Wykorzystanie uczenia maszynowego do selekcji miejscowości i dróg na mapach przeglądowych

Skuteczna i efektywna selekcja miejscowości i dróg na mapach małoskalowych jest zadaniem trudnym i złożonym. Opracowanie kompleksowej metodyki selekcji obiektów cieszy się coraz większym zainteresowaniem badaczy, jednak koncentrują się oni głównie na skalach dużych. Badania podjęte w niniejszej rozprawie mają na celu choćby częściowe wypełnienie tej luki badawczej i zaproponowanie rozszerzenia dotychczas obowiązujących zasad selekcji miejscowości i dróg z Bazy Danych Obiektów Ogólnogeograficznych do skal 1: 500 000 i 1:1 000 000 z wykorzystaniem uczenia maszynowego. W pracy zaproponowano listę cech, które w sposób mierzalny określają zarówno obiekty jak i ich otoczenie. Wyznaczone obszary badawcze w reprezentatywny sposób przedstawiają różnorodność i charakter sieci osadniczej i drogowej w Polsce. Uczenie maszynowe przeprowadzono za pomocą algorytmów drzew decyzyjnych wspomaganych algorytmami genetycznymi. W efekcie otrzymano algorytmy selekcji obiektów z wykorzystaniem atrybutów i ich wartości granicznych. Jako materiały referencyjne wykorzystano mapy atlasowe, opracowane przez doświadczonych kartografów. Uzyskane wyniki porównano z wynikami selekcji opartymi na oficjalnych wytycznych Głównego Urzędu Geodezji i Kartografii.

Efficient and effective selection of settlements and roads for small-scale maps is a difficult and complex task. The development of a comprehensive methodology for the selection of cartographic objects is gaining increasing interest among researchers, however, they tend to focus on large-scales. The research undertaken in this thesis aims to fill this research gap and propose an extension of the existing rules for the selection of settlements and roads from the Database of General Geographic Objects to scales of 1: 500 000 and 1:1 000 000 using machine learning. Additional variables of the objects concerning them and their surroundings have been proposed. The research areas present in a representative way the diversity and character of the settlement and road network in Poland. Machine learning was performed with decision tree algorithms supported with genetic algorithms. The result was object selection algorithms using variables and their boundary values. Atlas maps, designed manually by professional cartographers, were used as reference materials. The results obtained were compared with the selection results based on official national mapping agency guidelines.