顾及地物要素特征的电子地图POI分类抽稀方法

王 昊,刘正坤

(中国能源建设集团广东省电力设计研究院有限公司，广东 广州 510663)

通过分析影响POI分类抽稀的特征因子，提出一种顾及地物要素特征因子的POI分类抽稀方法。该方法以用户为基础，从行业需求出发，考虑电子地图中地物面积或长度地理要素特征，对POI在多级比例尺下的抽稀策略进行优化，使POI在多比例尺下可视化表达效果更加合理。

1 POI可视化表达影响因子分析

POI数据的可视化表达结果体现了用户对不同兴趣点在多级比例尺下重要度认知的差异，该差异受用户角色、POI类别特征和地物要素特征的共同影响。

1)用户角色。电子地图数据应用已深入各行各业，不同行业用户关注的地图内容因行业特色存在较大差异。POI数据的取舍满足用户的特定需求，如用户的行业背景、数据用途等。

2)POI类别特征。POI可以按地物的属性类别进行分类，不同类别地物对应的POI数据在不同比例尺电子地图中可视化的策略不同。

3)地物要素。在电子地图中，POI数据是地物要素的抽象展示，每个POI点都有与之关联的地物要素。本文通过分析地物要素的重要度等级，实现POI在多级比例尺下的可视化策略优化。

2 POI特征分类抽稀方法

首先以国家标准规范为基础进行分类，通过分析用户角色因素，对分类成果进行优化，得到POI初步分类成果及多比例尺抽稀依据；然后以地物要素的面积或长度特征为度量尺度，对POI的抽稀策略进行优化，最终实现电子地图中POI的优化显示。

2.1 POI初步分类排序

由于POI数据量大，原始数据在小比例尺下显示易出现分布密集、信息压盖等问题，导致用户无法辨识，影响使用，因此，需要对电子地图中POI数据在不同比例尺下进行合理抽稀。

目前，数据厂家生产的POI数据一般以《GB/T 20267—2006车载导航电子地图产品规范》为依据进行类别划分，该分类结果具有普适性。然而，由于行业应用需要，不同行业用户对电子地图关注内容不同，如电力用户对供电局、变电站、配电房等电力设施的兴趣点尤其关注。因此，需要根据用户需求，对分类结果按用户关注度进行合并或细分，生成要素子类，实现类别优化，如电力行业用户对餐饮要素关注度较低，故可将各餐饮要素子类(“西餐馆”、“中餐馆”、“快餐”等)合并为“餐饮”一个大类；电力用户对居民区要素和电力设施关注度较高，故需将居民区要素进行细分，生成要素子类，如细分为“居民小区”、“自然村”、 “居民区附属设施”等多个要素子类，将电力设施要素细分为“供电局”、“变电站”、“配电房”等要素子类。

为使POI在不同比例尺下抽稀更加合理，需对类别优化后的POI数据按要素类别进行重要度等级排序，排序结果见表1中“POI重要度”列，其重要度数值越大，POI重要度等级越低，小比例尺显示时将越优先考虑剔除，POI分类分级流程见图1。

图1 POI分类分级流程

2.2 地物要素特征分析

在POI抽稀中，通常将要素类别作为POI重要度等级排序的唯一依据，根据排序结果制定不同比例尺下要素取舍规则，实现POI数据的抽稀。然而，该方法会造成在某比例尺下部分要素子类POI数据的整体剔除。为避免此问题，本文通过地物要素特征分析进行POI重要度等级排序优化。

地物要素特征分析以地物(如居民地、河流、道路等)的面积或长度特征为度量尺度，对地物重要度等级排序，再根据地物与POI之间的关联，在POI类别优化成果基础上，调整POI的重要度等级排序结果，实现POI抽稀结果的优化。

与POI数据存在关联的地物要素主要为面状要素，如面状房屋、面状河流等。不同的要素根据特征选择不同的度量尺度，如居民地、绿地、湖泊等地物以面积为尺度，桥梁以桥面长度为尺度，度量结果即地物要素重要度等级，用数值表示，数值越小，表示重要程度越高。面积度量中以面积大小为尺度，如某类别地物中面积排名前10%的地物，重要度等级为1，面积排名位于10%到30%的地物，重要度等级为2，面积排名位于30%到50%的地物，重要度等级为3，其余地物要素，重要度等级为4。长度度量中以地物实际长度范围为尺度，如长度大于1 km，重要度等级为1，长度在500～1 000 m，重要度等级为2，长度在100～500 m，重要度等级为3，其他长度范围，重要度等级为4。重要度等级划分级别根据用户需求和电子地图显示比例尺的数量而定，例如可以从1连续划分到任意数值，重要度等级划分级别越多，电子地图在不同比例尺下抽稀结果的渐变性会越好。本文将地物重要度划分为4个等级，等级为4表示该地物重要程度最低。

地物要素重要度确定后，根据地物要素与POI的关联关系，建立地物要素重要度等级和POI重要度等级映射表，如表1所示。在表格1中，依据地物要素重要度等级，POI重要度值X被二次细分为(X，Y)，实现要素子类内部POI重要度等级排序结果的优化见表1。

表1 重要度映射表

最后制定多比例尺下POI抽稀策略。在不同比例尺下，根据用户的行业需求，制定不同的POI抽稀方案。以表格1中POI重要度等级(X，Y)为例，对示例制定约1∶5 000(实际比例尺为1∶4 514，下同)和约1∶10 000(实际比例尺为1∶9 028，下同)两个比例尺下POI的抽稀策略，如图2所示。

由图2抽稀策略示例可知，在用户需要的某些比例尺范围内， 如本文示例比例尺约1∶5 000和约1∶10 000，POI点的抽稀更加精细，可实现在同类别要素内部进行取舍，而不是简单地在要素类别间取舍。在比例尺逐级变小时，同一类别的POI点中重要地物的POI信息会也可被优先保留，实现该类别POI数据的逐级平滑过渡，不会因为比例尺的变化，造成该类POI要素整体舍弃。

图2 多比例尺POI抽稀策略示例

3 实验验证与分析

因地物要素中“居民地”要素数据量较大、POI分类抽稀复杂，本文以“居民地”要素为例，利用广州市天河区部分区域1∶2 000电子地图为数据源，行业用户角色设定为电力行业用户进行试验，采用电力行业专题地图比例尺(约1∶5 000和约1∶10 000)进行试验对比分析。表2是POI部分数据的重要度等级优化结果示例，主要展示了图3～图6中红色虚框内对应的原始数据重要度等级优化结果。

图3是约1∶5 000比例尺下，根据POI的重要度等级排序结果进行POI抽稀的结果示例。首先根据电力行业用户需求，电力设施的重要度等级被提高，供电局、供电所在抽稀中被优先保留；考虑地物面积特征，大型居民区、商业大厦等用电量较高地物的POI信息被优先保留。其他要素根据要素分类及建筑物面积综合结果进行取舍。从抽稀结果中可见，POI数据涵盖多个要素类别，同一类别中重要度较低的要素被优先剔除。图4是约1∶5 000比例尺下，利用制图软件对原始POI数据自动抽稀的结果。图4中存在大量的重要程度较低的数据，且由于POI数据保留具有随机性，用户关注的信息存在丢失现象， 如“广州市越秀供电局”被剔除，而图3中则被保留。

表2 POI重要度等级优化结果示例

图3 顾及地物要素特征抽稀结果(约1∶5 000)

图4 制图软件自动抽稀结果(约1∶5 000)

图5 顾及地物要素特征抽稀结果(约1∶10 000)

图6 制图软件自动抽稀结果(约1∶10 000)

图5是约1∶10 000比例尺下，根据POI的重要度等级排序结果进行POI抽稀的结果。图6是约1∶10 000比例尺下，利用制图软件对原始POI数据自动抽稀的结果。从图5和图6结果比较可知，顾及地物要素特征的抽稀结果中，电力设施由于用户需求因素在各比例尺下都被优先保留，其他类别要素重要度高的POI点被保留。而采用制图软件实现POI自动抽稀的结果，仅能保证POI点彼此不互相压盖，在多比例尺逐级变化时(如图4和图6所示)无法体现POI点的层次关系及重要性等级。

试验表明，本文采用的POI分类抽稀方法结果更符合行业用户的应用需求，用户关注的信息将会被优先保留，同时，在不同比例尺下POI抽稀结果更能有效体现POI数据随比例尺递变的层次关系。

4 结束语

本文通过分析POI可视化表达的影响因子，在POI初步分类成果的基础上，提出一种顾及地物要素特征的POI分类抽稀方法，并以“居民地”要素为例，进行试验论证。试验表明，该方法可以有效提高POI在不同比例尺下抽稀结果的合理性。本文以独立地物的面积或长度为衡量标准，进行地物要素特征分析，对于POI与建筑物之间存在的一对多的情况仍有待后续研究。