地图上街区要素图形综合模式前瞻性探索

项 文

(广东绘宇智能勘测科技有限公司 广东 珠海 519000)

0 引言

当前,各领域最深刻的变化莫过于人工智能和大数据技术的应用,以及工作效率的极大提升。新技术的涌现改变了人类的生活方式和工作方式。各个领域在其发展过程中,积累了海量的数据,以往这些数据发挥的作用是有限的,随着人工智能技术的飞速进步,为从这些宝贵的数据中挖掘有价值的信息提供了契机,许多以往难以解决的技术难题将有望解决。

地图图形的综合是制作地图和空间数据处理的重要环节,通过地图图形的变换,有效地解决了地图上的图形和实地地貌面积大小的矛盾冲突。过去的半个多世纪,数学领域、几何和拓扑学、图形图像技术、物理学、模式识别等领域的方法和技术,不断为地图图形综合注入新的动力,地图综合的自动化水平不断提升。但是,地图图形处理是该领域学者公认的世界性难题,许多关键难点问题仍然存在,其解决需要新技术提供契机。人工智能和大数据技术的结合,已经在其他领域显现了其巨大的优势和活力,这是科学问题研究的最新趋势。基于以上认识,提出了人工智能和大数据相结合的地图街区要素图形综合难点的解决方案和模式。

1 人工智能和大数据应用于地图综合领域的研究现状

人工智能技术和大数据技术是当前各个领域的研究热点,地图图形综合领域也顺应这种趋势,众多研究者把解决该领域技术难点的视线转向这两个领域,取得了大量理论成果。维普和知网检索人工智能和大数据为关键词的中文文献共5 689篇,同时包括人工智能、大数据和地图综合三个关键词的中文文献共2 123篇。维普和知网检索Artificial Intelligence和big data 为关键词的外文文献共2 453篇,同时包括Artificial Intelligence、big data 和map generalization 3个关键词的外文文献共786篇。其中代表性文献有：武芳,杜佳威研究了地图综合智能化的发展与思考。分析了传统机器学习与深度学习为基础的智能地图综合现状,提出了地图综合智能化研究的主要方法,围绕地图综合智能化研究中的几个热点问题,探讨了智能地图综合的发展趋势;艾廷华研究了深度学习在地图制图中的应用。从地图学独特的学科特点和技术环境分析了两者结合面临的挑战,涉及地图数据组织的非规范性、样本建立的专业需求、几何与地理特征的融合,以及地图固有的空间尺度性。讨论了地图制作与地图应用融入深度学习的切入点和具体方法;何文娜、朱长青研究了智能地质体综合技术在地质图缩编中的应用。提出了一套新的地质体智能化综合方法,实现了地质体智能综合处理模块,采用自动或人机交互式并行的工作模式,通过“一键式”操作可快速完成地质体综合任务;温婉丽研究了基于知识的居民地地图自动综合。结合地理信息系统(geographic information system,GIS)环境下地图综合的特点,将综合居民地要素的知识进行规则化、形式化表示,提出将基于知识和基于模糊评判数学模型的两种综合方法结合,建立了居民地要素的有向图和居民地选取中的“重要性”程度评价模型;焦洋洋、刘平芝等研究了面向居民地要素智能化综合的样本库构建。依据地图数据组织特点和制图综合过程决策需求,提出了区分特征型案例和变换型案例的样本数据组织体系以及相关的数据结构设计,基于通用GIS平台设计了样本数据采集与管理系统;谢丽敏、钱海忠等研究了基于案例推理的居民地选取方法。采用案例推理方法,结合KNN算法(一种监督学习算法，K-nearest neighbors),训练案例库确定KNN算法的最佳K值,将新案例与源案例库检索匹配,得出最佳决策结果,进而指导待决策居民地的自动选取;杜清运、任福等研究了大数据时代综合性城市地图集设计。提出大数据时代数据要素和信息通信技术变革给综合性城市地图集的设计带来一系列新挑战,探讨城市地图集设计亟须适应时代特征,从科学、技术、设计、文化、媒体和产业6个维度寻求创新突破;艾廷华研究了大数据驱动下的地图学发展。研究提出,空间大数据的新技术特征将推动地图综合、地图可视化与地图投影的新发展。同时,在大数据驱动下,地图应用可拓宽到非空间数据的表达中,对泛在网络空间的网络行为、集合空间的语义信息可视化表达,产生赛博地图、隐喻地图等新的地图形式。

2 地图街区要素图形综合的本质及难点

街区要素是城市地图普遍存在的一类重要的要素,街区的外围是道路,内部是纵横交错的街道。街区从形状上区分有格网状的街区、辐射状的街区和不规则状的街区。街区有连片的建筑物或独立的建筑物组成。在大比例尺地图缩编为小比例尺地图,或者大比例尺空间数据转化为小比例尺空间数据时,街区要素图形会相应进行化简、合并、概括、位移等多种操作。涉及图形的识别,空间关系的处理,不同的技术人员处理的结果也有所不同。

这些问题是地图图形综合领域的关键难点问题,通常被该领域学界公认为是世界性难题。在地图综合领域众多学者的持续努力下,街区要素图形综合已经经历了主观化到客观化的进步。技术方法上,经历了定量化、模型化、算法化等一系列的进展,系统化的综合和协同化的综合技术已有很大提升。很多先进的图形处理技术已经成功地移植到了街区要素图形综合当中,例如，神经网络、图论、案例学习、遗传算法、数学形态学、决策树等,成功地解决了很多图形合并、位移、概括、化简等难点问题。但是,由于街区要素问题本身非常复杂,很难在地图上找出两块完全相同的街区,街区的形态千变万化,比起人脸识别、车牌识别这些领域的图形处理,特征比较明显,易于提取,而街区图形的复杂性,决定了街区要素图形综合的极端复杂性。目前,要实现真正的街区要素的自动综合和智能化综合,还有很长的距离。

街区要素的图形处理中,制图员要对图形要素进行取舍、图形进行概括,还要处理街区与其他要素的关系,整个处理过程中,要靠决策和判断,其实质是制图人员对街区图形信息的加工,人脑的思维在整个过程中发挥着关键的作用。目前,街区要素图形处理的很多常规性的问题已经能够程序化、算法化处理。但是,很多问题靠常规的算法无法解决,尤其街区图形要素的识别、形状的化简、形状的概括等,需要更智能化的技术支撑去完成。

从研究现状可知,人工智能和大数据已经成功地解决了许多领域以往难以解决的问题。这两种技术的结合,已成为当下和未来各个领域研究问题的最新范式。自然语言处理中,依赖语法和规则解决问题,陷入了瓶颈,而大数据和人工智能技术的运用,极大地提高了该领域的技术水平。解决问题的实质是概率统计模型,这也是人工智能和大数据的核心技术。随着人工智能技术和大数据技术的飞速发展,给地图上的街区要素图形处理的难点问题解决带来了希望和可以借鉴的思路。

3 地图上街区要素图形综合模式探索

未来地图上街区要素图形综合将在人工智能技术和大数据的支撑下发生深刻的变化,借鉴其他领域的难点问题解决模式,提出了人工智能技术和大数据的支撑下地图街区要素图形综合模式。即利用大量的街区要素综合的成果大数据作为研究基础,运用先进的人工智能技术,从街区大数据中学习特征和规律,提取领域知识,从而解决街区图形综合的关键难点问题,如图1所示。

图1 基于人工智能和大数据技术的街区要素图形综合模式

街区要素图形综合最为常见的操作是合并、化简和概括,其中概括可以认为也是化简操作中的一种,街区图形概括的目的是在大比例尺地图缩编为小比例尺地图时,将街区图形概括为简单的形状,因此,本文以合并和化简这两类最为常见的操作为例,设计在人工智能技术和大数据支持下的综合模式。

3.1 基于人工智能和大数据技术的街区要素图形化简模式

街区图形化简的原则是化简前后的图形相似性,不同的操作人员会有不同的化简结果。但是,概率统计能够很好地解决这个问题。研究街区要素图形化简时,从街区图形大数据中,统计相似区域的现有图形化简结果,对其化简模式进行分类统计,建立街区图形化简的模型库,利用人工智能技术特有的优异的特征学习能力,结合基于内容的检索技术,检索出待化简的街区图形与模型库中相似的街区,提取模型库中的化简结果图形,进行放大和调整位置,最终得到优化的街区图形化简结果。通俗地说,就是选取模型库中,大多数操作人员采用的化简结果作为待化简街区图形的化简结果,如图2所示,类似于自然语言处理中的概率统计原理。

图2 基于人工智能和大数据技术的街区要素图形化简模式

3.2 基于人工智能和大数据技术的街区要素图形合并模式

大比例尺地图缩编为小比例尺地图时,临近的独立的建筑物会合并为街区,临近的小街区会合并为较大的街区。与街区图形化简类似,不同的操作人员会采用不同的合并方式,街区合并的结果并不一样。研究街区图形合并时,从现有大量的街区图形合并成果库中,检索与合并街区合并任务相似的区域,同一块街区,不同的制图者合并的结果不相同,采用概率高的合并结果作为待合并街区的图形合并结果，如图3所示。

图3 基于人工智能和大数据技术的街区要素图形合并模式

4 结束语

以往的街区图形综合中,积累了大量的街区图形综合成果,这是实现街区图形综合智能化的关键基础,有效利用现有大量的街区图形综合成果,通过新兴的人工智能技术,归纳模式,学习知识,提取规律,从而解决街区图形综合中的核心难点问题,这是街区图形综合发展的新兴模式,也是必然趋势。针对地图上街区要素图形综合存在的识别、化简和合并的难点问题,结合人工智能和大数据技术分别设计了模型和流程,这些模型对于克服复杂街区图形合并和化简时的主观性问题,提高科学性和准确性,具有一定借鉴意义。由于地图图形综合问题本身的复杂性,采用人工智能和大数据技术结合的街区要素图形综合模式,要实现真正的街区图形综合的自动化、智能化,还有很多关键技术问题需要努力去解决。