分块地图矢量数据的符号化方法

分层分块的层次细节技术可以提高电子地图绘制的效率,为此提出了分块地图矢量数据的符号化方法;开发了基于间接信息法的通用地图符号库系统。对于面状要素,提出了基于定位点的重复配置符号方法;对于线状要素,设计了基于距离控制的符号化算法和节点间矢量的虚拼接算法。实验表明,所提算法效率高,并且确保分块绘制地图要素的整体显示效果稳定、连续。     

矢量Web网络地图应用研究

矢量数据的分块组织和渐进传输是解决海量矢量数据Web应用的重要手段。针对当前大数据背景下,单一的渐进传输方法对减少数据量的效果有限,且不能满足根据可视区域进行数据传输,提出了分块渐进传输的方法,结合Google Maps瓦片切分方案对数据进行分级分块处理,得到多分辨率矢量瓦片数据,结合矢量要素的属性意义这一因子,对其进行重要性排序,分批次选取传输,然后考虑显示窗口大小的因素,在数据调用中最大限度地减少瓦片数据的拼接,提高可视化渲染效率。最后通过实验实现服务器端矢量数据的分级分块组织以及选取操作,建立数据的多分辨率表达模型,在客户端进行调度显示,形成一套矢量数据分块渐进传输体系,为矢量地图数据的Web应用提供了可借鉴方法。     

基于提升型小波变换的矢量数据渐进式传输的研究

根据网络环境下矢量数据的存储及显示特点和人们由粗到细、由总体到局部的空间信息认知规律,利用小波分析的特性,对原数据采用小波变换的方法进行分层、分块处理,然后根据用户需求,按顺序进行分块传输、分块显示,提高用户的作业响应时间,同时使用户在不增加网络流量的前提下,得到多尺度的空间矢量数据。实现空间矢量数据的渐进式网络传输。     

面向虚拟地球的多尺度矢量数据可视化方法

为了实现网络环境下虚拟地球的多尺度矢量、影像和地形数据的集成可视化,便于矢量空间数据的查询分析,本文根据几何绘制的方法,将二维矢量数据、多尺度地形和全球等经纬度离散网格集成,提出了面向虚拟地球的多尺度矢量数据结构和多尺度矢量数据分块构建与组织方法;在此基础上,针对虚拟地球中矢量数据高效可视化的要求,提出了面向可视化的Douglas-Peucker矢量数据压缩算法。最后,基于网络三维虚拟地球平台GeoGlobe开发了实验系统,实现了面向虚拟地球的多尺度矢量数据的构建、组织以及可视化。     

众源矢量数据分块纠正研究

众源矢量数据能够提供丰富的地理信息,但存在几何误差分布不均匀问题.针对众源矢量数据几何误差问题,本文提出一种众源矢量数据分块纠正方法.以遥感影像作为标准数据,通过模板匹配得到遥感影像与众源矢量数据的同名点,根据同名点的几何误差分布对众源矢量数据切分及分块纠正,最后拼接纠正结果实现众源矢量数据的纠正.本文以上海市OpenStreetMap矢量道路网作为实验数据进行分块纠正实验,实验结果表明分块纠正后众源矢量数据几何误差显著降低.     

矢量河网渐进式传输的多尺度表达模型

矢量河网数据渐进式传输是制图综合的逆过程,从几何特征出发化简曲线的方法忽略了曲线的形态特征。鉴于此,以曲线轴线为基准,基于曲线弯曲层次化提取河流曲线数据,并将提取的曲线数据分层组织,构建结合目标层和几何细节层的河网多尺度表达模型。基于该模型开发了矢量河网数据的渐进式传输系统,验证了该方法的有效性。     

分布式空间数据库中矢量数据多级空间索引方法研究

随着网格计算、云计算等技术在地理信息领域的应用,海量空间数据的高效组织与管理成为提供各种数据和功能服务的基础,空间索引是其中的关键问题,文中在分布式空间数据库系统架构基础上,提出一种适应分布式环境下的分层+分块的矢量数据存储组织模型,设计包括矢量数据面片索引、矢量数据层索引、矢量数据块索引以及数据块内索引在内的多级空间索引。实现表明,文中设计的空间索引支持并发创建和高并发条件下的数据高效访问。     

NASA World Wind海量离散地形显示技术研究

虚拟数字地球需要解决大范围海量地形快速显示问题。本文在对World Wind海量地形显示机理和地形数据LOD分层组织深入研究基础上,提出了基于ArcMap的离散地形分层切割流程,开发了与World Wind三维地形显示数据模型匹配的分层切割软件,对海量离散地形按不同分块大小和层次切割后的显示效率和效果进行了分析,结果表明World Wind能实现不同尺度地形数据的快速三维可视化。     

移动地图中的矢量瓦片组织方法研究

针对矢量数据地图发布,提出移动地图中矢量瓦片的组织方法,阐述了矢量数据的组织与管理、LOD技术和瓦片的构建、矢量瓦片地图的索引和显示.根据矢量数据的特点,确定矢量瓦片构建和存储方式,采用文件分层分级进行存储.     

一种全球多分辨率地形数据组织管理的方法

通过研究全球多分辨率地形数据的数据特点和渲染需要,对现有的全球地形数据组织方法进行比较并提出改进措施。然后利用多分辨率LOD(MRLOD)技术,设计并实现了一种面向全球的分层分块方案,详细阐述其构建规则,并分析该方案的可行性,最后详细说明分层分块的数据结构组织。     

嵌入式GIS平台提升矢量地图操作速度的数据存储与管理技术的研究

矢量地图数据存储与管理技术是嵌入式G IS系统的重要研究内容,结合电子地图工作模式和地图数据访问特点,在常见的图幅分块和数据分级基础上,提出建立实体附加检索数据区和实体详细属性数据区;同时引入超块单元,并对超块内地图数据重新组织,从而使得人机交互时,数据定位时间缩短,数据读取冗余量减少,矢量地图操作性能表现更好。     

基于小波理论的遥感图像高保真压缩方法研究

根据遥感图像局部相关性较弱、纹理复杂丰富的特点,提出了基于小波分析理论的自适应标量、矢量混合量化压缩方法。该方法根据遥感图像小波变换后高频子图的局部块纹理强弱将这些块划分为４类,对平坦块进行高倍压缩,对纹理块进行高保真压缩,使各块的恢复误差大致平衡。其主要特点是避免了矢量编码过程中的码书训练和码书搜索,因而时间性能好,并且对单幅图像的压缩比和峰值信噪比（ＰＳＮＲ）优于ＪＰＥＧ方法。此方法与ＫＬ变换去波段相关技术相结合,应用于多波段遥感图像压缩领域,收到了良好的效果。     

对等网络下自适应层级的矢量数据时空索引构建方法

时空索引是时空数据存储和管理的关键技术之一,基于空间填充曲线(space filling curve,SFC)的索引方法近年来受到了广泛关注。然而对于矢量数据,现有索引方法多侧重于空间索引的实现,难以同时顾及时间查询和空间查询的效率,且对于非点要素(线要素与面要素),确定最优的索引级别一直是难点所在。为此,本文面向对等网络环境,提出一种自适应层级的时空索引构建方法。首先提出了基于分区键和分区内排序键组合策略的时空信息联合编码,然后据此设计了点要素、非点要素的时空表达结构,最后设计了多层级树结构以构建时空索引MLS3(multi-level sphere 3),并基于地理实体时间粒度及空间密度等特征自适应确定其最优索引层级。利用轨迹(点要素)、公路(线要素)和建筑物(面要素)实际数据进行了试验。试验结果表明,相比GeoMesa提出的XZ3时空索引,本文索引方法可有效解决非点要素的时空表达及层级划分问题,在避免存储热点的同时实现更为高效的时空检索。     

基于Delaunay三角网模型的等高线地形特征提取及谷地树结构化组织

基于Delaunay三角网模型在矢量等高线基础上通过弯曲特征分析，给出了一种地形结构特征提取及谷地树组织的方法，与传统的基于DEM或TIN数据结构提取地形特征的方法相比，该方法不仅得到了谷地系统在平面图上的拓扑结构，还获得了河谷在空间分布上的汇水范围，依托矢量线、多边形的几何关系判断，增强了谷地树组织中的结构化，避免了DEM方法中的噪音干扰，方法的核心是Delaunay三角网在单根等高线弯曲深度表达上的层次结构识别。基于系统地实验详细讨论了3种树的结构化组织：等高线弯曲特征嵌套结构表达的二叉树、谷地系统拓扑关系表达的平面结构树、水文意义上主支流河谷表达的语义层次树。     

基于Delaunay三角网模型的等高线地形特征提取及谷地树结构化组织

基于Delaunay三角网模型在矢量等高线基础上通过弯曲特征分析，给出了一种地形结构特征提取及谷地树组织的方法，与传统的基于DEM或TIN数据结构提取地形特征的方法相比，该方法不仅得到了谷地系统在平面图上的拓扑结构，还获得了河谷在空间分布上的汇水范围，依托矢量线、多边形的几何关系判断，增强了谷地树组织中的结构化，避免了DEM方法中的噪音干扰，方法的核心是Delaunay三角网在单根等高线弯曲深度表达上的层次结构识别。基于系统地实验详细讨论了3种树的结构化组织：等高线弯曲特征嵌套结构表达的二叉树、谷地系统拓     

矢量曲线的视觉清晰度及在网络地图综合中的应用

互联网用户参与的地图制图容易出现视觉冲突、压盖、拥挤等地图表达问题,需要引入地图自动综合协助解决。网络地图中由于原图比例尺和综合后比例尺均难以准确量化,常规地图自动综合基于“原图比例尺-综合后比例尺”判断是否需要综合的方法已不再适用。矢量数据在可视化后会产生视觉粘连,视觉粘连越明显,地图表达效果越差,综合的需求也越强烈。基于此规律,本文提出对视觉粘连进行定量描述并据此判断是否需要综合。首先,从人类视觉感受出发,结合栅格化思想设计了矢量曲线视觉粘连的量化指标——视觉清晰度。然后,基于“金字塔式”的尺度空间计算曲线在多个比例尺表达的清晰度,并拟合了清晰度的变化函数。最后,将该函数应用于众源地理数据的网络地图综合决策。试验结果表明,本文方法可准确判断每条矢量曲线是否需要综合,能有效解决地理数据尺度异质性带来的可视化难题。同时,清晰度变化函数将曲线的尺度描述由静态数值扩展到连续函数,有望更好地支持多尺度空间数据处理及网络地图综合等问题。     

面向流媒体传输的空间数据变化累积模型

将流媒体技术引入到以矢量数据为主的网络GIS传输中,其关键是建立逐级精细化的多层次表达模型,并在服务器端数据预组织上建立线性索引结构.本研究针对该目标建立一种矢量数据多重表达的新模型,即变化累积模型,认为尺度空间中从粗到细的数据表达过程是一些"变化"的累积,"变化"表现为两个连续尺度表达间的差别,通过"变化"元素的逐渐增加或减少来实现渐进传输.基于该模型对面状数据渐进式传输进行研究,将多边形分级剖分为一系列凸壳或外接矩形的基础上建立变化累积模型,通过剖分元素的组合完成渐进式流媒体传输.

Abstract：

The streaming transfer method which makes data immediately available application during the progress of transfer becomes a welcome transfer way over Web. The progressive transmission of map data provides the users witha self-adaptive strategy to access remote data. It not only speeds up the Web transfer but also offers an efficient navigation guide in information acquisition. The key technology in this transmission is the efficient multiple representation of spatial data and pre-organization on server site. This paper aims at vector data offering a new multiple representation model called changes accumulation model, which considers the spatial representation from one scale to another scale as an accumulation of set of changes. The difference between two consecutive representations is recorded in a linear index and through gradually addition or subtraction realizes the progressive transmission. As an example, the progressive transmission of area feature based on changes accumulation model is investigated in the paper. The model is built by hierarchical decomposition of polygon into series of convex hulls or bounding rectangles and through component of the decomposed elements to accomplish the progressive transmission.     

Optimizing support vector machine learning for semi-arid vegetation mapping by using clustering analysis

In remote sensing communities, support vector machine (SVM) learning has recently received increasing attention. SVM learning usually requires large memory and enormous amounts of computation time on large training sets. According to SVM algorithms, the SVM classification decision function is fully determined by support vectors, which compose a subset of the training sets. In this regard, a solution to optimize SVM learning is to efficiently reduce training sets. In this paper, a data reduction method based on agglomerative hierarchical clustering is proposed to obtain smaller training sets for SVM learning. Using a multiple angle remote sensing dataset of a semi-arid region, the effectiveness of the proposed method is evaluated by classification experiments with a series of reduced training sets. The experiments show that there is no loss of SVM accuracy when the original training set is reduced to 34% using the proposed approach. Maximum likelihood classification (MLC) also is applied on the reduced training sets. The results show that MLC can also maintain the classification accuracy. This implies that the most informative data instances can be retained by this approach.