خلاصه

بدون مدیریت داده‌های مکانی، چالش‌های امروزی در کاربردهای داده‌های بزرگ مانند رصد زمین، یکپارچه‌سازی سیستم اطلاعات جغرافیایی/مدل‌سازی اطلاعات ساختمان (GIS/BIM) و برنامه‌ریزی شهری 3 بعدی/4 بعدی قابل حل نیستند. علاوه بر این، مدیریت داده‌های مکانی نقش ارتباطی بین جمع‌آوری داده‌ها، مدل‌سازی داده‌ها، تجسم داده‌ها و تجزیه و تحلیل داده‌ها ایفا می‌کند. این امکان دسترسی مداوم به داده های مکانی و تکرارپذیری تجزیه و تحلیل داده های مکانی را فراهم می کند. در بخش اول این مقاله، پنج نقطه عطف تحقیقات مدیریت داده‌های مکانی ارائه شده است که در دهه گذشته به دست آمده‌اند. اولین مورد منعکس کننده پیشرفت در یکپارچه سازی BIM/GIS در سطوح داده، فرآیند و برنامه است. نقطه عطف دوم با معرفی توپولوژی به عنوان یک مفهوم کلیدی مدیریت داده‌های مکانی، پیشرفت نظری را ارائه می‌کند. در نقطه عطف سوم، مدیریت داده‌های جغرافیایی 3 بعدی/4 بعدی به عنوان یک مفهوم کلیدی برای مدل‌سازی شهر، از جمله مدل‌های زیرسطحی توصیف می‌شود. پیشرفت در مدل‌سازی و تجسم ویژگی‌های عظیم جغرافیایی در پلتفرم‌های وب، چهارمین نقطه عطف است که شامل سیستم‌های شبکه جهانی گسسته به عنوان یک چارچوب مرجع مکانی جایگزین می‌شود. استفاده فشرده از منابع داده ژئوسنسور پنجمین نقطه عطفی است که راه را برای بسترهای ذخیره سازی موازی داده که از تجزیه و تحلیل داده ها بر روی ژئوسنسورها پشتیبانی می کنند باز می کند. در بخش دوم این مقاله، پنج جهت آینده تحقیقات مدیریت داده‌های مکانی ارائه می‌شود که پتانسیل تبدیل شدن به حوزه‌های تحقیقاتی کلیدی مدیریت داده‌های مکانی در دهه آینده را دارند. علم داده‌های جغرافیایی وظیفه استخراج دانش از داده‌های جغرافیایی ساختاریافته و ساختاریافته و پر کردن شکاف بین مفاهیم مدرن فناوری اطلاعات و علوم مرتبط با زمین را خواهد داشت. توپولوژی به عنوان یک مفهوم قدرتمند و کلی برای تجزیه و تحلیل ساختارهای داده های GIS و BIM و روابط فضایی ارائه شده است که در کاربردهای نوظهور مانند شهرهای هوشمند و دوقلوهای دیجیتال از اهمیت بالایی برخوردار خواهد بود. کتابخانه‌های جریان داده و محاسبات جغرافیایی «درجا» روی اشیایی که مستقیماً روی حسگرها اجرا می‌شوند، انقلابی در علم اطلاعات جغرافیایی ایجاد می‌کنند و محاسبات جغرافیایی را با مدیریت داده‌های مکانی پل می‌کنند. تجسم پیشرفته داده‌های مکانی روی پلتفرم‌های وب، نمایش ویژگی‌های جغرافیایی در حال تغییر پویا یا مسیر حرکت اجسام را ممکن می‌سازد. سرانجام،

کلید واژه ها:

مدیریت داده های جغرافیایی ؛ داده های بزرگ جغرافیایی ؛ پایگاه داده های جغرافیایی nD ; توپولوژی ; پایگاه داده گراف ; هوش مصنوعی

1. معرفی

استفاده گسترده از مجموعه داده های مرجع جغرافیایی در بسیاری از زمینه های علم و اقتصاد از جمله مشاهده زمین [ 1 ]، علوم محیطی [ 2 ]، برنامه ریزی شهری [ 3 ]، BIM [ 3 ، 4 ]، پردازش بلادرنگ [ 5 ، 6 ] ]، و تجزیه و تحلیل برای داده های مکانی [ 5 ]، مدیریت داده های مکانی را به طور فزاینده ای یک وظیفه اصلی در گردش کار پردازش داده های مکانی می کند [ 1 ، 5 ، 7 ]]. رویکردهای اخیر، پلتفرم‌ها و کانتینرهای داده باز را برای مدیریت کارآمد داده‌های شطرنجی و برداری بزرگ جغرافیایی در نظر می‌گیرند. با این حال، معیار کمی برای مقایسه کارایی ذخیره‌های بزرگ داده‌های مختلف به‌ویژه در رابطه با عملکردهای فضایی آنها انجام شده است [ 7 ]، و پشتیبانی از داده‌های بزرگ تمام ماجرا نیست. به عنوان مثال، مدیریت داده‌های جغرافیایی نیز وظیفه سنگین ادغام داده‌ها از منابع داده ناهمگن را بر عهده دارد [ 3 ، 4 ، 8 ].
در این مقاله، ما از اصطلاح «مدیریت داده‌های مکانی» برای درج، حذف، به‌روزرسانی و بازیابی مجموعه‌های داده‌های هندسی با مرجع جغرافیایی، یعنی بردار یا شطرنجی و همچنین مجموعه داده‌های توپولوژیکی استفاده می‌کنیم. با این حال، ارتباط نزدیک مدیریت داده‌های مکانی با سایر زمینه‌های تحقیقاتی در علم اطلاعات جغرافیایی مانند مدل‌سازی داده‌ها، تجسم داده‌ها و تجزیه و تحلیل داده‌ها کانون توجه ما است. مشارکت‌های اصلی این مطالعه اولاً ارائه یک مرور کلی از تحقیقات گذشته در طول دهه گذشته، ارائه پنج نقطه عطف، و ثانیاً برجسته کردن جهت‌های آینده تحقیقات مدیریت داده‌های مکانی است که پتانسیل تبدیل شدن به زمینه‌های تحقیقاتی کلیدی در دهه آینده را دارند. .
مدیریت داده های مکانی نیز به شدت تحت تأثیر ادغام زمینه های کاربردی مانند BIM و GIS است. همانطور که توسط Web of Science گزارش شده و در شکل 1 ارائه شده است ، تعداد انتشارات مربوط به یکپارچه سازی BIM و GIS به طور قابل توجهی از سال 2015 افزایش یافته است که نشان دهنده اهمیت ادغام BIM و 3D GIS توسط جوامع AEC و OGC است. علاوه بر این، اصطلاح جدیدی برای داده های یکپارچه BIM و GIS به عنوان GeoBIM ابداع شد و یک معیار ( https://3d.bk.tudelft.nl/projects/geobim-benchmark/ ) توسط انجمن های ISPRS کمیسیون IV برای تقویت ظهور آغاز شد. ادغام BIM و GIS در تحقیق و توسعه که دانشگاه ها، سهامداران، دولت و صنایع را درگیر می کند.
ساختار این مقاله به شرح زیر است: در بخش 2 ، ما به تحقیقات در زمینه مدیریت داده های مکانی با اشاره نزدیک به پیشرفت ISPRS در طول دهه گذشته، و به دنبال آن جهت گیری های آینده تحقیقات پایگاه داده های جغرافیایی در بخش 3 اشاره می کنیم. در نهایت، بخش 4 نتیجه گیری مقاله را ارائه می کند.

2. پیشرفت در دهه گذشته

در طول دهه گذشته، پیشرفت قابل توجهی در تحقیقات مدیریت داده های جغرافیایی حاصل شده است. این شامل تحقیقات کاربردی و همچنین نتایج نظری است. در ادامه ما پنج نقطه عطف را ارائه می کنیم که طیف گسترده ای از این تحقیق را منعکس می کند.

