CN114461841B - 一种土地利用数据自动缩编方法 - Google Patents
一种土地利用数据自动缩编方法 Download PDFInfo
- Publication number
- CN114461841B CN114461841B CN202210386646.2A CN202210386646A CN114461841B CN 114461841 B CN114461841 B CN 114461841B CN 202210386646 A CN202210386646 A CN 202210386646A CN 114461841 B CN114461841 B CN 114461841B
- Authority
- CN
- China
- Prior art keywords
- layer
- map
- water system
- data
- initial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000008602 contraction Effects 0.000 title claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 118
- 238000012952 Resampling Methods 0.000 claims abstract description 6
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 4
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 238000005452 bending Methods 0.000 claims description 36
- 238000013507 mapping Methods 0.000 claims description 29
- 230000004927 fusion Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 8
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 238000013467 fragmentation Methods 0.000 abstract description 2
- 238000006062 fragmentation reaction Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及地图缩编技术领域,特别是涉及一种土地利用数据自动缩编方法,首先在原始数据提取房屋建筑区和水系做独立缩编,再基于栅格模式通过重采样和重分类进行尺度变换,然后再进行图斑碎片化处理,最后基于矢量数据结构通过空间邻接关系和语义临近关系进行数据缩编综合得到缩编结果,本发明既能显著降低数据计算量和提高地图缩编效率,又能顾及地类图斑的语义信息,并保持图斑的地区地理特征和要素关系正确,满足高质量土地利用图编制要求。
Description
技术领域
本发明涉及地图缩编技术领域,特别是涉及一种土地利用数据自动缩编方法。
背景技术
土地利用图是表达土地资源的利用现状、地域差异和分类的专题地图。地图编制时,需要根据不同纸张开本、不同行政区域将大比例尺的土地利用数据缩编成不同的小比例尺数据,由于土地利用数据具有无重叠、无缝隙、全覆盖和数量大的特点,实现高质量的自动化缩编对工艺设计、算法设计、策略设计和设备环境均提出很大挑战。目前,针对土地利数据的自动缩编方法最常用的方法是基于空间临近和语义临近关系,计算邻近度模型,建立综合知识规则,开发图斑合并和图形弯曲化简等工具集提高缩编自动化,类似方案在面对海量图斑(10万以上)综合时非常依赖平台架构和硬件环境,实际作业时通常要等待数天才能得到处理结果,且处理过程极易出现内存溢出和系统卡死现象,数据范围较大时需要先进行物理分区分块,再进行复杂的数据接边缝补,处理过程与参数设置都十分复杂,这个过程依然需要大量的人工参与,严重影响作业效率。其他自动缩编方法,例如基于栅格计算实现地类图斑的自动融合与聚合实现自动综合缩编,该方法较少考虑要素的几何形态和分布特征,更无法顾及图斑等级和从属关系等语义信息,地理特征保持较差,并且对狭长图斑等特殊图斑的综合不合理,导致综合后图斑边界生硬,效果不佳,难以直接应用于土地利用图制作。
发明内容
有鉴于此,本发明提供了一种土地利用数据自动缩编方法,能有效地降低数据计算量和提高地图缩编效率,又能顾及地类图斑的语义信息,保持图斑的地区地理特征和要素关系正确。
为实现上述目的,本发明提供了如下方案:
一种土地利用数据自动缩编方法,包括:
基于制图范围和纸张大小确定目标比例尺,基于制图区域特点和原始土地利用地类图斑分布情况确定缩编参数;
对原始地类图斑图层中的房屋建筑区进行提取,得到初始房屋建筑区图层;基于所述缩编参数和所述初始房屋建筑区图层得到缩编房屋建筑区图层;
对所述原始地类图斑图层中的水系数据进行提取,得到初始水系图层,基于所述缩编参数和所述初始水系图层得到缩编水系图层;
