CN109145171A - 一种多尺度地图数据更新方法 - Google Patents
一种多尺度地图数据更新方法 Download PDFInfo
- Publication number
- CN109145171A CN109145171A CN201810810684.XA CN201810810684A CN109145171A CN 109145171 A CN109145171 A CN 109145171A CN 201810810684 A CN201810810684 A CN 201810810684A CN 109145171 A CN109145171 A CN 109145171A
- Authority
- CN
- China
- Prior art keywords
- target
- new
- area
- type
- matching
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种多尺度地图数据更新方法,包括如下步骤:对新的大比例尺数据和待更新的小比例尺数据进行多尺度目标匹配;构建要素级关联关系;进行要素变化信息检测;进行制图综合重定义;进行面向对象的增量更新;进行空间不一致性探测和处理。本发明公开的多尺度地图数据更新方法能有效解决现有技术无法准确识别变化信息及预测变化要素更新传递尺度,要素匹配范围较小,有地图要素更新时的效率较低的问题。
Description
技术领域
本发明涉及多尺度地图更新技术领域,尤其涉及一种多尺度地图数据更新方法。
背景技术
对于地理国情监测、国土空间优化、生态红线保护等国家重大战略项目及智慧城市建设,可靠、适用且及时的地理空间数据具有重要的意义。基础地理数据的现势性是衡量其应用价值的重要标识之一,直接制约着其使用价值和使用范围。目前,全国所有的地级以上市和400多个县级市都已经开展了数字城市的建设,其中地级以上的数字城市建设已全面完成。基础测绘工作重心已由数据生产转向数据维护,尤其是对现有多比例尺矢量地图数据库的现势性更新与一致性维护。
尺度和现势性是地图数据的最基本的特征,不同尺度的地图数据能够表达地球空间现象或实体在不同层次的形态、结构和细节;不同时态的数据则能够表达地球空间现象或实体随着时间变化过程、趋势和规律。各种比例尺地图作为现实世界的多尺度的表达,承担着不同的社会应用,在各行业应用正在逐步进行推广与深入。因此,保持与现实世界的一致性,实现多尺度电子地图快速更新是现代基础测绘的核心工作内容。
现有的对多尺度地图进行匹配的方法为:
(1)选取待匹配地图主干路网,将待匹配地图空间分割成若干道路网眼,并匹配不同比例尺之间道路网眼;(2)在匹配后的道路网眼下构建空白区域骨架线,将道路网眼剖分成群组以及空白区域骨架线网眼;(3)按相同步骤完成小比例尺地图的每个道路网眼的空间剖分;(4)按上述方法构建大比例尺地图的空白区域骨架线网眼,并提取各道路网眼中的居民地群组;(5)逐级匹配不同比例尺地图中的居民地群组、空白区域骨架线网眼和居民地实体,得到以空白区域骨架线网眼为单元的不同尺度地图之间的映射体系。
本发明人在实施本发明的过程中发现,现有技术中存在以下技术问题:
只能通过图像信息对地图要素进行匹配;若地图要素产生变化,对小比例尺地图进行更新时,需要对地图中的所有要素进行重新匹配,导致有地图要素更新时的匹配效率较低;无法得到预测模型库,对下一次地图更新时的变化要素的匹配进行预测;采用主干路网构建骨架线,由于道路的覆盖面积较小,一定程度上缩小了要素匹配范围。
发明内容
本发明实施例提供一种多尺度地图数据更新方法,能有效解决现有技术无法预测变化要素,要素匹配范围较小,有地图要素更新时的匹配效率较低的问题。
本发明一实施例提供一种多尺度地图数据更新方法,包括如下步骤:
对新的大比例尺数据和待更新的小比例尺数据进行多尺度目标匹配;
构建要素级关联关系;
进行要素变化信息检测;
进行制图综合重定义;
进行面向对象的增量更新;
进行空间不一致性探测和处理。
作为上述方案的改进,所述对新的大比例尺数据和待更新的小比例尺数据进行多尺度目标匹配的方法如下:
当匹配目标为点状实体时,采用语义相似度和欧氏距离相似度进行匹配;
当匹配目标为线状实体时,通过计算Hausdorff距离和结点进行匹配;
当匹配目标为面状实体时,通过位置邻接度或重叠相似度进行匹配。
作为上述方案的改进,采用语义相似度和距离相似度进行匹配的具体方法如下:
从参考基准地名、地址和POI数据库中提取专有名词,得到专有词汇和近义词组;
将专有词汇和近义词组添加至词库;
将词库导入分词器,得到分词结果;
将分词结果创建倒排文档索引,并保存至索引文档;
从参考基准地名、地址、POI数据库和含位置信息的其他数据中提取位置信息,得到位置字符信息;
将位置字符信息导入分词器,得到分词结果;
根据分词结果建立检索树;
通过检索树中的检索索引在索引文档中得到检索结果;
根据如下语义相似度的判断公式(1),通过语义相似度对检索结果排序,得到匹配结果:
式中,sim(wk,Si)|i∈(1,2,3…n)表示查询项搜索词Si与参考基准文档 d的Wk的语义相似度,max{sim(wk,Si)|i∈(1,2,3…n)}表示与Wk语义相似度的最大值。
作为上述方案的改进,所述构建要素级关联关系的具体方法为采用迭代方法,具体构建步骤如下:
令新的大比例尺数据包含的目标集合为OL={OL1,OL2,…,OLm},待更新的小比例尺数据包含的目标集合为OS={OS1,OS2,…,OSn},将集合TL和集合TS 定义为分别存储来自集合OL和集合OS的目标的临时集合,并初始化TL=Φ, TS=Φ;
步骤1:若满足OS≠Φ,取出OS中目标存储到TS,并执行步骤4;若不满足OS≠Φ,执行步骤2;
步骤2:若满足OL≠Φ,执行步骤3;若不满足OL≠Φ,结束匹配过程;
步骤3:遍历临时集合TS中的每个目标Oi(i=S1,S2,…,Sn),通过目标匹配查询集合OL中与Oi相匹配的目标,将相匹配的目标从集合OL中取出并保存到数组A中;若满足数组A为空,执行步骤5;若不满足数组A为空,清空临时集合TL,并将数组A中的目标转移到临时集合TL中;
步骤4:遍历临时集合TL中的每个目标Oj(j=L1,L2,…,Lm),通过目标匹配查询集合OS中与Oj相匹配的目标,将相匹配的目标从集合OS取出并保存到数组A中;若满足数组A为空,执行步骤5;若不满足数组A为空,清空临时集合TS,并将数组A中的目标转移至临时集合TS中,执行步骤3;
步骤5:分别取出临时集合TL和临时集合TS中的目标,记录为匹配对,构建要素关联关系;同时清空TL和TS,执行步骤1。
作为上述方案的改进,进行所述要素变化信息检测时,采用变化关系类型、重叠差异度、形状相似性、大小相似性和几何面积作为特性指标,通过决策树模型判断要素变化信息;
其中,所述变化关系类型通过空间对象叠加分析进行判断,包括1:0、0:1、 1:1、m:1(m>1)、m:0(m>1)、m:n(m≥1,n>1)六种类型,具体分类方式如下:
令新的大比例尺数据为D1,待更新的小比例尺数据为D2;
若满足D1中某个目标在D2中没有与之匹配的对象,表现为单个要素目标新增,分类为类型1:0;
若满足D2中某个目标在D1中没有与之匹配的对象,表现为单个要素目标消失,分类为类型0:1;
若满足D1和D2中有目标匹配对应,但是该目标在局部存在扩张、收缩现象,分类为类型1:1;
若满足D1中多个相邻目标与D2中单个目标匹配对应,表现为相邻目标的合并,分类为类型m:1(m>1);
若满足该类型变化将D1中多个相邻目标作为整体看待,在D2中没有与之匹配对应的目标或目标群,表现为要素群的新增,分类为类型m:0(m>1)。
若满足D1中单个或多个相邻目标与D2中多个目标匹配对应,要素目标间的结构关系发生改变,分类为类型m:n(m≥1,n>1);
所述重叠差异度的计算公式如下公式(2):
式中,φ为重叠差异度,Ni(i=1,2,…,I)为匹配组中包含的I个来自新的大比例尺数据的目标,Pj(j=1,2,…,J)为匹配组中包含的J个来自待更新的小比例尺数据的目标,∩表示交运算,∪表示并运算;
所述形状相似性的单个目标形状指数计算公式如下公式(3):
式中,Oa为单个目标,ShapeIndex(Oa)为单个目标形状指数,Perimeter(Oa) 为目标的周长,Area(Oa)为目标的面积;
所述大小相似性为匹配组中新的大比例尺数据中的目标与待更新的小比例尺数据中的目标的面积比率;
所述几何面积包括新的大比例尺数据中的目标面积(new_area)和待更新的小比例尺数据中的目标的面积(old_area)。
作为上述方案的改进,所述决策树模型的判断要素变化的流程如下:
将要素的变化关系进行分类;
若变化类型为类型1:0,计算新的大比例尺数据中的目标面积(new_area),若满足new_area>面积变化标准值,判定该要素属于发生变化的新要素,若不满足new_area>面积变化标准值,判定该要素不属于发生变化的新要素;
若变化类型为类型0:1,判定该要素属于发生变化的新要素;
若变化类型为类型1:1,计算重叠差异度φ,若不满足φ>重叠差异度标准值,判定该要素不属于发生变化的新要素,若满足φ>重叠差异度标准值,计算形状指数ShapeIndex(Oa),若不满足ShapeIndex(Oa)>形状相似度标准值,判定该要素属于发生变化的新要素,若满足ShapeIndex(Oa)>形状相似度标准值,计算大小相似性,若满足大小相似性>大小相似性标准值,判定该要素不属于发生变化的新要素,若不满足大小相似性>大小相似性标准值,判定该要素属于发生变化的新要素;
若变化类型为类型m:1(m>1),计算重叠差异度φ,若满足φ>重叠差异度标准值,判定该要素属于发生变化的新要素,若不满足φ>重叠差异度标准值,判定该要素不属于发生变化的新要素;
若变化类型为类型m:0(m>1),计算新的大比例尺数据中的目标面积 (new_area),若满足new_area>面积变化标准值,判定该要素属于发生变化的新要素,若不满足new_area>面积变化标准值,判定该要素不属于发生变化的新要素;
若变化类型为类型m:n(m≥1,n>1),判定该要素属于发生变化的新要素。
作为上述方案的改进,所述进行制图综合重定义采用六元组的形式描述,具体描述为:(〈层代码〉,〈操作算子〉,〈属性码〉,〈指标项〉,〈下限〉,〈上限〉);
其中,〈层代码〉确定本规则所适用的性质层,〈操作算子〉确定本规则的综合操作,所述操作包括删除、合并和化简;〈属性码〉确定本规则适用某层下的具体目标;〈指标项〉确定规则针对的特征项;〈上限〉和〈下限〉确定指标项的取值范围;
该六元组的通用意义可表达为:当〈层代码〉内的目标具有〈属性码〉,且其〈指标项〉小于〈上限〉且大于〈下限〉时,执行〈操作算子〉。
作为上述方案的改进,所述进行面向对象的增量更新方法中,对象的更新操作可分为创建、删除、几何修改和属性修改;
对于新增的对象,使用创建操作;
对于消失的对象,使用删除操作;
对于发生几何形状或属性变化的对象,进行几何修改或属性修改;
对于合并、分解和聚合的对象,进行删除原对象,创建与之匹配的目标对象。
作为上述方案的改进,所述进行空间不一致性探测和处理的具体方法如下:
将面状目标共享边不一致的类型分为相交型、相离型、交织型;
将一致化处理方式分为定位精度占优的咬合式处理和精度平等的平差式处理;
建立空间关系一致性维护的六种方式:相交型+咬合式、<2>相交型+平差式、<3>相离型+咬合式、<4>相离型+平差式、<5>交织型+咬合式和<6> 交织型+平差式;
基于Delaunay三角网模型邻近分析探测由三角形集表达的边界不一致局部区域;
通过三角网骨架线提取,对边界不一致进行改正;
通过三角网骨架线在空间剖分上的等分性特征使得边界改正精度损失最小;
将网状数据拓扑关系连通性改正方法分为点-线连通性冲突改正、线-线连通性冲突改正和线-面连通性冲突改正;
通过延长弧段将存在冲突关系的线状河流端点延长至点状目标的位置,使线状河流与点状水井的连通,实现点-线间的连通性冲突改正;
通过退点移位连接法和移动端点位置法,实现线-线间的连通性冲突改正;
采用移动端点位置法和新增弧段法,实现线-面连通性冲突改正。
作为上述方案的改进,若待更新的要素为道路要素时,还可通过BP神经网络进行更新,具体的更新方法如下:
获取大比例尺数据和小比例尺数据中的训练样本的对象组合;
进行样本训练,得到被传递的更新和未被传递的更新;
进行BP神经训练,得到权重矩阵和偏置向量,构建预测模型库;
获取新的大比例尺数据和待更新的小比例尺数据中的变化信息,计算变化特征指标;
结合经BP神经训练得到的预测模型库,对变化信息的尺度传递进行判别;
将待更新的小比例尺数据进行更新;
其中,进行BP神经训练的过程如下:
将训练样本作为输入值和目标值;
将目标值结合初始化权重通过预测过程得到预测值;
将预测值和目标值输入损失函数,得到损失值;
将损失值经过反向传播计算梯度,得到新的初始化权重。
本发明实施例提供的一种多尺度地图数据更新方法,与现有技术相比,具有如下有益效果:
采用多尺度目标匹配,包括语义相似度匹配、欧氏距离相似度匹配、Hausdorff 距离匹配、结点匹配和位置邻接度或重叠相似度匹配,提高了目标要素匹配的范围、精确性和准确性,其中,基于语义相似度的比较,可有效解决因数据来源不一致导致的同点不同名的现象,极大地提高了匹配的准确性;通过构建要素级关联关系和决策树模型判断要素变化信息,当地图要素发生改变时进行部分更新,避免现有要素重复更新,提高了地图匹配效率,决策树模型的标准值,可通过不同样区的训练获得或人为设定,从而适应不同区域环境条件下的变化识别;通过六元组的形式描述制图综合重定义,使地图的匹配操作更简洁;通过空间不一致性探测和处理,提高了制图精度、稳定性和可靠性;当待更新的要素为道路要素时,通过BP神经网络进行更新,可基本满足多尺度智能化更新的需求,大幅降低作业周期,减少作业成本,提高作业效率,节约作业时间。
附图说明
图1是本发明实施例提供的一种多尺度地图数据更新方法的流程示意图。
图2是本发明实施例提供的一种多尺度地图数据更新方法的决策树模型的示意图。
图3是本发明实施例提供的一种多尺度地图数据更新方法的制图综合重定义前后的对比图。
图4是本发明实施例提供的一种多尺度地图数据更新方法的BP神经网络变化信息匹配的流程示意图。
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作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。
参见图1,是本发明实施例提供的一种多尺度地图数据更新方法的流程示意图,具体更新步骤如下:
S1、对新的大比例尺数据和待更新的小比例尺数据进行多尺度目标匹配;
其中,当匹配目标为点状实体时,采用语义相似度和欧氏距离相似度进行匹配:从参考基准地名、地址和POI数据库中提取专有名词,得到专有词汇和近义词组;将专有词汇和近义词组添加至词库;将词库导入分词器,得到分词结果;将分词结果创建倒排文档索引,并保存至索引文档;从参考基准地名、地址、POI 数据库和含位置信息的其他数据中提取位置信息,得到位置字符信息;将位置字符信息导入分词器,得到分词结果;根据分词结果建立检索树;通过检索树中的检索索引在索引文档中得到检索结果;根据如下语义相似度的判断公式(1),通过语义相似度对检索结果排序,得到匹配结果:
式中,sim(wk,Si)|i∈(1,2,3…n)表示查询项搜索词Si与参考基准文档 d的Wk的语义相似度。max{sim(wk,Si)|i∈(1,2,3…n)}表示与Wk语义相似度的最大值。
当匹配目标为线状实体时,通过计算Hausdorff距离和结点进行匹配;
当匹配目标为面状实体时,通过位置邻接度或重叠相似度进行匹配。
S2、构建要素级关联关系;
其中,构建要素级关联关系的具体方法为采用迭代方法,具体构建步骤如下:
令新的大比例尺数据包含的目标集合为OL={OL1,OL2,…,OLm},待更新的小比例尺数据包含的目标集合为OS={OS1,OS2,…,OSn},将集合TL和集合TS 定义为分别存储来自集合OL和集合OS的目标的临时集合,并初始化TL=Φ, TS=Φ;
步骤1:若满足OS≠Φ,取出OS中目标存储到TS,并执行步骤4;若不满足OS≠Φ,执行步骤2;
步骤2:若满足OL≠Φ,执行步骤3;若不满足OL≠Φ,结束匹配过程;
步骤3:遍历临时集合TS中的每个目标Oi(i=S1,S2,…,Sn),通过目标匹配查询集合OL中与Oi相匹配的目标,将相匹配的目标从集合OL中取出并保存到数组A中;若满足数组A为空,执行步骤5;若不满足数组A为空,清空临时集合TL,并将数组A中的目标转移到临时集合TL中;
步骤4:遍历临时集合TL中的每个目标Oj(j=L1,L2,…,Lm),通过目标匹配查询集合OS中与Oj相匹配的目标,将相匹配的目标从集合OS取出并保存到数组A中;若满足数组A为空,执行步骤5;若不满足数组A为空,清空临时集合TS,并将数组A中的目标转移至临时集合TS中,执行步骤3;
步骤5:分别取出临时集合TL和临时集合TS中的目标,记录为匹配对,构建要素关联关系;同时清空TL和TS,执行步骤1。
S3、进行要素变化信息检测;
参见图2,是本发明实施例提供的一种多尺度地图数据更新方法的决策树模型的示意图;
其中,采用变化关系类型、重叠差异度、形状相似性、大小相似性和几何面积作为特性指标,通过决策树模型判断要素变化信息;
通过空间对象叠加分析判断变化关系类型,包括1:0、0:1、1:1、m:1(m>1)、 m:0(m>1)、m:n(m≥1,n>1)六种类型,具体分类方式如下:
令新的大比例尺数据为D1,待更新的小比例尺数据为D2;
若满足D1中某个目标在D2中没有与之匹配的对象,表现为单个要素目标新增,分类为类型1:0;
若满足D2中某个目标在D1中没有与之匹配的对象,表现为单个要素目标消失,分类为类型0:1;
若满足D1和D2中有目标匹配对应,但是该目标在局部存在扩张、收缩现象,分类为类型1:1;
若满足D1中多个相邻目标与D2中单个目标匹配对应,表现为相邻目标的合并,分类为类型m:1(m>1);
若满足该类型变化将D1中多个相邻目标作为整体看待,在D2中没有与之匹配对应的目标或目标群,表现为要素群的新增,分类为类型m:0(m>1)。
若满足D1中单个或多个相邻目标与D2中多个目标匹配对应,要素目标间的结构关系发生改变,分类为类型m:n(m≥1,n>1);
所述重叠差异度的计算公式如下公式(2):
式中,φ为重叠差异度,Ni(i=1,2,…,I)为匹配组中包含的I个来自新的大比例尺数据的目标,Pj(j=1,2,…,J)为匹配组中包含的J个来自待更新的小比例尺数据的目标,∩表示交运算,∪表示并运算;
所述形状相似性的单个目标形状指数计算公式如下公式(3):
式中,Oa为单个目标,ShapeIndex(Oa)为单个目标形状指数,Perimeter(Oa) 为目标的周长,Area(Oa)为目标的面积;
所述大小相似性为匹配组中新的大比例尺数据中的目标与待更新的小比例尺数据中的目标的面积比率;
所述几何面积包括新的大比例尺数据中的目标面积(new_area)和待更新的小比例尺数据中的目标的面积(old_area)。
采用变化关系类型、重叠差异度、形状相似性、大小相似性和几何面积作为特性指标的决策树模型的判断要素变化的流程如下:
将要素的变化关系进行分类;
若变化类型为类型1:0,计算新的大比例尺数据中的目标面积(new_area),若满足new_area>面积变化标准值,判定该要素属于发生变化的新要素,若不满足new_area>面积变化标准值,判定该要素不属于发生变化的新要素;
若变化类型为类型0:1,判定该要素属于发生变化的新要素;
若变化类型为类型1:1,计算重叠差异度φ,若不满足φ>重叠差异度标准值,判定该要素不属于发生变化的新要素,若满足φ>重叠差异度标准值,计算形状指数ShapeIndex(Oa),若不满足ShapeIndex(Oa)>形状相似度标准值,判定该要素属于发生变化的新要素,若满足ShapeIndex(Oa)>形状相似度标准值,计算大小相似性,若满足大小相似性>大小相似性标准值,判定该要素不属于发生变化的新要素,若不满足大小相似性>大小相似性标准值,判定该要素属于发生变化的新要素;
若变化类型为类型m:1(m>1),计算重叠差异度φ,若满足φ>重叠差异度标准值,判定该要素属于发生变化的新要素,若不满足φ>重叠差异度标准值,判定该要素不属于发生变化的新要素;
若变化类型为类型m:0(m>1),计算新的大比例尺数据中的目标面积 (new_area),若满足new_area>面积变化标准值,判定该要素属于发生变化的新要素,若不满足new_area>面积变化标准值,判定该要素不属于发生变化的新要素;
若变化类型为类型m:n(m≥1,n>1),判定该要素属于发生变化的新要素。
S4、进行制图综合重定义;
其中,进行制图综合重定义采用六元组的形式描述,具体描述为:(〈层代码〉,〈操作算子〉,〈属性码〉,〈指标项〉,〈下限〉,〈上限〉);
〈层代码〉确定本规则所适用的性质层,〈操作算子〉确定本规则的综合操作,所述操作包括删除、合并和化简;〈属性码〉确定本规则适用某层下的具体目标;〈指标项〉确定规则针对的特征项;〈上限〉和〈下限〉确定指标项的取值范围;
该六元组的通用意义可表达为:当〈层代码〉内的目标具有〈属性码〉,且其〈指标项〉小于〈上限〉且大于〈下限〉时,执行〈操作算子〉,参见图3,是本发明实施例提供的一种多尺度地图数据更新方法的制图综合重定义前后的对比图。
S5、进行面向对象的增量更新;
其中,对象的更新操作可分为创建、删除、几何修改和属性修改;对于新增的对象,使用创建操作;对于消失的对象,使用删除操作;对于发生几何形状或属性变化的对象,进行几何修改或属性修改;对于合并、分解和聚合的对象,进行删除原对象,创建与之匹配的目标对象。
S6、进行空间不一致性探测和处理;
其中,具体方法如下:
将面状目标共享边不一致的类型分为相交型、相离型、交织型;
将一致化处理方式分为定位精度占优的咬合式处理和精度平等的平差式处理;
建立空间关系一致性维护的六种方式:相交型+咬合式、<2>相交型+平差式、<3>相离型+咬合式、<4>相离型+平差式、<5>交织型+咬合式和<6> 交织型+平差式;
基于Delaunay三角网模型邻近分析探测由三角形集表达的边界不一致局部区域;
通过三角网骨架线提取,对边界不一致进行改正;
通过三角网骨架线在空间剖分上的等分性特征使得边界改正精度损失最小;
将网状数据拓扑关系连通性改正方法分为点-线连通性冲突改正、线-线连通性冲突改正和线-面连通性冲突改正;
通过延长弧段将存在冲突关系的线状河流端点延长至点状目标的位置,使线状河流与点状水井的连通,实现点-线间的连通性冲突改正;
通过退点移位连接法和移动端点位置法,实现线-线间的连通性冲突改正;
采用移动端点位置法和新增弧段法,实现线-面连通性冲突改正。
进一步的,参见图4,是本发明实施例提供的一种多尺度地图数据更新方法的BP神经网络变化信息匹配的流程示意图,若待更新的要素为道路要素时,还可通过BP神经网络进行更新,具体的更新方法如下:
获取大比例尺数据和小比例尺数据中的训练样本的对象组合;
进行样本训练,得到被传递的更新和未被传递的更新;
通过如下步骤进行BP神经训练:将训练样本作为输入值和目标值;将目标值结合初始化权重通过预测过程得到预测值;将预测值和目标值输入损失函数,得到损失值;将损失值经过反向传播计算梯度,得到新的初始化权重。
结束BP神经训练,得到权重矩阵和偏置向量,构建预测模型库;
获取新的大比例尺数据和待更新的小比例尺数据中的变化信息,计算变化特征指标,变化特征指标包括道路的长度、宽度、等级、连通度、网眼密度、道路密度和中心介等;
结合经BP神经训练得到的预测模型库,对变化信息的尺度传递进行判别;
将待更新的小比例尺数据进行更新。
本发明实施例提供的一种多尺度地图数据更新方法,与现有技术相比,具有如下有益效果:
采用多尺度目标匹配,包括语义相似度匹配、欧氏距离相似度匹配、Hausdorff 距离匹配、结点匹配和位置邻接度或重叠相似度匹配,提高了目标要素匹配的范围、精确性和准确性,其中,基于语义相似度的比较,可有效解决因数据来源不一致导致的同点不同名的现象,极大地提高了匹配的准确性;通过构建要素级关联关系和决策树模型判断要素变化信息,当地图要素发生改变时进行部分更新,避免现有要素重复更新,提高了地图匹配效率,决策树模型的标准值,可通过不同样区的训练获得或人为设定,从而适应不同区域环境条件下的变化识别;通过六元组的形式描述制图综合重定义,使地图的匹配操作更简洁;通过空间不一致性探测和处理,提高了制图精度、稳定性和可靠性;当待更新的要素为道路要素时,通过BP神经网络进行更新,可基本满足多尺度智能化更新的需求,大幅降低作业周期,减少作业成本,提高作业效率,节约作业时间。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种多尺度地图数据更新方法,其特征在于,包括如下步骤:
对新的大比例尺数据和待更新的小比例尺数据进行多尺度目标匹配;
构建要素级关联关系;
进行要素变化信息检测;
进行制图综合重定义;
进行面向对象的增量更新;
进行空间不一致性探测和处理。
2.如权利要求1所述的一种多尺度地图数据更新方法,其特征在于,所述对新的大比例尺数据和待更新的小比例尺数据进行多尺度目标匹配的方法如下:
当匹配目标为点状实体时,采用语义相似度和欧氏距离相似度进行匹配;
当匹配目标为线状实体时,通过计算Hausdorff距离和结点进行匹配;
当匹配目标为面状实体时,通过位置邻接度或重叠相似度进行匹配。
3.如权利要求2所述的一种多尺度地图数据更新方法,其特征在于,采用语义相似度和距离相似度进行匹配的具体方法如下:
从参考基准地名、地址和POI数据库中提取专有名词,得到专有词汇和近义词组;
将专有词汇和近义词组添加至词库;
将词库导入分词器,得到分词结果;
将分词结果创建倒排文档索引,并保存至索引文档;
从参考基准地名、地址、POI数据库和含位置信息的其他数据中提取位置信息,得到位置字符信息;
将位置字符信息导入分词器,得到分词结果;
根据分词结果建立检索树;
通过检索树中的检索索引在索引文档中得到检索结果;
根据如下语义相似度的判断公式(1),通过语义相似度对检索结果排序,得到匹配结果:
式中,sim(wk,Si)|i∈(1,2,3…n)表示查询项搜索词Si与参考基准文档d的Wk的语义相似度,max{sim(wk,Si)|i∈(1,2,3…n)}表示与Wk语义相似度的最大值。
4.如权利要求1所述的一种多尺度地图数据更新方法,其特征在于,所述构建要素级关联关系的具体方法为采用迭代方法,具体构建步骤如下:
令新的大比例尺数据包含的目标集合为OL={OL1,OL2,…,OLm},待更新的小比例尺数据包含的目标集合为OS={OS1,OS2,…,OSn},将集合TL和集合TS定义为分别存储来自集合OL和集合OS的目标的临时集合,并初始化TL=Φ,TS=Φ;
步骤1:若满足OS≠Φ,取出OS中目标存储到TS,并执行步骤4;若不满足OS≠Φ,执行步骤2;
步骤2:若满足OL≠Φ,执行步骤3;若不满足OL≠Φ,结束匹配过程;
步骤3:遍历临时集合TS中的每个目标Oi(i=S1,S2,…,Sn),通过目标匹配查询集合OL中与Oi相匹配的目标,将相匹配的目标从集合OL中取出并保存到数组A中;若满足数组A为空,执行步骤5;若不满足数组A为空,清空临时集合TL,并将数组A中的目标转移到临时集合TL中;
步骤4:遍历临时集合TL中的每个目标Oj(j=L1,L2,…,Lm),通过目标匹配查询集合OS中与Oj相匹配的目标,将相匹配的目标从集合OS取出并保存到数组A中;若满足数组A为空,执行步骤5;若不满足数组A为空,清空临时集合TS,并将数组A中的目标转移至临时集合TS中,执行步骤3;
步骤5:分别取出临时集合TL和临时集合TS中的目标,记录为匹配对,构建要素关联关系;同时清空TL和TS,执行步骤1。
5.如权利要求1所述的一种多尺度地图数据更新方法,其特征在于,进行所述要素变化信息检测时,采用变化关系类型、重叠差异度、形状相似性、大小相似性和几何面积作为特性指标,通过决策树模型判断要素变化信息;
其中,所述变化关系类型通过空间对象叠加分析进行判断,包括1:0、0:1、1:1、m:1(m>1)、m:0(m>1)、m:n(m≥1,n>1)六种类型,具体分类方式如下:
令新的大比例尺数据为D1,待更新的小比例尺数据为D2;
若满足D1中某个目标在D2中没有与之匹配的对象,表现为单个要素目标新增,分类为类型1:0;
若满足D2中某个目标在D1中没有与之匹配的对象,表现为单个要素目标消失,分类为类型0:1;
若满足D1和D2中有目标匹配对应,但是该目标在局部存在扩张、收缩现象,分类为类型1:1;
若满足D1中多个相邻目标与D2中单个目标匹配对应,表现为相邻目标的合并,分类为类型m:1(m>1);
若满足该类型变化将D1中多个相邻目标作为整体看待,在D2中没有与之匹配对应的目标或目标群,表现为要素群的新增,分类为类型m:0(m>1);
若满足D1中单个或多个相邻目标与D2中多个目标匹配对应,要素目标间的结构关系发生改变,分类为类型m:n(m≥1,n>1);
所述重叠差异度的计算公式如下公式(2):
式中,φ为重叠差异度,Ni(i=1,2,…,I)为匹配组中包含的I个来自新的大比例尺数据的目标,Pj(j=1,2,…,J)为匹配组中包含的J个来自待更新的小比例尺数据的目标,∩表示交运算,∪表示并运算;
所述形状相似性的单个目标形状指数计算公式如下公式(3):
式中,Oa为单个目标,ShapeIndex(Oa)为单个目标形状指数,Perimeter(Oa)为目标的周长,Area(Oa)为目标的面积;
所述大小相似性为匹配组中新的大比例尺数据中的目标与待更新的小比例尺数据中的目标的面积比率;
所述几何面积包括新的大比例尺数据中的目标面积(new_area)和待更新的小比例尺数据中的目标的面积(old_area)。
6.如权利要求5所述的一种多尺度地图数据更新方法,其特征在于,所述决策树模型的判断要素变化的流程如下:
将要素的变化关系进行分类;
若变化类型为类型1:0,计算新的大比例尺数据中的目标面积(new_area),若满足new_area>面积变化标准值,判定该要素属于发生变化的新要素,若不满足new_area>面积变化标准值,判定该要素不属于发生变化的新要素;
若变化类型为类型0:1,判定该要素属于发生变化的新要素;
若变化类型为类型1:1,计算重叠差异度φ,若不满足φ>重叠差异度标准值,判定该要素不属于发生变化的新要素,若满足φ>重叠差异度标准值,计算形状指数ShapeIndex(Oa),若不满足ShapeIndex(Oa)>形状相似度标准值,判定该要素属于发生变化的新要素,若满足ShapeIndex(Oa)>形状相似度标准值,计算大小相似性,若满足大小相似性>大小相似性标准值,判定该要素不属于发生变化的新要素,若不满足大小相似性>大小相似性标准值,判定该要素属于发生变化的新要素;
若变化类型为类型m:1(m>1),计算重叠差异度φ,若满足φ>重叠差异度标准值,判定该要素属于发生变化的新要素,若不满足φ>重叠差异度标准值,判定该要素不属于发生变化的新要素;
若变化类型为类型m:0(m>1),计算新的大比例尺数据中的目标面积(new_area),若满足new_area>面积变化标准值,判定该要素属于发生变化的新要素,若不满足new_area>面积变化标准值,判定该要素不属于发生变化的新要素;
若变化类型为类型m:n(m≥1,n>1),判定该要素属于发生变化的新要素。
7.如权利要求1所述的一种多尺度地图数据更新方法,其特征在于,所述进行制图综合重定义采用六元组的形式描述,具体描述为:(〈层代码〉,〈操作算子〉,〈属性码〉,〈指标项〉,〈下限〉,〈上限〉);
其中,〈层代码〉确定本规则所适用的性质层,〈操作算子〉确定本规则的综合操作,所述操作包括删除、合并和化简;〈属性码〉确定本规则适用某层下的具体目标;〈指标项〉确定规则针对的特征项;〈上限〉和〈下限〉确定指标项的取值范围;
该六元组的通用意义可表达为:当〈层代码〉内的目标具有〈属性码〉,且其〈指标项〉小于〈上限〉且大于〈下限〉时,执行〈操作算子〉。
8.如权利要求1所述的一种多尺度地图数据更新方法,其特征在于,所述进行面向对象的增量更新方法中,对象的更新操作可分为创建、删除、几何修改和属性修改;
对于新增的对象,使用创建操作;
对于消失的对象,使用删除操作;
对于发生几何形状或属性变化的对象,进行几何修改或属性修改;
对于合并、分解和聚合的对象,进行删除原对象,创建与之匹配的目标对象。
9.如权利要求1所述的一种多尺度地图数据更新方法,其特征在于,所述进行空间不一致性探测和处理的具体方法如下:
将面状目标共享边不一致的类型分为相交型、相离型、交织型;
将一致化处理方式分为定位精度占优的咬合式处理和精度平等的平差式处理;
建立空间关系一致性维护的六种方式:相交型+咬合式、<2>相交型+平差式、<3>相离型+咬合式、<4>相离型+平差式、<5>交织型+咬合式和<6>交织型+平差式;
基于Delaunay三角网模型邻近分析探测由三角形集表达的边界不一致局部区域;
通过三角网骨架线提取,对边界不一致进行改正;
通过三角网骨架线在空间剖分上的等分性特征使得边界改正精度损失最小;
将网状数据拓扑关系连通性改正方法分为点-线连通性冲突改正、线-线连通性冲突改正和线-面连通性冲突改正;
通过延长弧段将存在冲突关系的线状河流端点延长至点状目标的位置,使线状河流与点状水井的连通,实现点-线间的连通性冲突改正;
通过退点移位连接法和移动端点位置法,实现线-线间的连通性冲突改正;
采用移动端点位置法和新增弧段法,实现线-面连通性冲突改正。
10.如权利要求1所述的一种多尺度地图数据更新方法,其特征在于,若待更新的要素为道路要素时,还可通过BP神经网络进行更新,具体的更新方法如下:
获取大比例尺数据和小比例尺数据中的训练样本的对象组合;
进行样本训练,得到被传递的更新和未被传递的更新;
进行BP神经训练,得到权重矩阵和偏置向量,构建预测模型库;
获取新的大比例尺数据和待更新的小比例尺数据中的变化信息,计算变化特征指标;
结合经BP神经训练得到的预测模型库,对变化信息的尺度传递进行判别;
将待更新的小比例尺数据进行更新;
其中,进行BP神经训练的过程如下:
将训练样本作为输入值和目标值;
将目标值结合初始化权重通过预测过程得到预测值;
将预测值和目标值输入损失函数,得到损失值;
将损失值经过反向传播计算梯度,得到新的初始化权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810810684.XA CN109145171B (zh) | 2018-07-23 | 2018-07-23 | 一种多尺度地图数据更新方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810810684.XA CN109145171B (zh) | 2018-07-23 | 2018-07-23 | 一种多尺度地图数据更新方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109145171A true CN109145171A (zh) | 2019-01-04 |
CN109145171B CN109145171B (zh) | 2020-09-08 |
Family
ID=64801389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810810684.XA Active CN109145171B (zh) | 2018-07-23 | 2018-07-23 | 一种多尺度地图数据更新方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145171B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977191A (zh) * | 2019-04-01 | 2019-07-05 | 国家基础地理信息中心 | 问题地图检测方法、装置、电子设备和介质 |
CN110263184A (zh) * | 2019-06-20 | 2019-09-20 | 中国医学科学院医学信息研究所 | 一种数据处理方法及相关设备 |
CN110377686A (zh) * | 2019-07-04 | 2019-10-25 | 浙江大学 | 一种基于深度神经网络模型的地址信息特征抽取方法 |
CN110569871A (zh) * | 2019-07-30 | 2019-12-13 | 西安建筑科技大学 | 一种基于深度卷积神经网络的鞍部点识别方法 |
CN110716999A (zh) * | 2019-09-05 | 2020-01-21 | 武汉大学 | 基于包含定性方位和定量距离的位置描述的poi定位方法 |
CN110807797A (zh) * | 2019-10-22 | 2020-02-18 | 中国测绘科学研究院 | 顾及全局寻优的多源异构面实体与点实体的匹配方法及其存储介质 |
CN112179359A (zh) * | 2020-09-27 | 2021-01-05 | 驭势科技(北京)有限公司 | 一种地图匹配方法、装置、电子设备和存储介质 |
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 |
CN113486135A (zh) * | 2021-07-27 | 2021-10-08 | 中南大学 | 基于深度学习网络的建筑物综合方法 |
CN113721969A (zh) * | 2021-09-08 | 2021-11-30 | 广州城市规划技术开发服务部有限公司 | 一种基于多尺度空间矢量数据级联更新方法 |
CN113742810A (zh) * | 2020-05-28 | 2021-12-03 | 杭州群核信息技术有限公司 | 一种比例尺识别方法和基于临摹图的三维模型建立*** |
WO2022061994A1 (zh) * | 2020-09-25 | 2022-03-31 | 浙江大学 | 基于全局特征的数字地图线要素综合方法、装置和介质 |
CN115410220A (zh) * | 2022-09-02 | 2022-11-29 | 自然资源部地图技术审查中心 | 自动识别点类型问题地图的方法和装置 |
CN115905445A (zh) * | 2022-12-16 | 2023-04-04 | 河南大学 | 一种基于Seq2Seq模型的道路要素化简方法 |
CN116955335A (zh) * | 2023-07-21 | 2023-10-27 | 北京国信达数据技术有限公司 | 一种基于大数据模型算法的地址数据治理方法及其*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020004710A1 (en) * | 2000-04-20 | 2002-01-10 | Ibm | Shape analysis system, difference detection system for three-dimensional model, similar shape search system, shape analysis method, difference detection method for three-dimensional model, siomilar shape search method, and storage medium and program transmission apparatus therefor |
US20050049783A1 (en) * | 2003-08-29 | 2005-03-03 | Hunzinger Jason F. | Iterative logical renewal of navigable map database |
CN103699654A (zh) * | 2013-12-26 | 2014-04-02 | 武汉大学 | 一种跨比例尺矢量地图水网数据同名目标匹配方法 |
CN104731885A (zh) * | 2015-03-11 | 2015-06-24 | 中国石油大学(华东) | 一种基于层次-语义的多尺度空间数据拓扑关系维护方法 |
CN107292919A (zh) * | 2017-06-01 | 2017-10-24 | 中国地质大学(武汉) | 一种面向空间剖分的多尺度居民地匹配方法 |
-
2018
- 2018-07-23 CN CN201810810684.XA patent/CN109145171B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020004710A1 (en) * | 2000-04-20 | 2002-01-10 | Ibm | Shape analysis system, difference detection system for three-dimensional model, similar shape search system, shape analysis method, difference detection method for three-dimensional model, siomilar shape search method, and storage medium and program transmission apparatus therefor |
US20050049783A1 (en) * | 2003-08-29 | 2005-03-03 | Hunzinger Jason F. | Iterative logical renewal of navigable map database |
CN103699654A (zh) * | 2013-12-26 | 2014-04-02 | 武汉大学 | 一种跨比例尺矢量地图水网数据同名目标匹配方法 |
CN104731885A (zh) * | 2015-03-11 | 2015-06-24 | 中国石油大学(华东) | 一种基于层次-语义的多尺度空间数据拓扑关系维护方法 |
CN107292919A (zh) * | 2017-06-01 | 2017-10-24 | 中国地质大学(武汉) | 一种面向空间剖分的多尺度居民地匹配方法 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977191A (zh) * | 2019-04-01 | 2019-07-05 | 国家基础地理信息中心 | 问题地图检测方法、装置、电子设备和介质 |
CN110263184A (zh) * | 2019-06-20 | 2019-09-20 | 中国医学科学院医学信息研究所 | 一种数据处理方法及相关设备 |
CN110377686B (zh) * | 2019-07-04 | 2021-09-17 | 浙江大学 | 一种基于深度神经网络模型的地址信息特征抽取方法 |
CN110377686A (zh) * | 2019-07-04 | 2019-10-25 | 浙江大学 | 一种基于深度神经网络模型的地址信息特征抽取方法 |
CN110569871A (zh) * | 2019-07-30 | 2019-12-13 | 西安建筑科技大学 | 一种基于深度卷积神经网络的鞍部点识别方法 |
CN110716999A (zh) * | 2019-09-05 | 2020-01-21 | 武汉大学 | 基于包含定性方位和定量距离的位置描述的poi定位方法 |
CN110807797A (zh) * | 2019-10-22 | 2020-02-18 | 中国测绘科学研究院 | 顾及全局寻优的多源异构面实体与点实体的匹配方法及其存储介质 |
CN110807797B (zh) * | 2019-10-22 | 2022-03-22 | 中国测绘科学研究院 | 顾及全局寻优的多源异构面实体与点实体的匹配方法及其存储介质 |
CN113742810B (zh) * | 2020-05-28 | 2023-08-15 | 杭州群核信息技术有限公司 | 一种比例尺识别方法和基于临摹图的三维模型建立*** |
CN113742810A (zh) * | 2020-05-28 | 2021-12-03 | 杭州群核信息技术有限公司 | 一种比例尺识别方法和基于临摹图的三维模型建立*** |
WO2022061994A1 (zh) * | 2020-09-25 | 2022-03-31 | 浙江大学 | 基于全局特征的数字地图线要素综合方法、装置和介质 |
CN112179359A (zh) * | 2020-09-27 | 2021-01-05 | 驭势科技(北京)有限公司 | 一种地图匹配方法、装置、电子设备和存储介质 |
CN112179359B (zh) * | 2020-09-27 | 2022-09-23 | 驭势科技(北京)有限公司 | 一种地图匹配方法、装置、电子设备和存储介质 |
CN113486135A (zh) * | 2021-07-27 | 2021-10-08 | 中南大学 | 基于深度学习网络的建筑物综合方法 |
CN113486135B (zh) * | 2021-07-27 | 2024-04-12 | 中南大学 | 基于深度学习网络的建筑物综合方法 |
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 |
CN113721969A (zh) * | 2021-09-08 | 2021-11-30 | 广州城市规划技术开发服务部有限公司 | 一种基于多尺度空间矢量数据级联更新方法 |
CN113721969B (zh) * | 2021-09-08 | 2024-02-06 | 广州城市规划技术开发服务部有限公司 | 一种基于多尺度空间矢量数据级联更新方法 |
CN115410220B (zh) * | 2022-09-02 | 2023-04-28 | 自然资源部地图技术审查中心 | 自动识别点类型问题地图的方法和装置 |
CN115410220A (zh) * | 2022-09-02 | 2022-11-29 | 自然资源部地图技术审查中心 | 自动识别点类型问题地图的方法和装置 |
CN115905445A (zh) * | 2022-12-16 | 2023-04-04 | 河南大学 | 一种基于Seq2Seq模型的道路要素化简方法 |
CN115905445B (zh) * | 2022-12-16 | 2023-08-25 | 河南大学 | 一种基于Seq2Seq模型的道路要素化简方法 |
CN116955335A (zh) * | 2023-07-21 | 2023-10-27 | 北京国信达数据技术有限公司 | 一种基于大数据模型算法的地址数据治理方法及其*** |
Also Published As
Publication number | Publication date |
---|---|
CN109145171B (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145171A (zh) | 一种多尺度地图数据更新方法 | |
Jochem et al. | Identifying residential neighbourhood types from settlement points in a machine learning approach | |
CN103389103B (zh) | 一种基于数据挖掘的地理环境特征地图构建与导航方法 | |
CN110021072B (zh) | 面向全息测绘的多平台点云智能处理方法 | |
CN103268358B (zh) | 多源控制点影像数据库构建及更新方法 | |
CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
CN106488400B (zh) | 生成地理围栏的方法及装置 | |
CN106897445A (zh) | 一种基于ArcGIS的改进边界划定操作的新型方法 | |
CN112305559A (zh) | 基于地面定点激光雷达扫描的输电线距离测量方法、装置、***和电子设备 | |
CN106844549B (zh) | 一种电子地图数据映射方法及*** | |
CN107944383A (zh) | 基于三维Voronoi图的建筑物屋顶面片分割方法 | |
Li et al. | Exploring multiple crowdsourced data to learn deep convolutional neural networks for road extraction | |
CN113158807A (zh) | 一种遥感影像的模型自训练和优化*** | |
WO2024020744A1 (zh) | 基于高分辨率影像的生态图斑提取方法 | |
CN112241676A (zh) | 一种地形杂物自动识别的方法 | |
Zhang et al. | Distance Weight-Graph Attention Model-Based High-Resolution Remote Sensing Urban Functional Zone Identification. | |
CN110135451A (zh) | 一种基于点到线段集距离的航迹聚类方法 | |
CN109657728A (zh) | 样例生产方法及模型训练方法 | |
Nelson et al. | Spatial statistical techniques for aggregating point objects extracted from high spatial resolution remotely sensed imagery | |
CN107025248A (zh) | 一种基于亲子安全的地图位置编辑定位*** | |
CN109033746A (zh) | 一种基于节点向量的蛋白质复合物识别方法 | |
CN115830255A (zh) | 一种仿真场景生成方法、装置、电子设备和存储介质 | |
Tundia et al. | Aiding Irrigation Census in Developing Countries by Detecting Minor Irrigation Structures from Satellite Imagery. | |
CN115330985B (zh) | 用于三维模型优化的数据处理方法和装置 | |
CN117521424B (zh) | 一种仿真训练场景生成方法和装置 |
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 |