خود بیان شده است. پایان نامه [ 195 ]; به طور مشخص:
  • شناسایی منابع
  • پیام های خود توصیفی
  • هایپر مدیا به عنوان موتور حالت برنامه
برای توضیح این موارد به فصل 5 پایان نامه مراجعه فرمایید. خواننده ی توجه ممکن است قبلاً متوجه شده باشد که چگونه می توان گستره ی این موضوع تحقیقاتی را به گونه ای گسترش داد که رویه های عادلانه (قابل یافتن، در دسترس، قابل همکاری، و قابل استفاده مجدد) را در بر گیرد [ 175 ].
اصول FAIR از بدو پیدایش، عمیقاً در مفهوم ماشین عمل پذیری ریشه داشته است. در میان فن‌آوری‌های یک وب قابل عمل ماشینی، عموماً پذیرفته شده است که، علی‌رغم تفاوت‌های ظاهری، همپوشانی گسترده‌ای بین اصول REST و شیوه‌های FAIR وجود دارد (اصول راهنمای FORCE11 برای انتشار داده‌های قابل یافتن، قابل دسترس، قابل همکاری و قابل استفاده مجدد: https: https ://www.force11.org/fairprinciples 1 آوریل 2021). در واقع [ 196 ]، رفتارهای قابل عمل ماشینی REST با الزامات (حداقل) سه حرف اول در “FAIR” مطابقت دارد، زیرا هر دو به مشخصات معنایی برای اجرای آنها تکرار می شوند و هر دو به شناسه های قابل حل متکی هستند.
به منظور دستیابی به قابلیت عمل ماشینی برای خدمات مکانی، زیرساخت تحقیقاتی سیستم مشاهده صفحات اروپایی [ 197 ، 198 ] از Hydra [ 199 ]، یک واژگان RDF که قادر است مکانیک APIها را به روشی که هم برای خودکار قابل درک است، هم بیان کند، استفاده می کند. عوامل و همچنین از نظر معنایی غنی است. لطفاً برای توصیف دقیق‌تر ویژگی‌های این فرمالیسم به واژگان Hydra Core ( https://www.hydra-cg.com/spec/latest/core ۱ آوریل ۲۰۲۱) مراجعه کنید.
پتانسیل این خصوصیات APIها آشکار است. به عنوان مثال، جستجو برای خدمات پردازشی که با مجموعه ای از پارامترها مطابقت دارند، مانند شاخص گیاهی تفاوت نرمال شده (NDVI) برای یک جعبه مرزی خاص، می تواند تا حد زیادی از توضیحات سرویس آگاه به معنایی استفاده کند [ 200 ]. علاوه بر این، ترکیب گردش کار خودکار بر اساس ورودی‌ها و خروجی‌های تعریف‌شده‌تر می‌تواند آسان‌تر از سایر فناوری‌ها باشد [ 201 ].

2.6. ژئومانستیک قدرتمند

مفاهیم و روابطی در دنیای واقعی وجود دارد که به دلیل ماهیت تدریجی آنها ذاتا مبهم و مبهم هستند. این ویژگی به ویژه در بافت جغرافیایی مشهود است، که در آن موجودات طبیعی و پدیده‌های مکانی-زمانی با خطوط مبهم و متغیر زمانی مشخص می‌شوند. به عنوان مثال، رمزگذاری در هستی شناسی کلاسیک مبتنی بر مفاهیم مبهم OWL غیرممکن است، مانند “اکثر خیابان ها در مرکز ناپل بسیار باریک هستند”، که شامل مقداری مبهم است که تعریف واضح برای آن منطقی نیست. اندازه یک خیابان چقدر است که آن را “باریک” می کند ؟ این موضوع بسته به یک تفسیر ذهنی درجاتی است و مطمئناً بین بزرگ و باریک بودن یک خیابان انتقال واضحی وجود ندارد.که ممکن است مورد توافق همه ناظران باشد. اصطلاح اکثر به این معنی است که استثناهایی وجود دارد، به عنوان مثال، تعداد کمی از خیابان ها بزرگ هستند، اما به سختی می توان درصد مشخصی را تعیین کرد. بعلاوه ممکن است مواردی وجود داشته باشد که در آنها نیاز به تعریف یک سلسله مراتب مفهومی فازی، یک طبقه بندی فازی باشد، که در آن یک کلاس تخصص به درجه ای از چندین کلاس فوق العاده است، مانند “در ایتالیا کلیساها، در کنار (1) مکان های عبادت، اغلب (0.8) بناهای تاریخی هستند». علاوه بر این، ممکن است لازم باشد روابط فازی بین مفاهیمی مانند “برج های ناقوس بسیار نزدیک به کلیساها” تعریف شوند.
یکی دیگر از منابع احتمالی نقص زمانی رخ می دهد که یک هستی شناسی برای تضمین کیفیت برای برچسب زدن مشاهدات مانند پروژه های Citizen Science (CS) استفاده شود. چنین پروژه‌هایی در حال حاضر یک روش معمول برای جمع‌آوری داده‌های مکانی در بسیاری از حوزه‌ها مانند علوم طبیعی با مشارکت داوطلبان برای ایجاد مشاهدات جغرافیایی مرجع از اشیاء مورد علاقه هستند. یک داوطلب ممکن است کاملاً در مورد مشاهدات خود مطمئن نباشد، که در مورد عدم اطمینان معرفتی است. این ممکن است به این دلیل اتفاق بیفتد که او دانش کافی از مشکل را ندارد یا به دلیل نقص در ابزار مشاهده است. این ممکن است زمانی نیز اتفاق بیفتد که دانش دامنه دقیق باشد.
در نهایت، موقعیت‌های پیچیده‌تری وجود دارد که ممکن است هم دانش نامشخص و هم عدم قطعیت معرفتی را شامل شود [ 202 ].
برای رویارویی با مسائل فوق، رویکردهای معناشناسی قدرتمندی مورد نیاز است که هستی شناسی های کلاسیک را با توانایی نمایش و مدیریت عدم قطعیت و عدم دقت “بسط” می دهد: برای این منظور، ادبیات هستی شناسی های نرم [ 12 ] را پیشنهاد می کند. به طور خاص، سه گروه اصلی وجود دارد که بر اساس چارچوب‌های احتمالی، فازی و احتمالی یا شواهدی تعریف شده‌اند. آنها برای بسط منطق گزاره ای با احتمال، امکان، باور یا صدق یک گزاره به کار گرفته شده اند.
هستی‌شناسی‌های فازی برای مدل‌سازی دانش بد تعریف شده با چندین هدف، بسته به نوع نقصی که نیاز به نمایش و مدیریت در برنامه دارند، تعریف شده‌اند [ 202 ]. اگرچه یک نمایش استاندارد از هستی شناسی فازی هنوز در راه است، بسیاری از تحقیقات منطق های توصیفی موجود (DL) را فازی کرده اند و استدلال کننده های DL فازی را تعریف کرده اند. به روزترین و کامل ترین دلیل هستی شناسی fuzzyDL در [ 203 ] ارائه شده است.
برای مدل‌سازی عدم قطعیت معرفتی، هستی‌شناسی‌های فازی در چارچوبی امکان‌گرا تعریف شده‌اند که با قطعیت و درجات احتمالی صدق سروکار دارد، بنابراین عدم قطعیت معرفتی مشخص‌کننده دانش ذهنی متخصصان و ارزیابی قطعیت این دانش را مدل‌سازی می‌کند. برای این منظور، چندین دلیل احتمالی DL تعریف شده است [ 204 ]، که امکان بازنمایی و استدلال در مورد گزاره های نامطمئنی مانند “ممکن است این شهر یک منطقه تاریخی است” باشد. برای این منظور، هر مفهوم، رابطه و اصل موضوع با یک مقدار واقعی u در (0، 1) همراه است که سطح قطعیت آن را نشان می‌دهد.
با این وجود، هستی‌شناسی‌های فازی اجازه مدل‌سازی ماهیت متغیر زمانی مفاهیم و معنای وابسته به زمینه آنها را نمی‌دهند. به طور خاص، بیشتر مفاهیم جغرافیایی با نمونه‌های اولیه نشان داده می‌شوند که با زمان تغییر می‌کنند: نمونه اولیه شهر مدرن برای یک فرد ایتالیایی در طول قرن‌ها تغییر کرده است و برای مردم چین متفاوت است. نظریه مجموعه‌های فازی نمی‌تواند به طور کامل نحوه استفاده انسان از مفاهیم را مدل‌سازی کند، به‌ویژه این واقعیت که معنای آنها تحت تأثیر بافت و حالت‌هایی است که با دانش انسان در زمان متفاوت است. برای این منظور، چارچوبی که به عنوان ویژگی حالت-زمینه (SCOP) بر اساس مکانیک کوانتومی [ 205 ] شناخته می شود، برای نگاشت عناصر برگرفته از مبانی عملیاتی مکانیک کوانتومی (مانند حالت ها، اندازه گیری ها و قابل مشاهده ها) بر روی مفاهیم و زمینه ها تعریف شده است.
در بخش‌های فرعی زیر، سه مطالعه موردی را که از معناشناسی قدرتمند استفاده می‌کنند، خلاصه می‌کنیم. نمای سینوپتیک آنها در جدول 3 گزارش شده است . آنها به عنوان نماینده حوزه های کاربردی متمایز مانند ایجاد مشاهدات تنوع زیستی ( بخش 2.6.1 )، سنجش از دور برای کمک به مدیریت بلایا ( بخش 2.6.2 )، و برنامه ریزی شهری پویا ( بخش 2.6.3) انتخاب شده اند .). دو مورد اول از یک هستی شناسی فازی استفاده می کنند که عدم قطعیت معرفتی داوطلبان را هنگام ایجاد مشاهدات جغرافیایی ارجاع داده شده (یعنی VGI) و دانش مبهم و ناقص متخصصان هنگام تفسیر یک پدیده از شواهد سنجش از دور، به ترتیب مورد استفاده قرار می دهند. با نمایش عدم قطعیت معرفتی و مبهم بودن دانش، می توان کیفیت متمایز نتایج یک فرآیند تصمیم گیری را مدل کرد.
آخرین مطالعه موردی کاربرد چارچوب SCOP برای مدل‌سازی بازیابی نقشه‌ها در یک GIR با دقت فزاینده را نشان می‌دهد که با بهره‌برداری از وضعیت‌های مختلف دانش نیازهای کاربر به دست می‌آید.

2.6.1. هستی شناسی فازی برای پشتیبانی از ایجاد و جستجوی داوطلبانه اطلاعات جغرافیایی

در پروژه Space4agri [ 206 ]، کشاورزان مزارع زراعی را با برچسب گذاری محصولات مشاهده شده و مراحل رشد فنولوژیکی آنها بر اساس هستی شناسی زراعی [ 207 ] بررسی کردند. در این فرآیند، متون یا تصاویری برای گزارش مشکل یا تردید متخصصان کشاورزی در هنگام انتخاب مرحله رشد فنولوژیکی از هستی‌شناسی اضافه شد. این به دلایل مختلف است:
  • تردید در تفسیر معنای اوصاف در هستی شناسی;
  • مشکل در تشخیص جنبه های مشخصه یک مرحله فنولوژیکی در نمونه محصول مشاهده شده، به دلیل کمبود ابزار مشاهده (به عنوان مثال، یک دیدگاه دور).
  • تردید برای انتخاب یک مرحله رشد منحصر به فرد برای چندین نمونه محصول مشاهده شده نزدیک به فضای داخل یک پاکت، به دلیل تنوع ویژگی های آنها.
این امر نیاز به گسترش استدلال مبتنی بر هستی شناسی کلاسیک را با نمایش عدم قطعیت معرفتی کشاورزان در ایجاد موارد VGI (یعنی هنگام انتخاب برچسب ها از هستی شناسی [ 207 ]) پیشنهاد می کند. به طور خاص، داوطلبان می توانند با پشتیبانی از هستی شناسی فازی، حاشیه نویسی های جغرافیایی از محصولاتی که در حال مشاهده هستند در محل ایجاد کنند. آنها ملزم به انتخاب محمول های زبانی، احتمالاً مبهم، برای برچسب گذاری محصولات مشاهده شده هستند و با هر محمول انتخابی می توانند درجه d را مرتبط کنند.در [0،1] نشان دهنده کمبود کلی مشاهده آنها است. به این ترتیب، آنها می توانند عدم قطعیت معرفتی را به دلیل محدودیت های ابزار مشاهده (مثلاً دیدگاه دور، وضوح پایین ابزار مشاهده) و دشواری در تعیین کمیت دقیق برخی از ویژگی های محصولات مشاهده شده نشان دهند. محمول‌های زبانی مانند «محصول دارای برگ بزرگ است»، «محصول دارای برچه بلند است»، «محصولات دارای شاخه‌های زیادی است» ویژگی‌های احتمالاً مبهم انواع متمایز محصولات را توصیف می‌کنند: برای مثال، یک محصول برنج در طول جوانه‌زنی‌اش می‌تواند با «طولانی» ظاهر شود. و شاخه های نازک» و «دانه های بسیار کوچک». معناشناسی این محمولات زبانی را می توان با مجموعه های فازی سطح 1 (که درجات عضویت آنها عددی در محدوده [0،1] است) تعریف کرد. سپس هستی‌شناسی فازی می‌تواند مفاهیم زبانی را در هر دو شکل نمادین (که با اصطلاحات زبانی «بزرگ»، «طولانی»، «بسیار» رمزگذاری شده‌اند) و هم به شکل کمی نمایش دهد. مورد دوم با توابع عضویت تعریف شده در حوزه های عددی ویژگی ها بیان می شود: به عنوان مثال، “large” با یک تابع عضویت در مقادیر عددی در سانتی متر تعریف می شود. در هستی شناسی فازی، سازگاری بین محمولات زبانی با روابط فازی سطح 2 نشان داده می شود، به عنوان مثال، مجموعه های فازی در حوزه های اساسی چند بعدی که درجات عضویت آنها اعداد نیست، بلکه مقادیر زبانی هستند. روابط فازی بین محمولات زبانی برای انجام استدلال تقریبی در هستی شناسی فازی برای طبقه بندی خودکار محصولات، احتمالاً به انواع متمایز با درجات عضویت متفاوت، استفاده می شود. درجه نقص به عنوان آستانه حداقل تفسیر می شود، به عنوان مثال، سطوح عدم قطعیت، در درجات سازگاری بین محمولات زبانی به طوری که عضویت نهایی در یک نوع محصول با عدم قطعیت معرفتی اصلاح می شود. هنگام فرمول‌بندی پرس‌و‌جوها در پایگاه داده‌های مشاهدات محصولات جغرافیایی ارجاع‌شده، به‌عنوان مثال، درخواست نقشه‌برداری از «مزارع برنج»، مشاهدات ذخیره‌شده را می‌توان بر روی سایه‌های مختلف رنگ بسته به درجه عضویت آن‌ها نگاشت تا «محصول برنج» را تایپ کرد، بنابراین هر دو را در نظر گرفت. ابهام و عدم قطعیت مشاهده
2.6.2. هستی شناسی فازی برای پشتیبانی از تفسیر تصویر سنجش از دور
در سنجش از دور، تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی (GEOBIA) تکنیک‌هایی را با هدف تقسیم‌بندی و طبقه‌بندی اشیا و پدیده‌ها (که توسط گروه‌هایی از پیکسل‌ها با ویژگی‌های مشترک نشان داده می‌شوند) در تصاویر ماهواره‌ای بر اساس روش‌های تجزیه و تحلیل تصویر که بر دانش پیشین متخصص متکی هستند، گروه‌بندی می‌کند [ 35 ] ]. در سال‌های اخیر، کاربرد هستی‌شناسی‌هایی که دانش متخصصان را تکمیل می‌کنند، در حال ظهور است [ 14 ]. هستی شناسی ها برای مرتبط ساختن برخی مفاهیم درک شده با نمایش داده هایشان استفاده می شوند [ 35]. یک رویکرد گسترده برای تشخیص ردپای جغرافیایی پدیده‌های محیطی، محاسبه نقشه‌های شاخص طیفی (SI) است. مقادیر SI اندازه گیری بازتاب را در طول موج های مختلف در یک ویژگی مصنوعی ادغام می کند که می تواند برخی از جنبه های درک شده از پدیده را در هر پیکسل برجسته کند. سپس نقشه‌های SI برای شناسایی پدیده‌های هدف، مانند حضور و قدرت پوشش گیاهی (حضور زیست توده، شاخص سطح برگ، محتوای کلروفیل و غیره)، وضعیت خاک برهنه، و ترکیب خواص خاک، مناطق سوخته، وجود آب و غیره تقسیم‌بندی می‌شوند. تقسیم بندی شامل آستانه گذاری مقادیر پیکسل SI توسط آستانه های مختلف مشخص شده در هستی شناسی برای تعریف پدیده های مختلف محیطی است.
با این وجود، استفاده از هستی‌شناسی یکسان برای تقسیم‌بندی یک پدیده معین مانند «مناطق سبز» در یک تصویر جدید ممکن است باعث نادرستی‌هایی با حذفیات و خطاهای سفارشی شود، زیرا مقدار آستانه باید بسته به عوامل مختلفی تنظیم شود، مانند زمینه و شرایط مشاهده در واقع، کالیبراسیون دقیق برای تعیین آستانه مناسب برای هر منطقه مورد مطالعه مورد نیاز است. بنابراین عدم قطعیت و عدم دقت باید نشان داده شود زیرا نوع دانش ذاتاً ادراکی است [ 35 ]]. اینها دلایل جذابیت رویکردهای معناشناسی قدرتمند است. در واقع، این تکنیک‌ها امکان نمایش صریح ویژگی‌های ادراکی پدیده‌ها در تصاویر را با استفاده از هستی‌شناسی‌های فازی فراهم می‌کنند. بنابراین، آن‌ها می‌توانند با محدودیت‌های راه‌حل‌های سنتی GEOBIA با استفاده از هستی‌شناسی‌ها و تکنیک‌های یادگیری ماشینی که به حجم عظیمی از داده‌های آموزشی که اغلب در دسترس نیستند، کنار بیایند.
در [ 162]، رویکردی مبتنی بر معناشناسی قدرتمند برای نقشه‌برداری مناطق آب ایستاده از تصاویر سنجش از دور چند طیفی نوری پیشنهاد شد. دانش نامناسب متخصصان در مورد ویژگی‌های ادراکی آب ایستاده در تصاویر نوری با تعریف مجموعه‌های فازی بر روی شاخص‌های طیفی که به عنوان ویژگی‌ها شناسایی شده‌اند، نشان داده می‌شود. توابع عضویت این مجموعه‌های فازی آستانه‌های تقسیم‌بندی واضح تعریف شده در ادبیات گسترده در نقشه‌برداری آب ایستاده را کاهش می‌دهد تا عدم دقت و عدم قطعیت را تحمل کند. بنابراین یک هستی شناسی فازی تعریف می شود که آب راکد را بر حسب مجموعه های فازی بر روی شاخص های طیفی توصیف می کند. برای هر واحد فضایی با مقادیر داده شده از شاخص های طیفی، درجات شواهد جزئی آب ایستاده با ارزیابی درجات عضویت به مجموعه های فازی در هستی شناسی فازی محاسبه می شود. سرانجام، درجات شواهد جزئی در هر واحد فضایی با استفاده از یک عملگر تجمع فازی، که توسط یک الگوریتم یادگیری ماشین کم عمق آموزش داده شده بر روی یک مجموعه داده مرجع کوچک، آموخته شده است، ترکیب می‌شوند. علاوه بر عدم نیاز به داده‌های آموزشی بزرگ، این رویکرد مزیت توضیح معیارهای مورد استفاده برای نقشه‌برداری از آب‌های راکد را ارائه می‌دهد و به کشف چند شاخص طیفی، کدام یک از آنها و تا چه اندازه در نقشه‌برداری از آب ایستاده در هر واحد فضایی کمک می‌کند. هستی شناسی فازی با روابط فازی جدید بین مفاهیم فازی امکان کشف تعداد شاخص های طیفی، کدام یک و تا چه اندازه در ترسیم آب ساکن در هر واحد فضایی نقش داشته است. هستی شناسی فازی با روابط فازی جدید بین مفاهیم فازی امکان کشف تعداد شاخص های طیفی، کدام یک و تا چه اندازه در ترسیم آب ساکن در هر واحد فضایی نقش داشته است. هستی شناسی فازی با روابط فازی جدید بین مفاهیم فازی
2.6.3. چارچوب State-Context-Property برای مدل سازی تعامل انسانی در یک سیستم بازیابی اطلاعات جغرافیایی
بر اساس [ 208 ]، تعامل انسان و رایانه بر مبادله کلمات (یا نشانه های گرافیکی روی نقشه ها) است که در متن گفتگو تفسیر می شوند. کلمات استفاده شده ممکن است در اصل معنای گسترده ای داشته باشند. از طریق گفتگو، زمینه دقیق تر می شود و مفاهیم معانی خاص تری به دست می آورند. نویسندگان اثبات مفهومی را ارائه می‌کنند که انتخاب چندین نوع نقشه از پیش تعیین‌شده (به عنوان مثال، نقشه خیابان، نقشه سیاسی، نقشه برای پیاده‌روی، مسیرهای اسکی) را در یک GIR با رسمی کردن رویکرد خود در SCOP نشان می‌دهد [ 205 ]. به طور خاص، SCOP برای پیش‌بینی پاسخ به این سؤال استفاده می‌شود: «کدام نقشه برای یک زمینه خاص مناسب است؟» که در آن زمینه به عنوان هدف مورد نظر کاربر رد می شود.
یک مفهوم و یک زمینه به عنوان پارامترهای ورودی برای مدل استنتاج عمل می کنند که حالت جمع شده را محاسبه کرده و آن را برمی گرداند. در این حالت فروپاشی، مقادیر احتمال برای نمونه های اولیه مفهوم را می توان محاسبه کرد. یک مورد استفاده نشان داده شده است، که در آن کاربر به یک رابط پرس و جو GIR می گوید که به نقشه نیاز دارد، بدون اینکه نوع نقشه را بیان کند. تا کنون مفهوم “نقشه” در حالت پایه است، که در آن همه نقشه ها دارای برخی احتمالات غیر صفر برای مرتبط بودن هستند. سپس کاربر کاربرد مورد نظر خود را برای رفتن به یک سفر دوچرخه سواری بیان می کند. اکنون وضعیت مفهوم “نقشه” به یک نقشه دوچرخه سواری تبدیل می شود. تعامل کاربر ممکن است همچنان منطقه ای را که سفر در آن برنامه ریزی شده است را نشان دهد و این اطلاعات جدید نقشه را بیشتر به یک منطقه محدود می کند. کاربرد SCOP هنوز در مراحل اولیه است.

3. نتایج و بحث

برای سازماندهی مطالب، از مفهوم معناشناسی به عنوان تابعی شروع کردیم که جهان نحو را بر روی جهان معنا ترسیم می کند، در قیاس با مطالعات روی معناشناسی معنایی [ 209 ]. پس از قرار دادن این لنزها، ما مطالعات موردی ارائه شده را با توجه به اطلاعات اصلی که با آنها سروکار داشتند (اشیای نحوی با مقدار معینی از معنایی)، معنایی که استخراج و رسمی‌سازی می‌شود (اشیاء معنایی جدید)، و تکنیک‌هایی که به کار می‌روند، تحلیل کردیم. برای نگاشت اولی به دومی (تابع نگاشت معنایی افزایشی). این تحلیل از مطالعات موردی در جدول 4 ارائه شده است که در آن هر ردیف یکی از آنها را از سر می گیرد.
دو ستون اول با نشان دادن بخش فرعی مربوطه و یک نام کوتاه، مطالعه موردی را مشخص می کند. در ستون‌های بعدی، می‌توان اطلاعاتی درباره نگاشت اطلاعات ورودی بر روی اشیاء معنایی جدید پیدا کرد: به طور خاص، ستون 3 شامل توضیحات اطلاعات ورودی مربوط به مطالعه موردی است. ستون 4 تابع معنایی افزایشی را ارائه می کند که برای نگاشت اطلاعات اصلی با معنای جزئی بر روی خروجی با معنای افزوده استفاده می شود. در نهایت، ستون 5 اطلاعات نهایی، یعنی حوزه معنایی مطالعه موردی را نشان می دهد. ستون 6 نشان دهنده دلتای بین اطلاعات ورودی و خروجی است. در نهایت، ستون 7 کلمات کلیدی را در میان کلمات کلیدی در سمت راست شکل 2 برمی شمارد، که می تواند به مطالعه موردی مرتبط باشد: کلیدواژه های مرتبط تر با فونت پررنگ هستند و در تحلیل زیر وزن w = 2 به آنها اختصاص داده می شود.
