基于Voronoi图的大比例尺跨度居民地综合算法

探讨了大比例尺跨度下居民地综合特点,对比分析了现阶段点群目标综合算法,结合现有算法在处理大比例尺跨度下居民地综合时存在的不足,提出了一种基于行政区划的Voronoi图构建方法,建立了顾及居民地选取优先级的居民地综合模型,有效地提高了大比例尺跨度下居民地综合的效率和质量。     

采用层次分析法的面状居民地自动选取

考虑到居民地的行政等级、位置特征、面积大小等因素对居民地选取的影响,提出了基于层析分析法的面状居民地自动选取方法。首先对影响居民地重要性的因素标准化;然后采用层次分析法对这些因素构建单个居民地层次结构模型,使这些因素加以关联;在此基础上,计算各因素的权值,并综合评价地图上单个居民地要素的重要性程度;最终利用开方根模型完成居民地的选取。该方法将定性分析和定量分析相结合,综合考虑不同因素对居民地重要性影响程度的差别,使权值分配更科学。试验证明,该方法选取的结果符合选取原则,较好地解决了居民地选取问题。     

基于案例推理的居民地选取方法

针对当前中小比例尺地图中居民地选取面临的专家制图经验难以形式化表达的问题,提出一种基于案例推理的居民地选取方法。首先,把制图专家对居民地交互选取结果作为案例对象,挖掘居民地案例的属性特征指标,对属性赋值和归一化处理;然后,采用逐步消元法对居民地最佳属性组合进行选择,并构建源案例库;最后,采用案例推理方法,结合KNN算法,训练案例库确定KNN算法的最佳K值,将新案例与源案例库检索匹配,得出最佳决策结果,进而指导待决策居民地的自动选取。经试验验证,该方法能够较好地还原专家的选取意向,具有较好的抗噪声能力,在面状居民地自动选取中取得了较好的效果。     

采用主成分分析法的面状居民地自动选取

居民地选取是一个多种因素相互约束、相互关联的过程,而这些影响居民地重要性因素的关系往往难以定量地描述出来,提出了基于主成分分析法的居民地自动选取方法。首先,采用主成分分析法对这些相互约束、相互影响的因子转换成一组无关变量;其次,对这转换后的无关变量提取主要成分;第三,计算出主成分的权重用以评价居民地的重要性程度;最后,利用开方根模型完成居民地要素的定额选取。该方法将相互关联、相互约束的影响居民地重要性的因子转换成新的无关变量,提炼出其主要成分并计算权值用以综合评价居民地的重要性。实验对比分析表明,该方法综合考虑了居民地要素的行政等级、位置特征和面积大小等因素对居民地重要性的影响,选取结果,较好地保持了居民地选取前后的整体形态,符合选取原则。     

基于Voronoi图的GIS空间分析研究

从GIS应用需求的角度 ,总结与分析了Voronoi图的基本性质 ,着重介绍了基于Voronoi图的空间分析方法与模型 ,包括地形分析、设施布局分析、数据概括和空间推理 ,并指出了进一步的研究与发展方向。     

路网约束下的点群状居民地选取方法

点群状居民地的空间分布与路网结构相互影响。提出了一种路网约束下的点群状居民地选取方法。首先以路段为单元构建道路Voronoi图来划分区域,在合并面积过小的区域后对点群状居民地进行分区;然后计算每个区域中点的权值并进行选取;最后对间距小于冲突距离阈值的密集点群进行处理。将该方法用于点群状居民地的实例数据进行验证,结果表明该方法能有效保持点群状居民地的空间分布特征和密度对比。     

地图上确定居民地选取指标的依据研究

在编图中居民地选取指标的确定,有的提出以居民地密度为依据,有的认为应以人口密度为依据。采用那一种依据较好,在制图综合理论中缺乏结论性的论断。本文分析了大量地图资料,证明在编图中大于1:70万比例尺的普通图应以居民地密度作为确定居民地指标的主要依据,小于1:70万比例尺的普通图应以人口密度作为主要依据。     

一种面向多尺度面状居民地匹配的Voronoi图自适应构建算法

针对现有基于发生元离散化思想的Voronoi算法在计算效率与边界位置精度之间难以平衡控制的问题,提出了一种基于邻居对分类插值策略的面向多尺度面状居民地匹配的Voronoi图自适应构建算法(adaptive Voronoi diagrams algorithm for matching multi-scale areal residential areas, AVARA)。首先,利用居民地多边形的质心构成的Delaunay三角网计算出居民地邻居对;其次,根据邻居对之间的最小距离及其最小面积外包矩形的边长最小值的大小关系将邻居对分类;然后,根据邻居对类别采用相应的方法在居民地边界上自适应地内插点;最后,基于内插点集及居民地的顶点集构建居民地的Voronoi图。利用1∶10 000和1∶50 000居民地数据进行了Voronoi图实验,结果表明,在1∶10 000数据中,AVARA在局部位置精度与时间性能方面均优于通视点法、3 m及6 m等间隔内插点法;在1∶50 000数据中,与30 m等间隔内插点法相比,AVARA取得了较高的局部位置精度;与15 m等间隔内插点法相比,AVARA的位置精...     

基于面向对象的Voronoi图生成算法

面向对象方法是当前较为流行的程序设计方法。针对目前一些生成Voronoi图的算法中所存在的不足，探讨面向对象技术在Voronoi图的生成中的应用。     

基于Voronoi图的长春市变电站选址

利用Voronoi图的最邻近性和空心圆特征,结合实际用电需求,通过ArcGIS与Matlab进行迭代模拟分析,得到长春市规划变电站位置,从而为变电站的具体空间落位提供了可靠依据。     

基于空间遥感影像的居民地自动解译

针对当前地物要素信息采集劳动强度大、智能化程度不高、效率低等技术瓶颈,本文以深度学习理论为基础,在Caffe框架上依托Digits网络服务器构建居民地数据集进行分类识别训练,建立样本数据集并完成模型训练工作.整合居民地复杂数据信息,设计了针对遥感影像自动解译居民地的操作流程.通过对实验结果分析,利用深度学习获取的数据模...     

基于Rough集的居民地属性知识约简与结构化选取

基于Rough集理论提出了居民地属性知识约简及其结构化选取的方法。该方法充分利用Rough集理论具有较强知识挖掘能力的特点,定量分析居民地选取中条件属性的重要性,简化属性知识,并以此为基础计算每个居民地的重要性,实现居民地的结构化选取。实例证明,该方法能够从数据库中挖掘出相关知识,具有较强的自适应能力     

基于Voronoi图的人口普查区的划分技术研究

人口普查区的划分是进行人口普查的先期工作。本文探讨了利用Voronoi图的良好空间拓扑属性进行人口普查区划分的方法。文章从多边形数据出发,利用间接法实现Voronoi图的生成,然后根据普查区划分的人口阀值,通过相邻Voronoi图之间的操作,最终实现人口普查区的划分。可为人口普查提供有效的服务,并间接地为人口空间化提供了一种有效的表现形式。     

基于国产影像的无图区居民地采集指标研究

基于国产高分辨率遥感卫星影像,在四川省无图区选取了1幅1∶10 000图幅作为研究区,分别以不综合、7 m综合、15 m综合3种尺度进行了居民地采集指标的研究,分析了居民地按房屋真形、以不综合方式进行采集制图的可行性。结果表明：居民地不综合和7 m综合2种尺度均可应用于1∶10 000基础地理信息数据新测项目,符合其生产需求,但不综合方式生产时间较传统按15 m综合方式增加了4—8倍,制图图面负载量较大,符号边线压盖明显,不利于判读,因此,建议在城市地区尤其是房屋密集区域选用7 m综合尺度进行居民地采集,在广大农村房屋较稀疏地区按房屋真形不综合方式采集。     

基于Voronoi图无人机影像快速拼接方法研究

为实现大序列城市高分辨率无人机影像的快速拼接,提出了基于Voronoi图的快速拼接技术。以平顶山80幅分辨率为0.1 m的无人机影像为例,先用直方图匹配进行影像间匀光,用反解法数字微分进行正射纠正,再以像主点为中心快速生成测区Voronoi图拼接线网络,最后基于拼接线网络快速拼接。实验结果表明,基于Voronoi图拼接线网络进行城市高分辨率无人机影像拼接,能有效避免中心投影造成的影像边缘较大的投影差,快速获得城市高分辨率正射影像全景图。     

一种顾及多特征约束的Voronoi图点群选取方法

点群的自动选取是制图综合的重要内容。在Voronoi图点群选取的基础上,提出一种顾及多特征约束的Voronoi图点群选取方法。该方法顾及了描述点群要素重要性的空间分布特征、拓扑和密度特征、专题属性特征以及与其他要素的关联特征,构建了基于综合特征重要性的度量模型,并作为约束条件应用于Voronoi图点群要素的选取。实验结果表明,该方法不仅可以综合考虑点群要素的多种重要性特征,而且能够较好地保持点群综合前后空间特征的一致性,符合传统制图综合规律,具有一定的普适性。     

基于Voronoi图的空间关联规则挖掘方法研究

提出了利用Voronoi图作为辅助工具实现连续空间离散化的方法,并给出了基于Voronoi图构建空间事务数据库(spatial transaction database,STD)的算法。在此基础上,采用经典的Apriori算法来例证如何从STD中挖掘空间关联规则。实际算例验证了本文方法的可行性和有效性。     

基于Voronoi图的农村居民点空间分布特征研究

采用GIS查询统计和Voronoi图的cv值及熵值相结合的分析方法,研究了乐安县农村居民点的分布特征及其影响因素。结果表明,全县大部分居民点呈集群分布,少数乡镇呈均匀分布,选择空间特征趋向的农村居民点占有较大比例。