در ادغام مجموعه داده های جغرافیایی- فضایی، گاهی اوقات لایه ها قادر به پوشش کامل یکدیگر نیستند. در بیشتر موارد، علت ناهماهنگی، تنوع نقشه‌کشی اشیایی است که ویژگی‌ها را در مجموعه داده‌ها تشکیل می‌دهند. این می‌تواند به دلیل تغییرات واقعی روی زمین، جمع‌آوری یا ذخیره‌سازی باشد که منجر به همپوشانی یا باز شدن بین ویژگی‌ها می‌شود. در این مقاله، ما یک روش هم‌ترازی را ارائه می‌کنیم که از الگوریتم‌های تنظیم برای به‌روزرسانی هندسه ویژگی‌ها در یک مجموعه داده یا مجموعه داده‌های مجاور مکمل استفاده می‌کند تا بتوانند برای دستیابی به یکپارچگی کامل تراز شوند. این روش هر نمونه فضایی منحصربه‌فردی را در مجموعه داده‌ها و نقاط فضایی آن‌ها که تمام هندسه آن‌ها را تعریف می‌کند، شناسایی می‌کند. تفاوت ها مقایسه شده و برای محاسبه پارامترهای تراز استفاده می شود.

کلیدواژه‌ها:

شی‌محور، تراز هندسی، مدیریت ژئوفضایی

1. مقدمه

قدردانی از اطلاعات جغرافیایی- مکانی توسط مدیران و کاربران مختلف سیستم های اطلاعاتی به عنوان مبنایی برای تصمیم گیری مبتنی بر مکان، نیاز به توسعه رویکردهایی برای یکپارچه سازی مجموعه داده های جغرافیایی- فضایی به عنوان نیروی محرکه به سمت چشم انداز ذخیره سازی داده های مشترک را ایجاد کرده است. افزایش در دسترس بودن و دسترسی به اطلاعات جغرافیایی از قبل گرفته شده از طریق تبادل و به اشتراک گذاری. بیشتر سیستم‌های اطلاعات جغرافیایی از لایه‌های نقشه برای سازماندهی اشیاء جغرافیایی و جغرافیایی فضایی استفاده می‌کنند که ویژگی‌هایی را در مجموعه داده‌ها تشکیل می‌دهند. هر لایه جنبه خاصی از دنیای واقعی مدل‌سازی شده را توصیف می‌کند، مانند جاده‌ها، ساختمان‌ها، جنگل، و غیره. این یک تکنیک طبیعی برای سازمان‌دهی و تجسم داده‌ها از منابع مختلف ارائه می‌کند و آن را راهی کارآمد برای ذخیره‌سازی، دستکاری و تحلیل داده‌ها می‌کند [ 1 ].

ویژگی‌ها به‌ویژه در سطح زمین و کاربری‌های زمین دائماً در حال تغییر هستند، بنابراین نیاز به به‌روزرسانی، تنظیم و تراز کردن اشیاء تشکیل‌دهنده ویژگی‌ها در لایه‌های مختلف در پایگاه‌های جغرافیایی وجود دارد. این لایه‌ها همیشه توسط افراد یا سازمان‌های مرتبط با جنبه‌ها و مکان‌های خاص به‌روز می‌شوند. با این حال، ذخیره لایه‌های نقشه به‌طور جداگانه، حل مستقیم پرس‌و‌جوهای توپولوژیکی مربوط به ویژگی‌هایی را که به لایه‌های متعدد و متفاوت [ 1 ] و [ 2 ] مربوط می‌شوند، دشوار می‌کند، بنابراین نیاز به ادغام با استفاده از الگوریتم‌های مبتنی بر تطابق هندسی، تطبیق توپولوژیکی، یا تطبیق معنایی [ 3] . با این حال، به دلیل منابع مختلف و چندگانه داده‌ها، روش جمع‌آوری، ابزار مورد استفاده، روش ذخیره‌سازی و پارامترهای پیش‌بینی مورد استفاده، مجموعه داده‌های مختلف جغرافیایی گاهی نمی‌توانند کاملاً مطابقت داشته باشند. در این فرآیند، عملیات همپوشانی، اشیاء را از لایه‌های مختلف قطع می‌کند که منجر به ایجاد اشیاء جدیدی می‌شود که ناخواسته هستند [ 2 ] یا بین ویژگی‌ها باز می‌شوند. این نیاز به یکپارچه‌سازی مجموعه‌های داده را برآورده نمی‌کند، زیرا باعث می‌شود پایگاه‌های داده جغرافیایی به‌درستی با تغییرات جدید مورد نیاز برای به تصویر کشیدن آنچه در حال حاضر روی زمین است، به‌روزرسانی نشده باشند.

برای غلبه بر آن، الگوریتم های تنظیم هندسه مبتنی بر شی [ 2 ] – [ 6 ] توسعه یافته اند که می توانند برای تنظیم ویژگی ها استفاده شوند. در این مقاله، ما از این الگوریتم‌ها با ترکیب آن‌ها به روش‌های مختلف استفاده می‌کنیم تا به روش هم‌ترازی داده‌های جغرافیایی-مکانی مبتنی بر شی منفرد برسیم، به طوری که مجموعه داده‌های مکمل و مجاور را بتوان بدون ایجاد همپوشانی، باز کردن، زیرشاخه‌ها و بیش‌پرش‌هایی که منجر به برش‌ها می‌شود، ادغام کرد. (اشیاء کوچک ناخواسته) و آویزان ها (نقاط تکراری، خطوط یا چند ضلعی) در مجموعه داده های جغرافیایی فضایی.

2. کارهای مرتبط

2.1. یکپارچه سازی مجموعه داده

مجموعه داده‌های ژئوفضایی با استفاده از روش‌ها، ابزارها، سیستم‌های مرجع و داده‌های زمین‌شناسی مختلف که مجموعه‌داده‌ها را متفاوت می‌کند، جمع‌آوری می‌شوند. بنابراین، عملیات متفاوت و الگوریتم‌های زیادی برای انجام برش و یافتن تقاطع بین دو مجموعه داده وجود دارد. برخی بر ادغام اشیاء هندسی مشابه [ 3 ] از جمله تبادل صفات یا برای همگن کردن هندسه تمرکز می کنند. این آدرس معنایی ناهمگونی مجموعه داده‌های فضایی، بهبود کیفیت در صورتی که یک مجموعه داده به کیفیت بالاتری تبدیل شود، نمایش چندگانه بر اساس تطبیق دو مجموعه داده با استفاده از زبان مدل‌سازی یکپارچه (UML)، انتخاب اشیاء منطبق با استفاده از زبان پرس‌و‌جوی ساختاریافته (SQL)، و تنظیم هندسه شی ژئو فضایی. برای پوشش های چند ضلعی، بسیاری از الگوریتم ها با [ 2 ] توضیح داده شده اند] و [ 4 ] که می توانند روی چند ضلعی های مختلف مانند چند ضلعی های محدب، مستطیل و مقعر کار کنند که برخی از آنها به ساختارهای داده پیچیده و خاص نیاز دارند و برخی دیگر به محاسبه عملیات بولی روی چند ضلعی ها کمک می کنند که به تعیین تقاطع قطعات کمک می کنند [ 2 ]. اگرچه این عملیات ها همزمانی فضایی (در صورت وجود) دو لایه داده را تعیین می کنند، اما کاربر نهایی را در مورد نحوه پیاده سازی آنها برای به روز رسانی مجموعه داده های جغرافیایی فضایی از طریق تراز کردن ویژگی ها برای مجموعه داده های مشابه، مجاور یا مکمل راهنمایی نمی کنند.

برای رویکردهایی که به کارهای ابتدایی ترکیبی می‌پردازند، تعداد زیادی تلاش تحقیقاتی در این حوزه پیدا می‌کنیم: 1) رویکردهایی که با تطبیق اشیاء جغرافیایی-فضایی سروکار دارند، و 2) روش‌هایی برای تقاطع شی ژئو فضایی یا به‌روزرسانی پایگاه داده. طرح‌های مختلفی پیشنهاد شده‌اند: الف) رویکردهای پوشاننده لایه‌ای که از الگوریتم‌ها برای وظایف ادغام داده‌های جغرافیایی-مکانی مختلف استفاده می‌کنند، و ب) ایده‌های خاص‌تر، با استفاده از استراتژی‌های تنظیم شی ژئو فضایی فردی، برای دستیابی به راه‌حل کامل یکپارچه. مورد دوم تمرکز این کار است که به تراز هندسی مبتنی بر رویکردهای فعلی مانند تطبیق چند ضلعی بولی [ 2 ]، الگوریتم های تراز [ 5 ]، هندسه محاسباتی [ 7 ] می پردازد.] و تنظیم شی در مجموعه داده های مربوطه [ 6 ] .

2.2. ساختار و ترکیب داده های برداری GIS

دو مدل داده مکانی متداول برای ذخیره سازی داده های جغرافیایی – مکانی – رستری و برداری وجود دارد. در روش تراز، ما بر بردار تمرکز می کنیم که استفاده از خطوط جهتی برای نشان دادن یک ویژگی جغرافیایی است. چندین مدل داده برداری مختلف وجود دارد، با این حال تنها دو مورد معمولاً در ذخیره سازی داده های GIS استفاده می شوند: پیش نویس به کمک رایانه (CAD) و ساختار داده توپولوژیک. تمرکز روی توپولوژیک است زیرا روابط فضایی را بین ویژگی ها حفظ می کند. سه نوع فایل در نظر گرفته می شود: 1) shapefile که از دهه 1980 وجود داشته و یکی از رایج ترین فرمت های انتقال داده باقی مانده است، 2) GML متنی است و قابل خواندن توسط انسان است، و 3) Spatialite زیرا از یک فایل استفاده می کند و قادر است. برای ذخیره هندسه ها و پرس و جو کردن آنها با توابع فضایی مشابه آنچه در پایگاه داده های جغرافیایی مانند PostGIS یافت می شود.

همانطور که روش را توسعه دادیم، ساختارهای داده توپولوژیکی را به نیاز چارچوب جغرافیایی-مکانی مرتبط می کنیم:

1) روش ایده آل برای بهبود قابلیت استفاده از داده ها باید بر اساس مدل داده های شی گرا [ 8 ] [ 9 ] باشد. داده‌های جغرافیایی-مکانی باید به عنوان اشیاء قابل شناسایی با توجه به موجودیت‌های جغرافیایی (ویژگی‌های) موجود در دنیای واقعی مدل‌سازی شوند، که به پیوند دادن اطلاعات مکانی با اطلاعات مختلف اجتماعی-اقتصادی و منابع طبیعی کمک می‌کند.

2) داده‌های ژئومکانی از منابع مختلف با مقیاس‌های متفاوت باید بتوانند با استانداردها، مدل داده‌ها، طرح‌ریزی و نمایش یکسان [ 10 ] [ 11 ] نگاشت شوند تا توصیف موجودیت یکسان در مجموعه‌های داده مختلف سازگار باشد.

3) روابط بین اشیاء باید مدل‌سازی شود و ادغام مجموعه‌های داده‌های جغرافیایی-فضایی مختلف باید ادغام سه بعدی 1) افقی (همسایگی)، 2) عمودی (پوشش) و 3) زمانی (زمانی) [ 12 ] را انجام دهد. ، روابط بین ساختمان ها و قطعات زمین، روابط بین قطب ها (شیء نقطه ای) و خط برق (شیء خط) [ 13 ] و غیره.

روش هم ترازی از سه مشخصه استفاده می کند که در آن اشیاء تشکیل دهنده ویژگی ها به عنوان واحد مدل سازی بر اساس اولیه های فضایی اولیه (نقطه، چند خط و چند ضلعی) استفاده می شود تا اصلاح ناسازگاری هندسی را از طریق به روز رسانی و تنظیم اشیاء انجام دهد تا آنها در سه حالت تراز شوند. ابعاد (افقی، عمودی و زمانی) داده های مکانی. این امر با در نظر گرفتن ویژگی‌های مطلوب سیستم‌های اطلاعاتی انجام می‌شود – درست، به‌روز، استاندارد، انعطاف‌پذیر، مختصر، به شکل دلخواه و کافی برای نیازهای کاربران و نیاز آنها به اشتراک‌گذاری [ 14 ].] . برای GIS، اشتراک گذاری راه هایی را برای توزیع اطلاعات جغرافیایی در میان بسیاری از کاربران فراهم می کند که تصمیم گیری را افزایش می دهد و با کاهش تلاش و هزینه های هدر رفته در نتیجه تکرار، باعث افزایش تصمیم گیری و صرفه جویی قابل توجهی در جمع آوری و ادغام داده ها می شود [ 15 ] [ 16 ]، که هدف بسیاری از ابتکارات مانند openstreepmap، googlemaps، OpenGIS و SDI. روش هم ترازی این ابتکارات را با آسان کردن به روز رسانی، تنظیم و تراز کردن هندسه اشیاء در مجموعه داده به صورت افقی، عمودی و در طول زمان مطابق با ویژگی های دوم و سوم چارچوب جغرافیایی-فضایی تحسین می کند.

3. الزامات روش تراز

رویکردهای هم ترازی داده های جغرافیایی-مکانی به دو دسته جهانی و محلی/فردی طبقه بندی می شوند. روش‌های جهانی فرض می‌کنند که همه ویژگی‌های روی لایه را می‌توان با استفاده از پارامترهای یکسان تراز کرد. روش‌هایی مانند «مشکل هم‌ترازی خودکار تصویر-نقشه با استفاده از یک معیار تشابه به نام اطلاعات متقابل کد مبتنی بر لبه» [ 5 ] برای مجموعه داده‌های مبتنی بر تصویر خوب هستند و از پارامترهای تبدیل کلی استفاده می‌کنند که به تغییرات شی منفرد توجهی نمی‌کنند. سایر موارد شامل برش چند ضلعی مبتنی بر برداری، تقاطع، یا همپوشانی [ 2 ] و [ 4 ] است. روش‌های جداگانه فرض می‌کنند که هر ویژگی روی لایه ممکن است خطاهای متفاوتی داشته باشد و پارامترهای تراز برای هر شی مانند روش هم‌ترازی محاسبه می‌شوند.

برای همراستایی داده های GIS برداری، الزامات خاصی وجود دارد که باید برآورده شوند

• معنای اشکال را حفظ کنید—این امر مستلزم حفظ صفات است.

• حفظ رابطه بین اشیاء – این تحت توپولوژی انجام می شود.

• جدا کردن داده ها به لایه ها برای مدل سازی و تجزیه و تحلیل آسان – نیاز به نگه داشتن اشیاء بر روی لایه ها در طول تراز.

ما موارد زیر را برای راهنمایی در توسعه روش هم ترازی اضافه کردیم.

• باید بتوان اشیاء مجزا را روی یک لایه یا قسمت هایی از اشیاء به کار گرفت.

• می تواند نقاط، خطوط و چند ضلعی ها یا هر ترکیبی از آنها را مدیریت کند.

الزامات و شرایطی وجود دارد که باید برآورده شوند و باید در مجموعه داده‌ها در طول و بعد از روش هم‌ترازی وجود داشته باشند، این موارد به چهار دسته‌بندی می‌شوند: الزامات ادغام مجموعه‌های داده، هم‌ترازی مکمل جغرافیایی-مکانی، نیاز تبدیل مجموعه‌های داده، و ویژگی‌های مجموعه داده‌های همتراز شده.

در طول ادغام، الزامات خاصی برای ادغام مجموعه داده ها وجود دارد که برای داشتن یک مجموعه داده برداری یا لایه GIS مناسب باید برآورده شوند.

• نباید هیچ تکه ای (اشیاء ناخواسته کوچک) که از تلاقی اشیاء در طول ادغام مجموعه داده ها حاصل می شود وجود داشته باشد. اگر برش‌ها ظاهر می‌شوند، به جای استفاده از الگوریتم‌های تمیز کردن یا حذف برای حذف آنها، باید در حین تراز تنظیم شوند.

• نباید هیچ گونه آویزان (نقاط و خطوط بی معنی) در مجموعه داده تراز نهایی وجود داشته باشد. گره ها فقط باید در انتهای خطوط یا در محل تلاقی خطوط وجود داشته باشند. رئوس فقط باید در امتداد خطی باشد که در آن تغییر جهت وجود دارد.

• ادغام باید روی مجموعه داده ها در طرح، مقیاس، و داده یکسان صورت گیرد.

• ادغام باید بر اساس اشیاء تشکیل دهنده ویژگی ها و ویژگی اولیه مورد استفاده برای شناسایی باشد.

ما اصطلاح “هم ترازی مکمل جغرافیایی-فضایی” را برای تعریف سه موقعیت مختلف معرفی کردیم که می توانند در طول تنظیم هندسه و تراز بین مجموعه داده تنظیم (AD) و مجموعه داده مرجع (RD) خارج شوند. جایی که AD مجموعه داده ای است که نیاز به به روز رسانی دارد یا دارای اشیایی است که باید تنظیم شوند، در حالی که RD مجموعه داده ای است که به عنوان مرجع در هنگام محاسبه پارامترهای تنظیم و تراز استفاده می شود:

1) Single Forward Alignment (SFA): جایی که RD تمام جزئیات مورد نیاز برای به روز رسانی AD را دارد و فقط مقایسه با AD برای محاسبه پارامترهای تراز مورد نیاز است. اجازه دهید نمونه ای از دو مجموعه داده را در نظر بگیریم – AD دارای قطعات مسکونی و RD با هر دو قطعه مسکونی و خانه در آن قطعه ها. اگر RD تمام اطلاعات اخیر در مورد خانه‌های مورد نیاز برای AD را داشته باشد، به‌روزرسانی‌های SFA در جایی اعمال می‌شود که مقادیر از RD به AD منتقل می‌شوند و هیچ چیزی به RD برگردانده نمی‌شود.

2) Single Complementary Alignment (SCA): RD تمام جزئیات مورد نیاز برای به روز رسانی و تنظیم اشیاء در AD را ندارد. این بدان معنی است که نیاز به دریافت برخی جزئیات از AD برای تکمیل مواردی که از RD می‌آیند، قبل از دستیابی به تراز نهایی AD وجود دارد، حتی زمانی که مجموعه داده مورد نظر AD باشد. به عنوان مثال RD اطلاعات اخیر در مورد خانه ها دارد و AD مرزبندی مناسبی از قطعات زمین برای خانه ها دارد. این دو به منظور به‌روزرسانی مجموعه داده‌های دارای پلات‌هایی با خانه‌های مناسب تراز و متناظر مورد نیاز هستند.

3) تراز مکمل دوطرفه (TCA): نه RD و نه AD تمام جزئیات مورد نیاز برای ایستادن را ندارند، اما هر دو باید به روز شوند. این بدان معنی است که نیاز به دریافت جزئیات از این دو برای به روز رسانی هر دو برای مفید بودن هر دو وجود دارد. به عنوان مثال AD اطلاعات اخیر در مورد خانه ها دارد و RD مرزبندی مناسبی از قطعات زمین برای خانه ها دارد، اما ما نیاز داریم که هر دو مجموعه داده به روز شوند. مثال دیگر جایی است که RD و AD در مجاورت یکدیگر قرار دارند، اما این دو نیاز به به روز رسانی دارند تا یک مرز کامل بدون ایجاد باز و همپوشانی ایجاد شود.

الزامات تبدیل مجموعه داده‌ها وجود دارد که مجموعه داده‌های حاصل باید برآورده شوند، از جمله:

• اشیا و ویژگی ها می توانند معنای خود را حفظ کنند (ویژگی های اولیه).

• دگرگونی می تواند معنای شی را در صورت نیاز تغییر دهد.

• انتقال ویژگی اولیه می تواند بین دو مجموعه داده مختلف باشد.

• رابطه بین اشیاء باید حفظ شود.

• تبدیل می تواند مجموعه داده ها را از یک طرح به طرح دیگر منتقل کند.

• دگرگونی می تواند در صورت نیاز نوع اولیه هندسه را تغییر دهد.

• مختصات اشیاء را می توان در طول تبدیل تغییر داد.

• سیستم های مختصات را می توان در طول تبدیل تغییر داد.

• تبدیل ها می توانند مجموعه داده ها را از یک مبدأ به داده دیگر منتقل کنند.

• تبدیل ها می توانند تعداد اشیاء در لایه یا مجموعه داده را از طریق افزودن یا حذف تغییر دهند.

ویژگی های مجموعه داده های هم تراز شامل موارد زیر است:

• اشکال دارای معنی (ویژگی اولیه).

• رابطه بین شیء حفظ شده.

• داده ها را می توان به لایه ها برای مدل سازی و تجزیه و تحلیل آسان جدا کرد.

• قادر به شناسایی اشیاء منفرد یا بخش هایی از شی در یک لایه.

• بدون قیچی و آویزان.

• طرح نهایی مجموعه داده مرجع است.

4. اجزای روش تراز

الگوریتم‌های تنظیم هندسه مبتنی بر شیء [ 2 ] – [ 6 ] در ترکیب‌های مختلف با توجه به الزامات که در بخش 3 قبلی توضیح داده شد، استفاده شدند. آماده سازی داده ها (تمیز کردن، تطبیق، اعتبار هندسه، و ویژگی اولیه)، 3) پردازش داده ها، و 4) مدیریت داده ها همانطور که در شکل 1 نشان داده شده است – نمودار جریان روش.

4.1. ورود اطلاعات

اولین کار خواندن مجموعه داده های جغرافیایی- فضایی درگیر در تراز به عنوان لایه ها است – مجموعه داده مرجع (RD) که مقادیر تراز و مجموعه داده های تنظیم (AD) را ارائه می دهد که دارای اشیایی است که باید تراز شوند. کاربر AD و RD را مشخص می کند، همچنین ویژگی اولیه (PA) را که معنای ویژگی ها است، شناسایی می کند. همانطور که داده ها خوانده می شوند، ساختارهای داده برای بررسی نوع هندسه اشیاء (نقاط، خطوط، چندضلعی) قبل از ذخیره آنها در ماتریس ها با توجه به نوع هندسه آنها مقایسه می شوند. این امر برای اطمینان از اینکه از همان نوع هندسه هنگام مقایسه، به روز رسانی، تنظیم و تراز کردن مجموعه داده ها استفاده می شود، حیاتی است.

4.2. آماده سازی داده ها

آماده سازی داده ها شامل قرار دادن داده ها در یک طرح ریزی، تمیز کردن و حذف geome- غیر ضروری است.

شکل 1 . اجزای روش تراز و نمودار جریان.

تلاش می کند، تطبیق شی متناظر در مجموعه داده ها، تعیین تفاوت، و اطمینان از یکسان بودن هندسه هایی که روی آنها کار می شود – نقطه با نقطه، خط با خط، و چند ضلعی با چند ضلعی. این امر توسط الگوریتم‌های مبتنی بر تطابق هندسی، توپولوژیکی یا معنایی [ 3] به دست می‌آید . برای لایه های داده GIS تفاوت تعیین می شود و پارامترهای مورد استفاده در مقایسه عبارتند از دقت، وضوح و مقادیر واقعی داده ها. این مراحل در حال حاضر در برنامه های کاربردی GIS موجود مانند QGIS، ArcGIS و Jump GIS موجود هستند.

اگر اختلاف به‌دست‌آمده صفر باشد، به این معنی است که لایه‌ها یکسان هستند و اشیا مطابقت دارند. اگر نتیجه صفر نباشد، می تواند مثبت یا منفی باشد، به این معنی که دو مجموعه داده دارای تغییرات هستند. مقادیر مثبت یا منفی جهت را نشان می دهد که در طول تنظیم هندسی باید کم یا اضافه شود. همچنین به شناسایی اشیایی که باعث اختلاف می شوند کمک می کند. برای مثبت، به این معنی است که مجموعه داده اول دارای اجزای هندسی بزرگتر یا بیشتر است و بالعکس برای منفی. به این معنی که برای مثبت، یا اشیاء هندسی باید در مجموعه داده اول کاهش یابند یا اشیاء بیشتری باید در مجموعه داده دوم اضافه شوند.

برای اعمال موارد فوق، این روش از شیوه سازماندهی مجموعه داده های جغرافیایی- فضایی بر اساس معنا (موضوع) بهره می برد. هر موضوع به طور مستقل در لایه هایی مانند لایه جاده با انواع جاده ها (مانند بزرگراه ها، خیابان ها)، لایه ساختمانی دارای ساختمان های مختلف (مانند خانه ها، میدان ها، دروازه ها، پاساژها و غیره) ذخیره می شود. این یک روش و تکنیک طبیعی برای سازماندهی و تجسم داده ها از منابع مختلف فراهم می کند و آن را راهی کارآمد برای ذخیره سازی، دستکاری و تجزیه و تحلیل داده ها می کند [ 1]. برای گیت هاوس روی لایه ساختمان، اشیایی مانند پنجره، در و غیره وجود دارد که با اشیاء فضایی نشان داده می شوند. اشیاء با شکل، اندازه و مکان ارائه شده توسط اولیه (نقاط، خطوط، و چندضلعی) تعریف می شوند. راس ها شکل چند خط را در طول آن مشخص می کنند. Polylines که به یکدیگر متصل می شوند یک گره مشترک دارند. چند ضلعی ها با چند خطوط محدود تشکیل می شوند که موقعیت هر چند ضلعی را پیگیری می کنند.

4.3. پردازش

در طول پردازش، الزامات از یک مجموعه داده به دیگری متفاوت است. به همین دلیل است که هر الگوریتم بسته به موقعیت‌های مکمل و نیازهای مجاور قادر به اجرا و فراخوانی برای عمل مستقل است.

این روش با خواندن و ایجاد ساختار داده و سپس ذخیره متن در یک ماتریس، شکل هندسه را به متن ترجمه و رمزگشایی می کند. در متلب، تابع “shaperead” خواندن لایه ها را کنترل می کند و ماتریس ها را پر می کند، به عنوان مثال S = shaperead (“nakawa.shp”) – لایه nakawa را می خواند و ماتریس را در متغیر S نگه می دارد. روش تراز یک ساختار داده ایجاد می کند. در صورت نیاز برای مثال با استفاده از تابع “struct” در MATLAB S = ساختار (“Geometry”، “Line”، “Bounding Box”، [0 0; 3 3] ، “X”, [1 2 2 1 1] , “Y “، [1 1 2 2 1]). برای ارجاع و کار بر روی یک نقطه فضایی خاص در یک ماتریس، از رویکرد تعیین سطر و شماره ستون آن استفاده می‌شود، جایی که در متغیر ماتریس S، سطر و سپس ستون: S (ردیف، ستون) را مشخص کنید. تعداد اشیاء داخل سازه محاسبه می شود و برای تعیین تعداد تکرارهایی که در طول فرآیند هم ترازی روی سازه انجام می شود، استفاده می شود. از آنجایی که مختصات xy برای نقاط، رئوس و گره‌های تمام اشیاء تشکیل‌دهنده ویژگی‌های یک لایه خوانده می‌شود، تنظیم هندسه با تغییر مقادیر xy که در شاخص‌های مربوطه به‌عنوان متغیر استفاده می‌شوند انجام می‌شود تا اطمینان حاصل شود که اشیا و شکل می‌توانند بازسازی شوند.

این روش از ویرایش هندسه در فرم متن بهره می برد و قابلیت های زیر ارائه می شود:

1) ایجاد نقاط، خطوط و چندضلعی.

2) نقاط متحرک، خطوط، و چند ضلعی.

3) حذف نقاط، خطوط و چند ضلعی ها.

4) درج، جابجایی و حذف رئوس.

5) ترکیب و انفجار هندسه ها به و از مجموعه داده ها.

روش تراز به گونه ای اجرا می شود که الگوریتم های تنظیم مختلف را در ترکیب های مختلف بارگذاری می کند تا تراز هندسی مورد نیاز را فراهم کند. توابع مختلف در الگوریتم های موجود استخراج و به زیر الگوریتم های زیر گروه بندی شدند که روش هم ترازی را تشکیل می دهند:

1) خواندن مجموعه داده ها و شناسایی نوع هندسه.

2) انجام ارجاع داده به مجموعه داده و تصمیم گیری در مورد نوع تنظیم.

3) یکسان کردن تعداد اشیاء در دو مجموعه داده.

4) به روز رسانی، تنظیم و تراز کردن هندسه ها با استفاده از مقادیر مختصات.

5) نوشتن مجموعه داده تراز شده روی دیسک.

برای عملی کردن این روش، از Shapefiles Nakawa استفاده کردیم که دارای اشیاء زیاد اما متفاوت بودند. منابع داده KCCA (مرجع شورای شهر کامپالا) و UBOS (اداره آمار اوگاندا) بودند که بخش ناکاوا شهر کامپالا در اوگاندا را نمایندگی می‌کنند، همانطور که در شکل 2 نشان داده شده است.

از شکل بالا، می‌توانیم اندازه و شکل اجسام را ببینیم، اما جزئیات ساختار آنها (نوع هندسه، مکان، تعداد اجسام و ویژگی‌ها) را نمی‌بینیم. مجموعه داده‌های KCCA به‌عنوان RD (در سمت چپ) استفاده می‌شود که دارای زیربخش‌های کوچک‌تری به نام محله‌ها است و یکی از UBOS که به‌عنوان AD استفاده می‌شود (سمت راست) Nakawa را به عنوان یک جسم جامد نشان می‌دهد. با استفاده از MATLAB (یا هر نمایشگر جزئیات ساختار داده)، ساختار داده را استخراج کردیم ( جدول 1 و جدول 2 را ببینید ) تا پارامترهایی را داشته باشیم که به روز و تنظیم می شوند.

در جداول بالا، کاراکترهای نام فایل (Filename)، انواع اشیاء هندسی داخل (ShapeType)، وسعت مکان مجموعه داده (Bounding Box)، تعداد اشیاء داخل (NumFeatures)، تعداد ویژگی های مرتبط با هر یک را داریم. ساختار (ویژگی ها). مجموعه داده از KCCA ( جدول 1 ) دارای 23 شی بود که می توان با مشاهده ردیف NumFeatures و مقایسه آن با جدول 2 مشاهده کرد.UBOS که فقط یک شی دارد. علاوه بر این، مجموعه داده از KCCA دارای جزئیات بیشتری است که می توان با نگاه کردن به ویژگی ها مشاهده کرد زیرا دارای 18 ستون از ویژگی ها در مقایسه با هشت ستون در مجموعه داده از UBOS است. همچنین می‌توان مشاهده کرد که دو مجموعه داده اگرچه مکان یکسانی را نشان می‌دهند (بخش ناکاوا شهر کامپالا) در مکان‌های متفاوتی با توجه به مقادیر حداقل و حداکثر مطابق با جعبه مرزی هر مجموعه داده قرار دارند ( جدول 1 و جدول 2 ). با استخراج مقادیر جعبه مرزی و مقایسه آنها با استفاده از جدول 3 ، تغییرات مکان را مشاهده می کنیم.

از جدول، دو مجموعه داده بین عرض‌های جغرافیایی یکسان بر اساس قرائت‌های شرق (مختصات x) آنها قرار دارند، اما در طول‌های جغرافیایی (موقعیت‌ها) متفاوت در امتداد خوانش‌های شمال (مختصات y) قرار دارند. با قرار دادن آن بر روی محورهای xy، شکل 3 را دریافت می کنیم که مکان نسبی دو جعبه مرزی را برای دو مجموعه داده نشان می دهد.

تجزیه و تحلیل بیشتر نشان می دهد که دو مجموعه داده به اندازه مساحت 9057 در 13755 متر در سطح زمین را اشغال می کنند، اگرچه آنها در مکان های مختلف به دلیل مقادیر y متفاوت هستند، اما دارای مقادیر x یکسانی هستند. این امر برای مجموعه داده هایی که با استفاده از سیستم های مختلف جمع آوری و ذخیره شده اند رایج است. این بدان معناست که دو مجموعه داده در یک مکان قرار می گیرند و کادر مرزی یکسانی برای دو مجموعه داده دارند. این امر با ترجمه AD از 9800000 متر (تفاوت بین مقادیر y همانطور که در جدول 3 محاسبه شده است ) در امتداد محور y به منظور قرار گرفتن در همان مکان RD در سطح زمین به دست می آید. این باعث می شود AD اندازه جعبه مرزی را داشته باشد و در همان مکان RD باشد.

گام بعدی رسیدگی به تعداد اشیاء در مجموعه داده‌ها بود، از جدول 1 و جدول 2 ، مجموعه داده AD از UBOS دارای یک شی بود، بنابراین، تعداد اشیاء در AD باید افزایش می‌یافت تا با RD مطابقت داشته باشد. این روش با قرار دادن اشیاء بیشتر در AD با استفاده از جزئیات مختصات اشیاء در RD این کار را انجام می دهد.

شکل 2 . ناکاوا از KCCA (چپ) و UBOS (راست).

شکل 3 . محل جعبه های مرزی ناکاوا.

جدول 1 . جزئیات ساختار داده داده های Nakawa از KCCA.

جدول 2 . جزئیات ساختار داده داده های ناکاوا از UBOS.

جدول 3 . جعبه مرزی هندسی ناکاوا.

این کار با استفاده از یک شی در RD در یک زمان انجام می شود و این فرآیند شامل خواندن جزئیات جسم است که به نقاط متصل شده اند (در این مورد رئوس در امتداد بخش هایی که لبه های چند ضلعی را تشکیل می دهند و انتقال آنها به AD انجام می شود. درج مقادیر xy و ویژگی‌های مربوطه در ماتریسی با ساختار داده AD. این فرآیند تا زمانی ادامه می‌یابد که تمام اشیاء در RD و ویژگی‌های آنها خوانده و منتقل شوند. این باعث می‌شود AD دارای تعداد اشیاء مشابه با RD باشد و ماتریس ویژگی آن افزایش می‌یابد. به ازای تعداد اشیاء کپی شده این فرآیند هم ترازی به روز رسانی و تنظیم AD را انجام می دهد.

تراز کردن اشیاء به روز شده

مقادیر xy نهایی به‌دست‌آمده پس از اعمال به‌روزرسانی و تنظیم برای جایگزینی مختصات xy اشیاء استفاده می‌شوند و به ماتریس ساختار داده بازگردانده می‌شوند. لازم به ذکر است که تنها مقادیر xy تمام اجزای ساختار داده در ماتریس جایگزین می شوند. این به حفظ ویژگی و توپولوژی / رابطه بین اشیاء در مجموعه داده کمک می کند.

این فرآیند برای هر رأس و برای هر شی در مجموعه داده که تراز می شود ادامه می یابد تا لیستی از مقادیر به دست آید:

فهرست مقادیر x (Xuv 1 , Xuv 2 , Xuv 3 , Xuv 4 … Xuv n )

فهرست مقادیر y (Yuv 1 , Yuv 2 , Yuv 3 , Yuv 4 … Yuv n )

پس از تغییر مقادیر xy، این روش ویژگی ها/معنا را با ارتقای کاربر برای شناسایی ویژگی اصلی برای هر شی مقایسه می کند. اگر کاربر تصمیم به اضافه کردن ویژگی های بیشتری داشته باشد، آن را نشان می دهد. این روش با خواندن ویژگی‌ها از ماتریس ادامه می‌یابد و آنها را به ویژگی‌های موجود در ساختار داده مجموعه داده هدف اضافه می‌کند.

4.4. مدیریت

4.4.1. تبدیل اشیاء به روز شده به یک لایه GIS

اشیاء تراز شده از قالب ماتریس به لایه برداری تبدیل شده و روی دیسک نوشته می شوند. برای شکل فایل‌ها، سه فایل برای هر شکل فایل با نام پایه یکسان اما پسوندهای فایل متفاوت ایجاد می‌شود. پسوندها .dbf (قالب مشخصه – ویژگی های ستونی برای هر شکل، در قالب dBase IV)، .shp (فرمت شکل – هندسه اشیاء را ذخیره می کند) و .shx (قالب شاخص شکل – شاخص موقعیتی هندسه شیء هستند. تا امکان جستجوی سریع به جلو و عقب را فراهم کند). به عنوان مثال، یک shapefile از مناطق دارای فایل های districts.dbf، areas.shp، و districts.shx خواهد بود.

4.4.2. حذف نقطه و ساده سازی خم

پس از فرآیند هم ترازی، الگوریتم حذف نقطه یا الگوریتم ساده سازی خم ممکن است در مواردی که نیاز به کاهش تعداد نقاط یا ذخیره سازی یا دستیابی به تعمیم خط وجود داشته باشد، اعمال شود [ 17 ]. با این حال، هنگام استفاده از الگوریتم حذف نقطه باید مراقب بود تا اجسام شکل هندسی اصلی خود را از دست ندهند که به نوبه خود بر روابط توپولوژیکی بین اشیاء تأثیر می گذارد.

4.4.3. آزمایش روش تراز

آزمایش با استفاده از مجموعه داده‌ها و شرایط مختلف، همانطور که در شرایط روش هم‌ترازی توضیح داده شد، انجام شد، که در آن مجموعه داده‌ها (AD) به‌روزرسانی شد و اشیاء به‌گونه‌ای تنظیم شدند که با استفاده از مقادیر داده مرجع (RD) متناظر که به روش وارد می‌شوند، تراز شوند. در بخش 4.3 با استفاده از مجموعه داده Nakawa نشان داده شده است.

5. نتیجه گیری و کار آینده

5.1. نتیجه

ما نشان داده‌ایم که یکپارچه‌سازی داده‌های جغرافیایی-مکانی را می‌توان به طور موثر با ترکیب تراز هندسی برای به‌روزرسانی و تنظیم یک مجموعه داده با تغییرات از مجموعه داده دیگر یا منبع شناخته شده انجام داد. این را می توان به راحتی با استفاده از اشیاء هندسی فضایی که برای تعریف تمام عناصر داده های جغرافیایی-مکانی دستکاری شده اند انجام داد. با این کار، یک تراز یکنواخت به دست می‌آوریم که از بریدگی‌ها و آویزان‌هایی که همیشه در حین ادغام داده‌ها به دلیل همپوشانی‌ها، باز شدن‌ها، و فرارفتگی‌ها در میان هندسه ویژگی‌ها روی لایه‌ها در نتیجه تغییرات در رویکردهای جمع‌آوری، ذخیره‌سازی و دستکاری داده ایجاد می‌شوند، جلوگیری می‌کند. این مکمل یکپارچه سازی موثر داده ها از منابع مختلف است که به افزایش درک و تصمیم گیری آگاهانه در مورد اقدامات انجام شده بر روی زمین از طریق پاسخ به سؤالات پیچیده در سیستم های اطلاعات جغرافیایی-فضایی کمک می کند.

5.2. کار آینده

اسماعیل وادمبر، پاتریک اوگائو برای تسهیل استفاده روزانه توسط پزشکان GIS، قصد داریم این روش را با استفاده از پایتون به یک برنامه کاربردی یا افزونه تبدیل کنیم که می تواند به عنوان یک افزونه در QGIS استفاده شود. این همه عملکردها را در یک منوی QGIS مانند “Geometry Alignment” و عملکردهای مختلف که توسط کاربران QGIS با کلیک بر روی منوهای فرعی آن قابل دسترسی است، قرار می دهد. عملکردها از الگوریتم‌های مستقل متفاوتی که روش را تشکیل می‌دهند به دست می‌آیند. افزونه QGIS به شما کمک می کند که همه عملکردها را پیوند داده و توضیح دهد و یک راهنمای کاربر کاملاً مستند که جزئیات نحوه اجرای همه وظایف را بر روی داده های واقعی توضیح می دهد.

منابع

  1. Oosterom، PV (1994) الگوریتم همپوشانی نقشه مبتنی بر درخت R. بنیاد EGIS.  [زمان(های استناد): 2]
  2. Martinez, F., Rueda, AJ and Feito, FR (2009) یک الگوریتم جدید برای محاسبه عملیات بولی روی چند ضلعی ها. Computers & Geosciences, 35, 1177-1185. https://dx.doi.org/10.1016/j.cageo.2008.08.009  [زمان(های استناد): 8]
  3. Moosavi, A. and Alesheikh, AA (1387) توسعه الگوریتم تطبیق برداری با در نظر گرفتن روابط توپولوژیک. در: مجموعه مقالات نقشه خاورمیانه، امارات، دبی، مقاله شماره 40. https://gisdevelopment.net/proceedings/mapmiddleeast/2008/index.htm  [زمان(های استناد): 2]
  4. Liu, YK, Wanga, XQ, Bao, SZ, Gombosi, M. and Zalik, B. (2007) الگوریتمی برای برش چند ضلعی و تعیین تقاطع ها و اتحادیه های چند ضلعی. Computers & Geosciences, 33, 589-598. https://dx.doi.org/10.1016/j.cageo.2007.03.002  [زمان(های استناد): 2]
  5. Li, T. and Kamata, S. (2008) تراز خودکار تصویر-نقشه با استفاده از اطلاعات متقابل کد مبتنی بر لبه و اسکن هیلبرت سه بعدی. مجله IIEEJ, 37, 223-230.  [زمان(های استناد): 2]
  6. Sester, M., G?sseln, GV and Kieler, B. (2007) شناسایی و تنظیم اشیاء متناظر در مجموعه داده با منشاء متفاوت. دهمین کنفرانس بین المللی AGILE در علم اطلاعات جغرافیایی 2007، دانشگاه آلبورگ، 1-7.  [زمان(های استناد): 3]
  7. Bayer, T. (2008) اهمیت هندسه محاسباتی برای کارتوگرافی دیجیتال. ژئوانفورماتیک، دانشکده مهندسی عمران (FCE)، دانشگاه فنی چک، پراگ. https://geoinformatics.fsv.cvut.cz/gwiki/The_importance_of_computational_geometry_for_digital_ cartography  [زمان(های استناد): 1]
  8. نجار، سی.، رجبی فرد، ا.، ویلیامسون، آی و گیگر، سی (2006) چارچوبی برای مقایسه زیرساخت های داده های مکانی یک مطالعه موردی استرالیا-سوئیس. مجموعه مقالات کنفرانس GSDI-9، سانتیاگو، 201-213.  [زمان(های استناد): 1]
  9. یوزری، EL (1996) چارچوب مفهومی و اجرای مجموعه فازی برای ویژگی های جغرافیایی. در: Burrough, P. and Frank, A., Eds., Geographic Objects with Indeterminate Boundaries, GISDATA Series Vol. 2، تیلور و فرانسیس، لندن، 71-86.  [زمان(های استناد): 1]
  10. Friis-Christensen, A., Nytun, JP, Jensen, CS and Skogan, D. (2005) A Conceptual Schema Language for the Management of Multiple Representations of Geographic Entities. معاملات در GIS, 9, 345-380. https://dx.doi.org/10.1111/j.1467-9671.2005.00222.x  [زمان(های استناد): 1]
  11. والدین، سی.، اسپکاپیترا، اس. سیستم های اطلاعاتی، 31، 733-769.   [زمان(های استناد): 1]
  12. کریسمن، NR (1990) کمبودهای ورق ها و کاشی ها: ساخت پایگاه های داده بدون ورق. مجله بین المللی سیستم های اطلاعات جغرافیایی، 4، 157-167. https://dx.doi.org/10.1080/02693799008941537   [زمان(های) نقل قول: 1]
  13. جیانگ، جی، چن، جی، و همکاران. (2005) مدلی برای یکپارچه سازی داده های فضایی چند مقیاسی برای دولت الکترونیک و خدمات عمومی. SDI و خدمات وب از فراعنه تا ژئوانفورماتیک، هفته کاری FIG 2005 و GSDI-8، قاهره.   [زمان(های استناد): 1]
  14. Erdi, A. and Sava, DS (2005) سیاست های نهادی در مطالعات سیستم اطلاعات جغرافیایی (GIS) در ترکیه. Faraohs to Geoinformatics، FIG Working Week 2005 و GSDI-8، قاهره.   [زمان(های استناد): 1]
  15. Sohir, MH (2005) نقش ESA در ایجاد زیرساخت داده های فضایی مصر (ESDI) نسبت به دولت الکترونیک (E-gov.). پورتال های فضایی و دولت الکترونیک از فراعنه تا ژئوانفورماتیک، هفته کاری FIG 2005 و GSDI-8، قاهره.   [زمان(های استناد): 1]
  16. GSDI (2005) زیرساخت داده های مکانی. انجمن جهانی زیرساخت داده های مکانی https://www.gsdi.org/  [زمان(های) استناد:1]
  17. Saeedrashed, YS (2014) مقایسه تجربی الگوریتم های تعمیم خط در GIS. مجله بین المللی سنجش از دور پیشرفته و GIS، 3، 446-466.   [زمان(های استناد): 1]

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید