CN115577058B - 一种兼顾全局与局部最优影响的小图斑竞争分裂方法 - Google Patents

一种兼顾全局与局部最优影响的小图斑竞争分裂方法 Download PDF

Info

Publication number
CN115577058B
CN115577058B CN202211167650.6A CN202211167650A CN115577058B CN 115577058 B CN115577058 B CN 115577058B CN 202211167650 A CN202211167650 A CN 202211167650A CN 115577058 B CN115577058 B CN 115577058B
Authority
CN
China
Prior art keywords
spots
index
adjacent
splitting
global
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
Application number
CN202211167650.6A
Other languages
English (en)
Other versions
CN115577058A (zh
Inventor
武鹏达
程瑶
殷勇
张成成
郭沛沛
戴昭鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chinese Academy of Surveying and Mapping
Original Assignee
Chinese Academy of Surveying and Mapping
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chinese Academy of Surveying and Mapping filed Critical Chinese Academy of Surveying and Mapping
Priority to CN202211167650.6A priority Critical patent/CN115577058B/zh
Publication of CN115577058A publication Critical patent/CN115577058A/zh
Application granted granted Critical
Publication of CN115577058B publication Critical patent/CN115577058B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种兼顾全局与局部最优影响的小图斑竞争分裂方法，包括分析影响邻近图斑剖分能力的全局、局部指标；构建层次结构模型；分裂线提取及修正而得到更为合理的最终骨架线。采用本申请公开的方法进行小图斑进行分裂，使得全局占比较高、图斑面积较大、语义邻近的图斑具有更大的“竞争”能力，分类结果可以更好的实现语义类型多层次归并，并十分有利于保持综合前后各地类图斑面积平衡，全局地类的空间分布格局不发生变化。本申请解决当前选取的影响图斑重要性的指标存在局限性的问题，增设反映地类空间整体分布特征的全局性指标；集成各项指标对邻近图斑的剖分能力进行综合计算。

