信息工程大学吕峥：复杂网络视角下的居民地选取方法 |《测绘学报》2023年52卷第5期

大家好，欢迎来到IT知识分享网。

信息工程大学吕峥：复杂网络视角下的居民地选取方法 |《测绘学报》2023年52卷第5期

本文内容来源于《测绘学报》2023年第5期（审图号GS京（2023）0967号）

复杂网络视角下的居民地选取方法

吕峥
¹, 孙群¹, 马京振^1,2, 温伯威^1,3

1. 信息工程大学地理空间信息学院，河南郑州 ;
2. 智慧中原地理信息技术河南省协同创新中心，河南郑州 ;
3. 时空感知与智能处理自然资源部重点实验室，河南郑州

基金项目：
国家自然科学基金(；);河南省中原学者资助项目(1)

摘要：多要素协同综合是制图综合重要的发展方向。针对当前居民地选取方法对道路网与居民地间地理关联性利用不够深入的问题，将居民地与道路网融合为整体，本文提出了一种复杂网络视角下的居民地选取方法。首先，整合居民地与道路网的几何信息、属性信息与拓扑信息，构建以居民地为节点、以交通通达关系为边的含权居民地网络；然后，评价目标居民地在局部网络中的居民地吸引能力与交通流控制能力，并加权求和获得综合重要性；最后，利用距离约束Delaunay三角网进行迭代选取。试验表明，本文方法能够兼顾居民地的密度特征与网络特征，选取结果与道路网结构吻合良好，较好地保持了道路网与居民地的地理关联性。

关键词：居民地选取复杂网络道路网协同综合地理关联性

引文格式：吕峥, 孙群, 马京振, 等. 复杂网络视角下的居民地选取方法[J]. 测绘学报，2023，52(5)：852-862. DOI: 10.11947/j.AGCS.2023.

信息工程大学吕峥：复杂网络视角下的居民地选取方法 |《测绘学报》2023年52卷第5期

LÜ Zheng, SUN Qun, MA Jingzhen, et al. Residential area selection method from the perspective of complex network[J]. Acta Geodaetica et Cartographica Sinica, 2023, 52(5): 852-862. DOI: 10.11947/j.AGCS.2023.

阅读全文：http://xb.chinasmp.com/article/2023/1001-1595/20230516.htm

引言

地图是客观世界的模型，包含多种相互作用、相互制约的地理要素。地理要素空间分布特征和地理要素间的作用关系是地图上重要的地理知识，需要在制图综合中予以重视与保留。部分地理要素间存在紧密的地理关联性，如居民地与道路网^[1^]、地形与水系^[2^]等要素在地理成因、演变过程等方面高度关联。在这种情况下，仅考虑单一地理要素的制图综合难以保持地理要素间的协调性，易产生空间冲突与语义冲突。长期的实践证明，针对单一类型地理要素的综合方法不能适应制图综合的科学范式发展，需要建立直接面向多要素的协同综合模型^[3^]。

居民地作为地图上重要的社会经济要素，其选取方法是制图综合领域的重要研究内容之一。传统的选取方法大多依赖居民地自身的语义信息与度量信息，如等级、面积、距离及密度等，侧重于通过各种数学模型提取并保留居民地的空间分布特征。代表算法有基于Circle特征变化的选取方法^[4^]、基于Voronoi图的选取方法^[5^]及基于密度对比的选取方法^[6^]等。这些方法在单纯的居民地选取任务中表现良好，能够有效保持居民地的密度对比与空间分布特征，但未顾及其他地理要素与居民地的关联关系。居民地与道路是具有强关联关系的地理要素，目前越来越多的学者开始在居民地选取中引入道路要素作为约束和控制条件，以期保持要素间的协调性。不同研究对道路要素的利用方式有所差异，文献[7]将居民点与重要道路的邻近距离作为评价指标之一；文献[8]将居民点与道路端点的相对位置关系作为拓扑约束以避免出现“断头路”；文献[9]采用居民地邻近道路的等级和评价居民地的位置特征；文献[10]则借助道路Voronoi图对居民点进行分区选取；文献[11]在道路网络的基础上构建了居民点的网络加权Voronoi图，较好地顾及了与居民点相关联的道路属性特征。现有研究对道路网协同下的居民地选取进行了广泛的探索，但大多只考虑了居民地与道路网的局部位置关系，未顾及道路网与居民地间地理关联的全局性。

