一种面向化简的海岸线弯曲识别与结构化表达方法

海岸线弯曲识别与结构化表达是海岸线自动化简研究的基础。分析现有曲线弯曲识别与结构化表达方法用于海岸线化简中存在的问题;在通视分析相关理论基础上,面向海岸线化简应用,提出一种基于完全可视区间的层次弯曲渐进识别方法;根据弯曲间关系利用多叉树结构存储弯曲,实现海岸线结构化表达。通过对比实验,证明本文方法识别海岸线弯曲更加精细准确、层次性强,能更加细致地表现海岸线结构特点,也验证了本文方法适用于海岸线多尺度化简应用。     

地图学技术、科学、艺术的对立统一

随着地图学内涵和外延的扩展,认识地图学的探索从未停止。本文在现有研究对地图学认识的基础上,分析地图学的技术性、科学性与艺术性,进而探讨地图学技术性、科学性艺术的对立与统一,探索当今时代易变性影响下地图学的恒常性,从技术性、科学性、艺术性角度重新认识地图学。     

海图等深线自动合并方法研究

提出了一种Delaunay三角网支持下的等深线自动合并方法。首先提出一种避免进行地形特征分析的待合并等深线探测方法,用于自动探测待合并的等深线;其次,通过三角形筛选构建桥接区域,并对桥接区域进行扩展、填"孔"操作;接着,利用Delaunay三角网在曲线弯曲识别方面的优势,提取待综合的弯曲区域;然后,合并待综合弯曲区域和桥接区域得到待综合部分,利用图形对称差分运算得到合并结果;最后对合并结果进行光滑处理。实验表明,该方法能够自动正确地对待合并等深线进行探测,合并结果不仅能够满足航行安全,而且图形形态清晰、光滑。     

Delaunay三角网支持下的海图等深线化简

等深线化简是海图综合的重要研究内容。针对现有化简方法存在的化简弯曲识别不准确、化简不彻底等问题,提出了一种Delaunay三角网支持下的等深线化简算法。首先,对等深线构建约束Delaunay三角网,实现了等深线弯曲结构的二叉树表达;其次,基于约束Delaunay三角网结构,改善了等深线上需要化简弯曲的识别方法;最后,设计了多种化简手段,建立了新的等深线化简模型,实现了对等深线形状的彻底化简。实验结果表明,化简结果能够满足航行安全要求,等深线的主要弯曲特征得到了有效保持和清晰表达,化简精度符合制图要求,且能够有效避免自交。     

地图制图综合回顾与前望

地理信息的综合处理是当今空间信息处理中的一个重大科学与技术问题。本文主要评述了地图制图综合的研究进展,包括地图制图综合知识的分类与获取、算子与算法、质量评价、过程建模与控制等方面的主要方法。对大数据背景下制图综合进行了思考,提出制图综合应在研究对象、观念和方法上转变。     

建筑群组合直线模式识别的模板匹配方法

建筑群空间分布模式识别对制图综合、多尺度表达及空间数据挖掘具有重要意义.针对局部异质性明显的建筑群直线模式识别提取问题,本文提出基于模板匹配的建筑群组合直线模式识别方法.首先分析研究组合直线模式的认知特征和定义;然后,利用建筑物的空间邻近性、尺寸和方向约束进行聚类,获得建筑物间的空间邻近关系和扩展对齐关系;以放大的建筑...     

中西方地图与地图学史比较研究

地图与地图学史研究有助于了解发展规律,探索学科发展方向。本文以中西方地图、地图学史为研究对象,依时间顺序提出中西方地图、地图学发展中的3次互补,结合历史史例予以说明;通过比较分析法,探索分析3次互补融合程度,结合学科前沿,对地图与地图学发展提出合理预测,推断第4次互补发生的可能。     

一种道路路口和拐点的识别与重要性度量方法

道路路口和拐角是地图制图、地图综合和相关制图规范中经常涉及的一个空间概念,而空间概念的建模、度量和特征识别是地图综合和GIS的难点之一。本文提出了道路路口和拐角的识别与重要性定量度量方法。首先,分析了道路路口和拐角的概念和空间特征,然后,设计了识别算法和步骤,并制定了道路路口重要性的定量度量方法。实验分析表明:本文方法能够正确识别道路路口和拐角,且路口重要性指标能够反映区域地理特点。     

海底地貌数据综合研究进展

海底地貌数据与人类认知海洋、探索海洋、利用海洋息息相关,海底地貌数据综合是海图编制、海洋空间数据处理的重点研究内容之一。海底地貌数据综合属于地图综合的研究范畴,但受历史渊源、学科体系、应用范畴等诸多因素影响,常被认为是地图综合中相对独立、特殊的研究内容。本文在明确海底地貌数据综合特殊性的基础上,从数据增强、综合方法、质量评价3个方面梳理海底地貌数据综合研究进展,归纳了几种常见的海底地貌数据综合应用案例,并从研究内容、技术方法、实践应用3个方面探讨了海底地貌数据综合的发展趋势。     

几种具有编解码结构的深度学习模型在建筑物综合中的应用与比较

深度学习技术促使诸多领域研究取得突破性进展, 基于深度神经网络的地图综合研究备受期待。将建筑物综合过程抽象解释为编解码过程, 系统地研究基于编解码结构的深度神经网络在建筑物综合中的应用。首先, 利用空间划分与矢量-栅格数据转换相结合的方式构建样本和样本集; 然后, 利用样本集训练基于编解码结构的深度神经网络, 实现建筑物综合学习泛化并测试、评估其效果; 最后, 搭建5种代表性的基于编解码结构的深度神经网络, 分析比较各模型在建筑物综合中的应用效果。实验结果表明, 基于编解码结构的深度神经网络能够从建筑物综合样本中学习或推理出部分建筑物综合知识和综合操作, 且5种模型中Pix2Pix更适用于建筑物综合的学习模拟。