基于所述目标比例尺将所述原始土地利用地类图斑图层由矢量图形结构缩编映射为栅格图像结构,得到缩编栅格数据;将所述缩编栅格数据转换为矢量图形结构,得到缩编地类图斑图层;
基于所述缩编参数、所述缩编房屋建筑区图层、所述缩编水系图层和所述缩编地类图斑图层得到缩编图层。
优选地,所述缩编参数包括最小空洞指标、最小房屋面积指标、群点选取指标、弯曲化简指标、河流分级指标、最小级别指标、最小宽度指标、最小水系面积指标、最小栅格面积指标、狭长指标和最小上图面积指标。
优选地,所述对原始地类图斑图层中的房屋建筑区进行提取,得到初始房屋建筑区图层;基于所述缩编参数和所述初始房屋建筑区图层得到缩编房屋建筑区图层,包括:
对所述原始地类图斑图层中的房屋建筑区进行提取,得到所述初始房屋建筑区图层;
对所述初始房屋建筑区图层进行多边形延伸,并与房屋建筑区德洛内三角网进行求交,得到初始临近房屋聚集合并图层;
遍历所述初始临近房屋聚集合并图层,将小于所述最小空洞指标的空洞进行剔除,得到筛选临近房屋聚集合并图层;
遍历所述筛选临近房屋聚集合并图层,将小于所述最小房屋面积指标的房屋建筑区数据作为点状数据集;
将所述点状数据集进行降维转化,得到房屋点群数据,并基于所述房屋点群数据构建泰森多边形图;
对所述泰森多边形图进行重复抽样,直至剩余群点数量等于所述群点选取指标,得到缩编点状房屋图层;
遍历所述筛选临近房屋聚集合并图层,将大于或等于所述最小房屋面积指标的房屋建筑区数据作为面状数据集;
基于所述弯曲化简指标对所述面状数据集进行弯曲化简指,得到缩编面状房屋图层;所述缩编房屋建筑区图层包括所述缩编点状房屋图层和所述缩编面状房屋图层。
优选地,所述对所述原始地类图斑图层中的水系数据进行提取,得到初始水系图层,基于所述缩编参数和所述初始水系图层得到缩编水系图层,包括:
对所述原始地类图斑图层中的水系数据进行提取,得到所述初始水系图层;
对所述初始水系图层中的面状水系数据依次进行加密拓扑点、构建水系德洛内三角网和生成水系中轴线,得到初始线状水系图层;
对所述初始线状水系图层进行拓扑修正,并基于河网连接关系构建有向连通图;
基于所述有向连通图的特性和所述河流分级指标得到线状水系分级数据;
遍历所述线状水系分级数据,将小于所述最小级别指标和所述最小水系面积指标的线状水系进行剔除,得到初始缩编线状水系图层;
遍历所述初始水系图层,将小于所述最小水系面积指标的湖泊进行剔除,并将小于所述最小宽度指标的面状河流进行剔除,得到初始缩编面状水系图层;
基于所述弯曲化简指标对所述初始缩编线状水系图层进行弯曲化简,得到缩编线状水系图层;基于所述弯曲化简指标对所述初始缩编面状水系图层进行弯曲化简,得到缩编面状水系图层;所述缩编水系图层包括所述缩编线状水系图层和所述缩编面状水系图层。
优选地,所述基于所述目标比例尺将所述原始土地利用地类图斑图层由矢量图形结构缩编映射为栅格图像结构,得到缩编栅格数据;将所述缩编栅格数据转换为矢量图形结构,得到缩编地类图斑图层,包括:
基于所述目标比例尺得到映射规则,基于所述映射规则将所述原始土地利用地类图斑图层的编码缩编映射为栅格像元值,得到所述缩编栅格数据;
基于所述目标比例尺和所述映射规则得到逐级缩编变化表;
基于所述逐级缩编变化表对所述缩编栅格数据进行重采样,得到重采样数据;
对所述重采样数据进行众数滤波,得到滤波数据;
遍历所述滤波数据,将小于所述最小栅格面积指标的栅格图斑合并到相邻大于或等于所述最小栅格指标的栅格图斑中,得到所述缩编栅格数据;
基于所述映射规则将所述缩编栅格数据映射为矢量图形结构,得到初始缩编地类图斑图层;
基于所述目标比例尺得到初始消除图斑面积单元值,基于所述初始消除图斑面积单元值循环将所述初始缩编地类图斑图层中的矢量图斑进行合并,得到所述缩编地类图斑图层。
优选地,所述基于所述缩编参数、所述缩编房屋建筑区图层、所述缩编水系图层和所述缩编地类图斑图层得到缩编图层,包括:
基于所述缩编房屋建筑区图层和所述缩编水系图层对所述缩编地类图斑图层进行擦除,得到擦除图层;
对所述擦除图层打散,得到其他图斑层;
遍历所述其他图斑层,将小于所述狭长指标的道路图斑与邻近图斑进行剖分融合,得到其他融合图斑数据;
遍历所述缩编水系图层,将小于所述狭长指标的面状水系图斑与邻近图斑进行剖分融合,得到融合水系图斑数据;
对所述其他融合图斑数据、所述融合水系图斑数据和所述缩编房屋建筑区图层进行图斑综合,得到综合图斑数据;
遍历所述综合图斑数据,将小于所述最小上图面积指标的图斑与相邻图斑进行融合,得到融合图层;
将所述缩编房屋建筑区图层、所述缩编水系图层和所述融合图层进行合并,得到初始缩编图层;
基于所述弯曲化简指标对所述初始缩编图层进行弯曲化简,得到弯曲化简图层;
基于境界面对所述弯曲化简图层进行剪裁与缝隙补齐,得到所述缩编图层。
优选地,所述对所述泰森多边形图进行重复抽样,直至剩余群点数量等于所述群点选取指标,得到缩编点状房屋图层,具体为:
逐次删除所述泰森多边形图中非锁定的密度最大的点,并将密度最大的点占用的泰森多边形生成空间平均分配给邻近点,将密度最大的点的邻近点进行锁定,直至全部的点被锁定,完成一轮抽样,重复进行若干轮选取,直至剩余群点数量等于所述群点选取指标,得到所述缩编点状房屋图层。
优选地,所述基于所述目标比例尺得到初始消除图斑面积单元值,基于所述初始消除图斑面积单元值循环将所述初始缩编地类图斑图层中的矢量图斑进行合并,得到所述缩编地类图斑图层,具体为:
基于所述目标比例尺得到所述初始消除图斑面积单元值,将面积小于所述初始消除图斑面积单元值与当前循环次数的乘积的矢量图斑合并到相邻边长最大的矢量图斑中,重复进行多次循环合并,得到所述缩编地类图斑图层。
优选地,所述映射规则为:
若MapScale≤150000,则转换像元值为2;
若150000≤MapScale<1000000,则转换像元值为5;
若MapScale≥1000000,则转换像元值为20;
所述映射规则中的MapScale为所述目标比例尺的分母。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明涉及地图缩编技术领域,特别是涉及一种土地利用数据自动缩编方法,首先在原始数据提取房屋建筑区和水系做独立缩编,再基于栅格模式通过重采样和重分类进行尺度变换,然后再进行图斑碎片化处理,最后基于矢量数据结构通过空间邻接关系和语义临近关系进行数据缩编综合得到缩编结果,本发明既能显著降低数据计算量和提高地图缩编效率,又能顾及地类图斑的语义信息,并保持图斑的地区地理特征和要素关系正确,满足高质量土地利用图编制要求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明土地利用数据自动缩编方法流程简图;
图2为本发明土地利用数据自动缩编方法详细流程图;
图3为本发明其他图斑层剖分融合示意图;
图4为原始土地利用图斑;
图5为本发明的方法得到的缩编图斑;
图6为常规矢量缩编方法得到的缩编图斑;
图7为常规栅格缩编方法得到的缩编图斑。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种土地利用数据自动缩编方法,能有效地降低数据计算量和提高地图缩编效率,又能顾及地类图斑的语义信息,保持图斑的地区地理特征和要素关系正确。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明土地利用数据自动缩编方法流程简图,图2为本发明土地利用数据自动缩编方法详细流程图。如图1和图2所示,本发明提供了一种土地利用数据自动缩编方法,包括:
步骤S1,基于制图范围和纸张大小确定目标比例尺,基于制图区域特点和原始土地利用地类图斑分布情况确定缩编参数。
本实施例中,所述缩编参数包括最小空洞指标、最小房屋面积指标、群点选取指标、弯曲化简指标、河流分级指标、最小级别指标、最小宽度指标、最小水系面积指标、最小栅格面积指标、狭长指标和最小上图面积指标。
其中,所述群点选取指标参考开方根定律进行计算得到,具体计算公式为:
步骤S2,对原始地类图斑图层中的房屋建筑区进行提取,得到初始房屋建筑区图层;基于所述缩编参数和所述初始房屋建筑区图层得到缩编房屋建筑区图层。
具体地,所述步骤S2包括:
步骤S21,对所述原始地类图斑图层中的房屋建筑区进行提取,得到所述初始房屋建筑区图层。
步骤S22,对所述初始房屋建筑区图层进行多边形延伸,并与房屋建筑区德洛内三角网进行求交,得到初始临近房屋聚集合并图层。
步骤S23,遍历所述初始临近房屋聚集合并图层,将小于所述最小空洞指标的空洞进行剔除,得到筛选临近房屋聚集合并图层。
步骤S24,遍历所述筛选临近房屋聚集合并图层,将小于所述最小房屋面积指标的房屋建筑区数据作为点状数据集。
步骤S25,将所述点状数据集进行降维转化,得到房屋点群数据,并基于所述房屋点群数据构建泰森多边形图。
步骤S26,对所述泰森多边形图进行重复抽样,直至剩余群点数量等于所述群点选取指标,得到缩编点状房屋图层。具体地,先删除所述泰森多边形图中分布密度最大的点,所述分布密度为该点所对应的泰森多边形的面积的倒数,并将密度最大的点占用的泰森多边形生成空间平均分配给邻近点,将密度最大的点的邻近点进行锁定,然后从没有锁定的点中得到分布密度次大的点,并将密度次大的点占用的泰森多边形生成空间平均分配给邻近点,将密度次大的点的邻近点进行锁定,重复此过程,直至剩余的点都被锁定,完成一轮抽样,重复进行若干轮选取,直至剩余群点数量等于所述群点选取指标,得到所述缩编点状房屋图层。
步骤S27,遍历所述筛选临近房屋聚集合并图层,将大于或等于所述最小房屋面积指标的房屋建筑区数据作为面状数据集。
步骤S28,基于所述弯曲化简指标对所述面状数据集进行弯曲化简指,得到缩编面状房屋图层;所述缩编房屋建筑区图层包括所述缩编点状房屋图层和所述缩编面状房屋图层。
步骤S3,对所述原始地类图斑图层中的水系数据进行提取,得到初始水系图层,基于所述缩编参数和所述初始水系图层得到缩编水系图层。
进一步地,所述步骤S3包括:
步骤S31,对所述原始地类图斑图层中的水系数据进行提取,得到所述初始水系图层。
步骤S32,对所述初始水系图层中的面状水系数据依次进行加密拓扑点、构建水系德洛内三角网和生成水系中轴线,得到初始线状水系图层。
步骤S33,对所述初始线状水系图层进行拓扑修正,并基于河网连接关系构建有向连通图。
步骤S34,基于所述有向连通图的特性和所述河流分级指标得到线状水系分级数据。
步骤S35,遍历所述线状水系分级数据,将小于所述最小级别指标和所述最小水系面积指标的线状水系进行剔除,得到初始缩编线状水系图层。
步骤S36,遍历所述初始水系图层,将小于所述最小水系面积指标的湖泊进行剔除,并将小于所述最小宽度指标的面状河流进行剔除,得到初始缩编面状水系图层。
步骤S37,基于所述弯曲化简指标对所述初始缩编线状水系图层进行弯曲化简,得到缩编线状水系图层;基于所述弯曲化简指标对所述初始缩编面状水系图层进行弯曲化简,得到缩编面状水系图层;所述缩编水系图层包括所述缩编线状水系图层和所述缩编面状水系图层。
步骤S4,基于所述目标比例尺将所述原始土地利用地类图斑图层由矢量图形结构缩编映射为栅格图像结构,得到缩编栅格数据;将所述缩编栅格数据转换为矢量图形结构,得到缩编地类图斑图层。
优选地,所述步骤S4包括:
步骤S41,基于所述目标比例尺得到映射规则,基于所述映射规则将所述原始土地利用地类图斑图层的编码缩编映射为栅格像元值,得到所述缩编栅格数据。所述映射规则为:
若MapScale≤150000,则转换像元值为2;
若150000≤MapScale<1000000,则转换像元值为5;
若MapScale≥1000000,则转换像元值为20;
所述映射规则中的MapScale为所述目标比例尺的分母。
步骤S42,基于所述目标比例尺和所述映射规则得到逐级缩编变化表。
若TergetScal≤15,所述逐级缩编变化表为{2,4,6,8,10,……TergetScal};
若15<TergetScal≤30,所述逐级缩编变化表为{5,10,15,20,25,……,TergetScal};
若30<TergetScal<100,所述逐级缩编变化表为{5,10,20,30,……,TergetScal};
若TergetScal≥100,所述逐级缩编变化表为{20,40,60,80,……,TergetScal};
TergetScal为所述逐级缩编变化表中的最大值,TergetScal= MapScale /10000。
步骤S43,基于所述逐级缩编变化表逐级对所述缩编栅格数据进行重采样,将所述缩编栅格数据重采样程更大的像元值,得到重采样数据。
步骤S44,对所述重采样数据进行众数滤波,得到滤波数据。本实施例中,所述众数滤波的次数为5-8次。
步骤S45,遍历所述滤波数据,将小于所述最小栅格面积指标的栅格图斑合并到相邻大于或等于所述最小栅格指标的栅格图斑中,得到所述缩编栅格数据。
步骤S46,基于所述映射规则将所述缩编栅格数据映射为矢量图形结构,得到初始缩编地类图斑图层。
步骤S47,基于所述目标比例尺得到初始消除图斑面积单元值,基于所述初始消除图斑面积单元值循环将所述初始缩编地类图斑图层中的矢量图斑进行合并,得到所述缩编地类图斑图层。具体地,基于所述目标比例尺得到所述初始消除图斑面积单元值,将面积小于所述初始消除图斑面积单元值与当前循环次数的乘积的矢量图斑合并到相邻边长最大的矢量图斑中,重复进行多次循环合并,得到所述缩编地类图斑图层。所述初始消除图斑面积单元值的计算公式如下:
SimplifyArea=10*(MapScale*MapScale/10000/10000);
式中:SimplifyArea为初始消除图斑面积单元值。
若所述缩编地类图斑图层中图斑的数量大于图斑设定量,则设定小于所述目标比例尺的1个或多个中间比例尺,并用所述中间比例尺替换所述目标比例尺,重复执行步骤S42-步骤S47,直至所述缩编地类图斑图层中图斑的数量小于或等于所述图斑设定量。
步骤S5,基于所述缩编参数、所述缩编房屋建筑区图层、所述缩编水系图层和所述缩编地类图斑图层得到缩编图层。
具体地,所述步骤S5包括:
步骤S51,基于所述缩编房屋建筑区图层和所述缩编水系图层对所述缩编地类图斑图层进行擦除,得到擦除图层。
步骤S52,对所述擦除图层打散,得到其他图斑层。所述其他图斑层不包括所述缩编房屋建筑区图层和所述缩编水系图层。
步骤S53,遍历所述其他图斑层,将小于所述狭长指标的道路图斑与邻近图斑进行剖分融合,得到其他融合图斑数据。如图3所示,将小于所述狭长指标的道路图斑构建道路德洛内三角网,生成道路中轴线,并获取与道路图斑相交的所有共享边上的节点,获取每一个节点到中轴线的最近点连接这两个点生成拓扑裁切线,利用中轴线和拓扑裁切线将道路图斑裁成若干小图斑,再将裁切后的小图斑融合到与其有最长共享边的图斑中。
步骤S54,遍历所述缩编水系图层,将小于所述狭长指标的面状水系图斑与邻近图斑进行剖分融合,得到融合水系图斑数据。所述面状水系图斑的剖分融合方法与所述道路图斑的剖分融合方法相同。
步骤S55,对所述其他融合图斑数据、所述融合水系图斑数据和所述缩编房屋建筑区图层进行图斑综合,得到综合图斑数据。具体地,构建链状双重独立式数据结构拓扑模型,定义几何空间邻接关系拓扑结构和融合索引属性字段,融合过程中动态维护空间拓扑邻近关系,不足指标的拓扑移除、被融合的图斑拓扑新增、邻接图斑拓扑修改,更新图斑的索引属性,最后根据融合字段统一融合。
步骤S56,遍历所述综合图斑数据,将小于所述最小上图面积指标的图斑与相邻图斑进行融合,得到融合图层。所述最小上图面积指标包括每种二级地类对应的设定最小面积。遍历所述综合图斑数据小于所述最小上图面积指标的碎小图斑,查找周围与其相邻的所有图斑,若相邻图斑中有相同的二级地类图斑,则碎小图斑融合到该相同二级地类图斑中;若相邻图斑没有相同的二级地类图斑,则查找相邻图斑中面积最大的图斑,将碎小图斑融合到相邻面积最大的图斑中。检查融合后的图斑是否大于或等于该地类的设定最小面积,若小于该地类的设定最小面积,继续重复以上操作,直到最后所述图斑的均大于或等于其对应的地类的设定最小面积。
步骤S57,将所述缩编房屋建筑区图层、所述缩编水系图层和所述融合图层进行合并,得到初始缩编图层。
步骤S58,基于所述弯曲化简指标对所述初始缩编图层进行弯曲化简,得到弯曲化简图层。
步骤S59,基于境界面对所述弯曲化简图层进行剪裁与缝隙补齐,得到所述缩编图层。利用境界面对所述弯曲化简图层进行裁切,删除境界面以外的图斑,计算图斑和境界面之间的缝隙,生成缝隙图斑,利用缝隙图斑填充所述弯曲化简图层和境界面之间的缝隙,将图上面积小于1.5mm2的缝隙图斑融合到与其相邻的面积最大的图斑中,最终得到所述缩编图层。
从缩编效果来说,本发明不仅很好的保证了地理要素几何形态和分布特征,还充分顾及了类别、等级和从属关系等图斑语义信息;从缩编效率来说,如表1所示,相比常规矢量缩编方法效率提升约3-4倍,且随着图斑数据量越大,效率提升越明显有效减小了图斑综合计算量,极大提升了土地利用数据的缩编效率,使得百万级和千万级的缩编成为可能,而且在后期不需要任何人工干预,真正实现了全自动化。主要原因是充分利用了矢量数据和栅格数据优势:一方面,将矢量数据转换为数据结构更为简单的栅格数据,采用渐进式的栅格综合思想,将大比例尺跨度的地图综合问题转化为逐级渐进的图形连续抽象过程,通过设置中间比例尺,将数据综合到中间比例尺,极大缩减了数据量;另一方面,在矢量模式下构建了几何空间邻接关系拓扑结构和融合索引属性字段,再进行离散图斑综合、狭长图斑综合和其他细碎图斑融合。
基于国土三调地类图斑数据对本发明提出的方法开展验证,如图4至图7所示,图4为原始土地利用图斑;图5为本发明的方法得到的缩编图斑;图6为常规矢量缩编方法得到的缩编图斑;图7为常规栅格缩编方法得到的缩编图斑。如图5所示,本发明的方法得到的缩编图斑的地类图斑边界清晰、圆滑和弯曲适中,概化综合合理,符合制图要求。如图6所示,常规矢量缩编方法得到的缩编图斑的图斑边线弯曲较多,部分间隔较小的地物图斑无法合理概化综合,虽基本符合制图要求但需要大量人工制图编辑。如图7所示,常规栅格缩编方法得到的缩编图斑的综合效果粗狂,图斑边界线条生硬,边线精度偏差大,难以直接用于高质量的土地利用地图编制。
表1 基于国土三调地类图斑数据的缩编效率对比
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种土地利用数据自动缩编方法,其特征在于,包括:
基于制图范围和纸张大小确定目标比例尺,基于制图区域特点和原始土地利用地类图斑分布情况确定缩编参数;
对原始地类图斑图层中的房屋建筑区进行提取,得到初始房屋建筑区图层;基于所述缩编参数和所述初始房屋建筑区图层得到缩编房屋建筑区图层;
对所述原始地类图斑图层中的水系数据进行提取,得到初始水系图层,基于所述缩编参数和所述初始水系图层得到缩编水系图层;
基于所述目标比例尺将所述原始土地利用地类图斑图层由矢量图形结构缩编映射为栅格图像结构,得到缩编栅格数据;将所述缩编栅格数据转换为矢量图形结构,得到缩编地类图斑图层;
基于所述缩编参数、所述缩编房屋建筑区图层、所述缩编水系图层和所述缩编地类图斑图层得到缩编图层;
所述缩编参数包括最小空洞指标、最小房屋面积指标、群点选取指标、弯曲化简指标、河流分级指标、最小级别指标、最小宽度指标、最小水系面积指标、最小栅格面积指标、狭长指标和最小上图面积指标;
所述基于所述目标比例尺将所述原始土地利用地类图斑图层由矢量图形结构缩编映射为栅格图像结构,得到缩编栅格数据;将所述缩编栅格数据转换为矢量图形结构,得到缩编地类图斑图层,包括:
基于所述目标比例尺得到映射规则,基于所述映射规则将所述原始土地利用地类图斑图层的编码缩编映射为栅格像元值,得到所述缩编栅格数据;
基于所述目标比例尺和所述映射规则得到逐级缩编变化表;
基于所述逐级缩编变化表对所述缩编栅格数据进行重采样,得到重采样数据;
对所述重采样数据进行众数滤波,得到滤波数据;
遍历所述滤波数据,将小于所述最小栅格面积指标的栅格图斑合并到相邻大于或等于所述最小栅格面积指标 的栅格图斑中,得到所述缩编栅格数据;
基于所述映射规则将所述缩编栅格数据映射为矢量图形结构,得到初始缩编地类图斑图层;
基于所述目标比例尺得到初始消除图斑面积单元值,基于所述初始消除图斑面积单元值循环将所述初始缩编地类图斑图层中的矢量图斑进行合并,得到所述缩编地类图斑图层。
2.根据权利要求1所述的土地利用数据自动缩编方法,其特征在于,所述对原始地类图斑图层中的房屋建筑区进行提取,得到初始房屋建筑区图层;基于所述缩编参数和所述初始房屋建筑区图层得到缩编房屋建筑区图层,包括:
对所述原始地类图斑图层中的房屋建筑区进行提取,得到所述初始房屋建筑区图层;
对所述初始房屋建筑区图层进行多边形延伸,并与房屋建筑区德洛内三角网进行求交,得到初始临近房屋聚集合并图层;
遍历所述初始临近房屋聚集合并图层,将小于所述最小空洞指标的空洞进行剔除,得到筛选临近房屋聚集合并图层;
遍历所述筛选临近房屋聚集合并图层,将小于所述最小房屋面积指标的房屋建筑区数据作为点状数据集;
将所述点状数据集进行降维转化,得到房屋点群数据,并基于所述房屋点群数据构建泰森多边形图;
对所述泰森多边形图进行重复抽样,直至剩余群点数量等于所述群点选取指标,得到缩编点状房屋图层;
遍历所述筛选临近房屋聚集合并图层,将大于或等于所述最小房屋面积指标的房屋建筑区数据作为面状数据集;
基于所述弯曲化简指标对所述面状数据集进行弯曲化简指,得到缩编面状房屋图层;所述缩编房屋建筑区图层包括所述缩编点状房屋图层和所述缩编面状房屋图层。
3.根据权利要求1所述的土地利用数据自动缩编方法,其特征在于,所述对所述原始地类图斑图层中的水系数据进行提取,得到初始水系图层,基于所述缩编参数和所述初始水系图层得到缩编水系图层,包括:
对所述原始地类图斑图层中的水系数据进行提取,得到所述初始水系图层;
对所述初始水系图层中的面状水系数据依次进行加密拓扑点、构建水系德洛内三角网和生成水系中轴线,得到初始线状水系图层;
对所述初始线状水系图层进行拓扑修正,并基于河网连接关系构建有向连通图;
基于所述有向连通图的特性和所述河流分级指标得到线状水系分级数据;
遍历所述线状水系分级数据,将小于所述最小级别指标和所述最小水系面积指标的线状水系进行剔除,得到初始缩编线状水系图层;
遍历所述初始水系图层,将小于所述最小水系面积指标的湖泊进行剔除,并将小于所述最小宽度指标的面状河流进行剔除,得到初始缩编面状水系图层;
基于所述弯曲化简指标对所述初始缩编线状水系图层进行弯曲化简,得到缩编线状水系图层;基于所述弯曲化简指标对所述初始缩编面状水系图层进行弯曲化简,得到缩编面状水系图层;所述缩编水系图层包括所述缩编线状水系图层和所述缩编面状水系图层。
4.根据权利要求1所述的土地利用数据自动缩编方法,其特征在于,所述基于所述缩编参数、所述缩编房屋建筑区图层、所述缩编水系图层和所述缩编地类图斑图层得到缩编图层,包括:
基于所述缩编房屋建筑区图层和所述缩编水系图层对所述缩编地类图斑图层进行擦除,得到擦除图层;
对所述擦除图层打散,得到其他图斑层;
遍历所述其他图斑层,将小于所述狭长指标的道路图斑与邻近图斑进行剖分融合,得到其他融合图斑数据;
遍历所述缩编水系图层,将小于所述狭长指标的面状水系图斑与邻近图斑进行剖分融合,得到融合水系图斑数据;
对所述其他融合图斑数据、所述融合水系图斑数据和所述缩编房屋建筑区图层进行图斑综合,得到综合图斑数据;
遍历所述综合图斑数据,将小于所述最小上图面积指标的图斑与相邻图斑进行融合,得到融合图层;
将所述缩编房屋建筑区图层、所述缩编水系图层和所述融合图层进行合并,得到初始缩编图层;
基于所述弯曲化简指标对所述初始缩编图层进行弯曲化简,得到弯曲化简图层;
基于境界面对所述弯曲化简图层进行剪裁与缝隙补齐,得到所述缩编图层。
5.根据权利要求2所述的土地利用数据自动缩编方法,其特征在于,所述对所述泰森多边形图进行重复抽样,直至剩余群点数量等于所述群点选取指标,得到缩编点状房屋图层,具体为:
逐次删除所述泰森多边形图中非锁定的密度最大的点,并将密度最大的点占用的泰森多边形生成空间平均分配给邻近点,将密度最大的点的邻近点进行锁定,直至全部的点被锁定,完成一轮抽样,重复进行若干轮选取,直至剩余群点数量等于所述群点选取指标,得到所述缩编点状房屋图层。
6.根据权利要求1所述的土地利用数据自动缩编方法,其特征在于,所述基于所述目标比例尺得到初始消除图斑面积单元值,基于所述初始消除图斑面积单元值循环将所述初始缩编地类图斑图层中的矢量图斑进行合并,得到所述缩编地类图斑图层,具体为:
基于所述目标比例尺得到所述初始消除图斑面积单元值,将面积小于所述初始消除图斑面积单元值与当前循环次数的乘积的矢量图斑合并到相邻边长最大的矢量图斑中,重复进行多次循环合并,得到所述缩编地类图斑图层。
7.根据权利要求1所述的土地利用数据自动缩编方法,其特征在于,所述映射规则为:
若MapScale≤150000,则转换像元值为2;
若150000≤MapScale<1000000,则转换像元值为5;
若MapScale≥1000000,则转换像元值为20;
所述映射规则中的MapScale为所述目标比例尺的分母。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210386646.2A CN114461841B (zh) | 2022-04-14 | 2022-04-14 | 一种土地利用数据自动缩编方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210386646.2A CN114461841B (zh) | 2022-04-14 | 2022-04-14 | 一种土地利用数据自动缩编方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114461841A CN114461841A (zh) | 2022-05-10 |
CN114461841B true CN114461841B (zh) | 2022-07-05 |
Family
ID=81418458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210386646.2A Active CN114461841B (zh) | 2022-04-14 | 2022-04-14 | 一种土地利用数据自动缩编方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114461841B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828110B (zh) * | 2022-11-29 | 2023-07-07 | 中国国土勘测规划院 | 水系空间特征相似性检测方法、设备、存储介质及装置 |
CN115761279B (zh) * | 2022-11-29 | 2023-06-23 | 中国国土勘测规划院 | 空间布局相似性检测方法、设备、存储介质及装置 |
CN116453117B (zh) * | 2023-02-14 | 2024-01-26 | 珠江水利委员会珠江水利科学研究院 | 一种图像解译图斑定位与精度评估方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649776A (zh) * | 2016-12-27 | 2017-05-10 | 中科宇图科技股份有限公司 | 一种半自动化综合矢量多边形的方法 |
CN109408657A (zh) * | 2018-11-13 | 2019-03-01 | 国家基础地理信息中心 | 一种超大规模空间数据快速制图方法及系统 |
CN110162650A (zh) * | 2019-04-18 | 2019-08-23 | 中国测绘科学研究院 | 一种兼顾局部最优与整体面积平衡的小图斑融解方法 |
CN110399402A (zh) * | 2019-07-12 | 2019-11-01 | 天津市市政工程设计研究院 | 一种基于大数据的轨道交通站点分类方法 |
CN110675729A (zh) * | 2019-10-14 | 2020-01-10 | 山东省国土测绘院 | 一种多版本地理信息一体化制图方法及系统 |
CN110737737A (zh) * | 2019-09-19 | 2020-01-31 | 中国国土勘测规划院 | 一种国土矢量数据渲染方法及系统 |
CN113514072A (zh) * | 2021-09-14 | 2021-10-19 | 自然资源部第三地理信息制图院 | 一种面向导航数据与大比例尺制图数据的道路匹配方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101599070A (zh) * | 2009-07-07 | 2009-12-09 | 武汉大学 | 在土地利用信息多尺度表达中的空间数据库综合方法 |
CN101699545B (zh) * | 2009-10-29 | 2011-11-16 | 北京师范大学 | 地图空间点的自动综合方法和装置 |
US20140233826A1 (en) * | 2011-09-27 | 2014-08-21 | Board Of Regents Of The University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
CN106710437A (zh) * | 2016-12-26 | 2017-05-24 | 中国矿业大学(北京) | 电子地图的编制方法和系统 |
CN107564077B (zh) * | 2017-09-04 | 2019-12-10 | 浪潮集团有限公司 | 一种绘制道路网的方法及装置 |
CN108564516A (zh) * | 2018-05-08 | 2018-09-21 | 湖南城市学院 | 一种城市规划决策支持系统 |
CN112115198B (zh) * | 2020-09-14 | 2024-03-15 | 宁波市测绘和遥感技术研究院 | 一种城市遥感智能服务平台 |
CN112598373B (zh) * | 2020-12-15 | 2023-12-29 | 珠海市规划设计研究院 | 地块智能化处理及净面积量算后批量自动生成方法 |
CN113312369A (zh) * | 2021-07-30 | 2021-08-27 | 自然资源部第三地理信息制图院 | 一种基于唯一标识码的多尺度地图数据库级联更新方法 |
-
2022
- 2022-04-14 CN CN202210386646.2A patent/CN114461841B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649776A (zh) * | 2016-12-27 | 2017-05-10 | 中科宇图科技股份有限公司 | 一种半自动化综合矢量多边形的方法 |
CN109408657A (zh) * | 2018-11-13 | 2019-03-01 | 国家基础地理信息中心 | 一种超大规模空间数据快速制图方法及系统 |
CN110162650A (zh) * | 2019-04-18 | 2019-08-23 | 中国测绘科学研究院 | 一种兼顾局部最优与整体面积平衡的小图斑融解方法 |
CN110399402A (zh) * | 2019-07-12 | 2019-11-01 | 天津市市政工程设计研究院 | 一种基于大数据的轨道交通站点分类方法 |
CN110737737A (zh) * | 2019-09-19 | 2020-01-31 | 中国国土勘测规划院 | 一种国土矢量数据渲染方法及系统 |
CN110675729A (zh) * | 2019-10-14 | 2020-01-10 | 山东省国土测绘院 | 一种多版本地理信息一体化制图方法及系统 |
CN113514072A (zh) * | 2021-09-14 | 2021-10-19 | 自然资源部第三地理信息制图院 | 一种面向导航数据与大比例尺制图数据的道路匹配方法 |
Non-Patent Citations (1)
Title |
---|
大比例尺地形图制图综合缩编系统设计与实现——基于WalkISurvey软件平台;黄菲菲;《中国优秀硕士学位论文全文数据库 基础科学辑》;20140315;A008-72 * |
Also Published As
Publication number | Publication date |
---|---|
CN114461841A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114461841B (zh) | 一种土地利用数据自动缩编方法 | |
CN110176018B (zh) | 一种保持结构化地物轮廓特征的图斑合并方法 | |
MacMillan et al. | Automated analysis and classification of landforms using high-resolution digital elevation data: applications and issues | |
CN105138722A (zh) | 基于数字河湖网络的平原河网区流域集水单元划分方法 | |
Herzog | Least-cost networks | |
CN107092978B (zh) | 一种面向虚拟地球的最短路径分层规划方法 | |
CN111858810B (zh) | 一种面向道路dem构建的建模高程点筛选方法 | |
CN108053060A (zh) | 一种基于风电场场内道路自动选线的升压站选址系统及选址方法 | |
CN112085280A (zh) | 一种考虑地理因素的输电通道路径优化方法 | |
CN105303612A (zh) | 一种基于不规则三角网模型的数字河网提取方法 | |
CN105894587A (zh) | 一种基于规则约束的山脊线和山谷线过滤方法 | |
CN110415346A (zh) | 利用面向对象的三维元胞自动机进行水土流失模拟的方法 | |
CN113806947B (zh) | 海上风电场布局处理方法、装置及设备 | |
CN110097529A (zh) | 一种基于语义规则的农田定级单元划分方法及系统 | |
CN107908899A (zh) | 一种用于风电场建设施工道路的选线系统及选线方法 | |
CN104125582A (zh) | 一种规划通信网络的方法 | |
Li et al. | Effective rural electrification via optimal network: Optimal path-finding in highly anisotropic search space using multiplier-accelerated A* algorithm | |
CN113987969A (zh) | 多高程尺度水流网的陆地水动态仿真模型 | |
CN112116709A (zh) | 一种提高地形表达精度的地形特征线处理方法 | |
CN114969944B (zh) | 一种高精度道路dem构建方法 | |
CN109388891B (zh) | 一种超大尺度虚拟河网提取及汇流方法 | |
AU2021102429A4 (en) | Method for selecting roads in a small-mesh accumulation area | |
Shim et al. | 'Benefit Maximizing Routes': Development and Evaluation Using the Historical Roads of Korea's Joseon Dynasty (1392-1910). | |
CN106326492A (zh) | 空间矢量数据生成方法及装置 | |
CN112084609A (zh) | 电力行业的供电分区划分方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |