Figure G.5 — Graphical representation of dataset error locations

• 
  Bằng cách so sánh tập dữ liệu, trình bày trên hình G.4 với thế giới thục mô phỏng đặc trưng ở hình G.3, danh sách lỗi có thể lập được trong tập dữ liệu ví dụ. Tiếp theo là ví dụ danh mục lỗi phát hiện với số lỗi cho theo qui chiếu:
  

b) Các lỗi thiếu và thừa ghi nhận trong đường mòn lưu trữ. Một đường thiếu (No.18) và một đường thừa (No.19).

c) Một ngôi nhà thay thế một tòa nhà công nghiệp (số 23).

d) Hai đường dẫn bị mã hóa nhầm như đường giao thông (số 17, số 26).

e) Một ngôi nhà bị mất (số 21).

f) lỗi thuộc tính trên đường. Hai con đường có sai "điều kiện" (số 29, số 28).

g) Một bệnh viện được biểu diễn trong các tập dữ liệu (số 3).

h) Hai cây có chiều cao dưới 1 mét được biểu diễn trong các tập dữ liệu (số 6, số 8)

i) Cây mã lớp độ cao cây bị thiếu. Một cây thiếu một mã lớp trong khi nó là B trong vũ trụ luận (số 22).

j) thuộc tính chiều cao cây phân loại sai. Sáu cây bị sai chiều cao (số 2, số 11, số 13, số 16, số 20, số 24).

k) thuộc tính tên nhà 'tên gia đình' lỗi. Những ngôi nhà có tên là "van Hamme" (số 7) và "Herge" (số 1) trong thế giới thực mô phỏng không có tên trong các tập dữ liệu. Ngôi nhà có tên là "Goscinny" trong các tập dữ liệu (số 12) không có tên trong thế giới thực mô phỏng.

l) lỗi tên thuộc tính là 'tên gia đình'. Những ngôi nhà có tên là "Franquin" (số 5) và "Pratt" (số 15) trong thực địa được đặt tên là "Franklin" và "Prat" tương ứng trong các tập dữ liệu.

m) Lỗi đếm số người cư trú trong nhà bị sai: Thuộc tính số người cư trú trong nhà bị thiếu trong một ngôi nhà (số 31) và sai cho ba nhà (số 4, số 14, số 30).

n) lỗi không đầy đủ nhà trong các tòa nhà công nghiệp. Một tòa nhà công nghiệp bị thiếu (số 10).

CHÚ THÍCH Việc phân loại các lỗi như không đầy đủ / lấy thừa, đầy đủ hoặc độ chính xác chuyên đề là lỗi kép. Ví dụ, việc phân loại sai của một ngôi nhà là một tòa nhà công nghiệp có thểo coi là lỗi không đầy đủ cho lớp nhà khu dân cư/ nhưng cũng là lỗi lấy thừa cho lớp nhà công nghiệp

G.3.1 Identification of errors

By comparing the dataset, represented by Figure G.3, with the universe of discourse, represented by Figure G.2, a list of errors in the example dataset can be produced. The following is a list of detected errors with error numbers given for reference.

a) Errors of omission and commission in recording of trees. Three trees No. 6, No. 8, No. 27) are in excess and two trees are missing No. 9, No. 25).

b) Errors of omission and commission in recording paths. One path is missing (No.18) and one is in excess (No.19).

c) A house replaces an industrial building (No.23).

d) Two paths are miscoded as roads (No.17, No.26).

e) A house is missing (No.21).

f) Attribute error on roads. Two roads have the wrong “condition” (No.29, No.28).

7. 
   A hospital is represented in the dataset (No.3).
   
8. 
   Two trees with a height less than 1 metre are represented in the dataset (No.6, No.8)
   
9. 
   Tree height attribute class code missing. A tree is missing a class code while it is B in the universe of discourse (No.22).
   
10. 
    Tree height attribute misclassified. Six trees have the wrong height class assigned (No.2, No.11, No.13, No.16, No.20, No.24).
    
11. 
    House name attribute ‘family name’ errors. The houses named “van Hamme” (No.7) and “Herge” (No.1) in the universe of discourse have no name in the dataset. The house named “Goscinny” in the dataset (No.12) has no name in the universe of discourse.
    
12. 
    House name attribute ‘family name’ errors. The houses named “Franquin” (No.5) and “Pratt” (No.15) in the universe of discourse are named “Franklin” and “Prat” respectively in the dataset.
    
13. 
    House occupant count attribute errors. The occupant count attribute is missing for one house (No.31) and wrong for three houses (No.4, No.14, No.30).
    
14. 
    Omission error in industrial buildings. One industrial building is missing (No.10).
    

ISO 19113 xác định tính đầy đủ là sự hiện diện và vắng của đối tượng, các thuộc tính của chúng và các quan hệ của chúng. Tính đầy đủ trong ví dụ được phân loại bằng lớp đối tượng. Kiểu các phép đo lường được kiểm tra các lỗi đầy đủ hoặc không đầy đủ. Bảng G.1 giới thiệu phương pháp phân loại tính đầy đủ.

ISO 19113 defines completeness as the presence and absence of features, their attributes and their relationships. Completeness in this example is classified by feature class. The types of measures tested for are commission and omission. Table G.1 depicts a way to classify completeness.

• 
  1/9 nhà không có số liệu về số người sở hữu;
  
• 
  Bias: 2/8 = - 0,25 người sở hữu;
  
• 
  RMSE: 0,87 người sở hữu;
  
• 
  Kích thước mẫu: 8.
  

• 
  1/9 houses has no value for the number of occupants;
  
• 
  bias : -2/8=-0,25 occupants;
  
• 
  RMSE : 0,87 occupant;
  
• 
  sample size : 8.
  

Ví dụ minh họa ở G.4.2 và G.4.3 trình bày cách báo cáo các kết quả chất lượng cho một kiểu lỗi, các lỗi thừa kiểu đối tượng đường mòn. Đầu tiên các kết quả chất lượng được thông báo như là dữ liệu metadata. Một bản báo cáo đánh giá chất lượng dữ liệu khi đố được sử dụng để báo thông tin chi tiết về chất lượng.dữ liệu

G.4.1 Example of error of commission

The following gives an example how to report the quality results for one type of error, commission errors for feature type “path”. First the quality results have been reported as metadata. A data quality evaluation report is then used to report detailed quality information.

Hình G.6 là ví dụ về cách lập báo cáo chất lượng như là một bản metadata được mô tả trong ISO 19115. Giải thích các mã sử dụng từ ISO 19115 được cho trong dấu ngoặc đơn, nhưng không phải thành phần của thông báo.

The following is an example of how to report the quality results as metadata as described in ISO 19115. The explanation of the codes used from ISO 19115 are given in parenthesis, but are not part of the report.

Hình G.7 là một ví dụ về cách lập báo cáo kết quả chất lượng dữ liệu theo kiểu báo cáo riêng về chất lượng dữ liệu

Figure G.7 is an example of how to report the quality results as a data quality report.

(tham khảo)

(informative)

Example of an aggregated data quality result

Các thông tin trong ví dụ này dựa trên các kỹ thuật sử dụng trong công nghiệp tư nhân ở châu Âu, Bắc Mỹ và Châu Á. Mục tiêu của các ví dụ được mô tả là để minh họa các kỹ thuật về đo lường và kết hợp chính xác theo chủ đề, sự đầy đủ và chính xác vị trí trong một tập dữ liệu đường.

Ví dụ này là chỉ quan tâm đến lập báo kết quả chất lượng dữ liệu tổng hợp. Không có so sánh với một mức độ chất lượng phù hợp khác

The information in this example is based on techniques in use in private industry in Europe, North America and Asia. The objective of the example described is to illustrate the techniques of the measurement and aggregation of thematic accuracy, completeness and positional accuracy in a road-based dataset.

This example is concerned only with reporting an aggregated data quality result. No comparison with a conformance quality level is made.

Thế giới thực được trình bày trong hình H.1. mà cũng mô tả một mảnh được vẽ từ dữ liệu đầy đủ của dữ liệu đường bộ. Khu vực hình chữ nhật được tô bóng ở lưới vuông B-2 đại diện cho các đơn vị lấy mẫu được lựa chọn ngẫu nhiên để được kiểm tra.

The real world is represented by Figure H.1. which also depicts a lot drawn from the full dataset of road-based data. The shaded rectangular area at grid square B-2 represents the randomly selected sampling unit to be tested.