本文摘要：摘要：地圖綜合是地圖制圖和多尺度空間數(shù)據(jù)變換的核心與關鍵技術。20世紀60年代以來，數(shù)字地圖數(shù)據(jù)的自動綜合研究逐漸展開并取得了長足的進步，囿于人工智能技術的限制，地圖綜合的智能解決方法雖有不少成果，但距離真正的智能化、實用化仍有一定的距離。近年來，以深
摘要：地圖綜合是地圖制圖和多尺度空間數(shù)據(jù)變換的核心與關鍵技術。20世紀60年代以來，數(shù)字地圖數(shù)據(jù)的自動綜合研究逐漸展開并取得了長足的進步，囿于人工智能技術的限制，地圖綜合的智能解決方法雖有不少成果，但距離真正的智能化、實用化仍有一定的距離。近年來，以深度學習為代表的人工智能技術應用于諸多研究領域并取得顯著成效，地圖綜合的智能化研究也有諸多新的嘗試。首先，在歸納自動地圖綜合研究模式的基礎上，闡述了智能地圖綜合研究的必要性;然后，結合人工智能發(fā)展歷程回顧智能地圖綜合研究，梳理和分析了基于傳統(tǒng)機器學習與基于深度學習的智能地圖綜合研究現(xiàn)狀，并歸納了地圖綜合智能化研究的主要方法;最后，圍繞地圖綜合智能化研究中的幾個熱點問題，探討了智能地圖綜合的發(fā)展趨勢。
關鍵詞：地圖綜合;機器學習;深度學習;智能化
地圖綜合的目的是解決縮小、簡化的地圖表象與實地復雜現(xiàn)實之間的矛盾[1]，涵蓋了利用大比例尺地圖派生小比例尺地圖的全過程。20世紀60年代，計算機數(shù)字制圖的開展使得地圖學界萌發(fā)出利用計算機編程實現(xiàn)自動地圖綜合的想法，這一想法成為日后最具挑戰(zhàn)性的研究難題之一。近60年來，地圖綜合效果、自動化程度都有了顯著提高，自動地圖綜合理論與方法也取得了巨大進展。國內外學者已經(jīng)開展過一些對于自動地圖綜合研究進展梳理、總結的綜述。
例如，通過對早期計算機輔助自動綜合研究的基本問題進行梳理，針對早期點、線、面要素幾何層次的自動綜合方法進行的回顧和總結[2];從地圖綜合的定量描述、自動綜合的模型算法和知識、自動綜合的人機交互、自動綜合的過程控制和質量保證等方面展開重點論述的自動綜合研究進展[3];回顧1966年—2006年自動地圖綜合的發(fā)展歷程，對具有代表性的自動綜合模型、自動綜合過程、自動綜合算子與算法等進行的梳理與評述[4];對模型綜合時代和數(shù)字綜合時代下具有代表性的自動綜合理論、觀念、技術的演進與變化進行的分析與總結[5];按地圖綜合處理流程組織自動綜合研究內容，系統(tǒng)回顧綜合知識的分類與獲取、綜合的算子與算法、質量評價、過程建模與控制等方面的地圖綜合研究進展[6]等。
這些綜述性文獻分別從不同視角對地圖自動綜合進行了梳理、總結與展望。近年來，隨著人工智能技術的快速發(fā)展，利用人工智能理論與方法學習、模擬地圖綜合的智能化研究得到展開。本文在分析現(xiàn)有的地圖綜合研究方法的基礎上，指出數(shù)據(jù)驅動的智能地圖綜合研究的必要性;并回顧智能地圖綜合的研究歷程、分析智能地圖綜合研究現(xiàn)狀、歸納智能地圖綜合研究思路，進一步探討智能地圖綜合研究的發(fā)展趨勢。
1智能地圖綜合研究的必要性
1.1“自上而下”的經(jīng)典自動綜合模式
