In the presented research, the main aim is the assessment of machine learning (ML) techniques usage in the process of acquiring and formalizing generalization rules and variables, understood as settlement features, in settlement generalization. The research specifically addresses the problem of automated settlement selection for 1:1,000,000 scale. We focus on two processes of cartographic knowledge formalization: first, the extraction of semantic and structural knowledge through data enrichment, and second, automated acquisition and application of procedural cartographic knowledge with the use of ML models. This work contributes to extending the toolbox for small-scale mapping and we concentrate specifically on decision tree-based models. The main achievements of our research are as follows. First, we verify the existing settlement’s selection rules and variables proposed for 1:1,000,000 detail level by comparing the selection results with the well-elaborated reference map. Second, with the use of DT-based models, we make the part of the cartographic knowledge hidden in maps explicit, and show how these models can be used to explore and formulate additional generalization rules and variables important in settlement selection. The research is carried out for the area of Poland but we believe it can be validated and extended to other National Mapping Agencies.

中文翻译：

---

使用基于决策树的模型验证和探索小比例地图的定居点选择规则和变量

在所提出的研究中，主要目的是评估机器学习 (ML) 技术在获取和形式化泛化规则和变量的过程中的使用情况，这些泛化规则和变量被理解为结算特征，在结算泛化中。该研究专门解决了 1:1,000,000 比例的自动结算选择问题。我们关注制图知识形式化的两个过程：首先，通过数据丰富提取语义和结构知识，其次，使用 ML 模型自动获取和应用程序制图知识。这项工作有助于扩展小规模映射的工具箱，我们特别关注基于决策树的模型。我们的主要研究成果如下。第一的，通过将选择结果与精心设计的参考地图进行比较，我们验证了现有定居点的选择规则和为 1:1,000,000 详细级别提出的变量。其次，通过使用基于 DT 的模型，我们使隐藏在地图中的部分制图知识变得明确，并展示了如何使用这些模型来探索和制定对聚落选择很重要的其他泛化规则和变量。这项研究是针对波兰地区进行的，但我们相信它可以得到验证并扩展到其他国家测绘机构。并展示如何使用这些模型来探索和制定对聚落选择很重要的其他泛化规则和变量。这项研究是针对波兰地区进行的，但我们相信它可以得到验证并扩展到其他国家测绘机构。并展示如何使用这些模型来探索和制定对聚落选择很重要的其他泛化规则和变量。这项研究是针对波兰地区进行的，但我们相信它可以得到验证并扩展到其他国家测绘机构。