一種城市路網多層次復合網格模式識別方法

王安東,武 芳,鞏現勇,翟仁健,劉呈熠,邱 越,張寒雪

信息工程大學地理空間信息學院,河南 鄭州 450001

城市道路網是城市范圍內不同功能、等級、區位的道路,以一定密度和適當形式組成的網絡結構[1]。作為城市的基礎骨架,其結構模式體現了城市的主要結構和空間格局,反映出城市的地形地貌特點、功能結構和規劃治理情況,蘊含著大量城市形成和發展的內在機制[2]。對其結構模式的挖掘和識別是地圖綜合、城市形成、更新和擴張、交通規劃設計等領域的研究熱點和難點[3-5]。

相關研究從不同研究重點出發,將道路網分為不同結構模式,如網格模式、環型模式、放射型模式、復雜道路交叉口等顯式模式[6-11],以及城市中心、熱點區域、城市建成區等隱式模式[12]。網格模式作為城市道路網的典型結構模式,在城市布局中十分常見,在長達幾千年的城市發展史上,都得到廣泛的采用[13]。道路網格模式的識別對城市空間特征挖掘、交通規劃及地圖自動綜合具有重要意義。根據識別的基本模式單元,現有道路網格模式的識別方法可大體分為兩類。

(1) 基于路段的識別方法。此類方法多將道路網抽象為圖結構,以圖中頂點作為基本處理單元,從頂點的幾何、上下文關系特征中抽象出與路網結構相關的特征項,借助圖論、統計學或機器學習方法進行處理或學習,實現網格模式識別。例如,基于道路結點和改進的霍夫變換策略來實現規則格網的識別[14];通過構建道路網對偶圖,采用交、并、聯合等圖運算來提取基礎格網模式[15];基于道路結點的幾何、拓撲特征,利用多項式評定模型識別道路網中的典型結構模式[16];基于道路網的線性單元剖分,提出5種特征參量,采用支持向量機分類來提取網格模式[17-18];在構建道路網原始圖的基礎上,利用圖卷積神經網絡模型,通過學習人工標注樣本,實現網格模式的識別[19]等。

(2) 基于網眼的識別方法。此類方法將道路網中路段圍成的閉合區域轉化為面,即道路網眼,通過計算網眼與鄰近網眼的形狀、方向、尺寸相似性及排列特征,采用鄰近搜索、任務分類、隸屬度計算或自組織映射聚類等方法完成網格模式的識別。例如,通過計算網眼的幾何特征相似性,采用區域生長算法識別網格模式[20-21];基于網眼的形狀和關系描述參量,采用機器學習算法識別網格模式,以減少參數閾值設置的人工干預[22-25],等。

然而,當前研究中至少存在如下問題有待解決:①根據定義,道路網格模式的基本特征是由兩組幾乎平行的道路垂直相交構成,網眼形狀大多為近似矩形或平行四邊形。然而,基于路段的識別方法大多以道路網結構中的“正交性”原則為依據,設計網格模式的特征因子,忽略了網格模式中相鄰網格間的尺寸、形狀相似性和分布的延伸性。從結構模式的定義來看,這些研究的部分識別結果更接近于道路網的“正交模式”或“方格模式”,而非“網格模式”。②基于網眼的已有識別方法均以單個網眼面要素及相鄰網眼間“一對一”的鄰近關系作為研究對象,對于整體規則、局部破碎的網眼群組,無法將其作為一個整體參與模式構建。

為了解決具有局部異質性的道路網格模式識別問題,本文基于道路網眼,顧及視覺認知的層次性,提出一種城市道路網多層次復合網格模式的識別方法,主要解決兩個問題:①道路網眼分布模式的多層次認知特征和定義;②網眼復合直線模式和復合網格模式的識別。

