地图综合智能化研究的发展与思考

　　摘要：地图综合是地图制图和多尺度空间数据变换的核心与关键技术。20世纪60年代以来，数字地图数据的自动综合研究逐渐展开并取得了长足的进步，囿于人工智能技术的限制，地图综合的智能解决方法虽有不少成果，但距离真正的智能化、实用化仍有一定的距离。近年来，以深度学习为代表的人工智能技术应用于诸多研究领域并取得显著成效，地图综合的智能化研究也有诸多新的尝试。首先，在归纳自动地图综合研究模式的基础上，阐述了智能地图综合研究的必要性;然后，结合人工智能发展历程回顾智能地图综合研究，梳理和分析了基于传统机器学习与基于深度学习的智能地图综合研究现状，并归纳了地图综合智能化研究的主要方法;最后，围绕地图综合智能化研究中的几个热点问题，探讨了智能地图综合的发展趋势。

　　关键词：地图综合;机器学习;深度学习;智能化

　　地图综合的目的是解决缩小、简化的地图表象与实地复杂现实之间的矛盾[1]，涵盖了利用大比例尺地图派生小比例尺地图的全过程。20世纪60年代，计算机数字制图的开展使得地图学界萌发出利用计算机编程实现自动地图综合的想法，这一想法成为日后最具挑战性的研究难题之一。近60年来，地图综合效果、自动化程度都有了显著提高，自动地图综合理论与方法也取得了巨大进展。国内外学者已经开展过一些对于自动地图综合研究进展梳理、总结的综述。

　　例如，通过对早期计算机辅助自动综合研究的基本问题进行梳理，针对早期点、线、面要素几何层次的自动综合方法进行的回顾和总结[2];从地图综合的定量描述、自动综合的模型算法和知识、自动综合的人机交互、自动综合的过程控制和质量保证等方面展开重点论述的自动综合研究进展[3];回顾1966年—2006年自动地图综合的发展历程，对具有代表性的自动综合模型、自动综合过程、自动综合算子与算法等进行的梳理与评述[4];对模型综合时代和数字综合时代下具有代表性的自动综合理论、观念、技术的演进与变化进行的分析与总结[5];按地图综合处理流程组织自动综合研究内容，系统回顾综合知识的分类与获取、综合的算子与算法、质量评价、过程建模与控制等方面的地图综合研究进展[6]等。

　　这些综述性文献分别从不同视角对地图自动综合进行了梳理、总结与展望。近年来，随着人工智能技术的快速发展，利用人工智能理论与方法学习、模拟地图综合的智能化研究得到展开。本文在分析现有的地图综合研究方法的基础上，指出数据驱动的智能地图综合研究的必要性;并回顾智能地图综合的研究历程、分析智能地图综合研究现状、归纳智能地图综合研究思路，进一步探讨智能地图综合研究的发展趋势。

　　1智能地图综合研究的必要性

　　1.1“自上而下”的经典自动综合模式

　　长期以来，自动地图综合研究采用“自上而下”的研究模式，即通过人为模拟地图综合任务实现自动化应用。首先，通过观察、记录、分析地图综合任务，人为地提取、总结、抽象出与地图综合任务相适应的、明确的地图综合知识;然后，将人为明确的地图综合知识翻译成计算机能够处理的地图综合约束，以此控制、指导方法过程设计;最后，利用程序语言对构建的约束过程进行编译，实现对地图综合任务的自动化模拟。这种模式能够确保地图综合知识应用的有效性和自动化过程的可控性，符合人类对任务模拟的认知过程，具有良好的可解释性，很多经典地图综合问题都采用此模式进行自动化研究。

　　例如，分析认知规律、总结制图经验发现，人工化简线要素时常以弯曲作整体单元进行处理，由此产生了很多具有代表性的基于弯曲的线要素自动综合方法[7-11];进一步地，结合具体应用场景、顾及编绘规范，特殊线要素综合还要顾及专门的几何约束和地理约束，由此产生了专门针对某些线要素的特殊弯曲综合方法[12-16]。

　　1.2经典自动综合模式中的瓶颈

　　经典自动地图综合模式利用可理解的地图综合知识约束自动化过程，通过“知识—约束—过程—结果”的层层递进，“自上而下”地模拟地图综合。然而，地图综合知识获取及其在“知识—约束—过程—结果”传递过程中不可避免的完备性和准确性损失，导致“自上而下”地实现自动地图综合存在瓶颈，主要表现在以下两个方面：

　　1)人为明确的综合知识难以全面、准确地描述地图综合任务。地图综合知识体量庞大、错综复杂、应用灵活，更隐含于制图员的经验认识、主观感受和具体行为中，即使通过调查问卷、现场访谈、观察记录法、眼动实验等手段能够将部分模糊知识明确化、客观化，但未必足够准确，也几乎无法穷尽，更难以理清知识间的相互影响。因此，经典自动综合模式要求准确、完备的地图综合知识和“自上而下”难以清晰、准确穷尽地图综合知识形成了矛盾，导致了经典自动综合模式出现瓶颈。

　　2)地图综合知识传递过程中不可避免地存在损失。利用地图综合知识设计、实现约束驱动的地图综合自动化过程中，受程序员对地图综合知识认识的局限性以及方法过程设计的多样性影响，“自上而下”实现的自动地图综合未必对已知地图综合知识进行了准确、全面的利用。因此，经典自动综合模式对“知识—约束—过程—结果”的严格对应要求和“自上而下”难以实现地图综合知识对自动综合过程的有效指导和准确约束形成了矛盾，进一步导致经典自动综合模式出现瓶颈。

　　1.3“自下而上”的智能地图综合模式

　　人为提取、解释、利用地图综合知识的不完备和不准确导致“自上而下”地实现自动地图综合出现瓶颈，利用人工智能技术从地图综合成果中学习、模拟地图综合成为突破瓶颈的关键。这种数据驱动的“自下而上”的智能地图综合模式，即利用人工智能技术从地图综合成果中发现地图综合知识、学习地图综合任务，使学习后的智能体能够对地图综合任务进行自动化模拟。该模式减少了人的主观干预，增强了自动地图综合的客观性和适应性。特别是，人工智能技术拉近了从人工地图综合到自动地图综合距离。

　　人工智能技术既能够从数据成果中发现机器可理解的地图综合知识，又能够利用这些知识指导地图综合的学习模拟;既缓解了人为提取地图综合知识的不完备性，又降低了人为设计约束过程的主观性;既发挥了其对解决非线性问题的优势，又利用了其对人类心智、行为活动的学习模拟能力。因此，数据驱动的智能地图综合研究具有理论必然性。

　　2智能地图综合的研究历程

　　人工智能起源于1956年的达特茅斯会议，发展历程跌宕起伏[17]，其中，深度学习的提出[18]具有里程碑意义，引发了前所未有的人工智能研究浪潮。人工智能与地理信息科学研究相结合，形成以GeoAI为代表的诸多研究成果[19]，也引发了智能地图制图的诸多思考[20-22]。这里以深度学习为分界点，系统梳理基于传统机器学习和基于深度学习的智能地图综合研究成果，归纳当前智能地图综合的两种研究思路。

　　2.1基于传统机器学习的智能地图综合研究

　　人工智能的提出到深度学习的应用，60多年的人工智能研究中涌现出很多经典机器学习方法[23]。传统机器学习方法实现便捷、效果稳定，已应用于地图综合研究的各个方面。本文从地图综合知识获取、算子和算法、过程控制和质量评价4个方面，回顾基于传统机器学习的智能地图综合研究成果。

　　2.1.1基于传统机器学习的地图综合知识获取研究

　　地图综合知识获取旨在识别、发现地图综合知识。利用传统机器学习方法，能够从地图数据成果中发现影响地图综合的数据特征知识和综合过程知识。数据特征知识包含影响地图综合的形态特征、分布特征和语义特征。例如，利用K-Means进行非监督学习，可实现对不同形态特征线要素的识别与区分[24-25]，为线要素综合算法选择和设计提供了必要的形态特征知识。

　　利用随机森林来区分影响建筑群综合的不同空间分布模式[26];基于道路网眼特征分别构建SOM、DT、PCA分类器[27-29]，或基于离散化弧段特征学习构建SVM分类器[30]，用来识别道路网的网格分布模式;通过构建NBM分类器，用来区分河网的主支流分布[31]等，这些方法都为建筑群、路网、河网综合提供分布特征知识。而利用SVM、DT识别不同建筑群的功能类型[32]，利用SOM提取平行道路[33]，基于SVM识别天桥主桥[34]，则为居民地、道路网综合提供了必要的语义信息支撑。

　　综合过程知识是指影响地图综合过程中涉及的约束、原则以及它们的组织、结构、顺序等。文献[35]认为利用DT学习地图综合过程知识具有可行性，文献[36]利用DT、SVM等传统机器学习方法从数据成果中挖掘居民地选取中的隐含原则，实现了地图综合过程知识的推理发现。

　　2.1.2基于传统机器学习的地图综合算子和算法研究

　　不同学者划分的地图综合算子并不相同，本文围绕地图综合最常用的选取、化简、移位算子[6]梳理基于传统机器学习的地图综合算子和算法研究现状。

　　1)选取选取算子通过有选择地删除一些对象达到综合、概括的目的，选取可以看作是个体依据其包含的地图综合相关特征执行的取舍二分类任务。机器学习方法适于处理分类任务[23]，特别是传统机器学习算法在二分类任务应用于广泛、效果良好。因此，基于要素几何、拓扑、语义等特征，利用传统机器学习方法构建、学习、拟合要素取舍决策的选取算子研究相对较多，在点群、面群、线网选取中都有所尝试。例如，针对点群要素选取，有基于GA的点群选取模型[37]，基于BPNN的水深选取监督学习方法[38]，以及利用SOM实现的点状居民地选取的非监督学习方法[39]。

　　针对面群要素选取，以面状居民地为研究对象，有分别利用DT、K-NN、PCA学习构建的面状居民地选取模型[40-42]，以及DT、K-NN、NBM、SVM等经典机器学习方法在面状居民地选取中的应用效果研究[43];类似的，传统机器学习方法在设计面状湖泊群选取算子[44]中也有所应用。针对线网选取，以道路网为研究对象，有基于道路特征构建BPNN、DT的取舍模型[45-46]，基于Stroke特征构建的BPNN、SVM取舍模型[47-48]，这些方法分别实现了对道路取舍的监督学习;而道路取舍的非监督学习则有学者利用SOM来实现[49];至于不同学习方式的诸多传统机器学习方法对道路取舍的学习模拟效果，也有学者对其进行了验证比较[50-51]。类似地，传统机器学习方法在河网选取[52]中也有所尝试。

　　2)化简化简算子相对复杂，包含几何形态化简及其基础上的空间结构化简。几何形态化简研究相对较多[6]，当前基于传统机器学习的几何形态化简算法研究大体分为矢量思路和栅格思路两种。矢量思路通过对构成待化简对象矢量单元处理过程的学习模拟，设计、实现化简算法。根据矢量单元处理过程不同，还可进一步细分：

　　(1)将化简过程抽象为顶点、弯曲的取舍过程，利用传统机器学习方法拟合取舍任务，例如，利用GA[53]、ACO[54]、SVM[55]学习拟合顶点或弯曲取舍任务实现化简;

　　(2)将化简过程抽象为顶点、弯曲的聚类过程，利用传统机器学习算法解决聚类问题，例如，利用SOM实现基于顶点特征的自适应聚类达到化简的目的[56]。栅格思路利用机器学习在栅格数据处理中的优势，基于矢栅转换、从栅格层次学习模拟化简过程，设计、实现化简算法。

　　例如，有学者利用移动窗口追踪居民地轮廓、截取栅格图像，利用BPNN学习构建从局部图像到窗口移动方向的映射，通过追踪移动窗口实现单个居民地轮廓化简[57]。空间结构化简以合并、典型化为主，当前基于传统机器学习的空间结构化简算法研究集中于居民地的结构化简。合并将地图综合知识约束下的多个相似个体聚类成一个整体，实现空间结构的简化。

　　例如，考虑合并过程中邻近距离约束的基于智能体的居民地合并算法[58];基于SOM聚类居民地的无监督学习合并算法[59];顾及空间认知理论量化影响合并的居民地特征，利用SVM所实现的基于居民地特征的监督学习合并算法[60]等。典型化通过具有相同空间结构的少量新对象实现对原始对象典型结构的简化表达，基于机器学习的聚类方法具有自适应性，利用结构特征保持，可用于典型化算法的设计。例如，将SOM、邻近传播等聚类算法应用于建筑物的典型化研究[61-62]。

　　3)移位移位算子通过调整对象位置以达到避免冲突、良好表达的可视化要求。移位的影响具有传递性，具有自适应优化能力的机器学习方法适于对象移位的调整和优化。一些传统机器学习中的优化算法已用于移位算法研究，如利用梯度下降、模拟退火来设计和优化移位算法[63]、利用遗传算法及其改进方法[64-66]等。

　　2.1.3基于传统机器学习的地图综合过程研究

　　地图综合过程研究旨在把零散的综合算法有效地组织起来。从算子层次看，利用传统机器学习方法能够自适应地协调、控制同一综合算子的不同综合算法，得到更优的综合结果。例如，利用BPNN实现对建筑物化简算法进行最优选择的监督学习[67]，利用K-Means实现对曲线弧段与恰当化简算法匹配的非监督学习[68]，基于案例推理而实现的对不同化简算法的参数寻优[69]等，这些研究通过协调化简算法、控制化简过程优化了化简算子。

　　从整体上看，地图综合过程需要多算子的协同参和协调控制。具有自治性、社会性、反映性、能动性的经典人工智能研究成果——智能体(Agent)，为协同算子、控制综合过程提供了研究思路。20世纪90年代法国地理信息学会联合多家机构设置了利用Agent建模、控制多要素、多算子协同综合的过程研究项目[70]，产生了一些具有代表性的研究成果，如避免冲突的Agent协作机制[71]、基于多Agent协同综合模型[72]等。除Agent技术外，有学者设计了一种基于监督学习的线要素综合过程控制策略，基于DT协调了化简、夸大、光滑等线要素综合过程[73]。

　　2.2基于深度学习的智能地图综合研究

　　深度学习作为机器学习的深层次发展[17]，具有更深的层次、更复杂的结构和更强的学习能力。可以认为深度学习是机器学习的一个子领域，它使用了多层次的非线性信息处理和抽象，用于有监督或无监督的特征学习、表示、分类和模式识别。基于深度学习的智能地图综合研究刚刚起步，主要集中于地图综合知识获取和地图综合算子研究。

　　2.3智能地图综合的两种研究思路

　　基于以上梳理和分析可知，智能地图综合大体有两种实现思路，一种是特征学习思路，即通过学习人为抽象出与任务相关的量化特征拟合地图综合任务;另一种是数据学习的策略，即通过学习结构化数据拟合地图综合任务。特征学习需要人为提取、抽象、量化与地图综合任务相关的特征，具有一定的主观性和不完备性;但缓解了机器学习的难度，强化了智能地图综合的可控性和可解释性;且人为抽象的特征种类不会很多，利用成熟稳定、效率较高的传统机器学习算法即可有效拟合。

　　因此，特征学习思路常见于基于传统机器学习的地图综合研究。数据学习避免了人为抽象特征的主观性和不完备性影响，通过学习大量结构化的数据成果拟合地图综合任务，充分发挥机器学习能动性和数据驱动主体性;但学习难度很大，需要采用学习能力很强的深度学习模型;且过于依赖深度学习模型，导致智能地图综合的可控性和可解释性都较弱。因此，数据学习思路常见于基于深度学习的地图综合研究。

　　3智能地图综合研究的几点思考

　　人工智能研究中激荡着各种观点，以人工智能为支撑的智能地图综合研究也出现了很多热点议题，下面围绕“基于什么数据”“选择什么方法”“采用什么策略”几个焦点议题探讨智能地图综合发展趋势。

　　3.1矢量数据、栅格数据和时空大数据

　　数字制图环境下的地图综合旨在处理矢量数据，随着图像处理技术的进步和数据转换技术的成熟，矢栅转换基础上的栅格数据处理技术也应用于地图综合研究[95-98];进一步的，随着深度学习技术在图像处理中的不断突破，直接实现从遥感影像到地图瓦片、到多级瓦片的栅格地图变换研究也得到尝试[99-102]，从矢量、还是栅格层次研究智能地图综合值得探讨。

　　矢量数据便于计算分析，适用于特征学习的智能地图综合研究;栅格数据方便与众多图像处理深度学习模型结合，推动了数据学习的智能地图综合研究。大多数的智能地图综合研究都是对矢量数据的学习模拟，即使通过矢栅转换、进行栅格数据学习的智能地图综合研究基本也会回到矢量要素。矢量数据的学习处理符合数字地图自动化生产的整体流程，在可预见的未来仍是智能地图综合研究的出发点和落脚点。

　　栅格数据作为中间数据或补充数据，也能使快速升级的图像处理深度学习模型应用于智能地图综合研究[103]。基于栅格数据学习的多级瓦片地图生成为快速制图提供了新思路，虽然在制图效果和地图应用上都有局限，但也值得期待。多源时空大数据中，各类数据来源不一，格式多样，特别是尺度繁多，给尺度表达带来了新挑战。传统地理空间数据的系列比例尺概念(如1:1万、1:5万、1:25万等)已经不能满足时空大数据尺度表达要求。时空大数据需要任意尺度表达、多尺度共存的新局面。

　　3.2传统机器学习方法和深度学习方法

　　传统机器学习方法和深度学习方法在地图综合智能化研究中都有所应用，随着机器学习向深度学习进阶，地图综合智能化研究中深度学习是否能够取代传统机器学习值得思考。通常认为深度学习优于传统机器学习，特别是在特征提取、模式识别中深度学习应用效果良好。60多年的地图综合研究明确了不少地图综合问题的影响因素，当综合问题的特征描述足够准确时，简单的机器学习方法即可取得不错的学习模拟效果，深度学习在消耗大量计算资源后未必能进一步优化综合效果。

　　地图综合智能化不仅要依赖于深度更深、结构更加复杂的深度学习模型，还要思考如何利用已知综合知识、综合规律、综合方法实施更加可靠的特征工程。因此，无论是传统机器学习、还是深度学习都可能在地图综合智能化中起到良好效果。

　　4结语

　　总体而言，对地图综合来说，人工智能并不是一个新事物。地图综合本身就需要人类的抽象、概括、归纳等智能化行为。人工智能作用于地图综合的最终目的，是实现全自动综合，也就是说智能综合发展的终极目标是地图自动综合。目前的人工智能还处于感知智能阶段，这是一种大数据驱动的统计学习方法，因此当前地图综合智能化研究大都集中于识别、分类等基础感知任务的学习模拟，表现为面向地图综合的数据特征识别研究相对较多，还需要在地图综合样本提取[106]、样本库构建维护机理[107]、智能综合效率效果的平衡等方面进行深入探讨。如今的深度学习对于感知(相对简单的比对和识别)而言虽然是成功的，除了需要大规模人工标注的高质量样本数据，而且缺乏高级认知能力如推理、解释能力等。

　　随着下一代人工智能(认知智能)的发展，其核心将向推进统计与知识推理融合、与脑认知融合的方向发展，因此，高质量超大规模知识图谱的构建、具有知识理解能力的面向认知的深度学习算法，是未来研究的重点。地图综合作为一种复杂的专业心智行为，更需要对演绎、推理等高级认知任务的拟合。深度学习与知识图谱结合能够强化智能方法的推理能力，使研究更加高级的具有认知智能的地图综合成为可能[108-110]。

　　坚持跨界(学科)学习与合作，结合脑神经科学[111]研究地图综合认知机理，并改进、创造适合地图综合认知智能方法，期待从被动借鉴其他领域智能方法到主动设计地图综合智能方法能够取得突破。当前，人工智能的研究还在继续发展，还远没到达人类智能的高度。不管是人工智能，还是地图综合，都需要齐头并举，既要借助人工智能外部力量，也要进一步加强地图综合新理论、方法和技术的内生基础创新。

　　参考文献：

　　[1]WangJiayao,SunQun,WangJiangxia.TheoriesandMethodsofCartography[M].2nded.Beijing:SciencePress,2014(王家耀,孙群,王江霞.地图学原理与方法[M].2版.北京:科学出版社,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.空间数据自动综合研究进展及趋势分析[J].测绘科学技术学报,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,巩现勇,杜佳威.地图制图综合回顾与前望[J].测绘学报,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钱海忠1翟仁健1

转载请注明来自发表学术论文网：http://www.fbxslw.com/dzlw/29790.html