یکی از وظایف سازمانهای ملی نقشهبرداری تولید نقشهها در مقیاسهای مختلف است که این فرایند زمانبر و هزینهبر است. یکی از راهکارهای کاهش زمان و هزینه، تولید نقشههای کوچک مقیاس از طریق تعمیم و ساده سازی نقشههای بزرگ مقیاس میباشد. در این تحقیق، با توجه به اهمیت شبکه راهها در پایگاه دادههای توپوگرافی، مدلسازی تعمیم و سادهسازی شبکه راهها در سه گام انجام شد. در گام نخست، با هدف غلبه بر محدودیتهای روشهای موجود، یک ساختار ترکیبی ارائه شد که تلفیقی از رویکردهای Mesh، Stroke و بلوکهای ساختمانی است. در این گام، شبکه راهها به ساختارهای خطی و سطحی-خطی تقسیم شدند و با استفاده از گراف دوگان، روابط توپولوژیکی میان آنها استخراج شد. در گام دوم، ویژگیهای موضوعی، هندسی و توپولوژیکی ساختارها استخراج و استانداردسازی شد و طبقهبندی به کمک الگوریتم RandomForest (برای ساختارهای خطی) و TAGCN (برای ساختارهای سطحی-خطی) انجام گرفت. بر اساس نتایج طبقهبندی، راههای کماهمیت یا ایزوله حذف و خطوط باقیمانده متناسب با مقیاس هدف سادهسازی و نرمسازی شدند. در گام سوم برای تکمیل فرآیند تعمیم و سادهسازی، بلوکهای ساختمانی به مقیاس هدف تعمیم یافتند و تضادهای مکانی میان آنها و شبکه راههای خروجی شناسایی و رفع گردید. نتایج نشان داد که دقت کلی طبقهبندی برای ساختارهای خطی 88% و برای ساختارهای سطحی-خطی 93% است. همچنین، براساس نتایج ارزیابی تغییرات عمده نسبت به شبکه اولیه تنها در حدود 8 درصد از طول و تراکم شبکه است.
Zarei M, karimi M, Pilehforooshha P. Presenting a model for generalizing and simplifying road networks using graph-based deep learning methods. JGST 2026; 15 (3) : 5 URL: http://jgst.issgeac.ir/article-1-1238-fa.html
زارعی مرضیه، کریمی محمد، پیله فروش ها پرستو. ارائه یک مدل برای تعمیم و سادهسازی شبکه راهها با استفاده از روشهای یادگیری عمیق مبتنی بر گراف. علوم و فنون نقشه برداری. 1404; 15 (3) :71-90
