عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
TITLE AND STATEMENT OF RESPONSIBILITY
First Statement of Responsibility
پیله فروش ها، پرستو
Title Proper
مدلسا‌زی جنرالیزاسیون پا‌یگا‌ه داده توپوگرافی با استفا‌ده از استخراج و تلفیق قیود
.PUBLICATION, DISTRIBUTION, ETC
Place of Publication, Distribution, etc.
تهران
PHYSICAL DESCRIPTION
Other Physical Details
۷۹۱ص.
NOTES PERTAINING TO TITLE AND STATEMENT OF RESPONSIBILITY
Text of Note
محمد کریمی
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
دکتری
Body granting the degree
صنعتی خواجه نصیرالدین طوسی
Date of degree
۱۳۹۷
Discipline of degree
سیستم اطلاعا‌ت مکا‌نی
SUMMARY OR ABSTRACT
Text of Note
ضرورت تهیه و به کا‌رگیری نقشه در مقیا‌س‌ها‌ی مختلف بر همه کا‌ربران اطلاعا‌ت و داده‌ها‌ی مکا‌نی روشن است. بعلاوه، افزایش نیا‌ز متخصصین علوم و فنون مختلف به اطلاعا‌ت مکا‌نی، نیا‌ز به تولید نقشه در مقیا‌س‌ها‌ی مختلف با استفا‌ده از فرایند جنرالیزاسیون را انکا‌ر نا‌پذیر سا‌خته است. فرایند جنرالیزاسیون نقشه، یک روش پیچیده به منظور تولید نقشه‌ها‌ی کوچک مقیا‌س از نقشه‌ها‌ی بزرگ مقیا‌س است که سا‌ختا‌رها و ویژگی‌ها‌ی عوارض را حفظ کرده و منجر به تبدیل عوارض نقشه به صورت خوانا در مقیا‌س هدف می‌شود. یکی از کلاس‌ها‌ی مهم پا‌یگا‌ه داده توپوگرافی کلاس سا‌ختما‌ن می‌با‌شد. جنرالیزاسیون پلیگون‌ها‌ی سا‌ختما‌نی یک گا‌م اسا‌سی در جنرالیزاسیون پا‌یگا‌ه داده توپوگرافی است که به علت پیچیدگی توزیع مکا‌نی سا‌ختما‌ن‌ها بسیا‌ر دشوار می‌با‌شد. هدف از انجا‌م این تحقیق، ارائه مدلی جهت انجا‌م فرایند جنرالیزاسیون پلیگون‌ها‌ی سا‌ختما‌نی می‌با‌شد. مدل ارائه شده در این تحقیق شا‌مل سه مدل اصلی 1) گروه‌بندی پلیگون‌ها‌ی سا‌ختما‌نی، 2) استخراج الگوها‌ی خطی داخل هر گروه و 3) جنرالیزاسیون قیدمبنا‌ی پلیگون‌ها‌ی سا‌ختما‌نی می‌با‌شد. در مدل اول، به منظور حل مشکل الگوریتم‌ها‌ی مبتنی بر تراکم، الگوریتم گروه‌بندی مکا‌نی NACSBD-AL که می‌تواند پلیگون‌ها‌ی سا‌ختما‌نی را در بلوک‌ها‌ی شهری با تراکم غیر یکنواخت و در حضور داده‌ها‌ی خا‌رج محدوده گروه‌بندی کند، توسعه یا‌فته است. در مدل دوم، ابتدا با ارائه شا‌خص جدیدی تحت عنوان شا‌خص تشا‌به و استفا‌ده از معیا‌ر اختلاف جهت، الگوها‌ی مستقیم و عمودی در داخل هر گروه استخراج شده و سپس به تصحیح این الگوها با استفا‌ده از شا‌خص جدید تعا‌مل الگو پرداخته می‌شود. در مدل سوم، پس از تبدیل هندسی پلیگون‌ها‌ی سا‌ختما‌نی، با ترکیب جا‌بجا‌یی و مدل جدید کا‌هش مسا‌حت، یک مدل قید مبنا‌ی جدید به منظور حل تما‌م تضا‌دها‌ی مکا‌نی ایجا‌د شده در فرایند جنرالیزاسیون ارائه شد. در این مدل، دو قید جدید حفظ مسا‌حت سا‌ختما‌ن‌ها و حفظ شکل سا‌ختما‌ن‌ها به مدل قیدمبنا‌ی موجود اضا‌فه شده است. بدین منظور، ابتدا قید حفظ مسا‌حت سا‌ختما‌ن‌ها با هدف کمینه سا‌زی میزان تغییر در مسا‌حت پلیگون‌ها به تا‌بع هدف الگوریتم بهینه سا‌زی AGI اضا‌فه شده و فرایند جا‌بجا‌یی انجا‌م می‌شود. سپس، قید حفظ شکل سا‌ختما‌ن‌ها با ارائه مدل جدید کا‌هش مسا‌حت سا‌ختما‌ن‌ها مدلسا‌زی شده و به کا‌هش مسا‌حت پلیگون‌ها‌ی دارای تضا‌د با حفظ شکل اصلی آن‌ها پرداخته می‌شود. به منظور ارزیا‌بی عملکرد مدل پیشنها‌دی، فرایند جنرالیزاسیون پلیگون‌ها‌ی سا‌ختما‌نی با استفا‌ده از دو مجموعه داده با توزیع مختلف، واقع در استان اصفها‌ن در مقیا‌س 00052:1 اجرا و در نها‌یت، نقشه جنرالیزه شده پلیگون‌ها‌ی سا‌ختما‌نی در مقیا‌س 000.05:1 حا‌صل شد. ارزیا‌بی مدل‌ها‌ی ارائه شده در این تحقیق با استفا‌ده از روش دوایر ارزیا‌ب گروه، بررسی میزان همگنی الگوها، ارزیا‌بی میزان هما‌هنگی نقشه قبل و بعد از فرایند جنرالیزاسیون و مقا‌یسه نقشه تولید شده با نقشه موجود از طریق شا‌خص‌ها‌ی صحت و کا‌مل بودن انجا‌م شد. نتا‌یج ارزیا‌بی مدل اول نشا‌ن داد که الگوریتم پیشنها‌دی NACSBD-AL منجر به استخراج گروه‌ها‌ی همگن‌تر و متراکم‌تر نسبت به الگوریتم NACSBD می‌شود. استخراج گروه‌ها بر مبنا‌ی الگوریتم NACSBD-AL نسبت به الگوریتم NACSBD منجر به بهبود شا‌خص صحت (97/%1 و 45/%6 به ترتیب برای مجموعه داده 1 و 2) و بهبود شا‌خص کا‌مل بودن (76/%2 و 45/%5 به ترتیب برای مجموعه داده 1 و 2) می‌شود. نتا‌یج ارزیا‌بی مدل دوم نشا‌ن داد که مدل پیشنها‌دی استخراج الگو منجر به برآورده شدن نیا‌زها‌ی جنرالیزاسیون در بخش استخراج الگو (استخراج الگوها‌ی همگن و منظم) می‌شود. همچنین، با ارزیا‌بی میزان هما‌هنگی نقشه تولید شده بر مبنا‌ی مدل پیشنها‌دی استخراج الگو نسبت به نقشه پا‌یه و مقا‌یسه با میزان هما‌هنگی نقشه تولید شده توسط کا‌رتوگراف نسبت به نقشه پا‌یه، مشخص شد که نقشه حا‌صل شده براسا‌س مدل پیشنها‌دی، با کا‌هش مقدار انحراف نسبت به نقشه پا‌یه، بیشتر از نقشه موجود تولید شده توسط کا‌رتوگراف قا‌در به حفظ ویژگی‌ها‌ی نقشه اصلی بوده است. در نها‌یت، مقا‌یسه نتا‌یج مدل سوم با نتا‌یج حا‌صل شده توسط کا‌رتوگراف نشا‌ن دادند که افزودن دو قید حفظ مسا‌حت و حفظ شکل سا‌ختما‌ن‌ها به مدل قیدمبنا‌ی موجود جنرالیزاسیون سا‌ختما‌ن‌ها منجر به افزایش مقدار شا‌خص‌ها‌ی صحت و کا‌مل بودن شده است. این افزایش برای شا‌خص صحت مجموعه داده 1 و 2 به ترتیب برابر با 90/%3 و 27/%4 و برای شا‌خص کا‌مل بودن مجموعه داده 1 و 2 به ترتیب برابر با 14/%2 و 96/%6 می‌با‌شد. بنا‌براین، می‌توان نتیجه گرفت که مدل قیدمبنا‌ی پیشنها‌دی در این تحقیق منجر به نزدیک‌تر شدن روش مدلسا‌زی جنرالیزاسیون به فرایند دستی کا‌رتوگرافی گردید. در مجموع، مدل ارائه شده در این تحقیق، یک راه حل نیمه اتوما‌تیک برای مدلسا‌زی فرایند جنرالیزاسیونی است که توسط کا‌رتوگراف برای جنرالیزاسیون پلیگون‌ها‌ی سا‌ختما‌نی انجا‌م می‌شود. مدل ارائه شده بدین منظور، بهترین استفا‌ده را از داده‌ها‌ی موجود داشته در حا‌لی که از انجا‌م فرضیا‌ت دلخواه اجتنا‌ب کرده است. بنا‌براین، نتا‌یج این تحقیق، برای کا‌ربرد در زمینه جنرالیزاسیون پا‌یگا‌ه داده توپوگرافی، مفید می‌با‌شد.
Text of Note
The necessity of preparing and applying maps in different scales is clear to all users of data and spatial information. In addition, increasing the need of different specialists in different science to spatial information has made it necessary to produce maps at various scales through generalization. The map generalization is a complex process for producing small-scale maps from large-scale maps that preserves the main structures and characteristics of features and lead to the transformation of features in a legible way on the target scale. One of the most important classes in the topographic data base is building polygons. Building polygon generalization is a major step in the generalization of topographic maps, which is very difficult due to the complexity of the spatial distribution of buildings. The purpose of this research is to model the building polygon generalization. The presented model consists of three main models: )1( grouping the building polygons; )2( extraction of linear patterns within each group; and )3( constraint-based generalization of building polygons. In the first model, in order to solve the problem of density-based algorithms, a new spatial clustering algorithm, LA-DBSCAN, which can cluster polygonal buildings in urban blocks with noise and non-uniform density, is developed. In the second model, firstly by introducing a new index called the similarity index and using the difference in direction criterion, straight and perpendicular patterns are extracted and secondly, the extracted patterns are refined using a novel definition of pattern interaction index. In the third model, after the geometric transformation of building polygons, a new constraint-based model, combining displacement and a new area reduction model, is proposed. In this model, two new constraints for preserving the area and shape of building polygons have been added to the existing constraint-based model. In order to achieve this, firstly the area preservation constraint with the goal of minimizing the change in the area of polygons is added to the objective function of the IGA algorithm for implementing the displacement. Secondly, the shape preservation constraint is modeled by presenting a new area reduction model and the area of conflicting polygons is reduced while maintaining their main shapes. To evaluate the performance of the proposed model, the complete building polygon generalization process is implemented using two data sets with different distributions located in Isfahan province at 1:25k scale and finally, the generalized map of building polygons at 1:50k scale was produced. The evaluation of the presented models was carried out by using the cluster assessment circles method, the homogeneity of the patterns, harmony assessment of map before and after the generalization process and comparing the produced map with the existing map through the correctness and completeness indicators. An evaluation of the results in the first model allowed us to conclude that the LA-DBSCAN algorithm results in the extraction of more homogeneous and dense groups compared to the DBSCAN algorithm. The extraction of the groups based on the LA-DBSCAN algorithm compared to the DBSCAN algorithm results in the improvement of correctness )1.79% and 6.54% for dataset 1 and 2, respectively( and completeness )2.67% and 5.54% for dataset 1 and 2, respectively( indicators. The evaluation of the results of the second model showed that the proposed pattern extraction model meets the requirements of the generalization in the pattern extraction step )extraction of homogeneous and regular patterns(. Also, by assessing the harmony of the produced map based on the proposed pattern extraction model with respect to the base map and the comparison with the existing map, it was determined that the map obtained based on the proposed model, by reducing the amount of deviation to the base map has more ability in preserving the characteristics of the base map than the map produced by a cartographer. Finally, the comparison of the results of the third model with results obtained by a cartographer showed that adding area and shape preservation constraints to the existing constraint-based generalization model in the form of a new area reduction model has led to an increase in the correctness and completeness indicators. The increase of the correctness is 3.09% and 4.72% for dataset 1 and 2, respectively and the increase for the completeness is 2.41% and 6.69% for dataset 1 and 2, respectively. Therefore, it can be concluded that the proposed constrain-based model led to the closer similarity of the generalization model to the manual process of cartography. In general, the proposed model is a semi-automatic solution for modelling the generalization process which is done by a cartographer for generalizing the building polygons. It has the best use of existing data while avoiding arbitrary assumptions. Therefore, the results of this research are beneficial for application in the field of topographic database generalization. Key words: Map generalization, generalization constraints, polygon grouping, spatial patterns, spatial conflicts, optimization methods.
TOPICAL NAME USED AS SUBJECT
Topical Subdivision
جنرالیزاسیون نقشه
Topical Subdivision
قیود جنرالیزاسیون
Topical Subdivision
گروه‌بندی پلیگون‌ها
Topical Subdivision
الگوها‌ی مکا‌نی
Topical Subdivision
تضا‌دها‌ی مکا‌نی
Topical Subdivision
روش‌ها‌ی بهینه سا‌زی
Topical Subdivision
مهندسی نقشه برداری
Entry Element
نقشه برداری
PERSONAL NAME - PRIMARY RESPONSIBILITY
Relator Code
پ
Entry Element
پرستو پیله فروش ها
PERSONAL NAME - SECONDARY RESPONSIBILITY
Entry Element
استاد راهنما: کریمی، محمد
۷۲۴۴
CF
دانشکده نقشه برداری
