空间相似场景检索模型研究

Spatial data query and retrieval is one of the most frequently used fuction in GIS, a large part of problems can be solved by data retrieval.It is self-evident that a good spatial data retrieval model is vitally important to GIS. Obviously Spatial similarity retrieval is more consistent with people's spatial cognitive habits, but currently there's still no such models which can support similar scenes' retrieval .Hence, this proposal intends to establish a model for spatial scene similarity retrieval, according to the "conceptual modeling--physical modeling-- feature extraction and similarity matching" sequence, this proposal mainly include: 1) Formal concept description model of spatial scene. Users' input will be transformed into a standard input through formalized experession from conceputual levle;2) Logical data model of spatial scene.A hierarchial model will be esctablished to rebuilt spatial scene from logical level.The model should express spatial scene from geography conceptual level--macro level, as well as features' level--micro level;3) Feature extraction and similarity matching. After the second rebuilt step, through feature extraction and indexing, feature matching can be achieved.Then after proper weight assignment , scene matching can be achieved. The proposal's ultimate goal is to establish a comprehensive spatiall scenen similarity retrieval model, which consistent with people's spatial cognitive habits.

空间相似检索无疑是更为符合人们空间认知习惯的一种检索方式，但目前空间相似场景的检索尚无好的模型支持。因此，本课题拟展开空间相似场景检索模型的研究，按照“概念建模——物理建模——特征提取与匹配”的思路，课题的主要研究内容包括：1）空间场景形式化描述模型的建立。从概念层面将用户输入的空间场景进行形式化表达，以形成标准化输入；2）空间场景逻辑数据模型的建立。建立一个层次化的数据模型，从物理层面将空间场景进行重新构建，既能从地理概念层面对空间场景整体把控，亦能涵盖空间场景的各种特征；3）空间场景特征提取及相似性匹配。空间场景在2）的物理模型框架下进行重构后，通过特征提取与索引，进行特征匹配，通过合理权重分配，得到场景匹配结果。课题最终目的是要建立一个符合人们认知习惯且涵盖全面的空间相似场景检索模型。

项目自立项开始，按照申请书的要求，对空间场景相似性匹配及关联关系、空间相似检索进行了系统的研究。在此基础上，进行了空间相似的应用及外溢研究。.近年来兴起的深度学习特别是图卷积神经网络无需前期人工处理，提高了建筑物群组模式分析的自动化程度。研究利用图卷积神经网络进行建筑物群组的相似性判断，进而用于建筑物群组的模式分类。包括引入图残差神经网络模型用于建筑物群组的模式分类可以较好地解决传统图卷积神经网络模型的退化问题；引入空间图卷积模型DGCNN（Deep Graph Convolutional Neural Network）进行建筑物群组的多模式识别，优于谱域图卷积方法，能有效用于建筑物群组模式分类；通过图结构过采样的方式对样本数量较少的建筑群图结构进行增强，然后将样本数量较少的建筑群图结构增强前后的数据分别输入图卷积神经网络模型进行训练，对样本数量较少的建筑群图结构增强之后，模型对于样本数量较少的建筑群识别准确率可以有明显的提高。.同时，研究利用本体、用户建模、形式概念分析、知识图谱等方法，进行语义相似性、语义关联关系的挖掘发现，并在应急地图中进行了应用。研究了建立领域本体，基于领域本体的语义相似度计算，从而达到语义关联的扩散检索。可以根据用户检索需求快速有效地在海量图组中检索出所需专题图信息，还可以发掘出用户潜在兴趣点，从而提高检索精度。利用用户建模技术对用户进行建模，通过本体技术、向量空间模型等方法，对用户个性化检索提供模型支持，实现基于语义关联的知识发现和推荐。利用知识图谱和形式概念分析方法，研究利用文本大数据，构建地震应急的知识发现模型，通过关键词提取、复杂网络构建、社区划分及结果分析实现了地震应急的知识挖掘和关联知识的提取。