Instituto Politécnico da Guarda 2012

(1)

Instituto Politécnico da Guarda 2012

(2)

Objectivo: Generalizar automaticamente a série M783 (escala

AM - CINAMIL _IPG_{IPG ---- 2012}_IPG_IPG 201220122012 TCor Travanca Lopes

Objectivo: Generalizar automaticamente a série M783 (escala 1/50.000) a partir da série M888 (escala 1/25.000)

(3)

1 – In tr od u ção

(4)

1ª Fase

Caracterização numérica das entidades

2ª Fase

Escolha dos Algoritmos e respectivos Parâmetros

AM - CINAMIL _IPG_{IPG ---- 2012}_IPG_IPG 201220122012 TCor Travanca Lopes 3ª Fase

Generalizar as entidades

4ª Fase

Resolução de conflitos

(5)

Reduzindo o tamanho de uma carta esta torna-se ilegível

Não podemos simplesmente reduzir o tamanho de uma carta para obter uma de escala menor

A cartografia em várias escalas não é mais do que visualizações em diversos graus de abstracção do mesmo espaço geográfico

(6)

Abstracção

Mapa do Metro de Londres

1921

_{Harry Beck}

1933

(7)

T

zxÇxÜtÄ|ét†ûÉ

°°°° âÅ

âÅ

ÑÜÉvxááÉ vÉzÇ|à|äÉ

ÑÜÉvxááÉ

vÉzÇ|à|äÉ

vÉÅ

vÉÅ tttt

T

zxÇxÜtÄ|ét†ûÉ

°°°° âÅ

âÅ

ÑÜÉvxááÉ vÉzÇ|à|äÉ

ÑÜÉvxááÉ

vÉzÇ|à|äÉ

vÉÅ

vÉÅ tttt

y|ÇtÄ|wtwx

y|ÇtÄ|wtwx wx

wx

wx vÜ|tÜ

vÜ|tÜ

vÜ|tÜ ä|á|u|Ä|wtwx

vÜ|tÜ

ä|á|u|Ä|wtwx

ä|á|u|Ä|wtwx xxxx Äxz|u|Ä|wtwx

Äxz|u|Ä|wtwx

twtÑàöäx|á

twtÑàöäx|á tÉ

tÉ

tÉ xáÑt†É

tÉ

xáÑt†É

xáÑt†É wx

xáÑt†É

wx ä|áâtÄ|ét†ûÉ?

wx

ä|áâtÄ|ét†ûÉ?

ä|áâtÄ|ét†ûÉ? õõõõ wxy|Ç|†ûÉ

ä|áâtÄ|ét†ûÉ?

wxy|Ç|†ûÉ

wxy|Ç|†ûÉ wÉá

wÉá

Åx|Éá

Åx|Éá wx

wx

wx xåÑÉá|†ûÉ?

wx

xåÑÉá|†ûÉ?

xåÑÉá|†ûÉ? tÉ

tÉ

tÉ Ç•äxÄ

tÉ

Ç•äxÄ wt

Ç•äxÄ

wt

wt ÑxÜvxÑ†ûÉ

wt

ÑxÜvxÑ†ûÉ

ÑxÜvxÑ†ûÉ xxxx õá

ÑxÜvxÑ†ûÉ

õá

xå|z£Çv|tá

xå|z£Çv|tá tÑÄ|vtv|ÉÇt|á

tÑÄ|vtv|ÉÇt|á

tÑÄ|vtv|ÉÇt|á wÉá

wÉá

wÉá áxâá

áxâá

áxâá âà|Ä|étwÉÜxá

âà|Ä|étwÉÜxá

âà|Ä|étwÉÜxáAAAA

(8)

Eliminação Selecção Simplificação Agregação Fusão Refinamento

Radical Law (Topfer 1974) Horton order (Horton 1945) Elimination Poligons (Bader 1997)

Suavização

Processo

Classificação Simbolização

Deslocamento Exagero

Realce

(9)

Fase inicial do projecto

Parâmetros caracterizadores das linhas: - Dimensão Fractal;

- Angularidade;

- Comprimento total da linha;

- Média do comprimento dos segmentos; Entidades a generalizar – Curvas de nível

Entidades a generalizar – Curvas de nível

- Média do comprimento dos segmentos; - Desvio padrão dos segmentos;

- Número de vértices; - Cota.

A escolha do parâmetro é efectuada com recurso a IA Algoritmo utilizado – Apresentado por Lopes(2006)

(10)

ALGORITMO

Generalização de Curvas de nível

AM - CINAMIL _IPG_{IPG ---- 2012}_IPG_IPG 201220122012 TCor Travanca Lopes Acção das forças aplicadas

Reacção do corpo Curva de nível original

Curvas de nível generalizadas com diferentes tensões

T Lopes (2006)

(11)

i B r A r i B r

b) Cálculo dos vectores perpendiculares ao vector ;

ALGORITMO

a) Cálculo do vector

e pontos máximos e mínimos;

AM - CINAMIL _IPG_{IPG ---- 2012}_IPG_IPG 201220122012 TCor Travanca Lopes i

A

perpendiculares ao vector ;

c) Exemplo de diferentes tensões aplicadas à curva de nível;

(12)

BDG

Inteligência

Generalizar o Mapa

Avaliação Resultados

Output

BDG

BD Conhecimento Regras _Prioridades Inteligência Artificial (Algoritmos & Parâmetros)

Output

Refinamento

(13)

FASES DO PROJECTO

Caracterização das entidades

Escolha do Algoritmo e

Algoritmo e respectivos parâmetros Generalizar automaticamente as entidades

(14)

BDG

Inteligência Artificial

Generalizar o Mapa

Avaliação Resultados

Output

BD Conhecimento Regras _Prioridades Artificial (Algoritmos & Parâmetros)

Output

Refinamento

(15)

Inteligência Artificial

(16)

a) INPUT

b) Definição das variáveis

c₁) NN

c₂) C&R c3) C5

d₁) Output NN d2) Output C&R d3) Output C5

e) Agente

(17)

REDES NEURONAIS Neurónio artificial E N T R A D A SAÍDA

Redes Neuronais

Arquitectura de Redes Neuronais

Dim Fractal

Tensão Camada Entrada Camadas Intermédias Camada Saída D A D O S E N T R A D A S A Í D A Num Vert Comp Desvio Pad Media Seg Angular Cota

(18)

Para a fase da aprendizagem dos métodos de inteligência artificial foram generalizadas as curvas de nível da folha Nº309 da série M888 por um operador experiente.

Ajustaram-se os parâmetros de modo a que a rede neuronal e as árvores de classificação e regressão obtivessem um resultado tão próximo quanto possível dos valores da tensão utilizados nesta generalização

Aprendizagem

(19)

Funções de activação APRENDIZAGEM Atributos das curvas de nível da folha Nº309 Tensão utilizada no algoritmo de generalização

(20)

Árvores de Classificação e Regressão

Representação por árvores de decisão:

– Cada nó de decisão contem um teste num atributo.

– Cada ramo descendente corresponde a um possível valor deste atributo.

– Cada Folha está associada a uma classe.

– Cada percurso na árvore (da raiz à folha) corresponde a uma regra de

folha) corresponde a uma regra de classificação.