陳利燕，張新長，林 鴻，楊 敏

1. 中山大學地理科學與規(guī)劃學院，廣東 廣州 510275； 2. 廣州大學地理科學學院，廣東 廣州 510006； 3. 廣州市城市規(guī)劃勘測設(shè)計研究院，廣東 廣州 510060； 4. 武漢大學資源與環(huán)境科學學院，湖北 武漢 430072

空間數(shù)據(jù)現(xiàn)勢性作為數(shù)據(jù)質(zhì)量的基本特征，直接影響地圖數(shù)據(jù)空間分析、挖掘及決策的準確性。隨著基礎(chǔ)地理設(shè)施數(shù)據(jù)庫建設(shè)不斷完善，基礎(chǔ)測繪工作重心由數(shù)據(jù)生產(chǎn)轉(zhuǎn)向數(shù)據(jù)維護[1]，特別是對現(xiàn)有多比例尺矢量地圖數(shù)據(jù)庫的現(xiàn)勢性更新與一致性維護[2]。常規(guī)方法是以影像、局部實測數(shù)據(jù)為參考，對不同比例尺地圖數(shù)據(jù)集進行獨立式更新。一方面耗時耗力，另一方面容易導致不同比例尺數(shù)據(jù)間產(chǎn)生表達不一致[3]。為了提高多比例尺地圖數(shù)據(jù)更新的效率，文獻[4—6]研究了增量式更新模式，即將不同比例尺地圖數(shù)據(jù)組織為多重表達數(shù)據(jù)庫[7]，建立縱向跨比例尺地圖目標間的對應(yīng)關(guān)系，使得大比例尺數(shù)據(jù)中發(fā)生的更新內(nèi)容能夠以增量形式傳遞到后續(xù)小比例尺數(shù)據(jù)中。然而，受生產(chǎn)單位、生產(chǎn)任務(wù)以及時間周期差異等因素影響，實踐中不同比例尺地圖數(shù)據(jù)通常割裂式組織，難以滿足上述條件。考慮到當前地圖數(shù)據(jù)組織管理現(xiàn)狀，采用新舊數(shù)據(jù)疊加更新策略更為合理[8]。該方法首先依據(jù)各種更新數(shù)據(jù)源對大比例尺地圖數(shù)據(jù)實施動態(tài)實時更新，然后定期將更新后的大比例尺地圖數(shù)據(jù)作為參考，探測并更新鄰近小比例尺數(shù)據(jù)的變化目標，依次執(zhí)行直至完成整個多比例尺地圖數(shù)據(jù)庫的更新。這種疊加式更新策略產(chǎn)生的關(guān)鍵問題之一是如何識別新舊地圖數(shù)據(jù)間隱含的變化信息。

變化是指由于地理實體發(fā)生改變而導致的新舊地圖目標間的差異。變化識別受實體世界地物演化行為、地圖數(shù)據(jù)采集精度、地圖數(shù)據(jù)處理誤差等多方面影響，一直是GIS領(lǐng)域的難點問題，對地圖數(shù)據(jù)更新、變化建模及時空分析有重要意義[9]。針對該問題，相關(guān)學者從不同角度展開了深入研究。如文獻[10]提出通過匹配處理建立新舊地圖同名目標關(guān)聯(lián)關(guān)系，然后基于匹配關(guān)系類型、幾何形狀及屬性信息一致性等指標確定目標是否發(fā)生變化。文獻[11]設(shè)計了相似性度量模型計算線狀道路目標間的相似度，通過研究道路變化與對應(yīng)新舊目標間的相似度關(guān)系，最終建立道路數(shù)據(jù)的變化發(fā)現(xiàn)模型。針對新舊目標間幾何差異信息可能由成圖精度、測量時間、投影變形等因素影響導致的“偽變化”，文獻[12—13]以面狀水系為例分別提出了拓撲量化的“偽變化”剔除方法和顧及時空目標邊界不一致性的變化識別模型。上述方法主要面向同比例尺新舊地圖數(shù)據(jù)的變化發(fā)現(xiàn)，無法直接應(yīng)用于跨比例尺情形。原因是多尺度地圖目標改變除由地物實體演化而引起外，不同比例尺表達上的尺度變換(即數(shù)據(jù)綜合)也會導致。這一問題已經(jīng)引起研究人員的注意，如文獻[14]提出在獲取新舊地圖目標變化差異的基礎(chǔ)上，結(jié)合地圖綜合知識過濾尺度表達不一致引起的變化部分；文獻[15]以跨比例尺面目標為例，將目標基本變化類型歸納為出現(xiàn)、消失、擴張、收縮等9種類型，并提出基于4交差拓撲模型的變化判別方法等。文獻[16]在目標疊置運算的基礎(chǔ)上通過數(shù)據(jù)增強方法提煉居民地目標間的真實變化信息。

