基于案例学习的智能化制图综合方法研究

Not all the thinking of cartographers can be described formally, which is still the main bottleneck of limiting the developing of intelligent automated generalization. A new research approach was put forward in this project, which let computer generalize maps through simulating cartographers' operations instead of cartographers' thinking (here every cartographer's generalization operation was termed as a generalization case). First, cartographers generalized part of map data interactively, and took every cartographers' generalization operation as a generalization case. Then, computers could generalize other similar map data through simulating cartographers' generalization operations either by comparing cartographers' generalization cases with analogy-reasoning method or by generalization rules which were abstracted from cartographers' generalization cases with inductive-reasoning method. Moreover, cartographers' generalization case library would be enhanced continually by being updated with more and more new cartographers' generalization cases and new methods of improving the quality of library data, which made the computers become more and more intelligent to generalize other map data. During this research, we hope to find a scientific developing approach for intelligent automated generalization in both theory and method study.

目前制图综合中许多制图专家的思维还不能形式化描述，成为制约制图综合智能化发展的主要瓶颈。本项目另辟蹊径，以计算机对专家的“行为模拟”取代“思维模拟”，通过计算机模拟专家的综合操作（每个综合操作称为一个制图综合案例）来进行自动综合。首先，由制图专家对部分地图数据进行交互式制图综合，并把综合操作以“案例”形式保存；然后采用机器学习方法对专家的制图综合行为进行模拟，即让计算机类比专家案例来模仿专家的综合行为，通过对专家案例的归纳推理进一步获取专家的一般性综合规则，据此让计算机来自动完成与专家所操作地图数据类似的其余大量地图数据的自动综合任务。同时，通过不断获取新的专家案例，来持续扩充与更新专家案例库；通过研究提升专家案例库质量的方法，使专家案例库越来越健壮，从而指导计算机进行自动综合的智能化程度越来越高。通过这一研究，期待为自动综合的智能化发展找到一条可行的理论与方法途径。

制图综合是地图制作的核心问题之一，是地理信息加工的重要组成部分，无论地图制作、数据库派生、空间数据多尺度表达和空间数据更新等，只要涉及到空间数据比例尺变换，则都离不开制图综合。.当前制图综合智能化的瓶颈在于，依赖于模糊专家经验的制图综合问题仅仅依靠构建算法和模型的方式还难以有效解决，且该部分专家经验难以形式化表达为计算机能够识别的知识。本项目以制图综合案例为核心，将案例推理和机器学习理论、技术与方法引入进来，探索能够让计算机具备自主获取制图综合知识并做出决策的方法，为自动制图综合的智能化提供新思路、拓展新方法。.项目取得的主要成果包括：（1）研究了制图综合案例（Cartographic Generalization Case, CGC）的定义、分类和三元组表示方法，将其划分为几何型、描述型和视觉型三类，理清了从专家经验数据中挖掘制图综合知识的研究思路，为后续的研究奠定了理论基础；（2）针对CGC案例中可能存在的噪声，提出了描述型案例降噪和特征项降维方法、几何型案例的降噪方法，可用于筛选用于推理的描述型案例特征项，以及对几何型案例进行过滤；（3）针对几何型CGC的应用问题，提出了采用几何型CGC进行制图综合类比推理的方法，可用于制图综合中算法及其阈值的自动寻优，省去了制图员不断试错的繁琐过程；（4）针对描述型CGC的应用问题，提出了采用描述型CGC进行制图综合归纳推理的方法，相比于建立算法和模型的方法，该方法降低了获取专家知识的成本，能够较好地还原专家的综合意图。；（5）针对视觉型CGC的应用问题，提出了采用视觉型CGC进行制图综合复杂模式识别的方法，相比于人工设计特征项并建立判断模型的方法，该方法具备较强的抗干扰能力，并且不涉及复杂的人工特征设计，降低了模型研究的成本投入；（6）针对CGC与制图综合知识的关系问题，提出了以CGC为核心的制图综合知识架构，该架构弥补了传统的基于规则的知识模型在知识获取、更新和共享上的不足，为后续案例驱动的智能制图综合应用提供了技术和理论支撑。