在现实世界中，居民地是人类活动的中心场所，居民地间的物质、人员则主要通过道路进行流动，两者共同构成了人类活动的地理网络的主体。相比于局部的位置关系，居民地在地理网络中的表现更能反映其本质特征，应该将居民地置于整个道路网络中进行重要性评价。道路网等交通网络是典型的复杂网络，是具有自组织、自相似、吸引子、小世界、无标度中部分或全部性质的网络，由大量节点及节点间相互连接的边所构成^[12^]。复杂网络方法广泛应用于道路网综合、交通规划及抗毁分析等领域。本文提出一种复杂网络视角下的居民地选取方法，采取复杂网络方法处理居民地选取问题。

1 居民地网络模型的构建

居民地网络是以居民地为节点、以居民地间的交通通达关系为边构建的网络模型，是后续网络结构分析与居民地重要性评价的基础。设居民地网络G有节点集合RES={res₁, res₂, ⋯, res_n}、边集合E={e₁, e₂, ⋯, e_m}。居民地网络中不包含具体的道路，而是将道路网抽象为居民地间的连接关系。构建居民地网络首先需要根据拓扑关系来确定居民地与道路间的服务关系并对道路进行功能分类，然后通过路径搜索确定居民地间的连接关系，最后以居民地的特征参数值为节点强度、以居民地间的最短通行时间为连接边的权重。

图 1 居民地网络模型

Fig. 1 Residential network model

图选项

1.1 道路分类

文献[3]采用重力模型评价居民地与道路网间的联动影响力，但对于道路网与居民地间的服务关系并未清晰界定。随着比例尺的减小，将居民地连接至道路网的短小道路在地图上逐渐被删除，导致部分居民地距离道路较近但在拓扑上并不相交，但实际上这部分居民地是邻近道路的服务对象。因此在界定服务关系时，需要对居民地做缓冲区以增加判断的准确性。

按照居民地缓冲区与道路间的拓扑关系，可以将道路分为延伸型、途径型、内部型及外部型，如图 2所示。延伸型道路的一端位于缓冲区内部，另一端位于缓冲区外部，是出入居民地的关键道路。途径型道路虽然与缓冲区拓扑相交，但端点均位于缓冲区外，居民地分布在道路的某一侧。内部型道路的两端均位于缓冲区内部，其主要作用是为居民地内部提供通行服务并连通该居民地不同方位的延伸型道路。外部型道路与目标居民地缓冲区拓扑相离，不直接服务于该居民地。道路的分类是面向居民地的，同一条道路在不同居民地分类不同。此外，途径型道路显然是服务于沿线居民地的，但与居民地的拓扑关系不利于路径规划及连通关系的判断。因此，将途径型道路在其至居民地的最近点处打断，转化为两条延伸型道路。

图 2 面向居民地的道路分类

Fig. 2 Road classification for residential areas

图选项

1.2 网络构建与权重计算

居民地网络是在道路网的基础上构建的，需要构建道路网的拓扑图结构。在地理信息领域，最原始的方法是直接对实际路网进行抽象，即构建以道路交叉点为节点、以路段为边的广义路网拓扑^[13^]。道路网综合研究中常用的对偶法则将以路段为节点、以交叉点为边建立广义路网拓扑的对偶图。相比于原始的广义路网拓扑，对偶图在拓扑分析方面更有优势，便于后续的路径搜索，因此选择将道路网抽象为对偶图。

以目标居民地的延伸型道路为起点，搜索到达其他居民地延伸型道路的路径。如果两个居民地间存在不经过第三个居民地的连通路径，则认为两者在网络中是直接相连的。在明确所有居民地间的连接关系后，可构建以居民地为节点的无向无权图。因为居民地分布在不同的空间位置，居民地间的通行成本各不相同，所以居民地网络中的边是有权重的。

在起终点确定的情况下，相比于通行距离，人们在出行时更重视通行时间，故采用路径的通行时间作为成本。一对居民地间可能存在多条连通路径，选择其中最小的通行时间作为边的权重，构建居民地的无向有权图。

道路的通行时间主要由道路长度、道路等级及转弯次数等因素决定。为了更好地量化计算通行成本，将道路等级转换为道路设计速度，见表 1所示^[14^]。

表 1 各级公路的设计速度

Tab. 1 Design speed of roads at different grades

(km/h)

信息工程大学吕峥：复杂网络视角下的居民地选取方法 |《测绘学报》2023年52卷第5期

表选项

关于道路转弯处的通行速度，在保证交通安全的前提下，交叉口处转弯的设计速度为构成交叉口的各条道路设计速度的50%^[15^]。设一条路径由路段集合{r₁, r₂, ⋯, r_n}构成，则该路径的通行时间为

(1)

式中，l_i为路段r_i的长度；v_i为路段r_i的设计速度；n_i为路段r_i中的转弯次数，包括在端点处向其他路段的转弯；s为转弯距离。

此外，居民地节点同样有权重，通常称为节点强度，由居民地自身的等级、面积及道路指数^[16^]等因素决定，定义为

(2)

式中，rank为居民地等级；area为居民地面积；roadindex为服务于居民地的道路等级和；w₁、w₂与w₃分别为对应参数的权值，根据文献[17]的计算结果，将其分别设为0.539 292、0.163 284与0.297 424。

2 复杂网络视角下的居民地重要性评价

居民地网络是一种介于随机网络与无标度网络之间的空间网络，与计算机网络、社交网络等抽象网络有着显著的差异^[18^]。这些差异主要来自于空间网络特有的空间特征，主要体现在：①居民地客观存在于地理空间，有着明确的空间位置信息；②居民地节点的邻居数量受物理空间限制，节点度相对均衡；③居民地节点通常与其他空间邻近的节点相连，与相距较远的节点较少存在直接连接关系；④邻居节点的重要性反馈与抽象网络不同，节点邻居重要不代表目标节点重要。在设计居民地节点重要性评价算法与选取策略时需要顾及上述差异。

2.1 复杂网络方法适用性分析

随着网络科学研究从整体宏观向个体微观转变，节点重要性评价逐渐成为网络科学领域的研究热点^[19^]。在网络科学领域，节点重要性评价主要基于网络拓扑结构，现有的评价方法大致可以划分为网络局部属性法、网络全局属性法、网络位置属性方法及随机游走法等^[20^]。

网络局部属性法主要考虑节点自身信息及其邻居信息，计算简单，但只能利用有限范围内的局部特征，代表算法有度中心性及半局部中心性^[21^]等。居民地重要性评价需要兼顾全局特征与局部特征，单纯的局部重要性难以满足居民地选取的需要。

网络全局属性法与网络中的路径密切相关，主要考察节点对信息流的控制力，代表算法有接近中心性及介数中心性等。该类方法考虑了网络的全局信息，能够有效利用网络结构，具有较高的准确性。但该类方法具有显著的边缘效应，即部分空间实体由于靠近分析范围的边缘而得到相对不利的评价结果^[22^]。然而居民地重要性评价应该是全局位置不敏感的，同一居民地的重要性不应因分析范围的移动或适当缩放而产生明显变化。

网络位置属性的基本思想是节点重要性依赖于其在网络中的位置，越靠近核心，节点越重要，代表算法为k-壳分解法^[23^]。该类方法时间复杂度低，在某些场景下优于度中心性与中介中心性，但其基本思想与居民地选取思想相冲突。

随机游走法主要是网页排序技术，兼顾了邻居数量与质量，大多有着成熟的商业应用，代表算法有PageRank^[24^]、LeaderRank^[25^]及HITs^[26^]算法。居民地网络的无标度特性与小世界特性并不显著，与该类方法兼容性不好，且该类方法同样具有边缘效应。

居民地网络的空间特征及居民地选取的规则要求居民地节点的重要性评价方法能够兼顾全局特征与局部特征，兼顾网络属性与节点自身属性，同时需要削弱边缘效应的影响。为此，需要结合居民地网络的特征在现有节点重要性评价方法的基础上设计适用于居民地网络的评价方法与选取策略。

2.2 居民地节点重要性评价参数

由地理学第一定律可知，距离越远关联越弱^[27^]。居民地在地理空间中的有效影响范围是有限的，没有必要让网络中的所有节点参与目标节点参数值的计算，居民地选取往往更关注居民地在局部区域的相对重要性。因此，可以从整体网络中提取出目标居民地节点resi_i周围一定空间范围内的局部网络subnet_i，并在执行基于距离约束Delaunay三角网的迭代选取内对居民地节点进行重要性评价，如图 3所示。合理地设定局部网络半径nrTh能够有效保持目标居民地的空间上下文环境，减弱边缘效应的影响，并降低计算复杂度。

图 3 居民地节点的局部网络

Fig. 3 Local subnet of residential area node

图选项

在居民地网络中，不同节点有着不同的功能侧重，节点重要性需要从多个方面进行评价，本文借鉴HITs算法中的权威值与枢纽值对居民地节点进行综合评价。

2.2.1 权威值

权威值衡量目标居民地对其他居民地的吸引能力，反映居民地在局部区域内的相对重要性，与居民地节点自身强度及交通便利程度呈正比。区域发展建设中存在虹吸效应，即优势居民地会将其他相对劣势区域的资源吸引过来，从而减缓被吸引地区的发展^[28^]。居民地综合中有着类似的过程，为了维持密度对比，会尽量避免在已保留的优势居民地附近连续选取其他居民地。优势居民地周围的劣势居民地的权威值小于其自身强度，周围优势居民地越多、强度差异越大、距离越近，劣势居民地的权威值越小。权威值AUTH的计算方法为

(3)

式中，INT_i为节点res_i的强度；T_ij为节点res_i与节点res_j间的通行成本。

2.2.2 枢纽值

枢纽值衡量目标居民地对网络中交通流的控制能力，与道路属性及居民地在道路网中的位置有关。中介中心性是一种全局性的中心性度量指标，描述网络中某节点位于其他节点间最短路径上的可能性，在道路网结构分析^[29^]、道路网综合^[30^]等研究中应用广泛。中介中心性强调节点的中介调节能力，与枢纽值的定义吻合良好。部分居民地沿着高等级道路分布但无重要岔路，其交通流向单一，枢纽作用不显著，但采用传统的中介中心性会获得较高的评价。居民地综合中倾向于保留交通流向丰富、枢纽作用显著的居民地，而非单纯沿着高等级道路分布的居民地，评价枢纽值时应考虑交通流的多样性。

居民地节点包含若干条连通内外的延伸型道路，其他节点间的最短路径经过目标节点时均从一条延伸型道路入、从另一条延伸型道路出。所有最短路径在目标节点处出入的延伸型道路组合越丰富、流量越均衡，说明该居民地节点的交通流多样性越高，越可能发挥枢纽作用。设所有最短路径在节点res_i处有p对延伸型道路组合，每对组合各自涉及的路径数量如集合EN_i={en₁, en₂, ⋯, en_p}，节点res_i的交通流多样性dv_i的定义为

(4)

结合交通流多样性对中介中心性进行改进，枢纽值HUB的定义为

(5)

式中，N为节点res_i的局部网络中的节点数；n_jk为节点res_j与节点res_k间的最短路径数量，计算最短路径时考虑边权重；n_jk(i)为节点res_j到节点res_k的最短路径中经过节点res_i的最短路径数量。

2.2.3 综合重要性

为了统一权威值与枢纽值的量级，需要对其进行标准化处理。Z-Score标准化方法能够统一数值型数据的量级，将数据统一转换为无单位的Z-Score值，提高了数据间的可比性

(6)

式中，x为个体参数值；μ为总体数据的均值；σ为总体数据的标准差。

完成标准化后，对权威值与枢纽值进行加权求和，得到居民地节点的综合重要性

(7)

式中，α为权重系数，用于调节权威值与枢纽值的权重分配。

3 试验与分析

3.1 试验数据与流程

为验证本文方法的有效性与科学性，采用河南省某地区1∶25万地图数据进行试验验证。图 4(a)所示为混合类型的居民地数据，其中面状居民地与点状居民地的数量分别为543与635，涉及县、乡、村三级居民地。图 4(b)所示为居民地与道路网的相对位置关系，道路数据属性信息相对完备，道路等级包括高速公路、一至四级公路、等外公路及无等级的乡村路等，道路等级越高颜色越深。

图 4 河南省某地区1∶25万试验数据

Fig. 4 The 1∶250 000 experimental data in Henan Province

图选项

具体试验步骤与流程如下(图 5)。

图 5 复杂网络视角下的居民地选取流程

Fig. 5 Flowchart of residential area selection form the perspective of complex network

图选项

(1) 处理居民地间的空间冲突。对于间距小于空间冲突阈值cTh的居民地，若几何类型为面，则执行合并操作；若几何类型为点，则执行删除操作。采用文献[31]给出的合并距离310.04 m作为空间冲突阈值cTh。

(2) 根据拓扑关系构建居民地网络，结合居民地与道路网的几何信息与属性信息计算节点强度与边权重。

(3) 遍历居民地并提取目标居民地的局部网络，在此基础上计算权威值与枢纽值，加权求和得到居民地综合重要性。

(4) 构建居民地的距离约束Delaunay三角网^[3^]，根据给定的选取比例执行基于距离约束Delaunay三角网的迭代选取^[32^]。

基于距离约束的Delaunay三角网是在普通Delaunay三角网的基础上为每个实体赋予影响域半径rTh，通过断开长度大于rTh的连接边消除不合理的空间邻近关系，如图 6所示。本文采用研究区域内一阶Delaunay邻居间的平均距离作为居民地的影响域半径。

图 6 Delaunay三角网对比

Fig. 6 Delaunay triangulation comparison

图选项

基于距离约束Delaunay三角网迭代选取的步骤如下。

(1) 根据给定的选取比例计算待选取的居民地数量N_s。

(2) 构建居民地的Delaunay三角网，删除长度大于rTh的连接边后提取居民地间的空间邻近关系。

(3) 初始化数据集内每个居民地的初始状态为“自由”，按重要性值对居民地降序排列。

(4) 顺序遍历居民地，若目标居民地的状态为“自由”，则将目标居民地标记为“被选”，将其邻居标记为“固定”；若目标居民地的状态为“固定”，则跳过。如果状态为“被选”的居民地总数量大于等于N_s，执行步骤(6)；否则，执行步骤(5)。

(5) 若当前数据集内所有居民地的状态均非“自由”，将状态为“固定”的居民地构建为新的数据集，执行步骤(2)；否则，执行步骤(4)。

(6) 将状态为“被选”的居民地作为选取结果输出。

3.2 重要参数阈值的设定

本文方法有两个重要的参数阈值需要结合客观的数据分析与主观的制图经验进行确定，分别是局部网络半径nrTh与综合重要性加权计算中的权重系数α。

提取目标居民地的局部网络时要保持目标居民地的空间上下文环境，合理的范围需要尽可能包含目标居民地附近的高等级居民地与低等级居民地。在1∶25万地图数据中，市、县、乡三级居民地构成了居民地空间分布的骨架，村级居民地分布于高等级居民地的邻域。提取乡级以上居民地，通过Delaunay三角网构建乡级以上居民地间的空间邻近关系，计算邻近居民地间的空间距离，采用研究范围内邻近居民地间的平均距离的二分之一作为nrTh的参考值。本文试验数据对应的参考值为4545.8 m。进一步测试不同半径下的计算效率，发现随着半径的扩大，计算时间呈指数增加，见表 2。更大的网络半径能够更好地保持空间上下文环境，但会增加运算时间，需要结合实际情况进行确定，本文设nrTh为5 km。

表 2 不同网络半径下的运算时间

Tab. 2 The computing times under different network radius

信息工程大学吕峥：复杂网络视角下的居民地选取方法 |《测绘学报》2023年52卷第5期

表选项

设选取比例为30%，分析α取不同值时的选取情况，计算四级以上公路附近居民地在选取结果中的占比p，如图 7所示。当α较小时，枢纽值占主导，选取结果集中分布于高等级道路沿线，空间分布不均衡。随着α增大，居民地分布趋于均衡，但高等级道路沿线居民地的占比会逐渐下降，对道路网与居民地间的地理关联性强调不足。相较而言，α取最大值时的选取效果优于α取最小值时的选取效果，说明两个特征参数中，权威值能更有效地评价居民地重要性，但需要枢纽值辅助调节高等级道路附近居民地的比例。选取结果需要维持空间分布的均衡，并保持较高的p值，应当为权威值赋予更大的权值，本文设α=0.6。

图 7 α取不同值时的选取结果

Fig. 7 Selection results when α takes different values

图选项

3.3 选取结果分析

在前文分析的基础上，计算居民地的综合重要性，采用自然断点法^[33^]将居民地分为5级，结果如图 8所示。按居民地综合重要性降序排列，首先，全面优于其他居民地的县级居民地；其次，分布于重要道路交汇处的乡级居民地与少量的村级居民地；再次，分布于高等级公路与低等级公路的交汇处的村级居民地或小区域枢纽；然后，通过低等级道路汇入高等级道路及沿着重要道路分布但交通流向过于单一的普通村级居民地；最后，分布于县级居民地附近受“虹吸效应”影响及交通能力较弱的居民地。结合道路网的居民地重要性评价符合地理规律与人们的空间认知，能够有效反映居民地的交通区位优势。

图 8 居民地重要性分级结果

Fig. 8 Residential area importance classification results

图选项

在重要性评价的基础上，采用基于距离约束Delaunay三角网的迭代选取法分别选取10%、30%、50%及70%的居民地，选取结果如图 9所示。整体而言，选取结果的空间分布相对均衡，相对密度特征保持良好，居民地与道路网间的空间关联保持良好。

图 9 不同比例的居民地选取结果

Fig. 9 Residential area selection results with different ratios

图选项

当选取比例为10%时，所选取的主要是高等级居民地，居民地均匀分布于整个道路网络的关键枢纽区域。当选取比例为30%时，次一级的交通枢纽区域得到覆盖，居民地沿道路网骨架进行加密，重要道路围成的网眼中代表性强的居民地也得到选取。当选取比例达到50%、70%时，选取对象主要是普通的村级居民地，主要在重要道路的网眼中进行加密，重视居民地在小区域内的局部影响力，在维持密度特征的同时选取保留有区位优势的居民地。

本方法在各选取比例下均表现良好，选取比例较低时，未严格保持密度对比，而是侧重于居民地的自身强度，优先维持道路网与居民地间的地理关联性。随着选取比例的增大，居民地逐步加密，加密过程与道路网结构的层层细化相吻合。

3.4 对比分析

为进一步验证本文方法的可靠性，将本文方法与Voronoi面积法及多特征加权法进行对比。在多特征加权法中，选择行政等级、面积与道路指数作为特征参数，并根据文献[17]的分析结果为各特征参数赋予权值进行加权求和。采用两种对比方法分别选取30%的居民地，结果如图 10所示。通过对比发现，Voronoi面积法的选取结果分布均衡，但在选取时未顾及居民地与道路网间的地理关联，导致部分重要交通枢纽区域处的居民地未被选取。多特征加权法采取道路指数作为特征参数之一，选取结果有效保留了交通枢纽区域处的居民地，但该方法只是利用居民地所涉及道路的等级与数量评价位置特征，对居民地的区位优势缺乏有效评价，部分区域的选取结果明显沿着重要道路密集分布，密度特征保持较差。本文方法能够兼顾密度特征与位置特征，相较于两种对比方法有着显著优势。

图 10 对比方法的选取结果

Fig. 10 Selection results of comparison methods

图选项

对3种方法的选取结果进行定量分析，以验证本文方法在保持道路网与居民地的地理关联性方面的优势。采用网络分析中常用的服务区分析对选取结果进行评价，以道路数据构建网络数据集，以被选取的居民地为设施点，不同居民地的服务区彼此不能重叠，分别计算3种选取结果在1、3、5、7与9 min内的服务区面积，如图 11所示。旅行时间较短时，高等级道路由于有着较快的通行速度，其沿线的居民地易获得更大的服务区。随着时间增长，居民地通过高等级道路能够获得的服务区会快速达到饱和状态，此后服务区面积的增长依赖于低等级道路，直至服务区覆盖整个研究区域。本文方法和多特征加权法在3 min内的服务区面积处于领先地位，说明这两种方法的选取结果与高等级道路关联较紧密。5 min之后，通过高等级道路可覆盖的服务区逐渐饱和，本文方法与Voronoi面积法开始处于领先地位，说明这两种方法的选取结果中有相当一部分居民地分布于低等级道路附近。本文方法选取结果的服务区面积全程优于对比方法，说明被选取的居民地有效覆盖不同层级的道路，与道路网的关联更紧密，与道路网结构的融合程度更深，较好地保持了两种地理要素间的地理关联性。

图 11 3种选取结果的服务区面积

Fig. 11 Service area for three results

图选项

4 结论

针对现有居民地选取方法未充分利用道路网与居民地间地理关联性的情况，本文提出了一种复杂网络视角下的居民地选取方法，将居民地选取与道路网结构深度融合。首先在道路网的基础上，根据拓扑关系构建以居民地为节点、以交通通达关系为边的居民地网络；其次将道路长度、道路等级、道路转弯次数、居民地等级、居民地面积及居民地的道路指数等几何信息、属性信息整合为节点强度和边权重；然后在局部网络中从权威值与枢纽值两方面对居民地重要性进行综合评价；最后基于距离约束Delaunay三角网开展迭代选取。试验结果表明，本文方法能够兼顾居民地的密度特征与网络特征，选取结果与道路网结构吻合良好，较好地保持了要素间的地理关联性，为居民地与道路网的协同综合提供了新思路。然而，本文方法需要人工设置的参数较多，对制图经验与学科知识有较高要求。此外，居民地的空间分布还受水系、地形等要素不同程度的影响，未来需要研究更多要素共同约束下的协同选取方法。

作者简介

第一作者简介：
吕峥(1996—)，男，博士生，研究方向为多源矢量数据融合与制图综合。E-mail：lvzheng_xd@163.com

通信作者：
孙群, E-mail：@163.com

初审：张艳玲

复审：宋启凡

终审：金君

资讯

免责声明：本站所有文章内容,图片，视频等均是来源于用户投稿和互联网及文摘转载整编而成，不代表本站观点，不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益，请在线联系站长,一经查实,本站将立刻删除。本文来自网络,若有侵权，请联系删除，如若转载，请注明出处：https://yundeesoft.com/159443.html

信息工程大学吕峥：复杂网络视角下的居民地选取方法 |《测绘学报》2023年52卷第5期

引 言

作者简介 第一作者简介： 吕峥(1996—)，男，博士生，研究方向为多源矢量数据融合与制图综合。E-mail：lvzheng_xd@163.com 通信作者： 孙群, E-mail：@163.com 初审：张艳玲 复审：宋启凡 终审：金 君

相关推荐

发表回复

引言

作者简介

第一作者简介：
吕峥(1996—)，男，博士生，研究方向为多源矢量数据融合与制图综合。E-mail：lvzheng_xd@163.com

通信作者：
孙群, E-mail：@163.com

初审：张艳玲

复审：宋启凡

终审：金君