v.generalizegrass - Online sa Cloud

PROGRAMA:

NAME

v.pangkalahatan - Nagsasagawa ng vector based generalization.

KEYWORDS

vector, generalization, simplification, smoothing, displacement, network generalization

SINOPSIS

v.pangkalahatan
v.pangkalahatan - Tumulong
v.pangkalahatan [-lt] input=pangalan [patong=pisi] [uri=pisi[,pisi,...]] output=pangalan
[mali=pangalan] paraan=pisi threshold=lumutang [Tingnan mo ang nasa unahan=kabuuan] [pagbabawas=lumutang]
[padausdusin=lumutang] [angle_thresh=lumutang] [degree_thresh=kabuuan] [closeness_thresh=lumutang]
[betweeness_thresh=lumutang] [alpha=lumutang] [beta=lumutang] [pag-ulit=kabuuan]
[cats=saklaw] [saan=sql_query] [--patungan] [--Tulungan] [--pandiwang] [--tahimik] [--ui]

Mga Bandila:
-l
Huwag paganahin ang suporta sa loop
Huwag baguhin ang mga dulo ng mga linya na bumubuo ng isang closed loop

-t
Huwag kopyahin ang mga katangian

--patungan
Pahintulutan ang mga output file na i-overwrite ang mga kasalukuyang file

- Tumulong
I-print ang buod ng paggamit

--verbose
Verbose na output ng module

--tahimik
Tahimik na output ng module

--ui
Piliting ilunsad ang dialog ng GUI

parameter:
input=pangalan [kailangan]
Pangalan ng input vector map
O pinagmumulan ng data para sa direktang pag-access sa OGR

patong=pisi
Numero o pangalan ng layer ('-1' para sa lahat ng mga layer)
Ang isang solong vector map ay maaaring konektado sa maramihang mga talahanayan ng database. Itong numero
tinutukoy kung aling talahanayan ang gagamitin. Kapag ginamit sa direktang pag-access sa OGR ito ang layer
pangalan.
Default: -1

uri=string [, string,...]
Uri ng tampok na input
Pagpipilian: linya, hangganan, lugar
Default: linya, hangganan, lugar

output=pangalan [kailangan]
Pangalan para sa output vector map

mali=pangalan
Error map ng lahat ng linya at hangganan na hindi na-generalize dahil sa mga isyu sa topology o
sobrang pagpapasimple

paraan=pisi [kailangan]
Generalization algorithm
Pagpipilian: Douglas, Douglas_reduction, lang, pagbabawas, reumann, boyle,
sliding_averaging, distance_weighting, chaiken, ermitanyo, ahas, network, pag-aalis
douglas: Douglas-Peucker Algorithm
Douglas_reduction: Douglas-Peucker Algorithm na may parameter ng pagbabawas
lang: Lang Simplification Algorithm
pagbabawas: Ang Vertex Reduction Algorithm ay nag-aalis ng mga puntos na malapit sa isa't isa
reumann: Reumann-Witkam Algorithm
boyl: Ang Forward-Looking Algorithm ni Boyle
sliding_averaging: Ang Sliding Averaging Algorithm ng McMaster
distance_weighting: Distance-Weighting Algorithm ng McMaster
chaiken: Algorithm ni Chaiken
ermitanyo: Interpolation ng Cubic Hermite Splines
snakes: Paraan ng ahas para sa line smoothing
network: Paglalahat ng network
pag-aalis: Pag-alis ng mga linyang malapit sa isa't isa

threshold=lumutang [kailangan]
Pinakamataas na halaga ng pagpapaubaya
Pagpipilian: 0-1000000000

Tingnan mo ang nasa unahan=kabuuan
Parameter sa harap
Default: 7

pagbabawas=lumutang
Porsiyento ng mga puntos sa output ng 'douglas_reduction' algorithm
Pagpipilian: 0-100
Default: 50

padausdusin=lumutang
Slide ng nakalkulang punto patungo sa orihinal na punto
Pagpipilian: 0-1
Default: 0.5

angle_thresh=lumutang
Pinakamababang anggulo sa pagitan ng dalawang magkasunod na segment sa Hermite method
Pagpipilian: 0-180
Default: 3

degree_thresh=kabuuan
Degree threshold sa generalization ng network
Default: 0

closeness_thresh=lumutang
Closeness threshold sa network generalization
Pagpipilian: 0-1
Default: 0

betweeness_thresh=lumutang
Betweeness threshold sa network generalization
Default: 0

alpha=lumutang
Parameter ng ahas alpha
Default: 1.0

beta=lumutang
Parameter ng Snakes beta
Default: 1.0

pag-ulit=kabuuan
Bilang ng mga pag-ulit
Default: 1

cats=saklaw
Mga halaga ng kategorya
Halimbawa: 1,3,7-9,13

saan=sql_query
WHERE kundisyon ng SQL statement na walang 'where' keyword
Halimbawa: kita < 1000 at tirahan >= 10000

DESCRIPTION

v.pangkalahatan ay isang module para sa generalization ng GRASS vector maps. Binubuo ang modyul na ito
ng mga algorithm para sa pagpapasimple ng linya, line smoothing, network generalization at
displacement (maaaring magdagdag ng mga bagong pamamaraan sa ibang pagkakataon). Para sa higit pang mga halimbawa at magagandang larawan, tingnan
sangguni

If uri=lugar ay pinili, ang mga hangganan ng mga napiling lugar ay gagawing pangkalahatan, at ang
pagpipilian cats, saan, at patong ay gagamitin sa pagpili ng mga lugar.

NOTA

Ang (Line) simplification ay isang proseso ng pagbawas sa pagiging kumplikado ng mga feature ng vector. Ang
Binabago ng module ang isang linya sa isa pang linya na binubuo ng mas kaunting mga vertex, iyon pa rin
tantiyahin ang orihinal na linya. Karamihan sa mga algorithm na inilarawan sa ibaba ay pumipili ng isang subset ng
mga puntos sa orihinal na linya.

(Line) smoothing ay isang "reverse" na proseso na tumatagal bilang input ng isang linya at gumagawa ng a
mas malinaw na tinatayang ng orihinal. Sa ilang mga kaso, ito ay nakakamit sa pamamagitan ng pagpasok ng bago
vertices sa orihinal na linya, at maaaring umabot ng hanggang 4000% ng bilang ng vertices in
ang orihinal. Sa ganitong pagkakataon, palaging magandang ideya na pasimplehin ang linya pagkatapos
pagpapakinis.

Ang mga algorithm sa pagpapakinis at pagpapasimple na ipinatupad sa module na ito ay gumagana nang linya sa linya, ibig sabihin
ang pagpapasimple/pagpapakinis ng isang linya ay hindi nakakaapekto sa iba pang mga linya; ginagamot sila
magkahiwalay. Gayundin, ang una at huling punto ng bawat linya ay hindi kailanman isinasalin at/o
tinanggal.

SIMPLIFIKASYON
v.pangkalahatan naglalaman ng mga sumusunod na algorithm ng pagpapasimple ng linya:

· Douglas-Peucker Algorithm

· Douglas-Peucker Reduction Algorithm

· Lang Algorithm

· Pagbawas ng Vertex

· Reumann-Witkam Algorithm

· Alisin ang Maliit na Linya/Lugar
Ang iba't ibang mga algorithm ay nangangailangan ng iba't ibang mga parameter, ngunit ang lahat ng mga algorithm ay may isa
karaniwang parameter: ang threshold parameter, na ibinigay sa mga unit ng mapa (para sa latitude-longitude
mga lokasyon: sa decimal na degree). Sa pangkalahatan, ang antas ng pagpapasimple ay tumataas sa
pagtaas ng halaga ng threshold.

ALGORITMO mga paglalarawan
· Douglas-Peucker - "Quicksort" ng pagpapasimple ng linya, ang pinakamalawak na ginagamit
algorithm. Mga parameter ng input: input, threshold. Para sa karagdagang impormasyon, tingnan ang:
http://geomalgorithms.com/a16-_decimate-1.html.

· Douglas-Peucker Pagbabawas Algorithm ay mahalagang ang parehong algorithm bilang ang
algorithm sa itaas, ang pagkakaiba ay nangangailangan ito ng karagdagang pagbabawas
parameter na nagsasaad ng porsyento ng bilang ng mga puntos sa bagong linya
may kinalaman sa bilang ng mga puntos sa orihinal na linya. Mga parameter ng input:
input, threshold, pagbabawas.

· Mahaba - Isa pang karaniwang algorithm. Mga parameter ng input: input, threshold, Tingnan mo ang nasa unahan.
Para sa isang mahusay na paglalarawan, tingnan ang:
http://www.sli.unimelb.edu.au/gisweb/LGmodule/LGLangVisualisation.htm.

· Kaitaasan Pagbabawas - Pinakasimple sa mga algorithm. Mga parameter ng input: input,
threshold. Dahil sa isang linya, inaalis ng algorithm na ito ang mga punto ng linyang ito
mas malapit sa isa't isa kaysa threshold. Mas tiyak, kung ang p1 at p2 ay dalawa
magkasunod na puntos, at ang distansya sa pagitan ng p2 at p1 ay mas mababa sa threshold, Ito
inaalis ang p2 at inuulit ang parehong proseso sa natitirang mga punto.

· Reumann-Witkam - Mga parameter ng input: input, threshold. Ang algorithm na ito ay medyo
makatwirang pinapanatili ang mga pandaigdigang katangian ng mga linya. Para sa karagdagang
impormasyon, tingnan ang halimbawa:
http://psimpl.sourceforge.net/reumann-witkam.html.
Douglas-Peucker at Douglas-Peucker Pagbabawas Algorithm gamitin ang parehong paraan upang gawing simple
ang mga linya. Tandaan na
v.generalize input=boundary_county output=boundary_county_dp20 method=douglas threshold=20
ay katumbas ng
v.generalize input=boundary_county output=boundary_county_dp_red20_100 \
method=douglas_reduction threshold=20 reduction=100
Gayunpaman, sa kasong ito, ang unang paraan ay mas mabilis. Obserbahan din yan Douglas_reduction
hindi kailanman naglalabas ng mas maraming vertex kaysa douglas, at iyon, sa pangkalahatan, douglas ay mas mahusay
kaysa Douglas_reduction. Higit sa lahat, ang epekto ng
v.generalize input=boundary_county output=boundary_county_dp_red0_30 \
method=douglas_reduction threshold=0 reduction=30
ay ang 'out' ay naglalaman lamang ng humigit-kumulang 30% ng mga punto ng 'in'.

MAKAPAL
Ang mga sumusunod na smoothing algorithm ay ipinatupad sa v.pangkalahatan:

· kay Boyle Naghahanap ng Pasulong Algorithm - Ang posisyon ng bawat punto ay depende sa
posisyon ng mga nakaraang punto at ang punto Tingnan mo ang nasa unahan maaga. Tingnan mo ang nasa unahan
magkakasunod na puntos. Mga parameter ng input: input, Tingnan mo ang nasa unahan.

· kay McMaster Dumudulas Pag-average Algorithm - Mga Parameter ng Input: input, padausdusin,
Tingnan mo ang nasa unahan. Ang bagong posisyon ng bawat punto ay ang average ng Tingnan mo ang nasa unahan
puntos sa paligid. Parameter padausdusin ay ginagamit para sa linear interpolation sa pagitan ng luma at
bagong posisyon (tingnan sa ibaba).

· kay McMaster Distansya-Pagtimbang Algorithm - Kinukuha ang weighted average ng Tingnan mo ang nasa unahan
magkakasunod na puntos kung saan ang bigat ay ang kapalit ng distansya mula sa
ituro ang kasalukuyang pinakinis na punto. Ang parameter padausdusin ay ginagamit para sa linear
interpolation sa pagitan ng orihinal na posisyon ng punto at bagong nakalkula
posisyon kung saan ang value na 0 ay nangangahulugang ang orihinal na posisyon. Mga parameter ng input: input,
padausdusin, Tingnan mo ang nasa unahan.

· kay Chaiken Algorithm - "Inscribes" ang isang linyang humahawak sa orihinal na linya na ang
ang mga puntos sa bagong linyang ito ay hindi bababa sa threshold magkahiwalay. Mga parameter ng input: input,
threshold. Tinatantiya ng algorithm na ito ang ibinigay na linya nang napakahusay.

· Hermite Pagsasama - Kinukuha ng algorithm na ito ang mga punto ng ibinigay na linya bilang ang
control point ng hermite cubic spline at tinatantya ang spline na ito sa pamamagitan ng mga puntos
halos threshold magkahiwalay. Ang pamamaraang ito ay may mahusay na mga resulta para sa maliliit na halaga
of threshold, ngunit sa kasong ito ay gumagawa ito ng malaking bilang ng mga bagong puntos at ilan
karaniwang kailangan ang pagpapasimple. Mga parameter ng input: input, threshold,
angle_thresh. Anggulo_thresh ay ginagamit para sa pagbabawas ng bilang ng mga puntos. Ito
nagsasaad ng minimal na anggulo (sa degrees) sa pagitan ng dalawang magkasunod na segment ng isang linya.

· snakes ay ang paraan ng pagliit ng "enerhiya" ng isang linya. Ang pamamaraang ito
pinapanatili ang pangkalahatang katangian ng mga linya ngunit pinapakinis ang "matalim na sulok"
ng isang linya. Mga parameter ng input input, alpha, beta. Ang algorithm na ito ay gumagana nang mahusay
para sa maliliit na halaga ng alpha at beta (sa pagitan ng 0 at 5). Ang mga parameter na ito ay nakakaapekto sa
"sharpness" at ang curvature ng computed line.
Isa sa mga pangunahing bentahe ng Hermite Pagsasama ay ang katotohanan na ang nakalkulang linya
palaging dumadaan sa mga punto ng orihinal na linya, samantalang ang mga linya na ginawa ng
ang natitirang mga algorithm ay hindi kailanman dumaan sa mga puntong ito. Sa ilang kahulugan, ang algorithm na ito
naglalabas ng isang linya na "nagbubukod" sa linya ng pag-input.

Sa kabilang banda, kay Chaiken Algorithm naglalabas ng linya na "naglalagay" ng isang linya. Ang
Ang linya ng output ay laging dumadampi/nagsa-intersect sa gitna ng segment ng linya ng input sa pagitan ng dalawa
magkakasunod na puntos. Para sa higit pang mga pag-ulit, hindi hawak ng property sa itaas, ngunit ang
Ang mga nakalkulang linya ay halos kapareho sa Bezier Splines. Ang dehado ng dalawa
Ang mga algorithm na ibinigay sa itaas ay pinapataas nila ang bilang ng mga puntos. gayunpaman, Hermite
Pagsasama maaaring magamit bilang isa pang algorithm ng pagpapasimple. Upang makamit ito, ito ay
kailangang itakda angle_thresh sa mas mataas na mga halaga (15 o higit pa).

Ang isang paghihigpit sa parehong McMasters' Algorithms ay iyon Tingnan mo ang nasa unahan ang parameter ay dapat na kakaiba.
Tandaan din na ang mga algorithm na ito ay walang epekto kung Tingnan mo ang nasa unahan = 1.

Tandaan na ang kay Boyle, McMasters' at snakes Minsan ginagamit ang algorithm sa signal
pagproseso upang makinis ang mga signal. Higit sa lahat, hindi kailanman binabago ng mga algorithm na ito ang
bilang ng mga puntos sa mga linya; isinasalin lamang nila ang mga punto, at hindi naglalagay ng anumang bago
puntos.

snakes Ang algorithm ay (asymptotically) ang pinakamabagal sa mga algorithm na ipinakita sa itaas.
Gayundin, nangangailangan ito ng maraming memorya. Nangangahulugan ito na ito ay hindi masyadong mahusay para sa
mga mapa na may mga linya na binubuo ng maraming mga segment.

PAGTATAYA
Ang displacement ay ginagamit kapag ang mga linya ay nagsasapawan at/o malapit sa isa't isa sa
kasalukuyang antas ng detalye. Sa pangkalahatan, inililipat ng mga paraan ng displacement ang mga magkasalungat na feature
magkahiwalay upang hindi sila magkaugnay at makilala.

Ang module na ito ay nagpapatupad ng isang algorithm para sa displacement ng mga linear na tampok batay sa
snakes lapitan. Ang pamamaraang ito sa pangkalahatan ay nagbubunga ng napakagandang resulta; gayunpaman, nangangailangan ito ng a
maraming memorya at hindi masyadong mahusay.

Ang paglilipat ay pinili ng method=displacement. Ginagamit nito ang mga sumusunod na parameter:

· threshold - tumutukoy sa kritikal na distansya. Dalawang feature ang nakikipag-ugnayan kung mas malapit sila
kaysa threshold bukod.

· alpha, beta - Tinutukoy ng mga parameter na ito ang tigas ng mga linya. Para sa mas malalaking halaga ng
alpha, beta (>=1), ang algorithm ay gumagawa ng isang mas mahusay na trabaho sa pagpapanatili ng orihinal na hugis
ng mga linya, posibleng sa gastos ng displacement distance. Kung ang mga halaga ng
alpha, beta ay masyadong maliit (<=0.001), pagkatapos ay ang mga linya ay inilipat nang sapat, ngunit
ang geometry at topology ng mga linya ay maaaring sirain. Malamang ang pinakamahusay na paraan upang
hanapin ang magagandang halaga ng alpha, beta ay sa pamamagitan ng pagsubok at pagkakamali.

· pag-ulit - nagsasaad ng bilang ng mga pag-ulit ang mga pakikipag-ugnayan sa pagitan ng mga linya
ay nalutas. Magandang panimulang punto para sa mga halaga ng pag-ulit ay nasa pagitan ng 10 at
100.
Ang mga linyang apektado ng algorithm ay maaaring tukuyin ng patong, cats at saan
parameter.

NETWORK GENERALISASYON
Ginagamit para sa pagpili ng "pinakamahalaga" na bahagi ng network. Ito ay batay sa graph
mga algorithm. Ang network generalization ay inilapat kung method=network. Kinakalkula ng algorithm
tatlong sentralidad na sukat para sa bawat linya sa network at ang mga linya lamang na may mga halaga
mas malaki kaysa sa mga threshold ang napili. Ang pag-uugali ng algorithm ay maaaring mabago ng
sumusunod na mga parameter:

· degree_thresh - Pinipili lamang ng algorithm ang mga linya na nagbabahagi ng isang punto ng hindi bababa sa
degree_thresh magkaibang linya.

· closeness_thresh - ay palaging nasa hanay (0, 1]. Tanging ang mga linya na may
closeness centrality value man lang closeness_thresh bukod ay pinili. Ang mga linya
sa gitna ng isang network ay may mas malaking halaga ng panukalang ito kaysa sa mga linyang malapit
hangganan ng isang network. Nangangahulugan ito na ang parameter na ito ay maaaring gamitin para sa pagpili
ang (mga) sentro ng isang network. Tandaan na kung closeness_thresh=0 kung gayon ang lahat ay
Napili.

· betweeness_thresh - Muli, tanging ang mga linyang may pagitan ng sentralidad ang sukat sa
pinakamaliit betweeness_thresh ay pinili. Ang halagang ito ay palaging positibo at mas malaki
para sa malalaking network. Tinutukoy nito kung gaano kalawak ang isang linya sa pagitan ng iba pang mga linya
sa network. Malaki ang value na ito para sa mga linyang nasa pagitan ng iba pang mga linya
at humiga sa mga landas sa pagitan ng dalawang bahagi ng isang network. Sa terminolohiya ng kalsada
network, ito ay mga highway, bypass, pangunahing kalsada/kalye, atbp.
Ang lahat ng tatlong mga parameter sa itaas ay maaaring iharap sa parehong oras. Sa kasong iyon, ang algorithm
pinipili lamang ang mga linya na nakakatugon sa bawat pamantayan.

Gayundin, ang output na network ay maaaring hindi konektado kung ang halaga ng betweeness_thresh Masyadong
malaki.

HALIMBAWA

SIMPLIFIKASYON Halimbawa
Pagpapasimple ng mga hangganan ng county gamit ang DP method (North Carolina sample dataset),
threshold na ibinigay sa mga unit ng mapset (dito: metro):
v.generalize input=boundary_county output=boundary_county_dp20 \
method=douglas threshold=20 error=boundary_county_dp20_leftover

MAKAPAL Halimbawa
Smoothing ng network ng kalsada gamit ang Chaiken method (North Carolina sample dataset), threshold
ibinigay sa mga unit ng mapset (dito: metro):
v.generalize input=roads output=roads_chaiken method=chaiken \
threshold=1 error=roads_chaiken_leftover

Gamitin ang v.generalizegrass online gamit ang mga serbisyo ng onworks.net