CN116168096A - 变分辨率矢量瓦片的构建方法 - Google Patents

Abstract

本发明公开了一种变分辨率矢量瓦片的构建方法，包括如下步骤：步骤1，确定矢量瓦片金字塔划分层级m至n，其中，m≤n；步骤2，根据矢量瓦片金字塔层级L构建多尺度矢量数据集；步骤3，基于上述步骤2构建得到的多尺度矢量数据集，根据数据的空间分布特征构建自适应数据密度的变分辨率矢量瓦片；步骤4，基于Geohash算法对变分辨率矢量瓦片进行编码，每个编码包括瓦片在金字塔上所处的级别以及瓦片的空间位置信息。本发明可以根据数据空间分布密度特征动态调整瓦片大小，从而保证不同瓦片之间的负载平衡，并提高矢量瓦片的传输和渲染效率。

Description

变分辨率矢量瓦片的构建方法

技术领域

本发明属于农业-环境微生物的技术领域，具体涉及一种变分辨率矢量瓦片构的建方法。

背景技术

随着信息技术的快速发展，网络地理信息的服务模式已经从传统的浏览、查询、检索等基本操作，发展到海量数据快速显示、交互式个性化地图展示、地图数据动态更新等高级功能需求。海量地理信息的高效传输和动态个性化展示是网络地理信息服务中急需解决的关键理论和技术问题。目前，栅格数据的网络服务已经由栅格地图瓦片金字塔技术解决，但栅格瓦片不能满足用户对个性化地理信息服务的需求。因此，矢量瓦片金字塔技术被提出，并成为一种新趋势。

矢量瓦片金字塔是一种多分辨率层次模型，在统一的空间参照下,根据用户需要以不同分辨率存储与展示矢量数据,形成分辨率由粗到细、数据量由小到大的金字塔结构。在金字塔的同一层级下，利用与空间数据坐标轴线平行的分割线将数据空间划分为多个统一大小的格网(如256*256像素)，并基于该格网对空间数据进行剪切，形成矢量瓦片。在金字塔的不同层级下，空间数据被简化为不同级别的细节层次，并根据LODs模型组织成金字塔结构。与栅格瓦片相比，矢量瓦片可以减少瓦片的数据量，并提供更为方便的空间数据表示方法。并且，由于矢量瓦片继承矢量数据的特点，以地理要素为单位，因此它可以为用户提供个性化信息展示的可能性。目前，Geoserver、ArcGIS、Mapbox和其他一些软件均可以提供矢量瓦片服务。同时，矢量瓦片技术已经被应用于空间数据处理、制图和分析等不同场景。

传统的矢量瓦片是以统一的网格形式划分的，忽略了地理数据的空间分布异质性，导致瓦片之间的数据量负载不平衡。例如，部分矢量瓦片可能包含大量地理特征，数据量大；而部分矢量瓦片可能包含少量地理特征，甚至没有，数据量小。瓦片间的负载不平衡会降低瓦片的传输和渲染效率。

发明内容

本发明的目的在于针对现有技术的不足之处，提供一种变分辨率矢量瓦片的构建方法，该方法可以根据数据空间分布密度特征动态调整瓦片大小，从而保证不同瓦片之间的负载平衡，并提高矢量瓦片的传输和渲染效率。

为解决上述技术问题，本发明采用如下技术方案：

一种变分辨率矢量瓦片的构建方法，包括如下步骤：

步骤1，确定矢量瓦片金字塔划分层级m至n，其中，m≤n；

步骤2，根据矢量瓦片金字塔层级L构建多尺度矢量数据集；

步骤3，基于上述步骤2构建得到的多尺度矢量数据集，根据数据的空间分布特征构建自适应数据密度的变分辨率矢量瓦片；

步骤4，基于Geohash算法对变分辨率矢量瓦片进行编码，每个编码包括瓦片在金字塔上所处的级别以及瓦片的空间位置信息。

进一步地，步骤2实现方式如下：

步骤2.1，令矢量瓦片金字塔层级L＝m；

步骤2.2，根据矢量瓦片金字塔层级L计算出WGS84坐标系统下基于全球剖分的瓦片比例尺以及瓦片像素分辨率大小；

步骤2.3，以上述步骤2.2计算得到的L层级对应的瓦片像素分辨率为阈值实现对点、线、面矢量数据的简化；

步骤2.4，令L＝L+1，L≤n；

步骤2.5，重复上述步骤2.2-2.4；

步骤2.6，当L＝m，即完成所有层级矢量数据的简化，得到多尺度矢量数据集。

进一步地，步骤2.2根据矢量瓦片金字塔层级L计算出WGS84坐标系统下基于全球剖分的瓦片比例尺以及瓦片像素分辨率大小的步骤如下：

步骤2.2.1，基于WGS84坐标系，地球的经度范围为-180°到180°，纬度范围为-90°到90°，对于第L级的传统矢量瓦片，经度方向的瓦片数量为2*2^L；

