رویکردی نوآورانه در تناظریابی هوشمند عوارض برای ارزیابی کیفیت کلان داده های مکانی داوطلبانه

ما در عصر انفجار داده زندگی می کنیم؛ پدیده ای که «کلان داده مکانی» را به یکی از ارکان اصلی تصمیم گیری های مدرن تبدیل کرده است. در این میان، اطلاعات مکانی داوطلبانه (VGI) به دلیل حجم انبوه، به روزرسانی آنی و پوشش جهانی، فرصتی بی بدیل فراهم آورده است. با این حال، ماهیت غیرمتمرکز و فقدان کنترل کیفی استاندارد، عدم قطعیتی ذاتی را بر این داده ها حاکم کرده که اعتماد به آن ها را در کاربردهای حیاتی به چالش می کشد. این پژوهش، با درک این چالش، یک چارچوب نوین و هوشمند برای ارزیابی کیفیت داده های VGI، با تمرکز بر پایگاه داده نقشه خیابان باز (OSM)، ارائه می دهد. هسته اصلی این چارچوب، الگوریتم تناظریابی چندمعیاره ای است که با تلفیق شاخص های شباهت هندسی، معنایی و توپولوژیک، عوارض متناظر میان داده های VGI و یک مجموعه داده مرجع را با دقتی بالا شناسایی می کند. بر این اساس، مولفه های کلیدی کیفیت، از جمله دقت مکانی، کامل بودن و سازگاری منطقی، به صورت خودکار ارزیابی می شوند. نتایج مورد انتظار نشان می دهد که این رویکرد، در مقایسه با روش های سنتی، تصویری جامع تر و دقیق تر از کیفیت داده های داوطلبانه ارائه داده و راه را برای تلفیق مطمئن این منابع ارزشمند در تحلیل های مکانی هموار می سازد.

کلیدواژه ها:

کلان داده مکانی ، اطلاعات مکانی داوطلبانه (VGI) ، ارزیابی کیفیت ، تناظریابی عوارض ، نقشه خیابان باز (OSM) ، عدم قطعیت مکانی