卷积神经网络支持下的建筑物选取方法EI北大核心CSCD

建筑物选取是地图综合的关键步骤,需要考虑目标大小、方向、形状、密度等多种上下文因子进行重要性评价与选取决策。现有方法大多考虑单一或少数几个因子,通过人工设置选取规则与参数,导致选取模型适应性不强。本文构建一种数据驱动的图卷积神经网络选取方法,该方法利用Delaunay三角网将建筑物目标组织为图结构,节点表示建筑物中心点,连接边体现建筑物之间的邻近关系,并计算建筑物的大小、方向、形状、密度特征作为对应节点的描述特征;然后叠加多个图傅里叶卷积运算构建图学习模型,并采用半监督学习方式训练模型,使之具备决策单个建筑物保留与否的能力。试验表明,本文方法能从少量的标注样本中有效地学习建筑物选取知识,在保留重要个体目标的同时也能较好地保持原有空间分布密度关系,克服传统方法在规则定义与参数设置方面的难题且不依赖于大量人工标注,为建筑物综合选取的智能化实施提供潜在的技术途径。     

面状居民地形状分类的图卷积神经网络方法EI北大核心CSCD

形状识别和分类是地图制图综合的重要内容之一,面状居民地要素作为地理空间矢量数据的重要组成部分,其形状认知是制图综合的基础。本文针对当前几何和统计形状分类方法的不足,借助图卷积神经网络的图数据分类能力,提出了一种基于图卷积神经网络的面状居民地形状分类方法。该方法首先从面状居民地轮廓多边形入手,提取其轮廓的多个特征,获取形状的图表达;然后,利用图卷积神经网络对居民地形状信息进行多轮次提取和聚合,将形状信息嵌入一个高维向量中;最后利用全连接神经网络对高维形状向量进行分类。试验表明,该方法能够有效提取居民地形状信息,克服了传统分类方法人为设置指标的不足,实现了端到端的居民地形状信息提取与分类。     

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。     

介绍普通图集邻区居民地选取的一种方法

无论编制国家普通图集还是省普通图集，都存在一个邻区各要素选取问题，特别是居民地选取。在一本图集中，邻区是一个不可忽视的部分，它起到衬托主区、显示与主区及其周围的相关关系的作用。因此，邻区编制的好坏直接关系到作品的质量。     

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。     

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     

图卷积网络在道路网选取中的应用

针对现有制图综合中的道路网自动选取方法不能有效地利用道路网的空间特征问题,该文把道路网抽象为图结构,提出了使用图卷积网络来进行道路网的自动选取,并比较分析了不同的图卷积网络在道路网选取中的适用性。结果表明,图卷积网络可以通过多层卷积来自动提取不同局部范围的空间特征,从而减少空间特征的人工构建,相比传统的多层感知机(MLP)等人工智能选取方法,具有更高的选取精度。对于不同的图卷积网络模型,使用最大池化聚合的GraphSAGE获得了最优的性能。     

地理信息服务网络与协同研究进展EI北大核心CSCD

互联网与大数据技术的高速发展为地理信息服务的互联共享与广泛应用提供了技术基础。面对资源海量、多源异构的地理信息服务,如何实现服务的有效组织并提供合理高效的服务组合,拓展地理信息服务的应用范围,满足更高层次的应用需求受到研究者的广泛关注。构建地理信息服务网络并通过语义实现服务协同,是一种可能的解决方案。本文分析了当前地理信息服务和地理信息服务网络研究的现状,依据服务网络领域的研究成果,从服务网络的表达和优化、服务协同的构建和优化两个方面探讨了基于网络构建的地理信息服务协同方法的发展潜力,进而提出了地理信息服务网络及协同面临的挑战与研究方向。     

多源道路智能选取的本体知识推理方法EI北大核心CSCD

大数据时代道路数据来源日益增多,跨数据源的道路选取面临巨大挑战。本文针对数据语义不一致问题,提出一种基于本体知识推理的多源道路选取方法。首先,将1∶5万基本比例尺地形图道路数据作为基础案例,将四维图新导航电子地图和开放街道地图中的道路数据作为试验数据,基于stroke计算道路等级、长度、连通度、接近度、中介度特征项,提取特征项概念并构建本体;然后,从语义特征项和数值特征项两方面计算本体概念相似性,建立基础案例与试验数据间的关联关系;最后,基于本体和语义网规则语言定义本体通用、语义特征、数值特征三类选取规则,实现跨数据源道路选取的过程性知识推理。试验表明,本文方法可基于本体概念相似性度量消除语义差异,同时利用语义网规则语言进行知识推理,可实现多源道路数据向基本比例尺数据的智能选取。     

基于网眼密度的道路选取方法

道路数据中的网眼密度能反映局部区域的道路密集程度,通过确定目标尺度要求的密度阈值,比例尺缩小后能够标识出数据中需要取舍路段的网眼;循环剥离密度最大的网眼,利用反映路段重要性的参数及其优先级,渐进筛选出舍弃的路段,并完成与邻接网眼的合并;得到的选取结果保持了道路网在密度、拓扑、几何及语义方面的重要特征,从而提出一种新的道路选取方法。最后进行实验,验证该方法的有效性。     

采用迭代注水原理的居民地属性约简方法

基于案例推理的居民地自动选取方法研究中,居民地属性权重的赋值对推理结果的影响显著。为使案例推理中居民地属性权重分配更合理,引入迭代注水原理对居民地属性进行赋权值和约简。首先,对专家交互操作的面状居民地案例进行信息挖掘;然后采用注水原理对居民地属性权重优化分配,结合递归特征消除法对属性迭代计算;最后采用十折交叉验证法,训练出适应居民地案例推理的最佳赋有权重的属性子集。通过与专家打分法、主成分分析法、权重平均分配法、传统注水原理法4种属性约简方法作对比实验,结果表明本文方法能对居民地属性进行有效简约,并提高基于案例推理的居民地选取模型的正确率。     

GNSS高采样率路径增量地图匹配方法EI北大核心CSCD

针对高采样率GNSS轨迹数据在复杂城市路网中的匹配问题,本文提出一种基于路径增量的匹配方法。该方法分为组合过滤及增量匹配两个部分,首先通过组合过滤进行路网简化,然后以路径为增量进行匹配计算,在路口点处的匹配中采用综合距离因子与弯曲度的相似度评价方案。为验证其有效性,选取多条复杂程度各异的高采样率轨迹数据进行试验,并与曲率积分约束的地图匹配算法和隐马尔科夫模型两种现有匹配方法进行对比。结果表明,本文算法在高采样率匹配试验中的匹配准确率和效率均表现最优,且能够较好地处理各类复杂路段的匹配,能够满足在复杂城市路网中的高采样率轨迹匹配的需求。     

保持空间分布特征的散列式居民地综合选取方法

中小比例尺地形图上存在大量由不依比例尺"房屋群"构成的散列式居民地,综合选取时除考虑单个房屋专题重要性外,还要保持各房屋群的分布特征。将基于Vorinoi图模型的点群化简算法应用到散列式居民地选取中,在综合选取的两个主要过程(选取定额模型和结构化选取方法)中综合考虑分布密度、分布范围等分布结构信息和专题属性信息。实验分析表明,该方法保留重要居民地的同时,能够较好地保持原有的空间分布特征。     

采用模糊综合评判方法对居民地要素进行自动综合的方法分析

本文介绍了地形图自动综合问题的发展现状,对目前地形图自动综合采用主要数学模型进行了分析。在此基础上,采用模糊综合评判的方法对地形图居民地要素进行了自动综合的可行性、合理性、实用性、适用性分析,以期模糊综合评判的理论和方法在地形图自动综合问题中能有更为深入的应用。     

顾及邻域居民地群组相似性的道路网匹配方法

现有多源同比例尺道路网匹配方法中,大多只利用道路自身特征进行匹配,而较少顾及道路周边要素对匹配过程的影响和约束,从而影响了道路网匹配效果的进一步提高,特别是对系统误差改正后仍存在一定位置或旋转偏差的道路数据进行匹配时,这种影响尤为明显。本文借鉴人类对陌生环境的空间认知特点,提出了一种顾及邻域居民地群组相似性的道路网匹配方法。该方法通过构建城市骨架线网确定与道路相邻的居民地群组,进而计算居民地群组空间关系和几何特征相似度来获得对应道路的匹配结果。其特点在于:对存在位置或旋转偏差的道路数据匹配,以其邻域空间内居民地群组的整体相似性指标来带动道路自身匹配,实际上是增加了周边居民地群组对道路匹配过程的约束,更具鲁棒性。试验及对比分析表明,本方法能够较好地解决系统误差改正后仍存在较大位置和旋转偏差的道路数据间的匹配问题,提高匹配的正确率。     

带晕线的居民地符号的自动识别

针对１∶５ 万地形图中带晕线的居民地符号的特点, 提出了一种基于图像退缩和膨胀算法的居民地符号自动识别方法。