搜索
基于知识的居民地自动选取的研究摘要：随着信息化社会的发展，传统的地图生产方式向着数字化、自动化和智能化的方向转变。在这个转变过程中，地图综合作为数字地图生产和地理信息系统中不可回避的问题，显得尤为重要。地图综合分为选取和概括。本文只对地图综合中居民地的选取进行研究。研究中作者在充分考虑了影响地图综合要素的基础上，将地图综合选取中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(树)和居民地选取中的“重要性”程度评价模型;在模糊评判模型中设定了四个评判因素，包括居民地的行政意义、人口数、位置特征和离散度，并针对模型中参数的确定建立了居民地所在地的行政等级指标、人口数等级指标、位置特征复杂度的分级指标和居民地离散度等级的划分。关键词：地图自动综合;选取;知识表示;居民地;模糊评判数学模型AResearchofHabitationAutomatedSelectionbyKnowledgeCaiZhanling2012282050177(CollegeofResourceandEnvironmentScience,WuhanUniversity,Wuhan430079,China)Abstract：Withthedevelopmentofinformationsociety,thetraditionalmapproductionmodemovesinthedirectionofdigitization,automationandintelligentialization.Inthisprocess,mapgeneralizationcan’tbeavoidedinmapproductionandGIS.Automatedmapgeneralizationincludesselectionandsummarization.Thispaperonlystudytheselection.Inthestudy,theauthorexpressthehabitationknowledgeinregularizationandformalizationaftertakingtheessentialfactorsofmapgeneralizationintofullconsideration.Then,thecombinationofknowledgeandfaintnessjudgmentisputforward.Inthemethod,theorientatetreeandtheevaluatemodelofimportantdegreeisfound.Inthemodel,fourjudgefatorsareset,includingadministrationsignificance,population,positioncharacteranddispersion,andthenthegradeguidelineforeveryfactorisfound.Keywords：AutomatedMapGeneralization;Selection;KnowledgeRepresentation;Habitation;faintnessjudgmentmodel0引言近年来，随着地理信息系统由纯科研项目应用向部门化、网络化的大型运行系统发展，“一库存储”与“多种用途”之间的矛盾显得越来越突出。在学术界，“多比例尺GIS”或“多分辨率GIS”更是数次国际和国内GIS讨论会、空间论坛的热门话题。在这种形势下，制图综合不再仅仅是归属于地图学领域的课题，而是GIS领域内迫切需求、不可回避的重要的数据变换操作[1]。地图制图综合与思维科学和人体科学有密切联系，而这都是人工智能研究的重点学科，地图自动综合迫切需要利用人工智能技术来解决一些难题，比如自动综合的决策、知识推理和过程控制等。地图自动综合智能化是实现自动综合的最有前景的方向，不解决空间认知和知识推理决策等问题，也就不可能实现真正意义上的自动综合软件，而只能是开发一些辅助数字制图的编图工具而已[2]。在地图上居民地是非常重要的要素，制图综合又首先要进行选取，所以本文就地图综合中居民地的自动选取进行研究。1居民地选取的内容1.1居民地组成和结构居民地作为人类生产、活动的定居场所，它是由一些必要的成分所构成。对于城镇而言，它是由建筑物、道路网、绿地和空地所组成。建筑群包括住宅建筑、公共建筑与生产建筑，通常住宅建筑是它的主要组成部分，它通常占整个居民地面积的很大部分。并且房屋基本上是成行列式或周边式排列，形式较严整。公共建筑按其性质大致包括行政管理机构、商业和服务业机构的建筑群，一般结合着公路、广场、绿化带配置。对于乡村而言，主要有房屋建筑、空地和绿地组成，大的居民地还可能包括街道，其中房屋建筑是它的主要组成部分，它通常占居民地面积的一半以上，它的排列一般比较有规律。1.2居民地分类根据测制国家基本比例尺地形图的现行图式和规范以及居民地的建筑形式和分布状况将居民地分为街区式居民地、散列式居民地、窑洞式居民地以及其它类型居民地等四类[5]。街区式居民地根据房屋建筑分布的疏密程度还可分为房屋密集街区式居民地和房屋稀疏街区式居民地。密集街区式居民地的特点是房屋毗连成片或间距较小，有明显的主次街道和外部轮廓，由街道或河渠将居民地分割为大小不等的房屋密集街区。房屋稀疏街区式居民地的特点是房屋一般不毗连，且间距较大，其间有空地或植被，各户之间一般有围墙或篱笆相隔，有明显的主次街道和外部轮廓，与密集街区式居民地相比仅是稀疏程度不同。散列式居民地的特点是房屋依天然地势沿山坡、河渠、堤岸构筑。房屋之间不相毗连，有的均匀分布，有的三五成团，有的整齐排列，有的零散分布，没有明显的街道和外轮廓，相邻居民地之间也无明显界限。窑洞式居民地是我国黄土覆盖地区农村的主要居住建筑形式之一，分布在河南、陕西、山西和甘肃省，近几年随着农村生活水平的提高，不少农民弃洞建房，窑洞有明显减少的趋势。其它类型的居民地一般包括蒙古包、帐篷和棚房，这类居民地一般不固定。本文中主要研究城镇街区式居民地的综合选取。2目前居民地自动选取的方法目前，居民地的选取主要有以下几种方法：基于遗传算法的选取方法；基于Circle原理的选取方法；基于Kohonen网络的选取方法；基于Voronoi图的选取方法；基于神经元网络模型的选取方法等[6]。在居民地的选取问题中，主要有两个相关方面：定额选取(总体)模型和结构(定位)选取模型。2.1定额选取模型在定额选取模型中主要有方根模型和回归模型。2.1.1方根模型方根模型是由前东德地图学家ETopfer提出的。他探讨新编图与资料图上某类制图物体的数量规律。ETopfer经过长期研究提出了方根模型的简化公式:式中nA为资料图上的地物数,nF为新编地图上相应范围内应选取的地物数,MA为资料图上的比例尺分母;MF为新编图的比例尺分母,X为模型参数。方根模型计算简单，但有两个明显的缺点，一是模型参数X的选择不够严密，而且模型未顾及到地理景观差异，尤其是物体密度的变化。因此，它的使用范围受到一定的限制，主要用于某些集群符号的选取，如记号房屋群、街网等等。2.1.2回归模型回归模型是重要的定额选取模型，模型建立尤其是模型参数的解算方法比较严密，使用效果较好。目前研究定额选取的模型概括起来有一元回归模型和二元回归模型。由于回归模型是用统计方法建立的，所依据的资料是各个时间不同单位己出版的地形图，而且赖以进行统计的样本总有一定的局限性;同时模型的建立都是单要素的。因此，由此而建立的回归模型受资料和地区的限制，相对不断发展的制图技术特别是表示方法来说，这种模型对现实和今后预测的科学可靠性及对不同地区的广泛适应性就受到了一定的影响。2.2结构选取模型结构选取模型的方法较多，如地物等级编码法、等比数列法、综合评判模型、模糊综合评判模型、图论模型等。在居民地选取的研究方面，王家耀用模糊综合评判方法对居民地的“重要性”等级进行了评价，并建立了相关的结构选取的数学模型。此法的优点是对自动综合中居民地的选取问题进行了定量描述，不足的是在数学模型的参数确定中带有模糊性。2.3目前居民地自动选取方法研究小结从居民地的定额选取模型和结构选取模型的现有成果中可以看出，数学模型研究的方法较好的保持了居民地选取前后的数量特征、语义特征和结构特征。因此可以说基于数学模型的研究方法可行，但前提是要在适应性方面作改进。本文就是在基于数学模型研究的基础上提出基于知识的研究方法，将两者进行有机的结合，建立了居民地空间知识的规则库和居民地选取的推理框架体系，形成基于知识的居民地选取模型。3基于知识的居民地选取模型的建立3.1“知识规则”的确定[4]居民地自动综合中，居民地选取规则采用产生式的方法表示，来推动居民地选取推理过程的进行和对其选取过程的控制。为使居民地选取的结果尽量科学、合理、有效，本文认为居民地选取“知识规则”应该包括以下几个方面的内容：(1)符合地图编绘规范。规则中的选取尺度和指标等要符合地图编绘规范的要求，选取尺度和指标的确定不能过于机械、呆板，因为制图人员在编绘过程中会根据不同的情况对数量指标有所微调，再就是地图综合要受到制图区域的特点、制图者、综合方法的限制，所以设置综合参数微调库来解决这个问题。(2)需要考虑居民地所在位置的重要性等级。本文根据制图规范以及在实际作业中所要考虑到的情况，对居民地的重要性等级进行了量化，其形式化规则因素主要有行政等级，人口，位置特征，离散度[5]，具体量化表为表1-4.表1居民地行政等级选取指标Tab.1HabitationAdministrativelevelselectionindex表2居民地人口数等级选取指标Tab.2Habitationpopulationlevelselectionindex表3居民地特殊位置选取指标Tab.3Habitationspecialpositionselectionindex表4居民地离散度选取指标Tab.4Habitationdispersionselectionindex3.2居民地综合的有向图(树)的建立居民地综合的有向图(树)的建立如图1所示：图1居民地综合有向图(树)Fig1.Habitationautomatedgeneralizationdisgraph3.3模糊评判模型的建立3.3.1确定评价居民地重要性的因素和评语论域影响居民地“重要性”程度的因素很多，从我国居民地的情况和制图实际出发，考虑了通常要估计到的四个因素，建立因素集如下:U={u1(行政意义)，u2人口数)，u3(位置特征)，u4(间隔)}评论域V={重要(v1)，一般(v2)，次要(v3)}3.3.2隶属度函数的确定包括居民地行政意义的隶属函数，居民地人口数的隶属函数，居民地位置特征的隶属函数，居民地离散程度的隶属函数。隶属函数的确定对模糊综合评判结果有重要影响，模糊子集完全由其隶属度函数来刻画。隶属函数可以通过统计实验、二元对比排序、三分法即推理等方法确定，而且可以在实践中检验和调整。一般情况下，居民地人口数的隶属函数选择“半升F一分布”函数，居民地人口数的隶属函数选择“半升梯形分布”函数，居民地位置特征的隶属函数选择“半正态分布”函数，居民地离散程度的隶属函数选择“降半柯西分布”函数。3.3.3居民地面积计算在地籍测量中，计算宗地面积的方法有解析法，图面量测法和几何图形计算法等，而通常采用解析法来准确计算其宗地面积，即采用界址点的实测坐标计算宗地面积。考虑到比例尺的关系，在评判中不设置面积因素，只有在等级相同的条件下采用面积因素对两个或者更多的居民点进行比较。4结论本文将基于模型和基于知识的两种综合方法进行了有机结合，建立了基于知识的居民地要素的有向图(树)和基于数学模型模糊评判的居民地“重要性”程度评价模型，对模型中的参数进行了规则化、形式化的表示和确定。因此该方法能够比较准确的进行居民地的自动选取。基于知识的智