EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 1: 110 - 120

DOI: https://doi.org/10.12082/dqxxkx.2024.230188

新时代地图的机遇与挑战

基于可视化维度理论的泛地图知识推荐方法

  • 韩德志 , 1, 2, 3, 4 ,
  • 郭仁忠 1, 2, 3, 4 ,
  • 陈业滨 , 1, 2, 3, 4, * ,
  • 赵志刚 1, 2, 3, 4 ,
  • 柯文清 1, 2, 3, 4
展开
  • 1.深圳大学建筑与城市规划学院智慧城市研究院，深圳 518060
  • 2.粤港澳智慧城市联合实验室，深圳 518060
  • 3.自然资源部国土空间大数据工程技术创新中心，深圳 518060
  • 4.深圳市城市数字孪生技术重点实验室，深圳 518060
* 陈业滨（1991— ），男，广东汕头人，博士，主要从事地图学研究。E-mail:

韩德志（1999— ），男，山东临沂人，硕士生，主要从事地图学研究。E-mail:

Copy editor: 蒋树芳

收稿日期: 2023-04-10

  修回日期: 2023-10-04

  网络出版日期: 2024-03-26

基金资助

中国博士后科学基金面上项目(2023M732345)

国家自然科学基金面上项目(42171265)

广东省自然科学基金面上项目(2022A1515012120)

国家自然科学基金重点项目(41930104)

深圳市城市数字孪生技术重点实验室（筹建启动）项目(ZDSYS20210623101800001)

收起

Knowledge Recommendation Method of Pan-Map Based on Visualization Dimension System

  • HAN Dezhi , 1, 2, 3, 4 ,
  • GUO Renzhong 1, 2, 3, 4 ,
  • CHEN Yebin , 1, 2, 3, 4, * ,
  • ZHAO Zhigang 1, 2, 3, 4 ,
  • KE Wenqing 1, 2, 3, 4
Expand
  • 1. Research Institute for Smart City, School of Architecture and Urban Planning, Shenzhen University, Shenzhen 518060, China;
  • 2. Guangdong-Hong Kong-Macau Joint Laboratory for Smart Cities, Shenzhen 518060, China
  • 3. Technology Innovation Center of Territorial & Spatial Big Data, MNR, Shenzhen 518060, China
  • 4. Shenzhen Key Laboratory of Digital Twin Technologies for Cities, Shenzhen 518060, China
* CHEN Yebin, E-mail:

Received date: 2023-04-10

  Revised date: 2023-10-04

  Online published: 2024-03-26

Supported by

China Postdoctoral Science Foundation(2023M732345)

National Natural Science Foundation of China(42171265)

Natural Science Foundation of Guangdong Province(2022A1515012120)

Key Program of Natural Science Foundation of China(41930104)

Shenzhen Key Laboratory of Digital Twin Technologies for Cities(ZDSYS20210623101800001)

Fold

摘要

信息通讯时代，科学技术的进步极大地降低了地图制图的门槛，大量非专业制图人员涌现到地图制图领域，地图的表现形式呈现出显著的泛化趋势。然而，由于专业知识的缺失，普通大众在专题地图选择时容易产生“制图困惑”，难以确定恰当的专题地图类型。针对上述问题，本文尝试提出一种基于可视化维度理论的泛地图知识推荐方法。首先，面向专题制图需求，建立以空间数据、数据特征、泛地图可视化维度、泛地图可视化形式、应用领域为核心要素的泛地图可视化知识本体，通过知识抽取、知识存储操作，构建泛地图可视化知识图谱。其次，对知识图谱进行知识嵌入，实现地图可视化要素的知识化表达。最后，基于泛地图知识要素建立相似度计算模型，计算用户输入数据与知识图谱内空间数据特征、可视化维度、应用领域等的相似度，得出综合相似度结果，实现泛地图可视化形式的精准推荐。结果表明：面对泛化的专题信息表达，本研究提出的泛地图知识推荐方法能够为用图者的制图选择提供较为准确可视化参考，一定程度上满足普通大众的寻图需求。

关键词： 泛地图; 专题制图; 可视化维度; 地图可视化; 知识图谱; 知识表达; 知识推荐; 相似度计算

本文引用格式

韩德志 , 郭仁忠 , 陈业滨 , 赵志刚 , 柯文清 . 基于可视化维度理论的泛地图知识推荐方法[J]. 地球信息科学学报, 2024 , 26(1) : 110 -120 . DOI: 10.12082/dqxxkx.2024.230188

