徐智邦
, 王中辉, 闫浩文
XU Zhibang, WANG Zhonghui, YAN Haowen
通讯作者:
收稿日期: 2017-08-21
修回日期: 2017-11-7
网络出版日期: 2018-03-02
版权声明: 2018 《地球信息科学学报》编辑部 《地球信息科学学报》编辑部 所有
基金资助:
作者简介:
作者简介：徐智邦（1991-）,男,硕士生,主要从事地图自动综合研究。E-mail: xuxugis@foxmail.com
展开
摘要
人们对道路重要性的认知与道路周边设施有重要关系,针对现有地图综合道路选取方法中对语义特征考虑不足的问题,将POI数据引入到道路的语义特征分析中,提出一种综合考虑道路空间特征和语义特征的道路综合自动选取方法。首先,结合POI位置数据构造了道路语义特征度量的3个新参量：设施点密度、重要设施比率和专题设施比率;然后,与道路长度、连接值、总深度值、平均线密度等反映道路几何、拓扑和分布特征的度量参量一起,通过归一化和熵值法赋权进行整合计算,得到道路重要性值;最后,综合考虑道路重要性值、道路stroke构成和stroke连通度的约束条件进行道路的分步选取。实验结果表明,该方法在保留主要道路、保持道路分布疏密特征和道路连通性的同时,较好地顾及了道路的语义特征信息。
关键词：
Abstract
People's cognition of the importance of roads is closely related to the facilities around the road. Aiming at the problem of lack of semantic features in the existing study on automatic selection in road generalization, the POI data is introduced into the semantic feature analysis of the road. A method of road automatic selection considering road spatial and semantic feature is proposed. Firstly, three new parameters of the road semantic feature measure are constructed by combining the POI position data. Then, three new parameters are combined with other metric parameters such as connection values and average linear density to calculate the road importance values. Finally, the road importance values, the composition of road stroke and the stroke connectivity are regarded as the constraint condition of automatic selection. The road is selected step by step. The experimental results show that the proposed method takes into account the semantic features of the road while retaining the main road, maintaining the density of the road distribution and the connectivity of the road.
Keywords：
在新的数字环境下,利用地图综合技术从大比例尺的地图或地理数据库中导出小比例尺的地图或地理数据库,仍然是空间信息科学理论研究的重点和难点[1]。道路网作为承载人类活动的重要地理空间要素,一直以来都是地图综合的主要目标。道路网综合的过程包括道路目标的选取和化简,其中,道路目标的选取是化简的前提,是道路网综合的重点。
道路网选取包括“选多少”和“选哪些”2个过程。前者多使用方根模型[2]解决,后者即是本文研究的重点,通过科学的度量方法决定需要保留哪些道路。目前,对于道路网自动选取的方法主要有 5类：基于语义等级的选取方法[3]、基于stroke的选 取方法[4,5,6,7]、基于图论的选取方法[8,9,10,11]、基于网眼密 度的选取方法[12]及由以上方法组合使用的复合方法[13,14,15,16]。经分析,现有道路网选取方法尚存在以下缺陷：① 在选取时对道路的语义特征考虑不足。现有方法通常不能有效兼顾道路的全部空间特征,复合方法虽能较全面地顾及道路网的几何特征(如长度)、拓扑特征（如连通性）和分布特征（如分布密度）,却对语义特征的考虑仍旧不足。分析其原因：一方面,传统基于语义等级的选取方法仅考虑道路等级、类型等语义信息,选取结果难以满足要求[3,7];另一方面,道路语义数据的获取难度较大、数据完整性较差,影响了最终的选取结果。② 未能将与 道路网密切联系的居民地要素等上下文地物考虑进来。一条道路的重要性,不仅与其几何、拓扑、分布特征及道路等级、类型等语义特征有关,更重要的是与道路邻接的居民地（或设施）也有关联。例如,在商业专题地图的综合中,一条商业步行街的道路长度、连通性和道路等级都不是最佳,但因其两侧聚集了大量的商业场所,在综合的时候需要优先保留。
