روش ادغام و تعمیم سلسله مراتبی گروه مدل شهر سه بعدی بر اساس نظریه شناخت بصری فضایی

 

به منظور ساده سازی مدل گروه ساختمانی سه بعدی، این مقاله یک روش تعمیم خوشه‌بندی مبتنی بر نظریه شناختی بصری را پیشنهاد می‌کند. این روش از عناصر جاده برای تقسیم تقریبی صحنه‌ها استفاده می‌کند و سپس از عناصر شناختی فضایی مانند جهت، مساحت، ارتفاع و محدودیت‌های توپولوژیکی آنها برای طبقه‌بندی دقیق آنها استفاده می‌کند تا آنها را با ویژگی‌های مورفولوژیکی شهری مطابقت دهد. شبکه مثلث سازی Delaunay و الگوریتم سنتز ردیابی مرزی برای ادغام و خلاصه کردن مدل ها استفاده می شود و مدل ها به صورت سلسله مراتبی ذخیره می شوند. الگوریتم پیشنهادی باید به صورت تجربی با یک مدل مجتمع شهری معمولی تأیید شود. نتایج تجربی نشان می دهد که کارایی روش مورد استفاده در این مقاله حداقل 20 درصد بیشتر از روش قبلی است و با رشد داده های آزمون، راندمان بالاتر بهبود می یابد. نتایج طبقه‌بندی با عادات شناختی انسان مطابقت دارد و سطوح تعمیم مدل‌های مختلف را می‌توان با کنترل تطبیقی ​​هر آستانه در فرآیند تعمیم خوشه‌بندی نسبتاً متحد کرد.

کلید واژه ها

شناخت بصری , گروه مدل ساختمان سه بعدی , آستانه هندسه , تعمیم سلسله مراتبی , تعمیم خوشه ای

1. مقدمه

مدل شهر سه بعدی زیرساخت کلیدی شهر دیجیتال و شهر هوشمند است. بیان مدل سه بعدی شهر چند مقیاسی، مشکل مرزی و دشوار علم اطلاعات جغرافیایی است. برای مدت طولانی، نمایش چند مقیاسی مدل‌های شهری سه‌بعدی بر ساده‌سازی هندسی متمرکز بوده است و بیشتر پژوهش‌ها بر ساده‌سازی مدل واحد متمرکز شده‌اند. با این حال، در واقع، به همان اندازه مهم است که جامعه ساختمان را در یک مفهوم جهانی ساده سازی و ترکیب کنیم، که نه تنها می تواند ساختار و چیدمان کل شهر را نشان دهد، بلکه کارایی نمایش مدل سه بعدی یا رومینگ را نیز به طور قابل توجهی بهبود بخشد. با این حال، روش سنتی ساده‌سازی مدل منفرد که برای ساختمان‌ها اعمال می‌شود، این مشکل را ایجاد می‌کند که هندسه به سادگی حذف می‌شود یا تشخیص آن دشوار است. به خصوص در ساختمان‌های مقیاس شهری، استفاده از الگوریتم ساده‌سازی سنتی ممکن است منجر به حذف کل منطقه مسکونی شود یا در مقایسه ساختمان‌های مسکونی با ساختمان‌های تجاری، تفاوت‌های آشکاری در مقیاس ساختمان وجود داشته باشد. بنابراین، یک رویکرد جدید برای ساده کردن صحنه کلی مورد نیاز است. در حال حاضر، تحقیق در مورد روش‌های ساده‌سازی سه‌بعدی جهانی توسط محققان داخل و خارج از کشور عمدتاً در دو جنبه زیر ظاهر می‌شود: 1) روش ساده‌سازی شده بر اساس ویژگی‌های هندسی، عمدتاً بر کنترل فاصله. به عنوان مثال، چانگ و همکاران. از اصل تشابه در ماهیت فاصله استفاده کنید، فاصله را به عنوان یک عنصر ساده شده در نظر بگیرید، از یک پیوند برای خوشه استفاده کنید [ استفاده از الگوریتم ساده‌سازی سنتی ممکن است منجر به حذف کل منطقه مسکونی شود یا در مقایسه ساختمان‌های مسکونی با ساختمان‌های تجاری، تفاوت‌های آشکاری در مقیاس ساختمان وجود داشته باشد. بنابراین، یک رویکرد جدید برای ساده کردن صحنه کلی مورد نیاز است. در حال حاضر، تحقیق در مورد روش‌های ساده‌سازی سه‌بعدی جهانی توسط محققان داخل و خارج از کشور عمدتاً در دو جنبه زیر ظاهر می‌شود: 1) روش ساده‌سازی شده بر اساس ویژگی‌های هندسی، عمدتاً بر کنترل فاصله. به عنوان مثال، چانگ و همکاران. از اصل تشابه در ماهیت فاصله استفاده کنید، فاصله را به عنوان یک عنصر ساده شده در نظر بگیرید، از یک پیوند برای خوشه استفاده کنید [ استفاده از الگوریتم ساده‌سازی سنتی ممکن است منجر به حذف کل منطقه مسکونی شود یا در مقایسه ساختمان‌های مسکونی با ساختمان‌های تجاری، تفاوت‌های آشکاری در مقیاس ساختمان وجود داشته باشد. بنابراین، یک رویکرد جدید برای ساده کردن صحنه کلی مورد نیاز است. در حال حاضر، تحقیق در مورد روش‌های ساده‌سازی سه‌بعدی جهانی توسط محققان داخل و خارج از کشور عمدتاً در دو جنبه زیر ظاهر می‌شود: 1) روش ساده‌سازی شده بر اساس ویژگی‌های هندسی، عمدتاً بر کنترل فاصله. به عنوان مثال، چانگ و همکاران. از اصل تشابه در ماهیت فاصله استفاده کنید، فاصله را به عنوان یک عنصر ساده شده در نظر بگیرید، از یک پیوند برای خوشه استفاده کنید [ یک رویکرد جدید برای ساده کردن صحنه کلی مورد نیاز است. در حال حاضر، تحقیق در مورد روش‌های ساده‌سازی سه‌بعدی جهانی توسط محققان داخل و خارج از کشور عمدتاً در دو جنبه زیر ظاهر می‌شود: 1) روش ساده‌سازی شده بر اساس ویژگی‌های هندسی، عمدتاً بر کنترل فاصله. به عنوان مثال، چانگ و همکاران. از اصل تشابه در ماهیت فاصله استفاده کنید، فاصله را به عنوان یک عنصر ساده شده در نظر بگیرید، از یک پیوند برای خوشه استفاده کنید [ یک رویکرد جدید برای ساده کردن صحنه کلی مورد نیاز است. در حال حاضر، تحقیق در مورد روش‌های ساده‌سازی سه‌بعدی جهانی توسط محققان داخل و خارج از کشور عمدتاً در دو جنبه زیر ظاهر می‌شود: 1) روش ساده‌سازی شده بر اساس ویژگی‌های هندسی، عمدتاً بر کنترل فاصله. به عنوان مثال، چانگ و همکاران. از اصل تشابه در ماهیت فاصله استفاده کنید، فاصله را به عنوان یک عنصر ساده شده در نظر بگیرید، از یک پیوند برای خوشه استفاده کنید [1 ] یانگ و همکاران عناصر جهت یابی را برای خوشه بندی آنها بر اساس چانگ [ 2 ] اضافه کنید. با این حال، هیچ یک از آنها پارامترهای ارتفاع صحنه سه بعدی را در نظر نمی گیرند. 2) روش ساده شده مبتنی بر ریخت شناسی، عمدتا بر اساس ویژگی های ریخت شناسی شهری و اصل گشتالت، خوانایی جوامع ساختمانی را تضمین می کند و با عادات شناختی فضایی انسان مطابقت دارد. به عنوان مثال، ژانگ و همکاران. شبیه سازی و تجزیه و تحلیل کمی آن بر اساس عادات شناختی انسان، و ارائه یک الگوریتم خوشه بندی شناختی [ 3 ]. بر اساس فاصله بین ساختمان ها، با استفاده از روش عملیات مورفولوژیکی، کادا [ 4 ] یک الگوریتم خوشه بندی ترکیبی را پیشنهاد کرد. لیو ونکای و همکاران [ 5] الگوریتم خوشه بندی اشیاء متحرک شهری را از منظر استخراج تراکم ترافیک شهری مورد مطالعه قرار داد. رگنولد [ 6] از روش سنتز نقشه دو بعدی تقلید می کند، نمودار مجاور و درخت پوشای حداقل را می سازد و از معیار گشتالت برای تقسیم گراف مجاور برای اطمینان از ویژگی های ساختاری گروه های ساختمان شهری استفاده می کند. در فرآیند تحقیق، روش‌های فوق گروه‌های ساختمان شهری را بر اساس ویژگی‌های هندسی مانند فاصله یا ویژگی‌های بصری طبقه‌بندی می‌کنند، اما هیچ‌کدام از آنها از روابط توپولوژیکی منحصربه‌فرد موجودات جغرافیایی برای انجام یک تحلیل جامع منطبق با تشخیص بصری استفاده نمی‌کنند. ویژگی های هندسی در مورفولوژی، بنابراین طبقه بندی و اثر ساده سازی آنها رضایت بخش نیست. در این مقاله، مدل خوشه‌بندی و تعمیم داده شده و با استفاده از رابطه توپولوژیکی منحصربه‌فرد موجودیت‌های جغرافیایی، به صورت سلسله مراتبی ذخیره می‌شود. ادغام تجزیه و تحلیل و قضاوت شناخت فضایی، و ترکیب با ویژگی های هندسی شهرها. آزمایش‌ها نشان می‌دهد که روش پیشنهادی در طبقه‌بندی و ساده‌سازی کارآمدتر از روش‌های سنتی است.

2. بیان مسئله و مدل نظری

یک شهر، یک عالم کوچک از دنیای واقعی، ساختار، چیدمان و فعالیت های انسانی بخش های خاصی از دنیای واقعی را منعکس می کند و می تواند عملکردهای خاصی را انجام دهد. بنابراین، مدل‌های شهری، به‌ویژه مدل‌های معماری شهری، بخش‌های ضروری برای کمک به مردم در درک روابط مکانی و زمانی هستند. خود صحنه شهر سه بعدی از مقیاس و پیچیدگی برخوردار است و مدل سه بعدی دقیق با دامنه وسیع و چند جزئیات، تجسم در زمان واقعی شهر مجازی را به یک مشکل چالش برانگیز تبدیل می کند. بنابراین، لازم است مدل شهر سه بعدی را با فرض اطمینان از دقت هندسه فضا، خوشه بندی کرد و با قانون ادراک بصری انسان مطابقت داشت. این نه تنها می تواند کارایی رندر و رندر صحنه را به طور قابل توجهی بهبود بخشد، بلکه اطلاعات جامعی در مورد فعالیت های انسانی و چیدمان شهری به دست آورد.

مورفولوژی شهری می تواند برای به تصویر کشیدن الگوهای خاصی از شکل گیری و تکامل شهری استفاده شود. شهر محل تجمع انسان هاست و سیر تکاملی آن ارتباط تنگاتنگی با فعالیت های انسانی دارد. بنابراین، بر اساس قانون ادراک بصری در مورفولوژی، ما یک حس جهانی از خوشه‌بندی، تعمیم و تجزیه و تحلیل مدل‌های ساختمان سه‌بعدی ایجاد می‌کنیم. از طریق تعمیم خوشه‌ای، ما نه تنها می‌توانیم طرح کلی شهر را بدست آوریم، بلکه می‌توانیم نقطه تجمع شهر و قانون توزیع تراکم گروه ساختمان‌های شهری را نیز پیدا کنیم، که می‌تواند پشتیبانی داده‌ها را برای تجزیه و تحلیل واقعی ژئوفضایی فراهم کند. . در فضای جغرافیایی، فاصله نزدیک به یک سطح مشابه از فاصله موجودیت جغرافیایی می تواند ماهیت شباهت را برای مدل سه بعدی به ارمغان آورد [ 7 ]]، روش طبقه بندی مبتنی بر فاصله 2 بعدی نیاز به گسترش دارد، نیاز به در نظر گرفتن اطلاعات ارتفاع خاص مدل 3 بعدی. به تفاوت جهت و اختلاف ارتفاع مدل و همچنین ویژگی‌های مورفولوژی شهری جهانی و قانون شناخت فضایی انسان توجه شده است. این تحقیق عمدتاً مبتنی بر قانون شناختی دیداری مورفولوژی است. در فرآیند خوشه‌بندی، بخش‌بندی شبکه جاده‌ای برای حفظ کل ویژگی‌های ساختاری مدل ساختمان شهری استفاده می‌شود. دقت خوشه‌بندی توسط عوامل مرتبط شناختی فضایی مانند رابطه توپولوژیکی، رابطه جهت‌گیری، ارتفاع و مساحت کنترل می‌شود و خوشه‌بندی جهانی انجام می‌شود. در فرآیند ادغام و تعمیم، از الگوریتم شبکه مثلثی و ردیابی مرز برای سنتز خوشه‌بندی استفاده می‌شود.

تعمیم خوشه از سه عملیات اصلی تشکیل شده است که عبارتند از خوشه بندی مدل، ادغام مدل، تعمیم مدل و ذخیره سازی سلسله مراتبی. نمودار جریان خوشه بندی و تعمیم مدل به صورت شکل 1 نشان داده شده است .

2.1. خوشه بندی مدل

در مدل شهر، طبقه بندی به فعالیت انسانی یا شباهت عملکرد مربوط می شود. این مقاله عمدتاً مبتنی بر روش خوشه‌بندی شناخت بصری در مورفولوژی است. در مورفولوژی، معیار گشتالت مستلزم این است که چهار جنبه مجاورت، شباهت، تداوم و جهت باید در نظر گرفته شود.

هنگام خوشه بندی مدل [ 8 ] . با توجه به خوانایی مورفولوژی شهری، لینچ [ 9 ] شهر را به پنج دسته اصلی تقسیم می کند: جاده، مرز، گره، منطقه و نقطه عطف [ 10 ]. جاده شهر خوانایی شناخت عوامل بسیار مهم است، شبکه جاده می تواند مرتب در یک طرح الگوی متقاطع از کل شهر را نشان دهد. نقطه عطف، ویژگی هایی است که نیاز به توجه به ساختمان نشانه است که در کل الگوی شهر از اهمیت ویژه ای برخوردار است، بنابراین نیاز به درمان خاص در هنگام خوشه بندی، به عنوان اصلی برای حفظ ویژگی های شهر است. با توجه به این پنج عنصر و معیار گشتالت، خوشه‌بندی گروه‌های مبتنی بر ادراک بصری برای مدل‌های ساختمانی سه بعدی انجام می‌شود.

2.1.1. ایجاد یک شبکه مثلثی محدود

اولاً، مثلث دلونی با استفاده از معیار گشتالت و ویژگی‌های مشابه موجودیت‌های جغرافیایی مجاور در فضای جغرافیایی برای تعیین مجاورت بین ساختمان‌ها ساخته می‌شود. مثلث دلون مثلثی است که از نزدیکترین سه نقطه تشکیل شده است که ویژگیهای منحصر به فرد بودن و ثبات را دارد. با استفاده از این خاصیت مثلث سازی دلونی، از مثلث دلونی برای شروع تعمیم خوشه بندی بین ساختمان ها استفاده می شود و سپس نمودار یکپارچه می شود.

با عملیات راحت و خوشه پشت، مرکز از ساخت و ساز مثلث سطح بر اساس روش سنتی، اما ایجاد خودکار مثلث بر اساس ساخت مشخصات استخراج خودکار نقطه مرزی یا الگوریتم راس. الگوریتم و برنامه برای استخراج خودکار TIN تولید لبه طراحی شده است و TIN تولید شده در شکل 2 نشان داده شده است .

روش مثلث بندی بر اساس نقاط مرزی یا راس کانتور است، بنابراین باید چند عملیات غربالگری انجام دهیم و مثلث های اتصال صحیح با فیلتر کردن حفظ می شوند. همانطور که در شکل 3 نشان داده شده است. از آنجایی که فرآیند خوشه بندی مدل بین مدل های مختلف انجام می شود، مطالعه ساختار و ترکیب مدل ضروری نیست، بنابراین باید شبکه مثلثی ساخته شده در مدل حذف شود. در اینجا، از طریق عملیات برهم نهی با نقشه کانتور پایین، شبکه مثلث سازی داخل نقشه کانتور حذف می شود و شبکه مثلث بندی [ 10 ] [ 11 ] [ 12 ] [ 13 ]] که می تواند منعکس کننده رابطه بین ساختمان ها باشد، حفظ می شود. پس از حذف پیمایش، مثلث به دست آمده مورد تجزیه و تحلیل قرار می گیرد. دو حالت وجود دارد: 1) برخی از شبکه های مثلث سازی بر روی یک سطح ساختمان ساخته شده اند، مانند مثلث T1 و T2 در شکل 3 ، آنها مثلث سازی اشتباه هستند. 2) شبکه مثلثی بر روی طرح کلی ساختمان های مختلف ساخته شده است، مانند تمام مثلث بندی صحیح در شکل 3.. در اینجا، شما باید تمام مثلث‌سازی‌های اشتباه را در حالت اول حذف کنید و تمام مثلث‌سازی صحیح را که نشان‌دهنده رابطه ادغام بین ساختمان‌ها در مورد دوم است، حفظ کنید. در مورد اول می توان دریافت و حذف کرد که مثلث بندی اشتباه مورد اول را می توان با تحلیل مقعر و محدب رد کرد و مثلث جدید مانند مثلث خط واقعی و مثلث معقول را در حالت دوم بازسازی کرد. همانطور که در شکل 4 نشان داده شده است، حفظ می شوند، و CDT (مثلثی محدود شده Delaunay)1 به طور جامع تولید می شود .

پس از ایجاد CDT1، با توجه به لینچ پیشنهاد پنج عنصر مورفولوژیکی اصل، CDT1 همچنان به تقسیم، اول از همه، CDT1 و شبکه جاده تقسیم پوشش. جاده عامل مهمی برای کنترل چیدمان کل شهر است. طبقه بندی عناصر جاده نه تنها با ویژگی های مورفولوژی شهری مطابقت دارد، بلکه کارایی طبقه بندی را نیز بهبود می بخشد. گروه بندی ناهموار مدل ساختمان بر اساس شبکه راه، نتایج طبقه بندی اولیه G1 را به دست می آورد، همانطور که در شکل 5 نشان داده شده است.

2.1.2. تجزیه و تحلیل خوشه ای بر اساس ادراک بصری

ادراک بصری به فرآیند ادراک انسان برای کسب اطلاعات از طریق قضاوت بصری در زندگی روزمره اشاره دارد. طیفی از فرآیندهای ذهنی که شامل ادراک، ذخیره سازی، حافظه و رمزگشایی اطلاعات جغرافیایی است. تفاوت حالت های ادراکی مبنای اصلی قضاوت در مورد تقسیم بندی مقیاس های فضایی است. با توجه به مقیاس های مختلف و الگوهای مختلف ادراک فضایی، فضا را می توان به گرافیک، منظر خیابان، محیط و فضای جغرافیایی تقسیم کرد.

توزیع فعالیت های انسانی یا مناطق عملکردی منجر به توسعه و تکامل شهری خواهد شد. در برنامه ریزی شهری، پس از شناسایی مناطق عملکردی کلیدی، ادراک بصری برای ساخت شهر اتخاذ می شود. بنابراین، در ساخت تحلیل خوشه‌ای، باید عادات شناختی بصری انسان را در نظر بگیریم، عادات ادراک بصری افراد به طور کلی دارای سه حالت زیر است:

1) همسانگردی یا همان طرفی. از نظر بصری مرسوم است که ساختمان‌های پیش‌فرض در همان سمت جاده به همان دسته تقسیم شوند [ 14 ]. ساختمان های هم جهت یا مشابه پیش فرض هستند. بنابراین لازم است برای تعیین سمت جاده استفاده از روابط توپولوژیکی در نظر گرفته شود و تفاوت بین ساختمان ها تحلیل شود.

2) تشابه منطقه. تمایل بصری به ترکیب ساختمان‌های با اندازه مشابه در یک کلاس. بنابراین باید تفاوت مساحت ساختمان ها را در نظر بگیرید. اگر اختلاف مساحت از مقدار معینی بیشتر شود، باید دوباره گروه بندی شود.

3) ارتفاع ارتفاع از مشخصه های مدل ساختمان سه بعدی است. اگر اختلاف ارتفاع ساختمان بین کنترل در یک محدوده مشخص باشد، دید برای یک کلاس باز خواهد گشت. بنابراین لازم است تفاوت ارتفاع ساختمان ها در طبقه بندی اولیه در نظر گرفته شود. علاوه بر این، تجزیه و تحلیل مبتنی بر ارتفاع می‌تواند به سرعت برخی از ساختمان‌های شاخص را تعیین کند که دارای اهمیت راهنما برای ساختار کلی شهری و تغییرات توسعه هستند.

بر این اساس، این مقاله به خوشه‌بندی ساختمان‌ها می‌پردازد. شبکه جاده ای کل طرح کل شهر را کنترل می کند. بنابراین، ابتدا شبکه جاده شهری و CDT2 روی هم قرار گرفته و مورد تجزیه و تحلیل قرار می گیرند و شبکه مثلثی Delaunay که با شبکه جاده تقاطع یافته است حذف می شود. اثر در شکل 4 نشان داده شده است. و سپس از ادراک بصری در همان قضاوت جانبی یا جانبی برای طبقه بندی بیشتر استفاده کنید. از طریق رابطه توپولوژیکی لایه سطحی، رابطه مکان ساختمان و شبکه جاده مجاور آن (هم سمت یا طرف متفاوت) قضاوت و تخصیص داده می شود، همان طرف 1، طرف دیگر 0، و همان طرف طبقه بندی می شود. . نتایج طبقه بندی اولیه G2 به دست می آید. بر اساس بالا، سپس از سه عنصر جهت، ارتفاع و مساحت در شناخت بصری برای تجزیه و تحلیل و طبقه بندی بیشتر آنها استفاده می کنیم.

1) ارتفاع: به عنوان یکی از ویژگی های مهم مدل ساختمان سه بعدی، اهمیت نظری زیادی برای تحلیل و قضاوت آن دارد. تجزیه و تحلیل مبتنی بر ارتفاع به طور کلی بر دو مورد تمرکز دارد: اول، استخراج ساختمان های شاخص. ظهور ساختمان های شاخص می تواند بر چیدمان کلی شهر تأثیر بگذارد. در برنامه ریزی شهری، ساختمان های شاخص به طور کلی به عنوان نقاط تجمع برای تشکیل طبقه بندی تراکم واضح و منطقه بندی عملکردی استفاده می شوند. دوم اینکه اختلاف ارتفاع ساختمان را می توان دو برابر طبقه بندی کرد. روش تجزیه و تحلیل به شرح زیر است: با تنظیم یک پارامتر δساعتδساعت، با مقایسه آن غربال و طبقه بندی می شود δساعتδساعتبا آستانه تعیین شده

δساعت=ساعتمنساعتa v g×⎛⎝⎜⎜1- _آمن∑i = 1nآمن⎞⎠⎟⎟δساعت=ساعتمنساعتآvg×(1-آمن∑من=1nآمن)(1)

جایی که ساعتa v gساعتآvgارتفاع متوسط ​​این خوشه است، ساعتمنساعتمنارتفاع ساختمان i و آمنآمنضریب وزنی است که نشان دهنده مساحت ردپای ساختمان i است. از جمله ارزش وزنی ساختمان در اجتماع ساختمان، یعنی مساحت طرح کلی پایین ساختمان، میانگین ارتفاع گروه ساختمانی و ارتفاع ساختمان است. اگر بیشتر از آستانه باشد، ساختمان به صورت گروهی جداگانه استخراج می شود و در غیر این صورت ساختمان در یک طبقه طبقه بندی می شود.

2) مساحت: مساحت نیز اطلاعات مهمتری از مدل ساختمان سه بعدی است. تشابه اندازه مساحت نیز می تواند به عنوان عامل قضاوت خوشه بندی مورد استفاده قرار گیرد. مساحت به طور کلی در ترکیب با فاصله، به عنوان یک شرط قضاوت مرکب، برای جلوگیری از تعداد زیادی محاسبات تکراری، و برای بهبود کارایی استفاده می‌شود. روش به شرح زیر است: با تنظیم یک پارامتر برای قضاوت.

δآ= ∂ ×آمنآa v gδآ=∂×آمنآآvg(2)

جایی که ∂∂وزن، فاصله بین ساختمان های مجاور، آمنآمننشان دهنده مساحت ساختمان ساختمان i است، آa v gآآvgمیانگین مساحت ساختمان همه ساختمان ها را نشان می دهد.

3) جهت ها: از نظر بصری، افراد تمایل دارند ساختمان ها را در یک جهت طبقه بندی کنند. در این مقاله از روش تشخیص خطی برای تعیین جهت استفاده شده است. مرکز ساختمان به عنوان نقطه پیوند، مرکز متصل به خط بین چندین ساختمان، تجزیه و تحلیل برای تعیین زاویه بین پیوندهای خط، سه شرط زیر است: الف) اگر زاویه 0 درجه و 180 درجه باشد، می توان آن را برای قضاوت در مورد آن طبقه بندی کرد. یکسان. ب) اگر زاویه یک زاویه تند یا زاویه راست باشد، خط پیوند شکسته شده و از گروه بندی موجود به عنوان یک کلاس جدید استخراج می شود. ج) اگر زاویه بیشتر از 90 درجه باشد جهت مشابه یا طبقه بندی می شود.

2.2. ادغام و ذخیره سلسله مراتبی

2.2.1. ادغام و تعمیم مدل

در طول فرآیند ادغام و ساده سازی بدنه، الگوریتم برخی از خطاهای هندسی را به مش نهایی وارد می کند. ما این خطاهای هندسی را فضاهای منفی می نامیم زیرا الگوریتم ما هندسه را به فضاهای خالی قبلی اضافه می کند. ما فضای منفی یک مش خوشه را به عنوان تفاوت در مساحت بین ردپای آن و مجموع ردپای ساختمان ها تعریف می کنیم. در این مقاله، از روش ادغام و تحلیل ردیابی مرزی توسط دلونی برای قضاوت استفاده شده است و نتایج تحلیل بیشتر از طریق زاویه مورد بررسی قرار می‌گیرند. با تنظیم آستانه زاویه، بر اساس مقدار تجربه [ 15 ] [ 16 ] [ 17 ] روی 135 درجه تنظیم می شود و اگر زاویه از آستانه تجاوز نکند، کانتور ادغام شده اولیه حفظ می شود ( شکل 6 ).

h =∑i = 1nساعتمن×∂من∑i = 1n∂منساعت=∑من=1nساعتمن×∂من∑من=1n∂من(3)

جایی که h ارتفاع این خوشه است، ساعتمنساعتمنارتفاع ساختمان i و ∂من∂منوزن ضریب است که نشان دهنده مساحت ردپای ساختمان i است.

2.2.2. ذخیره سازی سلسله مراتبی داده ها

ما از یک ساختار درختی برای ذخیره مدل های ساده شده استفاده می کنیم. از آنجایی که راس جدیدی معرفی نشده است، مختصات راس اصلی به تنهایی ذخیره می شود. برای هر گره در درخت، ما فقط شناسه های راس متناظر آن را به جای مختصات راس آن ذخیره می کنیم ( شکل 7 را ببینید ). این می تواند از ذخیره شدن اضافی مختصات راس جلوگیری کند، بنابراین فضای ذخیره سازی زیادی را ذخیره می کند. هر گره همچنین اطلاعات مفید پیوست شده را ذخیره می کند، مانند مجموع مساحت ساختمان و ارتفاع آن.

در شکل 7 ، نمودار از بالا به پایین به سه لایه تقسیم شده و سطوح جزئیات به نوبه خود افزایش یافته است. هر لایه از تعدادی راس تشکیل شده است، هر راس حاوی مختصات و اطلاعات ارتفاع است. با توجه به سطوح مختلف نیازهای جزئیات مدل معماری، می توانید به ساختار ذخیره سازی مربوطه مدل دسترسی داشته باشید.

3. آزمایش و تجزیه و تحلیل نتایج

3.1. محیط آزمایش

محیط سخت افزاری: سیستم عامل ویندوز 7، واحد پردازش Inter(R) از Core(TM) i5 CPU 2.53 گیگاهرتز، حافظه 2.00 G. محیط توسعه: Microsoft Visual Studio 2010 و ArcEngine. ابزار تجسم: بسته توسعه OpenGL.

3.2. آزمایش خوشه بندی و تجزیه و تحلیل نتایج

برای نشان دادن عملکرد و کارایی روش شناسی ما، آزمایش هایی برای اهداف ارزیابی انجام شده است. در این مقاله با داشتن منطقه خاصی از شهر لانژو به عنوان منطقه آزمایشی، منبع داده شامل داده های برداری پایین منطقه آزمایش، داده های جاده و غیره، آزمون خوشه بندی به شرح زیر است:

در ابتدا، بر اساس داده های صورت کف ساختمان، به دست آوردن نقاط مرزی یا رأس به طور خودکار، و ساخت شبکه مثلثی Delaunay به طور خودکار، به شکل زیر نشان داده شده است.

ثانیا، شبکه جاده از شبکه مثلثی که اولیه ایجاد شده است، قطعه بندی و کنترل کنید. شبکه مثلثی اعتبارسنجی را انتخاب کنید و آنها را وصل کنید. با توجه به آستانه جهت، مساحت و ارتفاع به تجزیه و تحلیل و قضاوت، و به نتایج رسید.

ثالثاً، روش ترکیب شبکه مثلثی Delaunay با ردیابی مرزی را برای ادغام مدل‌ها انتخاب کنید. منطقه آزمون در شکل 9 نشان داده شده است ، نتایج تعمیم خوشه مانند شکل 10 نشان داده شده است. و تست های کارایی الگوریتمی برای گستره وسیعی را بر روی این الگوریتم انجام داده است.

از شکل 10 می بینیم که: پس از انجام فرآیند آزمایشی، مناطق آزمایشی در 28 گروه دسته بندی شده اند، با بررسی بافت، مساحت، ارتفاع، جهت و سایر ویژگی های هر ساختمان در هر گروه، متوجه می شویم که: خصوصیات در همان گروه سازگارتر است. آرایش مدل بیشتر با ادراک بصری انسان مطابقت دارد و طبقه بندی نتایج خوشه بندی نیز سازگار است.

در مقایسه با الگوریتم چانگ، با داشتن داده های خام در شکل 11 (الف) به عنوان نمونه، داده های سمت راست دارای جزئیات بیشتری نسبت به داده های سمت چپ هستند. تحقیقات نشان می‌دهد که: الگوریتم چانگ ابتدا دو مدل را ترکیب می‌کند که باید ادغام شوند تا یک چهارضلعی محدب ایجاد شود، شکل 11 (ب) را ببینید، و سپس به تدریج تکرار و تقسیم می‌شود، نتایج نهایی در شکل 11 (د) نشان داده شده است. با این حال، در الگوریتم چانگ، در همان زمان، همان مدل ساختمان، که در یک زمان خوشه‌بندی و تعمیم می‌یابد، در سطوح مختلف تعمیم ظاهر می‌شود. با این حال، برای این الگوریتم پیشنهادی در این مقاله، آستانه هر مرحله کنترل می‌شود، به طوری که سطح تعمیم مدل‌های مختلف می‌تواند نسبتاً یکسان باشد. نتایج خوشه بندی این الگوریتم در نشان داده شده استشکل 11 (ج).

مطالعه بیشتر در مورد راندمان محاسباتی دو الگوریتم، با استفاده از داده های شکل 9 برای آزمایش، و آزمون هزینه زمانی دو الگوریتم در طول دوره ساده سازی مدل. نتایج آزمون در جدول 1 و جدول 2 نشان داده شده است. از جدول 1 و جدول 2 می بینیم که: 1) با افزایش حجم داده ها، هزینه زمان ساده سازی دو منحنی افزایش می یابد. 2) الگوریتم کارآمدتر از الگوریتم چانگ در کارایی ساده سازی است.

همانطور که می بینیم، منطقه آزمایشی با در نظر گرفتن بافت ساختمان، مساحت، ارتفاع، جهت و سایر ویژگی ها به 28 گروه تقسیم شد. نتایج طبقه بندی نیز با شناخت فضایی سازگار است. با افزایش مقدار داده در مدل، زمان به دو برابر افزایش می یابد.

4. نتیجه گیری

این مقاله بر اساس نظریه شناختی بصری، خوشه‌بندی جهانی مدل‌های شهری را خلاصه می‌کند. خوشه‌بندی جهانی از روش تقسیم‌بندی شبکه جاده‌ها استفاده می‌کند و از ویژگی‌های مورفولوژی شهری استفاده کامل می‌کند تا از تغییرناپذیری ساختار اطمینان حاصل شود. با معرفی روابط توپولوژیکی، آستانه ارتفاع، آستانه مساحت، آستانه جهت گیری و سایر عوامل مرتبط با ویژگی های بصری شناختی فضایی افراد، دقت خوشه بندی بهبود می یابد. نتایج نشان می دهد که:

1) اثر گروه بندی کلی می تواند با قانون شناختی بصری انسان، مساحت مدل ساختمان، ارتفاع و جهت سازگار باشد.

ویژگی های مدل سازگار است و چیدمان مدل با شناخت بصری و معیار گشتالت مطابقت دارد.

2) استفاده از مدل نقطه عطف می تواند به طور کامل ویژگی های اصلی شهر را حفظ کند، بیشتر مطابق با عادات شناختی افراد.

3) استفاده از شناخت بصری و محدودیت‌های آستانه می‌تواند انعطاف‌پذیرتر و دقیق‌تر برای به دست آوردن درجه ظریف مورد نیاز مدل باشد، و استفاده ترکیبی از مثلث‌سازی Delaunay و ردیابی مرز، به طور موثر مدل اصلی و مدل موجود اختلاف مساحت را کاهش می‌دهد. بار پردازش داده های غیر ضروری را هنگام رندر کاهش می دهد.

4) کنترل شده توسط جهت گیری شناختی بصری، مساحت، آستانه ارتفاع، برای مدل های مختلف، سلسله مراتب تعمیم می تواند به یک نسبتا یکنواخت، منجر به پشت مدل ذخیره سازی سلسله مراتبی و ارائه، و الگوریتم چانگ به طور قابل توجهی متفاوت است.

5) این مقاله ویژگی های هندسی و ویژگی های توپولوژیکی ادراک بصری را در نظر می گیرد تا به نتایج طبقه بندی مطابق با اثر ادراک بصری دست یابد. بافت به عنوان یک روش موثر و سریع قضاوت و تجزیه و تحلیل در شناخت بصری، می‌تواند کارایی طبقه‌بندی و نتایج تجسم را از طریق اندازه‌گیری و تجزیه و تحلیل دقیق اطلاعات بافت، که جهت تحقیقات بیشتر در آینده است، بهبود بخشد.

منابع

[ 1 ]	چانگ، R.، Butkiewicz، T.، Ziemkiewicz، C.، و همکاران. (2008) ساده سازی خوانا مدل های شهری بافت. IEEE Computer Graphics and Applications, 28, 27-36.
[ 2 ]	Yang, L., Zhang, LQ, Ma, JT, Xie, JH and Liu, L. (2011) تجسم تعاملی مدلهای ساختمان شهری با وضوح چندگانه با در نظر گرفتن شناخت فضایی. مجله بین المللی علم اطلاعات جغرافیایی، 25، 5-24.
[ 3 ]	Zhang, LQ, Deng, H., Chen, D. and Wang, Z. (2012) رویکرد خوشه‌بندی ساختمان شهری مبتنی بر شناخت فضایی و کاربردهای آن. مجله بین المللی علوم اطلاعات جغرافیایی، 27، 721-740.
[ 4 ]	Kada, M. (2011) تجمیع ساختمانهای سه بعدی با استفاده از رویکرد داده ترکیبی. نقشه کشی و علم اطلاعات جغرافیایی، 38، 153-160.
[ 5 ]	لیو، WK، تانگ، JB، Cai، JN، و همکاران. (2016) مقایسه الگوریتم برای خوشه بندی اجسام متحرک در سیستم ترافیک. جغرافیا و علم اطلاعات جغرافیایی، 32، 69-74.
[ 6 ]	Regnauld، N. (2001) نوع سازی ساختمان متنی در تعمیم خودکار نقشه. الگوریتمیکا، 30، 312-333.
[ 7 ]	Glander, T. and Döllner, J. (2009) بازنمایی های انتزاعی برای تجسم تعاملی مدل های شهر سه بعدی مجازی. کامپیوتر، محیط زیست و سیستم های شهری، 33، 375-387.
[ 8 ]	Zhao، JQ، Zhu، Q.، Du، ZQ، Feng، TT و Zhang، YT (2012) تعمیم مبتنی بر ریخت‌شناسی ریاضی مدل‌های ساختمان سه بعدی پیچیده که روابط معنایی را در بر می‌گیرد. ISPRS مجله فتوگرامتری و سنجش از دور، 68، 95-111.
[ 9 ]	لینچ، ک. (1960) تصویر شهر. MIT Press، کمبریج، MA.
[ 10 ]	چانگ، آر.، وسل، جی.، کوسارا، آر.، و همکاران. (2007) شهرهای خوانا: تجسم چند رزولوشن وابسته به تمرکز روابط شهری. IEEE Transactions on Visualization and Computer Graphics, 13, 1169-1175.
[ 11 ]	Yan, H., Weibel, R., Yang, B. (2008) یک رویکرد چند پارامتری برای گروه بندی و تعمیم ساختمان خودکار. GeoInformatica، 12، 73-89.
[ 12 ]	Pan، WB، Liu، P.، Zhou، J.، و همکاران. (1395) تحقیق در مورد خوشه بندی سلسله مراتبی مدل های ساختمانی سه بعدی بر اساس کانتور و بافت خانه. مجله علم اطلاعات جغرافیایی، 18، 406-415.
[ 13 ]	Mao, B., Ban, Y. and Harrie, L. (2011) ساختار داده چندگانه برای تجسم دینامیک مدلهای شهر سه بعدی تعمیم یافته. ISPRS مجله فتوگرامتری و سنجش از دور، 66، 198-208.
[ 14 ]	Allouche, MK and Moulin, B. (2005) ادغام در تعمیم نقشه برداری با استفاده از شبکه های ویژگی کوهونن. مجله بین المللی علوم اطلاعات جغرافیایی، 19، 899-914.
[ 15 ]	Li, DR, Zhao, ZY and Zhao, P. (2011) طراحی و پیاده سازی سیستم پشتیبانی تصمیم سه بعدی برای برنامه ریزی شهری. ژئوماتیک و علم اطلاعات دانشگاه ووهان، 5، 505-509.
[ 16 ]	Glander, T. and Döllner, J. (2008) تعمیم خودکار مدل های شهر سه بعدی مجازی مبتنی بر سلول با برجسته سازی نقطه عطف پویا. مجموعه مقالات یازدهمین کارگاه ICA در تعمیم و بازنمایی چندگانه، مونپلیه، فرانسه، 20-21 ژوئن 2008.
[ 17 ]	Zhang، M.، Zhang، L.، Mathiopoulos، PT، و همکاران. (2012) تعمیم انعطاف پذیر هندسه و بافت مدل های ساختمان شهری. ISPRS مجله فتوگرامتری و سنجش از دور، 70، 1-14.
[ 18 ]	Jiang, S., Yang, B. and Sun, X. (2011) نمایش چند وضوحی مدلهای ساختمانهای مجتمع سه بعدی با حفظ ویژگیها. مجموعه مقالات نوزدهمین کنفرانس بین المللی ژئوانفورماتیک، شانگهای، 24-26 ژوئن 2011، 1-5.