خلاصه

با توسعه سریع اینترنت و فناوری اطلاعات، تکنیک های تجسم برای موبایل و نقشه های وب تعاملی نیازهای متفاوتی را ایجاد کرده است. نمایشگرهای کوچک، ارائه همزمان جزئیات اطلاعات و زمینه اطراف را دشوار می کند. با هدف حل این مشکل، این مقاله یک روش جدید در مقیاس متغیر را پیشنهاد می‌کند که می‌تواند به کاربران اجازه دهد اندازه، شکل و تعداد ناحیه (ها) تمرکز را به درستی مشخص کنند. روش ما ابتدا یک ساختار داده سلسله مراتبی برای نمایش داده های جغرافیایی ایجاد می کند و سپس سمت مشتری می تواند اطلاعات را تنها بر اساس ورودی دستور عملیاتی توسط کاربران درخواست و نمایش دهد. نتایج تجربی نشان می‌دهد که این روش می‌تواند نمایش مقیاس متغیر داده‌های جغرافیایی واقعی را بر روی یک صفحه واحد تحقق بخشد.

کلید واژه ها:

نقشه مقیاس متغیر ; فوکوس+چسب+زمینه ؛ تجسم تعاملی ؛ ساختار داده سلسله مراتبی

1. معرفی

اینترنت و فناوری اطلاعات فرصت هایی را برای دسترسی آسان به مقادیر عظیمی از داده های جغرافیایی ایجاد می کند [ 1 ]. همچنین تقاضای فزاینده ای برای بهبود در پردازش و تجزیه و تحلیل داده های جغرافیایی برای شناسایی اطلاعات و دانش ضمنی وجود دارد. تجسم داده های مکانی به تدریج به یک فناوری مهم پردازش اطلاعات برای ارتقاء درک علمی داده های مکانی و کشف دانش سطح بالا تبدیل شده است . 3 ]]. اگرچه بسیاری از تکنیک های تجسم برای کاوش و تجزیه و تحلیل مقادیر زیادی از داده های جغرافیایی ایجاد شده است، دستگاه های تلفن همراه (به عنوان مثال، تلفن های هوشمند، تبلت ها) با صفحه نمایش کوچک در نمایش اطلاعات زمینه مناطق مورد نظر در یک صفحه مشکل دارند. نقشه های وب به عنوان یک روش رایج برای ارائه اطلاعات جغرافیایی، به طور گسترده توسط کاربران مختلف استفاده می شود. کاربران مختلف نیازمندی های متفاوتی در مورد درجه جزئیات توضیحات ویژگی برای برنامه های مختلف دارند. پیشنهاد یک روش جدید برای تولید نقشه‌های وب برداری که بتواند داده‌های جغرافیایی را در سطوح مختلف جزئیات برای پاسخگویی به تقاضای انواع مختلف کاربران به نفع جستجو، ناوبری و کاهش بار شناختی در وب ارائه دهد، ضروری است. بار شناختی به بار بر روی حافظه فعال در طی فرآیند درک آنچه دیده می شود اشاره دارد. استفاده کارآمد از ظرفیت پردازش شناختی محدود افراد می تواند به کسب دانش مفیدتر کمک کند.4 ].
با توجه به راندمان پایین مشاهده دستگاه‌های تلفن همراه با صفحه‌نمایش کوچک، راه‌حل‌های زیادی برای تجسم مقادیر زیادی از داده‌های جغرافیایی در صفحه‌های نسبتاً کوچک ارائه شده است و به کاربران امکان می‌دهد به طور همزمان نماهای متمرکز و متنی یک مجموعه داده را به دست آورند [ 5 ، 6 ، 7 ]. , 8 , 9 , 10 , 11 , 12 , 13 , 14 , 15 ]. این روش ها را می توان به طور کلی به دو دسته تقسیم کرد. در دسته اول، برای دستیابی به نمایش چند مقیاسی داده‌های جغرافیایی، کاربران می‌توانند با تغییر پنجره‌های نمایشگر، نقشه‌های مقیاس‌های مختلف را مرور کنند 6 ][7 ] یا با استفاده از رابط بزرگنمایی [ 8 ]، اما نماهای متمرکز و متنی از هم جدا هستند و نمی توان آنها را به طور همزمان مشاهده کرد [ 9 ]. کاربران باید تلاش ذهنی و زمان بیشتری را صرف ادغام این دو دیدگاه کنند تا روابط جغرافیایی بین عناصر جغرافیایی را درک کنند. دسته دیگر روش نقشه مقیاس متغیر است که می تواند داده های جغرافیایی را در مقیاس متغیر نشان دهد [ 8 ، 9 ، 10 ، 11 ، 12 ، 13 .]. معمولاً بر مطالب مهم تأکید می کند و چیزهای دیگر را نادیده می گیرد. مقیاس منطقه مورد نظر بزرگتر از سایر مناطق است، به طوری که قسمت های مختلف کل نقشه دارای مقیاس های متفاوتی هستند. رویکرد قبلی به کاربران اجازه می دهد تا برای مشاهده نقشه در مقیاس های مختلف بزرگنمایی یا کوچکنمایی کنند و به طور گسترده در بسیاری از خدمات نقشه (مانند نقشه های گوگل و بایدو مپ) استفاده شده است. از طریق نقشه کاشی حافظه نهان سرور، بسیاری از شرکت های GIS قابلیت پاسخگویی سیستم خدمات نقشه را برای افزایش تجربه کاربر مشتری بهبود بخشیده اند. 16 ].]. بر اساس نتایج تحقیقات مختلف، کنسرسیوم فضایی باز (OGC) به طور رسمی خدمات کاشی نقشه وب (WMTS) را برای ارائه نقشه های دیجیتال در وب با استفاده از کاشی های تصویر کش شده راه اندازی کرده است. با این حال، عملیات بزرگنمایی/کوچ کردن و حرکت مکرر ممکن است منجر به از دست دادن روابط جغرافیایی بین عناصر جغرافیایی که در ناحیه فوکوس و بافت اطراف آن قرار دارند، از دست بدهند. روانشناسی شناختی معاصر معتقد است که کاربران معمولاً می خواهند که کل ساختار اطلاعات هنگام به دست آوردن اطلاعات دقیق قابل مشاهده باشد [ 17 ]]. از آنجا که افکار آنها با ارتکاب های مکرر قطع می شود، کارایی بازیابی اطلاعات مورد نیاز کاهش می یابد. برای ادغام نماهای متمایز، کاربران نیاز به صرف تلاش ذهنی و زمان بیشتری دارند. روش نقشه در مقیاس متغیر می تواند منطقه فوکوس و زمینه اطراف آن را در یک صفحه ادغام کند. ناحیه فوکوس بزرگ‌نمایی می‌شود، اما با ذره‌بین‌های صفحه‌نمایش که برای افراد کم‌بینا ارائه می‌شود متفاوت است. ذره بین اصلی صفحه، اطلاعات روی صفحه را بزرگ می کند و جزئیات نمادها را می توان به وضوح مشاهده کرد. فضای نقشه منطقه فوکوس بزرگ می شود و بنابراین، محتوای نقشه بیشتری را می توان نمایش داد. اطلاعات خارج از ناحیه تمرکز تقریباً نشان داده می شود.
بقیه مقاله به شرح زیر سازماندهی شده است: بخش 2 کار مرتبط را مرور می کند. بخش 3 مدل تبدیل هندسی روش پیشنهادی را توصیف می کند که شامل تقسیم مساحت نقشه و توابع تبدیل است. بخش 4 روشی را برای ایجاد ساختار داده سلسله مراتبی نقشه مقیاس متغیر و تعیین تعداد نمادهای نقشه در مناطق مختلف توضیح می دهد. برای نشان دادن تأثیر روش پیشنهادی، برخی آزمایش‌ها در بخش 5 نشان داده شده و مورد بحث قرار گرفته‌اند. در نهایت، بخش 6 نتیجه گیری این مقاله را ارائه می کند.

2. کارهای مرتبط

مقالات زیادی در مورد تکنیک های تجسم داده ها در صفحه نمایش های کوچک وجود دارد. برای بهبود طراحی نقشه چند مقیاسی، Marionet و همکاران. [ 7 ] عواملی را در طراحی محتوا و سبک نقشه که تأثیر بسزایی در اکتشاف اطلاعات و دانش دارند، شناسایی کرد. Furnas [ 9 ] برای اولین بار مفهوم چشم ماهی را با ناحیه فوکوس بزرگ شده پیشنهاد کرد، که به کاربران اجازه می دهد تا روی ناحیه فوکوس بزرگنمایی کنند تا بر اطلاعات مورد علاقه تأکید کنند در حالی که روابط توپولوژیکی بین اشیاء فضایی در یک صفحه کوچک قابل مشاهده است. با این حال، اعوجاج های بیش از حد زیادی روی نقشه وجود دارد که استفاده از نقشه را برای کاربران دشوار می کند. متعاقبا، هری و همکاران. [ 10] یک روش نقشه مقیاس متغیر را پیشنهاد کرد که در آن منطقه کانونی با یک مقیاس بزرگ ثابت نشان داده می‌شود و مقیاس‌های ناحیه زمینه در امتداد جهت شعاعی کاهش می‌یابد. اشکال این رویکرد این است که کل منطقه نقشه تحریف شده و مرز نقشه به هم ریختگی بصری است که بار شناختی را برای کاربران افزایش می دهد. Ai و Liang [ 11 ] یک نقشه در مقیاس متغیر را برای سرویس ناوبری شخصی با استفاده از دستگاه های تلفن همراه با نمایشگر کوچک اعمال کردند. اخیراً یاماموتو و همکاران. [ 12] روش نقشه Focus+Glue+Context را برای کاهش از دست دادن اطلاعات مفید با تعیین ناحیه چسب برای جذب همه اعوجاج ها پیشنهاد کرد. برای کاهش تراکم جاده‌ها در ناحیه چسب، این روش فقط آن جاده‌ها را بین ناحیه تمرکز و ناحیه زمینه نمایش می‌دهد. هیچ ملاحظه معقولی برای حفظ الگوی توزیع مکانی داده های جغرافیایی واقعی وجود ندارد. بنجامین و همکاران [ 15 ] از نقشه‌های تمرکز+زمینه برای پیاده‌سازی جابه‌جایی برچسب‌ها توسط پیش‌بینی‌های چشم ماهی استفاده کرد که تا حد زیادی خوانایی نقشه را بهبود می‌بخشد.

3. نمایش داده های جغرافیایی در مقیاس متغیر

این مقاله روش جدیدی را برای تولید خودکار یک نقشه در مقیاس متغیر پیشنهاد می‌کند که می‌تواند سطوح مختلف اطلاعات را به انواع مختلف کاربران ارائه دهد. ایده اصلی روش پیشنهادی ایجاد یک ساختار داده سلسله مراتبی برای نمایش داده های جغرافیایی ابتدا در سمت سرور و سپس نمایش مقدار معقولی از داده ها در سمت مشتری است. بر خلاف روش‌های موجود در مقیاس متغیر، روش ما می‌تواند نمایش دقیقی از ناحیه فوکوس ارائه دهد و تقریباً ناحیه چسب و زمینه را نشان دهد. علاوه بر این، می تواند اعوجاج نقشه را به حداقل برساند و به انتقال صاف و پیوسته در عملیات بلادرنگ دست یابد. فرآیند تولید نقشه‌های مقیاس متغیر دارای دو مرحله محوری است: تقسیم نقشه به مناطق مختلف و ایجاد یک ساختار داده سلسله مراتبی برای نمایش داده‌های جغرافیایی. در این بخش،

3.1. تقسیم منطقه نقشه مقیاس متغیر

تعیین مقیاس مناطق مختلف نقشه ها گام مهمی در تولید نقشه های مقیاس متغیر است. منطقه مورد علاقه با جزئیات نشان داده شده است، و بقیه مناطق تقریبا نشان داده شده است. دو روش تقسیم بندی مختلف برای تقسیم نقشه به مناطق مختلف وجود دارد تا با مقیاس های مختلف نمایش داده شود. روش [ 10 ] نقشه را به دو قسمت تقسیم می کند. همانطور که در شکل 1 نشان داده شده استa، ناحیه فوکوس با یک مقیاس بزرگ ثابت نشان داده می‌شود، در حالی که محتوای خارج از ناحیه فوکوس بدون تغییر باقی می‌ماند، که باعث می‌شود شیء در نزدیکی بزرگ و در دور کوچک باشد. با این حال، یک مشکل در این مدل وجود دارد: وقتی مقیاس به مقدار معینی کاهش می‌یابد، محتوای خارج از منطقه تمرکز به هم ریخته می‌شود و اهداف جغرافیایی و روابط جغرافیایی بین اهداف جغرافیایی قابل تشخیص نیستند. نقشه Focus+Glue+Context نقشه را به مناطق فوکوس، چسب و زمینه تقسیم می کند. همانطور که در نشان داده شده است شکل 1 نشان داده شده استب، ناحیه فوکوس اطلاعات مربوطه را در مقیاس بزرگ نمایش می دهد که کاربران را قادر می سازد تا جزئیات مربوط به ناحیه فوکوس را بدست آورند. ناحیه زمینه اطلاعات اطراف منطقه مورد نظر را در مقیاس کوچکتر نشان می دهد، که می تواند به کاربران کمک کند ساختار کلی نقشه را مشاهده کنند و روابط جغرافیایی را بررسی کنند. علاوه بر این، کاربران می توانند یک ناحیه چسب بین ناحیه فوکوس و ناحیه زمینه را مشخص کنند که بتواند تمام اعوجاج را جذب کند. برای کاهش تراکم ویژگی ها در ناحیه چسب، تنها بخشی از ویژگی ها قابل نمایش است. جهت ها و شکل ویژگی ها در ناحیه چسب تحریف شده است، اما ویژگی های بین ناحیه فوکوس و ناحیه زمینه باید حفظ شود تا اتصال حفظ شود. در مقایسه با روش های کلاسیک نقشه مقیاس متغیر، نقشه Focus+Glue+Context [ 12] می تواند یک ناحیه فوکوس بزرگ را حفظ کند در حالی که زمینه بدون تغییر باقی می ماند تا از دست رفتن اطلاعات مفید کاهش یابد. بنابراین، روش ما از این روش تقسیم نقشه برای تولید یک نقشه در مقیاس متغیر استفاده می کند.

3.2. تبدیل مختصات داده های مکانی

همانطور که در شکل 2 نشان داده شده است ، �نقطه مرکزی ثابت ناحیه فوکوس است. ناحیه فوکوس یک ناحیه دایره ای با شعاع است �0، که در آن داده ها در مقیاس بزرگتر ثابت نشان داده می شوند سل. وقتی شعاع بزرگتر از �1، داده ها در یک مقیاس کوچکتر ثابت نشان داده می شوند. وقتی شعاع بزرگتر از r0و کوچکتر از �1، مقیاس در امتداد جهت شعاع کاهش می یابد و تقریباً می توان آن را به عنوان تابع کاهشی فاصله شعاعی بیان کرد. ابتدا یک شبکه جاده را از فضای جغرافیایی (مختصات دکارتی) به مختصات قطبی تبدیل می کنیم و سپس می توانیم توابع تبدیل شعاعی زیر را به داده های واقعی اعمال کنیم تا مقیاس را در کل نقشه پیوسته نگه داریم:

��ه�(�)=سل·�، �∈[0،�0]،

��ه�(�)=سل·�+🔻تو=�0��(�)·دتو، �∈(�0،�1)،

��ه�(�)=�، �∈[�1،∞)

جایی که �(�)در حال کاهش عملکرد در منطقه است [�0،�1].

3.3. شکل و تعداد ناحیه فوکوس

در کاربرد نقشه در مقیاس متغیر، مناطق کانونی یک نقشه دارای اندازه ها و اشکال مختلف هستند. روش پیشنهادی باید به کاربران این امکان را بدهد که اندازه، تعداد و شکل ناحیه(ها) تمرکز را انتخاب کنند.
(1) شکل ناحیه فوکوس
الگوهای توزیع مختلف مکانیسم شکل شهرها و نحوه طراحی و توسعه آنها را منعکس می کند [ 18 ]. به عنوان مثال، الگوی شبکه (شکل هندسی الگوی شبکه مستطیل شکل است) یک الگوی فضایی بسیار معمولی است [ 19 ]]. اگر تمام اشکال نواحی فوکوس به صورت دایره ای تنظیم شوند، الگوی مستطیلی دیگر مستطیل نیست و روابط فضایی ویژگی ها تا حدودی مخدوش می شود که بار شناختی کاربر و دشواری استفاده را افزایش می دهد. اگر نتایج تجسم بتواند الگوی توزیع داده های جغرافیایی را حفظ کند، می تواند به کاربران کمک کند اطلاعات مکانی را به سرعت و به طور موثر بدست آورند. مناطق هدف مختلف اشکال متفاوتی دارند. علاوه بر این، اندازه مناطق مختلف هدف نیز ثابت نیست. اگر شعاع ناحیه فوکوس کوچکتر از ناحیه هدف باشد، کل ناحیه هدف را نمی توان به درستی در ناحیه فوکوس نشان داد تا کاربران نتوانند جزئیات کل ناحیه هدف را بدست آورند. برعکس، اگر شعاع ناحیه فوکوس بزرگتر از ناحیه مورد نظر باشد، ناحیه چسب و زمینه به شدت کاهش یافته و به هم ریخته می شود. از این رو،شکل 3 a-c نشان می دهد که شکل ناحیه فوکوس به صورت دایره، مستطیل و بیضی است.
(2) تعداد مناطق تمرکز
در برخی موارد، کاربران برای تأیید مسیری که از چندین مقصد عبور می کند، باید چندین منطقه را جستجو کنند. علاوه بر این، برخی از پدیده های جغرافیایی عموماً از مراکز متعدد ساخته می شوند. بر این اساس، برای نشان دادن بهتر اطلاعات جغرافیایی، باید به مناطق تمرکز چندگانه اجازه داده شود تا چندین مقصد را در یک نقشه جستجو کنند. یک روش نقشه مقیاس متغیر، کاربران را قادر می سازد تا جزئیاتی را که به آنها اهمیت می دهند و زمینه اطراف آن را در یک صفحه نمایش واحد به دست آورند. با این حال، چگالی توزیع و الگوی توزیع داده های جغرافیایی واقعی متفاوت است. اگر دو ناحیه هدف متفاوت با تراکم توزیع بسیار متفاوت به طور مساوی بزرگ‌نمایی شوند، باعث می‌شود کاربران موقعیت را به اشتباه تفسیر کنند. بنابراین، برای بهبود وضوح نقشه و جلوگیری از هرگونه خطر بیشتر سردرگمی،شکل 4 نقشه را با دو ناحیه فوکوس نشان می دهد.

4. استراتژی بازنمایی تطبیقی ​​نقشه مقیاس متغیر

جلوه بصری نقشه یکی از شاخص های کلیدی برای ارزیابی کیفیت نقشه است. یک جلوه بصری خوب می تواند به کاربران کمک کند تا اطلاعات را بهتر درک کنند تا به طور مؤثرتر حرکت کنند. ناحیه فوکوس نقشه در مقیاس متغیر بزرگ‌نمایی می‌شود و جزئیات بیشتری را می‌توان نمایش داد. با این حال، فضای نقشه منطقه چسب کاهش می یابد و عناصر جغرافیایی به وضوح با هم همپوشانی دارند. تراکم بالای ویژگی ها می تواند منجر به دشواری شناسایی روابط جغرافیایی بین عناصر جغرافیایی شود. برای اطمینان از وضوح و خوانایی نقشه، تعداد نمادهای نقشه باید کاهش یابد. بر این اساس، تعمیم بلادرنگ و انطباق با تعامل کاربر برای نقشه‌های مقیاس متغیر مورد نیاز است. عناصر جغرافیایی با اهمیت کم باید کنار گذاشته شوند. با این حال، حجم زیاد داده به دلیل محدود بودن قابلیت محاسباتی و فضای ذخیره سازی دستگاه، سرعت تولید نقشه ها را به میزان قابل توجهی کاهش می دهد. بنابراین، کاهش بار محاسباتی ضروری است. اهمیت ویژگی ها را می توان از طریق الگوریتم های تعمیم از قبل تشخیص داد و سپس یک ساختار سلسله مراتبی برای نمایش داده های جغرافیایی به ترتیب اهمیت در سمت سرور ایجاد کرد که می تواند سرعت تولید نقشه ها را افزایش دهد. بنابراین، روش ما ابتدا اهمیت داده‌های جغرافیایی را ارزیابی و ثبت می‌کند و سپس سمت مشتری فقط باید تعداد معقولی از عناصر جغرافیایی را بازیابی و نمایش دهد. این مقاله نقاط مورد علاقه (POI) و جاده ها را به عنوان اهداف تحقیق در نظر می گیرد. اهمیت ویژگی ها را می توان از طریق الگوریتم های تعمیم از قبل تشخیص داد و سپس یک ساختار سلسله مراتبی برای نمایش داده های جغرافیایی به ترتیب اهمیت در سمت سرور ایجاد کرد که می تواند سرعت تولید نقشه ها را افزایش دهد. بنابراین، روش ما ابتدا اهمیت داده‌های جغرافیایی را ارزیابی و ثبت می‌کند و سپس سمت مشتری فقط باید تعداد معقولی از عناصر جغرافیایی را بازیابی و نمایش دهد. این مقاله نقاط مورد علاقه (POI) و جاده ها را به عنوان اهداف تحقیق در نظر می گیرد. اهمیت ویژگی ها را می توان از طریق الگوریتم های تعمیم از قبل تشخیص داد و سپس یک ساختار سلسله مراتبی برای نمایش داده های جغرافیایی به ترتیب اهمیت در سمت سرور ایجاد کرد که می تواند سرعت تولید نقشه ها را افزایش دهد. بنابراین، روش ما ابتدا اهمیت داده‌های جغرافیایی را ارزیابی و ثبت می‌کند و سپس سمت مشتری فقط باید تعداد معقولی از عناصر جغرافیایی را بازیابی و نمایش دهد. این مقاله نقاط مورد علاقه (POI) و جاده ها را به عنوان اهداف تحقیق در نظر می گیرد. و سپس سمت مشتری فقط باید تعداد معقولی از عناصر جغرافیایی را بازیابی و نمایش دهد. این مقاله نقاط مورد علاقه (POI) و جاده ها را به عنوان اهداف تحقیق در نظر می گیرد. و سپس سمت مشتری فقط باید تعداد معقولی از عناصر جغرافیایی را بازیابی و نمایش دهد. این مقاله نقاط مورد علاقه (POI) و جاده ها را به عنوان اهداف تحقیق در نظر می گیرد.

4.1. ساختار داده برای یک نقشه در مقیاس متغیر

ماهیت سازماندهی داده های جغرافیایی در یک ساختار سلسله مراتبی، رتبه بندی عناصر جغرافیایی به ترتیب اهمیت است. بنابراین، ساختار سلسله مراتبی داده های جغرافیایی را می توان با ثبت وضعیت میانی تعمیم نقشه ایجاد کرد.

4.1.1. یک ساختار داده سلسله مراتبی برای داده های نقطه ای ایجاد کنید

انتخاب داده‌های نقطه‌ای به انتخاب نقاط مهم از نقشه‌های مقیاس بزرگ‌تر به نقشه‌های کوچک‌تر اشاره دارد و بنابراین فرآیند انتخاب می‌تواند به عنوان رتبه‌بندی عمل کند. انتخاب داده‌های نقطه‌ای یک مسئله رابطه همسایگی فضایی در هندسه محاسباتی است. در طول تعمیم نقشه، الگوهای توزیع اصلی خوشه های نقطه ای باید حفظ شود. روش‌های زیادی برای ساده‌سازی داده‌های نقطه‌ای پیشنهاد شده‌اند [ 20 ، 21 ، 22 ]. مثلث سازی Delaunay (DT)، که نمودار دوگانه نمودار Voronoi است، یک ابزار قدرتمند در حوزه هندسه محاسباتی برای تجزیه و تحلیل مجاورت بین اشیاء فضایی است [ 23 ]. آی و لیو [ 21] یک روش تکراری برای ساده سازی داده های نقطه ای بر اساس نمودارهای ورونوی پیشنهاد کرد. بنابراین، روش ما از این مدل برای رتبه بندی داده های نقطه ای برای ایجاد ساختار سلسله مراتبی استفاده می کند. در ابتدا، فرض می کنیم که یک نقطه معین مجموعه ای است پآ{ پ1، پ2، پ3…پ�}، جایی که پ�نشان دهنده یک نقطه و �تعداد امتیاز است. پبیک مجموعه خالی است �پمترمن�کوچکترین مقیاس است. روش دقیق شامل مراحل زیر است:
مرحله 1: یک نمودار ورونوی برای مجموعه نقطه بسازید پآ. هر چند ضلعی Voronoi حاوی یک نقطه است و مساحت چند ضلعی Voronoi هر نقطه را می توان برای نشان دادن فضای اشغال شده آن محاسبه کرد. همانطور که در شکل 5 نشان داده شده است ، فضای اشغال شده نقطه معمولاً در جایی که نقاط به طور متراکم توزیع شده اند کوچکتر است. بنابراین، نکات بیشتری باید در فرآیند ساده سازی حذف شوند. مقدار اهمیت نقطه را می توان با توجه به مساحت چند ضلعی Voronoi آن تعیین کرد.
مرحله 2: نقاط موجود در مجموعه پآبه ترتیب اهمیت رتبه بندی می شوند. سپس، نقطه با کمترین اهمیت پ1از مجموعه حذف می شود پآو در مجموعه ذخیره می شود پب. همسایه های مرتبه اول نقطه پ1به‌عنوان «ثابت» علامت‌گذاری شده‌اند، و این نقاط باید از تکرار حذف بعدی صرف‌نظر کنند.
مرحله 3: اگر تعداد نقاط حفظ شده در مجموعه پآبزرگتر یا مساوی است �پمترمن�، مرحله 2 تکرار می شود. در غیر این صورت، امتیازات حفظ شده به ترتیب ارزش رتبه بندی می شوند.
مرحله 4: اگر فقط نقاط “ثابت” در مجموعه باقی مانده باشند پآ، این دور برای ساده سازی ضربات انجام می شود. سپس تمام نقاط “ثابت” را از حالت ثابت خارج کنید و مرحله 2 و مرحله 3 را تکرار کنید تا تعداد نقاط باقیمانده نزدیک به �پمترمن�.
ترتیب ذخیره امتیاز در مجموعه پبنشان دهنده ترتیب اهمیت نقاط و نقاط باقی مانده در مجموعه است پآبالاترین اهمیت را دارند.
4.1.2. یک ساختار داده سلسله مراتبی برای شبکه های جاده ای ایجاد کنید
مشابه روش رتبه‌بندی داده‌های نقطه‌ای، انتخاب‌های جاده به فرآیند انتخاب بخش‌های جاده با توجه به اهمیت آنها اشاره دارد. روش های مختلفی پیشنهاد شده است [ 24 ، 25 ، 26 ، 27 ]. در این میان، روش مبتنی بر سکته مغزی با استفاده از سکته مغزی به عنوان واحد انتخاب، رویکردی مؤثر برای حفظ الگوی توزیع شبکه‌های جاده‌ای است، زیرا اطلاعات توزیع توپولوژیکی، هندسی، معنایی و فضایی شبکه‌های راه را می‌توان در نظر گرفت. به طور خاص، ضربه ها ابتدا طبق قوانین از پیش تعریف شده ساخته می شوند [ 26 ] ساخته می‌شوند و سپس از مدل مثلث‌سازی دلونی برای تحلیل روابط مجاورتی بین ضربه‌ها برای حذف تکراری استفاده می‌شود، همانطور که در نشان داده شده است.شکل 6. در نهایت، اهمیت سکته مغزی را در ترتیب اولویت سطح، اتصال و طول ارزیابی کردیم. در ابتدا، یک شبکه جاده معین را فرض می کنیم آرآ{ س1، س2، س3… س�}، جایی که پ�نشان دهنده سکته مغزی و �تعداد ضربات است. پبیک مجموعه خالی است ��مترمن�کوچکترین مقیاس است. روش دقیق شامل مراحل زیر است:
مرحله 1: یک مثلث Delaunay برای شبکه جاده بسازید آرآ{ س1، س2، س3… س�} و سپس اهمیت ضربه را به ترتیب اولویت سطح، اتصال و طول ارزیابی کنید.
مرحله 2: ضربه ها را در مجموعه رتبه بندی کنید آرآبه ترتیب ارزش اهمیت سکته مغزی را حذف کنید س1با کمترین مقدار اهمیت از آرآو آن را در مجموعه ذخیره کنید آرب. همه همسایگان مرتبه اول سکته مغزی س1به‌عنوان «ثابت» علامت‌گذاری شده‌اند، و این ضربه‌ها باید از تکرار حذف بعدی صرف‌نظر کنند.
مرحله 3: زمانی که تعداد ضربات در مجموعه آرآبزرگتر یا مساوی است ��مترمن�، مرحله اول و دوم را تکرار کنید. در غیر این صورت، ضربه های حفظ شده را به ترتیب ارزش رتبه بندی کنید.
مرحله 4: اگر فقط ضربات “ثابت” در مجموعه باقی مانده باشند آرآ، این دور برای ساده سازی ضربات انجام می شود. سپس، تمام ضربه‌های «تثبیت‌شده» را برطرف کنید، و مرحله ۲ و مرحله ۳ را تکرار کنید تا تعداد ضربه‌های باقی‌مانده نزدیک به ��مترمن�.
ترتیب ذخیره سازی استوک ها در مجموعه آربمی تواند به عنوان ترتیب اهمیت سکته مغزی در نقشه مقیاس متغیر و ضربات در مجموعه عمل کند آرآبالاترین اهمیت را دارند.

4.2. تعداد نمادها در مناطق مختلف

پس از ایجاد ساختار داده سلسله مراتبی، کلید تعیین تعداد نمادهای نقشه در مناطق مختلف است. واضح است که فضای نقشه ناحیه فوکوس بزرگ شده و فضای نقشه ناحیه چسب کاهش یافته است. در نتیجه، ناحیه فوکوس می تواند نمادهای نقشه بیشتری را نمایش دهد و همه عناصر جغرافیایی روی چسب و ناحیه زمینه قابل نمایش نیستند. توانایی به دست آوردن اطلاعات از نقشه ها در یک زمان محدود است. همپوشانی نمادهای نقشه، دستیابی به اطلاعات مفید را دشوار می کند. وقتی محتوای نقشه کافی نیست، کاربران نمی توانند اطلاعات مناطق مربوطه را به طور کامل درک کنند. قانون رادیکال یا قانون انتخاب [ 28 ] برای رابطه بین تعداد نمادها در مقیاس های مختلف نمایش پیشنهاد شد:

نب=نآ·مآمب،

جایی که نآو نبتعداد نمادهای نقشه به ترتیب روی نقشه مبدا و مقصد هستند و مآو مببه ترتیب مخرج مقیاس نقشه در نقشه مبدا و مقصد هستند. علاوه بر این، Δنبتعداد تغییرات نماد ناشی از تغییر مقیاس است و به صورت زیر محاسبه می شود:

Δنب=12·نآ·مآمب،

از رابطه (5) می توان دریافت که تعداد نمادها با مقیاس به صورت غیر خطی تغییر می کند.

شکل 7 الف نشان می دهد که داده های جغرافیایی با مقیاس ثابت و شکل 7 ب نشان می دهد که داده های جغرافیایی با مقیاس متغیر نمایش داده می شوند. همانطور که در شکل 7 ب نشان داده شده است، شکل ناحیه فوکوس یک دایره است. دایره سبز ترسیم شده توسط خط پررنگ نشان دهنده ناحیه فوکوس است و قسمت بیرونی دایره سبز ترسیم شده توسط خط نازک مرز داخلی ناحیه زمینه را نشان می دهد. ناحیه فوکوس بزرگ‌نمایی می‌شود و جزئیات ناحیه فوکوس نشان داده می‌شود. جاده ها و نقاط بیشتری نمایش داده می شوند. نقاط و خطوط قرمز مطالبی هستند که به تازگی اضافه شده اند. از آنجایی که فضای نقشه ناحیه چسب بین ناحیه فوکوس و ناحیه زمینه کاهش می‌یابد، اطلاعات با اهمیت کمتر باید کنار گذاشته شوند تا درهم‌کاری بصری کاهش یابد. همانطور که در شکل 7 نشان داده شده استب، نقاط و خطوط خاکستری نشان دهنده راه ها و نقاط کم اهمیتی است که باید رها شوند.