Abstract

In the era of information and communication, the advancement of science and technology has greatly lowered the threshold for map-making, which has resulted in a large number of non-professional map-makers entering the field. As a result, maps have shown a significant diversification trend. However, due to a lack of professional knowledge, the general public often experiences "cartographic confusion" when choosing thematic maps, making it difficult to determine the appropriate types of thematic maps. To address these issues, this paper aims to propose a knowledge recommendation method for pan-maps based on visual dimension theory. Firstly, targeting the demands of thematic map-making, a pan-map visualization knowledge graph ontology is established, encompassing spatial data, data features, pan-maps visualization dimensions, pan-map visualization forms, and application domains. Through knowledge extraction and storage operations, a pan-map visualization knowledge graph is constructed. Secondly, knowledge embedding is applied to the knowledge graph to represent map visualization elements. Finally, based on the elements of pan-map knowledge graph, a similarity calculation model is established to compute the similarity between user input data and spatial data within the knowledge graph in terms of data features, visual dimensions, and application domains. The comprehensive similarity result is obtained to achieve accurate recommendations for the visual form of pan-maps. The results show that, in response to thematic application preferences, the proposed knowledge recommendation method for pan-maps based on visual dimension theory can provide accurate visual references for map selection, thereby meeting the map-searching needs of the general public.

Key words： pan-map; thematic mapping; visualization dimension; cartography visualization; knowledge graph; knowledge representation; knowledge recommendation; similarity calculation

1 引言

泛地图是标准地图的延伸和拓展，是由标准地图与类地图所形成的广义地图表达[1]。专题地图是泛地图的重要组成。在泛地图体系下，专题地图从数据到表现形式都表现出了极大的灵活性，地图产品呈现出个性化和多元化的特点[2]。地图类型上，专题地图从遵循数学法则、制图综合、符号系统所构成的核心理论基础[3]，发展到出现各种突破现有理论基础的类地图形式[4-5]。ICT（Information Communication Technology）时代，地图的表达对象、表现形式和用户角色等均呈现显著的泛化特征[6]。地图的泛化趋势下，类地图适应了ICT时代个性化的专题表达需求，与标准地图一起满足地图读者多样化的用图需求[7]。
传统数字制图下，专题地图的制作需首先具备专业先验知识或寻求制图专家协助，以满足专题内容的表达需求[8]。这种先验知识的约束一定程度上限制了地图普及与发展，缺乏专业制图理论知识的大众爱好者容易误入各种违反地图表达常识的“制图陷阱”[9]。此外，互联网环境下，用户对地图信息传递的及时性和信息交互的丰富性提出了更高要求，地图制图呈现由数字化到智能化的发展趋势[10-11]。然而，现有制图技术大多针对一种或几种特定的地图形式，如基于规则库的专题地图表示方法选择系统[12-13]；基于模板法进行制图模式、显示风格的迁移应用[14-15]；基于现有程序包实现特定种类专题地图自动化制图[16-17]等。面对ICT时代泛地图的个性化、多样化、智能化需求，如何将泛地图制图基本规律、可视化特征和知识内化到制图流程，以知识作为泛地图制作的基本驱动力，从而对非专业制图人员的制图行为形成约束和引导，推进泛地图的智能化表达进程，扩大泛地图的使用环境，仍是当前地图学发展亟需关注的重要问题。面向泛化的地图表达，郭仁忠等提出了泛地图可视化维度理论[1]，将泛地图表达解构为时间结构、对象状态、几何逻辑、空间维数、空间组织、空间参考面、载体介质、表现形式、表达尺度、读图者视角等10个一级维度，以及26个二级维度，明确了不同维度下泛地图的多样化特征表现，这为泛地图的智能化研究提供了重要契机与理论支撑。
知识图谱是结构化的语义知识库，用于以符号形式描述物理世界中概念及其相互关系[18]，近年来该领域逐渐受到地图学研究学者的关注。Bucher 等[19]提出采用知识图谱方法对欧洲的空间数据基础设施进行空间信息、语义信息、关系信息的整合，以服务制图者的自动制图流程。李连营等[20]以海洋地图的数据、数据特征、可视化方法、数据来源为核心要素，自上而下构建本体层，定义概念层次体系，并通过数据获取、数据处理、知识抽取和知识储存建立实体联系，完成数据层填充，形成海洋地图可视化知识图谱的构建方法。彭楚骄等[21]基于知识图谱，提出了一种推荐专题地图可视化方法，在归纳统计数据特征体系、统计数据与可视化方法对应关系的基础上，构建了“统计数据－可视化方法”知识图谱，同时引入协同过滤思想，将推荐技术与知识图谱结合，提高了地图的制图效率。Zhou等[22]提出在地图制图基本规律和规则的约束下，以地学知识和地图知识为制图工作的基本驱动力，可以实现自主完成各种制图资源包括数据、模型、模板、方法等的判断、调配，推动地图编制的自动化与智能化。Sun等[23]提出采用相似度计算方法，通过对不同历史地图中对象的空间距离、拓扑关系计算，获取相同地理实体，并通过知识对齐方法，构建历史地图知识图谱。
可以发现，通过知识图谱链接数据、特征、表达方法等可以实现“地图实体”、“实体关系”、“属性特征”等的知识关联，有利于提升地图表达的知识化与智能化水平。面向泛化的地图表达，满足普通大众对于地图的个性化、多样化、智能化需求。本文尝试融合泛地图可视化维度理论与知识图谱方法，提出一种面向普通大众制图需求的泛地图知识推荐方法，为非专业制图者推荐合理的专题地图形式，以期满足用户的寻图需求。

