fa ارزیابی الگوریتم‌های بهینه‌سازی در تناظریابی داده‌های مکانی چندمقیاسی مبتنی بر ویژگی‌های هندسی سیستمهای اطلاعات مکانی (عمومی) GIS پژوهشي Research <span style="font-family:b nazanin;">شناسایی عوارض با ماهیّت یکسان در مجموعه داده</span>‌<span style="font-family:b nazanin;">های مختلف تحت عنوان تناظریابی عوارض شناخته می</span>‌<span style="font-family:b nazanin;">شود. تناظریابی کاربردهای مستقیم و غیر مستقیم بسیاری نظیر تلفیق، ارزیابی کیفیّت، به روز رسانی داده</span>‌<span style="font-family:b nazanin;">ها و انجام آنالیزهای چندمقیاسی دارد. از این رو در</span>&nbsp;<span style="font-family:b nazanin;">این</span>&nbsp;<span style="font-family:b nazanin;">تحقیق راهکاری نوین جهت تناظریابی عوارض ارائه می‌گردد که ضمن در نظر گرفتن تنها معیارهای هندسی (خصوصیات هندسی و توپولوژیکی) استخراج شده از عوارض، هرگونه وابستگی اولیه به پارامترهای تجربی مرسوم نظیر حد آستانه درجه شباهت مکانی، فاصله</span>&nbsp;<span style="font-family:b nazanin;">بافر و وزن معیارها حذف و تناظریابی در مجموعه داده</span>‌<span style="font-family:b nazanin;">های مختلف انجام می</span>‌<span style="font-family:b nazanin;">گیرد. در رویکرد پیشنهادی تمامی روابط یک به هیچ، هیچ به یک، یک به یک، یک به چند، چند به یک و چند به چند در نظر گرفته می</span>‌<span style="font-family:b nazanin;">شود. همچنین در این تحقیق کارایی الگوریتم</span>‌<span style="font-family:b nazanin;">های ژنتیک، توده ذرات و جستجوی غذای زنبور عسل برای تناظریابی عوارض خطی در مجموعه داده‌های مختلف با استفاده از بهینه</span>‌<span style="font-family:b nazanin;">سازی معیارهای هندسی مورد</span>&nbsp;<span style="font-family:b nazanin;">بررسی قرار می‌گیرد. برای ارزیابی کارایی رویکرد پیشنهادی از سه مجموعه داده در مقیاس</span>‌<span style="font-family:b nazanin;">ها و منابع مختلف استفاده</span>&nbsp;<span style="font-family:b nazanin;">می</span>‌<span style="font-family:b nazanin;">گردد. نتایج</span>&nbsp;<span style="font-family:b nazanin;">نشان داد که چارچوب پیشنهادی به خوبی توانایی شناسایی عوارض متناظر در مجموعه داده‌های مختلف را دارا</span>&nbsp;<span style="font-family:b nazanin;">می‌باشد، همچنین نتایج نشان داد که الگوریتم ژنتیک در مقایسه با دو روش دیگر دارای کارایی بالاتری برای بهینه</span>‌<span style="font-family:b nazanin;">سازی پارامترهای موجود در تناظریابی عوارض خطی می</span>‌<span style="font-family:b nazanin;">باشد.</span> Identification of objects referring to the same entity in different datasets is known as objects matching, which is both directly and indirectly used in a wide range of applications including conflation, quality assessment, data updating, and multi-scale analysis. Hence, a novel object matching approach is presented in this article, in which, in addition to take only geometric property into account, i.e. geometric and topological criteria, extracted from objects, any initial dependency on empirical parameters such as threshold of spatial similarity degree, buffer distance, and metric weights is eliminated, through which matching procedure may then be conducted in different datasets. All the relations in the proposed approach are considered including: one-to-null, null-to-one, one-to-one, one-to-many, many-to-one, and many-to-many. Moreover, efficiency of linear object matching using Real Coded Genetic Algorithm (RCGA), Particle Swarm Optimization (PSO) algorithm, and Artificial Bee Colony (ABC) algorithm in different datasets were investigated through optimization of geometric criteria. In order to assess the efficiency of the proposed approach, three datasets of different scales from various sources were used. As indicated by the results, the proposed framework was able to appropriately identify corresponding objects in different datasets. Additionally, it was revealed that GA outperformed the other two algorithms in terms of optimizing the parameters present in linear object matching. تناظریابی عوارض خطی, معیارهای هندسی, روش‌های بهینه‌سازی, آنالیز حساسیّت, الگوریتم ژنتیک Linear Object Matching, Multi-scale Datasets, Geometric Property, Optimization Algorithms, Real Coded Genetic Algorithm 105 124 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-67-2&slc_lang=fa&sid=1 علیرضا چهرقان 10031947532846005373 10031947532846005373 No University of Tehran دانشگاه تهران Rahim Ali Abbaspour رحیم علی عباسپور abaspour@ut.ac.ir 10031947532846005374 10031947532846005374 Yes University of Tehran دانشگاه تهران