fa ارائه یک مدل برای تعمیم و ساده‌سازی شبکه راه‌ها با استفاده از روش‌های یادگیری عمیق مبتنی بر گراف سامانه های اطلاعات مکانی GIS پژوهشي Research <div style="text-align: justify;"><span style="font-size:14px;"><span style="line-height:2;"><span style="font-family:IRANsharp;"><span style="direction:rtl"><span style="unicode-bidi:embed"><span b="" lang="FA" nazanin="">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 </span><span dir="LTR"><span new="" roman="" times="">Mesh</span></span><span b="" lang="FA" nazanin="">، </span><span dir="LTR"><span new="" roman="" times="">Stroke</span></span><span b="" lang="FA" nazanin=""> 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 </span><span dir="LTR"><span new="" roman="" times="">Random</span></span> <span dir="LTR"><span new="" roman="" times="">Forest</span></span><span b="" lang="FA" nazanin=""> (برای ساختارهای خطی) و </span><span dir="LTR"><span new="" roman="" times="">TAGCN</span></span><span b="" lang="FA" nazanin=""> (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. </span>&nbsp;<span lang="FA" style="font-family:"B Nazanin""></span></span></span></span></span></span><br> &nbsp;</div> <div style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:Times New Roman;">One of the core responsibilities of national mapping organizations is the production of maps at multiple scales, a task that is inherently time-consuming and costly. An effective approach to reducing both time and expense is the generation of small-scale maps through the generalization and simplification of large-scale maps. In this research, considering the crucial role of road networks in topographic databases, a three-step framework was developed for modeling the generalization and simplification of road networks. In the first step, to address the limitations of existing methods, a hybrid structure was proposed that integrates the Mesh, Stroke, and building-block approaches. In this stage, the road network was decomposed into linear and surface-linear structures, and their topological relationships were extracted using a dual graph. In the second step, thematic, geometric, and topological features of the structures were extracted and standardized, after which classification was performed using the Random Forest algorithm for linear structures and the TAGCN method for surface-linear structures. Based on the classification results, less significant or isolated roads were eliminated, and the remaining lines were simplified and smoothed according to the target scale. In the third step, to finalize the generalization and simplification process, building blocks were generalized to the target scale, and spatial conflicts between them and the resulting road network were detected and resolved. The results demonstrated that the overall classification accuracy was 88% for linear structures and 93% for surface-linear structures. Furthermore, the evaluation revealed that major alterations compared to the original network were limited to approximately 8% of the network&rsquo;s length and density.</span></span></div> تعمیم و ساده‌سازی, شبکه راه‌ها, پایگاه داده توپوگرافی, یادگیری عمیق مبتنی بر گراف, عملگر حذف-انتخاب Generalization and Simplification, Road Networks, Topographic Database, Graph-based Deep Learning, Elimination–Selection Operator 71 90 http://jgst.issgeac.ir/browse.php?a_code=A-10-745-3&slc_lang=fa&sid=1 marzie Zarei مرضیه زارعی marzieh.zarei@email.kntu.ac.ir 100319475328460011117 100319475328460011117 No دانشکده مهندسی نقشه برداری – دانشگاه صنعتی خواجه نصیرالدین طوسی Mohammad karimi محمد کریمی mkarimi@kntu.ac.ir 100319475328460011118 100319475328460011118 Yes دانشکده مهندسی نقشه برداری – دانشگاه صنعتی خواجه نصیرالدین طوسی parastoo Pilehforooshha پرستو پیله فروش ها pilehforoosh@kntu.ac.ir 100319475328460011119 100319475328460011119 No دانشکده مهندسی نقشه برداری – دانشگاه صنعتی خواجه نصیرالدین طوسی