روش تطبیق مناطق مسکونی چند مقیاسی با استفاده از ماشین برداری مرتبط و یادگیری فعال

خلاصه

تطبیق اشیاء در مقیاس چندگانه، فناوری کلیدی برای ارتقاء آبشار ویژگی و ادغام داده‌های فضایی چند منبع است. با توجه به متمایز بودن داده ها در مقیاس های مختلف، پژوهش حاضر مناطق مسکونی را در یک پایگاه داده چند مقیاسی به عنوان اهداف تحقیق انتخاب کرده و بر شباهت های مشخصه تمرکز دارد. این مطالعه روش ادغام بدون ساده‌سازی را اتخاذ می‌کند، تمام جفت‌های تطبیقی را که فاقد روابط یک به یک هستند، روشن می‌کند و آنها را در جفت‌های تطبیق یک به یک قرار می‌دهد، و اندازه‌گیری‌های شباهت را بر روی پنج ویژگی (یعنی موقعیت، مساحت، شکل، جهت گیری و محیط اطراف). الگوریتم ماشین بردار ربط (RVM) معرفی شده است و روش تطبیق موجودیت فضایی مبتنی بر RVM طراحی شده است، بنابراین از نیاز به وزن شباهت ویژگی ها و انتخاب آستانه های تطبیق اجتناب می شود. علاوه بر این، این مطالعه از رویکرد یادگیری فعال برای انتخاب موثرترین نمونه برای طبقه‌بندی استفاده می‌کند که کار دستی برچسب‌گذاری نمونه‌ها را کاهش می‌دهد. با استفاده از آزمایش‌های تطبیق مناطق مسکونی 1:5000 و 1:25000، نشان داده شده است که روش RVM می‌تواند به دقت تطبیق بالایی دست یابد، که می‌تواند برای تشخیص دقیق 1:1، 1 استفاده شود:m و m : n روابط تطبیقی، بنابراین اتوماسیون و سطح هوشمندی مدیریت داده های مکانی جغرافیایی را بهبود می بخشد.

کلید واژه ها:

ماشین بردار ارتباط (RVM) ; مناطق مسکونی ؛ تطبیق موجودیت ; شباهت ; ادغام شی

1. معرفی

حفاظت از محیط زیست، مدیریت منابع زمین، امداد اضطراری، و ساخت شهرهای هوشمند نیازمند داده های مکانی قابل اعتماد، کاربردی و به موقع برای پشتیبانی است. بنابراین، موضوع مهمی که باید در سیستم های اطلاعات جغرافیایی (GIS) حل شود، به روز رسانی و یکپارچه سازی فوری داده های مکانی جغرافیایی است [ 1 ، 2] .]. هدف از به روز رسانی چند مقیاسی داده ها این است که اطمینان حاصل شود که مقیاس های مختلف داده های مکانی منعکس کننده آخرین وضعیت هستند. با این حال، به روز رسانی جامع که از یک روش تعمیم داده در مقیاس بزرگ برای تولید داده های در مقیاس کوچک استفاده می کند، به مقدار زیادی کار نیاز دارد و اطمینان از سازگاری داده های چند مقیاسی دشوار است. به روز رسانی ویژگی-آبشاری چند مقیاسی یک روش محبوب برای به روز رسانی سریع داده های مکانی در تحقیقات دانشگاهی است [ 3 ، 4 ، 5]]. این روش از اطلاعات افزایشی از داده های مقیاس بزرگ برای به روز رسانی داده های مقیاس کوچک استفاده می کند و فقط ویژگی های تغییر یافته را به روز می کند. بنابراین نسبت به سایر روش ها کار کمتری را شامل می شود و قادر به حفظ ثبات است. رابطه ویژگی – آبشار اساس به روز رسانی آبشاری چند مقیاسی را تشکیل می دهد. ایجاد این رابطه به فناوری تطبیق موجودیت برای شناسایی موجودیت‌های مقیاس مختلف با همان نام متکی است. بنابراین، تطبیق موجودیت، فناوری کلیدی برای به‌روزرسانی داده‌های مکانی است. هدف ادغام داده‌های مکانی، تولید خودکار داده‌هایی است که از دقت بالاتر و اطلاعات ویژگی غنی‌تر نسبت به منابع داده‌های متعدد برخوردارند [ 6]]. برای استخراج و ادغام اطلاعات از منابع داده های مختلف، روابط متناظر موجودیت های مختلف در پایگاه داده باید شناسایی شود که بر فناوری تطبیق موجودیت های فضایی متکی است [ 7 ]. با توجه به اینکه داده های فضایی چند منبعی همواره دارای مقیاس های متفاوتی هستند، ویژگی های چند مقیاسی باید در روش تطبیق در نظر گرفته شوند.

با توجه به توسعه سریع شهری و روستایی کنونی، مناطق مسکونی از جمله اشیاء جغرافیایی در حال تغییر سریع هستند و بنابراین، نوع داده مهمی هستند که نیاز به به روز رسانی دارند. هدف پژوهش حاضر تطبیق مناطق مسکونی چند مقیاسی است. حجم زیادی از تحقیقات قبلی در تطبیق مناطق مسکونی انجام شده است. روش های فعلی را می توان به عنوان روش تطبیق مبتنی بر شباهت، روش تطبیق مبتنی بر احتمال، یا روش تطبیق مبتنی بر خطا طبقه بندی کرد.

روش تطبیق مبتنی بر شباهت برای موجودیت‌های فضایی مسطح، تطبیق را با تحلیل میزان همپوشانی نواحی بافر [ 8 ]، فاصله [ 9 ، 10 ]، شکل [ 11 ، 12 ، 13 ]، توپولوژی، جهت، معناشناسی [ 14 ] محقق می‌کند، و سایر ویژگی های مشترک تطبیق شباهت چندین ویژگی مشابه [ 15 ] را با یک ترکیب بهینه ادغام می کند در حالی که روابط تطبیق چند به چند [ 16 ] را در نظر می گیرد. Ai [ 11] با استفاده از توصیفگرهای شکل فوریه برای اندازه گیری شباهت شکل مناطق مسکونی برای تحقق تحلیل شکل و مطابقت با مناطق مسکونی چند مقیاسی پیشنهاد شده است. An و Sun [ 12 ] پیشنهاد کردند شکل هندسی را گام به گام از یک طرح کلی برای مشخص کردن جزئیات، و اعمال تابع وتر چند مرحله‌ای و تابع فاصله مرکزی برای ایجاد یک مدل اندازه‌گیری تشابه هندسی مشترک برای فضایی چند مقیاسی توصیف کنند. داده ها. این دو روش اندازه‌گیری شباهت شکل برای تطبیق یک موجودیت مسطح قابل استفاده هستند. Huh [ 17 ] تشخیص گره‌های متناظر موجودیت‌های مسطح در داده‌های چند منبعی و انجام تطابق از نظر خطوط کلی شی را پیشنهاد کرد. بیرگیت [ 18] استخراج اسکلت موجودیت های مسطح و انجام تطبیق شبکه رودخانه ای چند مقیاسی با محاسبه درجه تشابه ویژگی های اسکلت را پیشنهاد کرد. کیم [ 19 ] یک روش تطبیق شی را بر اساس محیط جغرافیایی پیشنهاد کرد. این روش شباهت محیط جغرافیایی فضای بین اشیاء و نشانه های جغرافیایی انتخاب شده را اندازه گیری می کند تا تطبیق داده های مکانی را در سیستم های مختصات مختلف محقق کند. بنابراین، این روش به انتخاب نشانه ها بستگی دارد. ژانگ و آی [ 20] استفاده از فناوری برچسب آرامش را در ترکیب با معماری کلی اطلاعات برای ایجاد یک ماتریس سازگاری پیشنهاد کرد. با به روز رسانی مداوم سازگاری اشیاء تطبیق نامزد، ماتریس سازگاری همگرا می شود و تطبیق موجودیت مسطح چند مقیاسی به دست می آید.

والتر و فریچ [ 21 ] از یک روش تطبیق بر اساس آمار احتمال استفاده کردند که ابتدا مجموعه تطبیق نامزد را انتخاب می کند و سپس از آمار منطقه ای برای تعیین مقدار آستانه استفاده می کند. در نهایت، تابع شایستگی را برای نهایی کردن نتایج تطبیق اعمال می کند. تانگ [ 22 ] روش تطبیق چند مشخصه را بر اساس احتمال مطالعه کرد و کشف کرد که محاسبه احتمال تطبیق موجودیت برای تعیین موجودیت های تطبیق، از انتخاب آستانه دقیق برای شاخص تطبیق اجتناب می کند.

روش تطبیق مبتنی بر خطا برای تطبیق داده های جغرافیایی چند مقیاسی تحت مشخصات دقیق نقشه کشی قابل استفاده است. Safra [ 23 ] یک روش تطبیق داده های مکانی را بر اساس مکان پیشنهاد کرد. این روش فاصله بین اجسام فضایی را با خطای تلورانس نقشه مقایسه می کند تا رابطه تطابق را مشخص کند. لیو [ 24 ] برای حل مشکل تعیین آستانه و روابط چند به چند تطبیق داده های فضایی چند مقیاسی، یک الگوریتم تطبیق موجودیت مسطح بر اساس میانگین مربعات خطا و روابط موجودیت مجاور را پیشنهاد کرد.

در سال‌های اخیر، برای بهبود اتوماسیون تطبیق موجودیت‌های فضایی، محققان یک روش تطبیق مبتنی بر تشخیص الگو را پیشنهاد کرده‌اند. ژانگ [ 25 ] از روش تطبیق مناطق مسکونی چند مقیاسی بر اساس طبقه بندی الگوی استفاده کرد و وانگ [ 26 ] یک روش تطبیق ویژگی چندگانه را بر اساس شبکه عصبی پس انتشار پیشنهاد کرد.

روش‌های تطبیق مبتنی بر شباهت با شناخت فضایی انسان منطبق است و پرکاربردترین انواع روش‌ها در مطالعات تطبیق مناطق مسکونی چند مقیاسی هستند. این روش‌ها مشکلاتی را به همراه دارند، از جمله موارد زیر: (1) به دلیل مقیاس‌ها، واحدهای تولیدی و زمان‌های تولید مختلف، مناطق مسکونی در یک پایگاه داده فضایی چند مقیاسی از نظر تعداد زیاد، از نظر اختلاف زیاد، و در روابط تطبیق پیچیده هستند. انجام اندازه گیری شباهت دشوار است. و (2) تعیین وزن ها و مقادیر آستانه مشابه دشوار است و مداخله دستی تا حد زیادی مورد نیاز است. برای اولین مشکل، هدف ما بهبود روش اندازه‌گیری شباهت مشخصه برای مناطق مسکونی چند مقیاسی است. این مطالعه راه حلی برای اندازه گیری شباهت اشیاء تطبیق که یک به یک نیستند ارائه می دهد. برای مشکل دوم، یادگیری ماشین روش موثرتری برای حل مشکل آستانه و وزن است. با این حال، روش‌های تطبیق مبتنی بر یادگیری ماشین موجود به تعداد زیادی نمونه آموزشی برچسب‌گذاری شده نیاز دارند و شناسایی روابط تطبیق چندگانه دشوار است [25 ، 26 ]. این مطالعه یک روش تطبیقی ارائه می‌کند که مبتنی بر الگوریتم RVM و یادگیری فعال است، که از تنظیم دستی وزن‌های مشخصه و آستانه تطبیق در روش‌های تطبیق اجتناب می‌کند. علاوه بر این، کار مرتبط با برچسب زدن نمونه را می توان کاهش داد. در بخش 2 ، ما روش شناسی خود را توصیف می کنیم، در حالی که نتایج تجربی در بخش 3 تجزیه و تحلیل و مورد بحث قرار می گیرند . بخش پایانی شامل نتیجه گیری و چشم انداز آینده است.

2. روش ها

2.1. روابط تطبیق مناطق مسکونی چند مقیاسی

تطبیق داده‌های چند مقیاسی جغرافیایی به دلیل تأثیر جامع نقشه‌برداری، خطاهای ایجاد شده در طول تولید داده‌ها و تغییر خود نهادهای جغرافیایی دشوار است. در زیر مقدمه ای بر روابط تطبیق موجودیت های فضایی در مقیاس های مختلف پس از تعمیم نقشه کشی ارائه شده است. برای شروع، فرض می‌کنیم که موجودیت‌های فضایی چند مقیاسی مختصات فضایی یکسانی دارند و نقشه‌های مقیاس کوچک، تعمیم‌هایی از نقشه‌های مقیاس بزرگ هستند. بنابراین، تفاوت هایی در بیان فضایی موجودیت های مقیاس بندی شده مختلف وجود دارد. برای مناطق مسکونی مسطح، روابط تطبیق مقیاس های بزرگ و کوچک را می توان به صورت زیر طبقه بندی کرد:

1:1 ( شکل 1 الف) – در هر دو مقیاس بزرگ و کوچک، موجودیت‌های همنام دارای یک رابطه تطبیقی 1:1 هستند.
1:0 ( شکل 1 ب) – جایی که برخی از موجودیت ها در نقشه های مقیاس بزرگ رخ می دهند، اما در نقشه های مقیاس کوچک نامرئی هستند زیرا در طول تعمیم نقشه، برخی از موجودیت های کوچک حذف می شوند.
m :1 ( شکل 1 ج) – یک رابطه چند به یک برای موجودیت‌ها بین نقشه‌های مقیاس بزرگ و نقشه‌های مقیاس کوچک، که در فرآیند تعمیم نقشه، اشیاء مقیاس بزرگ برای تشکیل اشیاء مقیاس کوچک ترکیب می‌شوند.
m : n ( m > n ) ( شکل 1 d) – یک رابطه چند به چند برای موجودیت ها بین نقشه های مقیاس بزرگ و نقشه های مقیاس کوچک، که در طی فرآیند تعمیم نقشه، یک عملیات سبک سازی برای منعکس کردن اشکال و ویژگی های توزیع فضایی مناطق مسکونی

علاوه بر تفاوت های منعکس شده در تعداد، عملیات هایی مانند ساده سازی شکل و جابجایی نیز در طول تعمیم نقشه انجام می شود. به این ترتیب موجودیت های مختلف با یک نام از نظر شکل و موقعیت در نقشه های مقیاس مختلف متفاوت خواهند بود.

2.2. طراحی کلی

هدف مطالعه حاضر ایجاد یک روش تطبیق مناطق مسکونی چند مقیاسی سازگار با ویژگی‌های داده‌ها، با معرفی مفهوم طبقه‌بندی از تشخیص الگو است. علاوه بر این، این مطالعه با هدف قرار دادن نمونه‌های انتخاب شده در مدل‌های طبقه‌بندی توسط یادگیری ماشینی طراحی شده برای کاربرد با شیء تطبیق در سناریوهای یکسان طراحی شده است. چارچوب کلی در شکل 2 نشان داده شده است و به شرح زیر است:

(من): انتخاب نمونه های آموزشی از اشیاء همسان و غیر همتا از طریق همکاری انسان و ماشین.
(II): برای اشیاء تطبیق نامزد، تبدیل روابط تطبیقی که یک به یک مطابقت ندارند به روابط یک به یک برای راحتی محاسبه شباهت با پردازش داده ها.
(iii): محاسبه شباهت های مشخصه داده های نمونه.
(IV): استفاده از الگوریتم ماشین بردار ربط (RVM) برای شباهت های مشخصه و تطبیق نتایج برای تولید طبقه بندی کننده ها.
(v): وارد کردن داده‌های مسکونی در مقیاس‌های مختلف پس از پردازش داده‌ها در طبقه‌بندی‌کننده‌های (iv) برای به دست آوردن نتایج طبقه‌بندی.
(vi): برای به دست آوردن نتایج تطبیق نهایی، داده های تطبیق چندگانه به عنوان همسان طبقه بندی می شوند.

2.3. ادغام اشیا

ابتدا، بافر را برای جستجوی اشیاء منطبق با نامزد اعمال می کنیم. برای داشتن رابطه تطبیق چند به چند، اشیاء در مقیاس بزرگ و مقیاس کوچک باید تحت یک جستجوی تکراری دو جهته رو به جلو و معکوس قرار گیرند [ 16 ، 25 ]. ادغام اشیاء کارآمدترین راه برای تبدیل روابط یک به چند و چند به چند به روابط تطبیق یک به یک است. با توجه به پیچیدگی روابط کاهش و تطبیق یک به یک که نیازی به تبدیل ندارند، پژوهش حاضر پردازش داده‌ها را به گونه‌ای انجام می‌دهد که بدون ساده‌سازی ادغام شوند.

هدف ما حفظ کانتور بیرونی مناطق مسکونی در طول ادغام است زیرا چندین روش ادغام برای اشیاء با مقیاس بزرگ به دلیل انواع روش‌های تعمیم نقشه‌کشی امکان‌پذیر است. مناطق مسکونی که با یکدیگر ملاقات می کنند با حذف لبه های متصل ادغام می شوند، در حالی که مناطق مسکونی گسسته از یکدیگر با تولید و پردازش مثلث دلون [ 27 ] ادغام می شوند، همانطور که در شکل 3 نشان داده شده است . رویکرد دقیق به شرح زیر است:

(من): برای انجام رمزگذاری گره با قرار دادن گره ها در خطوط عناصر مناطق مسکونی، و برای ساخت مثلث Delaunay، بنابراین طبقه بندی مثلث های خارج و داخل عناصر مناطق مسکونی به مثلث های خارجی و داخلی.
(II): برای تولید بدنه محدب از مناطق مسکونی پیش از ادغام و حذف سه نوع مثلث خارجی زیر که دارای لبه های متصل با بدنه محدب هستند: (1) هر سه راس در داخل یک منطقه مسکونی یکسان قرار دارند. (2) رئوس در دو منطقه مسکونی با یک زاویه داخلی بیشتر از θ (θ مبهم است) و یک یال با هر یک از دو منطقه مسکونی دارای لبه یکسانی قرار دارند. و (3) رئوس در دو منطقه مسکونی با یک لبه همپوشانی با خطوط مناطق مسکونی قرار دارد و ارتفاع این لبه بزرگتر از آستانه است. این قانون در اندازه گیری فاصله بین مناطق مسکونی اعمال می شود.
(iii): اعمال یک الگوریتم بازگشتی برای جستجوی دیگر مثلث های خارجی که دارای لبه های به هم پیوسته با مثلث های حذف شده هستند و اعمال قانون (2) و (3) در مرحله قبل برای حذف مثلث های مناسب.
(IV): برای ادغام مثلث های باقی مانده با حذف لبه های متصل.

پس از پردازش ادغام، روابط چند به یک و چند به چند در مناطق مسکونی در مقیاس های مختلف به روابط یک به یک تبدیل می شود تا مطابقت داده شود.

2.4. محاسبه شباهت

روابط متعدد یک به چند و چند به چند در مناطق مسکونی در مقیاس های مختلف وجود دارد که برای تبدیل آنها به روابط یک به یک مناسب برای محاسبه شباهت مشخصه، نیاز به پردازش داده دارد. در مطالعه حاضر، روش شرح داده شده در بخش 2.3برای انتقال این روابط به روابط یک به یک برای تسهیل محاسبه شباهت ویژگی ها استفاده می شود. بر اساس ویژگی‌های مناطق مسکونی با شناخت فضایی انسانی، از پنج ویژگی، یعنی موقعیت، مساحت، شکل، جهت‌گیری و محیط اطراف برای ارزیابی شباهت برای روابط تطبیق استفاده می‌شود. مقدار هر شاخص شباهت مشخصه بین 0 تا 1 است. اگرچه مشکلات مربوط به اطلاعات ویژگی های ناقص و معیارهای متناقض داده ها وجود دارد، این مطالعه با انتخاب ویژگی های فضایی که کمتر تحت تأثیر چند مقیاسی قرار می گیرند، روشی مستقل از اطلاعات معنایی اتخاذ می کند. بازنمایی و تعمیم نقشه نسبت به ویژگی هایی مانند محیط و مناطق همپوشانی دارند.

2.4.1. شاخص تشابه موقعیت

نزدیکی موجودات فضایی نشان دهنده شباهت زیاد موقعیت است. برای یک موجود منطقه جغرافیایی، مرکز ممکن است به بهترین وجه ویژگی های مکان آن را منعکس کند. مطالعه حاضر معادله (1) زیر را برای اندازه‌گیری شباهت موقعیت با محاسبه نسبت فاصله اقلیدسی مرکز دو گروه مسکونی و حداکثر فاصله D اعمال می‌کند . در معادله (1)، ( x ₁ , y ₁ ) و ( x ₂ , y ₂ ) مختصات مرکز دو موجود هستند که باید مطابقت داده شوند. حداکثر فاصله Dاز موجودیت های همسان با تجزیه و تحلیل آماری فاصله مرکز نمونه های تطبیق مثبت و منفی تعیین می شود. در این مطالعه، مقدار D دو برابر فاصله مرکز نمونه‌های همسان است.

اس p o s i t i o n = 1 - ( ایکس 1 - ایکس 2 ) 2 + ( y 1 - y 2 ) 2 ——————\sqrt D

(1)

2.4.2. شاخص تشابه ناحیه

مساحت یک ویژگی مهم است که اندازه یک موجود جغرافیایی را نشان می دهد. اگرچه به دلیل تعمیم نقشه ها و سایر عوامل، تفاوت در مساحت در موجودیت های منطقه در مقیاس های مختلف وجود دارد، حفظ ویژگی های اندازه یک موجود جغرافیایی یکی از اصول تعمیم نقشه است. مناطق مسکونی که دارای روابط منطبق هستند از نظر مساحت شباهت هایی دارند. این مطالعه معادله (2) زیر را برای اندازه‌گیری شباهت مساحت مناطق مسکونی با محاسبه نسبت مساحت مناطق مسکونی که باید مطابقت داده شوند، اعمال می‌کند، که در آن A و B به مناطق مسکونی مورد تطبیق اشاره دارد.

اس a r e a = م من ن ( A r e a ( A ) , A r e a ( B ) ) م یک X ( A r e a ( A ) , A r e a ( B ) )

(2)

2.4.3. شاخص تشابه شکل

توصیف کمی شکل یک معما در زمینه GIS و کامپیوتر است [ 28 ]. با در نظر گرفتن اشکال واحدهای مسکونی، مطالعه حاضر از شاخص شکل (فشردگی) پیشنهاد شده توسط پیتر برای اندازه گیری آن استفاده می کند [ 29 ]. فشردگی تحت تأثیر اندازه و مرز جسم [ 30 ] قرار می گیرد و همانطور که در رابطه (3) نشان داده شده است، محاسبه می شود، جایی که p نشان دهنده موجودیت منطقه است. روش محاسبه شباهت شکل در رابطه (4) پیشنهاد شده است، که در آن A و B به ترتیب نشان دهنده اشیایی هستند که باید در مقیاس های بزرگ و کوچک مطابقت داده شوند.

سی o m p a c t (p) = p e r i m e t e r ( p ) 2 π * A r e a ( p ) ———\sqrt

(3)

اس s h a p e = | سی o m p a c t ( A ) - C o m p a c t ( B ) | م یک X ( سی o m p a c t ( A ) , C o m p a c t ( B ) )

(4)

2.4.4. شاخص تشابه جهت گیری

شباهت جهت مناطق مسکونی به جهت کلی گسترش اشاره دارد. روش های رایج مورد استفاده شامل روش ضلع طولانی، روش آماری مبتنی بر دیوار، و روش کوچکترین مستطیل مرزی (SMBR) [ 30 ] است. روش SMBR از جهت محور طولانی SMBR موجودیت ها برای تطبیق به عنوان جهت مناطق مسکونی استفاده می کند. تفاوت زاویه جهت محور بلند، اختلاف زاویه دو موجودیت منطقه است. این روش نمی تواند جهت دو نهاد ناحیه ای را که جهت های خود را 180 درجه می چرخانند تشخیص دهد. مطالعه حاضر روش بهبود یافته ای را برای روش SMBR پیشنهاد می کند. اگر مناطق مسکونی مورد تطبیق A و B باشند، شباهت جهت مناطق مسکونی با توجه به رابطه (5) محاسبه می شود، که در آن θ _A و θ _B به ترتیب زوایای محورهای بلند SMBR A و B و محور y هستند . فواصل مقدار [0، $π$ /2]؛ و F تابع بولی است که تعیین می کند مناطق مسکونی 180 درجه بچرخند.

اس o r i e n t a t i o n = اف \times (1-_| θ آ - θ ب | π / 2)

(5)

اگر شاخص تشابه شکل دو جسم کم باشد، F در رابطه (5) 0 است. اگر شاخص تشابه شکل بالا باشد، باید با استفاده از روش زیر پردازش شود: حداقل زوایای A و _а . زمانی که محورهای بلند SMBR و محور y موازی باشند، _B با چرخش خلاف جهت عقربه‌های ساعت شیء A و B و SMBR آنها محاسبه می‌شود . وقتی |а _A − а _B | >

π

/2، جسم A و B در خلاف جهت عقربه‌های ساعت برای а _A و а _B چرخانده می‌شوند و اشیاء جدید A’ و B’ به دست می‌آیند. وقتی |а _A − а _B | >

π

/2، جسم A در جهت عقربه‌های ساعت می‌چرخد تا A _A به دست آید، و جسم B در خلاف جهت عقربه‌های ساعت می‌چرخد.

π

− а _B برای به دست آوردن B’. همانطور که شکل 4 نشان می دهد، پس از چرخش شکل 4 a، شکل 4 b به دست می آید و پس از چرخش شکل 4 c، شکل 4d حاصل می شود. گوشه سمت راست پایین SMBR های شی A’ و B’ به عنوان نقاط مبدا استفاده می شود. یک سیستم مختصات با محور کوتاه به عنوان جهت x و محور بلند به عنوان جهت y ایجاد می شود. SMBR های A’ و B’ به طور مساوی به m مستطیل در امتداد ضلع بلند و n مستطیل در امتداد ضلع کوتاه تقسیم می شوند. نسبت بین سطح تقاطع هر مستطیل و جسم و مساحت مستطیل مربوطه محاسبه می شود که فاصله مقدار آن [0,1] است. دو هیستوگرام با استفاده از هر نسبت در جهت مثبت محور x و جهت مثبت محور y تولید می شود. شکل 5 a,b هیستوگرام های ناحیه شکل 4 b و شکل 5 c,d هیستوگرام های ناحیه شکل 4 هستند.د محور افقی هیستوگرام یک شماره سریال مستطیل است و محور عمودی نسبت بین سطح تقاطع مستطیل و جسم و مساحت مستطیل مربوطه است.

روش های تشخیص جهت از طریق هیستوگرام به شرح زیر است: (1) هیستوگرام ها را با استفاده از رابطه (6) با روش درون یابی صاف کنید، که در آن x در معادله ( 6 ) مقدار مختصات افقی هیستوگرام است، f( x ) مقدار مختصات عمودی، گام طول گام و Z مقدار هیستوگرام پس از هموارسازی است. جهت محور x هیستوگرام ناحیه بعد از هموارسازی دارای h واحد است و جهت محور y هیستوگرام ناحیه دارای j است.واحدها (2) مقادیر میانگین هیستوگرام ها و هر مقدار واحد را مقایسه کنید، به استثنای هیستوگرام هایی که کمترین اختلاف مقدار واحد را دارد. هیستوگرام یک مستطیل را نشان می دهد که نیازی به مقایسه ندارد. مقدار F برابر است با 1. (3) واحد i یک هیستوگرام را با (hi)امین یک هیستوگرام دیگر مقایسه کنید. هنگامی که اختلاف آنها کوچکتر از مقدار آستانه داده شده باشد، این دو مقدار یکسان در نظر گرفته می شوند. پس از مقایسه گروه‌های h، تعداد واحدهای مشابه به u می‌رسد (در اینجا u/h > 0.9)، یعنی دو هیستوگرام مخالف یکدیگر هستند. (4) هنگامی که هیستوگرام متناظر مخالف وجود دارد، مقدار F در رابطه (5) 0 است. در غیر این صورت 1 است.

ز = \sum i = 0 i = s t e p - 1 f ( x + i ) s t e p

(6)

2.4.5. شاخص شباهت محیطی

معمولاً در یک نقشه در مقیاس بزرگ، ساخت و سازها در همان منطقه شکل یکسانی دارند و اگر فقط از موقعیت و مشخصه هندسی برای تطبیق استفاده شود، اشتباه می شود. با توجه به عادت شناخت فضایی، تطبیق مصنوعی اطلاعات در مناطق اطراف اغلب برای شناسایی موجودیت ها ترکیب می شود. ما اندازه‌گیری شباهت محیط اطراف را با اندازه‌گیری ویژگی‌های موجودات اطراف در مناطق مسکونی تعیین می‌کنیم، همانطور که در شکل 6 نشان داده شده است، مرکز جرم موجودیتی که باید مطابقت داده شود به عنوان نقطه مرکزی برای ساخت یک شبکه مربع 2 × 2 استفاده می‌شود. موازی با محور مختصات طول ضلع شبکه دو برابر طول ضلع بلند عنصر SMBR در مناطق مسکونی در مقیاس کوچک که باید مطابقت داده شود تنظیم شده است. جی₁ ، G ₂ ، G ₃ و G ₄ به ترتیب نمایانگر سمت چپ بالا، سمت راست بالا، پایین سمت چپ و پایین سمت راست شبکه هستند که در شکل 6 نشان داده شده است . شباهت محیطی هر ناحیه شبکه با توجه به رابطه (7) محاسبه می شود، که در آن مساحت ( SM _i ) و مساحت ( LA _i ) مناطق مسکونی اطراف هستند که در ناحیه شبکه در داده های مقیاس کوچک و بزرگ قرار دارند. ، به ترتیب. وقتی مقدار Area ( SM _i ) و مقدار Area ( LA _i ) 0 نباشد، مقدارسیم (G _i ) نسبت مساحت خواهد بود. وقتی مقدار Area ( SM _i ) و مقدار Area ( LA _i ) 0 باشد، مقدار _شبکه S ( G _i ) 1 خواهد بود. مناطق مسکونی کوچک در مقیاس کوچک که در داده های مقیاس بزرگ ارائه می شوند ممکن است مشاهده نشوند. وقتی مقدار Area ( SM _i ) 0 و مقدار Area ( LA _i ) یک عدد کوچک (کمتر از آستانه) باشد. $ε$ ، مقدار _شبکه S ( Gi ₎ 1 خواهد بود. وقتی مقدار Area ( SM _i ) 0 نباشد و مقدار Area ( LA _i ) 0 باشد، مقدار _شبکه S ( Gi ₎ خواهد بود. 0. مجموع شباهت محیط اطراف طبق رابطه (8) محاسبه می شود.

اسgمن d _(جیمن) =⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪مi n ( A r e a ( Sممن) ، A r e a ( Lآمن) )مa x ( A r e a ( Sممن) ، A r e a ( Sممن) )101مناف A r e a ( Sممن) ≠ 0 A N D A r e a ( L آمن) ≠ 0مناف A r e a ( Sممن) = 0 A N D A r e a ( L آمن) ≠ 0 A N D A r e a ( L آمن) < εمناف A r e a ( Sممن) ≠ 0 A N D A r e a ( L آمن) = 0مناف A r e a ( Sممن) = 0 A N D A r e a ( L آمن) = 0�����(��)={���(����(���),����(���))���(����(���),����(���))�� ����(���)≠0 ��� ����(���)≠01�� ����(���)=0 ��� ����(���)≠0 ��� ����(���)<�0�� ����(���)≠0 ��� ����(���)=01�� ����(���)=0 ��� ����(���)=0

(7)

اس s you r o u n d_من n g = \sum i = 1 4 اس g من d_(G i) / 4

(8)

2.5. رویکرد تطبیق

2.5.1. ماشین وکتور مربوط

پس از محاسبه هر شباهت ویژگی کاندیداهای تطبیق، رویکرد تطبیق استاندارد به دست آوردن شباهت جامع با وزن کردن شباهت مشخصه و انتخاب نتایج تطبیق با استفاده از آستانه است [ 13 ، 15 ]. فرآیندهای توزین و تعیین آستانه در این رویکرد نیاز به مداخله دستی دارد که پذیرش آن را در زمینه های مختلف داده دشوار می کند. در مطالعه حاضر، یک رویکرد یادگیری ماشین برای تحقق تطابق موجودیت‌های فضایی طراحی شده است.

RVM [ 31 ] نوع جدیدی از رویکرد یادگیری ماشینی است که در سال های اخیر توسعه یافته است. این شبیه به ماشین بردار پشتیبانی (SVM) است، زیرا به ویژه برای طبقه بندی باینری نمونه های کوچک مناسب است.

در مطالعه حاضر، بردار ورودی RVM به صورت پنج بعدی، شامل شباهت‌های پنج ویژگی (یعنی موقعیت، مساحت، شکل، جهت‌گیری و محیط) تعریف شده است. طبقه بندی به عنوان “تطابق” یا “عدم تطابق” تعریف می شود. خروجی RVM می تواند به عنوان ارزیابی قابلیت اطمینان نتایج طبقه بندی مورد استفاده قرار گیرد. تابع خروجی RVM در معادله (9) [ 32 ] نشان داده شده است، جایی که $y \in [0, 1]$ .

y = σ (z) = 1 / (1 + ه - z)

(9)

مقدار z در معادله (9) همانطور _که در رابطه (10) نشان داده شده محاسبه می شود، که در آن Q( x , xn ) تابع هسته است و $w_{n}$ وزن مدل است.

z = f (x; W) = \sum n = 1 ن w n س (x, ایکس n) + w 0

(10)

تخمین مجموعه داده به دست آمده از تخمینگر احتمال به صورت معادله (11) نشان داده شده است، که در آن $t = {(t_{1} \dots t_{N})}^{T}$ و $W = {(w_{0} \dots w_{N})}^{T}$ .

p ( t | W) =∏n = 1نσ{ f(ایکسn; دبلیو) }تیn[ 1 − σ { f(ایکسn; دبلیو) } ]1- _تیn�(�|�)=∏�=1��{�(��;�)}��[1−�{�(��;�)}]1−��

(11)

در چارچوب بیزی، اوزان $W$ در رابطه (11) را می توان با روش برآورد حداکثر درستنمایی به دست آورد. با این حال، برای جلوگیری از یادگیری بیش از حد، RVM یک توزیع احتمال قبلی گاوسی را برای هر وزن تعریف می کند تا پارامترها را محدود کند (معادله (12))، که در آن $α$ در رابطه (12) یک پارامتر فوق العاده N + 1 بعدی است. اگرچه احتمال عقبی وزن ها را نمی توان محاسبه کرد، می توان آن را با تئوری لاپلاسی تقریب زد. حداکثر وزن ممکن $W_{M P}$ برای ثابت فعلی محاسبه می شود $α$ ارزش. زیرا $p (w | t, α) \propto p (t | w) p (w | α)$ ، می توان آن را به حداکثر معادله (13) ترجمه کرد.

p (w | α) = \prod i = 0 n ن (w من ∣∣ 0, α - 1 من)

(12)

log {p (t | w) p (w | α)} = \sum n = 1 ن [تی n ورود به سیستم y n + (1 - تی n) log (1 - y n)] - 1 2 w تی A w

(13)

\frac{1}{2} w^{T} A w

زمانی که حداکثر ممکن است ثابت است

W_{M P}

به دست آمده است. هنگامی که رابطه بین دو شیء مطابقت دارد، مقدار y به 1 میل می کند تا نتیجه معادله (13) حداکثر شود. هنگامی که رابطه بین دو شی ناسازگار است، مقدار y به 0 میل می کند تا نتیجه معادله (13) حداکثر شود. بنابراین، قابلیت اطمینان تطابق بین اشیاء زمانی بالاتر است که مقادیر خروجی نزدیکتر به 1 باشد و قابلیت اطمینان عدم تطابق بین اشیاء زمانی بالاتر است که مقادیر خروجی نزدیکتر به 0 باشد.

2.5.2. یادگیری فعال

هنگام استفاده از فرآیند یادگیری ماشینی، انتخاب نمونه زمانبر است. انتخاب نمونه های منطبق از داده های مسکونی نیاز به شناسایی مصنوعی دارد. برای کاهش تعداد نمونه های آموزشی و بهبود کارایی تطبیق، مطالعه حاضر رویکرد یادگیری فعال [ 33 ] را اتخاذ می کند. ایده اصلی پشت این رویکرد این است که با نمونه‌گیری چندگانه، نمونه‌هایی که برای بهبود عملکرد طبقه‌بندی مفید هستند انتخاب می‌شوند و با آموزش نمونه برچسب‌دار در مقیاس کوچک، عملکرد یادگیری که می‌توان با نمونه‌های برچسب‌دار در مقیاس بزرگ به دست آورد، به دست می‌آید. مراحل یادگیری به شرح زیر است:

(من): N نمونه از مجموعه نمونه کاندید U انتخاب شده است. طبقه بندی آنها به صورت دستی برچسب گذاری می شوند تا مجموعه نمونه آموزشی اولیه D را تشکیل دهند. هر طبقه بندی باید حداقل یک نمونه در D داشته باشد.
(II): نمونه ها در D آموزش داده می شوند و طبقه بندی کننده اولیه F ایجاد می شود.
(iii): طبقه بندی F برای طبقه بندی نمونه های بدون برچسب استفاده می شود و نتایج طبقه بندی ضریب اطمینان پایین پس از برچسب گذاری دستی آنها اضافه می شود.
(IV): Classifier برای یک زمان دیگر آموزش داده می شود تا زمانی که معیار اتمام آموزش طبقه بندی کننده را برآورده کند. معیار این است که تعداد حلقه ها به مقدار از پیش تعیین شده برسد یا تعداد نمونه های برچسب گذاری شده به مقدار مورد انتظار برسد.

RVM و یادگیری فعال برای ساخت طبقه بندی کننده در شکل 7 نشان داده شده است .

2.5.3. تطبیق استراتژی

در زیر برخی از مراحل مهم در استراتژی تطبیق آورده شده است.

پیش پردازش داده ها: اولین مرحله پیش پردازش داده ها، شناسایی عناصر نامزد برای تطبیق است. یک منطقه حائل از مناطق مسکونی در مقیاس کوچک تولید می‌شود و ویژگی‌های مقیاس بزرگی که با این منطقه بافر تلاقی می‌کنند به عنوان ویژگی‌های نامزد شناسایی می‌شوند. دوم، عناصر نامزد با شناسایی جفت روابط تطبیق چندگانه و با استفاده از جستجوی دو طرفه تعیین می شوند. سوم، پس از به دست آوردن ویژگی های کاندید، زیرا تعداد زیادی 1: n یا m : n وجود داردروابط تطبیق در مناطق مسکونی چند مقیاسی، جایگشت و ترکیب برای تولید ترکیبی از اشیاء منطبق برای تشخیص رابطه تطبیق استفاده می‌شوند. از آنجایی که ترکیب اشیاء منطبق بر نامزد با توجه به تعداد عناصر تعیین می شود، ما اشیایی را که مطابق با انواع مناطق مسکونی چند مقیاسی غیرممکن است، به عنوان ناهماهنگ تنظیم می کنیم (به عنوان مثال، شیئی که رابطه کمی بین شی مقیاس بزرگ و شی مقیاس کوچک 1: n یا m : n ( m < n )) است و این اشیاء را از اشیاء تطبیق نامزد حذف کرد. برای سهولت اندازه گیری شباهت، از روش ادغام موجودیت شرح داده شده در بخش 2.3 استفاده می کنیم.برای ترکیب چندین موجودیت در یک موجودیت واحد.
انتخاب نمونه: برای نمونه های آموزشی، ما روش همکاری انسان-رایانه را اتخاذ می کنیم و یک ناحیه بافر را با استفاده از اشیاء مبدأ برای جستجوی اشیاء منطبق با نامزد ایجاد می کنیم. کار دستی برای شناسایی و برچسب گذاری مطابقت یا عدم تطابق بین عناصر نامزد و عناصر منبع استفاده می شود. نمونه های بدون برچسب با جستجوی اشیاء منطبق با نامزد در ناحیه بافر تولید شده از عناصر منبع به دست می آیند.
پردازش روابط تطبیق چندگانه: ممکن است مواردی از تطابق چندگانه بر اساس خروجی طبقه‌بندی‌کننده وجود داشته باشد، همانطور که شکل 8 نشان می‌دهد. موجودیت های A و B و A و BC همه به عنوان منطبق طبقه بندی می شوند. با این حال، تعیین رابطه تطبیق نهایی به خروجی قابلیت اطمینان RVM بستگی دارد. برای مشخص بودن، جفت‌های منطبق حاوی عناصر مشابه را در دسته‌بندی مسابقه، پس از انتخاب توسط طبقه‌بندی‌کننده تعیین می‌کنیم. با استفاده از معادله (14)، مجموعه ای با حداکثر قابلیت اطمینان به عنوان نتیجه مسابقه نهایی انتخاب می شود.

$R = M یک x (r 1 ، r 2 ، r 3 ، . . . ، r n)$

(14)

2.6. طراحی تجربی

برای تأیید اثربخشی روش پیشنهادی، مناطق مسکونی 1:5000 و 1:25000 در منطقه Tianhe، گوانگژو را برای آزمایش تطبیق انتخاب کردیم ( شکل 9 ). مجموعه داده های 1:5000 و 1:25000 به ترتیب شامل 4375 و 1023 موجودیت هستند. در این آزمایش، ArcGIS Engine10.0 ثانویه توسط ویژوال استودیو 2010 برای به دست آوردن شباهت مشخصه موجودیت های فضایی، همراه با جعبه ابزار RVM_Matlab برای طبقه بندی ها، توسعه یافت.

در آزمایش، یک منطقه بافر با منطقه مسکونی در مقیاس کوچک به عنوان عنصر منبع تولید می‌شود و یک مجموعه داده متشکل از 503 ضبط با انتخاب خودکار برنامه ساخته می‌شود که 70 درصد مجموعه آموزشی و 30 درصد آزمایش را تشکیل می‌دهد. تنظیم. از این بین ما به صورت دستی 76 نمونه طبقه بندی برچسب دار را برای ساختن یک طبقه بندی اولیه انتخاب کردیم. در نمونه های برچسب دار، 21 جفت از روابط تطبیق 1:1، 28 جفت از روابط تطبیق 1: m ، هفت جفت از روابط تطبیق m : n ، و 20 جفت ناسازگار هستند. رویکرد یادگیری فعال برای بهینه سازی مستمر طبقه بندی کننده اتخاذ می شود و تعداد تکرار یادگیری فعال 10 تنظیم شده است. جدول 1نمونه‌های آموزشی اولیه را نشان می‌دهد، جایی که SOURCEID و TARGETID به ترتیب کد شناسه سریال عنصر منطقه مسکونی در مقیاس کوچک و مناطق مسکونی در مقیاس بزرگ هستند. عناوین ستون های LOCAL، ORIEN، AREA، SHAPE و SUR به ترتیب پنج شباهت مشخصه را نشان می دهند، یعنی موقعیت، جهت، مساحت، شکل و محیط اطراف. عنوان ستون RESULT نتیجه طبقه بندی تشخیص دستی را نشان می دهد که در آن 1 نشان دهنده تطابق و 0 نشان دهنده عدم تطابق است. فاصله عدم قطعیت اطمینان طبقه بندی در [0.1، 0.9] تنظیم شده است. این فاصله عدم قطعیت نشان می‌دهد که نتایج طبقه‌بندی تا حد زیادی مورد تردید است و میزان طبقه‌بندی اشتباه برای مقادیر در یک بازه افزایش می‌یابد. هنگامی که نتیجه خروجی آموزش طبقه بندی نمونه های بدون برچسب در بازه شک و تردید باشد، 10 نمونه با کمترین قابلیت اطمینان انتخاب شده و به صورت دستی به عنوان “تطابق” یا “عدم تطابق” تعیین می شود. نتیجه طبقه بندی که به صورت دستی قضاوت می شود برای بازآموزی به مجموعه داده اضافه می شود و یک طبقه بندی جدید تشکیل می شود. سپس یک تست با مجموعه تست اجرا می شود. این روش تا زمانی تکرار می شود که نتیجه طبقه بندی همگرا شود و طبقه بندی نهایی به دست آید. به دنبال این، شباهت مشخصه جفت تطبیق نامزد انتخاب شده در بافر به طبقه‌بندی‌کننده وارد می‌شود تا خروجی نتیجه طبقه‌بندی باینری به دست آید. در نهایت، شی تطبیق نهایی با توجه به قابلیت اطمینان طبقه بندی تعیین می شود. نتیجه طبقه بندی که به صورت دستی قضاوت می شود برای بازآموزی به مجموعه داده اضافه می شود و یک طبقه بندی جدید تشکیل می شود. سپس یک تست با مجموعه تست اجرا می شود. این روش تا زمانی تکرار می شود که نتیجه طبقه بندی همگرا شود و طبقه بندی نهایی به دست آید. به دنبال این، شباهت مشخصه جفت تطبیق نامزد انتخاب شده در بافر به طبقه‌بندی‌کننده وارد می‌شود تا خروجی نتیجه طبقه‌بندی باینری به دست آید. در نهایت، شی تطبیق نهایی با توجه به قابلیت اطمینان طبقه بندی تعیین می شود. نتیجه طبقه بندی که به صورت دستی قضاوت می شود برای بازآموزی به مجموعه داده اضافه می شود و یک طبقه بندی جدید تشکیل می شود. سپس یک تست با مجموعه تست اجرا می شود. این روش تا زمانی تکرار می شود که نتیجه طبقه بندی همگرا شود و طبقه بندی نهایی به دست آید. به دنبال این، شباهت مشخصه جفت تطبیق نامزد انتخاب شده در بافر به طبقه‌بندی‌کننده وارد می‌شود تا خروجی نتیجه طبقه‌بندی باینری به دست آید. در نهایت، شی تطبیق نهایی با توجه به قابلیت اطمینان طبقه بندی تعیین می شود. شباهت مشخصه جفت تطبیق نامزد انتخاب شده در بافر در طبقه‌بندی‌کننده وارد می‌شود تا خروجی نتیجه طبقه‌بندی باینری به دست آید. در نهایت، شی تطبیق نهایی با توجه به قابلیت اطمینان طبقه بندی تعیین می شود. شباهت مشخصه جفت تطبیق نامزد انتخاب شده در بافر در طبقه‌بندی‌کننده وارد می‌شود تا خروجی نتیجه طبقه‌بندی باینری به دست آید. در نهایت، شی تطبیق نهایی با توجه به قابلیت اطمینان طبقه بندی تعیین می شود.

ارزیابی نتایج تجربی با مقایسه نتایج تطبیق دستی توسط نقشه‌برداران حرفه‌ای با نتایج تطبیق خودکار انجام می‌شود. اشیایی که با تطبیق دستی و تطبیق خودکار برچسب مطابقت دارند TP هستند . آنهایی که با تطبیق دستی مطابقت دارند در حالی که با تطبیق خودکار شناسایی نمی شوند NP هستند . و آنهایی که با تطبیق خودکار مطابقت دارند اما با تطبیق دستی شناسایی نمی شوند FP هستند . شاخص های ارزیابی دقت و میزان فراخوانی هستند. از معادله (15) برای محاسبه دقت و از رابطه (16) برای به دست آوردن نرخ فراخوان استفاده می شود. پارامتر Fمقدار 1 برای اندازه گیری میانگین هارمونیک دقت و یادآوری با معادله (17) برای محاسبه F1 معرفی شد.

پ r e c i s i o n = تی پ تی پ + اف پ

(15)

R e c a l l = تی پ تی پ + ن پ

(16)

اف 1 = 2 \times P r e c i s i o n \times R e c a l l پ r e c i s i o n + R e c a l l

(17)

3. نتایج و بحث

3.1. ادغام مناطق مسکونی

آزمایش‌های ادغام نمونه‌های تطبیق انتخاب شده بر اساس رویکرد ادغام پیشنهادی در مطالعه حاضر و روش ادغام مبتنی بر بدنه محدب [ 26 ] انجام می‌شود . نتایج در جدول 2 و شکل 10 ، شکل 11 ، شکل 12 و شکل 13 نشان داده شده است.. نتایج نشان می دهد: (1) روش پیشنهادی شباهت میانگین بالاتری نسبت به روش ادغام مبتنی بر بدنه محدب دارد. و (2) مقادیر شباهت موقعیت، مقادیر شباهت سطح، و مقادیر شباهت شکل در روش پیشنهادی مسطح‌تر هستند. بنابراین، در مقایسه با روش ادغام مبتنی بر بدنه محدب سنتی، روش پیشنهادی که روابط یک به چند و چند به چند را به روابط یک به یک منتقل می‌کند، برای اتخاذ معیار تشابه مناسب‌تر است. شباهت ویژگی و اندازه گیری های انتخاب شده برای تطبیق کاندیداهای چند مقیاسی کاربرد بیشتری دارد.

شکل 14 نمونه هایی از آزمایش های ادغام ویژگی ها را نشان می دهد. شکل 14 a,b مناطق مسکونی هستند که باید در مقیاس های مختلف مطابقت داده شوند. آنها از نظر بصری مطابقت دارند، اما با استفاده از برنامه های مختلف برای شناسایی خودکار و استفاده از روش مبتنی بر بدنه محدب برای ادغام شکل 14 a در شکل 14 c، مشاهده می کنیم که از نظر هندسی کاملاً متفاوت هستند. با این حال، با استفاده از روش پیشنهادی برای ادغام شکل 14 الف و به دست آوردن شکل 14 د، متوجه می شویم که شباهت هندسی بین شکل 14 د و شکل 14 a بیشتر از شکل 14 ج و شکل 14 a است.

3.2. اندازه گیری تشابه ویژگی

از نظر اندازه‌گیری شباهت مناطق مسکونی ( شکل 15 )، با محاسبه جهت طول محور SMBR موجودیت‌ها، جهت واحد ادغام شده شماره 2625 و شماره 2626 یکسان تشخیص داده می‌شود. جهت شماره 2629 با روش اندازه گیری SMBR سابق [ 26 ] که مشابه جهت منطقه مسکونی شماره 729 است. با این حال، نتایج روش اندازه گیری پیشنهادی نشان می دهد که شباهت جهت 0 است، به این معنی که شماره 2629 و شماره 729 در جهت مخالف هستند و شباهت موجودیت ادغام شده شماره 2625، شماره 2626 و شماره 729 برابر با 1 است که با تصور مصنوعی مطابقت دارد.

3.3. مقایسه نتایج روش‌های تطبیق

در فرآیند ساخت طبقه‌بندی‌کننده با استفاده از RVM و یادگیری فعال، تعداد صحیح نتایج طبقه‌بندی را در 151 نمونه آزمایشی شمارش کردیم. همانطور که در شکل 16 نشان داده شده است ، با افزایش تعداد تکرارها، تعداد صحیح نمونه های آزمایشی به تدریج افزایش می یابد. پس از هشت بار تکرار، نتایج طبقه بندی پایدار است. با استفاده از همان تعداد نمونه برچسب دار برای یادگیری غیرفعال (نمونه ها به صورت تصادفی از مجموعه نمونه انتخاب می شوند)، دقت طبقه بندی نمونه آزمون کمتر از روش یادگیری فعال است. شکل 16 نشان می دهد که یادگیری فعال می تواند به نتایج طبقه بندی بهتری با نمونه های برچسب دار کمتر دست یابد.

نتایج آزمایش ها در جدول 3 نشان داده شده است که نشان می دهد با استفاده از RVM پیشنهادی برای پردازش ویژگی های انتخاب شده، دقت تطابق 92.1٪ و نرخ فراخوان 91.8٪ است. در مقایسه با روش‌های دیگر، RVM مزیت مشخصی را در تطبیق موفق نشان می‌دهد. روش همپوشانی [ 8] برای تعیین ناحیه بافر معمولاً در تطبیق داده های یک مقیاس استفاده می شود، زیرا در داده های چند مقیاسی، جابجایی، ادغام، ساده سازی و سایر عملیات در طول تعمیم نقشه برداری منجر به نرخ همپوشانی کم مناطق بافر با مقیاس های مختلف می شود. علاوه بر این، تشخیص آستانه همپوشانی دشوار است. بنابراین دقت این روش نسبتاً پایین است. هنگام در نظر گرفتن ویژگی‌های انتخابی پیشنهادی برای پردازش، در میان شباهت ویژگی وزن‌دهی [ 15 ]، SVM [ 25 ] و روش‌های RVM ذکر شده، دقت تطبیق بیشتر از هنگام استفاده از ویژگی‌های انتخابی پیشنهاد شده در Zhang [ 25 ] است. برای روش تطبیق وزنی [ 15] بر اساس شباهت‌های ویژگی‌ها، وزن مشخصه‌ها و آستانه تطابق تأثیر زیادی بر دقت دارد و تشخیص دستی آنها دشوار است. بنابراین، میزان تطابق موفق زیاد نیست. استفاده از الگوریتم SVM [ 25 ] می‌تواند از تنظیم دستی وزن‌های مشخصه و آستانه‌های مطابقت جلوگیری کند. علاوه بر این، این روش برای طبقه‌بندی مسائل دو نوع مناسب است، با این حال وقتی چندین تطابق معمولاً در اشیاء چند مقیاسی وجود دارد، نمی‌تواند بهترین جفت تطبیق را بیشتر شناسایی کند و ممکن است برخی از اشیاء ناسازگار را به عنوان مطابقت قضاوت کند.

برای اطمینان از دقت طبقه بندی بالا، روش یادگیری فعال اتخاذ شده در مطالعه حاضر می تواند بار کاری در برچسب زدن نمونه ها را به صورت دستی کاهش دهد. علاوه بر این، خروجی RVM می تواند برای شناسایی بیشتر روابط تطبیق چندگانه استفاده شود. بنابراین، روش پیشنهادی نسبت به روش‌های دیگر، میزان تطابق موفقیت‌آمیز بالاتر و حجم کار مداخله دستی کمتری را نشان می‌دهد. نتایج تطبیق در شکل 17 نشان داده شده است . شکل 17 ج اثرات تطبیق اشیاء ساده را نشان می دهد، در حالی که شکل 17b جلوه های تطبیق اشیاء پیچیده را نشان می دهد. در این شکل، موجودیت با خط جامد خاکستری داده‌های مقیاس بزرگ را نشان می‌دهد، موجودیت با خط خاکستری آبی داده‌های مقیاس کوچک مربوطه را نشان می‌دهد و خط جامد قرمز به روابط تطبیق اشاره دارد.

شکل 18 نمونه ای از تطابق چندگانه است که نشان می دهد با استفاده از یک بافر، منطقه مسکونی با مقیاس کوچک شماره 509 (حاشیه چین آبی) می تواند سه عنصر نامزد مقیاس بزرگ شماره 1782، 1783 و 1784 را جستجو کند. (حاشیه های جامد خاکستری). اگر سه ترکیب وجود داشته باشد که توسط طبقه‌بندی‌کننده قضاوت می‌شود، همه آنها مطابقت دارند. روش SVM معمولاً شماره 1784 را به عنوان یکی از اشیاء منطبق با شماره 509 اشتباه قضاوت می‌کند. همانطور که در جدول 4 نشان داده شده است، روش پیشنهادی در مطالعه حاضر ارزش طبقه‌بندی خروجی را مقایسه می‌کند و ترکیب‌هایی را با بالاترین قابلیت اطمینان انتخاب می‌کند. 1782 و 1783، به عنوان اشیاء تطبیق نهایی، که با نتیجه تشخیص دستی مطابقت دارد.

نتایج تجربی از روش پیشنهادی با استفاده از سه نوع تطبیق محاسبه شده است: 1:1، 1: m و m : n . همانطور که در شکل 19 نشان داده شده است، دقت تطابق 1:1 بالاترین است، به 95.5٪، با نرخ فراخوان 96٪، و F 1 (میانگین هارمونیک دقت و یادآوری) مقدار 95.7٪ است. تطبیق 1: m به چندین عملیات ادغام نیاز دارد و روش ادغام می تواند اشکال پیچیده ای مانند حفره را به همراه داشته باشد که اندازه گیری شباهت را دشوارتر می کند. دقت 1: m کمتر از 1:1 است (یعنی دقت = 91.9٪، نرخ فراخوان = 91.4٪ و F1 = 91.6٪). مقدار m : nنوع کوچک و پیچیده تر است. تعداد زیادی از موجودات تطبیق نامزد ممکن است منجر به اشتباهات جزئی در انتخاب اشیاء تطبیق نامزد شود، و در عین حال، اندازه‌گیری ممکن است تحت تأثیر اشکال پیچیده باشد. دقت تطبیق آن 82.2 درصد، نرخ فراخوان 83.3 درصد و مقدار F 1 82.7 درصد است.

4. نتیجه گیری

تطبیق اشیاء چند مقیاسی، فناوری کلیدی است که در به‌روزرسانی‌های آبشاری و ادغام داده‌های فضایی چند مقیاسی استفاده می‌شود. این مطالعه نوعی روش تطبیق مناطق مسکونی چند مقیاسی را بر اساس الگوریتم RVM و یادگیری فعال ارائه می‌کند. این قانون برای ادغام و نه ساده‌سازی روش، با استفاده از مثلث‌سازی Delaunay، که روابط یک به چند یا چند به چند را در تطبیق مناطق مسکونی به روابط یک به یک تبدیل می‌کند، و در نتیجه اندازه‌گیری را تسهیل می‌کند، پیشنهاد می‌کند. از تشابه هندسی با توجه به ویژگی‌های اشیاء منطقه چند مقیاسی، پنج ویژگی موقعیت، مساحت، شکل، جهت و محیط اطراف برای دستیابی به اندازه‌گیری‌های شباهت انتخاب می‌شوند. بهبود اندازه گیری تشابه جهت گیری با استفاده از هیستوگرام طرح ریزی ناحیه به دست می آید، و یک روش مبتنی بر شبکه برای اندازه گیری شباهت محیطی طراحی شده است. روش طبقه بندی RVM می تواند از کار دستی برای تعیین وزن ها و مقادیر آستانه اجتناب کند. استراتژی یادگیری فعال با تعداد کمی از نمونه های برچسب دار به نتایج طبقه بندی معقولی می رسد که می تواند کار علامت گذاری نمونه ها را به صورت دستی کاهش دهد. این کار اتوماسیون و فکری تطبیق موجودیت های فضایی چند مقیاسی را افزایش می دهد.

با استفاده از آزمایش تطبیق که از مناطق مسکونی در مقیاس 1:5000 و مناطق مسکونی در مقیاس 1:25000 استفاده می‌کند، نشان داده می‌شود که روش پیشنهادی مزایای آشکاری در ادغام موجودیت، اندازه‌گیری شباهت و تطبیق در مقایسه با سایر روش‌ها دارد. دقت کلی تطبیق بیش از 90٪ است، دقت 1:1 بالاترین و دو مورد دیگر (1: m و m : n ) نیز دارای دقت تطبیق بالایی هستند. با این حال، این روش هنوز نیاز به پیشرفت‌های بیشتری دارد: (1) اندازه‌گیری شباهت شکل به توسعه بیشتر نیاز دارد تا برای موجودیت‌های ناحیه‌ای که اشکال بسیار پیچیده‌ای دارند (مثلاً موجودیت ناحیه‌ای با حفره‌های زیاد) مناسب باشد. و (2) زمانی که مقادیر m و nدر روابط تطبیق 1: m و m : n نسبتاً بزرگ هستند ، آنها نامزدهای بیشتری را برای تطبیق ایجاد می کنند که به زمان پردازش طولانی تری نیاز دارد. بنابراین، فرآیند انتخاب گروه‌های همسان نیازمند بهبود بیشتر برای افزایش کارایی است.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است

GIS	سیستم اطلاعات جغرافیایی
RVM	ماشین بردار ربط
SVM	ماشین بردار پشتیبانی
SMBR	کوچکترین حداقل مستطیل مرزی

منابع

کوپر، الف. مفاهیم به روز رسانی و نسخه سازی افزایشی. در مجموعه مقالات بیست و یکمین کنفرانس بین المللی کارتوگرافی، دوربان، آفریقای جنوبی، 10-16 اوت 2003.
ژانگ، ایکس. گوا، تی. هوانگ، جی. Xin، Q. انتشار به‌روزرسانی‌های مناطق مسکونی در پایگاه‌های داده چند بازنمایی با استفاده از مثلث‌سازی‌های محدود شده Delaunay. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 80. [ Google Scholar ] [ CrossRef ]
Haunert، JH; Sester, M. انتشار به روز رسانی بین مجموعه داده های مرتبط با مقیاس های مختلف. در مجموعه مقالات XXII کنفرانس بین المللی کارتوگرافی، A Coruña، اسپانیا، 9-16 ژوئیه 2005.
Qi، HB; Li، ZL; Chen, J. تشخیص تغییر خودکار برای به‌روزرسانی سکونتگاه‌ها در نقشه‌های مقیاس کوچکتر از نقشه‌های به‌روزشده در مقیاس بزرگتر. جی. اسپات. علمی 2010 ، 55 ، 133-146. [ Google Scholar ] [ CrossRef ]
یینگ، اس. ون، دبلیو. وان، ی. Duan, X. مدلسازی تکامل فضایی اشیاء نقشه توسط عوامل نقشه. Geocarto Int. 2016 ، 31 ، 408-427. [ Google Scholar ] [ CrossRef ]
سمال، ع. ست، اس. Cueto1، K. یک رویکرد مبتنی بر ویژگی برای ترکیب منابع جغرافیایی. بین المللی جی. جئوگر. Inf. علمی 2004 ، 18 ، 459-489. [ Google Scholar ] [ CrossRef ]
ووگلین، اف. علی، ABH تطبیق هندسی سطوح چند ضلعی در GIS. در مجموعه مقالات نشست سالانه ASPRS، تامپا، FL، ایالات متحده آمریکا، 30 مارس تا 3 آوریل 1998.
گوسلن، جی. Sester, M. تغییر تشخیص و ادغام به روز رسانی های توپوگرافی از ATKIS به مجموعه داده های زمین شناسی. در اطلاعات جغرافیایی نسل بعدی ; CRC Press: Boca Raton، FL، USA، 2005; صص 85-100. [ Google Scholar ]
Min، D. ژیلین، ال. Xiaoyong، C. فاصله Hausdorff طولانی برای اشیاء فضایی در GIS. بین المللی جی. جئوگر. Inf. علمی 2007 ، 21 ، 459-475. [ Google Scholar ] [ CrossRef ]
تانگ، ایکس. لیانگ، دی. Jin, Y. روش تطبیق شی جاده خطی برای ادغام بر اساس بهینه سازی و رگرسیون لجستیک. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 824-846. [ Google Scholar ] [ CrossRef ]
آی، تی. چنگ، ایکس. لیو، پی. یانگ، ام. تحلیل شکل و تطبیق الگوی ویژگی‌های ساختمان با روش تبدیل فوریه. محاسبه کنید. محیط زیست سیستم شهری 2013 ، 41 ، 219-233. [ Google Scholar ] [ CrossRef ]
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 ]
فو، ز. Lu, Y. ایجاد مدل جامع برای تشابه موجودیت چند ضلعی با استفاده از تابع پیچیده شعاع خمشی. Acta Geod. کارتوگر. گناه 2013 ، 42 ، 145-151. [ Google Scholar ]
هاستینگز، JT ترکیب خودکار داده های روزنامه دیجیتال. بین المللی جی. جئوگر. Inf. علمی 2008 ، 22 ، 1109-1127. [ Google Scholar ] [ CrossRef ]
Shao, S. Researehes and Applications on Polygon Entity Matching برای داده های برداری چند مقیاسی بر اساس ویژگی های هندسی . دانشگاه ووهان: ووهان، چین، 2011. [ Google Scholar ]
لو، جی. ژانگ، ایکس. چی، ال. Guo, T. روش تطبیق موقعیت سریع و ترکیب بهینه شیء بردار تغییر. Acta Geod. کارتوگر. گناه 2014 ، 43 ، 1285-1291. [ Google Scholar ]
ها، ی. یو، ک. Heo, J. تشخیص جفت نقطه مزدوج برای تراز نقشه بین دو مجموعه داده چند ضلعی. محاسبه کنید. محیط زیست سیستم شهری 2011 ، 35 ، 250-262. [ Google Scholar ] [ CrossRef ]
کیلر، بی. هوانگ، دبلیو. Haunert، JH; جیانگ، جی. تطبیق مجموعه داده‌های رودخانه در مقیاس‌های مختلف. در پیشرفت در GIScience ; Springer: برلین/هایدلبرگ، آلمان، 2009; صص 135-154. [ Google Scholar ]
کیم، جو. یو، ک. هیو، جی. Lee, WH 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 ]
ژانگ، ایکس. آی، تی. استوتر، جی. ژائو، ایکس. تطبیق داده‌های چند ضلعی‌های ساختمانی در مقیاس‌های چندگانه نقشه با اطلاعات متنی و آرامش بهبود یافته است. ISPRS J. Photogramm. Remote Sens. 2014 ، 92 ، 147-163. [ Google Scholar ] [ CrossRef ]
والتر، وی. Fritsch، D. تطبیق مجموعه داده های مکانی: یک رویکرد آماری. بین المللی جی. جئوگر. Inf. علمی 1999 ، 13 ، 445-473. [ Google Scholar ] [ CrossRef ]
تانگ، ایکس. شی، دبلیو. دنگ، اس. روش تطبیق ویژگی چند اندازه گیری مبتنی بر احتمال در ترکیب نقشه. بین المللی J. Remote Sens. 2009 ، 30 ، 5453-5472. [ Google Scholar ] [ CrossRef ]
صفرا، ای. کانزا، ی. ساگیو، ی. بیری، سی. Doytsher, Y. الگوریتم‌های مبتنی بر مکان برای یافتن مجموعه‌هایی از اشیاء متناظر بر روی چندین مجموعه داده‌های جغرافیایی-مکانی. بین المللی جی. جئوگر. Inf. علمی 2010 ، 24 ، 69-106. [ Google Scholar ] [ CrossRef ]
لیو، پی. ژانگ، ی. Gong، J. Root میانگین مربعات خطا و رویکرد تطبیق رابطه همسایه برای ویژگی منطقه چند مقیاسی. Acta Geod. کارتوگر. گناه 2014 ، 43 ، 419-425. [ Google Scholar ]
ژانگ، ایکس. ژائو، ایکس. مولنار، م. استوتر، جی. کراک، ام جی. Ai، T. رویکردهای طبقه‌بندی الگو برای تطبیق چند ضلعی‌های ساختمانی در مقیاس‌های چندگانه. در ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences ; XXII کنگره ISPRS; انجمن بین المللی فتوگرامتری و سنجش از دور: Tempe، AZ، ایالات متحده آمریکا، 2012; جلد I-2، صص 19-24. [ Google Scholar ]
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 ]
فیشر، جی. تجسم ارتباط میان بدنه محدب، نمودار ورونوی و مثلث سازی دلون. در مجموعه مقالات سی و هفتمین سمپوزیوم آموزش و محاسبات غرب میانه، مینیاپولیس، MN، ایالات متحده، 16-17 آوریل 2004.
لی، دبلیو. Goodchild، MF; چرچ، R. یک اندازه گیری کارآمد از فشردگی برای اشکال دو بعدی و کاربرد آن در مسائل منطقه بندی. بین المللی جی. جئوگر. Inf. علمی 2013 ، 27 ، 1227-1250. [ Google Scholar ] [ CrossRef ]
پیتر، بی. Weibel, R. استفاده از تکنیک های بردار و شطرنجی در تعمیم نقشه طبقه بندی شده. در مجموعه مقالات سومین کارگاه ICA در مورد پیشرفت در تعمیم خودکار نقشه، اتاوا، ON، کانادا، 12-14 اوت 1999.
ژانگ، ایکس. شیائو، پی. آهنگ، X. She, J. روش تقسیم بندی چند مقیاسی محدود با مرز برای تصاویر سنجش از دور. ISPRS J. Photogramm. Remote Sens. 2013 ، 78 ، 15-25. [ Google Scholar ] [ CrossRef ]
رول، پی. آنتوان، ب. تطبیق خودکار ویژگی‌های ساختمان با سطوح مختلف جزئیات: مطالعه موردی. در مجموعه مقالات بیست و چهارمین کنفرانس بین المللی کارتوگرافی، سانتیاگو، شیلی، 15 تا 19 نوامبر 2009.
انعام، یادگیری بیزی پراکنده ME و ماشین بردار مربوط. جی. ماخ. فرا گرفتن. Res. 2001 ، 1 ، 211-244. [ Google Scholar ]
وو، ی. کوزینتسف، آی. Bouguet, JY; Dulong، C. استراتژی‌های نمونه‌گیری برای یادگیری فعال در بازیابی عکس شخصی. در مجموعه مقالات کنفرانس بین المللی IEEE در سال 2006 در چند رسانه ای و نمایشگاه، تورنتو، ON، کانادا، 9 تا 12 ژوئیه 2006. صص 529-532.

شکل 1. تطبیق داده های چند مقیاسی مثال زده شده (اشیاء مقیاس بزرگتر و کوچکتر به ترتیب خاکستری و سفید هستند). ( الف ) 1:1; ( ب ) 1:0; ( ج ) m :1; ( د ) m : n .

شکل 2. چارچوب کلی.

شکل 3. استفاده از مثلث سازی Delaunay برای ادغام مناطق مسکونی.

شکل 4. چرخش جسم: ( a ) در خلاف جهت عقربه های ساعت می چرخد تا ( b ) به دست آید، و ( c ) در خلاف جهت عقربه های ساعت می چرخد تا ( d ) به دست آید.

شکل 5. هیستوگرام های ناحیه تصویری: ( الف ) شکل 4 ب هیستوگرام تصویری ناحیه برحسب محور x . ( ب ) شکل 4 b هیستوگرام تصویری ناحیه بر اساس محور y . ( ج ) شکل 4 هیستوگرام تصویری منطقه d بر اساس محور x ، و ( د ) شکل 4 هیستوگرام تصویری منطقه d بر اساس محور y .

شکل 6. شباهت محیطی مبتنی بر شبکه: ( الف ) شبکه ای که توسط داده های مقیاس کوچک ساخته شده است. و ( ب ) شبکه ساخته شده توسط داده های مقیاس بزرگ.

شکل 7. RVM و یادگیری فعال برای ساخت طبقه بندی کننده.

شکل 8. مثالی از تطبیق چندگانه.

شکل 9. داده های تجربی: ( الف ) نقشه گوانگژو. ( ب ) مناطق مسکونی 1:5000، و ( ج ) 1:25000 مناطق مسکونی.

شکل 10. با استفاده از دو رویکرد ادغام، مقادیر شباهت را بین جفت تطبیق قرار دهید.

شکل 11. مقادیر تشابه جهت بین جفت تطبیق با استفاده از دو رویکرد ادغام.

شکل 12. مقادیر شباهت منطقه بین جفت تطبیق با استفاده از دو رویکرد ادغام.

شکل 13. مقادیر تشابه شکل بین جفت تطبیق با استفاده از دو رویکرد ادغام.

شکل 14. نمونه هایی از ادغام ویژگی ها: ( الف ) مناطق مسکونی در مقیاس بزرگ. ( ب ) مناطق مسکونی در مقیاس کوچک؛ ( ج ) اثر ادغام روش مبتنی بر بدنه محدب. و ( د ) اثر ادغام روش پیشنهادی.

شکل 15. نمونه ای از متریک شاخص تشابه جهت.

شکل 16. آمار تعداد صحیح دسته ها در نمونه های آزمایشی.

شکل 17. نمایش اثر تطبیق: ( الف ) نمایش جهانی; ( ب ) اثر تطبیق اشیاء پیچیده. ( ج ) اثر تطبیق اشیاء ساده.

شکل 18. نمونه ای از تطبیق چندگانه.

شکل 19. محاسبه دقت انواع تطبیق با روش پیشنهادی.

جدول 1. نمونه ای از نمونه های آموزش اولیه.

جدول 2. میانگین شباهت محاسبه شده با روش های مختلف ادغام.

جدول 3. ارزیابی آماری روش پیشنهادی و روش های دیگر.

جدول 4. مقادیر قابلیت اطمینان تطبیق.

© 2017 توسط نویسندگان. دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC BY) ( http://creativecommons.org/licenses/by/4.0/ ) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب