Intelligent Map Image Recognition and Understanding: Representative Features, Methodology and Prospects
-
摘要: 随着测绘制图与通讯技术的发展，公众能够借助各种平台和工具实时地自由创建、发布、编辑和共享地图图像大数据资源和产品，地图图像在地图内容、绘图标准等方面具有了显著的泛在性，导致难以创建大规模、高质量的地图图像标注数据。因此，尽管现有深度学习方法在识别标准地图的内容中取得了突破性的进展，但受制于地图图像标注数据的局限，依然无法有效应对地图图像的识别和理解。根据目前国内外的相关研究进展与挑战，结合地理空间人工智能技术，探讨支持泛源地图图像大数据识别的理论与技术框架。首先，提出既能够表达地图图像内容，又能够为模型或算法表征的地图特征；然后，探讨面向地图图像内容识别的地理空间人工智能技术，以及面向地图图像理解的语义分析方法；最后，总结和展望基于地图图像大数据的相关应用及潜在价值。需要进一步研究支持地图图像表征的理论与方法，且集成地图图像显式内容的识别（地图感知）和地图图像潜在语义的分析（地图认知）才可充分挖掘地图图像大数据的价值。希望能够从数据表征和地理空间人工智能的角度为地图图像的研究提供新思路。Abstract:Objectives The rapid development of cartographical and communication technologies makes the public free to create, publish, edit and share their map image resources and products with various platforms and tools. These map images are remarkably ubiquitous in terms of map content, mapping standards, and other aspects, which poses a big challenge to establishing massive well-annotated map image data. Thus, although the state-of-the-art deep learning methods have made a breakthrough in recognizing the standardized maps, they are still intrinsically unqualified to effectively address map image recognition and understanding due to the inadequate well-labeled map images.Methods This paper summarizes the progress and challenges regarding map image recognition and discusses the theoretical configurations and potential geospatial artificial intelligence (GeoAI) techniques for efficient map image recognition and understanding. We propose the map features for deep learning models to represent map image content. Then, we explore the promising methodologies for map image content recognition and the possible semantic analysis methods for map image understanding. Subsequently, we prospect several implementations regarding map image recognition and understanding and their future potentials.Results In our opinion, further investigation on theories and methods for map image representation is essential. Moreover, fully utilizing the values of map images depends upon recognizing the explicit content (map image perception) and mining the hidden semantics (map cognition).Conclusions We hope our exploration can contribute to the cartographical community offering a GeoAI and data representation integrated perspective on map image utilization.
-
矿产资源过度开采对区域的负环境效应日益显著，造成严重的资源与环境问题，主要表现在土壤、水体、大气等方面[1]。近年来，卫星遥感技术因其具有大范围、长时间序列、多信息、多平台监测等优点[2]被广泛应用于矿区生态环境研究中[3-4]。
2006年，中国推出了利用遥感技术的生态环境指标生态环境指数（ecological index，EI）[5]，该指标在生态环境监测上得到了广泛的运用[6-7]。2013年，在考虑到EI权重的合理性、归一化系数的设定、指标的易获取性和生态状况可视化等问题的情况下，又提出一种完全基于遥感信息、集成多种生态因子的遥感生态指数（remote sensing ecology index，RSEI）[8]，该指数用绿度、湿度、干度和热度4个分量反映区域的生态环境状况，通过主成分分析（principal components analysis，PCA）对各个指标赋以权重，计算结果具有很强的客观性、稳定性和可视性。RSEI将一维的EI值转换为二维的面表示，很好地表现了生态环境在空间上的分布，该指数已被成功运用于城市[9-10]、湿地[10]和矿区[1, 11]等生态环境的评价中。
关于RSEI的研究层出不穷[12-14]，但在RSEI构建时并没有考虑到自然情况下生态环境的影响具有区域性，以明确的边界框定范围是不合理的[15]。对矿区生态环境而言，采矿虽然是非常严重的地质环境破坏行为，但对于大面积研究区采矿仍然属于小范围事件。而且，以包含建城区、耕地、水域等复杂地物的研究区作为对象会对矿区产生的影响造成掩膜，无法突显采矿对环境的破坏。再者，采矿活动属于一个空间性的活动，距离采矿区的远近对生态环境有重要影响[16]，地理学第一定律也表示任何事物都相关，只是相近的事物关联更紧密[17]。
为了更好地反映区域范围内的生态环境状况，本文结合景观生态学中尺度的思想[18]提出一种基于移动窗口的遥感生态指数（moving window-based remote sensing ecological index，MW-RSEI），该指数充分考虑评价单元与周围地物的联系[19]，排除空间距离较远的区域对该区域生态环境评价的影响。
1 研究数据与数据源
1.1 研究区域概况
河南省是中国的矿产大省，在全国已探明储量的156种矿产中，河南省有72种[20]，郑州市作为河南省省会城市拥有大量矿产资源，矿产开发的同时给其带来了严重的生态环境污染。
本文选择河南省郑州市境内900 km2的矿区作为研究对象。该区域以新密市主城区作为依托，西依伏羲山余脉，北接二七区西南角，南止禹州市北部山脉，内包含林地、耕地、建城区等多类地物类型。同时，该研究区分布了丰富的矿产资源，包含煤矿、石料矿、铁矿和铝土矿4类矿种。丰富的矿产资源使研究区矿山地质环境灾害众多，破坏总面积达到28.46 km2，其中，对生态环境破坏最为严重的露天采场面积达到16.28 km2，占研究区总矿山地质环境灾害面积的57.20%。本研究区范围广、地物类型复杂，同时，伴随严重的矿山地质环境灾害问题，这为验证MW-RSEI在矿区生态环境中的应用提供了有效的平台。
1.2 数据源及预处理
本文以2017年4月28日获取的一景Landsat 8（OLI/TIRS）遥感影像作为主要数据源，辅助结合2017年河南省矿权和矿山地质环境灾害调查资料进行实验。首先利用ENVI 5.3对影像进行预处理，具体包括几何校正、辐射定标、大气校正等，然后裁剪出研究区域用于RSEI各项因子的计算。
2 研究方法
2.1 遥感生态指数
遥感生态指数是将区域的生态环境用绿度、湿度、干度和热度4个分量表示，分量分别由归一化植被指数、缨帽变化的湿度分量、建筑指数与土壤指数合成的干度指标和地表温度表示[8]。将4个分量分别归一化后进行主成分分析，各个指标对第一主成分（first principal component，PC1）贡献值为其权重，RSEI结果为各分量的加权和。计算公式为：
$$ {I}_{\mathrm{R}\mathrm{S}\mathrm{E}\mathrm{I}}={C}_{1}\times {F}_{G}+{C}_{2}\times {F}_{W}+{C}_{3}\times {F}_{H}+{C}_{4}\times {F}_{D} $$ (1) 式中，$ {I}_{\mathrm{R}\mathrm{S}\mathrm{E}\mathrm{I}} $为遥感生态指数计算结果；$ {F}_{G} $为绿度；$ {F}_{W} $为湿度；$ {F}_{H} $为热度；$ {F}_{D} $为干度；Ci为各指标权重，i=1，2，3，4。
主成分分析法是环境评价中一个重要的综合指标构建方法，它用尽量少的综合指标代替众多的原始数据，各指标在主成分方向上的贡献即为该指标的权重[21]。将权重与指标相乘得到RSEI，即该研究区域生态环境分布归一化后的RSEI数值越大，说明该区域生态环境越优。
2.2 基于移动窗口的综合指标构建
由于矿区对生态环境的影响具有一定的范围，MW-RSEI从景观生态学中引入尺度的概念。在生态学中尺度的变化对景观格局的定量分析会产生不同程度的影响，因此，在生态环境评价中选择合适的分析尺度是非常必要的[19, 22]。利用移动窗口设置研究区域范围在景观研究中已有大量运用[23-24]，实验结果表明，设置窗口更符合自然界的物理扩散效应，有利于生态环境监测与评价。
MW-RSEI原理如图 1所示。
![]()
图 1 基于移动窗口综合指标的构建原理Figure 1. Construction Principle of Comprehensive Index of Moving Window首先，基于移动窗口的综合指标是通过对研究区域绿度、湿度、干度和热度4项指标分布图进行区域划分，以每个行列号为（i，j）的像元为中心构建N$ \times $N（N为奇数）的评价区间；然后，对每个评价区间单独进行主成分分析，得到的第一主成分分量值赋给中心像元，作为窗口中心像元（i，j）的生态环境指标的权重[19]，其计算表达式为：
$$ W(i, j)={P}_{\mathrm{P}\mathrm{C}1\left(N\right)}\left(i, j\right) $$ (2) 式中，$ W(i, j) $表示第i行、第j列的像元的权重，是指标对生态环境的贡献率；$ {P}_{\mathrm{P}\mathrm{C}1\left(N\right)}\left(i, j\right) $表示以第i行、第j列为中心进行主成分分析得到的第一主成分值，N表示窗口边长的像元个数。当窗口研究区域内地物发生变化时，绿度、湿度、干度和热度4项指标大小随之发生变化，各个指标对生态环境的贡献度也发生改变。遍历研究区域每个像元，得到研究区各个像元生态环境指标的权重分布。
根据国家法规[25]和前人研究成果[26]，本研究选取矿界外扩2 000 m为评价单元窗口，即以每个像素为中心点外扩4 000 $ \mathrm{m}\times $4 000 m（133$ \times $133像元）的区域作为评价区间，N值取133。由于窗口存在一定的宽度，研究区域边缘的像素将不具备作为窗口中心点运算的能力，研究区域由900 km2（1 000$ \times $1 000像元）缩小到678.08 km2（868$ \times $868像元）。为更好地分析生态环境的优劣，需设定第一主成分的阈值，占比高的区域有更高的确信度。
3 结果与讨论
3.1 基于移动窗口的遥感生态指数
基于移动窗口法构建的MW-RSEI综合指标第一主成分占比为68.0%~90.3%，均值为83.8%，4项生态指标权重值范围如表 1所示。
表 1 MW-RSEI指标荷载值Table 1. MW-RSEI Index Weight生态环境指标 PPC1(133) 最小值 最大值 均值 方差 FG 0.618 0.889 0.769 0.043 FW 0.188 0.578 0.417 0.057 FD -0.437 -0.320 -0.381 0.019 FH -0.580 -0.130 -0.281 0.067 由于是按区域逐一进行主成分分析，所以各指标权重因地理位置、区域地物类型不同而有所变化，相邻的像元间有公共的窗口区间，得到各生态环境指标的权重为连续变化的面值。权重绝对值的大小表示在窗口区域内各项生态环境指标对该中心点生态环境的作用大小。
由表 1可知，绿度和湿度对PC1的荷载值为正值，表明绿度因子和湿度因子对生态起正环境效应；干度和热度对PC1的荷载值为负值，表明干度因子和热度因子对生态起负环境效应；综合指标构建中绿度权重的绝对值明显高于其他3项指标权重的绝对值，表明绿度因子在该区域环境生态影响中起到较大的作用。
通过ArcGIS地图代数工具将绿度、湿度、干度和热度4个分量与综合指标的权重相乘，得到研究区域MW-RSEI分布。MW-RSEI均值为0.522，标准差为0.183，研究区生态环境整体处于中等偏上水平。为了更好地考察生态环境变化，将归一化后的MW-RSEI结果分为5类等级[6]，如图 2（a）所示。
由图 2可见，在矿区和建城区的生态环境偏差，林地和耕地区域生态环境偏好。
结合2017年河南省矿山地形地貌破坏图斑，其中，MW-RSEI等级为差的面积为621.45 hm2，等级为较差的面积为1 531.44 hm2，等级为中等的面积为328.86 hm2，等级为良的面积为39.60 hm2，等级为较优的面积为0.63 hm2。其中，生态环境等级为差和较差的区域占整个矿区的85.40%。同时，受矿山开采的影响，矿区周边的环境比相同地物条件远离矿区的生态环境差。
3.2 RSEI与MW-RSEI生态环境评价对比
针对RSEI的综合指标构建得到的第一主成分占比结果为80.9%，因为传统方法直接对整个大研究区域进行一次性主成分分析，所以得到的各个指标的权重为单个的值，如表 2所示。
表 2 指标值及RSEI结果Table 2. Indicator Values and RSEI Results生态环境指标 指标均值 标准差 PC1荷载值 FG 0.782 0.116 0.750 FW 0.762 0.072 0.409 FD 0.176 0.058 -0.374 FH 0.560 0.076 -0.360 IRSEI 0.495 0.209 基于移动窗口法得到的权重值与传统方法得到的权重值趋势相同：传统主成分分析得到的荷载值在移动窗口主成分分析的荷载值范围内，改进的综合指标构建结果根据区域特征发生小幅度变化。研究区域RSEI值0.495与MW-RSEI均值0.522基本一致，两种方法得到的各个指标具有相同的物理意义并与实际相符，表明移动窗口综合指标的构建具有可靠性。
对RSEI结果进行分级，如图 2（b）所示。对比RSEI和MW-RSEI结果可见，在矿山地貌景观破坏周围，图 2（a）生态环境等级逐渐变化，从矿区向外环境等级逐渐变好；图 2（b）矿区周边生态环境等级变化跨度大，因为RSEI注重地物本身的特性，没有考虑到周边环境受矿山开采的影响。对比RSEI和MW-RSEI结果在矿区周围的差异可以得到，矿区生态环境在评价时均处于偏差状态，其周边环境对矿区生态均成正效应，矿区和城市对周边环境起负效应。因此，以窗口方式评价环境时，两种不同地类的连接处会因为周边地物性质的不同而发生变化。
生态环境各级别占比如图 3所示。
![]()
图 3 RSEI与MW-RSEI分级面积对比Figure 3. Comparison of Area Classification Between RSEI and MW-RSEI由图 3可知，研究区域生态环境等级集中于较差、中等、良3个等级，且中等和良级别的区域比重较大。生态环境较差、中等、良和优4个等级占比变化的百分比绝对值分别为2.02%、2.72%、3.44%和0.71%，均小于5.00%，生态环境等级差区域的百分比变化为7.46%。
考虑到两种综合指标构建方式得到的生态环境等级会发生变化，为更方便观察两类指数的差异，构建RSEI与MW-RSEI等级变化的转移矩阵，以RSEI面积为基础建立等级变化百分比，如表 3所示。
表 3 以RSEI为基础的MW-RSEI等级变化占比/%Table 3. Proportion of MW-RSEI Level Change Based on RSEI/%生态环境等级 MW-RSEI 差 较差 中等 良 优 RSEI 差 32.68 66.15 1.16 0.01 0.00 较差 2.34 58.95 37.76 0.95 0.00 中等 0.11 6.89 65.08 27.84 0.08 良 0.01 0.54 18.13 76.26 5.06 优 0.01 0.02 4.42 48.13 47.43 MW-RSEI结果主体与RSEI结果相同，部分等级有小范围的波动。在生态环境等级较差、中等和良的区域，等级不发生改变的占绝大多数，这3个等级的波动以原等级为中心向两边逐步减少，其中，生态等级较差转换为中等的比例较高为37.76%，可见该区域生态环境较差区域易受周边环境影响向好的方向发展。等级为优和差的区域变化明显，分别有48.13%和66.15%向中间等级靠拢，这是极端生态环境状态对局部性扰动产生响应，从而出现涨落的现象[26-27]，符合耗散结构理论。矿区生态环境偏差，在周边环境影响下易向稳定状态发展，即向中等等级靠拢。
对比MW-RSEI和RSEI结果发现，研究区域等级整体向好的方向变化，这表明该区域在计算RSEI时生态环境等级会受少部分偏差环境影响，使得整个研究区生态环境均值降低；在计算MW-RSEI时，少部分生态环境偏差区域只会对其周边环境造成影响，不会拉低偏远区域的生态环境值。针对矿区这种总占比小但环境破坏严重的特殊研究对象，窗口的运用可以更好地突出矿山开采对周边生态环境的影响，做到有针对性的检测与评价。
3.3 窗口尺度适应性讨论
MW-RSEI的建立可以一定程度上减小过远地物对研究对象的影响，保证地物生态环境评价的准确性。在同一影像下，RSEI的结果与研究区域划分的面积大小有关系。当研究区大小发生变化时，同一像元的RSEI也会发生改变。MW-RSEI的结果只与其为中心窗口的小范围地物有关联，在确定了研究单元后，获得的最终生态环境评价指数将不会改变。
需要提出的是，基于移动窗口的遥感生态指数不仅可以运用在矿山生态环境评价中，而且适用于其他类型的生态环境评价。本研究在窗口的构建上仍存在进一步提升的空间，窗口大小的设置需要根据研究的地物类型进行改变，各个指标的重要性应以中心点向外辐射减小，窗口存在PC1无法表达主要信息的区域等。针对矿区生态环境监测，本研究采用的窗口大小为规则规定的大小，存在一定的普适性，但对每个具体的矿山无法体现其特殊性。如林区和城区的矿山开采对环境的影响范围会有所不同，露天和地下等开采类型对周边环境影响也会有所不同。研究发现，该方法在窗口减小到一定尺度时会出现权重正负号变向的问题，关于MW-RSEI试用尺度还有待进一步探明。
4 结语
本文在RSEI的基础上提出基于移动窗口的改进的遥感生态指数，MW-RSEI考虑到某个区域的生态环境与其周围地物的联系，排除空间距离较远的区域对该区域生态环境评价的影响。改进的方式是在RSEI的综合指标创立时利用移动窗口法确定一个像元与其一定范围内像元的关系，得到该像元各项生态环境指标的权重。该方法对研究区域范围较大和研究区域地物类型较混杂时的RSEI计算有一定的优化作用。针对矿区生态环境的特殊性，MW-RSEI减少了研究区域大环境对矿区小环境带来的干扰，同时针对不同地理位置与环境背景的矿区进行区别讨论，为矿区生态环境评价提供有效的依据。
-
![]()
图 1 遥感影像与地图图像识别方式对比
Figure 1. Comparison of Remote Sensing Image Recognition and Map Image Recognition
![]()
图 2 地图图像内容识别与地图图像理解的结果对比
Figure 2. Comparison of Map Image Content Recognition and Map Image Understanding
![]()
图 4 地图图像基准数据库地图类别层级与样本示例
Figure 4. Illustration on Hierarchical Map Category in Benchmark Map Image Dataset
-
[1] Clarke K C, Johnson J M, Trainor T. Contemporary American Cartographic Research: A Review and Prospective[J]. Cartography and Geographic Information Science, 2019, 46(3): 196-209 doi: 10.1080/15230406.2019.1571441
[2] Abend P, Harvey F. Maps as Geomedial Action Spaces: Considering the Shift from Logocentric to Egocentric Engagements[J]. GeoJournal, 2017, 82 (1): 171-183 doi: 10.1007/s10708-015-9673-z
[3] 孟立秋. 地图学和地图何去何从[J]. 测绘科学技术学报, 2013, 30(4): 334-342 doi: 10.3969/j.issn.1673-6338.2013.04.002 Meng Liqiu. Cartography and Maps-Where to Go [J]. Journal of Geomatics Science and Technology, 2013, 30(4): 334-342 doi: 10.3969/j.issn.1673-6338.2013.04.002
[4] 曾兴国, 任福, 杜清运, 等. 公众参与式地图制图服务的设计与实现[J]. 武汉大学学报·信息科学版, 2013, 38(8): 950-953 http://ch.whu.edu.cn/article/id/2709 Zeng Xingguo, Ren Fu, Du Qingyun, et al. Design and Implementation of Public Participation Web Cartographic Services[J] Geomatics and Information Science of Wuhan University, 2013, 38 (8) : 950-953 http://ch.whu.edu.cn/article/id/2709
