Rozpoznawanie wzorców grup budynków na mapach topograficznych na podstawie partycjonowania grafów i losowego lasu

Rozpoznanie wzorców grupowych budynków (tj. Układu i formy prezentowanych przez zbiór budynków w danej skali odwzorowania) jest ważne dla zrozumienia i modelowania przestrzeni geograficznej, a zatem ma zasadnicze znaczenie dla szerokiego zakresu dalszych zastosowań, takich jak uogólnianie map geodezyjnej. Większość istniejących metod opracowuje sztywne reguły oparte na topograficznych zależnościach między parami budynków w celu identyfikacji wzorców grup budynków, dlatego ich zastosowania są często ograniczone. W niniejszym opracowaniu zaproponowano metodę identyfikacji różnych wzorców grup budynków, które pozwalają na generalizację mapy. Metoda najpierw identyfikuje budowanie wzorców grupowych z potencjalnych klastrów budujących w oparciu o algorytm uczenia maszynowego i dalej dzieli klastry budynku bez rozpoznanych wzorców w oparciu o metodę partycjonowania grafów. Proponowana metoda jest stosowana do zbiorów danych trzech miast, które są reprezentatywne dla złożonego środowiska miejskiego w południowych Chinach. Ocena wyników na podstawie danych referencyjnych sugeruje, że proponowana metoda jest w stanie rozpoznać zarówno regularne (np. Wzory współliniowe, krzywoliniowe i prostokątne), jak i nieregularne (np. wzorce) dobrze budują wzorce grupowe, biorąc pod uwagę, że wartości poprawności stale wynoszą prawie 90%, a wartości kompletności przekraczają 91% dla trzech obszarów badań. Proponowana metoda jest obiecująca w automatycznym rozpoznawaniu wzorców grup budowania, co pozwala na generalizację mapy.

Udostępnij: