نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube

 

خلاصه

کنسرسیوم فضایی باز (OGC) زبان نشانه گذاری جغرافیایی (GML) به صراحت دانش فضایی جغرافیایی را در حالت متنی نشان می دهد. انواع مشکلات فازی ناگزیر در بیان دانش فضایی مواجه خواهند شد. به خصوص برای آن عبارات در حالت متن، این مبهم گسترده تر خواهد بود. توصیف و نشان دادن فازی در GML ضروری به نظر می رسد. سه نوع فازی در GML را می توان یافت: فازی عنصر، فازی زنجیره ای و فازی صفت. هر دو فازی عنصر و فازی زنجیره ای به بازتاب فازی بین عناصر GML تعلق دارند و سپس، نمایش فازی بودن زنجیره را می توان با نمایش فازی عنصر در GML جایگزین کرد. بر اساس نظریه مجموعه نرم مبهم، دو نوع مدل سازی، مجموعه نرم مبهم مدل‌سازی تعریف نوع سند GML (DTD) و مدل‌سازی طرح‌واره مجموعه نرم مبهم GML، به ترتیب برای مدل‌سازی فازی در طرحواره GML DTD و GML پیشنهاد شده‌اند. پنج عنصر یا جفت، مرتبط با مجموعه‌های نرم مبهم، معرفی شده‌اند. سپس، DTD ها و طرحواره های پنج عنصر به ترتیب با توجه به زنجیره های مختلف و انواع داده های فازی مختلف طراحی و ارائه می شوند. در حالی که معرفی پنج عنصر یا جفت اساس مدل‌سازی GML مجموعه نرم مبهم است، تغییرات DTD و طرحواره مربوطه برای اجرای مدل‌سازی کلیدی هستند. ایجاد مجموعه نرم مبهم GML GML را قادر می سازد تا فازی بودن را نشان دهد و مشکل عدم بیان اطلاعات فازی در GML را حل می کند. پنج عنصر یا جفت، مرتبط با مجموعه‌های نرم مبهم، معرفی شده‌اند. سپس، DTD ها و طرحواره های پنج عنصر به ترتیب با توجه به زنجیره های مختلف و انواع داده های فازی مختلف طراحی و ارائه می شوند. در حالی که معرفی پنج عنصر یا جفت اساس مدل‌سازی GML مجموعه نرم مبهم است، تغییرات DTD و طرحواره مربوطه برای اجرای مدل‌سازی کلیدی هستند. ایجاد مجموعه نرم مبهم GML GML را قادر می سازد تا فازی بودن را نشان دهد و مشکل عدم بیان اطلاعات فازی در GML را حل می کند. پنج عنصر یا جفت، مرتبط با مجموعه‌های نرم مبهم، معرفی شده‌اند. سپس، DTD ها و طرحواره های پنج عنصر به ترتیب با توجه به زنجیره های مختلف و انواع داده های فازی مختلف طراحی و ارائه می شوند. در حالی که معرفی پنج عنصر یا جفت اساس مدل‌سازی GML مجموعه نرم مبهم است، تغییرات DTD و طرحواره مربوطه برای اجرای مدل‌سازی کلیدی هستند. ایجاد مجموعه نرم مبهم GML GML را قادر می سازد تا فازی بودن را نشان دهد و مشکل عدم بیان اطلاعات فازی در GML را حل می کند. در حالی که معرفی پنج عنصر یا جفت اساس مدل‌سازی GML مجموعه نرم مبهم است، تغییرات DTD و طرحواره مربوطه برای اجرای مدل‌سازی کلیدی هستند. ایجاد مجموعه نرم مبهم GML GML را قادر می سازد تا فازی بودن را نشان دهد و مشکل عدم بیان اطلاعات فازی در GML را حل می کند. در حالی که معرفی پنج عنصر یا جفت اساس مدل‌سازی GML مجموعه نرم مبهم است، تغییرات DTD و طرحواره مربوطه برای اجرای مدل‌سازی کلیدی هستند. ایجاد مجموعه نرم مبهم GML GML را قادر می سازد تا فازی بودن را نشان دهد و مشکل عدم بیان اطلاعات فازی در GML را حل می کند.
کلید واژه ها: 

زبان نشانه گذاری جغرافیا (GML) ; تعریف نوع سند (DTD) ; طرحواره ; مجموعه نرم مبهم ; مدل سازی فازی

 

1. معرفی

همه انواع مسائل فازی ناگزیر مواجه خواهند شد زیرا بسیاری از پدیده های طبیعی دارای ویژگی های فازی در بیان دانش فضایی هستند [ 1 ]. به خصوص برای عبارات مبتنی بر متن، این مبهم گسترده تر خواهد بود. زبان نشانه گذاری جغرافیایی OpenGIS (GML) نوعی متن رمزگذاری اطلاعات مکانی است که بر اساس دستور زبان نشانه گذاری توسعه پذیر (XML) است و برای مدل سازی، ذخیره سازی و انتقال داده های مکانی استفاده می شود. به دلیل بیان صریح دانش مکانی جغرافیایی، GML به ابزار مهمی برای مقابله با اطلاعات مکانی جغرافیایی تبدیل شده است، و استانداردی برای نمایش و تبادل داده های مکانی از طریق وب است [ 2 ].
اولفت یک رویکرد همگام سازی جدید، مبتنی بر GML، برای به روز رسانی خودکار عناصر فراداده [ 3 ] پیشنهاد کرد. گرامر شکل GML را می توان برای مدل سازی استفاده کرد، از جمله مدل های ساختمان سه بعدی غنی شده از نظر معنایی [ 4 ]، مدل سازی شبکه های حمل و نقل [ 5 ]، مدل داده های مکانی سه بعدی مبتنی بر GML برای اطلاعات علوم زمین در معادن زغال سنگ [ 6 ]، و یک مدل طرح واره ذخیره سازی جدید برای GML اسناد، از جمله اطلاعات مکانی و غیر مکانی [ 7 ]. هائو تجزیه و تحلیل فضایی مبتنی بر گرافیک برداری مقیاس پذیر (SVG) را معرفی کرد و سپس دو مطالعه موردی را طراحی و اجرا کرد [ 8]]. از آنجایی که خدمات اطلاعاتی و مدیریت متناظر آنها بر دستگاه های تلفن همراه به طور قابل توجهی افزایش یافته است، یک سیستم نظارت بر ردیابی دستگاه تلفن همراه مبتنی بر GML [ 9 ] و تجسم نقشه GML در دستگاه های تلفن همراه [ 10 ] از طریق یک مطالعه موردی برای نشان دادن چگونگی GML همه منظوره مورد مطالعه قرار گرفتند. استاندارد می تواند به منظور توصیف جامع ترین مجموعه داده های جغرافیایی [ 11 ] مورد استفاده قرار گیرد. Hu [ 12 ] برنامه ای را اجرا کرد که شرایط تأیید ناخوانا فایل های GML را به تصویر می کشد. از آنجایی که ذخیره و انتقال اسناد GML بسیار پرهزینه است، یک رویکرد جدید و مؤثر برای اسناد GML [ 13] و یک رویکرد برای انتقال فشرده سازی کارآمد طرحواره GML، به نام فشرده سازی جریان داده های GML (GDSC) پیشنهاد شد [ 14 ]. GML زبان جدیدی است که هنوز در حال توسعه است، اما به یک رسانه کارآمدتر برای کاربردهای مکانی تبدیل شده است [ 15 ]. نحوه بازیابی منابع اطلاعاتی در سیستم‌های GIS ناهمگن توزیع‌شده، و نحوه ادغام این داده‌های چند منبعی با استفاده از GML برای حل اطلاعات مکانی چند منبع، چند سطحی و چند بعدی در منابع [16، 17، ارائه شده است . 18 ]. وو [ 19] رویکردی برای تبدیل یک مدل داده کلاس بنیاد صنعتی (IFC) به مدل داده GML، از جمله روش‌شناسی و توسعه ابزار، پیشنهاد کرد. لیک [ 20 ] از طریق برخی مطالعات موردی زمین شناسی ساده، کاربرد GML را در علوم زمین شناسی معرفی کرد. گائو [ 21 ] طراحی و پیاده سازی الگوریتم های ضروری را برای تجزیه طرحواره GML ارائه کرد. چن [ 22 ] GXQuery را بر اساس XQuery تعریف کرد و قابلیت کاربرد آن را از طریق مثال‌های معمولی ارائه کرد. این مطالعات GML را از مدل‌سازی، تجزیه، ذخیره‌سازی، انتقال و تجسم تا کاربردهای آن مورد بحث قرار دادند. با این حال، باید توجه داشت که همه اینها بر اساس یک روش نمایش واضح برای GML هستند. به عنوان مثال، با استفاده از مجموعه‌ای از مختصات واضح، (-1776.6145، 436.55563، 0.0، -1176.6145، 436.55563، 0.0، −1176.6145، 1036.55563، 0.0، 1176.6145، 1036.55563، 1036.55563، 0.0، 1036.55563، 0.0، 1036.55563، 0.0. 6.55563، 0.0)، برای نشان دادن a سطح برای یک شی ستون سه بعدی [ 19]. در این حالت، یا سطح یا رأس آن به وضوح نشان داده می شود. در واقع، عدم قطعیت، از جمله فازی، اغلب به عنوان دانش ناقص در مدل‌سازی پدیده‌های طبیعی ظاهر می‌شود 1]]. گاهی اوقات، برای مثال، در یک شهر غریب، به دلیل این دانش ناقص، به سختی می توان موضع را به وضوح بیان کرد. در این راستا، یا برای به دست آوردن نتایج بهتر، و برای درک بهتر دنیای واقعی [ 2 ]، یک روش نمایش فازی برای GML باید توسعه یابد. در غیر این صورت، برخی از دانش ناقص در GML از بین می رود.
در ابزارهای ریاضی، یک نمایش معمولی از عبارات فازی، نظریه مجموعه های فازی است که توسط زاده در سال 1965 معرفی شد [ 23 ]. بر اساس نظریه مجموعه های فازی، موکرجی و گوش [ 2] یک قطعه GML فازی را ارائه کرد که در خدمات وب فضایی استفاده می شود. یک عنصر Val، <Val Poss = مقدار فازی>، از جمله ویژگی Poss، برای نمایش “درجه عضویت” نظریه مجموعه فازی تعریف شد. در قطعه GML داده شده، نزدیکی، نشان‌داده‌شده توسط عنصر Val، میدان‌های شالیزاری فرضی با مرز فازی در GML فازی که بر اساس طرح‌واره GML فازی توسعه‌یافته است، نشان داده می‌شود. این مرز فازی به این معنی است که مرز به جای واضح بودن، یک انتقال صاف دارد. با این حال، ادبیات عمدتاً بر بحث در مورد چگونگی توسعه یک چارچوب منطق فازی برای ادغام و به اشتراک گذاری اطلاعات مکانی ناهمگن در میان منابع داده های توزیع شده تأکید دارد [2 ]]. جزئیات نحوه توسعه عنصر Val مورد بحث قرار نگرفته است و یک مدل سازی GML فازی برای DTD ارائه نشده است. علاوه بر این، برای تئوری مجموعه های فازی، یک محدودیت این است که یک مجموعه فازی فقط مقداری بین صفر تا یک را برای نمایش «درجه عضویت» می گیرد. در این رابطه و برای بسط نظریه مجموعه های فازی، گاو و بوهرر [ 24 ] نظریه مجموعه های مبهم را در سال 1993 ارائه کردند که در آن یک مجموعه مبهم با یک تابع عضویت صدق و یک تابع عضویت کاذب تعریف می شود یا دو مقدار می گیرد. بین صفر و یک به ترتیب نشان دهنده «درجه عضویت صدق» و «درجه عضویت کاذب» است. هر دو نظریه، نظریه مجموعه های فازی یا نظریه مجموعه های مبهم، مشکلات خاص خود را دارند. یکی از مشکلات عمده ممکن است به دلیل ناکافی بودن ابزارهای پارامتری برای این نظریه ها باشد.25 ]. برای غلبه بر این مشکل، Xu و همکاران. [ 26 ] مفهوم مجموعه های نرم مبهم را بر اساس نظریه مجموعه های نرم [ 27 ] و نظریه مجموعه های مبهم معرفی کرد. یک مجموعه نرم مبهم، نه تنها اطلاعات فازی را در مقایسه با یک مجموعه فازی با دقت بیشتری نشان می دهد، بلکه می تواند فازی بودن پارامترهای مرتبط با یک مجموعه مبهم را نیز نشان دهد.
هدف اصلی این مقاله توسعه یک مدل GML فازی برای نشان دادن ابهام در GML بر اساس تئوری مجموعه نرم مبهم است که شامل یک مدل مجموعه نرم مبهم GML تعریف نوع سند (DTD) و یک مدل طرح واره مجموعه نرم مبهم GML است. بقیه این مقاله به شرح زیر سازماندهی شده است. بخش 2 مفهوم مجموعه‌های نرم مبهم را ارائه می‌کند و به دنبال آن مفهوم نظریه مجموعه‌های مبهم و نظریه مجموعه‌های نرم را ارائه می‌کند و بر تحلیل فازی که ممکن است در GML وجود داشته باشد تمرکز می‌کند. در بخش 3 ، مدل سازی GML مجموعه نرم مبهم به تفصیل مورد بحث قرار گرفته است. بخش 4 بحثی را ارائه می کند. برخی از نظرات پایانی در بخش 5 ارائه شده است .

2. روش شناسی

2.1. مجموعه های نرم مبهم

مفهوم نظریه مجموعه مبهم در اصل توسط Gau و Buehrer [ 24 ] به منظور گسترش نظریه مجموعه های فازی ارائه شده توسط زاده [ 23 ] ارائه شد. مجموعه ای مبهم، A ، در کیهان �={ایکس1،ایکس2،…،ایکس�}را می توان با مفهوم زیر بیان کرد: آ={(ایکسمن،[تیآ(ایکسمن)،1–�آ(ایکسمن)])|ایکسمن∈�}، یعنی آ(ایکسمن)=[تیآ(ایکسمن)،1–�آ(ایکسمن)]و شرایط 0≤تیآ(ایکسمن)≤1–�آ(ایکسمن)باید برای هر ایکسمن∈�، جایی که تیآ(ایکسمن)درجه عضویت (حقیقت-عضویت) عنصر است ایکسمنبه مجموعه مبهم A ، در حالی که �آ(ایکسمن)درجه عدم عضویت (عضویت کاذب) عنصر است ایکسمنبرای تنظیم A [ 24 ].
هنگامی که جهان U پیوسته است، مجموعه مبهم A را می توان به صورت زیر نوشت:

آ=🔻�[تیآ(ایکس)،1–�آ(ایکس)]/ایکس;ایکس∈�.
وقتی جهان U گسسته است، مجموعه مبهم A را می توان به صورت زیر نوشت:

آ=∑من=1�[تیآ(ایکسمن)،1–�آ(ایکسمن)]/ایکسمن;ایکسمن∈�.
مولودتسوف [ 27 ] نظریه مجموعه های نرم را در سال 1999 معرفی کرد. مجموعه نرم یک خانواده پارامتری از زیر مجموعه های مجموعه جهانی است. فرض کنید U یک مجموعه اولیه جهان، و P ( U ) مجموعه توان U ، E مجموعه ای از پارامترها و آ⊆�. یک جفت ( F , A ) یک مجموعه نرم روی U نامیده می شود که در آن F نگاشت داده شده توسط اف:آ→پ(�)[ 27 ].
با ترکیب نظریه مجموعه‌های مبهم با نظریه مجموعه‌های نرم، مفهوم مجموعه‌های نرم مبهم توسط Xu و همکاران معرفی شد. [ 26 ]. مجموعه نرم مبهم روی U یک خانواده پارامتری از مجموعه مبهم جهان U است . فرض کنید U یک مجموعه اولیه جهان باشد، V ( U ) مجموعه ای از همه مجموعه های مبهم در U است ، و E مجموعه ای از پارامترها و آ⊆�. یک جفت ( F , A ) یک مجموعه نرم مبهم در U نامیده می شود که در آن F نگاشت داده شده توسط اف:آ→�(�)[ 26 ]. نمونه ای از یک مجموعه نرم مبهم در مورد نشانه ها به شرح زیر است:
مثال  1.

یک مجموعه نرم مبهم (F, E) را در نظر بگیرید، که در آن U مجموعه ای از سه نشانه است که با U = {u 1 , u 2 , u 3 } نشان داده می شود و E یک مجموعه پارامتر است که در آن E = {e 1 , e 2 } = {قابلیت مشاهده، اهمیت فرهنگی}. مجموعه نرم مبهم (F، E) اهمیت نشانه ها را توصیف می کند .
اجازه دهید:

اف(ه1)=([تیاف(ه1)(تو1)،1–�اف(ه1)(تو1)]تو1،[تیاف(ه1)(تو2)،1–�اف(ه1)(تو2)]تو2،[تیاف(ه1)(تو3)،1–�اف(ه1)(تو3)]تو3)،اف(ه2)=([تیاف(ه2)(تو1)،1–�اف(ه2)(تو1)]تو1،[تیاف(ه2)(تو2)،1–�اف(ه2)(تو2)]تو2،[تیاف(ه2)(تو3)،1–�اف(ه2)(تو3)]تو3)،

سپس خانواده پارامتر شده { F ( e i )| i = 1، 2} از مجموعه های مبهم در U یک مجموعه نرم مبهم است ( F ، E ).

2.2. Fuzziness در GML

GML از عناصر و ویژگی هایی تشکیل شده است که در آن عناصر برای توصیف داده ها و ویژگی ها برای توصیف عنصری که به آن تعلق دارند استفاده می شود. یک قطعه GML معمولی به صورت زیر نشان داده شده است:
مثال  2.

یک قطعه GML از یک نقطه عطف
  <gml:Featuretype Name="Landmark">
  <gml:description>نمادهای شهر</gml:description>
  <gml:name>Graben_29A</gml:name>
  <gml:geometricPropertytype Name="point">
  <gml:Point>
  <gml:coord>
  <gml:X>100</gml:X>
  <gml:Y>50</gml:Y>
  </gml:coord>
  </gml:Point>
  </gml:geometricProperty>
  </gml:Feature>
این قطعه برخی از اطلاعات مکانی یک نقطه عطف را توصیف می کند. عنصر gml:Feature و عنصر gml:geometricProperty نام مشخصه یکسانی دارند، typeName، اما متفاوت هستند زیرا به عناصر مختلف تعلق دارند. در حالی که عناصر gml:description، gml:name، gml:X و gml:Y مستقیماً حاوی داده‌های خود هستند، عناصر gml:Feature، gml:geometricProperty، gml:Point و gml:coord حاوی عناصر فرزند خود هستند. برای مثال، عناصرgml:X و gml:Y دو عنصر فرزند عنصر gml:coord هستند و عنصر gml:coord نیز یک عنصر فرزند از عنصر gml:Point است. روابط بین این عناصر نشان دهنده نوعی زنجیره از عناصر GML است.

2.2.1. نمایش فازی با استفاده از مجموعه های نرم مبهم

اطلاعات مکانی اغلب فازی هستند، و بنابراین داده های مورد استفاده برای توصیف اطلاعات مکانی ارائه شده در GML نیز اغلب فازی هستند. در مثال 2، جفت <gml:name> و </gml:name> یک نام واضح از یک نشانه را توصیف می کنند و Graben_29A است. با این حال، یک نام نامی اغلب مبهم است زیرا ممکن است تحت تأثیر زبان، فرهنگ، محیط و غیره قرار گیرد. این ابهام نشان دهنده درجه ای از هویت برای نام نام است و در صورت استفاده از نظریه مجموعه های فازی ممکن است به عنوان “درجه عضویت” ظاهر شود. به عنوان مثال، فرض کنید که نشانه Graben_29A ممکن است دارای سه نام Graben_1، Graben_2 و Graben_3 باشد که به ترتیب مربوط به 80٪، 60٪ و 50٪ هویت است. سپس، فازی که توسط نظریه مجموعه های فازی نشان داده می شود ممکن است به ترتیب 0.8، 0.6 و 0.5 باشد. به طور مشابه، این ابهام که توسط نظریه مجموعه مبهم نشان داده می شود ممکن است [0.8، 0.9]، [0.6، 0.8]، و [0.5, 0.7]، یعنی آرای اسامی Graben_1، Graben_2 و Graben_3 “8 موافق، 1 مخالف و 1 ممتنع”، “6 موافق، 2 مخالف و 2 ممتنع” است. به ترتیب 5 رأی موافق، 3 رأی مخالف و 2 رأی ممتنع. علاوه بر این، نام‌های Graben_1، Graben_2 و Graben_3 را می‌توان برای ساخت یک مجموعه پارامتر استفاده کرد.E , که در آن E = { e 1 , e 2 , e 3 } = {Graben_1, Graben_2, Graben_3}. در صورت در نظر گرفتن بررسی نام نامی به روش های مختلف، مانند نظرسنجی های آنلاین و نظرسنجی های پرسشنامه میدانی، می توان یک جهان U را نیز ساخت که در آن U مانند U = { u 1 ، u 2 } = {بررسی آنلاین، بررسی پرسشنامه میدانی} باشد. مجموعه مبهم، مجموعه پارامترها و جهان بالا دقیقاً از یک مجموعه نرم مبهم تشکیل شده است و بنابراین ابهام را می توان با مجموعه های نرم مبهم نشان داد.

2.2.2. Fuzziness در GML

سه نوع فازی از ترکیب GML و رابطه بین عناصر GML را می توان در GML یافت که عبارتند از فازی بودن عنصر، فازی زنجیره ای و فازی صفت. فازی بودن عنصر، ابهام در عناصر است که به درجه تعلق یک عنصر فرزند به عنصر والد اشاره دارد. در نظریه مجموعه های فازی، این درجه به «درجه عضویت» اشاره دارد. به عنوان مثال، در مثال 2، جفت مختصات 100 و 50 که توسط عنصر gml:coord موجود است واضح است. با این حال، اگر موقعیت مکانی فازی باشد، درجه فازی مختصات باید بیان شود، که درجه تعلق عنصر فرزند gml:coord به عنصر والد آن gml:Point است. در واقع، فازی بودن عنصر تنها نوعی رابطه فازی بین دو سطح از عناصر است که والد و فرزند هستند.
فازی دوم، فازی زنجیره ای، گسترش فازی عنصر است که نشان دهنده ی فازی حداقل سه عنصر است. به عنوان مثال، در مثال 2، یک زنجیره gml:geometricProperty → gml:Point → gml:coord را از عنصر ریشه gml:geometricProperty در نظر بگیرید. فرض کنید که درجه عنصر فرزند gml:coord، متعلق به عنصر والد آن gml:Point، یک مقدار مبهم [ t coord , 1- f coord ] و درجه عنصر فرزند gml:Point متعلق به والد آن است. عنصر gml:geometricProperty، یک مقدار مبهم [ t Point ، 1- f Point ] است. سپس، درجه gml:coordelement، متعلق به عنصر gml:geometricProperty، یک مقدار مبهم [t coord-geom , 1- f coord-geom ] را می توان به صورت زیر نشان داد [ 24 ]:

تیج���د–�ه�متر=∨(تیج���د–تیپ�من�تی)،1–�ج���د–�ه�متر=∨((1–�ج���د)∧(1–�پ�من�تی)).
برای موقعیت های پیچیده تر، مانند زنجیره gml:A → gml:B → gml:D و زنجیره gml:A → gml:C → gml:D، دو زنجیره بین عنصر gml:A و عنصر gml:D وجود دارد. در این حالت، درجه عنصر gml:D متعلق به عنصر gml:A، مقدار مبهم [ t A-D , 1– f A-D ]، دارای دو مقدار است و برای به دست آوردن نتیجه نهایی می توان از عملیات max استفاده کرد:

تیآ–�=حداکثر(تیج1،تیج2)،1–�آ–�=حداکثر((1–�ج1)،(1–�ج2))

که در آن C1 و C2 مقادیر t و f بدست آمده از زنجیره gml:A → gml:B → gml:D و زنجیره gml:A → gml:C → gml:D را نشان می دهند.

آخرین فازی، فازی بودن صفت، به فازی بودن یک مقدار متعلق به یک ویژگی اشاره دارد. به طور سنتی، GML، مانند XML، ویژگی ها را محدود می کند تا یک مقدار واحد منحصر به فرد داشته باشد [ 2 ، 28 ]. یک مقدار مشخصه ممکن است نه تنها فازی باشد، بلکه ممکن است دارای دو نوع توزیع امکان باشد، به عنوان مثال، توزیع امکان منفصل و ربطی [ 2 ، 28] .]. توزیع امکان تفکیک کننده به حالتی اشاره دارد که برخی از اقلام داده دارای یک مقدار منحصر به فرد هستند، اما جایی که چنین مقداری تا کنون ناشناخته است. به عنوان مثال، در مثال 2، اگر مختصات X (gml:X) ناشناخته باشد، یک توزیع امکان تفکیک ممکن است به صورت {[0.8, 0.9]/98، [0.9، 0.9]/99، [0.9، 1.0]/ نمایش داده شود. 100، [0.8، 1.0]/101}. در مقابل، توزیع امکان ربطی به حالتی اطلاق می شود که یک ویژگی به طور همزمان دارای چندین مقدار در دسترس باشد، اما چنین مقادیری دانش کاملی در مورد ویژگی ندارند. به عنوان مثال، در مثال 2، اگر نقطه عطف Graben_29A به طور همزمان دارای سه نام Graben_1، Graben_2، و Graben_3 باشد، یک توزیع احتمال ربطی ممکن است به صورت Graben_1 با امکان [0.8، 0.9]، Graben_2 با امکان [0.6، 0.8]، و Graben_3 توصیف شود. امکان [0.5، 0.
بدیهی است که فازی عنصر یک مورد خاص از فازی بودن زنجیره است و نمایش فازی بودن زنجیره در GML همانند حالت فازی عنصر است، زیرا فازی عنصر تخریب فازی زنجیره است زمانی که یک زنجیره فقط دارای دو سطح عنصر باشد. علاوه بر این، محاسبه فازی زنجیره ای نیازی به نمایش در GML ندارد. بنابراین، برای سه نوع فازی، فقط فازی عنصر و فازی بودن صفت باید در نظر گرفته شود تا بتوان آن را در GML بیان کرد. با استفاده از این دو نوع مبهم، بخش بعدی مدل‌سازی GML DTD مجموعه نرم مبهم و مدل‌سازی طرح‌واره مجموعه نرم مبهم GML را بر اساس مجموعه‌های نرم مبهم ارائه می‌کند.
با توجه به استفاده از مجموعه های نرم مبهم برای نشان دادن فازی بودن، پنج عنصر زیر یا پنج جفت مرتبط با مجموعه های نرم مبهم معرفی شده اند.

  • <VagueSoftSets> و </VagueSoftSets> را جفت کنید، که شروع و پایان یک مجموعه نرم مبهم است.
  • جفت <Field> و </Field>، که شروع و پایان یک جهان است.
  • <SoftSet> و </SoftSet> را جفت کنید که شروع و پایان یک مجموعه نرم است.
  • <VagueSet> و </VagueSet> را جفت کنید، که شروع و پایان یک مجموعه مبهم است.
  • جفت <Distribution> و </Distribution> که شروع و پایان توزیع امکان است.
در این پنج عنصر، عنصر VagueSoftSets یک گره ریشه و عنصر Field یک گره فرزند از عنصر VagueSoftSets است. هنگامی که توزیع امکان وجود ندارد، عنصر SoftSet یک گره فرزند از عنصر Field است. در غیر این صورت، عنصر توزیع یک گره فرزند از عنصر Field است. به طور کلی، عنصر VagueSet یک گره فرزند از عنصر SoftSet است.

3. نتایج

3.1. مدل سازی GML DTD مجموعه نرم مبهم

GML DTD برای تعریف GML در GML 1.0 استفاده می شود. برای بیان فازی بودن در GML 1.0، برخی از عناصر سفارشی باید معرفی شوند، و DTDهای این عناصر سفارشی باید به ترتیب اصلاح شوند تا این عناصر سفارشی را در خود جای دهند. یک قطعه GML که پنج عنصر ذکر شده در بالا را معرفی می کند به صورت زیر نشان داده شده است:
مثال  3.

یک قطعه GML با داده های فازی .
  1. <landmarkModel>
  2. <city>گویلین</city>
  3. <LandmarkMembers>
  4. <VagueSoftSets>
  5. <فیلد FName="f1">
  6. <SoftSet SName="e1">
  7. <VagueSet TrueMembership="0.8" FalseMembership="0.1">
  8. <landmarkMember>
  9. <landmarkName>تپه خرطوم فیل</landmarkName>
  10. <district>جاده بینجیانگ</district>
  11. <description>نماد Guilin</description>
  12. <locationVSS>
  13. <PointVSS>
  14. <VagueSoftSets>
  15. <فیلد FName="f1">
  16. <Distribution Type="disjunctive">
  17. <SoftSet SName="e1">
  18. <VagueSet TrueMembership="0.9" FalseMembership="0.0">
  19. <coordinates>100200</coordinates>
  20. </VagueSet>
  21. </SoftSet>
  22. <SoftSet SName="e2">
  23. <VagueSet TrueMembership="0.9" FalseMembership="0.1">
  24. <coordinates>101200</coordinates>
  25. </VagueSet>
  26. </SoftSet>
  27. <SoftSet SName="e3">
  28. <VagueSet TrueMembership="0.8" FalseMembership="0.1">
  29. <coordinates>100,201</coordinates>
  30. </VagueSet>
  31. </SoftSet>
  32. </Distribution>
  33. </Field>
  34. </VagueSoftSets>
  35. </PointVSS>
  36. </locationVSS>
  37. <برجستگی>
  38. <VagueSoftSets>
  39. <فیلد FName="f1">
  40. <Distribution Type="conjunctive">
  41. <SoftSet SName="e1">
  42. <VagueSet TrueMembership="0.6" FalseMembership="0.3">اندازه نما</VagueSet>
  43. </SoftSet>
  44. <SoftSet SName="e2">
  45. <VagueSet TrueMembership="0.8" FalseMembership="0.1">فاکتور شکل</VagueSet>
  46. ​​</SoftSet>
  47. <SoftSet SName="e3">
  48. <VagueSet TrueMembership="0.7" FalseMembership="0.2">انحراف شکل</VagueSet>
  49. </SoftSet>
  50. <SoftSet SName="e4">
  51. <VagueSet TrueMembership="0.9" FalseMembership="0.0">رنگ (RGB)</VagueSet>
  52. </SoftSet>
  53. <SoftSet SName="e5">
  54. <VagueSet TrueMembership="0.6" FalseMembership="0.2">رنگ (HSB)</VagueSet>
  55. </SoftSet>
  56. <SoftSet SName="e6">
  57. <VagueSet TrueMembership="0.7" FalseMembership="0.1">قابلیت مشاهده</VagueSet>
  58. </SoftSet>
  59. <SoftSet SName="e7">
  60. <VagueSet TrueMembership="0.8" FalseMembership="0.1">اهمیت فرهنگی</VagueSet>
  61. </SoftSet>
  62. <SoftSet SName="e8">
  63. <VagueSet TrueMembership="0.9" FalseMembership="0.0">قابلیت شناسایی</VagueSet>
  64. </SoftSet>
  65. </Distribution>
  66. </Field>
  67. </VagueSoftSets>
  68. </salience>
  69. </landmarkMember>
  70. </VagueSet>
  71. </SoftSet>
  72. </Field>
  73. </VagueSoftSets>
  74. </landmarkMembers>
  75. </landmarkModel>
مثال 3 وضعیت مکان های دیدنی را در یک شهر توضیح می دهد. جفت <landmarkMembers> و </landmarkMembers> برای توصیف همه نشانه‌ها استفاده می‌شود، و جفت <landmarkMember> و </landmarkMember> بر وضعیت یک نقطه عطف تمرکز می‌کند. در خطوط 4 تا 7، داده های فازی که توسط یک مجموعه نرم مبهم نشان داده شده است، بین عنصر LandmarkMembers و عنصر LandmarkMember به منظور بیان درجه هویت فیل خرطومی Hilllandmark معرفی شده است، که در آن TrueMembership و FalseMembership دو ویژگی متعلق به VagueSet هستند. عنصر این دو ویژگی به ترتیب نشان دهنده حق عضویت و عضویت نادرست یک مجموعه مبهم است. صفت TrueMembership برابر با 0.8 و خصیصه FalseMembership برابر با 0.1 است، به این معنی که رای به Elephant Trunk Hilllandmark، به‌عنوان یکی از شاخصه‌های شهرستان گویلین، 8 رأی موافق، 1 رأی مخالف و 1 رأی ممتنع است. عنصر SoftSet دارای یک ویژگی SName برای نشان دادن نام پارامتر یک مجموعه پارامتر است. به طور مشابه، عنصر Field یک ویژگی FName برای نشان دادن نام جهان یک جهان دارد. دوباره، در خطوط 16-32 و خطوط 40-65، از جفت <Distribution> و </Distribution> برای نشان دادن انواع توزیع های احتمالی داده های فازی استفاده می شود. عنصر توزیع دارای یک ویژگی Type برای نمایش یک عملیات ربط یا تفکیک است، زیرا مقدار ویژگی Type برابر با “مرتبط” یا “تجزیه” است. در خطوط 16-32، با استفاده از یک مجموعه نرم مبهم، از توزیع امکان تفکیک کننده استفاده می شود تا نشان دهد که مختصات نقطه عطف، تا کنون، فازی هستند. مقادیر مبهم [0.9، 1.0]، [0.9، 0.9] و [0.8، 0. 9] به ترتیب امکان مختصات (100، 200)، (101، 200) و (100، 201) را برای نقطه عطف نشان می دهد. در خطوط 40 تا 65، داده‌های فازی درون جفت <Salience> و </Salience>، که با یک مجموعه نرم مبهم نشان داده شده‌اند، ویژگی‌های مهم یک نشانه را بیان می‌کنند، مانند اندازه نما، فاکتور شکل، انحراف شکل، رنگ RGB، رنگ. رنگ روشن اشباع (HSB)، قابلیت مشاهده، اهمیت فرهنگی، قابلیت شناسایی و غیره [29 ]. از آنجایی که تأثیر هر ویژگی اهمیت بر اهمیت نشانه متفاوت است، از جفت <VagueSet> و </VagueSet> برای نشان دادن این تأثیرات استفاده می شود. بنابراین، در این مورد، اهمیت نقطه عطف به هر هشت نوع ویژگی اهمیت برای یک ارزیابی جامع نیاز دارد، و بنابراین، یک عملیات ترکیبی از داده‌های فازی توزیع امکان اجرا خواهد شد.
به منظور تطبیق پنج عنصر ذکر شده در بالا، واضح است که DTDهای پنج عنصر باید بر این اساس اصلاح شوند. بخش بعدی بر روی اصلاح DTD برای مدل سازی GML DTD مجموعه نرم مبهم تمرکز خواهد کرد.
همانطور که در مثال 3 نشان داده شده است، پنج عنصر VagueSoftSets، Field، SoftSet، VagueSet و Distribution نه تنها می توانند یک عنصر والد یا فرزند سایر عناصر GML باشند، بلکه می توانند حاوی داده های متنی باشند و روابط والد-فرزند در آنها وجود داشته باشد. اگر “VE” برای نشان دادن پنج عنصر و “GE” برای نشان دادن یک عنصر معین موجود در GML یا در یک سند GML استفاده شود، DTD “VE” به صورت زیر نشان داده می شود:

  <!ELEMENT VE (#PCDATA|GE|VE)*>
  <!ATTLIST VE VAN VAT VVT>

که در آن VAN نام یک ویژگی است که با VAN = {FName, type, SName, TrueMembership, FalseMembership} و VAT نوع مشخصه ای است که با VAT = {CDATA, ID, IDREF, IDREFS, ENUM} و VVT نوع مشخص شده است. مقدار ویژگی که با VVT نشان داده می شود = {#REQUIRED، #IMPLIED، #FIXED، conjunctive، disjunctive}.

هنگامی که زنجیره “VE” VagueSoftSets → Field → SoftSet → VagueSet باشد، DTD های هر عنصر در این زنجیره به شرح زیر است:

  <!ELEMENT VagueSoftSets (Field+)>
  <!ELEMENT فیلد (SoftSet+)>
  <!ATTLIST فیلد FName CDATA #ضروری>
  <!ELEMENT SoftSet (VagueSet+)>
  <!ATTLIST SoftSet SName CDATA #ضروری>
  <!ELEMENT VagueSet (#PCDATA|GE)*>
  <!ATTLIST VagueSet TrueMembership CDATA "1.0" FalseMembership CDATA "0.0">
هنگامی که زنجیره “VE” VagueSoftSets → Field → Distribution → SoftSet → VagueSet باشد، DTD های هر عنصر در این زنجیره به شرح زیر است:

  <!ELEMENT VagueSoftSets (Field+)>
  <!ELEMENT فیلد (توزیع*)>
  <!ATTLIST فیلد FName CDATA #ضروری>
  <!ELEMENT توزیع (SoftSet+)>
  <!ATTLIST نوع توزیع (تجزیه|وابسته) "تجزیه">
  <!ELEMENT SoftSet (VagueSet+)>
  <!ATTLIST SoftSet SName CDATA #ضروری>
  <!ELEMENT VagueSet (#PCDATA|GE)*>
  <!ATTLIST VagueSet TrueMembership CDATA "1.0" FalseMembership CDATA "0.0">
سپس، آخرین DTD های “VE” با ترکیب این دو نوع DTD (نشان داده شده در بالا) به صورت زیر به دست می آیند:

  <!ELEMENT VagueSoftSets (Field+)>
  فیلد ELEMENT (SoftSet+|Distribution*)>
  <!ATTLIST فیلد FName CDATA #ضروری>
  <!ELEMENT توزیع (SoftSet+)>
  <!ATTLIST نوع توزیع (تجزیه|وابسته) "تجزیه">
  <!ELEMENT SoftSet (VagueSet+)>
  <!ATTLIST SoftSet SName CDATA #ضروری>
  <!ELEMENT VagueSet (#PCDATA|GE)*>
  <!ATTLIST VagueSet TrueMembership CDATA "1.0" FalseMembership CDATA "0.0">
اکنون کل DTD قطعه GML (مثال 3) به صورت زیر نشان داده شده است:

  <!ELEMENT landmarkModel (شهر، اعضای شاخص)>
  <!ELEMENT شهر (#PCDATA)>
  <!ELEMENT landmarkMembers (VagueSoftSets)>
  <!ELEMENT VagueSoftSets (Field+)>
  فیلد ELEMENT (SoftSet+|Distribution*)>
  <!ATTLIST فیلد FName CDATA #ضروری>
  <!ELEMENT SoftSet (VagueSet+)>
  <!ATTLIST SoftSet SName CDATA #ضروری>
  <!ELEMENT VagueSet (#PCDATA|LandmarkMember|مختصات)*>
  <!ATTLIST VagueSet TrueMembership CDATA "1.0" FalseMembership CDATA "0.0">
  <!ELEMENT landmarkMember (LandmarkName?, ناحیه?, توضیحات?, locationVSS?, Salience?)>
  <!ELEMENT landmarkName (#PCDATA)>
  <!منطقه ELEMENT (#PCDATA)>
  <!ELEMENT توزیع (SoftSet+)>
  <!ATTLIST نوع توزیع (تجزیه|وابسته) "تجزیه">
  <!ELEMENT Salience (VagueSoftSets)>
  <!ELEMENT locationVSS (PointVSS)>
  <!ELEMENT PointVSS (مختصات|VagueSoftSets*)>

که در آن عناصر “توضیح” و “مختصات” در مثال 2 در فایل‌های gmlfeature.dtd و gmlgeometry.dtd که توسط GML 1.0 ارائه شده‌اند، تعریف شده‌اند. از آنجایی که فایل gmlfeature.dtd در gmlgeometry.dtd گنجانده شده است، یک معرفی ساده از gmlfeature.dtd می تواند به صورت زیر باشد:

  <!ENTITY % GMLFEATUREDTD SYSTEM "gmlfeature.dtd">
  %GMLFEATUREDTD؛
علاوه بر این، عناصر locationVSS و PointVSS دو عنصر سفارشی هستند و عناصر “مکان” و “نقطه” ارائه شده توسط GML 1.0 نیستند. دلیل این امر این است که DTD عنصر “Point” فقط دارای یک عنصر فرزند “مختصات” است و بنابراین، باید گسترش یابد تا حاوی عنصر VagueSoftSets باشد تا داده های فازی را در آن نمایش دهد. از آنجایی که نام عنصر “Point” قابل تعریف مجدد نیست، یک نام عنصر جدید، PointCSS، استفاده و تعریف شده است. به طور مشابه، عنصر “مکان” به عنوان عنصر locationVSS دوباره تعریف می شود.

3.2. مدل سازی طرحواره GML مجموعه نرم مبهم

از GML 2.0 به بعد، DTD با طرحواره جایگزین شد. مدل‌سازی طرحواره GML مجموعه نرم مبهم مبتنی بر فایل feature.xsd است که توسط GML 2.0 یا بالاتر ارائه شده است. همانطور که در همان فضای نام قرار دارد، فایل feature.xsd را می توان به صورت زیر گنجاند:
  <include schemaLocation="feature.xsd"/>
در مدل‌سازی طرحواره‌های مجموعه نرم GML، پنج عنصر VagueSoftSets، Field، SoftSet، VagueSet و Distribution در بالا هنوز استفاده می‌شوند. هنگامی که زنجیره “VE” VagueSoftSets → Field → SoftSet → VagueSet باشد، طرحواره های زیر از هر عنصر در این زنجیره را می توان به دست آورد.
ابتدا، طرح عنصر VagueSoftSets، با استفاده از نوع پیچیده VagueSoftSetsType، به صورت زیر تعریف می شود:

  <complexType name="VagueSoftSetsType">
  <complexContent>
  <extension base="gml:AbstractFeatureType">
  <sequence maxOccurs="unbounded">
  <element name="Field" type="ex:FieldType"/>
  </sequence>
  </extension>
  </complexContent>
  </complexType>
سپس، طرح عنصر Field با استفاده از نوع پیچیده FieldType با ویژگی FName، به صورت زیر تعریف می شود:

  <complexType name="FieldType">
  <complexContent>
  <extension base="gml:AbstractFeatureType">
  <choice maxOccurs="unbounded">
  <element name="SoftSet" type="ex:SoftSetType"/>
  </choice>
  <attribute name="FName" type="string" use="required"/>
  </extension>
  </complexContent>
  </complexType>
اکنون، طرح عنصر SoftSet، با استفاده از نوع پیچیده SoftSetType با ویژگی SName، به صورت زیر تعریف می شود:

  <complexType name="SoftSetType">
  <complexContent>
  <extension base="gml:AbstractFeatureType">
  <choice maxOccurs="unbounded">
  <element name="VagueSet" type="ex:VagueSetType"/>
  </choice>
  <attribute name="SName" type="string" use="required"/>
  </extension>
  </complexContent>
  </complexType>
آخرین طرح واره عنصر VagueSet با استفاده از نوع پیچیده VagueSetType با دو ویژگی TrueMembership و FalseMembership به صورت زیر تعریف می شود:

  <complexType name="VagueSetType" mixed="true">
  <complexContent>
  <extension base="ex:exAbstractFeatureType">
  <choice minOccurs="0" maxOccurs="1">
  <element name="GE" type="ex:GEType"/>
  </choice>
  <attribute name="TrueMembership" type="ex:TrueMembershipType" default="1.0"/>
  <attribute name="FalseMembership" type="ex:FalseMembershipType" default="0.0"/>
  </extension>
  </complexContent>
  </complexType>
  <simpleType name="TrueMembershipType">
  <restriction base="decimal">
  <minInclusive value="0"/>
  <maxInclusive value="1"/>
  </restriction>
  </simpleType>
  <simpleType name="FalseMembershipType">
  <restriction base="ex:TrueMembershipType">
  </restriction>
  </simpleType>
هنگامی که زنجیره “VE” VagueSoftSets → Field → Distribution → SoftSet → VagueSet است، طرح عنصر Distribution با استفاده از نوع پیچیده DistributionType با ویژگی Type، باید به صورت زیر اضافه شود:

  <complexType name="DistributionType">
  <complexContent>
  <extension base="gml:AbstractFeatureType">
  <sequence maxOccurs="unbounded">
  <element name="SoftSet" type="ex:SoftSetType"/>
  </sequence>
  <attribute name="Type" type="ex:TypeType" default="disjunctive"/>
  </extension>
  </complexContent>
  </complexType>
  <simpleType name="TypeType">
  <restriction base="string">
  <pattern value="disjunctive|conjunctive"/>
  </restriction>
  </simpleType>
به طور همزمان، طرح واره عنصر Field با استفاده از نوع پیچیده FieldType، باید بر این اساس اصلاح شود، جایی که عنصر توزیع به عنوان عنصر فرزند عنصر Field به این طرح اضافه شده است:

  <complexType name="FieldType">
  <complexContent>
  <extension base="gml:AbstractFeatureType">
  <choice maxOccurs="unbounded">
  <element name="SoftSet" type="ex:SoftSetType"/>
  <element name="Distribution" type="ex:DistributionType"/>
  </choice>
  <attribute name="FName" type="string" use="required"/>
  </extension>
  </complexContent>
  </complexType>
در طرح عنصر VagueSet در بالا، اشاره شده است که کلاس پایه عنصر VagueSet، کلاس ex:exAbstractFeatureType است نه کلاس gml:AbstractFeatureType ارائه شده توسط GML 2.0 یا بالاتر. دلیل این امر این است که عنصر VagueSet نه تنها باید حاوی عناصر فرزند خود باشد، بلکه باید حاوی متن نیز باشد. با این حال، کلاس gml:AbstractFeatureType از این نوع مدل‌های داده‌های مختلط پشتیبانی نمی‌کند. بنابراین، کلاس gml:AbstractFeatureType با کلاس سفارشی زیر ex:exAbstractFeatureType جایگزین می شود:

  <complexType name="exAbstractFeatureType" abstract="true" mixed="true">
  <توالی>
  <element ref="gml:description" minOccurs="0"/>
  <element ref="gml:name" minOccurs="0"/>
  <element ref="gml:boundedBy" minOccurs="0"/>
  </sequence>
  <attribute name="fid" type="ID" use="optional"/>
  </complexType>
تنها تفاوت بین کلاس ex:exAbstractFeatureType و کلاس gml:AbstractFeatureType این است که مقدار ویژگی “mixed” برابر با “true” به جای “false” در کلاس ex:exAbstractFeatureType است که در آن “false” یک عدد است. مقدار پیش فرض در کلاس gml:AbstractFeatureType. این تغییر باعث می‌شود کلاس ex:exAbstractFeatureType دارای یک مدل داده‌های مختلط مانند مثال 3 باشد.
اکنون، یک طرح کلی از “VE” را می توان به صورت زیر تعریف کرد:

  <element name="VE" type="ex:VEType"/>
  <complexType name="VEType" mixed="TF">
  <complexContent>
  <extension base="baseType">
  <حدثه سفارش>
  <element name="VE" type="ex:VEType"/>
  <element name="GE" type="ex:GEType"/>
  </Order>
  <attribute name="VSAN" type="VSAT" VSVT/>
  </extension>
  </complexContent>
  </complexType>

که در آن VEType و GEType به ترتیب نشان دهنده انواع “VE” و “GE” هستند و:

baseType={ex:exAbstractFeatureTyp، gml:AbstractFeatureType}،
TF={true}، if baseType={ex:exAbstractFeatureTyp}،
TF={false}، if baseType={gml:AbstractFeatureType}،
ترتیب={توالی، انتخاب}،
Occurrence={minOccurs, maxOccurs},
نام ویژگی VSAN={FName, SName, type, TrueMembership, FalseMembership},
نوع ویژگی VSAT={string, ex:typeType, ex:TrueMembershipType, ex:FalseMembershipType},
ویژگی VSVT={استفاده، پیش‌فرض}.
علاوه بر این، مانند DTD بالا، عناصر gml:location و gml:point ارائه شده توسط GML 2.0 یا جدیدتر، باید به عناصر locationVSS و PointVSS اصلاح شوند. طرحواره های آنها بر اساس طرحواره های ارائه شده توسط GML 2.0 یا جدیدتر تعریف می شوند، جایی که عنصر locationVSS از نوع پیچیده exPointPropertyType و عنصر PointVSS از نوع پیچیده exPointType استفاده می کند، به شرح زیر:

  <complexType name="exPointPropertyType">
  <complexContent>
  <extension base="gml:GeometryAssociationType">
  <انتخاب>
  <element ref="ex:PointVSS"/>
  </choice>
  </extension>
  </complexContent>
  </complexType>
  <complexType name="exPointType">
  <complexContent>
  <extension base="gml:AbstractGeometryType">
  <توالی>
  <انتخاب>
  <element ref="gml:coord"/>
  <element ref="gml:coordinates"/>
  <element ref="ex:VagueSoftSets"/>
  </choice>
  </sequence>
  </extension>
  </complexContent>
  </complexType>

4. بحث

در مدل‌سازی GML DTD مجموعه نرم مبهم، <!ELEMENT VE (#PCDATA|GE|VE)*> به عنوان یک مثال کلی DTD از عنصر مخلوط برای VE ارائه می‌شود. در حقیقت، در مشخصات XML DTD، تعریف یک عنصر با توجه به محتویات مختلف آن اشکال مختلفی دارد. محتویات عنصر می تواند ANY، EMPTY، #PCDATA، عنصر فرزند، عنصر ترکیبی و غیره باشد. در نتیجه، اشکال کلی دیگری برای VE برای تعریف DTD وجود دارد، مانند <!ELEMENT VE ANY>، <!ELEMENT VE EMPTY>، و <!ELEMENT VE (#PCDATA)>. در مدل‌سازی طرح‌واره‌های GML مجموعه نرم مبهم، اگرچه فقط طرح‌واره‌ها، از جمله یک طرح کلی، VE ارائه می‌شوند، اما استفاده از آنها در GML بر اساس مشخصات طرحواره GML و XML بسیار راحت است. مثال 3 بالا را به عنوان مثال در نظر بگیرید. در مثال 3، عنصر VagueSoftSets (خط 4) یک عنصر فرزند از عنصر LandmarkMembers (خط 3) است. طرحی از <landmarkMembers> را می توان به صورت زیر تعریف کرد:

  <element name="landmarkMembers" type="ex:landmarkMembersType"/>
  <complexType name="landmarkMembersType">
  <complexContent>
  <extension base="gml:AbstractFeatureType">
  <توالی>
  <element ref="ex:VagueSoftSets"/>
  </sequence>
  </extension>
  </complexContent>
  </complexType>
<element ref=”ex:VagueSoftSets”/> نشان می دهد که شامل یک مجموعه نرم مبهم است. با این حال، با توجه به مشخصات طرحواره GML و XML، اشکال دیگری نیز وجود دارد، از جمله فرم‌های عمومی، برای VE برای تعریف طرحواره‌ها. از این نظر، هم در مدل‌سازی DTD و هم در مدل‌سازی طرحواره، فرم‌ها و فرم‌های کلی برای تعریف VE که در بالا ارائه شد، تنها دو نوع شکل پایه هستند، به‌ویژه برای مثال 3، و می‌توانند به عنوان مرجعی برای به دست آوردن سایر اشکال بر اساس آن باشند. از محتویات عناصر مختلف در GML.
در مدل‌سازی پدیده‌های طبیعی، ابهام در مناطق مرزی، ابهامات در اصطلاحات زبانی، مبهم بودن در معناشناسی اشیاء فضایی و ترکیبی از این موارد باید در نظر گرفته شود [1 ] . شی فضایی با مرزهای نامشخص، یا شی فیات [ 30 ، 31 ]، می تواند در مدل سازی GML مجموعه نرم مبهم نمایش داده شود. یک قطعه GML از یک رودخانه با مرزهای نامشخص به شرح زیر است:

  1. <رودخانه>
  2. <gml:name>رودخانه لی</gml:name>
  3. <gml:description>رودخانه ای بسیار زیبا در گویلین</gml:description>
  4. <مرزهای نامشخص>
  5. <VagueSoftSets>
  6. <فیلد FName="f1">
  7. <Distribution Type="disjunctive">
  8. <SoftSet SName="Inner">
  9. <VagueSet TrueMembership="0.8" FalseMembership="0.1">
  10. <distance>100</distance >
  11. </VagueSet>
  12. </SoftSet>
  13. <SoftSet SName="Median">
  14. <VagueSet TrueMembership="0.5" FalseMembership="0.3">
  15. <distance>200</distance >
  16. </VagueSet>
  17. </SoftSet>
  18. <SoftSet SName="Outer">
  19. <VagueSet TrueMembership="0.2" FalseMembership="0.6">
  20. <distance>300</distance >
  21. </VagueSet>
  22. </SoftSet>
  23. </Distribution>
  24. </Field>
  25. </VagueSoftSets>
  26. </uncertainBoundaries>
  27. </River>
این قطعه GML نشان دهنده سه مرز نامشخص در فواصل 100، 200 و 300 متری از رودخانه لی است. در این مورد، هر مرز نامشخص حلقه ای است که از یک مرز داخلی و یک مرز بیرونی تشکیل شده است تا یک مرز واحد. حلقه “داخلی”، خطوط 8 تا 12 را به عنوان مثال در نظر بگیرید. مقدار حق عضویت 0.8 و مقدار نادرست عضویت 0.1 است، به این معنی که مقدار عضویت برای مرز داخلی و مرز بیرونی به ترتیب 0.8 و 0.9 است که 0.9 = 1-0.1 است.
با این حال، GML تنها یک زبان نشانه گذاری است. در بیان ابهام معنایی پیچیده و توصیف کیفی محدود است. شاید قید درجه مناسب ترین برای نشان دادن فازی بودن در GML باشد. سه کلمه “منصفانه”، “به جای”، “بسیار” را به عنوان مثال در نظر بگیرید. یک قطعه GML از این قیدهای درجه به شرح زیر است:

  <VagueSoftSets>
  <فیلد FName="f1">
  <Distribution Type="disjunctive">
  <SoftSet SName="fairly">
  <VagueSet TrueMembership="0.6" FalseMembership="0.3">
  <distance>400</distance >
  </VagueSet>
  </SoftSet>
  <SoftSet SName="rather">
  <VagueSet TrueMembership="0.7" FalseMembership="0.2">
  <distance>300</distance >
  </VagueSet>
  </SoftSet>
  <SoftSet SName="very">
  <VagueSet TrueMembership="0.9" FalseMembership="0.05">
  <distance>100</distance >
  </VagueSet>
  </SoftSet>
  </Distribution>
  </Field>
  </VagueSoftSets>
فرض کنید فاصله بین شالیزار و رودخانه در 1000 متر است. توصیف های کیفی “شالی P نسبتا نزدیک به رودخانه R است”، “شالی P نسبتا نزدیک به رودخانه R است”، و “شالی P بسیار نزدیک به رودخانه R است” در توصیف فاصله شالیزار P تا رودخانه R متفاوت است. مقادیر مبهم [0.6، 0.7]، [0.7، 0.8] و [0.9، 0.95] یک درجه مبهم برای فاصله را نشان می دهند. بدیهی است که برای فازی فاصله، [0.6، 0.7] اولین و [0.9، 0.95] آخرین است. در مقایسه با نمایش “نسبتا نزدیک”، “بسیار نزدیک” نزدیکتر است و فواصل متناظر آنها ممکن است به ترتیب 400 متر و 100 متر باشد.
GML برای مدل‌سازی داده‌های مکانی ، ذخیره‌سازی ، انتقال ، و غیره استفاده می‌شود ، _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 20 ، 21 ، 22]؛ با این حال، خود GML برای پردازش داده های مکانی استفاده نمی شود. در مقایسه با روش‌های هوش مصنوعی که می‌توانند نمایش‌های کیفی داده‌ها و فرآیندهای جغرافیایی را با استفاده از توصیف‌های زبانی بدست آورند [ 32]، داده‌های ارائه‌شده در GML «ایستا» هستند، به این معنی که داده‌ها فقط داده‌هایی در GML هستند و نمی‌توانند داده یا اطلاعات بیشتری را استخراج کنند، مگر اینکه از روش‌های پردازش دیگری استفاده شود. مانند مثال بالا، “شالی P”، “رودخانه R”، فازی فاصله و فواصل مربوطه را می توان در GML نشان داد، با این حال، توضیحات کیفی مانند “شالی P نسبتا نزدیک به رودخانه R است”، “شالی P نسبتا نزدیک است”. به رودخانه R، و “Paddy P بسیار نزدیک به رودخانه R است” به دست نمی آید. در واقع GML برای نمایش فاز داده ها و روش های هوش مصنوعی برای فاز پردازش داده ها استفاده می شود. اگر داده‌های ارائه‌شده در GML بتوان برای روش‌های هوش مصنوعی استفاده کرد، این دو فاز به هم متصل می‌شوند. به عنوان مثال، یک قطعه GML که نشان دهنده ماتریسی از حالت های چشم انداز در بین U ، F ،A ، S ، B ، و O ، که در آن U ، F ، A ، S ، B ، و O به ترتیب نشان دهنده کاربری اراضی شهری، کاربری جنگلی، کاربری اراضی کشاورزی، بوته زارها و مراتع، مناطق برهنه و سایر کاربری ها هستند. 32 ]، به شرح زیر است:

  <U><F> پوچ </F><A> پوچ </A><S> پوچ </S><B> پوچ </B><O> پوچ </O></U>
  <F><U> t15 </U><A> t9 </A><S> t7 </S><B> t10 </B><O> t13 </O></F>
  <A><U> t1 </U><F> t5 </F><S> t2 </S><B> t3 </B><O> t4 </O></A>
  <S><U> t12 </U><F> t16 </F><A> t6 </A><B> t11 </B><O> t14 </O></S>
  <B><U> t18 </U><F> t19 </F><A> t8 </A><S> t17 </S><O> null </O></B>
  <O><U> پوچ </U><F> پوچ </F><A> پوچ </A><S> پوچ </S><B> پوچ </B></O>
به طور مشابه، سایر داده‌ها برای تبدیل‌های منظر، به عنوان مثال، پارامترهای مدل تبدیل منظر، نیز می‌توانند در GML نمایش داده شوند، و سپس از طریق تجزیه GML [21] و انتقال داده‌ها به روش‌های هوش مصنوعی، خروجی، متشکل از توصیف‌های زبانی، همراه با با توضیحات کمی، می توان به دست آورد [ 32 ].
به طور سنتی، سیستم اطلاعات جغرافیایی (GIS) و آموزش جغرافیایی نیازهای متخصصان را معطوف می کرد. استفاده از GIS برای عموم به دلیل حرفه ای بودن آن دشوار بود. با این حال، با ظهور Wikimapia، OpenStreetMap، Google Earth، Google Map، یا neogeography [ 33 ، 34]، این وضعیت در 10 سال اخیر بهبود یافته است. مهم است که عموم مردم به تدریج GIS را درک کنند و با آن آشنا شوند، زیرا GIS در حال تبدیل شدن به یک روند توسعه محبوب است. یکی از ویژگی های مهم این تغییر، مشارکت فعال مردم است. این ویژگی تاکید می کند که کاربر به جای متخصصان GIS و نقشه برداری، افراد عادی هستند. کاربر نه تنها در کاربردهای سنتی GIS مصرف کننده اطلاعات جغرافیایی خالص است، بلکه احتمالاً ارائه دهنده اطلاعات جغرافیایی نیز خواهد بود. در مواجهه با چنین تغییراتی، آموزش جغرافیایی باید در پاسخ به این پیشرفت‌ها متفاوت باشد [ 33 ]، و یک وب 3.0 (وب معنایی) که از نظر جغرافیایی فعال شده باشد، باید ساخته شود تا مستلزم معنای‌شناسی جغرافیایی (توصیف‌های زبانی) باشد [ 34] .]. همانطور که قبلا ذکر شد، اگرچه GML یا GML فازی محدودیت هایی در نمایش معنایی جغرافیایی یا توصیفات زبانی دارد، یکی از سهم مهم آنها این است که هم در محیط های موبایل و هم در سرویس های وب GIS دارای پتانسیل کاربردی بالایی هستند [15 ] . این کمک باعث می شود که GML یا GML فازی به ابزاری مهم برای ساخت وب مکانی [ 33 ، 34 ] برای آموزش جغرافیایی تبدیل شود.

5. نتیجه گیری ها

فازی عنصر، فازی زنجیره ای و فازی بودن ویژگی سه نوع فازی در GML هستند، که در آن فازی عنصر یک مورد خاص از فازی بودن زنجیره است. مدل سازی GML مجموعه نرم مبهم فقط نیاز به در نظر گرفتن فازی بودن عنصر و ویژگی فازی دارد زیرا نمایش فازی بودن زنجیره را می توان با نمایش فازی عنصر در GML جایگزین کرد. این مقاله پنج عنصر یا پنج جفت مرتبط با مجموعه‌های نرم مبهم را معرفی می‌کند که GML را قادر می‌سازد تا فازی بودن را نشان دهد و مدل‌سازی GML مجموعه نرم مبهم را پیاده‌سازی کند، که مشکل عدم بیان اطلاعات فازی را در GML حل می‌کند. نتایج زیر حاصل شد:

(1)
معرفی پنج عنصر مرتبط با مجموعه‌های نرم مبهم، VagueSoftSets، Field، SoftSet، VagueSet و Distribution، اساس مدل‌سازی GML مجموعه نرم مبهم است.
(2)
به منظور انطباق با پنج عنصر معرفی شده، DTD متناظر و اصلاحات طرحواره برای اجرای مدل سازی GML مجموعه نرم مبهم کلیدی هستند. زنجیره های مختلف بر تعاریف مختلف DTD و طرح واره برای پنج عنصر معرفی شده تأثیر می گذارند.
(3)
به طور کلی، کلاس gml:AbstractFeatureType، ارائه شده توسط GML 2.0 یا بالاتر، کلاس پایه برای مدل‌سازی طرحواره‌های GML مجموعه نرم مبهم است. با این حال، زمانی که کلاس gml:AbstractFeatureType نیازهای مدل‌سازی عملی را برآورده نمی‌کند، باید یک کلاس پایه سفارشی جدید توسط کاربر تعریف شود.

منابع

  1. جدیدی، ع. مصطفوی، محمدرضا; Bédard، Y.; شهریاری، ک. بازنمایی فضایی ریسک ساحلی: رویکردی فازی برای مقابله با عدم قطعیت. ISPRS Int. J. Geo-Inf. 2014 ، 3 ، 1077-1100. [ Google Scholar ] [ CrossRef ]
  2. موکرجی، آی. خدمات وب فضایی Ghosh، SK Fuzzy برای یکپارچه سازی اطلاعات جغرافیایی فضایی از مخازن ناهمگن. در مجموعه مقالات دومین کنفرانس بین المللی فناوری و توسعه رایانه (ICCTD 2010)، قاهره، مصر، 2 تا 4 نوامبر 2010. جلد 4، صص 597–602.
  3. الفت، ح. کلانتری، م. رجبی فرد، ع. سنوت، اچ. ویلیامسون، IP رویکردی مبتنی بر GML برای خودکارسازی به‌روزرسانی ابرداده‌های مکانی. بین المللی جی. جئوگر. Inf. علمی 2013 ، 27 ، 231-250. [ Google Scholar ] [ CrossRef ]
  4. هومن، بی. هاومن، اس. کریسپل، یو. Fellner, D. گرامر شکل GML برای مدل‌های ساختمان سه بعدی غنی‌شده معنایی. محاسبه کنید. نمودار. 2010 ، 34 ، 322-334. [ Google Scholar ] [ CrossRef ]
  5. Huang, R. مدل سازی شبکه های حمل و نقل توسط GML برای برنامه ریزان سفرهای حمل و نقل توزیع شده. جی. اسپات. علمی 2008 ، 53 ، 1-15. [ Google Scholar ] [ CrossRef ]
  6. وانگ، ZG; گائو، WJ; Qu، HG; مدل داده های فضایی سه بعدی مبتنی بر Wu، ZX GML برای اطلاعات علوم زمین در معادن زغال سنگ. در مجموعه مقالات بیست و یکمین کنفرانس بین المللی ژئوانفورماتیک، کایفنگ، چین، 20 تا 22 ژوئن 2013; صص 1-4.
  7. کیم، YK; یو، هنگ کنگ؛ Chang، JW مدل های طرح واره ذخیره سازی جدید GML برای اطلاعات مکانی و غیر مکانی. در مجموعه مقالات دهمین کنفرانس بین المللی کامپیوتر و فناوری اطلاعات، برادفورد، انگلستان، 29 ژوئن تا 1 ژوئیه 2010. صص 620-626.
  8. هائو، SH; یان، ال. گارتنر، جی. Wang، YP یک روش مبتنی بر SVG برای پشتیبانی از تحلیل فضایی در WebGIS مبتنی بر XML/GML/SVG. بین المللی جی. جئوگر. Inf. علمی 2011 ، 25 ، 1561-1574. [ Google Scholar ]
  9. آهنگ، ای اچ; هان، SK; یانگ، LT; گوا، من؛ Jeong، YS یک دستگاه تلفن همراه مبتنی بر GML سیستم نظارت بر ردیابی. جاسازی کنید. محاسبات همه جا حاضر. کارگاه های آموزشی 2006 ، 4097 ، 234-243. [ Google Scholar ]
  10. آهنگ، ای اچ; Jeong، تجسم نقشه YS GML در دستگاه های تلفن همراه. J. Inf. روند. سیستم 2010 ، 6 ، 33-42. [ Google Scholar ] [ CrossRef ]
  11. Guo، LL استقرار GML پیشگام برای NSDI – مطالعه موردی TIGER/GML ایالات متحده. ISPRS Int. J. Geo-Inf. 2013 ، 2 ، 82-93. [ Google Scholar ] [ CrossRef ]
  12. هو، HL; کیم، جی. پارک، جی. Yoo, W. تجسم شرایط تأیید توسط فایل GML. J. Korea Soc. محاسبه کنید. Inf. 2012 ، 17 ، 23-32. [ Google Scholar ] [ CrossRef ]
  13. وی، QT; Guan، JH; ژو، اس جی. Wang, X. یک رویکرد جدید و موثر برای فشرده سازی اسناد GML. محاسبه کنید. J. 2014 ، 57 ، 1723-1740. [ Google Scholar ] [ CrossRef ]
  14. شن، ی. فنگ، جی. Zhu، HT رویکردی به طرح انتقال فشرده سازی کارآمد GML. در مجموعه مقالات کنفرانس جوانان IEEE در سال 2010 در مورد محاسبات اطلاعات و ارتباطات، پکن، چین، 28 تا 30 نوامبر 2010. ص 41-44.
  15. لو، CT; دوس سانتوس، RF؛ Sripada، LN; Kou، YF در GML برای کاربردهای جغرافیایی پیشرفت می کند. GeoInformatica 2007 ، 11 ، 131-157. [ Google Scholar ] [ CrossRef ]
  16. هوانگ، CH; چوانگ، TR; دنگ، DP; لی، HM Building سیستم های اطلاعات جغرافیایی مبتنی بر وب بومی GML. محاسبه کنید. Geosci. 2009 ، 35 ، 1802-1816. [ Google Scholar ] [ CrossRef ]
  17. زو، FB؛ یانگ، جی.ام. Guo، سیستم GIS اضطراری QQ بر اساس GML و داده های مکانی چند منبعی. در مجموعه مقالات سومین کنفرانس بین المللی IEEE در سال 2011 در زمینه نرم افزار و شبکه ارتباطی، شیان، چین، 27-29 مه 2011. صص 86-90.
  18. Xi، YT; Wu, JG کاربرد GML و SVG در توسعه WebGIS. دانشگاه جی چین حداقل تکنولوژی 2008 ، 18 ، 140-143. [ Google Scholar ] [ CrossRef ]
  19. وو، آی سی; Hsieh، SH تبدیل از مدل داده IFC به مدل داده GML: روش‌شناسی و توسعه ابزار. جی. چین. Inst. مهندس 2007 ، 30 ، 1085-1090. [ Google Scholar ] [ CrossRef ]
  20. Lake, R. کاربرد زبان نشانه گذاری جغرافیا (GML) در علوم زمین شناسی. محاسبه کنید. Geosci. 2005 ، 31 ، 1081-1094. [ Google Scholar ] [ CrossRef ]
  21. گائو، XL؛ Cui، ZC; جیا، NB; شیائو، اچ. Zhang، SL طراحی و پیاده سازی الگوریتم های ضروری برای تجزیه طرحواره های GML. در مجموعه مقالات ششمین کنفرانس بین المللی سیستم های هوشمند انسان و ماشین و سایبرنتیک، هانگژو، چین، 26-27 اوت 2014. جلد 2، ص 284-287.
  22. چن، جی اچ. او، BB; Wang، WH GXQuery: یک زبان جستجوی داده های مکانی GML. در مجموعه مقالات دومین کنفرانس بین المللی مدیریت اطلاعات و مهندسی، شیان، چین، 16-18 آوریل 2010. صص 271-275.
  23. زاده، مجموعه LA فازی. Inf. کنترل 1965 ، 8 ، 338-353. [ Google Scholar ] [ CrossRef ]
  24. Gau، WL; مجموعه های Buehrer، DJ Vague. IEEE Trans. سیستم مرد سایبرن. 1993 ، 23 ، 610-614. [ Google Scholar ] [ CrossRef ]
  25. وانگ، سی. Qu، AJ آنتروپی، اندازه گیری تشابه و اندازه گیری فاصله مجموعه های نرم مبهم و روابط آنها. Inf. علمی 2013 ، 244 ، 92-106. [ Google Scholar ] [ CrossRef ]
  26. خو، دبلیو. ما، جی. وانگ، اس. Hao, G. مجموعه های نرم مبهم و خواص آنها. محاسبه کنید. ریاضی. Appl. 2010 ، 59 ، 787-794. [ Google Scholar ] [ CrossRef ]
  27. مولودتسوف، دی. نظریه مجموعه‌های نرم – نتایج اولیه. محاسبه کنید. ریاضی. Appl. 1999 ، 37 ، 19-31. [ Google Scholar ] [ CrossRef ]
  28. Ma، ZM; Yan, L. مدل سازی داده های XML فازی با UML و مدل های داده های رابطه ای. دانستن داده ها مهندس 2007 ، 63 ، 972-996. [ Google Scholar ] [ CrossRef ]
  29. ناثگر، سی. زمستان، اس. Raubal, M. محاسبه برجستگی ویژگی ها. تف کردن شناخت. محاسبه کنید. 2004 ، 4 ، 113-136. [ Google Scholar ]
  30. اسمیت، بی. ورزی، AC فیات و مرزهای صادقانه. فیلوس پدیده. Res. 2000 , 60 , 401. [ Google Scholar ] [ CrossRef ]
  31. اسمیت، بی. مارک، DDM آیا کوه ها وجود دارند؟ به سوی هستی شناسی لندفرم ها. محیط زیست طرح. BPlan. دس 2003 ، 30 ، 411-427. [ Google Scholar ] [ CrossRef ]
  32. هوش مصنوعی در مدل‌سازی پیچیدگی تحولات چشم‌انداز مدیترانه‌ای. محاسبه کنید. الکترون. کشاورزی 2012 ، 81 ، 87-96. [ Google Scholar ] [ CrossRef ]
  33. Papadimitriou، F. A “آموزش جغرافیایی جدید”؟ وب جغرافیایی، GIS و هنر دیجیتال در آموزش بزرگسالان. بین المللی Res. Geogr. محیط زیست آموزش. 2010 ، 19 ، 71-74. [ Google Scholar ] [ CrossRef ]
  34. Papadimitriou، F. مقدمه ای بر وب پیچیده جغرافیایی در آموزش جغرافیایی. بین المللی Res. Geogr. محیط زیست آموزش. 2010 ، 19 ، 53-56. [ Google Scholar ] [ CrossRef ]

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسیکاربردهای GIs در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370