fa مدلسازی تعمیم و ساده سازی شبکه رودخانه ها با استفاده از شبکه های عصبی مبتنی بر گراف سامانه های اطلاعات مکانی GIS پژوهشي Research <div style="text-align: justify;"><span style="line-height:2;"><span style="color:#000000;"><span style="font-size:12px;"><span style="font-family:IRANsharp;"><span style="direction:rtl"><span style="unicode-bidi:embed"><span b="" lang="FA" nazanin="">فرایند تعمیم نقشه، یک روش پیچیده به منظور تولید نقشه‌های کوچک‌ مقیاس از نقشه‌های بزرگ مقیاس است که با حفظ ساختارها و ویژگی‌های عوارض، منجر به تبدیل عوارض نقشه به صورت خوانا در مقیاس هدف می‌شود. شبکه‌های رودخانه‌ای به دلیل ساختار شاخه‌ای، سلسله‌مراتبی و وابسته به توپولوژی، از چالش‌برانگیزترین عوارض در فرآیند تعمیم به شمار می‌روند. اگرچه روش‌های داده‌محور و یادگیری عمیق در سال‌های اخیر برای تعمیم شبکه‌های رودخانه‌ای مورد استفاده قرار گرفته‌اند، بسیاری از آن‌ها ساختار سلسله‌مراتبی شبکه را به‌صورت صریح مدل نکرده یا بدون در نظر گرفتن قیود کارتوگرافیک، منجر به حذف یا حفظ نامناسب شاخه‌ها می‌شوند.&nbsp;</span><span b="" lang="FA" nazanin="">در این پژوهش، یک چارچوب دو‌مرحله‌ای برای تعمیم و ساده‌سازی شبکه رودخانه‌ها ارائه شده است. در گام نخست، ساختار سلسله‌مراتبی شبکه با ترکیب رتبه‌بندی هورتون</span><span lang="FA" new="" roman="" times="">&ndash;</span><span b="" lang="FA" nazanin="">استرالر و تحلیل پیوستگی هندسی</span> <span dir="LTR"><span new="" roman="" times="">Stroke</span></span> <span b="" lang="FA" nazanin="">استخراج می‌شود. در گام دوم، فرآیند انتخاب و حذف شاخه‌ها با استفاده از یک مدل یادگیری عمیق عمیق مبتنی بر گراف با معماری</span> <span dir="LTR"><span new="" roman="" times="">GraphSAGE</span></span> <span b="" lang="FA" nazanin="">و در چارچوب دستورالعمل‌های سازمان نقشه‌برداری انجام می‌گیرد</span><span dir="LTR">.</span><span b="" nazanin=""> مدل پیشنهادی بر روی داده‌های شبکه رودخانه استان اصفهان در مقیاس 1:25,000 اجرا و نتایج آن با نقشه مرجع 1:50,000 مقایسه شد. برای ارزیابی دقت، از ضریب انطباق هندسی</span> <span b="" lang="FA" nazanin="">&nbsp;(</span><span dir="LTR"><span new="" roman="" times="">CLC</span></span><span b="" lang="FA" nazanin="">) استفاده گردید که میزان همپوشانی طولی شبکه تعمیم‌یافته با نقشه مرجع را نشان می‌دهد. نتایج نشان داد که مقدار</span> <span dir="LTR"><span new="" roman="" times="">CLC</span></span> <span b="" lang="FA" nazanin="">برابر با 96/0 است که بیانگر حفظ مناسب ساختار کلی شبکه و تطابق بالای خروجی مدل با تعمیم دستی کارتوگراف در مقیاس هدف می‌باشد.</span></span></span>&nbsp;</span></span></span></span></div> <article data-scroll-anchor="true" data-testid="conversation-turn-4" data-turn="assistant" data-turn-id="35d96310-7b1f-420b-b0ee-a4ef5c02771f" dir="auto" tabindex="-1"> <p data-end="734" data-start="0" style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:Times New Roman;">The map generalization process is a complex method aimed at producing small-scale maps from large-scale maps, while preserving the structures and characteristics of geographic features and transforming them into a legible representation at the target scale. River networks, due to their branched, hierarchical, and topology-dependent structure, are considered among the most challenging features in the generalization process. Although data-driven and deep learning methods have been increasingly applied to river network generalization in recent years, many of them do not explicitly model the hierarchical structure of the network or, by disregarding cartographic constraints, lead to inappropriate removal or retention of branches.&nbsp;In this study, a two-stage framework for river network generalization and simplification is proposed. In the first stage, the hierarchical structure of the network is extracted by combining Horton&ndash;Strahler ordering with geometric stroke connectivity analysis. In the second stage, the selection and elimination of branches are performed using a graph-based deep learning model with a GraphSAGE architecture, implemented in accordance with the guidelines of the National Cartographic Organization. The proposed model was applied to the river network data of Isfahan Province at a scale of 1:25,000, and the results were compared with the 1:50,000 reference map. To evaluate accuracy, the Coefficient of Linear Conformity (CLC) was used, which measures the longitudinal overlap between the generalized network and the reference map. The results showed that the CLC value was 0.96, indicating appropriate preservation of the overall network structure and a high level of agreement between the model output and manual cartographic generalization at the target scale.</span></span></p> </article> تعمیم شبکه رودخانه, ساختار دهی شبکه رودخانه, فرآیند حذف شاخه, یادگیری عمیق مبتنی بر گراف, پایگاه داده توپوگرافی River network generalization, River network structuring, Branch elimination process, Graph-based deep learning, Topographic database 0 0 http://jgst.issgeac.ir/browse.php?a_code=A-10-745-4&slc_lang=fa&sid=1 Mohadese Ahmadi محدثه احمدی mohadeseahmadi037@gmail.com 100319475328460011214 100319475328460011214 No Mohammad Karimi محمد کریمی mkarimi@kntu.ac.ir 100319475328460011215 100319475328460011215 Yes Parastoo Pilehforooshha پرستو پیله فروش ها pilehforoosh@kntu.ac.ir 100319475328460011216 100319475328460011216 No