步骤2.2.2，每个传统矢量瓦片包括256*256个像素，经度方向的像素数就是256*2*2^L；

步骤2.2.3，第L层的矢量瓦片比例尺由公式计算

得到；

步骤2.2.4，第L层的矢量瓦片像素分辨率和瓦片的级别之间的关系由公式

计算得到。

进一步地，步骤2.3中对点、线、面数据的简化方式如下：

对于点数据，采用距离阈值法进行简化，将瓦片像素分辨率大小设置为距离阈值，通过删除距离小于该阈值的两个点中的一个来简化点数据；

对于线、面数据，首先对数据进行要素的选取：选取线数据中长度大于单个瓦片像素分辨率边长的要素，面数据中面积大于单个瓦片像素分辨率面积的要素；然后对选取的线、面要素进行抽稀。

进一步地，步骤3具体包括如下步骤：

步骤3.1，令矢量瓦片金字塔层级L＝m；

步骤3.2，选择上述步骤2构建得到的多尺度矢量数据集中的第L层级矢量数据；

步骤3.3，将矢量数据中线、面要素的折点转换为离散的坐标点对；

步骤3.4，用点密度分析法评价点集的密度特征；

步骤3.5，结合网络带宽以及离散坐标点所占存储空间的大小确定单张矢量瓦片最多包含的离散点的数量阈值；

步骤3.6，利用上述步骤3.3构建得到的离散点集，基于动态四叉树模型，以上述步骤3.5得到的单张矢量瓦片最多包含的离散点数量阈值为动态四叉树划分条件，构建自适应数据密度的变尺寸矢量瓦片；

步骤3.7，将上述步骤3.6构建得到的变尺寸矢量瓦片与上述步骤3.4得到的点集密度特征进行结合分析，确定变尺寸矢量瓦片的密度特征与点集的密度特征是否对应；

步骤3.8，令L＝L+1，L≤n；

步骤3.9，重复上述步骤3.2-3.8；

步骤3.10，当L＝m，即完成所有层级矢量瓦片的构建，得到变分辨率矢量瓦片金字塔。

进一步地，步骤3.4中用点密度分析法评价点集的密度特征的方法如下：首先给每个点分配相同的权重，然后将搜索区域内的点的数量相加，用总和除以搜索区域面积，即可得到点集的密度特征。

进一步地，步骤3.5中单张矢量瓦片最多包含的离散点数量阈值由如下公式得到：

其中，Num是单个瓦片最多包含点数量的阈值；Bandwidth是网络的带宽，单位是Mpbs；t是单个瓦片的传输时间，单位是s；DV是单个坐标点的数据量，单位为bit，它根据数据的精度而变化。

进一步地，步骤3.6中构建自适应数据密度的变分辨率矢量瓦片的步骤如下：

步骤3.6.1，将上述步骤3.2的矢量数据地理范围作为根节点，计算该范围中包含离散点对个数；

步骤3.6.2，若点对个数大于单张矢量瓦片最多包含的离散点对数量的阈值，则对该地理范围进行四等分，并将每一等分后的地理范围作为子节点；

步骤3.6.3，计算每一子节点地理范围中包含的离散点对的数量，若大于单张矢量瓦片最多包含的离散点对数量的阈值，则继续将该节点对应地理范围进行四等分，否则将该节点设为叶子节点，并将该节点地理范围对应的矢量数据存储为矢量瓦片；

