بسیاری از مطالعات قبلی نشان داده‌اند که فناوری‌های منبع باز به دموکراتیک کردن اطلاعات و تقویت همکاری‌ها برای مقابله با چالش‌های فیزیکی و اجتماعی جهانی کمک می‌کنند. شیوع ویروس جدید کرونا چالش‌های بی‌سابقه‌ای را به جامعه بشری تحمیل کرده است. این امر بر هر جنبه ای از معیشت از جمله بهداشت، محیط زیست، حمل و نقل و اقتصاد تأثیر می گذارد. فن‌آوری‌های منبع باز پرتو جدیدی از امید را برای مقابله مشترک با همه‌گیری فراهم می‌کنند. نقش منبع باز به اشتراک گذاری کد منبع محدود نمی شود. پروژه‌های منبع باز را می‌توان به عنوان یک رویکرد توسعه نرم‌افزار برای تشویق همکاری بین محققان اتخاذ کرد. همکاری باز تأثیر مثبتی در جامعه ایجاد می کند و به مبارزه موثر با همه گیری کمک می کند. فناوری منبع باز ادغام شده با اطلاعات مکانی به تصمیم گیرندگان اجازه می دهد تا تصمیمات استراتژیک و آگاهانه بگیرند. همچنین به آنها در تعیین نوع مداخله مورد نیاز بر اساس اطلاعات مکانی کمک می کند. تازگی این مقاله استاندارد کردن گردش کار منبع باز برای تحقیقات فضایی و زمانی است. نکات برجسته گردش کار منبع باز شامل به اشتراک گذاری داده ها، ابزارهای تحلیلی، برنامه های کاربردی مکانی-زمانی و نتایج و رسمی کردن توسعه نرم افزار منبع باز است. گردش کار شامل (i) توسعه برنامه های کاربردی فضایی-زمانی منبع باز، (2) باز کردن و به اشتراک گذاری منابع مکانی-زمانی، و (iii) تکرار تحقیق به صورت پلاگین و بازی است. داده های باز، ابزارهای تحلیلی باز و کد منبع، و نتایج در دسترس عموم، پایه و اساس این گردش کار را تشکیل می دهند. این مقاله همچنین یک مطالعه موردی با توسعه برنامه کاربردی مکانی-زمانی منبع باز برای تجزیه و تحلیل کیفیت هوا در کالیفرنیا، ایالات متحده ارائه می‌کند. علاوه بر توسعه برنامه، ما داده‌های مکانی-زمانی، کد منبع و یافته‌های تحقیقاتی را از طریق مخزن GitHub به اشتراک گذاشتیم.

کلید واژه ها:

منبع باز ; COVID-19 ؛ تجزیه و تحلیل فضایی و زمانی ; کیفیت هوا ؛ تجزیه و تحلیل محیطی

1. مقدمه

در 30 ژانویه 2020، مدیر کل سازمان بهداشت جهانی (WHO) شیوع ویروس کرونای جدید را یک وضعیت اضطراری بهداشتی جهانی در رابطه با رفاه جمعیت جهان اعلام کرد [ 1 ]. برای جلوگیری از انتشار ویروس و ایجاد آگاهی، اطلاعات به موقع در مورد علت و اثربخشی دستورالعمل های ایمنی، تعداد کل موارد تایید شده، بهبودی و مرگ بسیار مهم است. نیاز به مجموعه داده‌های COVID-19 تقاضا برای باز کردن داده‌ها و فناوری‌ها برای مبارزه با همه‌گیری را افزایش می‌دهد. گشودگی داده ها و فناوری ها به اشتراک گذاری اطلاعات بین پلتفرمی را در سطح جهانی ارائه می دهد و کاربران می توانند بر اساس نیازهای خود به داده ها دسترسی داشته باشند.
باز بودن به شفافیت، دسترسی آزاد، فراگیر و نامحدود به داده ها و اطلاعات اشاره دارد [ 2 ]. پذیرش باز بودن بالاترین سطح کاربرد خود را در دانش دارد [ 3 ]. طبق تعریف بنیاد دانش باز، «دانش در صورتی باز است که هرکسی آزاد باشد که به آن دسترسی داشته باشد، استفاده کند، آن را تغییر دهد و به اشتراک بگذارد – حداکثر تابع اقداماتی است که منشأ و باز بودن را حفظ می‌کند» [ 4 ]. دو جزء عمده دانش عبارتند از علم و آموزش [ 3 ]. علم هنر ایجاد دانش است و آموزش فرآیند انتقال دانش به دست آمده از مشاهدات و آزمایشات علمی است [ 3 ]]. موسسات آموزشی، دولت‌ها و سازمان‌های تحقیقاتی گشودگی را در فعالیت‌های روزانه خود اتخاذ کرده‌اند.
پیشرفت‌ها در فناوری‌های دیجیتال مانند سیستم‌های توزیع‌شده، محاسبات ابری، مخازن عمومی و خدمات وب، عمل باز بودن در توسعه نرم‌افزار را تأیید کرده‌اند. باز بودن دایره ای با فضیلت با شش جزء اصلی است: نرم افزار منبع باز، داده های باز، سخت افزار باز، استانداردهای باز، آموزش باز و علم باز [ 3 ]. همه اجزای حلقه فضیلت به یکدیگر وابسته هستند:
  • نرم افزار منبع باز رویکرد مشارکتی و قابلیت همکاری رایگان توسعه نرم افزار را توصیف می کند.
  • داده های باز داده هایی هستند که آزادانه در دسترس، قابل اشتراک گذاری و قابل استفاده هستند.
  • سخت افزار باز شامل ماشین، دستگاه های فیزیکی و محیط ساخت می شود.
  • استانداردهای باز نشان دهنده فرآیند باز است، از جمله مشخصات سخت افزار، نرم افزار و داده ها.
  • آموزش باز به معنای انتقال دانش بدون محدودیت است.
  • علم باز نشان دهنده ارتقای تحقیقات علمی و انتشار اکتشافات آن در سراسر جهان است.
در اواخر دهه 90، افراد در جامعه نرم افزار شروع به استفاده از اصطلاحات “باز” ​​و “رایگان” به جای یکدیگر کردند [ 5 ]. با این حال، ریچارد ام. استالمن، فعال معروف نرم‌افزار آزاد، استدلال می‌کند که هر دو اصطلاح در ارزش‌ها و برداشت‌هایشان متفاوت هستند. او اظهار داشت که «متن باز یک روش توسعه است. نرم افزار آزاد یک جنبش اجتماعی است.» برای جنبش منبع باز، نرم افزار غیرآزاد راه حلی غیربهینه است. برای جنبش نرم افزار آزاد، نرم افزار غیرآزاد یک مشکل اجتماعی است و نرم افزار آزاد راه حل آن است» [ 5]. به گفته وی، “نرم افزار آزاد” چهار آزادی را اعطا می کند: (1) آزادی اجرای برنامه (ii). آزادی مطالعه و تطبیق نرم افزار برای نیازهای خود؛ (iii) آزادی برای توزیع مجدد نرم افزار. و (IV) آزادی برای بهبود نرم افزار و انتشار بهبودها برای عموم [ 5 ]. مفهوم رایگان از ایده آزادی سرچشمه گرفته است و نه از ایده رایگان بودن [ 6 ]. آزادی نرم افزار آزاد برای تشویق اجماع بین جامعه در اشتراک گذاری و همکاری ضروری است [ 7 ]. ریشه منبع آزاد و متن باز در دنیای جغرافیایی برخاسته از بنیاد ژئوفضایی منبع باز (OSGeo) است که در فوریه 2006 شروع به کار کرد. این بنیاد با تلاش مشترک اعضای تیم متمرکز بر پروژه های مکانی آزاد و منبع باز بود [8 ]. در OSGeo، تمرین توسعه نرم‌افزار فضایی باز و رایگان با هم وجود دارد. جامعه منبع باز در OSGeo دسترسی، اصلاح و توزیع مجدد دسترسی به پروژه های مکانی را تشویق می کند [ 9 ]. بنیاد OSGeo بر اهمیت رویکرد مشارکتی برای توسعه فناوری‌های فضایی باز، داده‌ها، ابزارها و ترویج استفاده از آن‌ها تاکید کرد [ 3 ]. منابع زمین فضایی باز تحت مجوزهای تأیید شده ابتکار منبع باز (OSI) منتشر شدند.
در حال حاضر، با گسترش فناوری‌های منبع باز در دنیای زمین‌فضایی، محصولات نرم‌افزاری آزاد و باز به‌اندازه کافی برای برآوردن نیازهای مختلف تحقیقات جغرافیایی، از جمله جمع‌آوری داده‌ها، جمع‌سپاری، برنامه‌های دسکتاپ، سیستم‌های مدیریت داده، و برنامه‌های کاربردی مبتنی بر وب وجود دارد. 10 ]. جدول 1 منابع رایگان و منبع باز پرکاربرد در کاربردهای مکانی را نشان می دهد.
کاربران فناوری‌های فضایی باز پیش‌بینی می‌کنند که کاربران بیشتر و سازمان‌های بیشتری در آینده راه‌حل‌ها و خدمات مکانی متن‌باز را اتخاذ خواهند کرد [ 3 ]. کاربران در حال رشد به تغییرات پویا، متنوع و پیچیده در حوزه جغرافیایی ارزش افزوده خواهند کرد [ 3 ]. هال و همکاران [ 11 ] بر اهمیت استانداردهای باز در جامعه جغرافیایی تأکید کرد. کنسرسیوم فضایی باز (OGC) در سال 1994 تاسیس شد تا مشخصات باز برای دسترسی، پردازش و تجسم داده های جغرافیایی فراهم کند. مشخصات استاندارد باز همکاری، مشارکت و ادغام بین سازمان ها را تشویق می کند زیرا استانداردهای باز شناخته شده ابزارها و شیوه های مشترک را امکان پذیر می کنند.
یک مجموعه داده مکانی-زمانی، عکس های فوری از یک رویداد طبیعی را توصیف می کند که برای درک پدیده طبیعی استفاده می شود. به عنوان مثال، حسگرهای راه دور به طور مداوم ویژگی‌های زمین را اسکن می‌کنند و داده‌های فضایی و زمانی حجیم تولید می‌کنند و در نتیجه منجر به گسترش فوق‌العاده در اندازه مجموعه داده‌ها می‌شوند. استخراج دانش از داده های مکانی-زمانی به دلایل مختلف پیچیده است. رائو و همکاران [ 12 ] پیچیدگی های مرتبط با استخراج و نمایش مجموعه داده های مکانی-زمانی را مورد بحث قرار داد. این مجموعه داده‌ها (i) دارای تغییرات پیوسته و گسسته خصوصیات مکانی و غیر مکانی هستند و (ii) تحت تأثیر اشیاء مکانی و زمانی همسایه یکدیگر قرار می‌گیرند. پرداختن به پیچیدگی های ذکر شده در بالا برای تولید داده های آماده تجزیه و تحلیل بسیار مهم است. بروسدون و همکاران [13 ] پیشنهاد کرد که تحقیقات باز و قابل تکرار برای بررسی انتقادی و بررسی تفسیر داده‌های مکانی و زمانی مهم است. محققان به طور گسترده ای از ابزارهای تحلیلی نرم افزاری پیچیده و تجاری در دسترس برای پردازش مجموعه داده های مکانی-زمانی استفاده کردند. اما این ابزارها به دلیل ارائه “جعبه های سیاه” که در آنها پردازش تحلیلی داخلی برای کاربران آشکار نمی شود مورد انتقاد قرار گرفته اند [ 13 ].]. علاوه بر این، نیاز کمتری به فکر کردن در مورد فرآیند اساسی وجود داشت که منجر به نتایج اشتباه می شد. در سال‌های اخیر، محققان به سمت نرم‌افزارها و ابزارهای رایگان و باز حرکت کرده‌اند. به عنوان مثال، آنها بسته های منبع باز را برای پردازش مجموعه داده های مکانی-زمانی با استفاده از زبان های برنامه نویسی سطح بالا مانند R و Python توسعه می دهند. این زبان ها مزایایی مانند بدون هزینه، درک فرآیندهای داخلی، انعطاف پذیری برای تکثیر آسان و دسترسی سریع به روش های جدید را ارائه می دهند. علاوه بر این، بسته‌ها، نرم‌افزارها و ابزارهای منبع باز به هر کسی امکان دسترسی، تغییر یا استفاده مجدد را می‌دهند. از این رو، موانع را از بین می برد و “دموکراسی داده” را ارائه می دهد [ 3]. در میان حوزه‌های متعددی که از فناوری‌های منبع باز استفاده شده است، اپیدمیولوژی یکی از برجسته‌ترین آنهاست. به عنوان مثال، راه‌اندازی پایگاه داده EpiFlu دسترسی به ژنوم‌های ویروسی را گسترش می‌دهد و ویروس‌شناسان را قادر می‌سازد تا فیلوژنتیک ویروس را در حین انتشار در سراسر جهان بررسی کنند [ 14 ]. پایگاه داده باز EpiFlu اخیراً به طور گسترده در طول همه گیری COVID-19 برای مطالعه ویروس عامل بیماری و ویژگی های آن استفاده شده است [ 15 ]. اشتراک‌گذاری اطلاعات جهانی که از طریق فناوری‌های منبع باز فعال می‌شود، راه‌حل‌هایی را برای رسیدگی به مسائلی مانند اشتراک‌گذاری داده‌های اپیدمیولوژیک ناهمگن، ناسازگار و ناسازگار ارائه می‌دهد [ 3 ]]. علاوه بر پایگاه داده باز، محققان در رشته‌های مختلف گرد هم آمده‌اند تا تعداد روزانه داده‌های موردی در سطح کشور را جمع‌آوری کنند، داشبوردها، مدل‌های پیش‌بینی و ابزارهای تحلیلی را برای نظارت بر شیوع ویروس توسعه دهند. جامعه علمی یافته های خود را برای ایجاد آگاهی و تصمیم گیری آگاهانه بهتر با مردم به اشتراک گذاشت [ 16]. تا کنون، تحقیقات منبع باز در مورد COVID-19 بر به اشتراک گذاری مجموعه داده ها و تصاویر مربوط به COVID-19 با جامعه متمرکز شده است. اما هیچ فرآیند توسعه نرم‌افزار متن‌باز تعریف‌شده‌ای وجود ندارد که دانش جمعی و پلتفرم اشتراک‌گذاری را فراهم کند که حوزه‌های متعددی مانند خط‌مشی، محیط زیست، بازگشایی مکان‌های عمومی، رسانه‌های اجتماعی و انتشار را یکپارچه کند. برای پر کردن این شکاف، فرآیند گردش کار منبع باز را که در مرکز نوآوری فضایی-زمانی NSF برای تحقیقات فضایی-زمانی دنبال می شود، پیشنهاد و نشان دادیم. هدف اصلی استفاده از گردش کار، استانداردسازی تحقیقات مکانی-زمانی با استفاده از داده های باز و استخراج الگوهای مفید برای درک یک پدیده است. این مقاله از گردش کار منبع باز پیشنهادی و KNIME برای تولید و تجسم میانگین روزانه غلظت آلاینده‌های هوای مکانی-زمانی مانند دی اکسید نیتروژن (NO) استفاده کرد.2 )، PM 2.5 ، PM 10 ، ازن، و مونوکسید کربن (CO).
علاوه بر این، گردش کار بر رویکرد مشارکتی و جمعی با به اشتراک گذاری منابع مکانی آزاد و باز، از جمله داده ها، کد منبع، ابزارهای تحلیلی و اطلاعات جانبی تأکید دارد. باز بودن در اشتراک‌گذاری منابع، سایر محققان را تشویق می‌کند تا به دسترسی، دانلود، تغییر، استفاده مجدد، و تکثیر آنها برای نیازهای خود و مشارکت مجدد در جامعه بپردازند.
سازماندهی این مقاله به شرح زیر است: بخش 2 مطالعات قبلی در مورد فناوری های منبع باز، استفاده و چالش ها را مورد بحث قرار می دهد. بخش 3 گردش کار منبع باز را شرح می دهد، از جمله (1) توسعه یک برنامه کاربردی مکانی، (2) اشتراک گذاری و نگهداری، و (3) تحقیقات قابل تکرار. بخش 4 یک مورد استفاده را ارائه می دهد که توسعه یک برنامه مکانیکی منبع باز برای تجزیه و تحلیل کیفیت هوا در کالیفرنیا، ایالات متحده، با استفاده از گردش کار منبع باز را نشان می دهد. بخش 5آمار ترافیک و تعهد مخزن داده COVID-19 ما را مورد بحث قرار می دهد که محبوبیت منابع مکانی منبع باز منتشر شده توسط تیم را نشان می دهد. نتیجه‌گیری مقاله دستاوردهای مرکز را مورد بحث قرار می‌دهد که با تلاش‌های منبع باز برای حمایت از تحقیقات COVID-19 امکان‌پذیر شده است و دامنه پیشرفت‌ها را برای کارهای آینده پیشنهاد می‌کند.

