基于模式识别的多尺度空间数据联动更新关键技术研究

The currency of spatial data is crucial for the practical application of spatial database. In order to avoid repeated data acquisition and processing, multi-scale spatial data linkage updating tends to propagate the change information from large-scale spatial data to small-scale. The interpretation of updating operation pattern has scale affect and adaptive feature. And the theory and technology of pattern recognition can be applied to automatically process and interpret the pattern that characterizes object and phenomenon. Therefore, based on pattern recognition technology, this project will construct update feature space and design adaptive machine learning algorithm to explore the mechanism of updating information detection and propagation. Considering the information pattern measure theory, the project will focus on the definition of multi-scale spatial updating feature space, multi-scale object matching as well as incremental cartographic generalization, which are key issues on linkage updating. This project also aims to construct the web servive framework to realize on-line multi-scale updating. The design and application of the method will improve the automatic and intelligent level and raise efficiency of data updating. Therefore, this project is of profound academy value and practical significance.

空间数据的现势性是衡量GIS数据库实用价值的重要标志。多尺度空间数据联动更新通过把大比例尺的变化信息依次传递到较小比例尺空间数据中进行更新处理，从而避免数据的重复采集和处理。多尺度空间数据的更新处理模式判读具有尺度效应和自适应的特征，模式识别的理论与技术可用于对表征事物或现象的模式进行自动处理和判读。因此，本项目拟结合模式识别技术，通过更新特征建模与自适应机器学习，探讨更新信息检测及多尺度传递机制。以信息模式测度理论为切入点，对多尺度空间数据更新特征空间定义、多尺度同名要素模板匹配及增量式的制图综合方法等关键问题进行深入探讨，以实现多尺度空间数据的联动更新。同时，构建空间数据联动更新的网络服务框架，实现空间数据的在线联动更新。项目方法的设计和应用将有助于提高多尺度空间数据更新的自动化和智能化水平，提高更新工作的效率，具有重要的研究意义与实用价值。

多尺度空间数据联动更新能够有效避免数据的重复采集和处理，对于解决空间数据更新问题具有重要的理论意义和应用价值。本项目以“空间要素提取---空间要素多尺度表达及特征空间建模---更新信息检测与自适应动态更新---更新信息多尺度传递”为主线，从理论和技术两个层面，系统研究了基于模式识别的多尺度空间数据联动更新关键技术。以广州市为主要研究区，采用多比例尺地形图、高分辨率遥感影像、LiDAR点云等时空数据开展相关研究，主要研究成果包括：（1）深入分析了不同尺度空间数据在表达内容、几何细节与符号样式等方面的差异，提出了一种基于图层---实体---图元结构的更新信息特征空间构建方法；（2）设计了一种以人工神经网络决策树模型为基础的更新信息检测方法，该方法兼顾了决策树运行效率高与人工神经网络的自适应特征，可适用于不同的更新场景，减少人为的影响；在此基础上，提出了一种自适应的矢量数据增量更新方法，以解决GIS增量更新中存在的一致性维护与空间冲突难题；（3）提出了一种结合像元级和目标级的高分辨率遥感影像建筑物变化检测方法，该方法既利用了像元级变化检测方法简单易行的优势，又避免了双时相影像分割导致的边界不一致等问题，同时考虑观测角度等环境因素对建筑物变化检测的影响；（4）改进了多尺度面状居民地匹配的特征相似性测度方法，提出了一种基于RVM（相关向量机）与主动学习的匹配方法来避免特征权重与匹配阈值设置，以自动适应不同数据环境下的居民地匹配；同时，引入机器学习领域的决策树方法，构建了跨比例尺居民地矢量数据变化信息识别模型；（5）基于建筑物群组理论，提出了一套系统完善的基于尺度集的建筑尺度变换理论与方法。在项目的支持下，项目组在国内外刊物上发表论文40余篇，其中SCI/SSCI论文16篇，获得科研奖励8项，出版学术专著4部，申请或授权发明专利8项。共培养博士后1名、博士生12名，硕士生11名。