留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

道路密度分区及其在道路选取质量评价中的应用

田晶 熊富全 程雪萍 王睿 方华强

田晶, 熊富全, 程雪萍, 王睿, 方华强. 道路密度分区及其在道路选取质量评价中的应用[J]. 武汉大学学报 ● 信息科学版, 2016, 41(9): 1225-1231. doi: 10.13203/j.whugis20130430
引用本文: 田晶, 熊富全, 程雪萍, 王睿, 方华强. 道路密度分区及其在道路选取质量评价中的应用[J]. 武汉大学学报 ● 信息科学版, 2016, 41(9): 1225-1231. doi: 10.13203/j.whugis20130430
TIAN Jing, XIONG Fuquan, CHENG Xueping, WANG Rui, FANG Huaqiang. Road Density Partition and Its Application in Evaluation of Road Selection[J]. Geomatics and Information Science of Wuhan University, 2016, 41(9): 1225-1231. doi: 10.13203/j.whugis20130430
Citation: TIAN Jing, XIONG Fuquan, CHENG Xueping, WANG Rui, FANG Huaqiang. Road Density Partition and Its Application in Evaluation of Road Selection[J]. Geomatics and Information Science of Wuhan University, 2016, 41(9): 1225-1231. doi: 10.13203/j.whugis20130430

道路密度分区及其在道路选取质量评价中的应用

doi: 10.13203/j.whugis20130430
基金项目: 

国家基础科学人才培养基金武汉大学地理科学理科基地创新项目 J1103409

详细信息
    作者简介:

    田晶, 博士, 讲师, 主要研究方向为地图自动综合、空间数据挖掘。yutaka-2010@163.com

  • 中图分类号: P283.1;P208

Road Density Partition and Its Application in Evaluation of Road Selection

Funds: 

National Science Foundation for Fostering Talents in Basic Research of the National Natural Science Foundation of China J1103409

More Information
    Author Bio:

    TIAN Jing, PhD, specializes in automated map generalization and spatial data mining. E-mail: yutaka-2010@163.com

图(9) / 表(1)
计量
  • 文章访问数:  1077
  • HTML全文浏览量:  37
  • PDF下载量:  357
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-08-14
  • 刊出日期:  2016-09-05

道路密度分区及其在道路选取质量评价中的应用

doi: 10.13203/j.whugis20130430
    基金项目:

    国家基础科学人才培养基金武汉大学地理科学理科基地创新项目 J1103409

    作者简介:

    田晶, 博士, 讲师, 主要研究方向为地图自动综合、空间数据挖掘。yutaka-2010@163.com

  • 中图分类号: P283.1;P208

摘要: 道路密度信息广泛应用于景观分析、路网规划、城市边界提取与道路网综合等领域。提出了一种道路密度分区方法,该方法首先生成道路交叉点和端点的Voronoi图,然后运用Gi*提取局部的Voronoi单元面积的高值聚集区与低值聚集区,最后将95%置信度下的高值区域和低值区域对应的相邻Voronoi单元合并。对Google地图上14级、13级和12级香港的道路网进行了实证研究,结果表明,该方法生成的密度分区大致反映了道路网的疏密,并较好地反映了选取前后各区域道路密度的对比规律。将本文方法与网格密度法进行对比,结果表明本文方法优于网格密度法。

English Abstract

田晶, 熊富全, 程雪萍, 王睿, 方华强. 道路密度分区及其在道路选取质量评价中的应用[J]. 武汉大学学报 ● 信息科学版, 2016, 41(9): 1225-1231. doi: 10.13203/j.whugis20130430
引用本文: 田晶, 熊富全, 程雪萍, 王睿, 方华强. 道路密度分区及其在道路选取质量评价中的应用[J]. 武汉大学学报 ● 信息科学版, 2016, 41(9): 1225-1231. doi: 10.13203/j.whugis20130430
TIAN Jing, XIONG Fuquan, CHENG Xueping, WANG Rui, FANG Huaqiang. Road Density Partition and Its Application in Evaluation of Road Selection[J]. Geomatics and Information Science of Wuhan University, 2016, 41(9): 1225-1231. doi: 10.13203/j.whugis20130430
Citation: TIAN Jing, XIONG Fuquan, CHENG Xueping, WANG Rui, FANG Huaqiang. Road Density Partition and Its Application in Evaluation of Road Selection[J]. Geomatics and Information Science of Wuhan University, 2016, 41(9): 1225-1231. doi: 10.13203/j.whugis20130430
  • 各国、各地区的测绘地理信息局以及数据供应商提供的空间数据库中存储了丰富的几何信息,但是,对于用户关注且具有实用价值的高层次信息几乎没有涉及[1]。例如,空间数据库中存储了建筑物、公园、广场、道路等城市设施的位置信息及其专题属性,却并没有存储城市商业区、居住区以及工业区的信息,也没有提供城市中心的信息。对接近于人的思维模式的高层次信息的挖掘与识别是近年来研究的热点[1-5]

    对于道路网而言,人们关注的高层次信息主要有道路网的疏密以及道路网呈现的模式等。道路密度信息广泛应用于景观分析[6-7]、路网规划与分析[8-9]、城市边界提取[10]与道路网综合[11-14]等问题中。现有道路密度计算依靠3种统计单元,计算方法主要有6种(见表 1)。与道路相比,道路交叉点以及道路构成的网眼的分布间接反映了道路的分布模式[10, 13]

    表 1  现有的道路密度计算方法

    Table 1.  Existing Computation Methods of Road Density

    道路密度计算 统计单元类型
    道路交叉点 道路(段) 道路构成的网眼
    计算方法 传统密度 文献[6]
    网格密度 文献[10] 文献[8]
    分维密度 文献[9]
    核密度 文献[10] 文献[7-8]
    网眼密度 文献[14]
    骨架线密度 文献[11-12]

    已有密度计算方法大致可分为两类,一类是符合传统密度定义的方法,即计算某个区域间的路段长度与区域面积的比值,如传统密度和网格密度;另一类是扩展密度定义的方法,计算单条路段或单个网眼的密度,如网眼密度和骨架线密度。前者的分区带有随意性,参数不好设定,如网格分辨率不好确定;后者计算单条道路或者单个网眼的密度,可以通过密度灰度图了解道路网的稀密,但并没有显式提到分区的概念。

    道路选取是在顾及地理意义与上下文环境的情况下,根据比例尺的要求,保留相对重要的道路,舍弃相对次要的道路的地图综合操作。由于实地上道路的分布密度是不均衡的,所以道路选取应保持不同区域道路密度对比,密度相对较大的区域(稠密区)舍去的道路较多,密度相对较小的区域(稀疏区)舍去的道路较少。选取的结果应反映出不同区域道路密度的对比关系,避免产生道路网密度拉平或颠倒现象[15]。目前,道路选取质量评价的方法主要有将自动选取结果与已有标准数据的相似性比较、自动选取结果的连通性评价以及道路网模式是否保持的目视判别[16]

    本文利用道路交叉点和端点信息,根据空间自相关的思想,提出了一种基于Voronoi图和Gi*指标[17-19]的道路密度分区方法,并针对道路选取结果的质量评价进行了实证研究。

    • 此方法的基本思想为道路网稠密区对应的道路交叉点与端点的分布也相对密集。首先生成道路交叉点与端点的Voronoi图,对整个区域进行剖分。道路网稠密区对应于小面积Voronoi单元聚集区,道路网稀疏区对应于大面积Voronoi单元聚集区。然后,基于局部空间自相关的指标提取具有统计显著性的高值集聚区域和低值集聚区域。由于考虑到是Voronoi单元的面积,所以提取的低值集聚区域对应于道路网稠密区,提取的高值区域对应于道路网稀疏区,将具有95%置信度的低值区域与高值区域对应的相邻Voronoi单元合并,即可实现道路网密度分区。

    • 道路交叉点与端点一定程度上反映了道路网的分布模式和分布范围,文献[20]基于道路交叉点和端点的聚类进行自然城市的提取。点群的Voronoi图很好地反映了点群的疏密分布模式[21]。稠密区域点对应的Voronoi单元面积较小,稀疏区域点对应的Voronoi单元面积较大。单个道路交叉点与端点的密度为其对应Voronoi单元面积的倒数。图 1为深圳市的部分道路网数据,图 2为该道路网的道路交叉点和端点及其对应的Voronoi图。

      图  1  深圳市道路网数据

      Figure 1.  Shenzhen Road Network

      图  2  道路交叉点和端点对应的Voronoi图

      Figure 2.  Road Intersections and Endpoints and Their Voronoi Diagram

    • 道路交叉点和端点的高密度值聚集区域(小面积Voronoi单元聚集区)对应于道路网稠密区,低密度值聚集区域(大面积Voronoi单元聚集区)对应于道路网稀疏区,具有局部空间自相关的特点,文献[22]基于网眼面积具有空间自相关的特点提取“自然城市”。Gi*是常用的描述局部空间自相关的统计量,用于挖掘具有统计显著性的局部高值与低值聚集的区域[17-19],其计算结果是给每个要素(Voronoi单元)赋了z得分和p值,z得分是统计量观测值与期望值的偏差与标准差的比值,p值表示所观测模式由随机过程创建的概率;如果z得分高且p值小,则表示有一个高值的空间聚类,如果z得分低并为负数且p值小,则表示有一个低值的空间聚类。z得分越高(或越低),聚类程度就越大。如果z得分接近于零,则表示不存在明显的空间聚类[20]。一般情况下选择95%的置信度进行统计显著性判定,其计算公式为:

      (1)

      (2)

      (3)

      以式(1)形式表达的Gi*实质就是z得分[22]xj是第j个Voronoi单元的面积;X是所有Voronoi单元面积的均值;wi, j是Voronoi单元i和Voronoi单元j的权系数,在本文中使用的权系数是固定的距离范围,即距离一个Voronoi单元一定距离内的其他Voronoi单元间的权重为1,在距离之外的权重为0;n是Voronoi单元数量,也是道路交叉点和端点的数量。

      距离阈值的确定是计算的关键,根据ArcGIS的使用帮助[19]以及已有的成功案例[23],确定合适的距离阈值的原则为:(1)保证每个要素至少有一个邻居;(2)使用可以反映最大空间自相关的距离阈值,即根据不同距离阈值计算反映空间自相关的Moran’s I值及其对应的z(I),选择z(I)的峰值对应的距离作为距离阈值;(3)由于考察变量(本文中是Voronoi单元的面积)可能呈现非正态分布,所以在这种情况下每个要素需要8个邻居[19]。根据上述原则,本文中,保证每个要素至少都有8个邻居的最小距离为1 830 m,图 2为各个距离阈值下对应的z(I)值,所有的p值均为0.00,所以,选择1 890 m为距离阈值。

      图  3  距离阈值对应的z(I)值

      Figure 3.  Z-score of Distance Thresholds

      由此得到的Gi*值大于1.96且p值小于0.05的Voronoi单元对应于95%置信度下的高值聚集单元,Gi*值小于-1.96且p值小于0.05的Voronoi单元对应于95%置信度下的低值聚集单元(见图 4)。

      图  4  Gi*值的分布

      Figure 4.  Distribution of Gi*

      利用Gi*提取具有统计显著性的高值聚集单元与低值聚集单元后,借用经典教材[15]中的命名,将95%置信度下具有统计显著性的低值区域(Gi* < -1.96)对应的相邻Voronoi单元合并,对应于稠密区;将95%置信度下不具备统计显著性的区域(-1.96≤Gi*≤1.96)对应的相邻Voronoi单元合并,对应于中等密度区;将95%置信度下具有统计显著性的高值区域(Gi* > 1.96)对应的相邻Voronoi单元合并,对应于稀疏区。图 5为1∶1 000道路网分区结果以及与原道路网的叠置,其中数字编号仅仅是区域的标识符,可以观察到分区与路网疏密程度较一致。由于存在边界效应,会导致产生一些与周围区域分区不相同的小面积区域,如图 5中的分区4,这时可将其合并到周围的大面积区域。

      图  5  道路密度分区结果

      Figure 5.  Road Density Partition Results

    • 实验的目的是为了验证本文提出的密度分区方法是否正确地反应了道路密度在道路选取前后的变化规律,判断其能否用于道路选取质量评价。实验数据需要多比例尺道路网数据,数据获取是通过对Google地图上的多尺度道路数据进行矢量化,并对矢量化后的数据进行双线变单线、复杂交叉点化简和拓扑检查等处理,最终获得适宜于实验的矢量道路数据。实验所选数据为Google地图上14级(图 6(a))、13级(图 6(b))、12级(图 6(c))的香港道路网数据。

      图  6  香港道路网

      Figure 6.  Road Network of Hongkong, China

      实验方法如下。

      1)对最详细比例尺数据按照本文提出的方法进行密度分区。

      2)分区后按照该分区内道路总长度与该分区面积的比值计算各个分区的道路密度,判断各分区密度值是否符合稠密区>中密区>稀疏区。

      3)按照最详细比例尺数据的分区结果对多比例尺数据进行分区,计算各自区域内的道路密度。

      4)判断多比例尺数据密度变化规律是否符合制图综合原则, 反映到道路选取前后密度对比图上则为三条原则:①同一区域,密度下降;②稠密的区域下降得更多;③曲线未出现较大的倒置。

    • 图 7显示了对图 6(a)14级道路网数据的分区结果,由于边界效应,产生了一些面积较小的区域,如图 7(a)椭圆标识部分。为了避免边界效应带来的影响,将小面积区域其合并到相邻区域,同时避免了分区的杂乱感。图 7(b)是最终的分区结果图,由图 7(b)可知道路网稠密部分及稀疏部分与肉眼识别结果大致相同。

      图  7  分区结果

      Figure 7.  Partition Results

      图 8显示了按照图 7(b)进行分区的3个尺度道路网的密度对比,由图 8可知,同一区域密度值下降(图 8中12级密度值连线在13级密度值连线下方,它们均在14级密度值连线下方),除分区5外,各区域密度在道路选取前后没有出现颠倒情况(图 7中3条密度值连线的起伏形状相似),并且稠密区比中等密度区密度下降得多,它们均比稀疏区密度下降得多,虽然有一定程度的拉平,但属于正常情况。综上所述,本文方法划分的密度区域较好地反映了多比例尺道路网数据的密度对比规律。

      图  8  基于本文方法的道路选取前后密度对比图

      Figure 8.  Road Density Contrast Before and After Road Selection Using the Proposed Method

      将本文方法与网格密度法进行了对比。之所以仅与网格密度法进行比较是因为网格密度具有分区的概念,而核密度、网眼密度和骨架线密度并无分区的概念。网格密度分区结果见图 9,选择两种分辨率,一种与本文方法分区数接近,一种大于本文方法分区数。由图 9可知,两种分辨率情况下均出现某区域密度颠倒的现象,而且网格分区方法形成的分区并没有疏密的概念。分辨率越接近本文方法的分区数时,3条密度曲线的趋势越相似,图 8图 9(c)的14级密度对比,同分区数下,本文方法疏密划分效果明显优于网格划分法。由此可知,本文方法优于网格密度法,同时也克服了网格密度分区分辨率不好确定的缺点。

      图  9  基于网格密度的道路选取前后密度对比图

      Figure 9.  Road Density Contrast Before and After Road Selection Using the Grid Density

    • 本文提出了一种道路密度分区方法,该方法首先生成道路交叉点和端点的Voronoi图,然后基于局部空间自相关思想,运用Gi*提取局部的Voronoi单元面积的高值聚类和低值聚类,最后将95%置信度下的高值和低值区域对应的Voronoi单元合并实现密度分区。该分区方法并不是硬性用规则网格或行政区划对道路网进行分区,而是根据路网自身的特点分区,分区的形状也是不规则的。以Google地图上香港14级、13级、12级道路网为实验数据,按照本文方法进行密度分区并进行道路选取前后道路密度的分析,结果表明由本文方法划分的区域大致反映了道路网的疏密,并较好地反映了道路选取前后道路密度的变化规律;同时,与网格密度法进行了对比,发现该方法优于网格密度法,克服了网格密度分区的随意性。对于边界效应的处理,本文并未深究,这将是下一步研究的重点。

参考文献 (23)

目录

    /

    返回文章
    返回