USAGE OF VARIANCE IN DETERMINATION OF SINUOSITY INTERVALS FOR ROAD MATCHING

Öz

Geo-object matching is a process that identifies, classifies and matches the object pairs with regards to their maximum similarity in whole datasets. The matching process is used to handle updating, aligning, optimizing, integrating and/or quality measuring of road networks. There are several metrics used in matching algorithms such as Hausdorff distance, orientation, valence, sinuosity etc. Sinuosity is a ratio of actual length of a road to the straight length among start and end points of the same road. Sinuosity defines how curve a road is. In a matching process, it is necessary to determine the sinuosity thresholds or intervals firstly. Sinuosity intervals can be determined by several data classification methods such as equal interval, quantile, natural breaks and geometrical interval. Furthermore, the intervals determined by Ireland Transportation Agency can be used in parallel with this purpose. In this study, it was aimed to find out if the variance can be used in determination of sinuosity intervals as well. An experiment was conducted to compare all of the methods mentioned above. According to the results in road matching, the efficiency of the sinuosity intervals determined by the methods differs from 37.4% to 49.4%, and it seems that the intervals determined by the variance are the most efficient ones.

Anahtar Kelimeler

• Data integration,Intervals,Road matching,Sinuosity,Variance

Yol Eşlemesi İçin Kıvrımlılık Aralıklarının Belirlenmesinde Varyansın Kullanımı

Öz

Coğrafi obje eşleşmesi, obje veri kümelerini, obje veri kümelerindeki maksimum benzerliklerine göre tanımlayan, sınıflandıran ve eşleştiren bir süreçtir. Eşleme işlemi, yol ağlarının güncellenmesini, hizalanmasını, optimize edilmesini, entegre edilmesini ve / veya kalitesinin ölçülmesini sağlamak için kullanılır. Eşleme algoritmalarında; Hausdorff mesafesi, doğrultu, bağlanma derecesi, kıvrımlılık vb. gibi kullanılan çeşitli metrikler vardır. Kıvrımlılık, aynı yolun başlangıç ve bitiş noktaları arasında bir yolun gerçek uzunluğunun düz uzunluğa oranıdır. Kıvrımlılık, bir yolun ne kadar eğri olduğunu tanımlar. Bir eşleme işleminde, öncelikle kıvrımlılık eşiklerini veya aralıklarını belirlemek gerekir. Kıvrımlılık aralıkları; eşit aralık, kuantil, doğal kırılma ve geometrik aralık gibi çeşitli veri sınıflandırma yöntemleri ile belirlenebilir. Ayrıca, İrlanda Ulaştırma Ajansı tarafından belirlenen aralıklar bu amaca paralel olarak kullanılabilir. Bu çalışmada, varyansın, kıvrımlılık aralıklarının belirlenmesi için kullanımı araştırılmıştır. Yukarıda belirtilen tüm yöntemleri karşılaştırmak için bir deney yapıldı. Yol eşlemesinde elde edilen sonuçlara göre, yöntemlerle belirlenen kıvrımlılık aralıklarının verimi %37.4'ten %49.4'e kadar değişmekte olup, varyansın belirlediği aralıkların en verimli olduğu görülmektedir.

Anahtar Kelimeler

• Veri entegrasyonu,Aralık,Yol eşleme,Kıvrımlılık,Varyans

Kaynakça

1. Hacar, M., Gökgöz, T., 2016, “An Experiment on Distance Metrics used for Road Matching in Data Integration”, Sigma Journal of Engineering and Natural Sciences, Vol. 34(4), pp. 527-542.
2. Haynes, R., Jones, A., Kennedy, V., Harvey, I., Jewell, T., 2007, “District Variations in Road Curvature in England and Wales and Their Association with Road-Traffic Crashes” Environment and Planning A, Vol. 39(5), pp. 1222-1237.
3. Li, L., Goodchild, M.F., 2011, “An Optimisation Model for Linear Feature Matching in Geographical Data Conflation”, International Journal of Image and Data Fusion, Vol. 2(4), pp. 309-328.
4. Lynch, M. P., Saalfeld, A. J., 1985, “Conflation: Automated Map Compilation—A Video Game Approach”, In Proceedings Auto-Carto, Vol. 7, pp. 343-352.
5. Mueller, J. E., 1968, “An Introduction to the Hydraulic and Topographic Sinuosity Indexes” 1. Annals of the Association of American Geographers, Vol. 58(2), pp. 371-385.
6. Mustière, S., Devogele, T., 2008, “Matching Networks With Different Levels of Detail”, GeoInformatica, Vol. 12(4), pp. 435-453.
7. Olteanu-Raimond, A. M., Mustiere, S., Ruas, A., 2015, “Knowledge Formalization for Vector Data Matching Using Belief Theory”, Journal of Spatial Information Science, Vol. 2015(10), pp. 21-46.
8. Transport Infrastructure, 2016, National Road Network Sinuosity Index: Ireland, https://data.gov.ie/dataset/national-road-network-sinuosity-index (Accessed on 1 September 2018).

9. Zhang, M., Meng, L., 2007, “An Iterative Road-Matching Approach for the Integration of Postal Data”, Computers”, Environment and Urban Systems, Vol. 31(5), pp. 597-615.