在上述工作基礎(chǔ)上，本文對跨比例尺新舊地圖數(shù)據(jù)間的變化分析與識別展開更為深入的研究。研究動機包括兩個方面：①對新舊地圖目標間的變化進行梳理分析，包括變化產(chǎn)生的緣由、變化表現(xiàn)的形式；②綜合考慮幾何、拓撲、上下文關(guān)系等多種因子，引入決策樹方法通過學習方式構(gòu)建準確的變化識別模型。

1 多尺度新舊地圖目標變化分析

實施變化識別以及后續(xù)更新操作，首先需要理解新舊地圖數(shù)據(jù)間隱含的目標變化信息。下文首先從表層形式和內(nèi)在緣由兩個角度對面狀居民地目標的變化進行剖析。

1.1 目標變化的類型

從表層形式上看，新舊地圖目標間的變化包括積極的正向變化(如目標新增、目標輪廓擴張)和消極的負向變化(如目標消失、目標輪廓收縮)。同時，也表現(xiàn)為個體變化(如單個目標的增加、消失、擴張、收縮)和群體變化(即目標群的新增、擴張、收縮等)。假設(shè)大比例尺新地圖數(shù)據(jù)為D1，小比例尺舊地圖數(shù)據(jù)為D2，依據(jù)新舊目標間的匹配對應(yīng)關(guān)系將面狀居民地目標變化歸納為以下6種類型(圖1)：

類型1∶0，D1中某個目標在D2中沒有與之匹配的對象，表現(xiàn)為單個房屋目標新增；

類型1∶1，D1和D2中兩個目標匹配對應(yīng)，但是在目標局部存在擴張、收縮現(xiàn)象；

類型0∶1，D2中某個目標在D1中沒有與之匹配的對象，表現(xiàn)為單個房屋目標消失；

類型m∶1(m>1)，D1中多個相鄰目標與D2中單個目標匹配對應(yīng)，表現(xiàn)為相鄰目標的合并；

類型m∶n(m≥1，n>1)，D1中單個或多個相鄰目標與D2中多個目標匹配對應(yīng)，房屋目標間的結(jié)構(gòu)關(guān)系發(fā)生改變；

類型m∶0(m>1)，該類型變化將D1中多個相鄰目標作為整體看待，在D2中沒有與之匹配對應(yīng)的目標或目標群，表現(xiàn)為房屋群的新增。

圖1 新舊跨比例尺地圖間居民地目標變化類型Fig.1 Types of building change between two map datasets at different scales

1.2 真實變化與表達變化

新舊地圖目標發(fā)生變化的直接原因是所表達的地物發(fā)生了改變。這種由于地物實體改變而導致的地圖目標變化稱為真實變化。面狀居民地目標變化信息可歸納為以下類型(圖2)。

圖2 房屋實體變化情形及引起的目標變化Fig.2 Buildings’ evolution in real word and their impacts on object change

房屋新建：在空地上建造新房屋，表現(xiàn)為新地圖數(shù)據(jù)中新增房屋目標(1∶0類型)；

房屋拆除(局部拆除)：由于道路改造等原因?qū)υ蟹课葸M行完整(或局部)拆除，表現(xiàn)為舊地圖數(shù)據(jù)中的居民地目標在新數(shù)據(jù)表達中完整消失(0∶1類型)或者局部消失(1∶1類型)；

房屋擴建：對原有的房屋進行擴建，表現(xiàn)為居民地目標幾何輪廓的擴張(1∶1類型)；

房屋重建：即將原有房屋拆除后重新建造，表現(xiàn)為舊房屋目標被新房屋目標所替代，可能的變化類型包括1∶1、m∶1、m∶n。

除真實變化外，新舊地圖數(shù)據(jù)表達上的差異同樣會影響變化信息的產(chǎn)生，包括數(shù)據(jù)采集精度、建庫方式、表達比例尺等。對于同一數(shù)據(jù)庫中的不同比例尺數(shù)據(jù)，小比例尺地圖數(shù)據(jù)通常由大比例尺地圖數(shù)據(jù)綜合縮編獲得,包括目標合并[17]、形狀化簡[18]等操作。因此，表達變化可以忽略數(shù)據(jù)精度、建庫方式等因素影響，主要是指不同比例尺地圖數(shù)據(jù)間由于尺度變換導致的差異信息。對于城市區(qū)域1∶2000和1∶10 000兩個比例尺的新舊居民地數(shù)據(jù)，綜合操作及對變化信息的影響包括以下情形(圖3)。

圖3 不同尺度變換操作導致的目標變化情形Fig.3 Scale transformation operations and their impacts on object change

選?。荷釛壋叽缧∮谧钚∩蠄D面積的房屋目標，表現(xiàn)為房屋目標在小比例尺表達中消失(0∶1類型)；

合并：將相鄰房屋目標合并為一個房屋目標，合并前后呈m∶1變化類型；

化簡：對目標多邊形輪廓進行化簡，化簡后目標局部輪廓擴張或者收縮(1∶1變化類型)；

移位：為保證房屋與道路(或其他要素目標)間的間隔大于可辨析距離，輕微地改變房屋目標的分布位置，屬1∶1變化類型。

2 決策樹支持下的變化信息識別模型構(gòu)建

上文從表現(xiàn)形式和發(fā)生緣由兩個方面，對新舊地圖居民地目標變化進行了分析歸納。嚴格意義上，變化識別的目標是提取由地理實體改變而引起的目標變化。但是在缺乏參考數(shù)據(jù)(如遙感影像)情況下，僅依據(jù)新舊不同比例尺地圖間表達差異很難實現(xiàn)上述目標。例如，大比例尺新數(shù)據(jù)中的一個小面積房屋在小比例尺舊數(shù)據(jù)中消失(1∶0類型)，這一變化可能是實地新建房屋導致，也可能是由于房屋面積過小而在數(shù)據(jù)綜合過程中被舍棄。對于跨比例尺地圖數(shù)據(jù)更新，幅度較小的真實變化由于尺度變換因素無需更新，因此變化識別主要任務(wù)是探測超出地圖數(shù)據(jù)綜合操作范圍的目標變化信息。

跨比例尺新舊地圖變化識別是一個復(fù)雜的決策過程。一方面，地圖綜合產(chǎn)生的變化受多種因素影響，綜合算法/算子選擇、參數(shù)設(shè)置、綜合流程組織等與區(qū)域環(huán)境特點、數(shù)據(jù)應(yīng)用需求、比例尺范圍密切相關(guān)；另一方面，變化識別本身需要考慮變化類型、變化幅度、變化關(guān)聯(lián)目標的幾何、結(jié)構(gòu)信息等多重上下文條件。在此背景下，引入機器學習領(lǐng)域的決策樹方法構(gòu)建跨比例尺新舊地圖數(shù)據(jù)間的變化識別模型，采用的技術(shù)路線如圖4所示。

2.1 匹配關(guān)系構(gòu)建

識別變化，首先需要建立新舊地圖目標間匹配關(guān)系。針對這一問題，相關(guān)學者圍繞居民地[19-20]、道路[21-23]等要素提出多種方法。這些方法依據(jù)要素對象特點、應(yīng)用需求，采取不同相似性指標組合(包括長度、面積、距離、方向、拓撲結(jié)構(gòu)等)與匹配策略(如概率統(tǒng)計、全局尋優(yōu)、層次化匹配)?？紤]大比例尺居民地數(shù)據(jù)特點及效率，本文采用一種迭代式的目標匹配方法。假設(shè)大比例尺新數(shù)據(jù)和小比例尺舊數(shù)據(jù)包含的居民地目標集合分別為OL={OL1,OL2,…,OLm}和OS={OS1,OS2,…,OSn}，TL和TS定義為臨時集合分別存儲來自O(shè)L和Os的目標，初始化TL=Φ，TS=Φ。步驟如下：

步驟1：若OS≠Φ，取OS中任一目標并存儲到TS，轉(zhuǎn)步驟4，否則，轉(zhuǎn)步驟2；

圖4 跨比例尺新舊地圖數(shù)據(jù)變化識別決策樹模型構(gòu)建流程Fig.4 The framework of decision tree based model for change detection between datasets at different points both in time and scale

步驟2：若OL≠Φ，轉(zhuǎn)步驟3，否則結(jié)束匹配過程；

步驟3：對OL中抱團分布且鄰近距離小于dm的目標群，記錄為m∶0(m>1)匹配關(guān)系，其余目標記錄為1∶0匹配關(guān)系，結(jié)束匹配過程；

步驟4：遍歷TS中每個目標Oi，

查詢OL中與Oi拓撲相交的目標，從OL取出查詢結(jié)果并保存到數(shù)組A中；

按式(1)計算A中每個目標Oj與Oi間的重疊系數(shù)λ，若λ小于閾值λ0，將Oj從list取出放回OL

(1)

式中，Area(Oj∩Oi)表示兩個目標相交部分面積，Area(Oj)和Area(Oi)表示目標面積，Max取最大值。

若A為空，轉(zhuǎn)步驟6；否則清空TL，并將A中目標轉(zhuǎn)移到TL中；

步驟5：遍歷TL中的每個目標Oi，

查詢OS中與Oi拓撲相交的目標，從OS取出查詢結(jié)果并保存到數(shù)組A中；

按式(1)計算A中每個目標Oj與Oi間的重疊系數(shù)λ，若λ小于閾值λ0，將Oj從A取出放回OS；

若A為空，轉(zhuǎn)步驟6；否則清空TS，將A中目標轉(zhuǎn)移至TS中，轉(zhuǎn)步驟4；

步驟6：分別取出TL和TS中的目標記錄為匹配對，同時清空TL和TS，轉(zhuǎn)步驟1。

2.2 變化描述與計算

以建立的匹配組為基本單元，對新舊目標變化進行特征描述，為后期決策樹分類模型的形成提供參數(shù)?？紤]人工變化識別過程中涉及的基本判斷依據(jù)，采用以下5個特征指標：

(1) 變化關(guān)系類型(nType)：如上文所述，變化關(guān)系包括1∶0、0∶1、1∶1、m∶1、m∶0、m∶n6種類型。它們不僅蘊含了變化發(fā)生的范圍信息(如個體變化、群體變化)，同時也揭示了變化產(chǎn)生的效應(yīng)(如1∶0為目標消失、0∶1為目標新增)，是變化識別的基礎(chǔ)性依據(jù)。

(2) 重疊差異度(ov_diff)：假設(shè)某一匹配組包含m個來自新數(shù)據(jù)的目標OL1,OL2,…,OLm和n個來自舊數(shù)據(jù)的目標OS1,OS2,…,OSn，m≥1，n≥1，重疊差異度φ計算如下

(2)

式中，∩表示交運算，∪表示并運算。重疊差異度反映了新舊目標分布范圍上的差異，是衡量目標發(fā)生擴張或收縮程度的重要特征。

(3) 形狀相似性(sim_shape)，即新舊目標間形狀上的相似性程度。采用形狀指數(shù)描述單個目標(如Oi)的形狀信息(式(3))，其中Perimeter(Oi)和Area(Oi)分別表示目標的周長和面積。兩個目標形狀指數(shù)的比值定義為形狀相似度。形狀相似度對于識別由尺度變換(如移位)引起的變化信息有參考價值。

(3)

(4) 大小相似性(sim_size)，定義為匹配組中新舊目標間的面積比率。

(5) 幾何面積，包括新目標面積(new_area)和舊目標面積(old_area)。該指標是1∶0和m∶0兩種變化的重要識別依據(jù)。對于面積較小的新增目標或目標群，由于處于綜合選取引起的變化范圍內(nèi)，不作為變化信息用于更新。

2.3 變化識別決策樹模型及實施過程

變化識別可以看作是“變化”和“非變化”的分類過程。決策樹因數(shù)據(jù)處理簡單(非參數(shù)化算法，數(shù)據(jù)無需標準化處理)、效率高(線性分類模型)、分類規(guī)則可解譯性強等特點而被廣泛應(yīng)用[24-27]。決策樹本質(zhì)是一個有向無環(huán)樹，內(nèi)部節(jié)點(包括根節(jié)點)表示在一個屬性上的測試，后繼分支則代表該屬性測試的輸出，每個葉節(jié)點代表一種類別。利用決策樹分類時，待分類對象按屬性特征由上到下遍歷樹結(jié)構(gòu)即可預(yù)測其類別。C4.5算法是目前應(yīng)用最為廣泛的決策樹構(gòu)建方法，基本思想是對樣本數(shù)據(jù)屬性特征構(gòu)成的多維空間進行分割，分割能力最好的屬性項作為根節(jié)點的測試，樣本數(shù)據(jù)按該屬性測試分割為多個子集作為后繼分支，重復(fù)該過程直至形成最終的樹結(jié)構(gòu)。C4.5算法采用信息增益率標準確定當前最佳分組屬性及分割點[22]?；跊Q策樹的跨比例尺新舊居民地目標變化識別方法實施過程描述如下：

(1) 選擇樣本區(qū)域的新舊居民地目標，按2.1節(jié)方法建立匹配關(guān)系，將相互匹配的新舊目標作為一條樣本記錄；

(2) 對每一條樣本記錄，計算2.2節(jié)定義的特征參量；

(3) 由專家在交互式平臺上對每一條樣本記錄進行變化識別，標識為“Yes”(屬于變化)和“No”(不屬于變化)，并將樣本數(shù)據(jù)輸出為表1所示格式；

(4) 基于樣本數(shù)據(jù)構(gòu)建決策樹模型，并結(jié)合測試數(shù)據(jù)評估相關(guān)性能。

3 試驗分析及評價

(1) 試驗數(shù)據(jù)。采用廣州市1∶2000和1∶10 000的居民地數(shù)據(jù)，對應(yīng)更新時間節(jié)點分別是2009年和2007年。如圖5所示，試驗數(shù)據(jù)來自A、B、C 3個區(qū)域。A區(qū)域覆蓋城區(qū)及城鄉(xiāng)結(jié)合部，作為訓練數(shù)據(jù)使構(gòu)建的決策樹模型獲取不同區(qū)域環(huán)境下的變化識別知識; B區(qū)域和C區(qū)域分別位于城區(qū)和城鄉(xiāng)結(jié)合部，作為測試數(shù)據(jù)以檢驗?zāi)Ｐ驮诓煌瑓^(qū)域類型數(shù)據(jù)上的表現(xiàn)。表2描述了訓練及測試數(shù)據(jù)基本情況。其中，樣本及測試記錄的變化標識由廣州市城市規(guī)劃勘測設(shè)計研究院地圖所3名具備豐富數(shù)據(jù)更新經(jīng)驗的作業(yè)人員完成。為保證變化標識結(jié)果的準確性，取3名作業(yè)人員變化標識結(jié)果相一致的記錄作為最終樣本及測試數(shù)據(jù)。

表1 樣本數(shù)據(jù)輸出格式

圖5 試驗數(shù)據(jù)示例Fig.5 Experimental data

數(shù)據(jù)房屋數(shù)量1∶20001∶10000新舊目標匹配對數(shù)目(變化|非變化)訓練數(shù)據(jù)區(qū)域A914650375908(1665|4243)測試數(shù)據(jù)區(qū)域B459115231714(321|1393)區(qū)域C364616132156(434|1722)

(2) 試驗環(huán)境。利用ArcGIS平臺通過二次開發(fā)建立數(shù)據(jù)分析準備功能，包括新舊居民地目標匹配關(guān)系構(gòu)建、變化參量計算、交互式變化識別及標注等；然后，采用數(shù)據(jù)挖掘與分析軟件SPSS Clementine基于訓練數(shù)據(jù)構(gòu)建變化識別決策樹模型，同時結(jié)合測試數(shù)據(jù)進行模型評價。

(3) 參數(shù)設(shè)置。包括：①構(gòu)建新舊目標匹配關(guān)系時，通過多次試驗反饋，設(shè)置λ0=0.3、dm=5 m(即1∶10 000比例尺下圖面0.5 mm)；②為避免決策樹構(gòu)建時“過擬合”問題，采用“減少-誤差”法進行后剪枝操作，設(shè)置節(jié)點剪枝alpha值0.55，子節(jié)點最小樣本數(shù)量50?？紤]到不同類型的新舊目標變化參量描述上存在差異，如重疊差異度、大小相似性等對1∶0型變化關(guān)系沒有意義(樣本記錄中標識為Null)，建模過程中分別對不同變化類型的訓練樣本子集構(gòu)建決策樹，最后合并形成一棵完整的決策樹模型。

圖6是基于訓練數(shù)據(jù)導出的決策樹圖，包括4個層級、12個葉子節(jié)點。具體描述如下：①對于1∶0型樣本子集，利用新目標面積進行分割，new_area≤145.5時樣本判別為“非變化”(推理置信度98.9%)，new_area>145.5時判別為“變化”(置信度97.2%)；②對于1∶1型樣本子集，首先采用重疊差異度進行分割，ov_diff≤0.18時判別為“非變化”(置信度98.0%)，剩余樣本則進一步依據(jù)形狀及面積相似性屬性進行分類，如符合規(guī)則sim_shape≤0.67的樣本為“變化”(推理置信度89.7%)，sim_shape>0.67并且sim_size≤0.84的樣本為“變化”(置信度86.4%)，sim_shape>0.67并且sim_size>0.84的樣本劃分為“非變化”(置信度86.7%)；③0∶1型樣本判定為“變化”(置信度100%)，該類型目標變化對應(yīng)于真實地理世界中的房屋消失，不受地圖綜合的影響；④m∶1型樣本符合規(guī)則ov_diff≤0.26判定為“非變化”(置信度92.4%)，ov_diff>0.26判定為“變化”(置信度89.3%)；⑤m∶n型樣本直接判定為“變化”(置信度92.3%)；⑥m∶0型樣本與1∶0型相似，當new_area>137.3時樣本判定為“變化”(置信度92.1%)，反之判定為“非變化”(置信度96.2%)。

表3是建立的決策樹模型在訓練數(shù)據(jù)獲得的分類結(jié)果混淆矩陣。通過計算得到整體分類精度(即分類正確的樣本數(shù)量除以樣本總數(shù))和kappa系數(shù)分別為96.1%、90.5%，表明建立的決策樹模型具有較高的分類精度?？紤]到訓練數(shù)據(jù)中實際“變化”樣本數(shù)量明顯少于“未變化”樣本數(shù)量，進一步分析“變化”樣本的誤檢率和漏檢率。誤檢率α和漏檢率β定義如式(4)和式(5)所示。

圖6 訓練數(shù)據(jù)生成的決策樹Fig.6 The constructed decision tree based on training data

分類決策樹分類YesNo總計人工識別分類Yes15391261665No9941444243總計163842705908

(4)

(5)

式中，Na表示決策樹分類為“變化”的樣本數(shù)量，N1表示實際“非變化”但是誤判為“變化”的樣本數(shù)量，Nb表示集合樣本中人工判斷為“變化”的樣本數(shù)量，N2表示實際“變化”但是漏判為“非變化”的樣本數(shù)量。依據(jù)式(4)(5)得到整體變化信息的誤檢率α=8.0%，漏檢率β=10.5%。表4統(tǒng)計了不同變化類型樣本子集中決策樹表現(xiàn)出的分類及變化識別性能指標。從分類精度上看，決策樹在不同類型樣本子集中均達到90%以上。從變化識別精度上看，m∶1型樣本的漏檢率較高(β=22.1%)，其他類型變化的誤檢率和漏檢率均低于15%。

(4) 試驗分析評價。利用區(qū)域B和C數(shù)據(jù)對構(gòu)建的決策樹模型進行分析評價。理由包括：①訓練數(shù)據(jù)與測試數(shù)據(jù)不同，能夠避免訓練數(shù)據(jù)可能帶來的偏見；②不同區(qū)域環(huán)境類型的數(shù)據(jù)測試結(jié)果及比較能夠為后續(xù)應(yīng)用提供參考。表5列出了測試數(shù)據(jù)分類及變化識別結(jié)果?？梢园l(fā)現(xiàn)，決策樹模型在新數(shù)據(jù)上的表現(xiàn)接近于訓練數(shù)據(jù)。進一步地，可以發(fā)現(xiàn)城鄉(xiāng)結(jié)合部(區(qū)域C)的分類及變化識別效果優(yōu)于城區(qū)區(qū)域(區(qū)域B)。結(jié)合圖7分析，導致的原因主要包括：

表4不同變化類型樣本子集分類及變化識別結(jié)果比較

Tab.4 Results of classification and detection for different types of change (%)

表5測試數(shù)據(jù)分類及變化識別結(jié)果對比

Tab.5 Change classification and detection results on test data (%)

構(gòu)建的決策樹模型對于m∶1型變化關(guān)系的識別成功率相對其他變化類型較低。這是由于決策樹模型對m∶1型變化的判定只考慮了重疊差異度指標，無法準確反映關(guān)聯(lián)新舊居民地目標間局部的變化性質(zhì)。如圖7中M1、M2以及M4處的居民地分別存在局部擴建和局部拆除的變化，但是新舊目標間的重疊差異度并不大(分別是0.23、0.25和0.22)，因此誤判為“非變化”；而M3處從尺度變換的角度屬合并操作引起的變化范疇，但是由于重疊差異度較大誤判為“變化”。

圖7 決策樹模型變化識別結(jié)果示例Fig.7 Samples of change detection using the constructed decision tree on test data

城區(qū)居民地分布密集，跨比例尺新舊房屋目標間對應(yīng)關(guān)系相對復(fù)雜。目標變化以群體式的擴展、收縮為主，尺度表達上的合并操作產(chǎn)生大量m∶1型變化關(guān)系；而城鄉(xiāng)結(jié)合部房屋分布較為稀疏，目標以單一分布為主，對象性強，大量的變化關(guān)系表現(xiàn)為1∶0、1∶1、0∶1等類型，變化識別難度系數(shù)相對較低。此外，部分城區(qū)居民地變化的產(chǎn)生涉及多種尺度變換組合情形，如M5處存在合并與移位兩種操作，增大了變化識別的難度。

上述問題的解決，一方面需要從方法本身出發(fā)，引入新的變化描述特征、提升模型構(gòu)建策略以及選取更多實際數(shù)據(jù)進行訓練。另一方面，實際應(yīng)用中可對不同區(qū)域特點的規(guī)則閾值進行適度調(diào)整，如城區(qū)可適當提高重疊度閾值以增強對居民地局部區(qū)域發(fā)生變化的識別能力。雖然部分“非變化”可能識別為“變化”，一定程度上增加了后續(xù)更新操作的工作量，但是能夠保證變化更新的完整性。基于決策樹的變化識別模型對變化條件判斷綜合性強，多種判斷規(guī)則通過邏輯與、或、差集成，同時各規(guī)則的閾值設(shè)定又能根據(jù)區(qū)域環(huán)境差異適應(yīng)性地設(shè)定。本文方法與文獻[16]疊置運算方法識別跨比例尺間的居民地變化相比，在變化條件的集成上得到加強，不是簡單通過多邊形疊置運算后基于面積大小關(guān)系判斷是否有變化，同時顧及了形狀、空間關(guān)系參量等在變化判斷中的作用。

4 結(jié) 論

本文以居民地數(shù)據(jù)為例，從發(fā)生緣由和表現(xiàn)形式兩個主要角度，對跨比例尺新舊地圖數(shù)據(jù)間的變化信息進行了系統(tǒng)梳理。以數(shù)據(jù)更新為目標，引入決策樹方法建立變化信息識別模型，并采用真實數(shù)據(jù)驗證了方法的可行性。決策樹模型在判斷新舊數(shù)據(jù)變化過程中，考慮了數(shù)據(jù)本身的變化和上下文鄰域變化，同時顧及了映射關(guān)系上的單目變化和多目變化。多因素的變化條件通過決策樹不同規(guī)則及其邏輯運算集成，保障本方法在實際地理環(huán)境下變化識別的可行性。同時，本決策樹方法的規(guī)則條件、閾值設(shè)定，可通過不同樣區(qū)的訓練獲得，從而適應(yīng)不同區(qū)域環(huán)境條件下的變化識別(如居民地分布的城市中心區(qū)CBD、城鄉(xiāng)結(jié)合部、遠郊區(qū)等)。

結(jié)合試驗結(jié)果，以下工作需要進一步完善：①強化復(fù)雜變化特征描述。從試驗結(jié)果上看，m∶1型及部分1∶1型變化關(guān)系的識別有待提高。特別是目標局部發(fā)生擴張或收縮變化，僅通過目標間的重疊差異度無法精確判斷是真實變化還是表達變化。這一問題需要在獲得新舊目標圖形差異的基礎(chǔ)上進行局部形態(tài)分析，并定義相關(guān)描述參量；②變化識別推理規(guī)則的組織與完善。決策樹模型能夠?qū)С鰧W習得到的規(guī)則，通過加工提煉后可融入到專業(yè)的地圖數(shù)據(jù)管理軟件，進而形成專門的數(shù)據(jù)更新模塊；③本文僅探討了大比例尺段(1∶2000至1∶10 000)面狀居民地目標間的變化分析與識別，需要進一步擴展至其他比例尺范圍(如1∶10 000新數(shù)據(jù)與1∶50 000舊數(shù)據(jù))、目標幾何維度(點、線目標)以及多種語義要素目標(居民地與道路)混合等其他變化情形。

[1] FRITSCH D. GIS Data Revision-visions and Reality[R]. Keynote Speech in Joint ISPRS Commission Workshop on Dynamic and Multi-Dimensional GIS. Beijing: NGCC, 1999.

[2] 陳軍, 王東華, 商瑤玲, 等. 國家1:50000數(shù)據(jù)庫更新工程總體設(shè)計研究與技術(shù)創(chuàng)新[J]. 測繪學報, 2010, 39(1): 7-10.

CHEN Jun, WANG Donghua, SHANG Yaoling, et al. Master Design and Technical Development for National 1∶50 000 Topographic Database Updating Engineering in China[J]. Acta Geodaetica et Cartographica Sinica, 2010, 39(1): 7-10.

[3] ZHOU Qi, LI Zhilin. Use of Artificial Neural Networks for Selective Omission in Updating Road Networks[J]. The Cartographic Journal, 2014, 51(1): 38-51.

[5] HARRIE L, HELLSTR?M A K. A Prototype System for Propagating Updates between Cartographic Data Sets[J]. The Cartographic Journal, 1999, 36(2): 133-140.

[6] HAUNERT J H, SESTER M. Propagating Updates between Linked Datasets of Different Scales[C]∥Proceedings of the XXII International Cartographic Conference. A Corua, Spain: ICC, 2005.

[7] DEVOGELE T, TREVISAN J, RAYNAL L. Building a Multi-scale database with Scale-transition Relationships[C]∥Proceedings of the 7th International Symposium on Spatial Data Handling. London: Taylor & Francis, 1996: 337-351.

[8] 胡云崗, 陳軍, 李志林, 等. 地圖數(shù)據(jù)縮編更新的模式分類與選擇[J]. 地理與地理信息科學, 2007, 23(4): 22-24.

HU Yungang, CHEN Jun, LI Zhilin, et al. Study on Modes of Map Data Updating Based on Generalization[J]. Geography and Geo-information Science, 2007, 23(4): 22-24.

[9] 陳軍, 林艷, 劉萬增, 等. 面向更新的空間目標快照差分類與形式化描述[J]. 測繪學報, 2012, 41(1): 108-114.

CHEN Jun, LIN Yan, LIU Wanzeng, et al. Formal Classification of Spatial Incremental Changes for Updating[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(1): 108-114.

[10] 張新長, 郭泰圣, 唐鐵. 一種自適應(yīng)的矢量數(shù)據(jù)增量更新方法研究[J]. 測繪學報, 2012, 41(4): 613-619.

ZHANG Xinchang, GUO Taisheng, TANG Tie. An Adaptive Method for Incremental Updating of Vector Data[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(4): 613-619.

[11] 唐爐亮, 楊必勝, 徐開明. 基于線狀圖形相似性的道路數(shù)據(jù)變化檢測[J]. 武漢大學學報(信息科學版), 2008, 33(4): 367-370.

TANG Luliang, YANG Bisheng, XU Kaiming. The Road Data Change Detection Based on Linear Shape Similarity[J]. Geomatics and Information Science of Wuhan University, 2008, 33(4): 367-370.

[12] 林艷, 陳軍, 劉萬增, 等. 面狀水系偽增量剔除的拓撲量化法[J]. 武漢大學學報(信息科學版), 2012, 37(12): 1504-1507.

LIN Yan, CHEN Jun, LIU Wanzeng, et al. Topological Quantitatively Method for Spurious Increments Removed of Area Water[J]. Geomatics and Information Science of Wuhan University, 2012, 37(12): 1504-1507.

[13] 林艷, 陳軍, 趙仁亮, 等. 顧及時空目標邊界不一致性的增量識別計算[J]. 測繪學報, 2014, 43(4): 411-418. DOI: 10.13485/j.cnki.11-2089.2014.0061.

LIN Yan, CHEN Jun, ZHAO Renliang, et al. Increments Recognition and Calculation Considering the Inconsistency of Spatio-temporal Boundaries[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(4): 411-418. DOI: 10.13485/j.cnki.11-2089.2014.0061.

[14] QI H B, LI Z L, CHEN J. Automated Change Detection for Updating Settlements at Smaller-scale Maps from Updated Larger-Scale Maps[J]. Journal of Spatial Science, 2010, 55(1): 133-146.

[15] 簡燦良, 趙彬彬, 王曉密, 等. 多尺度地圖面目標變化分類、描述及判別[J]. 武漢大學學報(信息科學版), 2014, 39(8): 968-973.

JIAN Canliang, ZHAO Binbin, WANG Xiaomi, et al. A Methodology of Change Classification, Formal Description and Identification between Corresponding Areas in Multi-scale Maps[J]. Geomatics and Information Science of Wuhan University, 2014, 39(8): 968-973.

[16] 楊敏, 艾廷華, 晏雄鋒, 等. 疊置運算支持下的跨比例尺城區(qū)居民地數(shù)據(jù)變化發(fā)現(xiàn)與更新[J]. 測繪學報, 2016, 45(4): 466-474. DOI: 10.11947/j.AGCS.2016.20150302.

YANG Min, AI Tinghua, YAN Xiongfeng, et al. Change Detection and Updating by Using Map Overlay for Buildings on Multi-scale Maps[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(4): 466-474. DOI: 10.11947/j.AGCS.2016.20150302.

[17] 艾廷華, 郭仁忠. 基于格式塔識別原則挖掘空間分布模式[J]. 測繪學報, 2007, 36(3): 302-308.

AI Tinghua, GUO Renzhong. Polygon Cluster Pattern Mining Based on Gestalt Principles[J]. Acta Geodaetica et Cartographica Sinica, 2007, 36(3): 302-308.

[18] AI Tinghua, KE Shu, YANG Min, et al. Envelope Generation and Simplification of Polylines Using Delaunay Triangulation[J]. International Journal of Geographical Information Science, 2017, 31(2): 297-319.

[19] 童小華, 鄧愫愫, 史文中. 基于概率的地圖實體匹配方法[J]. 測繪學報, 2007, 36(2): 210-217. DOI: 10.3321/j.issn:1001-1595.2007.02.017.

TONG Xiaohua, DENG Susu, SHI Wenzhong. A Probabilistic Theory-based Matching Method[J]. Acta Geodaetica et Cartographica Sinica, 2007, 36(2): 210-217. DOI: 10.3321/j.issn:1001-1595.2007.02.017.

[20] 黃智深, 錢海忠, 郭敏, 等. 面狀居民地匹配骨架線傅里葉變化方法[J]. 測繪學報, 2013, 42(6): 913-921, 928.

HUANG Zhishen, QIAN Haizhong, GUO Min, et al. Matching Algorithm of Polygon Habitations Based on Their Skeleton-lines Using Fourier Transform[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(6): 913-921, 928.

[21] 趙東保, 盛業(yè)華. 全局尋優(yōu)的矢量道路網(wǎng)自動匹配方法研究[J]. 測繪學報, 2010, 39(4): 416-421.

ZHAO Dongbao, SHENG Yehua. Research on Automatic Matching of Vector Road Networks Based on Global Optimization[J]. Acta Geodaetica et Cartographica Sinica, 2010, 39(4): 416-421.

[22] 張云菲, 楊必勝, 欒學晨. 利用概率松弛法的城市路網(wǎng)自動匹配[J]. 測繪學報, 2012, 41(6): 933-939.

ZHANG Yunfei, YANG Bisheng, LUAN Xuechen. Automated Matching Urban Road Networks Using Probabilistic Relaxation[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(6): 933-939.

[23] 田文文, 朱欣焰, 咼維. 一種VGI矢量數(shù)據(jù)增量變化發(fā)現(xiàn)的多層次蔓延匹配算法[J]. 武漢大學學報(信息科學版), 2014, 39(8): 963-967, 973.

TIAN Wenwen, ZHU Xinyan, GUO Wei. A VGI Vector Road Data Increment Distinguishing Research Based on Multilevel Spreading Algorithm[J]. Geomatics and Information Science of Wuhan University, 2014, 39(8): 963-967, 973.

[24] 田晶, 艾廷華, 丁紹軍. 基于C4.5算法的道路網(wǎng)網(wǎng)格模式識別[J]. 測繪學報, 2012, 41(1): 121-126.

TIAN Jing, AI Tinghua, DING Shaojun. Grid Pattern Recognition in Road Networks Based on C4.5 Algorithm[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(1): 121-126.

[25] QUINLAN J R. Induction of Decision Trees[J]. Machine Learning, 1986, 1(1): 81-106.

[26] QUINLAN J R. C4.5: Programs for Machine Learning[M]. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 1993.

[27] BREIMAN L, FRIEDMAN J H, OLSHEN R A, et al. Classification and Regression Trees[M]. Belmont, CA, USA: Wadsworth, 1984.