[5] 艾廷华. 大数据驱动下的地图学发展[J]. 测绘地理信息, 2016, 41(2): 1-7 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG201602002.htm Ai Tinghua. Development of Cartography Driven by Big Data[J]. Journal of Geomatics, 2016, 41(2): 1-7 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG201602002.htm
[6] 王家耀. 时空大数据时代的地图学[J]. 测绘学报, 2017, 46(10): 1226-1237 doi: 10.11947/j.AGCS.2017.20170308 Wang Jiayao. Cartography in the Age of SpatioTemporal Big Data[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10): 1226-1237 doi: 10.11947/j.AGCS.2017.20170308
[7] Robinson A C, Demšar U, Moore A B, et al. Geospatial Big Data and Cartography: Research Challenges and Opportunities for Making Maps that Matter[J]. International Journal of Cartography, 2017, 3(sup1): 32-60 doi: 10.1080/23729333.2016.1278151
[8] Usher N. News Cartography and Epistemic Authority in the Era of Big Data: Journalists as Map -Makers, Map-Users, and Map-Subjects[J]. New Media & Society, 2020, 22(2): 247-263
[9] 李德仁. 展望大数据时代的地球空间信息学[J]. 测绘学报, 2016, 45(4): 379-384 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201604002.htm Li Deren. Towards Geo-Spatial Information Science in Big Data Era[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(4): 379-384 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201604002.htm
[10] 郭仁忠, 陈业滨, 赵志刚, 等. 泛地图学理论研究框架[J]. 测绘地理信息, 2021, 46(1): 9-15 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG202101004.htm Guo Renzhong, Chen Yebin, Zhao Zhigang, et al. A Theoretical Framework for the Study of Pan-Maps [J]. Journal of Geomatics, 2021, 46(1): 9-15 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG202101004.htm
[11] Li H, Liu J, Zhou X. Intelligent Map Reader: A Framework for Topographic Map Understanding with Deep Learning and Gazetteer[J]. IEEE Access, 2018, 6: 25363-25376 doi: 10.1109/ACCESS.2018.2817778
[12] Wabiński J, Mościcka A. Automatic(Tactile)Map Generation: A Systematic Literature Review[J]. ISPRS International Journal of Geo-Information, 2019, 8(7), DOI: org/ 10.3390/ijgi8070293
[13] Wright D J, Wang S. The Emergence of Spatial Cyberinfrastructure[J]. Proceedings of the National Academy of Sciences of the United States of America, 2011, 108(14): 5488-5491 doi: 10.1073/pnas.1103051108
[14] Elwood S, Goodchild M F, Sui D. Researching Volunteered Geographic Information: Spatial Data, Geographic Research, and New Social Practice[J]. Annals of the Association of American Geographers, 2012, 102(3): 571-590 doi: 10.1080/00045608.2011.595657
[15] Rautenbach V, Coetzee S, Iwaniak A. Orchestrating OGC Web Services to Produce Thematic Maps in a Spatial Information Infrastructure[J]. Computers, Environment and Urban Systems, 2013, 37: 107-120 doi: 10.1016/j.compenvurbsys.2012.08.001
[16] Chiang Y Y, Leyk S, Nazari N H, et al. Assessing the Impact of Graphical Quality on Automatic Text Recognition in Digital Maps[J]. Computers & Geosciences, 2016, 93: 21-35
[17] Miao Q, Liu T, Song J, et al. Guided Superpixel Method for Topographic Map Processing[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(11): 6265-6279 doi: 10.1109/TGRS.2016.2567481
[18] Liu T, Xu P, Zhang S. A Review of Recent Advances in Scanned Topographic Map Processing[J]. Neurocomputing, 2019, 328: 75-87 doi: 10.1016/j.neucom.2018.02.102
[19] 任福, 侯宛玥. 面向机器阅读的地图名称注记类别识别方法[J]. 武汉大学学报·信息科学版, 2020, 45(2): 273-280 doi: 10.13203/j.whugis20180503 Ren Fu, Hou Wanyue. Identification Method of Map Name Annotation Category for Machine Reading[J]. Geomatics and Information Science of Wuhan University, 2020, 45(2): 273-280 doi: 10.13203/j.whugis20180503
[20] Pezeshk A, Tutwiler R L. Automatic Feature Extraction and Text Recognition from Scanned Topographic Maps[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(12): 5047-5063 doi: 10.1109/TGRS.2011.2157697
[21] Zhou X. GeoAI-Enhanced Techniques to Support Geographical Knowledge Discovery from Big Geospatial Data[D]. Tempe, USA: Arizona State University, 2019
[22] Zhou X, Li W, Arundel S T, et al. Deep Convolutional Neural Networks for Map-Type Classification [EB/OL]. [2018-05-26]. https://arxiv.org/abs/1805.10402
[23] Uhl J H, Leyk S, Chiang Y Y, et al. Automated Extraction of Human Settlement Patterns from Historical Topographic Map Series Using Weakly Supervised Convolutional Neural Networks[J]. IEEE Access, 2019, 8: 6978-6996
[24] Courtial A, El Ayedi A, Touya G, et al. Exploring the Potential of Deep Learning Segmentation for Mountain Roads Generalisation[J]. ISPRS International Journal of Geo-Information, 2020, 9(5), DOI: 10.3390/ijgi9050338
[25] 李德仁. 脑认知与空间认知: 论空间大数据与人工智能的集成[J]. 武汉大学学报·信息科学版, 2018, 43(12): 1761-1767 doi: 10.13203/j.whugis20180411 Li Deren. Brain Cognition and Spatial Cognition: On Integration of Geo-Spatial Big Data and Artificial Intelligence[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 1761-1767 doi: 10.13203/j.whugis20180411
[26] 李德仁, 徐小迪, 邵振峰. 论万物互联时代的地球空间信息学[J]. 测绘学报, 2022, 51(1): 1-8 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB202201001.htm Li Deren, Xu Xiaodi, Shao Zhenfeng. On Geospatial Information Science in the Era of IoE[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(1): 1-8 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB202201001.htm
[27] Chiang Y Y, Leyk S, Knoblock C A. A Survey of Digital Map Processing Techniques[J]. ACM Computing Surveys, 2014, 47(1), DOI: 10.1145/2557423
[28] Chiang Y Y, Knoblock C A. Recognizing Text in Raster Maps[J]. GeoInformatica, 2015, 19(1), DOI: org/ 10.1007/s10707-014-0203-9
[29] Li Z, Huang P. Quantitative Measures for Spatial Information of Maps[J]. International Journal of Geographical Information Science, 2002, 16(7): 699-709 doi: 10.1080/13658810210149416
[30] Power C, Simms A, White R. Hierarchical Fuzzy Pattern Matching for the Regional Comparison of Land Use Maps[J]. International Journal of Geographical Information Science, 2001, 15(1): 77-100 doi: 10.1080/136588100750058715
[31] Fritz S, See L. Comparison of Land Cover Maps Using Fuzzy Agreement[J]. International Journal of Geographical Information Science, 2005, 19(7): 787-807 doi: 10.1080/13658810500072020
[32] Stadler C, Lehmann J, Höffner K, et al. LinkedGeoData: A Core for a Web of Spatial Open Data [J]. Semantic Web, 2012, 3(4): 333-354 doi: 10.3233/SW-2011-0052
[33] Sun K, Zhu Y, Pan P, et al. Geospatial Data Ontology: The Semantic Foundation of Geospatial Data Integration and Sharing[J]. Big Earth Data, 2019, 3 (3): 269-296 doi: 10.1080/20964471.2019.1661662
[34] Kokla M, Guilbert E. A Review of Geospatial Semantic Information Modeling and Elicitation Approaches[J]. ISPRS International Journal of Geo-Information, 2020, 9(3): 146 doi: 10.3390/ijgi9030146
[35] Goodchild M F, Hill L L. Introduction to Digital Gazetteer Research[J]. International Journal of Geographical Information Science, 2008, 22(10): 1039-1044 doi: 10.1080/13658810701850497
[36] Cardoso S D, Amanqui F K, Serique K J A, et al. SWI: A Semantic Web Interactive Gazetteer to Support Linked Open Data[J]. Future Generation Computer Systems, 2016, 54: 389-398 doi: 10.1016/j.future.2015.05.006
[37] Uhl J H, Leyk S, Chiang Y Y, et al. Map Archive Mining: Visual-Analytical Approaches to Explore Large Historical Map Collections[J]. ISPRS International Journal of Geo-Information, 2018, 7(4), DOI: org/ 10.3390/ijgi7040148
[38] Usery E L, Varanka D. Design and Development of Linked Data from the National Map[J]. Semantic Web, 2012, 3(4): 371-384 doi: 10.3233/SW-2011-0054
[39] Janowicz K, Keßler C. The Role of Ontology in Im proving Gazetteer Interaction[J]. International Journal of Geographical Information Science, 2008, 22 (10): 1129-1157 doi: 10.1080/13658810701851461
[40] Li C, Liu P, Yin J, et al. The Concept, Key Technologies and Applications of Temporal-Spatial Information Infrastructure[J]. Geo-Spatial Information Science, 2016, 19(2): 148-156 doi: 10.1080/10095020.2016.1179440
[41] Battle R, Kolas D. Enabling the Geospatial Semantic Web with Parliament and GeoSPARQL[J]. Semantic Web, 2012, 3(4): 355-370 doi: 10.3233/SW-2012-0065
[42] Li D, Yu W, Shao Z. Smart City Based on Digital Twins[J]. Computational Urban Science, 2021, 1 (1), DOI: org/ 10.1007/s43762-021-00005-y
[43] Li D, Shao Z, Zhang R. Advances of Geo-Spatial Intelligence at LIESMARS[J]. Geo-Spatial Information Science, 2020, 23(1): 40-51 doi: 10.1080/10095020.2020.1718001
[44] Saeedimoghaddam M, Stepinski T F. Automatic Extraction of Road Intersection Points from USGS Historical Map Series Using Deep Convolutional Neural Networks[J]. International Journal of Geographical Information Science, 2020, 34(5): 947-968 doi: 10.1080/13658816.2019.1696968
[45] James L A, Hodgson M E, Ghoshal S, et al. Geomorphic Change Detection Using Historic Maps and DEM Differencing: The Temporal Dimension of Geospatial Analysis[J]. Geomorphology, 2012, 137 (1): 181-198 doi: 10.1016/j.geomorph.2010.10.039
[46] 张博, 张猛, 王非, 等. VGI数据与地形图数据的自动融合研究[J]. 武汉大学学报·信息科学版, 2019, 44 (11): 1708-1714 doi: 10.13203/j.whugis20180023 Zhang Bo, Zhang Meng, Wang Fei, et al. Automatic Data Integration Between VGI and Topographic Data[J]. Geomatics and Information Science of Wuhan University, 2019, 44(11): 1708-1714 doi: 10.13203/j.whugis20180023
[47] Chen X, Chen S, Xu T, et al. SMAPGAN: Generative Adversarial Network-Based Semisupervised Styled Map Tile Generation Method[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(5): 4388-4406 doi: 10.1109/TGRS.2020.3021819
[48] Shen Y, Ai T, Li J, et al. A Tile-Map-Based Method for the Typification of Artificial Polygonal Water Areas Considering the Legibility[J]. Computers & Geosciences, 2020, 143: 104552
[49] Shen Y, Ai T, Li J, et al. A Progressive Method for the Collapse of River Representation Considering Geographical Characteristics[J]. International Journal of Digital Earth, 2020, 13(12): 1366-1390 doi: 10.1080/17538947.2020.1715495
[50] 黄龙, 吴佳桐. 图像识别在互联网"问题地图"监控中的应用[J]. 测绘通报, 2020(6): 145-148 https://www.cnki.com.cn/Article/CJFDTOTAL-CHTB202006030.htm Huang Long, Wu Jiatong. Application of Image Recognition in Internet"Problem Map"Monitoring [J]. Bulletin of Surveying and Mapping, 2020(6): 145-148 https://www.cnki.com.cn/Article/CJFDTOTAL-CHTB202006030.htm
-
期刊类型引用(4)
1. 徐洪秀，杨玉忠，王赫，吴洪涛，谭新宇. 三维地籍测绘研究及其标准化探索. 测绘通报. 2024(01): 136-140 . 
百度学术
2. 刘冰洁，朱敏，孙在宏，吴长彬. 顾及人眼视觉感知特征的三维地籍产权体最优视点选择方法. 地理与地理信息科学. 2023(01): 1-7+61 . 百度学术
3. 张衡，赵志刚，朱维，唐骜巍，李泽宇. 面向三维界址编码的产权体无损降维表达方法. 测绘科学. 2023(08): 202-209 . 百度学术
4. 王芮，严立，陆文雨. 融合实景三维信息的三维地籍空间模型构建与应用探索. 测绘通报. 2021(S1): 6-9+28 . 百度学术
其他类型引用(1)
下载:
计量
- 文章访问数: 2355
- HTML全文浏览量: 509
- PDF下载量: 478
- 被引次数: 5
