Journal of Geomatics Science and Technology

fa خلاصه سازی عوارض خطی بر مبنای رگرسیون کمترین مربعات معمولی Generalization of Multi-linear Feature Based on Ordinary Least Squares Regression سامانه های اطلاعات مکانی GIS پژوهشي Research <div style="text-align: justify;">خلاصهسازی عوارض برداری جهت تهیه نقشههای کوچک مقیاس کاغذی و برداری از نقشههای بزرگ مقیاس، ضروری میباشد. این فرآیند منجر به بهبود کیفیت نمایش نقشهها، تسهیل آنالیز دادهها در سطوح مختلفی از جزئیات و کاهش حجم مورد نیاز برای ذخیرهسازی آنها میگردد. روش‌های خلاصهسازی عوارض خطی و چند ضلعی با هدف حفظ هندسه و مساحت در عین تقلیل جزئیات آنها انجام میشود. مدلهای گوناگونی از سوی محققان این حوزه مورد استفاده و ارزیابی قرار گرفته است؛ لیکن بیشتر آنها خلاصهسازی عوارض را با هدف انتخاب چند نقطه از آنها و حذف سایر نقاط انجام میدهند. حال آنکه ممکن هست نقاط حذف شده حاوی اطلاعات ارزشمندی برای آن عارضه بوده و حذف آنها منجر به نقصان در هندسه و مساحت آن گردد. در پژوهش حاضر، خلاصهسازی عوارض خطی با کمینه کردن فاصله عمودی از خط اصلی، به کمک رگرسیون کمترین مربعات معمولی انجام گرفت. برای بررسی مدل پیشنهادی، پس از پیادهسازی آن بر شکلهای مختلف، حدود دریاچه ارومیه و برخی جزایر آن خلاصهسازی شده و نتایج مدل پیشنهادی با روشهای متداول داگلاس- پوکر و ویسوالینگم مورد مقایسه قرار گرفت. سپس برای ارزیابی نتایج از شاخصهای اختلاف مساحتها، شباهت انحنای متوسط، شباهت میزان تغییرات زاویه و فاصله هاسدرف میانه تصحیح شده استفاده شد. نتایج حاکی از برتری مدل پیشنهادی براساس سه شاخص اول، به ترتیب با میزان شباهت متوسط ۶۹.۹۱، ۶۶.۲۹ و ۶۰.۹۹ درصدی است. مدل پیشنهادی نسبت به داگلاس-پوکر و ویسوالینگام دارای برتری 0.16 و 0.2 درصدی براساس شاخص اختلاف مساحت، برتری 7 و 5 درصدی براساس شاخص انحنای متوسط و 6 و 2 درصدی براساس شاخص تغییرات تندی است. اما بر اساس شاخص فاصله هاسدرف میانه تصحیح شده، به طور متوسط در حدود 2 متر بدتر از روشهای مذکور عمل کرده است که به دلیل عدم اتکا به نقاط اولیه عارضه میباشد.<span dir="LTR"></span><span dir="LTR"></span></div> <div style="text-align: justify;">For the preparation of small-scale maps from large-scale maps, generalization of vector features is important. This method increases the quality of maps published, enables the analysis of data at various levels of detail, and reduces the volume needed to store them. The methods of linear and polygonal features generalization are performed with the aim of preserving their geometry and area while reducing their details. Various models have been used and evaluated by researchers in this field; However, most of them summarize the features with the aim of selecting a few points from them and deleting other points. Even so, the deleted points may contain valuable information for this complication and their removal will lead to a defect in its geometry and area. In this study, the generalization of multi-linear features was performed using minimizing the vertical distance from the main line. In order to study the proposed model, after its implementation on different shapes, the multi-lines of Lake Urmia and its islands were generalized and the results of the proposed model were compared with the common Douglas-Poker and Viswalingam methods. The results were then evaluated using the indices of area differences, the similarity of the mean curvature, the similarity of the amount of angle changes and the modified average Hausdorff distance. The results showed an average superiority of 99.91, 66.29 and 60.99% compared to conventional simplification approaches with proposed model (in the first three indicators). The proposed model has a advantage over the Douglas-Poker and Viswalingam methods 0.16 and 0.2 percent based on the area difference index, 7 and 5 percent based on the average curvature index, and 6 and 2 percent based on the  sharp change index. but In the the modified average Hausdorff distance index,  it was about 2 meters worse than the aforementioned methods, due to the lack of reliance on the initial points of the complication.<br>  </div> خلاصه سازی, کمترین مربعات, داگلاس- پوکر, ویسوالینگم, رگرسیون Generalization, Least Squares, Douglas-Poker, Viswalingam, Regression 177 189 http://jgst.issgeac.ir/browse.php?a_code=A-10-951-1&slc_lang=fa&sid=1 J. Jafari جلیل جعفری J.jafarikntu@yahoo.com 10031947532846007788 10031947532846007788 Yes K. N. Toosi University of Technology دانشگاه خواجه نصیر الدین طوسی M. S. Mesgari محمد سعدی مسگری mesgari@kntu.ac.ir 10031947532846007789 10031947532846007789 No K. N. Toosi University of Technology دانشگاه خواجه نصیر الدین طوسی