2.1. Milestone 1: پیشرفت یکپارچه سازی GIS/BIM در سطوح داده، فرآیند و برنامه

برای مدیریت داده‌های مکانی، ادغام GIS و BIM [ 9 ، 10 ، 11 ، 12 ] به این معنی است که دو «فلسفه» مختلف نمایش داده‌های مکانی در حال رشد هستند: مدل‌های ترکیبی مانند شبکه‌های مثلثی که برای سطوح استفاده می‌شوند و شبکه‌های چهار وجهی که برای جامدات استفاده می‌شوند. در یک طرف (GIS) و هندسه جامد سازنده (CSG) و مدل‌های جارویی در طرف دیگر (BIM). بنابراین، هر دو نوع مدل داده های مکانی باید به عنوان انواع داده های هندسی و توپولوژیکی در پایگاه های داده های مکانی در نظر گرفته شوند. علاوه بر این، ابرهای نقطه ای از اسکن لیزری زمینی [ 12] باید به عنوان منابع داده مهم برای BIM در نظر گرفته شوند. آنها علاوه بر این باید در پایگاه های اطلاعاتی جغرافیایی مدیریت شوند.
اخیراً فضای شهر مجازی سه بعدی به عنوان ویژگی کلیدی شهرهای پایدار هوشمند مورد توجه قرار گرفته است [ 4 ]. برای تقویت برنامه های شهری پویا مانند رشد کسب و کار و راه حل هایی برای نظارت بر زیرساخت ها، ساختمان ها و چرخه حیات محیط ساخته شده، بسیاری از شهرها در سراسر جهان داده های باز سه بعدی را برای عموم راه اندازی کرده اند [ 3 ]. جوامع جغرافیایی در جمع آوری داده های سه بعدی با استفاده از ابر نقطه لیزری و تصویربرداری و ارائه مدل های سه بعدی GIS از پوشش های ساختمانی و فضاهای شهر بسیار فعال بوده اند [ 13 ].]. از سوی دیگر، جوامع ساخت و ساز BIM و اطلاعات هندسی و معنایی غنی سه بعدی ساختار داخلی ساختمان را ارائه کرده اند. همچنین، BIM به عنوان یک مخزن دیجیتالی هوشمند غنی در نظر گرفته می شود که از یک رویکرد شی گرا (OO) برای توصیف ویژگی ها، به عنوان مثال، معناشناسی، هندسه، و روابط در حوزه معماری، مهندسی و ساخت و ساز (AEC) استفاده می کند [ 4 ]. اگرچه بسیاری از استانداردهای باز BIM مانند BIMXML و COINS وجود دارد، کلاس های پایه صنعتی (IFC) به محبوب ترین فرمت استاندارد باز BIM برای اهداف قابلیت همکاری در صنعت AEC تبدیل شده اند که توسط جامعه BuildingSMART توسعه یافته است [ 8 ].]. در عمل، عناصر ساختمان در BIM به صورت CSG برای اشیاء ساده، حجم‌های جارو برای مسیرها برای تعریف جامد، و نمایش مرزی (B-Rep) برای سطوح مرزی آن با توپولوژی ضمنی در EXPRESS-based یا XML-based نشان داده و ذخیره می‌شوند. قالب های [ 8 ، 14 ]. در کلاس‌های پایه صنعتی، مدل‌های BIM به پنج سطح توسعه (LOD) تقسیم می‌شوند که روند ساخت و ساز را در چرخه عمر هر مدل اطلاعات ساختمان مشخص می‌کند: LOD 100 مخفف “مفهومی”، 200 برای “هندسه تقریبی”، 300 است. برای “هندسه دقیق”، 400 برای “ساخت”، و 500 برای “به عنوان ساخته شده”. بنابراین، LOD 100 یک مدل ساده تر از LOD 200 و غیره است. این به این معنی است که وضوح مدل در طول فرآیند ساخت آن افزایش می یابد. شکل 2a برخی از LOD های مختلف را برای یک بخش ساختمانی خاص نشان می دهد. برخلاف این، سیستم‌های اطلاعات مکانی سه بعدی (GIS) بر جمع‌آوری، ذخیره و تجزیه و تحلیل داده‌های مکانی در مقیاس کوچک تمرکز دارند. بیش از دو دهه پیش، کنسرسیوم فضایی باز (OGC) مدل داده استاندارد زبان جغرافیای شهر (CityGML) را توسعه داد، یک استاندارد زبان نشانه گذاری توسعه پذیر (بر پایه XML) برای تعامل و تبادل داده های جغرافیایی با استفاده از مدل هندسه BRep. این مدل هندسی همچنین می تواند برای ادغام هندسه های GIS و BIM استفاده شود [ 15 ]. مشابه IFC برای BIM، CityGML داده های GIS سه بعدی را به چهار سطح جزئیات (LoDs) از LoD 1 تا LoD4 تقسیم می کند که در شکل 2 ارائه شده است.ب در اینجا، مدل ساختمان یا شهر معمولاً با بالاترین وضوح ارائه می‌شود (مثلاً LoD4)، و انتزاع‌هایی از این مدل با وضوح بالا با تغییر سطح جزئیات از LoD4 به LoD3 و غیره ساخته می‌شوند. علاوه بر این، LoD1-3 مدل از بیرون، در حالی که LoD4 فضای داخلی مدل را ارائه می دهد (مدل داخلی).
بدیهی است که هر دو BIM و 3D GIS با اهداف اساسی متفاوت و گاهی اوقات هندسه ها، معناشناسی و مدل های داده رابطه متناقض توسعه یافته اند. اگرچه این تفاوت‌ها بین BIM و GIS هدف بسیاری از مطالعات قرار گرفت، اما آنها ویژگی‌های مشترکی مانند بررسی خطای داده‌ها (تشخیص برخورد و تجزیه و تحلیل توپولوژی)، شبیه‌سازی nD ، محتوای داده‌ها و توسعه‌پذیری را دارند [ 8 ]. بنابراین، در دهه گذشته، الزامات برای پیوند دادن اطلاعات خاص بین دامنه افزایش یافته است [ 4]. بدیهی است که برنامه های کاربردی متعدد در حوزه AEC به اطلاعات مجاور برای مراحل قبل و بعد از ساخت نیاز دارند که شامل داده های GIS می شود. در مقابل، GIS از اطلاعات سطح جهان و شهر به اطلاعات موجودیت خاص یا جزئیات سطح ساختمان که در ابتدا در حوزه AEC بود، افزایش می‌یابد [ 15 ]. با این حال، یک ساختمان در حوزه GIS حتی در LoD4 نسبت به BIM کاملتر است. بنابراین، این شرایط حیاتی تمرکز در کنار هم قرار دادن دامنه های BIM و GIS را تسریع کرده است و در طول دهه گذشته، تعداد زیادی از مطالعات برای دستیابی به یکپارچگی این سیستم های ناهمگن انجام شده است [ 4 ، 8 ، 15 ، 16 ، 17 ]. ، 18]. علاوه بر این، یکپارچه‌سازی BIM و GIS می‌تواند قابلیت‌های ضروری تحلیل کمی و معنایی و همچنین فرصت‌های تجسم برای کشف دانش و تصمیم‌گیری آگاهانه در شهرهای پایدار هوشمند و محیط ساخته شده را فراهم کند.
بر اساس بررسی اخیر توسط [ 8 ]، ادغام BIM و GIS در سطح بنیادی تا سطح کاربردی انجام شده است. سطح بنیادی بر استانداردهای تبادل داده و قابلیت همکاری در سطح داده تمرکز دارد، در حالی که سطح کاربرد با توسعه روش‌های جدید با پتانسیل کامل برای بهره‌برداری از سیستم‌های BIM و GIS با هم سروکار دارد [ 16 ]. همچنین، این را می توان به پنج گروه مانند روش های مبتنی بر طرحواره، مبتنی بر سرویس، مبتنی بر هستی شناسی، مبتنی بر فرآیند و روش های مبتنی بر سیستم [ 18 ] تقسیم کرد. علاوه بر این، یک چارچوب جامع سه سطحی داده، فرآیند و سطح برنامه توسط [ 17 ] توسعه داده شد که به صورت شماتیک در شکل 3 ارائه شده است.. در سطح داده، مدل‌ها و ساختارها با استفاده از تکنیک‌های استخراج، تبدیل و بارگذاری (ETL) برای برآورده کردن الزامات تبدیل، اصلاح یا گسترش می‌یابند. یکپارچه‌سازی در سطح فرآیند شامل استانداردهای داده از BIM و GIS می‌شود تا به طور همزمان به روشی مشارکتی اتخاذ شوند و انعطاف‌پذیری قابلیت همکاری داده‌ها در بین سیستم‌ها را مشخص کند. یکپارچه سازی در سطح برنامه با توسعه برنامه های کاربردی جدید با BIM-GIS یکپارچه یا گسترش برنامه های کاربردی موجود مانند پلاگین ها سروکار دارد. رویکرد کاربردی به دلیل انعطاف ناپذیری آن در حوزه های مختلف که در آن هیچ نرم افزاری تا کنون نمی تواند داده های BIM و GIS را به طور همزمان بخواند و پردازش کند بدون داشتن پلاگین های مورد نیاز، پرهزینه و زمان بر است.
با این حال، طیف گسترده‌ای از مطالعات در سطح داده‌ها برای دستیابی به قابلیت همکاری بین قالب‌های داده BIM-GIS با نتایج امیدوارکننده انجام شده است [ 19 ]. اینها شامل پیوند، ترجمه/تبدیل، بسط و متا مدل‌ها (واسطه) می‌شوند و می‌توانند بیشتر به سطح هندسی و ادغام سطح معنایی تقسیم شوند [ 18 ]. ادغام مبتنی بر هندسی به مشکل سیستم‌های مرجع (سیستم‌های مختصات ژئودتیکی در مقابل محلی)، هندسه سه‌بعدی (B-Rep، CSG، حجم‌های جاروبرقی در مقابل چند وصله B-Rep یا ESRI® ) ، و سطح جزئیات (LOD در مقابل) پرداخته است. . LoD). اگرچه دستاوردهای بزرگی برای چنین تبدیل یا یکپارچه‌سازی حتی با بسته‌های نرم‌افزار تجاری مانند Feature Manipulation Engine (FME® ) از Safe Software وجود دارد.® ، BIMServer® ، و IfcExplorer® ، همه این مطالعات تنها بر روی یک ساختار ساختمانی واحد متمرکز شده‌اند، به‌جای زمینه‌ای که GeoBIM استاندارد دارای ساختارهای متعدد ساخته شده در مقیاس شهر است [ 20 ]. همچنین، بیشتر مطالعات بر روی مبادله IFC به CityGML متمرکز بودند که در آن جهت مخالف مهم است [ 20]. در واقع، مبادله از CityGML به IFC پیچیده تر به نظر می رسد، زیرا طبقات بیشتری از اشیاء در IFC نسبت به CityGML وجود دارد. بنابراین، تبدیل از CityGML منجر به بسیاری از کلاس‌های خالی در دامنه IFC می‌شود. روش‌های یکپارچه‌سازی مبتنی بر معنایی شامل گسترش طرح‌واره توسط ADE، ساده‌سازی یا ایجاد طرح‌واره‌های میانی جدید است. در میان اصلاحات و معرفی مدل‌های جدید در ادغام‌های سطح معنایی، فناوری وب معنایی با انعطاف‌پذیری خود در ادغام قالب‌های داده ناهمگن، امیدوارکننده است.
مطالعات اخیر توسط [ 15 ] نشان داد که ادغام BIM و GIS ابتدا نیاز به درک هستی شناسی هر مدل داده، سپس مطالعه شباهت هندسه و معناشناسی برای هر آیتم داده دارد. مفهوم اصلی روش های وب معنایی بر هستی شناسی دو حوزه از طریق ساختار گراف سلسله مراتبی متکی است. این معمولاً از سه مرحله تشکیل شده است: تولید هستی شناسی برای مدیریت اطلاعات ساختمان باز (OBIM) و مشخصات قابلیت همکاری اطلاعات جغرافیایی باز (OGIS)، نقشه هستی شناسی برای پیوند دادن روابط یا مفاهیم مشابه، OBIM-GIS، و جستجوی OBIM-GIS در برنامه. دامنه با استفاده از پروتکل SPARQL و زبان پرس و جو RDF (SPARQL) به منظور بازیابی اطلاعات مورد نیاز از مدل [ 4 ، 15 ]]. چالش اصلی در روش‌های وب معنایی، تولید هستی‌شناسی است که در آن روش یکپارچه و پذیرفته‌شده برای دستیابی به این هدف با یک ماتریس اندازه‌گیری کیفیت جامد وجود ندارد. همچنین عدم تولید خودکار هستی شناسی بار دیگری در این روش است. بنابراین، این منجر به فرصت‌های بالقوه برای تحقیقات آینده در ادغام BIM و GIS با استفاده از زبان هستی‌شناسی وب (OWL) می‌شود.
در نهایت، ثابت شده است که توپولوژی یک مفهوم مهم برای یکسان سازی مفاهیم GIS و BIM و همچنین برای توصیف ساختارها و روش های داده GIS و BIM است.

2.2. Milestone 2: Advancing Topology به عنوان یک مفهوم کلیدی برای مدیریت داده های مکانی

توپولوژی، همانطور که در دنیای GIS/BIM استفاده می شود، روابط بین موجودات فضایی را مدل می کند، به عنوان مثال می تواند این واقعیت را بیان کند که یک شی خاص بخشی از مرز یک شی دیگر است. این رابطه مثال را می توان به صورت محدود شده با برچسب گذاری کرد. انواع خاصی از تجزیه و تحلیل فضایی، به عنوان مثال، به گونه ای که بر پرس و جوهای اتصال یا مسیریابی تکیه می کنند، نیاز به مدل سازی توپولوژی دارند. برخی از روابط دارای مفهوم «توپولوژیکی» هستند، مانند شامل، پوشش، محدود شده با و لمس. از سوی دیگر، همانطور که الکساندروف قبلاً در سال 1937 مشاهده کرد، هر رابطه باینری یک توپولوژی را به معنای ریاضی تعریف می کند، و هر توپولوژی مجموعه محدودی از موجودات از یک رابطه دودویی می آید [ 21 ].]. در نتیجه، توپولوژی دنیای GIS/BIM بخشی از حوزه ریاضی به نام توپولوژی است. علاوه بر این، این نوع توپولوژی می تواند روابط بین هر نوع موجودیت فضایی یا غیر فضایی را مدل کند. به نظر می رسد که جامعه اطلاعات جغرافیایی هنوز از این واقعیت آگاه نشده است.
یک مثال معروف از انواع فوق الذکر ماتریس های 9 تقاطع Egenhofer هستند که چیزی جز ابزاری برای طبقه بندی روابط فضایی بین مناطق [ 22 ] نیستند و به داده های شطرنجی در [ 23 ] بسط داده شدند. با این حال، با توجه به نتایج الکساندروف، توپولوژی محدود به روابطی نیست که به عنوان “فضایی” در نظر گرفته می شوند. یک مورد خاص توسط روابط باینری ارائه می شود که یک نظم جزئی را تشکیل می دهند، به عنوان مثال، روابط تکراری چرخه ای را بین اشیاء متمایز مجاز نمی دانند. بدیهی است که توپولوژی های GIS/BIM به طور انحصاری با توپولوژی های ارائه شده توسط دستورات جزئی سروکار دارند.
یک مثال مهم برای توپولوژی در GIS یا BIM توسط گراف مجاورتی که گره‌های آن اشیاء GIS/BIM مانند مناطق یا اتاق‌ها را مدل‌سازی می‌کنند، ارائه می‌شود و هرگاه دو شی در مجاورت یکدیگر قرار گیرند، یک لبه تعریف می‌شود. اولین باری که این مفهوم از GIS در BIM استفاده شد احتمالاً مقاله [ 24 ]، ر.ک. همچنین [ 25 ] برای حالت سه بعدی. [ 26 ] شامل یک برنامه کاربردی برای پاسخ اضطراری در ساختمان ها است. همچنین، شبکه‌های داخلی از مدل‌های IFC بر گرفتن صحیح توپولوژی در ساختمان‌ها تکیه می‌کنند [ 27 ].
نمودارهای غیر جهت دار نمونه های شناخته شده ای از فضاهای توپولوژیکی الکساندروف یک بعدی هستند. معرفی مجتمع های ساده گام مهمی در جهت تعمیم توپولوژی گراف به ابعاد بالاتر برای GIS/BIM بوده است. اینها در [ 28] برای مدلسازی سناریوهای مکانی یا فضا-زمان. در اینجا، صورت رابطه مهم وجود دارد، زیرا ساده‌ها وجه‌هایی دارند که ساده‌ها نیز هستند. این به اصطلاح نمودار بروز را تعریف می کند. بسته شدن بازتابی و متعدی آن یک نظم جزئی از همه سیمپلکس ها است. تعمیم طبیعی یک کمپلکس ساده توسط کمپلکس های سلولی یا کمپلکس های cw ارائه می شود. آنها یک عملگر مرزی بین فضاهای برداری که توسط سلول ها پوشانده شده اند (جایی که هر سلول بعد جدیدی تولید می کند) دارند. این عملگر مرزی یک نمایش طبیعی در پایگاه های داده رابطه ای دارد که به آن مجموعه زنجیره رابطه ای می گویند و توپولوژی چهره (یعنی نمودار وقوع) را می توان به راحتی از این نمایش استخراج کرد [ 29 ].
فضاهای منیفولد مانند اغلب به‌عنوان نقشه‌های به اصطلاح تعمیم‌یافته (G-maps) [ 30 ] مدل‌سازی می‌شوند که موجودیت‌های آن دارت‌هایی هستند که چیزی جز زنجیره‌های ارتباط حداکثری در مجموعه تا حدی منظم زیرین نیستند. به این دارت ها سلول تاپل نیز می گویند، زیرا عناصر آنها سلول هایی در مرز سلول های دیگر هستند. ساختار خاصی با کمک خانواده ای از اینولوشن ها بر مجموعه دارت ها تحمیل می شود. در [ 31 ]، مشاهده شد که نقشه‌های G برای ابعاد بالاتر، پرمخاطب هستند، زیرا در بدترین حالت تعداد زنجیره‌های حداکثر در یک مجموعه تا حدی مرتب شده به اندازه آن نمایی است. این در تضاد با پیچیدگی ذخیره سازی در بدترین حالت خود نمودار بروز است، که از نظر تعداد اشیا درجه دوم است، و این نیز در بدترین حالت کران پایینی برای ذخیره توپولوژی است.32 ]. به عبارت دیگر، نمودار بروز در ذخیره سازی کارآمد است. با این وجود، نقشه‌های ترکیبی که شبیه به نقشه‌های G هستند اخیراً برای بازسازی توپولوژیکی داده‌های CityGML استفاده شده‌اند [ 33 ].
توپولوژی، هندسه و معناشناسی به صورت 3D plus time، به عنوان مثال، برنامه های 3D/4D که نقش عمده ای در برنامه ریزی سناریوها و برنامه های کاربردی ژئو-علمی ایفا می کنند، گرد هم می آیند.

2.3. Milestone 3: Advanced 3D/4D Geospatial Data Management

در دهه گذشته پیشرفت های قابل توجهی در زمینه پایگاه های داده های جغرافیایی 3D/4D صورت گرفته است. موازی سازی پرس و جوها با استفاده از منحنی های پرکننده فضای n بعدی [ 34 ] مورد بررسی قرار گرفته است [ 35 ] و برای ابرهای نقطه عظیم [ 35 ، 36 ، 37 ، 38 ] اعمال شده است. علاوه بر این، با پیروی از مفاهیم لانگران و استوارت [ 39 ]، مدل‌های داده‌های مکانی-زمانی شامل سطح متحرک و هندسه جامد در شیء رابطه‌ای [ 40 ، 41 ، 42 ، 43 ] و شی گرا [ 44 ، 45 ] پیاده‌سازی شده‌اند.] سیستم های مدیریت پایگاه داده های جغرافیایی. دومی توسط مؤلفه های شبکه وابسته به زمان که حاوی کمپلکس های ساده هستند [ 46 ، 47 ] پیاده سازی شده اند. به عنوان برنامه های کاربردی برای این مدل های داده های مکانی-زمانی، لایه های زمین شناسی و گسل های معادن باز به طور گسترده مورد استفاده قرار گرفته اند [ 44 ، 45 ، 47 ].
یک رویکرد برای طبقه‌بندی خطوط مختلف توسعه برای مدل‌های داده‌های مکانی-زمانی، تمایز آنها با مدل‌های داده‌شان است [ 47 ]. برای پایگاه‌های داده زمین‌فضایی سه‌بعدی/۴بعدی، چهار مدل داده‌های برجسته مختلف بسته به اینکه روی هندسه، توپولوژی یا معناشناسی تمرکز می‌کنند را می‌توان شناسایی کرد: ابرهای نقطه‌ای، مجتمع‌های ساده، سایر رویکردهای توپولوژیکی و CityGML.
برای مدیریت کارآمد داده‌های ابر نقطه‌ای عظیم، منحنی‌های پرکننده فضا [ 34 ] اغلب در بالای پایگاه‌داده‌های شی-رابطه‌ای استفاده می‌شوند [ 35 ، 36 ]. مجموعه داده های عظیم در محیط های مختلف آزمایش شدند و معیارهای ابر نقطه ای توسعه یافتند [ 37 ]. این تحقیق شامل راه‌حل‌هایی برای رسیدگی به سطح جزئیات (LoD) ویژگی‌های ابر نقطه‌ای مختلف [ 38 ] توسط سیستم‌های شبکه جهانی گسسته (DGGSs) [ 48 ] است.
معمولاً مجتمع‌های ساده [ 46 ] به عنوان مدل داده برای مدل‌سازی هندسی ساختارهای طبیعی [ 49 ، 50 ] در علوم زمین استفاده می‌شوند، زیرا امکان تقریب بهتر هندسه در فضای سه‌بعدی را نسبت به شبکه‌ها فراهم می‌کنند و محاسبات جغرافیایی را آسان می‌کنند. الگوریتم ها را می توان به عملیات هندسی اساسی روی مثلث ها و چهار وجهی ها تقسیم کرد. هر زمان که داده‌ها در یک دوره زمانی مدل‌سازی می‌شوند، چندین مرحله زمانی را می‌توان ترکیب کرد و یک شی مکانی-زمانی را تشکیل داد. به اصطلاح مدل عکس فوری یک مفهوم شناخته شده برای مدیریت چنین داده هایی است [ 51 ]. نزدیک به سه دهه پیش، Worboys یک رویکرد شی گرا برای مدیریت مجتمع های ساده در یک پایگاه داده جغرافیایی [ 52 ] معرفی کرد.]. بر اساس مدل های داده پیشگامان GIS مانند Worboys، Le et al. رویکردی را برای یک DBMS مکانی-زمانی ایجاد کرد که بر اساس پایگاه‌داده جغرافیایی رابطه‌ای شیء-مکانی PostGIS® [ 40 ، 41 ، 42 ، 43 ] است. این رویکرد قادر به مدیریت داده های مکانی-زمانی بر اساس مدل عکس فوری است و به نرم افزار مدل سازی سه بعدی GOCAD® [ 53 ] که در صنعت نفت بیداد می کند، مرتبط است. معماری پایگاه داده جغرافیایی DB4GeO به عنوان یک رویکرد شی گرا تحقق یافته است [ 44 ، 45 ، 54]. هر دو رویکرد عمدتاً بر مدیریت مدل‌های سه‌بعدی تمرکز دارند، اما ترکیب و ذخیره‌سازی مدل‌های ساده ۴ بعدی (فضای ۳ بعدی به اضافه زمان ۱ بعدی) را نیز مدیریت می‌کنند. اخیراً رویکردی مبتنی بر ادغام مفهوم لوله های نقطه ای با اجزای شبکه توسعه یافته است [ 47 ]. این رویکرد را می توان برای مدیریت صرفه جویی در داده و عملکرد بالا داده های مکانی-زمانی بر اساس مجتمع های ساده استفاده کرد.
در نهایت، مدیریت دوقلوهای دیجیتال مبتنی بر CityGML در یک DBMS مورد بررسی قرار گرفته است [ 55 ، 56 ]. با 3DCityDB® [ 57 ] یک راه حل قوی DBMS مبتنی بر Oracle یا PostgreSQL به عنوان نرم افزار رایگان و منبع باز در دسترس است [ 45 ] . آخرین پیشرفت‌ها بر پشتیبانی از پسوندهای دامنه برنامه CityGML (ADEs) و نمایشگر وب سه بعدی 3DCityDB-Web-Map-Client [ 57 ] متمرکز شده است. برای کاربردهای زیرسطحی و شهری، مدیریت داده‌های جغرافیایی 3 بعدی/4بعدی ضروری است، زیرا برای اهداف برنامه‌ریزی، ذخیره کردن مدل شهر فعلی در پایگاه داده جغرافیایی کافی نیست، بلکه تاریخچه مدل شهر سه بعدی نیز وجود دارد [ 55 ] ،56 ]. این شامل ادغام اشیاء 3D/4D زیرسطحی و شهری است [ 47 ].

2.4. Milestone 4: مدل سازی و تجسم ویژگی های عظیم جغرافیایی در بسترهای وب

با افزایش محبوبیت برنامه‌های نقشه‌برداری وب و رشد سریع در دسترس بودن داده‌های نقشه، پیش‌محاسبه و ذخیره‌سازی کاشی‌های تصویر نقشه (با نام مستعار نقشه‌های کاشی) به یک روش معمول در خدمات نقشه آنلاین تبدیل شده است زیرا این فرآیندها از منابع سرور بسیار کمتری استفاده می‌کنند. از نقشه های ارائه شده بر اساس تقاضا [ 58 ، 59 ]. ارائه دهندگان خدمات نقشه آنلاین، مانند Google Maps، Bing Maps، ArcGIS ® Online، و OpenStreetMap، محتوای خود را در نقشه‌های کاشی که مربوط به مناطق مختلف است (نقشه چند مکان) سازماندهی و ارائه می‌کنند که در سطوح مختلف زوم (چند رزولوشن) نمایش داده می‌شوند. بازنمایی)، و شامل مضامین مختلف (نقشه نگاری چند موضوعی) در زبان های حاشیه نویسی مختلف (نقشه نگاری چند زبانه) [ 59]. بدیهی است که رندر کردن این محصولات به‌دلیل محدودیت‌های کارتوگرافی، مانند فقدان مکانیزم قابل اعتماد برای تعمیم خودکار نقشه، گزینه‌ای نیست [ 60 ، 61 ].
گوگل یکی از اولین ارائه دهندگان بزرگ نقشه برداری بود که کاشی های نقشه را پذیرفت [ 59 ]. سایرین مانند بینگ و OpenStreetMap نیز از همین رویه پیروی کردند. فروشندگان نرم افزار سیستم های اطلاعات جغرافیایی (GIS) مانند Esri® و Oracle®، قابلیت هایی را برای کاشی کاری نقشه و کش کردن لایه های برداری و تصاویر شطرنجی ارائه می دهد. آنها همچنین از کاشی های تک ذوب شده و چند لایه پشتیبانی می کنند. در اولی، گروهی از لایه‌ها در هر کاشی در یک تصویر واحد ترکیب می‌شوند، در حالی که در دومی، این لایه‌ها در مشتری به‌عنوان مجموعه‌ای از لایه‌ها با انتخاب ویژگی فعال و دید قابل کنترل ظاهر می‌شوند. بدیهی است که نقشه‌برداری مداوم از ویژگی‌های جغرافیایی، مانند جاده‌ها، رودخانه‌ها، دریاچه‌ها، جنگل‌ها، سواحل دریا یا مسیر کشتی‌ها بر روی تمامی این کاشی‌ها و سطوح بزرگنمایی مستلزم سرمایه‌گذاری عظیمی از منابع است، مشروط بر اینکه ساده‌سازی ویژگی‌های خطی یک فرآیند نیمه خودکار باشد. [ 61 ].
سیستم‌های شبکه جهانی گسسته (DGGS) یک چارچوب مرجع جغرافیایی جایگزین با محبوبیت فزاینده در چند سال گذشته ارائه می‌کنند [ 62 ]. رشد تعداد حسگرهای زمینی، هوایی و ماهواره ای منجر به افزایش قابل توجهی در میزان، تنوع و سرعت جمع آوری داده های مکانی شده است. با این حال، ترکیب حجم عظیمی از داده های جغرافیایی ناهمگن در شبکه جغرافیایی از نظر محاسباتی گران و زمان بر است [ 60 ، 61 ]]. یک DGGS امکان جمع آوری سریع داده های مکانی را بدون مشکلات کار با سیستم های مرجع مختصات پیش بینی شده فراهم می کند. این یک شبکه اطلاعات پایه با وضوح چندگانه را ارائه می دهد که قادر به مدیریت کارآمد، ذخیره سازی، یکپارچه سازی، اکتشاف، استخراج و تجسم داده های بزرگ جغرافیایی است.
در اکتبر 2017، OGC رسماً مشخصات انتزاعی DGGS [ 63 ] را ایجاد کرد که یک تعریف مختصر از مدل مفهومی DGGS و ویژگی‌های اساسی یک DGGS منطبق را ارائه می‌دهد. با انفجار اخیر در حجم و تنوع داده‌های جغرافیایی، DGGS‌های متشکل از شبکه‌های یکنواخت مساحتی راهی برای ذخیره و مدیریت چنین داده‌هایی فراهم می‌کنند در حالی که امکان یکپارچه‌سازی، تحلیل و تجسم کارآمد را فراهم می‌کنند [ 64 ].
یکی دیگر از روش های نوظهور برای ارائه نقشه های وب، کاشی های برداری است. کاشی های برداری بسته هایی از داده های جغرافیایی در قالب برداری هستند که به جای تصاویر نقشه از پیش رندر شده، در مرزهای کاشی های از پیش تعریف شده بریده شده اند. در تابستان 2018، OGC در تلاشی برای استانداردسازی کاشی های برداری و ارتقای قابلیت همکاری ، Vector Tiles Pilot [ 65 ] را راه اندازی کرد. ترکیب کاشی های برداری با کاشی های نقشه (رستر) و داده های DGGS نیز به یک نیاز نوظهور تبدیل شده است. بدیهی است که رندر کردن این محصولات به‌دلیل محدودیت‌های نقشه‌برداری، مانند فقدان مکانیزم قابل اعتماد برای تعمیم خودکار نقشه، گزینه‌ای نیست [ 60 ، 61 ]]. تجسم ویژگی‌های نقشه‌برداری در مقیاس‌های مختلف (همچنین به عنوان نمایش چندگانه شناخته می‌شود) یک موضوع باز در عصر دیجیتال بوده است. در طول دهه گذشته، مزایای زیادی در تجسم مؤثر و معنی دار محتوای نقشه برداری در محیط های مختلف و دستگاه های مختلف ایجاد شده است [ 66 ].

2.5. نقطه عطف 5: استفاده گسترده از منابع داده ژئوسنسور

در طول دهه گذشته، فناوری حسگر به سرعت توسعه یافته است، که دارای مزایای زیادی در مورد در دسترس بودن داده های جغرافیایی ارجاع شده است، اما همچنین شامل مسائل مربوط به حریم خصوصی است که باید مورد تحقیق قرار گیرد [ 67 ، 68 ]. دستگاه‌ها کوچک‌تر، ارزان‌تر شده‌اند و به انرژی کمتری نیاز دارند. یک حسگر با علاقه زیاد برای جامعه مکانی، تلفن هوشمند است [ 67 ، 69 ]. با مجهز بودن به سنسورهای سیستم ناوبری ماهواره ای جهانی (GNSS)، مکان دستگاه بسته به کیفیت سنسور و سیگنال، کاملاً مشخص است [ 68 ، 69 ]]. مکان در این زمینه به طور ضمنی به معنای ارجاع جغرافیایی است، اما حتی اگر تلفن سنسور GNSS نداشته باشد یا سنسور خاموش باشد، حداقل سلول تلفن دانش خام در مورد موقعیت دستگاه ارائه می‌کند [ 69 ].
یک مسیر GNSS یک مثال عالی برای توضیح احتمالات داده شده توسط این داده ها است [ 70 ]. در ابتدا، یک مسیر چیزی جز مجموعه‌ای از نقاط را نشان نمی‌دهد که هر کدام در ابتدا با مختصات سه بعدی و یک مهر زمانی تعریف شده‌اند. از این رو، یک مجموعه داده 4 بعدی. اگر مسیر را به عنوان یک کل نادیده بگیریم، این مجموعه بی نیاز خواهد بود، زیرا بر اساس نقاط متوالی، می توان اطلاعات بیشتری مانند سرعت، شتاب یا آزیموت را به دست آورد. همه اینها ورودی ارزشمندی برای به دست آوردن اطلاعات در مورد نحوه سفر شهروندان است، به عنوان مثال، پیاده روی، دوچرخه و غیره، که یک موضوع بسیار جالب در برنامه ریزی شهری است [ 71 ].]. بر اساس ویژگی‌های سفر (سرعت، شتاب، طول، و غیره) در ترکیب با الگوریتم‌های پیچیده، می‌توان الگو را ارزیابی کرد تا ایده چگونگی حرکت کاربر به دست آید [ 71 ]. علاوه بر این، موقعیت‌یابی نقطه منفرد (“راه حل ناوبری”) می‌تواند برای برنامه‌هایی استفاده شود که سیگنال GNSS برای ردیابی در دسترس نیست [ 69 ].
تقریباً تمام دستگاه های هوشمند با شبکه ارتباط برقرار می کنند. اصطلاح اینترنت اشیا (IoT) برای این مورد ابداع شد [ 72 ، 73 ، 74 ]، و داده کاوی در اینترنت اشیا به خودی خود به یک زمینه تحقیقاتی تبدیل شده است [ 75 ، 76 ]. اهداف سنسورها متفاوت است. برخی از آنها به اهداف امنیتی مانند آتش، گاز یا رطوبت اختصاص داده شده اند [ 77 ]. سایرین برای دریافت داده های اضافی مانند ایستگاه های هواشناسی خصوصی [ 78 ] نصب شده اند، یا به اصطلاح تله های حیات وحش در مناطق دورافتاده برای به دست آوردن اطلاعات در مورد حیوانات خجالتی یا کمیاب و غیره قرار داده شده اند [ 79 ].]. همه این مثال‌ها وجه اشتراک دارند که حجم عظیمی از داده‌ها را تولید می‌کنند که باید در پایگاه‌های اطلاعاتی جغرافیایی مدیریت شوند، و مهم‌تر از همه، این داده‌ها دیگر نمی‌توانند به روش سنتی تجزیه و تحلیل شوند. این بلافاصله منجر به رویکردهایی مانند یادگیری ماشینی یا هوش مصنوعی و رویکردهایی برای ترکیب آنها با ذخیره‌سازی داده‌های موازی مانند SpatialHadoop® [ 80 ] ، ST- Hadoop® [ 81 ] یا Hadoop- GIS® [ 82 ] شده است. این رویکردها، همانطور که قبلا ذکر شد، به علم کلیدی برای داده های بزرگ توسعه یافته اند [ 83 ].
به عنوان یک نتیجه از داده های زمین حسگر موجود، “LinkedGeoData” به عنوان مفهومی برای افزودن مرجع فضایی، یعنی مختصات، به وب داده ها / وب معنایی [ 73 ] ایجاد شده است. به عنوان مثال، LinkedGeoData از داده های پروژه OpenStreetMap استفاده کرده است [ 84 ، 85 ] و بنابراین داده های OpenStreetMap را به عنوان پایگاه دانش چارچوب توصیف منبع (RDF) با پیروی از اصول داده های مرتبط [ 73 ] در دسترس قرار داده است. علاوه بر این، OpenStreetMap شروع به پیوند دادن این داده ها با پایگاه های دانش ابتکار پیوند داده های باز [ 86 ] کرد.
بدیهی است که جمع آوری داده های ژئوسنسور در مدت زمان کوتاهی منجر به تولید هزاران گیگابایت شده است. بدون مدیریت داده های مکانی، این مجموعه داده های بزرگ دیگر قابل مدیریت نخواهند بود، به خصوص اگر تکرارپذیری آزمایش ها مورد نیاز باشد. برای کاربردهای داده های ژئوسنسور بزرگ، پلتفرم های ذخیره سازی داده های موازی مانند SpatialHadoop® [ 80 ] ، ST- Hadoop® [ 81 ] یا Hadoop- GIS® [ 57 ] برای پشتیبانی از تجزیه و تحلیل داده های مکانی استفاده شده است. این امر استفاده از الگوریتم های هوش مصنوعی (AI) را تسهیل می کند [ 81 ].
با پیروی از مفهوم مایکل گودچایلد از “شهروندان به عنوان حسگر” [ 87 ]، که دنیای “جغرافیای داوطلبانه” و “اطلاعات جغرافیایی داوطلبانه” (VGI) را باز کرد [ 88 ، 89 ]، محققان مجموعه داده های منبع جمعیتی زیادی را تجزیه و تحلیل کردند. پروژه OpenStreetMap [ 85 ، 90 ]. علاوه بر این، منابع داده‌های آنلاین شهروندان که توسط رسانه‌های اجتماعی تولید شده‌اند در آزمون‌ها گنجانده شده‌اند [ 88 ، 89 ، 91 ]. به عنوان مثال، مجموعه VGI از رسانه های اجتماعی و سایر حسگرهای VGI [ 88 ، 89 ، 91] به عنوان دارای پتانسیل بسیار زیادی برای بدست آوردن یک تصویر لحظه ای دقیق از یک صحنه پس از خطراتی مانند زلزله یا سونامی شناسایی شده است [ 92 ].
این پیشرفت‌ها در فناوری جمع‌آوری داده‌های مکانی به افراد غیرمتخصص کمک کرده است تا داده‌های مکانی را به روشی تدریجی در دسترس به اشتراک بگذارند و تجمیع کنند [ 88 ، 89 ]. با این حال، این «انقلاب» جمع‌آوری داده‌ها سؤالات جدیدی را برای مدیریت داده‌های مکانی ایجاد کرده است: برخلاف فرآیندهای سنتی تولید داده‌های مکانی، داده‌ها را می‌توان به راحتی توسط هر شهروند، یعنی افراد غیرمتخصص تولید کرد. این منجر به ساختار بد داده ها شده و باعث مشکلات جدی کیفیت همانطور که در پروژه OpenStreetMap مشاهده شد [ 85 , 90]. تاکنون، سیستم‌های مدیریت پایگاه داده‌های مکانی سنتی به خوبی برای مدیریت داده‌ها با طرح‌های ناهمگن برای همان نوع داده یا داده‌هایی با طرح‌های در حال تغییر پویا آماده نیستند. همین امر در مورد مدیریت داده های بدون ساختار نیز صادق است، یعنی داده هایی که نه مدل داده ای از پیش تعریف شده دارند و نه به شیوه ای از پیش تعریف شده دیگر سازماندهی شده اند. داده‌های بدون ساختار معمولاً در متن‌ها یا پیام‌های متنی یافت می‌شوند و به عنوان مثال، در زمینه نظارت بر خطر تجزیه و تحلیل شده‌اند [ 91 ، 92 ]. استفاده از ذخایر داده های موازی امروزی مانند Spatial Hadoop® [ 80 ] ، ST-Hadoop® [ 81 ] یا Hadoop GIS® [ 57 ]]، ذخیره این داده ها مشکلی نداشته است. برخلاف بازیابی سنتی داده‌های ساخت‌یافته در سیستم‌های مدیریت داده‌های مکانی، بازیابی داده‌های بدون ساختار اغلب بر بازیابی الگوها یا خوشه‌های مکانی یا مکانی-زمانی متمرکز شده است. بنابراین، بازیابی داده‌ها مستقیماً در سیستم‌های مدیریت پایگاه داده‌های مکانی محقق نشده است، بلکه با روش‌های آماری و روش‌های هوش مصنوعی مانند شبکه‌های عصبی بدون نظارت [ 91 ].

3. مسیرهای آینده

بر اساس پنج نقطه عطف مدیریت داده های مکانی به دست آمده در دهه گذشته ارائه شده در بخش 2 ، در این بخش، زمینه های تحقیقاتی مشخص شده است که پتانسیل تبدیل شدن به زمینه های تحقیقاتی کلیدی مدیریت داده های مکانی در دهه آینده را دارند.

3.1. علم داده های جغرافیایی

علم داده به عنوان یک رشته علمی میان رشته‌ای توسعه یافته است که روش‌ها، فرآیندها، الگوریتم‌ها و سیستم‌های علمی را قادر می‌سازد تا دانش، الگوها و نتیجه‌گیری را از داده‌های بدون ساختار و ساختار یافته استخراج کنند [ 93 ]. بنابراین، در آینده علم داده‌های جغرافیایی باید با ادغام داده‌های ساختاریافته و ساختاریافته که دانش جغرافیایی، یعنی داده‌ها و الگوها را از داده‌های بدون ساختار مانند پیام‌های متنی یا توییت‌ها استخراج می‌کند، سروکار داشته باشد. از یک طرف، روش‌های استخراج دانش از داده‌های بدون ساختار باید در رابطه با کیفیت داده‌ها و مقایسه منابع مختلف داده بهبود یابد. از سوی دیگر، برای داده های ساخت یافته، قلب علم داده مدل یا ساختار داده ها را حفظ می کند [ 94 ]]. با دانش در مورد ساختار داده ها و نحوه در دسترس بودن آنها، یک دانشمند داده قادر خواهد بود یک سیستم مناسب برای رسیدگی به نیازها برنامه ریزی کند. بدون نوعی، به عنوان مثال، طرح واره رابطه ای، داده ها خود تنها رشته ای از بیت ها و بایت ها بدون هیچ معنایی هستند. یکی از تنگناها در حال حاضر، میزان انتقال داده بین اجزای مختلف نرم افزار است که باید در آینده برطرف شود. راه حل های مبتنی بر ابر در حال رسیدن به محدودیت های خود هستند که با مشکلات مطرح شده توسط اینترنت اشیا نشان داده شده است [ 73 ]. راه حل های مبتنی بر لبه و مه ذکر شده توسط Cisco ® تمایل به حل این مشکلات دارند، اما هنوز به طور گسترده پیاده سازی نشده اند [ 95 ].
این وظیفه مدیریت داده های مکانی است که این مشکلات را با پر کردن شکاف بین مفاهیم مدرن فناوری اطلاعات و علوم مرتبط با زمین مانند جغرافیا، علوم زمین یا مهندسی عمران حل کند تا ابزارها و مدل هایی را برای سهولت کار مرتبط با جغرافیا در همه موارد فراهم کند. رشته ها [ 56 ]. داده‌های زمین مکانی خود ذاتاً از نظر کمیت بزرگ و از نظر کیفیت بسیار ناهمگن هستند. اگرچه راه حل های بهینه و تخصصی برای زیرشاخه های علوم مرتبط با زمین مانند CityGML برای مدل های شهر وجود دارد [ 55]، کمبود راه حل های کلی وجود دارد. برای پردازش سریع داده‌های مکانی و تولید ارزش افزوده (اطلاعات) در زمان قابل پیش‌بینی، مدل‌ها باید از یک سو با سیستم‌های شبکه موازی و توزیع شده سازگار شوند و از سوی دیگر، یک رسانه ارتباطی مشترک را غنی کنند. ادغام بدون ساختار با داده‌های مکانی ساخت‌یافته با استفاده از سیستم‌های شبکه موازی و توزیع‌شده، که توسط هستی‌شناسی‌ها، پیوندها و یک رسانه ارتباطی مشترک تحقق می‌یابد، احتمالاً به بزرگترین چالشی تبدیل می‌شود که مدیریت داده‌های مکانی با آن مواجه است. در مجموع، نیاز به مفاهیم و سیستم‌هایی متشکل از هستی‌شناسی‌های مرتبط و مرتبط برای توصیف محتوای معنایی همه مؤلفه‌های مداخله‌گر مانند مکانی، توپولوژیکی، موضوعی و زمانی وجود دارد. سرانجام،

3.2. توپولوژی

توپولوژی یک مفهوم قدرتمند و کلی برای تجزیه و تحلیل ساختارهای داده های GIS و BIM و روابط فضایی است که در کاربردهای نوظهور مانند شهرهای هوشمند [ 96 ] و دوقلوهای دیجیتال [ 97 ] اهمیت زیادی خواهد داشت. علاوه بر معناشناسی و هندسه، توپولوژی احتمالاً به یک مفهوم کلیدی برای پشتیبانی از مدل‌سازی و مدیریت داده‌های مکانی به طور کارآمد تبدیل می‌شود [ 98 ].
به عنوان مثال، استفاده از چندین سطح از جزئیات منجر به ذخیره سازی نقشه های تجمع می شود که چیزی جز یک رابطه دودویی بین اشیاء در سطوح مختلف جزئیات نیستند [ 60 ]. از جمله زیرساخت های شهری، مانند لوله های آب، منجر به روابط بین ساختمان ها یا قطعات زمین و بخش های زیرساخت در یک مدل توپولوژیکی ترکیبی می شود [ 99 ]. DB4GeO امکان مدیریت داده های فضا-زمان توپولوژیکی را فراهم می کند. همه اشیاء به صورت شبکه های مثلثی یا چند توپی در ابعاد مختلف در سطوح مختلف جزئیات ذخیره می شوند [ 45 ].
یک مدل فضایی متشکل از نقاط، بخش‌های (باز)، چند ضلعی‌های (باز)، چند توپی (باز) و غیره (به نام اشیاء) از نظر توپولوژیکی سازگار است اگر همه اشیاء به‌صورت جفتی ناپیوسته باشند. این تعریف ابتدا در [ 100 ] ظاهر می شود و با تعاریف قبلی سازگاری توپولوژیکی در ادبیات متفاوت است. مزیت این است که هندسه و توپولوژی را به روشی معنی دار مرتبط می کند.
در [ 100 ]، مشاهده شد که این مفهوم سازگاری با مشخصات استاندارد ISO 19107 برابری می‌کند، و CityGML (نسخه 2.*) با این استاندارد مطابقت ندارد، زیرا مجموعه داده‌های مدل‌سازی صحیحی وجود دارد که از نظر توپولوژیکی نیستند. استوار. این قابل توجه است، زیرا CityGML ادعا می کند که بر اساس استانداردهای OGC است. شکل 4 .
نمایش‌های مرزی مبتنی بر Wireframe/Linestring که در CityGML استفاده می‌شوند، برای بازیابی اجسام جغرافیایی با ابعاد بالاتر (نمایش‌های مرزی سطح یا حجم‌های واقعی، به‌عنوان مثال، شبکه‌های چهاروجهی) بی‌اهمیت نیستند. اگر تمرکز برای ایجاد مدل، تجزیه و تحلیل یا حتی شبیه‌سازی باشد تا صرفاً تجسم، تمام جامدات هندسی n بعدی و روابط توپولوژیکی آنها باید به روشی کارآمد و بدون ابهام اعلام یا محاسبه شوند. شکل 4برخی از ناسازگاری های توپولوژیکی را نشان می دهد. چند سطح صفحه پایین تقاطع هایی را نشان می دهد که همچنین منجر به نفوذ در چند حجم تعریف شده می شود. محاسبه مجدد همه ناسازگاری های توپولوژیکی با یافتن تمام تقاطع های n بعدی در زمان اجرا یک کار پیچیده است که باید از آن اجتناب کرد. این مدل همچنین به دلیل روش‌های مختلف مثلث‌بندی نمایش‌های مرزی مبتنی بر Wireframe/Linestring برای ایجاد سطوح برای نمایش مرز سطح و روش‌های مختلف مثلث‌سازی نمایش‌های مرزی مبتنی بر سطح برای ایجاد حجم‌های نهایی به‌عنوان یک شبکه چهار وجهی، بدون ابهام نیست. مشکل با افزودن ابعاد بیشتر مانند مختصات زمانی یا هر مختصات موضوعی/معنی دیگری پیچیده تر می شود.
سازگاری توپولوژیکی یک الزام برای تجزیه و تحلیل و شبیه‌سازی مدل‌های داده‌های مکانی است، زیرا می‌توان از عملیات هندسی دست و پا گیر مانند تقاطع‌ها اجتناب کرد و شبیه‌سازی را می‌توان بر روی خود مدل توپولوژیکی اجرا کرد. به منظور به دست آوردن یک مدل سازگار توپولوژیکی، می توان از یک روش همپوشانی استفاده کرد، که اجسام همپوشانی را به اشیاء اتمی ناهمگون می شکند و روابط مرزی را حفظ می کند. یک تعریف دقیق ریاضی از این موضوع به انتشار آینده موکول شده است.
مدل توپولوژی یک نمایش حداقلی در قالب به اصطلاح نمودار هاس دارد، نموداری که در آن فقط روابط مرزی مستقیم به طور صریح مدل‌سازی می‌شوند. این می تواند به عنوان مدل اصلی برای تجزیه و تحلیل جریان ها یا شبیه سازی های در حال اجرا استفاده شود. این بدان معنی است که در کار آینده، معادلات دیفرانسیل جزئی باید به صورت عددی بر روی نمودارها حل شوند و جواب ها با راه حل های مربوطه برای مدل سه بعدی زیربنایی مقایسه شوند. نظریه ریاضی برای این رویکرد هنوز کاملاً جدید است. به عنوان مثال، [ 101 ] و منابع موجود در آن، اما فاقد یک درمان عددی کامل است. پتانسیل آن در کاربرد توپولوژی داده های مکانی ذخیره شده در پایگاه های داده NoSQL و موازی سازی احتمالی الگوریتم های عددی نهفته است.
وظایف موازی سازی و جریان مجموعه داده های توپولوژیکی بزرگ، گام های بعدی بعدی برای آینده است، زیرا در حال حاضر ابزارهایی برای این کار در دسترس است.

3.3. پل زدن مدیریت داده های مکانی با کتابخانه های جریان داده و محاسبات جغرافیایی “درجا”

در آینده، انواع مختلفی از معماری‌های شبکه که شامل راه‌حل‌های مبتنی بر لبه و مه می‌شوند [ 95 ] باید برای اتصال سیستم‌های پردازش تراکنش آنلاین (OLTP) و پردازش تحلیل آنلاین (OLAP) [ 102 ، 103 ] آزمایش شوند. کاهش انتقال داده ها و ایجاد راه حل های کارآمد ژئو محاسباتی. پارادایم های برنامه نویسی اخیر از عملیات به سبک عملکردی بر روی جریان های عناصر مانند تبدیل های کاهش یافته با نقشه مجموعه ها، به عنوان مثال، api جریان جاوا پشتیبانی می کنند. جریان داده تنها یک فناوری برای انتقال داده ها از A به B نیست، اما به ما امکان می دهد داده ها را فیلتر و تجزیه و تحلیل کنیم. در حالی که برخی از عملیات به سبک عملکردی در یک سیستم OLAP کار می کنند تا ارزش افزوده خاصی را بازیابی کنند، همچنین می توان از کتابخانه های جریان در سراسر یک شبکه تا حد زیادی توزیع شده برای راه اندازی برخی خط لوله یا برنامه پخش جریانی بلادرنگ استفاده کرد، به عنوان مثال، apache kafka ® . نمونه‌هایی برای داده‌های جریان مکانی، جریان‌های نقطه‌ای هستند که نقاط متحرک پیوسته را نشان می‌دهند، اما همچنین جریان‌های خطی و منطقه‌ای نشان‌دهنده پدیده‌های پیچیده مکانی-زمانی به‌دست‌آمده از داده‌های مرجع جغرافیایی هستند [ 104 ].
شبکه‌های حسگر، انبارهای داده‌های مکانی یا خوشه‌های محاسباتی با کارایی بالا برای داده‌های مکانی ممکن است در مدل‌سازی داده‌های مکانی و معماری شبکه متفاوت باشند. هر شبکه/خوشه برای انجام وظایف جمع آوری، شبیه سازی، پردازش، تجزیه و تحلیل و ارائه خاص بهینه شده است و به شدت به مدل داده های مکانی آن بستگی دارد. در آینده، مراحل مدل‌سازی از شبکه‌های حسگر تا محاسبات با کارایی بالا را می‌توان از طریق خط لوله یا برنامه‌های جریان بیدرنگ مدیریت کرد. اگر برخی از آن شبکه‌ها یا خوشه‌ها بتوانند مجموعه داده‌های مکانی را به مدل داده‌های مکانی دیگر به صورت موازی ترجمه کنند یا حتی مدل داده‌های جغرافیایی مشابهی را به اشتراک بگذارند، آن‌گاه رویکردهای «درجا» می‌توانند امکان‌پذیر و آزمایش شوند.

3.4. تجسم داده های مکانی در بسترهای وب

نمایش ویژگی‌های مکانی (مثلاً جاده‌ها، رودخانه‌ها)، خطوط کلی مناطق (مثلاً مرزهای شهری، سواحل دریاچه‌ها) یا مسیر حرکت اجسام متحرک (مانند انسان، وسایل نقلیه) بر روی کاغذ یا نقشه‌های دیجیتالی شامل تعداد زیادی رئوس است. برای تسهیل پردازش، تجزیه و تحلیل یا نقشه‌برداری این هندسه‌ها در مقیاس کوچک، فراتر از روش‌های نقشه‌نگاری نیمه خودکار، پیشرفت‌های جدید در وب جغرافیایی و زمین دیجیتال باید برای مدل‌سازی و نقشه‌برداری داده‌های جغرافیایی حجیم معرفی شوند. برای ارائه محتوای خدمات نقشه در قالب کاشی استاندارد شده [ 64 ] برای انتشار سریع داده های حجیم بر روی وب و انطباق سیستم های شبکه جهانی گسسته (DGGS) برای درک مدل سیاره با ارائه اطلاعات آماده تجزیه و تحلیل -شبکه [ 63 ،65 ] تنها گام های اولیه در این راه توسعه هستند. رشد سریع استفاده از این چارچوب‌های مرجع (یعنی نقشه‌های کاشی و DGGS) توسعه رویکردهای جدید را برای نقشه‌برداری کارآمد، سازگار و سازگار از هندسه‌های چندخط عظیم که نشان‌دهنده ویژگی‌ها یا مسیرهای جغرافیایی هستند، ترغیب کرده است.
تحقیقات آینده با هدف معرفی رویکردهای جدید برای مشکل اساسی بازنمایی چندگانه در مدیریت داده‌های مکانی خواهد بود. این رویکردها مدل‌سازی و تجسم پیچیده ویژگی‌های جغرافیایی خطی عظیم را در چارچوب‌های مرجع جغرافیایی مدرن ارائه می‌دهند. صنعت و ارائه دهندگان خدمات نقشه دولتی می توانند محصولات نقشه عظیم را در حالت سریعتر و دقیق تر تولید کنند.
در نهایت، مدیریت داده‌های مکانی و تجسم داده‌ها باید با هم رشد کنند تا راه‌حل‌های کارآمدتری برای تجزیه و تحلیل داده‌های جغرافیایی فراهم شود. این به این معنی است که تجسم حجم زیادی از داده ها باید توسط خوشه های تجسم اجرا شود. یک ارائه خوب اغلب نیاز به تجزیه و تحلیل برای فیلتر کردن اطلاعاتی دارد که تجسم خواهند شد. آن فیلترها در مجموعه داده های بسیار بزرگ باید روی منابع محاسباتی حافظه توزیع شده کار کنند. تجسم نتایج شبیه سازی یا داده های میدانی در تجزیه و تحلیل بلادرنگ مجموعه داده های بسیار بزرگ هنوز چالش برانگیز است. مقدار داده ای که باید از انبارهای داده و/یا شبکه های حسگر به خوشه تجسم منتقل شود به اندازه مجموعه داده های بسیار بزرگی است که باید تجسم شوند. این سوال است که آیا می توان یک خوشه تجسم را با انبارهای داده یا حتی شبکه های حسگر ادغام کرد. یکی از رویکردهای ادغام خوشه های شبیه سازی و خوشه های تجسم در مقیاس بزرگ توسط Kitware در ParaView پیاده سازی شده است.® و فناوری «درجا» آن به نام «کاتالیست® » [ 105 ]. اگر کد منبع شبیه سازی ارائه شده باشد، خوشه تجسم می تواند شبیه سازی ها را محاسبه کند. پس از محاسبه یک مرحله شبیه سازی، محاسبات ارائه را می توان در حافظه بدون انتقال داده ها به یک خوشه دیگر انجام داد. با این رویکرد، امکان تجسم هر نتیجه شبیه‌سازی در زمان شبیه‌سازی/ارائه-محاسبه وجود دارد. مطمئناً تحقیقات جدید بر اساس این تحقیقات انجام می شود و آن را برای کاربردهای جدید اتخاذ می کند.

3.5. پشتیبانی پایگاه داده برای تجزیه و تحلیل داده های مکانی بزرگ

بدیهی است که تجزیه و تحلیل داده‌های مکانی بزرگ به طور فزاینده‌ای توسط هوش مصنوعی (AI) برای داده‌های مکانی [ 106 ] که geoAI [ 107 ] نیز نامیده می‌شود ، پشتیبانی می‌شود و بازیابی داده‌ها توسط معماری‌های پایگاه داده‌های جغرافیایی موازی تسهیل می‌شود. GeoAI از نزدیک علم اطلاعات جغرافیایی، روش‌های هوش مصنوعی در یادگیری ماشین، داده‌کاوی و محاسبات موازی را برای استخراج دانش از داده‌های بزرگ مکانی ترکیب خواهد کرد [ 107 ]]. به عنوان مثال، در آینده، از روش‌های geoAI برای پاکسازی داده‌های مکانی استفاده می‌شود، یعنی برای شناسایی و یادگیری خطاها در مجموعه‌های داده‌های مکانی. این روش ها مکانیسم های بررسی سازگاری داده های موجود در سیستم های مدیریت پایگاه داده های مکانی را تکمیل می کنند. سیستم های مدیریت پایگاه داده جغرافیایی موازی به عنوان یک “مرحله مقدماتی” برای پیش انتخاب داده های مکانی و مکانی-زمانی قبل از انجام تجزیه و تحلیل داده های پشتیبانی شده توسط هوش مصنوعی عمل می کنند. بنابراین، ابزارهای تحلیل مکانی توسط سیستم‌های مدیریت داده‌های مکانی پشتیبانی می‌شوند که داده‌ها را به پارتیشن‌های مکانی یا مکانی-زمانی تقسیم می‌کنند تا دسترسی‌های پایگاه داده موازی را سازماندهی کنند.
بسیاری از رویکردها برای مدیریت داده‌های مکانی در بالای شی‌های رابطه‌ای [ 55 ، 108 ] یا روی پایگاه‌های داده شی‌گرا [ 45 ، 109 ] پیاده‌سازی شده‌اند. با این حال، پایگاه های داده گراف قول می دهند که برای این کار مناسب باشند، همانطور که برای اولین بار توسط [ 110 ] اثبات شد. برای تحقیقات آینده، ما انتظار داریم که پایگاه‌های اطلاعاتی گراف در زمینه تجزیه و تحلیل داده‌های جغرافیایی توزیع‌شده و موازی احیا را تجربه کنند. یکی از موضوعات اصلی در این تحقیق، چگونگی ادغام روش‌های دسترسی مکانی، مکانی، زمانی یا nD شناخته شده در سیستم نمودار ویژگی است.
یک موضوع تحقیقاتی بیشتر، نحوه استفاده از الگوریتم‌های گراف برای حل سریع وظایف جغرافیایی استاندارد شناخته شده از GIS استاندارد بر روی نمودار ویژگی خواهد بود.
به طور فزاینده‌ای، نرم‌افزار و متدولوژی‌ها عمدتاً از ساختارهای هوشمند [ 107 ] با هدف توسعه سرویس‌های GIS زیرک وارد خواهند شد. این توانایی درک، برنامه ریزی، تجزیه و تحلیل و رفتار به روشی نوآورانه است که برای ساختارهای هوشمند بسیار مهم است. خدمات مکانی هوشمند به عنوان نوعی ساختار هوشمند از دیدگاه هوش مصنوعی عمل خواهند کرد [ 111 ، 112 ، 113 ]. سرویس‌های مکانی هوشمند با استفاده از نرم‌افزار IoT به طور هوشمند آگاه، متصل به شبکه و تنظیم می‌شوند [ 114 ]. استراتژی معماری سرویس گرا (SOA) در رابطه با اینترنت اشیا [ 73] باید به طور موثر اجرا شود، که امکان اشتراک گذاری و بازیافت پشتیبانی را از طریق ویژگی های خدمات محور [ 115 ] فراهم می کند. ایجاد هستی شناسی هموار به خدمات مکانی هوشمند برای رفع سردرگمی کمک می کند [ 116 ]. یکی از شکاف‌های کلیدی در تبدیل داده‌های مکانی مکانیزمی «هوشمند» است که کشف حقایق و یکپارچگی در اینترنت را تسهیل می‌کند [ 117 ]. هستی‌شناسی‌ها و ابرداده‌های مکانی با پیوند دادن داده‌ها از مجموعه داده‌های مختلف، نقش اصلی را در این فرآیند ایفا خواهند کرد. بنابراین، انتشار چنین مکانیزم‌هایی منجر به درک بهتر و یکپارچه‌سازی منابع داده‌های مکانی ناهمگن خواهد شد.

4. نتیجه گیری

این مقاله مروری دو سهم داشته است: برجسته کردن تحقیقات در مدیریت داده‌های مکانی در دهه گذشته و تدوین پنج جهت تحقیقات آینده که پتانسیل تبدیل شدن به زمینه‌های تحقیقاتی کلیدی تحقیقات مدیریت داده‌های مکانی در دهه آینده را دارند.
پنج نقطه عطف تحقیق در دهه گذشته شناسایی شده است که از کاربرد تا نظریه را شامل می شود. در سمت کاربرد، به ویژه پیشرفت در تحقیقات بین رشته ای، مانند رشد با هم مدیریت داده های جغرافیایی BIM و GIS مورد تاکید قرار گرفته است. این امر تاکنون درهای بسته را در بخش داده، فرآیند و برنامه در مسیر مدل‌های BIM/GIS یکپارچه باز کرده است. این رویکرد سه سطحی همچنین برای اولین بار چرخه حیات ساختمان ها و شهرها را در نظر می گیرد. با نگاهی به طیف دیگر (نظری) نقاط عطف، تئوری مدل‌سازی و مدیریت داده‌های مکانی با در نظر گرفتن توپولوژی به عنوان یک چارچوب ریاضی صحیح که به روابط توپولوژیکی که در مدل 4 یا 9 تقاطع فرمول‌بندی شده محدود نمی‌شود، بهبود یافته است. بدین ترتیب، توپولوژی به عنوان یک مفهوم کلیدی از مدیریت داده های مکانی برای توصیف و تجزیه و تحلیل ساختار داده ها و الگوریتم ها با این فرض که هندسه و معناشناسی اشیاء را می توان به توپولوژی اضافه کرد، دیده می شود. به عنوان پایه ای برای کاربردهای BIM و GIS، مدیریت داده های جغرافیایی 3 بعدی/4 بعدی به عنوان یک مفهوم کلیدی برای پشتیبانی از مدل سازی هندسی، توپولوژیکی، موضوعی و زمانی ساختمان ها و شهرها و مدل های زیرسطحی شناسایی شده است. مدیریت داده های جغرافیایی 3D/4D نیز شروع به خدمت به عنوان یک پلت فرم یکپارچه برای نمایش داده های مختلف مکانی و مکانی-زمانی کرده است. از آنجایی که مدیریت داده‌های جغرافیایی ارتباط نزدیکی با مدل‌سازی داده‌ها و تجسم داده‌ها دارد و به آن وابسته است، مهم است که در دهه گذشته، پیشرفت در مدل‌سازی و تجسم ویژگی‌های عظیم جغرافیایی بر روی پلتفرم‌های وب صورت گرفته است. به خصوص، استفاده از سیستم‌های شبکه جهانی گسسته به عنوان یک چارچوب مرجع مکانی جایگزین و توسعه خوشه‌های تجسم در بالای فروشگاه‌های داده موازی، پیشرفت تحقیقاتی قابل توجهی را برای جامعه مکانی فراهم کرده است. در نهایت، استفاده گسترده از منابع داده های سنسور جغرافیایی به عنوان نقطه عطفی در تحقیقات شناسایی شده است، به ویژه به این دلیل که پارادایم مایکل گودچایلد در مورد “شهروندان به عنوان حسگر” انقلابی در مدیریت داده های مکانی ایجاد کرده است که منجر به الزامات جدیدی از جمله مدیریت داده های مکانی شده است. برای داده های بدون ساختار و ساختار یافته که در دهه آینده حل می شوند.
انتظار می‌رود علم داده‌های مکانی به یک زمینه تحقیقاتی کلیدی برای دهه آینده تبدیل شود تا ادغام داده‌های ساختاریافته و ساختاریافته و همچنین استخراج دانش مکانی، یعنی داده‌ها و الگوها، در کاربردهای بین‌رشته‌ای را حل کند. علاوه بر این، علم داده های جغرافیایی شکاف بین مفاهیم مدرن فناوری اطلاعات و علوم مرتبط با جغرافیا را پر خواهد کرد. در این زمینه، توپولوژی همچنان یک مفهوم قدرتمند و کلی برای تجزیه و تحلیل ساختار داده‌های GIS و BIM و روابط فضایی خواهد بود که در کاربردهای نوظهور مانند شهرهای هوشمند و دوقلوهای دیجیتال از اهمیت زیادی برخوردار خواهد بود. جریان داده‌های بزرگ مکانی و محاسبات جغرافیایی «درجا» نقشی اساسی در دهه آینده ایفا خواهد کرد. بدین ترتیب، پل زدن مدیریت داده‌های مکانی با کتابخانه‌های جریان داده و محاسبات جغرافیایی “درجا” بر روی اشیاء اجرا شده به طور مستقیم بر روی حسگرها به‌عنوان یک جهت تحقیقات آینده شناسایی شده است. این علم اطلاعات جغرافیایی را متحول خواهد کرد و محاسبات جغرافیایی را با مدیریت داده‌های مکانی پل ارتباط خواهد داد. در آینده، تجسم بیشتر در برنامه های کاربردی وب یکپارچه خواهد شد. بنابراین، توسعه تجسم داده‌های جغرافیایی پیشرفته بر روی پلت‌فرم‌های وب به عنوان یک جهت تحقیقات آینده ارائه شده است. این امکان نمایش ویژگی‌های مکانی در حال تغییر پویا یا مسیر حرکت اجسام را که مستقیماً از پایگاه‌های اطلاعاتی زمین‌فضایی بارگذاری می‌شوند را فراهم می‌کند. در نهایت، مدیریت داده های مکانی به طور فزاینده ای از تجزیه و تحلیل داده های مکانی بزرگ پشتیبانی می کند. این جهت تحقیقات آینده شامل مدیریت داده های مکانی بدون ساختار و ساختارمند و همچنین استخراج دانش و الگوهای موجود در داده های مکانی خواهد بود. انتظار می‌رود پایگاه‌های داده گراف در بالای ذخیره‌گاه‌های داده موازی و توزیع‌شده‌ای که از تجزیه و تحلیل داده‌های جغرافیایی بزرگ پشتیبانی می‌کنند، احیا کنند. در نهایت، داده‌های شطرنجی به‌دست‌آمده از ماهواره‌ها به طور موثر در سیستم‌های مدیریت داده‌های مکانی مدیریت می‌شوند. این شامل تحقق دسترسی مکانی و زمانی یکپارچه به داده های ماهواره ای است. داده های شطرنجی به دست آمده از ماهواره ها به طور موثر در سیستم های مدیریت داده های جغرافیایی مدیریت می شوند. این شامل تحقق دسترسی مکانی و زمانی یکپارچه به داده های ماهواره ای است. داده های شطرنجی به دست آمده از ماهواره ها به طور موثر در سیستم های مدیریت داده های جغرافیایی مدیریت می شوند. این شامل تحقق دسترسی مکانی و زمانی یکپارچه به داده های ماهواره ای است.

منابع

  1. تان، ز. یو، پی. Gong, J. یک رویکرد پایگاه داده آرایه ای برای مدیریت و پردازش داده های رصد زمین. ISPRS Int. J. Geo Inf. 2017 ، 6 ، 220. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  2. کیم، اچ.-اس. سان، سی.-جی. چو، اچ.-آی. پهنه بندی زمین آماری مبتنی بر داده های بزرگ زمینی اثرات مکان لرزه ای در منطقه شهری سئول. ISPRS Int. J. Geo Inf. 2017 ، 6 ، 174. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  3. آرویو اوهوری، ک. دیاکیته، آ. کریجنن، تی. لدوکس، اچ. Stoter، J. پردازش مدل های BIM و GIS در عمل: تجربیات و توصیه های یک پروژه GeoBIM در هلند. ISPRS Int. J. Geo Inf. 2018 ، 7 ، 311. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  4. حر، ع.-ح. جدیدی، ع. Sohn, G. Bim-Gis مدل اطلاعات مکانی یکپارچه با استفاده از وب معنایی و نمودارهای RDF. ISPRS Ann. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2016 ، 3 ، 73-79. [ Google Scholar ] [ CrossRef ]
  5. وو، سی. زو، س. ژانگ، ی. دو، ز. بله، X. کین، اچ. ژو، ی. رویکرد سازماندهی و مدیریت ترکیبی NoSQL-SQL برای داده‌های مکانی در زمان واقعی: مطالعه موردی نظارت تصویری امنیت عمومی. ISPRS Int. J. Geo Inf. 2017 ، 6 ، 21. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  6. جی، م. Dohnal, V. مدیریت کیفیت در داده های بزرگ. انفورماتیک 2018 ، 5 ، 19. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  7. هو، اف. خو، ام. یانگ، جی. لیانگ، ی. کوی، ک. کوچک، MM. Lynnes، CS; دافی، دی کیو؛ یانگ، سی. ارزیابی ظروف داده منبع باز برای مدیریت داده های شطرنجی بزرگ جغرافیایی. ISPRS Int. J. Geo Inf. 2018 ، 7 ، 144. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  8. ژو، جی. رایت، جی. وانگ، جی. وانگ، ایکس. بررسی انتقادی ادغام سیستم اطلاعات جغرافیایی و مدل سازی اطلاعات ساختمان در سطح داده. IJGI 2018 ، 7 ، 66. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  9. ساکس، آر. ما، ال. یوسف، ر. بورمان، ا. داوم، اس. Kattel، U. Semantic Enrichment for Building Information Modeling: Procedure for Compiling Inference Rules and Operators for Complex Geometry. جی. کامپیوتر. مدنی مهندس 2017 , 31 , 04017062. [ Google Scholar ] [ CrossRef ]
  10. بورمان، ا. کونیگ، ام. کوچ، سی. Beetz, J. (Eds.) Building Information Modeling ; Springer International Publishing: برلین، آلمان، 2015. [ Google Scholar ]
  11. Borrmann، A. از GIS به BIM و دوباره – یک زبان جستجوی فضایی برای مدل‌های ساختمان سه بعدی و مدل‌های شهر سه بعدی. در مجموعه مقالات پنجمین کنفرانس بین المللی اطلاعات جغرافیایی سه بعدی، برلین، آلمان، 3 تا 4 نوامبر 2010. [ Google Scholar ]
  12. Reshetyuk، Y. اسکن لیزری زمینی: منابع خطا، کالیبراسیون خود و ارجاع جغرافیایی مستقیم . VDM: استکهلم، سوئد، 2009. [ Google Scholar ]
  13. المکاوی، م. اوستمن، ا. حجازی، اول. یک مدل ساختمان واحد برای GIS شهری سه بعدی. IJGI 2012 ، 1 ، 120-145. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. دیو، بی. بودا، ا. نورمینن، ا. Främling، K. چارچوبی برای ادغام BIM و IoT از طریق استانداردهای باز. خودکار ساخت و ساز 2018 ، 95 ، 35-45. [ Google Scholar ] [ CrossRef ]
  15. حر، ع.-ح. سون، جی. کلودیو، پی. جدیدی، م. Afnan، A. یک پایگاه داده نمودار معنایی برای مدل اطلاعات یکپارچه Bim-Gis برای یک برنامه وب هوشمند تحرک شهری. ISPRS Ann. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2018 ، 4 ، 89-96. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. آیریزاری، ج. کاران، EP; جلایی، ف. یکپارچه سازی BIM و GIS برای بهبود نظارت بصری مدیریت زنجیره تامین ساخت و ساز. خودکار ساخت و ساز 2013 ، 31 ، 241-254. [ Google Scholar ] [ CrossRef ]
  17. امیرابراهیمی، س. رجبی فرد، ع. مندیس، پ. Ngo, T. یک روش یکپارچه سازی BIM-GIS در پشتیبانی از ارزیابی و تجسم سه بعدی آسیب سیل به یک ساختمان. جی. اسپات. علمی 2016 ، 61 ، 317-350. [ Google Scholar ] [ CrossRef ]
  18. کانگ، TW; Hong, CH مطالعه ای بر روی معماری نرم افزار برای یکپارچه سازی داده های مدیریت تسهیلات مبتنی بر BIM/GIS. خودکار ساخت و ساز 2015 ، 54 ، 25-38. [ Google Scholar ] [ CrossRef ]
  19. فوسو، آر. سوپرابهاس، ک. راتور، ز. کوری، سی. ادغام مدل‌سازی اطلاعات ساختمان (BIM) و سیستم‌های اطلاعات جغرافیایی (GIS) – مروری بر ادبیات و نیازهای آینده. در مجموعه مقالات سی و دومین کنفرانس CIB W78 2015، آیندهوون، هلند، 27-29 اکتبر 2015. پ. 9. [ Google Scholar ]
  20. گایگر، ا. بنر، جی. Haefele، K.-H. تعمیم مدل های ساختمانی سه بعدی IFC. در علوم زمین اطلاعات سه بعدی ; Springer: Cham, Switzerland, 2015; صص 19-35. [ Google Scholar ]
  21. الکساندروف، PS Diskrete Räume. Matematicheskii Sbornik 1937 ، 501-518. [ Google Scholar ]
  22. Egenhofer، MJ استدلال در مورد روابط توپولوژیکی باینری. در پیشرفت در پایگاه داده های فضایی ; Günther, O., Schek, H.-J., Eds.; Springer: برلین/هایدلبرگ، آلمان، 1991; جلد 525، ص 141–160. شابک 978-3-540-54414-2. [ Google Scholar ]
  23. زمستان، اس. فرانک، توپولوژی AU در بازنمایی رستری و برداری. GeoInformatica 2000 ، 4 ، 35-65. [ Google Scholar ] [ CrossRef ]
  24. Ozel, F. پایگاه‌های اطلاعاتی فضایی و تحلیل فرآیندهای دینامیکی در ساختمان‌ها. در مجموعه مقالات پنجمین کنفرانس تحقیقات طراحی معماری به کمک کامپیوتر در آسیا، سنگاپور، 18-19 مه 2000. جلد 2، ص 97–106. [ Google Scholar ]
  25. کوهلر، ن. Lockemann, P. Arbeits- und Entwicklungsbericht: Planungsplattform für Dynamische Gebäude ; Institut für industrialelle Bauproduktion (IFIB): کارلسروهه، آلمان، 2003. [ Google Scholar ]
  26. بوگوسلاوسکی، پ. مهجوبی، ل. زوروویچ، وی. فضلی، ف. بارکی، H. مدل سازی BIM-GIS در پشتیبانی از برنامه های واکنش اضطراری. WIT Trans. محیط ساخته شده 2015 ، 149 ، 381-391. [ Google Scholar ]
  27. لیو، ال. لی، بی. زلاتانوا، اس. لیو، اچ. مسیری از Bim به یک چارچوب داخلی سه بعدی – یک تحلیل نیاز. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2018 ، XLII–4 ، 373–378. [ Google Scholar ]
  28. برونیگ، ام . نکات سخنرانی در علوم زمین; انتشارات بین المللی Springer: برلین، آلمان، 2001; جلد 94. [ Google Scholar ]
  29. بردلی، PE; Paul, N. استفاده از مدل رابطه ای برای گرفتن اطلاعات توپولوژیکی فضاها. محاسبه کنید. J. 2010 ، 53 ، 69-89. [ Google Scholar ] [ CrossRef ]
  30. Lienhardt، P. نقشه های ترکیبی تعمیم یافته N-بعدی و شبه منیفولدهای سلولی. بین المللی جی. کامپیوتر. Geom. Appl. 1994 ، 4 ، 275-324. [ Google Scholar ] [ CrossRef ]
  31. بردلی، PE; Paul, N. مقایسه نقشه های G با دیگر ساختارهای داده توپولوژیکی. Geoinformatica 2014 ، 18 ، 595-620. [ Google Scholar ] [ CrossRef ]
  32. پل، N. Topologische Datenbanken für Architektonische Räume. دکتری پایان نامه، دانشگاه کارلسروهه، کارلسروهه، آلمان، 2008. [ Google Scholar ]
  33. ویتالیس، اس. اوهوری، ک. Stoter، J. ترکیب نمایش توپولوژیکی در مدل های سه بعدی شهر. IJGI 2019 ، 8 ، 347. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  34. Sagan, H. Space Filling Curves ; Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 1994. [ Google Scholar ] [ CrossRef ]
  35. گوان، ایکس. ون اوستروم، پی. چنگ، بی. کتابخانه منحنی پرکننده فضای N- بعدی موازی و کاربرد آن در مدیریت ابر نقطه عظیم. IJGI 2018 ، 7 ، 327. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  36. وانگ، جی. شان، جی. شاخص ابرهای نقطه مبتنی بر منحنی پرکننده فضا. در مجموعه مقالات هشتمین کنفرانس بین المللی محاسبه جغرافیایی، ان آربور، MI، ایالات متحده آمریکا، 31 ژوئیه تا 3 اوت 2005. صص 551-562. [ Google Scholar ]
  37. ون اوستروم، پی. مارتینز-روبی، او. ایوانووا، م. هورهامر، ام. جرینگر، دی. راوادا، اس. تیجسن، تی. کده، م. Gonçalves، R. مدیریت داده های ابر نقطه عظیم: طراحی، پیاده سازی و اجرای یک معیار ابر نقطه ای. محاسبه کنید. نمودار. 2015 ، 49 ، 92-125. [ Google Scholar ] [ CrossRef ]
  38. سیردشموک، ن. وربری، ای. Oosterom، PV; پسوماداکی، س. Kodde, M. استفاده از یک سیستم شبکه جهانی گسسته برای مدیریت ابرهای نقطه ای با مکان ها، زمان ها و سطوح مختلف جزئیات. کارتوگرافی: بین المللی جی. جئوگر. Inf. جئوویس. 2019 ، 54 ، 4-15. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. لانگران، جی. استوارت، N. زمان در سیستم های اطلاعات جغرافیایی. بین المللی جی. جغرافی. Inf. سیستم 1992 ، 6 ، 547. [ Google Scholar ] [ CrossRef ]
  40. Le، HH; جبرئیل، پ. گیتزل، جی. Schaeben, H. یک مدل داده زمین شناسی مکانی-زمانی شی رابطه ای. محاسبه کنید. Geosci. 2013 ، 57 ، 104-115. [ Google Scholar ] [ CrossRef ]
  41. Le، HH; شایبن، اچ. جاسپر، اچ. Görz, I. نسخه‌سازی پایگاه داده و پیاده‌سازی آن در سیستم‌های اطلاعاتی علوم زمین. محاسبه کنید. Geosci. 2014 ، 70 ، 44-54. [ Google Scholar ] [ CrossRef ]
  42. Le، HH سیستم اطلاعات فضایی-زمانی برای علوم زمین: مفاهیم، ​​مدل‌های داده، نرم‌افزار و کاربردها. دکتری پایان نامه، Technische Universität Bergakademie Freiberg، فرایبرگ، آلمان، 2014. [ Google Scholar ]
  43. جبرئیل، پ. گیتزل، جی. Le، HH; Schaeben، H. GST: یک پایگاه داده مبتنی بر شبکه برای داده‌های علوم زمین و مدل‌های زمین و پیاده‌سازی آن – مشارکت ProMine در قابلیت همکاری. در مدلسازی سه بعدی، چهار بعدی و پیش بینی کمربندهای معدنی عمده در اروپا ؛ Weihed, P., Ed. انتشارات بین المللی Springer: چم، سوئیس، 2015; صص 59-71. شابک 978-3-319-17427-3. [ Google Scholar ]
  44. برونیگ، ام. شیلبرگ، بی. تامسن، آ. Kuper، PV; جان، م. Butwilowski, E. DB4GeO, geodatabase 3D/4D و کاربرد آن برای تجزیه و تحلیل زمین لغزش ها. در اطلاعات جغرافیایی و کارتوگرافی برای مدیریت ریسک و بحران ; Konecny, M., Zlatanova, S., Bandrova, TL, Eds. Springer: برلین/هایدلبرگ، آلمان، 2010; صص 83-101. شابک 978-3-642-03441-1. [ Google Scholar ]
  45. برونیگ، ام. Kuper، PV; بوتویلوفسکی، ای. تامسن، آ. جان، م. دیتریچ، آ. الدوری، م. گلوفکو، دی. منینگهاوس، ام. داستان DB4GeO – معماری پایگاه داده های جغرافیایی مبتنی بر خدمات برای پشتیبانی از تجزیه و تحلیل و تجسم داده های چند بعدی. ISPRS J. Photogramm. Remote Sens. 2016 , 117 , 187–205. [ Google Scholar ] [ CrossRef ]
  46. هاپف، اچ. الکساندروف، پی . توپولوژی انتشارات بین المللی Springer: برلین، آلمان، 1935; پ. 158. [ Google Scholar ]
  47. Kuper، PV مدیریت کارآمد و عملی داده های مکانی-زمانی بر اساس مؤلفه های شبکه وابسته به زمان. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2018 ، XLII–4 ، 321–327. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  48. داتون، GH یک سیستم مختصات سلسله مراتبی برای ژئوپردازش و کارتوگرافی، یادداشت های سخنرانی در علوم زمین . Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 1999. [ Google Scholar ]
  49. Peuquet, DJ چارچوب مفهومی و مقایسه مدل‌های داده‌های مکانی. کارتوگر. بین المللی جی. جئوگر. Inf. جئوویس. 1984 ، 21 ، 66-113. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  50. Mallet, JL Geomodeling ; انتشارات دانشگاه آکسفورد: نیویورک، نیویورک، ایالات متحده آمریکا، 2002. [ Google Scholar ]
  51. لانگران، جی. کریسمن، NR چارچوبی برای اطلاعات جغرافیایی زمانی. Cartographica 1988 , 25 , 1-14. [ Google Scholar ] [ CrossRef ]
  52. Worboys، M. یک مدل عمومی برای اشیاء جغرافیایی مسطح. بین المللی جی. جئوگر. Inf. سیستم 1992 ، 6 ، 353-372. [ Google Scholar ] [ CrossRef ]
  53. Mallet، JL GOCAD: یک برنامه طراحی به کمک کامپیوتر برای کاربردهای زمین شناسی. در مدل سازی سه بعدی با سیستم های اطلاعات زمین شناسی ; ترنر، AK، اد. ناتو ASI; Kluwer Academic Publishers: Dordrecht, The Netherlands, 1992; جلد 354، ص 123–142. [ Google Scholar ]
  54. تامسن، آ. برونیگ، ام. Butwilowski، E. Towards towards the Unified Modeling and Management of Topology in Multiple Represent Databases. Schweizbart’sche Verlagsbuchhandlung 2008 ، 3 ، 176-185. [ Google Scholar ]
  55. یائو، ز. ناگل، سی. کونده، اف. هدرا، جی. ویلکوم، پی. دوناوبائر، آ. آدولفی، تی. Kolbe، TH 3DCityDB – یک راه حل پایگاه داده جغرافیایی سه بعدی برای مدیریت، تجزیه و تحلیل و تجسم مدل های شهری سه بعدی معنایی مبتنی بر CityGML. Geospat را باز کنید. نرم افزار داده ایستادن. 2018 ، 3 ، 5. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  56. یائو، ز. Kolbe، TH یک رویکرد جدید به مدل تبدیل با استفاده از سیستم تبدیل نمودار. در PFGK18-Photogrammetrie-Fernerkundung-Geoinformatik-Kartographie, 37. Jahrestagung in München 2018 ; Deutsche Gesellschaft für Photogrammetrie، Fernerkundung und Geoinformation eV: مونیخ، آلمان، 2018؛ صص 831-834. [ Google Scholar ]
  57. 3dcitydb. در دسترس آنلاین: https://github.com/3dcitydb/3dcitydb (در 12 نوامبر 2019 قابل دسترسی است).
  58. Peterson، MP (ویرایشگر) نقشه های آنلاین با API ها و خدمات وب ؛ یادداشت های سخنرانی در اطلاعات جغرافیایی و نقشه برداری. Springer: برلین/هایدلبرگ، آلمان، 2012; شابک 978-3-642-27484-8. [ Google Scholar ]
  59. Stefanakis، E. نقشه‌های کاشی مرکور وب و رستر: دو سنگ بنای ارائه دهندگان خدمات نقشه آنلاین. Geomatica 2017 ، 71 ، 100-109. [ Google Scholar ] [ CrossRef ]
  60. کیتس، طراحی و تولید کارتوگرافی JS ، ویرایش دوم. Longman Scientific & Technical: هارلو، اسکس، انگلستان. Wiley: نیویورک، نیویورک، ایالات متحده آمریکا، 1989; شابک 978-0-582-30133-7. [ Google Scholar ]
  61. رابینسون، ق. موریسون، جی ال. Muehrcke، PC; کیمرلینگ، ای جی. Guptill, SC Elements of Cartography , 6th ed.; جان وایلی و پسران: نیویورک، نیویورک، ایالات متحده آمریکا، 1995; شابک 978-0-471-55579-7. [ Google Scholar ]
  62. Goodchild، MF بازاندیشی تاریخچه GIS. ان GIS 2018 ، 24 ، 1-8. [ Google Scholar ] [ CrossRef ]
  63. پورس، ام. موضوع 21: مشخصات چکیده سیستم های شبکه جهانی گسسته. در دسترس آنلاین: https://docs.opengeospatial.org/as/15-104r5/15-104r5.html (در تاریخ 12 نوامبر 2019 قابل دسترسی است).
  64. OGC. OGC استاندارد جدیدی را اعلام می کند که نحوه ارجاع اطلاعات به زمین را بهبود می بخشد. در دسترس آنلاین: https://www.opengeospatial.org/pressroom/pressreleases/2656 (در 12 نوامبر 2019 قابل دسترسی است).
  65. OGC. وکتور کاشی خلبان. در دسترس آنلاین: https://www.opengeospatial.org/projects/initiatives/vt-pilot-2018 (در 13 نوامبر 2019 قابل دسترسی است).
  66. کمیسیون تعمیم و نمایندگی چندگانه ICA. در دسترس آنلاین: https://generalisation.icaci.org/ (در 30 دسامبر 2019 قابل دسترسی است).
  67. آناپورنا، اس. تجا، PKVS؛ مورتی، اس. مطالعه مقایسه ای در مورد پلتفرم های موبایل (اندروید در مقابل IOS). بین المللی J. Adv. Res. محاسبه کنید. مهندس تکنولوژی IJARCET 2016 ، 5 ، 547-553. [ Google Scholar ]
  68. نیتل، اس. بررسی شبکه‌های ژئوسنسور: پیشرفت‌ها در پایش محیطی پویا. Sensors 2009 , 9 , 5664-5678. [ Google Scholar ] [ CrossRef ]
  69. Huber، D. موقعیت‌یابی پس‌زمینه برای دستگاه‌های تلفن همراه-Android در مقابل iPhone . گزارش فنی؛ دانشکده مهندسی برق و کامپیوتر: برلین، آلمان، 2011; پ. 7. [ Google Scholar ]
  70. سودرهولم، اس. Bhuiyan، MZH; تامبر، اس. روتسالاینن، ال. Kuusniemi، H. گیرنده تعریف شده توسط نرم افزار Multi-GNSS: مزایای طراحی، پیاده سازی و عملکرد. ان مخابرات 2016 ، 71 ، 399-410. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  71. Sauerländer-Biebl، A.; براکفلد، ای. سوسکه، دی. Melde، E. ارزیابی تشخیص حالت حمل و نقل با استفاده از قوانین فازی. ترانسپ Res. Procedia 2017 ، 25 ، 591-602. [ Google Scholar ] [ CrossRef ]
  72. لی، اس. Xu, LD; ژائو، اس. اینترنت اشیا: یک نظرسنجی. Inf. سیستم جلو. 2015 ، 17 ، 243-259. [ Google Scholar ] [ CrossRef ]
  73. آتزوری، ال. ایرا، ا. مورابیتو، جی. اینترنت اشیا: نظرسنجی. محاسبه کنید. شبکه 2010 ، 54 ، 2787-2805. [ Google Scholar ] [ CrossRef ]
  74. Jara، AJ; اولیوری، AC; بوچی، ی. یونگ، ام. کاستنر، دبلیو. Skarmeta، AF Semantic Web of Things: تجزیه و تحلیل معناشناسی کاربردی برای IoT در حال حرکت به سمت همگرایی IoT. IJWGS 2014 ، 10 ، 244-272. [ Google Scholar ] [ CrossRef ]
  75. چن، اف. دنگ، پ. وان، جی. داده کاوی برای اینترنت اشیا: بررسی ادبیات و چالش ها. بین المللی J. Distrib. Sens. Netw. 2015 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  76. تائو، اف. چنگ، ی. دا خو، ال. ژانگ، ال. Li، BH CCIOT-CMfg: رایانش ابری و سیستم خدمات تولید ابری مبتنی بر اینترنت اشیا. IEEE Trans. Ind. Inf. 2014 ، 10 ، 1435-1442. [ Google Scholar ]
  77. بهره پور، م. مراتنیا، ن. Havinga، P. تشخیص آتش خودکار: نظرسنجی از دیدگاه شبکه بی سیم . گزارش فنی TR-CTIT-08-73; مرکز تله ماتیک و فناوری اطلاعات، دانشگاه توئنته: Enschede، هلند، 2008; ISSN 1381-362513p. [ Google Scholar ]
  78. مولر، سی. چپمن، ال. گریموند، CSB؛ یانگ، دی. Cai، X. حسگرها و شهر: بررسی شبکه های هواشناسی شهری. بین المللی جی.کلیماتول. 2013 ، 33 ، 1585-1600. [ Google Scholar ] [ CrossRef ]
  79. مولر، AK; لوکاچ، PM؛ Horne، JS سه روش جدید برای تخمین فراوانی حیوانات بدون علامت با استفاده از دوربین های راه دور. Ecosphere 2018 , 9 , e02331. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  80. الدوی، ا. Mokbel، MF SpatialHadoop: یک چارچوب کاهش نقشه برای داده های مکانی. در مجموعه مقالات سی و یکمین کنفرانس بین المللی IEEE 2015 در زمینه مهندسی داده، سئول، کره، 13 تا 17 آوریل 2015. [ Google Scholar ]
  81. اعرابی، ل. موکبل، MF; Musleh, M. ST-Hadoop: یک چارچوب کاهش نقشه برای داده های مکانی-زمانی. Geoinformatica 2018 ، 22 ، 785-813. [ Google Scholar ] [ CrossRef ]
  82. آجی، ع. وانگ، اف. وو، اچ. لی، آر. لیو، کیو. ژانگ، ایکس. Saltz, J. Hadoop GIS: یک سیستم ذخیره‌سازی داده‌های مکانی با کارایی بالا بیش از کاهش نقشه. Proc. VLDB Enddow. 2013 ، 6 ، 1009-1020. [ Google Scholar ] [ CrossRef ]
  83. گونتر، WA; مهریزی، MHR; هیسمن، م. فلدبرگ، F. بحث در مورد داده های بزرگ: مروری بر ادبیات در تحقق ارزش از داده های بزرگ. جی. استراتژی. Inf. سیستم 2017 ، 26 ، 191-209. [ Google Scholar ] [ CrossRef ]
  84. رایفر، م. ترویلو، آر. کواتچ، اف. اوئر، ام. لوس، ال. مارکس، اس. پرزیبیل، ک. فندریچ، اس. موکنیک، FB؛ Zipf، A. OSHDB: چارچوبی برای تجزیه و تحلیل مکانی-زمانی داده‌های تاریخچه نقشه خیابان باز. Geospat را باز کنید. نرم افزار داده ایستادن. 2019 ، 4 ، 3. [ Google Scholar ] [ CrossRef ]
  85. ارسنجانی، ج. Zipf، A.; مونی، پی. هلبیچ، ام . Springer: برلین/هایدلبرگ، آلمان، 2015; پ. 325. [ Google Scholar ]
  86. برنرز لی، تی. داده های باز پیوند داده شده. 2006. در دسترس آنلاین: https://www.w3.org/DesignIssues/LinkedData.html (در 3 فوریه 2020 قابل دسترسی است).
  87. Goodchild، MF Citizens به عنوان حسگر: دنیای جغرافیای داوطلبانه. ژئوژورنال 2007 ، 69 ، 211-221. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  88. الوود، اس. اطلاعات جغرافیایی داوطلبانه: سؤالات، مفاهیم و روش‌های کلیدی برای هدایت تحقیق و عمل در حال ظهور. جئوژورنال 2008 ، 72 ، 133-135. [ Google Scholar ] [ CrossRef ]
  89. الوود، اس. اطلاعات جغرافیایی داوطلبانه: مسیرهای تحقیقاتی آینده با انگیزه GIS انتقادی، مشارکتی و فمینیستی. جئوژورنال 2008 ، 72 ، 173-183. [ Google Scholar ] [ CrossRef ]
  90. Chilton, S. CrowdSourcing به طور اساسی چشم انداز داده های جغرافیایی را تغییر می دهد: مطالعه موردی OpenStreetMap. در مجموعه مقالات بیست و چهارمین کنفرانس بین المللی کارتوگرافی، سانتیاگو، شیلی، 15 تا 21 نوامبر 2009. [ Google Scholar ]
  91. استایگر، ای. رسچ، بی. Zipf، A. کاوش خوشه‌های مکانی-زمانی و معنایی داده‌های توییتر با استفاده از شبکه‌های عصبی بدون نظارت. بین المللی جی. جئوگر. Inf. علمی 2016 ، 30 ، 1694-1716. [ Google Scholar ] [ CrossRef ]
  92. Goodchild، MF; Glennon، JA جمع سپاری اطلاعات جغرافیایی برای واکنش به بلایا: مرز تحقیقاتی. بین المللی جی دیجیت. زمین 2010 ، 3 ، 231-241. [ Google Scholar ] [ CrossRef ]
  93. Dhar, V. علم داده و پیش بینی. اشتراک. ACM 2013 ، 56 ، 64-73. [ Google Scholar ] [ CrossRef ]
  94. آگاروال، آر. Dhar، V. داده های بزرگ، علم داده، و تجزیه و تحلیل: فرصت و چالش برای تحقیقات IS. IS Res. J. 2014 ، 25 ، 443-448. [ Google Scholar ] [ CrossRef ]
  95. اومونیوا، بی. حسین، ر. جاوید، MA; Bouk، SH Fog/Edge Computing-based IoT (FECiOT): معماری، کاربردها و مسائل تحقیقاتی. IEEE Internet Things J. 2018 . [ Google Scholar ] [ CrossRef ]
  96. مایجر، ع. بولیوار، MPR حاکم بر شهر هوشمند: مروری بر ادبیات حکمرانی شهری هوشمند. بین المللی Rev. Adm. 2016 ، 82 ، 392-408. [ Google Scholar ] [ CrossRef ]
  97. اندرز، MR; Hoßbach، N. ابعاد کاربردهای دوقلو دیجیتال – مروری بر ادبیات. در مجموعه مقالات بیست و پنجمین کنفرانس آمریکا در مورد سیستم های اطلاعاتی، کانکون، مکزیک، 15 تا 17 اوت 2019؛ پ. 10. [ Google Scholar ]
  98. بردلی، PE; Paul, N. فضا، زمان، نسخه و مقیاس از نظر توپولوژیکی با استفاده از توپولوژی های الکساندروف سازگار است. در استراتژی ها و رویکردهای معاصر در مدل سازی اطلاعات سه بعدی ; IGI Global: Pershey (PA)، ایالات متحده آمریکا، 2018؛ صص 52-82. [ Google Scholar ]
  99. جی، Q. بار، اس. جیمز، پی. Fairbairn، D. چارچوب تحلیل جغرافیایی برای شبکه‌های زیرساخت شهری در مقیاس ظریف. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2018 ، XLII–4 ، 291–296. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  100. جوونلا، ا. بردلی، PE; Wursthorn، S. ارزیابی سازگاری توپولوژیکی در CityGML. IJGI 2019 ، 8 ، 278. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  101. آریولی، م. بنزی، M. روش اجزای محدود برای نمودارهای کوانتومی. IMA J. Numer. مقعدی 2018 ، 38 ، 1119-1163. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  102. Gelinas، UJ; ساتون، اس جی; فدوروویچ، جی. پردازش تراکنش آنلاین. در کتابهای درسی باز برای هنگ کنگ ; دانشگاه آزاد هنگ کنگ: هنگ کنگ، چین، 2019. [ Google Scholar ]
  103. یکپارچه‌سازی داده‌های Conn، SS OLTP و OLAP: مروری بر روش‌ها و معماری‌های اجرایی امکان‌پذیر برای تجزیه و تحلیل داده‌های زمان واقعی. در مجموعه مقالات کنفرانس IEEE Southeast، Ft. Lauderdale, FL, USA, 8-10 آوریل 2005; پ. 6. [ Google Scholar ] [ CrossRef ]
  104. ژانگ، سی. هوانگ، ی. گریفین، تی. پرس و جو در جریان داده های مکانی در SECONDO. در مجموعه مقالات هفدهمین سمپوزیوم بین المللی ACM SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی (ACM-GIS 2009)، سیاتل، WA، ایالات متحده آمریکا، 4 تا 6 نوامبر 2009. [ Google Scholar ] [ CrossRef ]
  105. بائر، آ. ویسینک، ا. پوتسدام، ام. Jayaraman، B. ParaView Catalyst مسیرهای ذرات را در محل محاسبه می کند. Kitware Blog 2016 , 39 . [ Google Scholar ]
  106. داده‌های بزرگ: تکنیک‌ها و فناوری‌ها در ژئوانفورماتیک ؛ کریمی، HA (ویرایش) CRC Press: Boca Raton, FL, USA, 2014; 312p, ISBN 978-1-138-07319-7. [ Google Scholar ]
  107. VoPham، T. هارت، جی. لادن، اف. چیانگ، ی.-ای. روندهای نوظهور در هوش مصنوعی زمین مکانی (geoAI): کاربردهای بالقوه برای اپیدمیولوژی محیطی. محیط زیست Health 2018 , 17 , 40. [ Google Scholar ] [ CrossRef ]
  108. برونیگ، ام. زلاتانوا، S. تحقیقات پایگاه داده های جغرافیایی سه بعدی: گذشته نگر و جهت های آینده. محاسبه کنید. Geosci. 2011 ، 37 ، 791-803. [ Google Scholar ] [ CrossRef ]
  109. بالوونف، او. برونیگ، ام. Cremers، AB Geotoolkit: باز کردن دسترسی به فروشگاه های داده های جغرافیایی شی گرا. در سیستم های اطلاعات جغرافیایی متقابل ; Goodchild, M., Egenhofer, M., Fegeas, R., Kottman, C., Eds. Springer: Boston, MA, USA, 1999; صص 235-247. شابک 978-1-4613-7363-6. [ Google Scholar ]
  110. Güting، RH GraphDB: مدل‌سازی و جستجوی نمودارها در پایگاه‌های داده. در مجموعه مقالات بیستمین کنفرانس بین المللی پایگاه های داده بسیار بزرگ، سانتیاگو دی شیلی، شیلی، 12 تا 25 سپتامبر 1994. Morgan Kaufmann Publishers Inc.: San Francisco, CA, USA, 1994; ص 297-308. [ Google Scholar ]
  111. راسل، اس جی؛ Norvig, P. Artificial Intelligence: A Modern Approach ; سری پرنتیس هال در هوش مصنوعی; Prentice Hall: Englewood Cliffs، NJ، USA، 1995; شابک 978-0-13-103805-9. [ Google Scholar ]
  112. بادر، ف. Nutt, W. منطق های توصیفی پایه. در کتاب راهنمای منطق توضیحات. تئوری، اجرا و کاربردها ; Baader, F., Calvanese, D., McGuinness, D., Nardi, D., Patel-Schneider, P., Eds.; انتشارات دانشگاه کمبریج: کمبریج، انگلستان، 2003; ص 43-95. [ Google Scholar ]
  113. روداس، آی. Fodor, J. سیستم های هوشمند. بین المللی جی. کامپیوتر. اشتراک. کنترل 2008 ، 3 ، 132-138. [ Google Scholar ]
  114. لی، ال. لی، اس. ژائو، S. برنامه‌ریزی سرویس‌های مبتنی بر اینترنت اشیا. IEEE Trans. Ind. Inf. 2014 ، 10 ، 1497-1505. [ Google Scholar ]
  115. ویریاسیتاوات، دبلیو. Xu، بررسی انطباق LD برای عملیات متقابل گردش کار خدمات مبتنی بر نیاز. IEEE Trans. Ind. Inf. 2014 ، 10 ، 1469-1477. [ Google Scholar ] [ CrossRef ]
  116. او، ال. یو، پی. جیانگ، ال. ژانگ، ام. شناسایی مبتنی بر هستی شناسی رابطه فضایی فازی ویژگی های پیچیده جغرافیایی در یک محیط وب سرویس. علوم زمین Inf. 2015 ، 8 ، 63-76. [ Google Scholar ] [ CrossRef ]
  117. یوان، جی. یو، پی. گونگ، جی. ژانگ، ام. رویکرد داده‌های مرتبط برای منشأ داده‌های مکانی. IEEE Trans. Geosci. Remote Sens. 2013 , 51 , 5105–5112. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00095 g001 550
شکل 1. گزارش انتشار توسط Web of Science برای ادغام BIM و GIS (از https://apps.webofknowledge.com/ اعمال شده است).
Ijgi 09 00095 g002 550
شکل 2. LOD های مختلف در IFC برای یک تیر T معکوس ساختاری پیش ساخته (استخراج شده از https://bimforum.org/lod/ ) ( الف ) و LoDs برای CityGML یک ساختمان مسکونی (با اعطای مجوز از موسسه فناوری کارلسروهه) ( b ) .
Ijgi 09 00095 g003 550
شکل 3. رویکردهای یکپارچه سازی BIM و 3D GIS در سه سطح: داده، فرآیند و کاربرد.
Ijgi 09 00095 g004 550
شکل 4. نمونه ای از داده های CityGML ناسازگار.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید