تحلیل نمای زمین بر اساس مدل رقومی ارتفاع (DEM) از ارزش کاربردی قابل توجهی برخوردار است. الگوریتم های تحلیل دیدگاه زیادی پیشنهاد شده است، از جمله R3 به عنوان الگوریتم دقیق و سایرین به عنوان الگوریتم های کارآمد. الگوریتم R3 به دلیل محاسبات جامع اما وقت گیر آن دقیق است، در حالی که بقیه به دلیل تقریب مناسب کارآمد هستند. با این حال، هیچ الگوریتمی قادر به استفاده از هر دو نیست تا زمانی که یک الگوریتم پیشنهاد شود، که بر اساس یک سیستم مختصات “مقابله-جهت-ارتفاع” (PDE) و نام الگوریتم خط مرجع فضایی PDE (PDERL) است. تحقیق اصلی ثابت می کند که الگوریتم PDERL از نظر تئوری و نتایج تجربی کاملاً دقیق است، در مقایسه با R3 به عنوان استاندارد، و حتی کارآمدتر از R3. با این حال، تحقیق اصلی به مواردی اشاره نمی‌کند که ناظر در نقاط شبکه قرار می‌گیرد، و اجرای اصلی در عمل نتایج بسیار دقیقی را تولید نمی‌کند. مهم است که خطاها را کشف و اصلاح کنید. در این مقاله، یک الگوریتم بررسی برای PDERL پیشنهاد شده است تا امکان بررسی بیشتر خطاها را فراهم کند. با ایده های اساسی PDERL بدون چالش، یک پیاده سازی بهبود یافته از الگوریتم PDERL پیشنهاد شده است، به نام HiPDERL. با نتایج تجربی، این مقاله ثابت می‌کند که HiPDERL از پتانسیل PDERL در دقت به قیمت کمی کارایی زمانی که ناظر روی نقاط شبکه قرار می‌گیرد، استفاده می‌کند. یک الگوریتم بررسی برای PDERL پیشنهاد شده است تا امکان بررسی بیشتر خطاها را فراهم کند. با ایده های اساسی PDERL بدون چالش، یک پیاده سازی بهبود یافته از الگوریتم PDERL پیشنهاد شده است، به نام HiPDERL. با نتایج تجربی، این مقاله ثابت می‌کند که HiPDERL از پتانسیل PDERL در دقت به قیمت کمی کارایی زمانی که ناظر روی نقاط شبکه قرار می‌گیرد، استفاده می‌کند. یک الگوریتم بررسی برای PDERL پیشنهاد شده است تا امکان بررسی بیشتر خطاها را فراهم کند. با ایده های اساسی PDERL بدون چالش، یک پیاده سازی بهبود یافته از الگوریتم PDERL پیشنهاد شده است، به نام HiPDERL. با نتایج تجربی، این مقاله ثابت می‌کند که HiPDERL از پتانسیل PDERL در دقت به قیمت کمی کارایی زمانی که ناظر روی نقاط شبکه قرار می‌گیرد، استفاده می‌کند.

کلید واژه ها:

تجزیه و تحلیل نمای زمین ; محاسبات viewshed ; الگوریتم PDERL مدل رقومی ارتفاع

1. مقدمه

تجزیه و تحلیل دید زمین بخش مهمی از تجزیه و تحلیل دیجیتال زمین است. نمای دید در یک زمین به یک منطقه مجزا از زمین اشاره دارد که می تواند در یک یا چند موقعیت خاص در محدوده معینی از زمین دیده شود، و تجزیه و تحلیل دیدگاه، فرآیند محاسبه چنین نمای با ارزش ارتفاعی یک مکان معین است. بر اساس داده های مدل رقومی ارتفاع (DEM) [ 1 ]. تجزیه و تحلیل نمای زمین بر اساس مدل رقومی ارتفاع به طور گسترده در تحقیقات باستان شناسی [ 2 ]، برنامه ریزی مسیر [ 3 ]، بهینه سازی مکان [ 4 ]، تجزیه و تحلیل منظر [ 5 ]، تجزیه و تحلیل نظامی [ 6 ]، نظارت بر امنیت [ 7 ] استفاده می شود.]، یا ترکیب با شبکه های دیگر برای توصیف زمین [ 8 ، 9 ].
تحلیل نمای زمین، دیدگاه یک دیدگاه را در یک موقعیت خاص در زمین محاسبه می کند. این موقعیت به عنوان نقطه دید با یک ناظر روی آن در نظر گرفته می شود و تمام موقعیت ها در محدوده مشخصی در اطراف نقطه دید به عنوان نقاط هدف در نظر گرفته می شوند. با انجام این کار، تجزیه و تحلیل دیدگاه دیدگاه به محاسبات قابل مشاهده بین دیدگاه و هر نقطه هدف تبدیل می شود. روش کلی برای محاسبه قابل مشاهده بودن این است که نقطه دید و نقطه هدف را به هم وصل کنیم تا یک خط دید (LOS) ایجاد کنیم و با مطالعه اینکه آیا خط دید توسط نقطه دید مسدود شده است یا خیر، تعیین کنیم که آیا نقطه هدف برای نقطه دید قابل مشاهده است یا خیر. زمین [ 10]، که پایه اساسی اکثر الگوریتم های محاسباتی viewshed است. معمولاً با در نظر گرفتن ارتفاع ناظر، ارتفاع واقعی نقطه دید ممکن است کمی بالاتر از ارتفاع خود موقعیت در DEM باشد.
الگوریتم‌های زیادی برای تحلیل دیدگاه پیشنهاد شده‌اند، از جمله R3 به عنوان الگوریتم دقیق و سایر الگوریتم‌های کارآمد. الگوریتم R3 [ 6 ] به دلیل دقت آن شناخته شده است. بر اساس الگوریتم R3، نقطه تلاقی خط دید و خط شبکه، زمینی را نشان می دهد که خط دید از آن عبور می کند و مقدار ارتفاع آن از درونیابی دو نقطه شبکه مجاور به دست می آید. دقت الگوریتم R3 با درون یابی مستقل در هر نقطه تقاطع هر خط دید تضمین می شود که منجر به محاسبات زمان بر می شود. به منظور حل مشکل کارایی الگوریتم R3، الگوریتم های زیادی از جمله الگوریتم R2، الگوریتم XDraw [ 6 ] و الگوریتم صفحه مرجع [6] ارائه شده است.11 ]. با چندگانه سازی و تقریب، پیچیدگی زمانی محاسبات به قیمت دقت کاهش می یابد. بسیاری از روش‌های بهبود یافته نیز بر اساس این الگوریتم‌ها پیشنهاد شده‌اند. برای مثال الگوریتم XDraw، تنها دو نقطه در نزدیکی نقطه هدف به عنوان نقاط مرجع برای محاسبه نمای دیدگاه مورد نیاز است. در مقایسه با الگوریتم R3، الگوریتم XDraw فرآیند محاسبات را تا حد زیادی ساده می کند و کارایی محاسباتی را به قیمت دقت مشخص بهبود می بخشد. به منظور بهبود دقت الگوریتم XDraw، Israelevitz و همکاران. در امتداد خط دید ردیابی شد و نقاط بیشتری را در محاسبات گنجاند [ 12 ]. ژی و همکاران حداقل ارتفاع بصری تاریخی هر نقطه هدف را به عنوان داده های اضافی وارد محاسبات کرد [ 13]. زو و همکاران الگوریتم HiXDraw را پیشنهاد کرد، با استفاده از نقاط مشارکت به جای نقاط مرجع در XDraw به عنوان مبنایی برای محاسبه دید نقاط هدف، بنابراین از تداخل نقاط قابل مشاهده نامربوط (که به عنوان “تحریف تکه‌ای” در کار آنها نامیده می‌شود) در نتایج محاسباتی اجتناب کرد. 10 ]. برای بهبود بیشتر کارایی الگوریتم‌ها، بسیاری از روش‌های محاسباتی موازی پیشنهاد شده‌اند و برای تحلیل دیدگاه‌ها نیز اعمال شده‌اند که پتانسیل زیادی را نشان می‌دهند [ 14 ]. جدا از این الگوریتم های سنتی یا نسخه های پیشرفته آنها، Tabik et al. [ 15 ] از روش‌های محاسبه افق استفاده کنید [ 16] در تحلیل دیدگاه. با تقسیم زمین به بخش های مبتنی بر زاویه، نتیجه نمای به جای نقاط قابل مشاهده به مناطق قابل مشاهده تبدیل می شود. این روش دری را برای کار زیر [ 17 ، 18 ] که بر کارایی تمرکز دارد باز می کند.
این مقاله به طور عمیق الگوریتم دیگری را که توسط وو و همکاران پیشنهاد شده است مورد مطالعه قرار می دهد. [ 19]، بر اساس یک سیستم مختصات «نزدیکی-جهت-ارتفاع» (PDE) است و الگوریتم خط مرجع فضایی PDE (PDERL) را نامگذاری کرده است. الگوریتم PDERL برخی از نتایج محاسباتی را در یک ساختار داده به نام خط مرجع ذخیره می‌کند تا مقادیر دقیق ارتفاع موقعیت‌های مختلف را با بیشترین قابلیت مسدود کردن LOS در همه جهات با محاسبات درون یابی دقیق به جای تقریبی به نقطه شبکه نزدیک ارائه کند. . در مقایسه با الگوریتم R3، کارایی الگوریتم PDERL با استفاده مجدد از داده ها بهبود می یابد. در مقایسه با سایر الگوریتم‌ها، دقت الگوریتم PDERL به خطر نیفتاده است. در یک کلام، الگوریتم PDERL قادر است از هر دو مزیت استفاده کند و مشکل مبادله اجتناب ناپذیر بین دقت و کارایی را حل کند. تحقیق اصلی ثابت می کند که الگوریتم PDERL از نظر تئوری و نتایج تجربی کاملاً دقیق است، در مقایسه با R3 به عنوان استاندارد، و حتی کارآمدتر از R3. با این حال، تحقیق اصلی به مواردی اشاره نمی‌کند که ناظر در نقاط شبکه قرار می‌گیرد و اجرای اصلی در عمل نتایج خیلی دقیقی به همراه ندارد. مهم است که خطاها را کشف و اصلاح کنید. در این مقاله، یک الگوریتم بررسی برای PDERL برای یافتن مشکلاتی که دقت را مختل می‌کنند پیشنهاد شده است. ثابت می شود که مشکلات برخی از ایرادات پیاده سازی و مشکل دقت عدد شناور هستند. با ایده های اساسی PDERL بدون چالش، یک پیاده سازی بهبود یافته از الگوریتم PDERL برای حل یا کاهش این مشکلات پیشنهاد شده است که به عنوان HiPDERL نامیده می شود. که در و حتی کارآمدتر از R3. با این حال، تحقیق اصلی به مواردی اشاره نمی‌کند که ناظر در نقاط شبکه قرار می‌گیرد و اجرای اصلی در عمل نتایج خیلی دقیقی به همراه ندارد. مهم است که خطاها را کشف و اصلاح کنید. در این مقاله، یک الگوریتم بررسی برای PDERL برای یافتن مشکلاتی که دقت را مختل می‌کنند پیشنهاد شده است. ثابت می شود که مشکلات برخی از ایرادات پیاده سازی و مشکل دقت عدد شناور هستند. با ایده های اساسی PDERL بدون چالش، یک پیاده سازی بهبود یافته از الگوریتم PDERL برای حل یا کاهش این مشکلات پیشنهاد شده است که به عنوان HiPDERL نامیده می شود. که در و حتی کارآمدتر از R3. با این حال، تحقیق اصلی به مواردی اشاره نمی‌کند که ناظر در نقاط شبکه قرار می‌گیرد و اجرای اصلی در عمل نتایج خیلی دقیقی به همراه ندارد. مهم است که خطاها را کشف و اصلاح کنید. در این مقاله، یک الگوریتم بررسی برای PDERL برای یافتن مشکلاتی که دقت را مختل می‌کنند پیشنهاد شده است. ثابت می شود که مشکلات برخی از ایرادات پیاده سازی و مشکل دقت عدد شناور هستند. با ایده های اساسی PDERL بدون چالش، یک پیاده سازی بهبود یافته از الگوریتم PDERL برای حل یا کاهش این مشکلات پیشنهاد شده است که به عنوان HiPDERL نامیده می شود. که در مهم است که خطاها را کشف و اصلاح کنید. در این مقاله، یک الگوریتم بررسی برای PDERL برای یافتن مشکلاتی که دقت را مختل می‌کنند پیشنهاد شده است. ثابت می شود که مشکلات برخی از ایرادات پیاده سازی و مشکل دقت عدد شناور هستند. با ایده های اساسی PDERL بدون چالش، یک پیاده سازی بهبود یافته از الگوریتم PDERL برای حل یا کاهش این مشکلات پیشنهاد شده است که به عنوان HiPDERL نامیده می شود. که در مهم است که خطاها را کشف و اصلاح کنید. در این مقاله، یک الگوریتم بررسی برای PDERL برای یافتن مشکلاتی که دقت را مختل می‌کنند پیشنهاد شده است. ثابت می شود که مشکلات برخی از ایرادات پیاده سازی و مشکل دقت عدد شناور هستند. با ایده های اساسی PDERL بدون چالش، یک پیاده سازی بهبود یافته از الگوریتم PDERL برای حل یا کاهش این مشکلات پیشنهاد شده است که به عنوان HiPDERL نامیده می شود. که دربخش 2 ، کار مرتبط معرفی شده است، یعنی الگوریتم های دیدگاه درگیر در این مقاله. در بخش 3 ، کار بهبود معرفی شده است، شامل فرآیند و مشکلات الگوریتم PDERL، و همچنین الگوریتم بررسی برای PDERL و اجرای بهبود یافته PDERL که در این مقاله پیشنهاد شده است. در بخش 4 ، آزمایش‌هایی برای نشان دادن مشکلات بالا از طریق مثال‌های خاص انجام می‌شود، سپس دقت و کارایی پیاده‌سازی بهبود یافته PDERL با سایر الگوریتم‌های دیدگاه در زمین‌های مختلف مقایسه می‌شود. خلاصه ای در بخش 5 آورده شده است.

2. آثار مرتبط

2.1. الگوریتم های Viewshed

الگوریتم‌های viewshed موجود عمدتاً شامل الگوریتم دقیق R3 و سایر الگوریتم‌های کارآمدتر می‌شوند. الگوریتم R3 از طریق محاسبات درون یابی پیچیده بدون روش های تقریب، دقت بالایی را تضمین می کند، در حالی که الگوریتم های دیگر از طریق مالتی پلکس شدن با تقریب به نقطه شبکه نزدیک در اطراف LOS، به بهای دقت معین، کارایی بهتری را به دست می آورند.
الگوریتم R3 یک الگوریتم دقیق مبتنی بر دید خطی است. الگوریتم R3 نقطه دید را به عنوان نقطه شروع و هر نقطه هدف را به عنوان نقطه پایان می گیرد تا یک خط مستقیم به عنوان خط دید بین آنها ایجاد کند. هر خط دید چندین خط شبکه را در DEM قطع می کند و نقاط تقاطع را ایجاد می کند. برای راحتی، به این نقاط، نقاط تقاطع LOS می گویند، زیرا انواع دیگری از نقاط تقاطع در این مقاله وجود دارد. الگوریتم R3 مقدار ارتفاع نقاط تقاطع LOS را از طریق درون یابی خطی ارزش ارتفاعی دو نقطه شبکه مجاور به دست می آورد و سپس تعیین می کند که آیا نقاط تقاطع LOS خط دید را از نقطه هدف مسدود می کنند یا خیر. برای هر نقطه هدف، الگوریتم R3 فرآیندهای ذکر شده در بالا را در نقاط تقاطع LOS در خط دید انجام می دهد.
سایر الگوریتم‌های کارآمد نتایج محاسباتی هر نقطه هدف را ثبت می‌کنند و از طریق روش‌های تقریبی برای پردازش سایر نقاط هدف مجدداً استفاده می‌کنند. الگوریتم های سنتی شامل الگوریتم R2، الگوریتم XDraw و الگوریتم صفحه مرجع هستند. برای مثال الگوریتم XDraw، الگوریتم XDraw دید نقطه هدف را تنها با نقطه تقاطع LOS نزدیک به نقطه هدف تعیین می کند. مقدار ارتفاع نقطه تقاطع LOS به دو نقطه شبکه مجاور بستگی دارد که تنها نقاطی هستند که الگوریتم XDraw به پردازش آنها نیاز دارد. با ساده‌سازی رویه‌ها، کارایی الگوریتم XDraw در مقایسه با الگوریتم R3 در کارایی محاسباتی بسیار بهبود یافته است. الگوریتم XDraw ارتفاع مرجع نقطه هدف را ثبت می کند.
HiXDraw، یک الگوریتم بهبود یافته XDraw، معتقد است که ارتفاع مرجع نقاط هدف نامرئی فقط مقدار ارتفاع سایر نقاط هدف قابل مشاهده را منتقل می کند و احتمالاً برخی از نقاط هدف قابل مشاهده غیر مرتبط با LOS را در محاسبه شامل می شود. از چنین پدیده ای به عنوان “تحریف تکه ای” یاد می شود. الگوریتم HiXDraw مفهوم نقطه مشارکت را معرفی می کند. هر نقطه هدف نامرئی دارای یک یا دو نقطه مشارکت قابل مشاهده است که به محاسبه دید آن کمک می کند و هر نقطه هدف قابل مشاهده خود یک نقطه مشارکت دارد. در فرآیند واقعی، HiXDraw دو نقطه مرجع را طبق رویه XDraw انتخاب می‌کند و دو تا چهار نقطه مشارکت از هر دو نقطه مرجع را به‌دست می‌آورد، که دو تای آنها برای اعمال الگوریتم صفحه مرجع انتخاب می‌شوند. در مقایسه با الگوریتم XDraw،
برای اندازه‌گیری پیچیدگی زمانی این الگوریتم‌ها، n شعاع ناحیه برای نقاط هدف را در نظر بگیرید، و تعداد نقاط هدفی که یک الگوریتم viewshed باید پردازش کند در مقیاس n 2 در منطقه است. پیچیدگی زمانی الگوریتم R3 برای پردازش یک نقطه هدف بستگی به فاصله بین نقطه دید و نقطه هدف دارد که به مقیاس O(n) می رسد، بنابراین پیچیدگی زمانی کلی الگوریتم R3 O(n3 ) است. سایر الگوریتم‌های کارآمد، محاسبات را به قیمت دقت ساده‌تر می‌کنند. پیچیدگی زمانی پردازش یک نقطه هدف معمولاً O(1) است، بنابراین پیچیدگی زمانی کلی O(n2) است .). الگوریتم PDERL که در زیر معرفی می‌شود، می‌تواند به پیچیدگی کلی O(n2 ) نیز دست یابد، بدون اینکه دقت محاسباتی به خطر بیفتد.

2.2. الگوریتم PDERL

2.2.1. ایده های بنیادی

الگوریتم PDERL شبیه الگوریتم R3 است که هر دو از درون یابی برای تعیین اینکه آیا LOS توسط نقاط تقاطع LOS مسدود شده است استفاده می کنند، بنابراین نتیجه نیز به طور دقیق مشخص می شود. الگوریتم PDERL به جای استفاده از روش‌های تقریبی، روش‌های محاسباتی را در R3 سازماندهی می‌کند و استفاده مجدد از داده‌ها را متوجه می‌شود. کار واقعی برای R3 و PDERL یکسان است. با این ایده های اساسی، الگوریتم PDERL قادر است کارایی را تا حد زیادی بدون از دست دادن دقت بهبود بخشد.
با توجه به ایده های اصلی الگوریتم PDERL، دیدگاه را می توان در همه جای DEM قرار داد. به منظور مقایسه الگوریتم PDERL با سایر الگوریتم‌های viewshed که دیدگاه را روی نقاط شبکه قرار می‌دهند، در این مقاله دیدگاه‌های الگوریتم PDERL بر روی نقاط شبکه نیز قرار می‌گیرند، که اجازه می‌دهد نتایج محاسباتی توسط الگوریتم بررسی برای PDERL بررسی شود. در این مقاله پیشنهاد شده است. لطفاً بخش 3.1 را برای جزئیات مشاهده کنید.
برای نقاط تقاطع LOS در LOS در الگوریتم R3، الگوریتم PDERL آنها را به دو نوع تقسیم می کند: نقاط تقاطع LOS ایجاد شده توسط LOS و خط شبکه افقی یا عمودی، برای راحتی به عنوان تقاطع افقی-LOS و عمودی- تقاطع LOS، به ترتیب، در این مقاله. سپس الگوریتم PDERL DEM را به چهار ناحیه همپوشانی تقسیم می کند. نقاط هدف در سمت راست، چپ، بالا و پایین دیدگاه به ترتیب در منطقه I، منطقه II، منطقه III و منطقه IV تعریف شده است، همانطور که در شکل 1 نشان داده شده است. هر نقطه هدف متعلق به یک یا دو منطقه است اگر نقطه دید روی یک نقطه شبکه باشد.
الگوریتم PDERL دو مرحله را برای محاسبه دیدگاه یک دیدگاه انجام می دهد. برای گام اول، الگوریتم منطقه I و منطقه II را پردازش می کند و به طور یک طرفه دید هر نقطه هدف را فقط با تعیین اینکه آیا LOS توسط تقاطع های عمودی-LOS مسدود شده است محاسبه می کند. نقاط هدف در صورتی قابل مشاهده در نظر گرفته می شوند که در مرحله اول قابل مشاهده باشند. برای مرحله دوم، الگوریتم منطقه III و منطقه IV را پردازش می کند و همان کار را فقط با تقاطع های افقی-LOS انجام می دهد. نقاط هدف در صورتی نامرئی در نظر گرفته می شوند که در مرحله دوم نامرئی باشند، بنابراین نتیجه گیری های احتمالی دید اشتباه به دست آمده در مرحله اول در مرحله دوم اصلاح می شوند. محاسبه دید از طریق دو مرحله بالا به طور کلی جامع است زیرا الگوریتم PDERL تمام نقاط تقاطع LOS را در نظر می گیرد. با این حال، هنگامی که ناظر در یک نقطه شبکه قرار دارد، برای نقاط هدف در همان ستون دیدگاه، الگوریتم به سادگی از این نقاط هدف می گذرد. لطفا مشاهده کنیدبخش 3.2.1 برای جزئیات.

الگوریتم سیستم مختصات PDE مربوطه را برای محاسبه دید هر منطقه می سازد. الگوریتم دیدگاه را به عنوان مبدا در نظر می گیرد، محور X را در صفحه DEM با توجه به جهت مربوط به منطقه (راست، چپ، بالا و پایین) تنظیم می کند، سپس با چرخش محور X ضد محور ، محور Y را تنظیم می کند. در جهت عقربه های ساعت تا 90 درجه، و در نهایت محور Z را در جهتی تنظیم می کند که مقدار ارتفاع افزایش می یابد. سپس، سیستم مختصات XYZ مطابق روش زیر، همانطور که در شکل 2 نشان داده شده است، به سیستم مختصات PDE تبدیل می شود.. حروف PDE به ترتیب نشان دهنده سیستم مختصات مجاورت-جهت-ارتفاع نقطه هدف نسبت به نقطه دید هستند. روابط تبدیل آنها با سیستم مختصات XYZ در معادلات (1) – (3)، اقتباس شده از Ref نشان داده شده است. [ 19 ]. این الگوریتم، viewshed را بر اساس سیستم مختصات PDE محاسبه می کند.

p=1/x                                               پ=1/ایکس                                               
d=tan(α)=yp=y/x                     د=برنزه(�)=�پ=�/ایکس                     
e=tan(γ)=zp=z/x                      ه=برنزه(�)=�پ=�/ایکس                      
مختصات PDE بخش های حیاتی الگوریتم PDERL هستند. حرف p مخفف نزدیکی است. در همان منطقه، الگوریتم همیشه نقاط هدف را با مقدار p یکسان و بزرگتر در دسته پردازش می کند، یعنی یک ردیف یا یک ستون از نقاط هدف نزدیک به نقطه دید. حرف D مخفف جهت است. هنگام پردازش یک ردیف یا ستونی از نقاط هدف با مقدار p یکسان ، الگوریتم همیشه از ترتیب افزایش مقدار d پیروی می کند. حرف E مخفف elevation است و در این الگوریتم بیشترین اهمیت را دارد. اگرچه eمقدار همان هدفی را انجام می دهد که اندازه گیری ارتفاع مورد استفاده در الگوریتم R3، طبق رابطه (2)، آنها در واقع یکسان نیستند، زیرا مقدار e در محاسبه به فاصله بین نقطه دید و نقطه هدف بی ربط است. مقدار e توانایی نقاط تقاطع LOS در همان جهت D را برای مسدود کردن LOS، به عبارت دیگر، توانایی نقاط هدف برای مسدود نشدن کمی نشان می دهد. با محاسبه کمی و مقایسه عددی، مقدار e برای محاسبه دید یک نقطه هدف استفاده می‌شود و برای محاسبات بعدی ذخیره می‌شود.
الگوریتم PDERL، همانطور که در شکل 3 نشان داده شده است، دید همه نقاط هدف را در یک منطقه با ساخت و به روز رسانی چند خطوط مرجع محاسبه می کند . برای مثال منطقه I با جهت مربوط به سمت راست، الگوریتم ابتدا نقاط هدف در ستون C 1 را قابل مشاهده در نظر می گیرد، زیرا هیچ تقاطع عمودی-LOS وجود ندارد که ممکن است LOS بین نقطه دید و نقاط هدف را مسدود کند. ستون C 1 سپس، یک چند خط مرجع که ارتفاع هر نقطه هدف در ستون C 1 را منعکس می کند ، در یک سیستم مختصات مستطیلی مسطح با یک محور افقی D و یک محور عمودی E تولید می شود. چند خط مرجع حداکثر e را منعکس می کند.مقدار در بین تمام نقاط تقاطع LOS در هر جهت مشخص D. برای مرحله بعدی، الگوریتم ستون بعدی (به عنوان مثال، ستون C 2 ) را در سیستم مختصات DE قرار می دهد و دید هر نقطه هدف را در ستون C 2 با استفاده از آن محاسبه می کند. کمک از چند خط مرجع. در هر جهت معین D، اگر نقطه روی ستون C 2 بالاتر از نقطه روی چند خط مرجع باشد (یعنی مقدار e مربوطه بزرگتر است)، به این معنی است که زمین مربوطه در ستون C 2 مسدود نیست و بنابراین قابل مشاهده است. در غیر این صورت، به این معنی است که زمین مربوط به ستون C 2 مسدود و نامرئی است. پس از تکمیل محاسبه هر نقطه هدف مربوط به Cچند خط 2 ستونی، الگوریتم دو چند خط را به ترتیب قسمت های بالاتر به عنوان چند خط مرجع جدید ترکیب می کند تا انسداد ناشی از ستون C 1 و ستون C 2 را با هم در هر جهت D نشان دهد (همانطور که در شکل 4 نشان داده شده است ). مراحل ذکر شده در بالا برای محاسبه دید هر نقطه هدف در ستون C 3 تکرار می شود و به همین ترتیب تا زمانی که محاسبه دید همه نقاط هدف در منطقه اول تکمیل شود.
الگوریتم PDERL محاسبه دید هر نقطه هدف در هر منطقه را طبق مراحل بالا تکمیل می کند. هر نقطه هدف تنها در صورتی قابل مشاهده در نظر گرفته می شود که در تمام مناطقی که به آن تعلق دارد قابل مشاهده باشد.
اگرچه مختصات افقی D مربوط به فاصله واقعی ناهموار است، ادبیات اصلی در مورد الگوریتم PDERL ثابت کرده است که در سیستم مختصات DE، مقدار e بین هر دو نقطه در هر چند خط همچنان به صورت خطی با تغییر مختصات افقی D تغییر می کند [ 19 ].
2.2.2. جزئیات پیاده سازی

محاسبات واقعی در شکل 5 نشان داده شده است ، که در آن L R چند خط مرجع و L C چند خط سطر یا ستون در حال پردازش است. برای راحتی، از پلی لاین L C به عنوان چند خط فعلی یاد می شود. مختصات D و E هر نقطه عطف در چند خط فعلی L C (یعنی نقاط هدف) مستقیماً از داده‌های DEM محاسبه می‌شوند، در حالی که مختصات چند خط مرجع L R در یک لیست پیوندی ذخیره می‌شوند. در پیاده سازی PDERL، تنها گره سر لیست پیوندی مختصات D و E اولین نقطه را روی چند خط مرجع L R ذخیره می کند.، در حالی که گره های دیگر مختصات D نقطه عطف و مقدار شیب a بخش بین خود نقطه و نقطه قبلی را ذخیره می کنند. مقدار شیب a ذخیره شده برای یک نقطه a j باشد و مختصات D و E نقطه d j و e j باشد، مختصات نقطه قبلی d j −1 و e j −1 باشد ، سپس مقدار a j در رابطه (4) نشان داده شده است، که ممکن است از مقدار شیب در شکل 5 متمایز شود.. مختصات عمودی E هر نقطه عطف روی چند خط مرجع ذخیره شده در این روش باید با پیمایش لیست پیوندی محاسبه شود.

آj=هj–هj − 1دj–دj − 1           آ�=ه�-ه�-1د�-د�-1           

در سیستم مختصات DE، برای هر جهت داده شده D، اگر نقاط متناظری در L R و L C وجود داشته باشد که مقادیر e آنها به ترتیب e R و e C در نظر گرفته می شود ، مقدار اختلاف Δ E محاسبه می شود که در معادله نشان داده شده است. (5)، اقتباس شده از Ref. [ 19 ]. اجازه دهید دید زمین مربوط به نقطه روی چند خط فعلی L C r C باشد ، مقدار r Cدر رابطه (6) نشان داده شده است، که در آن صفر به معنای نامرئی و یک به معنای قابل مشاهده در منطقه مربوطه است. لطفا توجه داشته باشید که در این مقاله، معیارهایی تنظیم شده است که مقدار Δ E باید بالای صفر باشد تا زمین مربوطه قابل مشاهده باشد. هنگامی که زمین در L C نقطه هدف باشد، دید نقطه هدف محاسبه می شود.

Δ E=هسی–هآر                 Δ�=هسی-هآر                 
rسی= {0 , 1 ، ΔEسی ≤ 0ΔEسی> 0      �سی={0 ،Δ�سی ≤01 ،Δ�سی>0      
محاسبه واقعی بر اساس بخش های فرعی است. همانطور که در شکل 5 نشان داده شده است ، برای L R و L C در سیستم مختصات DE، الگوریتم دو چند خط را بر اساس مختصات افقی D تمام نقاط عطف روی دو چند خط به زیربخش های زیادی تقسیم می کند. این تضمین می کند که در هر زیربخش، تنها یک یا صفر نقطه تقاطع وجود دارد، به این معنی که هنگام حرکت مثبت در امتداد محور D، تنها یک یا صفر تغییر در دید زمین مربوط به چند خط فعلی در یک زیربخش وجود دارد. برای هر زیر بخش، الگوریتم دو بخش کار را انجام می دهد. بخش اول محاسبه Δ E استمقدار در انتهای بخش فرعی، به منظور تعیین دید زمین مربوطه در L C در انتهای بخش فرعی. بخش دوم مقایسه مقدار ΔE در انتهای بخش فرعی با مقدار آخرین بخش فرعی است تا مشخص شود که آیا دو چندخط تقاطعی در این زیربخش دارند و مختصات تقاطع را در صورت وجود مشخص کنیم . آماده سازی برای به روز رسانی پلی لاین مرجع.

در اجرای الگوریتم PDERL، مختصات افقی D در انتهای قسمت فرعی را d i و مقدار Δ E را ΔE i ، مختصات افقی D در ابتدای قسمت فرعی را d i- 1 و مقدار ΔE را بگذارید. اگر ΔE i- 1 باشد ، شیب های L R و L C در زیربخش به ترتیب a i R و a i C باشد (به ترتیب با مراجعه به چند خط مرجع و DEM به دست می آید)، سپس مقدار ΔE iدر معادله (7) اقتباس شده از Ref نشان داده شده است. [ 19 ]. مقدار ΔE i محاسبه شده به این روش به مقدار ΔE i – 1 بستگی دارد . اگر یک تقاطع در یک زیربخش وجود داشته باشد، به عنوان مثال، ΔE i و ΔE i- 1 دارای مقادیر مثبت و منفی مخالف هستند، مختصات تقاطع محاسبه می شود. بگذارید مختصات افقی D تقاطع d’ باشد، و مقدار d’ در معادله (8) نشان داده شده است که از Ref اقتباس شده است. [ 19 ]. برای اینکه نقطه تقاطع در چند خط مرجع به روز شده ذخیره شود، جدا از مختصات افقی D که در بالا ذکر شد، مقدار شیب aهمچنین مورد نیاز است، که مستقیماً از پلی خط مرجع به روز نشده بدست می آید.

ΔEمن= ΔEمن – 1+ (آمنسی–آمنآر) (دمن–دمن – 1)     Δ�من=Δ�من-1+(آمنسی-آمنآر)(دمن-دمن-1)     
د“=دمن–ΔEمنآمنسی–آمنآر                                      د”=دمن-Δ�منآمنسی-آمنآر                                      
علاوه بر این، اجرای الگوریتم PDERL یک مکانیسم اجتناب از خطا را برای مقابله با ΔE با مقدار مطلق بسیار کوچک متوجه شد. در یک بخش فرعی، اگر قدر مطلق Δ E در ابتدای قسمت فرعی کمتر از مقدار کوچک معینی باشد و یک تقاطع وجود داشته باشد، الگوریتم مختصات افقی D تقاطع را برابر با مختصات ابتدای مقطع در نظر می گیرد. زیر بخش به منظور جلوگیری از خطا. پس از به روز رسانی خط مرجع، نقطه تقاطع همان مختصات افقی D را با نقطه شروع بخش فرعی به اشتراک می گذارد که منجر به افزونگی خط مرجع می شود. لطفاً بخش 3.2.2 را برای محتوای مرتبط مشاهده کنید.

3. HiPDERL از بهبود الگوریتم PDERL

تحقیق اصلی ثابت می کند که الگوریتم PDERL از نظر تئوری و نتایج تجربی کاملاً دقیق است، در مقایسه با R3 به عنوان استاندارد، و حتی کارآمدتر از R3. با این حال، تحقیق اصلی به مواردی اشاره نمی‌کند که ناظر در نقاط شبکه قرار می‌گیرد و اجرای اصلی در عمل نتایج خیلی دقیقی به همراه ندارد. مهم است که خطاها را کشف و اصلاح کنید. از آنجایی که الگوریتم PDERL، و همچنین R3، تمام نقاط تقاطع ساخته شده توسط خطوط شبکه و LOS را بررسی می‌کند، یک الگوریتم بررسی برای PDERL پیشنهاد شده است تا تمام مشکلات را که اساساً ناشی از تفاوت‌های بین R3 و PDERL در جزئیات عملی است، پیدا کند. تمام مشکلات یافت شده در این بخش نشان داده شده است. برای مقابله با همه این مشکلات،
به عبارت دیگر، الگوریتم بررسی برای بررسی PDERL اصلی و یافتن آنچه در جزئیات عملی با R3 متفاوت است، و HiPDERL به عنوان پیاده‌سازی دیگر برای به حداقل رساندن تفاوت‌ها و در نتیجه دستیابی به دقت بهتر پیشنهاد شده است.

3.1. بررسی الگوریتم برای PDERL

مطابق رابطه (5)، مقدار ΔE با کم کردن مقادیر e نقاط مربوطه در L R و L C ، یعنی e R و e C به دست می‌آید ، که e R حداکثر مقدار e تمام نقاط تقاطع LOS است. در جهت D، و e C مقدار e نقطه هدف زمانی است که نقطه متناظر در L C باشدنقطه هدف است از آنجایی که مختصات افقی D نقطه هدف دقیقاً جهت LOS است، الگوریتم R3 می تواند به یک الگوریتم بررسی برای PDERL بر اساس LOS تبدیل شود. در الگوریتم R3، با فرض تفاوت مختصات افقی و عمودی بین نقطه هدف و نقطه دید به ترتیب m و n، m – 1 تقاطع افقی-LOS و n – 1 تقاطع عمودی-LOS در LOS وجود دارد. اجازه دهید مقادیر ارتفاع نقطه هدف و نقطه دید (با ارتفاع ناظر) در DEM به ترتیب h T و h S باشد، و هر تقاطع افقی/عمودی-LOS را به عنوان i مین نقطه نزدیک به نقطه دید فرض کنید. با مقدار ارتفاع آن در DEM برابر hمن _ اجازه دهیدمقدار ΔE نظری نقطه هدف ΔE A باشد زمانی که الگوریتم PDERL در حال پردازش منطقه I و منطقه II است، یا ΔE B زمانی که منطقه III و منطقه IV را پردازش می کند، سپس مقدار ΔE A و ΔE B نشان داده می شود. معادلات (9) و (10).

ΔEآ=هسی–هآر=ساعتتی–ساعتاسمتر– حداکثر (ساعتمن–ساعتسمن) ,i=1,2,…,m−1                 Δ�آ=هسی-هآر=ساعتتی-ساعتاسمتر-حداکثر(ساعتمن-ساعتسمن)   ،  من=1،2،…،متر-1            
ΔEب=هسی–هآر=ساعتتی–ساعتاسn– حداکثر (ساعتمن–ساعتسمن) ,i=1,2,…,n−1                 Δ�ب=هسی-هآر=ساعتتی-ساعتاس�-حداکثر(ساعتمن-ساعتسمن)   ،  من=1،2،…،�-1            
در تئوری، مقدار ΔE A یا ΔE B قرار است معادل آن مقادیر ΔE باشد که توسط الگوریتم PDERL مشخص شده است، بنابراین الگوریتم بررسی می تواند نتیجه محاسباتی الگوریتم PDERL را تأیید کند. شکل 6 نشان می دهد که چگونه الگوریتم بررسی مقدار ΔE B در بالا را بررسی می کند. الگوریتم بررسی حداکثر مقدار e را در تمام تقاطع‌های افقی-LOS، یعنی مقدار e R نقطه هماهنگی روی چند خط مرجع L R در سیستم مختصات DE محاسبه می‌کند. الگوریتم بررسی نیز e را محاسبه می کندمقدار نقطه هدف، به عنوان مثال، مقدار e L نقطه هماهنگ کننده در چند خط فعلی L C در سیستم مختصات DE، در حالی که نقطه هدف به جای منطقه I در منطقه IV در نظر گرفته می شود. بنابراین، مقدار ΔE B را می توان با تفاوت بین مقدار e R و e C در بالا به دست آورد و سپس مقدار Δ E مربوطه در الگوریتم PDERL بررسی می شود.
تفاوت در نتایج محاسباتی بین الگوریتم PDERL و الگوریتم R3 با بررسی مقدار ΔE مورد مطالعه قرار می گیرد. با پشتیبانی از الگوریتم بررسی، مشکلات موجود در پیاده سازی اصلی PDERL در این مقاله پیدا شده و نشان داده شده است. الگوریتم بررسی خود برای محاسبات viewshed نیست.

3.2. مشکلات موجود

3.2.1. مشکل 1: ستون پردازش نشده

اولین مشکل در یک نقص غیرمنتظره نهفته است. با توجه به طراحی اجرای PDERL، دیدگاه را می توان خارج از نقاط شبکه قرار داد. با این حال، هنگامی که دیدگاه بر روی یک نقطه شبکه قرار می گیرد، PDERL قادر به محاسبه دید نقاط هدف در ستونی که نقطه دید در آن قرار دارد، نیست. دلایل به شرح زیر است. هنگامی که الگوریتم PDERL منطقه I و Region II را پردازش می کند، دید نقاط هدف ذکر شده در بالا محاسبه نمی شود، زیرا آنها در سمت چپ یا راست دیدگاه نیستند. هنگامی که الگوریتم PDERL منطقه III و منطقه IV را پردازش می کند، الگوریتم فقط برخی از نقاط هدف قابل مشاهده را نامرئی در نظر می گیرد. بنابراین، هیچ شانسی برای محاسبه دید نقاط هدفی که ستون مشابهی با دیدگاه مشترک دارند، وجود ندارد. پیاده سازی اصلی، قبل از شروع الگوریتم PDERL، نمایان شدن تمام نقاط هدف را به صورت نامرئی آغاز می کند، بنابراین نقاط هدف ذکر شده در بالا یک بار برای همیشه نامرئی در نظر گرفته می شوند. برای حل این مشکل، محاسبه دید مستقل این نقاط هدف به گردش کار عادی PDERL در این مقاله اضافه شده است. محاسبات دید مستقل مشابه R3 است، در حالی که پیچیدگی آن O(1) است زیرا خط تشکیل شده از نقاط هدف امکان استفاده مجدد از داده ها را می دهد. راه حل این مشکل به مشکلات دیگر کاملاً بی ربط است زیرا این نقاط هدف کاملاً خارج از الگوریتم PDERL هستند. محاسبه دید مستقل این نقاط هدف به گردش کار عادی PDERL در این مقاله اضافه شده است. محاسبات دید مستقل مشابه R3 است، در حالی که پیچیدگی آن O(1) است زیرا خط تشکیل شده از نقاط هدف امکان استفاده مجدد از داده ها را می دهد. راه حل این مشکل به مشکلات دیگر کاملاً بی ربط است زیرا این نقاط هدف کاملاً خارج از الگوریتم PDERL هستند. محاسبه دید مستقل این نقاط هدف به گردش کار عادی PDERL در این مقاله اضافه شده است. محاسبات دید مستقل مشابه R3 است، در حالی که پیچیدگی آن O(1) است زیرا خط تشکیل شده از نقاط هدف امکان استفاده مجدد از داده ها را می دهد. راه حل این مشکل به مشکلات دیگر کاملاً بی ربط است زیرا این نقاط هدف کاملاً خارج از الگوریتم PDERL هستند.
3.2.2. مشکل 2: نقص در مکانیسم اجتناب از خطا
مشکل دوم در این است که اشتباهاتی در مکانیزم اجتناب از خطا در اجرای PDERL وجود دارد. این هم عیب دیگری است. همانطور که در شکل 7 نشان داده شده است ، هنگامی که L R و L C دارای یک تقاطع در یک زیربخش هستند، و اگر مقدار مطلق ΔE خیلی کوچک باشد، مکانیسم اجتناب از خطا در اجرای اصلی، مختصات افقی D تقاطع را معادل d در نظر می گیرد. A ، همانطور که در شکل 7 نشان داده شده است. با این حال، در برخی موارد، مکانیسم به اشتباه مختصات افقی D تقاطع را با d B در نظر می گیرد.، منجر به خطایی می شود که ممکن است از طریق استفاده مجدد از داده های اساسی الگوریتم PDERL منتقل شود. به منظور حل این مشکل، این مکانیسم در این مقاله بازسازی شده است.
3.2.3. مشکل 3: دقت عدد شناور
با الگوریتم بررسی، پیاده سازی PDERL ثابت می کند که برخی از خطاهای اعداد شناور تولید شده توسط ماشین، و این خطاها از طریق استفاده مجدد از داده ها منتقل می شوند. به عنوان مثالی از خطاها، (2.5 × 0.4-10 × 0.1) ممکن است به عنوان صفر مطلق محاسبه نشود، بلکه به عنوان یک مقدار مثبت کوچک محاسبه شود. مکانیسم اصلی اجتناب از خطا در برابر این خطاها مؤثر نبود.
جدا از روش اساسی استفاده مجدد از داده ها در الگوریتم PDERL که محاسبه دید نقاط هدف بعدی را با مراجعه به چند خط مرجع ساده می کند، الگوریتم PDERL روش های استفاده مجدد از داده ها را در ساختار داده و محاسبه مقدار ΔE اعمال کرد. برای روش استفاده مجدد از داده ها برای ساختار داده، PDERL از لیست پیوندی برای ذخیره چند خط مرجع استفاده می کند، که گره های آن مقدار مختصات افقی D نقطه عطف مربوطه را ذخیره می کنند، و مقدار شیب a را بین خود نقطه عطف و قبلی ذخیره می کند. بنابراین، eارزش هر نقطه عطف باید روی تعداد زیادی از اعداد شناور با پیمایش لیست پیوندی محاسبه شود. برای روش استفاده مجدد از داده ها برای محاسبه مقدار ΔE، در رابطه (7) نشان داده شده است که محاسبه هر مقدار ΔE به مقدار ΔE قبلا محاسبه شده بستگی دارد.
اگرچه این روش‌ها می‌توانند محاسبات را ساده‌تر کنند، تعداد متغیرهای مورد استفاده را کاهش دهند و به کارایی بهتری دست یابند، وقتی خطا در محاسبه مقدار e یا مقدار ΔE رخ می‌دهد، برای مثال، زمانی که برخی از مقادیر صفر مطلق غیرصفر محاسبه می‌شوند. عدد با مقدار مطلق بسیار کوچک، استفاده مجدد از داده ممکن است خطا را به دو روش زیر انتقال دهد:
(1) مختصات عمودی E نقطه عطف در خط مرجع باید با پیمایش لیست پیوندی بدست آید. ممکن است هنگام عبور از لیست پیوندی به منظور محاسبه مختصات عمودی E، خطای ناشی از عملیات عدد شناور رخ دهد و این خطا مبنایی برای محاسبه مقادیر e بعدی باشد. به این ترتیب خطا منتقل می شود.
(2) محاسبه هر مقدار ΔE به مقدار ΔE قبلی بستگی دارد. بنابراین، هر خطایی که در محاسبه مقدار ΔE رخ دهد، منجر به انتقال این خطا در بین تمام مقادیر ΔE زیر می شود.
مکانیسم اصلی اجتناب از خطا ممکن است به خطاهای ذکر شده در بالا پاسخ دهد، اما برای حذف آنها طراحی نشده است و بنابراین نمی تواند از تداخل برخی خطاها با نتیجه محاسباتی جلوگیری کند. این مقاله یک پیاده سازی بهبود یافته از الگوریتم PDERL، به نام HiPDERL را برای حل بهتر این مشکلات پیشنهاد می کند. لطفاً بخش 4.2.2 را برای نمونه هایی از مشکلات دقت عدد شناور مشاهده کنید.

3.3. HiPDERL: یک الگوریتم پیاده سازی PDERL بهبود یافته

HiPDERL، یک پیاده سازی بهبود یافته از الگوریتم PDERL برای حل مشکلات پیشنهاد شده است. HiPDERL به سادگی اصلاحات ذکر شده در بخش 3.2.1 را برای حل مشکل 1 اعمال می کند. مانند پردازش نقاط هدف در سیستم PDERL و پردازش ستون پردازش نشده به طور مستقل پس از آن است. علاوه بر این، اجرای بهبودیافته یک مکانیسم جدید جلوگیری از خطا را برای مقابله با خطا در محاسبه ΔE تحقق می‌بخشد، بنابراین مشکل 2 را حل می‌کند. اگر مقدار مطلق ΔE کوچکتر از یک مقدار کوچک ثابت باشد، مقدار ΔE به عنوان در نظر گرفته می‌شود. خطای عملکرد دستگاه و دقیقاً روی صفر تنظیم شده است. اجرای بهبودیافته همچنین نقاط عطف اضافی در خط مرجع را پس از محاسبه در هر خط فعلی L C بررسی و حذف می کند.تکمیل شده است تا احتمال بروز خطا کاهش یابد.
برای مسئله 3، یعنی مشکل دقت عدد شناور، HiPDERL تغییراتی را در روش‌های استفاده مجدد از داده‌ها در ساختار داده و محاسبه مقدار ΔE ایجاد می‌کند تا تولید یا انتقال خطا را به حداقل برساند. جزئیات داخل HiPDERL در این بخش معرفی شده است. ایده ها و رویه های اساسی الگوریتم PDERL در استفاده مجدد از داده ها بدون تغییر باقی می مانند. زمین با بالاترین مقدار e در هر جهت از دیدگاه همچنان توسط چند خط مرجع ذخیره می شود تا محاسبه دید هر نقطه هدف بعدی ساده شود.
پیاده سازی بهبودیافته ساختار داده چند خط مرجع را تغییر می دهد، با استفاده از گره های لیست پیوندی برای ذخیره مختصات افقی D و مختصات عمودی E نقطه مربوطه به طوری که eمقدار نقطه مربوطه را می توان بدون پیمایش لیست پیوندی به دست آورد، بنابراین از خطای احتمالی ناشی از عملیات شماره شناور در فرآیند پیمایش جلوگیری کرد. با توجه به این تغییرات، اگر تقاطع دو چندخط در هر زیرمجموعه وجود داشته باشد، باید مختصات عمودی E تقاطع را نیز محاسبه کرد و علاوه بر مختصات افقی D تقاطع و ΔE، یک مقدار دیگر نیز محاسبه شود. مقدار در انتهای بخش فرعی اجرای بهبودیافته نحوه محاسبه مقدار ΔE را نیز تغییر می‌دهد، بنابراین مقدار ΔE دیگر به مقدار ΔE قبلی بستگی ندارد، بنابراین از انتقال خطاهای مربوطه جلوگیری می‌شود.
جزئیات محاسبه به شرح زیر است. پیاده‌سازی بهبودیافته از داده‌های بیشتری از چند خط فعلی به جای خط مرجع برای محاسبه استفاده می‌کند تا وابستگی به نتایج قبلی را که ممکن است باعث مشکلات دقت شود به حداقل برساند.
مختصات افقی D تقاطع دو چند خط همچنان طبق رابطه (8) محاسبه می شود. با این حال، از آنجایی که لیست پیوندی دیگر مقدار شیب a را ذخیره نمی کند ، این مقدار باید بر روی نقاط عطف نسبی چند خط مرجع محاسبه شود.

مختصات عمودی E تقاطع دو چندخط به صورت زیر محاسبه می شود: بگذارید مختصات افقی تقاطع D حاصل از رابطه (8) d’ و مختصات عمودی E e’ باشد. مختصات افقی D نقطه عطف روی چندخط جاری (یعنی نقطه هدف) را که نزدیک‌ترین نقطه به نقطه تقاطع و در جهت منفی محور D است d NC و مختصات عمودی E را e NC فرض کنید. با فرض اینکه مقدار شیب چند خط فعلی در تقاطع a i C باشد، سپس مقدار E’ در رابطه (11) نشان داده شده است. مقدار a i Cبا داده های DEM محاسبه می شود.

ه“= هنسی+آمنسی∗ ( د“–دنسی)ه”= هنسی+آمنسی∗ (د”-دنسی)
مقدار ΔE در انتهای هر بخش همچنان با تفاوت بین e R و e C مطابق رابطه (5) به دست می آید. با این حال، از آنجایی که مقدار ΔE قبلی دیگر به آن وابسته نیست، محاسبه مقدار ΔE باید در شرایط مختلف مورد بحث قرار گیرد که نقطه عطف در بخش فرعی روی خط مرجع یا خط فعلی باشد.

هنگامی که نقطه عطف انتهای بخش فرعی روی چند خط مرجع باشد، مقدار e R را می توان مستقیماً از چند خط مرجع به دست آورد و مقدار e C باید محاسبه شود. بگذارید مختصات افقی D در انتهای بخش فرعی d i باشد و مقدار ΔE در آنجا ΔE iR باشد. مختصات افقی D نقطه عطف روی چندخط فعلی (یعنی نقطه هدف) را که نزدیکترین نقطه به انتهای قسمت فرعی و در جهت منفی محور D است d NC و مختصات عمودی E را e NC فرض کنید. با فرض مقدار شیب چند خط فعلی در انتهای بخش فرعی ai C ، سپس مقدار ΔE iR در رابطه (12) نشان داده شده است. مقدار a i C با داده های DEM محاسبه می شود.

ΔEمن آر=هسی–هآر= (هنسی+آمنسی∗ ( دمن–دنسی) ) –هآر                Δ�منآر=هسی-هآر=(هنسی+آمنسی∗ (دمن-دنسی))-هآر                

هنگامی که نقطه عطف انتهای بخش فرعی روی چندخط جاری است، مقدار e C را می توان مستقیماً از چند خط جاری به دست آورد و مقدار e R باید محاسبه شود. بگذارید مختصات افقی D در انتهای بخش فرعی d i باشد و مقدار ΔE در آنجا ΔE iC باشد. مختصات افقی D نقطه عطف روی چندخط مرجع نزدیکترین به انتهای قسمت فرعی و در جهت منفی محور D را d NR و مختصات عمودی E را e NR فرض کنید. با فرض مقدار شیب چند خط مرجع در انتهای بخش فرعی باشدa i R ، سپس مقدار ΔE iC در رابطه (13) نشان داده شده است. مقدار a i R با داده های چند خط مرجع محاسبه می شود.

ΔEمن سی=هسی–هآر=هسی– (هنآر+آمنآر∗ (دمن–دنآر) )               Δ�منسی=هسی-هآر=هسی-(هنآر+آمنآر∗(دمن-دنآر))               
اینها روشهای جدیدی هستند که در آنها مقادیر محاسبه می شود. در یک کلام، برای حل مشکل دقت عدد شناور ناشی از پیمایش لیست پیوندی، اجرای بهبودیافته تولید و انتقال خطای شماره شناور را با استفاده از ساختار داده جدید برای نشان دادن خط مرجع و ایجاد مجدد خطای جدید محدود می‌کند. سازوکار. برای حل مشکل مشابه ناشی از محاسبه مقدار ΔE، اجرای بهبودیافته از استفاده از مقدار ΔE قبلا محاسبه شده در محاسبه مقدار ΔE اجتناب می کند. همانطور که در بخش 3.2.3 ذکر شد، پیاده سازی اصلی با برخی از روش ها به کارایی بهتری می رسد. HiPDERL روش های دیگری را برای اطمینان از دقت به جای روش های کارآمد اصلی اعمال می کند. بنابراین، در مقایسه با الگوریتم PDERL، انتظار می‌رود که الگوریتم HiPDERL هزینه بازده محدود را برای عملکرد دقت بهتر مبادله کند.

4. نتایج تجربی

4.1. محیط های آزمایشی

آزمایش‌های دقت محاسباتی و کارایی بر روی DEM‌های مختلف در این بخش انجام شد.
دو گروه از DEM ها برای آزمایش ها استفاده می شوند. گروه اول برای نشان دادن مشکلات در PDERL استفاده می شود، که شامل یک واحد 200 × 200 DEM است که با نمونه برداری از 2000 × 2000 DEM اصلی مالاگا، اسپانیا در فاصله افقی و عمودی 10 نقطه به دست می آید. DEM اصلی از داده های DEM ورودی ارائه شده توسط پیاده سازی از Ref اقتباس شده است. [ 16] که قسمت بالایی آن کوهستانی و قسمت پایین سمت راست ناحیه بزرگی با ارتفاع صفر است. وضوح 2000 × 2000DEM اصلی 10 متر × 10 متر است، بنابراین وضوح 200 × 200 DEM استفاده شده در این مقاله 100 متر × 100 متر است. لطفا توجه داشته باشید که با چنین اندازه و وضوح، این DEM به سختی می تواند برای هر کاربرد عملی معنی دار باشد. فقط برای نمایش بهتر مشکلات استفاده می شود. گروه دوم برای آزمایش‌های مقایسه دقت و کارایی در بین الگوریتم‌های نمای مختلف استفاده می‌شود که شامل 3601 × 3601 DEM از زمین‌های مختلف از جمله کوه‌ها (N28E097)، تپه‌ها (N41E119) و دشت‌ها (N34E114) از ASTER GDEM است. وضوح این DEM ها 30 × 30 متر است.
آزمایش دقت در این بخش ( بخش 4.2 ) الگوریتم R3 را به عنوان الگوریتم پایه در نظر گرفت. مسائل 1، 2 ( بخش 4.2.1 ) و مسئله 3 ( بخش 4.2.2 ) الگوریتم PDERL در گروه اول DEM، یعنی 200 × 200 DEM مالاگا، اسپانیا نشان داده شده است. نتایج توسط R3، PDERL، و HiPDERL برای مقایسه نشان داده شده است. دقت کلی بین PDERL، HiPDERL، R3، XDraw و HiXDraw در گروه دوم DEM از زمین های مختلف مقایسه شد ( بخش 4.2.3 ). XDraw و HiXDraw به عنوان مرجع، به منظور نشان دادن نتایج یک الگوریتم مالتی پلکس سنتی و نسخه پیشرفته آن استفاده می شوند. آزمایش کارایی در این بخش ( بخش 4.3) زمان مصرف شده توسط الگوریتم های مختلف را در آزمایش مقایسه دقت در بخش 4.2.3 به ترتیب مقایسه کرد.
محیط سخت افزاری این آزمایش رایانه ای با سیستم عامل ویندوز 10، پردازنده مرکزی Intel (R) core (TM) i7-9750 h با فرکانس 2.60 گیگاهرتز و 16 گیگابایت حافظه فیزیکی است. این آزمایش‌ها در محیط C++ تک رشته‌ای انجام شد و مکانیسم جمع‌آوری زباله مربوطه برای لیست پیوندی مورد استفاده توسط الگوریتم PDERL پیاده‌سازی شد. با توجه به اینکه پیاده سازی های HiPDERLand PDERL مکانیسم اجتناب از خطا را برای حذف خطاهای عدد شناور متوجه شدند، این آزمایش مکانیسم های مشابهی را برای R3، XDraw و HiXDraw نیز پیکربندی کرد.

4.2. آزمایشات در مورد دقت

4.2.1. تجزیه و تحلیل عیوب اجرا

مکانیسم اصلی جلوگیری از خطا دارای برخی نقص‌های پیاده‌سازی است و نمی‌تواند دید نقاط هدف را که ستون مشابهی با دیدگاه مشترک دارند محاسبه کند. مثالی که دو مشکل را همزمان منعکس می کند به صورت زیر نشان داده شده است. شکل 8 این مورد را نشان می دهد که از R3 و PDERL برای محاسبه نمای دیدگاه واقع در ردیف 96، ستون 176 در 200×200 DEM مالاگا، اسپانیا که در بالا ذکر شد، استفاده شده است. در اطراف دیدگاه تپه هایی با ارتفاع فزاینده از جنوب به شمال وجود دارد، اما دیدگاه دقیقاً توسط نقاط شبکه نسبتاً بالاتر احاطه شده است، بنابراین دید در این نقطه خیلی بزرگ نیست. در شکل 8 ، یک پیکسل قرمز یک نقطه هدف قابل مشاهده و یک پیکسل آبی نشان دهنده یک نقطه نامرئی است. شکل 8a,b نتیجه الگوریتم R3 و HiPDERL و شکل 8 c,d نتیجه الگوریتم PDERL است. موقعیت دیدگاه با یک ضربدر سفید مشخص شده است. لطفاً توجه داشته باشید که مشکلات ممکن است در همه DEM ها وجود داشته باشد، در حالی که مشکلات در این DEM ممکن است بهتر نشان داده شوند.
از شکل، می توان دریافت که الگوریتم PDERL نمی تواند نمای نقاط هدف را در ستونی که دیدگاه در آن قرار دارد محاسبه کند و در ابتدا به صورت نامرئی مقداردهی اولیه می شوند. علاوه بر این، نتیجه الگوریتم PDERL دارای قسمت های قابل مشاهده تری نسبت به نتیجه الگوریتم R3 است که به دلیل جابجایی چند خط مرجع ناشی از مکانیسم اجتناب از خطای اصلی و تجمع خطا ناشی از استفاده مجدد از داده ها است. الگوریتم HiPDERL پس از تصحیح مکانیسم اجتناب از خطا و افزودن محاسبات مستقل نقاط هدف در ستونی که نقطه دید در آن قرار دارد، همان نتیجه viewshed را با الگوریتم R3 بدست آورد. این مورد تا حدی پیامد مشکلات موجود در اجرای اصلی را نشان می دهد.
4.2.2. تجزیه و تحلیل دقت عدد شناور
پیاده سازی PDERL از مشکل دقت عدد شناور ناشی از خطاهای عملکرد ماشین رنج می برد. شکل 9 این مورد را نشان می دهد که از R3 و PDERL برای محاسبه نمای دیدگاه واقع در ردیف 183، ستون 185 در 200 × 200 DEM مالاگا، اسپانیا استفاده شده است. در اطراف دیدگاه یک منطقه آبی با ارتفاع صفر است. در شکل 9 ، پیکسل قرمز یا آبی نشان دهنده نقاط هدف متناظر قابل مشاهده یا نامرئی است. شکل 9 a,b نتیجه الگوریتم R3 و HiPDERL است و شکل 9c,d نتیجه الگوریتم PDERL است. موقعیت دیدگاه با یک ضربدر سفید مشخص شده است. لطفاً توجه داشته باشید که مشکلات ممکن است در همه DEM ها وجود داشته باشد، در حالی که مشکلات در این DEM ممکن است بهتر نشان داده شوند.
در این مثال، ارتفاع ناظر در نقطه دید برابر با صفر تعیین شد. شکل 9 نشان می دهد که نتیجه الگوریتم PDERL با نتیجه الگوریتم R3 در گوشه پایین سمت راست که مشابه نویز است، ناسازگار است. در بالا ذکر شد که قسمت پایین سمت راست DEM یک منطقه با ارتفاع صفر است. نقطه دید، نقطه هدف، نقاط نویز و کل LOS همه در این منطقه با ارتفاع صفر قرار دارند. از آنجایی که ارتفاع ناظر نیز صفر بود، الگوریتم R3 متوجه شد که ارتفاع نقطه دید و تمام نقاط تقاطع LOS صفر است، بنابراین نقطه هدف نامرئی تعیین شد، همانطور که در شکل 10 نشان داده شده است.آ. هنگامی که الگوریتم PDERL از چند خط مرجع عبور کرد، به دلیل خطای ایجاد شده توسط محاسبه عدد شناور، مقدار e که قرار بود صفر باشد به عنوان یک عدد منفی با مقدار مطلق بسیار کوچک محاسبه شد. از آنجایی که مقدار e نقطه هدف در چند خط فعلی صفر بود، مقدار ΔE مثبت بود و نقطه هدف مشخص شد که قابل مشاهده است. در این زمان، مقدار شیب a ذخیره شده در گره های بعدی در چند خط مرجع صفر بود، بنابراین مقدار e نقاط بعدی چند خط مرجع دوباره به عنوان این خطا محاسبه شد، همانطور که در شکل 10 نشان داده شده است.ب اگرچه این مشکل نویز را می توان با تغییر معیارهای تعیین دید در رابطه (6) نادیده گرفت، اما این کار توصیه نمی شود زیرا در این صورت برخی از نقاط قابل مشاهده نامرئی تلقی می شوند و به همین دلیل دوباره نقاط نویز خواهند بود.
به طور کلی، مشکل دقت عدد شناور الگوریتم PDERL از دو جنبه ناشی می شود: خطای ذاتی عملیات اعداد شناور و انتقال خطا ناشی از اجرای الگوریتم PDERL. الگوریتم HiPDERL ارائه شده در این مقاله برای حل مسائل بالا در نظر گرفته شده است. در مقایسه با PDERL، نتیجه HiPDERL میزان نویز را بسیار کاهش داد.
4.2.3. آزمایش مقایسه در مورد دقت
این آزمایش 100 نقطه را به عنوان فاصله افقی و عمودی در 3601 × 3601 DEM کوه ها، تپه ها و دشت ها در نظر می گیرد، بنابراین 1225 نقطه را به عنوان دیدگاه به دست می آورد و زاویه دید آنها را در شعاع 100 نقطه برای هر دیدگاه با الگوریتم های مختلف محاسبه می کند. از آنجایی که شعاع 100 نقطه در نظر گرفته شد، طول ضلع هر مربع دید 201 نقطه است، یعنی برای هر نقطه دید، در مجموع 40400 نقطه هدف در داخل مربع دید محاسبه شده است. بنابراین تعداد تمام نقاط هدف درگیر در این آزمایش بسیار زیاد است، که اعتقاد بر این است که احتمالات احتمالی را از بین می برد. برای استفاده از PDERL با مشکلات حل نشده به عنوان مقایسه، نسخه اصلی و نسخه بدون مشکل 1 انتخاب می شوند. مسائل 2 و 3 ممکن است جدا به نظر برسند، اما هر دو شامل مقادیر مطلق شناور کوچک هستند و ممکن است با یکدیگر تداخل داشته باشند، بنابراین در اینجا به عنوان یکی در نظر گرفته می شوند. با نتیجه الگوریتم R3 به عنوان پایه، این آزمایش نتیجه PDERL (نسخه اصلی و نسخه بدون مشکل 1)، HiPDERL، XDraw و HiXDraw را مقایسه کرد. از آنجایی که الگوریتم R3 به عنوان الگوریتم پایه مورد استفاده قرار گرفت، نتیجه مشاهده شده توسط هر الگوریتم ناسازگار با الگوریتم R3 هر دیدگاه به عنوان خطا در نظر گرفته شد. این آزمایش تعداد کل خطاها در نتایج دیدگاه هر دیدگاه را با الگوریتم های مختلف شمارش کرد و نتایج در زیر نشان داده شده است. و HiXDraw. از آنجایی که الگوریتم R3 به عنوان الگوریتم پایه مورد استفاده قرار گرفت، نتیجه مشاهده شده توسط هر الگوریتم ناسازگار با الگوریتم R3 هر دیدگاه به عنوان خطا در نظر گرفته شد. این آزمایش تعداد کل خطاها در نتایج دیدگاه هر دیدگاه را با الگوریتم های مختلف شمارش کرد و نتایج در زیر نشان داده شده است. و HiXDraw. از آنجایی که الگوریتم R3 به عنوان الگوریتم پایه مورد استفاده قرار گرفت، نتیجه مشاهده شده توسط هر الگوریتم ناسازگار با الگوریتم R3 هر دیدگاه به عنوان خطا در نظر گرفته شد. این آزمایش تعداد کل خطاها در نتایج دیدگاه هر دیدگاه را با الگوریتم های مختلف شمارش کرد و نتایج در زیر نشان داده شده است.جدول 1 .
نتیجه تجربی نشان می دهد که پیاده سازی اصلی PDERL به دلیل مشکلات ذکر شده در بالا دقیق تر از XDraw نیست. راه حل مشکل 1 مفید است اما حیاتی نیست. برای تفاوت در زمین های مختلف، PDERL با دقت بیشتری در منطقه کوهستانی عمل کرد. در مناطق تپه ای و دشتی، PDERL از الگوریتم سنتی XDraw دقیق تر نیست. الگوریتم HiPDERL دقتی را که پیاده سازی PDERL باید داشته باشد را نشان می دهد. آزمایش‌ها در تحقیقات اولیه PDERL ادعا می‌کنند که الگوریتم PDERL کاملاً دقیق است. این ممکن است نتیجه عدم قرار دادن ناظر در نقطه شبکه باشد. هنگامی که ناظر در نقطه شبکه است، بسیاری از نقاط شبکه در یک خط قرار می گیرند، که برای R3 حیاتی نیست زیرا نتایج در نقاط مختلف به طور جداگانه محاسبه می شوند. و تعداد کمی از خطاهای تصادفی اعداد شناور مضر نیستند. همه چیز برای PDERL بسیار متفاوت است. با توجه به ایده اساسی استفاده مجدد از داده ها، خطاها (در صورت وجود) مطمئناً منتقل می شوند و دقت محاسبات بیشتر را مختل می کنند. حالتی که ناظر روی نقطه شبکه باشد، تصادفات بیشتری را ایجاد می کند که یک نقطه هدف دقیقاً نامرئی است، که ممکن است با عملیات ماشین به عنوان قابل مشاهده محاسبه شود. بنابراین، تنظیم مکانیسم جلوگیری از خطا و اضافه کردن تغییرات جدید به پیاده سازی اصلی PDERL بسیار مهم است. که ممکن است با عملکرد ماشین به صورت قابل مشاهده محاسبه شود. بنابراین، تنظیم مکانیسم جلوگیری از خطا و اضافه کردن تغییرات جدید به پیاده سازی اصلی PDERL بسیار مهم است. که ممکن است با عملکرد ماشین به صورت قابل مشاهده محاسبه شود. بنابراین، تنظیم مکانیسم جلوگیری از خطا و اضافه کردن تغییرات جدید به پیاده سازی اصلی PDERL بسیار مهم است.
نتایج دقیق بیشتر HiXDraw و PDERL (با حل مسئله 1) در جدول 2 و جدول 3 نشان داده شده است. در مقایسه با نسخه پیشرفته و دقیق تر XDraw، خطاهای ناشی از مشکلات موجود در PDERL اصلی ممکن است بهتر نشان داده شوند. برای مواردی که یک الگوریتم بیش از 100000 خطا در زمین های خاص ایجاد می کند، PDERL اصلی دارای دیدگاه های بیشتری نسبت به HiXDraw با نرخ خطای زیر 0.1٪ است. این نشان می دهد که PDERL اصلی می تواند برای دیدگاه های بیشتر دقیق باشد. با این حال، برای نماهایی با نرخ خطای بالای 1٪، دیدگاه های PDERL اصلی (77 در ناحیه تپه و 75 در ناحیه دشت) بسیار بیشتر از دیدگاه HiXDraw (21 در ناحیه کوهستانی و 19 در ناحیه تپه) است.
بررسی بیشتر در مورد دیدگاه هایی با میزان خطای بالای 1% انجام می شود. مواردی وجود دارد که نقاط خطا برای هر دو الگوریتم جمع یا پراکنده می شوند، از جمله مواردی که بیشترین خطا را دارند. خطاهای PDERL در بین خطوط از نقطه خطای اول پخش می شوند. دلایل در بالا توضیح داده شده است. از سوی دیگر، HiXDraw به عنوان یک نسخه بهبودیافته XDraw، از خطاهای انباشته شده در پشت نقطه خطا رنج می‌برد که توزیع رادیکالی در تصویر نمای اوج می‌دهد. با در نظر گرفتن آمار نشان داده شده در جداول، HiPDERL راه حلی برای مشکلات دقت ارائه می دهد.

4.3. آزمایش مقایسه بازده

در این آزمایش، زمان مصرف شده توسط هر الگوریتم در آزمایش مقایسه دقت بالا محاسبه شد، یعنی زمان مصرف شده توسط هر الگوریتم از جمله الگوریتم R3 برای محاسبه دیدگاه 1225 دیدگاه در محدوده 100 نقطه در هر DEM. نتایج در جدول 4 نشان داده شده است.
نتایج تجربی نشان می‌دهد که XDraw به بالاترین بازده محاسباتی دست یافت، در حالی که کارایی PDERL و HiPDERL به طور قابل‌توجهی کمتر از الگوریتم‌های خانواده XDraw نبود و بالاتر از الگوریتم R3 بود. راندمان HiPDERL کمی کمتر از PDERL بود. این به این دلیل است که HiPDERL برخی از روش‌های استفاده مجدد از داده‌ها در PDERL را تغییر می‌دهد که مستعد ایجاد یا انتقال خطا هستند و همچنین برخی از محاسبات را پیچیده‌تر می‌کند، بنابراین زمان محاسبه را افزایش می‌دهد.
نتایج تجربی همچنین نشان می‌دهد که زمان مصرف شده توسط الگوریتم R3 در زمین‌های مختلف ثابت نبوده، در حالی که زمان مصرف شده توسط الگوریتم‌های دیگر نسبتاً ثابت بوده است. یک توضیح احتمالی این است که وقتی الگوریتم R3 قرار است تعیین کند که آیا LOS مسدود شده است یا خیر و زمانی که LOS مسدود شود، الگوریتم ممکن است نقطه هدف را نامرئی تشخیص دهد و بلافاصله محاسبات را قطع کند، بنابراین پیچیدگی زمانی واقعی ممکن است کمتر از پیچیدگی نظری باشد. ارزش. معمولاً پیش بینی اینکه آیا و در کجا LOS مسدود شده است دشوار است زیرا این در بین نقشه های مختلف متفاوت است. مراحل سایر الگوریتم‌ها نسبتاً ساده هستند، بنابراین حجم کار واقعی در زمین‌های مختلف نیز نسبتاً ثابت بود.

5. نتیجه گیری ها

این مقاله اشاره می‌کند که وقتی ناظر روی نقاط شبکه نیست، الگوریتم اصلی PDERL در عمل نتایج بسیار دقیقی تولید نمی‌کند. پس از تجزیه و تحلیل الگوریتم PDERL، یک الگوریتم بررسی الگوریتم PDERL به منظور یافتن مشکلات پیشنهاد شد. با تمام مشکلات پیدا شده، یک الگوریتم پیاده سازی جدید به نام HiPDERL، بر اساس ایده های اساسی PDERL، برای حل مسائل پیشنهاد شد. آزمایش‌ها نشان داد که HiPDERL به دقت بهتری نسبت به پیاده‌سازی اصلی PDERL به قیمت کمی کارایی دست یافت. کار آینده این است که الگوریتم HiPDERL را برای محاسبه نمای کل اعمال کنیم. الگوریتم های کل viewshed بسیار کارآمدی وجود دارد، اما هیچ الگوریتم پایه برای مقایسه دقت استفاده نمی‌شود، زیرا الگوریتم‌های دقیق سنتی R3 برای تحلیل کل دیدگاه کارآمدی کمتری دارند و هزینه در زمان غیرقابل اندازه‌گیری خواهد بود. HiPDERL هزینه را در زمان کاهش می دهد و دقت محاسباتی را در مقایسه با R3 حفظ می کند. بنابراین، HiPDERL می‌تواند یک الگوریتم پایه بالقوه برای ارزیابی دقت الگوریتم‌های کل دیدگاه موجود و آینده باشد.

منابع

  1. دوو، دبلیو. لی، ی. Wang, Y. یک الگوریتم زمانبندی با دانه بندی ریز برای تحلیل موازی XDraw viewshed. علوم زمین به اطلاع رساندن. 2018 ، 11 ، 433-447. [ Google Scholar ] [ CrossRef ]
  2. بونگرز، جی. ارکوش، ای. هاروور، ام. مناظر مرگ: تجزیه و تحلیل مبتنی بر GIS چولپاها در حوضه دریاچه تیتیکاکا غربی. J. Archaeol. علمی 2012 ، 39 ، 1687-1693. [ Google Scholar ] [ CrossRef ]
  3. لی، جی. ژنگ، سی. Hu, X. یک روش موثر برای برنامه ریزی مسیر پوشش بصری کامل. در مجموعه مقالات سومین کنفرانس بین‌المللی مشترک علوم محاسباتی و بهینه‌سازی (CSO) در سال 2010، هوانگشان، چین، 28 تا 31 مه 2010. جلد 1، ص 497–500. [ Google Scholar ]
  4. سرویلا، آ. تبیک، س. رومرو، ال. قرار دادن چند ناظر برای حداکثر پوشش: یک رویکرد دقیق. Procedia Comput Sci. 2015 ، 51 ، 356-365. [ Google Scholar ] [ CrossRef ]
  5. کیانگ، ی. شن، اس. چن، کیو. تحلیل دید فضای آبی اقیانوسی با استفاده از مدل‌های ارتفاعی دیجیتال. Landsc. طرح شهری. 2019 ، 181 ، 92-102. [ Google Scholar ] [ CrossRef ]
  6. فرانکلین، WR; ری، CK; مهتا، اس. الگوریتم‌های هندسی برای مکان‌یابی باتری‌های موشکی دفاع هوایی . گزارش پروژه تحقیقاتی، شماره قرارداد DAAL03-86-D-0001، شماره سفارش تحویل 2756; بخش Battelle Columbus: Columbus، OH، USA، 1994. [ Google Scholar ]
  7. یعقوبی، ر. یارمانی، من; کامل، ع. خمیری، W. HybVOR: یک رویکرد GIS سه بعدی مبتنی بر voronoi برای قرار دادن شبکه نظارت دوربین. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 754-782. [ Google Scholar ] [ CrossRef ]
  8. Gonçalves، AB; آلمیدا، جی. روآ، اچ. ارزیابی نفوذپذیری سیستم‌های دفاعی تاریخی: مورد خطوط تورس ودراس. بین المللی J. Hist. آرکائول. 2016 ، 20 ، 229-248. [ Google Scholar ] [ CrossRef ]
  9. Gillings، M. نامرئی نقشه برداری: رویکردهای GIS برای تجزیه و تحلیل پنهان و انزوا. J. Archaeol. علمی 2015 ، 62 ، 1-14. [ Google Scholar ] [ CrossRef ]
  10. زو، جی. لی، جی. وو، جی. ما، م. وانگ، ال. Jing، N. HiXDraw: یک الگوریتم بهبود یافته XDraw بدون اعوجاج قطعه. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 153. [ Google Scholar ] [ CrossRef ]
  11. وانگ، جی. رابینسون، جی جی; White, K. ایجاد دیدگاه‌ها بدون استفاده از خطوط دید. فتوگرام مهندس Remote Sens. 2000 , 66 , 87-90. [ Google Scholar ]
  12. Israelevitz، D. یک الگوریتم سریع برای محاسبه تقریبی viewshed. فتوگرام مهندس Remote Sens. 2003 , 69 , 767-774. [ Google Scholar ] [ CrossRef ]
  13. ژی، ی. وو، ال. سویی، ز. Cai, H. یک الگوریتم بهبود یافته برای محاسبه viewshed بر اساس صفحات مرجع. در مجموعه مقالات IEEE 2011 نوزدهمین کنفرانس بین المللی ژئوانفورماتیک، شانگهای، چین، 24-26 ژوئن 2011. صص 1-5. [ Google Scholar ]
  14. دوو، دبلیو. Li, Y. یک روش محاسباتی با تحمل خطا برای الگوریتم موازی Xdraw. جی. ابرکامپیوتر. 2018 ، 74 ، 2776-2800. [ Google Scholar ] [ CrossRef ]
  15. تبیک، س. زاپاتا، EL; Romero، LF محاسبه همزمان کل نماها روی شبکه های بزرگ با وضوح بالا. بین المللی جی. جئوگر. Inf. علمی 2013 ، 27 ، 804-814. [ Google Scholar ] [ CrossRef ]
  16. استوارت، AJ محاسبه افق سریع در تمام نقاط زمین با کاربردهای دید و سایه. Vis. محاسبه کنید. نمودار. IEEE Trans. 1998 ، 4 ، 82-93. [ Google Scholar ] [ CrossRef ]
  17. تبیک، س. سرویلا، آر. زاپاتا، ای. Romero، ساختار داده کارآمد LF و الگوریتم بسیار مقیاس پذیر برای محاسبات کل viewshed. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2015 ، 8 ، 304–310. [ Google Scholar ] [ CrossRef ]
  18. سانچز-فرناندز، ای جی; رومرو، LF; باندرا، جی. Tabik، S. یک رویکرد جابجایی داده برای تجزیه و تحلیل سطح زمین در سیستم های چند GPU: مطالعه موردی در مورد مشکل کل دیدگاه. بین المللی جی. جئوگر. Inf. علمی 2020 ، 35 ، 1500-1520. [ Google Scholar ] [ CrossRef ]
  19. وو، سی. گوان، ال. Xia، Q. چن، جی. Shen, B. PDERL: یک الگوریتم دقیق و سریع با دیدگاهی جدید در حل مسئله تحلیل دیدگاه قدیمی. علوم زمین به اطلاع رساندن. 2021 ، 14 ، 619-632. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00506 g001 550
شکل 1. تمام نقاط هدف به چهار منطقه همپوشانی تقسیم می شوند. نقاط خط به خط پردازش می‌شوند و خطوط نزدیک‌تر به اوورسرور قبل از نقاط دورتر از ناظر پردازش می‌شوند: ( الف ) منطقه I و منطقه II. ( ب ) منطقه III و منطقه IV.
Ijgi 11 00506 g002 550
شکل 2. نقطه A در سیستم های مختصات مختلف: ( الف ) سیستم مختصات XYZ. ( ب ) سیستم مختصات PDE.
Ijgi 11 00506 g003 550
شکل 3. در سیستم مختصات DE، هنگام پردازش نقاط هدف مربوط به خط C 2 ، خط C 1 خط مرجع و خط C 2 خط فعلی است.
Ijgi 11 00506 g004 550
شکل 4. در سیستم مختصات DE، قسمت های بالاتر C 1 و C 2 به عنوان خط مرجع جدید برای محاسبات بیشتر ترکیب می شوند.
Ijgi 11 00506 g005 550
شکل 5. در سیستم مختصات DE با ایجاد زیرمجموعه ها و مقایسه مقدار e روی دو چند خط در انتهای هر زیربخش، دید زمین مربوطه در خط L C مشخص می شود.
Ijgi 11 00506 g006 550
شکل 6. اصل الگوریتم بررسی برای PDERL بر اساس خط دید، که در آن تقاطع افقی-LOS به تقاطع LOS و خط شبکه افقی اشاره دارد.
Ijgi 11 00506 g007 550
شکل 7. موردی برای ایجاد مکانیسم اجتناب از خطای اصلی در PDERL.
Ijgi 11 00506 g008 550
شکل 8. نتایج نمای دیدگاه در ردیف 96، ستون 176 در DEM مالاگا، اسپانیا با الگوریتم های مختلف. ناظر با یک صلیب سفید مشخص شده است. ناحیه قرمز قابل مشاهده است و ناحیه آبی نامرئی است. ( الف ) R3، در حالی که یک نتیجه کاملاً یکسان توسط هر سلول با استفاده از HiPDERL مشخص می شود. ( ب ) بخشی از ( الف )، ردیف 80-200، ستون 150-200؛ ( ج ) HiPDERL; ( د ) بخشی از ( ج )، ردیف 80-200، ستون 150-200.
Ijgi 11 00506 g009 550
شکل 9. نتایج نمای دیدگاه در ردیف 183، ستون 185 در DEM مالاگا، اسپانیا با الگوریتم های مختلف. ناظر با یک صلیب سفید مشخص شده است. ناحیه قرمز قابل مشاهده است و ناحیه آبی نامرئی است. ( الف ) R3، در حالی که یک نتیجه کاملاً یکسان توسط هر سلول با استفاده از HiPDERL مشخص می شود. ( ب ) بخشی از ( الف )، ردیف 140-200، ستون 100-200؛ ( ج ) HiPDERL; ( د ) بخشی از ( ج )، ردیف 140-200، ستون 100-200.
Ijgi 11 00506 g010 550
شکل 10. دلایل مشکل نشان داده شده در شکل 9 . ( الف ) نمایش DEM در اطراف دیدگاه در ردیف 183، ستون 185. ( ب ) مشخصات زمین ردیف 183. برای محاسبه دید نقطه هدف (که در هر دو شکل با سبز مشخص شده است)، الگوریتم PDERL باید تقریباً کل ردیف 183 را طی کند.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید