干货分享 | 修正空间偏差以增强志愿者地理信息的应用场景语义

志愿者地理信息，应用场景语义，空间偏差，物种分布建模

编辑推语

公众贡献的地理信息近年来已成为地理大数据的重要来源。然而，志愿者观测位置分布的空间偏差有损其应用场景语义。本文以物种分布建模为例，探讨了如何修正空间偏差以增强志愿者地理信息的应用场景语义。

01
研究背景

志愿者地理信息（Volunteered GeographicInformation, VGI）泛指由大众志愿者提供的地理信息。近年来VGI数据飞速增长，已经成为地理大数据的重要来源之一，并有着广泛的实际应用。例如，带地理位置信息的社交媒体数据和公众科学项目数据经常被用于辅助理解自然或社会现象的时空规律。与传统的依赖专业人员的地理数据收集方式相比，VGI有许多优势，比如成本低、时空覆盖范围广、更新速度快等。然而，志愿者地理信息产生的过程通常并不遵循传统的空间采样设计。志愿者观测位置的空间分布往往存在偏差，大多数观测位置集中在可达性更好的区域，例如城镇及其周边地区、道路附近等。这种存在于VGI观测样本中的空间偏差会降低地理建模和预测的精度，所以会削弱VGI的应用场景语义。

02
研究结果

本文以北美知更鸟(Turdusmigratorius)分布建模为例，采用基于规则格网的方法，对来源于eBird（世界最大的鸟类公众科学项目）的北美知更鸟出现位置数据进行筛选。这些出现位置点多集中分布于人口密集区，然而这并不代表它们更偏好这些地方的生态环境，只是这些区域可能有更多的观鸟者向eBird贡献数据，即数据贡献者的观测努力本身存在空间偏差（见封面图片）。基于格网的样本筛选方法从每一个格网里只随机选出一个出现位置加入建模样本，从而降低了样本的空间偏差。本文使用MAXEN方法基于筛选后的出现位置对北美知更鸟的分布进行建模与预测，利用源自BBS（北美繁殖季鸟类调查项目）中北美知更鸟出现位置作独立验证数据来评估模型预测精度。结果表明该方法能有效降低采样努力空间偏差，提高建模预测精度，从而增强VGI的应用场景语义。

基于规则格网的观测样本筛选方法

基于eBird数据建模预测的北美知更鸟分布图（左图基于原始观测样本精度AUC=0.524，右图基于修正空间偏差的样本AUC=0.677）

03
研究结论

本文以VGI数据在物种分布建模与预测中的应用为例，展示了如何通过修正VGI样本的空间偏差来提高物种分布建模和预测精度，进而增强VGI的应用场景语义。现有VGI相关研究多关注其数据质量本身，鲜有探讨这些数据质量对VGI具体应用场景（例如建模）语义的影响。VGI已经成为地理大数据的重要数据源并有着广泛的应用，探索应对VGI数据质量以增强其应用场景语义的方法具有重要价值。

引用信息

Guiming Zhang (2019) Enhancing VGI applicationsemantics by accounting for spatial bias, Big Earth Data, 3:3, 255-268, DOI:10.1080/20964471.2019.1645995(点击阅读原文查看论文详情)

作者简介

张桂铭，美国威斯康星大学（麦迪逊）地理系地理信息科学博士毕业，现为美国科罗拉多州丹佛大学地理与环境系助理教授。研究领域包括VGI、地理大数据、预测性制图、高性能地理计算等。

转载自地球大数据国际期刊

经作者授权转载

文章仅代表作者观点，与本公众号无关，版权归原作者所有

原文标题：数往知来| 修正空间偏差以增强志愿者地理信息的应用场景语义

图文编辑：张辰华

责任编辑：张英浩

审       编：鲁嘉颐

终审：颜子明   黄宗财   梁龙武

猜你喜欢

扫描二维码，关注我们