地图综合图卷积神经网络点群简化方法

P208; 地图综合是一个多因素影响的复杂决策过程,针对不同场景判断下的综合算子优化选择常规上通过基于规则的方法实施.顾及不同特殊条件影响,这些地图综合规则需要"打补丁",导致地图综合规则体系越来越复杂,从而失去普适性.人工智能技术下的数据驱动综合方案通过机器学习提取典型案例中隐含的综合规则,并迁移到新的数据场景,为处理特殊规则下的地图综合提供了一种思路.本文引入深度学习技术,采用领域知识与数据驱动相结合的策略,提出了 一种基于图卷积神经网络的点群自动综合方法.本文方法通过样本训练与深度学习获取不同数据场景下的地图综合知识,同时融入既有规则进行引导,可以更有效地向人工地图综...

Full description

Saved in:
Bibliographic Details
Published in测绘学报 Vol. 53; no. 1; pp. 158 - 172
Main Authors 肖天元, 艾廷华, 余华飞, 杨敏, 刘鹏程
Format Journal Article
LanguageChinese
Published 地理信息系统教育部重点实验室,湖北武汉 430079%华中师范大学城市与环境科学学院,湖北武汉 430079 2024
武汉大学资源与环境科学学院,湖北武汉 430079
Subjects
数据驱动
地图综合
map generalization
point cluster
GCN
点群
data-driven
Delaunay triangulation
图卷积神经网络
Delaunay三角网
Online AccessGet full text

Cover

More Information
Summary:P208; 地图综合是一个多因素影响的复杂决策过程,针对不同场景判断下的综合算子优化选择常规上通过基于规则的方法实施.顾及不同特殊条件影响,这些地图综合规则需要"打补丁",导致地图综合规则体系越来越复杂,从而失去普适性.人工智能技术下的数据驱动综合方案通过机器学习提取典型案例中隐含的综合规则,并迁移到新的数据场景,为处理特殊规则下的地图综合提供了一种思路.本文引入深度学习技术,采用领域知识与数据驱动相结合的策略,提出了 一种基于图卷积神经网络的点群自动综合方法.本文方法通过样本训练与深度学习获取不同数据场景下的地图综合知识,同时融入既有规则进行引导,可以更有效地向人工地图综合结果的目标迈进.首先,构建Delaunay三角网,在点群之间建立空间邻域关系,并根据地理空间上下文关联、空间异质性等领域知识计算各个点的特征信息,构造点群的特征向量.其次,引入拓扑自适应图卷积神经网络,构建点群数据自动综合网络模型.试验表明本文方法在局部区域与整体地图上均可以保持原始点群的各项特征,体现在相对数量保持、上下文特征继承、属性特征一致方面均有良好的表达效果.
ISSN:1001-1595
DOI:10.11947/j.AGCS.2024.20220584