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

结构化居民地群的多层次识别方法

张秀红 陈迪 刘纪平 郭庆胜

张秀红, 陈迪, 刘纪平, 郭庆胜. 结构化居民地群的多层次识别方法[J]. 武汉大学学报 ● 信息科学版, 2018, 43(8): 1144-1151. doi: 10.13203/j.whugis20160239
引用本文: 张秀红, 陈迪, 刘纪平, 郭庆胜. 结构化居民地群的多层次识别方法[J]. 武汉大学学报 ● 信息科学版, 2018, 43(8): 1144-1151. doi: 10.13203/j.whugis20160239
ZHANG Xiuhong, CHEN Di, LIU Jiping, GUO Qingsheng. A Multilevel Identification Approach to Structured Building Clusters[J]. Geomatics and Information Science of Wuhan University, 2018, 43(8): 1144-1151. doi: 10.13203/j.whugis20160239
Citation: ZHANG Xiuhong, CHEN Di, LIU Jiping, GUO Qingsheng. A Multilevel Identification Approach to Structured Building Clusters[J]. Geomatics and Information Science of Wuhan University, 2018, 43(8): 1144-1151. doi: 10.13203/j.whugis20160239

结构化居民地群的多层次识别方法

doi: 10.13203/j.whugis20160239
基金项目: 

中国测绘科学研究院基本科研业务费 7771705

国家重点研发计划 2016YFC0803101

国家自然科学基金 41271401

测绘地理信息公益性行业科研专项 201512021

详细信息
    作者简介:

    张秀红, 博士, 主要从事大数据分析及空间数据的多尺度表达。vxh_851021@163.com

    通讯作者: 刘纪平, 博士, 教授。liujp@casm.ac.cn
  • 中图分类号: P208;P283

A Multilevel Identification Approach to Structured Building Clusters

Funds: 

Basic Research Fund of Chinese Academy of Surveying and Mapping 7771705

the National Key Research and Development Plan 2016YFC0803101

the National Natural Science Foundation of China 41271401

the Public Science and Technology Research Funds Projects of Surveying and Mapping 201512021

More Information
    Author Bio:

    ZHANG Xiuhong, PhD, specializes in Big Data analysis and multi-scale representation of spatial data. E-mail: vxh_851021@163.com

    Corresponding author: LIU Jiping, PhD, professor. E-mail: liujp@casm.ac.cn
  • 摘要: 针对比例尺跨度较大(10倍甚至50倍)的情况,现有的聚类方法较难体现居民地的渐进合并过程。拟在初始数据源比例尺和综合后地图比例尺之间内插系列中间比例尺,在多层次上进行居民地群的识别。根据空间认知原理和格式塔视觉准则,将居民地群的空间结构概括为5种典型模式,并定义了各模式约束条件,提出了基于紧密性网络与典型模式相结合的结构化居民地群识别方法。首先,通过Delaunay三角网对大比例尺居民地要素进行邻近关系识别,建立紧密性网络图,判断强闭合环路、弱闭合环路和延伸线,识别群结构中的各类典型模式。然后对识别出的群结构进行综合处理,依据设定阈值处理得到中间各级比例尺数据,从而实现多尺度空间数据的连续可视化。实验表明,利用该方法识别出的结果能够体现居民地群的空间分布特征,更加符合人的认知习惯。
  • 图  1  空间结构描述因子

    Figure  1.  Spatial Structure Description Factors

    图  2  居民地群紧密性网络图

    Figure  2.  Compactness Network Graph of Building Clusters

    图  3  结构化居民地群识别过程

    Figure  3.  Identification Process of Building Clusters

    图  4  居民地群之间的邻近分析

    Figure  4.  Adjacency Analysis Process of Building Clusters

    图  5  各比例尺上居民地群识别结果

    Figure  5.  Identification Results of Building Clusters at All Scales

    图  6  主方向差异对正交模式的影响

    Figure  6.  Results of Recognition with Different Orientations (Odiff)

    表  1  居民地群的典型模式及控制参数

    Table  1.   Typical Patterns of Building Clusters and Their Controlling Parameters

    典型模式 模式描述 控制参数
    队列模式 ①模式群内的各对象在形状、大小和方向等方面相似;②模式群内各对象的主方向基本一致。该模式体现了格式塔视觉准则中的延续性原则。 Odiff < 最大方向差异δOdiff
    Ssize > 最小尺寸相似δSsize
    Sshape > 最小形状相似δSshape
    PAdiff (n > 3元群) < 最大路径差异δPAdiff
    FR > 最小面向比率δFR
    D < 最大宽度δD
    VA < 最大面积δVA
    格网模式 由相互近似正交的延伸模式和平行模式构成,属于封闭模式的一种特殊模式,具有3个重要的特征:①格网的排列方向一致;②格网中的对象的大小和形状相似;③整体具有方格形状,排列有序,具有层次性。 D < 最大宽度F·δD
    Odiff < 最大方向差异δOdiff
    Ssize > 最小尺寸相似δSsize
    Sshape > 最小形状相似δSshape
    FR > 最小面向比率δFR
    每一行居民地的个数 > 行居民地最小个数
    每一列居民地的个数 > 列居民地最小个数
    正交模式 当两居民地主方向近似正交,且满足一定约束条件时则为正交模式。 Odiff ∈[min,90°]
    Ssize > 最小尺寸相似δSsize
    D < 最大宽度δD
    VA < 最大面积δVA
    封闭模式 若居民地群具有封闭趋势,即居民地的中心形成一个闭合的环路,该模式被称为封闭模式。 封闭模式体现了Gestalt原则中的封闭性,在本研究中通过定义闭合环路的概念来识别封闭模式
    不规则模式 居民地群中的对象呈不规则排列,比如随机的方向、不同的大小和形状,不属于以上几种模式的均归为这一类。
    下载: 导出CSV

    表  2  比例尺及其参数阈值

    Table  2.   Key Scales and Thresholds

    尺度序列 尺度变化因子 比例尺 Dlimit /mm VAlimit /mm2
    Cmax 1:5 000
    C1 F1=2.00 1:10 000 0.50 0.50 LP1Pn
    C2 F2=1.70 1:17 000 0.85 0.85 LP1Pn
    C3 F3=2.06 1:35 000 1.75 1.75 LP1Pn
    Cmin F4=1.43 1:50 000 2.50 2.50 LP1Pn
    下载: 导出CSV

    表  3  控制参数的设置

    Table  3.   Values of Control Parameters

    模式名称 Odiff Ssize Sshape PAdiff FR D/mm VA/mm2 行居民地个数 列居民地个数
    队列模式 [0°, 10°] [1/3, 1] [0.5, 1] <20° [0.7, 1] < 0.5 < 0.5 LP1Pn
    正交模式 [80°, 90°] [1/3, 1] < 0.5 < 0.5 LP1Pn
    格网模式 [0°, 15°] [1/2, 1] [0.5, 1] [0.7, 1] < 0.5 F < 0.5 LP1Pn >2 >2
    下载: 导出CSV
  • [1] Mackaness W, Edwards G. The Importance of Mo-delling Pattern and Structures in Automated Map Generalisation[C]. Joint ISPRS/ICA Workshop on Multi-scale Representation of Spatial Data, Ottawa, Canada, 2002
    [2] Regnauld N. Recognition of Building Clusters for Generalization[C]. The 7th International Sympo-sium on Spatial Data Handling, Delft, the Netherlands, 1996
    [3] Regnauld N. Contextual Building Typification in Automated Map Generalization[J]. Algorithmica, 2001, 30(2):312-333 http://dblp.uni-trier.de/db/journals/algorithmica/algorithmica30.html#Regnauld01
    [4] Li Z L, Yan H W, Ai T H, et al. Automated Building Generalization Based on Urban Morphology and Gestalt Theory[J]. International Journal of Geographical Information Science, 2004, 18(5):513-534 https://core.ac.uk/display/61069235
    [5] 艾廷华, 郭仁忠.基于格式塔识别原则挖掘空间分布模式[J].测绘学报, 2007, 36(3):302-308 http://cdmd.cnki.com.cn/Article/CDMD-10614-2010233995.htm

    Ai Tinghua, Guo Renzhong. Polygon Cluster Pattern Mining Based on Gestalt Principles[J]. Acta Geodaetica et Catographica Sinica, 2007, 36(3):302-308 http://cdmd.cnki.com.cn/Article/CDMD-10614-2010233995.htm
    [6] 巩现勇, 武芳.城市建筑群网格模式的图论识别方法[J].测绘学报, 2014, 43(9):960-968 http://mall.cnki.net/magazine/Article/CHXB201409014.htm

    Gong Xianyong, Wu Fang. The Graph Theory Approach to Grid Pattern Recognition of Urban Buil-ding Groups[J]. Acta Geodaetica et Catographica Sinica, 2014, 43(9):960-968 http://mall.cnki.net/magazine/Article/CHXB201409014.htm
    [7] 刘慧敏, 邓敏, 樊子德, 等.地图上居民地空间信息的特征度量法[J].测绘学报, 2014, 43(10):1092-1098 http://www.cnki.com.cn/Article/CJFDTOTAL-DITU198804001.htm

    Liu Huimin, Deng Min, Fan Zide, et al. A Characteristic-Based Approach to Measuring Spatial Information Content of the Settlements in a Map[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(10):1092-1098 http://www.cnki.com.cn/Article/CJFDTOTAL-DITU198804001.htm
    [8] 闫浩文, 应申, 李霖.多因子影响的地图居民地自动聚群与综合研究[J].武汉大学学报·信息科学版, 2008, 33(1):51-54 http://ch.whu.edu.cn/CN/abstract/abstract1492.shtml

    Yan Haowen, Ying Shen, Li Lin. An Approach for Automated Building Grouping and Generalization Considering Multiple Parameters[J]. Geomatics and Information Science of Wuhan University, 2008, 33(1):51-54 http://ch.whu.edu.cn/CN/abstract/abstract1492.shtml
    [9] Yang W.Identify Building Patterns[J]. Internatio-nal Archives of the Photogrammetry, Remote Sen-sing and Spatial Information Sciences, 2008, 37:391-397 https://www.education.com/game/floyds-patterns-quiz
    [10] Dan L, Hardy P. Analyzing and Deriving Geographic Contexts for Generalization[C]. The 23rd International Cartographic Conference: Cartography for Everyone and for You, Moscow, Russia, 2007
    [11] Duchêne C, Bard S, Barillot X. Quantitative and Qualitative Description of Building Orientation[C]. The 5th ICA Workshop on Progress in Automated Map Generalization, Paris, France, 2003
    [12] 刘远刚, 郭庆胜, 孙亚庚, 等.地图目标群间骨架线提取的算法研究[J].武汉大学学报·信息科学版, 2015, 40(2):264-268 http://ch.whu.edu.cn/CN/abstract/abstract3196.shtml

    Liu Yuangang, Guo Qingsheng, Sun Yageng, et al. An Algorithm for Skeleton Extraction Between Map Objects[J]. Geomatics and Information Science of Wuhan University, 2015, 40(2):264-268 http://ch.whu.edu.cn/CN/abstract/abstract3196.shtml
    [13] Zhang X, Ai T H, Stoter J, et al. Building Pattern Recognition in Topographic Data:Examples on Collinear and Curvilinear Alignments[J]. GeoInformatica, 2013, 17(1):1-33 doi:  10.1007/s10707-011-0146-3
    [14] Christophe S, Ruas A. Detecting Building Alignments for Generalisation Purposes[M]//Advances in Spatial Data Handling. Berlin, Heidelberg: Springer, 2002
    [15] Zhang X, Ai T H, Stoter J. Characterization and Detection of Building Patterns in Cartographic Data: Two Algorithms[M]//Advances in Spatial Data Handling and GIS. Berlin, Heidelberg: Springer, 2012
    [16] Zhang X, Stoter J, Ai T H, et al. Automated Eva-luation of Building Alignments in Generalized Maps[J]. International Journal of Geographical Information Science, 2013, 27(8):1550-1571 doi:  10.1080/13658810902798099
    [17] Thomson R C, Richardson D E. The "Good Conti-nuation" Principle of Perceptual Organization Applied to the Generalization of Road Networks[C]. The 19th ICC, Ottawa, Canada, 1999
    [18] 张强, 武芳, 钱海忠, 等.基于关键比例尺的空间数据多尺度表达[J].测绘科学技术学报, 2011, 28(5):383-386 http://www.cnki.com.cn/Article/CJFDTOTAL-LZTX200604008.htm

    Zhang Qiang, Wu Fang, Qian Haizhong, et al. Milestone Scales Oriented Spatial Data Multi-representation Techniques[J]. Journal of Geomatics Science and Technology, 2011, 28(5):383-386 http://www.cnki.com.cn/Article/CJFDTOTAL-LZTX200604008.htm
  • [1] 李星华, 白学辰, 李正军, 左芝勇.  面向高分影像建筑物提取的多层次特征融合网络 . 武汉大学学报 ● 信息科学版, 2022, 47(8): 1236-1244. doi: 10.13203/j.whugis20210506
    [2] 姚尧, 张亚涛, 关庆锋, 麦可, 张金宝.  使用时序出租车轨迹识别多层次城市功能结构 . 武汉大学学报 ● 信息科学版, 2019, 44(6): 875-884. doi: 10.13203/j.whugis20170111
    [3] 张云菲, 黄金彩, 邓敏, 房晓亮, 胡继萍.  基于邻近模式的多比例尺居民地松弛迭代匹配 . 武汉大学学报 ● 信息科学版, 2018, 43(7): 1098-1105. doi: 10.13203/j.whugis20160243
    [4] 赵彬彬, 彭东亮, 张山山, 刘姗姗, 熊旭平, 戴全发.  顾及空间关系约束的不同比例尺面目标不一致性同化处理 . 武汉大学学报 ● 信息科学版, 2016, 41(7): 911-917. doi: 10.13203/j.whugis20140011
    [5] 程诗尧, 梅天灿, 刘国英.  顾及结构特征的多层次马尔科夫随机场模型在影像分类中的应用 . 武汉大学学报 ● 信息科学版, 2015, 40(9): 1180-1187. doi: 10.13203/j .whu g is20130692
    [6] 王磊, 赵学胜, 赵龙飞, 殷楠.  基于多层次QTM的球面Voronoi图生成算法 . 武汉大学学报 ● 信息科学版, 2015, 40(8): 1111-1115. doi: 10.13203/j.whugis20140381
    [7] 栾学晨, 杨必胜, 张云菲.  城市道路复杂网络结构化等级分析 . 武汉大学学报 ● 信息科学版, 2012, 37(6): 728-732.
    [8] 李伟, 徐正全, 杨铸.  利用虚拟节点的动态结构化P2P网络性能研究 . 武汉大学学报 ● 信息科学版, 2011, 36(12): 1504-1511.
    [9] 周东波, 朱庆, 杜志强, 张叶廷.  粒度与结构统一的多层次三维城市模型数据组织方法 . 武汉大学学报 ● 信息科学版, 2011, 36(12): 1406-1409.
    [10] 徐正全, 高路, 李忠民, 王浩.  基于非结构化P2P网络的地形数据存储系统 . 武汉大学学报 ● 信息科学版, 2010, 35(1): 122-125.
    [11] 邓敏, 徐凯, 赵彬彬, 徐锐.  基于结构化空间关系信息的结点层次匹配方法 . 武汉大学学报 ● 信息科学版, 2010, 35(8): 913-916.
    [12] 翟仁健, 武芳, 朱丽, 王鹏波.  利用地理特征约束进行曲线化简 . 武汉大学学报 ● 信息科学版, 2009, 34(9): 1021-1024.
    [13] 艾廷华, 梁蕊.  导航电子地图的变比例尺可视化 . 武汉大学学报 ● 信息科学版, 2007, 32(2): 127-130.
    [14] 黄正东, 于卓, 汪斌.  一种面向对象的多层次公交数据模型 . 武汉大学学报 ● 信息科学版, 2007, 32(4): 358-361.
    [15] 卢林, 吴纪桃, 柳重堪.  图斑数据自动概括中面向地理特征的层结构选取 . 武汉大学学报 ● 信息科学版, 2006, 31(2): 156-159.
    [16] 王涛, 毋河海.  顾及多因素的面状目标多层次骨架线提取 . 武汉大学学报 ● 信息科学版, 2004, 29(6): 533-536.
    [17] 张园玉, 李霖, 金玉平, 朱海红.  基于图论的树状河系结构化绘制模型研究 . 武汉大学学报 ● 信息科学版, 2004, 29(6): 537-539,543.
    [18] 毋河海.  自动综合的结构化实现 . 武汉大学学报 ● 信息科学版, 1996, 21(3): 277-285.
    [19] 徐肇忠.  多层次模糊模型综合评判城市环境质量 . 武汉大学学报 ● 信息科学版, 1990, 15(4): 35-44.
    [20] 测量学教研组最小二乘法课程小组.  用于大比例尺测图的加密二等网的图形问题 . 武汉大学学报 ● 信息科学版, 1959, 3(4): 1-53.
  • 加载中
图(6) / 表(3)
计量
  • 文章访问数:  903
  • HTML全文浏览量:  80
  • PDF下载量:  318
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-06-20
  • 刊出日期:  2018-08-05

结构化居民地群的多层次识别方法

doi: 10.13203/j.whugis20160239
    基金项目:

    中国测绘科学研究院基本科研业务费 7771705

    国家重点研发计划 2016YFC0803101

    国家自然科学基金 41271401

    测绘地理信息公益性行业科研专项 201512021

    作者简介:

    张秀红, 博士, 主要从事大数据分析及空间数据的多尺度表达。vxh_851021@163.com

    通讯作者: 刘纪平, 博士, 教授。liujp@casm.ac.cn
  • 中图分类号: P208;P283

摘要: 针对比例尺跨度较大(10倍甚至50倍)的情况,现有的聚类方法较难体现居民地的渐进合并过程。拟在初始数据源比例尺和综合后地图比例尺之间内插系列中间比例尺,在多层次上进行居民地群的识别。根据空间认知原理和格式塔视觉准则,将居民地群的空间结构概括为5种典型模式,并定义了各模式约束条件,提出了基于紧密性网络与典型模式相结合的结构化居民地群识别方法。首先,通过Delaunay三角网对大比例尺居民地要素进行邻近关系识别,建立紧密性网络图,判断强闭合环路、弱闭合环路和延伸线,识别群结构中的各类典型模式。然后对识别出的群结构进行综合处理,依据设定阈值处理得到中间各级比例尺数据,从而实现多尺度空间数据的连续可视化。实验表明,利用该方法识别出的结果能够体现居民地群的空间分布特征,更加符合人的认知习惯。

