EN中文

Journal of Geo-information Science >

2022 , Vol. 24 >Issue 12: 2322 - 2332

DOI: https://doi.org/10.12082/dqxxkx.2022.210379

Intelligent Generalization Algorithm and Application of Area Geological Features

  • YANG Cheng , 1 ,
  • ZHOU Bingfeng , 1, * ,
  • YANG Zhenyu 1 ,
  • WANG Yanggang 2 ,
  • LI Li 3 ,
  • HAO Lirong 2 ,
  • ZHAO Wenji 1
Expand
  • 1. College of Resource Environment and Tourism, Capital Normal University, Beijing 100048, China
  • 2. Development Research Center, China Geological Survey, Beijing 100037, China
  • 3. Institute of Geo-environment Survey of Henan, Zhengzhou 450000, China
*ZHOU Bingfeng, E-mail:

Received date: 2021-07-08

  Revised date: 2021-08-13

  Online published: 2023-02-25

Supported by

China Geological Survey Project(12120114001302)

Fold

Abstract

The intelligent generalization of geological maps has the advantages of repeatability and high efficiency. Area geological features are the main elements in the geological map. It is very necessary to realize the intelligent generalization of area geological features through algorithm research in the process of downsizing of geological maps. Therefore, this paper is based on the industry experience of geological map downsizing technology, computer software development specifications, and the theoretical basis for the generalization of area geological features such as the relationship of time and geological body, the contact relationship of the geological body, and the topological rules of the area geological features. This paper designs the logical flow of the intelligent generalization algorithm based on the ArcEngine and C# development environment, designs and realizes the intelligent algorithm of the area geological features in the process of geological map generalization. The intelligent generalization algorithm first thins out the boundary point sets of the area geological features in the order from new to old, and then performs boundary smoothing on the thinned boundary point sets, and performs automatic topology inspection on the results of the generalization area geological features. Finally, the final intelligent generalization result is obtained. Take 4 geological maps of Zhengzhou, Luoyang, and surrounding areas from 1:250 000 to 1:500 000 scale as an example to generalize the area geological features, and the generalization effect of the area geological features in the geological map (1:500 000) after downsizing has been evaluated and recognized by geological experts. The general results conform to the capping relationship and topological rules of geological features. At the same time, intelligent generalization of geological features can be realized efficiently, batchwise, and accurately. The overall efficiency is greatly improved, and more than 80% of the workload can be saved. In the process of downsizing of geological maps, the intelligent generalization algorithm of area geological features has practical application value. It can realize the production transformation of theory and technology, improve the traditional work mode of geological generalization, promote the improvement of the efficiency of the geological maps downsizing, and promote the progress of industry technology. Therefore, the intelligent generalization algorithm can be used in large-scale geological map downsizing work.

Key words： map generalization; geological map; geological mapping; area geological features; intelligent generaliazation; ArcEngine; algorithm design and implementation; applied research

Cite this article

YANG Cheng , ZHOU Bingfeng , YANG Zhenyu , WANG Yanggang , LI Li , HAO Lirong , ZHAO Wenji . Intelligent Generalization Algorithm and Application of Area Geological Features[J]. Journal of Geo-information Science, 2022 , 24(12) : 2322 -2332 . DOI: 10.12082/dqxxkx.2022.210379

1 引言

地质图是一种表达地表和地表以下地质结构信息的专题地图[1]，是地质编图重要成果的表现，直接展现了地质工作的主要内容[2]。但是在一些特定的情况下，例如制作小比例尺区域地质图时，地质图中的部分地质要素不要求描述得极其详细，此时需要通过大比例尺地质图进行缩编综合[3]。一直以来地质图综合很大程度上由地质专家根据经验总结进行，具有很大的主观性且存在工作密集、效率低等不足[4-5]。当大范围地进行地质编图时，智能综合方法的一致性和综合过程的可重复性变得尤为重要。
随着强大计算系统的发展，科研人员开始寻找各种方法来实现地质图综合过程的智能化[6-7]。当前针对地图智能综合算法的主流研究和软件开发很多是面向地形图的，其中以线状地物如河流、道路为主[8-9]。而针对地质图这一专题地图，尤其是对面状地质要素的智能化综合研究相对较少。
目前研究人员针对地质图综合研究了各种算法，其中Douglas等[10]于20世纪70年代提出了Douglas - Peucker算法（D-P算法），该算法被广泛认为是世界上最初和最经典的线状要素化简算法，目前已有的线性化简算法有很大一部分都是根据D-P算法改进的。也有研究使用Lang算法实现了地质要素边界的化简， Lang算法使用2个公差值来控制线的化简，由于化简是基于距离公差控制的，因此忽略了线上的各个部分公差值范围内的点。Smirnoff 等[11]基于ArcGIS工具开发了一种用于地形图综合的元胞自动机方法，将结果与直接使用ArcGIS中的综合工具比较发现元胞自动机方法具有优势。Downs等[12]提出一种地质图自动化综合的方法，通过1:5万地质图缩编成1:25万地质图的案例分析，试验结果证明基岩多边形和线型断层特征的智能综合结果是可行的，同时正确反映现实世界地质对象的接触关系。李雯静等[13]基于地理事实的连续性原则，针对岩脉的综合提出了一种综合方法，通过与现有的地质图比较表明该方法的可行性和准确性。Azimjon等[14]利用基于约束这一地图综合的主流方法应用在地质图综合中，提出一种基于尺寸约束的地质图智能综合方法，实验结果表明该方法可行且提高了效率，但这种约束和局部分析的操作方法对更大规模的缩编还不足够。何文娜等[15]提出了一套针对小地质体的智能综合方法，基于MapGIS组件实现智能综合算法，综合结果符合地质规律，全图拓扑关系正确，大大减轻了工作量，但尚未讨论与多个地质体相邻、切断多个地质体等复杂情况的处理方法。
地质图智能综合模型方面，Steiniger等[16]开发了一套专题地图综合的概念模型，模型主要包括结构分析阶段、综合阶段和可视化阶段，随后应用在地质图和土壤图的数据综合中，得到准确的结果。李丽[17]提出了专家知识驱动的地质编图方法，建立了智能识别模型和地质综合模型，解决了编图过程中属性自动继承、属性自动更新等实际问题。王杨刚等[18-19]构建了以地质知识为核心的编图模型，根据地质专家知识库和地质大数据，实现对多图幅地质图中的地质要素进行智能化自动综合。何文娜等[20]创建了计算机智能地质图综合模型，在ArcGIS中处理各种地质数据，提高了跨比例尺地质图缩编的效率。
地质图智能综合系统方面，Smirnoff等[21]使用GeoScaler软件对地表和基岩地质图进行智能化综合，利用14张1:10万地质图缩编成4张1:25万地质图，并对综合的步骤、注意事项等利用案例进行了说明，最后地质编图专家对综合结果图进行评价并出版成图。郝丽荣等[22]构建了一套智能地质图综合模式，设计开发了智绘地质（iMapower）这一地质图智能综合系统，并应用在大比例尺地质图缩编成小比例尺地质图中，大大提高了工作效率。李仰春[23]、何文娜等[24-25]构建了一套自动化地质图综合模式，根据一套新的地质体智能化综合方法设计开发了智绘地质（iMapower）地质图智能综合系统，并应用在新版地质图的综合中，大大提高了工作效率和成果质量。
目前国内外对于面状地质要素综合算法的相关研究较少，本文根据地质图缩编技术的行业经验、计算机软件开发标准等相关规定，结合相关文献和综述，设计并实现地质编图过程自动综合中有关面状地质要素智能综合的算法，并对已有的1:25万地质图进行综合，缩编成1:50万地质图，之后由地质专家对综合结果进行评估，并与传统缩编方法综合地质图进行效率对比，应用到实际的地质调查当中。

2 算法设计与实现

本文首先对面状地质要素综合的业务流程和涉及到的相关理论基础（如年代—地质体关系、面状地质要素拓扑规则等）进行梳理，然后根据业务流程和理论基础对面状地质要素智能综合算法进行设计，最后基于ArcEngine和C#编程语言实现面状地质要素智能综合处理功能模块，并嵌入“地质图缩编辅助制图系统”中，实现了理论与技术的生产转化，促进了缩编制图效率的提高，推动了行业技术的进步。

2.1 面状地质要素综合流程和理论基础

地质图是最复杂的专题图之一，其形状和结构复杂多样，因此对地质图的综合过程较为复杂。在地球长期演化的过程中，地质要素间相互影响、演化，联系紧密，因此地质图的各个地质要素需要在逻辑上符合地质演化的客观实际规律，并在空间表达上满足对应的拓扑规律。在对地质图中面状要素进行综合前需要对地质要素进行深入分析和判断，整理该图幅区域“年代—地质体关系表”，合并处理地层、岩浆岩、变质岩等地质要素。随后将整理后的地质要素按照顺序输入到计算机中，通过算法进行边界化简和圆滑，之后对输出的地质要素进行拓扑检查。最后综合结果经专家检查无误后成图，实现面状地质要素综合，具体流程如图1所示。
图1 面状地质要素综合流程

Fig. 1 Flow chart of generalization algorithm for area geological features

（1）年代—地质体关系表。地质图中的要素往往充满整个图幅，因此针对面状地质要素的智能综合，需要根据属性和空间位置进行图形接边处理与要素合并，并正确处理不同地质要素之间的关系。由于地质要素的形成具有先后关系，算法需要根据具体的地质图，按照“地质体接触关系表”（表1）和“地质年代表”[26]，通过地质专家的指导按照从上到下、由新到老的年代顺序整理出这幅地质图区域的“年代—地质体关系表”，主要记录编图区原图件不同地质年代的地层、岩浆岩、变质岩及其代号，目标图件对应归类或综合后内容以及地质体间的接触关系，示例表格如表2所示。通过“年代—地质体关系表”整理可以合并处理的地层，得到输入到计算机中的面状地质要素边界，并根据整理出来的顺序分别依序对面状地质要素进行边界化简、圆滑，从而可以保证各个地质要素之间正确的压盖关系。
表1 地质体接触关系表

Tab. 1 Geological body contact relationship table

序号 地质界线类型 判别标志
1 整合接触 正常沉积地层单位之间相邻且其间未含有“角度不整合”
2 不整合 两套地层之间出现过间断或缺失
3 平行不整合接触 正常沉积地层单位之间注明“平行不整合”
4 角度不整合接触 正常沉积地层单位间被“角度不整合”分隔
5 侵入接触 侵入岩体与其他地质体接触，且侵入体晚于其相邻地质体
6 沉积接触 侵入岩体/正常沉积地层接触，侵入体早于沉积地层
7 断层接触 两地质体间有断层通过
8 构造接触 “混杂岩”、“岩组”晚于围岩
9 水体接触 地质体与水体接触
10 其他接触 包括“冰雪覆盖区”界线等
表2 年代—地质体关系表示例

Tab. 2 Relation table of time and geological body

地质年代 目标图 原图 子类型 重要性标识
代号 名称 代号 名称
新生界 第四系 全新统 Qhal 冲积层 Qhal 全新统 0 0
……
新近系 上新统 N2m 棉凹组 N2m 棉凹组 0 0
古近系 始新统 E2mc 蟒川组 E2mc 蟒川组 0 0
……
中元古界 蓟县系 汝阳群 JxR 汝阳群 Jxbd 北大尖组 0 0
角度不整合
熊耳群 ChX 熊耳群 Chl 龙脖组 0 0
Chx 许山组 0 0
（2）面状地质要素边界化简和圆滑。利用边界化简算法和圆滑算法进行面状地质要素智能化综合，对于形态趋势变化大的图元，先使用“画线分割区”的方法分解大图元，再对小区域分别进行化简、合并，综合后可以得到效果更好的地质要素。对面状地质要素的边界进行化简之后，需要对化简后的点再进行圆滑处理，本算法中圆滑采用的是三次样条函数插值方法，主要是使用函数逼近的数值方法进行样条函数插值。样条插值的具体思路是根据已有的数据点，通过一组拟合多项式，对每组相邻的数据点之间的曲线使用多项式进行拟合[27]，最终完成插值，得到圆滑后的面状地质要素。
（3）面状地质要素拓扑规则。面状地质要素进行化简、圆滑之后，地质要素需在空间上满足对应的拓扑规则，在较好保持原有地质要素拓扑关系的基础上，使综合后地质图中的相邻地质要素之间符合正确的拓扑关系，具体的拓扑规则如表3所示。
表3 面状地质要素拓扑关系表（拓扑规则含义）

Tab. 3 Topological relation table of area geological features ( meaning of topological rules )

序号 地质界线类型 判别标志
1 不能重叠 每个面状地质体中各要素间不能有叠加
2 不能有空隙 每个面状地质体中各要素间不能有个缝隙
3 节点距离必须大于聚合阈值 为防止面状地质体之间出现缝隙，需保证当节点距离大于聚合阈值时，2个节点会自动合并
4 必须被其他要素的要素类覆盖 当面状地质体和另外的地质图要素叠加时，该面图层要覆盖另外一个图层
5 必须被其他要素覆盖 2个面状地质体叠加时，某个地质体必须完全被另一个地质体的一个要素包含
6 面边界必须被其他要素的边界覆盖 当2个面状地质体图层叠加时，区域界线须一致
7 必须互相覆盖 2个面状地质体叠加时，必须一致覆盖同一区域

2.2 面状地质要素智能综合算法逻辑设计

面状地质要素边界可以看作是无数个点组成的多边形，在进行地质图综合过程中需要对边界点进行轮廓的化简处理，将不必要的边界信息概括化，化简算法是通过设计的计算机算法选取抽稀面状地质要素边界的点，算法的实现步骤如图2所示。
图2 面状地质要素智能综合算法流程

Fig. 2 Flow chart of intelligent generaliazation algorithm for area geological features

如图2所示，算法主要包括3个模块：
模块（1）：确定集合。输入面状地质要素边界多边形PL，在边界上选择一个顶点作为初始点A0，确定接下来要检索的方向和搜索距离R，以A0为圆心，得到该圆与多边形边界的交点集合An，在An中选择在此前确定方向上的交点得到集合Bn，计算Bn中交点个数为N，若N=0则结束递归，将化简后的顶点加入集合Xn；若N=1则将这一个点加入化简后顶点的结果集合Xn，并以此点作为新的初始点A0；若N都不满足以上2个判别条件，即N>1则进入（2）。
模块（2）：判断条件A。设置长度阈值RADIO，计算Bn中每个节点和初始点A0在PL上围成弧段的长度Ps，选择最大的弧段长度Psmax，同时计算多边形PL周长为C，计算Psmax/C的值，若Psmax/C<RADIO，则进入模块（3）；否则在Bn中去除该最大弧段的点，选择剩下点中最长的点重复进行模块（2），直到Bn中仅剩一个点。
模块（3）：判断条件B。设置面积阈值AREA，计算当前最长弧段Psmax与初始点圆心A0和当前最大弧段的节点围成的闭合面积Smax大小，若Smax<AREA，则将这一个点加入化简后顶点的结果集合Xn，并以此点作为新的初始点A0，进入模块（1）；否则在Bn中取出该最大弧段的点，选择剩下点中弧段最长的点进入模块（2），直到Bn中仅剩一个点。综合算法的过程示意图如图3所示。
图3 面状地质要素综合算法示意

Fig. 3 Schematic diagram of generaliazation algorithm for area geological features

算法最终围绕地质要素边界化简一周后得到点集合Xn，通过此算法可以利用计算机快速实现面状地质要素多边形边界的化简，其中阈值RADIO和AREA需要根据图幅比例尺和目标综合效果进行设置，设置不同的阈值可以得到不同综合的结果。设置阈值时主要包括长度阈值RADIO和面积阈值AREA，其中长度阈值指进行交点选择时对长度的标准要求，计算方法为有效集合中Bn中每个节点和初始点A0在PL上围成弧段的长度Ps，选择最大的弧段长度Psmax，同时计算多边形PL周长为C，计算Psmax/C的值与长度阈值进行对比；面积阈值指交点选择时对面积的标准要求，计算方法为计算当前最长弧段Psmax与初始点圆心A0和当前最大弧段的节点围成的闭合面积Smax大小与面积阈值进行对比。
根据选用的地质图年代和比例尺的特点，并通过多次实验的对比结果，化简时选择合适的阈值设置阈值参数，可以避免综合结果出现拓扑错误，也避免为后续的编图操作如地质体标注、生成地质界线等埋下隐患。
化简之后，对点集合Xn采用3次B样条插值方法进行圆滑，得到综合后的面状地质要素。算法对示例面状地质要素进行化简、圆滑前后的效果对比图如图4所示。
图4 面状地质要素综合前后对比示意

Fig. 4 Comparison diagram before and after generalization of area geological features

2.3 面状地质要素智能综合算法实现

本文采用Visual Studio 开发工具，基于C#和ArcEngine开发环境，编程实现了面状地质要素智能综合算法，研制了C/S模式的面状地质要素智能综合处理功能模块，并嵌入“地质图缩编辅助制图系统”中。本功能模块采用自动或人机交互式并行工作模式，通过简单点击“按钮”操作激发任务，系统可快速完成复杂的面状地质要素综合任务，实现面状地质要素批量、一键式、一次性处理。面状地质要素综合功能模块和操作步骤如图5所示。
图5 面状地质要素智能综合功能操作流程示意

Fig. 5 Operation flow diagram of intelligent generalization function of area geological features

面状地质要素智能综合功能操作流程主要包括4步，首先输入地质要素数据在“源视图”中，选择“设置”菜单，点击“年代代码表”按钮，弹出① 所示对话框，输入整理完成的地质体年代关系表，随后点击“化简参数设置”按钮，在弹出的② 对话框中根据比例尺和目标综合效果设置周长比例和面积阈值。之后选择“地质体综合”按钮，点击“化简圆滑”（③）进行面状地质要素的化简圆滑，最后在“开始”菜单中点击“区拓扑差错”（④），系统自动进行拓扑检查，检查完成后在“目标视图”中得到智能综合后的面状地质要素。

3 实证研究

本文使用面状地质要素智能化综合算法，以4幅1:25万地质图（I49C001003侯马幅、I49C001004新乡幅、I49C002003洛阳幅、I49C002004郑州幅）为例，对郑州、洛阳及周边区域大比例尺地质图的面状地质要素进行智能综合，得到缩编综合后的小比例尺地质图（1:50万）。
综合工作首先根据1:25万地质图已有的地层单位，结合表1和表2及相关原理，整理出该幅地质图区域的“年代—地质体关系表”，并整理可以合并处理的地层，最后得到该区域的“年代—地质体关系表（部分）”如表4。
表4 该地区年代—地质体关系表（部分）

Tab. 4 Relation table of time and geological bodies in this area (part) )

地质年代 目标图 郑州-豫西分区 子类型 重要性标识
代号 名称 代号 名称
新生界 第四系 全新统 Qhal 冲积层 Qhx 选仁组 0 0
Qhx-t 选仁组、沱阳组并层 0 0
Qhal 第四系全新统 0 0
Qhal 全新统 0 0
Qhpal 洪冲积层 Qhpal 全新统 0 0
上更新统 Qp3pal 洪冲积层 QP3pal 上更新统 0 0
Qp3pal 上更新统 0 0
Qp3s 峙峪组 0 0
Qp3s 峙峪组 0 0
QP3pal 洪冲积层 QP3pal 上更新统 0 0
角度不整合
……
角度不整合
长城系 熊耳群 ChX 熊耳群 Chl 龙脖组 0 0
Chx 许山组 0 0
Ch1Xd 大古石组 0 0
新太古界 角度不整合
γοAr3 新太古代片麻状斜长花岗岩 γοAr3 新太古代 1 0
之后将整理的面状地质要素，输入到地质图缩编辅助制图系统中，运用面状地质要素综合算法对其进行处理。在本例中，针对该幅地质图年代和比例尺的特点，选择典型的、具有代表性的其中一个面状地质要素，设置不同的长度阈值和面积阈值参数，进行多次实验对比综合效果，得到不同阈值条件的面状地质要素综合效果如表5所示。
表5 不同阈值情况下面状地质要素综合效果对比

Tab. 5 Comparison table of generalization effect of area geological features under different thresholds

注：长度阈值（RADIO），为有效集合中节点与初始点围成弧段的最大值Psmax与多边形周长C的比值和RADIO进行对比；面积阈值(AREA)，为当前最大弧段Psmax和其前后端点所围成的面积Smax大小与AREA进行对比。

从表5可以看出，半径阈值RADIO为1，面积阈值AREA为3 mm2时，面状地质要素的综合效果最好。因此在对整幅图进行综合时，阈值RADIO设置为1，阈值AREA设置为3 mm2。
对综合后的面状地质要素在系统中进行自动拓扑检查，检查无误后再交给地质专家评估，地质专家评估达到缩编综合的要求，综合后的结果准确、合理，最终制图输出。运用面状地质要素智能综合算法对本例的1:25万地质图（图6(a)）综合后的1:50万地质图，如图6(b)所示。由于图幅较大，选取了两个局部区域对综合效果进行放大展示如图6。
图6 综合前后不同比例尺地质图局部区域对比

Fig. 6 Comparison map of local area of different scale geological map before and after generalization

本例中，通过算法进行面状地质要素智能综合后的成果图经过系统拓扑检查，由3位地质制图和地图综合方面具有丰富经验的专业制图专家以及其他相关领域（地质学、地貌学、GIS）的多位地质专家，分别对综合结果中面状地质要素的接触和压盖关系、各要素之间的拓扑关系、面状地质要素边界多边形的圆滑程度、综合结果的一致性、准确性等方面进行评估，被认为综合结果是正确、合理的。对大比例尺地质图进行综合时，使用本算法对面状地质要素批量进行智能综合，算法处理的总时间约为2~3 h。而传统的综合方法，前期相关数据的准备时间大致相等，但针对地质要素的综合处理大约需要3~4个工作日的时间。因此相比于传统综合方法，使用面状地质要素智能算法处理地质图可以节省80%以上的工作量，且整体效率提高了8~10倍，并实现批量、大范围处理，得到的综合结果具有一致性和可重复性，使用智能算法进行综合有较大的应用价值。

4 结论

本文根据地质图缩编技术的行业经验、计算机软件开发标准等相关规定，结合相关文献和综述，设计并实现大比例尺地质图缩编中针对面状地质要素的智能综合算法，以大比例尺地质图中面状地质要素的智能综合为例进行实证研究，主要研究成果如下：
（1）根据地质图综合的理论基础整理出面状地质要素智能综合算法的过程，设计综合算法的逻辑流程：算法根据面状地质要素的属性和空间位置整理出“年代—地质体关系表”，根据该表由新到老的顺序依次对面状地质要素使用智能综合算法进行要素边界点的抽稀，随后对抽稀后的边界点进行边界圆滑，并对综合的结果在系统中自动进行拓扑检查，得到智能综合后的面状地质要素。
（2）面状地质要素智能综合算法实现与实证研究：根据算法的设计步骤，在计算机中实现该综合算法，最后将综合算法应用到郑州、洛阳及周边区域4幅1:25万地质图的缩编工作中，对1:25万地质图中的面状地质要素进行综合，制成1:50万地质图，之后由地质专家对缩编后的结果进行评估验证通过。
通过面状地质要素智能综合算法的实证研究，可以得到本文的智能综合算法具有以下优点：
（1）使用智能综合算法后的面状地质要素经过系统自查和地质专家评估，符合地质要素的压盖关系和拓扑规则，综合效果正确、合理。
（2）目前的研究对于面状地质要素智能化综合算法相对较少，本文提出了一个创新算法并实现，可以高效、准确、批量地实现地质要素智能综合。使用本算法功能模块进行面状地质要素综合可以减少八成左右的工作量，相对于传统综合方法效率提高了近10倍，同时综合结果具有一致性和可重复性，充分发挥计算机在地质编图中的作用，已应用到实际地质调查编图的工作中并得到一线制图人员的一致好评。
（3）生成的面状地质要素结果数据存储在专用数据库中，方便对其进行后续的缩编综合操作，为进一步实现缩编综合全过程的智能化奠定基础。
由于使用本算法进行处理的面状地质要素数据需为特定的数据类型，且本算法在进行化简圆滑中两个阈值参数的设置需要根据多次实验寻找效果最好的化简参数，因此接下来的工作内容主要包括进一步研究输入数据的多源性和参数设置的智能化，以达到更好的面状地质要素智能综合效果。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
徐志刚, 王岩, 陈郑辉, 等. 中国矿产地质志省级“矿产地质图”和“成矿规律图”的编图思路和编图方法[J]. 地质学报, 2020, 94(1):303-325.

[ Xu Z G, Wang Y, Chen Z H, et al. Mapping ideas and methods for the provincial “mineral geological map” and “minerogenic map” in the “geology of mineral resources of China”[J]. Acta Geologica Sinica, 2020, 94(1):303-325. ]

[2]
王若帆, 罗玮潇, 焦恒. Section结合Excel在贵州省1∶5万水文地质编图中的应用[J]. 西部探矿工程, 2019, 31(11):158-161.

[ Wang R F, Luo W X, Jiao H. Application of Section combined with Excel in 1 : 50 000 hydrogeological mapping in Guizhou Province[J]. West-China Exploration Engineering, 2019, 31(11):158-161. ]

[3]
Li W J, Li S Y, Jia H G. Automatic geological map generalization for special geobody - A case study on dyke[J]. Proceedings of the ICA, 2019, 2:1-7.

[4]
刘炼. 地图自动综合的基本问题[J]. 科技风, 2010(22):207.

[ Liu L. Basic problems of automatic map synthesis[J]. Technology Wind, 2010(22):207. ]

[5]
王家耀, 钱海忠. 制图综合知识及其应用[J]. 武汉大学学报·信息科学版, 2006, 31(5):382-386,439.

[ Wang J Y, Qian H Z. Cartographic-generalization-knowledge and its application[J]. Geomatics and Information Science of Wuhan University, 2006, 31(5):382-386,439. ]

[6]
刘哲, 刘潇鹏, 吴洪涛. 基于分形理论的线状要素的地图自动综合算法实现[J]. 测绘技术装备, 2015, 17(3):22-25,21.

[ Liu Z, Liu X P, Wu H T. Automatic map synthesis algorithm based on fractal theory[J]. Geomatics Technology and Equipment, 2015, 17(3):22-25,21.]

[7]
肖田, 林婷, 徐容乐. 数字地图自动综合技术在国家1:50 000地形要素数据缩编更新中的应用[C]// 华东地区第十次测绘学术交流大会论文集.南昌, 2007:238-244.

[8]
段佩祥, 钱海忠, 何海威, 等. 基于支持向量机的线化简方法[J]. 武汉大学学报·信息科学版, 2020, 45(5):744-752,783.

[ Duan P X, Qian H Z, He H W, et al. A line simplification method based on support vector machine[J]. Geomatics and Information Science of Wuhan University, 2020, 45(5):744-752,783. ]

[9]
王家耀. 时空大数据时代的地图学[J]. 测绘学报, 2017, 46(10):1226-1237.

[ Wang J Y. Cartography in the age of spatio-temporal big data[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10):1226-1237. ]

[10]
Douglas D H. Algorithms for the reduction of the number of points required to represent a line or its caricature[J]. Canadian Cartographer, 1973, 10(2):112-122.

DOI

[11]
Smirnoff A, Paradis S J, Boivin R. Generalizing surficial geological maps for scale change: ArcGIS tools vs. cellular automata model[J]. Computers & Geosciences, 2008, 34(11):1550-1568.

DOI

[12]
Downs T C, Mackaness W A. An integrated approach to the generalization of geological maps[J]. The Cartographic Journal, 2002, 39(2):137-152.

DOI

[13]
李雯静, 李思怡. 改进的特殊地质单元综合方法——以岩脉为例[J]. 金属矿山, 2019(5):124-131.

[ Li W J, Li S Y. An improved generalization method for special geological unit: A case study on dyke[J]. Metal Mine, 2019(5):124-131. ]

[14]
Sayidov A, Aliakbarian M, Weibel R. Geological map generalization driven by size constraints[J]. ISPRS International Journal of Geo-Information, 2020, 9(4):284.

DOI

[15]
何文娜, 朱长青, 徐可, 等. 一种小地质体智能综合方法[J]. 地球物理学进展, 2021, 36(3):1267-1275.

[ He W N, Zhu C Q, Xu K, et al. An intelligent generalization method for simple small geological bodies in geologic mapping[J]. Progress in Geophysics, 2021, 36(3):1267-1275. ]

[16]
Steiniger S, Weibel R. A conceptual framework for automated generalization and its application to geologic and soil maps[C]. XXII International Cartographic Conference. 2005:11-16.

[17]
李丽. iMapower在1:25万地质编图中的应用及其改进[D]. 北京: 中国地质大学(北京), 2018.

[ Li L. The application and improvement of iMapower in compilating A geologic map of the scale 1:250,000[D]. Beijing: China University of Geosciences, 2018. ]

[18]
王杨刚, 郝丽荣, 黄辉, 等. 基于空间数据和专家知识驱动的地质编图技术研究与应用[J]. 地质通报, 2019, 38(12):2067-2076.

[ Wang Y G, Hao L R, Huang H, et al. Research on geological map compilation technology based on spatial data and geological knowledge[J]. Geological Bulletin of China, 2019, 38(12):2067-2076. ]

[19]
王杨刚. 基于数据驱动的基础地质图件更新关键技术研究[D]. 北京: 中国地质大学(北京), 2016.

[ Wang Y G. Research on general geological map updating technologies based on data driven[D]. Beijing: China University of Geosciences, 2016. ]

[20]
何文娜, 朱长青, 李仰春, 等. 基于ArcGIS的智能地质图综合[J]. 地球物理学进展, 2020, 35(2):728-734.

[ He W N, Zhu C Q, Li Y C, et al. Intelligent geological map generalization based on ArcGIS[J]. Progress in Geophysics, 2020, 35(2):728-734. ]

[21]
Smirnoff A, Huot-Vézina G, Paradis S J, et al. Generalizing geological maps with the GeoScaler software: The case study approach[J]. Computers & Geosciences, 2012, 40:66-86.

DOI

[22]
郝丽荣, 王杨刚. 智绘地质(iMapower) 数字地质图编图技术应用研究[J]. 中国科技成果, 2018, 19(6):29-31.

[ Hao L R, Wang Y G. Application of iMapower digital geological mapping technology[J]. China Science and Technology Achievements, 2018, 19(6):29-31. ]

[23]
李仰春, 王永志, 陈圆圆, 等. 智绘地质——新一代智能化地质编图模式及应用[J]. 地质通报, 2020, 39(6):861-870.

[ Li Y C, Wang Y Z, Chen Y Y, et al. Intelligent geological mapping: A novel pattern for smart geological compilation[J]. Geological Bulletin of China, 2020, 39(6):861-870. ]

[24]
何文娜, 朱长青, 王永志, 等. 智绘地质——一种基于MapGIS的地质编图智能化系统[J]. 地球物理学进展, 2019, 34(5):2030-2036.

[ He W N, Zhu C Q, Wang Y Z, et al. iMapower: An intelligent system for geological mapping based on MapGIS[J]. Progress in Geophysics, 2019, 34(5):2030-2036. ]

[25]
何文娜, 朱长青, 李仰春, 等. 智能地质体综合技术在地质图缩编中的应用[J]. 地质通报, 2020, 39(6):871-879.

[ He W N, Zhu C Q, Li Y C, et al. An intelligent generalization method of geological body for MapGIS geological map downsizing[J]. Geological Bulletin of China, 2020, 39(6):871-879. ]

[26]
刘本培, 全秋琦, 冯庆来, 等. 地史学教程(第3版)[M]. 北京: 地质出版社, 1996.

[ Liu B P, Quan Q Q, Feng Q L, et al. Geological History Course ( 3rd Edition )[M]. Beijing: Geological Publishing House, 1996. ]

[27]
涂亮. 基于网格模型的人脸表情合成算法研究[D]. 贵阳: 贵州大学, 2019.

[ Tu L. Research on facial expression synthesis algorithm based on mesh model[D]. Guiyang: Guizhou University, 2019. ]

Options
Outlines

/

〈 〉