一种自身全局最优的道路网Stroke生成方法

doi:10.13474/j.cnki.11-2246.2022.0210

测绘通报 ›› 2022, Vol. 0 ›› Issue (7): 93-99.doi: 10.13474/j.cnki.11-2246.2022.0210

一种自身全局最优的道路网Stroke生成方法

吕峥, 孙群, 温伯威, 马京振

信息工程大学地理空间信息学院, 河南郑州 450001

收稿日期:2021-08-17 出版日期:2022-07-25 发布日期:2022-07-28
作者简介:吕峥(1996—),男,博士生,主要从事多源矢量数据融合及制图综合研究。E-mail:lvzheng_xd@163.com
基金资助:
河南省中原学者资助项目(202101510001);智慧中原地理信息技术河南省协同创新中心和时空感知与智能处理自然资源部重点实验室基金(212102)

A self-global-best-fit road network Stroke generation method

Lü Zheng, SUN Qun, WEN Bowei, MA Jingzhen

Institute of Geospatial Information, Information Engineering University, Zhengzhou 450001, China

Received:2021-08-17 Online:2022-07-25 Published:2022-07-28

摘要/Abstract

摘要： Stroke在道路网研究中发挥着重要作用,目前Stroke连接策略大多限于局部,对Stroke的全局表现考虑不足。针对以上不足,本文提出了一种自身全局最优的道路网Stroke生成方法,以起始路段为根结点,以连接规则为约束构建Stroke树,并通过随机森林算法投票选出每棵树的最优Stroke。经试验验证,自身全局最优的道路网Stroke生成方法在视觉认知和网络功能方面的表现均优于自身适合策略、自身最大适合策略及每对最大适合策略。

关键词: 道路网, 自身全局最优, 随机森林, Stroke树

Abstract: Stroke plays an important role in road network research. At present, most stroke connection strategies focus on the local and don't consider global performance. The paper presents a self-global-best-fit strategy for generating road network Stroke. Firstly, the Stroke tree is built under the constraints of connection rules with the selected road as the root node. Then, the best Stroke of each tree is selected by the random forest algorithm. The results show that the performance of the self-global-best-fit strategy is better than the self-fit strategy, self-best-fit strategy, and every-best-fit strategy in visual cognition and network function.

Key words: road network, self-global-best-fit, random forest, Stroke tree

中图分类号:

P208

吕峥, 孙群, 温伯威, 马京振. 一种自身全局最优的道路网Stroke生成方法[J]. 测绘通报, 2022, 0(7): 93-99.

Lü Zheng, SUN Qun, WEN Bowei, MA Jingzhen. A self-global-best-fit road network Stroke generation method[J]. Bulletin of Surveying and Mapping, 2022, 0(7): 93-99.

参考文献

[1] THOMSON R C,RICHARDSON D E.The"good continuation"principle of perceptual organization applied to the generalization of road networks[C]//Proceedings of the 19th International Cartographic Conference.Ottawa:[s.n.],1999.
[2] 马京振.顾及尺度变化的道路和居民地融合处理理论与方法研究[D].郑州:信息工程大学,2020.
[3] 钱海忠,张钊,翟银凤,等.特征识别、Stroke与极化变换结合的道路网选取[J].测绘科学技术学报,2010,27(5):371-374.
[4] 马超,孙群,陈换新,等.加权网页排序算法在道路网自动选取中的应用[J].武汉大学学报(信息科学版),2018,43(8):1159-1165.
[5] 栾学晨.保持结构模式的道路网数据多尺度建模[D].武汉:武汉大学,2013.
[6] JIANG Bin.A topological pattern of urban street networks:universality and peculiarity[J].Physica A:Statistical Mechanics and Its Applications,2007,384(2):647-655.
[7] 王培,赵军喜,崔虎平,等.采用道路骨架线stroke的复杂道路匹配方法[J].测绘科学技术学报,2019,36(1):95-99.
[8] 徐柱,刘彩凤,张红,等.基于路划网络功能评价的道路选取方法[J].测绘学报,2012,41(5):769-776.
[9] LIU Yi,LI Wenjing.A new algorithms of stroke generation considering geometric and structural properties of road network[J].ISPRS International Journal of Geo-Information,2019,8(7):304.
[10] 杨敏,艾廷华,周启.顾及道路目标stroke特征保持的路网自动综合方法[J].测绘学报,2013,42(4):581-587.
[11] CHAUDHRY O,MACKANESS W.Rural and urban road network generalisation deriving 1:250,000 from OS MasterMap[C]//Proceeding of the 22nd International Cartographic Conference.Coruña:ICC.2005.
[12] ZHOU Qi,LI Zhilin.A comparative study of various strategies to concatenate road segments into strokes for map generalization[J].International Journal of Geographical Information Science,2012,26(4):691-715.
[13] 田晶,任畅,王一恒,等.对生成Stroke的自身最大适合策略的改进[J].武汉大学学报(信息科学版),2015,40(9):1209-1214.
[14] YANG Bisheng,LUAN Xuechen,LI Qingquan.Generating hierarchical strokes from urban street networks based on spatial pattern recognition[J].International Journal of Geographical Information Science,2011,25(12):2025-2050.
[15] 田晶,何青松,颜芬.道路网stroke生成问题的形式化表达与新算法[J].武汉大学学报(信息科学版),2014,39(5):556-560.
[16] REN Chang,FANG Huaqiang,LEI Yingzhe,et al.Network functionality oriented stroke building in road networks[C]//Proceedings of the 23rd International Conference on Geoinformatics.Wuhan:IEEE,2015.
[17] BREIMAN L.Random forests[J].Machine Learning,2001,45(1):5-32.
[18] 马京振,孙群,温伯威,等.结合轨迹数据的混合多特征道路网选取方法[J/OL].武汉大学学报(信息科学版):1-10[2021-08-11].https://doi.org/10.13203/j.whugis20190480.
[19] LATORA V,MARCHIORI M.Efficient behavior of small-world networks[J].Physical Review Letters,2001,87(19):198701.

一种自身全局最优的道路网Stroke生成方法

A self-global-best-fit road network Stroke generation method

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	郁宗桥, 王育红, 刘文宋, 左雨芳, 冯锋. 顾及GF-3影像纹理特征的洪涝范围提取方法[J]. 测绘通报, 2022, 0(5): 26-31.
[2]	窦世卿, 陈治宇, 徐勇, 郑贺刚, 苗林林, 宋莹莹. 基于多特征融合与典型降维方法的高光谱影像分类[J]. 测绘通报, 2022, 0(4): 32-36,50.
[3]	冯志立, 肖锋, 卢小平, 郝波, 王如意, 朱睿. 基于随机森林特征优选的冬小麦分类方法[J]. 测绘通报, 2022, 0(3): 70-75.
[4]	王晓晓, 韩留生, 杨骥, 李勇, 张大富, 孙广伟, 范俊甫. Sentinel-2与Landsat 8数据组合下的多特征冬小麦面积提取[J]. 测绘通报, 2022, 0(3): 111-115.
[5]	崔青林, 汪鸣泉, 黄永健. 融合随机森林模型和6种水体指数的上海市水体信息提取[J]. 测绘通报, 2022, 0(2): 106-109.
[6]	高雨, 胡召玲, 樊茹. 高分辨率影像融合算法对滨海湿地土地利用分类精度的影响[J]. 测绘通报, 2022, 0(1): 116-120.
[7]	秦育罗, 宋伟东, 张在岩, 孙小荣. 顾及几何特征和拓扑连续性的道路网匹配方法[J]. 测绘通报, 2021, 0(8): 55-60.
[8]	李军, 桑潇, 张成业, 赵伟, 刘新华, 王宏鹏, 王金阳, 李佳瑶, 杨颖. 资源型城市长时间序列土壤含水量变化分析——以锡林浩特市为例[J]. 测绘通报, 2021, 0(7): 17-22,38.
[9]	刘茂华, 李曼雯. 融合高分影像和LiDAR数据的城市道路提取[J]. 测绘通报, 2021, 0(6): 1-5,60.
[10]	古春霞, 李大成. 时空融合技术在区域地表覆盖时序分类中的应用[J]. 测绘通报, 2021, 0(5): 20-24.
[11]	苏美臣, 魏晓燕, 周峻松, 汪祎勤. 金沙江流域滑坡易发性空间预报分析[J]. 测绘通报, 2021, 0(4): 13-16.
[12]	陈利燕, 林鸿, 吴健华. 融合随机森林和超像素分割的建筑物自动提取[J]. 测绘通报, 2021, 0(2): 49-53.
[13]	李悦, 张敏. 面向对象的高分辨率遥感影像建设用地变化监测[J]. 测绘通报, 2021, 0(2): 54-58.
[14]	赖正文, 夏小云. 像素级和对象级高分辨率遥感图像变化检测分析[J]. 测绘通报, 2021, 0(2): 59-63.
[15]	张鹏, 马庆勋, 吕杰, 季金亮, 李紫微. 机器学习算法在森林地上生物量估算中的应用[J]. 测绘通报, 2021, 0(12): 28-32.