2. بررسی ادبیات

2.1. منابع دیجیتالی منبع باز COVID-19 و مسائل آنها

نقش یک پلت فرم منبع باز در طول COVID-19 ضروری است [ 17 ]. محققان و سازمان‌ها داده‌های مربوط به بیماری کووید-۱۹، عوامل خطر، سیاست‌های دولت و داده‌های اقتصادی را از طریق فناوری‌های منبع باز منتشر می‌کنند. تصمیم گیرندگان به راحتی می توانند داده ها را استخراج کرده و از آن برای نیازهای خود استفاده کنند. منابع باز اولیه موارد عفونت روزانه، داده های خط مشی، داده های رسانه های اجتماعی، عوامل خطر سلامت، داده های تحرک و داده های انتشار هستند. مرکز علوم و مهندسی سیستم های دانشگاه جان هاپکینز (JHU CSSE) شمارش روزانه جهانی را با یک داشبورد تعاملی ارائه می دهد [ 18 ]]. یکی از پرکاربردترین مجموعه داده ها در مطالعات تحقیقاتی است. ردیاب واکنش دولت آکسفورد COVID-19 (OxCRT) اطلاعاتی را در مورد اقدامات سیاستی مشترکی که دولت‌ها در سراسر جهان برای مبارزه با همه‌گیری انجام داده‌اند جمع‌آوری می‌کند، نمرات سخت‌گیری اقدامات سیاستی را ثبت می‌کند و آن امتیازات را در شاخص‌های سیاست جمع‌آوری می‌کند [ 19 ].
چندین مطالعه قبلی منابع منبع باز موجود COVID-19 را بررسی کرده و مسائل اساسی را شناسایی کرده اند. به عنوان مثال، آلامو و همکاران. [ 17] منابع داده‌های باز موجود و فناوری‌های مبتنی بر داده را برای درک بهتر گسترش جهانی این بیماری همه‌گیر بررسی کرده‌اند. محققان متغیرهایی مانند داده‌های سری زمانی COVID-19، خطر سلامت مرتبط با سن و شرایط پزشکی ثانویه، و اقدامات دولت برای تسهیل جوامع را فهرست کردند. علاوه بر این، آنها مخازن مربوط به موارد COVID-19 را در مقیاس جهانی و منطقه ای شناسایی کرده اند. این تیم مسائلی مانند داده‌های متناقض، معیارهای تغییر، منابع ناهمگن و عدم وجود معیارهای استاندارد برای مقایسه داده‌ها بین کشورها با منابع داده منبع باز فعلی با منابع داده باز را شناسایی کردند. هو و همکاران [ 16 ] یک مخزن منبع دیجیتال باز، بر اساس هاروارد دیتاورس [ 20 ] ساخته است.]، برای پلتفرم های مدیریت داده و اشتراک گذاری برای انتشار داده های مربوط به تحقیقات COVID-19. این تیم روزانه تعداد موارد تایید شده COVID-19، اخبار جهانی، رسانه های اجتماعی، تحرک جمعیت، امکانات بهداشتی و مقالات علمی را برای ساخت مخزن جمع آوری کرد. داده های جمع آوری شده در هاروارد دیتاورس بایگانی شد و تجزیه و تحلیل داده های اولیه انجام شد. این تیم به مسائلی از جمله مقادیر از دست رفته و نقشه های پایه قدیمی در مجموعه داده فعلی و پیشرفت در جهت ارائه پشتیبانی و نگهداری مداوم برای بایگانی داده ها اشاره کرد. شجاع و همکاران [ 21] مجموعه داده های منبع باز COVID-19 موجود را بررسی کرد و چالش های آینده را نشان داد. محققان این بررسی را بر اساس نوع داده ها و کاربرد سازماندهی کردند. تصاویر پزشکی (سی‌تی اسکن و اشعه ایکس) و داده‌های متنی (گزارش‌های موردی COVID-19، توییت‌ها و مقالات علمی) انواع داده‌های اصلی را تشکیل می‌دهند. این تحقیق نشان داد که با تجزیه و تحلیل برنامه‌های کاربردی مجموعه داده‌های منبع باز، کار بیشتری روی تشخیص COVID-19 مبتنی بر سرفه لازم است. تلاش‌های اضافی، تکنیک‌های یادگیری عمیق را با گسترش دسترسی باز به مجموعه داده‌های سی‌تی اسکن و اشعه ایکس بهبود می‌بخشد و از حریم خصوصی داده‌های بیمار و تحرک و ردیابی تماس تضمین می‌کند. جدول 2 نمونه های داده منبع باز COVID-19 در حال حاضر را بر اساس انواع داده ها و برنامه های کاربردی مختلف نشان می دهد.

2.2. اهمیت رویکرد باز و مشارکتی

ماریوایت و همکاران [ 27 ] اهمیت داده های باز و مشارکتی در طول همه گیری COVID-19 را استدلال کرد. این تیم با تمرکز بر قاره آفریقا، داده های مربوط به COVID-19 را جمع آوری و برای استفاده عمومی منتشر کرد. تیم تحقیقاتی اظهار داشت که جمع‌آوری و مدیریت داده‌ها باید رویکردی پیشگیرانه باشد که فقط در زمان همه‌گیری اجرا نشود. وانگ و همکاران [ 28] مخازن GitHub با موضوع COVID-19 را با طبقه بندی آنها در شش دسته مورد مطالعه قرار داد. شش دسته از مخازن با موضوع COVID-19 عبارتند از: (i) مخازن داده ها، شامل آمار موارد COVID-19، مجموعه داده های تصویر، تجسم داده ها، و تجزیه و تحلیل. (ii) مخازن ردیابی تماس شامل برنامه‌ها و چارچوب‌هایی است که برای اعلان‌های مواجهه ایجاد شده‌اند. (iii) مخازن جعبه ابزار شامل جعبه ابزار ردیابی برای COVID-19 است که با استفاده از برنامه های کاربردی تلفن همراه، API ها و بسته های Python پیاده سازی شده است. (IV) مخازن پیش‌بینی و شبیه‌سازی شامل مدل‌های پیش‌بینی و شبیه‌سازی برای مطالعه شیوع بیماری است. (v) مخازن تشخیص و تشخیص شامل مدل های تشخیص COVID-19 از سی تی قفسه سینه یا اشعه ایکس است. (vi) مخازن دیگر شامل داده‌هایی هستند که مستقیماً با COVID-19 مرتبط نیستند، اما به طور قابل توجهی بر زندگی افراد در طول همه‌گیری تأثیر می‌گذارند. محققان روشی امیدوارکننده برای پاسخگویی به همه‌گیری COVID-19 از طریق فناوری‌ها و منابع منبع باز نشان دادند. با بررسی الگوهای مشارکت، توسعه و نگهداری این مخازن، مشخص شد که مخازن با مضمون داده نسبت به سایر مخازن مشابه دارای تعهدات بیشتری هستند زیرا به تعهدات منظم نیاز دارند و جوامع از آنها برای پیگیری داده‌های COVID-19 استفاده می‌کنند.
براندون و همکاران [ 13 ] سه عامل اساسی برای علم داده های حیاتی را مورد بحث قرار داد: باز بودن (داده های باز، کد باز و افشای باز روش)، کار جمعی (اشتراک گذاری، همکاری، بررسی همتایان)، و تکرارپذیری (شفافیت روش شناختی و استنباطی). محققان اظهار داشتند که یک رویکرد انتقادی برای تجزیه و تحلیل داده‌های مکانی، آگاهی از مسائل مربوط به سوء تفاهم مهم در حین استفاده از داده‌های مکانی است که منجر به تصمیم‌گیری نادرست می‌شود. با اتخاذ باز بودن و تکرارپذیری، تجزیه و تحلیل داده های مکانی دقیق با بررسی، نظر و پیشنهادات افزایش می یابد. به اشتراک گذاری کد، ابزار و کتابخانه های کد باز با استفاده از مخازن، بستری را برای تحقیقات شفاف و قابل تکرار فراهم می کند. سینگلتون و همکاران [ 29] استدلال کرد که اعتبار کار علمی بستگی به چگونگی تکرارپذیری روش های به کار گرفته شده دارد. کار قابل تکرار را می توان با گردش کار با استفاده از نرم افزار منبع باز و داده به دست آورد. روشی که فرآیند تبدیل داده‌های جغرافیایی خام به اطلاعات را توصیف می‌کند، اساس تحقیقات تکرارپذیر را تشکیل می‌دهد.

2.3. پلتفرم هایی که از همکاری منبع باز پشتیبانی می کنند

GitHub یکی از پرکاربردترین پلتفرم‌های میزبانی کد برای کنترل نسخه و توسعه نرم‌افزار مشترک است. GitHub یک سیستم کنترل نسخه توزیع شده را ارائه می دهد که در آن هر یک از همکاران دارای یک شاخه جداگانه مورد نیاز در فرآیند توسعه نرم افزار هستند. دبیش و همکاران [ 30] نشانه های قابل مشاهده رفتار کاربر را در صفحه GitHub بررسی کرد. مطالعه تحقیقاتی نشان داد که همکاری، یادگیری و مدیریت شهرت جامعه با استفاده از GitHub افزایش می‌یابد. کاربران GitHub از اطلاعات فعالیت سایر کاربران استنباط اجتماعی می کنند. به عنوان مثال، تازگی و حجم فعالیت نشان دهنده سرزندگی و سطح نشان دادن توسعه دهندگان است. استنباط های انجام شده در مورد نشانه های قابل مشاهده می تواند در استراتژی های موثر برای افزایش هماهنگی، شفافیت و یادگیری در فرآیند توسعه نرم افزار پیچیده ساخته شود. زاگالسکی و همکاران [ 31] ویژگی‌های اجتماعی و مشارکتی در GitHub را بررسی کرد و دریافت که GitHub می‌تواند یک ابزار ایده‌آل برای اشتراک‌گذاری دانش و آموزش بر اساس موضوعات مختلف مانند شفافیت فعالیت، تشویق مشارکت، قابلیت استفاده مجدد و اشتراک‌گذاری و سهولت استفاده باشد. اگرچه GitHub مزایای رقابتی را برای پروژه های منبع باز ارائه می دهد، اما به دلیل پیچیدگی آن برای استفاده از راه دور ایده آل نیست [ 32 ]. برای دسترسی به سرور Git به کلیدهای SSH برای هر دو ماشین محلی و راه دور نیاز دارد. این بار مانعی برای کاربران جدید برای پذیرش و یادگیری آن می کند.
Apache Subversion که اغلب به اختصار SVN نامیده می شود، به عنوان یک سیستم کنترل نسخه و ویرایش نرم افزار استفاده می شود. SVN برای حفظ نسخه های فعلی و تاریخی کد منبع باز و سایر منابع دیجیتال در توسعه نرم افزار استفاده می شود. برخلاف Git، SVN بر اساس یک سیستم کنترل نسخه متمرکز ساخته شده است. در یک سیستم متمرکز، همه همکاران بر روی یک مخزن کار می کنند. در طول هر commit، همکار باید آخرین نسخه را بررسی کند تا از درگیری جلوگیری شود [ 32 ]. معایب عمده Subversion مقیاس پذیری و سیاست های نسخه است که به خوبی تعریف نشده اند [ 33 ].

2.4. چالش ها در توسعه و همکاری نرم افزار منبع باز

استول و همکاران [ 34] چالش های بالقوه در اتخاذ توسعه نرم افزار منبع باز را شناسایی کرد. آنها یک بررسی ادبیات انجام دادند و 21 چالش را شناسایی کردند که در شش جنبه طبقه بندی شده بودند: انتخاب محصول، مستندسازی، پشتیبانی جامعه، نگهداری، ادغام و معماری، مهاجرت و استفاده، و قانونی و تجاری. یکی از چالش‌های مهمی که در مقاله تحقیقاتی نشان داده شد، مشکل در شناسایی محصولات با کیفیت در میان مجموعه بزرگ محصولات بود. این یک نگرانی عمده به دلیل ابهام در مورد کیفیت، قابلیت استفاده و قابلیت اطمینان محصولات منبع باز است. چالش دیگر نبود کیفیت در مستندات بود. به طور کلی، محققان خاطرنشان کردند که چالش‌های توسعه نرم‌افزار منبع باز عمدتاً به عدم اطمینان در تضمین کیفیت و نگهداری مناسب مربوط می‌شود. آنکوله کار و همکاران [ 35] چالش های همکاری در توسعه نرم افزار منبع باز را بررسی کرد. تیم تحقیقاتی اشاره کرد که مانع اصلی همکاری، عدم ارتباط بین اعضای تیم است که در نتیجه عدم آگاهی و مسدود کردن اطلاعات حیاتی برای توسعه است. یافتن و جستجوی کمک مناسب زمانی که توسعه دهندگان از نظر فیزیکی در مکان دقیقی قرار نگرفته اند دشوار است. این تیم همچنین دریافت که ارتباطات غیررسمی تقریباً در همکاری منبع باز وجود ندارد، اما هماهنگ کردن فعالیت ها ضروری است. برای غلبه بر این چالش ها، تیم تشویق تعامل اجتماعی و ساختار اجتماعی در جامعه منبع باز را پیشنهاد کرد.

2.5. رویکرد توسعه نرم افزار منبع باز

ما در CiteSeer مقالات منتشر شده مرتبط با توسعه نرم افزار منبع باز را جستجو کردیم. CiteSeer یک کتابخانه دیجیتال عمومی است که عمدتاً بر روی علوم کامپیوتر و اطلاعات تمرکز دارد. عبارات جستجوی مورد استفاده «توسعه نرم افزار منبع باز» یا «توسعه نرم افزار منبع باز و رایگان» است. تحقیقات بسیار کمی در مورد رویکرد توسعه نرم‌افزار منبع باز مورد بحث قرار گرفته است، به جز موردی که در ادامه بررسی می‌شود.
اسکاچی و همکاران [ 36 ] الزامات توسعه نرم افزار باز را شناسایی کرد و مصنوعاتی را مشخص کرد که چگونه الزامات توسعه سیستم های نرم افزاری باز را مشخص می کند. این مقاله فرآیند مهندسی نرم‌افزار کلاسیک و فرآیندهای منبع باز را برای توسعه نیازمندی‌ها مقایسه کرد. به طور خاص، این مقاله رویکرد غیر رسمی نرم افزار را در توسعه نرم افزار منبع باز برجسته می کند. موکوس و همکاران [ 37] مطالعه موردی توسعه نرم افزار منبع باز (OSS) مورد استفاده در سرور آپاچی را نشان داد. دو مجموعه از ویژگی های کلیدی توسعه OSS توسط محققان مورد بحث قرار گرفت. مجموعه اول پارامترهای اساسی فرآیند توسعه آپاچی را تجزیه و تحلیل کرد. این پارامترها شامل فرآیند مورد استفاده برای توسعه آپاچی، تعداد افراد درگیر، ماهیت نقش انجام شده توسط افراد و مالکیت کد است. مجموعه دوم مربوط به نتایج فرآیند توسعه آپاچی، مانند تراکم نقص کد و زمان صرف شده برای حل مشکلات بود. کن و همکاران [ 38] روند توسعه نرم افزار رایگان و منبع باز را مورد بحث قرار داد. این فرآیند با توسعه کد یک محصول نرم افزاری شروع می شود. سپس، تحت بازنگری های متعددی قرار می گیرد که هرگونه تغییری را برای رفع نقص پیشنهاد می کند. در نهایت، نسخه نهایی در دسترس کاربران نهایی قرار می گیرد.
نرم افزار توسعه یافته با رویکرد منبع باز در جدول 3 فهرست شده استو با مجوز، رویکرد توسعه رسمی، آزمایش، نگهداری، در دسترس بودن کد و مستندات مقایسه شده است. یکی از موانع اصلی در توسعه منبع باز این است که هیچ توافق جهانی در مورد طراحی یا فرآیند رسمی پروژه وجود ندارد. در نتیجه، مسائلی در مالکیت، مشارکت افراد و میزان تشخیص عیب وجود دارد. به عنوان مثال، در جامعه توسعه Apache و GNOME، تنها چند توسعه‌دهنده اصلی اصلی فعالانه در بخش قابل توجهی از توسعه نرم‌افزار شرکت کردند. بنابراین، فقدان بسیاری از مشارکت‌کنندگان فعال منجر به نقص‌های عظیمی در نرم‌افزار می‌شود که یا ناشناس هستند یا اصلاح نمی‌شوند. علاوه بر این، توسعه‌دهندگان اصلی اصلی بیش از حد از عهده انجام فعالیت‌های توسعه و رفع نقص بر می‌آیند.
در حالی که پروژه های منبع باز مورد بحث با موفقیت محصولات یا خدمات را به کاربران نهایی تحویل دادند، چالش هایی به دلیل فقدان گردش کار استاندارد وجود دارد. مقاله پیشنهادی یک گردش کار جدید، استاندارد و به راحتی قابل تکرار مناسب برای تحقیقات فضایی و زمانی را معرفی می‌کند.
چالش‌های اصلی شناسایی‌شده در بررسی ادبیات، نگرانی‌های کاربران در مورد کیفیت منابع باز، فقدان اسناد، نگهداری و پشتیبانی جامعه است. این چالش ها با پیشنهاد گردش کار منبع باز که در بخش 3 مورد بحث قرار گرفت، مورد توجه قرار می گیرد. برای اطمینان از کیفیت منابع مشترک، قابلیت استفاده از منابع مکانی منبع باز توسط اعضای همتا را تایید می کنیم. علاوه بر این، ما مستندات دقیق و ویدئوهای آموزشی را ارائه می دهیم که درک جامعی را برای هر فردی با یا بدون پیشینه فنی ارائه می دهد تا تحقیق را به طور موثر تکرار کند. منابع آزاد منتشر شده به طور منظم توسط اعضای تیم نگهداری و نظارت می شوند که از تاریخچه ارتکاب GitHub مشهود است. نتایج برای دانلود رایگان است. کاربران می توانند برای نیازهای تحقیقاتی خود به ابزار منبع باز دسترسی داشته باشند، آن را تغییر دهند و اجرا کنند و آن را دوباره توزیع کنند.

3. روش ها

رویداد به چیزی گفته می شود که در زمان و مکان خاصی اتفاق می افتد [ 42 ]. یو و همکاران [ 43] تعاریف رویداد مکانی-زمانی را بر اساس سه مرحله ارائه کرد. در مرحله اول، ابعاد زمان و مکان مطرح است. در مرحله دوم شرکت کنندگان علاوه بر مکان و زمان درگیر می شوند. در مرحله پایانی همراه با اطلاعات دیگر، تغییر حالت در شیء دخیل است. استخراج اطلاعات مفید از یک رویداد شامل مجموعه ای از مراحل از جمع آوری داده ها از طریق حسگرها، استخراج اطلاعات و شناسایی ویژگی های مورد علاقه و به کارگیری دانش برای تصمیم گیری است. بنابراین، رویدادهای مکانی-زمانی به عنوان یک نقطه آغازین برای توسعه برنامه کاربردی مکانی-زمانی عمل می کنند. توسعه کاربرد فضایی و زمانی در حوزه های مختلفی مانند پایداری و مدیریت زیست محیطی، مدیریت سلامت، نقشه برداری و توسعه شهری، هوش تجاری، بحران، جرم و جنایت، کاربرد دارد.43 ]. کاربران این حوزه‌ها به پشتیبانی بهبود یافته از سیستم‌های مربوط به رویدادهای مکانی-زمانی نیاز دارند. برای درک بهتر نیازهای کاربر و مفاهیم مکانی-زمانی، ما این گردش کار منبع باز را برای تحقیق فضایی-زمانی و توسعه برنامه پیشنهاد می کنیم. برای پیشبرد تحقیق و تشویق همکاری، توسعه را به عنوان منبع باز آغاز کردیم. گردش کار دارای سه مرحله است که با توسعه برنامه کاربردی مکانی-زمانی، اشتراک گذاری و نگهداری و تحقیقات تکرارپذیر شروع می شود.

3.1. توسعه کاربرد فضایی و زمانی

شکل 1 گردش کار منبع باز برای تحقیقات فضایی و زمانی را نشان می دهد. در مرحله اول، ما سه مفهوم سنتی کاربردهای مکانی-زمانی را در مرحله توسعه به عنوان هسته آن گنجانده ایم. تریفونا و همکاران [ 44 ] کاربرد مکانی-زمانی را بر اساس نوع داده های مکانی-زمانی پیشنهاد کرد. آنها عبارتند از: (1) برنامه‌ها ممکن است شامل اجسامی با حرکت پیوسته باشند، (ب) برنامه‌هایی که با تغییرات گسسته و بین اشیا سروکار دارند، و (iii) برنامه‌ها ممکن است اجسامی را مدیریت کنند که حرکت پیوسته و همچنین تغییر شکل را یکپارچه می‌کنند. برای درک بهتر کاربردهای مکانی-زمانی، گام اولیه، درک مدل‌سازی و نیازهای کاربر یک برنامه کاربردی مکانی-زمانی است. Pfoser و همکاران [ 45] مجموعه ای از الزامات مکانی-زمانی را ترسیم کرد: نیازهای مختلف عبارتند از (i) نمایش اشیاء با موقعیت در فضا و زمان. (ب) تغییر موقعیت در فضا در طول زمان را که به موجب آن تغییرات پیوسته و گسسته بسته به نوع کاربرد مورد علاقه در نظر گرفته می‌شود، ثبت کنید. (iii) تعریف ویژگی های فضایی در طول زمان. (IV) تغییر ویژگی‌های مکانی را در طول زمان ثبت کنید. (v) اتصال صفات فضایی به اشیاء. (vi) نمایش روابط فضایی بین اشیاء در زمان. (vii) نمایش روابط بین ویژگی های فضایی در زمان. و (viii) محدودیت های یکپارچگی مکانی و زمانی را مشخص کنید.
پس از شناسایی الزامات تحقیقات مکانی-زمانی، محیط مدلسازی مکانی-زمانی را مشخص می کنیم. بر اساس الزامات مدل‌سازی فوق، ما محیطی را برای نمایش داده‌های مکانی و زمانی طراحی کردیم. محیط مدل‌سازی زیرساخت و طراحی پایگاه داده را برای توسعه برنامه‌های کاربردی مکانی-زمانی تعیین می‌کند. طراحی پایگاه داده باید از مفاهیم مکانی، زمانی و مکانی-زمانی پشتیبانی کند. با توجه به Pfoser و همکاران. [ 45]، مفاهیم مکانی و زمانی به طور مستقل وجود خواهند داشت و سپس به عنوان مفاهیم مکانی-زمانی ترکیب می شوند. مفاهیم مکانی شامل فضا، اشیا، صفات، روابط و لایه‌ها و مفاهیم زمانی شامل عکس‌های لحظه‌ای زمانی، فواصل و دوره‌ها بود. مفاهیم مکانی-زمانی شامل اشیاء مکانی در نقاط زمانی، اشیاء مکانی در بازه‌های زمانی، اشیاء مکانی در دوره‌های زمانی، لایه‌ها در نقاط زمانی، لایه‌ها در بازه‌های زمانی و لایه‌ها در دوره‌های زمانی بود. برای پیشبرد نیازهای فعلی تشخیص رویداد، مفاهیم اساسی دیگری مانند موضوع (نماینده چه چیزی)، شرکت کنندگان (نماینده چه کسی) و ویژگی های موضوعی مانند آلودگی، عوامل اجتماعی-اقتصادی، جرم و جنایت و پوشش گیاهی [ 43 ] اتخاذ می کنیم.
در مرحله بعد، مدل‌های داده‌های مکانی-زمانی را گنجانده‌ایم. پوکه و همکاران [ 46 ] رویکردهای مختلفی را برای نمایش مدل‌های داده‌های مکانی-زمانی پیشنهاد کرد. آنها (من) رویکرد مبتنی بر عکس فوری هستند. (II) رویکرد شبکه زمانی. و (iii) رویکرد مبتنی بر زمان. انتخاب رویکرد مناسب برای مدل سازی داده ها یک کار چالش برانگیز است. به ویژه، ظهور داده‌های مکانی-زمانی بزرگ به دلیل حجم عظیم و ساختارهای داده پیچیده، نیازمند رویکردهای تخصصی است [ 11 ].
پس از مدل سازی داده های مکانی-زمانی، مرحله بعدی استخراج الگوهای مفید از داده های مکانی-زمانی است. سپس، الگوها توسط دانشمندان برای به دست آوردن بینش های جدید در مورد موضوع مورد نظر تفسیر می شوند. یو و همکاران [ 43 ]، روش‌های استخراج را به‌صورت قاعده‌محور، آماری و احتمالی، پردازش تصویر (تشخیص مبتنی بر پیکسل و شی)، استخراج الگوی مبتنی بر یادگیری ماشین (نقاط داغ، نقاط پرت، و تشخیص تغییرات) و شبیه‌سازی (عددی) خلاصه کرد. ، شبیه سازی آماری و عامل محور).
گام بعدی در توسعه برنامه کاربردی مکانی-زمانی، اجرا و ارزیابی مدل است. اجرای مدل به (i) پلتفرم های محاسباتی [ 47 ] مانند Google Earth Engine، Amazon Web Services (AWS) و Microsoft Planetary Computer Hub، (ii) نرم افزارهای GIS از جمله نرم افزار تجاری (ESRI) و نرم افزار منبع باز (QGIS) نیاز دارد. ، (iii) ابزارهای آماری فضایی (بسته های GDAL، R مانند spatstat، gstat، geoR، و spdep، گره های پردازش فضایی KNIME) [ 48]، (iv) سیستم مدیریت پایگاه داده مکانی (Oracle Spatial، PostGIS، DB2 Spatial Extender)، و (v) بستر داده های بزرگ فضایی (Hadoop GIS، Spatial Hadoop). پس از اجرای مدل، باقیمانده های موجود در مدل را بررسی کردیم. با استفاده از تجسم ها، توزیع زمانی و مکانی باقیمانده ها را در یک مدل تحلیل کردیم. اگر توزیع به صورت یک نویز تصادفی ظاهر شود، ممکن است مدل را اصلاح کنیم. مرحله آخر، تفسیر مدل و استفاده از نتایج است. بسته به هدف، می توان از نتایج مدل استفاده کرد. به عنوان مثال، یک مدل می‌تواند یک الگو یا ویژگی ناشناخته را پیش‌بینی کند یا بینشی از یک نقطه پرت ارائه دهد.

