地圖上街區要素圖形綜合模式前瞻性探索

項 文

(廣東繪宇智能勘測科技有限公司 廣東 珠海 519000)

0 引言

當前,各領域最深刻的變化莫過于人工智能和大數據技術的應用,以及工作效率的極大提升。新技術的涌現改變了人類的生活方式和工作方式。各個領域在其發展過程中,積累了海量的數據,以往這些數據發揮的作用是有限的,隨著人工智能技術的飛速進步,為從這些寶貴的數據中挖掘有價值的信息提供了契機,許多以往難以解決的技術難題將有望解決。

地圖圖形的綜合是制作地圖和空間數據處理的重要環節,通過地圖圖形的變換,有效地解決了地圖上的圖形和實地地貌面積大小的矛盾沖突。過去的半個多世紀,數學領域、幾何和拓撲學、圖形圖像技術、物理學、模式識別等領域的方法和技術,不斷為地圖圖形綜合注入新的動力,地圖綜合的自動化水平不斷提升。但是,地圖圖形處理是該領域學者公認的世界性難題,許多關鍵難點問題仍然存在,其解決需要新技術提供契機。人工智能和大數據技術的結合,已經在其他領域顯現了其巨大的優勢和活力,這是科學問題研究的最新趨勢?；谝陨险J識,提出了人工智能和大數據相結合的地圖街區要素圖形綜合難點的解決方案和模式。

1 人工智能和大數據應用于地圖綜合領域的研究現狀

人工智能技術和大數據技術是當前各個領域的研究熱點,地圖圖形綜合領域也順應這種趨勢,眾多研究者把解決該領域技術難點的視線轉向這兩個領域,取得了大量理論成果。維普和知網檢索人工智能和大數據為關鍵詞的中文文獻共5 689篇,同時包括人工智能、大數據和地圖綜合三個關鍵詞的中文文獻共2 123篇。維普和知網檢索Artificial Intelligence和big data 為關鍵詞的外文文獻共2 453篇,同時包括Artificial Intelligence、big data 和map generalization 3個關鍵詞的外文文獻共786篇。其中代表性文獻有：武芳,杜佳威研究了地圖綜合智能化的發展與思考。分析了傳統機器學習與深度學習為基礎的智能地圖綜合現狀,提出了地圖綜合智能化研究的主要方法,圍繞地圖綜合智能化研究中的幾個熱點問題,探討了智能地圖綜合的發展趨勢;艾廷華研究了深度學習在地圖制圖中的應用。從地圖學獨特的學科特點和技術環境分析了兩者結合面臨的挑戰,涉及地圖數據組織的非規范性、樣本建立的專業需求、幾何與地理特征的融合,以及地圖固有的空間尺度性。討論了地圖制作與地圖應用融入深度學習的切入點和具體方法;何文娜、朱長青研究了智能地質體綜合技術在地質圖縮編中的應用。提出了一套新的地質體智能化綜合方法,實現了地質體智能綜合處理模塊,采用自動或人機交互式并行的工作模式,通過“一鍵式”操作可快速完成地質體綜合任務;溫婉麗研究了基于知識的居民地地圖自動綜合。結合地理信息系統(geographic information system,GIS)環境下地圖綜合的特點,將綜合居民地要素的知識進行規則化、形式化表示,提出將基于知識和基于模糊評判數學模型的兩種綜合方法結合,建立了居民地要素的有向圖和居民地選取中的“重要性”程度評價模型;焦洋洋、劉平芝等研究了面向居民地要素智能化綜合的樣本庫構建。依據地圖數據組織特點和制圖綜合過程決策需求,提出了區分特征型案例和變換型案例的樣本數據組織體系以及相關的數據結構設計,基于通用GIS平臺設計了樣本數據采集與管理系統;謝麗敏、錢海忠等研究了基于案例推理的居民地選取方法。采用案例推理方法,結合KNN算法(一種監督學習算法，K-nearest neighbors),訓練案例庫確定KNN算法的最佳K值,將新案例與源案例庫檢索匹配,得出最佳決策結果,進而指導待決策居民地的自動選取;杜清運、任福等研究了大數據時代綜合性城市地圖集設計。提出大數據時代數據要素和信息通信技術變革給綜合性城市地圖集的設計帶來一系列新挑戰,探討城市地圖集設計亟須適應時代特征,從科學、技術、設計、文化、媒體和產業6個維度尋求創新突破;艾廷華研究了大數據驅動下的地圖學發展。研究提出,空間大數據的新技術特征將推動地圖綜合、地圖可視化與地圖投影的新發展。同時,在大數據驅動下,地圖應用可拓寬到非空間數據的表達中,對泛在網絡空間的網絡行為、集合空間的語義信息可視化表達,產生賽博地圖、隱喻地圖等新的地圖形式。

2 地圖街區要素圖形綜合的本質及難點

街區要素是城市地圖普遍存在的一類重要的要素,街區的外圍是道路,內部是縱橫交錯的街道。街區從形狀上區分有格網狀的街區、輻射狀的街區和不規則狀的街區。街區有連片的建筑物或獨立的建筑物組成。在大比例尺地圖縮編為小比例尺地圖,或者大比例尺空間數據轉化為小比例尺空間數據時,街區要素圖形會相應進行化簡、合并、概括、位移等多種操作。涉及圖形的識別,空間關系的處理,不同的技術人員處理的結果也有所不同。

這些問題是地圖圖形綜合領域的關鍵難點問題,通常被該領域學界公認為是世界性難題。在地圖綜合領域眾多學者的持續努力下,街區要素圖形綜合已經經歷了主觀化到客觀化的進步。技術方法上,經歷了定量化、模型化、算法化等一系列的進展,系統化的綜合和協同化的綜合技術已有很大提升。很多先進的圖形處理技術已經成功地移植到了街區要素圖形綜合當中,例如，神經網絡、圖論、案例學習、遺傳算法、數學形態學、決策樹等,成功地解決了很多圖形合并、位移、概括、化簡等難點問題。但是,由于街區要素問題本身非常復雜,很難在地圖上找出兩塊完全相同的街區,街區的形態千變萬化,比起人臉識別、車牌識別這些領域的圖形處理,特征比較明顯,易于提取,而街區圖形的復雜性,決定了街區要素圖形綜合的極端復雜性。目前,要實現真正的街區要素的自動綜合和智能化綜合,還有很長的距離。

街區要素的圖形處理中,制圖員要對圖形要素進行取舍、圖形進行概括,還要處理街區與其他要素的關系,整個處理過程中,要靠決策和判斷,其實質是制圖人員對街區圖形信息的加工,人腦的思維在整個過程中發揮著關鍵的作用。目前,街區要素圖形處理的很多常規性的問題已經能夠程序化、算法化處理。但是,很多問題靠常規的算法無法解決,尤其街區圖形要素的識別、形狀的化簡、形狀的概括等,需要更智能化的技術支撐去完成。

從研究現狀可知,人工智能和大數據已經成功地解決了許多領域以往難以解決的問題。這兩種技術的結合,已成為當下和未來各個領域研究問題的最新范式。自然語言處理中,依賴語法和規則解決問題,陷入了瓶頸,而大數據和人工智能技術的運用,極大地提高了該領域的技術水平。解決問題的實質是概率統計模型,這也是人工智能和大數據的核心技術。隨著人工智能技術和大數據技術的飛速發展,給地圖上的街區要素圖形處理的難點問題解決帶來了希望和可以借鑒的思路。

3 地圖上街區要素圖形綜合模式探索

未來地圖上街區要素圖形綜合將在人工智能技術和大數據的支撐下發生深刻的變化,借鑒其他領域的難點問題解決模式,提出了人工智能技術和大數據的支撐下地圖街區要素圖形綜合模式。即利用大量的街區要素綜合的成果大數據作為研究基礎,運用先進的人工智能技術,從街區大數據中學習特征和規律,提取領域知識,從而解決街區圖形綜合的關鍵難點問題,如圖1所示。

圖1 基于人工智能和大數據技術的街區要素圖形綜合模式

街區要素圖形綜合最為常見的操作是合并、化簡和概括,其中概括可以認為也是化簡操作中的一種,街區圖形概括的目的是在大比例尺地圖縮編為小比例尺地圖時,將街區圖形概括為簡單的形狀,因此,本文以合并和化簡這兩類最為常見的操作為例,設計在人工智能技術和大數據支持下的綜合模式。

3.1 基于人工智能和大數據技術的街區要素圖形化簡模式

街區圖形化簡的原則是化簡前后的圖形相似性,不同的操作人員會有不同的化簡結果。但是,概率統計能夠很好地解決這個問題。研究街區要素圖形化簡時,從街區圖形大數據中,統計相似區域的現有圖形化簡結果,對其化簡模式進行分類統計,建立街區圖形化簡的模型庫,利用人工智能技術特有的優異的特征學習能力,結合基于內容的檢索技術,檢索出待化簡的街區圖形與模型庫中相似的街區,提取模型庫中的化簡結果圖形,進行放大和調整位置,最終得到優化的街區圖形化簡結果。通俗地說,就是選取模型庫中,大多數操作人員采用的化簡結果作為待化簡街區圖形的化簡結果,如圖2所示,類似于自然語言處理中的概率統計原理。

圖2 基于人工智能和大數據技術的街區要素圖形化簡模式

3.2 基于人工智能和大數據技術的街區要素圖形合并模式

大比例尺地圖縮編為小比例尺地圖時,臨近的獨立的建筑物會合并為街區,臨近的小街區會合并為較大的街區。與街區圖形化簡類似,不同的操作人員會采用不同的合并方式,街區合并的結果并不一樣。研究街區圖形合并時,從現有大量的街區圖形合并成果庫中,檢索與合并街區合并任務相似的區域,同一塊街區,不同的制圖者合并的結果不相同,采用概率高的合并結果作為待合并街區的圖形合并結果，如圖3所示。

圖3 基于人工智能和大數據技術的街區要素圖形合并模式

4 結束語

以往的街區圖形綜合中,積累了大量的街區圖形綜合成果,這是實現街區圖形綜合智能化的關鍵基礎,有效利用現有大量的街區圖形綜合成果,通過新興的人工智能技術,歸納模式,學習知識,提取規律,從而解決街區圖形綜合中的核心難點問題,這是街區圖形綜合發展的新興模式,也是必然趨勢。針對地圖上街區要素圖形綜合存在的識別、化簡和合并的難點問題,結合人工智能和大數據技術分別設計了模型和流程,這些模型對于克服復雜街區圖形合并和化簡時的主觀性問題,提高科學性和準確性,具有一定借鑒意義。由于地圖圖形綜合問題本身的復雜性,采用人工智能和大數據技術結合的街區要素圖形綜合模式,要實現真正的街區圖形綜合的自動化、智能化,還有很多關鍵技術問題需要努力去解決。