5. آزمایش کنید

5.1. اطلاعات و پیش پردازش داده ها

برای تأیید بیشتر امکان‌سنجی روش پیشنهادی، آن را برای داده‌های جغرافیایی واقعی ارائه‌شده توسط مرکز ژئوماتیک شنژن اعمال می‌کنیم. روش پیشنهادی همانطور که در بالا ذکر شد شامل پردازش داده و ارائه داده است. الگوریتم پردازش داده ها در پایتون پیاده سازی شده است. پس از ایجاد ساختار داده سلسله مراتبی، از D3.js برای تولید نقشه با فرمت SVG در سمت مرورگر استفاده می شود. این یک کتابخانه جاوا اسکریپت برای تجسم داده ها است. در مقایسه با فرمت‌های داده مبتنی بر شطرنجی، تصاویر SVG فرمت‌های گرافیکی برداری محبوبی هستند که می‌توانند بدون افت کیفیت در اندازه‌های مختلف مقیاس شوند.

5.2. نتایج تجربی

شکل 8a نشان دهنده داده های جغرافیایی نمایش داده شده در یک مقیاس کوچک ثابت است که در آن جاده ها و POI ها فقط تقریباً نشان داده می شوند. به عنوان مثال توریستی را در نظر بگیرید که نقشه راه تعاملی را برای یافتن نقاط دیدنی (مثلاً رستوران ها، موزه ها و غیره) در محیط اطراف خود جستجو می کند. هنگامی که کاربران می خواهند اطلاعات جغرافیایی دقیق در مورد حمل و نقل و مکان POI در اطراف ایستگاه مترو را دریافت کنند، این نتیجه بدیهی است که نمی تواند نیازهای کاربران را برآورده کند. بنابراین باید اطلاعات دقیقی در مورد منطقه هدف در اختیار کاربران قرار دهیم. هنگامی که کاربران دستوری را برای بزرگ کردن منطقه مورد نظر و حرکت ماوس بر روی ایستگاه مترو انتخاب می کنند، موقعیت ماوس در نقطه مرکزی منطقه فوکوس تنظیم می شود و نمادهای نقشه به طور پویا با افزایش مقیاس افزایش می یابند. اطلاعات دقیق تر در مورد منطقه مورد نظر را می توان به دست آورد.شکل 8 ب نتیجه نمایش مقیاس متغیر تولید شده توسط روش پیشنهادی را نشان می دهد که به هدف افزایش محتویات دست یافته است. همانطور که در شکل 8 ب نشان داده شده است، ورودی های ایستگاه مترو با جزئیات مشخص شده اند. توزیع دقیق POI (به عنوان مثال، رستوران ها و مغازه ها) و جاده های نزدیک به ایستگاه مترو نمایش داده می شود. خطوط زرد نازک نشان دهنده جاده های اضافه شده است. شکل 8 ج نشان می دهد که اندازه ناحیه فوکوس کوچکتر است. شکل 8 d شکل ناحیه فوکوس را مستطیل شکل نشان می دهد.
همانطور که قبلا ذکر شد، کاربران اغلب می خواهند اطلاعات دقیقی در مورد چندین منطقه هدف به دست آورند. بنابراین، روش ما به کاربران این امکان را می دهد که چندین ناحیه فوکوس بزرگ شده ایجاد کنند و موقعیت و شکل مناطق فوکوس را تغییر دهند. همانطور که در شکل 9 ب نشان داده شده است، مکان های دو ایستگاه مترو مناطق متمرکز مشخص شده اند. هنگامی که داده های جغرافیایی در یک مقیاس ثابت نمایش داده می شوند، برای اطمینان از وضوح و خوانایی نقشه، نقشه تنها مکان ایستگاه های مترو را نشان می دهد، همانطور که در نشان داده شده است. شکل 9 نشان داده شده است.آ. پس از بزرگ‌تر شدن مقیاس‌های مناطق تمرکز، ورودی‌های ایستگاه مترو با جزئیات مشخص می‌شوند. توزیع دقیق POI ها (به عنوان مثال، رستوران ها و مغازه ها) و جاده های نزدیک به دو ایستگاه مترو همگی نمایش داده می شوند، که می تواند به کاربران در برنامه ریزی مسیر بین دو ایستگاه کمک کند. از آنجایی که مقیاس ناحیه چسب کاهش می یابد، POI با اهمیت کم حذف می شوند.
تعداد بیش از حد نمادهای نقشه منجر به درهم ریختگی بصری و سردرگمی می شود و اطلاعات مکانی مورد نیاز را نمی توان به دست آورد. کمبود محتوای نقشه ممکن است فضای سفید اضافی ایجاد کند و کاربران نتوانند اطلاعات مکانی جامعی را به دست آورند. تعداد مناسبی از نمادهای نقشه می تواند تا حد زیادی خوانایی نقشه را بهبود بخشد و به کاربران در خواندن بهتر نقشه کمک کند. در مقایسه با شکل 8 a، 22، 24 و 12 POI های جدید اضافه شده در ناحیه فوکوس در شکل 8 b-c نمایش داده شده اند. نتایج نشان می دهد که روش ما می تواند از فضای نقشه استفاده کامل کند و کیفیت نقشه ها را بهبود بخشد.

6. نتیجه گیری

این مقاله روشی را برای تولید پویا نقشه‌های مقیاس متغیر با توجه به خواسته‌های کاربران پیشنهاد می‌کند. سهم اصلی روش ما به شرح زیر است. ابتدا، ما یک ساختار داده سلسله مراتبی برای نمایش داده های جغرافیایی طراحی و پیاده سازی می کنیم تا به انتقال صاف و پیوسته در کاربردهای عملی دست یابیم. دوم، پس از ایجاد ساختار داده سلسله مراتبی در سمت سرور، سمت سرویس گیرنده می تواند اطلاعات را تنها بر اساس ورودی دستور عملیاتی توسط کاربران درخواست و نمایش دهد. علاوه بر این، در مقایسه با روش‌های قبلی، روش ما نقشه را به سه ناحیه تقسیم می‌کند که هم ناحیه فوکوس و هم ناحیه زمینه در یک مقیاس ثابت و ناحیه چسب در مقیاس متغیر نمایش داده می‌شود، که به کاربران کمک می‌کند هم تمرکز و هم زمینه را به دست آورند. نمایش اطلاعات در یک صفحه، و جزئیات بیشتری که کاربران بلافاصله با آن درگیر هستند را می توان نشان داد. در رندر تعاملی، کاربران می توانند سطح جزئیات را با تعریف مقیاس ها، تعداد و اشکال مناطق فوکوس کنترل کنند. نتایج تجربی نشان داد که روش پیشنهادی می‌تواند محتوای نقشه را افزایش دهد و به کاربران کمک کند اطلاعات بسیار بیشتری را روی یک صفحه کوچک برای بهبود خوانایی و قابلیت استفاده نقشه‌ها دریافت کنند. علاوه بر این، وضوح در دستگاه‌های کوچک امروزه با صفحه‌نمایش‌های رایانه در سال‌های نه چندان دور قابل مقایسه است. روش ما برای راه حل های دسکتاپ یا تبلت ها نیز قابل استفاده است، به ویژه اگر منطقه تحت پوشش نقشه واقعاً بزرگ باشد. نتایج تجربی نشان داد که روش پیشنهادی می‌تواند محتوای نقشه را افزایش دهد و به کاربران کمک کند اطلاعات بسیار بیشتری را روی یک صفحه کوچک برای بهبود خوانایی و قابلیت استفاده نقشه‌ها دریافت کنند. علاوه بر این، وضوح در دستگاه‌های کوچک امروزه با صفحه‌نمایش‌های رایانه در سال‌های نه چندان دور قابل مقایسه است. روش ما برای راه حل های دسکتاپ یا تبلت ها نیز قابل استفاده است، به ویژه اگر منطقه تحت پوشش نقشه واقعاً بزرگ باشد. نتایج تجربی نشان داد که روش پیشنهادی می‌تواند محتوای نقشه را افزایش دهد و به کاربران کمک کند اطلاعات بسیار بیشتری را روی یک صفحه کوچک برای بهبود خوانایی و قابلیت استفاده نقشه‌ها دریافت کنند. علاوه بر این، وضوح در دستگاه‌های کوچک امروزه با صفحه‌نمایش‌های رایانه در سال‌های نه چندان دور قابل مقایسه است. روش ما برای راه حل های دسکتاپ یا تبلت ها نیز قابل استفاده است، به ویژه اگر منطقه تحت پوشش نقشه واقعاً بزرگ باشد.
اگرچه ما معتقدیم روش پیشنهادی در عمل موثر و قابل اعتماد است، اما هنوز محدودیت‌هایی در چندین جنبه وجود دارد. اول، ما فقط به کاربران اجازه دادیم تا چند شکل هندسی ساده را مشخص کنند که اعمال آنها در مناطق هدف خاص با اشکال پیچیده دشوار است. علاوه بر این، هنگام ایجاد ساختار داده سلسله مراتبی برای نمایش داده های جغرافیایی، تقریباً هیچ توجهی به سایر عوامل احتمالی وجود نداشته است. در شرایط خاص، هنگام قضاوت درباره اهمیت POI مانند بیمارستان ها، مدارس و ادارات دولتی، باید سطح اداری را در نظر بگیریم یا اطلاعات زمینه را یکپارچه کنیم. علاوه بر این، اولویت کاربر باید در نظر گرفته شود. یعنی انواع اطلاعاتی که باید نشان داده شوند نیاز به یکپارچه سازی نیازهای خاص کاربران دارند.

منابع

  1. رابینسون، AC; دمشار، یو. مور، AB; باکلی، ا. جیانگ، بی. فیلد، ک. کراک، ام جی. Camboim, SP; Sluter، CR داده‌های بزرگ جغرافیایی و نقشه‌برداری: چالش‌ها و فرصت‌های تحقیق برای ساختن نقشه‌های مهم. بین المللی جی. جئوگر. 2017 ، 3 ، 32-60. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. ویلسون، دی. برتولتو، ام. Weakliam, J. شخصی کردن محتوای نقشه برای بهبود کارایی تکمیل کار. بین المللی جی. جئوگر. Inf. علمی 2010 ، 24 ، 741-760. [ Google Scholar ] [ CrossRef ]
  3. Keim، DA تجسم اطلاعات و داده کاوی بصری. IEEE. ترانس. Vis. محاسبه کنید. نمودار. 2002 ، 8 ، 1-8. [ Google Scholar ] [ CrossRef ]
  4. پاس، اف. تووینن، جی. Tabbers, H. اندازه گیری بار شناختی به عنوان وسیله ای برای پیشبرد نظریه بار شناختی. آموزش. روانی 2003 ، 38 ، 63-71. [ Google Scholar ] [ CrossRef ]
  5. کاکبرن، ا. کارلسون، ا. Bederson، BB مروری بر نمای کلی+جزئیات، بزرگنمایی، و فوکوس+متن واسط. ACM. محاسبه کنید. Surv. 2008 ، 41 ، 1-31. [ Google Scholar ] [ CrossRef ]
  6. آی، تی. چن، جی. مسائل کلیدی نمایش چند مقیاسی داده های مکانی. Geomat. Inf. علمی دانشگاه ووهان 2005 ، 30 ، 377-382. [ Google Scholar ]
  7. دومونت، ام. تویا، جی. Duchêne, C. طراحی نقشه های چند مقیاسی: درس های آموخته شده از شیوه های موجود. بین المللی جی. کارتوگر. 2020 ، 6 ، 121-151. [ Google Scholar ] [ CrossRef ]
  8. کورپی، ج. Ahonen-Rainio، P. روش های کاهش درهم و برهمی برای نمادهای نقطه در mashup های نقشه. Cartogr J. 2013 , 50 , 257-265. [ Google Scholar ] [ CrossRef ]
  9. Furnas, GW نماهای چشم ماهی تعمیم یافته. In Proceedings of the CHI’86 Human Factors in Computing Systems, Boston, MA, USA, 16-23 آوریل 1986. [ Google Scholar ]
  10. هری، ال. سارجاکوسکی، LT; Lehto, L. یک نقشه در مقیاس متغیر برای کارتوگرافی با نمایش کوچک. بین المللی قوس. فتوگرام 2002 ، 34 ، 237-242. [ Google Scholar ]
  11. آی، تی. لیانگ، آر. تجسم مقیاس متغیر در نقشه الکترونیکی ناوبری. Geomat. Inf. علمی دانشگاه ووهان 2007 ، 32 ، 127-130. [ Google Scholar ]
  12. یاماموتو، دی. اوزکی، س. تاکاهاشی، N. Focus+Glue+Context: یک رویکرد چشم ماهی بهبود یافته برای خدمات نقشه وب. در مجموعه مقالات هفدهمین کنفرانس بین المللی ACM SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، سیاتل، WA، ایالات متحده آمریکا، 3-6 نوامبر 2009. صص 101-110. [ Google Scholar ]
  13. یانگ، بی. Sun, L. تجسم چند مقیاسی تطبیقی ​​شبکه جاده برای ناوبری. Geomat. Inf. علمی دانشگاه ووهان 2008 ، 33 ، 363-366. [ Google Scholar ]
  14. لی، ز. Ti، P. تولید تطبیقی ​​نقشه های شبکه در مقیاس متغیر برای نمایشگرهای کوچک بر اساس توزیع چگالی خط. GeoInformatica 2015 ، 19 ، 277-295. [ Google Scholar ] [ CrossRef ]
  15. نیدرمن، بی. برچسب‌گذاری نقشه زمینه Haunert، JH Focus+ با کاهش به‌هم‌ریختگی بهینه. بین المللی جی. کارتوگر. 2019 ، 5 ، 158-177. [ Google Scholar ] [ CrossRef ]
  16. Wei, S. پیاده سازی نقشه کاشی دسترسی و Mosaicing بر اساس ArcEngine. Geomat. Inf. علمی دانشگاه ووهان 2012 ، 37 ، 737-740. [ Google Scholar ]
  17. لارکین، جی اچ. سیمون، HA چرا یک نمودار (گاهی اوقات) ده هزار کلمه ارزش دارد. شناخت. علمی 1987 ، 11 ، 65-100. [ Google Scholar ] [ CrossRef ]
  18. اشتاینیگر، اس. لانگ، تی. بورگاردت، دی. وایبل، آر. رویکردی برای طبقه‌بندی سازه‌های ساختمان شهری بر اساس تکنیک‌های تحلیل متمایز. ترانس. GIS 2008 ، 12 ، 31-59. [ Google Scholar ] [ CrossRef ]
  19. سلام.؛ آی، تی. یو، دبلیو. یک مدل طرح خطی برای شناسایی الگوی فضایی در شبکه‌های خیابانی شهری. بین المللی جی. جئوگر. Inf. علمی 2017 ، 31 ، 1541-1561. [ Google Scholar ] [ CrossRef ]
  20. یانگ، م. آی، تی. لو، دبلیو. چن، ایکس. ژو، Q. یک روش تعمیم بیدرنگ و تجسم چند مقیاسی برای داده های POI در اطلاعات جغرافیایی داوطلبانه. Acta Geod. کارتوگر. گناه 2015 ، 44 ، 228-234. [ Google Scholar ]
  21. آی، تی. لیو، ی. روشی برای ساده‌سازی خوشه نقطه‌ای با ویژگی توزیع فضایی. Acta Geod. کارتوگر. گناه 2002 ، 31 ، 175-181. [ Google Scholar ]
  22. لیو، اچ. ژانگ، ال. لانگ، ی. Zheng, Y. جابجایی زمان واقعی نمادهای نقطه بر اساس ویژگی های توزیع فضایی. ISPRS. بین المللی J. Geoinf. 2019 ، 8 ، 426. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  23. جونز، CB; باندی، جی ال. تعمیم ور، MJ Map با ساختار داده مثلثی. کارتوگر. Geogr. Inf. علمی 1995 ، 22 ، 317-331. [ Google Scholar ]
  24. یانگ، م. آی، تی. ژو، Q. روشی برای تعمیم شبکه جاده ای در مورد ویژگی های ضربه ای شی جاده. Acta Geod. کارتوگر. گناه 2013 ، 42 ، 581-587. [ Google Scholar ]
  25. جیانگ، بی. کریستف، سی. یک رویکرد ساختاری به تعمیم مدل یک شبکه خیابان شهری. GeoInformatica 2004 ، 8 ، 157-171. [ Google Scholar ] [ CrossRef ]
  26. لیو، ایکس. ژان، FB; Ai, T. انتخاب جاده بر اساس نمودارهای ورونوی و «سکته‌ها» در تعمیم نقشه. بین المللی J. Appl. زمین Obs. Geoinf. 2010 ، 12 ، S194–S202. [ Google Scholar ] [ CrossRef ]
  27. Mackaness، WA; ریش، KM استفاده از نظریه گراف برای پشتیبانی از تعمیم نقشه. کارتوگر. Geogr. Inf. علمی 1993 ، 20 ، 210-221. [ Google Scholar ] [ CrossRef ]
  28. تاپفر، اف. Pillewizer, W. اصول انتخاب، وسیله ای برای تعمیم نقشه برداری. کارتوگر. J. 1966 ، 3 ، 10-16. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00250 g001 550
شکل 1. مقایسه نقشه های مختلف در مقیاس متغیر: ( الف ) روش پیشنهاد شده توسط هری و همکاران. [ 6 ]؛ ( ب ) فوکوس + چسب + نقشه زمینه.
Ijgi 09 00250 g002 550
شکل 2. تقسیم نقشه مقیاس متغیر.
Ijgi 09 00250 g003 550
شکل 3. اشکال ناحیه فوکوس: ( الف ) دایره; ( ب ) مستطیل؛ ج ) بیضی
Ijgi 09 00250 g004 550
شکل 4. نمایش مقیاس متغیر با دو ناحیه کانونی.
Ijgi 09 00250 g005 550
شکل 5. چند ضلعی نقاط Voronoi.
Ijgi 09 00250 g006 550
شکل 6. استخراج رابطه مجاورت بخش های جاده بر اساس مثلث سازی دلونی.
Ijgi 09 00250 g007a 550 Ijgi 09 00250 g007b 550
شکل 7. شماتیک نمایش مقیاس متغیر: ( الف ) نمایش در مقیاس ثابت. ( ب ) نمایش در مقیاس متغیر.
Ijgi 09 00250 g008a 550 Ijgi 09 00250 g008b 550
شکل 8. نقشه در مقیاس متغیر با ناحیه کانونی: ( الف ) نمایش در مقیاس ثابت. ( ب ) نمایش در مقیاس متغیر و شکل ناحیه تمرکز دایره است. ( ج ) نمایش در مقیاس متغیر و اندازه منطقه تمرکز کوچکتر است. ( د ) نمایش در مقیاس متغیر و شکل ناحیه کانونی مستطیلی است.
Ijgi 09 00250 g009a 550 Ijgi 09 00250 g009b 550
شکل 9. نقشه مقیاس متغیر با دو ناحیه کانونی: ( الف ) نمایش در مقیاس ثابت. ( ب ) نمایش در مقیاس متغیر.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید