GeoFairy2: یک دروازه موبایل بین نهادی به داده های مرتبط با مکان برای تصمیم گیری درجا

چکیده

برای انتشار مؤثر اطلاعات مرتبط با مکان، علیرغم وجود دیوارهای دیجیتال در سراسر مؤسسات، این مطالعه یک برنامه تلفن همراه بین مؤسسه‌ای به نام GeoFairy2 ایجاد کرد تا بر شکاف‌های مجازی میان مجموعه داده‌های چند منبعی غلبه کند و به کاربران عمومی کمک کند تا اطلاعات دقیق و کاملی داشته باشند. تصمیمات درجا این برنامه یک سرویس یک مرحله ای با اطلاعات مرتبط برای کمک به تصمیم گیری فوری ارائه می دهد. آزمایش شد و ثابت شد که قادر به جفت شدن بر اساس تقاضا و ارائه اطلاعات مبتنی بر مکان از منابع متعدد است. این برنامه می تواند به کاربران عمومی کمک کند تا دیوارهای دیجیتال را در میان استخرهای اطلاعاتی شکست دهند و به عنوان یک مکان بازیابی یک مرحله ای برای همه اطلاعات عمل کند. GeoFairy2 برای جمع‌آوری اطلاعات بی‌درنگ و تاریخی درباره محصولات، خاک، آب و آب و هوا مورد آزمایش قرار گرفت.
دوره-آموزش-حرفه-ای-gis
به جای یک پورتال داده یک طرفه، GeoFairy2 به کاربران عمومی اجازه می‌دهد عکس‌ها و مشاهدات خود را برای حمایت از پروژه‌های علمی شهروندی و به دست آوردن بینش‌های جدید ارسال کنند و خدمات آینده را بیشتر اصلاح کنند. مکانیسم دو جهته GeoFairy2 را به دروازه موبایل مفیدی برای دسترسی و کمک به مجموعه داده‌های به سرعت در حال رشد، ناهمگن، چند منبعی و مرتبط با مکان تبدیل می‌کند و راهی برای هدایت ما به یک وب موبایل جدید با لینک‌های بیشتر و دیوارهای دیجیتال کمتر هموار می‌کند. ارائه دهندگان داده و موسسات

کلید واژه ها:

داده های مرتبط با مکان ؛ دروازه ; تجمیع داده در سطح برنامه ؛ دانش شهروندی ; محاسبات همراه

1. مقدمه

داده‌های رصد زمین (EO) در دهه‌های گذشته به‌طور تصاعدی در حال افزایش بوده و به یک منبع داده با ارزش در بسیاری از حوزه‌های مهم علمی و کاربردی تبدیل شده‌اند. هنگامی که داده‌های EO با سایر داده‌های عمومی، مانند OpenStreetMap [ 1 ] و GeoNames [ 2 ] (همانطور که در شکل 1 نشان داده شده است) همراه شوند، می‌توان به بینش‌ها و کاربردهای مفید بسیاری دست یافت . با این حال، داده ها در مؤسسات توزیع شده ذخیره می شوند و توسط مجموعه ای متفاوت از مقررات، سیاست ها و استانداردها اداره می شوند [ 3 ]]. دیوارهای مجازی در میان مجموعه داده‌ها وجود دارند و هنگام تلاش برای بازیابی و انجام تحلیل‌های ترکیبی، می‌توان آنها را به شدت احساس کرد. ناهمگونی در قالب‌ها، پیش‌بینی‌ها، ابرداده‌ها، ساختار، محتوا، ویژگی‌ها، پروتکل‌ها و مجوزها، چالش‌های جدی را برای ادغام اطلاعات از چندین ارائه‌دهنده برای دستیابی به درک جامعی از یک مکان خاص به وجود می‌آورد. در مجموعه داده های ماهواره ای، دیوارهای دیجیتال بسیار رایج هستند. به عنوان مثال، مراکز داده NOAA (اداره ملی اقیانوسی و جوی) بیشتر از NetCDF (شبکه فرم داده مشترک) به عنوان فرم پیش فرض استفاده می کنند. مراکز داده ناسا (اداره ملی هوانوردی و فضایی) و DAAC (مرکز بایگانی فعال توزیع شده) اغلب از HDF (فرمت داده های سلسله مراتبی) استفاده می کنند و USGS از GeoTIFF برای تصاویر ماهواره ای خود استفاده می کند. در شرکت های صنعتی، به عنوان مثال، رسانه های اجتماعی، ارائه دهندگان داده معمولاً مجموعه داده ها را از طریق برخی از رابط های منحصر به فرد برای حفظ یک اکوسیستم نسبتاً ایزوله برای محافظت از منافع تجاری ارائه می دهند. اگرچه تلاش‌های زیادی برای یکسان کردن ابرداده‌ها و ثبت مجموعه داده‌ها در یک کاتالوگ یا یک فرم اصلی انتزاعی انجام شد.4 ]، بازیابی تمام اطلاعات در مجموعه داده‌های مربوط به یک مکان یک کار پیچیده است. برای تصمیم گیری موثر، جمع آوری تمام اطلاعات جمع آوری شده از پلتفرم های مختلف در یک گزارش یک نیاز حیاتی است. به عنوان یک موضوع مهم در تحقیق زیرساخت داده های مکانی (SDI)، شکستن این دیوارهای دیجیتال و بازیابی یک مرحله ای اطلاعات مکانی چند منبعی هنوز یک مسئله حل نشده است.
اپلیکیشن‌های موبایل می‌توانند بسیاری از خدمات مبتنی بر مکان (LBS) مانند گزارش وضعیت محیط، انتشار پیش‌بینی‌های آب و هوا، نظارت بر مناطق خاص و هشدار در مورد بلایای احتمالی را تسهیل کنند. محبوبیت LBS باعث ایجاد علاقه فزاینده در بسیاری از جوامع ذینفع شده است. توسعه دهندگان برنامه معمولاً دارای مجموعه داده های نقاط مورد علاقه (POI) هستند [ 5 ، 6 ]. نمونه‌های معمولی عبارتند از Google Maps، Yelp، Twitter، Facebook، TripAdvisor، FourSquare، OpenStreetMap، GRAB، و غیره. در دسترس بودن داده‌های مکانی و تکنیک‌های مدیریت و تجزیه و تحلیل آن داده‌ها به محققان اجازه می‌دهد تا مهم محیطی، اجتماعی، اقتصادی و بهداشت عمومی را مطالعه کنند. مسائل [ 7]. پیوندهای فضایی درون داده‌ها راه‌های جدیدی برای تفکر، ساختار، انتشار، کشف، دسترسی و یکپارچه‌سازی اطلاعات ارائه می‌دهند. اطلاعات مکانی توسط برنامه های تلفن همراه هضم می شود و از طریق اتصالات مکانی-زمانی آنها برای ارائه اطلاعات و خدمات ارزش افزوده استنباط می شود. با این حال، بیشتر برنامه‌ها فقط یک منبع داده دارند و روی یک چیز یا یک جنبه تمرکز می‌کنند. بازیابی یک گزارش کامل و کامل در مورد موقعیت مکانی بلادرنگ، که در تصمیم گیری های محکم و صحیح در محل ضروری است، با جمع آوری داده های چند منبعی و ارائه آنها به شیوه ای یک مرحله ای دشوار است.
برای پرداختن به این چالش، این مطالعه یک برنامه تلفن همراه به نام GeoFairy2 را توسعه داد که نسخه جدید برنامه برنده جایزه GeoFairy [ 8 ]]، با یکپارچه‌سازی استراتژی‌های سطح برنامه برای جمع‌آوری، جفت کردن و ارائه اطلاعات مکانی چندمنبعی از مراکز داده توزیع‌شده در زمان واقعی. برنامه یک مرحله ای به کارگران میدانی مانند کشاورزان، نقشه برداران، زمین شناسان، مسافران کمک می کند تا به محیط زیست و پویایی های اجتماعی-اقتصادی دسترسی داشته باشند و از آن مطلع شوند. این برنامه در مکان‌هایی که به‌طور تصادفی انتخاب شده‌اند در سراسر جهان آزمایش شد و با ارائه موفقیت‌آمیز اطلاعات تاریخی، حال و پیش‌بینی در مورد آب و هوا، خاک، محصولات کشاورزی و کیفیت هوا مطابق انتظار عمل می‌کند. در همین حال، این سیستم می‌تواند توسط شهروندان دانشمندان، دستگاه تلفن همراه را به حسگر تبدیل کند، تا عکس بگیرد، پرسش‌نامه‌ها را پر کند و مشاهدات یا بازخورد خود را ارسال کند تا دقت و وضوح اطلاعات آینده را اصلاح کند. GeoFairy2 می‌تواند بستری برای افراد غیرحرفه‌ای فراهم کند که ممکن است دانش پیش‌زمینه محدودی از موضوعات مورد مطالعه نداشته باشند، اما مایلند با جمع‌آوری داده‌ها مشارکت کنند. در آینده قابل پیش‌بینی، برنامه‌های تلفن همراه به دروازه‌های داده غالب تبدیل خواهند شد و برنامه‌هایی مانند GeoFairy2 تقاضای بالایی خواهند داشت. این کار راه جدیدی را برای هدایت ما به یک وب موبایل جدید با پیوندهای بیشتر و دیوارهای کمتر در میان ارائه دهندگان و مؤسسات داده هموار می کند [9 ].