English Abstract

张秀红, 陈迪, 刘纪平, 郭庆胜. 结构化居民地群的多层次识别方法[J]. 武汉大学学报 ● 信息科学版, 2018, 43(8): 1144-1151. doi: 10.13203/j.whugis20160239
引用本文: 张秀红, 陈迪, 刘纪平, 郭庆胜. 结构化居民地群的多层次识别方法[J]. 武汉大学学报 ● 信息科学版, 2018, 43(8): 1144-1151. doi: 10.13203/j.whugis20160239
ZHANG Xiuhong, CHEN Di, LIU Jiping, GUO Qingsheng. A Multilevel Identification Approach to Structured Building Clusters[J]. Geomatics and Information Science of Wuhan University, 2018, 43(8): 1144-1151. doi: 10.13203/j.whugis20160239
Citation: ZHANG Xiuhong, CHEN Di, LIU Jiping, GUO Qingsheng. A Multilevel Identification Approach to Structured Building Clusters[J]. Geomatics and Information Science of Wuhan University, 2018, 43(8): 1144-1151. doi: 10.13203/j.whugis20160239
  • 居民地作为基础的地理要素之一,其分布具有内在的规律性和特有的复杂性。居民地的空间分布模式研究对多尺度表达和制图综合具有重要的意义[1],其模式识别通常通过聚类分析来完成。居民地的空间聚类目前主要利用空间层次聚类的思想, 将居民地要素依据相应的距离进行聚集, 得到多个居民地群,以发现居民地的空间分布规律,从而为居民地制图综合提供指导[2-5]。尽管层次聚类的思想具有层次性和多尺度性,但将其直接作用于居民地合并中可能存在聚群粒度不一,形态复杂,不能精确体现居民地的空间分布特征等问题。

    目前的聚群研究多针对比例尺跨度较小的情况,当比例尺跨度较大(10倍甚至50倍)时,聚类的中间结果难以表达居民地的渐进合并过程,且无法表达空间目标在任意尺度下的几何形状及相应的属性特征。为此,本文对综合前后地图比例尺跨度较大情况下居民地群的识别过程进行了研究,主要包括:①在空间认知原理和格式塔视觉准则基础上,对居民地的空间结构和分布模式进行描述和定义;②针对相邻比例尺,提出了一种将空间分布模式识别与紧密性结构图相结合的居民地群识别方法;③插入中间比例尺,实现居民地群的多层次识别和多尺度连续可视化。本文将从不同层次对居民地进行认知研究,提取出居民地的空间分布规律和分布模式,从而更好地为居民地的聚群识别和制图综合服务。

    • 人对居民地的认知具有从整体到局部的层次性特征,整体层次上居民地呈聚群分布,聚群内部要素具有相似的大小、几何形态以及规律的距离关系和拓扑关系。

    • 从空间认知角度分析,地图上居民地要素的空间分布具有多样性和差异性,本文在已有研究成果基础上[6-11],选取参数作为居民地群空间形态和结构的描述因子,包括主方向差异(Odiff)、尺寸相似(Ssize)、形状相似(Sshape)、面向比率(FR)、路径角度差异(PAdiff)、通视域平均宽度(D )、通视域面积(VA)。各参数定义详见图 1。在此主要介绍DVA的计算方法。

      图  1  空间结构描述因子

      Figure 1.  Spatial Structure Description Factors

      以居民地要素边界上的点构建约束Delaunay三角网,剔除位于多边形内部和凹部的三角形,对剩下的连接三角形按照文献[12]的方法构建骨架线,得到居民地群的剖分结构,连接两多边形边界的三角形集合构成了两者的通视区域。如图 1(f)所示,P1Pn两点间的折线为多边形AC通视区域的骨架线,以各三角形骨架线占两多边形间总骨架线长度的比率为权重,则D [5]的计算公式为:

      $$ \bar D = \sum\limits_{i = 1}^n {(\frac{{{l_i}}}{l} \times {h_i})} $$ (1)

      式中,l为两多边形间总骨架线的长度;li为单个三角形内局部骨架线的长度;hi为单个三角形所对应的局部区域的间距。

      定义P1Pn所在的三角形分别为AC通视区域的入口和出口,二者均连接3个居民地多边形,分别令其面积的1/3计入AC的通视区域面积,计算公式为:

      $$ {V_A} = \sum\limits_{i = 2}^{n-1} {{V_{{A_i}}}} + \frac{1}{3}{V_{{A_1}}} + \frac{1}{3}{V_{{A_n}}} $$ (2)

      式中,VA1VAn分别为入口和出口三角形的面积;VAi为第i个连接三角形的面积;n为通视区域连接三角形的个数。

    • 空间分布模式是地理要素群在空间上表现出的组合形态或排列方式。格式塔视觉准则已成为对空间目标的分布模式进行识别的一种规则,其在地图综合中的约束条件不断完善。依据格式塔视觉准则以及居民地群要素之间的特征差异、排列方式等[13-16],将居民地群结构抽象概况为5种典型模式,各模式的控制参数详见表 1表 1中, δOdiffδSsizeδSshapeδPAdiffδFR分别为各典型模式对应的参数阈值,依据实际情况而定;δD为距离间隔阈值,地形图图式一般规定其图面长度为0.5 mm;δVA为面积阈值,设定动态的通视区域面积阈值δVA=δD ×LP1Pn,其中LP1Pn为两邻近对象骨架线起点P1和终点Pn间的直线距离。

      表 1  居民地群的典型模式及控制参数

      Table 1.  Typical Patterns of Building Clusters and Their Controlling Parameters

      典型模式 模式描述 控制参数
      队列模式 ①模式群内的各对象在形状、大小和方向等方面相似;②模式群内各对象的主方向基本一致。该模式体现了格式塔视觉准则中的延续性原则。 Odiff < 最大方向差异δOdiff
      Ssize > 最小尺寸相似δSsize
      Sshape > 最小形状相似δSshape
      PAdiff (n > 3元群) < 最大路径差异δPAdiff
      FR > 最小面向比率δFR
      D < 最大宽度δD
      VA < 最大面积δVA
      格网模式 由相互近似正交的延伸模式和平行模式构成,属于封闭模式的一种特殊模式,具有3个重要的特征:①格网的排列方向一致;②格网中的对象的大小和形状相似;③整体具有方格形状,排列有序,具有层次性。 D < 最大宽度F·δD
      Odiff < 最大方向差异δOdiff
      Ssize > 最小尺寸相似δSsize
      Sshape > 最小形状相似δSshape
      FR > 最小面向比率δFR
      每一行居民地的个数 > 行居民地最小个数
      每一列居民地的个数 > 列居民地最小个数
      正交模式 当两居民地主方向近似正交,且满足一定约束条件时则为正交模式。 Odiff ∈[min,90°]
      Ssize > 最小尺寸相似δSsize
      D < 最大宽度δD
      VA < 最大面积δVA
      封闭模式 若居民地群具有封闭趋势,即居民地的中心形成一个闭合的环路,该模式被称为封闭模式。 封闭模式体现了Gestalt原则中的封闭性,在本研究中通过定义闭合环路的概念来识别封闭模式
      不规则模式 居民地群中的对象呈不规则排列,比如随机的方向、不同的大小和形状,不属于以上几种模式的均归为这一类。
    • 当比例尺跨度较大时,在离散尺度的数据之间内插生成多层次比例尺数据,能够保证地图显 示的清晰性、内容适宜性和层次性。以CmaxCmin两个比例尺数据为例,Cmax为最大显示比例尺,Cmin为最小显示比例尺,在二者之间插入系列中间比例尺C1C2Cn,则相邻尺度变化因子F为:F1=Cmax/C1F2=C1/C2Fn=Cn-1/CnFn+1=Cn/Cmin。在居民地群结构识别的过程中,要依据尺度变化的大小来确定各比例尺和目标比例尺下的可视化阈值。

      在空间聚类或模式识别中,邻近的对象容易被视为属于同一群体,识别居民地要素的拓扑邻近关系是首要任务。若两个居民地多边形之间存在连接三角形,则它们拓扑相邻,用N×N矩阵来记录所有居民地多边形之间的邻近关系。拓扑邻近的居民地构成一个初始2元群,计算每一个2元群中要素之间的群结构描述参数。

    • 以大比例尺(Cmax)数据为初始数据源,若得到其邻近比例尺(C1)下居民地间的聚类情况,则可根据C1比例尺中居民地要素的可视化阈值要求,直接对Cmax比例尺的数据进行群结构识别。

    • 利用下列规则确定C1比例尺下每个2元群中要素之间的紧密程度。

      规则1  若D < δD,且VA < δVA,则两要素为强紧密关系。

      规则2  若D < F2δD,且VA < F2δVA,则两要素为弱紧密关系,其中F2C1C2比例尺的变化因子。

      规则3  若不满足D < F2δDVA < F2δVA中任意条件,则为非紧密关系。

      确定邻近对象间的紧密程度,以多边形的中心点为结点,构建居民地群紧密性网络图,其中实线表示两对象间存在强紧密性,虚线表示弱紧密性,非紧密关系则不作表示,如图 2所示。

      图  2  居民地群紧密性网络图

      Figure 2.  Compactness Network Graph of Building Clusters

    • 综合考虑格式塔原则中的封闭性、延展性和连通性等原则,在紧密性网络图基础上定义如下3个基本概念。

      定义1  强闭合环路是指存在封闭的环路且环路的边均为强紧密连接。

      定义2  弱闭合环路是指在封闭的环路中有且仅有一条边为弱紧密连接。

      定义3  延伸线是指表达居民地整体延伸趋势的中心连线[17],基本要求是一条延伸线至少由3个中心点构成且各中心连线之间均为强紧密连接。

      结构化居民地群的识别过程具体如下。

      1) 识别格网模式。根据控制参数识别所有的格网模式,每个被识别的格网模式作为一个目标聚合群,其中的弱紧密关系变为强紧密关系,称为弱紧密强化;与其具有共有居民地的强紧密关系转变为弱紧密关系,称为强紧密弱化。

      2) 识别封闭模式。识别网络图中所有的强闭合环路,每一个强闭合环路作为一个目标聚合群。

      3) 网络图修剪优化。判断网络图中其他具有强紧密连接的2元群的模式,包括队列模式、正交模式和不规则模式,分别用1、2、0来表示。将不规则模式的2元群的强紧密关系转变为弱紧密关系,对网络图进行修剪优化。

      4) 识别队列模式(居民地个数≥3)。识别网络图中所有的延伸线,根据控制参数提取延伸线上的队列模式,一条延伸线上可能存在多个队列模式,识别出的每个队列模式分别作为一个目标聚合群。

      5) 识别弱闭合环路。识别网络图中所有的弱闭合环路,将其中的弱紧密连接转换为强紧密连接,即弱闭合变为强闭合,作为目标聚合群。

      6) 结果处理。由此形成的聚合中,有的居民地可能为两个聚合所共有,需进行分开或合并操作。两个闭合环路聚合群共有居民地时直接合并;队列模式或正交模式聚合群与闭合环路聚合群共有居民地时,则共有居民地归闭合环路聚合群,此时若队列聚合或正交聚合中剩余要素个数为1,则直接合并;队列聚合群和正交模式聚合群共有居民地时,直接合并。

      7) 识别完所有的聚合,删除所有的弱紧密连接关系,分别将目标群输出。如图 3(a)~3(e)为识别过程,图 3(f)C1比例尺的识别结果。

      图  3  结构化居民地群识别过程

      Figure 3.  Identification Process of Building Clusters

    • C1C2或更小比例尺时,为了避免重复构建三角网等复杂过程,可直接利用原有三角网对已聚类的居民地群进行邻近分析和多层次识别。如图 4所示,C1比例尺下两个拓扑邻近的聚合群为G1={O1O2O3}和G2={O4O5},在原有的三角网基础上,G1G2的通视区域为ABC的组合区域,AB表示O5O1对象之间的通视域,BC表示O5O3对象之间的通视域,则G1G2的通视域平均宽度为:

      $$ G\_\bar D{\rm{ }} = \frac{{\sum\limits_{i = 1}^n {\sum\limits_{j = 1}^m {\left( {{l_{ij}} \times \bar D{_{ij}}} \right)} } }}{{\sum\limits_{i = 1}^n {\sum\limits_{j = 1}^m {{l_{ij}}} } }} $$ (3)

      图  4  居民地群之间的邻近分析

      Figure 4.  Adjacency Analysis Process of Building Clusters

      群通视域面积为:

      $$ G\_{V_A} = \sum\limits_{i = 1}^n {\sum\limits_{j = 1}^m {{V_{{A_{ij}}}}} } $$ (4)

      式中,lijG1中的对象iG2中与其邻近的对象j间的骨架线长度;Dijij的通视域平均宽度;VAijij的通视域面积。

      计算C1尺度下邻近聚合群之间的通视域平均宽度和面积后,判断聚合群之间的强弱紧密关系,将聚合群分别作为一个整体,以群中心点为结点,构建新的紧密性网络图。判断新群结点之间的强弱紧密关系时,上一级比例尺下的弱紧密关系阈值为下一级比例尺下的强紧密关系阈值,下一级比例尺下的弱紧密关系阈值扩大了Fn倍。如由C1C2时强紧密关系通视区域平均宽度阈值为F2δD,面积阈值为F2δVA;弱紧密关系通视区域平均宽度阈值为F3F2δD,面积阈值为 F3F2δVA。此外,将每个聚合群当做一个整体,依据聚合群的最小化最小外接矩形来计算C2比例尺下新群之间的主方向差异、尺寸相似等结构描述参数,然后按照§2.2.2描述的方法进行C2比例尺下居民地群结构的识别。

    • 选取某区域1:5 000比例尺的部分居民地要素为初始数据源,综合后的地图比例尺为1:50 000。对于一般居民地而言,1:50 000比例尺是地图显示过程中的一个突变尺度[18]。为了表达居民地的渐进合并过程,在1:5 000与1:50 000之间内插系列中间比例尺,并求得各尺度上的相关阈值,具体见表 2

      表 2  比例尺及其参数阈值

      Table 2.  Key Scales and Thresholds

      尺度序列 尺度变化因子 比例尺 Dlimit /mm VAlimit /mm2
      Cmax 1:5 000
      C1 F1=2.00 1:10 000 0.50 0.50 LP1Pn
      C2 F2=1.70 1:17 000 0.85 0.85 LP1Pn
      C3 F3=2.06 1:35 000 1.75 1.75 LP1Pn
      Cmin F4=1.43 1:50 000 2.50 2.50 LP1Pn

      经过反复实验,确定了各典型模式控制参数的阈值(经验范围),具体见表 3。按照本文提出的识别方法进行居民地群的识别,得到每一中间比例尺和目标比例尺下的识别结果,如图 5所示。对该结果进行综合分析可以看出,具有明显群结构的目标集均可以被识别,能够较好地反映居民地的空间分布特征,还体现了空间数据的渐进合并过程,缓解了视觉上的跳跃感,更加符合人的空间认知规律。

      表 3  控制参数的设置

      Table 3.  Values of Control Parameters

      模式名称 Odiff Ssize Sshape PAdiff FR D/mm VA/mm2 行居民地个数 列居民地个数
      队列模式 [0°, 10°] [1/3, 1] [0.5, 1] <20° [0.7, 1] < 0.5 < 0.5 LP1Pn
      正交模式 [80°, 90°] [1/3, 1] < 0.5 < 0.5 LP1Pn
      格网模式 [0°, 15°] [1/2, 1] [0.5, 1] [0.7, 1] < 0.5 F < 0.5 LP1Pn >2 >2

      图  5  各比例尺上居民地群识别结果

      Figure 5.  Identification Results of Building Clusters at All Scales

    • 为了选择最佳阈值,往往通过设置不同的参数值去验证参数变化对群模式识别结果的影响。比如,对于正交模式,其必要条件是居民地群内要素的定性角度关系垂直,即主方向差异(Odiff)接近90°。若仅关注主方向差异,不考虑形状、大小等因素的影响,可参考对比图 6Odiff分别取值85°、80°、75°的实验结果。当Odiff阈值为85°时,某些较为明显的正交模式被遗漏(图 6(a)中椭圆框中的要素);当Odiff阈值放宽至75°时,过多的居民地要素群被识别为正交模式(如图 6(c)中椭圆框中的要素)。针对不同的空间数据,由于其空间分布状况不同,可能需要对阈值进行细微的调整,但是受认知特征的约束,调整幅度不会太大。

      图  6  主方向差异对正交模式的影响

      Figure 6.  Results of Recognition with Different Orientations (Odiff)

    • 空间分布模式是制图综合和多尺度表达等必须考虑和保持的空间特征。研究人类对居民地群模式的空间认知规律,识别居民地多边形的几何结构模式,能为自动综合的实现提供理论依据和技术支持。针对居民地要素聚群现有研究成果的局限性,本文提出了一种结构化居民地群的多层次识别方法。该方法综合考虑空间认知原理和格式塔视觉准则,识别出的群结构更加符合人的认知习惯,精确体现了居民地群的空间分布特征。针对比例尺跨度较大的聚类过程,在离散的比例尺数据之间插入了中间比例尺数据,实现了居民地群的多层次识别和多尺度连续可视化,保证了地图显示的内容适宜性和层次性。由于居民地多边形空间分布模式的复杂性,本研究需要在以下方面进一步深化和探讨:①群模式的结构化参数控制规则以及各参数的阈值等需要经过反复实验确定;②居民地群空间模式的类型需要细化(比如正交模式又可细分为L型、H型和E型等),进一步探测、识别隐含于居民地群的空间模式信息,为居民地群的结构识别和综合操作提供更有利的依据。

参考文献 (18)

目录

    /

    返回文章
    返回