2 知识推荐相关理论

2.1 泛地图可视化维度理论

ICT时代，地图可视化维度不再局限于传统视觉变量[24]，泛地图可视化维度成为三元空间下地图可视化的重要支撑理论，是泛地图表达机制中连接表达需求与可视化形式的重要桥梁[25]。泛地图可视化维度体系包括时间结构、对象状态、几何逻辑、空间维数、空间组织、空间参考面、载体介质、表现形式、表达尺度、读图者视角10个维度，如图1所示。可视化维度彼此具有内在关联性，不同维度间的搭配、组合、约束可以形成丰富的视觉表达图形，构造多样化的地图可视化形式[26]。
图1 泛地图可视化维度体系[1]

Fig. 1 Visualization dimension system of pan-map[1]

2.2 知识图谱

知识图谱是应用数学、图形学、信息可视化技术、信息科学等学科交叉形成的产物，其实质上是一种构建实体之间的语义网络，通过“实体-关系-实体”或“实体-属性-属性值”的三元组形式实现知识内容的表示[27]。具体而言，知识图谱中实体是知识表达的最基本元素，实体与实体之间存在着各种各样的关联关系，并且会通过属性值将每个实体的具体信息进行表示。知识图谱被广泛应用于推荐系统领域，基于知识图谱的推荐技术具有推荐结果准确、推荐内容多样以及可解释性高的特点[28]。因此，通过知识图谱方法能够科学、高效、合理支撑泛地图的个性化与多元化应用。本文尝试将知识图谱与泛地图可视化维度理论进行融合，建立空间数据及其属性特征与可视化维度、可视化形式之间关系的语义网络，形成泛地图可视化知识图谱，以满足普通大众对泛地图可视化的知识获取需求。

3 泛地图知识推荐方法

基于知识图谱的推荐技术可以建立地图可视化过程中不同实体之间的联系，链接用图者的表达需求和地图可视化形式。泛地图知识推荐方法实现流程如图2所示： ① 泛地图可视化知识图谱构建。定义泛地图可视化知识图谱本体层，运用知识抽取技术获取本体层中对应的知识三元组，构建泛地图可视化知识图谱，建立泛地图推荐知识网络；② 泛地图知识嵌入。对知识图谱以及用图者输入数据的数据特征、泛地图可视化维度信息进行知识嵌入，将高维语料信息转换为低维特征向量； ③ 相似度计算。得到特征向量矩阵后，计算用图者输入数据特征向量与知识图谱特征向量矩阵中其它向量的相似度； ④ 个性化地图推荐。将与输入数据具有高相似度的个性化地图形式推荐给用图者。
图2 泛地图可视化推荐流程

Fig. 2 Flowchart of pan-map visualization recommendation

3.1 泛地图可视化知识图谱构建

知识图谱中节点表示概念或实体，边表示关系或属性，知识通常以<头实体-关系-尾实体>或者<实体-属性-属性值>三元组形式存储。知识图谱的构建有自顶向下和自底向上两种，本文采用自顶向下的方式，即定义好本体要素以及要素之间的关系，根据本体层进行知识填充，完成知识图谱构建。
本体是概念的集合，知识图谱本体层本质上就是各种概念及其关系。在地图制图领域，空间数据的数据特征、可视化维度、应用领域与可视化方法之间具有一定的对应关系[21]。数据特征是地图表达的“神”，其决定了所需表达的内涵本质，包括时间特征、空间特征、属性特征，属性特征进一步分为定量数量特征、顺序特征、类别数，其中顺序特征、类别数是对空间数据定性特征的细化：顺序特征是描述空间数据要素表达逻辑关系的属性，类别数是描述空间数据中专题指标数目的属性。可视化维度是地图表达的“形”，其决定了地图表达的外在特点，不同维度间的组合搭配可以形成多样化的地图形式。应用领域是地图表达的“魂”，即为了满足自然、人文、网络等多样化专题应用场景的信息传递需求。因此，本文在构建泛地图可视化知识图谱本体层时，选取空间数据、数据特征、可视化维度、应用领域、可视化形式5类概念，构建泛地图知识推荐本体模型。知识图谱本体层概念集、关系集定义如式（1）—式（2）所示，模型结果如图3所示。
C o n = C 1 , C 2 , C 3 , C 4 , C 5
R = ( C 1 , r , C i )     2 ≤ i ≤ 5
式中： C o n表示泛地图可视化知识图谱概念集； C 1为空间数据概念； C 2为数据特征概念， C 3为可视化维度概念； C 4为应用领域概念； C 5为可视化形式概念； R表示泛地图可视化知识图谱关系集， R C 1 , C 2为具有关系， R C 1 , C 3为使用关系， R C 1 , C 4为应用关系， R C 1 , C 5为适用关系。
图3 泛地图可视化知识图谱本体模型

Fig. 3 Ontogeny model of pan-map visualization knowledge graph

3.2 泛地图知识嵌入

知识嵌入是一种广泛使用的知识表示方法，其主要思想是将知识图谱中实体和关系嵌入到连续的空间向量。本文使用独热编码（one-hot）对知识图谱内空间数据的数据特征以及可视化维度进行知识嵌入，将代表数据信息的实体节点视为状态，使用N位状态寄存器对N个状态进行编码，每个状态寄存器相互独立。使用one-hot编码对知识图谱中空间数据信息进行知识嵌入，将知识转换为特征向量的过程如图4所示。
图4 独热编码知识嵌入示意图

注: $\left.\left[\begin{array}{rrr}a_{_{11}}&\ldots&a_{_{1n}}\\\vdots&a_{_{ij}}&\vdots\\a_{_{m1}}&\cdots&a_{_{mn}}\end{array}\right.\right]$表示知识图谱独热编码后得到的特征向量矩阵; m表示空间数据条数; n 表示特征状态个数;aij表示第i个空间数据的第j个状态在特征向量矩阵中的编码;左图中不同颜色的节点表示知识图谱中不同类别实体,不同颜色的线表示不同实体关系。

Fig. 4 Diagram of knowledge embedding of one-hot encoding

3.3 相似度计算与个性化地图推荐

在泛地图可视化知识图谱基础上，本文采用相似度计算模型，分析用图者的数据特征、可视化偏好、应用目的，与知识库中各实体数据特征、可视化维度、应用领域的总体相似性，按照总体相似性数值排名，为用图者推荐对应的最优地图可视化形式。相似度计算如式（3）—式（6）所示。
数据特征相似度：
s i m ( D 1 , D 2 ) = c a r d d 1 ⋂ d 2 c a r d d 1         空 间 形 态 相 同   0                                                       空 间 形 态 不 同
可视化维度相似度：
s i m V 1 , V 2 = A ∙ B A B = ∑ i = 1 n a i × b i ∑ i = 1 n a i 2 × ∑ i = 1 n b i 2
应用领域相似度：
s i m ( F 1 , F 2 ) = 1                 F 1 = F 2 ,         应 用 领 域 一 致 k                 F 1 ≈ F 2 , 应 用 领 域 相 似 0                 F 1 ≠ F 2 ,       应 用 领 域 不 同
总体相似度：
s i m i l a r i t y = ω 1 s i m ( D 1 , D 2 ) + ω 2 s i m ( V 1 , V 2 ) +   ω 3 s i m ( F 1 , F 2 )                               ∀ s i m ≠ 0 0                                                                                 ∃ s i m = 0
式中： s i m ( D 1 , D 2 )表示数据特征相似度； D 1 , D 2表示空间数据的数据特征； d 1 , d 2表示数据特征集合，card表示数据特征集合的势或基数； s i m ( V 1 , V 2 )表示可视化维度相似度； V 1 , V 2表示空间数据的可视化维度； A , B表示可视化维度特征向量； a i , b i表示可视化维度向量的第 i个元素； s i m ( F 1 , F 2 )表示应用领域相似度； F 1 , F 2表示空间数据的应用领域； k表示应用领域相近程度， k ∈ 0,1； ω表示权重， ω ∈ 0,1， ω 1 + ω 2 + ω 3 = 1； s i m表示要素相似度， s i m i l a r i t y表示总体相似度。由于专题地图知识推荐强调运用地图形式对专题内容进行准确表达，相对数据特征与应用领域而言，可视化维度的相似性对地图推荐结果具有更高的影响权重。文献[1]指出“可视化维度是地图可视化的基本量，不同维度的关联和组合构成了视觉上的地图统一体”。因此，基于文献分析与重复试验，本文提出将可视化维度、数据特征、应用领域的权重值分别设定为0.6、0.2、0.2，进行泛地图知识推荐分析。实验结果表明，该权值比重下能产生较优的推荐结果。

4 泛地图可视化知识图谱构建与实验分析

4.1 泛地图可视化知识图谱构建

为了充分发挥泛地图的信息传递优势，满足普通大众在不同应用场景下的寻图需求，本文提出通过泛地图可视化知识图谱为非专业制图者推荐合理的地图形式。本文首先以《深圳市地图集》[29]为例，按照3.1节中定义的泛地图可视化本体层，对常规地图与类地图案例进行知识抽取。其次，将已有地图成果知识显性化，构建泛地图可视化知识图谱，作为泛地图可视化推荐知识库。基于知识图谱本体层要素及语义关系，构建<空间数据，数据特征，可视化维度，应用领域，可视化形式> 5大类空间实体，以及 <具有，使用，应用，适用> 4大类实体关系，形成对各类型地图要素的知识映射。本案例共提取221份空间数据、 352个实体以及3 978条关系，知识图谱数据层如图5所示。
图5 泛地图可视化知识图谱数据层示例

Fig. 5 Data layer of pan-maps visualization knowledge graph

4.2 实验方法与案例分析

为了验证知识推荐方法的准确性，本文从《广东省地图集》[30]《重庆城市地图集》[31]等地图集选取真实数据进行实验。抽取了40组专题地图数据作为实验集，按照空间形态分为点状空间数据、线状空间数据、面状空间数据、体状空间数据4类，每类数据10组。本文选取推荐结果与实验数据原可视化形式的重合率，以及原可视化形式在推荐列表中的前、后列次占比情况作为评价指标，从宏观上衡量推荐结果的准确程度。此外，本节选取案例数据对知识推荐方法的应用场景进行阐述，从微观上分析知识图谱与泛地图结合的创新性，并选取推荐结果进行可视化。
本文从《广东省地图集》[30]中选取了广州市国内生产总值（Gross Domestic Product, GDP）数据作为案例数据，进一步分析知识图谱对泛地图制图的指导作用。该数据涉及天河、越秀、海珠、荔湾、番禺、黄埔、花都、白云、从化、增城、南沙共11个地区，目标实现广州市各区县经济的直观可视化，数据特征为面状、离散时间特征、数值数量特征、并列顺序、单类别；抽取对应的可视化维度为无时间结构、静态、欧氏几何、二维、矢量、无空间变形、平面、具象、单一尺度。将以上数据特征信息输入到知识图谱中，按照泛地图可视化推荐流程得到推荐结果如下：
（1）第1—第5位：分区统计地图、分级统计地图、Dorling地图、范围法地图、连续性Cartogram地图。
（2）第6—第10位：网格密度地图、隐喻地图、质底法地图、微地图、影像地图。
原地图集中所使用的可视化方法为分级统计地图，位处于知识推荐方法所给出列表中第2位。从推荐结果中选取分区统计地图、Dorling地图、连续性Cartogram地图，查询对应的推荐图谱，并与原地图集中的可视化效果进行比较，推荐图谱如图6所示，对比结果如图7所示。图6展示了GDP数据以及推荐结果中所选可视化形式对应空间数据的图谱信息，为了更加直观体现知识推荐方法的优越性，图6在原图谱的基础上进行了简化，其中数据特征节点为4组空间数据的数据特征集合，可视化维度节点表示4组空间数据相同可视化维度集合，不同的可视化维度单独列出。基于用图者对于定量属性特征的地图表达需求，在可视化维度组合不变的情况下， GDP数据可以采用分区统计地图，以“地图+统计图表”进行专题数据可视化。还可以改变空间变形、几何逻辑维度，以Dorling地图、连续性Cartogram地图等类地图可视化形式，简化行政边界突出专题数据表达。
图6 可视化推荐结果图谱（部分）

Fig. 6 Visualized recommendation result graph(part)

图7 广州市GDP地图可视化结果

Fig. 7 Map results of Guangzhou GDP

4.3 总体结果与分析

将4类不同特征的空间数据按照可视化推荐流程进行推荐，记录推荐结果与实验数据原可视化形式的重合率，并分析原可视化形式在推荐列表中的位次占比情况。实验结果如表1所示，4组数据实验结果的对比图如图8所示。
表1 总体实验结果

Tab. 1 The results of overall experimental

实验组 数据类型 原可视化形式在推荐
列表1—5位的比率/%		 原可视化形式在推荐
列表6—10位的比率/%		 推荐结果与原可视化
形式的重合率/%
1 点状数据 100 0 100
2 线状数据 80 20 100
3 面状数据 70 20 90
4 体状数据 90 10 100
图8 4组实验数据结果对比

Fig. 8 Comparison of experimental results of four data groups

其中点状数据、体状数据这2种数据类型实验数据原可视化形式在前列（1—5位）的概率分别为100%、90%，点状数据相比于其他3种类型数据可视化形式种类较少，可视化效果更多体现在点符号的设计上；体状数据通常采用三维、多尺度的可视化维度，其可视化维度特征明显。线状数据和面状数据推荐的可视化形式中不仅有线状符号地图、分级统计地图等传统地图形式，还有Kriskogram地图、Cartogram地图等类地图形式。这2种数据的可视化维度组合相对较多，实验数据原可视化形式在推荐列表前列的概率最低为70%。总体来看，知识推荐方法推荐的可视化形式，涵盖实验数据原可视化形式的概率最少为90%（面状数据推荐时），另外3组数据均为100%，推荐结果与实验数据原可视化形式具有较高的重合度，推荐结果准确率高。

5 讨论

泛地图可视化知识图谱将空间数据、数据特征、可视化维度、可视化形式、应用领域等地图概念通过知识网络进行关联，将标准地图与各类创新形式的类地图知识均统一存储到知识库中。基于知识库可以对泛地图知识进行信息关联整合。在关联不同数据特征、维度、形式、应用间区别与联系的同时，可以将泛地图知识作为泛地图制作的内在驱动力，对普通大众的制图行为提供指导与约束。
普通大众面向空间数据，可以结合自身制图偏好，进行泛地图可视化形式的获取与应用。当出现新的地图类型时，可以通过知识抽取与知识融合，进一步扩充泛地图可视化知识图谱的内容，使之满足更丰富的应用场景。泛地图可视化知识图谱采用图结构进行存储，图数据结构具有强关联、知识组织、聚合查询的能力。在统一的知识推荐框架下，可以从空间数据特征、维度偏好、应用需求中任意一种或多种角度进行组合嵌套，推荐适宜的地图可视化形式。
将知识图谱作为基础知识来源并应用于泛地图知识推荐中，可使缺乏先验知识的普通大众更好地确定适宜的地图可视化形式。在信息传输方面，泛地图可视化知识图谱中涵盖了标准地图以及类地图等丰富的地图形式，既能够满足大众对空间对象的外形特征、地理位置、空间关系等的准确表示需求，推荐对应的常规地图类型，如分层设色图、等高线图、行政区划图等；也能够满足大众对较少关注空间对象的地理特征，转而强调表现空间对象属性特征、拓扑特征、虚拟特征等直观信息的需求，推荐对应的类地图形式。典型如Cartogram地图、Kriskogram地图、隐喻地图等。相较于已有地图本体构建和地图知识推荐相关研究，本文从泛地图可视化维度理论角度出发，提出了融合泛地图可视化维度理论的知识表达模型，与传统的地图本体模型相比更加突出了地图数据、地图形式、以及地图应用的泛化特点，可为未来地图的进一步推广与创新提供重要支撑。

6 结语

ICT时代，信息技术的进步极大的降低了地图制作的门槛，但同时也涌现出了一大批不满足地图制图思维的“地图事故”。泛地图理论的出现在拓宽地图学理论研究边界的同时，也为非专业制图者的有效地图创作提供了宝贵的契机。泛地图可视化维度理论与知识图谱的融合下，地图先验知识不再仅是专业制图者的专利，而是可以服务于更广大的普通大众，使得各种创新的地图表达形式能够服务于更加多样化的应用场景，助推地图创作与使用的进一步繁荣。本文提出的泛地图知识推荐方法是对泛地图理论实践应用的新探索，未来期待能够尝试将地图知识自动抽取、知识图谱自动化构建、AI智能推理等新兴技术与方法融入到泛地图可视化知识推荐研究中，以进一步推动泛地图研究的发展。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
郭仁忠, 陈业滨, 应申, 等. 三元空间下的泛地图可视化维度[J]. 武汉大学学报·信息科学版, 2018, 43(11):1603-1610.

[Guo R Z, Chen Y B, Ying S, et al. Geographic visualization of pan-map with the context of ternary spaces[J]. Geomatics and Information Science of Wuhan University, 2018, 43(11):1603-1610.] DOI:10.13203/j.whugis20180373

[2]
Hogräfer M, Heitzler M, Schulz H J. The state of the art in map-like visualization[J]. Computer Graphics Forum, 2020, 39(3):647-674. DOI:10.1111/cgf.14031

[3]
廖克. 中国地图学发展的回顾与展望[J]. 测绘学报, 2017, 46(10):1517-1525.

DOI

[Liao K. Retrospect and prospect of the development of Chinese cartography[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10):1517-1525.] DOI:10.11947/j.AGCS.2017.20170330

[4]
郭仁忠, 应申. 论ICT时代的地图学复兴[J]. 测绘学报, 2017, 46(10):1274-1283.

DOI

[Guo R Z, Ying S. The rejuvenation of cartography in ICT era[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10):1274-1283.] DOI:10.1 1947/j.AGCS.2017.20170335

[5]
孟立秋. 地图学的恒常性和易变性[J]. 测绘学报, 2017, 46(10):1637-1644.

DOI

[Meng L Q. The constancy and volatility in cartography[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10):1637-1644.] DOI:10.11947/j.AGCS.2017.20170359

[6]
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.

[Guo R Z, Chen Y B, Zhao Z G, et al. A theoretical framework for the study of pan-maps[J]. Journal of Geomatics, 2021, 46(1):9-15.] DOI:10.14188/j.2095-6045.2020611

[7]
郭仁忠, 陈业滨, 马丁, 等. 论ICT时代的泛地图表达[J]. 测绘学报, 2022, 51(7):1108-1113.

DOI

[Guo R Z, Chen Y B, Ma D, et al. Pan-Map representation in ICT era[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(7):1108-1113.] DOI:10.11947/j.AGCS.2022.20220140

[8]
王家耀, 孙群, 王江霞. 地图学原理与方法[M]. 2版. 北京: 科学出版社, 2014.

[Wang J Y, Sun Q, Wang J X. Principles and method of cartography[M]. 2nd ed. Beijing: Science Press, 2014.]

[9]
应申, 窦小影, 徐雅洁, 等. 新型冠状病毒肺炎疫情可视化进展与分析[J]. 地球信息科学学报, 2021, 23(2):211-221.

DOI

[Ying S, Dou X Y, Xu Y J, et al. Visualization of the epidemic situation of COVID-19[J]. Journal of Geo-information Science, 2021, 23(2):211-221.] DOI:10.12082/dqxxkx.2021.200301

[10]
王家耀. 地图科学技术:由数字化到智能化[J]. 武汉大学学报(信息科学版), 2022, 47(12):1963-1977.

[Wang J Y. Cartography: From digital to intelligent[J]. Geomatics and Information Science of Wuhan University, 2022, 47(12):1963-1977.] DOI:10.13203/j.whugis20220780

[11]
任福, 翁杰, 王昭, 等. 关于智能地图制图的几点思考[J]. 武汉大学学报·信息科学版, 2022, 47(12):2064-2068.

[Ren F, Weng J, Wang Z, et al. Some thoughts on smart cartography[J]. Geomatics and Information Science of Wuhan University, 2022, 47(12):2064-2068.] DOI:10.13203/j.whugis20220781

[12]
田晶, 黄仁涛, 郭庆胜. 智能化专题地图表示方法选择的研究[J]. 测绘科学, 2007, 32(5):170-172,143,207.

[Tian J, Huang R T, Guo Q S. Study on intelligent choice of representation methods in thematic map[J]. Science of Surveying and Mapping, 2007, 32(5):170-172,143,207.] DOI:10.3771/j.issn.1009-2307.2007.05.064

[13]
江南, 马健, 武丽丽, 等. 面向自动推荐的表示方法规则的形式化表达研究[J]. 测绘通报, 2015(9):36-38,43.

DOI

[Jiang N, Ma J, Wu L L, et al. The formalization expression of representation method rules oriented to automatic recommendation[J]. Bulletin of Surveying and Mapping, 2015(9):36-38,43.] DOI:10.13474/j.cnki.11-2246.2015.0273

[14]
王少华. 超图平台软件创新: SuperMap GIS地图慧简介[J]. 地球信息科学学报, 2016, 18(4):718.

[Wang S H. Software innovation of hypergraph platform: Introduction of SuperMap GIS map Hui[J]. Journal of Geo-information Science, 2016, 18(4):718.] DOI:cnki:sun:dqxx.0.2016-04-017

[15]
吴明光, 孙彦杰, 闾国年. 地图风格迁移:概念、综述与展望[J]. 武汉大学学报·信息科学版, 2022, 47(12):2069-2084.

[Wu M G, Sun Y J, Lü G N. Cartographic style transfer: Idea, review and envision[J]. Geomatics and Information Science of Wuhan University, 2022, 47(12):2069-2084. ]DOI:10.13203/j.whugis20220439

[16]
Pisati M. Simple thematic mapping[J]. The Stata Journal: Promoting Communications on Statistics and Stata, 2004, 4(4):361-378. DOI:10.1177/1536867x0400400401

[17]
Tennekes M. tmap: Thematic maps in R[J]. Journal of statistical software, 2018, 84(6). DOI: 10.18637/jss.v084.i06

[18]
刘峤, 李杨, 段宏, 等. 知识图谱构建技术综述[J]. 计算机研究与发展, 2016, 53(3):582-600.

[Liu Q, Li Y, Duan H, et al. Knowledge graph construction techniques[J]. Journal of Computer Research and Development, 2016, 53(3):582-600.] DOI:10.7544/issn1000-1239.2016.20148228

[19]
Bucher B, Tiainen E, Ellett von Brasch T, et al. Conciliating perspectives from mapping agencies and web of data on successful European SDIs: Toward a European geographic knowledge graph[J]. ISPRS International Journal of Geo-Information, 2020, 9(2): 62. DOI:10.3390/ijgi9020062

[20]
李连营, 彭楚骄, 郭邦祁, 等. 海洋地图可视化方法的知识图谱构建[J]. 测绘地理信息, 2022, 47(1):77-80.

[Li L Y, Peng C J, Guo B Q, et al. Construction of knowledge map of marine map visualization method[J]. Journal of Geomatics, 2022, 47(1):77-80.] DOI:10.14188/j.2095-6045.2021644

[21]
彭楚骄, 李连营, 郭邦祁, 等. 使用知识图谱推荐专题地图可视化方法[J]. 测绘科学, 2022, 47(6):188-194.

[Peng C J, Li L Y, Guo B Q, et al. Recommendation of thematic map visualization method using knowledge graph[J]. Science of Surveying and Mapping, 2022, 47(6):188-194.] DOI:10.16251/j.cnki.1009-2307.2022.06.024

[22]
Zhou C H, Wang H, Wang C S, et al. Geoscience knowledge graph in the big data era[J]. Science China Earth Sciences, 2021, 64(7):1105-1114. DOI:10.1007/s11430-020-9750-4

[23]
Sun K, Hu Y J, Song J A, et al. Aligning geographic entities from historical maps for building knowledge graphs[J]. International Journal of Geographical Information Science, 2021, 35(10):2078-2107. DOI:10.1080/13658816.2020.1845702

[24]
Bertin J. Graphics and graphic information-processing[M]. Berlin de Gruyter, 1981.

[25]
遆鹏, 侯晓彤, 李志林, 等. 基于可视化维度的泛地图表达机制[J]. 武汉大学学报·信息科学版, 2022, 47(12):2015-2025.

[Ti P, Hou X T, Li Z L, et al. Construction of pan-map representation mechanism based on visualization dimension system[J]. Geomatics and Information Science of Wuhan University, 2022, 47(12):2015-2025.] DOI:10.13203/j.whugis20220490

[26]
郭仁忠, 陈业滨, 赵志刚, 等. ICT时代地图的科学概念及表达框架[J]. 武汉大学学报·信息科学版, 2022, 47(12):1978-1987.

[Chen Y B, Zhao Z G, et al. Scientific concept and representation framework of maps in the ICT era[J]. Geomatics and Information Science of Wuhan University, 2022, 47(12):1978-1987.] DOI:10.13203/j.whugis20220534

[27]
陆锋, 余丽, 仇培元. 论地理知识图谱[J]. 地球信息科学学报, 2017, 19(6):723-734.

DOI

[Lu F, Yu L, Qiu P Y. On geographic knowledge graph[J]. Journal of Geo-information Science, 2017, 19(6):723-734.] DOI:10.3969/j.issn.1560-8999.2017.06.001

[28]
张明星, 张骁雄, 刘姗姗, 等. 利用知识图谱的推荐系统研究综述[J]. 计算机工程与应用, 2023, 59(4):30-42.

DOI

[Zhang M X, Zhang X X, Liu S S, et al. Review of recommendation systems using knowledge graph[J]. Computer Engineering and Applications, 2023, 59(4):30-42.] DOI:10.3778/j.issn.1002-8331.2209-0033

[29]
深圳市规划和自然资源局. 《深圳市地图集》[M]. 北京: 中国地图出版社, 2020.

[Planning and Natural Resources Bureau of Shenzhen Municipality. Atlas of Shenzhen[M]. Beijing: SinoMaps Press, 2020.]

[30]
广东省自然资源厅. 《广东省地图集》[M]. 北京: 中国地图出版社, 2020.

[Department of Natural Resources of Guangdong Province. Atlas of Guangdong Province[M]. Beijing: SinoMaps Press, 2020.]

[31]
重庆市规划和自然资源局. 《重庆城市地图集》[M]. 北京: 中国地图出版社, 2018.

[Chongqing Municipal Bureau of Planning and Natural Resources. City Atlas of Chongqing[M]. Beijing: SinoMaps Press, 2018.]

Options
文章导航

/

〈 〉