¿Principales áreas de investigación actualmente en desarrollo para la Ciencia de la Información Geográfica?

¿Cuáles son las principales áreas de investigación y desarrollo activos para la Ciencia de la Información Geográfica (GISc), es decir, qué áreas necesitan más investigación y desarrollo?

Algunos "temas candentes" para GISc pueden ser modelado, simulación, representación temporal.

Considero estos temas abiertos y en curso en GIScience:

• implicaciones del contenido generado por el usuario (también conocido como Volunteered Geographic Information Systems)
• efectos geográficos en las redes sociales
• análisis de red geográfica
• modelado basado en agente habilitado geográficamente
• estructuras y análisis espacio-temporales
• Experimentación rápida e interactiva (también conocida como geodiseño)
• infraestructura de información espacial
• modelos de datos basados ​​en objetos para datos continuos
• análisis geográfico iterativo y en tiempo real
• análisis en el esferoide
• combinación de conjunto de datos
• interacción entre búsqueda semántica y geográfica
• mapeo móvil y servicios basados ​​en ubicación
• percepción humana de patrones geográficos en evolución
• implicaciones y algoritmos de realidad mixta y aumentada

• realidad aumentada móvil
• minería de datos geográficos
• información geográfica voluntaria monitoreo ambiental
• redes de sensores en tiempo real

Generalización automática, pero apropiada.

Ser capaz de tomar geometría de alto orden con muchos detalles y simplificarlo para un mapa de detalles más grueso, sin soltar características importantes, es muy difícil. Por ejemplo, una cadena de pequeños lagos visibles a 1: 50,000 no debe mostrarse en absoluto a 1: 500,000, sin embargo, el curso de agua que los conecta debe permanecer visible y continuo.

Geocodificación automática.

Hasta donde sé, MetaCarta es la única compañía que habla o proporciona un servicio que intenta georreferenciar automáticamente cualquier documento en función de su contenido. Por ejemplo, sabe que Tom Sawyer de Mark Twain vive a lo largo del río Mississippi. Este es un campo rico y hay mucho espacio para más jugadores e implementaciones.

Gran análisis de datos espaciales utilizando software de código abierto para computación distribuida como Hadoop .

Existe un enorme potencial para procesar conjuntos de datos masivos como datos Lidar de alta densidad en un entorno informático distribuido. Berkeley Open Infrastructure for Network Computing (BOINC) es actualmente una plataforma de código abierto para la informática distribuida. ESRI ya ha entrado en la arena creando Big Data Spatial Analytics para Hadoop Framework .

Topología implícita o sugerida.

¿no sería maravilloso si la computadora notara que las geometrías de las capas X, Y y Z son muy similares entre sí, casi siempre siguen las mismas tendencias, y se ofrecen para combinarlas / fusionarlas, o mantener a las demás en el mismo lugar cuando una ¿está cambiado?

El uso de la robótica para la recopilación de datos espaciales no parece estar de moda, pero creo que debería estarlo.

Los océanos cubren la mayor parte de la tierra. Mapearlos requerirá robots.

Hay un premio de $ 7 millones de ofrecidos por XPrize.org.

La percepción y cognición humana es limitada y esos límites se vuelven cada vez más problemáticos a medida que el volumen y la variedad de información continúa explotando en cantidad y complejidad. ¿Cómo se pueden aprovechar las herramientas de espacio, ubicación y representación para transformar esta cacofonía de datos en piezas comprensibles y procesables para la mente humana?

El procesamiento paralelo de SIG estuvo activo hace 12 años, pero parece haberse desvanecido lentamente. (El enlace al "Laboratorio de arquitecturas paralelas SIG" en esta página está roto, me pregunto si el laboratorio aún existe). Con tanto interés en el multinúcleo y la nube, parece que también debería haber un interés creciente en el geoprocesamiento paralelo.

Mucha gente dice que la mejor manera de ir en paralelo es a través de la Programación Funcional . Esa podría ser una buena área, pero parece sufrir el mismo estigma académico que la Inteligencia Artificial nunca pudo eliminar.