1 道路網眼分布模式的多層次認知特點

道路網眼是指道路網中路段圍成的閉合區域。與其他面狀地圖要素相似,道路網眼群組具有豐富的分布模式,直線模式和網格模式是兩種典型的分布模式。直線模式中道路網眼有規律地呈直線分布,網眼間具有相似的幾何特征,如方向、尺寸等;網格模式由若干組近似平行的直線模式與另外若干組近似平行的直線模式,以近似正交的方式相交構成。作為道路對空間劃分的結果,其分布模式與道路結構模式有著密切聯系。道路網眼的直線和網格模式是道路網格模式的兩種表現形式,圖1中模式1、2分別為網眼的直線和網格模式,兩組模式均表現為道路網的網格模式。因此,本文以道路網眼為基本模式單元,通過提取其直線和網格模式,實現道路網格模式的識別。

圖1 道路網結構模式與網眼分布模式

依據格式塔認知準則[26]和“大范圍優先”的視知覺認知理論[27-28],人類更傾向于以“主體→細節”的順序來認知事物。道路網眼群組具有豐富復雜的幾何、拓撲特征,人類的認知過程也必然遵循一定的順序,從而形成了其空間關系的層次性。觀察者觀看地圖時,首先關注道路網眼的整體特征,如圖2(a)紅色方框中網眼整體具有明顯的網格模式特征;然后,才會注意到局部網眼間的細節特征,如圖2(b)所示,藍色網眼間的幾何形態差異和復雜拓撲關系會被進一步感知。然而,當前相關研究僅考慮相鄰單個網眼間的“一對一”關系,難以識別由多個不規則的網眼多邊形拼接而成的網格網眼,對于大比例尺地圖中局部異質性明顯的道路網格模式,識別結果并不符合人類認知[29]。

圖2 整體到局部的認知過程

為解決網格模式中局部網眼破碎的問題,本文引入“復合道路網眼”的概念。復合道路網眼的直線和網格模式具有多層次認知的特點:宏觀尺度下,道路網眼整體呈直線或網格模式分布;中觀尺度下,模式由幾何特征相似、排列規律相近的簡單或復合矩形網眼構成;微觀尺度下,根據簡單網眼的組合方式,復合矩形網眼進一步劃分為包含關系和并列關系復合網眼。復合道路網眼直線和網格模式的多層次認知關系如圖3所示。以圖4(a)中道路網為例,各層次的具體含義如下。

圖3 道路網眼多層次認知關系

圖4 多層次認知過程

(1) 整體層,包括直線模式和網格模式,其中直線模式的識別是網格模式識別的前提和保障。網眼直線模式具有以下的表現形式:①模式內部的各個網眼具有相似的形狀、大小和方向特征;②模式內相鄰網眼方向一致,且模式的全局方向與各網眼組件方向近似相同或正交;③模式內相鄰網眼的公共邊近似為兩最小面積外界矩形的長邊或短邊,圖4(b)中紅色虛線分別表示呈直線模式分布的網眼。網格模式由多組直線模式近似垂直相交構成,處于更高的認知層次,如圖4(b)中9組直線模式以近似正交的方式相交構成網格模式。

(2) 組件層,構成單元為近似矩形的道路網眼。根據矩形網眼所中的基礎網眼數量,分為簡單矩形網眼和復合矩形網眼,分別如圖4(c)中網眼3、9和網眼1、2、4、5、6、7、8。其中,簡單矩形網眼形狀為近似矩形;復合矩形網眼包含多個任意形狀的道路網眼,組合后形狀為近似矩形。從矩形網眼與基礎網眼的空間對應關系的角度來看,組件層中包含1∶1(簡單網眼)和1∶n(復合網眼)的空間對應關系。

(3) 原子層,構成單元為由道路網結點、路段直接圍成的封閉區域多邊形,即簡單網眼。根據鄰接關系,將組件層復合網眼中簡單網眼間關系劃分為包含關系和并列關系。包含關系復合網眼由一個主體網眼和若干次要網眼組成,如圖4(d)中灰色網眼5、6,網眼8、9,網眼10、11和網眼17、18。主次網眼間空間鄰近,整體輪廓互補。其中,主體網眼的面積相對較大,在視覺認知中占主導地位,反映該復合網眼的主要形狀特征,如圖4(d)中網眼6、8、10和18;次要網眼的面積相對較小,在視覺認知中占從屬地位,如圖4(d)中網眼5、9、11和17。并列關系復合網眼由若干簡單網眼組成,網眼為任意形狀多邊形,組合后形狀為近似矩形,并與相鄰網眼構成直線模式。網眼間并列關系難以通過自底向上的組合方法進行探測,其關系的識別依賴于復合網眼鄰域的模式特征。圖4(d)中藍色網眼1、2、3、4,網眼12、13和網眼14、15、16分別為具有并列關系的簡單網眼。

2 道路網多層次網格模式識別

結合道路網眼的多層次認知特點,本文采用自底向上與自頂向下相結合的策略,提出一種多層次道路網眼直線和網格模式的識別方法,整體框架如圖5所示,基本思想和關鍵步驟如下。

(1) 根據視知覺感知理論中完整性、規則性等心理傾向,采用自底向上的策略,合并具有包含關系的網眼,將整體規則、局部不規則的相鄰網眼組合為視覺感知上更高級的復合網眼。

(2) 考慮相鄰網眼間的尺寸、形狀相似性和分布的直線性,構建直線模式結構化參數,以此為約束提取直線模式。

(3) 根據直線模式分布的延伸性,自頂向下構建直線模式連續匹配模板,搜索合并直線模式兩端具有并列關系的道路網眼,實現復合直線模式的提取。

(4) 采用降維的思想,將直線模式網眼組以二維的線段表示,對其進行分解和組合,實現道路網眼網格模式的提取。

道路網眼形狀為近似矩形是其作為直線和網格模式的組成單元的必要條件[20-24]。本文采用矩形度(Rec)和凹凸度(Conv)[29]作為網眼矩形相似度的度量參數,具體含義與計算方法見表1。

表1 網眼矩形相似度的度量參數

2.1 簡單直線模式識別

簡單直線模式由當前數據中的簡單網眼構成,其正確識別是復合直線模式識別的基礎?？紤]直線模式中網眼的相似性、直線性和延伸性等結構特征,結合格式塔認知準則,從道路網眼的大小相似性、直線性和對齊程度3個方面引入識別道路網眼直線模式的結構化參數(表2)。

表2 網眼直線模式結構化參數

根據直線模式的組織規律,同一模式內部要素間具有相似的幾何形態結構。對于道路網眼,其幾何形態結構主要表現為形狀和大小。其中形狀依靠上文中矩形相似度參數進行約束;大小相似度利用網眼面積比進行度量,面積比越大,網眼間大小相似程度越高。為保證模式中的網眼沿直線分布,以表2中方向差異參數作為約束,方向差異Dorient越接近于180°,模式的直線性越強?？紤]到直線模式相鄰網眼間具有相互對齊的特點,引入公共邊長度比Rce對模式內相鄰網眼間對齊程度進行約束。如圖6所示,對于相鄰網眼M1、M2,定義其公共邊長度比(Rce)1,2為公共邊(P1P2)長度與公共邊對應網眼最小外接矩形邊(EM1、EM2)長度的比值的較小值,公共邊長度比越接近于1,網眼對齊程度越高。

圖6 公共邊長度比

綜上,本文識別網眼簡單直線模式的步驟如下。

步驟1:根據網眼間是否具有公共邊,構建相鄰網眼間鄰近關系,同時提取網眼群中矩形度和凹凸度分別大于閾值δRec和δConv的簡單矩形網眼,加入列表ListSGM。

步驟2:選取ListSGM中任一網眼Mi及其鄰接網眼Mj,計算Mi與Mj的面積比(Rarea)i,j和公共邊長度比(Rce)i,j,若(Rarea)i,j>δarea且(Rce)i,j>δce(式中δarea和δce分別為人工設定的面積比和公共邊長度比參數閾值),則將網眼Mi與Mj的鄰近邊ei,j加入直線模式臨時列表tListLP,否則,返回步驟2。

步驟3:設當前直線模式一側搜索方向為{i,j},即SearchLeft={i,j},另一側搜索方向為{j,i},即SearchRight={j,i},以SearchLeft={i,j}為起始搜索方向,選取Mj的鄰接網眼Mk,若Mj除Mi不存在其他鄰近網眼,則此搜索方向終止,以SearchRight={j,i}方向繼續搜索。

步驟4:計算Mj與Mk的面積比(Rarea)j,k和公共邊長度比(Rce)j,k,若(Rarea)j,k>δarea且(Rce)j,k>δce,則執行步驟5,否則,返回步驟3。

步驟5:計算Mi、Mj、Mk的方向差異Dorient,若Dorient>δorient,則將ej,k添加至當前直線模式列表tListLP中,并令j=k,否則,返回步驟3。

步驟6:若當前直線模式向兩側搜索均終止,則該組直線模式識別結束,將當前直線模式列表tListLP加入直線模式識別結果列表ListLP中,返回步驟2。循環步驟2—6,直至ListSGM中全部網眼均被遍歷。

以圖7(a)中道路網數據為例,經上述步驟識別的網眼簡單直線模式如圖7(b)中紅色線段所示。受道路網中較低等級道路影響,一些在大尺度上認知為整體的網眼被分割成若干小網眼,呈現出局部破碎的現象,如圖7(b)中網眼1、2、3。由圖7(c)中網眼鄰近關系可以看出,簡單直線模式的提取方法僅利用簡單網眼間“一對一”的鄰近關系(藍色線段),難以反映道路網的整體結構模式,需要進一步利用復合直線模式識別方法,提取局部破碎、整體規則的直線模式。

圖7 道路網眼簡單直線模式識別結果

2.2 復合網眼構建與復合直線模式識別

復合直線模式的識別是解決網眼局部異質性,實現由低級基礎網眼到高級認知模式過渡的關鍵,其難點在于組件層中復合矩形網眼的識別和構建。對于復合矩形網眼中的包含關系和并列關系,本文分別采用自底向上和自頂向下的策略對其進行識別。

2.2.1 包含關系識別

根據包含關系網眼間輪廓互補的特點,參考文獻[30]中對相離面要素主次關系識別的方法,引入公共邊長周長比(Rlength)和約束面積比(Rca)兩個參數,分別從一維和二維兩個維度描述相鄰網眼之間的包含程度。以圖8中道路網眼為例,紅色線段P2P3P4表示相鄰網眼M1、M2間公共邊,虛線矩形為M2最小面積外接矩形SMBRM2,灰色多邊形P1P2P3P4為SMBRM2與M1的公共區域多邊形,參數含義及計算方法見表3。

表3 包含關系識別參數

圖8 包含關系參數

根據包含關系參數和網眼矩形相似度參數,識別包含關系復合矩形網眼的步驟如下。

步驟1:計算網眼矩形度Rec和凹凸度Conv,將Rec<δRec或Conv<δConv的網眼加入列表mList中。從中選取網眼Mi,計算其與鄰近網眼Mj的公共邊周長比(Rlength)i,j和約束面積比(Rca)i,j,若(Rlength)i,j>δL且(Rca)i,j>δca,則將網眼Mi和Mj記為包含關系組,其中δlength和δca分別為人工設定的公共邊周長比和約束面積比參數閾值。

步驟2:合并網眼Mi與Mj,記新網眼為Mn,若Recn>δRec或Convn>Convi,說明次要網眼對主要網眼的規則程度具有補充作用,將Mn加入列表mList中,并從中刪除Mi和Mj,否則刪除Mn。

步驟3:循環步驟1、2,直至列表mList中的元素數量不再減少為止,此時全部具有包含關系的復合矩形網眼均被識別。

以圖7中道路網眼為例,利用上述步驟識別、合并包含關系網眼的過程如圖9所示。圖9(a)為步驟1包含關系的識別結果,粉色線段表示網眼間的包含關系。圖9(b)為步驟2包含關系第一次合并結果(深色網眼),粉色線段表示所產生的新的包含關系。經數輪迭代,具有包含關系網眼的最終合并結果如圖9(c)所示,其中深色網眼為合并后的包含關系復合網眼。

圖9 包含關系復合網眼識別與合并過程

2.2.2 并列關系識別及復合直線模式提取

從認知角度來看,并列關系復合網眼產生于鄰域內直線模式的延伸,例如對于圖9(c)中鄰近關系相似的網眼對1、2和2、3,網眼1、2更容易被組合為復合網眼。因此,本文利用網眼鄰域的模式特征,采用自頂向下的匹配策略,識別具有并列關系的復合網眼?；舅枷霝?首先根據直線模式兩端網眼確定初始匹配模板的幾何特征;然后結合直線模式延伸性構建連續匹配模板,向兩端搜索、匹配待識別網眼;最后結合直線模式約束條件,判定待識別網眼組合后能否構成直線模式,實現復合直線模式的提取。結合圖9(a)中道路網眼,說明并列關系及復合直線模式識別方法的具體步驟。

步驟1:合并具有包含關系的矩形網眼(圖9(c)),提取簡單直線模式(圖10(a)中紅色線段),存入SLPList中。

圖10 并列關系網眼與直線模式識別過程

步驟2:選取任意一組直線模式SLPi(圖10(a)中紅色加粗線段),提取其首、末端網眼的最小面積外接矩形,以首、末端網眼與其鄰接網眼幾何中心的相對距離d、方向o為約束,沿直線模式兩端延伸方向計算匹配模板的位置,匹配模板分別記為Tl、Tr(圖10(a)中藍色矩形)。

步驟3:搜索與Tl和Tr存在面狀交集的網眼,記為Ms,如果其模板重疊度(Rto)s,l>δto或(Rto)s,r>δto,則將Ms存入并列關系候選列表MList中,執行步驟4,否則,則執行步驟2,式中δTC為人為設定的模板重疊度參數閾值。

步驟4:若Mlist中網眼數量大于1,合并MList中全部網眼,記為Mn,如圖10(b)中藍色網眼,若Rec(Mn)>δRec,則根據2.1節中方法,判斷其能否滿足直線模式結構化參數約束,若滿足,執行步驟5,否則終止該側搜索。

步驟5:當直線模式SLPi向兩側搜索均終止時,將其存入復合直線模式列表MLPList,并從SLPList中移除,執行步驟2。循環步驟1—5,直至SLPList為空時,結束循環。識別結果如圖10(c)所示,其中紅色線段表示網眼直線模式。

2.3 網格模式提取

道路網眼的網格模式由近似正交的直線模式相交構成,處于更高的認知層次。由網格模式概念可知,組成網格模式的直線模式之間需滿足以下3項條件:①各組直線模式近似平行或正交;②正交的直線模式間具有相交關系;③各直線模式構成閉合回路。

對于條件①,由于在直線模式中,網眼為方向一致的近似矩形,網眼構成的直線模式方向基本確定,若任意兩組直線模式包含同一網眼,則其關系為近似正交;若任意兩組不相交直線模式間,存在其他直線模式同時包含以上兩組直線模式中的網眼,則兩組直線模式近似平行。故條件①可由條件②代替。另外,若多組直線模式構成閉合回路,則相互正交的直線模式間必然相交,故條件③為條件②的充分條件。

綜上,本文通過對直線模式網眼構成閉合回路進行識別,提取其中的網格模式。當前研究大多采用圖論中算法識別多組直線模式中的閉合回路[31-32],算法實現較為復雜。本文從幾何角度出發,通過對直線模式鄰近圖中由結點和線段形成的封閉多邊形進行聚類,實現網格模式的提取。以圖11(a)道路數據為例,說明算法具體步驟。

圖11 網格模式提取過程

步驟1:以各直線模式中網眼幾何中心為結點,依次連接相鄰網眼,構建直線模式關系圖Gl(圖11(b)中紅色線段)。

步驟2:提取Gl中封閉區域多邊形P(圖11(b)中暈線多邊形P1、P2、P3),將其存入列表TPList。

步驟3:遍歷TPList,若兩多邊形Pi、Pj間存在公共邊(圖11(b)中多邊形P2、P3),則將其聚類為一組,存入列表ClusterList中。

步驟4:根據聚類結果,提取每組聚類內多邊形頂點所對應的道路網眼,記為一組網格模式網眼Gridm,存入Grid_list中,如圖11(c)中藍色和黃色線段對應網眼分別為兩組網格模式。

3 試驗與討論

3.1 試 驗

本文基于Python和QGIS編程實現以上算法。試驗分為兩組,數據分別采用不同空間結構模式的國內外道路網數據。試驗中網眼矩形度和凹凸度閾值的設置影響簡單矩形網眼以及包含關系、并列關系的識別,結合前人的研究成果[29,33],取δRec=0.9、δConv=0.95。算法中所涉及其他閾值設置的指導思想為:面積比和公共邊長度比的閾值越大,方向差異的閾值越小,模式的直線性越強。在識別包含關系矩形網眼時,公共邊周長比和約束面積比的閾值越大,主要網眼對次要網眼的包含程度越強;在識別并列關系矩形網眼時,模板重合度的閾值越大,模式的同質性越強。

試驗區域1為國外某地區道路網,數據來自OpenStreetMap。如圖12所示,所選試驗區域內道路分布密度較高,密度不均勻,沒有全局平穩的特征,存在支離破碎的短小路段,但大部分呈垂直交錯結構分布,視知覺上呈現出明顯的網格模式特征。試驗區域包含2469個道路簡單網眼。經反復測試,試驗參數設置見表4。圖12(b)中灰色和藍色網眼分別為識別出的具有包含和并列關系的復合網眼,提取的直線模式和網格模式分別如圖12(c)、(d)所示。

表4 參數閾值設置

試驗區域2為鄭州市三環內道路網,數據來自OpenStreetMap。如圖13所示,所選試驗區域道路分布密度較高,且不均勻,存在顯著的空間異質性,整體上沒有平穩的全局結構特征,但在局部區域內呈現出明顯的網格模式。試驗區域包含6828個道路網眼。試驗參數設置見表4。圖13(b)中灰色和藍色網眼分別表示識別出的具有包含和并列關系的復合網眼,提取的直線模式和網格模式分別如圖13(c)、(d)所示。

圖13 試驗2直線模式和網格模式識別結果

為驗證本文方法的有效性,選用道路網簡單網格模式的提取方法作為對比試驗[20],識別結果及試驗結果細節對比如圖14所示,其中藍色與紅色線段分別表示對比試驗與本文方法的識別結果。由于只有自身呈矩形,周圍不存在與之相似網眼的道路網眼不屬于網格模式[15],為對其進行區分,本文將試驗結果中的網眼劃分為矩形網眼和網格網眼。其中,矩形網眼為形狀近似矩形的網眼,而網格網眼除滿足矩形網眼要求外,還作為模式單元構成道路的網格模式。另外,根據網眼的組成方式,將矩形和網格網眼按簡單網眼和復合網眼進一步劃分,其中復合網眼包括包含關系復合網眼和并列關系復合網眼。試驗1、2及其對比試驗各類網眼數量統計結果見表5。

表5 試驗結果統計

圖14 試驗結果細節對比

進一步地,計算試驗1、2及對比試驗中的網格網眼面積,統計結果箱線圖如圖15所示,其中箱體上下端線段分別表示面積上、下四分位數,箱體中部線段表示面積中位數。

圖15 網眼面積箱線圖

結合試驗結果對比及統計結果,分析可知,本文方法能夠有效識別簡單網眼間的包含和并列關系,提取出尺寸更大、面積分布更集中的復合網眼(圖15中本文方法箱體整體均高于對比方法且箱體長度小于對比方法),并以此為基礎,識別道路網格模式。相較于對比方法,本文方法識別結果具有更好的層次性、整體性和連續性。

為了驗證本文方法的可靠性,對試驗結果進行定量評價,采用目視判別的方式標記試驗區域數據中的網格網眼,以正確分類網眼數量與網眼總數量之比作為準確率,以正確分類網眼數量與識別的網格網眼數量之比作為召回率,兩組對比試驗的評價結果見表6,結果表明本文方法的識別結果是可靠的。

表6 試驗結果準確率、召回率和F1值

3.2 討 論

(1) 參數閾值。對于不同類型模式而言,閾值主要根據模式的結構特征確定。對于同一種模式,由于數據的尺度、空間分布情況存在差異,閾值可能會在一定范圍內進行調整,但必須符合模式的視覺認知特征。因此,對于不同數據,參數閾值不會發生太大變化。本文參數閾值的設置主要以相關研究中的經驗值為主,同時結合試驗進行微調。以直線模式結構化參數為例,由于在人類對道路網格模式感知過程中,相鄰網眼間方向和對齊特征對認知的影響遠超尺寸相似性特征。圖16(a)、(b)、(c)分別為面積比閾值分別取0.6、0.7、0.8的識別結果。對比發現,隨著面積比閾值的增大,面積差異較大的網眼間直線關系被剔除,導致模式退化。公共邊長度比閾值的選擇直接影響模式的對齊特征。僅考慮公共邊長度比,忽略其他因素對模式的影響,圖16(d)、(e)、(f)分別為公共邊長度比閾值取0.92、0.85、0.78的識別結果。對比發現,隨著公共邊長度比閾值的放寬,直線模式中相鄰網眼間對齊程度逐漸降低。因此,本文試驗中面積比閾值設置相對較小,而公共邊長度比閾值設置相對較大。

圖16 參數閾值設置影響

(2) 多線道路的約束。在現勢性較好的大比例尺城市地圖數據源中,大部分快速路、主干道呈雙線或多線模式,導致同一條路段內部出現一個或多個網眼,如圖17中黃色網眼。由于面積、形狀存在顯著差異,這類網眼對于基于相鄰網眼相似度和一致性的網眼模式而言,具有明顯的約束作用。例如圖17(a)中,鄭州市主干道航海路所對應黃色網眼將該區域內網眼劃分為模式A和模式B,該結果符合高等級道路對低等級道路模式的約束作用。然而除主干道外,部分低等級道路同樣以雙線道路表示,如圖17(b)中黃色道路網眼,導致模式斷裂。實際應用中,可根據需求,對雙線或多線道路的重要性分級,以中心線表示等級較低的雙線道路,以獲得更為準確的識別結果。

圖17 雙線道路約束作用

(3) 與基于路段方法對比。除試驗1、2中的對比試驗外,以基于路段的道路網格模式識別方法[32]作為對照,討論本文方法在大比例尺道路數據網格模式識別中的優勢。圖18為試驗2中部分數據采用基于路段方法的網格模式識別結果(圖18(a)中深藍色路段)與本文方法的識別結果(圖18(b)中深紅色線段)?；诼范蔚淖R別方法以相連路段間正交關系為約束條件,通過搜索道路網中的網格回路,實現網格模式的提取。對比可知,該方法識別結果中,網格模式路段之間的形態差異大、粒度大小不一且不具備穩定性和連續性,其結果更接近于“方格模式”或“正交模式”,而非“網格模式”。而本文方法能夠克服局部低等級道路對整體結構模式的影響,基本解決了基于網眼識別網格模式方法中“圖形-背景”難以區分的問題[24],有效提取出與人類認知相符的網格模式,識別結果中,網眼的形態結構和粒度大小一致性較高。進一步地,本文方法在直線模式識別的基礎上,實現了對網格模式的聚類分組,與現有方法相比,本文方法的識別結果對地圖綜合、城市街區劃分及功能區識別等后續應用具有更高的指導價值。

4 結 論

由于大比例尺地圖數據中存在大量等級較低的道路路段,導致中宏觀尺度下道路網格模式在微觀尺度下呈現整體規則、局部破碎的結構特征,現有方法尚不能有效提取其中的網格模式。本文以道路網眼為切入點,首先分析了道路網眼的多層次認知特點,引入了復合網眼直線模式和網格模式的定義。通過自底向上和自頂向下的策略挖掘簡單網眼間的包含關系和并列關系,克服了現有方法僅針對網眼間一對一關系的不足,為網眼復合直線模式和網格模式的識別提供支撐。然后利用結構化參數實現網眼復合直線模式的識別。最后根據其垂直相交的特點,提取網眼的復合網格模式。識別結果更符合人類認知,對道路網數據的多尺度表達具有理論和實用價值。

今后工作中需要進一步研究的問題包括:①分析不同尺度及空間分布特點的道路數據對本文方法中各項參數閾值的影響;②結合道路語義、等級層次性,研究其在不同尺度下對道路結構模式的影響;③探索道路復合網格模式提取結果在地圖制圖綜合中的應用。