Measuring Spatial Data Fitness-for-Use through Multiple Criteria Decision Making

Abstract

This article presents a new methodology for data fitness-for-use assessment. Most current measures of data quality rely on metadata and other data producer-derived information. This creates a void of options for a user-driven assessment of data quality when metadata are sparse or unavailable, as is often the case with citizen science and volunteered geographic information. This article puts forward data fitness-for-use (DaFFU), a method that can be adapted for a wide range of data uses. Using the mathematical framework of multiple criteria decision making (MCDM), we create a method to select the best data set from multiple options using a select set of user criteria. The DaFFU methodology is demonstrated with both a simple exemplar and a detailed case study for watershed management. The simple exemplar illustrates how varying parameters and weights influence the outcome. The case study on watershed management considers four possible data sets and six data quality criteria for wetland delineation and an application toward watershed nitrogen retention, each of which has a claim on being of the “best” quality, depending on which data quality aspect the user evaluates. The DaFFU methodology allows the user to consider these data in terms of how they will be used and to use selected data quality measures. Case study results show this methodology is a robust and flexible approach to quantitatively assessing multiple data sets in terms of their intended use.

本文呈现数据适用度评估的崭新方法论。当前的数据质量评估, 多半依赖元数据及其他数据生产者衍生的信息。而这造成了元数据匮乏或无法取得时, 使用者驱动的数据信息评估选项的缺乏, 并且经常是公民科学与志愿地理信息的境况。本文推进数据适用度 (DaFFU) ——一个能够适应广泛数据使用的方法。我们运用多准则决策 (MCDM) 的数学架构创造出一种方法, 该方法运用使用者准则的选择集, 从多重选项中选出最佳数据。DaFFU 方法, 同时由简易抽样和分水岭治理的详细案例研究展现之。简易抽样描绘出不同的参数与权重如何影响结果。分水岭治理的案例研究, 则考量描绘湿地以及分水岭氮储留应用的四大可能数据集与六大数据质量准则, 它们各自宣称具有 “最佳” 品质, 取决于使用者评估何种数据品质面向。DaFFU 方法, 让使用者得以从数据如何被使用来考量数据, 并使用选择的数据质量评估。案例研究结果显示, 此一方法是以数据的预期使用来量化评估多重数据集的强健且具有弹性的方法。

Este artículo presenta una nueva metodología para evaluar la idoneidad de uso de datos. La mayoría de las medidas actuales de la calidad de datos dependen de metadatos y de otra información derivada del generador de datos. Esto crea una carencia de opciones para evaluaciones de la calidad de datos orientadas a usuario cuando los metadatos se hallan dispersos o no disponibles, como a menudo ocurre con la ciencia ciudadana y la información geográfica voluntaria. Este artículo promueve la idoneidad de uso de datos (DaFFU), un método que puede adaptarse para una amplia gama de usos de datos. Usando el marco matemático de la toma de decisiones a partir de criterios múltiples (MCDM), creamos un método para seleccionar el mejor conjunto de datos entre múltiples opciones, usando un selecto conjunto de criterios de usuario. La metodología DaFFU se demuestra con un ejemplar simple y con un estudio de caso detallado de manejo de cuencas. El ejemplo simple ilustra cómo es influido el resultado por parámetros y pesos variados. El estudio de caso referido al manejo de cuencas considera cuatro conjuntos de datos posibles y seis criterios de la calidad de los datos para la delineación de humedales y una aplicación para la retención del nitrógeno de la cuenca, cada uno de los cuales reclama para sí la condición de “mejor” calidad, dependiendo de qué aspecto de la calidad de los datos evalúa el usuario. La metodología DaFFU permite al usuario considerar estos datos en términos de cómo estos serán usados, y le permite usar medidas selectas de calidad de los datos. Los resultados del estudio de caso muestran que esta metodología es un enfoque robusto y flexible para evaluar cuantitativamente conjuntos de datos múltiples en términos del uso que se les intenta dar.

Key Words:

• fitness-for-use
• nitrogen
• uncertainty
• watershed modeling

关键词：:

• 适用度, 氮, 不确定性, 分水岭模式化。

Palabras clave:

• idoneidad de uso, nitrógeno, incertidumbre, modelado de cuencas

Notes

1. MCDM is referenced with other names, including multiple objective decision making and multiple attribute decision making.

2. The methods include dominance, maximin, maximax, conjunctive method, disjunctive method, lexicographic method, lexicographic semicorder, elimination by aspects, linear assignment method, simple additive weighting method, electre, TOPSIS, weighted project, and distance from target (S. J. Chen and Hwang 1992).

3. There are numerous additional references to most of these criteria.

Additional information

Notes on contributors

Elizabeth A. Wentz

ELIZABETH A. WENTZ is the Dean of Social Sciences, College of Liberal Arts and Sciences and Professor, School of Geographical Sciences and Urban Planning, Arizona State University, Tempe, AZ 85287–6505. E-mail: [email protected]. Her research interests are geographic information systems (GIS), spatial analysis, pattern analysis, urban remote sensing, and residential water use.

Melinda Shimizu

MELINDA SHIMIZU is an Assistant Professor of Earth Science and GIS in the Division of Natural Sciences, Western Oregon University, Monmouth, OR 97351. E-mail: [email protected]. Her research projects include geoscience education with a focus on spatial cognition, spatial decision science, water quality modeling, and data assessment.