空间目标的形状化简是地图综合领域的一项重要研究课题,涉及空间认知、空间相似性度量等地理信息科学的核心问题。作为地图中广泛存在的地理要素——建筑物,对其进行形状化简一直是大比例尺地图综合的重要环节。形状化简主要有两个连续的步骤:描述和化简。其中,建筑物的几何形状复杂多变且难以描述,不同的描述方法又对应不同的化简策略,因此,建筑物的形状化简也是较为困难的环节。传统方法在度量建筑物要素的几何形状时,采用若干形状描述子分别度量形状的某一特征,或构建某种严格的数学函数和统计方法来逼近形状轮廓,这些方法未能很好地考虑人类在空间认知过程中的视觉因素,且这些视觉因素的识别方法需要人工进行设定和干预。另外,针对这些传统的形状描述方法,其化简策略同样未考虑视觉因素,具有一定的局限性。鉴于此,本文基于机器学习的相关算法,构建一种能够识别建筑物形状中视觉因素的几何描述模型,同时提出对应于这种模型的形状化简方法。论文取得的研究成果及创新点包括以下3个方面:(1)基于深度卷积神经网络的图像特征自学习特性,结合自动编码机的非监督学习能力,构建基于机器自监督学习的建筑物几何形状描述模型。其基本思路是,在自动编码机的结构上,嵌入深度卷积神经网络,使得自动编码机的编码器和解码器均能利用卷积运算探测建筑物形状特征。(2)基于(1)构建的模型,提出了基于人类空间视觉认知的建筑物形状特征描述方法。具体来说,利用形状描述模型的编码器和解码器分别对形状数据集进行特征探测和重建,从而获得编码器计算得到的形状特征集。这个特征集作为输入待化简形状的一个抽象特征描述,为化简模型提供参考。(3)根据空间视觉认知规律,提出了基于认知模板匹配的建筑物形状化简方法。基本思路是,分析视觉认知的特征要素,并按照认知分类的方法构建建筑物化简模板形状;然后,利用形状特征集之间的相似度度量匹配模板对象;最后,利用匹配模板对待化简形状进行放样化简。本文利用真实建筑物形状大数据,对机器自监督学习的形状描述模型进行了训练,然后对两个模型进行了实验与分析。实验表明,本文构建的形状描述模型能够很好地探测出任意建筑物的形状特征集,结果符合人眼视觉认知,一定程度上克服了特征定义的人工干预缺点,且该方法形状度量区分度高;基于模板的建筑物形状化简模型构建了符合空间视觉认知的模板对象,根据形状特征集度量的相似模板对象具有很好的视觉匹配度,且实验区域多数形状得到很好地化简,效果较为理想。两种模型的实验结果符合空间视觉认知习惯,这种结合以直观的方式较好地解决了大比例尺下建筑物形状的化简问题,为机器学习在地图综合中的运用提供了一定的参考价值。