道路密度分区及其在道路选取质量评价中的应用

道路密度信息广泛应用于景观分析、路网规划、城市边界提取与道路网综合等领域。提出了一种道路密度分区方法,该方法首先生成道路交叉点和端点的Voronoi图,然后运用G*i提取局部的Voronoi单元面积的高值聚集区与低值聚集区,最后将95%置信度下的高值区域和低值区域对应的相邻Voronoi单元合并。对Google地图上14级、13级和12级香港的道路网进行了实证研究,结果表明,该方法生成的密度分区大致反映了道路网的疏密,并较好地反映了选取前后各区域道路密度的对比规律。将本文方法与网格密度法进行对比,结果表明本文方法优于网格密度法。

一种网络空间现象同位模式挖掘的新方法

同位模式的挖掘是空间数据挖掘领域关注的热点问题。目前,对于网络空间现象同位模式挖掘的研究较少。本文将欧氏空间已有方法扩展至网络空间,该方法由两个核心步骤组成:1通过对网络进行划分定义同位模型,确定同现关系;2对同现关系进行统计推断确定其是否为同位模式。对深圳市制造业公司的同位模式挖掘进行了方法说明,依据集聚经济学中导致产业集聚的三种机制对这些同位模式进行了定性分析,通过与已有方法的比较以及网络K函数的检验验证了本文方法的有效性。

对生成Stroke的自身最大适合策略的改进

道路网中的Stroke是根据"好的连续性规律"将路段连接形成的道路链。生成Stroke通常作为道路网综合、拓扑分析、示意性地图生成、模式识别等研究的首要步骤。本文对自身最大适合策略进行了两个方面的改进:第一,根据路段重要性来规定路段处理的顺序,而不是对路段进行随机处理;第二,对"最大适合"的概念进行了扩展,定义满足连接条件且最重要的路段为其"最大适合"的路段,而非转折角最小的路段。以深圳市1∶1万道路网为实验数据进行了实验,从视觉认知与网络功能两个方面进行了评价。结果表明:(1)由改进的自身最大适合策略生成的Stroke一般而言是确定的;(2)在视觉认知方面,改进的自身最大适合策略比每对最大适合策略更易形成较长并具有全局性的Stroke;(3)在网络功能方面,就平均水平而言,改进的自身最大适合策略优于每对最大适合策略、自身最大适合策略和自身适合策略;就单次结果而言,改进的自身最大适合策略次于自身最大适合策略和自身适合策略的最优解。

一种新的近似平行沟渠群的典型化方法

提出并实现了一种针对近似平行沟渠群的典型化方法。首先,建立沟渠的方位关系图,通过生成关系图中各连通分量的极大完全子图,提取近似平行的沟渠;然后,依据视觉认知规律定义沟渠间的认知距离,并基于最小生成树的剪枝对沟渠进行分组;接着,运用K-means++算法对分组后的沟渠进行重新表达;最后,通过比较综合前后沟渠群的外轮廓相似性以及沟渠分布密度的差异,对典型化结果进行了评价。对广州市数据进行了实验,结果表明该方法能有效进行近似平行的沟渠群的典型化。

城市道路网元胞模式分析的网络景观指数分析法

道路网元胞的组成及其配置构成了特定的网络景观,受启发于元胞和景观格局中斑块的相似性,借鉴景观格局分析中的景观指数分析法,提出了一种城市道路网元胞模式分析的新方法——网络景观指数分析法。该方法基于道路类型生成不同类别的元胞,计算网络景观指数,并通过相关分析与因子分析挖掘主要因子,进而解释主要因子及代表指数在道路网模式分析中的含义。应用该方法计算了中国34个城市街道网络的24个指标,发现了4个主要因子:元胞的空间分布与多样性、元胞最大尺寸与延展性差异、元胞平均延展性和元胞平均尺寸与形状复杂度。反映到道路网中,描述了道路的集聚与分散特征、道路类型的多样性、道路网的规则程度等特征。