2. کارهای مرتبط

داده‌های مرتبط با مکان از منابع مختلفی می‌آیند و صریحاً از طریق برخی ویژگی‌های توصیفی، به عنوان مثال، مختصات، گستره‌های مکانی، مواد، رویدادها، زمان مشاهده و غیره به هم مرتبط هستند [ 10 ، 11 ، 12 ، 13 ]. آن پیوندها می توانند از یک مجموعه داده به مجموعه داده های مرتبط [ 11 ] حرکت کنند. پیوند دادن اطلاعات بین دیدگاه ها، ابعاد، پلتفرم ها و جوامع دارای مزایای بسیار زیادی است [ 14 ]. برای جستجوی اطلاعات عملی، هزینه ها و تلاش های بسیار کمتری نیاز است. داده‌های مرتبط با مکان به‌جای مرور ده‌ها هزار رکورد، امکان کشف داده‌های کارآمد را با هزینه کم فراهم می‌کنند. پیوندهای داده به داده های دیگر نیز ارزش آنها را افزایش می دهد [ 15]. هدف اولیه آن فعال کردن پرس و جو از تمام داده های وب به عنوان یک پایگاه داده واحد بود [ 16 ]، به دلیل پیوندهای مستقیم بین موجودیت های داده، که منجر به انتقال از جزایر داده به وب داده جهانی می شود. برخی از اصول داده های مرتبط پیشنهاد شده توسط تیم برنرز لی [ 17 ] وجود دارد. بسیاری از حوزه‌ها می‌توانند با داده‌های مرتبط با مکان، از بررسی‌های زمین‌شناسی، بررسی‌های جنگلی، مدیریت بلایای طبیعی، عملکرد کشاورزی و نظارت بر سلامت عمومی بهره‌مند شوند. سازمان های دولتی به دنبال عقل علمی برای به چالش کشیدن تهدید مشترک مسائل زیست محیطی بزرگ، مانند تغییرات آب و هوا، آلودگی، امنیت غذایی، تنوع زیستی [ 18 ]، و داده های مرتبط با مکان هستند، که می تواند کمک بزرگی باشد.
گوشی‌های هوشمندی که دارای اتصال به اینترنت و صفحه نمایش لمسی هستند، اکنون به طور گسترده در سرتاسر جهان مورد استفاده قرار می‌گیرند. تخمین زده می شود که بیش از 3.5 میلیارد نفر تلفن هوشمند دارند [ 19 ]. از آنجایی که مالکان دائماً این دستگاه ها را حمل می کنند، بدون نیاز به آماده سازی و تجهیزات خاص، آماده دسترسی به برنامه های تلفن همراه در فروشگاه های برنامه نیز هستند. برنامه های کاربردی برای بازیابی داده ها و علوم شهروندی در سال های اخیر به طور چشمگیری افزایش یافته است [ 20 ]. اکثر گوشی‌های هوشمند گیرنده‌های GPS داخلی، دوربین‌ها و میکروفون‌ها دارند [ 21 ].
نقش اطلاعات جغرافیایی داوطلبانه (VGI) در علم شهروندی در مطالعات اخیر مورد بررسی قرار گرفت. 22 ]]. داده های تلفن همراه پذیرفته شد و به بستر خوبی برای جمع آوری داده ها تبدیل شده است. SDK های نقشه موبایل (کیت توسعه نرم افزار) مانند نقشه های گوگل و نقشه های اپل و بسیاری از ابزارهای منبع باز دیگر، پیاده سازی یک سری از برنامه های موبایل ارزان قیمت را برای جمع آوری و انتشار داده های مکانی برای جوامع مختلف راحت کرده است. به طور معمول، یک برنامه تلفن همراه یک یا چند مورد از سه عملکرد زیر را انجام می دهد: انتشار داده ها، اعتبارسنجی داده ها و جمع آوری داده ها. قابلیت مکان یابی گوشی های هوشمند، سرورهای داده های مکانی را قادر می سازد تا اطلاعات مربوط به مکان را به کاربران ارائه دهند. عکس‌ها را می‌توان گرفت و برای اعتبارسنجی داده‌های شبیه‌سازی‌شده مدل به دست آمده از داده‌های ماهواره‌ای، مانند نقشه‌های پوشش زمین و خاک، استفاده کرد. فرم های الکترونیکی را می توان جمع آوری کرد و به عنوان حقایق پایه برای تجزیه و تحلیل و تجمیع استفاده کرد.23 ].
برنامه‌هایی مانند Google Maps و OpenStreetMap هم توسط دانشمندان و هم توسط جوامع غیرمتخصص کاربران مورد استقبال قرار گرفتند [ 24 ]. لوتز و همکاران از یک سیستم مبتنی بر تلفن هوشمند برای بازیابی بصری هندسه دقیق اجسام کوچکتر استفاده کرد، و آن را برای ارزیابی موجودات کشاورزی مانند مزارع یا استخرها با وسعت و مکان دقیق آنها مناسب ساخت [ 25 ]. آنها از آن برای نظارت بر توسعه کشاورزی استفاده کردند. سوپورن و همکاران یک بررسی سیستماتیک بر روی برنامه های کاربردی گوشی های هوشمند در ادبیات تحقیقاتی انجام داد که از حسگرهای داخلی گوشی هوشمند برای ارائه راه حل های کشاورزی استفاده می کرد. 26 ]]. آنها 12 برنامه کاربردی کشاورزی، 6 برنامه کاربردی مدیریت مزرعه، 3 برنامه کاربردی سیستم اطلاعاتی و 4 برنامه کاربردی خدمات ترویجی را بررسی کردند. GPS و دوربین ها محبوب ترین حسگرها در این برنامه ها هستند. در مقایسه با کشاورزی سنتی که معمولاً در یک خانواده یا روستا انجام می‌شد، و تخصص و دانش انباشته کشاورزی که به نسل‌های آینده منتقل شد، اپلیکیشن‌های گوشی‌های هوشمند نقش مهمی در انتشار دانش و اطلاعات در مورد کشاورزی امروز دارند. در آینده قابل پیش‌بینی، با بروز مشکلات، انسان‌ها دیگر ناظر اصلی شرایط میدانی و تنها ارائه‌دهنده راه‌حل نخواهند بود. از آنجایی که آب و هوای مخرب و شیوع بیماری های محصولات زراعی می تواند به بهره وری کشاورزی آسیب جدی وارد کند، مدیریت عمیق و قدرتمندتر کشاورزی و فناوری های عملی باید ابداع و به کار گرفته شود. برای مبارزه با این مسائل کشاورزی دقیق یکی از محبوب ترین روش هایی است که ابداع شد. استفاده از حسگرهای میدانی، سنجش از راه دور و اپلیکیشن‌های مبتنی بر گوشی‌های هوشمند یکی از ایده‌های کلیدی در کشاورزی دقیق است. تمام سیستم های به کار گرفته شده به طور مداوم مزارع را رصد می کنند و به کشاورزان کمک می کنند تا تصمیمات آگاهانه بگیرند [26 ].
برنامه های تلفن همراه زیادی برای ارائه داده های مرتبط با مکان وجود دارد. Agrofarm [ 27 ] یک برنامه مبتنی بر اندروید است که برای کشاورزان، پرورش دهندگان، و افرادی که به کشت محصولات کشاورزی و پرورش حیوانات علاقه دارند جذاب است. این به کشاورزان و پرورش‌دهندگان کمک می‌کند تا زمان استفاده از روغن‌کاری یا آفت‌کش، مقدار و هزینه، کشت، درآمدها و هزینه‌های تمام فعالیت‌های کشاورزی را بر اساس دسته یا دوره پیگیری کنند، اطلاعات مربوط به کاربرد داروها در حیوانات و همچنین برنامه کامل غذا و ثبت هزینه سوخت و برنامه نگهداری برای کلیه ماشین آلات کشاورزی. AgriApp [ 28] یکی دیگر از برنامه های اندرویدی است که اطلاعات کاملی در مورد حفاظت از محصولات کشاورزی، کشاورزی هوشمند با کشاورزی و خدمات مرتبط ارائه می دهد. همچنین یک بازار آنلاین است که کشاورزان، خرده فروشان، خدمات استخدام نیروی کار را در یک پلتفرم دیجیتال مشترک آورده است. برنامه دیگر، Agrobase [ 29 ]، شامل یک پایگاه داده دانش زراعی با کاتالوگ آفات، علف های هرز، و بیماری ها، و همه آفت کش ها، حشره کش ها، علف کش ها در یک کشور انتخابی است. به طور بالقوه می تواند بیماری ها، حشرات یا آفات را در مزارع شناسایی کند و راه حلی برای دستیابی به بهره وری بالاتر بیابد.
بسیاری از برنامه ها برای انتشار داده های کیفیت هوا توسعه یافته اند. برنامه‌ای به نام Air Visual [ 30 ] می‌تواند داده‌های تاریخی، لحظه‌ای و پیش‌بینی‌شده آلودگی هوا را بر اساس مکان واقعی ارائه دهد. این می تواند داده هایی در مورد آلاینده های کلیدی برای بیش از 10000 شهر در بیش از 80 کشور ارائه دهد. EPA (آژانس حفاظت از محیط زیست) AIRNow [ 31 ] می تواند کیفیت هوا را در زمان واقعی ارائه دهد. گزارش های آنها شامل آلودگی ازن و ذرات ریز (PM2.5) و اقداماتی است که مردم می توانند در سطوح مختلف کیفیت هوا انجام دهند. سایر برنامه های مشابه عبارتند از PlumeLabs، BreezoMeter و غیره.
یکی از روش های رایج برنامه های کاربردی داده موجود این است که تمام اطلاعات در سطح ارائه دهنده جمع می شوند (همانطور که در شکل 2 نشان داده شده است ). به عنوان مثال، گوگل تمام داده ها را جمع آوری کرد و آنها را در محصولات جدید ترکیب کرد و آنها را در Google Maps منتشر کرد. گوگل نقش واسطه را برای جمع آوری مجموعه داده ها و ادغام آنها بازی می کند. در نتیجه، همه کاربران بیش از حد به Google وابسته هستند و انعطاف‌پذیری کمتری در سفارشی‌سازی، اشتراک‌گذاری و شناسایی اطلاعات از داده‌های خام، به‌ویژه روندهای زمانی دارند.
اولین نسخه GeoFairy یک سیستم نوآورانه بود که در مسابقه GEO Appthon در سال 2014 برنده شد [ 8 ]. این به عنوان یک سرویس مبتنی بر مکان یک مرحله ای برای بازیابی انواع مختلف اطلاعات مکانی با ادغام تکنیک های پیشرفته در خدمات وب جغرافیایی و برنامه های تلفن همراه پیشنهاد شد. با این حال، این یک برنامه نسبتا کم کارآمد بود و به طور همزمان به بسیاری از کاربران در سراسر جهان خدمات رسانی می کرد. کیفیت خدمات بیش از حد متکی به خدمات تجمیع داده است که بر روی یک سرور کوچک در GMU مستقر شده است (تجمع در سطح ارائه دهنده در شکل 2). طراحی GeoFairy قدیمی با توجه به عملکرد گذشته آن در اجرای عملیاتی باعث ایجاد مشکلاتی در زمان پاسخگویی، پایداری سیستم و پایداری شد. در همین حال، GeoFairy1 یک سرویس یک طرفه است که فقط اطلاعات را از ارائه دهندگان رسمی داده به کاربران منتقل می کند. پس از شش سال تحقیق در مورد چگونگی بهبود سرویس، GeoFairy2 با اتخاذ تجمیع در سطح برنامه ( شکل 2 ) به این مشکلات پرداخت و با موفقیت به نیازهای رو به رشد کشف داده های هوشمند و تعامل دو جهته برای کمک به جمع آوری داده ها پاسخ داد.
دوره-آموزش-حرفه-ای-gis

3. چارچوب

برای رسیدگی به مشکلات میراث و ترکیب قابلیت های جدید، یک طرح جدید پیشنهاد شده است (نشان داده شده در شکل 3 ). این ترکیبی از اجزای زیر ماژول های متعدد و ارتباطات بین آنها است که در زیر به تفصیل معرفی می شوند.

3.1. ماژول خدمات وب جغرافیایی

این ماژول به بلوک Info Server در شکل 3 اشاره دارد و شامل کلیه خدمات اطلاعاتی است که برای پردازش درخواست های داده از GeoFairy2 و ارسال اطلاعات واقعی استفاده می شود. برای تحقق تجمیع داده در سطح برنامه، معماری از سرویس های وب جغرافیایی موجود برای پر کردن این ماژول مجددا استفاده می کند. هزاران سرویس وب وجود دارد که ده ها هزار ترابایت داده مکانی را ارائه می دهد که هنوز در حال رشد هستند [ 32 ، 33 ، 34 ، 35 ، 36 ، 37 ]. با این حال، انتخاب سرویس‌های وب اساسی برای برنامه‌های تلفن همراه نیاز به توجه بیشتری به کیفیت دارد [ 38]. وب سرویس ها برای واجد شرایط شدن به عنوان منبع اطلاعاتی باید چندین معیار را رعایت کنند.

3.1.1. پایداری بالا

معماری GeoFairy2 به شدت به خدمات وب باطن متکی است. خدمات وب مورد استفاده باید در دسترس طولانی مدت پایدار باشد. خدمات در صورت حضور فرد متخصص بهتر انجام می شود. در آن صورت، تنها سرویس‌های وب که توسط کسب‌وکارهای معتبر یا سازمان‌های دولتی قابل اعتماد پشتیبانی می‌شوند، مناسب هستند. در غیر این صورت، کد راه حل باید برای یک موقعیت غیرمنتظره، مانند سرویس آفلاین، تغییر رابط، شکاف داده ها، خطاهای داخلی در صورتی که نمونه اولیه سرویس های وب از پروژه های تحقیقاتی درگیر باشد، آماده شود. این سوال وجود دارد که آیا این خدمات پس از اتمام بودجه ادامه خواهد داشت یا خیر. بنابراین، طراحی ماژولار برای جلوگیری از فروپاشی نرم افزار زمانی که استثنائاتی در طول دوره عملیات رخ می دهد، بسیار توصیه می شود.
3.1.2. توان عملیاتی بالا و تاخیر کم
یک سرور واحد توانایی محدودی در ارائه درخواست های کاربر دارد. یک وب سرویس قابل اعتماد برای مقابله با تعداد زیادی از درخواست‌های همزمان به مسیریاب‌های دروازه و سخت‌افزار قوی نیاز دارد. کارت رابط شبکه (NIC) باید توان عملیاتی بسیار بالایی داشته باشد و کارت شبکه یدکی ترجیح داده می شود. اگر درخواست‌ها در سطح بسیار بالایی باشند، یک متعادل‌کننده بار توصیه می‌شود و درخواست‌ها در یک گره نباید از یک آستانه برای ارائه پاسخ پنهان کم تجاوز کنند. نشت حافظه یک مشکل رایج است که ممکن است باعث از بین رفتن کل سیستم شود. حجم بالای حافظه برای اطمینان از پایداری سرویس مهم است. حجم مشاهدات زمین، به ویژه مجموعه داده های تصاویر سنجش از دور، بسیار زیاد است و پردازش آنها به قدرت محاسباتی بسیار بیشتری نسبت به مجموعه داده های معمولی نیاز دارد. سخت‌افزار قدرتمند و نرم‌افزار قوی، پیش‌نیاز برای فعال کردن تأخیر کم و توان عملیاتی بالا است. این جزئیات باید قبل از اتخاذ آنها به طور کامل بررسی شوند [39 ].
3.1.3. رابط تعاملی
برای رسیدگی به چالش‌های ناهمگونی داده‌ها، رابط سرویس‌های وب کاندید باید به راحتی قابل تعامل باشد [ 40 ]. باید راهنماهای صریح برای تماس با خدمات (به عنوان مثال، Swagger) وجود داشته باشد. رابط های استاندارد مانند OGC WMS (Web Map Service) [ 41 ]، WFS (Web Feature Service)، WCS (Web Coverage Service) ترجیح داده می شوند. خدمات وب RESTful با مستندات دقیق نیز توصیه می شود. OpenAPI Specification v3 [ 42 ] به عنوان یک نقطه عطف برای جامعه توسعه دهندگان API منتشر شد تا به عنوان یک رابط سرویس استاندارد رایج استفاده شود. خدمات وب استاندارد بیشتری در راه است و می تواند به راحتی از طریق این استانداردها یکپارچه شود.

3.2. ماژول ارتباطات

این ماژول به تمام فلش ها و رابط های مرتبط با آنها در شکل 3 اشاره دارد. تمام اطلاعات نمایش داده شده در GeoFairy2 در زمان واقعی از اینترنت جمع آوری می شود. در هنگام نصب هیچ داده داخلی ندارد. اتصال اینترنتی معتبر مورد نیاز است. برای سایت‌های راه دور که ممکن است سیگنال‌ها ضعیف باشند، راه‌حل‌هایی مانند ذخیره‌سازی اطلاعات آفلاین مورد بحث قرار می‌گیرند. طراحی فعلی بر این فرض استوار است که حداقل گاهی اوقات اتصالات اینترنتی به تلفن های هوشمند وجود دارد.
ارتباط بین مشتری و سرور از پروتکل های استاندارد پیروی می کند: HTTP (پروتکل انتقال ابرمتن). سایر پروتکل های شبکه سطح پایین مانند TCP (پروتکل کنترل انتقال) یا UDP (پروتکل داده گرام کاربر) نیز می توانند مستقیماً مورد استفاده قرار گیرند. امروزه اکثر گوشی های هوشمند به سخت افزاری برای پشتیبانی از پروتکل های متعدد مانند Wi-Fi (IEEE 802.11)، 4G LTE (IMT-2000) و بلوتوث برای انتقال داده ها به صورت بی سیم مجهز هستند. برای برقراری ارتباط با رابط‌های سرویس استاندارد سطح بالاتر، مانند REST API، خدمات وب OGC، مشتری و سرور باید از مجموعه پروتکل‌های مشابهی برای ارتباط بین خود استفاده کنند. این نیاز به مشخصات دقیق پارامترها، ساختارها، رمزگذاری‌ها، الگوریتم‌ها و غیره دارد.
خوشبختانه، OGC، ISO، W3C، OpenAPI، و بسیاری از سازمان‌های استانداردسازی دیگر قبلاً این مسائل را در نظر گرفته‌اند و مجموعه کاملی از استانداردهای قابلیت همکاری را بر این اساس ساخته‌اند. این استانداردهای خدمات وب خلاء تنظیم ارتباطات اطلاعات مکانی را از پایین به بالا پر می کنند. استانداردهای قابلیت همکاری تقریباً تمام جنبه های گردش کار را برای انتقال اطلاعات مکانی بین دستگاه های از راه دور جداگانه پوشش می دهند. سرویس‌های وب معمولی OGC دو نوع پروتکل را ارائه می‌دهند – XML ​​ساده و SOAP (پروتکل دسترسی به شیء ساده). توسعه اخیر نشان می دهد که خدمات وب RESTful محبوب شده اند و JSON اکنون یک قالب معمول برای تبادل اطلاعات است [ 43 ]]. محبوبیت خدمات وب RESTful تا حد زیادی به سادگی و کلی بودن آن وابسته است و به چندین فعل قطعی یکپارچه محدود می شود: GET، POST، PUT، PATCH و DELETE که تقریباً تمام نیازهای تراکنش را پوشش می دهند. در این معماری، ارتباط بین کلاینت و سرور در قالب‌های چندگانه است و باید با توجه به شرایط دنیای واقعی انعطاف‌پذیر باقی بماند.

3.3. ماژول نقطه پایانی دروازه موبایل

طراحی داخلی برنامه شامل چهار زیر ماژول اصلی داده محور است (بلوک DataClient در شکل 3 ). هر زیر ماژول با یک نوع خاص از نیاز سر و کار دارد.

3.3.1. زیر ماژول صف بازیابی داده

این معماری به مشتری اجازه می دهد تا با چندین وب سرویس به طور همزمان صحبت کند. نمودار بازیابی داده ها بر این اساس به دلیل عدم قطعیت شبکه، ظرفیت سخت افزار/نرم افزار و تنوع حجم داده های منتقل شده پیچیده می شود. به طور کلی، سرعت بازیابی داده ها با وضعیت بارهای روی مشتری و سرور و شبکه تعیین می شود که می تواند به سادگی با استفاده از معادله زیر نمایش داده شود:

تیr= یک ×Lج×Lس×Oدسیج×سیس×سn+ eتی�=آ×�ج×�س×�دسیج×سیس×س�+ه

جایی که تیrتی�هزینه زمانی بازیابی داده ها از سرور به مشتری است. Lج�جو Lس�سحجم کار روی کلاینت و سرور هستند. Oد�دپیچیدگی داده های ارسالی است که یک امتیاز ترکیبی است که حجم، ابعاد، ساختار، قالب، رمزگذاری و غیره را اندازه گیری می کند. سnس�نشان دهنده کیفیت شبکه بین مشتری و سرور است. سیجسیجو سیسسیسظرفیت سیستم مشتری و سرور است و می تواند با حداکثر داده ای که سیستم می تواند در هر ثانیه پردازش کند اندازه گیری شود. ضریب a یک عدد ثابت است که نسبت به واحد زمان را تبدیل می کند و e خطای نامشخص است.

با توجه به این معادله، زمانی که دو نقطه پایانی و شبکه‌های بین آن‌ها تسویه حساب می‌شوند، هزینه زمانی بیشتر بر اساس حجم کار بلادرنگ و پیچیدگی داده تعیین می‌شود. برای کاهش تأخیر سیستم، متوسط ​​درخواست‌ها در هر گره سرور باید متعادل باشد و در آستانه‌های مشخصی باقی بماند، اطلاعات مکانی ارسال‌شده باید ساده و کم‌بعد باشد. با این حال، در معماری پیشنهادی، حتی اگر درخواست‌ها ساده هستند، مشتری برای رسیدگی به درخواست‌های موازی به سرویس‌های وب مختلف مشکل دارد. برای دستیابی به استفاده روان از مشتری، باید یک سیستم صف قرار داده شود تا از انجماد طولانی مدت جلوگیری شود. اولین قدم ارسال تمام درخواست ها از طریق کانال های ناهمزمان است. یک گیرنده در صف شروع به گوش دادن به پاسخ می کند. همانطور که ترافیک بیشتری روی پروتکل HTTP انجام می شود، درخواست ها از تکنیک AJAX استفاده می کنند. با این حال، WebSocket [44 ] و سایر پروتکل های ارتباطی متقابل برای آن وظایف بهتر خواهد بود. برای هر پاسخ دریافتی، صف یک گیرنده را تعیین می کند تا اطلاعات را به پردازشگر داده مربوطه هدایت کند (مورد بحث در بخش 3.3.3 ). صف گیرنده به طور ضعیفی با ماژول رابط جفت می شود و هنگامی که برخی از درخواست های سرویس مسدود یا ناموفق می شوند، از کار می افتد یا رابط کاربری را به تاخیر نمی اندازد.
یکی دیگر از اصول مهم طراحی این ماژول کاهش پیچیدگی داده های ارسالی است. درجه بالایی از پیچیدگی یکی از ویژگی های مهمی است که مجموعه داده های EO را از سایرین متمایز می کند. سازماندهی و ذخیره مجموعه داده های EO در سمت سرور می تواند هزینه زیادی را به عملکردهای پرس و جو و محاسباتی اضافه کند. برای جلوگیری از انتقال بار پردازشی فشرده به سمت مشتری، داده‌هایی که باید منتقل شوند باید در دانه‌های بسیار ریز باشند. ساختار درخت داده نباید بیش از سه سطح باشد و اطلاعات باید به بهترین قطعات دانه تقسیم شود. اطلاعات باید تکه تکه شود و ابعاد آن کاهش یابد. به عنوان مثال، برخی از محصولات تصاویر ماهواره ای صدها باند دارند و سیستم مختصات آن سه بعدی یا بیشتر (زمان و ارتفاع) است. بهترین مقیاس داده های ارسال شده در یک تراکنش، یک مقدار باند در یک مکان است (سه مقدار – عرض جغرافیایی، طول جغرافیایی، مقدار باند). این نه تنها بار شبکه را کاهش می دهد و زمان انتظار را برای کاربران کوتاه می کند، بلکه با ساده کردن گردش کار پردازش داده در سمت مشتری، استحکام سیستم را نیز بهبود می بخشد.

3.3.2. زیر ماژول استخراج داده و فیوژن

ناهمگونی داده‌های چند منبعی، استفاده مستقیم از داده‌های دریافتی را دشوار می‌کند، به‌ویژه زمانی که بیش از دو منبع برای یک دسته داده وجود داشته باشد. به عنوان مثال، دسته پوشش زمین دارای NASA NLCD (پایگاه ملی پوشش زمین) [ 45 ]، NASA MODIS محصولات پوشش زمین [ 46 ]، USDA (وزارت کشاورزی ایالات متحده)، CDL (لایه داده های زمین زراعی) [ 47 ] است.]، GLC (پوشش زمین جهانی)، FROM-GLC و غیره. NLCD، CDL و FROM-GLC با فرمت GeoTiff و محصولات MODIS Land Cover به صورت HDF (فرمت داده سلسله مراتبی) می باشند. بخش بزرگی از هزینه های استفاده مجدد از خدمات موجود در این مرحله پرداخت می شود. فرآیندهای رایج برای یکسان سازی مجموعه داده ها شامل بازپرداخت، نمونه برداری مجدد، شبکه بندی مجدد، قالب بندی مجدد، موزاییک، ادغام، دریافت گزارش های مکان و غیره است [ 48 ، 49 ]]. اکثر وب سرویس ها تمام کارهای پیش پردازش را انجام می دهند. GeoFairy2 فقط نیاز به بازیابی داده ها از طریق رابط های استاندارد مانند WMS GetFeatureInfo بدون نگرانی در مورد روش پردازش داده دارد. پس از بازیابی اطلاعات مبتنی بر مکان، GeoFairy2 باید هماهنگ سازی داده ها را با ادغام داده های چند منبع در یک مجموعه داده مشترک ثبت شده، با وضوح و طرح ریزی فضایی یکسان یا سازگار انجام دهد. از آنجایی که این یک پردازش داده مبتنی بر نقطه است، مقدار اطلاعاتی که باید توسط GeoFairy2 پردازش شود بسیار ناچیز است و می تواند به سرعت توسط دستگاه های تلفن همراه انجام شود.

3.3.3. زیر ماژول شنونده فروشگاه داده

نتایج حاصل از ماژول استخراج به ماژول ذخیره داده ها فشار داده می شود. فروشگاه داده یک بلوک اختصاصی در حافظه گوشی هوشمند است. هر دسته اطلاعات دارای یک ذخیره اطلاعات جداگانه است. ذخیره داده ها و رابط کاربری همگام شده اند. هر تغییری در فروشگاه داده فوراً در رابط منعکس می شود. به عنوان مثال، فروشگاه داده دارای اطلاعات جدید پیش بینی آب و هوا است، تازه سازی رابط فورا فعال می شود و اطلاعات جدید مستقیماً نمایش داده می شود. شنونده مسئول نظارت مداوم بر ذخیره‌های داده‌ها و ایجاد رندر ناحیه رابط مربوطه است. شنونده مجموعه ای از توابع رندر از پیش نصب شده را برای دسته های مختلف اطلاعات نگهداری می کند. علاوه بر داده های ماژول بازیابی، ذخیره داده ها همچنین داده های مربوط به اولویت کاربر را ذخیره می کند، به عنوان مثال، کاربران معمولاً برخی از دسته بندی های داده را که به آنها علاقه ای ندارند خاموش می کنند تا رابط را مختصر نگه دارند. برخلاف سایر ذخیره‌های داده‌های درون حافظه که پس از بسته شدن برنامه پاک می‌شوند، فروشگاه داده‌های سرویس گیرنده در یک پایگاه داده فایل در حافظه خارجی گوشی هوشمند باقی می‌ماند. تداوم داده ها نیز بر عهده شنونده ذخیره داده است.

3.3.4. زیر ماژول مدیریت زمینه پانل

به عنوان یک برنامه همه منظوره، اطلاعات چند موضوعی را پوشش می دهد و طراحی رابط باید حاوی چندین صفحه تب باشد تا اطلاعات را سازماندهی کند. هر تب پنل موضوعی و مختص دامنه است. همه پانل ها باید تقریباً در یک مکان باشند و این ماژول برای اطمینان از آن ساخته شده است. زمینه پانل مهم است که به هر پانل برگه اجازه می دهد تا داده های خود را مدیریت کند و در عین حال در مکان هدف ثابت بماند. هر بار که کاربران به مکان‌های دیگر می‌روند (از طریق کلیک بر روی نقشه یا وارد کردن نام شهرها)، پنل‌های برگه همیشه می‌توانند به سرعت بچرخند و اطلاعات خود را برای انعکاس وضعیت آخرین مکان انتخابی بازخوانی کنند. مدیریت زمینه همچنین به عنوان یک هماهنگ کننده برای پیوند مجموعه داده ها از طریق ویژگی های آنها عمل می کند. گاهی اوقات مشاهدات و محصولات داده با یکدیگر همخوانی ندارند.

3.3.5. تجسم

تجسم داده های مرتبط با مکان به سه شکل اصلی – نقشه، نمودارها و جداول (همانطور که در بلوک تجسم در شکل 3 نشان داده شده است ) اجرا می شود. جزئیات در [ 8 ] معرفی شده است. در این طراحی جدید، بهبودها بیشتر بر روی تنظیم کامپوزیت و انتقال بین سه شکل انجام شده است. رندر به سبک نوت بوک، همراه با پذیرش گسترده Jupyter Notebook [ 50 ]، هم در علم و هم در صنعت رایج شده است. کاربران فقط باید انگشت خود را روی صفحه نمایش گوشی هوشمند بکشند و تمام اطلاعات را درست زیر نوک انگشتان خود بکشند. جداول، نقشه ها و نمودارها تراز شده و در یک سند تک ستونی قرار می گیرند. خواندن اطلاعات مکانی نباید با خواندن روزنامه تفاوتی داشته باشد.

3.4. ماژول علوم شهروندی

یکی از اهداف اصلی GeoFaiyV2 این است که به جای دریافت اطلاعات، مردم را در تعامل با اطلاعات مکانی قرار دهد. این بدان معناست که مصرف کنندگان داده نیز می توانند به ارائه دهندگان داده تبدیل شوند. برنامه های علوم شهروندی زیادی وجود دارد، و اکثر آنها از طراحی مشابهی پیروی می کنند. حسگرهای موجود در دستگاه‌های سرویس گیرنده از طریق کتابخانه‌های درایور سیستم و رابط‌های پلتفرم به نرم‌افزار متصل می‌شوند. به عنوان مثال، هر دو اندروید و iOS دارای API برای دوربین دیجیتال با وضوح بالا، سنسور سیستم موقعیت یابی جهانی (GPS)، شتاب سنج، ژیروسکوپ، مغناطیس سنج، سنسور نور محیط و میکروفون هستند. عملکرد جمع آوری داده ها در نرم افزار مشتری یا صفحات وب توسعه یافته و مجهز شده است ( شکل 4). وقتی کاربران در اطراف مشتری جستجو می کنند، انتقال از نقش کاربران به ارائه دهندگان را راحت می یابند. یک یا چند سرور داده سفارشی شده برای دریافت داده های جمع آوری شده توسط شهروندان دانشمند راه اندازی می شود. در این معماری طرحی مشابه در بالای ماژول های قبلی اضافه شده است. مشتری چند فرم ارسال را آماده می کند و دکمه های پیمایش را در فرم های داده جاسازی می کند. در فرم‌های ارسال، کاربران می‌توانند مشاهدات خود را در ارتباط با عکس‌ها، مکان و سایر داده‌های حس شده وارد کنند. دو برنامه سمت سرور برای دریافت داده های ارسالی از مشتریان مستقر شده اند (سرور داده های جمع سپاری در شکل 3). یکی از برنامه ها یک سرور داده است که مسئول ذخیره و جستجوی داده ها است. مردم می توانند پروژه علمی شهروندی علاقه مند خود را انتخاب کنند و فرم به صورت پویا برای مشارکت افراد در مشاهدات تغییر می کند.
مؤلفه دیگر یک سرویس اعتبارسنجی است (کادر آبی بالا سمت چپ در شکل 3) که مسئول اعتبارسنجی محصولات EO با مقایسه آنها با مشاهدات حقیقت زمینی یا VGI جمع آوری شده است. اگر این دو با هم مخالف باشند، یک نشانگر برچسب گذاری شده و اختلاف نظر برای بررسی بیشتر ثبت می شود. اگر بیش از سه مشتری جداگانه بازخورد اختلاف نظرهای مشابهی داشته باشند، سرور اعتبارسنجی یک درخواست تغییر را به سرور داده EO برای بهبود ارسال می کند. VGI به عنوان حقیقت پایه جدید پیوست شده است. اگر کمتر از سه بازخورد جدا شده یا بازخوردهای اختلاف متناقض باشد، درخواست تا زمانی که مشاهدات ثابت کافی بازیابی شود، خودداری می‌شود. هر مشتری می تواند VGI ارسال شده خود را مرور کند و همچنین ممکن است به VGI ارسال شده توسط افراد دیگر دسترسی داشته باشد. تمام VGI ذخیره شده برای حذف اطلاعات شخصی ارسال کننده از طرف امنیت کاربر پردازش می شود.
دوره-آموزش-حرفه-ای-gis

4. نتایج

4.1. توسعه سیستم

ما معماری پیشنهادی را در یک اپلیکیشن گوشی هوشمند GeoFairy2 پیاده سازی کردیم که هم در فروشگاه Google Play [ 51 ] و هم در Apple Appstore [ 52 ] موجود است.]. این برنامه با استفاده از تکنیک‌های پیشرفته مانند React Native، Node.js، Expo، نمودار D3، فروشگاه داده Mobx JS، OpenLayers، Proj4، Bootstrap.js، Hyperflow و غیره توسعه یافته است. مزیت React Native این است که می‌تواند به طور خودکار برنامه های قابل نصب برای Google Play و Appstore را تنها با یک بار نوشتن کد JSX تولید کنید. این باعث صرفه جویی در زمان زیادی برای جذب کاربران اندروید و iOS می شود. زبان برنامه نویسی برنامه JSX (JavaScript XML) و برنامه های سمت سرور در جاوا است. سرور اطلاعات، سرور داده جمعی و سرور اعتبارسنجی بر روی یک ابر خصوصی به نام GeoBrainCloud که توسط Apache CloudStack پشتیبانی می‌شود و توسط منابع واقع در مرکز داده آبی GMU پشتیبانی می‌شود، مستقر شده‌اند. سرویس‌های سرورهای GMU از بسیاری از کتابخانه‌های متن‌باز GIS، مانند GDAL، برای پیش پردازش، استخراج، کلیپ، بازپروژه، استفاده می‌کنند.جدول 1 اکثر مجموعه داده های نمایش داده شده در GeoFairy2 را فهرست می کند. در مقایسه با GeoFairy1، ما تعدادی مجموعه داده را حذف کردیم که خدمات وب با کیفیت بالایی در دسترس ندارند تا از عملکرد خوب اطمینان حاصل کنیم. همانطور که در جدول 1 نشان داده شده است ، سرور GMU فقط اطلاعات مربوط به محصول را از طریق WMS ارائه می دهد. سایر خدمات وب توسط موسسات تحقیقاتی معروف فدرال یا شرکت های تجاری پشتیبانی می شوند. علاوه بر WMS، GeoFairy2 از API های REST نیز استفاده می کند. اطلاعات بازیابی شده در GeoFairy2 توسط قوانین از پیش تعریف شده فیلتر و ترکیب می شوند تا فقط اطلاعات با کیفیت، وضوح، دقت و ارزش بالا نمایش داده شوند. هم سرور GMU و هم برنامه GeoFairy2 به صورت عملیاتی نگهداری می شوند و نسخه های جدید به طور منظم با قابلیت های اضافی و رفع اشکال منتشر می شوند.

4.2. تظاهرات

ما Geofairy2 را روی تلفن‌های واقعی آزمایش کردیم که میانگین 117 میلی‌ثانیه در پینگ، 0.48 مگابیت بر ثانیه در سرعت دانلود و 1.55 مگابیت در ثانیه در سرعت آپلود دارند. همانطور که در شکل 5 نشان داده شده است ، چهار زبانه در نوار ناوبری پایین وجود دارد: صفحه اصلی، زمین، هوا و تنظیمات. اولین اسکرین شات در شکل 5پانل صفحه اصلی است که با باز شدن برنامه نمایش داده می شود. این شامل یک منوی بالا، یک جزء نقشه، یک ردیف موقعیت جغرافیایی، یک قسمت جستجو و یک کادر آب و هوا است. بخش تصاویر ماهواره ای یک جزء نقشه تعاملی است. اگر افراد روی دکمه نقشه در بالا سمت راست کلیک کنند، به نمای نقشه خیابان تغییر می کند. GeoFairy2 از ترکیب نقشه داخلی سیستم استفاده کرد که مجموعه کاملی از عملکردهای نقشه مانند بزرگنمایی/کوچک کردن، جابجایی، تغییر نمای و برچسب زدن مکان ها با نشانگر را ارائه می دهد. دکمه سمت چپ بالا به افراد امکان می دهد پیکربندی سیستم را تنظیم کنند، مانند انتخاب یا عدم انتخاب دسته های اطلاعات. دو دکمه سمت راست برای انتخاب از گالری یا گرفتن عکس جدید است. برای دسترسی به عکس‌های محلی و استفاده از دوربین، مجوز لازم است. جزء نقشه متحرک، قابل زوم و قابل کلیک است. کاربران می توانند بر روی هر مکان مورد علاقه خود کلیک کنند. با هر کلیک، مکان مورد نظر تغییر می کند و تمام پانل های اطلاعات برای بارگیری اطلاعات جدید تازه می شوند. دکمه دایره در بالا سمت راست می تواند نقشه پایه را بین کاشی های نقشه خیابان و تصاویر ماهواره ای تغییر دهد. دکمه سمت راست پایین می‌تواند نقشه را دوباره در مرکز مکان فعلی دستگاه قرار دهد. ماژول آب و هوا شبیه ویجت های محبوب آب و هوا است که شامل دما، باد، رطوبت، دید، طلوع و غروب خورشید است و جدول پیش بینی پیش بینی های مدل را برای 12 ساعت آینده فهرست می کند. دکمه سمت راست پایین می‌تواند نقشه را دوباره در مرکز مکان فعلی دستگاه قرار دهد. ماژول آب و هوا شبیه ویجت های محبوب آب و هوا است که شامل دما، باد، رطوبت، دید، طلوع و غروب خورشید است و جدول پیش بینی پیش بینی های مدل را برای 12 ساعت آینده فهرست می کند. دکمه سمت راست پایین می‌تواند نقشه را دوباره در مرکز مکان فعلی دستگاه قرار دهد. ماژول آب و هوا شبیه ویجت های محبوب آب و هوا است که شامل دما، باد، رطوبت، دید، طلوع و غروب خورشید است و جدول پیش بینی پیش بینی های مدل را برای 12 ساعت آینده فهرست می کند.
شکل 5 b,c از پانل Ground گرفته شده است. بخش پیشنهادات کشاورزی دانش تجربی در مورد میانگین تاریخ کاشت و برداشت بر اساس تقویم های تاریخی ارائه می دهد. داده های اصلی از مجموعه داده های تقویم برش ویسکانسین [ 60 ] می آید. ما آن را به عنوان یک OGC WMS برای پشتیبانی از GeoFairy2 دانلود و منتشر کردیم. مشاهده می شود که این بخش در مورد سیب زمینی، ذرت، جو، سویا، گندم، سیب زمینی شیرین که محصولات غذایی بسیار رایج در آمریکا هستند، توصیه می کند. بخش پوشش گیاهی محصولات شاخص محاسبه شده از داده های سنجش از دور ماهواره ای را فهرست می کند. محصولات داده اصلی از USDA VegScape [ 61]. یکی از شاخص های اصلی NDVI (شاخص تفاوت نرمال شده گیاهی) است که مقادیر آن از 1- تا 1 متغیر است. این شاخص سبزی پوشش گیاهی را اندازه گیری می کند و مقادیر بالاتر به معنای سبزتر بودن پوشش گیاهی است. سبزی ارتباط زیادی با سلامت پوشش گیاهی دارد، بنابراین بسیاری از شاخص های سلامت بر اساس NDVI ایجاد می شوند، مانند VCI (شاخص وضعیت گیاهی) [ 62 ، 63 ، 64 ] و VHI (شاخص سلامت گیاهی) [ 65 ].]. از آنجایی که شاخص ها بر اساس تصاویر سنجش از دور که دارای شکاف های جدی ناشی از ابرها و سایه ها هستند، محاسبه می شوند، مناطق خالی بزرگی در تصاویر وجود دارد. برای جلوگیری از مشکلات ابری و پیوسته‌تر و خواندنی‌تر کردن محصولات، حداکثر کامپوزیت‌ها در طول مدتی مانند هفتگی، دو هفته‌ای و ماهانه تولید می‌شوند. GeoFairy2 مقادیر شاخص را در قسمت Vegetation جستجو و نمایش می دهد و در همین حین نموداری را برای بررسی تاریخچه هر شاخص در اختیار کاربران قرار می دهد. در اسکرین شات سوم قسمت Land Cover تاریخچه تغییر پوشش زمین مکان را می دهد. داده ها از منابع مختلف می آیند. در ایالات متحده، GeoFairy2 از CDL (لایه داده کشتزار، محصولات سالانه) ارائه شده توسط USDA NASS استفاده می کند. در آفریقا از GLC30 (پوشش زمین جهانی 30 متر) استفاده می کند. در آسیا، آمریکای جنوبی و اروپا،66 ]; و در هند، بنگلادش و نپال از محصولات تولید شده توسط CSISS (مرکز علوم و سیستم های اطلاعات فضایی) استفاده می کند. برای محصول CDL، GeoFairy2 از خدمات وب در CropScape استفاده مجدد می کند [ 67 ]. سایر محصولات پوشش زمین در سرور پروکسی اطلاعات در GeoBrainCloud [ 49 ، 64 ] ارائه می شوند. CDL کلاس های بیشتری نسبت به سایر محصولات پوشش زمین دارد و سوابق دقیق تری را در مورد محصولات ارائه می دهد. از آنجایی که CDL در برخی ایالت ها و سال های تاریخی در دسترس نیست، ما از تکنیک یادگیری ماشینی (ML) برای پر کردن شکاف ها استفاده کردیم [ 68 ، 69 ، 70]. داده های مشتق شده از ML برای تمایز از CDL اصلی برچسب گذاری می شوند. از اسکرین شات، زمین های زراعی دارای یک چرخش زراعی بسیار آشکار در دهه گذشته است که می تواند خاک را پربار نگه دارد.
شکل 6شکل جمع آوری و ارسال نمونه های حقیقت زمینی به سرور جمع سپاری را نشان می دهد. فرم با انتخابگر کشویی پروژه شروع شد. مردم می توانند پروژه ای را که می خواهند در آن مشارکت داشته باشند انتخاب کنند. پس از انتخاب یک پروژه، بدنه اصلی صفحه با فیلدهای خالی مانند کرکره ها، گروه های رادیویی، چک باکس ها، برچسب ها یا سوالاتی که توسط مدیران پروژه علم شهروندی از پیش تعریف شده اند پر می شود. GeoFairy2 با اجرای “Submit Ground Truth” این الزام را برآورده می کند، که به طور خودکار تمام حقایق ذخیره شده زمینی را در دستگاه تلفن همراه در سرور راه دور که توسط مدیران پروژه مربوطه مدیریت می شود آپلود می کند. سرورهای حقیقت زمینی می توانند از سرورهای مختلفی استفاده کنند، زیرا مدیران پروژه ممکن است نمونه های خود را در برخی از امکانات مورد اعتماد مستقر کنند. GeoFairy2 فقط به عنوان دروازه ای برای شهروندان دانشمندان برای یافتن پروژه عمل می کند. و داده های جمع آوری شده خود را به مکان های مناسب هدایت کنند. اتصال آزاد میان شهروندان دانشمندان، GeoFairy2 و مدیران پروژه، یک شبکه غیرمتمرکز را تشکیل می‌دهد و انعطاف‌پذیری زیادی را به همه طرف‌ها می‌دهد.
اگر کاربران اطلاعات نمایش داده شده را نادرست یا نادرست بیابند، می توانند به راحتی با وارد کردن متن، انتخاب ابرداده و گرفتن عکس بلادرنگ، بازخورد ارسال کنند. برچسب ها حاوی سلسله مراتبی از کلمات کلیدی هستند. اگر کاربران نمی توانند کلمات مناسب برای برچسب گذاری عکس پیدا کنند، می توانند متن را در فیلد زیر تایپ کنند. پس از زدن دکمه ارسال، عکس، برچسب ها، برچسب ها، همراه با تمام اطلاعات نمایش داده شده به سرور داده های جمع سپاری ارسال می شود. پیوست کردن اطلاعات اصلی به مجموعه داده های علم شهروندی به سرور اعتبارسنجی کمک می کند تا اختلافات بین مشاهدات کاربر و محصولات استاندارد رصد زمین را مقایسه و تأیید کند.

4.3. آزمایش کردن

ما GeoFairy2 را در مکان‌های انتخابی تصادفی در سراسر جهان آزمایش کردیم ( شکل 7)، در چندین دستگاه آزمایش واقع در فیرفکس، ویرجینیا ایالات متحده آمریکا. زمان بارگذاری برای اکثر دسته های اطلاعاتی کمتر از 2 ثانیه بود. کندترین بخشها پوشش گیاهی و پوشش زمین بود که معمولاً به 3 تا 4 ثانیه برای تکمیل بازیابی داده ها نیاز داشت. با این حال، اولین قطعه داده (به عنوان مثال، پوشش زمین سال 2019) وارد شد و در کمتر از 1 ثانیه در معرض دید قرار گرفت. این برنامه در اکثر مکان‌ها بدون مشکل اجرا می‌شود و ممکن است هیچ شکاف داده‌ای در مناطق ساحلی نداشته باشد، جایی که برخی از محصولات داده با استفاده از مرزهای متناقض بریده می‌شوند. یک مثال معمولی در منطقه خلیج سانفرانسیسکو است. اگر روی سواحل کلیک کنید، بخش پیشنهاد کاشت به دلیل از دست دادن داده ها ناپدید می شود. کل هزینه زمانی GeoFairy را می توان از دو جنبه آزمایش کرد: دانلود و آپلود. دانلود ترافیک شامل انتقال اطلاعات به طور عمده از سمت سرور به تلفن های کاربران است. بارگذاری ترافیک به این معنی است که کاربران داده های خود را به سرور حقیقت زمین ارسال می کنند. معادله هزینه کلی زمان به صورت زیر است:

تیge o fیک من _ _=∑منnتیمنج+تیمنس+تیمنnتی�ه��آمن��=∑من�تیجمن+تیسمن+تی�من

جایی که n�تعداد انواع اطلاعات است، تیمنجتیجمنزمانی است که تلفن همراه برای ارسال/دریافت داده ها طول می کشد منمن، تیمنستیسمنهزینه زمانی پاسخگویی سرور به درخواست ها است منمن، تیمنnتی�منهزینه زمانی انتقال داده ها به شبکه است منمن. این معادله می گوید که به جای اینکه به یک منبع داده وابسته باشد، عملکرد کلی GeoFairy به کیفیت ارتباط با چندین ارائه دهنده داده متکی است. هر چه دسته بندی اطلاعات بیشتر باشد، بارگذاری بیشتر طول می کشد. همانطور که در شکل 7 نشان داده شده است، هزینه آپلود به طور کلی از 0.09 تا 0.51 ثانیه (بدون پیوست تصویر) و هزینه بازیابی از 1.52 تا 4.77 ثانیه متغیر است. از آنجایی که درخواست ها به صورت ناهمزمان ارسال می شوند و اطلاعات پس از دریافت نمایش داده می شود، زمان انتظار واقعی برای کاربران کمتر است. نتایج بسیار چشمگیر هستند زیرا هزینه کلی واکشی داده ها از ده سرور مختلف توزیع شده در ایالات متحده است. از نظر منطقه ای، سواحل غرب میانه، شمال شرقی و غربی ایالات متحده در بارگذاری کمی کندتر هستند و برعکس، در دانلود داده ها سریعتر هستند. اروپا، شمال آفریقا، آریکا جنوبی، آسیای میانه غربی، هند، اندونزی، ژاپن و استرالیا تجربیات بازیابی کندتری را تجربه می کنند، در حالی که در ارائه حقایق زمینی نسبتا سریعتر هستند. شکل 8تجزیه هزینه کلی زمان را نشان می دهد. در هزینه دانلود، پوشش زمین ایالات متحده (لایه داده Cropland) و کیفیت هوا بیشترین سهم را به خود اختصاص می دهد، در حالی که پوشش زمین جهانی (GMU)، آب و هوا (OpenWeatherMap) و geocoding (Google) سریع ترین خدمات هستند. در هزینه زمان بارگذاری، ارسال حقیقت زمینی (بدون تصاویر) و مدیریت پروژه علم شهروند تقریباً سهم مساوی را به خود اختصاص می دهند. این آزمایش نشان می‌دهد که GeoFairy می‌تواند به طور مؤثر اطلاعات ناهمگن را گرد هم بیاورد و یک دروازه تلفن همراه قوی برای کاربران جهانی فراهم کند، هم به‌عنوان یک پورتال انتشار اطلاعات و هم به‌عنوان یک پلتفرم علمی شهروندی، تا از جمع‌آوری و اشتراک‌گذاری داده‌های جمع‌سپاری پشتیبانی کند.

علاوه بر این، GeoFairy2 می‌تواند با انواع مختلف دستگاه‌ها و پلتفرم‌ها به دلیل چارچوب به کار رفته سازگار شود. اکثر کدهای منبع بر اساس Node.js و Expo React Native توسعه یافته اند که یک گردش کار ساده را برای تولید خودکار بسته های نصب برای سیستم عامل های مختلف تلفن همراه فراهم می کند. برای مدل‌های مختلف گوشی‌های هوشمند، انعطاف‌پذیری رابط کاربری مبتنی بر React می‌تواند تضمین کند که می‌تواند به درستی نمایش داده شود و بر روی صفحه‌نمایش‌ها، پردازنده‌ها و سنسورهای مختلف نمایش داده شود و کار کند. مدل‌های تلفن آزمایش‌شده تاکنون شامل iPhone 6/7/8/X/11/12، Samsung Galaxy S8/S9/S10/S20، Pixel 3a/4a/5 (XL)/C، iPad (هفتم) و iPad Mini می‌شوند. (پنجم).

5. بحث

معماری پیشنهادی و GeoFairy2 می تواند نقش مهمی در جامعه فعلی و آینده داشته باشد. یکی از حوزه های کاربردی هدف، کشاورزی دقیق است. به عنوان مثال، کشاورزان باید در مورد مقدار آبی که باید آبیاری شوند، تصمیم گیری کنند. این تصمیم به پارامترهای مختلفی بستگی دارد – نوع محصول، فصل، آب و هوا، مراحل فنولوژیکی محصولات، رطوبت خاک، و نوع خاک. خاک عمدتاً از طریق تبخیر و تعرق (ET) آب را از دست می دهد و آب را از طریق بارندگی و آبیاری پر می کند. نیاز به آب محصول به گونه ای تجزیه و تحلیل می شود که مقدار کافی آب از طریق آبیاری به خاک اضافه می شود تا اطمینان حاصل شود که رطوبت خاک برای حمایت از رشد سالم محصولات کافی است. GeoFairy2 اطلاعات ET حاصل از مدل‌سازی و EO را در اختیار کشاورزان قرار می‌دهد تا بتوانند تقویم آبیاری بهتری را برنامه‌ریزی کنند تا اینکه صرفاً به مشاهدات دستی بستگی داشته باشند. یک نظرسنجی اخیر در بین کشاورزان نشان داد که پتانسیل پروژه‌های علمی شهروندی بسیار امیدوارکننده است، زیرا میزان مالکیت و استفاده از تلفن‌های هوشمند و برنامه‌های مدیریتی خاص کشاورزی، و درصد کشاورزان علاقه‌مند و مایل به مشارکت در پروژه‌های علمی شهروندی کشاورزی، همگی هستند. بسیار بالا
در حال حاضر، در پروژه NSF WaterSmart برای کمک به کشاورزان در نبراسکا برای تخمین وضعیت محصول و ضرورت آبیاری و کمک به مردم نپال ICIMOD برای جمع‌آوری نمونه‌های برنج در کار مزرعه‌ای استفاده می‌شود. در همین حال، بسیاری از مجموعه‌های داده در GeoFairy2 مختص دامنه نیستند و دامنه کاربرد وسیعی دارند. خواص خاک [ 71 ] و داده های لیتوسفر [ 72] در راه است و به زودی برای کمک به زمین شناسان و نقشه برداران خاک در دسترس خواهد بود. نسخه فعلی می تواند به آنها در مورد قابلیت جمع آوری حقیقت زمین کمک کند. آن‌ها می‌توانند از GeoFairy برای گرفتن عکس‌های میدانی، برچسب‌گذاری و آپلود آن‌ها در سرور حقیقت زمین GeoFairy استفاده کنند. اگر اینترنت در سایت موجود نیست، می توانند آنها را در تلفن ذخیره کرده و سپس ارسال کنند. GeoFairy2 برچسب‌گذاری مکان و زمان نمونه‌های سنگ‌ها، گسل‌ها، رانش‌ها، برآمدگی‌ها و غیره را تسهیل می‌کند. تمامی نمونه‌های ارسالی از طریق اپلیکیشن وب حقیقت زمین GeoFairy2 قابل دسترسی و دانلود هستند.
چارچوب GeoFairy2 به گونه ای طراحی شده است که انعطاف پذیر باشد و آماده باشد تا داده های ساختاریافته، نیمه ساختاریافته یا بدون ساختار را در هر زمان اضافه کند. داده‌های VGI مانند توییت‌های دارای برچسب جغرافیایی یا حتی گزارش‌های خطر COVID [ 73 ] را می‌توان به راحتی از طریق ماژول Data Retrieval و Data Extraction و Fusion به GeoFairy متصل کرد، که برای ساختارهای داده‌ای خاص کدگذاری نشده است. در واقع، علاوه بر ارائه داده‌های با ساختار استاندارد، GeoFairy قبلاً Twitter RESTful API را برای نمایش توییت‌های مرتبط از حساب‌های رسمی، بر اساس مکان فعلی کاربران، یکپارچه کرده است. این چارچوب برای ادغام داده‌های ساختاری کمتر آماده است. در آینده، VGI آموزنده تری ادغام خواهد شد تا به نفع کاربران بیشتری باشد.

6. نتیجه گیری

این مطالعه یک چارچوب تلفن همراه را پیشنهاد کرد و یک اپلیکیشن موبایل به نام GeoFairy2 را توسعه داد. این برنامه قادر است اطلاعات مرتبط با مکان را از مراکز داده توزیع شده به صورت لحظه ای و یک مرحله ای منتشر کند و به طور موثر چالش های ناهمگونی را در مجموعه داده ها و دستگاه های تلفن همراه برطرف کند. این برنامه می تواند به کارگران مزرعه مانند کشاورزان، نقشه برداران محصول/خاک، زمین شناسان، کارگران ساختمانی، مسافران کمک کند تا با شکستن دیوارهای دیجیتال در بین مؤسسات و بازیابی اطلاعات از ارائه دهندگان مختلف، گزارش جامعی از مکان خاص دریافت کنند. این سیستم در مکان‌های تصادفی در سراسر جهان آزمایش شد و همانطور که انتظار می‌رفت برای ارائه اطلاعات تاریخی، حال و پیش‌بینی‌شده در مورد آب و هوا، خاک، محصولات کشاورزی و کیفیت هوا کار می‌کند. در همین حال، این سیستم می‌تواند گوشی‌های هوشمند را به حسگرهایی برای عکاسان شهروندی تبدیل کند. پرسشنامه ها را پر کنید، و مشاهدات خود را به عنوان حقیقت پایه، برای اعتبارسنجی و اصلاح سرویس ارائه دهید. GeoFairy2 یک پلت فرم کلی برای افراد غیرحرفه‌ای فراهم می‌کند که ممکن است دانش پیش‌زمینه محدودی از موضوعات مورد مطالعه نداشته باشند، اما مایلند با جمع‌آوری داده‌ها مشارکت کنند. در آینده قابل پیش‌بینی، برنامه‌های تلفن همراه به دروازه‌های داده غالب تبدیل خواهند شد و برنامه‌هایی مانند GeoFairy2 نیازهای زیادی خواهند داشت. این کار راه جدیدی را برای هدایت ما به یک وب موبایل جدید با پیوندهای بیشتر و دیوارهای دیجیتال کمتر در بین ارائه دهندگان و مؤسسات داده هموار می کند. اما مایل است با جمع آوری داده ها مشارکت کند. در آینده قابل پیش‌بینی، برنامه‌های تلفن همراه به دروازه‌های داده غالب تبدیل خواهند شد و برنامه‌هایی مانند GeoFairy2 نیازهای زیادی خواهند داشت. این کار راه جدیدی را برای هدایت ما به یک وب موبایل جدید با پیوندهای بیشتر و دیوارهای دیجیتال کمتر در بین ارائه دهندگان و مؤسسات داده هموار می کند. اما مایل است با جمع آوری داده ها مشارکت کند. در آینده قابل پیش‌بینی، برنامه‌های تلفن همراه به دروازه‌های داده غالب تبدیل خواهند شد و برنامه‌هایی مانند GeoFairy2 نیازهای زیادی خواهند داشت. این کار راه جدیدی را برای هدایت ما به یک وب موبایل جدید با پیوندهای بیشتر و دیوارهای دیجیتال کمتر در بین ارائه دهندگان و مؤسسات داده هموار می کند.

منابع

  1. هاکلی، م. Weber, P. Openstreetmap: نقشه های خیابانی تولید شده توسط کاربر. محاسبات فراگیر IEEE 2008 ، 7 ، 12-18. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. ویک، ام. Boutreux, C. GeoNames. در دسترس آنلاین: https://www.geonames.org (در 20 دسامبر 2020 قابل دسترسی است).
  3. کیزیراکوس، ک. کارپاتیوتاکیس، م. گاربیس، جی. نیکولائو، سی. برتا، ک. پاپوتسیس، آی. هرکاکیس، تی. مایکل، دی. کوباراکیس، م. Kontoes، C. نظارت بر آتش‌سوزی با استفاده از تصاویر ماهواره‌ای، هستی‌شناسی و داده‌های مکانی مرتبط. J. وب سمنت. 2014 ، 24 ، 18-26. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. بای، ی. دی، ال. Wei, Y. طبقه بندی خدمات جغرافیایی برای کشف خدمات جهانی و قابلیت همکاری. محاسبه کنید. Geosci. 2009 ، 35 ، 783-790. [ Google Scholar ] [ CrossRef ]
  5. تسو، M.-H. یکپارچه GIS موبایل و سرورهای نقشه اینترنت بی سیم برای نظارت و مدیریت محیطی. کارتوگر. Geogr. Inf. علمی 2004 ، 31 ، 153-165. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. کومار، سی. Ersoy, C. ردیابی موقعیت و خدمات مبتنی بر مکان با استفاده از زیرساخت WLAN IEEE 802.11. در مجموعه مقالات کارگاه بی سیم اروپا، بارسلون، اسپانیا، 24-27 فوریه 2004. ص 24-27. [ Google Scholar ]
  7. شورا، NR قرار دادن مردم بر روی نقشه: حفاظت از محرمانگی با داده های اجتماعی-مکانی مرتبط ؛ انتشارات آکادمی ملی: واشنگتن دی سی، ایالات متحده آمریکا، 2007. [ Google Scholar ]
  8. سان، ز. دی، ال. هیو، جی. ژانگ، سی. نیش، اچ. یو، پی. جیانگ، ال. تان، ایکس. گوا، ال. Lin, L. GeoFairy: به سوی یک سرویس یک مرحله ای و مبتنی بر مکان برای بازیابی اطلاعات مکانی. محاسبه کنید. محیط زیست سیستم شهری 2017 ، 62 ، 156-167. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. Dehnen-Schmutz، K. فاستر، جی ال. اوون، ال. Persello, S. بررسی نقش فناوری گوشی های هوشمند برای علم شهروندی در کشاورزی. آگرون. حفظ کنید. توسعه دهنده 2016 ، 36 ، 1-8. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. هیتزلر، پی. Janowicz، K. داده های پیوندی، داده های بزرگ، و پارادایم 4. سمنت. وب 2013 ، 4 ، 233-235. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. راث، ام. Bröring، A. داده های باز مرتبط در زیرساخت های داده های مکانی. در دسترس آنلاین: https://wiki.52north.org/pub/Projects/GLUES/2012-09-10_LoD_SDI_White_Paper_MR_AB.pdf (دسترسی در 20 دسامبر 2020).
  12. یانوویچ، ک. شیدر، اس. پهله، ت. هارت، جی. معناشناسی جغرافیایی و داده‌های مکانی-زمانی مرتبط – گذشته، حال و آینده. سمنت. وب 2012 ، 3 ، 321-332. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. یو، پی. گوا، ایکس. ژانگ، ام. جیانگ، ال. Zhai، X. داده های پیوندی و SDI: موردی در مورد جریان های کاری پردازش جغرافیایی وب. ISPRS J. Photogramm. Remote Sens. 2016 ، 114 ، 245-257. [ Google Scholar ] [ CrossRef ]
  14. بکر، سی. Bizer, C. کاوش در وب معنایی مکانی با DBpedia Mobile. وب سمنت علمی خدمت Agents World Wide Web 2009 ، 7 ، 278-286. [ Google Scholar ] [ CrossRef ]
  15. استدلر، سی. لمان، جی. هافنر، ک. Auer, S. Linkedgeodata: هسته ای برای شبکه ای از داده های فضایی باز. سمنت. وب 2012 ، 3 ، 333-354. [ Google Scholar ] [ CrossRef ]
  16. باکی‌الله، م. مصطفوی، محمدرضا; لیانگ، SH پرس و جوهای SQWRL را غنی می کند در حمایت از بازیابی داده های مکانی از منابع متعدد و مکمل. در مجموعه مقالات کنفرانس بین المللی مدل سازی مفهومی، فلورانس، ایتالیا، 15 اکتبر 2012; ص 241-250. [ Google Scholar ]
  17. بیزر، سی. هیث، تی. Berners-Lee, T. داده های مرتبط: داستان تاکنون. در خدمات معنایی، قابلیت همکاری و برنامه های کاربردی وب: مفاهیم نوظهور ; IGI Global: Hershey، PA، USA، 2011; ص 205-227. [ Google Scholar ]
  18. تولوچ، هوش مصنوعی؛ پوسینگام، اچ پی؛ جوزف، LN; سابو، جی. مارتین، TG درک پتانسیل کامل برنامه های نظارت بر علم شهروندی. Biol. حفظ کنید. 2013 ، 165 ، 128-138. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. Statista. تعداد کاربران تلفن هوشمند در سراسر جهان از 2016 تا 2021. در دسترس به صورت آنلاین: https://www.statista.com/statistics/330695/number-of-smartphone-users-worldwide (در 13 دسامبر 2020 قابل دسترسی است).
  20. سوزا، LB; Fricker، SR; دوهرتی، اس اس. وب، CE; بالدوک، KL; ویلیامز، CR Citizen Science و حشره‌شناسی الکترونیکی گوشی‌های هوشمند، امکان ارتقای مقیاس پایین نظارت بر پشه‌ها را فراهم می‌کند. علمی کل محیط. 2020 , 704 , 135349. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  21. مایکلز، ام. Fecke، W. Feil, J.-H.; موشوف، او. پیگیش، جی. کرون، اس. پذیرش و استفاده از تلفن هوشمند در کشاورزی: ​​شواهد تجربی از آلمان. دقیق کشاورزی 2020 ، 21 ، 403-425. [ Google Scholar ] [ CrossRef ]
  22. اویدا، کالیفرنیا؛ استو، دی. Richart، CH ارزیابی اطلاعات جغرافیایی داوطلبانه برای نقشه برداری پوشش گیاهی. محیط زیست نظارت کنید. ارزیابی کنید. 2020 ، 192 ، 1-14. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  23. وانگ، سی. جیمونا، ا. Jiang, Y. Geovisualization of Forest Dynamics از طریق موبایل GIS. در مجموعه مقالات بیست و یکمین مجمع عمومی EGU (EGU 2019)، وین، اتریش، 7 تا 12 آوریل 2019. [ Google Scholar ]
  24. کانرز، جی پی؛ لی، اس. کلی، ام. علم شهروندی در عصر نئوجغرافی: استفاده از اطلاعات جغرافیایی داوطلبانه برای نظارت بر محیط زیست. ان دانشیار صبح. Geogr. 2012 ، 102 ، 1267-1289. [ Google Scholar ] [ CrossRef ]
  25. فرومبرگر، ال. اشمید، اف. Cai, C. نقشه برداری میکرو با گوشی های هوشمند برای نظارت بر توسعه کشاورزی. در مجموعه مقالات سومین سمپوزیوم ACM در محاسبات برای توسعه، بنگلور، هند، 11 تا 12 ژانویه 2013. پ. 46. ​​[ Google Scholar ]
  26. پونگنومکول، اس. چاووالیت، پ. سوراسوادی، ن. کاربردهای حسگرهای مبتنی بر تلفن هوشمند در کشاورزی: ​​بررسی سیستماتیک تحقیقات. J. Sens. 2015 , 2015 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. لامپرو، آی. فارموینو. در دسترس آنلاین: https://play.google.com/store/apps/details?id=com.javapapers.android.agrofarmlitetrial (در 12 اوت 2020 قابل دسترسی است).
  28. AgriApp. AgriApp: برنامه کشاورزی هوشمند برای کشاورزی هند. در دسترس آنلاین: https://play.google.com/store/apps/details?id=com.criyagen (در 13 دسامبر 2020 قابل دسترسی است).
  29. فارمیس. Agrobase – علف هرز، بیماری، حشره. در دسترس آنلاین: https://play.google.com/store/apps/details?id=lt.farmis.apps.farmiscatalog (در 13 دسامبر 2020 قابل دسترسی است).
  30. IQAir. AirVisual. در دسترس آنلاین: https://play.google.com/store/apps/details?id=com.airvisual (در 12 اوت 2020 قابل دسترسی است).
  31. EPA. EPA’s AIRNow. در دسترس آنلاین: https://play.google.com/store/apps/details?id=com.saic.airnow (در 12 اوت 2020 قابل دسترسی است).
  32. سان، ز. Yue, P. استفاده از وب 2.0 و خدمات پردازش جغرافیایی برای پشتیبانی از جریان های کاری زمین شناسی. در مجموعه مقالات 2010 هجدهمین کنفرانس بین المللی ژئوانفورماتیک، پکن، چین، 18-20 ژوئن 2010. صص 1-5. [ Google Scholar ]
  33. گیگالاس، جی. دی، ال. Sun، Z. زیرساخت سایبری پیشرفته برای فعال کردن جستجوی مجموعه داده های آب و هوایی بزرگ در THREDDS. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 494. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  34. سان، ز. دی، ال. ژانگ، سی. نیش، اچ. یو، ای. لین، ال. تانگ، جی. تان، ایکس. لیو، ز. Jiang, L. ساخت خدمات وب مکانی قوی برای استخراج و اشتراک گذاری اطلاعات کشاورزی. در مجموعه مقالات ششمین کنفرانس بین المللی 2017 در مورد آگرو-ژئوانفورماتیک (آگرو-ژئوانفورماتیک)، فیرفکس، VA، ایالات متحده آمریکا، 7 تا 10 اوت 2017; صص 1-4. [ Google Scholar ]
  35. سان، ز. دی، ال. ژانگ، سی. لین، ال. نیش، اچ. تان، ایکس. Yue, P. ترکیب OGC WCS با صابون برای تسهیل بازیابی تصاویر سنجش از دور در مورد مزارع کشاورزی. در مجموعه مقالات پنجمین کنفرانس بین المللی 2016 در زمینه آگرو-ژئوانفورماتیک (آگرو-ژئوانفورماتیک)، تیانجین، چین، 18 تا 20 ژوئیه 2016؛ صص 1-4. [ Google Scholar ]
  36. تان، ایکس. گوا، اس. دی، ال. دنگ، م. هوانگ، اف. بله، X. سان، ز. گونگ، دبلیو. شا، ز. Pan, S. سرویس جغرافیایی مبتنی بر عامل موازی به عنوان سرویس (P-AaaS) در ابر. Remote Sens. 2017 , 9 , 382. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. یو، پی. گونگ، جی. دی، ال. یوان، جی. سان، ال. سان، ز. Wang, Q. GeoPW: Laying Blocks for the Geospatial Processing Web. ترانس. GIS 2010 ، 14 ، 755-772. [ Google Scholar ] [ CrossRef ]
  38. گائو، اس. میوک، دی. یی، X. اندازه گیری کیفیت خدمات وب جغرافیایی در SDI. در مجموعه مقالات 2009 هفدهمین کنفرانس بین المللی ژئوانفورماتیک، فیرفکس، VA، ایالات متحده آمریکا، 12-14 اوت 2009. صص 1-6. [ Google Scholar ]
  39. Killelea, P. Web Performance Tuning: Speeding the Web ; O’Reilly Media Inc.: Sebastopol, CA, USA, 2002. [ Google Scholar ]
  40. سان، ز. دی، ال. هوانگ، اچ. وو، ایکس. تانگ، دی کیو؛ ژانگ، سی. ویرجی، سی. نیش، اچ. یو، ای. Tan, X. CyberConnector: یک سیستم سرویس گرا برای تنظیم خودکار داده های رصد زمین چند منبعی برای تغذیه مدل های علم زمین. علوم زمین به اطلاع رساندن. 2017 ، 11 ، 1-17. [ Google Scholar ] [ CrossRef ]
  41. OGC. خدمات نقشه وب نسخه: 2006. در دسترس آنلاین: portal.opengeospatial.org/files/?artifact_id=14416 (در 20 دسامبر 2020 قابل دسترسی است).
  42. Initiative، O. OpenAPI Specification 3.0.3. در دسترس آنلاین: https://github.com/OAI/OpenAPI-Specification/blob/master/versions/3.0.3.md (در 13 دسامبر 2020 قابل دسترسی است).
  43. رودریگز، سی. آفونسو، جی. Tomé، P. تجزیه و تحلیل عملکرد وب سرویس اپلیکیشن موبایل: خدمات آرامش بخش با json و xml. در مجموعه مقالات کنفرانس بین المللی سیستم های اطلاعات سازمانی، ویلامورا، پرتغال، 5 تا 7 اکتبر 2011. صص 162-169. [ Google Scholar ]
  44. فته، آی. Melnikov، A. پروتکل وب سوکت. RFC 6455، دسامبر: 2011. در دسترس آنلاین: https://tools.ietf.org/html/rfc6455 (در 20 دسامبر 2020 قابل دسترسی است).
  45. هومر، سی. دیویتز، جی. یانگ، ال. جین، اس. دانیلسون، پی. شیان، جی. کولستون، جی. هرولد، ن. ویکهام، جی. Megown، K. تکمیل پایگاه داده ملی پوشش زمین در سال 2011 برای ایالات متحده همسایه – نشان دهنده یک دهه اطلاعات تغییر پوشش زمین است. فتوگرام مهندس Remote Sens. 2015 ، 81 ، 345-354. [ Google Scholar ]
  46. ناسا جدول محصولات داده های MODIS. در دسترس آنلاین: https://lpdaac.usgs.gov/dataset_discovery/modis/modis_products_table (در 1 دسامبر 2015 قابل دسترسی است).
  47. بوریان، سی. یانگ، ز. مولر، آر. کریگ، ام. نظارت بر کشاورزی ایالات متحده: وزارت کشاورزی ایالات متحده، خدمات ملی آمار کشاورزی، برنامه لایه داده زمین های زراعی. Geocarto Int. 2011 ، 26 ، 341-358. [ Google Scholar ] [ CrossRef ]
  48. سان، ز. دی، ال. برگس، آ. تولیس، جی. Magill، AB Geoweaver: زیرساخت سایبری پیشرفته برای مدیریت گردش‌های کاری هوش مصنوعی زمین‌شناسی ترکیبی. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 119. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  49. سان، ز. دی، ال. نقدی، بی. Gaigalas, J. زیرساخت سایبری پیشرفته برای مقایسه و اعتبارسنجی مدل‌های آب و هوایی. محیط زیست مدل. نرم افزار 2019 ، 104559. [ Google Scholar ] [ CrossRef ]
  50. کلایور، تی. راگان-کلی، بی. پرز، اف. گرنجر، BE; بوسونیر، ام. فردریک، جی. کلی، ک. همریک، جی بی. گروت، ج. کورلی، اس. و همکاران نوت‌بوک‌های Jupyter – فرمت انتشار برای گردش‌های کاری محاسباتی قابل تکرار. در مجموعه مقالات ELPUB، گوتینگن، آلمان، 7 تا 9 ژوئن 2016. صص 87-90. [ Google Scholar ]
  51. Cvetojevic، S. Sun، Z. Geofairy. در دسترس آنلاین: https://play.google.com/store/apps/details?id=edu.gmu.csiss.geofairy (در 12 اوت 2020 قابل دسترسی است).
  52. Sun، Z. Geofairy2. در دسترس آنلاین: https://apps.apple.com/us/app/GeoFairy2/id1511068881 (در 12 اوت 2020 قابل دسترسی است).
  53. NOAA. API خدمات ملی آب و هوا. در دسترس آنلاین: https://www.weather.gov/documentation/services-web-api (در 13 دسامبر 2020 قابل دسترسی است).
  54. هوای آزاد نقشه آب و هوا را باز کنید. در دسترس آنلاین: https://openweathermap.org/ (در 13 دسامبر 2020 قابل دسترسی است).
  55. Makice, K. Twitter API: Up and Running: یاد بگیرید چگونه برنامه ها را با Twitter API بسازید . O’Reilly Media Inc.: Sebastopol, CA, USA, 2009. [ Google Scholar ]
  56. تیم، پروژه شاخص کیفیت هوای جهانی WAQI. در دسترس آنلاین: https://waqi.info (در 13 دسامبر 2020 قابل دسترسی است).
  57. ناسا سرویس نقشه وب ناسا GSFS. در دسترس آنلاین: https://neo.sci.gsfc.nasa.gov/about/wms.php (در 13 دسامبر 2020 قابل دسترسی است).
  58. مایو، پی. اوا، اچ. گالیگو، جی. استراهلر، ق. هرولد، ام. آگراوال، اس. نائوموف، اس. دی میراندا، EE; دی بلا، سی ام. Ordoyne, C. اعتبار سنجی نقشه پوشش زمین جهانی 2000. IEEE Trans. Geosci. Remote Sens. 2006 ، 44 ، 1728-1739. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  59. دالی، سی. ویدرلچنر، نماینده مجلس؛ Halbleib، MD; اسمیت، جی. گیبسون، WP توسعه نقشه منطقه سختی گیاه USDA جدید برای ایالات متحده. J. Appl. هواشناسی کلیماتول. 2012 ، 51 ، 242-264. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  60. ساکس، WJ; درینگ، دی. فولی، جی. Ramankutty، N. تاریخ کاشت محصول: تجزیه و تحلیل الگوهای جهانی. گلوب. Ecol. Biogeogr. 2010 ، 19 ، 607-620. [ Google Scholar ] [ CrossRef ]
  61. Mueller, R. VegScape: یک سیستم نظارت بر شرایط محصول ایالات متحده مبتنی بر سرویس وب NASS. در مجموعه مقالات انجمن چشم انداز کشاورزی 2013 USDA، آرلینگتون، ویرجینیا، 21 تا 22 فوریه 2013. [ Google Scholar ]
  62. سان، ز. پنگ، سی. دنگ، م. چن، آ. یو، پی. نیش، اچ. Di, L. اتوماسیون تولید شاخص شرایط پوشش گیاهی سفارشی شده و در زمان واقعی از طریق گردش های کاری ژئوپردازش مبتنی بر زیرساخت سایبری. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2014 , 7 , 4512–4522. [ Google Scholar ] [ CrossRef ]
  63. ژونگ، اس. خو، ز. سان، ز. یو، ای. گوا، ال. دی، L. روند خشکسالی رویشی جهانی و تجزیه و تحلیل تنوع از داده های سنجش از راه دور بلند مدت. در مجموعه مقالات هشتمین کنفرانس بین المللی 2019 در مورد آگرو-ژئوانفورماتیک (آگرو-ژئوانفورماتیک)، استانبول، ترکیه، 16 تا 19 ژوئیه 2019؛ صص 1-6. [ Google Scholar ]
  64. سان، ز. دی، ال. نیش، اچ. گوا، ال. یو، ای. تانگ، جی. ژائو، اچ. گیگالاس، جی. ژانگ، سی. Lin, L. زیرساخت سایبری پیشرفته برای پایش خشکسالی کشاورزی. در مجموعه مقالات هشتمین کنفرانس بین المللی 2019 در مورد آگرو-ژئوانفورماتیک (آگرو-ژئوانفورماتیک)، استانبول، ترکیه، 16 تا 19 ژوئیه 2019؛ صص 1-5. [ Google Scholar ]
  65. کارنیلی، ا. بایاسگلان، م. بایارجرگل، ی. آگام، ن. خدولمر، س. Tucker, C. نظرات در مورد استفاده از شاخص سلامت پوشش گیاهی در مغولستان. بین المللی J. Remote Sens. 2006 ، 27 ، 2017–2024. [ Google Scholar ] [ CrossRef ]
  66. چن، بی. خو، بی. زو، ز. یوان، سی. سوئن، اچ پی؛ گوا، جی. خو، ن. لی، دبلیو. ژائو، ی. یانگ، جی. طبقه‌بندی پایدار با نمونه محدود: انتقال مجموعه نمونه با وضوح 30 متری جمع‌آوری‌شده در سال 2015 به نقشه‌برداری با وضوح 10 متر پوشش زمین جهانی در سال 2017. علمی. گاو نر 2019 ، 64 ، 370-373. [ Google Scholar ]
  67. هان، دبلیو. یانگ، ز. دی، ال. مولر، R. CropScape: یک برنامه کاربردی مبتنی بر وب برای کاوش و انتشار محصولات داده‌های زمین‌های زراعی جغرافیایی ایالات متحده برای پشتیبانی تصمیم. محاسبه کنید. الکترون. کشاورزی 2012 ، 84 ، 111-123. [ Google Scholar ] [ CrossRef ]
  68. سان، ز. دی، ال. نیش، اچ. Burgess, A. طبقه بندی یادگیری عمیق برای انواع محصولات در داکوتای شمالی. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2020 , 13 , 2200–2213. [ Google Scholar ] [ CrossRef ]
  69. سان، ز. نیش، اچ. دی، ال. Yue, P. تحقق طبقه بندی خودکار بدون پارامتر تصاویر سنجش از دور با استفاده از مهندسی هستی شناسی و تکنیک های زیرساخت سایبری. محاسبه کنید. Geosci. 2016 ، 94 ، 56-67. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  70. سان، ز. دی، ال. Fang, H. استفاده از شبکه عصبی بازگشتی حافظه کوتاه مدت در طبقه بندی پوشش زمین در سری های زمانی لایه داده Landsat و Cropland. بین المللی J. Remote Sens. 2018 ، 40 ، 593-614. [ Google Scholar ] [ CrossRef ]
  71. CSRL. اپلیکیشن وب خواص خاک. در دسترس آنلاین: https://casoilresource.lawr.ucdavis.edu/soil-properties (در 13 دسامبر 2020 قابل دسترسی است).
  72. مولر، RD; کانن، جی. Qin، X. واتسون، RJ; گورنیس، م. ویلیامز، اس. فافلموزر، تی. ستون، ام. راسل، SH; Zahirovic، S. GPlates: ساختن یک زمین مجازی در طول زمان عمیق. ژئوشیمی. ژئوفیز. Geosystems 2018 ، 19 ، 2243-2261. [ Google Scholar ] [ CrossRef ]
  73. سان، ز. دی، ال. اسپریگ، دبلیو. تانگ، دی. Casal، M. برآورد کننده خطر قرار گرفتن در معرض مکان اجتماع برای همه‌گیری COVID-19. Health Place 2020 , 66 , 102450. [ Google Scholar ] [ CrossRef ]
Ijgi 10 00001 g001 550
شکل 1. داده های مرتبط با مکان.
Ijgi 10 00001 g002 550
شکل 2. تجمیع داده در سطح ارائه دهنده و در سطح برنامه.
Ijgi 10 00001 g003 550
شکل 3. معماری سیستم (جعبه های آبی – اجزای نرم افزار؛ ​​جعبه های سبز – داده ها).
Ijgi 10 00001 g004 550
شکل 4. طراحی ماژول علوم شهروندی.
Ijgi 10 00001 g005 550
شکل 5. اسکرین شات از صفحه اصلی GeoFairy2 ( a ). ( ب ) توصیه های کشاورزی و وضعیت پوشش گیاهی؛ ( ج ) تاریخچه پوشش زمین، و ( د ) کیفیت هوا.
Ijgi 10 00001 g006 550
شکل 6. نمایش ماژول علوم شهروندی انعطاف پذیر.
Ijgi 10 00001 g007 550
شکل 7. نقشه های عملکرد جهانی GeoFairy2.
Ijgi 10 00001 g008 550
شکل 8. کیک های هزینه زمانی GeoFairy2.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید