保持居住区形状特征的街道选取决策模型和方法

不规则居住区的形状特征比较复杂,没有明显的规律性,其主要形状特征是由较长的街道线和较大街道网眼决定的。因此,保持居住区的形状特征,即可能保留较长的街道线和较大街道网眼。街道选取决策模型设计中,对于组成大街道网眼的短小街道,为了提高其贡献度,设计了"周长属性",即统计短小街道组成的街道网眼的周长,从而达到正确反映其贡献度的目的。经实验验证,该模型能够最大限度地保持有街道不规则居住区的形状特征。     

基于神经网络的街道渐进式选取

定义了街道网选取所需的相关参数,训练并获取计算街道相对重要性的神经网络模型,提出了利用该模型进行渐进式街道选取的方法.     

基于信息损失的街道渐进式选取方法

对街道网的量测信息、拓扑信息和专题信息进行了计算,在此基础上提出了一种基于信息损失的街道选取方法。按照该方法对GB 12343-90中的一幅街区式居民地地图进行了实验。结果表明,该方法能够动态和渐进地进行街道选取。     

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。     

一种基于动态多尺度聚类的湖泊选取方法

当前湖泊选取方法多采用整体选取的形式,且难以兼顾湖泊的属性特征、分布特征和拓扑特征。通过分析和模仿制图专家人工选取湖泊的认知行为和过程,提出一种顾及分布特征和拓扑特征保持的基于动态多尺度聚类的湖泊选取方法。首先设置面积阈值以选取大面积湖泊,然后通过缓冲区选取"孤立"湖泊,接下来对湖泊群进行动态多尺度聚类来划分出湖泊分布密度不同的区域,对不同区域按开方根规律确定选取数量指标并采用不同选取策略,其中对包含湖泊数量较多的区域依据由主成分分析法定量计算出的重要性综合评价进行迭代选取,直至达到选取数量指标。实验对比表明,该方法在综合考虑重要性的前提下,有效地保持了选取前后湖泊群的形态结构和密度对比。     

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。     

基于蚁群算法的道路选取模型研究

在制图综合中,道路选取是非常重要的内容之一,研究道路选取的智能化方法是非常必要的。文中在研究道路语义、几何特征、拓扑关系和结构特征的基础上,充分考虑居民点对道路选取过程的影响,建立道路选取的蚁群算法模型。通过实验证明该模型算法的可行性和有效性。     

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。     

基于多属性决策的统计数据分级评价模型

通过对已有的专题数据分级评价模型进行分析研究,运用数理统计和决策理论,提出一种新的统计数据分级评价模型——多属性决策分级评价模型,即首先,以常用的分级数学模型作为决策方案;然后,选取分级精度、信息量、分级间隔作为方案的属性,用熵法确定各个属性的权重;最后,提出多属性决策分级评价模型,并通过建立的试验系统,进行数据实验。理论分析和实验结果表明,多属性决策分级评价模型具有很好的评价效果,为用户快速选择分级数学模型提供一种新方法。     

基于数字地图的多属性最优路径问题的算法研究

以某地理信息系统的数字地图为背景，通过综合数字地图交通道路层的几个属性来设置权值，并改善矩形框搜索区域算法，使之适用于地理信息系统下交通道路网的最优路径计算，提高了Dijkstra算法的效率。     

Evaluation of Almond (Amygdalus Scopartia) Habitat Using Multi-criteria Decision Making Method

Bolhasan Forest region with an area of 5,725?ha is located on east north of Dezful County, Iran. The region belongs to natural forests of Dezful. Considering the area is mainly covered by valuable species of Amygdalus Scopartia, its sustainable exploitation and development as well as restoration enjoys great importance. Study ahead aims at selection of suitable habitats for under studied species using Analytical Hierarchy Process (AHP). Therewith, the required thematic maps were imported in to GIS Software and final suitability map was prepared. The results indicated that around 2,119?ha (37%) out of all study area has high suitability for habitat of Amygdalus Scopartia. In the meanwhile, 1,603?ha [equal to 28%] is categorized as good suitability class and 2,003?ha [35%] has poor suitability.     

A Spatial Entropy-Based Decision Tree for Classification of Geographical Information

A decision tree is a classification algorithm that automatically derives a hierarchy of partition rules with respect to a target attribute of a large dataset. However, spatial autocorrelation makes conventional decision trees underperform for geographical datasets as the spatial distribution is not taken into account. The research presented in this paper introduces the concept of a spatial decision tree based on a spatial diversity coefficient that measures the spatial entropy of a geo‐referenced dataset. The principle of this solution is to take into account the spatial autocorrelation phenomena in the classification process, within a notion of spatial entropy that extends the conventional notion of entropy. Such a spatial entropy‐based decision tree integrates the spatial autocorrelation component and generates a classification process adapted to geographical data. A case study oriented to the classification of an agriculture dataset in China illustrates the potential of the proposed approach.     

一种土地使用模糊空间决策方法

基于空间土地信息,提出了一种用地负荷预测的模糊空间决策方案,建立了土地利用模糊空间规则和隶属函数,并考虑决策的多因素影响,采用了多目标决策方法用于土地规划,并给出了土地利用决策的实际案例和计算结果,表明方法的有效性。     

运用复杂网络方法分析城市道路网的鲁棒性

道路网的鲁棒性分析有助于预防或者降低恐怖袭击、自然灾害以及交通拥堵造成的损失。从开放街道地图上获得世界范围内的50个城市道路网,沿用复杂网络鲁棒性分析方法,运用连续删除模型和级联模型对以道路链相交关系表示的城市道路网进行了鲁棒性分析,同时对路网的鲁棒性与其拓扑模式间的关系进行了探讨。研究发现,对于路网的鲁棒性,运用连续删除模型和级联模型所得到的鲁棒性结果存在差异。其中,连续删除模型的道路网鲁棒性普遍较差;而级联模型的鲁棒性,不同路网之间的差别较大;对于同一模型下的度策略和介数策略,介数策略的破坏性大于度策略。对于路网鲁棒性与其拓扑模式的关系,在连续删除模型下,路网鲁棒性与度相关性呈现显著正相关,无标度与非无标度的路网鲁棒性有差异;在级联模型下,路网鲁棒性与度相关性不相关,无标度与非无标度的路网鲁棒性差异不显著。     

利用Sentinel-2A影像的面向对象特征湿地决策树分类方法

苏州市湿地众多、类型多样化、周围环境复杂,使用传统的遥感分类方法很难得到精度较高的湿地分类结果。研究了面向对象特征的湿地决策树分类方法,以苏州市澄湖地区为研究区域,使用欧空局的Sentinel-2A影像,先将研究区域分为湿地水体、植被和非植被3大类型,再分别构建鱼塘、河流、湖泊、农田和裸地等面向对象特征,据此实现湿地遥感分类。研究结果表明,该方法能够有效利用遥感影像提供的光谱特征、几何特征和纹理特征等多种丰富信息,产生较高的分类精度,总体分类精度可达80.67%,Kappa系数为77.80%。与传统的基于中低分辨率遥感影像的分类方法相比,该方法可以有效提取湿地不同地物对象的几何结构和纹理等特征,在提高湿地分类精度的同时实现对大面积湿地的快速动态监测。     

智能空间决策支持之刍议

智能空间决策支持正在成为空间信息科学的一个新兴的研究热点,及时对其基本概念、基本原理和主要技术进行归纳、提炼是十分必要的。首先分析了空间决策智能化研究的必然性和必要性,探讨了智能空间决策支持的定义、研究内容和基本特征,提炼和分析了智能空间决策的主要支撑技术,最后给出了智能空间决策支持系统的基本设计思路和总体架构。     

基于易拼图(EPT)的ADS80数据的数字正射影像制作方法

结合南四湖下级湖抬高蓄水位影响项目中1∶2 000 DOM生产实际情况,介绍了ADS80航空摄影测量系统的优势和DOM生产的自动化软件EPT,详细阐述了基于EPT的数字正射影像的快速制作方法以及涉及的关键技术.试验结果表明,ADS80数据和EPT软件都能提高生产DOM的效率.     

利用特征选择自适应决策树的层次SAR图像分类

提出了一种新的基于特征选择自适应决策树的层次分类算法,用于合成孔径雷达（synthetic apertureradar,SAR）图像的分类。采用Joint Boosting算法选择出最适用于各类的特征组合,并自适应地搜索构造出一个由两类分类器构成的层次分类器,利用特征选择结果和自适应决策树进行了SAR图像的学习和推理,实现了自动分类,在国内首批极化干涉SAR数据上的实验证明了本算法的有效性。     

专题地图制作技术与方法探讨

以成都市相关实验为基础，对MapInfo的专题地图制图技术与方法进行探讨。