روش تطبیق مناطق مسکونی چند مقیاسی با در نظر گرفتن ویژگی‌های همسایگی فضایی

مناطق مسکونی یکی از عناصر اساسی جغرافیایی در نقشه و محتوای مهم بازنمایی نقشه است. تطبیق مناطق مسکونی چند مقیاسی به فرآیند شناسایی و مرتبط کردن موجودیت هایی با همان نام در منابع داده های مختلف اشاره دارد که می تواند به طور گسترده در جمع آوری نقشه، ترکیب داده ها، تشخیص تغییرات و به روز رسانی استفاده شود. یک روش تطبیق با در نظر گرفتن ویژگی‌های همسایگی فضایی برای حل مشکل تطبیق پیچیده مناطق مسکونی چند مقیاسی پیشنهاد شده‌است. این روش از مثلث‌سازی دلونی برای تقسیم موجودیت‌های تطبیق پیچیده در مقیاس‌های مختلف به حوزه‌های بسته از طریق خوشه‌های همسایگی فضایی استفاده می‌کند، که می‌تواند مجموعه‌های ویژگی‌های نامزد منطبق را به دست آورد. در عین حال، ویژگی های هندسی و ویژگی های توپولوژیکی مناطق مسکونی به طور کامل در نظر گرفته شده است. و الگوریتم Relief-F برای تعیین مقادیر وزنی ویژگی‌های شباهت مختلف استفاده می‌شود. سپس شباهت و شباهت همسایگی فضایی مناطق مسکونی چند ضلعی محاسبه می شود و پس از آن نتایج تطبیق نهایی به دست می آید. نتایج تجربی نشان می‌دهد که میزان دقت، نرخ فراخوان و مقدار F روش تطبیق همگی بالای 90 درصد است که از دقت تطبیق بالایی برخوردار است. می تواند انواع روابط تطبیق را شناسایی کند و بر تأثیر انحرافات موقعیتی خاص بر نتایج تطبیق غلبه کند. روش پیشنهادی نه تنها می‌تواند ویژگی‌های همسایگی فضایی مناطق مسکونی را در نظر بگیرد، بلکه روابط تطبیقی پیچیده در مناطق مسکونی چند مقیاسی را با دقت با یک اثر تطبیق خوب شناسایی می‌کند. سپس شباهت و شباهت همسایگی فضایی مناطق مسکونی چند ضلعی محاسبه می شود و پس از آن نتایج تطبیق نهایی به دست می آید. نتایج تجربی نشان می‌دهد که میزان دقت، نرخ فراخوان و مقدار F روش تطبیق همگی بالای 90 درصد است که از دقت تطبیق بالایی برخوردار است. می تواند انواع روابط تطبیق را شناسایی کند و بر تأثیر انحرافات موقعیتی خاص بر نتایج تطبیق غلبه کند. روش پیشنهادی نه تنها می‌تواند ویژگی‌های همسایگی فضایی مناطق مسکونی را در نظر بگیرد، بلکه روابط تطبیقی پیچیده در مناطق مسکونی چند مقیاسی را با دقت با یک اثر تطبیق خوب شناسایی می‌کند. سپس شباهت و شباهت همسایگی فضایی مناطق مسکونی چند ضلعی محاسبه می شود و پس از آن نتایج تطبیق نهایی به دست می آید. نتایج تجربی نشان می‌دهد که میزان دقت، نرخ فراخوان و مقدار F روش تطبیق همگی بالای 90 درصد است که از دقت تطبیق بالایی برخوردار است. می تواند انواع روابط تطبیق را شناسایی کند و بر تأثیر انحرافات موقعیتی خاص بر نتایج تطبیق غلبه کند. روش پیشنهادی نه تنها می‌تواند ویژگی‌های همسایگی فضایی مناطق مسکونی را در نظر بگیرد، بلکه روابط تطبیقی پیچیده در مناطق مسکونی چند مقیاسی را با دقت با یک اثر تطبیق خوب شناسایی می‌کند. نتایج تجربی نشان می‌دهد که میزان دقت، نرخ فراخوان و مقدار F روش تطبیق همگی بالای 90 درصد است که از دقت تطبیق بالایی برخوردار است. می تواند انواع روابط تطبیق را شناسایی کند و بر تأثیر انحرافات موقعیتی خاص بر نتایج تطبیق غلبه کند. روش پیشنهادی نه تنها می‌تواند ویژگی‌های همسایگی فضایی مناطق مسکونی را در نظر بگیرد، بلکه روابط تطبیقی پیچیده در مناطق مسکونی چند مقیاسی را با دقت با یک اثر تطبیق خوب شناسایی می‌کند. نتایج تجربی نشان می‌دهد که میزان دقت، نرخ فراخوان و مقدار F روش تطبیق همگی بالای 90 درصد است که از دقت تطبیق بالایی برخوردار است. می تواند انواع روابط تطبیق را شناسایی کند و بر تأثیر انحرافات موقعیتی خاص بر نتایج تطبیق غلبه کند. روش پیشنهادی نه تنها می‌تواند ویژگی‌های همسایگی فضایی مناطق مسکونی را در نظر بگیرد، بلکه روابط تطبیقی پیچیده در مناطق مسکونی چند مقیاسی را با دقت با یک اثر تطبیق خوب شناسایی می‌کند.

کلید واژه ها:

تطبیق مناطق مسکونی ; همسایگی فضایی ; مثلث سازی دلونی ; شباهت ; الگوریتم Relief-F

1. مقدمه

تطبیق شی فضایی یک پیش نیاز مهم برای تحقق ادغام اطلاعات فضایی چند منبعی، تشخیص تغییر شی فضایی و به روز رسانی پویا است و هدف آن ایجاد رابطه متناظر بین یک شی با همان نام در منابع داده های مکانی مختلف است. تطبیق مناطق مسکونی یک پایه مهم پردازش و کاربردهای داده های مکانی است. با این حال، داده های منابع مختلف از بسیاری جهات، از جمله هندسه، ویژگی ها و روابط فضایی متفاوت است. این چالش‌های مهمی را برای تطبیق داده‌های مکانی، به‌ویژه در مقیاس‌های فضایی مختلف ایجاد می‌کند. تحت تأثیر تعمیم نقشه‌برداری، توزیع فضایی مناطق مسکونی متنوع‌تر است و روابط تطبیقی بین داده‌ها پیچیده‌تر است [ 1 ، 2 ], 3 , 4 , 5 , 6 ]. به این ترتیب، تحقیق در مورد تطبیق مناطق مسکونی، به ویژه مناطق مسکونی چند مقیاسی، از اهمیت زیادی برخوردار است.

بسیاری از محققان مطالعاتی را در مورد تطابق موجودیت منطقه ای انجام داده اند که بر دو جنبه اصلی متمرکز شده است: معیارهای شباهت و استراتژی های تطبیق. مطالعات انجام شده بر روی معیارهای تشابه عمدتاً از ویژگی‌های هندسی، توپولوژیکی و معنایی عناصر سطحی به عنوان ویژگی‌های شباهت استفاده می‌کنند که در این میان ویژگی‌های هندسی بیشترین استفاده را دارند. در محاسبه شباهت فضایی، مکان، مساحت، جهت و شکل موجودیت ها به طور کلی به عنوان شاخص برای محاسبه شباهت عناصر از منابع مختلف استفاده می شود و به هر شاخص با توجه به ویژگی های موجودات مختلف وزنی اختصاص داده می شود و سپس شباهت کلی به دست می آید. ماسویاما و همکاران [ 7 ] امکان تطبیق را با توجه به میزان همپوشانی نواحی محاسبه کرد. هائو و همکاران [ 8] تشابهات را در شکل، موقعیت و اندازه موجودات منطقه ای تعمیم داد و موجودیت های منطبق را بر اساس درجه شباهت کلی آنها شناسایی کرد. An et al. [ 9 ] یک روش توصیف چندسطحی برای اندازه‌گیری شباهت شکل موجودیت‌های منطقه‌ای چند مقیاسی پیشنهاد کرد. لو و همکاران [ 10 ] ویژگی‌های مکانی و معنایی موجودیت‌های منطقه‌ای را برای شناسایی بهترین اشیاء منطبق ترکیب کرد. برخی از مطالعات [ 11 ، 12 ] همچنین شباهت‌های ویژگی‌های محیطی متنی را برای مطابقت با مناطق مسکونی چند ضلعی محاسبه کرده‌اند و عمدتاً از مساحت و محیط مثلث اطراف ساختمان هدف برای محاسبه شباهت زمینه استفاده می‌کنند.

از جمله مطالعاتی که در مورد استراتژی های تطبیق انجام شده است، وانگ و همکاران. [ 4 ] روش جدیدی را برای تطبیق مناطق مسکونی با استفاده از مش خط اسکلت منطقه سیاه پیشنهاد کرد و شی منطبق به تطبیق مش خط اسکلت تبدیل می شود. تانگ و همکاران [ 13 ] یک مدل تطبیق بر اساس تئوری احتمال پیشنهاد کرد که با محاسبه احتمال اهداف کاندید با اهداف مطابقت دارد. وو و همکاران [ 14 ] یک نمودار Voronoi از مناطق مسکونی چند ضلعی ساخت و از شباهت های بدنه محدب برای مطابقت با موجودیت های منطقه استفاده کرد. وانگ و همکاران [ 15 ] از ویژگی های هندسی داده های نمونه برای آموزش یک مدل شبکه عصبی و تعیین نتایج تطبیق نهایی استفاده کرد. مطالعات دیگر [ 16 ، 17] از روش آرامش احتمالی برای حل ماتریس تطبیق و به دست آوردن نتایج تطبیق بهینه جهانی استفاده کرده اند.

اگرچه مطالعات فوق تا حدودی به مسائل مربوط به تطبیق موجودیت های منطقه ای پرداخته اند، اکثر موجودیت های تطبیق در مقیاس های مشابه یا مشابه، و روش های آنها برای تطبیق پیچیده در مقیاس های چندگانه اعمال نمی شود. این مطالعه به منظور توسعه یک روش تطبیق مناطق مسکونی چند مقیاسی انجام شد که ویژگی‌های همسایگی فضایی را در نظر می‌گیرد. این روش با استفاده از خوشه‌های همسایگی فضایی، موجودیت‌های تطبیق پیچیده را در مقیاس‌های چندگانه به حوزه‌های بسته تقسیم می‌کند. همچنین تأثیر ویژگی‌های خود مناطق مسکونی و ویژگی‌های همسایگی فضایی را بر نتایج تطبیق در نظر می‌گیرد و روابط تطبیقی مختلف را برای به دست آوردن نتایج تطبیق نهایی تطبیق می‌دهد.

2. روش تعیین نامزد تطبیق پیچیده برای مناطق مسکونی چند ضلعی

2.1. تجزیه و تحلیل روابط تطبیق پیچیده مناطق مسکونی چند ضلعی

به دلیل عواملی مانند منابع داده، دقت مکانی و تعمیم نقشه‌برداری، تفاوت‌های قابل‌توجهی در ویژگی‌های هندسی، ویژگی‌ها و توپولوژیکی عناصر مسکونی در داده‌های فضایی چند مقیاسی وجود دارد. با توجه به مکاتبات موجودیت مناطق مسکونی در داده های مقیاس مختلف و تعداد موجودیت های شامل، حالت تطبیق مناطق مسکونی چند مقیاسی را می توان به 1: 0، 0: 1، 1: 1، 1: N، M تقسیم کرد: 1 و M: N، همانطور که در جدول 1 نشان داده شده است.

(1) حالت 1: 0، مناطق مسکونی موجود در داده های مقیاس بزرگ هیچ هدف متناظری در داده های مقیاس کوچک ندارند. این رابطه تطبیق ممکن است توسط الگوریتم انتخاب ایجاد شود. زمانی که داده‌های مقیاس بزرگ به داده‌های مقیاس کوچک کاهش می‌یابد، لازم است به دلیل کاهش اندازه نقشه، مبادلاتی انجام شود که در نتیجه اهداف مربوطه در داده‌های مقیاس کوچک رها می‌شود.

(2) حالت 0: 1، مناطق مسکونی موجود در داده های مقیاس کوچک هیچ هدف متناظری در داده های مقیاس بزرگتر ندارند. رابطه تطابق ممکن است ناشی از چند منبع داده های مکانی یا تفاوت زمانی داده ها در مقیاس های مختلف باشد. اگر داده های مقیاس بزرگ نسبتا جدید باشند، ساکنان مربوط به داده های مقیاس کوچک حذف می شوند، در حالی که داده های مقیاس کوچک به روز نمی شوند.

(3) حالت 1: 1، یک منطقه مسکونی در داده های مقیاس بزرگ با یک چند ضلعی در داده های مقیاس کوچک مطابقت دارد. این وضعیت شامل ساده‌سازی نقشه است، جایی که هندسه (اندازه، شکل، و غیره) ممکن است با وجود وجود شی چند ضلعی یک به یک در مقیاس‌های مختلف تغییر کند.

(4) 1: حالت N، یک منطقه مسکونی در داده های مقیاس بزرگ با N منطقه مسکونی چند ضلعی در داده های مقیاس کوچک مطابقت دارد. ممکن است ناشی از خطای چند منبعی، چند زمانی یا داده ای داده های مکانی در مقیاس های مختلف باشد.

(5) M: 1 حالت، M چند ضلعی مناطق مسکونی در داده های مقیاس بزرگ مربوط به یک حل و فصل در داده های مقیاس کوچک است. این وضعیت عمدتاً توسط اپراتور ادغام ایجاد می شود. در تبدیل مقیاس، چندین منطقه مسکونی در یک منطقه ادغام می شوند، بنابراین یک رابطه تطبیق چند به یک وجود خواهد داشت.

(6) M: حالت N، مناطق مسکونی چند ضلعی در داده های مقیاس بزرگ با مناطق مسکونی چند ضلعی در داده های مقیاس کوچک مطابقت دارد. این وضعیت عمدتاً توسط عملگرهای نوع‌سازی ایجاد می‌شود که می‌توانند سازگاری ویژگی‌های فضایی را با وجود ناسازگاری تعداد اهداف در مقیاس‌های مختلف حفظ کنند.

در مقایسه با تطبیق داده‌های مکانی در مقیاس مشابه، مناطق مسکونی چند مقیاسی تطابق پیچیده‌تری دارند و تعیین هدف تطبیق پیچیده‌تر است. اول، بیشتر داده‌ها در مقیاس‌های کوچک‌تر از داده‌های مقیاس بزرگ‌تر تعمیم می‌شوند. بنابراین، روابط متناظری بین داده ها از نظر تعمیم کارتوگرافی وجود دارد. به عنوان مثال، عملگر ادغام چندین شی را در یک شی ادغام می کند، که منجر به یک رابطه تطبیق یک به چند می شود. روابط تطبیق بسیار به چند عمدتاً از عملگر تایپ سازی در تعمیم نقشه برداری [ 18 ] مشتق شده است. اگرچه کمیت های قبل و بعد از تعمیم متناقض هستند، اما ویژگی های معمولی عناصر را می توان حفظ کرد، همانطور که در شکل 1 نشان داده شده است.آ. علاوه بر این، معمولاً از ترکیب عملگرهای مختلف تعمیم کارتوگرافی (شامل انتخاب، ساده سازی و جابجایی) استفاده می شود. استفاده ترکیبی از عملگرهای ساده سازی، ادغام و جابجایی، شکل عناصر را تغییر می دهد و باعث جابجایی های خاصی می شود، بنابراین شناسایی روابط تطبیق بین عناصر، همانطور که در شکل 1 ب نشان داده شده است، دشوارتر می شود .

در مطالعه حاضر، از یک استراتژی تطبیق دو طرفه برای حل روابط تطبیق پیچیده استفاده شد. ایده اصلی استراتژی تطبیق دو طرفه، کشف رابطه تطبیق احتمالی بین دو نوع داده با مبادله هویت شی منطبق و شی مورد تطبیق است. روش‌های سنتی با استراتژی تطبیق دو طرفه عمدتاً از منطقه بافر یا روش‌های تطبیق نامزد حداقل مستطیل مرزی (MBR) استفاده می‌کنند که داده‌های تطبیق و داده‌های مرجع را مبادله می‌کنند و روابط تطبیقی را در داده‌های چند مقیاسی پیدا می‌کنند. تطبیق دو طرفه سنتی برای تطبیق یک به یک و یک به چند مؤثر است، اما اغلب منجر به تطبیق‌های نادرست و گمشده در تطابق چند به چند ایجاد شده توسط یک اپراتور تایپ‌سازی می‌شود. با بدنه محدب افزایشی، تشخیص اشیاء گروهی، خوشه‌بندی هدف و روش‌های دیگر،19 ، 20 ].

2.2. تعیین نامزدهای تطبیق چند به چند بر اساس خوشه‌های همسایگی فضایی

برای تطبیق پیچیده مناطق مسکونی چند ضلعی چند ضلعی، به ویژه روابط تطبیق چند به چند، لازم است عناصر نامزد متناظر در داده ها در مقیاس های مختلف به دست آیند، یعنی تعیین عناصر نامزد با روابط تطبیق چند به چند. . برای این منظور، این مطالعه مفهوم خوشه‌های همسایگی فضایی را معرفی می‌کند که به اصول اولیه گشتالت پایبند است. می تواند عناصر با الگوهای توزیع فضایی سازگار و عناصر مجاور را با هم جمع کند تا اطمینان حاصل شود که یکپارچگی مجموعه عناصر تجمیع شده تضعیف نمی شود [ 21 ]]. در تطابق چند به چند، عناصر فضایی عناصر انباشته شده با روابط همسایه هستند، بنابراین می توان آنها را با خوشه های همسایگی فضایی تقسیم کرد. در این روش از شبکه مثلث سازی دلونی برای ساخت روابط مجاورت فضایی مناطق مسکونی استفاده شد و عناصر کاندید به محله های فضایی بسته تقسیم شدند. سپس، خوشه همسایگی فضایی متشکل از چندین عنصر با غربالگری بیشتر از طریق فاصله فضایی به دست آمد که به آن مجموعه ضریب تجمع تطبیقی می‌گویند.

اجازه دهید دو نوع داده ای که باید با هم تطبیق داده شوند، داده های مقیاس کوچک باشند اس={س1،س2،…،سمتر}و داده های در مقیاس بزرگ سی={ج1،ج2،…،جn}، که در میان سمنو جمنچند ضلعی هستند که باید در داده ها تطبیق داده شوند اسو سی، و مترو nبه ترتیب اعداد چند ضلعی متناظر هستند. اول، بر اساس نتایج تطبیق اولیه، تقسیم اسو سیبه دو نوع، موجودیت های مطابق با برچسب گذاری شدند اس1و سی1، و موجودیت های بی همتا برچسب گذاری شدند اس2و سی2، که در آن اس1و سی1حوزه 1:1و 1:نمطابقت، و اس2و سی2حوزه 1:0و م:نمطابقت داشت. سپس مرکز هندسی نوع اول را بدست آورید ( اس1و سی1، و از مثلث سازی دلونی برای ساخت رابطه همسایگی فضایی استفاده کنید اس1و سی1بر اساس نقطه مرکزی هندسی در نهایت، فضاهای مثلثی را ادغام کنید که نوع دوم موجودیت را پوشش می دهد ( اس2و سی2). موجودیت‌های درون این فضاهای مثلثی، خوشه‌های همسایگی فضایی هستند م:نویژگی های همسان

زیرا موجودیت نوع اول حاوی یک نیست م:نمطابقت، یک مثلث دلونی ساخته شده است، و م:نمطابقت در فضای مثلثی ساخته شده توسط نقاط مرکزی هندسی نوع اول توزیع می شود ( اس1و سی1). سپس فضاهای مثلثی پوشیده شده است اس2و سی2ادغام می شوند، که می تواند از مجموعه عناصر جمعی جلوگیری کند م:نکبریت از تضعیف شدن، در نتیجه تداوم و لبه های آن اطمینان حاصل شود. همانطور که از شکل 2 مشاهده می شود ، Dبه معنی مثلث، اگر D1، D2، و D3با هم تلاقی می کنند س1، س2، و س3از نوع دوم موجودیت، سپس مثلث ها ادغام می شوند، D3و D4با هم تلاقی می کنند س4، و D3، D4سپس ادغام می شوند. سرانجام، D1، D2، D3و D4در یک فضای محله مثلثی ادغام شده اند. علاوه بر این، س5فقط با D6، بنابراین D6یک فضای مثلثی منفرد است.

پس از تعیین فضاهای همسایگی مثلث ها، موجودیت های مساحتی ( اس2و سی2) واقع در فضاهای مثلثی را می توان با تحلیل فضایی یافت. ممکن است موجودیت های منطقه ای متعددی در یک فضای مثلثی یکسان وجود داشته باشد، اما خوشه های همسایگی فضایی در این نقطه لزوماً مجموعه عناصر نامزد منطبق نهایی چند به چند نیستند. برخی از عناصر منطقه ای از هم دور هستند، بنابراین آنها را برآورده نمی کند م:نمطابقت با قانون مجاورت فضایی بنابراین، لازم است دامنه برای حذف خوشه‌های همسایگی فضایی و تعیین نهایی بیشتر محدود شود. م:نمجموعه عناصر منطبق با استفاده از روش مثلث‌سازی دلونای محدود موجود، روش به کار گرفته شده به شرح زیر بود: (1) گره‌های لبه مناطق مسکونی چند ضلعی استخراج شدند. با توجه به اینکه گره های منطقه مسکونی کمی وجود دارد، مثلث های بلند و باریک احتمالاً بر ساخت مثلث دلون تأثیر می گذارد. بر اساس ادبیات [ 4 ]، گره های مسکونی متراکم شدند. (2) یک مثلث Delaunay ساخته شد که توسط لبه های منطقه مسکونی محدود شده بود، همانطور که در شکل 3 نشان داده شده است. (3) بر اساس مثلث دلونای محدود، مثلث هایی با طول کوچکتر از دتیکه چند ضلعی های مختلف را به هم متصل می کنند حفظ شدند ( دتی=جیμ، جایی که جیمخرج مقیاس است و μ0.4 میلی متر است [ 22 ]). بر اساس اتصالات لبه های مثلث، خوشه های همسایگی فضایی مناطق مسکونی همجوار، یعنی نهایی م:نمطابق شکل 3 ب نشان داده شده است. در نهایت، دامنه فضایی باید به عنوان یک کل محاسبه شود، بنابراین روش بدنه محدب معرفی شده است. بدنه محدب، چند ضلعی محدب حداقلی است که شامل تمام نقاط یک خوشه است و ساختار اصلی را برای توصیف شکل یک شی فضایی با مقادیر متغیر کوچک نشان می دهد. پردازش بدنه محدب برای این حوزه فضایی انجام می‌شود، و محاسبه شباهت برای تعیین رابطه تطبیق M : N انجام می‌شود .

با توجه به مراحل فوق، شبه کد روش تعیین نامزد تطبیق چند به چند بر اساس خوشه همسایگی فضایی به صورت الگوریتم 1 است:

الگوریتم 1 الگوریتم خوشه های همسایگی فضایی

ورودی: داده‌های مسکونی در مقیاس کوچک S، داده‌های مسکونی در مقیاس بزرگ C، تقسیم S ¹ ، S ² و C ¹ ، C ² .
خروجی: خوشه تطبیق نامزد
/*شروع*/
/*1. مثلث دلاوی */
GetCentroid (S ¹ و C ¹ )
Delaunay (S ¹ و C ¹ )
/*2. ادغام فضای مثلثی */
برای i در S ²
اگر S ² (i) یا C ² (i). تقاطع (Delaunay_triangulation):
Cluster_tri.append (Delaunay_triangulation)
Spatial_Analysis (Cluster_tri و C ² (i) یا S² (i))
دریافت (Cluster_origin)
/*3. خوشه فضایی نهایی */
Delaunay_constraint (Cluster_origin)
محاسبه (d _t )
دریافت (Cluster_final)
بازگشت Cluster_final
/*end*/

3. محاسبه شباهت با در نظر گرفتن ویژگی های همسایگی فضایی

در دنیای واقعی، عناصر جغرافیایی ویژگی‌های فضایی خاص خود را دارند و با عناصر همسایگی اطراف خود مرتبط هستند و متقابلاً بر آنها تأثیر می‌گذارند. ویژگی‌های فضایی واحدهای مسکونی که می‌توانند با یکدیگر تطبیق داده شوند شباهت‌های خاصی دارند، اما ویژگی‌های همسایگی آنها نیز باید مشابه باشد. گاهی اوقات، تکیه بر ویژگی های خود به تنهایی منجر به نتایج تطبیق دقیق نمی شود. برای مثال در شکل 1 ب، پ2و پ3همپوشانی فضایی با q1، اما اگر ویژگی های محله در نظر گرفته شود، نسبتاً بدیهی است که پ2و پ3موجودیت ها با q2. بنابراین، در فرآیند تطبیق مسکونی، لازم است شباهت‌های فضایی خود موجودات و همچنین شباهت‌های ویژگی‌های همسایگی فضایی در نظر گرفته شود و ویژگی‌های هندسی و توپولوژیکی عناصر به طور کامل ترکیب شود تا نتایج تطبیق دقیق به دست آید.

3.1. شباهت در ویژگی های مناطق مسکونی

معیارهای تشابه سنتی عمدتاً شامل مکان، جهت، مساحت و شکل و غیره است که در ادامه به معرفی مختصر می پردازیم.

3.1.1. شباهت مکان

فاصله فضایی نشان دهنده مجاورت مکانی موجودات جغرافیایی است و معیار مهمی برای تشابه هندسی است. موقعیت منطقه مسکونی عمدتاً توسط مرکز آن منعکس می شود، بنابراین شباهت مکان را می توان با محاسبه فاصله مرکز منعکس کرد. اگر پآ(ایکس1،y1)و پب(ایکس2،y2)مرکز هندسی دو منطقه مسکونی چند ضلعی هستند، فاصله اقلیدسی برای محاسبه شباهت موقعیت به صورت زیر استفاده می شود:

سمنمترسهلf_پoس=1-(ایکس1-ایکس2)2+(y1-y2)2U

(1)

جایی که Uحداکثر فاصله بین رئوس لبه دو منطقه مسکونی چند ضلعی است.

3.1.2. شباهت جهت

جهت یک ویژگی متمایز مهم مناطق مسکونی چند ضلعی است و به طور کلی محور طولانی مستطیل حداقل مرزی است. شباهت جهت دو منطقه مسکونی را می توان با مقایسه تفاوت جهت محور طولانی MBR منعکس کرد. اگر θ1و θ2مقادیر جهت دو نشست چند ضلعی است، سپس شباهت جهت آنها به صورت زیر محاسبه می شود:

سمنمترسهلf_دمنr=1-θ1-θ2θτ

(2)

جایی که θτمقدار آستانه جهت است که معمولاً می باشد π/2.

3.1.3. شباهت منطقه

اندازه مساحت یکی از ویژگی های مهم یک منطقه مسکونی است. هرچه این تفاوت در مساحت مناطق مسکونی مطابقت کمتر باشد، احتمال مشابه بودن آنها بیشتر است. اگر آ1و آ2مساحت دو منطقه مسکونی چند ضلعی است که شباهت مساحت آنها به صورت زیر تعریف می شود:

سمنمترسهلf_آrهآ=1-آ1-آ2مآایکس(آ1،آ2)

(3)

جایی که مآایکس(آ1،آ2)حداکثر مقدار است آ1و آ2.

3.1.4. شباهت های شکل

شکل یکی دیگر از ویژگی های مهم بصری نشست های چند ضلعی است که می تواند به طور گسترده در تشخیص، تشخیص و تطبیق اشیاء چند ضلعی استفاده شود. در این مطالعه، از تابع چرخش برای توصیف ویژگی‌های شکل مناطق مسکونی چند ضلعی استفاده شده است. یک چند ضلعی را می توان با استفاده از فهرستی از جفت های طول زاویه نشان داد، که به موجب آن، زاویه در یک راس، زاویه مماس انباشته شده در این نقطه است، در حالی که طول مربوطه، طول انباشته شده نرمال شده چند ضلعی در این نقطه است [ 23 ]. شکل 4 تغییر زوایای مماس ( محور y ) را در امتداد طول انباشته نرمال شده اضلاع چند ضلعی نشان می دهد ( x-axis) به ترتیب در جهت عقربه های ساعت از نقطه شروع (دایره توخالی سیاه). از این منظر، زاویه مماس را می توان تابعی از طول انباشته شده نرمال شده در نظر گرفت. این نوع نمایش نسبت به چرخش ثابت است زیرا حاوی اطلاعات جهت گیری نیست. بعلاوه، نسبت به مقیاس بندی ثابت است، زیرا طول نرمال شده آن را از اندازه چند ضلعی مستقل می کند. شباهت شکل تابع چرخش به صورت زیر محاسبه می شود:

سمنمترسهلf_سساعتآپه=1-🔻10هآ(ل)-هب(ل)دلحداکثر(🔻10هآ(ل)دل،🔻10هب(ل)دل)

(4)

جایی که هآ(ل)و هب(ل)مقادیر انباشته شده گوشه های مناطق مسکونی چند ضلعی هستند.

به طور خلاصه، شباهت کلی ویژگی های خود منطقه مسکونی به صورت زیر محاسبه می شود:

سمنمترسهلf=∑من=14wمنسمنمترسهلf_ایکس

(5)

جایی که ایکسنشان می دهد پoس، دمنr، آrهآ، سساعتآپهبه عنوان مثال، موقعیت، جهت، منطقه، و ویژگی های شکل، و ∑من=14wمن=1.

3.2. شباهت ویژگی های همسایگی فضایی مناطق مسکونی

3.2.1. شناسایی همسایگان فضایی

برای محاسبه شباهت ویژگی‌های همسایگی فضایی بر اساس شباهت ویژگی‌های خود ساکنان، ابتدا باید هدف مجاورت فضایی عناصر ساکنان مشخص شود. در این مطالعه، ما از نمودار Voronoi برای تعیین همسایگان فضایی داده های مسکونی چند ضلعی در مقیاس کوچک استفاده کردیم. اس. نمودار Voronoi یک ابزار تحلیل همسایگی فضایی است که به طور موثر نزدیکی فضایی موجودات جغرافیایی را نشان می دهد. بر اساس اصل نزدیکترین همسایه تقسیم می شود و هر نقطه با نزدیکترین همسایه خود مرتبط است. می تواند اطمینان حاصل کند که هر عنصر دارای تعداد مشخصی همسایه فضایی است. ابتدا مراکز هندسی چند ضلعی مناطق مسکونی در اسبه دست آمد و سپس نمودار ورونوی ساخته شد. همسایگان فضایی عناصر چند ضلعی را می توان با توجه به روابط توزیع تعیین کرد. شکل 5 نشان می دهد که با توجه به توزیع فضایی نمودار ورونوی، همسایگان فضایی منطقه مسکونی س0هستند س1–س6. برای منطقه مسکونی چند ضلعی سمنبا همسایه فضایی سساعت، Vorتوزیع فضایی نمودار ورونوی را نشان می دهد و مجموعه همسایه فضایی آن به صورت تعریف شده است نمن={سساعت:(سمن،سساعت)∈Vor}.

از آنجایی که مجموعه داده در مقیاس بزرگ سیحاوی عناصر جغرافیایی دقیق تر و بیشتر است، توزیع فضایی کاملاً متفاوت از مجموعه داده های مقیاس کوچک است اس، و همین روش همسایگان فضایی ثابت را تضمین نمی کند. بنابراین، برای مجموعه داده های منطقه مسکونی در مقیاس بزرگ سی، تعریف مجموعه سایر اهداف منطقه ای در مجموعه داده ها سیبا فاصله از جjکه کوچکتر از دτبه عنوان همسایه های فضایی را می توان به صورت زیر بیان کرد: نj={جک:د(جj،جک)≤دτ}، جایی که جjموجودیت تطبیق نامزد است سمن، جکهمسایه فضایی است جj، و دτآستانه فاصله است که با توجه به دقت داده ها تعیین می شود.

با استفاده از نمودار ورونوی و روش آستانه فاصله، می‌توان همسایه‌های فضایی داده‌های چند ضلعی منطقه مسکونی را تعیین کرد و سپس شباهت همسایه فضایی مناطق مسکونی چند ضلعی را در مقیاس‌های چندگانه محاسبه کرد.

3.2.2. شباهت همسایگی فضایی

پس از تعیین همسایگان فضایی، لازم است با محاسبه شباهت همسایگی فضایی مناطق مسکونی چند ضلعی، روابط تطبیقی خاص تعیین شود. اگر سساعتو جکهمسایگان فضایی هستند سمنو جj، سپس (سساعت،جک)همسایه نامزد مسابقه است (سمن،جj)موقعیت نسبی، جهت نسبی، مساحت نسبی و شباهت های شکل نسبی محیط های همسایگی فضایی آنها را می توان همانطور که در شکل 6 نشان می دهد محاسبه کرد.

(1) شباهت موقعیت نسبی

موقعیت نسبی در درجه اول از ویژگی های فاصله و جهت تعیین می شود (سمن،جj)و (سساعت،جک)همانطور که در شکل 6 نشان داده شده است. فرمول محاسبه به شرح زیر است:

rدمنس=1-د(سمن،سساعت)-د(جj،جک)حداکثرسمتر∈نمن،جn∈نj(د(سمن،سمتر)،د(جj،جn))rدمنr=1-α(سمنسساعت،جjجک)π/2سمنمترrهل_پoس=rدمنس×rدمنr

(6)

جایی که د(سمن،سساعت)و د(جj،جک)فواصل مرکز هندسی اهداف منطقه ای هستند. نمنو نjمجموعه های همسایه فضایی هستند سمنو جj; و rدمنسرابطه فاصله نسبی تطابق نامزد همسایه است. α(سمنسساعت،جjجک)جهت نسبی اتصال مرکز را نشان می دهد (سمن،سساعت)و (جj،جک)، با مقدار آستانه ای از π/2. شباهت موقعیت نسبی سمنمترrهل_پoساز ضرب به دست می آید rدمنسو rدمنr، سمنمترrهل_پoس∈[0،1]، و فاصله نسبی بیشتر است rدمنسو جهت نسبی rدمنrهستند، هر چه مقادیر موقعیت نسبی مشابه بیشتر باشد (سمن،سساعت)و (جj،جک)هستند و بالعکس.

(2) تشابه جهت نسبی

جهت های اصلی اهداف منطقه ای در شکل 6 نشان داده شده است. شباهت جهت نسبی تفاوت بین جهت های اصلی است (سمن،سساعت)و (جj،جک):

سمنمترrهل_دمنr=1-β(سمن،سساعت)-β(جj،جک)π/2

(7)

جایی که βتفاوت بین جهت های اصلی دو هدف منطقه ای است، β∈[0،π/2]، و سمنمترrهل_دمنrنشان دهنده تشابه جهت است (سمن،سساعت)و (جj،جک)، در جایی که مقدار بیشتر باشد، جهت های نسبی جفت هدف مشابه تر است و بالعکس.

(3) شباهت منطقه نسبی

شباهت منطقه نسبی عمدتاً با اندازه اهداف منطقه تعیین می شود و به صورت زیر محاسبه می شود:

سمنمترrهل_آrهآ=11+(ϕ(سمن،سساعت)-ϕ(جj،جک))2ϕ(سمن،سساعت)=1/ϕ(سمن،سساعت)،ϕ(جj،جک)=1/ϕ(جj،جک)،منfϕ(سمن،سساعت)>1

(8)

جایی که ϕ(سمن،سساعت)=آrهآ(سمن)/آrهآ(سساعت)، ϕ(جj،جک)=آrهآ(جj)/آrهآ(جک)، و آrهآمناطق اهداف متناظر و سمنمترrهل_آrهآنشان دهنده شباهت منطقه نسبی بین (سمن،سساعت)و (جj،جک). برای اطمینان از آن ϕ(سمن،سساعت)∈[0،1]، اگر ϕ(سمن،سساعت)>1، هر دو ϕ(سمن،سساعت)و ϕ(جj،جک)برعکس شمارش می شوند.

(4) شباهت شکل نسبی

سمنمترrهل_سساعتآپه=11+(δ(سمن،سساعت)-δ(جj،جک))2δ(سمن،سساعت)=1/δ(سمن،سساعت)،δ(جj،جک)=1/δ(جj،جک)،منfδ(سمن،سساعت)>1

(9)

جایی که δ(سمن،سساعت)=ه(سمن)/ه(سساعت)، δ(جj،جک)=ه(جj)/ه(جک)، و ه(·)مقادیر شکل هدف منطقه ای هستند که با استفاده از تابع هدف محاسبه می شوند و سمنمترrهل_سساعتآپهنشان دهنده شباهت نسبی شکل بین (سمن،سساعت)و (جj،جک). برای اطمینان از آن δ(سمن،سساعت)∈[0،1]، اگر δ(سمن،سساعت)>1، هر دو δ(سمن،سساعت)و δ(جj،جک)برعکس شمارش می شوند.

بر اساس معادلات (6) – (9)، شباهت همسایگی کلی از (سمن،سساعت)و (جj،جک)به صورت زیر بیان می شود:

سمنمترrهل(سمن،جj;سساعت،جک)=∑من=14wمنسمنمترrهل_Y

(10)

جایی که Yنشان می دهد پoس، دمنr، آrهآ، سساعتآپهیعنی ویژگی های موقعیت، جهت، مساحت و شکل و ∑من=14wمن=1.

از آنجا که بیش از یک نامزد همسایه منطبق وجود دارد سمنو جj، لازم است همه اهداف تطبیق همسایه را تعمیم دهیم سمنو جjو شباهت کلی همسایگی را به صورت زیر محاسبه کنید:

سمنمترrهل=∑سساعت∈نمنحداکثرک∈نj(سمنمترrهل(سمن،جj;سساعت،جک))/نتومتر

(11)

جایی که نتومترتعداد همسایگان فضایی را نشان می دهد سمنکه در نمن.

3.3. استفاده از الگوریتم Relief-F برای تعیین مقادیر وزن مشابه

در مطالعات قبلی، مقادیر وزن تا حد زیادی با استفاده از مقادیر تجربی تعیین شده است، که ذهنی است و مقادیر وزن بهینه را تضمین نمی کند. الگوریتم Relief-F یک الگوریتم انتخاب ویژگی چند کلاسه است که به‌روزرسانی الگوریتم Relief است. الگوریتم Relief-F روشی برای محاسبه وزن ویژگی ها بر اساس یادگیری نمونه است. به دلیل سادگی، شهودی بودن و کارایی محاسباتی آن در بسیاری از زمینه ها استفاده شده است [ 24 ، 25 ] ]. الگوریتم وزن های اولیه را به هر ویژگی اختصاص می دهد و سپس با به روز رسانی فرمول وزن ها را اصلاح می کند و در نهایت وزن ویژگی های مختلف را به دست می آورد. در این مطالعه از الگوریتم Relief-F برای تعیین وزن ویژگی‌های شباهت مختلف استفاده شد.

اگر مجموعه ویژگی موجودیت منطبق باشد آر={آر1،آر2،…،آرن}، آرمن={آرمن1،آرمن2،…،آرمنم}نشان دهنده من^{ویژگی موجودیت} تطبیقی (ویژگی های موجود در این مطالعه عبارتند از فاصله، مساحت، جهت و شکل، بنابراین م=4) و سیلآسس={سیلآسس1،سیلآسس2،…،سیلآسسپ}نشان دهنده ویژگی های موجودیت تطبیق گروه های مختلف است. این کنمونه‌های نزدیک‌ترین همسایه از مجموعه‌های نمونه گروه‌های مشابه و متفاوت به‌دست آمد آرمنو از فرمول زیر برای به روز رسانی مقادیر وزن استفاده شد jویژگی ^{ام از}آرمن.

wjمن=wjمن-1+1ک×ن[دمنffمترمنسس(آرمن،ک)-دمنffساعتمنتی(آرمن،ک)]دمنffمترمنسس(آرمن،ک)=∑متر=1کآرمنj-آرساعتمنتیمترjحداکثر(آر*j)-دقیقه(آر*j)دمنffساعتمنتی(آرمن،ک)=∑سی∉سیلآسس(آرمن)[پ(سی)1-پ(سیلآسس(آرمن))∑متر=1کآرمنj-آرمترمنسسمترjحداکثر(آر*j)-دقیقه(آر*j)]

(12)

جایی که دمنffمترمنسس(آرمن،ک)و دمنffساعتمنتی(آرمن،ک)نشان دهنده تفاوت های بین آرمنو به ترتیب همان گروه و گروه متفاوت; حداکثر(آر*j)و دقیقه(آر*j)بزرگترین و کوچکترین مقادیر هستند j^{ویژگی هفتم} ، به ترتیب؛ پ(سی)احتمال کلاس است سی، یعنی تعداد نمونه های کلاس سیبه نسبت کل نمونه ها؛ و آرساعتمنتیمترjو آرمترمنسسمترjنمایندگی j^مقادیر ویژه نمونه ها در همان گروه و گروه های مختلف به عنوان آرمن.

از رابطه (12) برای تعیین مقادیر وزن در معادلات (5) و (10) استفاده شد. با توجه به شباهت ویژگی محاسبه شده سمنمترسهلfخود منطقه مسکونی و شباهت فضایی محله سمنمترrهل، میانگین این دو به عنوان در نظر گرفته شد سمنمتر=(سمنمترسهلf+سمنمترrهل)/2برای به دست آوردن ارزش شباهت نهایی موجودیت هایی که باید مطابقت داده شوند، سمنو جj، با روابط تطبیق نهایی با توجه به آستانه تعیین شده تعیین می شود.

4. آزمون و تجزیه و تحلیل

4.1. فرآیند تطبیق و آزمون

در زیر فرآیند آزمایش برای روش تطبیق مناطق مسکونی چند مقیاسی پیشنهاد شده در این مطالعه است ( شکل 7 ):

پیش پردازش داده ها انجام می شود که عمدتاً شامل تبدیل فرمت داده ها، تبدیل سیستم مختصات، تغییر طرح ریزی و بررسی توپولوژی می شود.
مقادیر وزن با انتخاب تعداد معینی از نمونه های مثبت و محاسبه ویژگی های فرعی شباهت یک منطقه مسکونی و شباهت همسایگی فضایی، با استفاده از الگوریتم Relief-F برای تعیین مقادیر وزنی ویژگی های مختلف تعیین می شود.
تطبیق اولیه با استفاده از حداقل مستطیل محدود برای نمایش موجودیت های تطبیق نامزد و سپس با محاسبه مقادیر شباهت فضایی و تعیین انجام می شود. 1:1و 1:نمسابقات نامزدها؛
خوشه های همسایگی فضایی با استفاده از روش شرح داده شده در بخش 2.2 ، بر اساس تطابق اولیه تعیین می شوند. موجودیت های منطبق برچسب گذاری شدند سی1و اس1، و موجودیت های بی همتا برچسب گذاری شدند سی2و اس2، که عمدتاً شامل تطبیق M : N و تطابق 1: 0 بود. در نهایت، شبکه مثلث سازی Delaunay برای تقسیم دامنه فضایی تطبیق چند به چند ایجاد می شود.
م:نتطبیق با انجام پردازش بدنه محدب بر روی مجموعه عناصر انبوه به‌دست‌آمده از خوشه‌های همسایگی فضایی و تبدیل آنها به موجودیت‌های منفرد برای تطبیق انجام می‌شود و شباهت فضایی برای تعیین رابطه تطابق محاسبه می‌شود. م:ن;
همه نتایج تطبیق به دست آمده و ارزیابی می‌شوند و رابطه تطابق عمدتاً توسط مقدار شباهت فضایی تعیین می‌شود.

برای بررسی اثربخشی الگوریتم پیشنهادی در این مطالعه برای تطبیق مناطق مسکونی چند مقیاسی، از نرم افزار ArcGIS Engine 10.2 برای طراحی و پیاده سازی الگوریتم با استفاده از زبان برنامه نویسی پایتون استفاده شد. ما از رایانه ای با سیستم عامل مایکروسافت ویندوز 10، پردازنده Intel i7، 8 گیگابایت حافظه و هارد دیسک 512 گیگابایتی استفاده کردیم. این آزمایش از داده‌های مسکونی در مقیاس‌های 1:50000 و 1:10000 برای منطقه‌ای از شهر نینگبو، استان ژجیانگ در شرق چین استفاده کرد که به ترتیب شامل 689 و 2016 چند ضلعی بود. منطقه انتخاب شده هم دارای مناطق شهری پرجمعیت و هم مناطق حومه ای کم جمعیت است که برای تطبیق مناسب است. داده های آزمون در شکل 8 نشان داده شده است.

4.2. نتایج آزمون و تجزیه و تحلیل

پنج گروه از نمونه های مثبت از مناطق معمولی مانند مناطق شهری، روستایی و حومه شهر از داده های تجربی با 20 نمونه در هر گروه انتخاب شدند. روش پیشنهادی در این مقاله برای محاسبه مقادیر شباهت برای مکان، جهت، مساحت و ویژگی‌های شکل خود مناطق مسکونی و محله‌های فضایی آن‌ها مورد استفاده قرار گرفت. الگوریتم Relief-F برای اصلاح مقادیر وزنی ویژگی ها استفاده شد. در طول فرآیند آموزش، مقدار 8 برای کپس از اجرای 20 بار الگوریتم به دست آمد. مقادیر وزن ویژگی تشابه در معادلات (5) و (10) به دست آمد و در جدول 2 نشان داده شده است. علاوه بر این، با توجه به تجربه و دانش کارشناسان [ 14 ، 17 ، 26 ] و پس از بازخوردهای فراوان، آستانه فاصله تعیین شد. دτ=50متر، و آستانه شباهت به تنظیم شد سمنمتر0=0.6.

برای ارزیابی کارایی تطبیق الگوریتم پیشنهادی در این مطالعه، مقادیر دقت تطبیق پ، به خاطر آوردن آر، و افبا مقایسه با نتایج تطبیق دستی (از طریق مشاهده بصری) به شرح زیر محاسبه شد:

پ=f(سی)f(سی)+f(دبلیو)+f(م)آر=f(سی)f(سی)+f(U)اف=2پآرپ+آر

(13)

جایی که f(سی)تعداد تطابق صحیح است، f(دبلیو)تعداد عدم تطابق است، f(م)تعداد موارد منطبق است که نمی توان به صورت دستی تعیین کرد، و f(U)تعداد مسابقات از دست رفته است.

ما از داده‌های آزمون برای مقایسه روش بکار گرفته شده در این مطالعه با روش‌های هم‌پوشانی سطح [ 7 ] و روش‌های تطبیق شباهت ویژگی [ 8 ] از مطالعات دیگر استفاده کردیم، با آستانه نرخ همپوشانی منطقه روی 0.5 و آستانه شباهت روی 0.6 تنظیم شده است. . آمار نتایج مسابقات در جدول 3 نشان داده شده است. مشاهده می شود که دقت، یادآوری و افارزش روش به کار گرفته شده در این مطالعه همگی بالای 90 درصد بود، اما دقت و یادآوری روش های تطبیق به کار رفته در سایر مطالعات [ 7 ، 8 ] در محدوده 70 تا 80 درصد بود. از آنجایی که داده های تجربی مورد استفاده در این مقاله از قبل پردازش شده بودند، یعنی انحرافات هندسی زیادی وجود نداشت، روش تطبیق نسبت همپوشانی مساحت نسبتاً خوب بود، اما برخی 1:نمسابقات را نمی‌توان به طور کامل مطابقت داد و مستعد عدم تطابق بودند، و برخی از موجودیت‌ها با انحرافات هندسی فردی مستعد مسابقات از دست رفته بودند. از نظر تطابق چند مقیاسی، به دلیل تفاوت های قابل توجه در ویژگی های فضایی بین برخی از موجودیت های منطبق، تعداد زیادی وجود داشت. 1:نمسابقات. روش تطبیق بر اساس شباهت ویژگی های خود مستعد عدم تطابق و مطابقت های از دست رفته است. علاوه بر این، روش های مورد استفاده در سایر مطالعات [ 7 ، 8 ] نتوانستند به طور موثر شناسایی شوند م:نروابط تطبیقی

با این حال، دو روش مورد استفاده در مطالعات دیگر پیچیدگی کمتری دارند، بنابراین سریعتر از روش مورد استفاده در این مطالعه هستند. روش در این مقاله نیاز به تعیین اهداف نامزد برای چندین بار دارد که در فرآیند تراورس زمان بر است. علاوه بر این، نمودار Voronoi و شبکه مثلثی Delaunay نیز استفاده می شود، بنابراین سرعت کلی کمی کمتر است.

شکل 9 برخی از نتایج تطبیق دقیق برای داده های منطقه آزمایش را نشان می دهد و مشخصات ترسیمی عمدتاً رابطه تطابق را با اتصال مرکز ثقل مناطق مسکونی مختلف بیان می کند. مشاهده می شود که روش به کار گرفته شده در این مطالعه می تواند به طور موثر تطبیق چند ضلعی مسکونی را مدیریت کند، می تواند انواع مختلفی از روابط تطبیق را شناسایی کند و کارایی تطبیق خوبی دارد. از شکل 9 الف، ب مشاهده می شود که توزیع مناطق مسکونی چند ضلعی نسبتاً منظم است، بدون انحراف موقعیتی قابل توجه و عمدتاً 1:1منطبق و ساده تر 1:نمطابقت دارند، بنابراین تطبیق این مناطق مسکونی چند ضلعی آسان تر است و نتایج تطبیق بهتری دارند.

اگر توزیع فضایی پیچیده ای وجود داشته باشد، ویژگی های شباهت فضایی خود مناطق مسکونی به اندازه کافی مشهود نیست، بنابراین تطبیق این موجودیت ها بیشتر به ویژگی های همسایگی فضایی بستگی دارد. روش مورد استفاده در این مطالعه این را در نظر می گیرد و در نتیجه کارایی تطبیق را تا حدودی بهبود می بخشد. شکل 9 c,d نشان می دهد که نتایج تطبیق کلی مناطق مسکونی چند ضلعی خوب بود و روش پیشنهادی در این مطالعه که مبتنی بر خوشه های همسایگی فضایی است، می تواند به طور دقیق پیچیده را شناسایی کند. م:نمطابق با نواحی در خطوط قرمز رنگ در شکل نشان داده شده است. با این حال، به دلیل تفاوت در ویژگی‌های عناصر منفرد که بیش از حد بزرگ هستند یا روابط تطبیقی نسبتاً مبهم هستند، عدم تطابق و تطابق‌های از دست رفته نیز رخ داده است، همانطور که با مناطقی در خطوط جامد آبی در شکل نشان داده شده است.

شکل 10 یک نمونه منطبق را نشان می دهد که از مجموعه نتایج انتخاب شده است. شباهت موجودیت های مختلف از محاسبات به دست آمد، همانطور که در جدول 4 نشان داده شده است. در شکل 10 الف، س1و تی1حوزه 1:1رابطه تطبیقی شباهت ویژگی خود و شباهت همسایگی فضایی دو موجودیت منطقه ای هر دو بسیار بالا بود، بنابراین یک رابطه تطبیقی می تواند به طور دقیق بین این دو تعیین شود. در شکل 10 ب، س2و تی2، تی3حوزه 1:نهمخوانی داشتن. شباهت بین دو نوع موجودیت نسبتاً زیاد است و رابطه تطابق بین این سه را نیز می توان از طریق تطبیق دو طرفه به دقت تعیین کرد. در شکل 10 ج، س3و س4، با هم تی4، تی5، و تی6، هستند م:نمطابقت ناشی از تایپ سازی پس از تطابق اولیه، یک رابطه تطابق خاص را نمی توان تعیین کرد، اما یک م:نرابطه تطابق نامزد را می توان با استفاده از روش مبتنی بر خوشه های همسایگی فضایی تعیین کرد. سپس پردازش بدنه محدب انجام شد. همانطور که شکل 10 d نشان می دهد، این رابطه تطبیق به a تبدیل شده است 1:1تطبیق ساده، و مقدار شباهت برای تعیین رابطه تطابق بین عناصر محاسبه شد.

5. نتیجه گیری ها

این مقاله یک روش تطبیق منطقه مسکونی چند مقیاسی را معرفی می‌کند که ویژگی‌های همسایگی فضایی را در نظر می‌گیرد. این روش روابط تطبیق پیچیده مناطق مسکونی چند ضلعی را تجزیه و تحلیل می‌کند و یک روش تعیین تطبیق کاندیدای چند به چند پیشنهاد می‌کند که بر اساس خوشه‌های همسایگی فضایی برای دستیابی به روابط تطبیق پیچیده چند به چند است. همچنین شباهت‌های خود مناطق مسکونی چند ضلعی و شباهت‌های همسایگی فضایی را با در نظر گرفتن ویژگی‌های هندسی و توپولوژیکی مناطق مسکونی ترکیب می‌کند تا نتایج تطبیق دقیق را به دست آورد. نتایج تجربی نشان می‌دهد که این روش می‌تواند روابط تطبیق پیچیده یک به چند و چند به چند را در مناطق مسکونی چند مقیاسی شناسایی کند و بر تأثیر انحرافات موقعیت بر نتایج تطبیق غلبه کند.

اگرچه اعتقاد بر این است که این روش بسیار مفید است، مسائلی برای بررسی بیشتر در مورد کاربردهای عملی آن وجود دارد. یکی اینکه تطابق اولیه به درستی پیدا می‌شود، اما سایر موارد در موارد خاص می‌توانند از دست بروند، که معمولاً اگر چندین شیء جمع شده باشند، اتفاق می‌افتد، اما یکی از آنها بیشتر شبیه شی مورد نظر است. مورد دیگر این است که وقتی تفاوت مقیاس بین داده‌هایی که باید مطابقت داده شوند زیاد است، ساکنان به شدت تحت تأثیر عوامل تعمیم نقشه‌کشی قرار می‌گیرند و ویژگی‌های خودشان و ویژگی‌های همسایگی فضایی تغییر می‌کند، که به راحتی باعث عدم تطابق می‌شود. مطالعات آینده باید بر انطباق این روش برای تطبیق مناطق مسکونی چند ضلعی با مقیاس های دهانه های مختلف و گسترش روش برای تطبیق سایر عناصر منطقه متمرکز شود.

منابع

رویز، جی. آریزا، ف. اورینا، ام. Elidia، B. ترکیب نقشه دیجیتال: مروری بر فرآیند و پیشنهادی برای طبقه بندی. بین المللی جی. جئوگر. Inf. علمی 2011 ، 25 ، 1439-1466. [ Google Scholar ] [ CrossRef ]
خاویر، ای. آریزا، ف. Ureña, M. A Survey of Measures and Methods for Matching Geospatial Vector Datasets. کامپیوتر ACM. Surv. 2016 ، 49 ، 1-34. [ Google Scholar ] [ CrossRef ]
فو، ز. یانگ، ی. گائو، ایکس. ژائو، ایکس. Fan, L. یک الگوریتم بهینه‌سازی برای تطبیق شبکه جاده‌ای با ویژگی‌های چندگانه. Acta Geod. کارتوگر. گناه 2016 ، 45 ، 608-615. [ Google Scholar ]
وانگ، ایکس. کیان، اچ. او، اچ. چن، جی. هو، اچ. تطبیق سکونتگاه‌های چندمنبعی منطقه‌ای با مش خط اسکلت منطقه خالی. Acta Geod. کارتوگر. گناه 2015 ، 44 ، 927-935. [ Google Scholar ]
گوا، کیو. زی، ی. لیو، جی. وانگ، ال. ژو، ال. الگوریتم‌هایی برای تطبیق شبکه‌های جاده‌ای با در نظر گرفتن تنوع مقیاس و به‌روزرسانی داده‌ها. Acta Geod. کارتوگر. گناه 2017 ، 46 ، 381-388. [ Google Scholar ]
کیم، جی. واسردانی، م. Winter, S. تطبیق شباهت برای یکپارچه سازی اطلاعات فضایی استخراج شده از توضیحات مکان. بین المللی جی. جئوگر. Inf. علمی 2016 ، 31 ، 56-80. [ Google Scholar ] [ CrossRef ]
ماسویاما، الف. روش‌هایی برای تشخیص تفاوت‌های ظاهری بین مجموعه‌های فضایی در نقاط زمانی مختلف. بین المللی جی. جئوگر. Inf. علمی 2006 ، 20 ، 633-648. [ Google Scholar ] [ CrossRef ]
هائو، ی. تانگ، دبلیو. ژائو، ی. Li، N. الگوریتم تطبیق ویژگی مساحتی بر اساس شباهت فضایی. Acta Geod. کارتوگر. گناه 2008 ، 37 ، 501-506. [ Google Scholar ]
An، X. سان، س. شیائو، کیو. Yan, W. روش توصیف چندسطحی شکل و کاربرد در اندازه‌گیری شباهت هندسی داده‌های فضایی چند مقیاسی. Acta Geod. کارتوگر. گناه 2011 ، 40 ، 495-501. [ Google Scholar ]
لو، جی. ژانگ، ایکس. چی، ال. Guo, T. روش مکان یابی سریع و ترکیب بهینه تغییر شی بردار. Acta Geod. کارتوگر. گناه 2014 ، 43 ، 1285-1292. [ Google Scholar ]
سمال، ع. ست، اس. Cueto، K. یک رویکرد مبتنی بر ویژگی به ترکیب منابع جغرافیایی. بین المللی جی. جئوگر. Inf. علمی 2004 ، 18 ، 459-489. [ Google Scholar ] [ CrossRef ]
کیم، جی. یو، ک. هیو، جی. لی، اچ. یک روش جدید برای تطبیق اشیاء در دو مجموعه داده جغرافیایی مختلف بر اساس زمینه جغرافیایی. محاسبه کنید. Geosci. 2010 ، 36 ، 1115-1122. [ Google Scholar ] [ CrossRef ]
تانگ، ایکس. دنگ، س. شی، دبلیو. روش تطبیق مبتنی بر نظریه احتمالی. Acta Geod. کارتوگر. گناه 2007 ، 36 ، 210-217. [ Google Scholar ]
وو، جی. وان، ی. چیانگ، ی. فو، ز. دنگ، ام. الگوریتم تطبیقی بر اساس نمودار ورونوی برای مناطق مسکونی چند ضلعی چند مقیاسی. دسترسی IEEE 2018 ، 6 ، 4904–4915. [ Google Scholar ] [ CrossRef ]
وانگ، ی. چن، دی. ژائو، ز. رن، اف. Du, Q. یک رویکرد مبتنی بر شبکه عصبی پس انتشار برای تطبیق ویژگی های چندگانه در انتشار به روز رسانی. ترانس. GIS 2015 ، 19 ، 964-993. [ Google Scholar ] [ CrossRef ]
ژانگ، ی. هوانگ، جی. دنگ، م. نیش، ایکس. Hu, J. تطبیق برچسب‌گذاری آرامش برای مجموعه داده‌های مسکونی چند مقیاسی بر اساس الگوهای همسایه. Geomat. Inf. علمی دانشگاه ووهان 2018 ، 43 ، 1098-1105. [ Google Scholar ]
ژانگ، ایکس. آی، تی. استوتر، جی. ژائو، ایکس. تطبیق داده‌های چندضلعی‌های ساختمانی در مقیاس‌های چندگانه نقشه که با اطلاعات متنی و آرامش بهبود یافته است. ISPRS J. Photogramm. Remote Sens. 2014 ، 92 ، 147-163. [ Google Scholar ] [ CrossRef ]
خو، جی. وو، اف. ژو، جی. کیان، اچ. الگوریتم تطبیق چند به چند بین داده های حل و فصل مقیاس همسایگی. Geomat. Inf. علمی دانشگاه ووهان 2014 ، 39 ، 340-345. [ Google Scholar ]
ها، ی. کیم، جی. لی، جی. یو، ک. Shi, W. شناسایی جفت‌های مجموعه شی متناظر چند مقیاسی بین دو مجموعه داده چندضلعی با هم‌خوشه‌بندی سلسله مراتبی. ISPRS J. Photogramm. Remote Sens. 2014 ، 88 ، 60-68. [ Google Scholar ] [ CrossRef ]
ژانگ، ال. گوا، کیو. Sun, Y. روش تطبیق ویژگی‌های مسکونی در نقشه‌های توپوگرافی در مقیاس‌های همسایه. Geomat. Inf. علمی دانشگاه ووهان 2008 ، 33 ، 604-607. [ Google Scholar ]
لیو، ال. زو، دی. زو، ایکس. دینگ، ایکس. Guo, W. روش تطبیق شی چند ضلعی چند ضلعی بر اساس الگوریتم بهینه سازی ترکیبی MBR. Acta Geod. کارتوگر. گناه 2018 ، 47 ، 652-662. [ Google Scholar ]
یانگ، م. آی، تی. یان، ایکس. چن، ی. Zhang، X. روشی مبتنی بر نقشه جبر برای تشخیص تغییر خودکار و به‌روزرسانی داده‌های مکانی در مقیاس‌های چندگانه. ترانس. GIS 2018 ، 22 ، 435-454. [ Google Scholar ] [ CrossRef ]
فن، اچ. Zipf، A.; فو، س. Neis, P. ارزیابی کیفیت برای ایجاد داده های ردپایی در OpenStreetMap. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 700-719. [ Google Scholar ] [ CrossRef ]
Kononenko، I. برآورد ویژگی ها: تجزیه و تحلیل و گسترش RELIEF. در کنفرانس اروپایی یادگیری ماشینی ؛ Springer: برلین/هایدلبرگ، آلمان، 1994; صص 171-182. [ 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. 2016 ، 122 ، 81-96. [ Google Scholar ] [ CrossRef ]
چن، ال. ژانگ، ایکس. لین، اچ. یانگ، ام. تحلیل تغییر و مدل تشخیص مبتنی بر درخت تصمیم برای اشیاء مسکونی در مقیاس‌های چندگانه. Acta Geod. کارتوگر. گناه 2018 ، 47 ، 403-412. [ Google Scholar ]

شکل 1. اثرات تعمیم نقشه برداری بر داده های فضایی چند مقیاسی. ( الف ) مناطق مسکونی چند ضلعی روابط متناظر بسیار به چند. ( ب ) داده های جابجا شده.

شکل 2. نمودار ادغام مثلث های مجاور.

شکل 3. به دست آوردن خوشه های همسایگی فضایی. ( الف ) مثلث دلونای محدود. ( ب ) خوشه های همسایگی فضایی.

شکل 4. نمایش تابع چرخش.

شکل 5. همسایگان فضایی مناطق مسکونی.

شکل 6. روابط نسبی مناطق مسکونی چند ضلعی.

شکل 7. فرآیند تطبیق مناطق مسکونی چند مقیاسی.

شکل 8. داده های تست. ( الف ) 1:10000 داده منطقه مسکونی. ( ب ) 1:50000 داده منطقه مسکونی.

شکل 9. نتایج تطبیق روش پیشنهادی.

شکل 10. نمونه های تطبیق انتخاب شده از نتایج.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

کلید واژه ها:

1. مقدمه

2. روش تعیین نامزد تطبیق پیچیده برای مناطق مسکونی چند ضلعی

2.1. تجزیه و تحلیل روابط تطبیق پیچیده مناطق مسکونی چند ضلعی

2.2. تعیین نامزدهای تطبیق چند به چند بر اساس خوشه‌های همسایگی فضایی