1. مقدمه

اصطلاح هوش مصنوعی زمین مکانی (GeoAI) کاملاً دست و پا گیر است و هیچ تعریف واحد و مشترکی ندارد.
یک تعریف اولیه و محدود، GeoAI را به عنوان کاربرد ابزارهای یادگیری ماشین در زمینه سیستم‌های اطلاعات جغرافیایی (GIS) به منظور شبیه‌سازی سناریوهای آینده از طریق طبقه‌بندی داده‌ها و تحلیل پیش‌بینی هوشمند با توجه به چندین رویداد و پدیده، مانند وقوع بلایا، اپیدمیولوژی سلامت انسان، و تکامل اکوسیستم ها و تنوع زیستی، که به نوبه خود، به منظور پاسخ به جوامع و حمایت از انعطاف پذیری جامعه با پردازش انواع سنتی اطلاعات جغرافیایی ارائه شده در کارتوگرافی دیجیتال انجام می شود [ 1 ].
تعریف گسترده‌تر دیگری، GeoAI را پردازش داده‌های بزرگ جغرافیایی (GBD) از اشکال و منابع ناهمگن، شامل نقشه‌برداری دیجیتال سنتی مدیریت شده توسط GIS، داده‌های چند بعدی مبتنی بر سنجش از دور شامل تصاویر و سری‌های زمانی تصویر، ارجاع جغرافیایی بدون ساختار و نیمه‌ساختار یافته می‌داند. متون و پایگاه‌های اطلاعاتی پیچیده جغرافیایی، با تمرکز بر بعد جغرافیایی [ 2 ].
بنابراین، کاربرد تکنیک‌هایی از هوش مصنوعی و علم داده به GBD، از طریق بهره‌برداری از پلتفرم‌های محاسباتی با عملکرد بالا، به منظور درک پدیده‌های طبیعی و اجتماعی در GeoAI ادغام می‌شوند.
یک تعریف کلی GeoAI را به عنوان استفاده از روش‌های هوش مصنوعی، از جمله یادگیری ماشینی و یادگیری عمیق، برای تولید دانش از طریق تجزیه و تحلیل داده‌های مکانی و تصاویر توصیف می‌کند [ 3 ]. از این نظر، GeoAI به عنوان یک چارچوب تحلیلی فضایی نوظهور برای علم اطلاعات جغرافیایی فشرده داده در نظر گرفته می‌شود، که با بهره‌برداری از هر دو ردپای دیجیتالی که افراد در تعامل با اینترنت اشیاء و اینترنت به جا می‌گذارند، حس محیطی و به اصطلاح «حس اجتماعی» را تسهیل می‌کند. محتوای دیجیتال تولید شده توسط کاربر ایجاد شده در شبکه های اجتماعی برای درک پویایی های مربوط به الگوهای تحرک انسانی و پدیده های اجتماعی.
علاوه بر این، ویژگی ها و اهمیت بعد جغرافیایی؛ ناهمگونی آن از نظر مفهوم سازی بر اساس «مکان» یا «فضا». فرمت های متنوع اطلاعات مکانی؛ مقیاس های مختلف؛ نیاز به نمایش ژئومانتیک متمایز، به عنوان مثال، معناشناسی مکان ها. و نیازهای مختلف تحلیل دیکته شده توسط اهداف برنامه ها، که اغلب مستلزم استدلال مکانی و زمانی است، چالش ها و فرصت های جدیدی را با توجه به هوش مصنوعی ایجاد می کند.
موضوعات تحقیقاتی کنونی شامل چند رزولوشن و ترکیب GBD چند منبعی است. خلاصه سازی چند مقیاسی اطلاعات برای بهبود کیفیت GBD. چند منبعی، ادغام ناهمگن GBD برای استفاده مجدد از داده. و آزمایش در یادگیری عمیق برای تصاویر سنجش از دور چند طیفی، مانند CNN، RCNN، LSTM و GAN که عموماً برای تصاویر RGB استفاده می‌شوند، اعمال می‌شود. در نهایت، GeoAI باید شکاف بین فناوری‌های غیرشفاف، مانند یادگیری عمیق، که عموماً به عنوان جعبه سیاه در نظر گرفته می‌شوند، و رویکردهای سنتی و شفاف‌تر یادگیری ماشینی برای مدیریت دانش، مانند درخت‌های تصمیم، پر کند. KNN; الگوریتم های خوشه بندی؛ داده کاوی؛ محاسبات نرم، از جمله الگوریتم های ژنتیک و منطق فازی؛ رویکردهای گروهی؛ و بازنمایی و تحلیل معنایی.