基于上述分析,在大数据研究快速发展的背景下,本文提出一种结合POI（Point of Interest）数据来综合考虑道路空间特征和语义特征的道路自动选取方法。一方面,POI数据完整性高,数据体量大,且包含设施点的功能信息,可以丰富道路语义特征的度量方式;另一方面,POI数据作为道路周边居民地要素的点状表示,与道路网协同考虑,能够有效提高综合结果的科学性和合理性。
道路网属于交通网络的一种,目前的道路自动选取研究中,主要有2种抽象道路网的方法：① 基于真实的地理网络直接抽象,将道路抽象为线,道路交叉口抽象为点（图1（a））;② 真实路网的对偶表达,即将道路抽象为节点,道路交叉口抽象为线（图1（b））。交通网络具有地理空间结构的特殊性,每个节点在地理空间中都有其对应的空间坐标, 第②种方法所抽象出的图可能存在拓扑同构的其他情况[17];同时,第② 种方法经抽象后丢失了宝贵的几何度量信息,因此只适用于拓扑特征的度量。而本文需要综合考虑道路网的空间特征和语义特征,故本文采用第①种方法进行道路的抽象。
在现有道路自动选取研究中,关于选取的单元主要有2种方法：① 将弧段连接成stroke,以stroke作为选取单元;② 以实际路网抽象出的道路弧段作为选取单元。虽然前者可以有效模拟人工选取中的道路视觉长度[7],但在实际构成stroke的不同弧段可能在道路等级和道路宽度上呈现较大差异,同时缺乏对保持道路网连通性的策略[7,14],对不能构成stroke的零散道路在同一层次上的重要性区分度也不够[15],为此本文使用第②种方法确定道路的选取单元。需要强调的是,本文只是不将stroke作为道路的最小选取单元,并非不考虑stroke,而是将能否构成stroke及构成stroke的连通度作为道路弧段的选取约束策略。
道路网的空间特征反映道路的客观特征,如几何特征、拓扑特征和分布特征。几何特征反映道路的长度和形状,本文使用道路长度和道路宽度来度量;拓扑特征反映道路网的连通性等,本文使用空间句法（Space Syntax）理论中的参量来度量,这是考虑到空间句法侧重于关注网络的拓扑复杂性,借助图论的基本原理建立起一系列空间结构的分析参量[17],有助于定量的描述空间结构,最终选定连接值、控制值、总深度值和全局集成度4个参量;分布特征反映道路网空间分布上的密度差异,本文使用道路区域的平均线密度作为度量参量。道路网空间特征的度量参量信息如表1所示。
表1 道路网空间特征的度量参量
Tab. 1 Metric parameters of spatial characteristics of road network
| 指标 | 解释 | 计算公式 | 变量含义 |
|---|---|---|---|
| 道路长度 | 指一条道路的几何长度 | ||
| 道路宽度 | 指一条道路的几何宽度 | ||
| 连接值 | 指与一条道路相交的其他道路总数。目前普遍认为道路的连接值可以反映道路的重要性[14] | ||
| 控制值 | 表示一条道路对其邻接道路的控制程度或者说是影响程度 | ||
| 总深度值 | 表示空间系统中某节点到达其他所有节点所需要的最小步数总和（步数指拓扑空间的值,即两个邻接节点的距离为一步）通常认为,节点的总深度值越小其在空间系统中越便捷 | TDi表示道路 | |
| 全局集成度 | 反映一条道路与系统内所有其他道路联系的紧密程度,表现了在整个系统中一条道路对其他道路的可达程度 | ||
| 平均线密度 | 线密度表示单位区域内的线状要素的密度,平均线密度指一条道路所经过区域的线密度的平均值 |
相比道路网的空间特征,语义特征更多地反映人类对于道路的主观认知和概括,其对于道路网的自动选取非常重要。例如,北京的王府井大街在道路的长度、宽度、连接值等空间特征上与其他道路相比并不突出,但其作为人们认知中北京的著名商业街,在道路选取时的重要性不言自明。在现有的道路网自动选取模型中,主要使用的语义特征度量参量为道路等级或道路类型,参量不仅少还不易获取。大数据背景下新兴数据的产生和发展给许多问题带来了新的解决思路,新兴数据已被学者应用于道路的更新和提取研究[18,19,20],也可以使用POI数据来辅助度量道路的语义特征。这样做的原因有 2点：① 在人们认知中道路的重要性与其周边的设施场所具有密切关系,深圳的华强北路就因为周边 扎堆的电子通讯卖场而被称为“中国电子第一街”;② POI点数据完整性高、现势性强,分布在道路两侧的POI点与道路具有较高的语义关联[19],其作为道路周边居民地要素的点状表示,在进行选取时与道路网协同考虑,能够有效地提高选取结果的科学性和合理性。据此,本文结合POI数据构建了3个新度量参量（设施点密度、重要设施比率、专题设施比率）,以辅助度量道路的语义特征。
（1）设施点密度：度量了一条道路缓冲区邻域内所有POI设施点的密度,能够反映该道路周围居民地设施的数量分布情况。
式中：
（2）重要设施比率：度量了一条道路上重要设施点占整个区域重要设施点的比重。重点设施点指政府部门这类具有行政等级的POI设施。该类设施无论在普通地图还是专题地图中,都是必须要表示的,将其称为重点地理要素。
式中：
（3）专题设施比率：当面对不同制图需求时,地图上要着重考虑的地理要素不同。因此,此指标是根据制图的专题需求来变化的。例如,当制作教育专题地图时,此指标即指代学校等教育类POI设施的比率,当制作商业专题地图时,该指标即指代商业服务业POI设施的比率。在进行非专题地图的综合时,该度量指标可不予计算。
式中：
数据的预处理包括2部分：① 对道路语义特 征新参量计算所需的POI数据进行提取和重分类;② 对道路网进行stroke预构建,明确哪些道路弧段能够构成同一个stroke,并对构成的stroke的连通度进行计算。
（1）POI设施点的提取。提取出落入道路一定缓冲区范围内的POI设施点,将这些点代表的设施视为影响人们对道路认知的设施场所。此处缓冲区范围的确定至关重要。在城市规划中,有“建筑后退”的概念,其概念中的“退线距离”即指建筑物后退各种规划控制线（如规划道路）的距离[21]。本文在确定道路沿街建筑物范围时,使用的距道路距离要大于“退线距离”的最大值。考虑到不同建筑类别（及不同道路宽度）的“退线距离”不同,这里统一选取所有类型建筑“退线距离”的最大值10 m。此外,张云菲等[18]将POI的30 m缓冲区内的道路作为POI的连接道路。故综合已有研究和标准规范,本文最终将距离道路30 m缓冲区范围内的POI设施作为影响道路语义特征的有效居民地设施。
（2）POI设施点的重分类。鉴于POI数据的来源主要为高德、百度等互联网地图企业,不同企业的POI分类标准各不相同。为了准确区分重要设施或专题设施,需要科学统一的分类体系,故还需对POI数据进行重分类,依据的标准是城市用地分类的国家标准（城市用地分类与规划建设用地标准GB50137-2011）,重分类的结果如表2所示。
表2 POI功能分类
Tab. 2 Classification of POI function
| 设施类别 | 包含的设施场所 |
|---|---|
| 居住类 | 住宅、小区及相应服务设施 |
| 公共管理类 | 政府机关、行政办公 |
| 公共服务类 | 图书馆、文化馆、各级院校科研单位、医疗、体育场、福利院、古迹、宗教、外事用地 |
| 商业服务业类 | 商业、商务、娱乐、油气、电信、邮政等服务设施 |
| 工业类 | 工矿企业 |
| 物流仓储类 | 仓库、附属停车场等 |
| 交通类 | 海陆空场站、停车场等 |
| 公用设施类 | 供电、水、气、热等设施、污水处理、公厕等;消防、防洪 |
| 绿地广场类 | 公园、广场等 |
（3）道路网的stroke预构建。该步骤的目的是顾及道路的连通性,以避免选取后出现过多的断头路。首先,基于原始道路网数据采用常用的偏向角阈值法预构建stroke;然后,将构成同一stroke的道路弧段额外添加同样的数字标记,并统计每个stroke包含的道路弧段数和每个stroke的道路弧段总长度;最后,使用杨敏等[7]研究中的连通度度量方法,即统计每个stroke中的道路交叉口个数,将其同样赋予构成该stroke的每个道路弧段。
完成数据预处理后,进行即道路重要性评价。首先需要计算空间特征和语义特征的各个度量参量。借助ArcGIS软件中的工具可以完成道路长度、道路宽度及平均线密度的计算,连接值、控制值、总深度值和全局集成度4个参量可以借助Jiang 等[3,10]研发的Axwoman插件完成运算。计算完成后,考虑到不同特征参量的量纲不同,需要首先进行归一化操作。在归一化时,需要考虑不同参量与道路重要性的关系,对呈正相关和负相关的2种情况选用不同的归一化方程（式（4））。之后,由于不同特征参量对道路综合重要性的影响程度也不同,因此需要设定不同的权重。本文使用熵值法来确定权重,熵是信息论中对不确定性的一种度量。信息量越大,不确定性越小,熵越小;信息量越小,不确定性越大,熵越大。作为一种客观赋权法,熵值法可根据各指标观测值所提供的信息量的大小来确定各指标的权重。根据各度量参量的计算结果和对应的权重,利用式（5）可计算出道路的重要性值。
（4）
式中：
传统的做法是按照计算得到的道路重要性值由大到小排序,保留满足道路弧段选取数量的道路。由于本文将道路弧段而非stroke作为道路的最小选取单元,但stroke在模拟人工选取中的道路视觉长度和保持道路完整性方面具有优势,因此本文将道路stroke构成和stroke连通度用做道路选取的额外约束条件,在基于道路重要性值的基础上,通过约束条件使道路网选取过程中尽可能保持路网的连通度并接近人们的视觉感知。
约束条件1：与当前判定弧段构成同一stroke的道路弧段总数中如有超过70%已在集合S中,则将同构成该stroke的剩下未被初选的弧段纳入已选集合S,当补选后数量超出目标要求时,优先补选道路重要性值高的道路。
约束条件2：与当前判定弧段构成同一stroke的道路弧段总数中如有超过80%在已选集合S或候选集合H中,则将同构成该stroke的剩下未被选择的弧段纳入已选集合S,同样当补选后数量超出目标要求时,优先补选道路重要性值高的道路。
据此构建的道路选取详细步骤如下：
（1）进行数据的预处理,包括POI的提取、重分类和道路网的stroke预构建。
（2）计算道路空间特征和语义特征的各个度量参量,在归一化的基础上结合熵值法确定的权重整合计算得到道路重要性值,并将其从大到小排序。
（3）完成上述步骤后,每条道路弧段不仅包含其道路特征属性（道路长度、道路宽度、连接值、控制值、总深度、全局集成度、平均线密度、道路等级、设施点密度、重要设施比率）,还包含其所构成的stroke的属性（编号、连通度、总长度、包含道路弧段个数）。
（4）根据选取目标确定要选取的道路总数目或者弧段总长度。
（5）按照道路重要性值从大到小排序选择满足选取目标的道路记为集合A,按照stroke连通度从大到小排序选择满足选取目标的道路记为集合B,按照stroke总长度从大到小排序选择满足选取目标的道路记为集合C。
（6）取集合A、B、C的交集,直接加入已选集合S。对集合S中的道路按照道路重要性值从大到小依次遍历,进行条件一的判定并补选,完成遍历后如集合S的数量符合目标要求则跳至步骤（9）,否则,取A∩B-S的道路弧段加入候选集合H并执行步骤（7）。
（7）对集合S+H按照道路重要性值从大到小排序,并依次遍历进行条件二的判定。如完成遍历后S达到选取要求,则跳至步骤（9）,否则执行步骤（8）后重新执行此步骤。
（8）按照此步的执行次数,依次将集合B∩C-S、集合A∩C-S、集合A-S、集合B-S、集合C-S加入候选集合H。
