Complexity management in visualization of very large spatial data

Abstract

Veri görselleştirme görselleştirilecek verilerin boyutunun sürekli artması nedeniyle gün geçtikçe zorlaşıyor. Özellikle akıllı telefonların hemen hemen herkesin konum verisi üremesi sağladığı düşünülürse büyük coğrafi verileri bir istisna değildir. Bununla birlikte, bu tür büyük verilerin görselleştirilmesi düşük zum sevilerinde kalabalık, dağınık ve okunamaya bir haritada yapılmasını gerektirir. Zum seviyesini arttırırsak, daha fazla ayrıntı görüntüleyebiliriz, ancak görselin bütünlüğünü kaybederiz. Bu çalışmada, harita üzerinde ikili bir özelliğin görüntülenmesi durumunu değerlendiriyoruz. Verilerdeki özellik kümelerini tanımaya yönelik üç farklı yaklaşım uyguluyoruz. Daha sonra her küme iki özellik değerinden birini taşıyan bir coğrafi bölgeye denk getirilmektedir. Bu tip bir görselleştirme daha az bilgi kaybına neden olur. Kayıpları bilgi entropisi açısından ölçerek bu üç yöntemi entropi kazanımı, hafıza ve hız açısından karşılaştırıyoruz. Ayrıca, farklı görselleştirme senaryoları altında, ayrıntılı numaralandırılmış sonuçlar sağlıyoruz.

Data visualization is becoming more challenging by the day due to a continuous increase in the size of data to be visualized. Geographical data is no exception, especially considering that smart phones enable almost anybody to produce location data. However, visualization of such large data has to be done on a map, which be- comes crowded, cluttered and unreadable at lower zoom levels. If we increase the zoom level, we can display more details, but we lose the completeness of visuals. In this study, we consider a binary feature to be visualized on a map. We apply three different approaches to recognize feature clusters within the data. Each cluster then corresponds to a geographical region and one of the two feature values. The visualization done like this results in a minor amount of information loss. We compare these three methods with respect to entropy gain, memory and speed by measuring this loss in terms of information entropy. Also, we provide detailed enumerative results under different visualization scenarios.