در اینجا، درجه پیچیدگی به عنوان سطحی در نظر گرفته می‌شود که در آن معناشناسی در ساختارهای داده ورودی یا خروجی در نظر گرفته شده توسط مطالعه موردی خاص مشخص می‌شود. به طور خاص، درجه پیچیدگی یک عدد صحیح در محدوده 1-7 است که از اصل غیر قابل تشخیص بودن میلر پیروی می کند [ 210]. معیار کلی برای نسبت دادن این مقدار این است که پیچیدگی کمتر از 4 برای اشیایی است که اطلاعات کمیاب یا بدون ماشین قابل فهم در مورد معنای آنها ارائه می دهند. مقادیر بین 4 و 7 نشان می دهد که معنا هر چه بیشتر ماشین قابل درک و پردازش است. به عنوان مثال، ساده ترین حالت متن بدون ساختار است (پیچیدگی = 1)، مانند مطالعه موردی 3.1 که در آن ورودی توسط کلمات کلیدی متن آزاد تشکیل می شود. هنگامی که اطلاعات بیشتری اضافه می شود، درجه افزایش می یابد، مانند مطالعه موردی 3.2 و 3.3 (پیچیدگی = 2) که در آن ورودی هم با وجود ساختار (اسناد JSON) و هم با مختصات جغرافیایی غنی می شود. هنگامی که اطلاعات قبلی بیشتر افزوده می شود، پیچیدگی افزایش می یابد (پیچیدگی = 3) مانند داده های خروجی مطالعه موردی 3.1 که در آن درجات عدم قطعیت اضافه می شود. گام بعدی در توضیح معناشناسی ممکن است شامل اطلاعات طرحواره یا طبقه بندی داده ها باشد (پیچیدگی = 4). سپس، هنگامی که روابط بین موجودات (توپولوژیکی، نظم، متریک، گسترده تر/محدودتر) در نظر گرفته می شود، پیچیدگی به 5 افزایش می یابد. زمانی که مفاهیم و روابط مبهم و نامشخص نشان داده شوند، پیچیدگی 6 است. در نهایت، زمانی که اطلاعات می تواند با استدلال تقریبی تولید شود یا به طور کامل به قابلیت همکاری معنایی رسیده باشد، پیچیدگی 7 است.
چهار مطالعه موردی ارائه شده در بخش 2.4 نوع مشابهی از اطلاعات جغرافیایی ورودی دارند که اساساً صریح نیست و در متون بدون ساختار و ساختار ضعیف پراکنده شده است. در اطلاعات جغرافیایی خروجی این مطالعات موردی، معناشناسی صریح است اما نه همیشه در قالبی استاندارد و قابل تعامل. به همین دلیل، ممکن است استفاده مجدد از نتایج در زمینه های مختلف دشوار یا حتی غیرممکن باشد.
اولین مطالعه موردی در بخش 2.5مدلی را به تصویر می کشد که از معناشناسی در پتانسیل کامل خود، از طریق هستی شناسی ها بهره می برد. مورد دوم برای اطلاعات جغرافیایی نیمه ساختاریافته در قالب ابرداده، احتمالاً مطابق با استانداردهای OGC اعمال می شود. مطالعه موردی سوم شامل اطلاعات ساخت‌یافته (JSON) و نیمه ساختاریافته (HTML) است که فاقد روابط بین موجودیت‌های درگیر (مثلاً بین توصیف حسگرها و نقاط تماس مربوطه) است و به‌طور کلی، نمی‌توان به راحتی از آنها استفاده مجدد کرد. زمینه وب داده ها در نهایت، مطالعه موردی چهارم برای اطلاعات بدون ساختار در نظر گرفته شده برای عامل انسانی (به عنوان مثال، مشخصات پروتکل های تعامل کامپیوتری) اعمال می شود. برای هر یک از اینها، خروجی اطلاعاتی است که می تواند با فعال کردن پرس و جو و بازیابی در چشم انداز داده های پیوندی، به اشتراک گذاشته و مجدداً به روشی تعاملی استفاده شود. دو مطالعه موردی اول دربخش 2.6 شامل اطلاعات جغرافیایی صریح و غنی در قالب هستی شناسی های نرم است، در حالی که آخرین مطالعه موردی از فرمالیسم SCOP استفاده می کند. همه این مطالعات موردی، استدلال کیفی و تقریبی را قادر می‌سازد تا اطلاعات جغرافیایی جدید را به طور خودکار استنتاج کند.
مشاهدات اولیه ای که می توان انجام داد این است که پیچیدگی ورودی ها برای مطالعات موردی در بخش 2.4 کمتر ، متوسط ​​برای موارد در بخش 2.5 و حداکثر برای مطالعات موردی در بخش 2.6 است. برای خروجی ها هم همینطور. بینش های بیشتر از ارجاع متقابل مطالعات موردی و کلیدواژه های فهرست شده در سمت راست شکل 2 به دست می آید که نمایشی را در شکل 3 به دست می دهد.. این شکل آخر، ارتباط وزنی بین مطالعات موردی و کلمات کلیدی را نشان می‌دهد: مطالعات موردی در همان بخش (به عنوان مثال، مرتبط با همان شکل زمین‌شناسی) با سایه‌هایی از همان رنگ (زرد برای ضمنی، آبی برای رسمی، و خاکستری برای رسمی) مشخص می‌شوند. زمین شناسی قدرتمند). در محور x، طول میله نشان‌دهنده اهمیت متفاوت روش/تکنیک در مطالعه موردی است، در حالی که جفت رنگ-رنگ به طور منحصربه‌فردی هم مطالعه موردی و هم مقوله معنایی متعلق به آن را شناسایی می‌کند. از نظر بصری می توان متوجه شد که مطالعات موردی طبقه بندی شده در همان شکل ژئومانتیک عمدتاً با کلمات کلیدی متمایز مرتبط هستند. به عنوان مثال، مطالعات موردی در بخش 2.6(زمین شناسی قدرتمند) با «فرمالیسم های غیر بازنمایی»، «هستی شناسی وظیفه» و «استدلال کیفی» مرتبط است. با این وجود، برخی از کلیدواژه‌ها (به عنوان مثال، «غنی‌سازی معنایی/برچسب‌گذاری/ حاشیه‌نویسی») با مطالعات موردی طبقه‌بندی‌شده در اشکال «همجوار» معناشناسی مرتبط هستند.
برای تایید حدس ارائه شده توسط شکل 3 ، یعنی اینکه سه شکل زمین‌معناشناسی دسته‌بندی خوبی برای کلیدواژه‌ها هستند، ما همچنین اندازه‌گیری شباهت معروف به ضریب جاکارد را بین هر جفت مطالعه موردی بر اساس کلیدواژه‌های وزن‌دار فوق‌الذکر محاسبه کردیم. در شکل 4 . شکل به وضوح نشان می دهد که شباهت های درونی (با توجه به جفت مطالعات موردی متعلق به یک شکل از ژئومانتیک، گروه بندی شده در مستطیل های رنگی) بیشتر از درجات شباهت بین جفت مطالعات موردی طبقه بندی شده به عنوان اشکال مختلف زمین شناسی است (یعنی ، بیرون از مستطیل های رنگی ظاهر می شود).
می توان توجه داشت که همه مطالعات موردی بیشترین شباهت درونی را با مطالعه موردی دیگری از همان شکل زمین‌منطقی دارند. فقط مطالعات موردی در گروه زرد دارای شباهت هایی با گروه آبی است که به هر حال یک مرتبه بزرگی کمتر از شباهت درونی است. به طور خاص، تا آنجا که به مطالعات موردی مربوط به شکل ضمنی ژئومانتیک مربوط می شود، شباهت کلی درونی آنها، محاسبه شده به عنوان درصد کلمات کلیدی مشترک در بین تمام مطالعات موردی همان دسته، به 54.3٪ می رسد، در حالی که شباهت کلی بین آنها. با هر مطالعه موردی دیگری از دو دسته دیگر تنها 1.7٪ است. تا آنجا که به مطالعات موردی مربوط به فرم صریح مربوط می شود، آنها دارای یک شباهت درونی کلی 58٪ و یک شباهت کلی بین 2.6٪ هستند. در نهایت، مطالعات موردی مربوط به فرم قدرتمند دارای شباهت درونی کلی 37٪ و یک شباهت بین کلی تنها 0.9٪ است. این یافته‌ها فرضیه ما را تأیید می‌کند که سه شکل معناشناسی با تکنیک‌ها، روش‌ها و منابع دانش متمایز در حوزه جغرافیایی مشخص می‌شوند.
علاوه بر آشکار ساختن ویژگی‌های متمایز اشکال زمین‌شناسی، ما همچنین در این تحلیل دریافتیم که مطالعات موردی مرتبط با معناشناسی ضمنی و صوری دارای فعالیت‌های مشترک زیادی هستند که با کلیدواژه‌های مشترک «دیدگاه‌های مکانی و زمانی موضوعی»، «غنی‌سازی/برچسب‌گذاری معنایی» شناسایی شده‌اند. حاشیه نویسی، «Gazetteers (GeoNames)/Temporal Gazetteers»، و «بازیابی اطلاعات جغرافیایی». معناشناسی رسمی و قدرتمند «رابط های کاربری مبتنی بر معناشناسی/پارادایم های تعامل/…»، «استخراج اطلاعات مبتنی بر هستی شناسی»، «هستی شناسی های کاربردی»، «هستی شناسی برای رمزگذاری» و «هستی شناسی برای مدل سازی» را به اشتراک می گذارد. این بدان معنی است که یک تقسیم بندی واضح بین اشکال معناشناسی وجود ندارد. این نشان می‌دهد که یک «پیوستار معنایی» وجود دارد که به آرامی گروه‌ها را در هم می‌آمیزد و از معنای ضمنی به معناشناسی قدرتمند می‌رود. متقابلا، رویکردهای مرتبط با معناشناسی قدرتمند و ضمنی هیچ کلمه کلیدی مشترکی ندارند. این یافته ها نشان می دهد که ترتیب دسته بندی های معرفی شده توسط Sheth [4 ] همچنین به نظر می رسد که از تحلیل ما حتی در زمینه اطلاعات جغرافیایی بیرون می آید.
شکل 5 نمای تلفیقی تری را در مورد روابط بین کلمات کلیدی و سه شکل معناشناسی ارائه می دهد و شکل 2 را با یافته های شرح داده شده در این بخش تکمیل می کند. در واقع، شکل به وضوح نشان می‌دهد که وقتی کلمات کلیدی بر اساس اشکال معنایی مرتبط با مطالعات موردی ارائه شده در این مقاله گروه‌بندی می‌شوند، بسیار خوشه‌بندی می‌شوند. این بدان معنی است که الگوها در “جنگل” ژئومانستیک پدیدار می شوند، بنابراین نظم را در میان شیوه های متنوع ایجاد می کنند.
البته، این تحلیل را می توان هم با بسط فرابازبینی برای در بر گرفتن روش شناسی ها، تکنیک ها و پایگاه های دانش بیشتر و هم با تجزیه و تحلیل سایر مطالعات موردی در ادبیات غنی کرد. با این وجود، ما فکر می‌کنیم که این کمک شایستگی تنظیم یک گردش کار روش‌شناختی برای توصیف اشکال معناشناسی در اطلاعات جغرافیایی و رویکردهای ترجیحی/انتخابی آنها را دارد.

4. نتیجه گیری

این مقاله مقوله های معناشناسی تعریف شده توسط Sheth را در حوزه اطلاعات جغرافیایی به منظور جهت دهی خواننده در حل مسئله اعمال کرد. ما ابتدا بررسی‌های اخیر و مقالات سرمقاله‌ای در زمینه ژئومانتیک، استخراج معدن که فناوری‌های اصلی، روش‌شناسی، چالش‌های تحقیقاتی و راه‌حل‌های ارائه‌شده توسط نویسندگان هستند، تحلیل کردیم. سپس، مطالعات موردی منتخب را به ترتیب برای ژئومانتیک ضمنی، رسمی و قدرتمند مورد بحث قرار دادیم. تجزیه و تحلیل دو مرحله ای با ارجاع متقابل این دو منبع به اوج خود می رسد تا تأیید کند که سه شکل زمین شناسی با تکنیک ها، روش ها و منابع دانش متمایز مشخص می شوند.
وجود این حدس با فواصل ژاکارد محاسبه شده بین اعضای گروههای مشابه/مختلف معناشناسی تأیید می شود ( شکل 4 را ببینید ). این را می توان با نگاه به شکل 3 و شکل 5 به صورت بصری ارزیابی کرد . در مورد دوم، همچنین آشکار است که کلیدواژه‌های حاشیه‌ای مرتبط با مقوله‌های «همجوار» (یعنی دسته‌هایی با درجه‌های تشریح معنایی مشابه) وجود دارد. این مقاله به ساختاربندی رویکردهای معناشناسی در اطلاعات جغرافیایی، تقسیم‌بندی پیوستار معنایی پیشنهاد شده در [ 6 ] در تکنیک‌ها و روش‌های مجزا و متمایز کمک می‌کند.
بینش بیشتر ممکن است از دسته بندی در سه شکل معناشناسی مقالات در نظر گرفته شده در فرامروری ( بخش 2.3 ) با توجه به کلمات کلیدی مرتبط به دست آید. کار آینده همچنین افزایش مقیاس گردش کار را با استفاده از روش‌های نمایش محتوا مورد استفاده در بازیابی اطلاعات بررسی خواهد کرد. در واقع، اینها می توانند به طور خودکار کلمات کلیدی را از متن ادبیات بررسی شده شناسایی کنند.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:
CS دانش شهروندی
CSW خدمات کاتالوگ برای وب
eLTER تحقیقات اکولوژیکی بلند مدت اروپا
نمایشگاه قابل یافتن، در دسترس، قابل همکاری، و قابل استفاده مجدد
FOAF دوست یک دوست
FOL منطق مرتبه اول
جئوبیا تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی
GIR بازیابی اطلاعات جغرافیایی
IGSN شماره نمونه برداری جغرافیایی بین المللی
IRS سیستم بازیابی اطلاعات
NDVI شاخص گیاهی تفاوت عادی شده
NER به نام Entity Recognition
PID شناسه دائمی
POI نقطه مورد علاقه
باقی مانده انتقال دولتی نمایندگی
بازگشت سرمایه منطقه مورد نظر
SEM مدل رویداد ساده
SI شاخص های طیفی
WKT متن معروف

منابع

  1. گوها، ر. مک کول، آر. میلر، ای. جستجوی معنایی. در مجموعه مقالات WWW ’03، دوازدهمین کنفرانس بین المللی وب جهانی، بوداپست، مجارستان، 20-24 می 2003. ACM Press: نیویورک، نیویورک، ایالات متحده آمریکا، 2003; ص 700–709. [ Google Scholar ]
  2. دووال، ای. هاجنز، دبلیو. اصول و کاربردهای فراداده. D-Lib Mag. 2002 ، 8 ، 1-10. [ Google Scholar ] [ CrossRef ]
  3. نوگراس-ایسو، جی. مورو مدرانو، پی. Zarazaga-Soria، F. فراداده های اطلاعات جغرافیایی برای زیرساخت های داده های مکانی: منابع، قابلیت همکاری و بازیابی اطلاعات . Springer: برلین/هایدلبرگ، آلمان، 2005. [ Google Scholar ]
  4. شث، ا. راماکریشنان، سی. توماس، سی. معناشناسی برای وب معنایی: ضمنی، رسمی و قدرتمند. بین المللی ج. سمنت. وب اطلاعات سیستم 2005 ، 1 ، 1-18. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. Uschold، M. معناشناسی در وب معنایی کجاست. AI Mag. 2003 ، 24 ، 25. [ Google Scholar ]
  6. آلمیدا، م. روشا سوزا، ر. Fonseca، F. Semantics in the Semantic Web: A Critical Evaluation. بدانید. عضو. J. 2011 , 38 , 187-203. [ Google Scholar ] [ CrossRef ]
  7. Gärdenfors, P. چگونه وب معنایی را معنایی تر کنیم. در هستی شناسی رسمی در سیستم های اطلاعاتی ; Varzi, A., Vieu, L., Eds.; IOS Press: آمستردام، هلند، 2004; صص 19-36. [ Google Scholar ]
  8. Lemmens, M. Geo-information, Technologies, Applications and the Environment. در ژئوتکنولوژی و محیط زیست (GEOTECH) ؛ Springer: برلین/هایدلبرگ، آلمان، 2013; جلد 5، ص. 349. [ Google Scholar ]
  9. آیت آمور، ی. گیبسون، جی. مری، دی. درباره معناشناسی ضمنی و آشکار: مسائل یکپارچه سازی در توسعه سیستم های مبتنی بر اثبات. در مجموعه مقالات ششمین سمپوزیوم بین‌المللی با استفاده از کاربرد روش‌های رسمی، تأیید و اعتبارسنجی-ISoLA 2014، کورفو، یونان، 8 تا 11 اکتبر 2014. Springer: برلین/هایدلبرگ، آلمان، 2014; صص 604-618. [ Google Scholar ]
  10. برنرز لی، تی. هندلر، جی. Lassila، O. وب معنایی. علمی صبح. 2001 ، 284 ، 34-43. [ Google Scholar ] [ CrossRef ]
  11. بادر، ف. کالوانیز، دی. مک گینس، دی. ناردی، د. Patel-Schneider, P. The Description Logic Handbook: Theory, Implementation, and Applications ; انتشارات دانشگاه کمبریج: کمبریج، انگلستان، 2007. [ Google Scholar ]
  12. کالیونی، ام. فوسکو، جی. هستی شناسی های رسمی و عدم قطعیت. در دانش جغرافیایی. TeMA J. محیط تحرک کاربری زمین. 2014 ، 187-198. [ Google Scholar ] [ CrossRef ]
  13. Tambassi, T. (Ed.) The Philosophy of GIS ; Springer International Publishing: Cham، سوئیس، 2019. [ Google Scholar ] [ CrossRef ]
  14. کوکلا، م. گیلبرت، ای. مروری بر مدل‌سازی اطلاعات معنایی مکانی و رویکردهای استخراج. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 146. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  15. کوهن، دبلیو. معناشناسی جغرافیایی: چرا، از چه، و چگونه؟ در Journal on Data Semantics III ; Springer: برلین/هایدلبرگ، آلمان، 2005; صص 1-24. [ Google Scholar ]
  16. Janowicz، K. مهندسی ژئوآنتولوژی مبتنی بر مشاهدات. ترانس. GIS 2012 ، 16 ، 351-374. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. کوهن، W. مهندسی معنایی. در گرایش های پژوهشی در علم اطلاعات جغرافیایی ; Springer: برلین/هایدلبرگ، آلمان، 2009; صص 63-76. [ Google Scholar ]
  18. کوهن، دبلیو. مفاهیم اصلی اطلاعات مکانی برای تحقیقات فرا رشته ای. بین المللی جی. جئوگر. Inf. علمی 2012 ، 26 ، 2267-2276. [ Google Scholar ] [ CrossRef ]
  19. Hu, Y. 1.07-معناشناسی جغرافیایی. در سیستم های جامع اطلاعات جغرافیایی ; هوانگ، بی.، اد. الزویر: آکسفورد، بریتانیا، 2018؛ صص 80-94. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. یانوویچ، ک. هیتزلر، پی. زمین دیجیتال به عنوان موتور دانش. سمنت. وب J. 2012 ، 3 ، 213-221. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. شادبولت، ن. Smart، P. استخراج دانش: روش ها، ابزارها و تکنیک ها . CRC Press: Boca Raton، FL، USA، 2015. [ Google Scholar ]
  22. کاووراس، م. کوکلا، ام. نظریه های مفاهیم جغرافیایی: رویکردهای هستی شناختی به ادغام معنایی . CRC Press: Boca Raton، FL، USA، 2007. [ Google Scholar ]
  23. کازاتی، ر. اسمیت، بی. ورزی، ابزار هستی شناسی AC برای بازنمایی جغرافیایی ; IOS Press: آمستردام، هلند، 1998. [ Google Scholar ]
  24. هو، ی. Janowicz، K. غنی سازی ژئوآنتولوژی های بالا به پایین با استفاده از دانش از پایین به بالا استخراج شده از داده های مرتبط. Adv. Geogr. Inf. علمی گذشته بیست سال آینده 2016 ، 183-198 . [ Google Scholar ]
  25. هنگ، جی اچ. Kuo, C. یک پل هستی شناسی سبک وزن نیمه خودکار برای ادغام معنایی اطلاعات مکانی متقابل دامنه. بین المللی جی. جئوگر. Inf. علمی 2015 ، 29 ، 2223-2247. [ Google Scholar ] [ CrossRef ]
  26. گاندون، فلوریدا بررسی 20 سال اول تحقیق بر روی وب معنایی و داده های پیوندی. Ingénierie des Systèmes d Inf. 2018 ، 23 ، 11-38. [ Google Scholar ] [ CrossRef ]
  27. Giunchiglia، F. Zaihrayeu، I. هستی شناسی های سبک وزن. در دایره المعارف سیستم های پایگاه داده ; Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2009. [ Google Scholar ]
  28. گنگمی، ع. Presutti، V. الگوهای طراحی هستی شناسی. در کتابچه هستی شناسی ; Springer: برلین/هایدلبرگ، آلمان، 2009; ص 221-243. [ Google Scholar ]
  29. مارتینز-رودریگز، جی ال. هوگان، ا. Lopez-Arevalo، I. استخراج اطلاعات با وب معنایی ملاقات می کند: یک بررسی. سمنت. وب 2020 ، 11 ، 1-81. [ Google Scholar ] [ CrossRef ]
  30. اللهیاری، م. پوریه، س. آصفی، م. صفایی، س. Trippe، ED; گوتیرز، جی بی. Kochut، K. یک بررسی مختصر از متن کاوی: طبقه بندی، خوشه بندی و تکنیک های استخراج. arXiv 2017 , arXiv:1707.02919. [ Google Scholar ]
  31. مونتیرو، BR; دیویس، کالیفرنیا، جونیور؛ Fonseca, F. نظرسنجی در مورد دامنه جغرافیایی اسناد متنی. محاسبه کنید. Geosci. 2016 ، 96 ، 23-34. [ Google Scholar ] [ CrossRef ]
  32. Purves، RS; کلاف، پی. جونز، CB; هال، MH; مرداک، وی. بازیابی اطلاعات جغرافیایی: پیشرفت و چالش ها در جستجوی فضایی متن. پیدا شد. Trends Inf. Retr. 2018 ، 12 ، 164-318. [ Google Scholar ] [ CrossRef ]
  33. رجبحندری، س. آریال، ج. آزبورن، جی. ماسک، آر. Lucieer, A. محک زدن کاربرد هستی شناسی در تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 386. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  34. گیلبرت، É. Moulin، B. Towards a Common Framework for Identification of Landforms on Terrain Models. ISPRS Int. J. Geo Inf. 2017 ، 6 ، 12. [ Google Scholar ] [ CrossRef ]
  35. آرور، دی. بلژیک، م. فالومیر، ز. موگنوت، آی. Durieux, L. هستی شناسی برای تفسیر تصاویر سنجش از دور: چرا به آنها نیاز داریم؟ GISci. Remote Sens. 2019 , 56 , 911–939. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  36. بالاتور، A. Prolegomena برای هستی شناسی مکان. در پیشرفت علم اطلاعات جغرافیایی ; انتشارات انجمن GSDI: Needham، MA، ایالات متحده آمریکا، 2016. [ Google Scholar ]
  37. Garbacz، P. لارینوویچ، آ. Szady، B. معیارهای هویت برای محلات. در مجموعه مقالات FOIS، کیپ تاون، آفریقای جنوبی، 19 تا 21 سپتامبر 2018. [ Google Scholar ]
  38. کریسنادی، ا. هو، ی. یانوویچ، ک. هیتزلر، پی. آرکو، آر. کاربات، اس. چندلر، سی. چیتام، ام. فیلس، دی. فینین، تی. و همکاران هستی شناسی اقیانوس شناسی مدولار GeoLink. در مجموعه مقالات کنفرانس بین المللی وب معنایی، بیت لحم، PA، ایالات متحده آمریکا، 11-15 اکتبر 2015; Springer: برلین/هایدلبرگ، آلمان، 2015; ص 301-309. [ Google Scholar ]
  39. گولد، ن. Mackaness، W. از طبقه بندی تا هستی شناسی: رسمی کردن دانش تعمیم برای نقشه برداری بر اساس تقاضا. کارتوگر. Geogr. Inf. علمی 2016 ، 43 ، 208-222. [ Google Scholar ] [ CrossRef ]
  40. یان، جی. گیلبرت، É. Saux, E. یک سیستم چند عاملی مبتنی بر هستی شناسی برای تعمیم نمودار دریایی. کارتوگر. Geogr. Inf. علمی 2017 ، 44 ، 201-215. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  41. وارانکا، دی. Usery, EL نقشه به عنوان پایگاه دانش. بین المللی جی. کارتوگر. 2018 ، 4 ، 201-223. [ Google Scholar ] [ CrossRef ]
  42. یانوویچ، ک. هالر، ا. کاکس، اس جی. لو فوک، دی. Lefrançois, M. SOSA: یک هستی شناسی سبک برای حسگرها، مشاهدات، نمونه ها و عملگرها. J. وب سمنت. 2019 ، 56 ، 1-10. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. اوئر، اس. لمان، جی. Hellmann, S. LinkedGeoData: افزودن یک بعد فضایی به وب داده ها. در مجموعه مقالات کنفرانس بین المللی وب معنایی، Chantilly، VA، ایالات متحده آمریکا، 25-29 اکتبر 2009. [ Google Scholar ]
  44. وطانت، بی. Wick, M. GeoNames Ontology. 2012. در دسترس آنلاین: https://www.geonames.org/ontology/ (در 1 آوریل 2021 قابل دسترسی است).
  45. جی. پل گتی تراست [لس آنجلس، کالیفرنیا]. اصطلاحنامه نام های جغرافیایی گتی. [نرم افزار، منبع الکترونیکی] بازیابی شده از کتابخانه کنگره. 1999. در دسترس آنلاین: https://lccn.loc.gov/99483604 (در 1 آوریل 2021 قابل دسترسی است).
  46. درونگس، سی. Purves، R. روابط نزدیکی معدن از یک پیکره وب n گرم در فضای جغرافیایی. تف کردن شناخت. محاسبه کنید. 2016 ، 16 ، 301-322. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. Ballatore, A. استخراج احساسات مکان از وبلاگ های سفر. در مجموعه مقالات AGILE، هلسینکی، فنلاند، 25-29 مه 2015. [ Google Scholar ]
  48. استراپاراوا، سی. Valitutti، A. WordNet Affect: یک پسوند مؤثر WordNet. در مجموعه مقالات LREC، لیسبون، پرتغال، 26-28 مه 2004. [ Google Scholar ]
  49. درونگس، سی. Purves, R. From text to landscape: مکان یابی، شناسایی و نقشه برداری استفاده از ویژگی های منظره در یک پیکره آلپ سوئیس. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 1272-1293. [ Google Scholar ] [ CrossRef ]
  50. وارتمن، اف. آچسون، ای. Purves، R. توصیف و مقایسه مناظر با استفاده از برچسب‌ها، متون و لیست‌های آزاد: یک رویکرد میان رشته‌ای. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 1572-1592. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  51. ایلاری، اس. استویانوویچ، دی. Ray, C. مدیریت معنایی اشیاء متحرک: چشم اندازی نسبت به تحرک هوشمند. سیستم خبره Appl. 2015 ، 42 ، 1418-1435. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  52. فیلتو، ر. می، سی. رنسو، سی. پلکیس، ن. کلاین، دی. Theodoridis, Y. چارچوب مبتنی بر دانش Baquara2 برای غنی سازی معنایی و تجزیه و تحلیل داده های حرکتی. دانستن داده ها مهندس 2015 ، 98 ، 104-122. [ Google Scholar ] [ CrossRef ]
  53. هان، ال. کاشیاپ، آل. فینین، TW; میفیلد، جی. Weese, J. UMBC-EBIQUITY-CORE: سیستم های مشابهت متنی معنایی. در مجموعه مقالات * SEM@NAACL-HLT ، آتلانتا، GA، ایالات متحده آمریکا، 13 تا 14 ژوئن 2013. [ Google Scholar ]
  54. جیانگ، ی. لی، ی. یانگ، سی. لیو، ک. آرمسترانگ، ای. هوانگ، تی. مورونی، دی. Finch, C. یک روش جامع برای کشف روابط معنایی بین واژگان جغرافیایی با استفاده از کشف داده‌های اقیانوس‌شناسی به عنوان مثال. بین المللی جی. جئوگر. Inf. علمی 2017 ، 31 ، 2310-2328. [ Google Scholar ] [ CrossRef ]
  55. لی، دبلیو. بهاتیا، وی. کائو، ک. زیرساخت سایبری قطبی هوشمند: فعال کردن جستجوی معنایی در فهرست ابرداده‌های مکانی برای پشتیبانی از کشف داده‌های قطبی. علوم زمین به اطلاع رساندن. 2015 ، 8 ، 111-123. [ Google Scholar ] [ CrossRef ]
  56. Hu, Y. معناشناسی جغرافیایی. مقایسه Geogr. Inf. سیستم 2018 ، 80-94. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  57. حکیم پور، ف. Timpf, S. استفاده از هستی شناسی ها برای حل ناهمگونی معنایی در GIS. در مجموعه مقالات چهارمین کنفرانس AGILE در علم اطلاعات جغرافیایی، برنو، جمهوری چک، 19-21 آوریل 2001. [ Google Scholar ]
  58. فلاحی، گ. فرانک، ا. مسگری، م. رجبی فرد، ع. ساختار هستی‌شناختی برای تعامل معنایی GIS و مدل‌سازی محیطی. بین المللی J. Appl. زمین Obs. Geoinf. 2008 ، 10 ، 342-357. [ Google Scholar ] [ CrossRef ]
  59. فونسکا، اف. کامارا، جی. مونتیرو، A. چارچوبی برای اندازه گیری قابلیت همکاری ژئوآنتولوژی ها. تف کردن شناخت. محاسبه کنید. 2006 ، 6 ، 309-331. [ Google Scholar ] [ CrossRef ]
  60. Brodaric، B. طراحی GSC FieldLog: نرم افزار مبتنی بر هستی شناسی برای نقشه برداری میدانی زمین شناسی به کمک کامپیوتر. محاسبه کنید. Geosci. 2004 ، 30 ، 5-20. [ Google Scholar ] [ CrossRef ]
  61. شوورمن، ن. ابعاد اجتماعی تعریف شی در GIS. در ارائه مجدد GIS ; Fisher, P., Unwin, D., Eds. جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 2005. [ Google Scholar ]
  62. باگلیونی، م. ماسروتی، ام وی; رنسو، سی. Spinsanti، L. ساخت هستی شناسی های جغرافیایی از پایگاه های داده های جغرافیایی. در مجموعه مقالات GeoS، مکزیکو سیتی، مکزیک، 29 تا 30 نوامبر 2007. [ Google Scholar ]
  63. Scheider, S. اطلاعات جغرافیایی پایه در عملیات ادراکی. در مرزها در هوش مصنوعی و برنامه های کاربردی ; IOS Press: آمستردام، هلند، 2012. [ Google Scholar ]
  64. وربویز، م. استوارت، ک. از اشیا تا رویدادها: GEM، مدل رویداد جغرافیایی. In Proceedings of the GIScience, Adelphi, MD, USA, 20-23 اکتبر 2004. [ Google Scholar ]
  65. Raskin، RG; Pan، MJ نمایش دانش در وب معنایی زمین و اصطلاحات محیطی (SWEET). محاسبه کنید. Geosci. 2005 ، 31 ، 1119-1125. [ Google Scholar ] [ CrossRef ]
  66. Couclelis، H. هستی شناسی اطلاعات جغرافیایی. بین المللی جی. جئوگر. Inf. علمی 2010 ، 24 ، 1785-1809. [ Google Scholar ] [ CrossRef ]
  67. هو، ی. یانوویچ، ک. کارال، دی. شیدر، اس. کوهن، دبلیو. برگ کراس، جی. هیتزلر، پی. دین، م. کولاس، دی. الگوی طراحی ژئوآنتولوژی برای مسیرهای معنایی. در مجموعه مقالات COSIT، اسکاربرو، انگلستان، 2 تا 6 سپتامبر 2013. [ Google Scholar ]
  68. کارال، دی. شیدر، اس. یانوویچ، ک. واردمن، سی. کریسنادی، AA; Hitzler, P. یک الگوی طراحی هستی شناسی برای مقیاس بندی نقشه نقشه برداری. در مجموعه مقالات ESWC، مونپلیه، فرانسه، 26 تا 30 مه 2013. [ Google Scholar ]
  69. کروز، آی. سنا، دبلیو. ماکار، ن. Bathala، S. یک ابزار بصری برای هم ترازی هستی شناسی برای فعال کردن قابلیت همکاری جغرافیایی. J. Vis. لنگ محاسبه کنید. 2007 ، 18 ، 230-254. [ Google Scholar ] [ CrossRef ]
  70. Goodchild، M. رسمی کردن مکان در سیستم های اطلاعات جغرافیایی ; Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2011. [ Google Scholar ]
  71. گودچایلد، م. هیل، ال. مقدمه ای بر تحقیق روزنامه دیجیتال. بین المللی جی. جئوگر. Inf. علمی 2008 ، 22 ، 1039-1044. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  72. آلانی، ح. جونز، سی. تقریب منطقه مبتنی بر تودوپ، دی. ورونوی برای بازیابی اطلاعات جغرافیایی با روزنامه‌ها. بین المللی جی. جئوگر. Inf. علمی 2001 ، 15 ، 287-306. [ Google Scholar ] [ CrossRef ]
  73. برنج، MT; ابوریزایزا، AO; جاکوبسون، آر. Shore، BM; Paez، FI پشتیبانی از دسترسی برای افراد نابینا و کم بینا با روزنامه محلی و ژئوتکنولوژی منبع باز. ترانس. GIS 2012 ، 16 ، 177-190. [ Google Scholar ] [ CrossRef ]
  74. شلیدر، سی. وگله، تی. Visser, U. Qualitative Spatial Representation for Information Retrieval by Gazetteers. In Proceedings of the COSIT, Morro Bay, CA, USA, 19-23 سپتامبر 2001. [ Google Scholar ]
  75. یانوویچ، ک. Keßler, C. نقش هستی شناسی در بهبود تعامل روزنامه. بین المللی جی. جئوگر. Inf. علمی 2008 ، 22 ، 1129-1157. [ Google Scholar ] [ CrossRef ]
  76. دیویس، سی. هولت، آی. گرین، جی. هاردینگ، جی. Diamond, L. نیازها و مفاهیم کاربر برای مدلسازی مکانهای نامفهوم. تف کردن شناخت. محاسبه کنید. 2009 ، 9 ، 174-194. [ Google Scholar ] [ CrossRef ]
  77. هولنشتاین، ال. Purves، R. کاوش مکان از طریق محتوای تولید شده توسط کاربر: استفاده از برچسب های Flickr برای توصیف هسته های شهر. جی. اسپات. Inf. علمی 2010 ، 1 ، 21-48. [ Google Scholar ]
  78. گروت، سی. Schaab, J. تولید ردپای خودکار از برچسب‌های جغرافیایی با تخمین تراکم هسته و ماشین‌های بردار پشتیبانی. تف کردن شناخت. محاسبه کنید. 2009 ، 9 ، 195-211. [ Google Scholar ] [ CrossRef ]
  79. کسلر، سی. مائوئه، پی. Heuer، JT; Bartoschek, T. روزنامه نگاران پایین به بالا: یادگیری از معناشناسی ضمنی برچسب های جغرافیایی. در مجموعه مقالات کنفرانس بین المللی در زمینه معناشناسی جغرافیایی، مکزیکو سیتی، مکزیک، 3-4 دسامبر 2009. Springer: برلین/هایدلبرگ، آلمان، 2009; صص 83-102. [ Google Scholar ]
  80. لی، ال. Goodchild، MF ساخت مکان ها از ردپای فضایی. در مجموعه مقالات اولین کارگاه بین المللی ACM SIGSPATIAL در مورد اطلاعات جغرافیایی جمع آوری شده و داوطلبانه، ردوندو بیچ، کالیفرنیا، ایالات متحده آمریکا، 7 تا 9 نوامبر 2012. صص 15-21. [ Google Scholar ]
  81. گائو، اس. لی، ال. لی، دبلیو. یانوویچ، ک. Zhang, Y. ساخت روزنامه‌ها از Big Geo-Data داوطلبانه بر اساس Hadoop. محاسبه کنید. محیط زیست سیستم شهری 2017 ، 61 ، 172-186. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  82. Uryupina، O. یادگیری نیمه نظارتی روزنامه نگاران جغرافیایی از اینترنت. در مجموعه مقالات HLT-NAACL 2003، ادمونتون، AB، کانادا، 27 مه تا 1 ژوئن 2003. [ Google Scholar ]
  83. زو، آر. هو، ی. یانوویچ، ک. مکنزی، جی. امضاهای فضایی برای انواع ویژگی های جغرافیایی: بررسی هستی شناسی های روزنامه با استفاده از آمار فضایی. ترانس. GIS 2016 ، 20 ، 333-355. [ Google Scholar ] [ CrossRef ]
  84. سمال، ع. ست، اس. Cueto، K. یک رویکرد مبتنی بر ویژگی برای ترکیب منابع جغرافیایی. بین المللی جی. جئوگر. Inf. علمی 2004 ، 18 ، 459-489. [ Google Scholar ] [ CrossRef ]
  85. سهگل، وی. گتور، ال. Viechnicki، P. وضوح موجودیت در یکپارچه سازی داده های مکانی. In Proceedings of the GIS ’06, Arlington, VA, USA, 10-11 نوامبر 2006. [ Google Scholar ]
  86. هاستینگز، جی. ترکیب خودکار داده های روزنامه دیجیتال. بین المللی جی. جئوگر. Inf. علمی 2008 ، 22 ، 1109-1127. [ Google Scholar ] [ CrossRef ]
  87. جونز، سی. Purves، R. بازیابی اطلاعات جغرافیایی. بین المللی جی. جئوگر. Inf. علمی 2008 ، 22 ، 219-228. [ Google Scholar ] [ CrossRef ]
  88. جونز، آر. ژانگ، دبلیو. ری، بی. جلا، پ. Stipp، E. قصد جغرافیایی و اصلاح در جستجوی وب. بین المللی جی. جئوگر. Inf. علمی 2008 ، 22 ، 229-246. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  89. ساندرسون، ام. کوهلر، جی. تحلیل پرس و جوهای جغرافیایی. در مجموعه مقالات کارگاه SIGIR در مورد بازیابی اطلاعات جغرافیایی، شفیلد، انگلستان، 25 تا 29 ژوئیه 2004. [ Google Scholar ]
  90. یانوویچ، ک. راوبال، م. کوهن، دبلیو. معناشناسی شباهت در بازیابی اطلاعات جغرافیایی. جی. اسپات. Inf. علمی 2011 ، 2 ، 29-57. [ Google Scholar ] [ CrossRef ]
  91. هو، ی. یانوویچ، ک. Prasad, S. بهبود ابهام‌زدایی نام مکان مبتنی بر ویکی‌پدیا در متون کوتاه با استفاده از داده‌های ساختاریافته از DBpedia. In Proceedings of the GIR ’14, Dallas, TX, USA, 4 نوامبر 2014. [ Google Scholar ]
  92. Cucerzan, S. ابهام‌زدایی موجودیت نام‌گذاری شده در مقیاس بزرگ بر اساس داده‌های ویکی‌پدیا. در مجموعه مقالات EMNLP-CoNLL، پراگ، جمهوری چک، 28 تا 30 ژوئن 2007. [ Google Scholar ]
  93. اورل، اس. Rüger, S. استفاده از مدل‌های همزمان برای ابهام‌زدایی نام مکان. بین المللی جی. جئوگر. Inf. علمی 2008 ، 22 ، 265-287. [ Google Scholar ] [ CrossRef ]
  94. Leidner, JL تفکیک نام در متن: حاشیه نویسی، ارزیابی و کاربردهای زمینه سازی فضایی نام مکان ها . Universal-Publishers: Irvine, CA, USA, 2008. [ Google Scholar ]
  95. جو، ی. آدامز، بی. یانوویچ، ک. هو، ی. یان، بی. McKenzie, G. Things and strings: بهبود ابهام‌زدایی نام مکان از متون کوتاه با ترکیب هم‌روی موجودیت با مدل‌سازی موضوع. در مجموعه مقالات EKAW، بولونیا، ایتالیا، 19-23 نوامبر 2016. [ Google Scholar ]
  96. گلرنتر، جی. بالاجی، س. الگوریتمی برای تجزیه جغرافیایی محلی ریزمتن. GeoInformatica 2013 ، 17 ، 635-667. [ Google Scholar ] [ CrossRef ]
  97. واسردانی، م. زمستان، اس. Richter, KF تعیین مکان نام مکان ها از توضیحات مکان. بین المللی جی. جئوگر. Inf. علمی 2013 ، 27 ، 2509-2532. [ Google Scholar ] [ CrossRef ]
  98. هو، ی. یانوویچ، ک. پراساد، س. گائو، S. هماهنگ سازی موضوع فراداده و جستجوی معنایی برای پورتال های جغرافیایی مبتنی بر داده های پیوندی: مطالعه موردی با استفاده از ArcGIS آنلاین. ترانس. GIS 2015 ، 19 ، 398-416. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  99. لی، دبلیو. Goodchild، MF; Raskin, R. Towards geospatial semantic search: بهره برداری از روابط معنایی پنهان در داده های جغرافیایی. بین المللی جی دیجیت. زمین 2014 ، 7 ، 17-37. [ Google Scholar ] [ CrossRef ]
  100. آمیتای، ای. هارئل، ن. سیوان، ر. Soffer، A. Web-a-where: برچسب گذاری جغرافیایی محتوای وب. در مجموعه مقالات SIGIR ’04، شفیلد، انگلستان، 25 تا 29 ژوئیه 2004. [ Google Scholar ]
  101. سیلوا، م. مارتینز، بی. چاوز، ام. آفونسو، ا. Cardoso, N. افزودن دامنه های جغرافیایی به منابع وب. محاسبه کنید. محیط زیست سیستم شهری 2006 ، 30 ، 378-399. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  102. وانگ، سی. Xie، X. وانگ، ال. لو، ی. Ma, W. تشخیص مکان های جغرافیایی از منابع وب. در مجموعه مقالات GIR ’05، برمن، آلمان، 4 نوامبر 2005. [ Google Scholar ]
  103. فرانتیرا، پ. لارسون، آر. Radke, J. مقایسه رویکردهای هندسی برای ارزیابی شباهت فضایی برای GIR. بین المللی جی. جئوگر. Inf. علمی 2008 ، 22 ، 337-360. [ Google Scholar ] [ CrossRef ]
  104. جونز، سی. پوروز، آر. رواس، ع. ساندرسون، ام. سستر، ام. کرولد، ام وی؛ Weibel, R. بازیابی اطلاعات فضایی و هستی شناسی های جغرافیایی مروری بر پروژه SPIRIT. در مجموعه مقالات SIGIR ’02، تامپره، فنلاند، 11 تا 15 اوت 2002. [ Google Scholar ]
  105. کسلر، سی. یانوویچ، ک. بیشر، ام. دستور کار برای روزنامه نسل بعدی: مشارکت و بازیابی اطلاعات جغرافیایی. در مجموعه مقالات هفدهمین کنفرانس بین المللی ACM SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، سیاتل، WA، ایالات متحده آمریکا، 3-6 نوامبر 2009. صص 91-100. [ Google Scholar ]
  106. گی، اف. لارسون، آر. ساندرسون، ام. جوهو، اچ. Clough, PD GeoCLEF: The CLEF 2005 Cross-Language Geographic Information Track Retrieval. در مجموعه مقالات CLEF، وین، اتریش، 21-23 سپتامبر 2005. [ Google Scholar ]
  107. Egenhofer, M. Toward the Semantic Geospatial Web. In Proceedings of the GIS ’02, McLean, VA, USA, 8-9 نوامبر 2002. [ Google Scholar ]
  108. هارت، جی. Dolbear, C. داده های پیوندی: دیدگاه جغرافیایی . CRC Press: Boca Raton، FL، USA، 2013. [ Google Scholar ]
  109. کوهن، دبلیو. کاوپینن، تی. Janowicz، K. داده های مرتبط – یک تغییر پارادایم برای علم اطلاعات جغرافیایی. در مجموعه مقالات کنفرانس بین المللی علم اطلاعات جغرافیایی، وین، اتریش، 24-26 سپتامبر 2014. Springer: برلین/هایدلبرگ، آلمان، 2014; صص 173-186. [ Google Scholar ]
  110. گودوین، جی. دولبر، سی. هارت، جی. داده های مرتبط جغرافیایی: جغرافیای اداری بریتانیای کبیر در وب معنایی. ترانس. Gis 2008 ، 12 ، 19-30. [ Google Scholar ] [ CrossRef ]
  111. پاترومپاس، ک. الکساکیس، م. جیانوپولوس، جی. Athanasiou، S. TripleGeo: یک ابزار ETL برای تبدیل داده های مکانی به سه گانه RDF. در مجموعه مقالات کارگاه های آموزشی Edbt/Icdt، Citeseer، آتن، یونان، 24-28 مارس 2014; صص 275-278. [ Google Scholar ]
  112. یانوویچ، ک. شیدر، اس. پهله، ت. هارت، جی. معناشناسی جغرافیایی و داده های مکانی-زمانی مرتبط – گذشته، حال و آینده. سمنت. وب 2012 ، 3 ، 321-332. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  113. نبرد، آر. Kolas، D. GeoSPARQL: فعال کردن یک وب معنایی جغرافیایی. سمنت. Web J. 2011 , 3 , 355-370. [ Google Scholar ] [ CrossRef ]
  114. آتاناسیس، ن. کالاابوکیدیس، ک. وایتیس، م. Soulakellis، N. به سوی یک رویکرد مبتنی بر معناشناسی در توسعه پورتال های جغرافیایی. محاسبه کنید. Geosci. 2009 ، 35 ، 301-308. [ Google Scholar ] [ CrossRef ]
  115. پوروز، آر. ادواردز، آ. Wood, J. توصیف مکان از طریق محتوای تولید شده توسط کاربر. اولین دوشنبه 1390 16 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  116. منینگ، سی دی; Surdeanu، M. بائر، جی. فینکل، جی آر؛ بتارد، اس. McClosky، D. جعبه ابزار پردازش زبان طبیعی استانفورد CoreNLP. در مجموعه مقالات پنجاه و دومین نشست سالانه انجمن زبانشناسی محاسباتی: نمایش سیستم، بالتیمور، MD، ایالات متحده آمریکا، 23 تا 24 ژوئن 2014. صص 55-60. [ Google Scholar ]
  117. آدامز، بی. مک کنزی، جی. Gahegan، M. Frankenplace: نگاشت موضوعی تعاملی برای جستجوی اکتشافی موقت. در مجموعه مقالات بیست و چهارمین کنفرانس بین المللی وب جهانی، WWW ’15، فلورانس، ایتالیا، 18 تا 22 مه 2015; کمیته راهبری کنفرانس های بین المللی وب جهانی: ژنو، سوئیس، 2015; ص 12-22. [ Google Scholar ] [ CrossRef ]
  118. کیم، جی. واسردانی، م. Winter, S. تطبیق شباهت برای یکپارچه سازی اطلاعات مکانی استخراج شده از توضیحات مکان. بین المللی جی. جئوگر. Inf. علمی 2017 ، 31 ، 56-80. [ Google Scholar ] [ CrossRef ]
  119. بله، م. شو، دی. لی، دبلیو. یین، پی. Janowicz، K. در حاشیه نویسی معنایی مکان ها در شبکه های اجتماعی مبتنی بر مکان. در مجموعه مقالات KDD، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 21 تا 24 اوت 2011. [ Google Scholar ]
  120. راتنبری، تی. Naaman, M. روش‌هایی برای استخراج معناشناسی مکان از تگ‌های فلیکر. ACM Trans. وب (TWEB) 2009 ، 3 ، 1-30. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  121. هو، ی. گائو، اس. یانوویچ، ک. یو، بی. لی، دبلیو. پراساد، اس. استخراج و درک مناطق شهری مورد علاقه با استفاده از عکس های دارای برچسب جغرافیایی. محاسبه کنید. محیط زیست سیستم شهری 2015 ، 54 ، 240-254. [ Google Scholar ] [ CrossRef ]
  122. کلیپل، ا. تپه، اچ. کولیک، ال. Lee, PU Wayfinding choremes – زبانی برای مدلسازی دانش مسیر مفهومی. J. Vis. لنگ محاسبه کنید. 2005 ، 16 ، 311-329. [ Google Scholar ] [ CrossRef ]
  123. رنز، جی. نبل، ب. استدلال فضایی کیفی با استفاده از محاسبات محدودیت. در کتاب راهنمای منطق های فضایی ; Springer: برلین/هایدلبرگ، آلمان، 2007. [ Google Scholar ]
  124. گائو، اس. یانوویچ، ک. مک کنزی، جی. Li, L. به سمت اتصالات و بافرهای سطحی در GIS مبتنی بر مکان. در مجموعه مقالات COMP ’13، لندن، انگلستان، 12 تا 13 مارس 2013. [ Google Scholar ]
  125. یانوویچ، ک. شیدر، اس. Adams, B. A Geo-semantics Flyby. در مجموعه مقالات وب استدلال. فن آوری های معنایی برای دسترسی هوشمند به داده ها، وب استدلال 2013، مانهایم، آلمان، 30 جولای تا 2 آگوست 2013. رودلف، اس.، گوتلوب، جی.، هوراکس، آی.، ون هارملن، اف.، ویرایش. Springer: برلین/هایدلبرگ، آلمان، 2013; جلد 8067، ص 230–250. [ Google Scholar ] [ CrossRef ]
  126. بیتمن، جی. Farrar, S. Towards a Generalic Foundation for Spatial Ontology. در مجموعه مقالات سومین کنفرانس بین المللی هستی شناسی رسمی در سیستم های اطلاعاتی ; IOS Press: آمستردام، هلند، 2004. [ Google Scholar ]
  127. بیتنر، تی. دانلی، ام. اسمیت، بی. هستی شناسی مکانی-زمانی برای ادغام اطلاعات جغرافیایی. بین المللی جی. جئوگر. Inf. علمی 2009 ، 23 ، 765-798. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  128. بروداریک، بی. گاهگان، م. آزمایش‌هایی برای بررسی ماهیت موقعیتی مفاهیم زمین‌شناسی. تف کردن شناخت. محاسبه کنید. 2007 ، 7 ، 61-95. [ Google Scholar ] [ CrossRef ]
  129. بنت، بی. مالنبی، دی. سوم، الف. هستی شناسی برای پایه گذاری اصطلاحات مبهم جغرافیایی. در مجموعه مقالات FOIS، Saarbrücken، آلمان، 31 اکتبر تا 3 نوامبر 2008. [ Google Scholar ]
  130. کریسمن، ن. کاوش در سیستم های اطلاعات جغرافیایی . Wiley: Hoboken، NJ، ایالات متحده، 2001. [ Google Scholar ]
  131. کوهن، دبلیو. سیستم های مرجع معنایی. بین المللی جی. جئوگر. Inf. علمی 2003 ، 17 ، 405-409. [ Google Scholar ] [ CrossRef ]
  132. مارک، DM; اسمیت، بی. اگنهوفر، ام. هیرتل، اس. مبانی هستی شناختی برای علم اطلاعات جغرافیایی. Res. Geogr را به چالش می کشد. Inf. علمی 2004 ، 335-350. [ Google Scholar ]
  133. کاوپینن، تی. Hyvönen، E. مدل‌سازی و استدلال درباره تغییرات در سری‌های زمانی هستی‌شناسی. در هستی شناسی ها: راهنمای اصول، مفاهیم و کاربردها در سیستم های اطلاعاتی . Sharman, R., Kishore, R., Ramesh, R., Eds. Springer: Boston, MA, USA, 2007; صص 319-338. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  134. کریستاکوس، جی. بوگارت، پ. Serre, M. Temporal GIS: توابع پیشرفته برای کاربردهای میدانی . Springer: Berlin/Heidelberg، آلمان، 2002. [ Google Scholar ]
  135. گالتون، ا. میزوگوچی، آر. آب می افتد اما آبشار نمی افتد: دیدگاه های جدید در مورد اشیاء، فرآیندها و رویدادها. Appl. اونتول. 2009 ، 4 ، 71-107. [ Google Scholar ] [ CrossRef ]
  136. Hage، WV; Malaisé، V. سگرز، آر. هالینک، ال. Schreiber, G. طراحی و استفاده از مدل رویداد ساده (SEM). J. وب سمنت. 2011 ، 9 ، 128-136. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  137. مونتلو، DR; Goodchild، MF; گوتسگن، جی. Fohl, P. Where’s downtown?: روش های رفتاری برای تعیین ارجاعات پرس و جوهای فضایی مبهم. تف کردن شناخت. محاسبه کنید. 2003 ، 3 ، 185-204. [ Google Scholar ]
  138. عبدالموتی، هوش مصنوعی؛ اسمارت، پ. جونز، هستی شناسی های مکان ساختمان CB برای وب معنایی: مسائل و رویکردها. در مجموعه مقالات چهارمین کارگاه ACM در مورد بازیابی اطلاعات جغرافیایی، GIR’07، لیسبون، پرتغال، 9 نوامبر 2007. انجمن ماشین های محاسباتی: نیویورک، نیویورک، ایالات متحده آمریکا، 2007; صص 7-12. [ Google Scholar ] [ CrossRef ]
  139. لوتز، ام. کلین، ای. بازیابی اطلاعات جغرافیایی مبتنی بر هستی شناسی. بین المللی جی. جئوگر. Inf. علمی 2006 ، 20 ، 233-260. [ Google Scholar ] [ CrossRef ]
  140. جونز، سی. آلانی، ح. تودهوپ، دی. بازیابی اطلاعات جغرافیایی با هستی شناسی مکان. In Proceedings of the COSIT, Morro Bay, CA, USA, 19-23 سپتامبر 2001. [ Google Scholar ]
  141. جردن، تی. راوبال، م. گارترل، بی. Egenhofer, M. یک مدل مکان مبتنی بر توان در GIS. 1999. در دسترس آنلاین: https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.4.8628&rep=rep1&type=pdf (در 1 آوریل 2021 قابل دسترسی است).
  142. اعزاوی، ع. عبدالموتی، ا. جونز، سی. چه کاری می توانم انجام دهم؟ به سمت کشف خودکار خدمات و فعالیت های مرتبط با مکان. بین المللی جی. جئوگر. Inf. علمی 2012 ، 26 ، 345-364. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  143. یینگ، جی. لی، دبلیو. Weng، TC; Tseng، VS استخراج مسیر معنایی برای پیش‌بینی مکان. در مجموعه مقالات نوزدهمین کنفرانس بین المللی ACM SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، شیکاگو، IL، ایالات متحده آمریکا، 1 تا 4 نوامبر 2011. [ Google Scholar ]
  144. هاروی، اف. کوهن، دبلیو. پوندت، اچ. بیشر، ی. Riedemann, C. قابلیت همکاری معنایی: یک مسئله مرکزی برای به اشتراک گذاری اطلاعات جغرافیایی. ان Reg. علمی 1999 ، 33 ، 213-232. [ Google Scholar ] [ CrossRef ]
  145. دو، دی. مک درموت، دی. Qi، P. ترجمه هستی شناسی در وب معنایی. J. داده سمنت. 2005 ، 2 ، 35-57. [ Google Scholar ]
  146. Raubal, M. رسمی کردن فضاهای مفهومی. هستی شناسی رسمی در سیستم های اطلاعاتی در مجموعه مقالات سومین کنفرانس بین المللی (FOIS 2004)، تورینو، ایتالیا، 4-6 نوامبر 2004. جلد 114، صص 153–164. [ Google Scholar ]
  147. رودریگز، MA; Egenhofer, M. مقایسه کلاس‌های موجودیت جغرافیایی: اندازه‌گیری شباهت نامتقارن و وابسته به زمینه. بین المللی جی. جئوگر. Inf. علمی 2004 ، 18 ، 229-256. [ Google Scholar ] [ CrossRef ]
  148. شورینگ، آ. Raubal, M. اندازه گیری تشابه معنایی بین مناطق مفهومی جغرافیایی. در مجموعه مقالات GeoS، مکزیکو سیتی، مکزیک، 29 تا 30 نوامبر 2005. [ Google Scholar ]
  149. لی، بی. Fonseca، F. TDD: یک مدل جامع برای ارزیابی شباهت فضایی کیفی. تف کردن شناخت. محاسبه کنید. 2006 ، 6 ، 31-62. [ Google Scholar ] [ CrossRef ]
  150. مارتین، دی. برشتاین، ام. مک درموت، دی. مک ایلریث، اس. پائولوچی، ام. سیکارا، ک. مک گینس، دی.ال. سیرین، ای. Srinivasan، N. آوردن معناشناسی به خدمات وب با OWL-S. وب جهانی 2007 ، 10 ، 243-277. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  151. فنسل، دی. Bussler, C. چارچوب مدلسازی وب سرویس WSMF. الکترون. بازرگانی Res. Appl. 2002 ، 1 ، 113-137. [ Google Scholar ] [ CrossRef ]
  152. واکاری، ال. شوایکو، پ. Marchese, M. یک ادغام معنایی خدمات جغرافیایی در زیرساخت های داده های مکانی. بین المللی جی. اسپات. زیرساخت داده Res. 2009 ، 4 ، 24-51. [ Google Scholar ]
  153. لمنز، آر. ویتزیسک، ا. د بای، آر. گرانل، سی. گولد، ام. Van Oosterom، P. ادغام توصیفات معنایی و نحوی به زنجیره خدمات جغرافیایی. محاسبات اینترنتی IEEE. 2006 ، 10 ، 42-52. [ Google Scholar ] [ CrossRef ]
  154. Lutz، M. توضیحات مبتنی بر هستی شناسی برای کشف معنایی و ترکیب خدمات ژئوپردازش. Geoinformatica 2007 ، 11 ، 1-36. [ Google Scholar ] [ CrossRef ]
  155. یانوویچ، ک. Shade، S. برورینگ، آ. کسلر، سی. مائوئه، پی. Stasch, C. Semantic Enablement for Spatial Data Infrastructures. ترانس. GIS 2010 ، 14 ، 111-129. [ Google Scholar ] [ CrossRef ]
  156. کلین، ای. یک استراتژی مبتنی بر قانون برای حاشیه نویسی معنایی داده های جغرافیایی. ترانس. GIS 2007 ، 11 ، 437-452. [ Google Scholar ] [ CrossRef ]
  157. کوهن، دبلیو. ایده های شناختی و زبانی در معناشناسی اطلاعات جغرافیایی. در جنبه های شناختی و زبانی فضای جغرافیایی ; یادداشت های سخنرانی در اطلاعات جغرافیایی و نقشه برداری. Springer: برلین/هایدلبرگ، آلمان، 2013; صص 159-174. [ Google Scholar ] [ CrossRef ]
  158. زو، ی. نمودارهای معانی جغرافیایی، هستی شناسی و دانش برای داده های بزرگ زمین. داده های بزرگ زمین 2019 ، 3 ، 187-190. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  159. دی دوناتو، ص. معناشناسی جغرافیایی: بررسی انتقادی. در علوم محاسباتی و کاربردهای آن-ICCSA 2010 ; Taniar, D., Gervasi, O., Murgante, B., Pardede, E., Apduhan, BO, Eds.; Springer: برلین/هایدلبرگ، آلمان، 2010; جلد 6016. [ Google Scholar ] [ CrossRef ]
  160. شوورمن، ن. مسائل رسمی‌سازی: تحقیقات حیاتی GIS و هستی‌شناسی. ان دانشیار صبح. Geogr. 2006 ، 96 ، 726-739. [ Google Scholar ] [ CrossRef ]
  161. وانگ، سی. کانتور، سی ام. میچل، جی تی; Bacastow، TS Digital Earth Education. در کتابچه راهنمای زمین دیجیتال ; Springer Nature: برلین/هایدلبرگ، آلمان، 2020؛ صص 755-783. [ Google Scholar ]
  162. گوفی، ع. بوردوگنا، جی. استروپیانا، دی. بوشتی، ام. Brivio، دانش PA و نقشه برداری داده محور از شاخص های وضعیت محیطی از سنجش از راه دور و VGI. Remote Sens. 2020 , 12 , 495. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  163. بوردوگنا، جی. گیسالبرتی، جی. Psaila، G. بازیابی اطلاعات جغرافیایی: مدل سازی عدم قطعیت زمینه کاربر. سیستم مجموعه های فازی FSS 2012 , 196 . [ Google Scholar ] [ CrossRef ]
  164. زادروزنی، س. Kacprzyk, J. پرس و جوهای دوقطبی با استفاده از تفسیرهای مختلف اتصالات منطقی. در مجموعه مقالات مبانی منطق فازی و محاسبات نرم، دوازدهمین کنگره جهانی انجمن سیستم های فازی بین المللی، IFSA 2007، کانکون، مکزیک، 18-21 ژوئن 2007. Melin, P., Castillo, O., Aguilar, LT, Kacprzyk, J., Pedrycz, W., Eds.; Springer: برلین/هایدلبرگ، آلمان، 2007; جلد 4529، ص 181–190. [ Google Scholar ] [ CrossRef ]
  165. دوبوا، دی. پراد، اچ. مقدمه ای بر بازنمایی دوقطبی اطلاعات و ترجیحات. بین المللی جی. اینتل. سیستم 2008 ، 23 ، 866-877. [ Google Scholar ] [ CrossRef ]
  166. دوجموویچ، جی. لارسن، اچ. ربط/تجزیه تعمیم یافته. بین المللی J. تقریبا. دلیل. 2007 ، 46 ، 423-446. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  167. آرکائینی، پ. بوردوگنا، جی. ینکو، دی. Sterlacchini، S. کاوش مبتنی بر چگالی جغرافیایی-زمانی کاربر محور رویدادهای دوره ای و نه دوره ای گزارش شده در شبکه های اجتماعی. Inf. علمی 2016 ، 340-341 ، 122-143. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  168. Fellbaum, C. (Ed.) WordNet: An Electronic Lexical Database ; زبان، گفتار و ارتباطات؛ انتشارات MIT: کمبریج، MA، ایالات متحده آمریکا، 1998. [ Google Scholar ]
  169. پسایلا، جی. توکو، ام. بوردوگنا، جی. فریجریو، ال. Cuzzocrea، A. چارچوب داده باز قابل تعامل برای کشف تورهای محبوب بر اساس توییت‌های دارای برچسب جغرافیایی. بین المللی جی. اینتل. Inf. سیستم پایگاه داده 2017 ، 10 ، 1. [ Google Scholar ] [ CrossRef ]
  170. مایلز، ای. Bechhofer، S. SKOS مرجع سیستم سازماندهی دانش ساده. در مجموعه مقالات توصیه W3C، W3C، ماپوتو، موزامبیک، 1-2 آوریل 2009. [ Google Scholar ]
  171. پرگو، ا. فوگازا، سی. واکاری، ال. لوتز، ام. اسمیتز، پی. کانلوپولوس، آی. Schade, S. هماهنگی و قابلیت همکاری اطلاعات و خدمات زیست محیطی اتحادیه اروپا. IEEE Intell. سیستم 2012 ، 27 ، 33-39. [ Google Scholar ] [ CrossRef ]
  172. بریکلی، دی. Miller, L. The Friend Of A Friend (FOAF) مشخصات واژگان. 2007. در دسترس آنلاین: https://xmlns.com/foaf/spec/ (در 1 آوریل 2021 قابل دسترسی است).
  173. سانتورو، ام. مازتی، پ. ناتیوی، س. فوگازا، سی. گرانل، سی. دیاز، ال. روش‌شناسی برای کشف افزوده شده منابع جغرافیایی. در کشف منابع جغرافیایی: روش‌ها، فناوری‌ها و کاربردهای اضطراری ؛ Díaz, L., Granell, C., Huerta, J., Eds. IGI Global: Hershey, PA, USA, 2012; فصل 9; صص 172-203. [ Google Scholar ]
  174. اسپورنی، م. لانگلی، دی. کلوگ، جی. لانتالر، ام. Champin، PA; Lindström, N. JSON-LD 1.1 سریال‌سازی مبتنی بر JSON برای داده‌های پیوندی. Ph.D. پایان نامه، توصیه W3C، W3C، کمبریج، MA، ایالات متحده آمریکا، 2020. [ Google Scholar ]
  175. ویلکینسون، MD؛ دومانتیه، ام. آلبرسبرگ، آی جی; اپلتون، جی. آکستون، ام. باک، ا. بلومبرگ، ن. Boiten، JW; دا سیلوا سانتوس، LB; بورن، PE; و همکاران اصول راهنمای FAIR برای مدیریت داده های علمی و مباشرت. علمی داده 2016 ، 3 ، 1-9. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  176. هوانگ، ی. یوان، م. شنگ، ی. حداقل، X. کائو، ی. استفاده از هستی شناسی های جغرافیایی و ویژگی های جغرافیایی برای نمایش سناریوهای جغرافیایی. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 566. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  177. لو، جی. باتی، م. استروبل، جی. لین، اچ. زو، تبر; چن، ام. بازتاب ها و گمانه زنی ها در مورد پیشرفت در سیستم های اطلاعات جغرافیایی (GIS): دیدگاه جغرافیایی. بین المللی جی. جئوگر. Inf. علمی 2019 ، 33 ، 346-367. [ Google Scholar ] [ CrossRef ]
  178. Bertalanffy, LV General Systems Theory: Foundations, Development, Applications / توسط Ludwig von Bertalanffy , rev. ویرایش؛ برزیل: نیویورک، نیویورک، ایالات متحده آمریکا، 1968. [ Google Scholar ]
  179. هوراکس، آی. Patel-Schneider، PF; بولی، اچ. تابت، اس. گروسوف، بی. دین، ام. SWRL: زبان قوانین وب معنایی ترکیبی از OWL و RuleML. عضو W3C ارسال کنید. 2004 ، 21 ، 1-31. [ Google Scholar ]
  180. فوگازا، سی. منگن، اس. پپه، م. اوجیونی، ا. Carrara, P. کیت شروع RITMARE— ظرفیت سازی از پایین به بالا برای ارائه دهندگان داده های مکانی. در مجموعه مقالات نهمین کنفرانس بین المللی گرایش های پارادایم نرم افزاری (ICSOFT)، INSTICC، وین، اتریش، 29 تا 31 اوت 2014. SciTePress: Setúbal، پرتغال، 2014; جلد 1، صص 169–176. [ Google Scholar ] [ CrossRef ]
  181. فوگازا، سی. باسونی، ا. منگن، اس. اوجیونی، ا. پاوسی، ف. پپه، م. سارتا، ا. Carrara، P. RITMARE: هماهنگ سازی داده ها از نظر معنایی در تحقیقات دریایی ایتالیا. Procedia Comput. علمی 2014 ، 33 ، 261-265. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  182. تاگلیولاتو، پ. فوگازا، سی. اوجیونی، ا. Carrara, P. Semantic Profiles for Easing SensorML توضیحات: بررسی و پیشنهاد. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 340. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  183. پاوسی، ف. باسونی، ا. فوگازا، سی. منگن، اس. اوجیونی، ا. پپه، م. تاگلیولاتو، پ. Carrara, P. EDI – یک ویرایشگر فراداده مبتنی بر الگو برای داده های تحقیقاتی. JORS J. Open Res. نرم افزار 2016 ، 4 ، e40. [ Google Scholar ] [ CrossRef ]
  184. گروه کاری SPARQL. SPARQL 1.1 زبان پرس و جو. توصیه W3C 21 مارس 2013، کنسرسیوم وب جهانی. 2013. در دسترس آنلاین: https://www.w3.org/TR/sparql11-query/ (در 1 آوریل 2021 قابل دسترسی است).
  185. فوگازا، سی. پپه، م. اوجیونی، ا. تاگلیولاتو، پ. پاوسی، ف. کارارا، ص. توصیف دارایی های مکانی در وب داده ها: سناریوی مدیریت فراداده. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 229. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  186. فوگازا، سی. تاگلیولاتو، پ. فریجریو، ال. Carrara, P. Web-Scale Normalization of Geospatial Metadata بر اساس منابع داده های Semantics-Aware. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 354. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  187. فوگازا، سی. پپه، م. اوجیونی، ا. تاگلیولاتو، پ. Carrara, P. افزایش معناشناسی-آگاهی در مدیریت فراداده جغرافیایی. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 370. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  188. لفرانسوا، ام. زیمرمن، ا. Bakerally، N. یک پسوند SPARQL برای تولید RDF از فرمت های ناهمگن. در مجموعه مقالات کنفرانس وب معنایی گسترده (ESWC’17)، پورتوروژ، اسلوونی، 28 مه تا 1 ژوئن 2017. [ Google Scholar ]
  189. Prud’hommeaux, E.; هریس، اس. Seaborne, A. SPARQL 1.1 Query Language; گزارش فنی W3C. 2013. در دسترس آنلاین: https://www.w3.org/TR/sparql11-query/ (در 1 آوریل 2021 قابل دسترسی است).
  190. Lehnert, K. IGSN: International Geo Sample Number. استناد بدون ابهام به نمونه های فیزیکی. 2015. در دسترس آنلاین: https://zenodo.org/record/31788 (در 1 آوریل 2021 قابل دسترسی است).
  191. وونر، سی. پترسیل، جی. پورسانیدیس، د. کلیمنت، تی. ویلسون، ام. میرتل، م. Chrysoulakis, N. DEIMS-SDR – پورتال وب برای مستندسازی سایت های تحقیقاتی و داده های مرتبط با آنها. Ecol. به اطلاع رساندن. 2019 ، 51 ، 15-24. [ Google Scholar ] [ CrossRef ]
  192. زیلیولی، م. اوجیونی، ا. تاگلیولاتو، پ. پوگنتی، آ. Carrara, P. Feeding Essential Biodiversity Variables (EBVs): کمک های واقعی و بالقوه LTER-Italy. نات. حفظ کنید. 2019 ، 34 ، 477-503. [ Google Scholar ] [ CrossRef ]
  193. Percivall، G. OGC’s Open Standards for Geospatial Interoperability. در دایره المعارف GIS ; انتشارات بین المللی اسپرینگر: چم، سوئیس، 2017; ص 1466-1473. [ Google Scholar ] [ CrossRef ]
  194. ریچاردسون، ال. آموندسن، ام. Ruby, S. RESTful Web APIs ; O’Reilly Media, Inc.: Newton, MA, USA, 2013. [ Google Scholar ]
  195. فیلدینگ، RT REST: سبک‌های معماری و طراحی معماری‌های نرم‌افزاری مبتنی بر شبکه. Ph.D. پایان نامه، دانشگاه کالیفرنیا، ایروین، کالیفرنیا، ایالات متحده آمریکا، 2000. [ Google Scholar ]
  196. ویلکینسون، ام. وربورگ، آر. بونینو داسیلوا سانتوس، لو. کلارک، تی. سورتز، ام. کلپین، اف. گری، ا. شوتس، ای. ون مولیگن، EM; Ciccarese، P. و همکاران قابلیت همکاری و عادلانه از طریق ترکیبی جدید از فناوری های وب. کامپیوتر PeerJ. علمی 2016 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  197. ترانی، ال. اتکینسون، ام. بایلو، دی. پاسیلو، آر. Filgueira, R. ایجاد مفاهیم اصلی برای همکاری های مبتنی بر اطلاعات. ژنرال آینده. محاسبه کنید. سیستم 2018 ، 89 ، 421-437. [ Google Scholar ] [ CrossRef ]
  198. ترانی، ال. پاسیلو، آر. اسبارا، م. Ulbricht, D. نمایش مفاهیم اصلی برای علوم زمین جامد با DCAT—نمایه برنامه کاربردی EPOS-DCAT. در مجموعه مقالات کنفرانس مجمع عمومی EGU، وین، اتریش، 8 تا 13 آوریل 2018؛ پ. 9797. [ Google Scholar ]
  199. لانتالر، ام. Gütl, C. Hydra: واژگانی برای APIهای وب مبتنی بر ابررسانه. در مجموعه مقالات کارگاه WWW2013 در مورد داده های پیوندی در وب، ریودوژانیرو، برزیل، 14 مه 2013; جلد 996. [ Google Scholar ]
  200. لانوکارا، اس. فوگازا، سی. تاگلیولاتو، پ. Oggioni، A. سیستم های اطلاعاتی برای کشاورزی دقیق: محاسبه نظارت بر نقشه های نسخه. ERCIM News 2018 ، 113 ، 24–25. [ Google Scholar ]
  201. ونتورا، دی. وربورگ، آر. کاتانیا، وی. Mannens، E. ترکیب و اجرای مستقل APIهای REST برای سنسورهای هوشمند. در مجموعه مجموعه مقالات مشترک اولین کارگاه بین المللی مشترک در مورد شبکه های حسگر معنایی و Terra Cognita و چهارمین کارگاه بین المللی ترتیب و استدلال، مجموعه مقالات کارگاه CEUR، بیت لحم، PA، ایالات متحده آمریکا، 11 تا 12 اکتبر 2015. جلد 1488، ص 25-30. [ Google Scholar ]
  202. کراس، وی. چن، اس . پردازش اطلاعات فازی ; ارتباطات در علوم کامپیوتر و اطلاعات؛ فصل هستی شناسی های فازی: وضعیت هنر بازنگری شده. Springer: برلین/هایدلبرگ، آلمان، 2018. [ Google Scholar ]
  203. بوبیلو، اف. Straccia، U. منطق هستی شناسی فازی fuzzyDL. سیستم مبتنی بر دانش 2016 ، 95 ، 12-34. [ Google Scholar ] [ CrossRef ]
  204. صفیه، ب.-ب. Aicha، M. Poss-OWL 2: گسترش احتمالی OWL 2 برای یک هستی شناسی جغرافیایی نامشخص. در مجموعه مقالات هجدهمین کنفرانس بین المللی اطلاعات مبتنی بر دانش و سیستم های مهندسی هوشمند – KES2014، Gdynia، لهستان، 16-18 سپتامبر 2014. Elsevier Procedia: آمستردام، هلند، 2014; ص 407-416. [ Google Scholar ]
  205. آرتس، دی. گابورا، ال. نظریه مفاهیم و ترکیبات آنها II: بازنمایی فضایی هیلبرت. Kybernetes 2005 ، 34 ، 192-221. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  206. بوردوگنا، جی. کلیمنت، تی. فریجریو، ال. Brivio، PA; کرما، ا. استروپیانا، دی. بوشتی، ام. Sterlacchini، S. A Spatial Data Infrastructure یکپارچه سازی داده های چندمنبعی ناهمگن جغرافیایی و سری های زمانی: موردی مطالعه در کشاورزی. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 73. [ Google Scholar ] [ CrossRef ]
  207. بوردوگنا، جی. فریجریو، ال. کلیمنت، تی. بریویو، پی. هوسارد، ال. مانفرون، جی. Sterlacchini، S. ایجاد و مدیریت VGI را برای مقابله با عدم قطعیت و عدم دقت زمینه‌سازی کرد. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 234. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  208. هان، جی. فرانک، AU نقشه مناسب را بسته به زمینه در مدل فضایی هیلبرت (scop) انتخاب کنید. در سمپوزیوم بین المللی کنش متقابل کوانتومی ; یادداشت های سخنرانی در علوم کامپیوتر; Springer: برلین/هایدلبرگ، آلمان، 2013; جلد 8369. [ Google Scholar ] [ CrossRef ]
  209. اسلونگر، ک. Kurtz, B. Formal Syntax and Semantics of Programming Languages: A Laboratory Based Approach , 1st ed.; Addison-Wesley Longman Publishing Co., Inc.: Boston, MA, USA, 1995. [ Google Scholar ]
  210. میلر، جی . عدد جادویی هفت، به علاوه یا منهای دو: برخی محدودیت‌ها در ظرفیت ما برای پردازش اطلاعات . بابز-مریل بازنشر سری در علوم اجتماعی. P-241، بخش کالج شرکت بابز-مریل: ایندیاناپولیس، IN، ایالات متحده آمریکا، 1975. [ Google Scholar ]
Ijgi 10 00330 g001 550
شکل 1. تصویری از گردش کار دنبال شده است.
Ijgi 10 00330 g002 550
شکل 2. نمودار اتصال کلمات کلیدی در geosemantics ( راست ) و دسته بندی آنها ( سمت چپ )، همانطور که در بررسی های در نظر گرفته شده یافت می شود.
Ijgi 10 00330 g003 550
شکل 3. مطالعات موردی و کلیدواژه هایی که فعالیت ها و فناوری های اصلی آنها را نشان می دهد.
Ijgi 10 00330 g004 550
شکل 4. شباهت جاکارد بین موارد مطالعه به صورت مجموعه های فازی کلمات کلیدی نشان داده شده است.
Ijgi 10 00330 g005 550
شکل 5. مقایسه بین گروه بندی کلمات کلیدی در شکل 2 (در سمت راست) و گروه بندی ناشی از سه شکل زمین شناسی (از طریق مطالعات موردی) قدرت تمایز بیشتر آنها را آشکار می کند.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید