顧及地物要素特征的電子地圖POI分類抽稀方法

王 昊,劉正坤

(中國能源建設集團廣東省電力設計研究院有限公司，廣東 廣州 510663)

通過分析影響POI分類抽稀的特征因子，提出一種顧及地物要素特征因子的POI分類抽稀方法。該方法以用戶為基礎，從行業需求出發，考慮電子地圖中地物面積或長度地理要素特征，對POI在多級比例尺下的抽稀策略進行優化，使POI在多比例尺下可視化表達效果更加合理。

1 POI可視化表達影響因子分析

POI數據的可視化表達結果體現了用戶對不同興趣點在多級比例尺下重要度認知的差異，該差異受用戶角色、POI類別特征和地物要素特征的共同影響。

1)用戶角色。電子地圖數據應用已深入各行各業，不同行業用戶關注的地圖內容因行業特色存在較大差異。POI數據的取舍滿足用戶的特定需求，如用戶的行業背景、數據用途等。

2)POI類別特征。POI可以按地物的屬性類別進行分類，不同類別地物對應的POI數據在不同比例尺電子地圖中可視化的策略不同。

3)地物要素。在電子地圖中，POI數據是地物要素的抽象展示，每個POI點都有與之關聯的地物要素。本文通過分析地物要素的重要度等級，實現POI在多級比例尺下的可視化策略優化。

2 POI特征分類抽稀方法

首先以國家標準規范為基礎進行分類，通過分析用戶角色因素，對分類成果進行優化，得到POI初步分類成果及多比例尺抽稀依據；然后以地物要素的面積或長度特征為度量尺度，對POI的抽稀策略進行優化，最終實現電子地圖中POI的優化顯示。

2.1 POI初步分類排序

由于POI數據量大，原始數據在小比例尺下顯示易出現分布密集、信息壓蓋等問題，導致用戶無法辨識，影響使用，因此，需要對電子地圖中POI數據在不同比例尺下進行合理抽稀。

目前，數據廠家生產的POI數據一般以《GB/T 20267—2006車載導航電子地圖產品規范》為依據進行類別劃分，該分類結果具有普適性。然而，由于行業應用需要，不同行業用戶對電子地圖關注內容不同，如電力用戶對供電局、變電站、配電房等電力設施的興趣點尤其關注。因此，需要根據用戶需求，對分類結果按用戶關注度進行合并或細分，生成要素子類，實現類別優化，如電力行業用戶對餐飲要素關注度較低，故可將各餐飲要素子類(“西餐館”、“中餐館”、“快餐”等)合并為“餐飲”一個大類；電力用戶對居民區要素和電力設施關注度較高，故需將居民區要素進行細分，生成要素子類，如細分為“居民小區”、“自然村”、 “居民區附屬設施”等多個要素子類，將電力設施要素細分為“供電局”、“變電站”、“配電房”等要素子類。

為使POI在不同比例尺下抽稀更加合理，需對類別優化后的POI數據按要素類別進行重要度等級排序，排序結果見表1中“POI重要度”列，其重要度數值越大，POI重要度等級越低，小比例尺顯示時將越優先考慮剔除，POI分類分級流程見圖1。

圖1 POI分類分級流程

2.2 地物要素特征分析

在POI抽稀中，通常將要素類別作為POI重要度等級排序的唯一依據，根據排序結果制定不同比例尺下要素取舍規則，實現POI數據的抽稀。然而，該方法會造成在某比例尺下部分要素子類POI數據的整體剔除。為避免此問題，本文通過地物要素特征分析進行POI重要度等級排序優化。

地物要素特征分析以地物(如居民地、河流、道路等)的面積或長度特征為度量尺度，對地物重要度等級排序，再根據地物與POI之間的關聯，在POI類別優化成果基礎上，調整POI的重要度等級排序結果，實現POI抽稀結果的優化。

與POI數據存在關聯的地物要素主要為面狀要素，如面狀房屋、面狀河流等。不同的要素根據特征選擇不同的度量尺度，如居民地、綠地、湖泊等地物以面積為尺度，橋梁以橋面長度為尺度，度量結果即地物要素重要度等級，用數值表示，數值越小，表示重要程度越高。面積度量中以面積大小為尺度，如某類別地物中面積排名前10%的地物，重要度等級為1，面積排名位于10%到30%的地物，重要度等級為2，面積排名位于30%到50%的地物，重要度等級為3，其余地物要素，重要度等級為4。長度度量中以地物實際長度范圍為尺度，如長度大于1 km，重要度等級為1，長度在500～1 000 m，重要度等級為2，長度在100～500 m，重要度等級為3，其他長度范圍，重要度等級為4。重要度等級劃分級別根據用戶需求和電子地圖顯示比例尺的數量而定，例如可以從1連續劃分到任意數值，重要度等級劃分級別越多，電子地圖在不同比例尺下抽稀結果的漸變性會越好。本文將地物重要度劃分為4個等級，等級為4表示該地物重要程度最低。

地物要素重要度確定后，根據地物要素與POI的關聯關系，建立地物要素重要度等級和POI重要度等級映射表，如表1所示。在表格1中，依據地物要素重要度等級，POI重要度值X被二次細分為(X，Y)，實現要素子類內部POI重要度等級排序結果的優化見表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，根據用戶的行業需求，制定不同的POI抽稀方案。以表格1中POI重要度等級(X，Y)為例，對示例制定約1∶5 000(實際比例尺為1∶4 514，下同)和約1∶10 000(實際比例尺為1∶9 028，下同)兩個比例尺下POI的抽稀策略，如圖2所示。

由圖2抽稀策略示例可知，在用戶需要的某些比例尺范圍內， 如本文示例比例尺約1∶5 000和約1∶10 000，POI點的抽稀更加精細，可實現在同類別要素內部進行取舍，而不是簡單地在要素類別間取舍。在比例尺逐級變小時，同一類別的POI點中重要地物的POI信息會也可被優先保留，實現該類別POI數據的逐級平滑過渡，不會因為比例尺的變化，造成該類POI要素整體舍棄。

圖2 多比例尺POI抽稀策略示例

3 實驗驗證與分析

因地物要素中“居民地”要素數據量較大、POI分類抽稀復雜，本文以“居民地”要素為例，利用廣州市天河區部分區域1∶2 000電子地圖為數據源，行業用戶角色設定為電力行業用戶進行試驗，采用電力行業專題地圖比例尺(約1∶5 000和約1∶10 000)進行試驗對比分析。表2是POI部分數據的重要度等級優化結果示例，主要展示了圖3～圖6中紅色虛框內對應的原始數據重要度等級優化結果。

圖3是約1∶5 000比例尺下，根據POI的重要度等級排序結果進行POI抽稀的結果示例。首先根據電力行業用戶需求，電力設施的重要度等級被提高，供電局、供電所在抽稀中被優先保留；考慮地物面積特征，大型居民區、商業大廈等用電量較高地物的POI信息被優先保留。其他要素根據要素分類及建筑物面積綜合結果進行取舍。從抽稀結果中可見，POI數據涵蓋多個要素類別，同一類別中重要度較低的要素被優先剔除。圖4是約1∶5 000比例尺下，利用制圖軟件對原始POI數據自動抽稀的結果。圖4中存在大量的重要程度較低的數據，且由于POI數據保留具有隨機性，用戶關注的信息存在丟失現象， 如“廣州市越秀供電局”被剔除，而圖3中則被保留。

表2 POI重要度等級優化結果示例

圖3 顧及地物要素特征抽稀結果(約1∶5 000)

圖4 制圖軟件自動抽稀結果(約1∶5 000)

圖5 顧及地物要素特征抽稀結果(約1∶10 000)

圖6 制圖軟件自動抽稀結果(約1∶10 000)

圖5是約1∶10 000比例尺下，根據POI的重要度等級排序結果進行POI抽稀的結果。圖6是約1∶10 000比例尺下，利用制圖軟件對原始POI數據自動抽稀的結果。從圖5和圖6結果比較可知，顧及地物要素特征的抽稀結果中，電力設施由于用戶需求因素在各比例尺下都被優先保留，其他類別要素重要度高的POI點被保留。而采用制圖軟件實現POI自動抽稀的結果，僅能保證POI點彼此不互相壓蓋，在多比例尺逐級變化時(如圖4和圖6所示)無法體現POI點的層次關系及重要性等級。

試驗表明，本文采用的POI分類抽稀方法結果更符合行業用戶的應用需求，用戶關注的信息將會被優先保留，同時，在不同比例尺下POI抽稀結果更能有效體現POI數據隨比例尺遞變的層次關系。

4 結束語

本文通過分析POI可視化表達的影響因子，在POI初步分類成果的基礎上，提出一種顧及地物要素特征的POI分類抽稀方法，并以“居民地”要素為例，進行試驗論證。試驗表明，該方法可以有效提高POI在不同比例尺下抽稀結果的合理性。本文以獨立地物的面積或長度為衡量標準，進行地物要素特征分析，對于POI與建筑物之間存在的一對多的情況仍有待后續研究。