長期以來，自動地圖綜合研究采用“自上而下”的研究模式，即通過人為模擬地圖綜合任務實現(xiàn)自動化應用。首先，通過觀察、記錄、分析地圖綜合任務，人為地提取、總結、抽象出與地圖綜合任務相適應的、明確的地圖綜合知識;然后，將人為明確的地圖綜合知識翻譯成計算機能夠處理的地圖綜合約束，以此控制、指導方法過程設計;最后，利用程序語言對構建的約束過程進行編譯，實現(xiàn)對地圖綜合任務的自動化模擬。這種模式能夠確保地圖綜合知識應用的有效性和自動化過程的可控性，符合人類對任務模擬的認知過程，具有良好的可解釋性，很多經(jīng)典地圖綜合問題都采用此模式進行自動化研究。
例如，分析認知規(guī)律、總結制圖經(jīng)驗發(fā)現(xiàn)，人工化簡線要素時常以彎曲作整體單元進行處理，由此產(chǎn)生了很多具有代表性的基于彎曲的線要素自動綜合方法[7-11];進一步地，結合具體應用場景、顧及編繪規(guī)范，特殊線要素綜合還要顧及專門的幾何約束和地理約束，由此產(chǎn)生了專門針對某些線要素的特殊彎曲綜合方法[12-16]。
1.2經(jīng)典自動綜合模式中的瓶頸
經(jīng)典自動地圖綜合模式利用可理解的地圖綜合知識約束自動化過程，通過“知識—約束—過程—結果”的層層遞進，“自上而下”地模擬地圖綜合。然而，地圖綜合知識獲取及其在“知識—約束—過程—結果”傳遞過程中不可避免的完備性和準確性損失，導致“自上而下”地實現(xiàn)自動地圖綜合存在瓶頸，主要表現(xiàn)在以下兩個方面：
1)人為明確的綜合知識難以全面、準確地描述地圖綜合任務。地圖綜合知識體量龐大、錯綜復雜、應用靈活，更隱含于制圖員的經(jīng)驗認識、主觀感受和具體行為中，即使通過調查問卷、現(xiàn)場訪談、觀察記錄法、眼動實驗等手段能夠將部分模糊知識明確化、客觀化，但未必足夠準確，也幾乎無法窮盡，更難以理清知識間的相互影響。因此，經(jīng)典自動綜合模式要求準確、完備的地圖綜合知識和“自上而下”難以清晰、準確窮盡地圖綜合知識形成了矛盾，導致了經(jīng)典自動綜合模式出現(xiàn)瓶頸。
2)地圖綜合知識傳遞過程中不可避免地存在損失。利用地圖綜合知識設計、實現(xiàn)約束驅動的地圖綜合自動化過程中，受程序員對地圖綜合知識認識的局限性以及方法過程設計的多樣性影響，“自上而下”實現(xiàn)的自動地圖綜合未必對已知地圖綜合知識進行了準確、全面的利用。因此，經(jīng)典自動綜合模式對“知識—約束—過程—結果”的嚴格對應要求和“自上而下”難以實現(xiàn)地圖綜合知識對自動綜合過程的有效指導和準確約束形成了矛盾，進一步導致經(jīng)典自動綜合模式出現(xiàn)瓶頸。
1.3“自下而上”的智能地圖綜合模式
人為提取、解釋、利用地圖綜合知識的不完備和不準確導致“自上而下”地實現(xiàn)自動地圖綜合出現(xiàn)瓶頸，利用人工智能技術從地圖綜合成果中學習、模擬地圖綜合成為突破瓶頸的關鍵。這種數(shù)據(jù)驅動的“自下而上”的智能地圖綜合模式，即利用人工智能技術從地圖綜合成果中發(fā)現(xiàn)地圖綜合知識、學習地圖綜合任務，使學習后的智能體能夠對地圖綜合任務進行自動化模擬。該模式減少了人的主觀干預，增強了自動地圖綜合的客觀性和適應性。特別是，人工智能技術拉近了從人工地圖綜合到自動地圖綜合距離。
人工智能技術既能夠從數(shù)據(jù)成果中發(fā)現(xiàn)機器可理解的地圖綜合知識，又能夠利用這些知識指導地圖綜合的學習模擬;既緩解了人為提取地圖綜合知識的不完備性，又降低了人為設計約束過程的主觀性;既發(fā)揮了其對解決非線性問題的優(yōu)勢，又利用了其對人類心智、行為活動的學習模擬能力。因此，數(shù)據(jù)驅動的智能地圖綜合研究具有理論必然性。
2智能地圖綜合的研究歷程
人工智能起源于1956年的達特茅斯會議，發(fā)展歷程跌宕起伏[17]，其中，深度學習的提出[18]具有里程碑意義，引發(fā)了前所未有的人工智能研究浪潮。人工智能與地理信息科學研究相結合，形成以GeoAI為代表的諸多研究成果[19]，也引發(fā)了智能地圖制圖的諸多思考[20-22]。這里以深度學習為分界點，系統(tǒng)梳理基于傳統(tǒng)機器學習和基于深度學習的智能地圖綜合研究成果，歸納當前智能地圖綜合的兩種研究思路。
2.1基于傳統(tǒng)機器學習的智能地圖綜合研究
人工智能的提出到深度學習的應用，60多年的人工智能研究中涌現(xiàn)出很多經(jīng)典機器學習方法[23]。傳統(tǒng)機器學習方法實現(xiàn)便捷、效果穩(wěn)定，已應用于地圖綜合研究的各個方面。本文從地圖綜合知識獲取、算子和算法、過程控制和質量評價4個方面，回顧基于傳統(tǒng)機器學習的智能地圖綜合研究成果。
2.1.1基于傳統(tǒng)機器學習的地圖綜合知識獲取研究
地圖綜合知識獲取旨在識別、發(fā)現(xiàn)地圖綜合知識。利用傳統(tǒng)機器學習方法，能夠從地圖數(shù)據(jù)成果中發(fā)現(xiàn)影響地圖綜合的數(shù)據(jù)特征知識和綜合過程知識。數(shù)據(jù)特征知識包含影響地圖綜合的形態(tài)特征、分布特征和語義特征。例如，利用K-Means進行非監(jiān)督學習，可實現(xiàn)對不同形態(tài)特征線要素的識別與區(qū)分[24-25]，為線要素綜合算法選擇和設計提供了必要的形態(tài)特征知識。
利用隨機森林來區(qū)分影響建筑群綜合的不同空間分布模式[26];基于道路網(wǎng)眼特征分別構建SOM、DT、PCA分類器[27-29]，或基于離散化弧段特征學習構建SVM分類器[30]，用來識別道路網(wǎng)的網(wǎng)格分布模式;通過構建NBM分類器，用來區(qū)分河網(wǎng)的主支流分布[31]等，這些方法都為建筑群、路網(wǎng)、河網(wǎng)綜合提供分布特征知識。而利用SVM、DT識別不同建筑群的功能類型[32]，利用SOM提取平行道路[33]，基于SVM識別天橋主橋[34]，則為居民地、道路網(wǎng)綜合提供了必要的語義信息支撐。
綜合過程知識是指影響地圖綜合過程中涉及的約束、原則以及它們的組織、結構、順序等。文獻[35]認為利用DT學習地圖綜合過程知識具有可行性，文獻[36]利用DT、SVM等傳統(tǒng)機器學習方法從數(shù)據(jù)成果中挖掘居民地選取中的隱含原則，實現(xiàn)了地圖綜合過程知識的推理發(fā)現(xiàn)。
2.1.2基于傳統(tǒng)機器學習的地圖綜合算子和算法研究
不同學者劃分的地圖綜合算子并不相同，本文圍繞地圖綜合最常用的選取、化簡、移位算子[6]梳理基于傳統(tǒng)機器學習的地圖綜合算子和算法研究現(xiàn)狀。
1)選取選取算子通過有選擇地刪除一些對象達到綜合、概括的目的，選取可以看作是個體依據(jù)其包含的地圖綜合相關特征執(zhí)行的取舍二分類任務。機器學習方法適于處理分類任務[23]，特別是傳統(tǒng)機器學習算法在二分類任務應用于廣泛、效果良好。因此，基于要素幾何、拓撲、語義等特征，利用傳統(tǒng)機器學習方法構建、學習、擬合要素取舍決策的選取算子研究相對較多，在點群、面群、線網(wǎng)選取中都有所嘗試。例如，針對點群要素選取，有基于GA的點群選取模型[37]，基于BPNN的水深選取監(jiān)督學習方法[38]，以及利用SOM實現(xiàn)的點狀居民地選取的非監(jiān)督學習方法[39]。
針對面群要素選取，以面狀居民地為研究對象，有分別利用DT、K-NN、PCA學習構建的面狀居民地選取模型[40-42]，以及DT、K-NN、NBM、SVM等經(jīng)典機器學習方法在面狀居民地選取中的應用效果研究[43];類似的，傳統(tǒng)機器學習方法在設計面狀湖泊群選取算子[44]中也有所應用。針對線網(wǎng)選取，以道路網(wǎng)為研究對象，有基于道路特征構建BPNN、DT的取舍模型[45-46]，基于Stroke特征構建的BPNN、SVM取舍模型[47-48]，這些方法分別實現(xiàn)了對道路取舍的監(jiān)督學習;而道路取舍的非監(jiān)督學習則有學者利用SOM來實現(xiàn)[49];至于不同學習方式的諸多傳統(tǒng)機器學習方法對道路取舍的學習模擬效果，也有學者對其進行了驗證比較[50-51]。類似地，傳統(tǒng)機器學習方法在河網(wǎng)選取[52]中也有所嘗試。
2)化簡化簡算子相對復雜，包含幾何形態(tài)化簡及其基礎上的空間結構化簡。幾何形態(tài)化簡研究相對較多[6]，當前基于傳統(tǒng)機器學習的幾何形態(tài)化簡算法研究大體分為矢量思路和柵格思路兩種。矢量思路通過對構成待化簡對象矢量單元處理過程的學習模擬，設計、實現(xiàn)化簡算法。根據(jù)矢量單元處理過程不同，還可進一步細分：
(1)將化簡過程抽象為頂點、彎曲的取舍過程，利用傳統(tǒng)機器學習方法擬合取舍任務，例如，利用GA[53]、ACO[54]、SVM[55]學習擬合頂點或彎曲取舍任務實現(xiàn)化簡;
(2)將化簡過程抽象為頂點、彎曲的聚類過程，利用傳統(tǒng)機器學習算法解決聚類問題，例如，利用SOM實現(xiàn)基于頂點特征的自適應聚類達到化簡的目的[56]。柵格思路利用機器學習在柵格數(shù)據(jù)處理中的優(yōu)勢，基于矢柵轉換、從柵格層次學習模擬化簡過程，設計、實現(xiàn)化簡算法。
例如，有學者利用移動窗口追蹤居民地輪廓、截取柵格圖像，利用BPNN學習構建從局部圖像到窗口移動方向的映射，通過追蹤移動窗口實現(xiàn)單個居民地輪廓化簡[57]。空間結構化簡以合并、典型化為主，當前基于傳統(tǒng)機器學習的空間結構化簡算法研究集中于居民地的結構化簡。合并將地圖綜合知識約束下的多個相似個體聚類成一個整體，實現(xiàn)空間結構的簡化。
例如，考慮合并過程中鄰近距離約束的基于智能體的居民地合并算法[58];基于SOM聚類居民地的無監(jiān)督學習合并算法[59];顧及空間認知理論量化影響合并的居民地特征，利用SVM所實現(xiàn)的基于居民地特征的監(jiān)督學習合并算法[60]等。典型化通過具有相同空間結構的少量新對象實現(xiàn)對原始對象典型結構的簡化表達，基于機器學習的聚類方法具有自適應性，利用結構特征保持，可用于典型化算法的設計。例如，將SOM、鄰近傳播等聚類算法應用于建筑物的典型化研究[61-62]。
3)移位移位算子通過調整對象位置以達到避免沖突、良好表達的可視化要求。移位的影響具有傳遞性，具有自適應優(yōu)化能力的機器學習方法適于對象移位的調整和優(yōu)化。一些傳統(tǒng)機器學習中的優(yōu)化算法已用于移位算法研究，如利用梯度下降、模擬退火來設計和優(yōu)化移位算法[63]、利用遺傳算法及其改進方法[64-66]等。
2.1.3基于傳統(tǒng)機器學習的地圖綜合過程研究
地圖綜合過程研究旨在把零散的綜合算法有效地組織起來。從算子層次看，利用傳統(tǒng)機器學習方法能夠自適應地協(xié)調、控制同一綜合算子的不同綜合算法，得到更優(yōu)的綜合結果。例如，利用BPNN實現(xiàn)對建筑物化簡算法進行最優(yōu)選擇的監(jiān)督學習[67]，利用K-Means實現(xiàn)對曲線弧段與恰當化簡算法匹配的非監(jiān)督學習[68]，基于案例推理而實現(xiàn)的對不同化簡算法的參數(shù)尋優(yōu)[69]等，這些研究通過協(xié)調化簡算法、控制化簡過程優(yōu)化了化簡算子。
從整體上看，地圖綜合過程需要多算子的協(xié)同參和協(xié)調控制。具有自治性、社會性、反映性、能動性的經(jīng)典人工智能研究成果——智能體(Agent)，為協(xié)同算子、控制綜合過程提供了研究思路。20世紀90年代法國地理信息學會聯(lián)合多家機構設置了利用Agent建模、控制多要素、多算子協(xié)同綜合的過程研究項目[70]，產(chǎn)生了一些具有代表性的研究成果，如避免沖突的Agent協(xié)作機制[71]、基于多Agent協(xié)同綜合模型[72]等。除Agent技術外，有學者設計了一種基于監(jiān)督學習的線要素綜合過程控制策略，基于DT協(xié)調了化簡、夸大、光滑等線要素綜合過程[73]。
2.2基于深度學習的智能地圖綜合研究
深度學習作為機器學習的深層次發(fā)展[17]，具有更深的層次、更復雜的結構和更強的學習能力�？梢哉J為深度學習是機器學習的一個子領域，它使用了多層次的非線性信息處理和抽象，用于有監(jiān)督或無監(jiān)督的特征學習、表示、分類和模式識別�；谏疃葘W習的智能地圖綜合研究剛剛起步，主要集中于地圖綜合知識獲取和地圖綜合算子研究。
2.3智能地圖綜合的兩種研究思路
基于以上梳理和分析可知，智能地圖綜合大體有兩種實現(xiàn)思路，一種是特征學習思路，即通過學習人為抽象出與任務相關的量化特征擬合地圖綜合任務;另一種是數(shù)據(jù)學習的策略，即通過學習結構化數(shù)據(jù)擬合地圖綜合任務。特征學習需要人為提取、抽象、量化與地圖綜合任務相關的特征，具有一定的主觀性和不完備性;但緩解了機器學習的難度，強化了智能地圖綜合的可控性和可解釋性;且人為抽象的特征種類不會很多，利用成熟穩(wěn)定、效率較高的傳統(tǒng)機器學習算法即可有效擬合。
因此，特征學習思路常見于基于傳統(tǒng)機器學習的地圖綜合研究。數(shù)據(jù)學習避免了人為抽象特征的主觀性和不完備性影響，通過學習大量結構化的數(shù)據(jù)成果擬合地圖綜合任務，充分發(fā)揮機器學習能動性和數(shù)據(jù)驅動主體性;但學習難度很大，需要采用學習能力很強的深度學習模型;且過于依賴深度學習模型，導致智能地圖綜合的可控性和可解釋性都較弱。因此，數(shù)據(jù)學習思路常見于基于深度學習的地圖綜合研究。
3智能地圖綜合研究的幾點思考
人工智能研究中激蕩著各種觀點，以人工智能為支撐的智能地圖綜合研究也出現(xiàn)了很多熱點議題，下面圍繞“基于什么數(shù)據(jù)”“選擇什么方法”“采用什么策略”幾個焦點議題探討智能地圖綜合發(fā)展趨勢。
3.1矢量數(shù)據(jù)、柵格數(shù)據(jù)和時空大數(shù)據(jù)
數(shù)字制圖環(huán)境下的地圖綜合旨在處理矢量數(shù)據(jù)，隨著圖像處理技術的進步和數(shù)據(jù)轉換技術的成熟，矢柵轉換基礎上的柵格數(shù)據(jù)處理技術也應用于地圖綜合研究[95-98];進一步的，隨著深度學習技術在圖像處理中的不斷突破，直接實現(xiàn)從遙感影像到地圖瓦片、到多級瓦片的柵格地圖變換研究也得到嘗試[99-102]，從矢量、還是柵格層次研究智能地圖綜合值得探討。
矢量數(shù)據(jù)便于計算分析，適用于特征學習的智能地圖綜合研究;柵格數(shù)據(jù)方便與眾多圖像處理深度學習模型結合，推動了數(shù)據(jù)學習的智能地圖綜合研究。大多數(shù)的智能地圖綜合研究都是對矢量數(shù)據(jù)的學習模擬，即使通過矢柵轉換、進行柵格數(shù)據(jù)學習的智能地圖綜合研究基本也會回到矢量要素。矢量數(shù)據(jù)的學習處理符合數(shù)字地圖自動化生產(chǎn)的整體流程，在可預見的未來仍是智能地圖綜合研究的出發(fā)點和落腳點。
柵格數(shù)據(jù)作為中間數(shù)據(jù)或補充數(shù)據(jù)，也能使快速升級的圖像處理深度學習模型應用于智能地圖綜合研究[103]�；跂鸥駭�(shù)據(jù)學習的多級瓦片地圖生成為快速制圖提供了新思路，雖然在制圖效果和地圖應用上都有局限，但也值得期待。多源時空大數(shù)據(jù)中，各類數(shù)據(jù)來源不一，格式多樣，特別是尺度繁多，給尺度表達帶來了新挑戰(zhàn)。傳統(tǒng)地理空間數(shù)據(jù)的系列比例尺概念(如1:1萬、1:5萬、1:25萬等)已經(jīng)不能滿足時空大數(shù)據(jù)尺度表達要求。時空大數(shù)據(jù)需要任意尺度表達、多尺度共存的新局面。
3.2傳統(tǒng)機器學習方法和深度學習方法
傳統(tǒng)機器學習方法和深度學習方法在地圖綜合智能化研究中都有所應用，隨著機器學習向深度學習進階，地圖綜合智能化研究中深度學習是否能夠取代傳統(tǒng)機器學習值得思考。通常認為深度學習優(yōu)于傳統(tǒng)機器學習，特別是在特征提取、模式識別中深度學習應用效果良好。60多年的地圖綜合研究明確了不少地圖綜合問題的影響因素，當綜合問題的特征描述足夠準確時，簡單的機器學習方法即可取得不錯的學習模擬效果，深度學習在消耗大量計算資源后未必能進一步優(yōu)化綜合效果。
地圖綜合智能化不僅要依賴于深度更深、結構更加復雜的深度學習模型，還要思考如何利用已知綜合知識、綜合規(guī)律、綜合方法實施更加可靠的特征工程。因此，無論是傳統(tǒng)機器學習、還是深度學習都可能在地圖綜合智能化中起到良好效果。
4結語
總體而言，對地圖綜合來說，人工智能并不是一個新事物。地圖綜合本身就需要人類的抽象、概括、歸納等智能化行為。人工智能作用于地圖綜合的最終目的，是實現(xiàn)全自動綜合，也就是說智能綜合發(fā)展的終極目標是地圖自動綜合。目前的人工智能還處于感知智能階段，這是一種大數(shù)據(jù)驅動的統(tǒng)計學習方法，因此當前地圖綜合智能化研究大都集中于識別、分類等基礎感知任務的學習模擬，表現(xiàn)為面向地圖綜合的數(shù)據(jù)特征識別研究相對較多，還需要在地圖綜合樣本提取[106]、樣本庫構建維護機理[107]、智能綜合效率效果的平衡等方面進行深入探討。如今的深度學習對于感知(相對簡單的比對和識別)而言雖然是成功的，除了需要大規(guī)模人工標注的高質量樣本數(shù)據(jù)，而且缺乏高級認知能力如推理、解釋能力等。
隨著下一代人工智能(認知智能)的發(fā)展，其核心將向推進統(tǒng)計與知識推理融合、與腦認知融合的方向發(fā)展，因此，高質量超大規(guī)模知識圖譜的構建、具有知識理解能力的面向認知的深度學習算法，是未來研究的重點。地圖綜合作為一種復雜的專業(yè)心智行為，更需要對演繹、推理等高級認知任務的擬合。深度學習與知識圖譜結合能夠強化智能方法的推理能力，使研究更加高級的具有認知智能的地圖綜合成為可能[108-110]。
堅持跨界(學科)學習與合作，結合腦神經(jīng)科學[111]研究地圖綜合認知機理，并改進、創(chuàng)造適合地圖綜合認知智能方法，期待從被動借鑒其他領域智能方法到主動設計地圖綜合智能方法能夠取得突破。當前，人工智能的研究還在繼續(xù)發(fā)展，還遠沒到達人類智能的高度。不管是人工智能，還是地圖綜合，都需要齊頭并舉，既要借助人工智能外部力量，也要進一步加強地圖綜合新理論、方法和技術的內生基礎創(chuàng)新。
參考文獻：
[1]WangJiayao,SunQun,WangJiangxia.TheoriesandMethodsofCartography[M].2nded.Beijing:SciencePress,2014(王家耀,孫群,王江霞.地圖學原理與方法[M].2版.北京:科學出版社,2014)
[2]BrasselKE,WeibelR.AReviewandConceptualFrameworkofAutomatedMapGeneralization[J].InternationalJournalofGeographicalInformationSystems,1988,2(3):229-244
[3]WangJiayao.TheProgressandTrendofAutomaticGeneralizationofSpatialData[J].JournalofGeomaticsScienceandTechnology,2008,25(1):1-7(王家耀.空間數(shù)據(jù)自動綜合研究進展及趨勢分析[J].測繪科學技術學報,2008,25(1):1-7)
[4]LiZL.DigitalMapGeneralizationattheAgeofEnlightenment:AReviewoftheFirstFortyYears[J].TheCartographicJournal,2007,44(1):80-93
[5]CebrykowP.CartographicGeneralizationYesterdayandToday[J].PolishCartographicalReview,2017,49(1):5-15
[6]WuFang,GongXianyong,DuJiawei.OverviewoftheResearchProgressinAutomatedMapGeneralization[J].ActaGeodaeticaetCartographicaSinica,2017,46(10):1645-1664(武芳,鞏現(xiàn)勇,杜佳威.地圖制圖綜合回顧與前望[J].測繪學報,2017,46(10):1645-1664)
[7]LecordixF,PlazanetC,LagrangeJP.APlatformforResearchinGeneralization:ApplicationtoCaricature[J].GeoInformatica,1997,1(2):161-182
作者：武芳1杜佳威1，2錢海忠1翟仁健1
轉載請注明來自發(fā)表學術論文網(wǎng)：http:///dzlw/29790.html