（9）道路选取完成,集合S为最终选取的道路。
通过实验来进一步验证以下问题：① 新构建的参量在选取时能否帮助人们认知中的重要道路提高被选取的几率;② 本文的选取方法能否在选取前后有效保持道路的连通性;③ 与人工选取的结果相比,应用本文方法选取出的道路精度如何。
选择兰州市城关区的中心城区为实验区,区内共903条道路弧段,道路总长度为380.338 km。使用的POI点数据从高德开放平台（http://lbs.amap.com/）借助Pyhton爬虫获取,共提取到道路缓冲区内的POI点40 217个。需要注意的是,获取到的点数据预先根据相关规定进行了偏移,因此本文在使用时首先对其进行了纠偏操作。设定构建stroke的偏向角阈值为45°,实验区共生成750个stroke。得到的实验区内道路周边POI分布和道路网stroke构成如图2所示。使用实验区内道路的各度量参量,通过熵值法最终确定出各参量的权重如下：道路长度0.100、道路宽度0.113、连接值0.087、控制值0.095、全局集成度0.123、总深度值0.125、平均线密度0.129、道路等级0.074、设施点密度0.112、重要设施比率0.042。
图2 道路周边POI分布（a）及道路网stroke模型（b）
Fig. 2 POI distribution of roads (a) and road network stroke model (b)
图3显示了考虑道路周边POI设施点前后道路重要性值排序的变化,正值代表考虑了POI设施后道路重要性值排序上升,负值代表下降。由图3可知,使用了本文构建的设施点密度和重要设施比率2个参量后,主要商圈和政府机构所在道路的重要性值排序得到了提高。例如,实验区内的主要商圈“西关十字-南关十字”和“瑞德摩尔”,其邻接道路的排序在考虑了POI因素后得到了明显提升,这说明本文提出的语义特征度量参量能提高人们认知中重要道路（如步行街商圈）的被选取几率,使选取结果更合理。
图3 考虑道路周边POI设施点前后道路重要性值的排序变化
Fig. 3 Ranking changes of road importance values after considering the POI facilities around the road
在道路选取时,本文使用道路重要性值结合stroke约束条件分步选取的方法,图4展示了结合约束条件的分布选取过程（图4（b））,通过和只按道路重要性值选取的方法（图4（a））做对比,可发现本文提出的方法,在选取的过程中能够在顾及道路重要性的同时,又能优先选取构成同一stroke的道路弧段,这样可以使已选道路保持彼此连通,这说明本文的方法能在选取前后有效保持道路的连通性、避免断头路的产生。
图4 是否结合stroke约束条件的道路选取对比
Fig. 4 Comparison of road selection results combined with stroke constraints
进一步以30%选取比例为例,依照国家基本比例尺地图编绘规范中对公路的选取要求来进行人工选取。邀请专业制图人员依照道路选取的一般方法进行,即保证重要道路的入选,保持道路与居民地的联系,保持道路网平面图形的特征[22]。将结果和用本文方法自动选取的结果进行对比,如图5所示。可发现自动选取的结果的整体覆盖范围与原始路网和人工选取结果较为吻合;在道路分布密度方面,自动选取后依旧能够体现道路选取前分布上的密度差异,与人工选取结果有较高的一致性;主干道路在自动选取中得到了较好地保留;选取后道路的连通性也较好;周边居民地设施密度较高和具有重要居民地设施的街道也得到了较好地考虑。进一步使用“最大相似度”[23]等指标定量计算
选取结果的精度如表3所示,发现自动选取和人工选取的结果具有较高的一致性。
图5 自动选取和人工选取结果对比
Fig. 5 Comparison between automatic selection results and manual selection results
表3 自动选取与人工选取结果比较
Tab. 3 Comparison of two selection results
| 参数 | 数值 |
|---|---|
| 人工选取后道路总长度/ km | 248.052 |
| 自动选取后道路总长度/ km | 242.129 |
| 2种方法选取一致的道路的总长度/ km | 236.569 |
| 最大相似度 | 0.933 |
| 选取一致的弧段数占选取总数的比例/% | 88.93 |
道路的语义特征在道路自动选取中十分重要,人们对道路重要性的认知与道路周边设施有重要关系。本文在道路网综合时将POI数据引入到道路的语义特征分析中,构造了道路语义特征度量的3种新参量（设施点密度、重要设施比率和专题设施比率）,同时结合道路其他特征度量参量,考虑道路stroke构成及stroke连通度的约束,提出了一种综合考虑道路空间特征（包括几何、拓扑、分布特征）和语义特征的道路自动选取方法。经实验,发现该方法选取后能够较好地保留主干道路,能保持道路选取前分布上的密度差异和道路的连通性,同时在选取过程中较好地顾及了道路周边设施和道路的语义特征信息,提高了人们认知中重要道路的被选取几率。
本文的方法对于道路语义特征的度量提供了一种新的思路,构建的度量参量计算简单,若不考虑数据爬取的耗时,相比传统方法所增加的计算时间可忽略不计。需要进一步研究的内容有：道路周边设施的产业规模特征对道路选取的影响;道路周边居民地的聚类方面还有更多的特征信息有待挖掘。同时,针对不同区域的道路网结合其特点进行验证和研究,以完善方法。
The authors have declared that no competing interests exist.
| [1] |
|
| [2] |
The principles of selection [J].https://doi.org/10.1179/caj.1966.3.1.10 URL [本文引用: 1] |
| [3] |
A structural approach to the model generalization of an urban street network [J].https://doi.org/10.1023/B:GEIN.0000017746.44824.70 URL [本文引用: 3] 摘要
This paper proposes a novel generalization model for selecting characteristic streets in an urban street network. This model retains the central structure of a street network. It relies on a structural representation of a street network using graph principles where vertices represent named streets and links represent street intersections. Based on this representation, so-called connectivity graph, centrality measures are introduced to qualify the status of each individual vertex within the graph. We show that these measures can be used for characterizing the structural properties of an urban street network, and for the selection of important streets. The proposed approach is validated by a case study applied to a middle-sized Swedish city.
|
| [4] |
The stroke Concept in Geographic Network Generalization and Analysis [J].https://doi.org/10.1007/3-540-35589-8_43 URL [本文引用: 1] 摘要
Strokes are relatively simple linear elements readily perceived in a network. Apart from their role as graphical elements, strokes reflect lines of flow or movement within the network itself and so constitute natural functional units. Since the functional importance of a stroke is reflected in its perceived salience this makes strokes a suitable basis for network generalization, through the preferential preservation of salient strokes during data reduction. In this paper an exploration of the dual functional-graphical nature of strokes is approached via a look at perceptual grouping in generalization. The identification and use of strokes are then described. The strengths and limitations of stroke-based generalization are discussed; how the technique may be developed is also considered. Finally, the functional role of strokes in networks is highlighted by a look at recent developments in space syntax and related studies.
|
| [5] |
Road selection based on Voronoi diagrams and “strokes” in map generalization [J].https://doi.org/10.1016/j.jag.2009.10.009 URL [本文引用: 1] 摘要
Road selection is a prerequisite to effective road network generalization. This article introduces a novel algorithm for road network selection in map generalization, which take four types of information into consideration: statistical, metric, topological, and thematic at three spatial scales: macro-scale which describes the general pattern of networks, mezzo-scale that handles relationships among road segments, and micro-scale that focuses on individual roads’ properties. A set of measures is selected to quantify these different types of information at various spatial levels. An algorithm is then developed with the extraction of these measures based on Voronoi diagrams and a perceptual grouping method called “stroke”. The selection process consists of three consecutive steps: measuring network information based on Voronoi partitioning and stroke generation, selecting roads based on information extraction in the first step with strokes as selection unit, and assessing selection results. The algorithm is further tested with a real-world dataset: road network map at 1:10,000 scale and its generalized version at 1:50,000 scale in Wuhan, China. The result reveals that the algorithm can produce reasonable selection results and thus has the potential to be adopted in road selection in map generalization.
|
| [6] |
基于路划网络功能评价的道路选取方法 [J].
提出以路划为选取单元以路划网络功能为选取指标的道路选取方法，路划网络功能的衡量指标综合考虑了中心度、连接度、长度等因素，由网络分析获得；选取的道路通过基于图论的逐步搜索保持连通性和规模最小；采用多种结构形态的实际城市局部路网、整体路网进行试验，结果表明该方法能较好地保持路网的整体结构、局部典型结构和道路连贯性，适用于各种形态的路网，具有良好的通用性，较常规的基于路划长度的选取方法具有明显优势。
Road selection based on evaluation of stroke network functionality [J].
提出以路划为选取单元以路划网络功能为选取指标的道路选取方法，路划网络功能的衡量指标综合考虑了中心度、连接度、长度等因素，由网络分析获得；选取的道路通过基于图论的逐步搜索保持连通性和规模最小；采用多种结构形态的实际城市局部路网、整体路网进行试验，结果表明该方法能较好地保持路网的整体结构、局部典型结构和道路连贯性，适用于各种形态的路网，具有良好的通用性，较常规的基于路划长度的选取方法具有明显优势。
|
| [7] |
顾及道路目标stroke特征保持的路网自动综合方法 [J].A method of road network generalization considering stroke properties of road object [J]. |
| [8] |
图论在道路网自动选取中的应用 [J].Applications of graph theory in automatic selection of road network [J]. |
| [9] |
Analysis of urban road networks to support cartographic generalization [J].https://doi.org/10.1559/152304095782540267 URL [本文引用: 1] 摘要
When a human cartographer designs a map, the symbols represent objects in a way that attempts to convey geographic process occurring at a given scale. The skill is in abstracting patterns of process and representing them in a context at an appropriate scale. The cartographer conveys the essence of the phenomenon by capturing the essential characteristics of a feature. In order for automated cartographic systems to match this subtlety in design and this ability to characterize, they must have cartometric techniques that enable the same abstraction of pattern to take place; techniques that take into account the phenomenological aspects of features. This article utilizes an algorithm for urban space pattern analysis and illustrates how it can be applied to capture the essence of urban settlement in order to generate objective, intermediate design solutions for the representation of urban settlement at a range of scales. Such an algorithm is considered to be one of a growing set of generalization operators that need to be developed as part of a knowledge-based cartographic expert system. The article begins with a description of a 090008line of sight090009 pattern analysis algorithm applied to road networks and then demonstrates how the algorithm can be used to derive hierarchies of meaningful patterns090000patterns which capture the character and extent of urban areas appropriate to a given scale. The article concludes with a discussion of how such techniques may be utilized for automated cartographic generalization of urban space.
|
| [10] |
Selection of streets from a network using self-organizing maps [J].https://doi.org/10.1111/j.1467-9671.2004.00186.x URL [本文引用: 2] 摘要
@article{9d4b66ae-0cd7-4619-9fd6-f7db88aaaca2, author = {Jiang, Bin and Harrie, Lars}, issn = {1467-9671}, language = {eng}, number = {3}, pages = {335--350}, publisher = {Wiley-Blackwell}, series = {Transactions in GIS}, title = {Selection of Streets from a Network Using Self-Organizing Maps}, volume = {8}, year = {2004}, }
|
| [11] |
道路网自动选取方法研究 [J].https://doi.org/10.11834/jig.20081222 URL Magsci [本文引用: 1] 摘要
道路网自动选取是自动制图综合中的难点和重点工作之一，已有的自动选取方法在选取过程中没有将全图的道路网作为一个整体来考虑，道路网结构特征保持不明显。通过一系列的实验，利用图论的不同方法对道路网进行自动选取，并对结果进行了分析和比较，构造出了一种较好的道路网自动选取方法。根据平面图形的网络特征将道路网分为两种类型（乡村型和城市型），并针对每种类型的道路网提出了不同的选取方法。实验结果表明，选取效果较好，能够满足道路网自动制图综合的需要。
Study on auto-selection algorithms of road networks [J].https://doi.org/10.11834/jig.20081222 URL Magsci [本文引用: 1] 摘要
道路网自动选取是自动制图综合中的难点和重点工作之一，已有的自动选取方法在选取过程中没有将全图的道路网作为一个整体来考虑，道路网结构特征保持不明显。通过一系列的实验，利用图论的不同方法对道路网进行自动选取，并对结果进行了分析和比较，构造出了一种较好的道路网自动选取方法。根据平面图形的网络特征将道路网分为两种类型（乡村型和城市型），并针对每种类型的道路网提出了不同的选取方法。实验结果表明，选取效果较好，能够满足道路网自动制图综合的需要。
|
| [12] |
基于网眼密度的道路选取方法 [J].https://doi.org/10.3321/j.issn:1001-1595.2007.03.019 URL [本文引用: 1] 摘要
道路数据中的网眼密度能反映局部区域的道路密集程度,通过确定目标尺度要求的密度阈值,比例尺缩小后能够标识出数据中需要取舍路段的网眼;循环剥离密度最大的网眼,利用反映路段重要性的参数及其优先级,渐进筛选出舍弃的路段,并完成与邻接网眼的合并;得到的选取结果保持了道路网在密度、拓扑、几何及语义方面的重要特征,从而提出一种新的道路选取方法。最后进行实验,验证该方法的有效性。
Selective omission of road features based on map generalization [J].https://doi.org/10.3321/j.issn:1001-1595.2007.03.019 URL [本文引用: 1] 摘要
道路数据中的网眼密度能反映局部区域的道路密集程度,通过确定目标尺度要求的密度阈值,比例尺缩小后能够标识出数据中需要取舍路段的网眼;循环剥离密度最大的网眼,利用反映路段重要性的参数及其优先级,渐进筛选出舍弃的路段,并完成与邻接网眼的合并;得到的选取结果保持了道路网在密度、拓扑、几何及语义方面的重要特征,从而提出一种新的道路选取方法。最后进行实验,验证该方法的有效性。
|
| [13] |
特征识别、Stroke与极化变换结合的道路网选取 [J].https://doi.org/10.3969/j.issn.1673-6338.2010.05.015 URL [本文引用: 1] 摘要
随着城市大比例尺道路网数据库的建设,如何从中派生其他较小比例尺道路网数据库成为重点研究的内容之一。通过道路网的结构特征识别,能够较好地识别其特征目标;Stroke算法能够较好地提取道路网中的主要道路,即能够较好地保留道路网的框架结构;而极化变换能够较好地对离散目标进行选取。因此,把道路网空间结构识别、Stroke和极化变换等有机结合,首先进行道路网预处理,识别特征道路,然后借助Stroke进行主要道路网的识别与选取,最后对剩余较短的离散道路采用极化变换进行选取。实例证明,道路网结构特征识别、Stroke与极化变换的结合,优势互补,对道路网进行自动综合能达到更好的效果。
Road selection methods based on character recognition, stroke and polarization transformation [J].https://doi.org/10.3969/j.issn.1673-6338.2010.05.015 URL [本文引用: 1] 摘要
随着城市大比例尺道路网数据库的建设,如何从中派生其他较小比例尺道路网数据库成为重点研究的内容之一。通过道路网的结构特征识别,能够较好地识别其特征目标;Stroke算法能够较好地提取道路网中的主要道路,即能够较好地保留道路网的框架结构;而极化变换能够较好地对离散目标进行选取。因此,把道路网空间结构识别、Stroke和极化变换等有机结合,首先进行道路网预处理,识别特征道路,然后借助Stroke进行主要道路网的识别与选取,最后对剩余较短的离散道路采用极化变换进行选取。实例证明,道路网结构特征识别、Stroke与极化变换的结合,优势互补,对道路网进行自动综合能达到更好的效果。
|
| [14] |
对偶图节点重要度的道路网自动选取方法 [J].https://doi.org/10.13485/j.cnki.11-2089.2014.0014 URL Magsci [本文引用: 2] 摘要
<p>采用对偶拓扑方法构建基于广义路网拓扑的复杂交通网络，通过引入m阶邻居节点概念，考虑复杂交通网络中节点度、介中心及节点间距离等因素，顾及节点自身及1到m阶邻居节点的重要度贡献，定义了节点重要度评价模型，进而提出一种基于m阶邻居节点重要度贡献的道路网自动选取方法，并基于网络最小规模原则保持选取道路的连通性。为检验方法的有效性，引入度分布评价所选取道路对路网整体结构及拓扑特性的保持程度，并采用实际城市路网进行试验，结果表明本文方法选取的路网能较好地保持了原始路网的整体结构、拓扑特性及道路连通性，且算法稳定、可靠。</p>
Auto-selection methods of road networks based on evaluation of node importance for dual graph [J].https://doi.org/10.13485/j.cnki.11-2089.2014.0014 URL Magsci [本文引用: 2] 摘要
<p>采用对偶拓扑方法构建基于广义路网拓扑的复杂交通网络，通过引入m阶邻居节点概念，考虑复杂交通网络中节点度、介中心及节点间距离等因素，顾及节点自身及1到m阶邻居节点的重要度贡献，定义了节点重要度评价模型，进而提出一种基于m阶邻居节点重要度贡献的道路网自动选取方法，并基于网络最小规模原则保持选取道路的连通性。为检验方法的有效性，引入度分布评价所选取道路对路网整体结构及拓扑特性的保持程度，并采用实际城市路网进行试验，结果表明本文方法选取的路网能较好地保持了原始路网的整体结构、拓扑特性及道路连通性，且算法稳定、可靠。</p>
|
| [15] |
道路网层次骨架控制的道路选取方法 [J].https://doi.org/10.11947/j.AGCS.2015.20130787 URL Magsci [本文引用: 2] 摘要
<p>提出了基于路网层次骨架控制的道路自动选取方法.首先,该方法以stroke为单位,利用中介中心性值对stroke进行层次结构划分;其次,采用结构特征识别完善道路层次骨架;第三,基于层次骨架间的连通关系建立逐层传递的stroke重要性计算模型;最后,通过该计算模型自上而下的逐层计算,得到stroke重要性,并据此完成道路网选取.采用3种典型道路网数据,对本方法与其他主要常规stroke选取方法进行对比,试验结果表明本方法不但对语义的依赖性极低,同时消除了中介中心性在评价道路重要性时对边缘道路的不利影响,在保持道路网整体结构和层次性上有较为明显的优势,可适用于各种形态的道路网选取.</p>
Road network selection based on road hierarchical structure control [J].https://doi.org/10.11947/j.AGCS.2015.20130787 URL Magsci [本文引用: 2] 摘要
<p>提出了基于路网层次骨架控制的道路自动选取方法.首先,该方法以stroke为单位,利用中介中心性值对stroke进行层次结构划分;其次,采用结构特征识别完善道路层次骨架;第三,基于层次骨架间的连通关系建立逐层传递的stroke重要性计算模型;最后,通过该计算模型自上而下的逐层计算,得到stroke重要性,并据此完成道路网选取.采用3种典型道路网数据,对本方法与其他主要常规stroke选取方法进行对比,试验结果表明本方法不但对语义的依赖性极低,同时消除了中介中心性在评价道路重要性时对边缘道路的不利影响,在保持道路网整体结构和层次性上有较为明显的优势,可适用于各种形态的道路网选取.</p>
|
| [16] |
顾及结构和几何特征的道路自动选取方法 [J].https://doi.org/10.13203/j.whugis20140862 URL [本文引用: 1] 摘要
提出了一种顾及结构和几何特征的道路网自动选取方法。综合考虑道路的度中心性、集聚系数和路划的几何长度等道路选取影响因素,提出一种道路重要性评价方法。实验结果表明,本文方法能够很好地保持选取道路网的整体与局部结构、拓扑结构以及路网连通性。基于该方法,由大比例尺地图选取出的小比例尺地图与相应标准比例尺地图保持较高的一致性,表明该方法是稳定可靠的。
Road selection considering structural and geometric properties [J].https://doi.org/10.13203/j.whugis20140862 URL [本文引用: 1] 摘要
提出了一种顾及结构和几何特征的道路网自动选取方法。综合考虑道路的度中心性、集聚系数和路划的几何长度等道路选取影响因素,提出一种道路重要性评价方法。实验结果表明,本文方法能够很好地保持选取道路网的整体与局部结构、拓扑结构以及路网连通性。基于该方法,由大比例尺地图选取出的小比例尺地图与相应标准比例尺地图保持较高的一致性,表明该方法是稳定可靠的。
|
| [17] |
The network analysis of urban streets: A dual approach [J].https://doi.org/10.1016/j.physa.2005.12.063 URL [本文引用: 2] 摘要
Abstract: The network metaphor in the analysis of urban and territorial cases has a long tradition especially in transportation/land-use planning and economic geography. More recently, urban design has brought its contribution by means of the "space syntax" methodology. All these approaches, though under different terms like accessibility, proximity, integration,connectivity, cost or effort, focus on the idea that some places (or streets) are more important than others because they are more central. The study of centrality in complex systems,however, originated in other scientific areas, namely in structural sociology, well before its use in urban studies; moreover, as a structural property of the system, centrality has never been extensively investigated metrically in geographic networks as it has been topologically in a wide range of other relational networks like social, biological or technological. After two previous works on some structural properties of the dual and primal graph representations of urban street networks (Porta et al. cond-mat/0411241 ; Crucitti et al. physics/0504163 ), in this paper we provide an in-depth investigation of centrality in the primal approach as compared to the dual one, with a special focus on potentials for urban design.
|
| [18] |
Integrated use of spatial and semantic relationships for extracting road networks from floating car data [J].https://doi.org/10.1016/j.jag.2012.05.013 URL [本文引用: 2] 摘要
The update frequency of digital road maps influences the quality of road-dependent services. However, digital road maps surveyed by probe vehicles or extracted from remotely sensed images still have a long updating circle and their cost remain high. With GPS technology and wireless communication technology maturing and their cost decreasing, floating car technology has been used in traffic monitoring and management, and the dynamic positioning data from floating cars become a new data source for updating road maps. In this paper, we aim to update digital road maps using the floating car data from China's National Commercial Vehicle Monitoring Platform, and present an incremental road network extraction method suitable for the platform's GPS data whose sampling frequency is low and which cover a large area. Based on both spatial and semantic relationships between a trajectory point and its associated road segment, the method classifies each trajectory point, and then merges every trajectory point into the candidate road network through the adding or modifying process according to its type. The road network is gradually updated until all trajectories have been processed. Finally, this method is applied in the updating process of major roads in North China and the experimental results reveal that it can accurately derive geometric information of roads under various scenes. This paper provides a highly-efficient, low-cost approach to update digital road maps.
|
| [19] |
语义知识支持的城市POI与道路网集成方法 [J].Integrating urban POI and road networks based on semantic knowledge [J]. |
| [20] |
Segmentation and classification of road markings using MLS data [J].https://doi.org/10.1016/j.isprsjprs.2016.11.011 URL [本文引用: 1] 摘要
Traffic signs are one of the most important safety elements in a road network. Particularly, road markings provide information about the limits and direction of each road lane, or warn the drivers about potential danger. The optimal condition of road markings contributes to a better road safety. Mobile Laser Scanning technology can be used for infrastructure inspection and specifically for traffic sign detection and inventory. This paper presents a methodology for the detection and semantic characterization of the most common road markings, namely pedestrian crossings and arrows. The 3D point cloud data acquired by a LYNX Mobile Mapper system is filtered in order to isolate reflective points in the road, and each single element is hierarchically classified using Neural Networks. State of the art results are obtained for the extraction and classification of the markings, with F-scores of 94% and 96% respectively. Finally, data from classified markings are exported to a GIS layer and maintenance criteria based on the aforementioned data are proposed.
|
| [21] |
|
| [22] |
|
| [23] |
Selective omission of road networks in multi-scale representation [D]. |
/
| 〈 |
|
〉 |
