Data on cities as the subject of geographical research
DOI:
https://doi.org/10.18778/2543-9421.04.10Keywords:
urban geography, data mining, open data, ISO standards, GIScienceAbstract
Contemporary geographical data on cities come from various sources, and the increase in their number is an avalanche. As the perception of data is changing, so is the way a geographer thinks and works. The abundance of data on cities obtained from various sensors and from the society makes the research problem recognizable in the context of existing data, which makes it necessary to examine it. This paper presents the problems that can be encountered when analysing data for a geographical science research project, from its acquisition, through cleaning, to recording in the appropriate format.
References
Adamczyk, J., Będkowski, K. (2018). Źródła numerycznych danych geoprzestrzennych. W: A. Obidziński (red.), Inwentaryzacja i waloryzacja przyrodnicza. Metody naziemne i geomatyczne (s. 17–27). Warszawa: Wyd. SGGW.
Google Scholar
Ash, J., Kitchin, R., Leszczynski, A. (2018). Digital turn, digital geographies? Progress in Human Geography, 42 (1), s. 25–43; https://doi.org/10.1177/0309132516664800
Google Scholar
Assante, M., Candela, L., Castelli, D., Tani, A. (2016). Are scientific data repositories coping with research data publishing? Data Science Journal, 15 (6); https://doi.org/10.5334/dsj-2016-006
Google Scholar
Bach, M., Stańczak, M., Werner, A. (2009). Wpływ przyjętego modelu wersjonowania danych na efektywność relacyjnej bazy danych. Studia Informatica, 30 (2B), s. 253–263.
Google Scholar
Bell, G. (2009). Foreword. W: T. Hey, S. Tansley, K. Tolle (red.), The fourth paradigm. Data-Intensive scientific discovery (s. xi–xvi). Redmond, Washington: Microsoft Research.
Google Scholar
Bielecka, E. (2006). Sytemy Informacji Geograficznej. Teoria i zastosowania. Warszawa: Wyd. PJWSTK.
Google Scholar
Blaschke, T., Merschdorf, H. (2014). Geographic information science as a multidisciplinary and multiparadigmatic field. Cartography and Geographic Information Science, 41 (3), s. 196–213; https://doi.org/10.1080/15230406.2014.905755
Google Scholar
Cai, C., Xie, K. (2007). Measuring data quality of geoscience datasets using data mining techniques. Data Science Journal, 6, S738–S742; https://doi.org/10.2481/dsj.6.S738
Google Scholar
Dasu, T., Johnson, T. (2003). Exploratory data mining and data cleaning. John Wiley & Sons.
Google Scholar
Foreman, J.W. (2019). Mistrz analizy danych: od danych do wiedzy. Tłum. K. Matuk. Gliwice: Helion.
Google Scholar
Gaździcki, J. (2008). Implementacja dyrektywy INSPIRE w Polsce: stan aktualny, problemy i wyzwania. Roczniki Geomatyki – Annals of Geomatics, 6 (3), s. 23–32.
Google Scholar
Graf, R., Kaniecki, A., Medyńska-Gulij, B. (2008). Dawne mapy jako źródło informacji o wodach śródlądowych i stopniu ich antropogenicznych przeobrażeń. Badania Fizjograficzne nad Polską Zachodnią, Seria A – Geografia Fizyczna, 59, s. 11–27.
Google Scholar
Guo, H., Goodchild, M.F., Annoni, A. (red.) (2020). Manual of digital Earth. Singapore: Springer Open; International Society for Digital Earth.
Google Scholar
Hand, D.J. (2005). Eksploracja danych. Tłum. A. Chądzyńska. Warszawa: Wydawnictwa Naukowo-Techniczne.
Google Scholar
Iwaniak, A. (2005). Metodyka opracowania i stosowania metadanych w Polsce. Roczniki Geomatyki – Annals of Geomatics, 3 (3), s. 47–58.
Google Scholar
Iwaniak, A., Paluszyński, W., Żyszkowska, W. (1998). Generalizacja map numerycznych – koncepcje i narzędzia. Cz. 1. Polski Przegląd Kartograficzny, 30 (2), s. 78–88.
Google Scholar
Jachimczyk, A. (2015). Otwarte dane badawcze. Casus polskich instytutów badawczych. Zagadnienia Naukoznawstwa, 2206, s. 409–424.
Google Scholar
Jaskulski, M., Łukasiewicz, G., Nalej, M. (2013). Porównanie metod transformacji map historycznych. Roczniki Geomatyki – Annals of Geomatics, 11 (4), s. 41–56.
Google Scholar
Jażdżewska, I. (2013). Statystyka dla geografów. Łódź: Wyd. Uniwerstetu Łódzkiego.
Google Scholar
Jażdżewska, I. (2018). The use of centrographic measures in analysing the dispersion of historic factories, villas and palaces in Lodz (Poland). Folia Geographica, 60 (1), s. 50–61.
Google Scholar
Kraak, M.J., Ormeling, F. (1998). Kartografia – wizualizacja danych przestrzennych. Tłum. W. Żyszkowska. Warszawa: Wydawnictwo Naukowe PWN.
Google Scholar
Larose, D.T. (2013). Odkrywanie wiedzy z danych: wprowadzenie do eksploracji danych. Tłum. A. Wilbik. Warszawa: Wydawnictwo Naukowe PWN.
Google Scholar
Longley, P.A., Goodchild, M.F., Maguire, D.J., Rhind, D.W. (2006). GIS. Teoria i praktyka. Warszawa: Wydawnictwo Naukowe PWN.
Google Scholar
Mayer-Schönberger, V., Cukier, K. (2017). Big data: rewolucja, która zmieni nasze myślenie, pracę i życie, efektywna analiza danych. Tłum. M. Głatki. Warszawa: Wyd. MT Biznes.
Google Scholar
Miller, H.J., Goodchild, M.F. (2015). Data-driven geography. GeoJournal, 80, s. 449–461; https://doi.org/10.1007/s10708-014-9602-6
Google Scholar
Nahotko, M. (2013). Współdziałanie metadanych w systemach informacyjnych. Zagadnienia Informacji Naukowej, 51 (1), s. 61–83.
Google Scholar
Nalej, M. (2019). Problem zmiennych jednostek odniesienia (MAUP) w badaniach pokrycia terenu. Przykład Łódzkiego Obszaru Metropolitalnego (University of Lodz). Pobrano z http://dspace.uni.lodz.pl/xmlui/bitstream/handle/11089/26386/nalejstreszczenie.pdf?sequence=3&isAllowed=y
Google Scholar
Openshaw, S. (1984). Modifiable Areal Unit Problem. W: International encyclopedia of human geography; https://doi.org/10.1016/b978-008044910-4.00475-2
Google Scholar
Openshaw, S., Taylor, P.J. (1979). A million or so correlation coefficients: three experiments on the modifiable areal unit problem. W: N. Wrigley (ed.), Statistical applications in the spatial sciences (s. 127–144). London: Pion.
Google Scholar
Osowski, S. (2013). Metody i narzędzia eksploracji danych. Legionowo: Wyd. BTC.
Google Scholar
Pachół, P., Zieliński, J. (2003). Wymiana danych wchodzących w skład krajowego systemu informacji o terenie. Roczniki Geomatyki – Annals of Geomatics, 1 (1), s. 38–52.
Google Scholar
Ryza, S., Laserson, U., Owen, S., Wills, J. (2016). Spark: zaawansowana analiza danych. Tłum. A. Watrak. Gliwice: Helion.
Google Scholar
Sadiq, S., Srivastava, D., Dasu, T., Dong, X.L., Freire, J., Ilyas, I., … Zhou, X. (2018). Data quality: The role of empiricism. ACM SIGMOD Record, 46 (4), s. 35–43; https://doi.org/10.1145/3186549.3186559
Google Scholar
Shelton, T. (2017). Spatialities of data: mapping social media ‘beyond the geotag’. GeoJournal, 82, s. 721–734. https://doi.org/10.1007/s10708-016-9713-3
Google Scholar
Shi, W., Fisher, P.F., Goodchild, M.F. (red.) (2002). Spatial data quality. London: Taylor & Francis.
Google Scholar
Szeliga, M. (2017). Data Science i uczenie maszynowe. Warszawa: Wydawnictwo Naukowe PWN.
Google Scholar
Urbański, J. (1997). Zrozumieć GIS. Analiza informacji przestrzennej.Warszawa: Państwowe Wydawnictwo Naukowe.
Google Scholar
Urbański, J. (2008). GIS w badaniach przyrodniczych. Pobrano z https://kiw.ug.edu.pl/pl/ebooki/644-gis-w-badaniachprzyrodniczych.html
Google Scholar
Werner, P. (2004). Wprowadzenie do systemów geoinformacyjnych. Warszawa: Wyd. Jark.
Google Scholar
Wolski, J. (2012). Błędy i niepewność w procesie tworzenia map numerycznych. Prace Komisji Krajobrazu Kulturowego, 16, s. 15–32.
Google Scholar
Downloads
Published
How to Cite
Issue
Section
License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
