تعمیم خودکار منطقه مسکونی: ترکیبی از چارچوب مبتنی بر دانش و اندازه گیری تشابه

دلیل اصلی که تعمیم کاملاً خودکار مناطق مسکونی تا به امروز به دست نیامده است این است که به دست آوردن دانش مورد نیاز برای تعمیم خودکار و برای محاسبه درجات شباهت فضایی بین اشیاء نقشه در مقیاس‌های مختلف دشوار است. علاوه بر این، توجه کمی به روش های تعمیم با کاهش مقیاس بزرگتر از دو برابر شده است. برای پر کردن این شکاف، این مقاله یک رویکرد ترکیبی ایجاد می‌کند که دو روش موجود را برای تعمیم مناطق مسکونی که از ۱:۱۰۰۰۰ تا ۱:۵۰۰۰۰ متغیر است، ترکیب می‌کند. دو روش موجود عبارتند از روش Boffet برای به دست آوردن فضای آزاد و تجزیه و تحلیل چگالی هسته برای تشخیص نقاط داغ شهر. با استفاده از هر دو روش، رویکرد پیشنهادی از یک چارچوب مبتنی بر دانش با اجرای تحلیل نقشه و اندازه‌گیری‌های شباهت فضایی در یک فضای نقشه چند مقیاسی پیروی می‌کند. اول، دانش مورد نیاز برای تعمیم مناطق مسکونی با تجزیه و تحلیل مناطق مسکونی چند مقیاسی و مشارکت های مربوط به آنها به دست می آید. دوم، تعمیم منطقه مسکونی به دو فرآیند فرعی تقسیم می شود: کسب فضای آزاد و تعیین مرز بیرونی منطقه شهری. سپس، پارامترهای مهم برای دو فرآیند فرعی از طریق تجزیه و تحلیل نقشه و اندازه‌گیری‌های شباهت به دست می‌آیند که منعکس کننده دانشی است که در ذهن نقشه‌نگار پنهان است. با استفاده از این دانش کسب شده، مراحل تعمیم کامل شکل می گیرد. رویکرد پیشنهادی با استفاده از مجموعه داده‌های چند مقیاسی از شهر لانژو آزمایش می‌شود. نتایج تجربی نشان می‌دهد که روش ما از نظر دقت و واقعی بودن مکان بهتر از روش‌های سنتی است. این رویکرد قوی، نسبتاً غیر حساس به سر و صدای ساختمان‌های کوچک فراتر از مناطق شهری است و به راحتی در نرم‌افزار GIS پیاده‌سازی می‌شود.

کلید واژه ها:

تعمیم خودکار نقشه ; چارچوب دانش محور ; کمیت شباهت هندسی ; فضای نقشه چند مقیاسی ; ترسیم منطقه شهری

۱٫ مقدمه

تعمیم خودکار نقشه همیشه چالش و رویا برای بسیاری از آژانس های نقشه برداری [ ۱ ، ۲ ، ۳ ] بوده است. به عنوان مثال، پایگاه داده های نقشه برداری ۱:۵۰۰۰ تا ۱:۱،۰۰۰،۰۰۰ چین، که از مناطق و مناطق مشابه در سطوح مختلف جزئیات تشکیل شده است ، به صورت دستی یا نیمه خودکار توسط نقشه نگاران نگهداری و به روز می شوند [ ۶ ] . تعمیم نقشه کنونی غیرقابل انکار یک فرآیند کار فشرده است که دارای معایب بسیاری است، مانند دیجیتالی شدن و گردآوری مکرر داده ها از همان منطقه و همچنین محتوا و روابط ناسازگار بین پایگاه های داده نقشه در مقیاس های مختلف [ ۴ ، ۶ ].]. بنابراین، تحقق تعمیم خودکار نقشه از اهمیت زیادی برخوردار است. در واقع مطالعات زیادی برای رفع این مشکل انجام شده است.

تحقق تعمیم خودکار عمدتاً شامل چهار جنبه است: (۱) کسب دانش [ ۷ ، ۸ ، ۹ ]، به عنوان مثال، به دست آوردن ویژگی ها، ویژگی ها، و روابط (یعنی دانش) از یا بین اشیاء نقشه. (۲) توسعه الگوریتم های تعمیم ویژگی های نقشه ( برای ساده سازی به [ ۱۰ ، ۱۱ ، ۱۲ ، ۱۳ ، ۱۴ ، ۱۵ ] مراجعه کنید؛ برای تجمیع به [ ۱۶ ، ۱۷ ، ۱۸ ] مراجعه کنید؛ [ ۱۹ ، ۲۰ ، ۲۱ ] را ببینید.] برای جابجایی)؛ (۳) طراحی چارچوب های مفهومی برای تعمیم نقشه [ ۲۲ ، ۲۳ ، ۲۴ ، ۲۵ ]؛ و (۴) تولید یک نقشه شناختی که پایه اصلی را برای تعمیم ایجاد می کند [ ۲۶ ، ۲۷ ، ۲۸ ، ۲۹ ، ۳۰ ]. اگرچه پیشرفت‌های زیادی انجام شده است، اتوماسیون کامل تعمیم نقشه هنوز یک چالش است، زیرا کسب دانش مورد نیاز برای تعمیم خودکار هنوز دشوار است. براسل و وایبل [ ۲۲] تصور می‌کرد که تعمیم یک فرآیند مدل‌سازی فضایی است که فقط با استراتژی‌های مبتنی بر درک شبیه‌سازی می‌شود و نه با دنباله‌ای از مراحل پردازش عملیاتی. Mackaness و همکاران [ ۳۱ ] استنباط کرد که راه‌حل دستی یک نقشه‌نگار، دانش عمیقی از فرآیند تعمیم نقشه و روش‌هایی که در آن ویژگی‌های نقشه ممکن است در مقیاس‌های مختلف نشان داده شوند، منعکس می‌کند. Mustiere’s [ ۹] پیشنهاد “گلوگاه کسب دانش نقشه برداری” نیز نشان دهنده اهمیت دانش است. علاوه بر این، اکثر رویکردهای موجود بر تعمیم بین دو مقیاس مجاور، یعنی کاهش دو برابری یا کوچکتر در مقیاس نقشه، مانند تعمیم از ۱:۱۰۰۰۰ تا ۱:۲۰۰۰۰ تمرکز دارند. توجه کمی به تعمیم با کاهش مقیاس بیشتر از دو برابر شده است، به عنوان مثال، ۱:۱۰۰۰۰ تا ۱:۵۰۰۰۰٫

این موضوع برای تعمیم مناطق مسکونی نیز صادق است. تعمیم مناطق مسکونی یکی از مهمترین مشکلات در تعمیم نقشه است. در نقشه‌های مقیاس بزرگ، چند ضلعی‌های مناطق مسکونی بخش زیادی از بارهای نقشه را اشغال می‌کنند، در حالی که در نقشه‌های مقیاس کوچک، تنها مناطق سکونتگاهی بزرگ و مهم حفظ می‌شوند. آنها به عنوان مرجع تعیین موقعیت ضروری برای نقشه خوان ها عمل می کنند. بنابراین، این مطالعه از چارچوب تعمیم مبتنی بر دانش پیروی می کند [ ۲۲] و بر تعمیم مناطق مسکونی در پایگاه داده های نقشه برداری از ۱:۱۰۰۰۰ تا ۱:۵۰۰۰۰ با هدف پیشنهاد یک رویکرد ترکیبی برای تعمیم خودکار مناطق مسکونی تأکید دارد. در این مقاله دو عامل اصلی (یعنی چارچوب مبتنی بر دانش و سنجش تشابه) در نظر گرفته شده است. اولی یک چارچوب کاملاً پذیرفته شده است که علمی و معقول بودن آن ثابت شده است [ ۳ ، ۲۳]. این شامل پنج مرحله است: شناسایی ساختار، شناسایی فرآیند، مدل سازی فرآیند، اجرای فرآیند و نمایش. به طور دقیق تر، در این مقاله ابتدا نقشه ها در یک فضای نقشه چند مقیاسی (نقشه های ۱:۱۰،۰۰۰، ۱:۵۰،۰۰۰، ۱:۲۵۰،۰۰۰ و ۱:۱،۰۰۰،۰۰۰) مورد تجزیه و تحلیل قرار می گیرند (مطابق با تشخیص ساختار). ثانیاً، فرآیند تعمیم منطقه مسکونی ۱:۵۰۰۰۰ به دو بخش تقسیم می‌شود: کسب فضای آزاد و تعیین مرز بیرونی منطقه شهری (مطابق با تشخیص فرآیند). ثالثاً، رویکردهایی برای مشخص کردن هر دو بخش تعیین می شود، به عنوان مثال، (۱) روش بوفه برای کسب فضای آزاد (که از این پس به عنوان روش بوفه نامیده می شود) [ ۳۲] و (۲) یک رویکرد ترکیبی ترکیبی از روش Boffet و تجزیه و تحلیل تراکم هسته (KDE) برای مرزهای بیرونی مناطق شهری (مطابق با مدل‌سازی فرآیند). در نهایت، یک روش گام به گام برای داده های اصلی ۱:۱۰۰۰۰ منطقه مسکونی (مطابق با اجرای فرآیند) اعمال می شود. مرحله نمایش مورد بحث قرار نمی گیرد، زیرا نقطه کانونی در این مطالعه نبود.

به طور خاص، در مدل‌سازی فرآیند، شباهت هندسی برای تعیین آستانه KDE معرفی و کمی‌سازی می‌شود. این به این دلیل است که ماهیت تعمیم نقشه نوعی تبدیل شباهت فضایی در فضاهای نقشه چند مقیاسی است [ ۶ ].

بنابراین، رویکرد پیشنهادی دارای دو ویژگی اصلی است: (۱) دانش با تجزیه و تحلیل نقشه و اندازه‌گیری‌های شباهت در فضای نقشه چند مقیاسی به دست می‌آید، که سپس برای خودکارسازی فرآیند تعمیم نقشه استفاده می‌شود. (۲) دو روش موجود برای تحقق بخشیدن به تعمیم منطقه مسکونی ۱:۱۰۰۰۰ تا ۵۰۰۰۰ ترکیب می شوند. در مقایسه با داده‌های مرجع ۱:۵۰۰۰۰، نتایج دقیق‌تر هستند و با آخرین داده‌های ۱:۱۰۰۰۰ مطابقت دارند. لازم به ذکر است که دانش در اینجا به طور خاص به دانش مورد نیاز در یک کار تعمیم نقشه معین اشاره دارد [ ۳۳ ، ۳۴ ].

بقیه مقاله به شرح زیر سازماندهی شده است: بخش ۲ رویکرد ترکیبی را پیشنهاد می کند، شامل مقدمه ای بر داده ها، تجزیه و تحلیل پایگاه های داده برداری چند مقیاسی موجود، روش کسب دانش از مناطق مسکونی چند مقیاسی، تعیین مقادیر آستانه، و محاسبه شباهت هندسی مناطق مسکونی؛ بخش ۳ نتایج تجربی را ارائه و آنها را تجزیه و تحلیل می کند. بخش ۴ آزمایش ها، نتایج و رویکردهای پیشنهادی را بررسی و بحث می کند. بخش ۵ تعدادی نتیجه گیری می کند.

۲٫ روش شناسی

این بخش یک روش ترکیبی برای تعمیم مناطق مسکونی بر روی نقشه‌ها از ۱:۱۰K به ۱:۵۰K پیشنهاد می‌کند، که ترکیبی از یک چارچوب مبتنی بر دانش و اندازه‌گیری‌های شباهت هندسی است. همانطور که قبلا ذکر شد، این رویکرد ترکیبی از دو روش موجود است: روش Boffet و KDE. با این حال، تمرکز اصلی این مقاله چارچوب مبتنی بر دانش است که از طریق تحلیل نقشه و محاسبات شباهت در یک فضای نقشه چند مقیاسی تعیین می‌شود. بنابراین سازماندهی این بخش از چهار مرحله چارچوب دانش بنیان پیروی می کند. با این حال، داده های تجربی قبل از مراحل چارچوب معرفی شدند.

۲٫۱٫ داده های تجربی

داده های تجربی مجموعه داده های برداری فضایی هستند که کل منطقه شهر لانژو، استان گانسو، چین را در چهار مقیاس مختلف پوشش می دهند: ۱:۱۰K. ۱:۵۰ هزار؛ ۱:۲۵۰K; و ۱: ۱M. مجموعه داده های ۱:۱۰K توسط مرکز استانی ژئوماتیک استان گانسو، چین ارائه شده است. ۱: ۵۰ هزار مجموعه داده توسط مرکز ملی ژئوماتیک چین ارائه شده است. و مجموعه داده های ۱:۲۵۰K و ۱:۱M برای دانلود از http://kmap.ckcest.cn رایگان هستند(دسترسی در ۱۰ اکتبر ۲۰۲۱). کیفیت همه مجموعه داده ها به طور کامل بررسی شده و توسط مؤسسات مجاز، به عنوان مثال، ایستگاه های بازرسی کیفیت استانی یا ملی، پذیرفته شده است. بنابراین، مجموعه داده های چهار مقیاس را می توان به عنوان نتایج تعمیم دستی استاندارد برای رویکرد پیشنهادی استفاده کرد و می تواند برای تجزیه و تحلیل و همچنین برای مرجع استفاده شود.

اطلاعات اولیه داده ها در جدول ۱ فهرست شده است.

۲٫۲٫ روش تعمیم مناطق مسکونی از چارچوب دانش محور پیروی می کند

۲٫۲٫۱٫ شناسایی ساختار و شناسایی فرآیند بر اساس تحلیل نقشه

شکل ۱ و شکل ۲ مناطق مسکونی، جاده ها و رودخانه های منطقه را در مقیاس های ۱:۱۰K تا ۱:۱M نشان می دهد.

در مجموعه داده ۱:۱۰K، مناطق مسکونی به عنوان ساختمان نشان داده می شوند ( شکل ۱ a).
در مجموعه داده ۱:۵۰K، مناطق مسکونی با استفاده از گروه‌ها و بلوک‌های ساختمان [ ۹ ] نشان داده می‌شوند ( شکل ۱ ب) در مقیاس ۱:۵۰K، جاده‌ها نشان داده نمی‌شوند، بنابراین مناطق مسکونی را می‌توان به بلوک‌ها تقسیم کرد.
در مجموعه داده ۱:۲۵۰K، مناطق مسکونی کل سکونتگاه های شهری را به تصویر می کشند ( شکل ۲ a).
در مجموعه داده ۱:۱M، فقط شهرهای بزرگ (یعنی مناطق مسکونی) ظاهر می شوند ( شکل ۲ ب).

از شکل ۱ b می توان دید که مناطق مسکونی در نقشه های ۱:۵۰K ترکیبی از گروه های ساختمانی و مناطق شهری یا مناطق ساخته شده هستند [ ۳۵ ، ۳۶ ]. بنابراین، فرآیند تعمیم مناطق مسکونی در نقشه های ۱:۵۰K باید در نظر گرفته شود: (۱) مرزهای مناطق ساخته شده باید شناسایی شوند و (۲) فضای آزاد باید در داخل مرزهای بیرونی به دست آید. دو بخش مورد تجزیه و تحلیل قرار خواهد گرفت و یک استراتژی ساخته خواهد شد. علاوه بر این، دانش نحوه اجرای صحیح استراتژی به دست خواهد آمد.

۲٫۲٫۲٫ مدلسازی فرآیند

۱٫ متد Boffet و KDE:

بوفه و همکاران [ ۳۲ ] یک روش کامل برای شناسایی فضای آزاد پیشنهاد کرد. این عمدتا بر اساس تجزیه و تحلیل بافر ساختمان ها و جاده ها است. ایده اصلی این روش حاکی از آن است که فضاهای آزاد درون مناطق شهری، فضاهایی هستند که توسط ساختمان ها و جاده ها اشغال نشده باشند. درک آن سخت نیست و کاربرد آن آسان است. از طریق آزمایش تجربی، منطقی بودن روش ثابت شد [ ۳۷ ، ۳۸ ]. تنها مشکل فاصله بافر است که بعداً در مورد آن صحبت خواهد شد.

برای تعیین مرزهای بیرونی مناطق شهری، رویکردهای زیادی وجود دارد که می توان از آنها استفاده کرد [ ۳۳ ، ۳۵ ، ۳۹ ، ۴۰ ]. در میان آنها، KDE در تشخیص نقاط داغ شهر عالی است. با این حال، مشابه سایر نقشه‌های نقطه داغ، نتایج KDE با خطوط نشان داده می‌شوند که دو اشکال اصلی دارند: اول، خطوط، نتایج تعمیم ناحیه مسکونی کمتر دقیق‌تری را ارائه می‌دهند. و دوم، شکل صاف خطوط با عادات شناختی که نقشه خوان ها هنگام شناسایی سکونتگاه ها دارند مطابقت ندارد [ ۳۵ ].

از سوی دیگر، آزمایش‌ها مشخص کرده‌اند که روش Boffet به اندازه کافی دقیق است که برای تعمیم منطقه مسکونی ۱:۵۰K مورد استفاده قرار گیرد. زیرا این روشی است که مبتنی بر تجزیه و تحلیل بافر گشادکننده و فرسایشی ساختمان‌ها و جاده‌ها است که با قاعده پراکندگی شهر مطابقت دارد: به طور کلی، گسترش شهری به شکل ساختمان‌سازی و جاده‌سازی با تراکم بالاتر در شهر صورت می‌گیرد. نقاط داغ و تراکم کمتر در نزدیکی حاشیه های شهر. علاوه بر این، خطای مکان برای مناطق مسکونی ۱:۵۰K باید در نقشه ها کوچکتر از ۰٫۱ میلی متر باشد که نشان دهنده ۵ متر روی زمین است (طبق قوانین فنی چین برای بازرسی کیفیت و پذیرش نقشه های توپوگرافی ۱:۵۰K). در روش بوفه، طرح کلی مناطق ساخته شده و فضاهای آزاد توسط بافرهای گشادکننده و فرسایشی برای ساختمان های ۱:۱۰K به دست آمد و خطای مکان آن در نقشه های ۱:۵۰K کوچکتر از ۰٫۱ میلی متر است. این به این دلیل است که داده های ۱:۱۰K دقت مکان بالاتری نسبت به داده های ۱:۵۰K دارند. با این حال، یک مشکل با روش Boffet این است که ساختمان‌ها و جاده‌ها را از طریق بافر، ادغام و سایر اپراتورها با هم جمع می‌کند تا گروه‌های ساختمانی پراکنده را تشکیل دهند، اما کدام گروه‌های ساختمانی در مناطق شهری گنجانده می‌شوند تا مناطق مسکونی ۱:۵۰K را تشکیل دهند؟ کدام گروه های ساختمانی از محدوده شهری حذف و حذف می شوند؟ همانطور که در پاراگراف آخر ذکر شد، KDE می تواند یک مرز ساخت فازی ارائه دهد که به روش Boffet اجازه می دهد تا قضاوت کند. در واقع، مرز شهر ذاتاً یک مرز فازی است که به طور شناختی توسط انسان مشخص می شود. ۱۰K ساختمان و خطای مکان آن در نقشه های ۱:۵۰K کوچکتر از ۰٫۱ میلی متر است. این به این دلیل است که داده های ۱:۱۰K دقت مکان بالاتری نسبت به داده های ۱:۵۰K دارند. با این حال، یک مشکل با روش Boffet این است که ساختمان‌ها و جاده‌ها را از طریق بافر، ادغام و سایر اپراتورها با هم جمع می‌کند تا گروه‌های ساختمانی پراکنده را تشکیل دهند، اما کدام گروه‌های ساختمانی در مناطق شهری گنجانده می‌شوند تا مناطق مسکونی ۱:۵۰K را تشکیل دهند؟ کدام گروه های ساختمانی از محدوده شهری حذف و حذف می شوند؟ همانطور که در پاراگراف آخر ذکر شد، KDE می تواند یک مرز ساخت فازی ارائه دهد که به روش Boffet اجازه می دهد تا قضاوت کند. در واقع، مرز شهر ذاتاً یک مرز فازی است که به طور شناختی توسط انسان مشخص می شود. ۱۰K ساختمان و خطای مکان آن در نقشه های ۱:۵۰K کوچکتر از ۰٫۱ میلی متر است. این به این دلیل است که داده های ۱:۱۰K دقت مکان بالاتری نسبت به داده های ۱:۵۰K دارند. با این حال، یک مشکل با روش Boffet این است که ساختمان‌ها و جاده‌ها را از طریق بافر، ادغام و سایر اپراتورها با هم جمع می‌کند تا گروه‌های ساختمانی پراکنده را تشکیل دهند، اما کدام گروه‌های ساختمانی در مناطق شهری گنجانده می‌شوند تا مناطق مسکونی ۱:۵۰K را تشکیل دهند؟ کدام گروه های ساختمانی از محدوده شهری حذف و حذف می شوند؟ همانطور که در پاراگراف آخر ذکر شد، KDE می تواند یک مرز ساخت فازی ارائه دهد که به روش Boffet اجازه می دهد تا قضاوت کند. در واقع، مرز شهر ذاتاً یک مرز فازی است که به طور شناختی توسط انسان مشخص می شود. داده های ۱۰K دارای دقت مکان بالاتری نسبت به داده های ۱:۵۰K هستند. با این حال، یک مشکل با روش Boffet این است که ساختمان‌ها و جاده‌ها را از طریق بافر، ادغام و سایر اپراتورها با هم جمع می‌کند تا گروه‌های ساختمانی پراکنده را تشکیل دهند، اما کدام گروه‌های ساختمانی در مناطق شهری گنجانده می‌شوند تا مناطق مسکونی ۱:۵۰K را تشکیل دهند؟ کدام گروه های ساختمانی از محدوده شهری حذف و حذف می شوند؟ همانطور که در پاراگراف آخر ذکر شد، KDE می تواند یک مرز ساخت فازی ارائه دهد که به روش Boffet اجازه می دهد تا قضاوت کند. در واقع، مرز شهر ذاتاً یک مرز فازی است که به طور شناختی توسط انسان مشخص می شود. داده های ۱۰K دارای دقت مکان بالاتری نسبت به داده های ۱:۵۰K هستند. با این حال، یک مشکل با روش Boffet این است که ساختمان‌ها و جاده‌ها را از طریق بافر، ادغام و سایر اپراتورها با هم جمع می‌کند تا گروه‌های ساختمانی پراکنده را تشکیل دهند، اما کدام گروه‌های ساختمانی در مناطق شهری گنجانده می‌شوند تا مناطق مسکونی ۱:۵۰K را تشکیل دهند؟ کدام گروه های ساختمانی از محدوده شهری حذف و حذف می شوند؟ همانطور که در پاراگراف آخر ذکر شد، KDE می تواند یک مرز ساخت فازی ارائه دهد که به روش Boffet اجازه می دهد تا قضاوت کند. در واقع، مرز شهر ذاتاً یک مرز فازی است که به طور شناختی توسط انسان مشخص می شود. اما کدام گروه های ساختمانی در مناطق شهری برای تشکیل مناطق مسکونی ۱:۵۰K گنجانده شده اند؟ کدام گروه های ساختمانی از محدوده شهری حذف و حذف می شوند؟ همانطور که در پاراگراف آخر ذکر شد، KDE می تواند یک مرز ساخت فازی ارائه دهد که به روش Boffet اجازه می دهد تا قضاوت کند. در واقع، مرز شهر ذاتاً یک مرز فازی است که به طور شناختی توسط انسان مشخص می شود. اما کدام گروه های ساختمانی در مناطق شهری برای تشکیل مناطق مسکونی ۱:۵۰K گنجانده شده اند؟ کدام گروه های ساختمانی از محدوده شهری حذف و حذف می شوند؟ همانطور که در پاراگراف آخر ذکر شد، KDE می تواند یک مرز ساخت فازی ارائه دهد که به روش Boffet اجازه می دهد تا قضاوت کند. در واقع، مرز شهر ذاتاً یک مرز فازی است که به طور شناختی توسط انسان مشخص می شود.۳۳ ، ۴۱ ]; بنابراین، نتایج KDE با این نوع مرزها مطابقت دارند.

از این رو، یک روش ترکیبی ترکیبی از روش KDE و Boffet در این مطالعه توسعه داده شد. KDE برای تعیین وسعت عمومی مناطق ساخته شده استفاده شد، در حالی که روش Boffet برای جمع کردن ساختمان‌ها و جاده‌ها با هم برای تشکیل یک مرز دقیق، مانند مواردی که در مناطق مسکونی ۱:۵۰K دیده می‌شود، استفاده شد. سپس، این دو نتیجه برای تعیین روابط تعلق بین ساختمان‌ها و مناطق شهری تلاقی می‌کنند. این فرآیند در شکل ۳ مدل سازی شده است . ناحیه داخل خطوط آبی در (b) و (c) نشان دهنده نتایج KDE است. این با تصویری از آستانه دو روش و مراحل تعمیم دقیق دنبال می شود ( بخش ۲٫۲٫۳ ).

۲٫ تعیین آستانه با تجزیه و تحلیل نقشه و اندازه گیری شباهت:

برای توصیف واضح فرآیند تعمیم، برخی از پارامترها باید روشن شوند، به عنوان مثال، فاصله بافر، آستانه انتخاب و آستانه KDE. تجزیه و تحلیل نقشه و اندازه گیری شباهت برای یافتن معقول ترین مقادیر برای این پارامترها استفاده می شود.

فاصله بافر

در روش Boffet فاصله بافر اطراف ساختمان ها ۲۰ متر و فاصله بافر داخلی بلوک ها ۲۰ متر است. این به این دلیل است که ۲۰ متر فاصله استاندارد “مالکیت” است. با این حال، در شهر لانژو، عریض ترین جاده ۵۲ متر است که از طریق اندازه گیری های انجام شده در مجموعه داده جاده ۱:۱۰K به دست می آید. بنابراین، در آزمایش ما، یک بافر ۲۰ متری در اطراف ساختمان ها و یک بافر ۲۶ متری (نیم ۵۲ متر) در اطراف جاده ها برای شناسایی فضای آزاد در شهر لانژو تعیین شد.

آستانه انتخاب

پس از به دست آمدن فضاهای آزاد، باید حذف برای انتخاب آن مناطق بزرگ و آموزنده اعمال شود تا بتوان آنها را در نقشه منطقه مسکونی ۱:۵۰K حفظ کرد. این تصمیم از طریق اندازه گیری نواحی حفره هایی که در نقشه ۱:۵۰K وجود دارند گرفته می شود. آستانه تعیین شده ۵۰۰۰ متر مربع است. بنابراین، فضاهای آزاد کوچکتر از ۵۰۰۰ متر مربع ممکن است حذف شوند.

آستانه KDE

در اینجا، تشخیص نقاط داغ شهر (یعنی KDE) ساختمان‌های ۱:۱۰K بسیار مهم است. این به این دلیل است که نتایج به دست آمده با استفاده از روش Boffet تحت فاصله بافر مشخص بدون تغییر باقی می مانند. برعکس، نتیجه KDE، یعنی نتیجه تشخیص نقطه داغ، با توجه به مقادیر آستانه آن متفاوت است. علاوه بر این، تنها مناطقی که با استفاده از روش Boffet تعیین شده‌اند که با نقاط داغ تلاقی می‌کنند در نتیجه تعمیم طبقه‌بندی می‌شوند. از سوی دیگر، سایرین به عنوان مناطق میدانی طبقه بندی شده و حذف خواهند شد. به عنوان مثال، در شکل ۴ ، که نتیجه ۱ KDE را نشان می دهد، مناطق ساخته شده شامل منطقه A و منطقه B هستند. با این حال، هنگام در نظر گرفتن نتیجه ۲ KDE، مناطق ساخته شده از منطقه A تشکیل شده است، و منطقه B فقط به عنوان نویز دیده می شود و حذف خواهد شد.

بنابراین، ترسیم یک منطقه شهری عینی و علمی برای دستیابی به یک نتیجه تعمیم معقول بسیار مهم است. برای دستیابی به این هدف، KDE و اصول تعیین آستانه آن را می توان با زیر سه مرحله تجزیه و تحلیل کرد:

(۱) KDE برای تشخیص نقاط داغ توزیع ساختمان های ۱:۱۰K استفاده می شود. ابزار تراکم هسته در ArcGIS (V10.2) برای محاسبه چگالی ویژگی در همسایگی اطراف آن ویژگی ها استفاده می شود. فرمول محاسبه چگالی هسته [ ۴۲ ] است:

D e n s i t y (x, y) = 1 ( r a d i u s ) 2 \sum i = 1 n ⎡⎣ ۳ π \cdot p o p i (1 - (d i s t i r a d i u s) 2) 2 ⎤⎦ For d i s t i < r a d i u s

(۱)

جایی که $D e n s i t y (x, y)$ چگالی پیش بینی شده در یک مکان جدید است $(x, y)$ ; $r a d i u s$ شعاع جستجو از نقطه است $(x, y)$ ; $i = 1, \dots, n$ نقاط داخل هستند $(x, y)$ فاصله شعاع؛ و $p o p_{i}$ مقدار فیلد جمعیت است. و $d i s t_{i}$ نشان دهنده فاصله بین سلول و $i^{t h}$ نقطه ای در محله دایره ای شکل

شعاع جستجو و اندازه سلول خروجی دو پارامتری هستند که بر نتایج تجزیه و تحلیل تأثیر می‌گذارند و مطالعات قبلی آستانه‌های متفاوتی را برای این دو پارامتر پیشنهاد کرده‌اند که هر دو به نتایج متفاوتی دست یافته‌اند. از طریق آزمایش تجربی، مشخص شد که شعاع جستجو تأثیر بیشتری نسبت به اندازه سلول دارد، زیرا اندازه سلول تنها سطح جزئیات را در شبکه خروجی تعیین می‌کند. برای تعیین شعاع جستجو، تحقیقات قبلی از مقادیر متفاوتی از ۱۲۵ متر تا ۵۰۰ متر استفاده کردند [ ۴۳ ، ۴۴ ، ۴۵ ، ۴۶ ]. برای خودکارسازی کامل فرآیند، این مطالعه از مدل نسبت تشابه Tversky برای تعیین آستانه بهینه استفاده می کند [ ۴۷ ].

(۲) چرا مدل سازی شباهت ضروری است؟ دلیل آن این است که هدف تعمیم ساختمان های ۱:۱۰K برای دستیابی به مناطق مسکونی ۱:۵۰K است. بنابراین، مجموعه داده منطقه مسکونی ۱:۵۰K موجود می تواند به عنوان مرجع برای KDE عمل کند تا مقایسه ای انجام دهد تا مشابه ترین نتایج را به دست آورد. دانش ضمنی را می توان از طریق این فرآیند به دست آورد. شباهت وابسته به زمینه است [ ۴۸ ]، به عنوان مثال، شباهت بین دو چیز همیشه نسبت به زمینه خاصی است که در آن مقایسه می شوند، مانند از یک منظر خاص یا بر اساس یک علاقه خاص [ ۴۸ ، ۴۹ ]]. این در مورد شباهت فضایی نیز صادق است. در این تحقیق رابطه تشابه هندسی در نظر گرفته شده است. به طور خاص، شباهت های تعیین شده بر اساس نتایج KDE و مناطق مسکونی ۱:۵۰K با هم تداخل دارند. این شباهت‌های ناحیه به دو دلیل مقایسه می‌شوند: اول، شباهت شکل با روش Boffet کنترل می‌شود، که برای نتیجه ۱:۵۰K به اندازه کافی دقیق است. و ثانیاً، برای ویژگی های چند ضلعی، نگهداری ناحیه یکی دیگر از جنبه های مهم در تعمیم است [ ۵۰ ]. بنابراین مساحت اصلی ترین عاملی است که برای اندازه گیری تشابه هندسی در این تحقیق مد نظر است. عملکرد آن خودکار کردن تعیین آستانه KDE است. برای تعیین کمیت و بیان رسمی آن، از مدل نسبت Tversky استفاده شده است و توضیح مفصل در زیر ارائه شده است.

اولاً، یک معیار شباهت خوب باید با شهود مطابقت داشته باشد [ ۵۱ ، ۵۲ ]. با این حال، برای مناطق مسکونی در فضاهای نقشه چند مقیاسی، تجمیع یک عملگر تعمیم رایج است که باعث می شود روابط مطابقت بین مناطق مسکونی در مقیاس های مختلف پیچیده شود. شکل ۵بخشی از داده های مثال را نشان می دهد. در مجموعه داده ۱:۱۰K، ۱۸ ساختمان نشان دهنده اشیاء میدانی هستند. در حالی که در مجموعه داده ۱:۵۰K، دو چند ضلعی پس از اعمال عملگرهای تجمع و تقسیم بر اساس این ۱۸ ساختمان به دست می‌آیند. علاوه بر این، در مجموعه داده ۱:۲۵۰K، تمام ساختمان ها تنها با یک چند ضلعی نشان داده می شوند. در نتیجه، اندازه گیری های رایج برای شباهت هندسی، به عنوان مثال، تابع چرخش برای ویژگی ها در فضاهای نقشه چند مقیاسی مناسب نیست [ ۵۳ ]. در عوض، استفاده از مدل نسبت Tversky برای اندازه گیری شباهت یک فرض درست است زیرا تمام نقشه های مورد استفاده در مطالعه از نظر جغرافیایی اصلاح شده اند [ ۵۴ ]]، بنابراین همپوشانی مناطق بین مناطق مسکونی در مقیاس های مختلف می تواند تا حدی منعکس کننده اشتراک آنها باشد. علاوه بر این، به جزئیات شکل خیلی حساس نیست و به اندازه کافی برای اندازه گیری شباهت هندسی قوی است. این فرض با آزمایشات در بخش ۳٫۱٫۱ آزمایش شده است.

ثانیاً، نقشه‌برداری و علم اطلاعات جغرافیایی رشته‌ای است که ارتباط نزدیکی با علم شناخت دارد، و دهه‌ها پژوهش رفتار انسانی نشان داده‌اند که شباهت روان‌شناختی آن‌طور که معمولاً تعریف می‌شود، معادل شباهت ریاضی نیست [ ۴۷ ، ۵۵ ]. مدل نسبت تورسکی یک مدل شباهت روانشناختی است که می تواند در تعمیم نقشه استفاده شود. با این حال، قبل از اعمال آن در KDE باید اعتبارسنجی شود. بنابراین، یک آزمایش در زیر طراحی شده است.

تابع تطبیق مدل نسبت Tversky به صورت زیر است:

G e o S i m (O b j D, R e f D) = f ( O b j D \cap R e f D ) f ( O b j D \cap R e f D ) + α f ( O b j D - R e f D ) + β f ( R e f D - O b j D ), α, β \geq ۰

(۲)

جایی که $G e o Sim (O b j D, RefD)$ درجه تشابه بین داده های شی و داده های مرجع است. کارکرد $f$ مساحت مناطق خاص را اندازه گیری می کند. $O b j D \cap R e f D$ مناطق مشترک متعلق به داده های شی و داده های مرجع را نشان می دهد. $O b j D - R e f D$ مناطقی را نشان می دهد که به داده های شی تعلق دارند اما نه به داده های مرجع. و R $e f D - O b j D$ مناطقی هستند که به داده های مرجع تعلق دارند اما به داده های شی تعلق ندارند.

اینجا،

α = β = \frac{1}{2}

زیرا در حال حاضر داده ها در مقیاس های مختلف جداگانه نگهداری و به روز می شوند و زمان به روز رسانی آنها مستقل از یکدیگر است ( جدول ۱ ).

O b j D - R e f D

R e f D - O b j D

به همان اندازه مهم هستند، و در نتیجه، وزن ها برابر هستند، به عنوان مثال،

α

برابر است

β

G e o Sim (O b j D, RefD)

بین دو منطقه مسکونی آزمایشی در مقیاس متفاوت محاسبه می شود، از جمله

G e o Sim (50 K, 10 K)

,…,

G e o Sim (1 M, 250 K)

و غیره شش عدد هستند

G e o Sim

ارزش های. سپس مقادیر مورد تجزیه و تحلیل قرار می گیرند. اگر مدل نسبت Tversky ثابت شود که موثر است، یعنی نتایج آن با شهود انسان مطابقت داشته باشد، می توان از آن برای تعیین آستانه KDE استفاده کرد. از نظر تئوری، داده‌های مرجع باید همیشه داده‌های مقیاس بزرگ باشند و داده‌های شی باید داده‌هایی در مقیاس کوچک باشند، زیرا داده‌های مقیاس کوچک باید از طریق تعمیم داده‌های مقیاس بزرگ به دست آیند و داده‌های مقیاس بزرگ باید به عنوان مرجع استفاده شوند. . با این حال، در عمل، داده های مختلف به طور جداگانه نگهداری و به روز می شوند. بنابراین، در این مطالعه، برای سهولت ارائه، در

G e o Sim (S_{i}, S_{j})

S_{i}

می تواند بزرگتر از

S_{j}

. اینجا،

S_{i}

S_{j}

مقیاس های داده ای هستند. با این حال، در بیشتر موارد،

S_{j}

مقیاس بزرگتر است و

S_{i}

مقیاس کوچکتر است.

(۳) آستانه KDE از طریق مراحل زیر تعیین می شود: اولا،

G e o Sim ({KDE}_{d i f f e r e n t t h r e s h o l d}, 50 K)

محاسبه می شود و شعاع جستجویی که Geo را به حداکثر می رساند

Sim (K D E, 50 K)

به عنوان مناسب‌ترین آستانه انتخاب می‌شود، یعنی شبیه‌ترین نتیجه KDE به مناطق مسکونی موجود ۱:۵۰K با شعاع جستجوی تعیین‌شده به‌دست می‌آید.

شطرنجی به‌دست‌آمده مجدداً طبقه‌بندی می‌شود و به داده‌های برداری تبدیل می‌شود که با KDEPolygons نشان داده می‌شوند . چند ضلعی های این مجموعه داده به عنوان یک “کانتینر” برای شهر لانژو عمل می کنند. “کانتینر” با توجه به مقادیر مختلف چگالی تغییر می کند ( شکل ۶ ). مناطق با مقادیر تراکم کمتر می توانند برای استخراج گستره پراکندگی کلی شهر مورد استفاده قرار گیرند، و مناطق با مقادیر تراکم بالاتر، مناطق مرکزی شهری با غلظت بالاتر را نشان می دهند. به عنوان مثال، در شکل ۶ ، نواحی با مقادیر تراکم ۱ یا بیشتر شامل کل منطقه می شود ( شکل ۶ ب)، در حالی که مناطق با مقدار چگالی ۲ یا بیشتر شامل دو منطقه جداگانه کوچکتر است ( شکل ۶).ج). از طریق آزمایش‌ها، این مطالعه از روش طبقه‌بندی «فاصله برابر» (۹ کلاس) در ArcGIS استفاده کرد و مناطقی با مقادیر تراکم بزرگ‌تر یا مساوی با کلاس‌های ۲-۹ به عنوان مناطق شهری شهری انتخاب کرد زیرا نتیجه KDE تحت این روش طبقه‌بندی بیشترین مقدار را داشت. مشابه مناطق مسکونی مرجع ۱:۵۰K.

۲٫۲٫۳٫ فرآیند تعمیم تفصیلی

شکل ۷ رویه های روش پیشنهادی را نشان می دهد. نتایج به‌دست‌آمده از تشخیص نقاط داغ شهر به‌عنوان KDEPolygons نشان داده می‌شوند و در بخش ۲٫۲٫۲ به تفصیل توضیح داده شده‌اند ، جایی که آستانه برای تشخیص نقطه داغ شهر ارتباط نزدیکی با اندازه‌گیری‌های شباهت هندسی دارد. روند تعمیم دقیق به شرح زیر است:

مرحله ۱: ساختمان های ۱:۱۰K توسط چند ضلعی ناحیه اداری بریده می شوند تا منطقه مورد مطالعه به حداقل برسد.

مرحله ۲: با توجه به دانش به دست آمده در بخش ۲٫۲٫۲ ، یک بافر ۲۰ متری در اطراف ساختمان ها برای جمع کردن ساختمان های همسایه محاسبه می شود و نتیجه با BuiBufPolygons نشان داده می شود.

مرحله ۳: چند ضلعی های BuiBuf که با چند ضلعی های KDE تلاقی می کنند، انتخاب می شوند، همانطور که با UrbanAreasInitial نشان داده شده است ، که نشان دهنده مناطق ساخته شده اولیه است. به دلیل عریض بودن خیابان ها و فضاهای آزاد در شهرها، حفره های کوچک یا شکاف های باریک زیادی وجود دارد. شکاف های باریک در مرحله بعدی پر می شوند، در حالی که فضاهای خالی به عنوان داده های ورودی در مرحله ۵ استخراج می شوند.

مرحله ۴: با توجه به دانش به دست آمده در بخش ۲٫۲٫۲ ، یک بافر ۲۶ متری در حدود ۱:۱۰K خطوط جاده ایجاد می شود، و نتیجه با KDEPolygons بریده می شود، همانطور که با StrBufPolygons نشان داده شده است. UrbanAreasInitial توسط StrBufPolygons به هم چسبانده می شوند تا یک ناحیه ساخته شده کامل تر را تشکیل دهند، همانطور که با UrbanAreasInitial2 نشان داده شده است.

مرحله ۵ و مرحله ۶ فرآیندهایی برای به دست آوردن فضاهای آزاد هستند.

مرحله ۵: تمام حفره های UrbanAreasInitial2 را که با FreeAreaPolygons نشان داده شده اند، استخراج کنید. با توجه به دانش به دست آمده در بخش ۲٫۲٫۲ ، چند ضلعی در FreeAreaPolygons که مساحت میدان آنها کوچکتر از ۵۰۰۰ متر مربع است حذف می شوند.

مرحله ۶: چند ضلعی های FreeArea را با استفاده از الگوریتم Bend Simplify [ ۵۶ ] برای به دست آوردن چند ضلعی های ساده تر که فضاهای باز را در UrbanAreasInitial2 نشان می دهند، ساده کنید.

بر اساس UrbanAreasInitial2 و فضاهای آزاد داخلی، مرحله ۷ و گام ۸ برای به دست آوردن مناطق مسکونی ۱:۵۰K اعمال می شود.

مرحله ۷: تمام حفره های داخل مرزهای بیرونی UrbanAreasInitial2 o را پر کنید و سپس UrbanAreasInitial2 را با استفاده از FreeAreaPolygons پاک کنید تا به نتیجه نهایی برسید که با UrbanAreasFinal نشان داده شده است.

مرحله ۸: یک بافر داخلی ۲۰ متری برای انقباض مرزهای گشاد شده برای به دست آوردن دقت موقعیت بالاتر استفاده می شود.

توجه داشته باشید که در KDE، ساختمان‌های ۱:۱۰K باید به نقطه تبدیل شوند زیرا ابزار KDE در ArcGIS فقط می‌تواند از نقاط ساختمان به عنوان ویژگی‌های ورودی استفاده کند.

۳٫ آزمایش ها و نتایج

۳٫۱٫ نتایج و تجزیه و تحلیل

۳٫۱٫۱٫ نتایج و تجزیه و تحلیل تشابه هندسی

جدول ۲ مقادیر شباهت بین مناطق مسکونی را در چهار مقیاس نشان می دهد. آنها همچنین می توانند به عنوان یک ماتریس (۱) بیان شوند. شکل ۸ نتایج و اثربخشی معیارهای تشابه هندسی را ارزیابی می کند. با در نظر گرفتن سه شکل بازنمایی شباهت، می توان بینش های زیادی به دست آورد.

اولاً، در ماتریس (۱)، جایی که شماره ردیف برابر با شماره ستون است، همه مقادیر شباهت برابر با ۱ هستند، که نشان می دهد همان مجموعه داده بیشترین مقدار شباهت را با خودش دارد. این نتیجه را می توان از شکل ۸ نیز گرفت. به عنوان مثال، خط نارنجی شباهت بین مناطق مسکونی در هر چهار مقیاس و مناطق مسکونی در ۱:۱۰K را نشان می دهد و زمانی که آبسیسا ۱:۱۰K باشد به اوج خود می رسد. علاوه بر این، به طور یکنواخت از آبسیسا ۱:۱۰K در هر دو طرف کاهش می یابد (۱:۱۰K کمترین مقدار آبسیسا را دارد؛ بنابراین فقط یک طرف دارد).

ثانیاً، ماتریس (۱) یک ماتریس مثلثی بالایی است زیرا در فضای نقشه چند مقیاسی، شباهت های بین مقیاس های مختلف نامتقارن است. به عنوان مثال، مردم معمولا می گویند “داده های ۱:۵۰K 53 درصد شبیه به داده های ۱:۱۰K هستند” اما به ندرت می گویند “داده های ۱:۱۰K 53 درصد شبیه به داده های ۱:۵۰K هستند” زیرا داده های مقیاس کوچکتر انتزاعی هستند. داده‌های مقیاس بزرگ‌تر، و استعاره‌ای که قادر است دو مفهوم را با یک “رابطه مشابه” به هم مرتبط کند، شامل یک فرآیند مقایسه انتخابی به جای نامحدود است [ ۵۷ ]. همین قانون در مورد شکل ۸ نیز صدق می کند .

برای هر ردیف از ماتریس (۱)، مقادیر شباهت با کاهش مقیاس نقشه کاهش می یابد. در کل، مقادیر شباهت بین هر مقیاس دیگر و داده های ۱۰K کوچکترین هستند (به جز داده های ۱۰K که ۱۰۰٪ شبیه به خودشان هستند). این باید به راحتی قابل تفسیر باشد، زیرا داده‌های ۱:۱۰K توصیف دقیقی از ساختمان‌های جداگانه ارائه می‌دهند، اما مقیاس ۱:۵۰K نقطه عطفی است که داده‌ها نمای بلوکی را تشکیل می‌دهند. با این حال، در داده های ۱:۵۰K تا ۱:۱M، مقدار شباهت با سرعت نسبتاً آهسته کاهش می یابد، اما روند کلی بدون تغییر باقی می ماند. یک مثال از این می تواند c23 = 0.86 > c24 = 0.78 باشد، به این معنی که داده های ۱:۲۵۰K بیشتر شبیه داده های ۱:۵۰K هستند تا داده های ۱:۱M.

زمان حقیقت زمینی توصیف شده توسط داده ها نیز نقش مهمی در اندازه گیری شباهت ایفا می کند که به آن “شباهت زمانی” می گویند. نتایج همچنین نشان می دهد که ۱:۵۰K یک مقیاس نقطه عطف برای تعمیم نقشه است که از آن وظیفه اصلی برای نقشه برداری مناطق مسکونی به یک “نمای بلوک” تعمیم یافته تر تبدیل می شود (در مقایسه با ساختمان های فردی ۱:۱۰K). برای تعمیم ساختمان از ۱:۱۰K به ۱:۵۰K، متداول ترین الگوریتم مورد استفاده تجمیع است. در حالی که برای تعمیم ۱:۵۰K تا ۱:۲۵۰K و حتی به ۱:۱M، حذف و ساده سازی بیشتر برای حذف مناطق کوچکتر و جزئیات بیشتر استفاده می شود [ ۱۷ ].

از تحلیل فوق می توان دریافت که روش مورد استفاده برای اندازه گیری تشابه هندسی موثر است. بنابراین، می توان از آن برای خودکارسازی کامل KDE و تعیین مقادیر آستانه آن استفاده کرد.

۳٫۱٫۲٫ نتایج KDE با مقادیر آستانه متفاوت و بازرسی دستی

شکل ۹ نقاط داغ شهری را نشان می دهد که توسط تجزیه و تحلیل تراکم هسته با مقادیر آستانه متفاوت مشخص شده اند.

از شکل ۹ ، می توان دید که نقاط داغ شهری شناسایی شده با افزایش شعاع جستجو پراکنده می شوند. مقایسه دستی بین شکل ۹ با شکل ۱ ب (داده های منطقه مسکونی ۱:۵۰K) نشان می دهد که:

(۱) نقاط داغ شناسایی شده عمدتاً خطوط جدا شده هستند زمانی که شعاع جستجو کوچک است، به عنوان مثال، ۱۵۰ متر ( شکل ۹ a). روابط توپولوژیکی خطوط از هم گسیخته است، که آنها را به عنوان ظروف برای ساختمان های تجمعی مناسب نمی کند.

(۲) نقاط داغ شناسایی شده تقریباً زمانی به هم متصل می شوند که شعاع جستجو بزرگ است، به عنوان مثال، ۵۰۰ متر ( شکل ۹ e). روابط توپولوژیکی خطوط شامل، و در نتیجه یک منطقه شهری است که بزرگتر از آن در واقع است.

(۳) مستطیل های سفید در شکل ۹ بزرگ شدن جزئی نتایج KDE را نشان می دهند. در مقایسه با همان منطقه در داده های ۱: ۵۰K (مستطیل سبز در شکل ۱ ب)، منطقه مسکونی توسط رودخانه زرد به دو قسمت تقسیم شده است. به طور شهودی، از منظر رابطه توپولوژیکی، بهترین نتیجه KDE نقاط داغ شهری است که با شعاع جستجوی ۳۰۰ متر شناسایی شدند.

۳٫۱٫۳٫ اندازه گیری تشابه و تعیین آستانه

جدول ۳ نتایج شباهت کمی را که با استفاده از معادله (۲) محاسبه شده اند ( بخش ۲٫۲٫۲ ) فهرست می کند. مشاهده می شود که وقتی شعاع جستجو ۳۰۰ متر است، حداکثر شباهت به دست آمده است (۰٫۷۷). این نتیجه با شروع انسان نیز مطابقت دارد. در نتیجه، نقاط داغ در شکل ۹ c به عنوان ظرف تجمع ساختمان ( KDEPolygons ) استفاده می شود.

۳٫۱٫۴٫ نتایج تعمیم

(۱) شکل ۱۰ نتایج بافر ۲۰ متری ساختمان های ۱:۱۰K را نشان می دهد. دو لایه، مناطق خاکستری ( BuiBufPolygons ) و مناطق رنگی ( UrbanAreasInitial )، نشان داده شده است. BuiBufPolygons نتیجه بافر اصلی است، در حالی که UrbanAreasInitial زیرمجموعه ای از BuiBufPolygons است که با KDEPolygon ها قطع می شود. چند ضلعی های BuiBuf که توسط UrbanAreasInitial پوشانده شده اند با UrbanAreasInitial در بالا یکسان هستند و BuiBufPolygon هایی که توسط UrbanAreasInitial پوشانده نشده اند از مناطق شهری مستثنی هستند (به عنوان مثال، دایره های قرمز رنگ در شکل ۱۰).).

مشاهده می‌شود که نتایج، بخش‌های مجزا هستند، همچنین داخل هر قسمت از Urban AreasInitial دارای نواحی باریک و حفره‌های زیادی است.

(۲) شکل ۱۱ چند ضلعی های ادغام شده توسط UrbanAreasInitial و StrBufPolygons (a) را نشان می دهد، آنها برای به دست آوردن (b) حل شده اند. شکل ۱۱ c UrbanAreasInitial2 را نشان می دهد .

(۳) شکل ۱۲ FreeAreaPolygons را نشان می دهد که نشان دهنده فضاهای آزاد در مناطق شهری بزرگتر از ۵۰۰۰ متر مربع است.

(۴) پس از مرحله ۷ و مرحله ۸، UrbanAreasFinal را می توان به دست آورد، همانطور که در شکل ۱۳ نشان داده شده است.

۳٫۲٫ ارزیابی

۳٫۲٫۱٫ مقایسه بصری با داده های مرجع ۱:۵۰K

از طریق مقایسه دستی نتایج تعمیم ( شکل ۱۳ ) و داده های استاندارد ( شکل ۱ ب)، تفاوت بین دو مجموعه داده را می توان به دو نوع طبقه بندی کرد: فضاهای آزاد جدید در مناطق شهری و مناطق گسترش در لبه های شهرها. یا شهرها نتایج نشان می دهد فضاهای آزاد و مناطق گسترش بیشتری نسبت به داده های استاندارد نشان می دهد. این نشان می‌دهد که از سال ۲۰۱۲ تا ۲۰۱۹ ( جدول ۱ )، مکان‌های تفریحی و سرگرمی و پارک‌های زمین سبز بسیاری در شهر ساخته شده‌اند که به شهر امکان توسعه بیشتر و افزایش قابلیت زندگی را می‌دهد. علاوه بر این، مساحت کلی زمین افزایش یافته است که بیشتر آنها جوامع مسکونی جدید هستند.

شکل ۱۴ نمونه هایی از فضای آزاد را از شکل ۱۲ نشان می دهد . آنها با آخرین نقشه ماهواره ای وب https://map.qq.com/ (دسترسی در ۱۰ اکتبر ۲۰۲۱) مقایسه شده اند. مشاهده می شود که فضاهای آزاد درون مناطق شهری به طور کلی در دسته های زیر قرار می گیرند: (الف) زمینه ها. ب) زمین های بازی در فضای باز؛ ج) ایستگاه های راه آهن؛ (د) مربع؛ (ه) پارک ها؛ و (و) فضایی که هنوز روی آن ساخته نشده است. بنابراین، در مقایسه با مناطق مسکونی مرجع ۱:۵۰، فضاهای آزاد به دست آمده دقیق و مطابق با شرایط زمین است.

۳٫۲٫۲٫ ارزیابی کمی

از رابطه (۲) برای محاسبه شباهت بین نتیجه و داده های استاندارد استفاده می شود. علاوه بر این، شباهت بین نتایج و مناطق مسکونی ۱:۲۵۰K و نتایج و داده های ۱:۱M اندازه گیری شده است ( جدول ۴ ).

جدول ۴ نشان می دهد که شباهت با داده های مرجع متفاوت است. یک روند کلی این است که شباهت بین داده‌های به‌دست‌آمده (معادل ۱:۵۰K داده) و داده‌های مرجع با افزایش اختلاف مقیاس بین داده‌های مرجع و نتیجه کاهش می‌یابد، اما سرعت کاهش نسبتاً آهسته است، به ویژه برای داده‌های ۱:۲۵۰K، که مقدار شباهت آن (۰٫۷۹) تقریباً مشابه داده‌های UrbanAreasFinal و داده‌های ۱:۵۰K است. این به این دلیل است که واقعیت (یعنی زمان به روز رسانی داده ها) داده های ۱:۵۰K و ۱:۲۵۰K نسبتاً سازگار است ( جدول ۱). علاوه بر این، مقدار شباهت بین داده‌های به‌دست‌آمده و داده‌های ۱:۱M به ۰٫۷۵ می‌رسد که این نیز کم نیست، زیرا واقعی بودن داده‌های ۱:۱M به داده‌های اصلی ۱:۱۰K نزدیک است. هر دوی آنها در میان چهار مقیاس نسبتاً جدید هستند.

۳٫۲٫۳٫ ارضای نیازها در عمل

جدول ۵مقایسه کیفی رویکردهای سنتی با روش پیشنهادی بر اساس شش معیار ارائه می‌کند. این شش معیار معمولاً استانداردهایی هستند که در عمل مورد استفاده قرار می‌گیرند و شامل صحت موقعیت، چرخه به‌روزرسانی، سازگاری داده‌ها و غیره می‌شوند. مشاهده می‌شود که روش سنتی به دلیل حالت تکراری به‌روزرسانی دستی، چرخه به‌روزرسانی طولانی دارد. در نتیجه، قبل از به‌روزرسانی داده‌های مقیاس کوچک، سازگاری داده‌ها بین ساختمان‌های مقیاس بزرگ (۱:۱۰K)، جاده‌ها و مناطق مسکونی در مقیاس کوچک (۱:۵۰K) خوب نیست. علاوه بر این، صحت روش پیشنهادی توسط روش Boffet و همچنین توسط KDE تضمین می شود. می تواند مناطق شهری را به طور عینی و خودکار ترسیم کند، در حالی که کیفیت داده های روش سنتی عمدتاً به تجربه و مهارت نقشه کش بستگی دارد و ذهنی است.

۴٫ بحث

این مطالعه نمونه ای از تعمیم مناطق مسکونی با استفاده از یک چارچوب دانش محور با کاهش مقیاس پنج برابر ارائه می دهد. در فرآیند تعمیم نقشه، از معیارهای تشابه هندسی برای تعیین آستانه KDE استفاده می شود. تعدادی از بینش ها را می توان از این مطالعه به دست آورد.

(۱) در عمل، ترسیم مناطق شهری عمدتاً به صورت دستی توسط نقشه‌نگاران با استفاده از داده‌های مقیاس بزرگ، به عنوان مثال، ساختمان‌های ۱:۱۰K به پایان می‌رسد. تعیین مصنوعی مرزهای شهری ناگزیر ذهنی است. علاوه بر این، بزرگترین اشکال روش دستی این است که پایگاه های داده چند مقیاسی به طور جداگانه نگهداری و به روز می شوند، که نه تنها منجر به تکرار کار می شود، بلکه حفظ سازگاری بین مجموعه داده های چند مقیاسی را نیز دشوار می کند. نتیجه این مطالعه یک مجموعه داده منطقه مسکونی ۱:۵۰K در پایگاه‌های اطلاعاتی چندگانه است. روش پیشنهادی می تواند مناطق شهری را به طور عینی ترسیم کند، که مطابق با “شهر طبیعی” پیشنهاد شده توسط جیانگ [ ۴۰ ] است.

(۲) از طریق محاسبات شباهت هندسی مناطق مسکونی از ۱:۱۰K تا ۱:۱M، مشخص شد که مقادیر شباهت با کاهش مقیاس نقشه کاهش می‌یابد. علاوه بر این، ۱:۵۰K یک مقیاس ضروری است که از آن مناطق مسکونی از ساختمان‌های منفرد تا بلوک‌های شهر نشان داده می‌شوند. از این بینش، می توان استنباط کرد که نقشه های مقیاس مختلف باید بر روی وظایف مختلف تمرکز کنند: یک نقشه ۱:۱۰K عمدتا برای مشاهده و اندازه گیری دقیق است، در حالی که یک نقشه ۱:۵۰K عمدتا باید برای بیان قانون کلی یک نقشه برداری کامل استفاده شود. حوزه. این به این دلیل است که با شهود انسان سازگار است، که همچنین معیار مهمی برای سنجش تشابه است.

(۳) جدول ۴ و شکل ۸ نشان می دهد که مقادیر شباهت بین داده های نتیجه و داده های مرجع از ۱:۱۰K تا ۱:۱M زمانی که مقیاس ۱:۵۰K باشد به اوج خود (۰٫۸۰) می رسد. این نتیجه نشان می‌دهد که در مقایسه با سایر داده‌ها، نتیجه شبیه‌ترین نتیجه به داده‌های مرجع ۱:۵۰K است. علاوه بر این، تفاوت بین دو خط نشان دهنده تفاوت در شرایط میدان است. این به این دلیل است که نتیجه از جدیدترین داده‌های ۱:۱۰K (2017-2019) انتزاع شده است، اما واقعیت داده‌های ۱:۵۰K موجود در سال‌های ۲۰۱۲-۲۰۱۴ است و در این مدت، وضعیت میدانی به شدت تغییر کرده است.

(۴) می توان از (۳) استنباط کرد که برای شهری که به مرحله نسبتاً بالغ توسعه یافته است یا برای شهری که گستردگی آن توسط عوامل خاصی محدود شده است، مانند لانژو، هر روز کمتر زمینی برای گسترش آن وجود دارد. به دلیل اینکه زمین آن در محدوده شیب زمین مناسبی که افراد می توانند در آن زندگی کنند روز به روز کمتر می شود و این روش را قابل اجرا می کند. زیرا تغییراتی که بین سال های ۲۰۱۲ تا ۲۰۱۹ رخ داده در محدوده قابل قبولی بوده است. برعکس، برای شهری که به سرعت پراکنده می شود، به عنوان مثال، یک شهر تازه ساخته، شباهت هندسی را نمی توان با روش پیشنهادی اندازه گیری کرد.

(۵) تجزیه و تحلیل فرآیند آزمایش و نتایج نشان می دهد که: دانش نقش اساسی در تعمیم هوشمند دارد. برخی از دانش ها را می توان رسمی کرد. با این حال، به دست آوردن و ثبت انواع دیگر دانش به اندازه کافی آسان نیست. بیشتر دانش در این آزمایش با تحلیل نقشه و استدلال فضایی به دست آمد. علاوه بر این، از منظری دیگر، کمی سازی تشابه نوعی دانش است که در ذهن نقشه نگاران پنهان است.

۵٫ نتیجه گیری و کار آینده

این مقاله یک روش ترکیبی را ارائه می‌کند که از یک چارچوب مبتنی بر دانش و اندازه‌گیری‌های شباهت برای تعمیم نقشه‌های مناطق مسکونی در مقیاسی از ۱:۱۰K تا ۱:۵۰K استفاده می‌کند. فرآیند تعمیم به دو بخش تقسیم می شود: (۱) شناسایی مرزهای مناطق ساخته شده. و (۲) به دست آوردن فضای آزاد در آن مرزها. برای دومی، از روش بوفه استفاده شد. برای اولی، یک روش ترکیبی با استفاده از روش Boffet و تجزیه و تحلیل چگالی هسته استفاده شد. تجزیه و تحلیل نقشه و اندازه گیری شباهت برای کسب دانش در مورد پارامترها در دو روش استفاده شد. مراحل تعمیم بر اساس دانش به دست آمده ایجاد شد.

رویکرد پیشنهادی با استفاده از مجموعه داده‌های چند مقیاسی شهر لانژو آزمایش شد. مقایسه دستی بین نتایج و مناطق مسکونی موجود ۱:۵۰K نشان می دهد که نتایج معقول و مطابق با وضعیت واقعی میدانی است. علاوه بر این، مقادیر شباهت بین نتایج و داده های مرجع ۱:۵۰K بزرگترین در بین مقادیر شباهت محاسبه شده است. با این حال، چندین محدودیت وجود دارد که باید در هنگام استفاده از این مدل در نظر گرفته شود. محاسبه شباهت بر اساس همپوشانی نقشه های چند مقیاسی است. نتیجه آن به سازگاری مختصات و فاصله زمانی بین منابع داده بستگی دارد. به عنوان مثال، همانطور که در بحث (۴) توضیح داده شد، اگر داده های ۱:۵۰K بسیار قدیمی باشند و داده های ۱:۱۰K در یک چرخه کوتاه به روز شوند، ۱: داده های ۵۰K را نمی توان به عنوان مرجعی که تجزیه و تحلیل چگالی هسته را می توان با آن مقایسه کرد، به کار گرفت. علاوه بر این، نتیجه به‌دست‌آمده همچنان می‌تواند با استفاده از یک الگوریتم خاص برای جلوگیری از منحنی‌های ناخوشایند ناشی از عملکرد بافر داخلی بهبود یابد.

به طور کلی، این رویکرد قوی، نسبتاً غیر حساس به سر و صدای ساختمان‌های کوچک فراتر از مناطق شهری است و به راحتی در نرم‌افزار GIS پیاده‌سازی می‌شود. لازم به ذکر است که هماهنگ سازی مدل داده ها و صحت رابطه توپولوژیکی پس از تعمیم در نظر گرفته نشده است که برای دستیابی به تعمیم خودکار علمی بسیار مهم است. کار آینده ما بر دو جنبه متمرکز خواهد بود، از جمله تعمیم مناطق مسکونی با در نظر گرفتن نحوه حفظ روابط توپولوژیکی آنها با جاده های شهری.

منابع

رواس، الف. خودکارسازی تعمیم داده های جغرافیایی: سن بلوغ؟ در مجموعه مقالات بیستمین کنفرانس بین المللی کارتوگرافی، پکن، چین، ۶ اوت ۲۰۰۱٫ [ Google Scholar ]
لی، دی. هاردی، پی. تعمیم خودکار – ابزارها و مدل ها. در مجموعه مقالات بیست و دوم کنفرانس بین المللی کارتوگرافی، لاکرونیا، اسپانیا، ۱۱ تا ۱۶ ژوئیه ۲۰۰۵٫ [ Google Scholar ]
دوچن، سی. رواس، ع. Cambier, C. مدل CartACom: تبدیل ویژگی های نقشه برداری به عوامل ارتباطی برای تعمیم نقشه برداری. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۲ ، ۲۶ ، ۱۵۳۳-۱۵۶۲٫ [ Google Scholar ] [ CrossRef ]
یانگ، م. آی، تی. یان، ایکس. چن، ی. Zhang، X. یک روش مبتنی بر نقشه-جبر برای تشخیص خودکار تغییرات و به‌روزرسانی داده‌های مکانی در مقیاس‌های چندگانه. ترانس. GIS ۲۰۱۸ ، ۲۲ ، ۴۳۵-۴۵۴٫ [ Google Scholar ] [ CrossRef ]
یو، دبلیو. ژانگ، ی. Chen, Z. تعمیم خودکار نقاط مورد علاقه تسهیلات با تعیین حدود منطقه خدمات. دسترسی IEEE ۲۰۱۹ ، ۷ ، ۶۳۹۲۱–۶۳۹۳۵٫ [ Google Scholar ] [ CrossRef ]
یان، اچ. Li, J. روابط شباهت فضایی در فضاهای نقشه چند مقیاسی . Springer International Publishing: Cham, Switzerland, 2015. [ Google Scholar ]
ویبل، آر. کلر، اس. Reichenbacher, T. غلبه بر گلوگاه کسب دانش در تعمیم نقشه: نقش سیستم های تعاملی و هوش محاسباتی. در مجموعه مقالات دومین کنفرانس بین المللی نظریه اطلاعات فضایی (COSIT 95)، Semmering، اتریش، ۲۱ سپتامبر ۱۹۹۵٫ [ Google Scholar ]
Kilpeläinen، T. کسب دانش برای قوانین تعمیم. کارتوگر. Geogr. Inf. علمی ۲۰۰۰ ، ۲۷ ، ۴۱-۵۰٫ [ Google Scholar ] [ CrossRef ]
Mustiere، S. تعمیم نقشه برداری جاده ها در یک رویکرد محلی و تطبیقی: یک مشکل کسب دانش. بین المللی جی. جئوگر. Inf. علمی ۲۰۰۵ ، ۱۹ ، ۹۳۷-۹۵۵٫ [ Google Scholar ] [ CrossRef ]
داگلاس، دی اچ. الگوریتم های Peucker، TK برای کاهش تعداد نقاط مورد نیاز برای نمایش یک خط دیجیتالی یا کاریکاتور آن. می توان. کارتوگر. J. ۱۹۷۳ , ۱۰ , ۱۱۲-۱۲۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
رگنولد، ن. ادواردز، آ. Barrault, M. استراتژی‌ها در تعمیم ساختمان: مدل‌سازی دنباله، محدود کردن انتخاب. در مجموعه مقالات نوزدهمین کارگاه ICC در مورد پیشرفت و توسعه در تعمیم خودکار نقشه، اتاوا، ON، کانادا، ۱۴ تا ۲۱ اوت ۱۹۹۹٫ [ Google Scholar ]
Sester, M. بهینه سازی رویکردها برای تعمیم و انتزاع داده ها. بین المللی جی. جئوگر. Inf. علمی ۲۰۰۵ ، ۱۹ ، ۸۷۱-۸۹۷٫ [ Google Scholar ] [ CrossRef ]
Bayer, T. ساده سازی خودکار ساختمان با استفاده از رویکرد بازگشتی. در کارتوگرافی در اروپای مرکزی و شرقی ; Gartner, G., Ortag, F., Eds. Springer: برلین/هایدلبرگ، آلمان، ۲۰۰۹; صص ۱۲۱-۱۴۶٫ [ Google Scholar ]
یان، ایکس. آی، تی. Zhang، X. روش تطبیق و ساده‌سازی الگو برای ساخت ویژگی‌ها بر اساس شناخت شکل. بین المللی J. Geo-Inf. ۲۰۱۷ ، ۶ ، ۲۵۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
یانگ، م. یوان، تی. یان، ایکس. آی، تی. جیانگ، سی. یک رویکرد ترکیبی برای ساده سازی ساختمان با یک ارزیاب از یک شبکه عصبی پس انتشار. بین المللی جی. جئوگر. Inf. علمی ۲۰۲۱ ، ۵ ، ۱-۳۰٫ [ Google Scholar ] [ CrossRef ]
زیر.؛ لی، ز. مدل‌های جبری Lodwick، G. Jean-Claude Muller برای تجمیع ویژگی‌های ناحیه بر اساس عملگرهای مورفولوژیکی. بین المللی جی. جئوگر. Inf. علمی ۱۹۹۷ ، ۱۱ ، ۲۳۳-۲۴۶٫ [ Google Scholar ] [ CrossRef ]
لی، ز. یان، اچ. آی، تی. چن، جی. تعمیم خودکار ساختمان بر اساس مورفولوژی شهری و نظریه گشتالت. بین المللی جی. جئوگر. Inf. علمی ۲۰۰۴ ، ۱۸ ، ۵۱۳-۵۳۴٫ [ Google Scholar ] [ CrossRef ]
QI، H.; لی، زی. رویکردی به گروه بندی ساختمان بر اساس محدودیت های سلسله مراتبی. در آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی. جلد ⅩⅩⅩⅤⅠⅠ. قسمت B2 (ص ۴۴۹-۴۵۴). در دسترس آنلاین: http://www.isprs.org/proceedings/XXXVII/congress/2_pdf/3_WG-II-3/13.pdf (دسترسی در ۱۰ اکتبر ۲۰۲۱).
بادر، ام. روشهای کمینه سازی انرژی برای جابجایی ویژگی در تعمیم نقشه. Ph.D. Thesis, Universität Zürich, Zürich, Switzerland, 2001. [ Google Scholar ]
آی، تی. ژانگ، ایکس. ژو، Q. یانگ، ام. یک مدل میدان برداری برای مدیریت جابجایی تضادهای متعدد در تعمیم ساختمان. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۵ ، ۲۹ ، ۱۳۱۰-۱۳۳۱٫ [ Google Scholar ] [ CrossRef ]
پیله فروشها، پ. کریمی، م. منصوریان، ع. یک مدل جدید ترکیبی از جابجایی بلوک های ساختمانی و کاهش مساحت بلوک های ساختمانی برای حل تعارضات فضایی. ترانس. GIS ۲۰۲۱ , ۲۵ , ۱۳۶۶–۱۳۹۵٫ [ Google Scholar ] [ CrossRef ]
براسل، ک. Weibel, R. مرور و چارچوب مفهومی تعمیم خودکار نقشه. بین المللی جی. جئوگر. Inf. سیستم ۱۹۸۸ ، ۲ ، ۲۲۹-۲۴۴٫ [ Google Scholar ] [ CrossRef ]
مک مستر، RB; شی، تعمیم KS در کارتوگرافی دیجیتال . انجمن جغرافیدانان آمریکایی: واشنگتن، دی سی، ایالات متحده آمریکا، ۱۹۹۲٫ [ Google Scholar ]
گالاندا، ام. تعمیم خودکار چندضلعی در یک سیستم چند عاملی. Ph.D. Thesis, Universität Zürich, Zürich, Switzerland, 2003. [ Google Scholar ]
سارجاکوسکی، مدلهای مفهومی تعمیم و بازنمایی چندگانه LT. در تعمیم اطلاعات جغرافیایی: مدلسازی نقشه برداری و کاربردها ; Mackaness, W., Ruas, A., Sarjakoski, LT, Eds. الزویر: آکسفورد، انگلستان، ۲۰۰۷; صص ۱۱-۳۶٫ [ Google Scholar ]
اوکیف، جی. داستروفسکی، جی. هیپوکامپ به عنوان یک نقشه فضایی: شواهد اولیه از فعالیت واحد در موش صحرایی با حرکت آزادانه. Brain Res. ۱۹۷۱ ، ۳۴ ، ۱۷۱-۱۷۵٫ [ Google Scholar ] [ CrossRef ]
اوکیف، جی. نادل، ال . هیپوکامپ به عنوان یک نقشه شناختی . کلارندون: آکسفورد، بریتانیا، ۱۹۷۸٫ [ Google Scholar ]
هفتینگ، تی. فاین، م. مولدن، اس. موزر، م. موزر، E. ریزساختار یک نقشه فضایی در قشر آنتورینال. طبیعت ۲۰۰۵ ، ۴۳۶ ، ۸۰۱-۸۰۶٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
یان، ایکس. آی، تی. یانگ، م. تانگ، ایکس. لیو، کیو. رویکرد یادگیری عمیق نموداری برای گروه‌بندی ساختمان‌های شهری. Geocarto Int. ۲۰۲۰ ، ۸ ، ۱-۲۴٫ [ Google Scholar ] [ CrossRef ]
لی، ز. Huang, P. اقدامات کمی برای اطلاعات مکانی نقشه ها. بین المللی جی. جئوگر. Inf. علمی ۲۰۰۲ ، ۱۶ ، ۶۹۹-۷۰۹٫ [ Google Scholar ] [ CrossRef ]
Mackaness، WA; بورگارد، دی. Duchêne, C. تعمیم نقشه. در دایره المعارف بین المللی جغرافیا: مردم، زمین، محیط زیست و فناوری ؛ Richardson, D., Castree, N., Goodchild, MF, Kobayashi, A., Liu, W., Marston, RA, Eds. John Wiley & Sons Ltd.: Hoboken, NJ, USA, 2017. [ Google Scholar ] [ CrossRef ]
بوفه، ا. Serra, SR شناسایی ساختارهای فضایی در بلوک های شهری برای توصیف شهر. در مجموعه مقالات بیستمین کنفرانس بین المللی کارتوگرافی، پکن، چین، ۶ اوت ۲۰۰۱; صفحات ۱۹۷۴-۱۹۸۳٫ [ Google Scholar ]
چودری، او. Mackaness، W. شناسایی خودکار مرزهای سکونتگاه شهری برای پایگاه‌های اطلاعاتی چندگانه. محاسبه کنید. محیط زیست سیستم شهری ۲۰۰۸ ، ۳۲ ، ۹۵-۱۰۹٫ [ Google Scholar ] [ CrossRef ]
لیو، ی. مارتین، ام. مننو جان، ک. مدل ارزیابی تشابه معنایی در تعمیم پایگاه داده طبقه‌ای. در مجموعه مقالات سمپوزیوم نظریه جغرافیایی، پردازش و کاربردها، اتاوا، ON، کانادا، ۹ تا ۱۲ ژوئیه ۲۰۰۲٫ [ Google Scholar ]
ژو، Q. مطالعه تطبیقی رویکردها برای تعیین مناطق ساخته شده با استفاده از داده های شبکه راه. ترانس. GIS ۲۰۱۵ ، ۱۹ ، ۸۴۸-۸۷۶٫ [ Google Scholar ] [ CrossRef ]
لی، ی. سان، س. جی، ایکس. خو، ال. لو، سی. ژائو، ی. تعریف مرزهای منطقه ساخته شده شهری بر اساس مسیرهای تاکسی: مطالعه موردی پکن. J. Geovisualization Spat. مقعدی ۲۰۲۰ ، ۴ ، ۸٫ [ Google Scholar ] [ CrossRef ]
بورگارد، دی. اشتاینیگر، اس. استفاده از تحلیل مؤلفه اصلی در فرآیند تعمیم خودکار. در مجموعه مقالات بیست و دومین کنفرانس بین المللی کارتوگرافی، لاکرونیا، اسپانیا، ۹ تا ۱۶ ژوئیه ۲۰۰۵; انجمن بین المللی کارتوگرافی (ICA): لاکرونیا، اسپانیا، ۲۰۰۵٫ [ Google Scholar ]
دو، اس. لو، ال. کائو، ک. Shu, M. استخراج الگوهای ساختمان با پارتیشن نمودار چندسطحی و گروه بندی ساختمان. Isprs J. Photogramm. Remote Sens. ۲۰۱۶ ، ۱۲۲ ، ۸۱-۹۶٫ [ Google Scholar ] [ CrossRef ]
چودری، او. Mackaness، W. تجسم سکونتگاه ها در مورد تغییرات بزرگ در مقیاس. در مجموعه مقالات هشتمین کارگاه ICA در مورد تعمیم و بازنمایی چندگانه، لاکرونیا، اسپانیا، ۹ تا ۱۶ ژوئیه ۲۰۰۵٫ [ Google Scholar ]
جیانگ، بی. لیو، ایکس. مقیاس‌بندی فضای جغرافیایی از دیدگاه بلوک‌های شهری و میدانی و استفاده از اطلاعات جغرافیایی داوطلبانه. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۲ ، ۲۶ ، ۲۱۵-۲۲۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
اسمیت، ب. در مورد ترسیم خطوط روی نقشه. در نظریه اطلاعات فضایی، مجموعه مقالات COSIT ’95 برلین/هایدلبرگ/وین/نیویورک/لندن/توکیو، وین، اتریش، ۲۱-۲۳ سپتامبر ۱۹۹۵ . Frank, AU, Kuhn, W., Mark, D., Eds. Springer: برلین/هایدلبرگ، آلمان، ۱۹۹۵; صص ۴۷۵-۴۸۴٫ [ Google Scholar ]
سیلورمن، تخمین چگالی BW برای آمار و تجزیه و تحلیل داده ها . چپمن و هال: نیویورک، نیویورک، ایالات متحده آمریکا، ۱۹۸۶٫ [ Google Scholar ]
Thurstain-Goodwin، MT; Unwin, D. تعریف و ترسیم نواحی مرکزی شهرها برای پایش آماری با استفاده از نمایش های سطحی پیوسته. ترانس. GIS ۲۰۰۰ , ۴ , ۳۰۵-۳۱۷٫ [ Google Scholar ] [ CrossRef ]
بوروسو، جی. تراکم شبکه و تعیین حدود مناطق شهری. ترانس. GIS ۲۰۰۳ ، ۷ ، ۱۷۷-۱۹۱٫ [ Google Scholar ] [ CrossRef ]
Borruso، G. برآورد تراکم شبکه: یک رویکرد GIS برای تجزیه و تحلیل الگوهای نقطه در فضای شبکه. ترانس. GIS ۲۰۱۰ ، ۱۲ ، ۳۷۷-۴۰۲٫ [ Google Scholar ] [ CrossRef ]
جیا، تی. جیانگ، بی. اندازه گیری پراکندگی شهری بر اساس گره های عظیم خیابان ها و مفهوم بدیع شهرهای طبیعی. arXiv ۲۰۱۱ ، arXiv:1010.0541. سند WWW. در دسترس آنلاین: https://arxiv.org/ftp/arxiv/papers/1010/1010.0541.pdf (دسترسی در ۱۰ اکتبر ۲۰۲۱).
Tversky، A. ویژگی های مشابهت. روانی Rev. ۱۹۷۷ , ۸۴ , ۳۲۷-۳۵۲٫ [ Google Scholar ] [ CrossRef ]
هولت، الف. تشابه فضایی و GIS: گروه بندی انواع فضایی. در مجموعه مقالات یازدهمین کنفرانس سالانه مرکز تحقیقات اطلاعات فضایی، داندین، نیوزلند، ۱۳ تا ۱۵ دسامبر ۱۹۹۹٫ [ Google Scholar ]
پوپر، KR منطق کشف علمی ; هاچینسون: لندن، بریتانیا، ۱۹۷۲; ۴۸۰p [ Google Scholar ]
آی، تی. که، اس. یانگ، م. Li, J. تولید پاکت و ساده‌سازی چند خطوط با استفاده از مثلث‌سازی Delaunay. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۷ ، ۳۱ ، ۲۹۷-۳۱۹٫ [ Google Scholar ] [ CrossRef ]
آرکین، ای.ام. جویدن، LP; Huttenlocher، DP; Kedem، K. میچل، JSB یک متریک قابل محاسبه کارآمد برای مقایسه اشکال چند ضلعی. IEEE Trans. الگوی مقعدی ماخ هوشمند ۱۹۹۱ ، ۱۳ ، ۲۰۹-۲۱۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سمال، ع. ست، اس. Cueto، K. یک رویکرد مبتنی بر ویژگی برای ترکیب منبع جغرافیایی. بین المللی جی. جئوگر. Inf. علمی ۲۰۰۴ ، ۱۸ ، ۴۵۹-۴۸۹٫ [ Google Scholar ] [ CrossRef ]
فرانک، آر. استر، M. اندازه گیری شباهت کمی برای نقشه ها. در حال پیشرفت در مدیریت داده های مکانی ; Riedl, A., Kainz, W., Elmes, GA, Eds. Springer: برلین، آلمان، ۲۰۰۶; صص ۴۳۵-۴۵۰٫ [ Google Scholar ]
Goodchild، MF; Hunter، GJ یک اندازه گیری دقت موقعیتی ساده برای ویژگی های خطی. بین المللی جی. جئوگر. Inf. علمی ۱۹۹۷ ، ۱۱ ، ۲۹۹-۳۰۶٫ [ Google Scholar ] [ CrossRef ]
Winecoff، AA; Brasoveanu، F. Casavant، B. کاربران در حلقه: یک رویکرد آگاهانه روانشناختی برای بازیابی موارد مشابه. در مجموعه مقالات سیزدهمین کنفرانس ACM در مورد سیستم‌های توصیه‌کننده، کپنهاگ، دانمارک، ۱۶ تا ۲۰ سپتامبر ۲۰۱۹٫ [ Google Scholar ]
وانگ، ز. مولر، جی.-سی. تعمیم خط بر اساس تجزیه و تحلیل ویژگی های شکل. کارتوگر. Geogr. Inf. سیستم ۱۹۹۸ ، ۲۵ ، ۳-۱۵٫ [ Google Scholar ] [ CrossRef ]
رودریگز، MA ارزیابی تشابه معنایی در بین کلاس‌های موجودیت فضایی. Ph.D. پایان نامه، دانشگاه مین، اورونو، ME، ایالات متحده آمریکا، ۲۰۰۰٫ [ Google Scholar ]

شکل ۱٫ مجموعه داده های برداری شهر لانژو در مقیاس های ۱:۱۰K و ۱:۵۰K: ( الف ) داده های ۱:۱۰K و ( b ) داده های ۱:۵۰K.

شکل ۲٫ مجموعه داده های برداری شهر لانژو در مقیاس های ۱:۲۵۰K و ۱:۱M: ( الف ) داده های ۱:۲۵۰K و ( b ) داده های ۱:۱M.

شکل ۳٫ مدل تعمیم ۱:۱۰K تا ۱:۵۰K (لازم به ذکر است که مراحل شکل با مراحل شکل ۷ در بخش ۲٫۲٫۳ مطابقت دارد ؛ توضیح مفصل در بخش ۲٫۲٫۳ ارائه شده است ): ( الف ) مرحله ۱: داده های اصلی ۱:۱۰K توسط مرز اداری بریده می شوند. ( ب ) مراحل ۲ و ۳: یک بافر برای ساختمان ها ایجاد می شود و با نتایج KDE تلاقی می کند. ( ج ) مرحله ۴، قسمت ۱: یک بافر برای جاده ها ایجاد می شود. ( د ) مرحله ۴، قسمت ۲: چند ضلعی ها ادغام می شوند. ( ث ) مراحل ۵ و ۶: فضاهای آزاد جمع آوری شده، ساده شده و فضاهای کوچکتر حذف می شوند. ( f ) مرحله ۷، قسمت ۱: حفره های داخل مناطق شهری پر می شوند. (g ) مرحله ۷، قسمت ۲ و مرحله ۸: سوراخ ها پاک می شوند و بافر داخلی ساخته می شود.

شکل ۴٫ رابطه بین ساختمان ها، نتیجه روش بوفه، نتایج مختلف KDE و مناطق شهری به دست آمده.

شکل ۵٫ نمونه ای از رابطه مکاتباتی بین مناطق مسکونی در مقیاس های مختلف.

شکل ۶٫ تصویر مقادیر مختلف تراکم و گستره های پراکندگی شهری مربوطه: ( a ) نتیجه KDE است، ( b ) ناحیه شهری به دست آمده با مقادیر تراکم ۱ یا بیشتر است، و ( c ) مناطق شهری به دست آمده با مقادیر تراکم است. از ۲ یا بیشتر

شکل ۷٫ رویه های روش پیشنهادی.

شکل ۸٫ مقادیر تشابه هندسی بین مناطق مسکونی در چهار مقیاس.

شکل ۹٫ نقاط داغ شهری شناسایی شده توسط KDE با آستانه های مختلف اما با اندازه سلول تصفیه شده یکسان (۱۰ متر): ( a ) نتیجه زمانی است که شعاع جستجو ۱۵۰ متر باشد. ( ب ) نتیجه زمانی است که شعاع جستجو ۲۰۰ متر باشد. ( ج ) نتیجه زمانی است که شعاع جستجو ۳۰۰ متر باشد. ( d ) نتیجه زمانی است که شعاع جستجو ۴۰۰ متر باشد. و ( e ) نتیجه زمانی است که شعاع جستجو ۵۰۰ متر باشد.

شکل ۱۰٫ نتایج بافر (۲۰ متر) ساختمان های ۱:۱۰K.

شکل ۱۱٫ نتایج آزمایش‌ها: ( الف ) UrbanAreasInitial ، ( ب ) UrbanAreasInitial_StrBufPolygons_Merge، و ( c ) UrbanAreasInitial2 .

شکل ۱۲٫ فضاهای آزاد به دست آمده در داخل مناطق شهری.

شکل ۱۳٫ مناطق شهری به دست آمده از رویکرد پیشنهادی.

شکل ۱۴٫ نمونه هایی از فضاهای آزاد به دست آمده از ساختمان های ۱:۱۰K (سمت چپ) و نقشه تصویر (راست): ( الف ) فیلد; ( ب ) زمین بازی در فضای باز؛ ج ) ایستگاه راه آهن؛ ( د ) مربع؛ ( ه ) پارک؛ و ( f ) فضایی که باید ساخته شود.

ونوس نصیرفام

4 ژانویه 2023

مقالات