Description

一种兼顾全局与局部最优影响的小图斑竞争分裂方法
技术领域
本申请涉及土地利用数据中小图斑分裂技术领域，尤其涉及一种兼顾全局与局部最优影响的小图斑竞争分裂方法。
背景技术
小图斑即土地利用数据中呈离散分布的细碎地表覆盖数据，其面积较小，但数量庞大、形状复杂多样且在区域内广泛分布。土地利用数据是一种在空间分布上具有全覆盖、无重叠、无缝隙特征的铺盖数据，当数据表达的比例尺变小时，小图斑因为面积太小会出现挤压和重叠现象，因此，在进行土地利用数据综合处理时，需要特别注意对小图斑的处理，其处理结果直接影响着土地利用数据综合结果的质量。
根据小图斑的几何及分布特征，国内外的研究学者自然的提出了以下两种算法对小图斑进行处理:将其归并至邻近图斑的合并(Aggregation)操作算法以及先将其剖分再将其归并至邻近图斑的融合(Amalgamation)算法。前者适用于小图斑周围仅有一个邻近图斑或邻近图斑有多个但存在一个图斑与其同属于一个父类的情况；后者适用于小图斑周围有多个邻近图斑，且都与其属于一个父类或这些图斑中不存在任一图斑与其同属于一个父类的情况。
图斑分裂融合的难点是如何划定小图斑内的分裂线。Jones等于1995年提出了基于Delaunay三角网的分裂线提取方法，使用三角网对小图斑内部进行剖分并对三角形进行分类提取分裂线，这种方法不受小图斑形状的影响，提取的分裂线近似于图斑的中轴线，分裂线提取效果良好。为此，以以后的研究中，众多国内外文献都依据此方法提取图斑分裂线，如Gao等结合专题知识，应用此方法提取小图斑分裂线对土地利用数据进行降维(Collapse)操作；艾廷华等同样采用该方法对第二次土地资源调查数据建库中的小图斑进行了综合处理，但其也指出这种中轴化剖分方法在提取骨架线的过程中未考虑邻近图斑空间竞争能力的强弱之分，且这样的方法不利于维持综合前后各类型用地面积的百分比。
因此，小图斑的分裂线应根据邻近图斑的重要程度进行调整，更重要的图斑应分配更多的剖分区域。有学者对影响土地利用数据剖分能力的指标进行了探讨，主要包括邻近图斑与小图斑的语义类型兼容度、共享边界长等，然而现有研究存在以下两个不足：一是当前选取的影响图斑重要性的指标存在局限性，缺少反映地类空间整体分布特征的全局性指标；二是没有集成各项指标对邻近图斑的剖分能力进行综合计算。
发明内容
针对上述存在的问题，本申请旨在提供一种兼顾全局与局部最优影响的小图斑竞争分裂方法，首先分析影响邻近图斑剖分能力的全局、局部指标，然后构建层次结构模型，采用层析分析法计算各项指标权重，最后提出邻近图斑剖分能力函数(Split AbilityFunction，SAF)，综合评价每个邻近图斑的剖分能力，并依据剖分能力对小图斑的骨架线进行修正，实现小图斑的合理分裂融合。
为了实现上述目的，本申请所采用的技术方案如下：一种兼顾全局与局部最优影响的小图斑竞争分裂方法，其特征在于，包括：
S1、分析影响邻近图斑剖分能力的全局、局部指标；
其中，全局指标包括地类全局空间分布信息和地类语义信息；所述地类全局空间分布信息包含优势度指数、破碎度指数及主成分指数；所述地类语义信息包含土地利用语义相似度；
局部指标包括邻近图斑面积大小、邻近图斑与小图斑之间的共享边大小；
S2、构建层次结构模型：包括建立邻近图斑剖分能力层次结构、构造各因素间判断矩阵、计算权向量确定各因素权重以及一致性检验；
其中，所述邻近图斑剖分能力层次结构的建立为对邻近图斑的剖分能力及所述全局指标及局部指标的影响因素，分别对应目标层和准则层而建立层次结构；
所述判断矩阵以所述目标层和准则层为基准构造；
S3、分裂线提取及修正：包括使用Delaunay三角网提取该图斑初始分裂线，以及顾及竞争能力的分裂线修正而得到更为合理的最终骨架线。
具体的，在步骤S1中，地类图斑的优势度指数用于测定某种地类的图斑对于区域地类分布的影响，其数学模型如下：
式中，Dt为地类t的优势度指数；sn为地类t的图斑个数；Htmax是地类t的Shannon多样性指数最大值，Pi为地类图斑i占该地类总面积的比例；
地类破碎度指数用以反映某种地类在空间分布上的破碎化程度，其数学模型如下：
Ct＝Nt/At (2)
式中，Nt为区域内土地利用类型t的图斑总数，At为区域内土地利用类型t的总面积；
邻近图斑在区域内的所述主成分指数是指某种地类在区域内的空间占比，其数学模型如下：
Pt＝At/A (3)
其中，Pt为地类t的主成分指数，At为区域内土地利用类型t的总面积，A为区域所有地类总面积。
具体的，在步骤S1中，所述语义相似度包括：建立语义类型集合X＝{X1,X2,...,Xm}；规定相邻元素之间的语义距离为1个单位，进一步依据语义邻近度函数式(4)进行地类之间的语义邻近度计算：
其中，Xi、Xj为参与邻近度计算的两地类；m为语义类型集合中元素的个数，Distance(Xi,Xj)为两地类相隔的语义距离。
具体的，在步骤S2中，所述判断矩阵对应于最大特征根λmax的特征向量W即为相应元素的权值，其值可通过和法进行计算，计算步骤如下：
(1)对判断矩阵M的每一列向量进行归一化，得到：
式中：mij表示矩阵中第i行第j列的元素，n为矩阵的总行(列)数；
(2)对wij按行求和，得到：
(3)将wi归一化，得到：
则W＝(w1,w2,...,wn)T即为特征向量；
(4)计算判断矩阵的最大特征根λmax，得到：
采用和积法计算矩阵M的特征向量，进而由式(10)得到最大特征根λmax。
具体的，在步骤S2中，所述一致性检验的计算步骤如下：
(1)计算一致性指标CI：
式中：n为矩阵的总行(列)数；
(2)查找相应的随机一致性指标RI；
(3)计算一致性比例CR：
CR＝CI/RI (12)
当CR<0.1时，认为判断矩阵满足一致性标准，否则需要对判断矩阵进行调整后重新计算。
由式(11)得一致性指标CI＝0.03，进而由式(12)得一致性比例CR＝0.02＜0.1，故判断矩阵符合一致性标准。
具体的，在步骤S3中，所述顾及竞争能力的分裂线修正包括：定义邻近图斑剖分能力函数(Split Ability Function，SAF)计算对于某一小图斑(a)其邻近图斑(b)的空间竞争能力，如下式所示：
其中，Si分别为图斑b所在地类在区域的优势度指数、破碎度指数、主成分指数、面积大小以及a与b的语义邻近度、共享边长度，wi为依据层次分析法计算的各参数的权值；
Delaunay三角网剖分点(x,y)的计算公式如下：
其中，(xb,yb)、(xc,yc)分别表示三角网中边的两端点坐标；SAF(a,b)、SAF(a,c)分别为邻近图斑b、c对小图斑a的剖分能力值。
本申请的有益效果是：采用本申请公开的方法进行小图斑进行分裂，使得全局占比较高、图斑面积较大、语义邻近的图斑具有更大的“竞争”能力，分类结果可以更好的实现语义类型多层次归并，并十分有利于保持综合前后各地类图斑面积平衡，为此全局地类的空间分布格局不发生变化。
本申请解决当前选取的影响图斑重要性的指标存在局限性的问题，增设反映地类空间整体分布特征的全局性指标；集成各项指标对邻近图斑的剖分能力进行综合计算。
附图说明
图1为本申请实施例一中地理国情内容确定方法示意图。
图2为本申请实施例一中邻近图斑剖分能力层次结构。
图3为本申请实施例一中三角形分类图。
图4为本申请实施例一中顾及空间竞争能力的骨架线修正。
图5为本申请实施例二中实验对比分析图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本申请的技术方案，下面结合附图和实施例对本申请的技术方案做进一步的描述。
本申请公开一种兼顾全局与局部最优影响的小图斑竞争分裂方法，具体包括：
S1、分析影响邻近图斑剖分能力的全局、局部指标；
S2、构建层次结构模型：包括建立邻近图斑剖分能力层次结构、构造各因素间判断矩阵、计算权向量确定各因素权重以及一致性检验；
S3、分裂线提取及修正：包括使用Delaunay三角网提取该图斑初始分裂线，以及顾及竞争能力的分裂线修正而得到更为合理的最终骨架线。
实施例一
S1、分析影响邻近图斑剖分能力的全局、局部指标
1、小图斑分裂约束指标
通常采用的邻近图斑剖分能力计算指标有面积大小、共享边大小等局部几何度量指标，缺少反映地类空间整体分布特征的全局性指标，如地类语义特征、空间分布特征等，从而未从宏观层面对地类的重要性作出评价。因此，影响邻近图斑剖分能力的指标体系要考虑局部、全局两方面的因素，如下表1所示。
表1影响邻近图斑剖分能力的指标体系
1.1地类重要性全局影响指标
1.1.1土地利用景观格局指数
在景观生态学中，采用基于生态斑块单元计算景观多样性指数、景观优势度指数、景观破碎度指数等对区域生态景观的空间格局进行整体性量化分析，将土地利用图斑类比于生态斑块，可借鉴景观格局指数描述土地利用景观格局。本申请意在对小图斑邻近图斑的区域重要性进行评价，即描述某种地类在区域内的优先级，为此，本申请采用地类图斑优势度指数、地类图斑破碎度指数对地类重要性进行评价，同时提出了地类图斑主成分指数，对土地利用数据中某种地类的分布格局进行计算。
(1)地类图斑优势度指数
地类图斑优势度指数用于测定某种地类的图斑对于区域地类分布的影响，其数学模型如下：
式中，Dt为地类t的优势度指数；sn为地类t的图斑个数；Htmax是地类t的Shannon多样性指数最大值，Pi为地类图斑i占该地类总面积的比例。地类图斑优势度指数值越大，说明其在区域内的重要性越强。
(2)地类图斑破碎度指数
地类破碎度指数用以反映某种地类在空间分布上的破碎化程度，其数学模型如下：
Ct＝Nt/At (2)
式中，Nt为区域内土地利用类型t的图斑总数，At为区域内土地利用类型t的总面积。理论上讲，破碎度越低的地类在区域分布越为集中，地块面积也越大，破碎度越高的地类在区域内分布应更为零散，因此，破碎度指数较高的地类说明其在区域内的重要性较弱。
(3)地类图斑主成分指数
邻近图斑在区域内的主成分指数是指某种地类在区域内的空间占比，其数学模型如下：
Pt＝At/A (3)
其中，Pt为地类t的主成分指数，At为区域内土地利用类型t的总面积，A为区域所有地类总面积。可以发现，在区域内占有较大面积的地类主成分指数越大，其在区域内也越重要。
1.1.2邻近图斑与小图斑语义邻近度
语义邻近度是判断小图斑面积归属的核心要素，Van Oosterom(1995)在阐述图斑合并操作时即提出了邻近图斑语义相似程度的概念及计算方法；Liu等(2002)更进一步提出了土地利用地类间语义相似度评价模型；杨志龙(2016)基于Liu等提出的语义相似度评价模型，定义了土地利用数据中水田、旱地、果园、茶园、有林地、村庄、采矿用地、裸地8种主要地类之间的语义距离矩阵；Haunert等(2010)基于地类转换成本的思想，定义了土地利用数据之间的语义距离；杨俊等(2013)为同属于一级地类的要素建立了语义邻近度模型。分裂融合操作适用于小图斑周围有多个邻近图斑，且都与其属于一个父类或这些图斑中不存在任一图斑与其同属于一个父类的情况，因此，本申请依据排序法对同一父类内部以及不属于同一父类的地类之间的语义相似度进行衡量。
《地理国情普查内容与指标》中将地理覆盖分类分为10个一级类，58个二级类、135个三级类，其分类思路如图1所示。
土地利用数据往往关心的是一、二级各地类的总量，但其原始数据中以更为精细的三级地类作为图斑分类管理单元。
本申请假设所有地类之间都可以相互转换，首先依据地理国情普查分类思路(图1)分别对一、二、三级地类进行排序，并建立语义类型集合X＝{X1,X2,...,Xm}；规定相邻元素之间的语义距离为1个单位，进一步依据语义邻近度函数(式(4))进行地类之间的语义邻近度计算：
其中，Xi、Xj为参与邻近度计算的两地类；m为语义类型集合中元素的个数，在一、二、三级地类中，m分别取值10、58、135；Distance(Xi,Xj)为两地类相隔的语义距离。
以一级地类为例，语义类型集合为X＝{耕地，园地，林地，草地，房屋建筑，构筑物，道路，堆掘地，裸露地表，水体}，园地与草地之间的语义距离为2个单位，则二者之间的语义邻近度为：
SemNei(园地，草地)＝1-2/10＝8/10
房屋建筑、道路、构筑物、人工堆掘地、裸露地表、水系与草地的语义邻近度由高到低依次排列。
1.2地类重要性局部影响指标
1.2.1邻近图斑面积大小
邻近图斑面积大小是决定其剖分能力的最直观的影响因素，原则上面积较大的邻近图斑相对面积较小的图斑具有更强的剖分能力。计算邻近图斑面积的方法一般采用坐标解析法，其数学模型如下：
其中，i为邻近多边形各结点按顺时针的编号，当i＝1时，i-1＝n；当i＝n时，i+1＝1；xi为邻近多边形各结点横坐标，yi+1、yi-1为邻近多边形各结点纵坐标。
1.2.2邻近图斑与小图斑共享边大小
在景观生态学上，共享边越大，说明图斑之间有更为良好的物质能量流通和过渡能力，因此，共享边越大的邻近图斑具有更强的“竞争力”，即剖分能力。共享边通过在拓扑结构上附加语义信息进行识别，若某一弧段的结点具有两种不同的语义信息，则该边为共享边。计算邻近图斑与小图斑共享边两结点间距离(d)的方法一般采用欧式距离法，其数学模型如下：
其中，i为共享边上各个结点的编号，xi、xi+1为共享边各结点横坐标，yi、yi+1为共享边各结点纵坐标。
S2、构建层次结构模型
层次分析法(Analytic Hierarchy Process，AHP)是一种多准则决策方法，其基本思想是：把影响复杂问题的各种因素划分为相互联系的有序层次，并根据客观现象的判断对每一层次因素的相对重要性进行量化描述，最后利用数学方法确定各个因素的相对重要性次序。一般情况下，层次分析法的计算过程包括：建立层次结构、构造判断矩阵、计算权向量以及一致性检验等。
2.1建立邻近图斑剖分能力层次结构
小图斑邻近图斑的剖分能力对于合理调节小图斑内的骨架线具有重要作用。依据层次分析法原理，对邻近图斑的剖分能力及其影响因素建立如图2所示的两层层次结构。
2.2构造各因素间重要性判断矩阵
将目标层邻近图斑剖分能力以A表示，准则层地类图斑优势度指数、地类图斑破碎度度指数、地类图斑主成分指数、语义邻近度、面积大小、共享边大小各因素分别以B1、B2、B3、B4、B5、B6表示。结合专家知识及制图经验，以1-9标度对各个因素间的相对重要性进行量化，得到判断矩阵M如表2所示：
A B1 B2 B3 B4 B5 B6
B1 1 5 3 3 5 7
B2 1/5 1 1/3 1/3 1 3
B3 1/3 3 1 1 3 5
B4 1/3 3 1 1 3 5
B5 1/5 1 1/3 1/3 1 3
B6 1/7 1/3 1/5 1/5 1/3 1
表2各因素判断矩阵
2.3计算权向量确定各因素权重
判断矩阵M对应于最大特征根λmax的特征向量W即为相应元素的权值，其值可通过和法进行计算，计算步骤如下：
(1)对矩阵M的每一列向量进行归一化，得到：
式中：mij表示矩阵中第i行第j列的元素，n为矩阵的总行(列)数；
(2)对按行求和，得到：
(3)将归一化，得到：
则W＝(w1,w2,...,wn)T即为特征向量；
(4)计算判断矩阵的最大特征根λmax，得到：
采用和积法计算矩阵M的特征向量，得到W＝(0.42,0.08,0.19,0.19,0.08,0.04)T，进而由式(10)得到最大特征根λmax＝6.14。
2.4一致性检验
一致性检验用于判断矩阵的有效性，其计算步骤如下：
(1)计算一致性指标CI：
式中：n为矩阵的总行(列)数；
(2)查找相应的随机一致性指标RI，如表3所示：
阶数 1 2 3 4 5 6 7 8 9
RI 0 0 0.58 0.90 1.12 1.24 1.32 1.41 1.49
表3随机一致性指标RI
(3)计算一致性比例CR：
CR＝CI/RI (12)
当CR<0.1时，认为判断矩阵满足一致性标准，否则需要对判断矩阵进行调整后重新计算。
由式(11)得一致性指标CI＝0.03，进而由式(12)得一致性比例CR＝0.02＜0.1，故判断矩阵符合一致性标准。
S3、分裂线提取及修正
对于每个小图斑，首先使用Delaunay三角网提取该图斑初始分裂线，进而顾及竞争能力对分裂线进行修正，得到更为合理的最终骨架线。
3.1初始分裂线提取
步骤1：构建约束Delaunay三角网实现对狭长图斑的剖分：根据多边形内部三角形的邻近三角形数目，Delaunay三角网内的三角形可以被细分为三类：
Ⅰ类三角形：有且仅有一个邻近三角形，构成Ⅰ类三角形的其中两边是多边形的边界。如图3(a)中的△ABC，顶点A为骨架线的端点。
Ⅱ类三角形：有两个邻近三角形，是骨架线的骨干结构，描述了骨架线的延展方向。如图3(b)中△ABC，Ⅱ类三角形中骨架线的前进方向唯一。
Ⅲ类三角形：有三个邻近三角形，是骨架线分支的交汇处，是向3个方向伸展的出发点。如图3(c)中△ABC，在点O处向三个方向延展。
步骤2：分别对三类三角形按如下方法提取中轴线，并对中轴线进行连接形成骨架线，其中两邻近三角形的公共边称为邻近边：
Ⅰ类三角形：连接惟一邻近边的中点与其对应的顶点，如图3(a)中线段BD；
Ⅱ类三角形：连接两条邻近边的中点，如图3(b)中线段DF；
Ⅲ类三角形：连接重心与三边的中点，如图3(c)中线段OD、OF、OH。
3.2顾及空间竞争能力的分裂线修正
当进一步考虑邻近图斑对剖分小图斑具有的不同强弱的“竞争”能力时，可对骨架线作加权修正。定义邻近图斑剖分能力函数(Split Ability Function，SAF)计算对于某一小图斑(a)其邻近图斑(b)的空间竞争能力，如下式所示：
其中，Si分别为图斑b所在地类在区域的优势度指数、破碎度指数、主成分指数、面积大小以及a与b的语义邻近度、共享边长度，各参数的计算方法见步骤S1，wi为依据层次分析法计算的各参数的权值。
所有邻近图斑的SAF(a,b)揭示了各个图斑对小图斑的剖分能力，可据此对小图斑a内部的骨架线进行调整，基本思路为：首先根绝三角形的边确定对a形成剖分的两邻接图斑，剖分点由原来三角形边的二等分点变为按剖分能力比例形成的分割点。如图3(a)所示，小图斑a被剖分合并至邻近地块b、c，则Delaunay三角网剖分点(x,y)的计算公式如下：
其中，(xb,yb)、(xc,yc)分别表示三角网中边的两端点坐标；SAF(a,b)、SAF(a,c)分别为邻近图斑b、c对小图斑a的剖分能力值。假设小图斑a的邻近地块b、c分别有剖分能力8、2，则剖分点在三角形边靠近邻近地块b的处，各个剖分点连接形成的a内骨架线如图4(b)所示。
实施例二
S4、实验与分析
4.1实验数据与环境
依托中国测绘科学研究院研制的WJ-III地图工作站，嵌入本文提出的顾及相交点约束的小图斑分裂方法，对本文方法进行合理性和有效性验证。实验以江苏省某市地理国情普查数据为例，原始数据比例尺为1:1万，有5214个图斑，地物类型以耕地、林地、草地等自然地物为主，道路、居民地等人工地物分散其中，综合目标比例尺为1:10万。
依据地理国情普查成果图技术规定要求，若成图比例尺大于1：50万，则各个地类最小上图面积如表4所示，本文以此作为小图斑的判定标准，其他比例尺小图斑的判定标准参考表4进行微调。
表4最小上图面积表
4.2实验对比分析
为进一步验证本文方法的有效性，采用本文方法与常见的基于中剖分方法对试验数据分别进行分裂处理。图5中红色虚线显示了利用本文算法小图斑的融解分裂线，黑色实线表示利用传统算法提取的小图斑融解分裂线。
由图5可以看到，采用本文方法进行小图斑的分裂，全局占比较高、图斑面积较大、语义邻近的图斑具有更大的“竞争”能力，分类结果可以更好的实现语义类型多层次归并，并十分有利于保持综合前后各地类图斑面积平衡，为此全局地类的空间分布格局不发生变化。
采用本申请公开的方法进行小图斑进行分裂，使得全局占比较高、图斑面积较大、语义邻近的图斑具有更大的“竞争”能力，分类结果可以更好的实现语义类型多层次归并，并十分有利于保持综合前后各地类图斑面积平衡，为此全局地类的空间分布格局不发生变化。本申请解决当前选取的影响图斑重要性的指标存在局限性的问题，增设反映地类空间整体分布特征的全局性指标；集成各项指标对邻近图斑的剖分能力进行综合计算。
以上显示和描述了本申请的基本原理、主要特征和本申请的优点。本申请不受上述实施例的限制，上述实施例和说明书中描述的只是说明本申请的原理，在不脱离本申请精神和范围的前提下，本申请还会有各种变化和改进，这些变化和改进都落入要求保护的本申请范围内。

Claims (5)

1.一种兼顾全局与局部最优影响的小图斑竞争分裂方法，其特征在于，包括：
S1、分析影响邻近图斑剖分能力的全局指标、局部指标；
其中，全局指标包括地类全局空间分布信息和地类语义信息；所述地类全局空间分布信息包含优势度指数、破碎度指数及主成分指数；所述地类语义信息包含土地利用语义相似度；
局部指标包括邻近图斑面积大小、邻近图斑与小图斑之间的共享边大小；
S2、构建层次结构模型：包括建立邻近图斑剖分能力层次结构、构造各因素间判断矩阵、计算权向量确定各因素权重以及一致性检验；
其中，所述邻近图斑剖分能力层次结构的建立为：对邻近图斑的剖分能力及所述全局指标及局部指标的影响因素，分别对应目标层和准则层而建立层次结构；所述判断矩阵以所述目标层和准则层为基准构造；
判断矩阵对应于最大特征根λmax的特征向量W即为相应元素的权值，其值可通过和法进行计算，计算步骤如下：
(1)对判断矩阵M的每一列向量进行归一化，得到：
式中：mij表示矩阵中第i行第j列的元素，n为判断矩阵的总行数；
(2)对按行求和，得到：
(3)将归一化，得到：
则W＝(w1,w2,...,wn)T即为特征向量；
(4)计算判断矩阵的最大特征根λmax，得到：
采用和积法计算矩阵M的特征向量，进而由式(10)得到最大特征根λmax，A为区域所有地类总面积；
S3、分裂线提取及修正：包括使用Delaunay三角网提取图斑初始分裂线，以及顾及竞争能力的分裂线修正而得到更为合理的最终骨架线。
2.根据权利要求1所述的一种兼顾全局与局部最优影响的小图斑竞争分裂方法，其特征在于：在步骤S1中，地类图斑的优势度指数用于测定某种地类的图斑对于区域地类分布的影响，其数学模型如下：
式中，Dt为地类t的优势度指数；sn为地类t的图斑个数；Htmax是地类t的Shannon多样性指数最大值，Pi为地类图斑i占该地类总面积的比例；
地类破碎度指数用以反映某种地类在空间分布上的破碎化程度，其数学模型如下：
Ct＝Nt/At (2)
式中，Nt为区域内土地利用类型t的图斑总数，At为区域内土地利用类型t的总面积；
邻近图斑在区域内的所述主成分指数是指某种地类在区域内的空间占比，其数学模型如下：
Pt＝At/A (3)
其中，Pt为地类t的主成分指数，At为区域内土地利用类型t的总面积，A为区域所有地类总面积。
3.根据权利要求2所述的一种兼顾全局与局部最优影响的小图斑竞争分裂方法，其特征在于：在步骤S1中，所述语义相似度包括：建立语义类型集合X＝{X1,X2,...,Xm}；规定相邻元素之间的语义距离为1个单位，进一步依据语义邻近度函数式(4)进行地类之间的语义邻近度计算：
其中，Xi、Xj为参与邻近度计算的两地类；m为语义类型集合中元素的个数，Distance(Xi,Xj)为两地类相隔的语义距离。
4.根据权利要求3所述的一种兼顾全局与局部最优影响的小图斑竞争分裂方法，其特征在于：在步骤S2中，所述一致性检验的计算步骤如下：
(1)计算一致性指标CI：
式中：n为判断矩阵的总行数；
(2)查找相应的随机一致性指标RI；
(3)计算一致性比例CR：
CR＝CI/RI (12)
当CR<0.1时，认为判断矩阵满足一致性标准，否则需要对判断矩阵进行调整后重新计算。
5.根据权利要求4所述的一种兼顾全局与局部最优影响的小图斑竞争分裂方法，其特征在于：在步骤S3中，所述顾及竞争能力的分裂线修正包括：定义邻近图斑剖分能力函数SAF计算对于某一小图斑a其邻近图斑b的空间竞争能力，如下式所示：
其中，Si分别为图斑b所在地类在区域的优势度指数、破碎度指数、主成分指数、面积大小以及a与b的语义邻近度、共享边长度，wi为依据层次分析法计算的各参数的权值；
Delaunay三角网剖分点(x,y)的计算公式如下：
其中，(xb,yb)、(xc,yc)分别表示三角网中边的两端点坐标；SAF(a,b)、SAF(a,c)分别为邻近图斑b、c对小图斑a的剖分能力值。
CN202211167650.6A 2022-09-23 2022-09-23 一种兼顾全局与局部最优影响的小图斑竞争分裂方法 Active CN115577058B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211167650.6A CN115577058B (zh) 2022-09-23 2022-09-23 一种兼顾全局与局部最优影响的小图斑竞争分裂方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211167650.6A CN115577058B (zh) 2022-09-23 2022-09-23 一种兼顾全局与局部最优影响的小图斑竞争分裂方法

Publications (2)

Publication Number Publication Date
CN115577058A CN115577058A (zh) 2023-01-06
CN115577058B true CN115577058B (zh) 2023-08-01

Family

ID=84581173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211167650.6A Active CN115577058B (zh) 2022-09-23 2022-09-23 一种兼顾全局与局部最优影响的小图斑竞争分裂方法

Country Status (1)

Country Link
CN (1) CN115577058B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103136603A (zh) * 2013-03-26 2013-06-05 武汉大学 一种智能土地利用布局优化配置方法
CN104200387A (zh) * 2014-09-18 2014-12-10 信阳师范学院 一种顾及地理实体语义相似度的土地用途分区方法
CN107862644A (zh) * 2017-12-21 2018-03-30 武汉大学 一种面向“三线”冲突的分析和评价方法
CN109636870A (zh) * 2018-12-04 2019-04-16 中国测绘科学研究院 一种狭长图斑分块融解方法及装置
CN110097529A (zh) * 2019-04-18 2019-08-06 华南农业大学 一种基于语义规则的农田定级单元划分方法及系统
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
CN110176018A (zh) * 2019-04-18 2019-08-27 中国测绘科学研究院 一种保持结构化地物轮廓特征的图斑合并方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184458A (zh) * 2011-02-28 2011-09-14 北京林业大学 一种防护林体系格局调控方法
CN106846344B (zh) * 2016-12-14 2018-12-25 国家海洋局第二海洋研究所 一种基于边缘完备度的图像分割最优识别方法
CN106709451B (zh) * 2016-12-23 2019-09-17 中国科学院深圳先进技术研究院 滩涂生态恢复方法及装置
CN109101894B (zh) * 2018-07-19 2019-08-06 山东科技大学 一种地表类型数据支持的遥感图像云阴影检测方法
CN111476170A (zh) * 2020-04-09 2020-07-31 首都师范大学 一种结合深度学习和随机森林的遥感影像语义分割方法
CN113837547A (zh) * 2021-08-25 2021-12-24 广州市图鉴城市规划勘测设计有限公司 一种基于旧村改造建新范围的可行性分析方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103136603A (zh) * 2013-03-26 2013-06-05 武汉大学 一种智能土地利用布局优化配置方法
CN104200387A (zh) * 2014-09-18 2014-12-10 信阳师范学院 一种顾及地理实体语义相似度的土地用途分区方法
CN107862644A (zh) * 2017-12-21 2018-03-30 武汉大学 一种面向“三线”冲突的分析和评价方法
CN109636870A (zh) * 2018-12-04 2019-04-16 中国测绘科学研究院 一种狭长图斑分块融解方法及装置
CN110097529A (zh) * 2019-04-18 2019-08-06 华南农业大学 一种基于语义规则的农田定级单元划分方法及系统
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
CN110176018A (zh) * 2019-04-18 2019-08-27 中国测绘科学研究院 一种保持结构化地物轮廓特征的图斑合并方法

Also Published As

Publication number Publication date
CN115577058A (zh) 2023-01-06

Similar Documents

Publication Publication Date Title
Jin et al. Designing a spatial pattern to rebalance the orientation of development and protection in Wuhan
Zhang et al. Urban construction land suitability evaluation based on improved multi-criteria evaluation based on GIS (MCE-GIS): Case of New Hefei City, China
CN110334391A (zh) 一种多维度约束风电场集电线路自动规划方法
CN110689187B (zh) 一种基于多条件约束的变电站自动选址方法
CN110162650B (zh) 一种兼顾局部最优与整体面积平衡的小图斑融解方法
Chang et al. Applying a modified VIKOR method to classify land subdivisions according to watershed vulnerability
CN106709989B (zh) 基于面向对象影像特征的地理本体建模与语义推理方法
Öhman et al. Clustering of harvest activities in multi-objective long-term forest planning
CN102360458A (zh) 一种移民安置区选择模糊评价方法
Peng et al. Research on ecological risk assessment in land use model of Shengjin Lake in Anhui province, China
CN105069463A (zh) 基于面向对象的多尺度山地城市土地覆盖信息的获取方法
CN107169878A (zh) 一种基于开源信息自主收集空间负荷基础数据的方法
Lu et al. A vector-based cellular automata model for simulating urban land use change
CN104517024A (zh) 一种基于建筑物尺度的城市绿度空间评价建模方法
CN109598056B (zh) 城市建设用地形态紧凑度的测度方法、系统及存储介质
CN113091745A (zh) 一种水库消落带的无人机巡航路线规划方法及系统
Sahraoui et al. Integrated GIS software for computing landscape visibility metrics
CN110544305A (zh) 面向规则格网dem构建的地形陡坎线信息融合方法
Dimitrios Urban growth prediction modelling using fractals and theory of chaos
CN110084865A (zh) 一种离散点分级加权拟合规则格网的方法
Nematollahi et al. Applying a systematic conservation planning tool and ecological risk index for spatial prioritization and optimization of protected area networks in Iran
CN112037107A (zh) 一种自然保护地边界重叠特征的量化方法
CN115759883A (zh) 基于网络群组特征的生态管理分区方法
CN115577058B (zh) 一种兼顾全局与局部最优影响的小图斑竞争分裂方法
CN110543660A (zh) 一种低冲击开发模拟方法、系统及相关装置

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