基于图卷积神经网络的建筑物线型排列相似性判断

作     者：袁远 

作者单位：长安大学 

学位级别：硕士

导师姓名：孟妮娜

授予年度：2021年

学科分类：12[管理学] 081603[工学-地图制图学与地理信息工程] 081802[工学-地球探测与信息技术] 07[理学] 08[工学] 070503[理学-地图学与地理信息系统] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 0818[工学-地质资源与地质工程] 0705[理学-地理学] 0816[工学-测绘科学与技术] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：空间相似性 分布模式 图卷积神经网络 制图综合 建筑物 

摘      要：空间相似关系作为空间关系中重要的组成部分,由于其在空间关系中不可或缺的地位以及其丰富的理论和应用价值,空间相似关系的研究一直是地理信息科学领域研究的重点内容。城市建筑物是地理空间中广泛存在的一类空间目标,是地理空间数据的重要组成,城市建筑物群的空间分布模式也是具有丰富现实意义的研究对象。城市建筑物线型排列作为建筑物空间分布模式中最为常见的模式,广泛存在于地理空间中,其相似性计算对制图综合、地图匹配等工作具有丰富的价值。空间分布模式的相似性判断需要定量计算的支持,传统的空间相似性计算方法通常需要设定度量因子的权重,空间对象相似程度的计算,结果与权值的设定密切相关,但权值的合理设定一直是一个问题。近年来,随着深度学习的发展,有许多学者通过深度学习方法对地理空间数据进行分析处理,其中图卷积神经网络模型(Graph convolutional neural network,GCNN)的提出,解决了地理空间矢量数据难以适用于深度学习方法的情况,同时深度学习方法可以减少人为因素对相似性度量的影响。因此本文采用图卷积神经网络方法来对建筑物线型排列的相似性判断进行探索和研究,主要研究内容如下:(1)建筑物空间分布模式的划分。介绍和分析了已有的建筑物空间分布模式的研究,从居民活动区域的角度将建筑物分为城市中心区域建筑物、城市郊区建筑物、农村区域建筑物。确定了研究目标为城市郊区的建筑物线型排列,根据建筑物线型排列相似性计算的需求,对建筑物线型分布模式进行了划分。(2)顾及视觉认知原则的建筑物线型排列描述模型。从两个方面对建筑物线型排列进行了度量:从建筑物个体的角度,定义了建筑物的尺寸、形状、方向、密度四个度量指标;从建筑物群组的角度,对建筑物线型排列选用建筑物排列的方向、长度、大小均一程度及建筑物的偏离度和建筑物与路径方向一致程度五个度量指标,来描述结构特征。(3)建筑物线型排列的识别与提取。运用Delaunay三角网对建筑物群组进行邻近关系分析,采用MST方法对建筑群组进行粗聚类,实现对建筑物线型排列的初步提取,最后通过建筑物与路径方向一致程度作为约束参数,对粗聚类结果实现精聚类,得到建筑物线型排列。(4)基于GCNN的建筑物线型排列相似性判断。结合图卷积操作与传统卷积网络模型,建立了建筑物线型分布模式相似性判断的GCNN模型。通过对描述模型的各参数进行分析计算,获得GCNN模型的特征矩阵、邻近矩阵,根据志愿者投票获得分类标签,由此构成图卷积神经网络模型的实验数据集。运用该GCNN模型,实现对建筑物线型排列的相似性判断。