ارزیابی دقت معنایی داده های مکانی داوطلبانه مطالعه موردی شهر تهران منطقه 5
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,027
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NCEGIT01_051
تاریخ نمایه سازی: 19 اردیبهشت 1395
Abstract:
رشد تعداد کاربران و حجم بالای اطلاعات سایت OpenStreetMap نشان از موقعیت پروژه های داوطلبانه در جذب قشرهای مختلفی از مردم در سراسر جهان می باشد حجم بالای اطلاعات تولید شده توسط مردم عادی که به صورت روزانه انجام می شود چالش هایی را در رابطه با اطمینان به کیفیت اینگونه از داده ها ایجاد کرده است پایگاه داده های داوطلبانه دارای جنبه های مثبتی بوده که از میان آن ها می توان به در دسترس بودن اطلاعات و توانایی به روز رسانی سریع اشاره کرد با این حال کیفیت این داده ها به عنوان یک چالش مهم می باشد در این مقاله از میان عناصر مرتبط با کیفیت داده های مکانی داوطلبانه سعی در بررسی دقت معنایی عوارض خطی راه خیابان ها داده های داوطلبانه منطقه 5 شهرداری شهر تهران شده است علت این امر تفاوت در استانداردهایی است که مجموعه داده های مختلف از جمله مرجع و داوطلبانه در تعریف نوع و برچسب گذاری داده های مورد استفاده دارند در این مقاله برچسب های ارائه شده برای نوع داده در مجموعه داده مرجع و داوطلبانه بررسی شده و برچسب هایی که دارای بالاترین شباهت باشند به عنوان متناظر شناخته شده و از میزان این شباهت دقت معنایی عوارض خطی راه داده های داوطلبانه ارائه و ارزیابی شده است نتایج نشان می دهد که از میان طیف گسترده ای از برچسب های تعریف شده از قبل برای هرکدام از پایگاه داده های مرجع و داوطلبانه تنها تعدادی از برچسب ها در منطقه مطالعاتی متناظر هستند برای مثال برچسب های تندراه و Trunkبا 60عارضه متناظر درصد تشابه %85/7 به عنوان برچسب های مشابه استخراج شده اند
Keywords:
Authors
محمد عشقی
دانشجوی کارشناسی ارشد سیستم های اطلاعات مکانی دانشکده مهندسی نقشه برداری دانشگاه صنعتی خواجه نصیرالدین طوسی
علی اصغر آل شیخ
استاد گروه سیستم های اطلاعات مکانی دانشکده مهندسی نقشه برداری دانشگاه صنعتی خواجه نصیرالدین طوسی
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :