انتزاع پایگاه داده‌های جغرافیایی (ژئودیتابیس)

پیشینه تاریخی

خلاصه‌سازی فرآیندی است که توسط نقشه‌نگاران(کارتوگرافیست‌های) انسانی برای تولید نقشه‌های با مقیاس کوچک از نقشه‌های جزئی به کار گرفته شده است. این فرایند از تعدادی عملیات ابتدایی تشکیل شده است که برای دستیابی به نتایج مطلوب باید مطابق با یکدیگر اعمال شوند. دشواری در تعامل و توالی صحیح عملیات است که به مقیاس هدف، نوع اشیاء درگیر و همچنین محدودیت هایی که این اشیاء در آنها تعبیه شده اند (به عنوان مثال، محدودیت های توپولوژیکی، بافت هندسی و معنایی، . . . .) بستگی دارد. خلاصه‌سازی همیشه ذهنی است و نیاز به تخصص یک نقشه‌بردار انسانی دارد (Spiess 1995). در عصر دیجیتال، تلاش‌ها برای خودکارسازی خلاصه‌سازی منجر به تمایز بین خلاصه‌سازی مدل و خلاصه‌سازی کارتوگرافی شده است، که در آن عملیات خلاصه‌سازی مدل آسان‌تر از خلاصه‌سازی کارتوگرافی خودکار می‌شود.

پس از خلاصه‌سازی مدل، دانه بندی موضوعی و هندسی مجموعه داده ها به طور مناسب با مقیاس هدف مطابقت دارد. با این حال، ممکن است برخی تضادهای هندسی باقی مانده باشد که با اعمال امضاها به ویژگی ها و همچنین با اعمال حداقل فاصله بین اشیاء مجاور ایجاد می شود. این تضادها باید با روش‌های خلاصه‌سازی کارتوگرافی حل شوند، که در میان آن‌ها نوع‌بندی و جابجایی مهم‌ترین هستند (برای یک مرور کلی، به Mackaness و همکاران 2007 مراجعه کنید). برخلاف خلاصه‌سازی کارتوگرافی، فرآیندهای خلاصه‌سازی مدل قبلاً به درجه بالایی از اتوماسیون دست یافته اند. فرآیندهای کاملاً خودکار در دسترس هستند که قادر به خلاصه‌سازی مجموعه داده های بزرگ، به عنوان مثال، کل آلمان هستند (اوربانک و دیکخوف 2006).

مبانی علمی

عملیات خلاصه‌سازی مدل عبارتند از انتخاب، طبقه بندی مجدد، تجمیع، کوچک‌سازی سطحی و ساده سازی خط.

 

انتخاب[1] ^[1]

با توجه به یک ویژگی موضوعی و/یا هندسی داده شده، اشیایی انتخاب می شوند که در مقیاس هدف حفظ می شوند. معیارهای انتخاب معمولی عبارتند از نوع شی، اندازه یا طول. اشیایی که این معیارها را برآورده می کنند حفظ می شوند، در حالی که بقیه دور انداخته می شوند. در برخی موارد، زمانی که یک پارتیشن بندی منطقه از کل مجموعه داده باید حفظ شود، آنگاه اشیاء حذف شده به طور مناسب با اشیاء مجاور جایگزین می شوند.

طبقه بندی مجدد[2] ^[2]

اغلب، هنگام کاهش مقیاس هندسی، دانه بندی موضوعی مقیاس هدف نیز کاهش می یابد. این امر با طبقه بندی مجدد یا طبقه بندی جدید انواع شیء محقق می شود. به عنوان مثال، در سیستم ATKIS آلمان، هنگام رفتن از مقیاس 1:25.000 به 1:50.000، تنوع ساختارهای سکونتگاهی با ادغام دو نوع سکونتگاه مختلف در یک کلاس در مقیاس هدف کاهش می یابد.

فروپاشی(کوچک‌سازی) سطحی[3] ^[3]

هنگام رفتن به مقیاس های کوچکتر، اشیاء با ابعاد بالاتر ممکن است به ابعاد پایین تر کاهش یابد. به عنوان مثال، شهری که به عنوان یک منطقه نشان داده می شود به یک نقطه کاهش می یابد. یک رودخانه سطحی به یک شی رودخانه خطی کاهش می یابد. این کاهش ها را می توان با استفاده از عملیات اسکلت[4] ^[4] به دست آورد. برای کاهش منطقه به خط، استفاده از محور میانی رایج است، که به عنوان مکان نقاطی تعریف می شود که بیش از یک همسایه نزدیک در مرز چند ضلعی دارند. چندین تقریب و اشکال خاص از محورها وجود دارد (به عنوان مثال، اسکلت مستقیم (دیوید و اریکسون 1998)). بسته به هدف و کار در دست، اشکالی وجود دارد که ممکن است مطلوب تر از سایرین باشند (به عنوان مثال، چین و همکاران 1995 و هاونرت و سستر 2007).

تجمیع[5] ^[5]

این یک عملیات بسیار مهم است که دو یا چند شی را در یک شی ادغام می کند، بنابراین منجر به کاهش قابل توجهی از داده ها می شود. تجمیع اغلب به دنبال یک فرآیند انتخاب یا کوچک‌سازی سطحی است: وقتی یک شی خیلی کوچک (یا بی اهمیت) است که در مقیاس هدف ارائه نمی شود، باید با یک شی مجاور ادغام شود. برای انتخاب مناسب ترین همسایه، استراتژی های مختلفی وجود دارد (به شکل 1 مراجعه کنید، به عنوان مثال، انتخاب همسایه بر اساس قوانین اولویت موضوعی، همسایه با طولانی ترین مرز مشترک، بزرگترین همسایه، یا مساحت را می توان به طور مساوی در بین همسایگان همچنین زمانی که اشیاء از نظر توپولوژیکی مجاور نباشند می توان انجام داد. (Haunert and Sester 2007; van Oosterom 1995; Podrenek 2002; van Smaalen 2003) معیار دیگر این است که همسایه ای را انتخاب کنید که منجر به یک منطقه جمع شده فشرده شود و کل مشکل را به عنوان یک فرآیند بهینه سازی جهانی حل کنید (Haunert andWolff Aggreg 2006). پس معیارهای مناسب برای تعیین همسایگی و همچنین اقداماتی برای پر کردن شکاف بین چند ضلعی های همسایه مورد نیاز است (Bundy et al. 1995). تجمیع را می توان برای سایر ویژگی های هندسی مانند نقاط و خطوط نیز اعمال کرد. این منجر به تجمیعات نقطه ای می شود که می توانند توسط بدنه های محدب تقریبی شوند، یا به تجمیع ویژگی های خطوط بیانجامد.

ساده سازی خط[6] ^[6]

ساده سازی خط یک عملیات خلاصه‌سازی بسیار برجسته است. عملیات های زیادی پیشنهاد شده اند که عمدتاً فاصله نسبی بین نقاط مجاور و زمینه نسبی آنها را در نظر می گیرند. شناخته شده ترین عملگر، الگوریتم داگلاس-پیکر است (داگلاس و پیکر 1973).

شکل 1- جداسازی از پایگاه های جغرافیایی، روش های مختلف تجمیع

برنامه های کاربردی کلیدی

کاربرد کلیدی جداسازی پایگاه داده یا خلاصه‌سازی مدل، استخراج مجموعه‌های داده با جزئیات کمتر برای کاربردهای مختلف است.

کارتوگرافی نقشه

تولید نقشه‌های مقیاس کوچک به مجموعه داده‌های دقیق نیاز دارد تا از نظر تعداد و دانه‌بندی ویژگی‌ها کاهش یابد. این کاهش با استفاده از جداسازی پایگاه داده به دست می آید. باید با روش‌های خلاصه‌سازی کارتوگرافی دنبال شود که به منظور تولید نقشه نمادین نهایی بدون تضادهای گرافیکی اعمال می‌شود.

تجسم در نمایشگرهای کوچک

اندازه دستگاه های نمایشگر تلفن همراه نیاز به ارائه تعداد کمتری از ویژگی ها دارد. برای این منظور، داده ها را می توان با استفاده از فرآیندهای جداسازی داده کاهش داد.

نقشه برداری اینترنتی: جریان[7] ^[7] خلاصه‌سازی

تجسم نقشه ها در اینترنت مستلزم انتقال سطح مناسبی از جزئیات به نمایشگر کاربر راه دور است. برای دستیابی به کاهش کافی داده که همچنان اطمینان می دهد که اطلاعات لازم به کاربر منتقل می شود، از روش های جداسازی پایگاه داده استفاده می شود. همچنین، امکان انتقال تدریجی اطلاعات بیشتر و دقیق تر را فراهم می کند (برنر و سستر 2005؛ یانگ 2005).

تجزیه و تحلیل داده های مکانی

توابع تحلیل فضایی معمولاً به سطح معینی از جزئیات مربوط می شوند که در آن پدیده ها به بهترین شکل مشاهده می شوند، به عنوان مثال، برای اهداف برنامه ریزی، مقیاس تقریباً 1:50.000 بسیار مناسب است. جداسازی پایگاه داده می تواند برای تولید این مقیاس از مجموعه داده های پایه استفاده شود. مزیت این است که سطح جزئیات کاهش می یابد و همچنان دقت هندسی حفظ می شود.

دستورالعمل های آینده

MRDB: پایگاه داده با وضوح چندگانه[8] ^[8]

برای نقشه برداری توپوگرافی، اغلب مجموعه داده هایی در مقیاس های مختلف توسط نهادهای نقشه برداری ارائه می شود. در گذشته، این مجموعه داده ها معمولاً به صورت دستی توسط فرآیندهای خلاصه سازی تولید می شدند. با در دسترس بودن ابزار خلاصه سازی خودکار، چنین تلاش دستی می تواند جایگزین شود. به منظور استفاده بیشتر از این شبکه از مجموعه داده ها، مقیاس های مختلف در یک پایگاه داده ذخیره می شوند که در آن اشیاء منفرد در مجموعه داده های مختلف با پیوندهای صریح به هم متصل می شوند. سپس این پیوندها امکان دسترسی کارآمد به اشیاء مربوطه در مقیاس‌های همسایه و در نتیجه سهولت حرکت به بالا و پایین در مقیاس‌های مختلف را فراهم می‌کنند. چندین پیشنهاد برای ساختارهای داده مناسب MRDB وجود دارد، به عنوان مثال، Balley و همکاران را ببینید. (2004). پیوندها می توانند در فرآیند خلاصه سازی یا با تطبیق مجموعه داده های موجود ایجاد شوند (Hampe et al. 2004). اگرچه رویکردهای متفاوتی در حال حاضر وجود دارد، هنوز تحقیقات مورد نیاز برای بهره برداری کامل از این ساختار داده وجود دارد (شیرن و همکاران 2004).

به روز رسانی داده ها

یک MRDB در اصل امکان به روز نگه داشتن کارآمد اطلاعات در مجموعه داده های مرتبط را ارائه می دهد. ایده استفاده از ساختار پیوند و انتشار اطلاعات به روز شده به مقیاس های مجاور و مرتبط آن است. چندین مفهوم برای این وجود دارد، با این حال، چالش محدود کردن دامنه نفوذ به اندازه قابل مدیریت کردن آن است (هاونرت و سستر 2005).

ارجاعات متقابل

خلاصه‌سازی، در پرواز – سلسله مراتب و سطح جزئیات – خلاصه‌سازی نقشه – استفاده از موبایل و تجسم تطبیقی – نمودار ورونوی – نقشه برداری وب و کارتوگرافی وب

[1] ^[9]. Selection

[2] ^[10]. Re-Classification

[3] ^[11]. Area Collapse

[4] ^[12]. Skeleton operation

[5] ^[13]. Aggregation

[6] ^[14]. Line Simplification

[7] ^[15]. Streaming

[8] ^[16]. Multiple Resolution Database