Assessing the Accuracy and Completeness of OpenStreetMap Sidewalks: A Comparative Study With Google Street View.

چکیده اصلی

INTRODUCTION: OpenStreetMap is an open-source and crowd-sourced geospatial database and one of the few available sources of sidewalk data for walkability research; however, its accuracy and completeness have not been systematically assessed. This study aimed to compare OpenStreetMap sidewalk data with Google Street View. METHODS: We clipped an OpenStreetMap map of pedestrian-accessible roads in Maryland to 141 census tracts (~10.0% of census tracts in Maryland) using stratified random sampling across tertiles of population density. Fifty points within each census tract were randomly distributed across qualifying roads (n = 7,050). We determined sidewalk presence at each point in OpenStreetMap and Google Street View. We excluded points without Google Street View, resulting in a final sample of 6,103 points. In points with sidewalks in Google Street View (n = 3,674), logistic mixed effects models estimated odds of OpenStreetMap-Google Street View sidewalk agreement across population density tertiles and themes from the Centers for Disease Control and Prevention's Social Vulnerability Index (SVI). RESULTS: Of the total points (N = 6,103), 57.8% (3,530) indicated sidewalk agreement between OpenStreetMap and Google Street View. Agreement was 30.2% among points with sidewalks present in Google Street View. Among points with sidewalks (3,674) present in Google Street View, odds of sidewalk agreement were higher in mid-density tracts (odds ratio [OR], 2.43; 95% CI, 0.63-9.40) and high-density tracts (OR, 4.50, 95% CI, 1.16-17.38) than in low-density tracts. Tracts in which a racial and ethnic minority population was larger than the non-Hispanic White population had lower sidewalk agreement (OR, 0.11; 95% CI, 0.002-0.74); no other SVI theme was associated with agreement. CONCLUSION: While OpenStreetMap sidewalk data were generally accurate when available, the sidewalk data were incomplete, especially in areas with low population density or areas in which a non-Hispanic racial and ethnic minority population was larger than the White population.

ترجمه فارسی چکیده

مقدمه: OpenStreetMap یک پایگاه داده جغرافیایی منبع باز و جمعی است و یکی از معدود منابع موجود برای تحقیقات قابلیت پیاده‌روی است؛ با این حال، دقت و کامل بودن آن به طور سیستماتیک ارزیابی نشده است. این مطالعه هدف مقایسه داده‌های پیاده‌رو OpenStreetMap با Google Street View را داشت. روش‌ها: ما نقشه OpenStreetMap جاده‌های قابل دسترسی پیاده در مریلند را به 141 منطقه سرشماری (~10.0% مناطق سرشماری در مریلند) بر اساس نمونه‌گیری تصادفی طبقه‌بندی شده بر اساس تریل‌های تراکم جمعیت برش زدیم. پنج نقطه در هر منطقه سرشماری به طور تصادفی در جاده‌های واجد شرایط (n = 7,050) توزیع شدند. ما وجود پیاده‌رو را در هر نقطه در OpenStreetMap و Google Street View تعیین کردیم. ما نقاطی را بدون Google Street View حذف کردیم که منجر به نمونه نهایی 6,103 نقطه شد. در نقاطی که پیاده‌رو در Google Street View وجود داشت (n = 3,674)، مدل‌های لاجستیک اثرات مخلوط احتمال توافق OpenStreetMap-Google Street View را در تریل‌های تراکم جمعیت و موضوعات شاخص آسیب‌پذیری اجتماعی CDC تخمین زدند. نتایج: از کل نقاط (N = 6,103)، 57.8% (3,530) نشان‌دهنده توافق پیاده‌رو بین OpenStreetMap و Google Street View بود. توافق 30.2% در نقاطی بود که پیاده‌رو در Google Street View وجود داشت. در میان نقاطی که پیاده‌رو (3,674) در Google Street View وجود داشت، احتمال توافق پیاده‌رو در مناطق تراکم متوسط (OR، 2.43؛ 95% CI، 0.63-9.40) و مناطق تراکم بالا (OR، 4.50، 95% CI، 1.16-17.38) بالاتر از مناطق تراکم پایین بود. مناطقی که جمعیت اقلیت نژادی و قومی در آن بزرگتر از جمعیت غیر اسپانیایی سفید بود، توافق پیاده‌رو کمتری داشت (OR، 0.11؛ 95% CI، 0.002-0.74)؛ هیچ موضوع SVI دیگری با توافق مرتبط نبود. نتیجه‌گیری: در حالی که داده‌های پیاده‌رو OpenStreetMap به طور کلی دقیق بودند، داده‌های پیاده‌رو ناقص بودند، به ویژه در مناطق با تراکم جمعیت پایین یا مناطقی که جمعیت غیر اسپانیایی نژادی و قومی در آن بزرگتر از جمعیت سفید بود.

متن کامل اصلی