3.2. اشتراک گذاری و نگهداری

ما برنامه توسعه‌یافته را در مرحله دوم گردش کار منبع باز با جامعه به اشتراک گذاشتیم و آن را حفظ کردیم. مرحله اشتراک گذاری شامل (i) توسعه بسته های منبع باز، (ii) آزمایش، (iii) ایجاد یک مخزن عمومی، و (iv) ایجاد فیلم های آموزشی و راهنمای کاربر است. بسته منبع باز شامل مجموعه داده های مکانی-زمانی، کد منبع، مدل ها، ابزارها و نتایج است. منابع باز موجود برای استفاده عمومی باید عاری از خطا و آماده استفاده با اطلاعات مورد نیاز باشد. تست بازبینی همتا یک روش مقرون به صرفه برای آزمایش کیفیت محصول نرم افزار و تشخیص عیوب است [ 49]. در تست بررسی همتایان، اعضایی که در فرآیند توسعه نرم‌افزار دخیل نیستند، به آزمایش کد نوشته شده توسط همتایان خود کمک می‌کنند. ما آزمایش بررسی همتایان را برای تأیید کیفیت منابع باز قبل از انتشار آنها در جامعه انجام دادیم.
ما از مخازن عمومی GitHub برای انتشار این منابع و به اشتراک گذاری آنها با جامعه استفاده کردیم. این به سایر محققان اجازه می‌دهد تا منابع موجود را برای تحقیقات تکرارپذیر دانلود، استفاده مجدد، اصلاح و توزیع مجدد کنند. در نهایت، ما راهنمای کاربر و فیلم های آموزشی ساختیم که دستورالعمل های گام به گام دقیقی را در مورد تکرار فرآیند تحقیق نشان می دهد. راهنمای کاربر و فیلم آموزشی نیازمندی‌های نرم‌افزار، راه‌اندازی محیطی برای اجرای ابزار تحلیلی مکانی-زمانی، کتابخانه‌های مورد نیاز، پارامترهای ورودی و روشی برای اجرای ابزار تحلیلی را مشخص کرده است.
هدف نهایی از پشتیبانی و نگهداری مستمر اطمینان از ارزش نرم افزار منبع باز در طول زمان است. ما دائماً توانایی های آنها را افزایش می دهیم، داده های منسوخ را حذف می کنیم و در صورت لزوم کد را بهینه می کنیم. بسته های منبع باز نیاز به نگهداری مداوم برای به روز نگه داشتن بسته های نرم افزاری دارند. با این حال، افراد درگیر در وظایف تعمیر و نگهداری نیاز به مهارت های فنی پیش نیاز و دانش مکانی-زمانی دارند. مهارت های فنی شامل به روز نگه داشتن بسته های پایتون و عیب یابی هرگونه مشکل سازگاری در محیط و بسته های پایتون است.

3.3. تحقیقات تکراری

برای تبدیل برنامه‌های کاربردی مکانی-زمانی به مشارکت‌های علمی، برنامه‌ها را در جامعه منبع باز از طریق GitHub به اشتراک گذاشتیم. هنگامی که یک محقق برنامه کاربردی را اجرا می کند، باید همان نتیجه را به دست آورد که به آن تحقیق تکرارپذیر می گویند [ 50 ]. یک محقق باید مهارت های اولیه خاصی برای بازتولید تحقیقات مکانی-زمانی داشته باشد. مجموعه مهارت های اولیه شامل استفاده از ابزارهای تحلیلی مکانی-زمانی، نرم افزار GIS و DBMS فضایی است. علاوه بر آن، محقق باید مفاهیم خاصی را در دنیای فضایی و زمانی بشناسد. به عنوان مثال، قانون اول جغرافیای توبلر [ 51] می گوید: «همه چیز به همه چیز مربوط است، اما چیزهای نزدیک بیشتر از چیزهای دور مرتبط هستند». اگر محققی این قانون را در تحلیل مکانی-زمانی نادیده بگیرد، منجر به تفسیر نادرست و متناقض از نتایج خواهد شد.
محیط مدل‌سازی فضایی-زمانی وابستگی‌های مختلفی مانند سیستم‌ها، نرم‌افزارها، کتابخانه‌ها، بسته‌ها و ابزارها را در بر می‌گیرد. حتی جزئی ترین تغییر در یکی از وابستگی ها یا تضاد نسخه، یک مانع بزرگ برای اجرای مجدد برنامه زمانی و مکانی خواهد بود. بنابراین، ما محیط اجرای مکانی-زمانی را با جزئیات برای بازتولید مؤثر تحقیق توصیف می‌کنیم. هنگامی که یک محقق می تواند برنامه مکانی-زمانی را با محیط مدل سازی مجدداً اجرا کند، همچنین باید بتواند با اجرای متوالی برنامه بیش از یک بار این فرآیند را تکرار کند. یک مدل مکانی-زمانی قطعی همان نتیجه را در تعداد ‘n’ اجراها ایجاد می کند.
بازتولید نتیجه مشابه نتایج منتشر شده چالش اصلی در تحقیقات تکرارپذیر است. برای جلوگیری از مشکلات در تکرارپذیری، ما اطلاعاتی را که لازم است ارائه می کنیم. به عنوان مثال، در حین تعیین نسخه پایتون که از برنامه فضایی-زمانی پشتیبانی می کند، نسخه دقیقی را ذکر می کنیم که نتایج را تولید می کند زیرا در زبان های برنامه نویسی معمول است که رفتارهای متفاوتی در نسخه های مختلف نشان دهند [ 52 ]. اگر از تکرارپذیری اطمینان حاصل کنیم، پیچیدگی‌ها در تحقیقات مکانی-زمانی مورد بررسی قرار می‌گیرند. قابلیت استفاده مجدد جنبه مهم بعدی تحقیقات تکرارپذیر است. این پژوهشگران را قادر می سازد تا از برنامه های کاربردی مکانی-زمانی استفاده، اصلاح و توزیع کنند.

4. مورد استفاده – ارزیابی تأثیر کیفیت هوا در طول کووید-19 بر اساس گردش کار فضایی-زمانی منبع باز پیشنهادی

شکل 2 توسعه یک برنامه کاربردی مکانی-زمانی را برای ارزیابی تأثیر اقدامات کنترل COVID-19 بر کیفیت هوا در کالیفرنیا، ایالات متحده نشان می دهد. ابزار تحلیلی با استفاده از داده های آلاینده های هوای آزاد ساخته شده است.

4.1. فرضیه

تلاش های اجتماعی برای کاهش شیوع بیماری همه گیر کووید-19 در سال 2019 تأثیرات قابل توجهی بر محیط زیست گذاشت. این مطالعه بررسی کرد که “آیا سیاست های مداخله ای ناشی از COVID-19 تأثیر مشابهی در ایالت کالیفرنیا ایالات متحده داشته است”. به طور خاص، هدف ما تایید این بود که آیا روند کاهشی انتشار آلاینده‌های هوا در کالیفرنیا، ایالات متحده، با اقدامات کنترل COVID-19 مرتبط است یا خیر. سپس تصمیم گیرندگان می توانند از نتایج تحلیلی برای ارزیابی تأثیر اقتصادی ناشی از سیاست های کاهش استفاده کنند.

4.2. منابع داده باز

  • داده های آلاینده های هوای زمینی مورد نیاز برای این مطالعه از آژانس حفاظت از محیط زیست ایالات متحده (EPA) به دست آمده است. داده ها از این لینک دانلود می شوند: https://www.epa.gov/outdoor-air-quality-data/download-daily-data (در 14 دسامبر 2021 قابل دسترسی است).
  • دی اکسید نیتروژن تروپوسفر مورد نیاز برای این مطالعه از GES DISC به دست آمده است: https://disc.gsfc.nasa.gov/datasets/OMNO2d_003/summary (در 14 دسامبر 2021 قابل دسترسی است).
  • مکان نیروگاه های اصلی در کالیفرنیا از ویکی پدیا به دست آمده است: https://en.wikipedia.org/wiki/List_of_power_stations_in_California (در 14 دسامبر 2021 قابل دسترسی است).
  • مکان‌های آتش‌سوزی‌های بزرگ از اداره جنگل‌داری و حفاظت از آتش کالیفرنیا (CAL FIRE) دانلود می‌شود: https://www.fire.ca.gov/incidents/2020/ (در 14 دسامبر 2021 قابل دسترسی است).
  • مکان های بزرگراه های ملی در کالیفرنیا از وب سایت رسمی اداره سرشماری ایالات متحده، وزارت بازرگانی به دست آمده است: https://catalog.data.gov/dataset/tiger-line-shapefile-2016-nation-us-primary-roads- National-shapefile (در 14 دسامبر 2021 قابل دسترسی است).

4.3. داده های مکانی و زمانی

این مطالعه از طریق مقایسه بین سه دوره، قبل از (26 ژانویه تا 18 مارس)، در طول (19 مارس تا 8 مه)، و پس از (9 مه تا 14 ژوئن) قرنطینه کالیفرنیا در سال 2020 انجام شد و الگوهای انتشار آلاینده‌ها را مقایسه کرد. آلودگی هوا با میانگین سالانه 2015-2019. کالیفرنیا به دلیل شرایط شدید شیوع COVID-19 و میزان بالای آلودگی هوا به عنوان منطقه مورد مطالعه این تحقیق انتخاب شد. ما مشاهدات زمینی آلاینده های هوا مانند NO 2 ، O 3 ، CO، PM 2.5 و PM 10 را که از آژانس حفاظت از محیط زیست (EPA) و ماهواره NO 2 به دست آمده بود، جمع آوری کردیم.مشاهدات به دست آمده از ابزار مانیتورینگ ازن (OMI) در ماهواره هاله سیستم رصد زمین ناسا (EOS).

4.4. ابزار تحلیلی فضایی و زمانی

KNIME یک نرم افزار تحلیلی است که از ادغام ابزارها و کتابخانه های نرم افزاری پیچیده پشتیبانی می کند. زمان و خطاهای پیش روی محققان برای راه اندازی محیط برنامه نویسی را کاهش می دهد. گردش کار KNIME را می توان به راحتی صادر کرد و با دیگرانی که ممکن است مهارت برنامه نویسی متخصصی ندارند به اشتراک گذاشته شود. محققان به سادگی می توانند گردش کار را برای بازتولید نتایج اجرا کنند یا از آن برای تجزیه و تحلیل خود استفاده مجدد کنند.
شکل 3 گردش کار KNIME را نشان می دهد، یک ابزار تحلیلی مکانی-زمانی منبع باز، که با استفاده از بسته های پایتون مانند numpy، netCDF4، h5py، math و scipy توسعه یافته است. این ابزار برای تولید میانگین روزانه غلظت هر آلاینده در کالیفرنیا برای داده‌های 2020 و 2015-2019 استفاده می‌شود.
الگوهای فضایی NO 2 جوی نیز در کالیفرنیا با مقایسه داده های سال 2020 با میانگین های تاریخی مورد بررسی قرار گرفت. ما از (i) کتابخانه های زمین فضایی پایتون مانند GDAL، Fiona، Geopandas برای استخراج اطلاعات مکانی از فایل های برداری و شطرنجی استفاده کردیم. (ب) بسته netCDF برای خواندن و نوشتن فایل های netCDF. (iii) بسته های matplotlib و basemap برای تجسم الگوهای فضایی. ما مفاهیم مکانی-زمانی این تحقیق را با شی مکانی به عنوان کالیفرنیا، مفاهیم زمانی به عنوان سه دوره قبل از (26 ژانویه تا 18 مارس)، در طول (19 مارس تا 8 مه)، و پس از (9 مه تا 14 ژوئن) قرنطینه کالیفرنیا رسمیت دادیم. در سال 2020 و مقایسه الگوهای انتشار آلودگی هوا با میانگین سالانه 2015-2019 و ویژگی موضوعی به عنوان آلودگی هوا.
انتشار آلاینده های هوا برای سه دوره فوق به طور جداگانه مورد تجزیه و تحلیل قرار گرفت. سپس درصد تغییرات بین دوره‌های مختلف محاسبه شد تا تأیید شود که آیا همه‌گیری COVID-19 بر انتشار آلاینده‌های هوا تأثیر گذاشته است یا خیر.

4.5. نتایج/تجسم

با استفاده از آلاینده‌های هوا، ابزار تحلیل مکانی و زمانی و راهنمایی به اشتراک گذاشته شده در مخزن، محیط برنامه‌نویسی راه‌اندازی شد و ابزار تحلیلی برای تکرار تحقیق اجرا شد. شکل 4 نتیجه تکراری تغییرات روزانه در میانگین متحرک 7 روزه غلظت CO در CA را نشان می دهد. شکل 5 نتیجه تکرار شده الگوهای فضایی TVCD NO 2 تروپوسفر را در دوره پس از CA در سال 2020 نشان می دهد.

4.6. اشتراک گذاری و نگهداری

ما داده‌های آلاینده‌های هوا، کد منبع برای محاسبه میانگین غلظت آلاینده‌های هوا و نتایج حاصل از کار تحقیقاتی را از طریق مخزن GitHub STC با مردم به اشتراک گذاشتیم. مخزن GitHub برای تجزیه و تحلیل COVID-19 در مورد کیفیت هوا “COVID-19” نام گرفت. در داخل این مخزن، در پوشه “Analysis/CA-Air Pollution”، ما منابع مربوط به این تجزیه و تحلیل کیفیت هوا را ذخیره کردیم. شکل 6 داده های آلاینده های هوا، ابزار تحلیلی و نتایج به اشتراک گذاشته شده در مخزن STC COVID-19 GitHub را نشان می دهد.
پوشه CA-Air Pollution دارای سه زیر پوشه است که عبارتند از:
  • پوشه “داده های آلاینده های هوا” حاوی “داده های آلودگی هوای زمینی CA” مونوکسید کربن، ازن، دی اکسید نیتروژن، PM 10 ، PM 2.5 و دی اکسید گوگرد و “داده های NO 2 مبتنی بر ماهواره ” برای دوره مورد مطالعه 2020 است.
  • پوشه “ابزار تحلیلی کیفیت هوا” حاوی اسکریپت پایتون (OMI_static_ca.py) برای محاسبه میانگین روزانه دی اکسید نیتروژن و محاسبه تفاوت بین دو دوره مطالعه است.
  • پوشه «نتایج کیفیت هوا» حاوی صفحه‌گسترده‌ای به نام california_counties_COVID_env_data.xlsx است. برای هر آلاینده میانگین غلظت روزانه دارد.

4.7. راهنمای کاربر و ویدیو

ما یک راهنمای کاربر ایجاد کردیم که دستورالعمل های گام به گام را برای تکرار تجزیه و تحلیل کیفیت هوای کالیفرنیا ارائه می کرد. راهنمای کاربر دارای اطلاعات زیر برای کمک به محققان برای تکرار است:
  • بسته های پایتون مورد نیاز را مشخص کنید.
  • دستورالعمل هایی در مورد نحوه راه اندازی محیط مجازی ارائه دهید.
  • بسته های پایتون را با استفاده از pip نصب کنید.
  • محل دریافت مجموعه داده های ورودی را نشان دهید.
  • ابزار تحلیلی را اجرا کنید و نتایج را بدست آورید.
علاوه بر این، ما همچنین یک ویدیوی آموزشی ساختیم که دنباله ای از مراحل بالا را دنبال کرد تا تحقیقات تجزیه و تحلیل کیفیت هوا را تکرار کند. ما از YouTube برای به اشتراک گذاشتن ویدیو برای استفاده عمومی استفاده کردیم.

5. آمار ترافیک و تعهد

ما از کلون‌ها و تعداد بازدیدکنندگان منحصربه‌فرد به مدت 14 روز در ماه مه 2021 (از 16 مه 2021 تا 29 مه 2021) برای تجسم ترافیک موجود در مخازن خود استفاده کردیم. شکل 7 ، شکل 8 و شکل 9 تعداد کلون‌های منحصربه‌فرد، تعداد بازدیدکنندگان منحصربه‌فرد، و محتوای محبوب را برای 14 روز مخزن داده‌های COVID-19 نشان می‌دهد. این ارقام بینشی در مورد علاقه جامعه به مجموعه داده های باز جمع آوری شده ما ارائه می دهد. در طول دوره 14 روزه، در مجموع 67 کلون منحصر به فرد و 77 بازدید کننده منحصر به فرد داریم. مجموعه ملی داده‌های موردی روزانه کووید-19 با تعداد 171 بازدید، محبوب‌ترین محتوا در مخزن است. ما از آمار commit برای نشان دادن فعالیت و تعهد خود به حفظ اطلاعات به روز در مخزن استفاده کردیم.شکل 10 تعداد تعهدات در سال گذشته را نشان می دهد. با استفاده از GitHub Actions، داده‌های روزانه مورد COVID-19 را در سطح کشور به‌روزرسانی می‌کنیم.

6. نتیجه گیری

در این مقاله، ما یک گردش کار منبع باز برای توسعه برنامه های کاربردی مکانی متن باز برای تجزیه و تحلیل محیطی طراحی کردیم. ما همچنین در مورد یک مورد استفاده با توسعه یک پروژه geospatial منبع باز برای تأیید روند کاهشی آلاینده‌های هوا در کالیفرنیا، ایالات متحده بحث کردیم. ما داده ها، ابزارهای تحلیلی و نتایج را با جامعه به اشتراک گذاشتیم و آنها را برای دسترسی رایگان در دسترس قرار دادیم. ما با موفقیت تحقیقات زیست‌محیطی و سیاست‌گذاری مرتبط با COVID-19 و داده‌های موردی روزانه در سطح کشور را در مخزن عمومی GitHub مستقر کرده‌ایم. منابع مشترک جغرافیایی توجه قابل توجهی را در جامعه به خود جلب کرده است. به طور خاص، مخزن داده‌های مورد روزانه COVID-19 دارای 77 بازدیدکننده منحصربه‌فرد از 16 مه 2021 تا 29 مه 2021 است. منابع فضایی باز درک جامعی از وضعیت همه‌گیری ارائه می‌دهند. به عنوان مثال، تجزیه و تحلیل محیطی به تصمیم گیرندگان کمک می کند تا اقدامات کنترل COVID-19 را با ردیابی انتشار آلاینده های هوا ارزیابی کنند. انتشار آلاینده های هوا مستلزم فعالیت های انسانی مانند حمل و نقل، عملیات صنایع و نیروگاه ها و مصرف سوخت فسیلی است. یافته های تحقیق تجزیه و تحلیل سیاست به درک تأثیر سیاست بر تحرک، موارد و میزان مرگ و میر کمک می کند. در میان بسیاری از مزایای عملی استفاده از منبع باز در یک محیط تحقیقاتی، پرورش یک رویکرد جمعی و مشارکتی در میان محققان برای پاسخ سریع COVID-19 برای کار به سمت یک هدف مشترک حیاتی است. ما از GitHub به عنوان پلتفرم مشترک منبع باز خود استفاده کردیم. این به عنوان یک راه حل تک نقطه ای برای انتشار منابع جغرافیایی عمل می کند و به اشتراک گذاری مبتنی بر دانش را ارائه می دهد. برخی از چالش‌هایی که در مطالعات قبلی با فناوری منبع باز نشان داده شد، نداشتن مستندات و کیفیت مناسب در منابع باز بود. ما مشکل کیفیت را با استفاده از آزمون بررسی همتا حل کردیم. اعضای تیمی که مستقیماً در فرآیند توسعه شرکت نداشتند، تست بررسی همتا را انجام دادند. بازبینی کنندگان داده ها، ابزارها و نتایج را قبل از انتشار در جامعه تأیید می کنند. علاوه بر این، دستورالعمل های گام به گام و فیلم های آموزشی را برای تکرار تحقیق ارائه کردیم. و نتایج قبل از انتشار در جامعه. علاوه بر این، دستورالعمل های گام به گام و فیلم های آموزشی را برای تکرار تحقیق ارائه کردیم. و نتایج قبل از انتشار در جامعه. علاوه بر این، دستورالعمل های گام به گام و فیلم های آموزشی را برای تکرار تحقیق ارائه کردیم.
گردش کار منبع باز به تحقیقات مکانی-زمانی کمک کرده است تا به راحتی قابل تکرار باشد و نتایج یکسان را دوباره ایجاد کند. علاوه بر این، باز کردن کد منبع، ابزارها، داده‌ها و نتایج برای عموم باعث ارتقای کار تحقیقاتی و افزایش اعتبار مشارکت ما در جامعه شد. گردش کار منبع باز تحقیقات COVID-19 مجموعه ای از فعالیت های سفت و سخت و تعریف شده را در هر مرحله دنبال کرد. با این حال، با تغییرات سریع در حوزه تحقیق و الزامات، یک گردش کار منبع باز برای پشتیبانی از انعطاف پذیری و پذیرش سریع مورد نیاز است. روش‌های چابک از توسعه تکراری و تکاملی، پاسخ سریع و انعطاف‌پذیر به نیازهای متغیر پشتیبانی می‌کنند و برنامه‌ریزی انطباقی را ترویج می‌کنند. در آینده، ما گردش کار منبع باز را بهبود می‌بخشیم تا نمونه‌سازی سریع‌تر و چابک‌تر باشد و گردش کار را برای پذیرش جامعه برای حمایت از مطالعات فضایی و زمانی استاندارد کنیم. سرعت در توسعه نرم افزار منبع باز ارزش نرم افزار را با ارائه نرم افزار کار با رویکرد افزایشی بهبود می بخشد.

منابع

  1. سازمان جهانی بهداشت – جدول زمانی تعاملی. در دسترس آنلاین: https://www.who.int/emergencies/diseases/novel-coronavirus-2019/interactive-timeline (در 10 مه 2021 قابل دسترسی است).
  2. بروولی، م. Ilie، CM; Coetzee، S. علوم فضایی و فضایی جامعه برای نظارت بر SDG ها – نمونه ای از تانزانیا. در اهداف توسعه پایدار معضل اتصال: اطلاعات زمین و مکانی برای تاب آوری شهری و روستایی . CRC Press: بوکا راتون، فلوریدا، ایالات متحده آمریکا، 2019؛ صص 313-324. [ Google Scholar ]
  3. کوتزی، اس. ایوانووا، آی. میتاسووا، اچ. Brovelli، MA نرم افزار و داده های فضایی باز: مروری بر وضعیت فعلی و چشم اندازی به آینده. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 90. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  4. تعریف را باز کنید. بنیاد دانش باز در دسترس آنلاین: https://opendefinition.org/ (دسترسی در 19 آوریل 2021).
  5. Stallman, R. Free Software, Free Society: Selected Essas of Richard M. Stallman ; لولو Com: Morrisville, NC, USA, 2002. [ Google Scholar ]
  6. اشتاینیگر، اس. Hunter، AJS نقشه نرم افزار GIS رایگان و منبع باز 2012 – راهنمای تسهیل تحقیق، توسعه و پذیرش. محاسبه کنید. محیط زیست سیستم شهری 2013 ، 39 ، 136-150. [ Google Scholar ] [ CrossRef ]
  7. Stallman, R. Viewpoint چرا منبع باز نکته نرم افزار آزاد را از دست می دهد. اشتراک. ACM 2009 ، 52 ، 31-33. [ Google Scholar ] [ CrossRef ]
  8. بنیاد زمین فضایی منبع باز. در دسترس آنلاین: https://www.osgeo.org/ (دسترسی در 19 آوریل 2021).
  9. منبع باز چیست؟ در دسترس آنلاین: https://www.osgeo.org/about/what-is-open-source/ (دسترسی در 19 آوریل 2021).
  10. بروولی، MA; مینگینی، ام. مورنو سانچز، آر. Oliveira, R. نرم افزار رایگان و متن باز برای برنامه های کاربردی جغرافیایی (FOSS4G) برای پشتیبانی از زمین آینده. بین المللی جی دیجیت. زمین 2017 ، 10 ، 386-404. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. هال، گیگابایت؛ Leahy، MG Open Source Approaches in Spatial Data Handling , 2nd ed.; Springer: برلین، آلمان، 2008. [ Google Scholar ]
  12. رائو، KV; گووردان، ع. Rao، KC داده کاوی فضایی و زمانی: مسائل، وظایف و برنامه ها. بین المللی جی. کامپیوتر. علمی مهندس Surv. 2012 ، 3 ، 39. [ Google Scholar ]
  13. براندون، سی. Comber, A. Opening Practice: پشتیبانی از تکرارپذیری و علم داده های فضایی حیاتی. جی. جئوگر. سیستم 2020 ، 23 ، 477-496. [ Google Scholar ] [ CrossRef ]
  14. شو، ی. McCauley, J. GISAID: ابتکار جهانی برای به اشتراک گذاری تمام داده های آنفولانزا – از بینایی تا واقعیت. Eurosurveillance 2017 , 22 , 30494. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  15. فریزر، جی اس. شارد، ا. هردمن، جی. مشارکت جامعه منبع باز در مبارزه با همه‌گیری جهانی COVID-19: یک بررسی. جی. مد. مهندس تکنولوژی 2020 ، 44 ، 169-176. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  16. هو، تی. گوان، دبلیو دبلیو. زو، ایکس. شائو، ی. لیو، ال. دو، ج. لیو، اچ. ژو، اچ. وانگ، جی. او، بی. و همکاران ساخت مخازن منابع باز برای تحقیقات COVID-19. اطلاعات اطلاعات مدیریت 2020 ، 3 ، 130-147. [ Google Scholar ]
  17. آلامو، تی. رینا، دی جی; مامرلا، م. Abella, A. منابع داده باز برای مبارزه با کووید-19. arXiv preprint 2020 , arXiv:2004.06111. [ Google Scholar ]
  18. مرکز منابع ویروس کرونا دانشگاه پزشکی جان هاپکینز. در دسترس آنلاین: https://coronavirus.jhu.edu/map.html (در 19 آوریل 2021 قابل دسترسی است).
  19. ردیاب واکنش دولت COVID-19. دانشگاه آکسفورد. در دسترس آنلاین: https://www.bsg.ox.ac.uk/research/research-projects/covid-19-government-response-tracker (در 19 آوریل 2021 قابل دسترسی است).
  20. هاروارد دیتاورس در دسترس آنلاین: https://dataverse.harvard.edu/dataverse/2019ncov (دسترسی در 19 آوریل 2021).
  21. شجاع، ج. آلانازی، ای. آلاسماری، دبلیو. Alashaikh, A. مجموعه داده‌های COVID-19: بررسی و چالش‌های آینده. توسعه 2020 ، 11 ، 12. [ Google Scholar ]
  22. کوهن، جی پی. موریسون، پی. دائو، ال. راث، ک. Duong، TQ; قاسمی، م. جمع آوری داده های تصویر COVID-19: پیش بینی های آینده نگر آینده است. arXiv preprint 2020 , arXiv:2006.11988. [ Google Scholar ]
  23. دونگ، ای. دو، اچ. گاردنر، ال. داشبورد تعاملی مبتنی بر وب برای ردیابی کووید-19 در زمان واقعی. عفونت لانست دیس 2020 ، 20 ، 533-534. [ Google Scholar ] [ CrossRef ]
  24. چن، ای. لرمن، ک. فرارا، ای. ردیابی گفتمان رسانه‌های اجتماعی در مورد همه‌گیری کووید-۱۹: توسعه مجموعه داده‌های عمومی ویروس کرونا در توییتر. نظارت بر سلامت عمومی JMIR. 2020 ، 6 ، e19273. [ Google Scholar ] [ CrossRef ]
  25. وانگ، LL; لو، ک. چاندراسخار، ی. ریس، ر. یانگ، جی. عید، دی. فانک، ک. Kinney، RM; لیو، ز. مریل، دبلیو. و همکاران CORD-19: مجموعه داده تحقیقات باز Covid-19. arXiv 2020 ، arXiv:2004.10706v2. [ Google Scholar ]
  26. لیو، کیو. لیو، دبلیو. شا، دی. کومار، اس. تغییر دادن.؛ آرورا، وی. لان، اچ. لی، ی. وانگ، ز. ژانگ، ی. و همکاران مجموعه داده های زیست محیطی برای تحقیقات همه گیر COVID-19. داده 2020 ، 5 ، 68. [ Google Scholar ] [ CrossRef ]
  27. ماریویته، وی. Combrink، HM استفاده از داده های موجود برای اطلاع از شیوع COVID-19 در آفریقای جنوبی: مطالعه موردی. arXiv preprint 2020 , arXiv:2004.04813. [ Google Scholar ] [ CrossRef ]
  28. وانگ، ال. لی، آر. ژو، جی. بای، جی. Wang, H. هنگامی که جامعه منبع باز با COVID-19 ملاقات می کند: ویژگی مخازن GitHub با موضوع COVID-19. arXiv preprint 2020 , arXiv:2010.12218. [ Google Scholar ]
  29. سینگلتون، AD; اسپیلمن، اس. براندون، سی. ایجاد چارچوبی برای علم اطلاعات جغرافیایی باز. بین المللی جی. جئوگر. Inf. علمی 2016 ، 30 ، 1507-1521. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. دبیش، ال. استوارت، سی. تسای، ج. Herbsleb, J. Social Coding در GitHub: شفافیت و همکاری در یک مخزن نرم افزار باز. در مجموعه مقالات کنفرانس ACM 2012 در مورد کار تعاونی با پشتیبانی رایانه، نیویورک، نیویورک، ایالات متحده آمریکا، 11 تا 15 فوریه 2012. [ Google Scholar ]
  31. زاگالسکی، آ. فلیسیانو، جی. استوری، م.-الف. ژائو، ی. Wang, W. ظهور github به عنوان یک پلت فرم مشترک برای آموزش. در مجموعه مقالات هجدهمین کنفرانس ACM در زمینه کار تعاونی و محاسبات اجتماعی با پشتیبانی رایانه، ونکوور، BC، کانادا، 14 تا 18 مارس 2015. [ Google Scholar ]
  32. کمپر، ​​سی. Oxley, I. Foundation Control Version for Web Developers ; APress: نیویورک، نیویورک، ایالات متحده آمریکا، 2012. [ Google Scholar ]
  33. Erenkrantz، JR مدیریت انتشار در پروژه های منبع باز. در مجموعه مقالات 3. کارگاه مهندسی نرم افزار منبع باز، انجمن کامپیوتر IEEE، پورتلند، OR، ایالات متحده آمریکا، 3 تا 10 مه 2003. [ Google Scholar ]
  34. استول، ک.-جی. بابر، کارشناسی ارشد چالش های استفاده از نرم افزار منبع باز در توسعه محصول: مروری بر ادبیات. در مجموعه مقالات سومین کارگاه بین المللی درباره روندهای نوظهور در تحقیق و توسعه نرم افزار رایگان/آزاد/متن باز، کیپ تاون، آفریقای جنوبی، 8 مه 2010. [ Google Scholar ]
  35. آنکوله کار، ا. Herbsleb، JD; Sycara، K. پرداختن به چالش‌ها برای همکاری منبع باز با وب معنایی. در مجموعه مقالات سومین کارگاه مهندسی نرم افزار منبع باز، بیست و پنجمین کنفرانس بین المللی مهندسی نرم افزار (ICSE)، انجمن کامپیوتر IEEE، پورتلند، OR، ایالات متحده آمریکا، 3 تا 10 مه 2003. [ Google Scholar ]
  36. Scacchi, W. درک الزامات برای توسعه سیستم های نرم افزار منبع باز. IEEE Proc.-Softw. 2002 ، 149 ، 24-39. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. موکوس، ا. RFielding، T. Herbsleb, J. مطالعه موردی توسعه نرم افزار منبع باز: سرور آپاچی. در مجموعه مقالات بیست و دومین کنفرانس بین المللی مهندسی نرم افزار، لیمریک، ایرلند، 4 تا 11 ژوئن 2000. [ Google Scholar ]
  38. کن، اف. Meirelles، P. لاگو، ن. ترسیرو، آ. چاوز، سی. Mendonça، M. توسعه و تحقیق نرم افزار منبع باز و رایگان: فرصت هایی برای مهندسی نرم افزار. در مجموعه مقالات بیست و پنجمین سمپوزیوم برزیل در سال 2011 در زمینه مهندسی نرم افزار، سائوپائولو، برزیل، 28 تا 30 سپتامبر 2011. [ Google Scholar ]
  39. آلمانی، DM پروژه گنوم: مطالعه موردی منبع باز، توسعه نرم افزار جهانی. نرم افزار بهبود فرآیند تمرین کنید. 2003 ، 8 ، 201-215. [ Google Scholar ] [ CrossRef ]
  40. دین ترونگ، تی. Bieman، JM توسعه نرم افزار منبع باز: مطالعه موردی FreeBSD. در مجموعه مقالات دهمین سمپوزیوم بین المللی متریک نرم افزار، شیکاگو، IL، ایالات متحده، 11 تا 17 سپتامبر 2004. [ Google Scholar ]
  41. میتاسووا، اچ. Neteler، M. آزادی در علم اطلاعات جغرافیایی و توسعه نرم افزار: مشارکت GRASS GIS. در مجموعه مقالات کنفرانس کاربران نرم افزار آزاد متن باز GIS-GRASS، ترنتو، ایتالیا، 11 تا 13 سپتامبر 2002. [ Google Scholar ]
  42. آلن، جی. Carbonell, JG; دادینگتون، جی. یامرون، جی. یانگ، ی. گزارش نهایی مطالعه آزمایشی شناسایی و ردیابی موضوع ؛ دانشگاه کارنگی ملون: پیتسبورگ، PA، ایالات متحده آمریکا، 1998. [ Google Scholar ]
  43. یو، م. بامباکوس، ام. سروون، جی. کلارک، ک. دافی، دی. هوانگ، Q. لی، جی. لی، دبلیو. لی، ز. لیو، کیو. و همکاران تشخیص رویداد فضایی و زمانی: یک بررسی بین المللی جی دیجیت. زمین 2020 ، 13 ، 1339-1365. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. تریفونا، ن. قیمت، R. جنسن، CS فصل 3: مدل‌های مفهومی برای کاربردهای مکانی-زمانی. در پایگاه‌های داده مکانی-زمانی: رویکرد CHOROCHRONOS . Sellis، TK، Koubarakis، M.، Frank، A.، Grumbach، S.، Güting، RH، Jensen، C.، Lorentzos، NA، Manolopoulos، Y.، Nardelli، E.، Pernici، B.، و همکاران. ، ویرایش. Springer: برلین/هایدلبرگ، آلمان، 2003; صص 79-116. [ Google Scholar ]
  45. Pfoser، D.; Tryfona، N. الزامات، تعاریف، و نمادها برای محیط های کاربردی فضایی-زمانی. در مجموعه مقالات ششمین سمپوزیوم بین المللی ACM در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، نیویورک، نیویورک، ایالات متحده آمریکا، 2 تا 7 نوامبر 1998. [ Google Scholar ]
  46. Peuquet, D. Time in GIS and Geographical Databases. Geogr. Inf. سیستم 2005 ، 1 ، 91-103. [ Google Scholar ]
  47. یانگ، سی. کلارک، ک. شکر، س. تائو، CV تجزیه و تحلیل داده های مکانی-زمانی بزرگ: مرز تحقیق و نوآوری. بین المللی جی. جئوگر. Inf. علمی 2020 ، 34 ، 1075-1088. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  48. شکر، س. جیانگ، ز. علی، RY; افتلی اوغلو، ای. تانگ، ایکس. گونتوری، VMV؛ ژو، X. داده کاوی فضایی-زمانی: یک دیدگاه محاسباتی. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 2306-2338. [ Google Scholar ] [ CrossRef ]
  49. Fagan، ME طراحی و بازرسی کد برای کاهش خطاها در توسعه برنامه. سیستم آی بی ام J. 1999 , 38 , 258-287. [ Google Scholar ] [ CrossRef ]
  50. پنگ، RD تحقیقات تکرارپذیر در علوم محاسباتی. Science 2011 ، 334 ، 1226-1227. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  51. Tobler, WR یک فیلم کامپیوتری شبیه سازی رشد شهری در منطقه دیترویت. اقتصاد Geogr. 1970 ، 46 ، 234-240. [ Google Scholar ] [ CrossRef ]
  52. Benureau، FCY; Rougier، NP اجرا مجدد، تکرار، تولید مجدد، استفاده مجدد، تکرار: تبدیل کد به مشارکت علمی. جلو. اطلاعات عصبی 2018 ، 11 ، 69. [ Google Scholar ] [ CrossRef ]
  53. لیو، کیو. هریس، جی تی; چیو، LS; سان، دی. هاوسر، روابط عمومی؛ یو، م. دافی، دی کیو؛ کوچک، MM. یانگ، سی. تأثیرات فضایی و زمانی COVID-19 بر آلودگی هوا در کالیفرنیا، ایالات متحده. علمی کل محیط. 2021 ، 750 ، 141592. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00013 g001 550
شکل 1. گردش کار منبع باز برای تحقیقات مکانی و زمانی.
Ijgi 11 00013 g002 550
شکل 2. گردش کار منبع باز فضایی-زمانی برای تجزیه و تحلیل کیفیت هوای کالیفرنیا COVID-19.
Ijgi 11 00013 g003 550
شکل 3. گردش کار KNIME برای تخمین میانگین روزانه غلظت آلاینده ها در کالیفرنیا برای سال های 2020 و 2015-2019.
Ijgi 11 00013 g004 550
شکل 4. تغییرات روزانه میانگین‌های متحرک 7 روزه غلظت CO بیش از CA (سبز نشان‌دهنده میانگین CO سال‌های گذشته، آبی بنفش نشان‌دهنده CO سال 2020، تکرار شده از [ 53 ]).
Ijgi 11 00013 g005 550
شکل 5. الگوهای فضایی تغییر یافته NO 2 TVCD تروپوسفری بیش از CA (پس از دوره 2020 در مقایسه با دوره 2020). (برگرفته از [ 53 ]).
Ijgi 11 00013 g006 550
شکل 6. داده های آلاینده های هوا، ابزار تحلیلی و نتایج به اشتراک گذاشته شده در مخزن STC.
Ijgi 11 00013 g007 550
شکل 7. تعداد کلون های منحصر به فرد مخزن داده COVID-19 برای 14 روز گذشته.
Ijgi 11 00013 g008 550
شکل 8. تعداد بازدیدکنندگان منحصر به فرد مخزن داده COVID-19 در 14 روز گذشته.
Ijgi 11 00013 g009 550
شکل 9. محتوای محبوب مخزن داده COVID-19 در 14 روز گذشته.
Ijgi 11 00013 g010 550
شکل 10. تعداد تعهدات مخزن داده COVID-19.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید