جواد سدیدی - Kharazmi university
فاطمه تام نیا - Kharazmi university
هانی رضائیان - Kharazmi university

یادگیری عمیق یک روش مدرن پردازش تصویر و تجزیه و تحلیل داده هاست که با داشتن نتایج امیدوار کننده و پتانسیل بالا وارد حوزه مدیریت شهری شده است. پروژه (OSM)Open Steet Map بزرگ ترین مجموعه داده های مکانی داوطلبانه است که در بسیاری از حوزه های کاربردی مختلف به عنوان مکمل یا جایگزین با داده های مرجع استفاده می شود. در بعضی از موارد در کشورهای پیشرفته دقت داده های داوطلبانه تولید شده توسط موبایل و دیگر ابزار توسط کاربران حتی بیش از داده ی مرجع دولتی می باشد. هدف از تحقیق حاضر ارزیابی استفاده از هوش مصنوعی در تکمیل داده های داوطلبانه در مناطق کمتر مشارکت شده توسط داوطلبان می باشد. ابتدا با استفاده از شبکه عصبی کانولوشنی Res_UNet کاربری اراضی با دقت ۸۳ درصد به دست آمد، سپس با توجه به پیش بینی انجام شده، از روش واحد مبنا جهت ارزیابی میزان کامل بودن داده های OSM  استفاده شد. نتایج نشان می دهد میزان کامل بودن بلوک های ساختمانی OSM در کل منطقه مطالعاتی برابر با ۶/۳ درصد، جنگل ها۷/۹درصد، درخت های میوه ۴/۹۰ درصد و زمین های کشاورزی ۸۸/۸۱درصد می باشد. که نشان از نرخ پایین کامل بودن بلوک های ساختمانی و جنگل و نرخ بالای کامل بودن زمین های کشاورزی و درختان میوه می باشد. نتایج تحقیق بیانگر درصد مشارکت پایین داوطلبانه درتولید داده های مکانی می باشد. از طرفی دقت بالای تولید کاربری اراضی توسط هوش مصنوعی نتایج امیدوارکننده ای را در استفاده از هوش مصنوعی در تولید و تکمیل داده های داوطلبانه به جای نیروی انسانی بخصوص در کشورهای کمتر توسعه یافته یا مناطق با جمعیت داوطلب کمتر یا نقاط دورافتاده و صعب العبور ارائه میدهد

artificial intelligence, deep learning, OSM, Land use, unit-based, Karaj, هوش مصنوعی و OSM, کاربری اراضی, کامل بودن, یادگیری عمیق, واحد مبنا, کرج