步骤3.6.4，重复上述步骤3.5.2-3.5.3，直至完成该层级矢量瓦片的构建。

进一步地，步骤4具体包括如下步骤：

步骤4.1，令矢量瓦片编码的前两位数字为瓦片在金字塔上的级别L；

步骤4.2，令矢量瓦片编码的后八位数字和字母的组合为对应于瓦片中心点坐标的Geohash编码。

进一步地，步骤4.2中Geohash编码过程为：

首先，用纬度[-90°,90°]和经度[-180°,180°]的初始区间范围来判断目标经度和纬度是在左区间还是右区间，左侧区间代码为0，右侧区间代码为1；

其次，将第一步得到的区间进一步细分为一半，并得到下一个二进制代码，直到代码的长度满足精度要求，再根据把经度放在偶数位上，把纬度放在奇数位上的规则，将二进制代码组合起来，得到一个新的二进制字符串；

最后，根据Base32表将二进制字符串转换为字符串，即可得到与瓦片对应的GeoHash编码。

与现有技术相比，本发明的有益效果为：

1)在横向上，本发明考虑到数据的空间分布特征，动态调整瓦片的大小，使得数据密集的地方瓦片更小更密集，数据稀疏的地方瓦片更大更稀疏，从而使得瓦片间的数据量相对均衡，提高瓦片的加载和渲染效率；

2)在纵向上，本发明通过计算得到与瓦片级别相对应的瓦片比例尺及瓦片像素分辨率，并以瓦片像素分辨率为阈值对矢量数据进行简化，从而得到多尺度矢量数据集，将矢量数据组织为数据粒度由粗到细、数据量由大到小的金字塔结构；

3)由于矢量瓦片中只存储矢量数据的属性信息与几何信息，其属性信息相较于几何信息所占存储空间通常可忽略不计，因此本发明在变分辨率矢量瓦片的构建过程中将瓦片中包含坐标点的数量作为均衡矢量瓦片大小的依据；本发明通过将上述构建的多尺度矢量数据集中的各级别矢量数据的线、面要素的折点转换为点的方式构建矢量数据的离散点集，并以离散点集中点的个数为依据对矢量数据构建瓦片；

4)本发明基于“动态四叉树”模型构建矢量瓦片，其中，四叉树划分的终止条件是关键问题，本发明使用单张瓦片最多包含离散点数量的阈值作为四叉树分区的终止条件，如果单张瓦片中包含点的数量大于给定的阈值，则继续对该瓦片对应地理范围进行四分处理；否则终止划分，并将叶子节点存储为矢量瓦片；以此方法构建的矢量瓦片可以保证瓦片内包含坐标点的数量相对均衡，从而保证瓦片的大小相对均衡；

5)单张瓦片最多包含离散点数量的阈值是瓦片划分的关键，阈值过小会导致不必要的过密划分；阈值过大会导致单张瓦片包含数据量过多、瓦片间数据量不均衡并影响前端加载效率。为了保证瓦片数据量和瓦片划分密度的平衡，从而提高前端加载效率，本发明结合网络带宽和经纬度坐标点精度确定单张瓦片中包含的点数量的阈值；

6)为了便于矢量瓦片的存储与检索，本发明采用Geohash编码规则对变分辨率矢量瓦片进行编码；Geohash算法通过把矢量瓦片中心点的二维空间经纬度坐标编码为一个字符串来确定瓦片的唯一标识，基于Geohash算法对变分辨率矢量瓦片进行编码可以被认为是以Z阶曲线来填充变尺寸矢量瓦片。同时，本发明结合瓦片所在金字塔层级，使每个编码包括瓦片在金字塔上所处的级别和瓦片的空间位置信息，例如，12_wt3ethx8，其中前两位数字是瓦片在金字塔上的级别，后八位数字和字母的组合是瓦片中心点坐标对应的Geohash编码，根据瓦片的位置而动态变化，从而构建矢量瓦片的唯一标识，便于瓦片的存储与查询。

附图说明

图1为本发明实施例变分辨率矢量瓦片的构建方法的流程图；

图2为本发明实施例的实验数据示意图；

图3为本发明实施例多尺度矢量数据集的部分级别细节展示；

图4为本发明实施例部分级别矢量数据所构建的离散点集的点密度特征图；

图5为本发明实施例部分级别矢量瓦片划分结果图；

图6为本发明实施例构建的变分辨率矢量瓦片与传统均匀格网矢量瓦片的数量对比图；

图7为本发明实施例构建的变分辨率矢量瓦片与传统均匀格网矢量瓦片的数据量标准偏差对比图。

具体实施方式

下面将结合本发明实施例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作出创造性劳动的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。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合具体实施例对本发明作进一步说明，但不作为本发明的限定。

针对传统以均匀格网形式划分的矢量瓦片所存在的瓦片数量过多且瓦片间数据量不均衡，从而影响前端加载渲染效率的问题，本发明实施例提出了一种考虑数据空间分布密度特征的变分辨率矢量瓦片构建方法，该方法考虑到由于地理信息网络服务通常将数据组织成具有不同细节层次的金字塔结构，以满足用户的需求，其首先生成一个多尺度矢量数据集，用于展示不同级别细节层次的矢量瓦片。矢量瓦片金字塔模型的基本思想是根据显示区域的大小，将空间数据组织成不同空间分辨率的矢量瓦片，较大显示区域对应于较小比例尺的低分辨率矢量瓦片，较小显示区域对应较于大尺度的高分辨率瓦片；然后，本发明实施例将多尺度的矢量数据集用不同大小的格网进行切片，与传统均匀格网矢量瓦片的构建方法不同，本发明实施例考虑到数据的空间分布异质性，根据数据的空间分布密度动态调整瓦片尺寸；最后，为了方便数据的组织和检索，本发明实施例使用geohash算法对变分辨率的矢量瓦片进行编码。本发明实施例的方法在横向上可以根据数据的空间分布密度动态调整格网的大小，并使用可变大小的格网对矢量数据进行裁切以形成矢量瓦片；在纵向上，基于瓦片级别所对应的瓦片比例尺及瓦片像素分辨率对矢量数据进行简化，形成多尺度矢量数据，空间数据被组织成金字塔结构；在数据组织方面，利用geohash算法对变分辨率矢量瓦片进行编码，以提高矢量瓦片的存储和查询的效率。下面结合具体的实例对本发明实施例进行详细说明，其具体包括：

参见图1，采用武汉市百度地图路网数据作为实验数据，实验数据如图2所示。数据类型为line，地理坐标系为WGS-84，投影坐标系为WGS 1984UTM ZONE 49N，共计26298条道路线要素，包含Shape、Name等12个属性，总数据量大小为5,324,308bytes。由图2可以看出，武汉市道路交通网络形成了以放射路为主、环形和方格网相结合的交通网络形态，交通网络密度和复杂度由核心向外圈下降，是一种要素空间分布非常不均匀的线数据。实验测试环境为HP笔记本处理器Intel(R)Core(TM)i5-8250U CPU@1.60GHz 1.80GHz，内存8.00GB；操作系统为Windows 10 64位；Web服务器为Express；开发平台为ArcEngine；浏览器为Firefox。本实施例实施流程如下：

步骤1，确定瓦片划分级别0-21；

步骤2，根据矢量瓦片金字塔层级L构建多尺度矢量数据集，该步骤具体为：

步骤2.1，令矢量瓦片金字塔层级L＝0；

步骤2.2，根据矢量瓦片金字塔层级L计算出WGS84坐标系统下基于全球剖分的瓦片比例尺以及瓦片像素分辨率大小，其中，根据矢量瓦片金字塔层级L计算出WGS84坐标系统下基于全球剖分的瓦片比例尺以及瓦片像素分辨率大小的步骤如下：

步骤2.2.1，基于WGS84坐标系，地球的经度范围是360度(-180°到180°)，纬度范围是180度(-90°到90°)。对于第L级的矢量瓦片，经度方向的瓦片数量为2*2^L；

步骤2.2.2，每个传统矢量瓦片由256*256个像素组成，因此经度方向的像素数就是256*2*2^L；

步骤2.2.3，根据网络地图瓦片服务规范，标准像素尺寸为0.28mm×0.28mm，则经度方向的像素总长度为0.00028*256*2*2^L米。地球在赤道方向的距离为2πR，其中R为赤道半径，等于6378137米。因此第L层的矢量瓦片比例尺可由公式计算

得到；

步骤2.2.4，第L层的矢量瓦片像素分辨率和瓦片的级别之间的关系可由公式

计算得到。根据上述步骤计算的结果如表1所示，如表1为0-21级矢量瓦片对应的瓦片比例尺级瓦片像素分辨率；

表1为0-21级矢量瓦片对应的瓦片比例尺级瓦片像素分辨率

步骤2.3，以上述步骤2.1计算得到的L层级下对应的瓦片像素分辨率为阈值实现对点、线、面矢量数据的简化，其中，对点、线、面数据的简化方式如下：对于点数据，采用“距离阈值法”进行简化，将瓦片像素分辨率大小设置为距离阈值，通过删除距离小于该阈值的两个点中的一个来简化点数据；对于线、面数据，首先对数据进行要素的选取：选取线数据中长度大于单个瓦片像素分辨率边长的要素，面数据中面积大于单个瓦片像素分辨率面积的要素。然后对选取的线、面要素进行抽稀，本实施例采用“道格拉斯-普克”抽稀方法，以瓦片像素分辨率大小为抽稀阈值完成对线、面数据的抽稀；

步骤2.4，令L＝L+1，L≤21；

步骤2.5，重复上述步骤2.2-2.4；

步骤2.6，当L＝21，即完成所有层级矢量数据的简化，得到多尺度矢量数据集，如图3所示为多尺度矢量数据集的部分级别细节展示。

步骤3，基于上述步骤2构建得到的多尺度矢量数据集，根据数据的空间分布特征构建自适应数据密度的变分辨率矢量瓦片；该步骤具体实现方式为：

步骤3.1，令矢量瓦片金字塔层级L＝0；

步骤3.2，选择上述步骤2构建得到的多尺度矢量数据集中的第L层级矢量数据；

步骤3.3，将矢量数据中线、面要素的折点转换为离散的坐标点对(点要素无需转换)；

步骤3.4，用“点密度分析法”评价点集的密度特征，其方法具体为：首先给每个点分配相同的权重，然后将搜索区域内的点的数量相加，用总和除以搜索区域，即可得到点集的密度特征(见图4)，如图4所示为部分级别矢量数据所构建的离散点集的点密度特征图；

步骤3.5，结合网络带宽以及离散坐标点所占存储空间的大小确定单张矢量瓦片最多包含的离散点数量阈值，单张矢量瓦片最多包含的离散点数量阈值计算公式为：

式中，Num是单个瓦片中包含点数量的阈值；Bandwidth是网络的带宽，本实施例带宽为50Mpbs；t是单个瓦片的传输时间，约为10ms，即0.01s；DV是单个坐标点的数据量，本实施例中离散点的经纬度坐标精确到小数点后15位，转换为字符串后每个坐标点的数据量约为35bytes，即280bits，因此计算可得单张矢量瓦片最多包含的离散点数量阈值为1785；

步骤3.6，利用上述步骤3.3构建得到的离散点集，基于“动态四叉树”模型，以上述步骤3.5得到的单张矢量瓦片最多包含的离散点数量阈值为动态四叉树划分条件，构建自适应数据密度的变尺寸矢量瓦片，其实现方式为：

步骤3.6.1，将上述步骤3.2的矢量数据地理范围作为根节点，计算该范围中包含离散点对个数；

步骤3.6.2，若点对个数大于1785个，则对该地理范围进行四等分，并将每一等分后的地理范围作为子节点；

步骤3.6.3，计算每一子节点地理范围中包含的离散点对的数量，若大于1785个，则继续将该节点对应地理范围进行四等分，否则将该节点设为叶子节点，并将该节点地理范围的对应的矢量数据存储为矢量瓦片；

步骤3.6.4，重复上述步骤3.5.2-3.5.3，直至完成该层级矢量瓦片的构建；

步骤3.7，将上述步骤3.6得到的变尺寸矢量瓦片与上述步骤3.4得到的点集密度特征进行结合分析，确定变尺寸矢量瓦片的密度特征与点集的密度特征是否对应；

步骤3.8，令L＝L+1,L≤21；

步骤3.9，重复上述步骤3.2-3.8；

步骤3.10，当L＝21，即完成所有层级矢量瓦片的构建，得到变分辨率矢量瓦片金字塔(见图5)，如图5所示为部分级别矢量瓦片划分结果图。

步骤4，基于Geohash算法对变分辨率的矢量瓦片进行编码，每个编码包括瓦片在金字塔上所处的级别以及瓦片的空间位置信息，如图6所示，具体包括：

步骤4.1，令矢量瓦片编码的前两位数字为瓦片在金字塔上的级别L；

步骤4.2，令矢量瓦片编码的后八位数字和字母的组合码是对应于瓦片中心点坐标的Geohash编码，它根据瓦片的位置而动态变化；其中，Geohash编码的过程如下：

首先，用纬度[-90°，90°]和经度[-180°，180°]的初始区间范围来判断目标经度和纬度是在左区间还是右区间，左侧区间代码为0，右侧区间代码为1；然后，将第一步得到的区间进一步细分为一半，并得到下一个二进制代码，直到代码的长度满足精度要求，再根据"把经度放在偶数位上，把纬度放在奇数位上"的规则，将二进制代码组合起来，得到一个新的二进制字符串；最后，根据Base32表将二进制字符串转换为字符串，即可得到与瓦片对应的GeoHash编码。

为了说明本发明实施例的有益效果，开展本发明实施例构建的变分辨率矢量瓦片与传统均匀格网矢量瓦片的对比实验，其中，对比试验包括：选择9-15级变分辨率矢量瓦片和传统矢量瓦片进行比较分析以及比较两种矢量瓦片的数量、最大数据量、最小数据量、平均数据量和数据量的标准差，比较结果如表2、图6、图7所示。

表2为变分辨率矢量瓦片与传统均匀格网矢量瓦片数量、最大数据量、最小数据量、平均数据量对比表

对表2、图6、图7进行分析可以得出：传统矢量瓦片的数量随着瓦片金字塔级别的增加呈指数级增长，而本发明实施例提出的变分辨率矢量瓦片的数量呈线性增长。由同级别矢量瓦片的数据量标准差可看出，传统矢量瓦片法的标准差在低级别时较大，说明瓦片间的数据量明显不平衡；而变分辨率矢量瓦片的标准差在各级别都很小，说明瓦片的数据量相对更加均衡。故本发明实施例的方法保证了不同瓦片之间的负载平衡，并提高矢量瓦片的传输和渲染效率。

以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (10)

1.一种变分辨率矢量瓦片的构建方法，其特征在于，包括如下步骤：

步骤1，确定矢量瓦片金字塔划分层级m至n，其中，m≤n；

步骤2，根据矢量瓦片金字塔层级L构建多尺度矢量数据集；

步骤3，基于上述步骤2构建得到的多尺度矢量数据集，根据数据的空间分布特征构建自适应数据密度的变分辨率矢量瓦片；

步骤4，基于Geohash算法对变分辨率矢量瓦片进行编码，每个编码包括瓦片在金字塔上所处的级别以及瓦片的空间位置信息。

2.根据权利要求1所述的变分辨率矢量瓦片的构建方法，其特征在于，步骤2实现方式如下：

步骤2.1，令矢量瓦片金字塔层级L＝m；

步骤2.2，根据矢量瓦片金字塔层级L计算出WGS84坐标系统下基于全球剖分的瓦片比例尺以及瓦片像素分辨率大小；

步骤2.3，以上述步骤2.2计算得到的L层级对应的瓦片像素分辨率为阈值实现对点、线、面矢量数据的简化；

步骤2.4，令L＝L+1，L≤n；

步骤2.5，重复上述步骤2.2-2.4；

步骤2.6，当L＝m，即完成所有层级矢量数据的简化，得到多尺度矢量数据集。

3.根据权利要求2所述的变分辨率矢量瓦片的构建方法，其特征在于，步骤2.2根据矢量瓦片金字塔层级L计算出WGS84坐标系统下基于全球剖分的瓦片比例尺以及瓦片像素分辨率大小的步骤如下：

步骤2.2.1，基于WGS84坐标系，地球的经度范围为-180°到180°，纬度范围为-90°到90°，对于第L级的传统矢量瓦片，经度方向的瓦片数量为2*2^L；

步骤2.2.2，每个传统矢量瓦片包括256*256个像素，经度方向的像素数就是256*2*2^L；

步骤2.2.3，第L层的矢量瓦片比例尺由公式计算

得到；

步骤2.2.4，第L层的矢量瓦片像素分辨率和瓦片的级别之间的关系由公式

计算得到。

4.根据权利要求2所述的变分辨率矢量瓦片的构建方法，其特征在于，步骤2.3中对点、线、面数据的简化方式如下：

对于点数据，采用距离阈值法进行简化，将瓦片像素分辨率大小设置为距离阈值，通过删除距离小于该阈值的两个点中的一个来简化点数据；

对于线、面数据，首先对数据进行要素的选取：选取线数据中长度大于单个瓦片像素分辨率边长的要素，面数据中面积大于单个瓦片像素分辨率面积的要素；然后对选取的线、面要素进行抽稀。

5.根据权利要求1所述的变分辨率矢量瓦片的构建方法，其特征在于，步骤3具体包括如下步骤：

步骤3.1，令矢量瓦片金字塔层级L＝m；

步骤3.2，选择上述步骤2构建得到的多尺度矢量数据集中的第L层级矢量数据；

步骤3.3，将矢量数据中线、面要素的折点转换为离散的坐标点对；

步骤3.4，用点密度分析法评价点集的密度特征；

步骤3.5，结合网络带宽以及离散坐标点所占存储空间的大小确定单张矢量瓦片最多包含的离散点的数量阈值；

步骤3.6，利用上述步骤3.3构建得到的离散点集，基于动态四叉树模型，以上述步骤3.5得到的单张矢量瓦片最多包含的离散点数量阈值为动态四叉树划分条件，构建自适应数据密度的变尺寸矢量瓦片；

步骤3.7，将上述步骤3.6构建得到的变尺寸矢量瓦片与上述步骤3.4得到的点集密度特征进行结合分析，确定变尺寸矢量瓦片的密度特征与点集的密度特征是否对应；

步骤3.8，令L＝L+1，L≤n；

步骤3.9，重复上述步骤3.2-3.8；

步骤3.10，当L＝m，即完成所有层级矢量瓦片的构建，得到变分辨率矢量瓦片金字塔。

6.根据权利要求5所述的变分辨率矢量瓦片的构建方法，其特征在于，步骤3.4中用点密度分析法评价点集的密度特征的方法如下：

首先给每个点分配相同的权重，然后将搜索区域内的点的数量相加，用总和除以搜索区域面积，即可得到点集的密度特征。

7.根据权利要求5所述的变分辨率矢量瓦片的构建方法，其特征在于，步骤3.5中单张矢量瓦片最多包含的离散点数量阈值由如下公式得到：

其中，Num是单个瓦片最多包含点数量的阈值；Bandwidth是网络的带宽，单位是Mpbs；t是单个瓦片的传输时间，单位是s；DV是单个坐标点的数据量，单位为bit，它根据数据的精度而变化。

8.根据权利要求5所述的变分辨率矢量瓦片的构建方法，其特征在于，步骤3.6中构建自适应数据密度的变分辨率矢量瓦片的步骤如下：

步骤3.6.1，将上述步骤3.2的矢量数据地理范围作为根节点，计算该范围中包含离散点对个数；

步骤3.6.2，若点对个数大于单张矢量瓦片最多包含的离散点对数量的阈值，则对该地理范围进行四等分，并将每一等分后的地理范围作为子节点；

步骤3.6.3，计算每一子节点地理范围中包含的离散点对的数量，若大于单张矢量瓦片最多包含的离散点对数量的阈值，则继续将该节点对应地理范围进行四等分，否则将该节点设为叶子节点，并将该节点地理范围对应的矢量数据存储为矢量瓦片；

步骤3.6.4，重复上述步骤3.5.2-3.5.3，直至完成该层级矢量瓦片的构建。

9.根据权利要求1所述的变分辨率矢量瓦片的构建方法，其特征在于，步骤4具体包括如下步骤：

步骤4.1，令矢量瓦片编码的前两位数字为瓦片在金字塔上的级别L；

步骤4.2，令矢量瓦片编码的后八位数字和字母的组合为对应于瓦片中心点坐标的Geohash编码。

10.根据权利要求9所述的变分辨率矢量瓦片的构建方法，其特征在于，步骤4.2中Geohash编码方式为：

首先，用纬度[-90°,90°]和经度[-180°,180°]的初始区间范围来判断目标经度和纬度是在左区间还是右区间，左侧区间代码为0，右侧区间代码为1；

其次，将第一步得到的区间进一步细分为一半，并得到下一个二进制代码，直到代码的长度满足精度要求，再根据把经度放在偶数位上，把纬度放在奇数位上的规则，将二进制代码组合起来，得到一个新的二进制字符串；

最后，根据Base32表将二进制字符串转换为字符串，即得到与瓦片对应的GeoHash编码。

Images