基于几何与属性匹配的地理信息数据融合更新方法

doi:10.6046/zrzyyg.2022006

基于几何与属性匹配的地理信息数据融合更新方法

石善球^,

江苏省基础地理信息中心,南京 210013

A geographic data fusion and update method based on geometric and attribute matching

SHI Shanqiu^,

Provincial Geomatics Center of Jiangsu, Nanjing 210013, China

责任编辑: 陈理

收稿日期: 2022-01-5 修回日期: 2022-07-11

基金资助:

江苏省自然资源科技项目“面向国土空间决策支持的智慧江苏时空大数据情势分析”(2020035)

Received: 2022-01-5 Revised: 2022-07-11

作者简介 About authors

石善球(1980-),男,教授级高级工程师,主要从事测绘地理信息数据处理研究。Email: 6919368@qq.com。

摘要

针对多源地理信息数据在尺度、几何位置和属性等方面存在不一致性而造成难以融合更新这一现状,探讨了一种基于几何与属性匹配技术的地理信息数据融合更新方法。该方法首先通过广义Voronoi图获取候选集,有效地提高候选集的获取效率并减少不相关目标对候选集的影响; 接着,基于几何和属性匹配等关键技术实现点、线、面3种不同几何类型数据的匹配分析; 最后,基于匹配结果从参考地理信息数据中提取增量数据,并完成目标数据的融合更新。实验结果表明,采用几何与属性匹配的地理信息数据融合更新方法,能够高效识别并提取增量数据,对监测数据更新模式的创新探索有一定的借鉴意义。

关键词： 几何匹配; 属性匹配; 融合更新; 增量数据

Abstract

The inconsistency of multi-source geographic data in scale, geometric position, and attribute cause difficult data fusion and update. This study proposed a fusion and update method for geographic data based on geometric and attribute matching. First, the candidate set was acquired using the generalized Voronoi diagram, thus effectively improving the acquisition efficiency and reducing the impact of unrelated targets on the candidate set. Then, the matching analysis of point, line, and plane data was made using key techniques such as geometric and attribute matching. Finally, based on the matching results, the incremental data were extracted from the reference geographic information data, followed by fusion and update of target data. The experimental results show that the method proposed in this study can efficiently identify and extract incremental data and serves as a reference for the innovative exploration into the update mode of monitoring data.

Keywords： geometric matching; attribute matching; fusion and update; incremental data

PDF (1229KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

石善球. 基于几何与属性匹配的地理信息数据融合更新方法[J]. 自然资源遥感, 2023, 35(1): 251-257 doi:10.6046/zrzyyg.2022006

SHI Shanqiu. A geographic data fusion and update method based on geometric and attribute matching[J]. Remote Sensing for Land & Resources, 2023, 35(1): 251-257 doi:10.6046/zrzyyg.2022006

0 引言

自然资源信息化需要把握的重点之一就是突出数据的整合与融合^[1]。随着自然资源统筹管理的逐步落实^[2-3],各种来源的地理信息数据开始汇集,问题也随之而来——数据在尺度、几何位置和属性等方面存在不一致性,这给自然资源调查监测历史数据建库带来诸多不便。自然资源部颁布的《新型基础测绘试点建设技术大纲》中也特别强调,要将“研究多源(元)数据融合和智能化处理技术”作为一项重要的核心技术研究。因此,要想从多个维度和层次实现对数据的整合与融合,开展多源地理信息数据整合与融合技术的研究显得尤为重要。

目前,数据整合与融合更新的主要方法有: 基于日志的方法、基于变化检测表(影子表)的方法、基于时间戳字段的方法和基于自动匹配的方法^[4]。考虑到各种来源的地理信息数据互相之间无权访问更改日志,无权添加影子表或时间戳字段,将比例尺相近的多源地理信息数据进行自动匹配是整合与融合的最彻底、最精确的方法。现有匹配算法可分为几何匹配、拓扑匹配和属性匹配3类^[5]。几何匹配方法的优点是可充分利用数据的几何信息和特征,不足之处是多源数据的几何位置往往存在差异^[6]; 拓扑匹配克服了几何匹配方法的不足,但是该方法通常需要其他相似特征一起使用^[7]; 属性匹配的效率非常高,但是属性匹配方法过于依赖数据模型以及属性数据类型^[8]。

本文基于几何与属性匹配理论探讨了点、线、面3种不同类型多源地理信息数据的融合更新方法,并通过省级基础测绘和地理国情数据验证该方法的可行性。

1 研究方法

多源地理信息数据融合更新方法步骤为: 首先,对2套不同来源的地理信息数据进行坐标、格式统一等预处理; 然后,根据空间数据类型对质量检查合格的数据进行图层关联; 再以待更新地理信息数据为源实体构建广义Voronoi图,在此基础上从参考地理信息数据中获取待匹配候选集; 接着,待更新地理信息数据与待匹配候选集进行几何匹配和属性匹配; 最后,基于匹配结果从参考地理信息数据中提取增量数据并完成待更新地理信息数据的融合更新。技术路线如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 多源地理信息数据融合更新技术路线

Fig.1 Technology roadmap of geographic information data fusion and update

2 关键技术

2.1 候选集获取

通常实体匹配一般需要进行数据预处理、候选集获取、相似度计算、匹配与结果分析等步骤,其中候选集获取是实体匹配需要解决的问题之一。传统的候选集获取方法有缓冲区方法^[9]和最小外包矩形(minimum bounding rectangle,MBR)方法^[10],但前者存在阈值依赖性过大的问题,后者误匹配或漏匹配较多。考虑到Voronoi图不受目标位置、距离和比例尺等因素影响的优势,采用基于Voronoi图的候选集获取方法。实际生产中为了同时满足点、线、面的应用,本文采用文献[11]改进的广义Voronoi图获取候选集。

基于广义Voronoi图的候选集获取方法思路如下: 首先,将比例尺相对较小的面实体作为源实体(蓝色),另一个数据集作为目标实体(棕色),对源实体构建广义Voronoi图。在此基础上,遍历每个Voronoi多边形,搜索相应的目标实体中的要素作为匹配候选集。3种不同候选集获取方法对比结果如图2所示。与基于缓冲区方法(图2(a))和基于MBR方法(图2(b))相比,利用基于广义Voronoi图方法(图2(c))可快速地得到与源实体对应的候选集搜索区域,搜索范围不重叠,有效地提高了候选集的获取效率并减少不相关要素对候选集的影响。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 候选集获取方法对比

Fig.2 Comparison of candidate set acquisition methods

2.2 几何匹配

几何匹配原理是先度量实体的一个或几个几何特征的相似度,然后通过阈值来判断是否属于同名实体。常见的几何特征包括实体之间的距离、形状描述和方向趋势等,不同匹配算法对这些几何特征在数学描述上略有差异,如点实体匹配多采用距离指标来衡量相似度^[12]; 线实体匹配最常用的指标有线的方向、Hausdorff距离和Fréchet距离^[13]; 面实体则多利用面的形状特征,主要包括面积、相似度、不变距与质心度等^[14]。鉴于省级基础测绘和地理国情数据的特点,本文针对点、线、面3种实体分别采用3种不同的匹配方法。

2.2.1 基于距离与环境的点实体匹配

多源地理信息数据之间经常会出现一方局部区域点实体比较密集,而另一方则比较稀疏,甚至出现一方多点合一,另一方只有一个实体的现象。为提高匹配质量,本文采用基于距离与环境的点实体匹配技术。

首先,设 $m_{1}$ 和 $m_{2}$ 分别为源实体和匹配候选集的点位精度, $m$ 为2个同名点的距离精度,则距离阈值r的计算公式为:

(1)

r = 3 m = 3 \sqrt[]{{m_{1}}^{2} + {m_{2}}^{2}}

。

接着,计算源实体 $a$ 和候选匹配实体 $b$ 之间的距离相似度 $D_{a, b}$ ,计算公式为:

(2)

D_{a, b} = 1 - \frac{d}{r}

式中 $d$ 为源实体和候选匹配实体之间的欧式距离。

然后,采用文献[15]的方法计算源实体 $a$ 和候选匹配实体 $b$ 之间的环境相似度 $E_{a, b}$ ,具体过程如下: 以当前点实体a为中心在其周围构建一个 2×2 的格网区域,实体a周围左上、右上、右下、左下4个方位的方格区域分别用LT,RT,RB,LB表示,格网的边长等于距离阈值r,则四元组 $E_{a} = (p_{L T}, p_{R T}, p_{R B}, p_{L B})$ 表示点实体a的环境特征, $p$ 表示各方格区域的点密度,用某个区域包含的点的个数来计算,例如LT区域包含2个点,则 $p_{L T} = 2$ 。针对2个待匹配点实体 $f_{a}$ 和 $f_{b}$ 的环境特征,依次比较它们环境特征四元组中对应项的大小,如果相等则计数变量加1,设最后计数变量的大小为N',则环境相似度计算公式为:

(3)

E_{a, b} = \frac{N'}{4}

。

最后,利用各个特征的相似度计算源实体和候选匹配实体的综合图形相似度 $P_{a, b}^{P}$ ,计算公式为:

(4)

P_{a, b}^{P} = α_{1} D_{a, b} + β_{1} E_{a, b}

式中 $α_{1} 和 β_{1}$ 分别为距离相似度和环境相似度的权重,可根据具体情况设定,但必须满足 $α_{1} + β_{1} = 1$ 。

2.2.2 基于Fréchet距离和线段模型的线实体匹配

由于多源地理信息数据之间存在采集标准的差异,所以同名对象之间大多是1∶N,M∶1或者M∶N匹配类型,为提高匹配质量,通过建立线段模型,抽象为1∶1匹配类型来处理。

具体思路如下: 首先,将源实体和匹配候选集实体分别在结点(交叉点)处打断; 然后,依据唯一的实体编码将源实体和匹配候选集实体分别进行合并连接; 接着,再将源实体和匹配候选集实体分别在结点(交叉点)处打断; 最后采用文献[13]的方法,基于Fréchet距离计算源实体和候选匹配实体之间相似度 ${P^{L}}_{a, b}$ ,计算公式为:

(5)

P_{a, b}^{L} = 1 - \frac{F_{d}}{r}

式中 $F_{d}$ 为源实体和候选匹配实体之间的Fréchet距离。 Fréchet距离是计算2条曲线距离的算法,用来判断2条曲线的相似度。设有2条连续曲线,即 $f : [0,1] \to R^{2}$ , $g : [0,1] \to R^{2}$ , $θ 和 ρ$ 分别为连续非减的实函数,且 $θ [0] = ρ [0] = 0$ , $θ [1] = ρ [1] = 1$ ,则Fréchet距离 $F_{d} (f, g)$ 计算公式为:

(6)

F_{d} (f, g) = i n f m a x d i s t {f [θ (s)], g [ρ (s)]}

。

2.2.3 基于空间相似性的面实体匹配

面实体匹配同样包含1∶N,M∶1或者M∶N匹配等类型,其中M∶N匹配类型是面实体匹配重点解决的问题,因此,面实体的匹配需要采用计算多个几何特征的方法。本文采用文献[16]的方法,分别计算源实体 $a$ 和候选匹配实体 $b$ 之间的距离相似度 $s i m_{d} (a, b)$ ,形状相似度 $s i m_{s h} (a, b)$ 和面积相似度 $s i m_{s i} (a, b)$ 。如果实体间是一对一的匹配关系,则直接根据相似度计算公式计算; 如果是一对多或者是多对多的匹配关系,则先获得源实体集和候选匹配实体集,然后再根据相似度公式计算实体集之间的匹配度。

在此基础上,利用各个特征的相似度计算源实体和候选匹配实体的综合图形相似度 ${P^{A}}_{a, b}$ ,计算公式为:

(7)

P_{a, b}^{A} = α_{2} s i m_{d} (a, b) + β_{2} s i m_{s h} (a, b) + γ_{2} s i m_{s i} (a, b)

式中 $α_{2}, β_{2} 和 γ_{2}$ 分别为距离相似度、形状相似度和面积相似度的权重,可根据具体情况设定,但必须满足 $α_{2} + β_{2} + γ_{2} = 1$ 。

2.3 属性匹配

属性匹配原理是利用不同数据源对相同地理现象的基本性质描述相同或相近的特点。本文鉴于多源地理信息数据属性数据类型和属性表达的内容层面不同,研究了数值、编码和文本3种不同的属性匹配方法。在此基础上利用各种属性项的相似度计算要素的综合相似度。

2.3.1 数值匹配

主要用于计算 integer 型、float 型和double 型的数值之间的相似度,如道路宽度和水库面积等。其相似度 $p_{a, b}^{N}$ 计算公式为:

(8)

p_{a, b}^{N} = \frac{m i n [V_{a}, V_{b}]}{m a x [V_{a}, V_{b}]}

式中 $V_{a}$ 和 $V_{b}$ 分别为 $a$ 和 $b$ 2个待匹配实体的一个属性项值。

2.3.2 编码匹配

编码匹配是通过比较它们前 $n$ 位的编码是否相同来计算其相似程度。设 $s N u m ()$ 表示编码的个数; $s C o d e ()$ 表示某要素的编码,若 $m = s N u m [s C o d e (a)]$ , $n = s N u m [s C o d e (b)]$ ,且 $m \leq n$ ,则将 $s C o d e (a)$ 与 $s C o d e (b)$ 中前 $m$ 个数字对应相减,若字符串中从第一位开始存在 $k \leq m (k = 0,1, 2, \dots, m)$ 个连续的0数字,则编码相似度 $p_{a, b}^{C}$ 计算公式为:

(9)

p_{a, b}^{C} = \frac{k}{n}

。

2.3.3 文本匹配

文本匹配以文本的方式来描述要素的名称和位置等信息。本文考虑属性值漏输或错输的情况从2个方面进行匹配。一是2个字符串中相同字符的数目,设为 $i C o u n t$ ; 二是2个字符串最长公共子串的字符数目,设为 $i C o m m o n$ ,则文本字符串的相似度指标计算公式为:

(10)

p_{a, b}^{T} = α_{3} \frac{i C o u n t}{m_{a, b}} + β_{3} \frac{i C o m m o n}{m_{a, b}}

式中: $m_{a, b}$ 为2个字符串中个数最少的个数; $α_{3} 和 β_{3}$ 为可调参数,但必须满足 $α_{3} + β_{3} = 1$ 。

2.3.4 综合属性相似度

利用各种属性项的相似度指标计算源实体a和候选匹配实体b的综合属性相似度 $p_{a, b}^{S}$ ,计算公式为:

(11)

{p^{S}}_{a, b} = {\overset{N_{s}}{\sum_{K = 1}} [s i m (F_{a, K}, F_{b, K}) E S W_{a K}]} / N_{s}

式中: $F_{a, K}$ 为实体a的第K个属性; $F_{b, K}$ 为实体b的第K个属性; $s i m (F_{a, K}, F_{b, K})$ 为实体a和实体b第K个属性计算出来的匹配相似度值; $0 \leq K \leq N_{s}$ ; $N_{s}$ 为实体总的属性项个数; $E S W_{a K}$ 为 $a_{K}$ 对应的权重,一般取值都为1。

2.4 增量提取及融合

从多源矢量参考数据中提取图形改变、属性改变、图形和属性改变的3种数据,同时获取对应自然资源监测数据的唯一实体编码,在此基础上完成数据的融合更新。假设 $T_{1}$ 为几何匹配阈值; $M_{1}$ 为属性匹配阈值。则识别规则为:

(12)

\{\begin{array}{l} P_{a, b} \leq T_{1}, p_{a, b}^{S} > M_{1} 识 别 为 图 形 改 变 \\ P_{a, b} > T_{1}, p_{a, b}^{S} \leq M_{1} 识 别 为 属 性 改 变 \\ P_{a, b} \leq T_{1}, p_{a, b}^{S} \leq M_{1} 识 别 为 图 形 和 属 性 改 变 \end{array}

。

3 应用与评价

3.1 融合应用

基于江苏省全域2020年度国情监测数据更新2019年度江苏省全域1∶10 000基础测绘数据(重要要素),其中2020年度国情监测数据涉及14个图层,共计191 667个要素,基础测绘数据涉及10个图层,共计441 544个要素。采用本文方法,分类开展了基于几何与属性匹配的多源地理信息数据融合更新实验,具体融合结果如表1所示。

表1 基础测绘数据融合更新结果

Tab.1 Results of geographic information data fusion and update

要素名称			融合更新内容	分类名称	基础测绘数据要素数量/个		国情监测数据要素数量/个		几何更新要素数量/个		属性更新要素数量/个		几何属性更新要素数量/个
水系	重要水系		水系的改道、新开挖的河流、新建大中型水库等	等级河流	5 068		5 048		3 380		56		3 324
	重要水系		水系的改道、新开挖的河流、新建大中型水库等	水库	1 718		1 581		465		44		421
	重要水系附属设施		大中型水闸和船闸、泵站、干堤等	水库	1 718		1 581		465		44		421
				水闸	45 836		15 500		1 346		8 881		457
				船闸	417		12		2		3		4
				泵站	85 683		67 983		634		12 716		1 034
				干堤	6 134		5 675		3 679		854		2 918
居民地及设施	重要设施或标志性建筑		大中型自来水厂和污水处理厂、大型医院、学校等	自来水厂	916		1 435		887		69		801
				污水处理厂	727		888		384		51		335
				医院	15 941		5 717		1 745		2 829		399
				学校	9 794		14 135		5 773		1 094		1 509
交通	飞机场		机场及附属设施	机场	30		12		0		0		1
	铁路		高铁、动车相关铁路	机场	30		12		0		0		1
	铁路		高铁、动车相关铁路	铁路	2 668		453		373		71		302
	高速公路及国省道		更新高速、国道、省道	铁路	2 668		453		373		71		302
	高速公路及国省道		更新高速、国道、省道	等级公路	57 784		61 368		39 393		25 421		13 972
	重要交通附属设施		大型交通枢纽,火车站,县级及以上的长途汽车站,高速、国省道相关的大型桥梁、隧道,大中型渡口、大中型码头等	等级公路	57 784		61 368		39 393		25 421		13 972
				火车站	181		135		30		5		24
				汽车站	722		719		222		46		172
				桥梁	199 020		6 505		17 466		17 427		314
				隧道	736		188		125		17		119
				渡口	57		70		53		9		34
				码头	6 080		2 595		479		363		326
要素名称		融合更新内容		分类名称		基础测绘数据要素数量/个		国情监测数据要素数量/个		几何更新要素数量/个		属性更新要素数量/个	几何属性更新要素数量/个
境界与行政区	县级及以上行政境界	主要是行政区划的调整		省界		64		46		35		0	35
				市界		36		36		3		0	3
				区县界		177		175		27		0	27
	国省级自然经济文化区域	经国家或省级政府颁布的自然保护区、国家森林公园、AAAA级及以上风景旅游区、世界自然或文化遗产、高新技术开发区、经济开发区、农业开发区、保税区等		自然文化保护区		115		157		139		1	138
				国有农林、牧场		57		107		83		16	80
				开发区、保税区		150		197		70		9	61
地名	乡镇级及以上行政地名	主要是行政区划调整或名称变更后的名称、驻地的更新		乡镇级以上		1 433		930		104		63	62

新窗口打开| 下载CSV

分析表1可知,其中居民地及设施要素中的学校、污水处理厂和自来水厂,水系要素中的泵站、水库,境界与行政区要素中的市界、区县界、开发区、保税区、国有农林、牧场和交通要素中的等级公路、汽车站和火车站,地名要素中的乡镇级以上行政地名等13个分类的几何匹配度都在60%以上,所以这些要素可以通过几何与属性匹配的方法完成利用2020年度国情监测数据更新2019年度基础测绘数据(重要要素),而等级河流、干堤和隧道等其他要素由于整体匹配度较低,不建议采用本文融合更新的方法。

实验结果表明,针对几何位置采集标准不一致的点实体匹配,以属性相似度为主,同时辅以距离相似度和环境相似度等条件可提高融合质量; 针对属性高度不吻合的线实体,以其中一方数据的属性为准,通过Fréchet距离等几何匹配方法可实现数据的准确、快速融合; 用空间相似性匹配基于广义Voronoi图方法获取的候选数据集可提高面实体的融合精度。

3.2 匹配质量评价

通常根据匹配精度和匹配效率衡量多源矢量数据匹配算法质量的优劣。目前匹配精度应用最为广泛的评价准则是查全率R、查准率P和综合评价指标F。查全率是指正确匹配的实体数目与数据集全部实体总数的百分比; 查准率是指正确匹配的实体数目与实际检索到的匹配实体数目的百分比,综合评价指标兼顾查全率和查准率; 匹配效率通过评价得到匹配结果所耗费的时间反映^[17]。F的计算公式为:

(13)

F = \frac{2 P R}{P + R}

。

从国情监测和基础测绘数据中选取部分点、线、面数据进行匹配质量评价。候选集获取的评价以面实体匹配为例,其评价结果如表2所示; 在候选集获取的基础上,点实体、线实体和面实体的匹配评价结果如表3—5所示。分析表2可知,在不考虑创建搜索区耗时的前提下,基于Voronoi图的候选集获取与基于缓冲区或基于MBR的候选集获取相比,不管是在匹配精度(综合评价指标提升约17%)还是在匹配效率(提高近1倍)上都有所提高。分析表3—5可知,采用本文提出的匹配算法虽然匹配效率有所降低,但匹配精度都得到不同程度的提高。特别是线实体的匹配精度,其综合评价指标提高了近50%,点实体和面实体的综合评价指标也提高了约1%和4%。

表2 候选集获取评价

Tab.2 Evaluation of candidate set acquisition

匹配算法	数据		匹配精度			搜索区域创建时间/s	匹配效率/s
匹配算法	名称	数量/个	R	P	F	搜索区域创建时间/s	匹配效率/s
基于缓冲区和空间相似性的匹配	国情监测数据	1 483	0.503 5	0.732 3	0.596 7	5.7	12.6
基于缓冲区和空间相似性的匹配	基础测绘数据	1 698	0.503 5	0.732 3	0.596 7	5.7	12.6
基于MBR和空间相似性的匹配	国情监测数据	1 483	0.493 5	0.794 4	0.608 8	6.9	15.0
基于MBR和空间相似性的匹配	基础测绘数据	1 698	0.493 5	0.794 4	0.608 8	6.9	15.0
基于Voronoi图和空间相似性的匹配	国情监测数据	1 483	0.612 6	0.813 3	0.698 8	183.0	8.2
基于Voronoi图和空间相似性的匹配	基础测绘数据	1 698	0.612 6	0.813 3	0.698 8	183.0	8.2

新窗口打开| 下载CSV

表3 点实体匹配质量评价

Tab.3 Quality evaluation of point entity matching

匹配算法	数据		匹配精度			匹配效率/s
匹配算法	名称	数量/个	R	P	F	匹配效率/s
基于距离相似度的点实体匹配	国情监测数据	21 770	0.535 4	0.730 0	0.617 7	13.8
基于距离相似度的点实体匹配	基础测绘数据	20 770	0.535 4	0.730 0	0.617 7	13.8
基于距离与环境的点实体匹配	国情监测数据	21 770	0.518 4	0.776 0	0.621 6	22.7
基于距离与环境的点实体匹配	基础测绘数据	20 770	0.518 4	0.776 0	0.621 6	22.7

新窗口打开| 下载CSV

表4 线实体匹配质量评价

Tab.4 Quality evaluation of line entity matching

匹配算法	数据					匹配精度						匹配效率/s
匹配算法	名称	原始弧段数/个		构建线段模型		R		P		F		匹配效率/s
基于Fréchet距离的线实体匹配	国情监测数据		225 060		—		0.501 9		0.580 8		0.538 5	209.3
基于Fréchet距离的线实体匹配	基础测绘数据		64 663		—		0.501 9		0.580 8		0.538 5	209.3
基于Fréchet距离和线段模型的线实体匹配	国情监测数据		225 060		59 165		0.760 2		0.863 3		0.808 5	613.1
基于Fréchet距离和线段模型的线实体匹配	基础测绘数据		64 663		56 170		0.760 2		0.863 3		0.808 5	613.1

新窗口打开| 下载CSV

表5 面实体匹配质量评价

Tab.5 Quality evaluation of polygon entity matching

匹配算法	数据		匹配精度			匹配效率/s
匹配算法	名称	数量/个	R	P	F	匹配效率/s
基于空间相似性的面实体匹配	国情监测数据	1 483	0.612 6	0.813 3	0.698 8	8.2
基于空间相似性的面实体匹配	基础测绘数据	1 698	0.612 6	0.813 3	0.698 8	8.2
基于属性和空间相似性的面实体匹配	国情监测数据	1 483	0.603 9	0.903 7	0.724 0	14.1
基于属性和空间相似性的面实体匹配	基础测绘数据	1 698	0.603 9	0.903 7	0.724 0	14.1

新窗口打开| 下载CSV

4 结论

针对多源地理信息数据在尺度、几何位置和属性等方面存在不一致性而造成难以融合更新这一现状,提出了一种基于几何与属性匹配的地理信息数据融合更新方法。

1)通过广义Voronoi图获取候选集,有效地提高候选集的获取效率并减少不相关目标对候选集的影响。

2)点实体匹配中引入环境相似度,有效解决了点实体匹配中数据集整体呈强覆盖,而部分密集的区域呈现弱覆盖的匹配问题。

3)线实体匹配前通过建立线段模型,抽象为1∶1匹配类型来处理,可有效提高匹配质量。

4)考虑多个几何特征并结合实体属性进行面实体匹配,可提高M∶N匹配类型的质量。

通过利用2020年度国情监测数据更新2019年度基础测绘数据(重要要素)验证了该方法的可行性。研究成果对监测数据更新模式的探索有一定的借鉴意义。本文匹配方法中用到的权重和阈值多数依赖于人工经验,有待进一步研究。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

公海燕.

地理信息软件的技术进阶与应用创新

[J]. 中国测绘, 2020(10):61-63.