انگیزه ما برای سازماندهی این شماره ویژه از مشاهده تعداد فزاینده مقالات دانشگاهی متمرکز بر کاربرد GeoAI و ارزیابی پتانسیل آن برای تجزیه و تحلیل تغییرات و رویدادهای طبیعی، محیطی، انسانی و اجتماعی ناشی شد.
با این وجود، مسائل ویژه منتشر شده در تاریخ عرضه پیشنهاد ما عمدتاً GeoAI را به معنای دقیق تصور می‌کردند، و نه در دیدگاه گسترده‌تری که قبلاً در این شماره ویژه به آن پرداختیم، که در آن از رویکردهایی که GBD چند منبعی و ناهمگن را ادغام می‌کردند استقبال کردیم.
این شماره ویژه در مجموع 20 مقاله ارسال شده دریافت کرده است. از این تعداد 10 مقاله پذیرفته شده است.
وابستگی نویسندگان مربوط به کشورهای زیر است: ایتالیا، مصر، امارات متحده عربی، کره جنوبی، ترکیه، قزاقستان، چین و ایالات متحده.
مشارکت ها را می توان در سه موضوع اصلی دسته بندی کرد:
(1) سنجش اجتماعی از طریق استخراج محتوا و ردپای دارای برچسب جغرافیایی، تولید شده توسط کاربر در قالب داده های متنی نیمه ساختاریافته یا عکس.
(2) پایش و تجزیه و تحلیل محیطی با استفاده از داده های زمانی مکانی سنجش از دور.
(3) رویکردهای روش‌شناختی برای یکپارچه‌سازی، استخراج، نمایش، و تفسیر داده‌های چندمنبعی و چند بعدی مکانی-زمانی.

2. GeoAI برای استخراج محتوای دارای برچسب جغرافیایی، محتوای تولید شده توسط کاربر و ردیابی

در این بخش، توضیحاتی از رویکردهای اصلی ایجاد شده برای طبقه‌بندی و استخراج محتوا و ردیابی‌های دارای برچسب جغرافیایی که توسط کاربران شبکه‌های اجتماعی به صورت هدفمند یا ناآگاهانه ایجاد شده‌اند را در نظر می‌گیریم:
(من)
” کاوش احساسات مکانی-زمانی رسانه های اجتماعی عربی COVID-19 ” توسط تارک الساکا و همکاران. [ 4] مقاله بسیار جالبی است که چندین تکنیک هوش مصنوعی را برای استفاده از NLP و GeoAI برای استخراج مجموعه داده‌های بزرگ موجود که به طور ضمنی از رسانه‌های اجتماعی به زبان عربی برچسب‌گذاری شده‌اند، ترکیب می‌کند. هدف این مطالعه درک واکنش مردم به همه‌گیری COVID-19 است. آنها ابتدا تکنیکی را برای استنباط اطلاعات مکانی از توییت های عربی بدون برچسب جغرافیایی با انجام تجزیه و تحلیل جغرافیایی و کدگذاری جغرافیایی توسعه دادند. ثانیا، آنها یک مکانیسم تجزیه و تحلیل احساسات را طراحی کردند که در وضوح‌های مکانی مختلف (مناطق/کشورها) و در سطوح انتزاع موضوع جداگانه (موضوعات فرعی و موضوعات اصلی) اعمال می‌شود. علاوه بر این، یک تحلیل مبتنی بر همبستگی از توییت‌های عربی و داده‌های رسمی ارائه‌دهندگان بهداشت ارائه شد. در آزمایش های انجام شده، نتایج در زمینه ترکیبی از داده‌های سوابق رسمی سلامت و داده‌های قفل در سراسر جهان مشاهده شد، که نشان داد روش آن‌ها قادر به تعیین مکان توییت‌ها بود به طوری که درصد کل توییت‌های فعال موقعیت مکانی از 2٪ به 46 افزایش یافت. % (حدود 2.5 میلیون توییت). علاوه بر این، یک همبستگی مثبت بین مهمترین موضوعات مانند قرنطینه و واکسن و موارد جدید COVID-19 نیز گزارش شده است. علاوه بر این، احساسات منفی کاربران عرب توییتر در طول همه‌گیری نیز مورد تجزیه و تحلیل قرار گرفت که عموماً شامل موضوعات مربوط به قرنطینه، تعطیلی و اجرای قانون بود، بنابراین نشان می‌داد که چگونه رسانه‌های اجتماعی ابزار مفید و مؤثری برای «احساس اجتماعی» هستند. که نشان داد روش آنها قادر به تعیین مکان توییت ها بود به طوری که درصد کل توییت های فعال موقعیت مکانی از 2٪ به 46٪ (حدود 2.5 میلیون توییت) افزایش یافت. علاوه بر این، یک همبستگی مثبت بین مهمترین موضوعات مانند قرنطینه و واکسن و موارد جدید COVID-19 نیز گزارش شده است. علاوه بر این، احساسات منفی کاربران عرب توییتر در طول همه‌گیری نیز مورد تجزیه و تحلیل قرار گرفت که عموماً شامل موضوعات مربوط به قرنطینه، تعطیلی و اجرای قانون بود، بنابراین نشان می‌داد که چگونه رسانه‌های اجتماعی ابزار مفید و مؤثری برای «احساس اجتماعی» هستند. که نشان داد روش آنها قادر به تعیین مکان توییت ها بود به طوری که درصد کل توییت های فعال موقعیت مکانی از 2٪ به 46٪ (حدود 2.5 میلیون توییت) افزایش یافت. علاوه بر این، یک همبستگی مثبت بین مهمترین موضوعات مانند قرنطینه و واکسن و موارد جدید COVID-19 نیز گزارش شده است. علاوه بر این، احساسات منفی کاربران عرب توییتر در طول همه‌گیری نیز مورد تجزیه و تحلیل قرار گرفت که عموماً شامل موضوعات مربوط به قرنطینه، تعطیلی و اجرای قانون بود، بنابراین نشان می‌داد که چگونه رسانه‌های اجتماعی ابزار مفید و مؤثری برای «احساس اجتماعی» هستند.
(II)
« طبقه‌بندی خودکار عکس‌ها بر اساس جاذبه‌های توریستی با استفاده از مدل یادگیری عمیق و خوشه‌بندی ویژگی تصویری » توسط Jiyeon Kim و Youngok Kang [ 5] نمونه دیگری از یک برنامه کاربردی حسگر اجتماعی است که در آن عکس های ایجاد شده در رسانه های اجتماعی به عنوان نمایشی از ترجیحات بصری گردشگران برای یک جاذبه خاص در نظر گرفته می شود. بنابراین، این مقاله روشی را برای طبقه‌بندی خودکار عکس‌های توریستی بر اساس جاذبه‌های گردشگری پیشنهاد می‌کند. بر این اساس، از روش‌های یادگیری عمیق و خوشه‌بندی بردار ویژگی تصویر برای شناسایی خوشه‌های عکس‌های مرتبط با جاذبه‌ها استفاده می‌کند. نویسندگان آزمایش‌هایی را با جمع‌آوری مجموعه‌ای از عکس‌های پیوست شده به نظرات ارسال‌شده توسط گردشگران خارجی در TripAdvisor انجام دادند. مزیت این پیشنهاد این است که نیازی به ایجاد یک دسته بندی از قبل ندارد. علاوه بر این، قادر به استخراج دسته‌بندی‌های انعطاف‌پذیر برای هر مقصد گردشگری و بهبود عملکرد طبقه‌بندی حتی با حجم داده‌های نسبتاً کم است.
(iii)
«تشخیص افراد در خیابان و محیط فیزیکی منظره خیابان از تصاویر نمای خیابان بایدو و تأثیرات آنها بر جنایات خیابانی در سطح جامعه در یک شهر چینی» توسط هان یو و همکاران. [ 6] نمونه دیگری از یک اپلیکیشن سنجش اجتماعی است که در این مورد برای ارزیابی جرایم خیابانی از طریق ردپایی که کاربران بایدو ناآگاهانه به جا گذاشته اند استفاده می شود. این مطالعه اولین مطالعه‌ای است که تصاویر نمای خیابان (نمای خیابان بایدو)، الگوریتم‌های یادگیری عمیق و مدل‌های رگرسیون آماری فضایی را برای بازیابی تعداد افراد در یک خیابان معین و ویژگی‌های محیط بصری منظره خیابان برای درک جنایات خیابانی ترکیب می‌کند. در نهایت، این مطالعه با ترکیب خروجی‌های دو شبکه یادگیری عمیق، اندازه‌گیری کمی افراد در یک خیابان معین و مجموعه‌ای از ویژگی‌های منظره خیابان را که تأثیرات بالقوه‌ای بر جرم دارند، تعیین می‌کند. به طور خاص، آنها دریافتند که تعداد افراد در خیابان تأثیر مثبت قابل توجهی بر ارزیابی کل جرایم خیابانی دارد.

3. داده های مکانی-زمانی سنجش از دور برای پایش محیطی

این بخش سه مقاله را گروه‌بندی می‌کند که رویکردهای جدیدی را برای کاربرد روش‌های GeoAI برای تفسیر داده‌های مکانی-زمانی سنجش از دور، که از LiDAR یا از حسگرهای ماهواره‌ها به دست آمده‌اند، ارائه می‌کند. آنها طیف وسیعی از تکنیک‌های یادگیری ماشینی و یادگیری عمیق را برای کاربردها و وظایف محیطی متمایز به کار می‌برند و دقت نتایج را با اجرای آزمایش‌ها بر روی داده‌های واقعی ارزیابی می‌کنند:
(IV)
” استفاده از الگوریتم های یادگیری ماشین در طبقه بندی گونه های درختان شهری ” توسط زهرا چتین و ناچی یاستیکلی [ 7 ]] داده های LiDAR را با هدف شناسایی گونه های درخت شهری در شهرها تجزیه و تحلیل می کند. این یک هدف مهم برای برنامه ریزی شهرهای هوشمند پایدار است، زیرا آگاهی از مکان گونه های درختی در یک منطقه شهری تخمین پارامترهایی مانند کیفیت هوا، آب و زمین را تسهیل می کند. کاهش انباشت کربن؛ کاهش اثرات جزیره گرمایی شهری؛ و حفظ تعادل آب و خاک سیستم های LiDAR یک جایگزین مقرون به صرفه برای روش های سنتی شناسایی گونه های درختی بر اساس بررسی های میدانی و تفسیر عکس های هوایی هستند. بنابراین، استفاده از آنها همچنین یک برنامه اصلی برای این نوع GBD است. هدف از این کار ارزیابی استفاده از الگوریتم‌های یادگیری ماشین برای طبقه‌بندی گونه‌های درختان برگ‌ریز (پهن‌برگ) و مخروطی‌ها از داده‌های سه بعدی خام LiDAR در سایت مورد مطالعه بود، به عنوان مثال، پردیس داووتپاشا دانشگاه فنی یلدیز، استانبول، ترکیه. برای این منظور، در مجموع 25 ویژگی مبتنی بر فضای و شدت توسط سه طبقه‌بندی کننده یادگیری ماشین – ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF) و پرسپترون چند لایه (MLP) – برای تمایز برگ‌ریزان و گونه های درختان سوزنی برگ در منطقه مورد مطالعه. نتایج ارزیابی مقایسه شده نشان داد که الگوریتم‌های SVM و RF عموماً نتایج طبقه‌بندی بهتری نسبت به الگوریتم MLP برای کار هدف بر اساس داده‌های آموزشی موجود ارائه می‌دهند. و پرسپترون چند لایه (MLP) – برای تشخیص گونه های درختان برگریز و سوزنی برگ در منطقه مورد مطالعه. نتایج ارزیابی مقایسه شده نشان داد که الگوریتم‌های SVM و RF عموماً نتایج طبقه‌بندی بهتری نسبت به الگوریتم MLP برای کار هدف بر اساس داده‌های آموزشی موجود ارائه می‌دهند. و پرسپترون چند لایه (MLP) – برای تشخیص گونه های درختان برگریز و سوزنی برگ در منطقه مورد مطالعه. نتایج ارزیابی مقایسه شده نشان داد که الگوریتم‌های SVM و RF عموماً نتایج طبقه‌بندی بهتری نسبت به الگوریتم MLP برای کار هدف بر اساس داده‌های آموزشی موجود ارائه می‌دهند.
(v)
” شبکه ترانسفورماتور چند رزولوشن برای ساختمان و قطعه بندی جاده تصویر سنجش از دور ” توسط Zhongyu Sun و همکاران. [ 8] جزئیات استخراج ساختمان‌ها و جاده‌ها توسط نویسندگان را از تصاویر سنجش از دور برای نظارت بر پوشش زمین و شناسایی مصرف خاک، که کمک بزرگی در برنامه‌ریزی شهری هستند، شرح می‌دهد. در حال حاضر الگوریتم های یادگیری عمیق عمدتاً برای استخراج ساختمان و جاده استفاده می شوند. با این حال، برای بخش‌بندی معنایی، این روش‌ها با توجه به میدان دریافتی تصاویر سنجش از دور با وضوح بالا محدود می‌شوند. بنابراین، ویژگی های تصویر باید با نمونه برداری پایین فشرده شوند تا از دست رفتن اطلاعات دقیق مشخص شود. به منظور پرداختن به این موضوع و در عین حال اجتناب از نمونه‌برداری پایین، این مقاله یک معماری یادگیری عمیق جدید، شبکه استخراج معنایی ترکیبی با وضوح چندگانه و ترانسفورماتور (HMRT) را پیشنهاد می‌کند، که اطلاعات چند وضوح را ذخیره می‌کند تا توانایی درک یک صحنه را بهبود بخشد.
(vi)
“RepDarkNet: یک آشکارساز چند شاخه برای تشخیص اهداف کوچک در تصاویر سنجش از دور” توسط لیمینگ ژو و همکاران. [ 9 ] به مشکل تشخیص اهداف کوچک در تصاویر سنجش از راه دور، که اغلب توسط سایه ها مسدود می شوند، می پردازد. برای رفع این نقص در تشخیص اهداف، آنها یک شبکه استخراج ویژگی ستون فقرات به نام “RepDarkNet” را پیشنهاد می کنند که به طور قابل توجهی دقت کلی شبکه را بهبود می بخشد، تقریباً بدون افزایش زمان استنتاج با توجه به رویکرد خط پایه. علاوه بر این، آنها یک آشکارساز چند لایه ای را پیشنهاد می کنند که توانایی شبکه را برای شناسایی اهداف کوچک به طور قابل توجهی بهبود می بخشد.
(vii)
“تقسیم بندی ابر و برف در تصاویر ماهواره ای با استفاده از یک رمزگذار-رمزگشا شبکه های عصبی پیچیده عمیق” توسط کای ژنگ و همکاران. [ 10] تقسیم بندی ابر و برف تصاویر ماهواره ای را شرح می دهد. آنها یک روش تقسیم‌بندی ابر و برف را بر اساس یک شبکه عصبی کانولوشنال عمیق (DCNN) با معماری رمزگذار-رمزگشای پیشرفته پیشنهاد می‌کنند. آزمایش های مقایسه ای نشان می دهد که روش پیشنهادی نسبت به روش های پایه برتری دارد. علاوه بر این، یک مجموعه داده با برچسب ناهموار حاوی بیش از 20000 تصویر و داده های با برچسب دقیق متشکل از 310 تصویر ماهواره ای ایجاد شده است که با آن رابطه بین کیفیت و کمیت برچسب های داده های آموزشی و عملکرد تقسیم بندی ابر و برف را بررسی کردند. . از طریق آزمایش‌هایی روی یک شبکه با مجموعه داده‌های مختلف، آنها دریافتند که عملکرد تقسیم‌بندی ابر و برف بیشتر به کمیت برچسب‌ها مرتبط است تا کیفیت آنها. یعنی، تحت همان برچسب مصرف،

4. رویکردهای روش شناختی برای برخورد با داده های چند منبعی و چند بعدی عددی و الفبایی مکانی- زمانی

این بخش رویکردهایی را در نظر می‌گیرد که تمرکز آنها در درجه اول بر روی روش‌های یکپارچه‌سازی، مدیریت، پرس و جو، و استخراج داده‌های مکانی-زمانی چندبعدی و عددی و الفبایی است. توجه ویژه ای به تناقضات ذاتی و عدم قطعیت اطلاعات زمانی مکانی می شود:
(viii)
” ادغام نرم مجموعه داده های برچسب گذاری شده جغرافیایی در J-CO-QL + ” توسط پائولو فوسی و جوزپه پسایلا [ 11] نیاز به یکپارچه‌سازی مجموعه‌های داده ناهمگن متمایز مربوط به مکان‌های عمومی واقع در زمین را که توسط برنامه‌های کاربردی وب، شبکه‌های اجتماعی، پلتفرم‌های توصیه و موارد مشابه با استفاده از قالب JSON بدون طرح ایجاد شده‌اند، برطرف می‌کند. برای بهره‌برداری از اطلاعات تکمیلی و اضافی در چنین مجموعه‌های داده چندمنبعی و استفاده مجدد از آن برای اهداف خود، تحلیلگران معمولاً نیاز به انجام وظایف پیچیده و طولانی پیش پردازش از جمله تبدیل داده‌ها، همگن‌سازی و پاک‌سازی داده‌ها و همچنین فعالیت‌های آموزشی دارند که نیاز به خسته‌کننده و گسترده دارند. برچسب گذاری داده ها برای انجام یکپارچه سازی از ابتدا، با اجتناب از این فعالیت های سنگین، این مقاله روشی را بر اساس چارچوب یکپارچه سازی نرم تعریف شده در مجموعه های محاسباتی نرم و فازی پیشنهاد می کند. چارچوب پیشنهادی، که یک ابزار مستقل است که برای پردازش مجموعه داده‌های JSON ذخیره شده در فروشگاه‌های اسناد JSON مجزا ابداع شده است، محققان را قادر می‌سازد تا با ارائه قابلیت انتخاب، دستکاری و ادغام اشیاء JSON با ساختارهای متمایز، پرس‌وجو و تبدیل مجموعه‌های داده ناهمگن متعدد را انجام دهند. . سهولت استفاده، اثربخشی و کارایی این تکنیک یکپارچه سازی نرم با داده های واقعی نشان داده شده است.
(ix)
” مدل سازی و جستجوی چارچوب مبتنی بر SOLAP فازی ” توسط Sinan Keskin و Adnan Yazıcı [ 12] نیاز به تجزیه و تحلیل GBD تولید شده توسط حسگرها را با در نظر گرفتن عدم قطعیت و ابهام ذاتی در برنامه های کاربردی پایگاه داده مکانی-زمانی نشان می دهد. پردازش تحلیلی آنلاین فضایی (SOLAP) ساختارهای داده مناسبی را فراهم می کند و از پرس و جو از داده های زمانی مکانی چند بعدی عددی و الفبایی پشتیبانی می کند. با این وجود، این تکنیک از نظر توانایی آن در مدیریت عدم قطعیت و ابهام محدود است. بنابراین، این مقاله FSOLAP را پیشنهاد می‌کند که یک چارچوب جدید مبتنی بر فناوری‌های منطق فازی و SOLAP است. این مطالعه از معیارهای واضح به عنوان ورودی برای این چارچوب استفاده می کند و عملیات فازی را برای به دست آوردن توابع عضویت و کلاس های فازی اعمال می کند. سپس، قوانین تداعی فازی را ایجاد می کند. بنابراین، FSOLAP به مجموعه های از پیش تعریف شده ورودی های فازی نیاز ندارد. این رویکرد برای رسیدگی به پرس و جوهای فضایی غیر فضایی و فازی اعمال می شود. و همچنین انواع پرس و جو فازی مکانی-زمانی. علاوه بر این، FSOLAP نه تنها برای پرس و جو و تجزیه و تحلیل داده های تاریخی استفاده می شود، بلکه برای رسیدگی به پرس و جوهای فازی فازی پیش بینی کننده، که معمولاً به مکانیزم استنتاج نیاز دارند، استفاده می شود.
(ایکس)
” معناشناسی ضمنی، رسمی و قدرتمند در اطلاعات جغرافیایی ” توسط نویسندگان این مقاله و همکاران ما پائولو تاگلیولاتو آکواویوا دآراگونا و پائولا کارارا [ 13] به نیاز به شناسایی روش‌ها و چارچوب‌های مناسب برای بازنمایی و استخراج GBD بسته به ژئومانتیک آن‌ها – که طبقه‌بندی آن اغلب نامشخص است، می‌پردازد. یک بررسی فرامرحله ای از وضعیت هنر در زمین شناسی برای مشخص کردن “کلمات کلیدی” مرتبط انجام می شود که مفاهیم، ​​چالش ها، روش ها و فناوری های کلیدی حوزه را نشان می دهد. سپس، مطالعات موردی واقعی که با اطلاعات جغرافیایی سروکار دارند، ابتدا بر اساس سه شکل معناشناسی طبقه‌بندی می‌شوند که بسته به نوع داده‌های ورودی که استفاده می‌کنند، به‌عنوان ضمنی، رسمی و قدرتمند (یعنی نرم) تعریف می‌شوند. در نتیجه، آنها به طور متوالی با کلمات کلیدی مرتبط شناسایی شده قبلی برای حوزه زمین‌شناسی مرتبط هستند. سرانجام، شباهت‌های بین هر جفت مطالعه موردی تحلیل‌شده در فضای کلیدواژه‌ها به منظور تعیین اینکه آیا متدولوژی‌ها، تکنیک‌ها و چالش‌های متمایز را می‌توان به سه دسته مجزای ضمنی، رسمی و قدرتمند مرتبط دانست، محاسبه می‌شود. نتایج تجزیه و تحلیل، روش‌ها و فناوری‌هایی را شناسایی کرد که برای مدل‌سازی و پردازش اشکال خاص زمین‌مانتیک که به دسته‌های ضمنی، رسمی و صریح طبقه‌بندی می‌شوند، مناسب‌تر هستند.

5. نتیجه گیری ها

مشارکت‌های منتشر شده در این شماره ویژه مجموعه‌ای از تکنیک‌ها و رویکردهای مورد استفاده برای مقابله با GBD‌ها با استفاده از انواع روش‌های GeoAI را ارائه می‌دهد. رویکردها با توجه به اهداف مطالعات آنها، که شامل حس اجتماعی و محیطی، و همچنین با توجه به نوع منابع، ژانر و قالب‌های GBD است، متفاوت است. در حالی که داده‌های سنجش از راه دور از ماهواره‌ها و حسگرها عمدتاً برای کاربردهای محیطی استفاده می‌شوند، داده‌های جغرافیایی مرجع رسانه‌های اجتماعی، هم متنی و هم تصویری، عمدتاً برای برنامه‌های اجتماعی استفاده می‌شوند. در هر دو حوزه، یک روند کنونی استفاده از روش‌های یادگیری عمیق و مقایسه نتایج به‌دست‌آمده با خطوط پایه یا با الگوریتم‌های یادگیری ماشین سنتی‌تر است.
علاوه بر روش‌های یادگیری عمیق جریان اصلی، برخی از روش‌های باکینگ نیز توسط برخی از مقالات پیشنهاد شده‌اند، مانند استفاده از الگوریتم‌های یادگیری ماشین شفاف بر اساس محاسبات نرم و منطق فازی. انگیزه این امر نیاز به تحلیلگر برای کنترل بیشتر بر فرآیند خودکار به منظور درک پدیده و توضیح آن برای ذینفعان بود.
برخی از پیشنهادات روش‌شناختی نیاز به مقابله با چالش‌های جدید را با توجه به مدیریت GBD، از جمله نیاز به ابزارهای جدید برای ادغام و تبدیل GBD چند منبعی و همچنین مدیریت عدم قطعیت و عدم دقت، تشریح کردند. در نهایت، از یک بررسی فرامرحله‌ای از رویکردها، یک سنتز به منظور تشریح مناسب‌ترین روش‌های GeoAI برای مدیریت GBD بسته به ژئومانتیک آن‌ها پیشنهاد می‌شود.
ما همچنین می‌دانیم که مشارکت‌های جمع‌آوری‌شده و موضوعات آن‌ها به طور کامل همه چالش‌های مربوط به GeoAI را پوشش نمی‌دهند. به عنوان مثال، دیگر موضوعات چالش برانگیز GeoAI مربوط به راه‌حل‌های مکانی-زمانی و موضوعی است که مستلزم توانایی پاسخگویی به سؤالات کاربر در مورد بازیابی اطلاعات مرتبط از GBD ناهمگن و چندمنبعی است، بنابراین نیازهای کاربر مربوط به مناطق جغرافیایی خاص و به یک منطقه خاص را برآورده می‌کند. محدوده زمانی مورد نظر، مانند “یک رستوران پیتزای معروف در نزدیکی ایستگاه راه آهن میلانو که دوشنبه عصر باز است” پیدا کنید. موضوع دیگر در دیدگاه مربوط به تکرارپذیری و تکرارپذیری آزمایش‌ها، نیاز به مجموعه‌های معیار GBD با کیفیت بالا و برچسب‌گذاری‌شده است که به‌طور رایگان در دسترس هستند و به جامعه پژوهشی امکان مقایسه روش‌های پیشنهادی را می‌دهند.2 ].
در نهایت، ما معتقدیم که هنوز در مراحل اولیه یکپارچه سازی و تجزیه و تحلیل GBD چند منبعی و چندوجهی با استفاده از روش های GeoAI، از جمله فایل های صوتی و صوتی دارای برچسب جغرافیایی، تصاویر سنجش از راه دور و محصولات مشتق شده از آنها، و حاشیه نویسی های متن دارای برچسب جغرافیایی، که به عنوان طبیعی جمع آوری شده اند، هستیم. و مشاهدات محیطی در بسیاری از پروژه های علمی شهروندی. استفاده از روش‌های GeoAI مبتنی بر نمایش‌های تعبیه‌شده ممکن است یک جهش کوانتومی در ادغام چندوجهی GBD باشد.

منابع

  1. GeoAI چیست؟ در دسترس آنلاین: https://ecce.esri.ca/mac-blog/2018/04/23/what-is-geoai/ (دسترسی در 10 نوامبر 2022).
  2. یانوویچ، ک. گائو، اس. مک کنزی، جی. هو، ی. Bhaduri، B. GeoAI: تکنیک‌های هوش مصنوعی صریح فضایی برای کشف دانش جغرافیایی و فراتر از آن. بین المللی جی. جئوگر. Inf. علمی 2019 ، 34 ، 625-636. [ Google Scholar ] [ CrossRef ]
  3. هرناندز، L. ELISE Webianar: GeoAI—ارائه: داده‌های مکانی و هوش مصنوعی—یک فرو رفتن عمیق در GeoAI. 2020. در دسترس آنلاین: https://joinup.ec.europa.eu/collection/elise-european-location-interoperability-solutions-e-government/document/presentation-geospatial-data-and-artificial-intelligence-deep-dive -geoai (دسترسی در 10 نوامبر 2022).
  4. الساکا، تی. افیونی، من. هاشم، من. الاقباری، ز. استخراج احساسات مکانی-زمانی رسانه های اجتماعی عربی COVID-19. ISPRS Int. J. Geo-Inf. 2022 ، 11 ، 476. [ Google Scholar ] [ CrossRef ]
  5. کیم، جی. Kang, Y. طبقه‌بندی خودکار عکس‌ها بر اساس جاذبه‌های گردشگری با استفاده از مدل یادگیری عمیق و خوشه‌بندی بردار ویژگی تصویر. ISPRS Int. J. Geo-Inf. 2022 ، 11 ، 245. [ Google Scholar ] [ CrossRef ]
  6. یو، اچ. زی، اچ. لیو، ال. چن، جی. شناسایی افراد در خیابان و محیط فیزیکی منظره خیابان از تصاویر نمای خیابان بایدو و تأثیر آنها بر جنایات خیابانی در سطح جامعه در یک شهر چینی. ISPRS Int. J. Geo-Inf. 2022 ، 11 ، 151. [ Google Scholar ] [ CrossRef ]
  7. سیتین، ز. Yastikli، N. استفاده از الگوریتم های یادگیری ماشین در طبقه بندی گونه های درخت شهری. ISPRS Int. J. Geo-Inf. 2022 ، 11 ، 226. [ Google Scholar ] [ CrossRef ]
  8. سان، ز. ژو، دبلیو. دینگ، سی. Xia, M. شبکه ترانسفورماتور با وضوح چندگانه برای بخش بندی ساختمان و جاده تصویر سنجش از دور. ISPRS Int. J. Geo-Inf. 2022 ، 11 ، 165. [ Google Scholar ] [ CrossRef ]
  9. ژو، ال. ژنگ، سی. یان، اچ. زو، ایکس. لیو، ی. کیائو، بی. Yang, Y. RepDarkNet: یک آشکارساز چند شاخه برای تشخیص اهداف کوچک در تصاویر سنجش از دور. ISPRS Int. J. Geo-Inf. 2022 ، 11 ، 158. [ Google Scholar ] [ CrossRef ]
  10. ژنگ، ک. لی، جی. دینگ، ال. یانگ، جی. ژانگ، ایکس. Zhang، X. تقسیم‌بندی ابر و برف در تصاویر ماهواره‌ای با استفاده از رمزگذار-رمزگشا شبکه‌های عصبی پیچیده عمیق. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 462. [ Google Scholar ] [ CrossRef ]
  11. فوسی، پی. Psaila، G. یکپارچه سازی نرم مجموعه داده های برچسب گذاری شده جغرافیایی در J-CO-QL + . ISPRS Int. J. Geo-Inf. 2022 ، 11 ، 484. [ Google Scholar ] [ CrossRef ]
  12. کسکین، اس. Yazıcı, A. مدلسازی و پرس و جوی چارچوب مبتنی بر SOLAP فازی. ISPRS Int. J. Geo-Inf. 2022 ، 11 ، 191. [ Google Scholar ] [ CrossRef ]
  13. بوردوگنا، جی. فوگازا، سی. D’Aragona، PTA; Carrara، P. معناشناسی ضمنی، رسمی و قدرتمند در اطلاعات جغرافیایی. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 330. [ Google Scholar ] [ CrossRef ]

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید