共查询到17条相似文献，搜索用时 125 毫秒
1.
2.
树状河系主流的自动推理 总被引：2，自引：0，他引：2
分析了不同类型河系的空间特征,对非网状河系以180°假设和锐角假设为基础,改进了自动确定河段流向的定量化决策表,当出现流向冲突时,遵守少数服从多数的原则.参考河段的流向、节点处分支河段的累计河段数和累计长度,能自动推理出树状河系的主支流关系.在此基础上,进一步研究了树状河系的编码方法,并用实例验证了所提出的算法. 相似文献
3.
树状河系作为地图骨干要素之一,其简化效果直接决定地图综合的质量。树状河系简化需要考虑其语义、几何、拓扑和结构等多种特征,而现有方法大多只注重了长度、角度和属性等约束性量化指标,致使简化后的空间分布特征容易被破坏。本文首先研究基于树状河系有向拓扑树（DTT）的特征智能识别方法,然后依据Paiva提出的"180°假设"和"锐角假设",从河口出发,自下游向上游建立顾及河流语义、长度、角度约束的树状河系stroke连接,并据此判断树状河系层次关系,最后提出河系整体选取数量确定方法和顾及密度差异的河系分层剔除选取算法,实现树状河系自动化简化。经样本数据测试,验证了该方法的可靠性,同时经实际数据测试,验证了该方法在树状河系简化中的合理性和有效性。 相似文献
4.
河系是普通地图制图中的重要要素。河系中河流分主流、支流,一条主流由多条支流汇入,每条河流上游到下游的宽度是由窄到宽逐渐变化的。绘制河流需要体现出河流的形态及流向,在制图过程中,河流上游和下游线划宽度变化较快,中游变化平缓。使用传统的方法,制图任务重、周期长。因此本文利用Coreldraw软件提供的VBA编写宏来实现河流线宽的渐变效果,并提出了一种利用正态分布函数确定河流分段比例来模拟河流宽度变化的方法,最终较好地实现了河系中每条河流线宽的渐变自动化,提高了制图效率,缩短了制图时间。 相似文献
5.
分析了树状河流的空间特征,利用了水系的主支流交汇点作为图的节点,河段作为图的边,水系的流向作为有向图的方向,实现了树状河流空间关系的表达。 相似文献
6.
主流识别的多准则决策模型及其在河系结构化中的应用 总被引：8，自引：1，他引：7
在河系拓扑数据的基础上建立两种面向河系空间知识的数据模型:基于河段的数据模型和基于河流实体的数据模型.将多准则决策中的最大隶属度带权平均规划法用于河系各级主流的识别,该方法考虑主流选取中的各种因素,并将各因素的重要性用权向量的形式表示出来.还提出一种基于主流识别的河系结构化方法,将河系结构化的过程看作是确定各级主流的不断重复迭代的过程.最后将主流识别方法用于河系结构化中,并获取了进一步的树结构信息.实验证明,该方法在实用性和准确性方面都能达到满意的效果. 相似文献
7.
8.
水系是具有高度结构化特征的复杂空间数据,在不同水文条件和地形环境下发育的水系形态可以表现为多种模式,如格状河系、羽毛状河系、平行状河系等,使得水系选取具有较大难度。探讨了河流分级(汇流区域特征)、河网结构层次化(河流分布的地理特征)与水系选取之间的关系,提出了基于流域的河流自动选取,从河流的局部重要性出发,考虑河流的分级主要基于两点:一是确定选取单元为流域;二是对流域内河流通过等级关系选取高等级河流,同等级间河流根据长度、密度、河流间距离等综合指标进行选取。 相似文献
9.
河流中轴线提取方法研究 总被引：9，自引：1，他引：8
河流中轴线是对河系进行地图综合和空间分析的基础,以约束Delaunay三角网/Voronoi图为基础,用4种方法提取样例河段的中轴线,对其结果进行分析比较,并对Voronoi图法改进,利用该方法对一完整河系实现了从1:5万比例尺到1:10万比例尺的地图综合. 相似文献
10.
顾及密度差异的河系简化 总被引：7，自引：2，他引：7
河系简化是地图综合中经常需要处理的任务,其难点主要在于依据上下文环境对河流进行结构化选取,以保持河网密度差异等宏观特征。提出一种新的河流等级规则,依据河流的各级支流的数量确定河流的等级,以反映河流的密度差异;设计一种结合河流等级、长度与所在层次的综合指标进行河流选取;探讨在自动构建河系树的基础上计算河流等级、所在层次等指标的方法;最后使用综合指标进行河流结构化选取试验。结果表明,以新等级规则为基础的综合指标切实可行,能够在一定程度上保持河网密度的区域差异。 相似文献
11.
目前三维Douglas-Peucker(3D_DP)算法主要应用于单一类型的DEM综合。本文引入"弯曲调节指数"来改进3D_DP算法,提出了一种三维空间河网要素与DEM综合的新方法,即将河网线矢量提取成三维离散点数据集(增加高程属性),与DEM三维离散点数据集合并,在河网层次化选取基础上,利用改进的3D_DP算法对合并数据集进行综合操作。通过试验结果的对比和分析表明,该方法通过弯曲调节指数的调节使河流自身所具有的弯曲形态与地形的主要特征得以同时保留,试验效果良好,实现了三维空间河网要素与DEM数据在同一简化因子作用下的综合,提升了地图综合的质量。 相似文献
12.
Drainage systems are important components in cartography and Geographic Information Systems (GIS), and achieve different drainage patterns based on the form and texture of their network of stream channels and tributaries due to local topography and subsurface geology. The drainage pattern can reflect the geographical characteristics of a river network to a certain extent. To preserve the drainage pattern during the generalization process, this article proposes a solution to deal with many factors, such as the tributary length and the order in river tributary selection. This leads to a multi‐objective optimization problem solved with a Genetic Algorithm. In the multi‐objective model, different weights are used to aggregate all objective functions into a fitness function. The method is applied on a case study to evaluate the importance of each factor for different types of drainage and results are compared with a manually generalized network. The result can be controlled by assigning different weights to the factors. From this work, different weight settings according to drainage patterns are proposed for the river network generalization. 相似文献
13.
河网汇水区域的层次化剖分与地图综合 总被引：2，自引：0，他引：2
对于具有网络状结构的河系数据的综合化简,判断河流分支在河网中的重要性需要考虑三个层次的结构信息:全局范围内的空间分布模式;局域环境下的分布密度;单条河流的几何特征。为提取这些结构化信息,本文基于网络分析运用Delaunay三角网模型建立了各级河流分支汇水区域的层次化剖分模型,其基本思想是将汇水区域划定当作“空间竞争”问题来求解,运用类似于Voronoi图的空间等剖分几何构造表达“袭水”过程,在各支流子系统内部及其环境之间通过Delaunay三角网骨架线确定汇水区域的分水岭。基于该层次剖分模型可计算河流分布密度、相邻河流间距、汇水范围及层次关系,进而推算出河系网中每一条河流的重要性系数,实现不同尺度下河流的综合选取。 相似文献
14.
为从SPOT-5图像上提取苏州河网,设计了一种按层次进行的河网结构类型识别方法。首先,针对苏州河网总体结构特征,选择出典型判别因子；然后,用其中某一个或几个判别因子进行判别,按照统计特征分成可能的几个类别,再在结果类别中利用其它因子进行下一步判别。这样,以二分法的方式逐层深入地进行分类,最后达到河网结构类别识别的目的。 相似文献
15.
16.
Huafei Yu Tinghua Ai Min Yang Jingzhong Li Lu Wang Aji Gao Tianyuan Xiao Zhe Zhou 《Transactions in GIS》2023,27(7):1898-1927
Deep learning is increasingly being used to improve the intelligence of map generalization. Vector-based map generalization, utilizing deep learning, is an important avenue for research. However, there are three questions: (1) transforming vector data into a deep learning data paradigm; (2) overcoming the limitation of the number of samples; and (3) determining whether existing knowledge can accelerate deep learning. To address these questions, taking river network selection as an example, this study presents a framework integrating hydrological knowledge into graph convolutional neural networks (GCNNs). This framework consists of the following steps: constructing a dual graph of river networks (DG_RN), extracting domain knowledge as node attributes of DG_RN, developing an architecture of GCNNs for the selection, and designing a fine-tuning rule to refine the GCNN results. Experiments show that our framework outperforms existing machine learning and traditional feature sorting methods using different datasets and achieves good morphological consistency after the selection. Furthermore, these results indicate that DG_RN meets the data paradigm of graph deep learning, and the framework integrating existing characteristics (i.e., Strahler coding, the number of tributaries, the distance between proximity rivers, and upstream drainage area) mitigates the dependence of GCNNs on plenty of samples and enhance its performance. 相似文献
17.
《制图学和地理信息科学》2013,40(2):96-106
A combination of procedural algorithms and predicate logic formalisms is proposed to generalize complex coastlines. The advantage of this combined strategy is to cover both the geometric and conceptual aspects of the generalization process. The geometric part is dedicated to simplification and displacement operations for graphical presentation. The conceptual part handles the problem of river selection based on geometrical and semantic criteria. The derivation of a hierarchical model reflecting the hierarchical structure of the bay/river network of the coastline is a requirement for river selection. A case study was carried out, and results show an improvement over more conventional procedural approaches. The idea of building a hierarchical model to prepare the ground for feature selection can be applied to other hierarchically structured objects such as road networks or nested buildings in urban areas. 相似文献