ارزیابی استفاده از هوش مصنوعی در تکمیل داده های داوطلبانه مکانی. مطالعه موردی: داده های کاربری اراضی osm

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 بزرگ‌ترین مجموعه ‌داده های مکانی داوطلبانه است که در بسیاری از حوزه‌های کاربردی مختلف به ‌عنوان مکمل یا جایگزین با داده‌های مرجع استفاده می‌شود. در بعضی از موارد در کشورهای پیشرفته دقت داده‌های داوطلبانه تولید شده توسط موبایل و دیگر ابزار توسط کاربران حتی بیش از داده ی مرجع دولتی می‌باشد. 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 83 درصد به دست آمد، سپس با توجه به پیش‌بینی انجام شده، از روش واحد مبنا جهت ارزیابی میزان کامل ‌بودن داده‌های osm  استفاده شد. نتایج نشان می‌دهد میزان کامل ‌بودن بلوک‌های ساختمانی osm در کل منطقه مطالعاتی برابر با 3.6 درصد، جنگل‌ها9.7درصد، درخت‌های میوه 90.4 درصد و زمین‌های کشاورزی 81.88درصد می‌باشد. که نشان از نرخ پایین کامل‌ بودن بلوک‌های ساختمانی و جنگل و نرخ بالای کامل‌ بودن زمین‌های کشاورزی و درختان میوه می‌باشد. نتایج تحقیق بیانگر درصد مشارکت پایین داوطلبانه درتولید داده‌های مکانی می‌باشد. از طرفی دقت بالای تولید کاربری اراضی توسط هوش مصنوعی نتایج امیدوارکننده‌ای را در استفاده از هوش مصنوعی در تولید و تکمیل داده‌های داوطلبانه به ‌جای نیروی انسانی بخصوص در کشورهای کمتر توسعه‌یافته یا مناطق با جمعیت داوطلب کمتر یا نقاط دورافتاده و صعب‌العبور ارائه میدهد

assessment of using artificial intelligence in completeness of volunteer geographic information. a case study for open street map (osm) landuse data.

nowadays, deep learning as a branch of artificial intelligence acts as an alternative for human with hopeful outcomes. open street map as the biggest open source data is used as a complementary data sources for spatial projects. it is notable that is some advanced counties the accuracy of vgi data is higher than governmental official data. this research aims to use artificial intelligence to produce and subsequently promote completeness of osm data. res_unet architecture was utilized to train landuse categories to the network. the result shows that iou metric is about 83 percent that implies a high accuracy paradigm. then, united-based method was used to calculated completeness of osm data. the unit-based results show that completeness of building blocks, forest, fruits garden and agriculture land are: 3.6, 9.7, 90.4 and 81.88 respectively. it shows the low volunteer  participation rate to produce osm data. on the other side the high accuracy achieved by deep learning leads us to complete osm data by artificial intelligence instead of human prepared data. the advantage of using machine rather than human may be utilized in undeveloped countries or low density population regions as well as inaccessible areas.