Hauptforschungsbereiche, die derzeit für die Geografische Informationswissenschaft entwickelt werden?

Was sind die Hauptbereiche der aktiven Forschung und Entwicklung für Geografische Informationswissenschaft (GISc), dh welche Bereiche benötigen weitere Forschung und Entwicklung?

Einige "heiße Themen" für GISc können Modellierung, Simulation und zeitliche Repräsentation sein.

Ich betrachte diese offenen und laufenden Themen in GIScience:

• Auswirkungen von benutzergenerierten Inhalten (aka Volunteered Geographic Information Systems)
• geografische Auswirkungen auf soziale Netzwerke
• Geografische Netzwerkanalyse
• geografisch aktivierte agentenbasierte Modellierung
• räumlich-zeitliche Strukturen und Analyse
• Schnelles, interaktives Experimentieren (auch bekannt als Geodesign)
• Geoinformationsinfrastruktur
• Objektbasierte Datenmodelle für kontinuierliche Daten
• Echtzeit- und iterative geografische Analyse
• Analysen auf dem Sphäroid
• Dataset-Zusammenführung
• Interaktion zwischen semantischer und geografischer Suche
• mobile Kartenerstellung und ortsbezogene Dienste
• menschliche Wahrnehmung sich entwickelnder geografischer Muster
• Implikationen und Algorithmen von Mixed und Augmented Reality

• Mobile Augmented Reality
• Geografisches Data Mining
• freiwillige Geoinformation Umweltüberwachung
• Echtzeit-Sensornetzwerke

Automatische und dennoch angemessene Verallgemeinerung.

Es ist verdammt schwierig, Geometrie hoher Ordnung mit vielen Details aufzunehmen und für eine gröbere Detailkarte zu vereinfachen, ohne wichtige Features zu löschen. Beispielsweise sollte eine Kette kleiner Seen, die bei 1: 50.000 sichtbar ist, bei 1: 500.000 überhaupt nicht angezeigt werden, der Wasserlauf, der sie verbindet, sollte jedoch sichtbar und durchgehend bleiben.

Automatische Geokodierung.

So weit ich weiß, MetaCarta ist das einzige Unternehmen spricht über oder einen Service, der versucht automatisch georeferenzieren jedes Dokument basierend auf seinen Inhalt. Zum Beispiel weiß er, dass Mark Twains Tom Sawyer am Mississippi lebt. Dies ist ein reiches Feld und es gibt viel Raum für mehr Spieler und Implementierungen.

Analyse großer räumlicher Daten mithilfe von Open Source-Software für verteiltes Computing wie Hadoop .

Es gibt ein großes Potenzial für die Verarbeitung großer Datenmengen wie Lidar-Daten mit hoher Dichte in einer verteilten Computerumgebung. Die Berkeley Open Infrastructure für Network Computing (BOINC) ist derzeit eine Open-Source-Plattform für verteiltes Computing. ESRI ist bereits mit der Erstellung von Big Data Spatial Analytics für das Hadoop Framework auf dem Vormarsch .

Implizite oder vorgeschlagene Topologie.

Wäre es nicht wundervoll, wenn der Computer feststellen würde, dass die Geometrien der Ebenen X, Y und Z einander sehr ähnlich sind, fast immer denselben Trends folgen und anbieten würde, sie zusammenzuführen / zusammenzuführen oder die anderen in einem Gleichschritt zu halten, wenn einer der beiden vorhanden ist? ist geändert?

Der Einsatz von Robotik für die Geodatenerfassung scheint nicht sehr heiß zu sein - aber ich denke, das sollte es sein.

Ozeane bedecken den größten Teil der Erde. Für die Kartierung sind Roboter erforderlich.

XPrize.org bietet einen Preis in Höhe von 7 Millionen US-Dollar an.

Die Wahrnehmung und das Erkennen des Menschen sind begrenzt, und diese Grenzen werden immer problematischer, da der Umfang und die Vielfalt der Informationen in Menge und Komplexität weiter explodieren. Wie können die Werkzeuge von Raum, Ort und Repräsentation genutzt werden, um diese Kakophonie von Daten in Teile umzuwandeln, die für den menschlichen Verstand verständlich und umsetzbar sind?

Parallele GIS-Verarbeitung war vor 12 Jahren heiß, scheint aber langsam verblasst zu sein. (Der Link zum "GIS Parallel Architectures Lab" auf dieser Seite ist unterbrochen. Ich frage mich, ob das Labor noch vorhanden ist.) Angesichts des großen Interesses an Multicore und Cloud scheint auch das Interesse an paralleler Geoverarbeitung zu wachsen.

Viele Leute sagen, der beste Weg zur Parallelität sei die Funktionale Programmierung . Das mag ein gutes Gebiet sein, aber es scheint dasselbe akademische Stigma zu haben, das die künstliche Intelligenz nie loswerden konnte.