地图是对客观世界的一种抽象表示形式,是空间信息存储、传递的最主要媒介,在人类的生产生活中扮演着重要作用。特别是地理信息技术愈发成熟的今天,无论是日常出行、农业生产还是交通运输、城市规划等,地图都是不可或缺的。为满足人类活动的需求,对地图比例尺的要求越来越多。同时,随着人类社会的高速发展,地图更新变化越来越快,这对地图时效性的要求也越来越高。如果制作高时效性的不同比例尺地图,无疑需要投入大量的人力、物力、财力。因此,地图自动综合的研究就显得尤为重要。地图自动综合是指通过选取、化简、位移等算子,使计算机实现不同比例尺地图的自动变换。本文主要研究点群要素及线状要素的自动选取,研究内容主要涵盖以下几个方面:(1)以居民点为例实现点群要素的自动选取。本文以海淀区居民点为实验数据,同时获取居民点的人口密度数据与居民区面积数据。利用凸壳算法将点群分为内部点集与外部点集。外部点集用Douglas-Peucker算法实现点的选取,内部点集用自组织映射神经网络(Self-Organizing Maps,SOM)算法进行空间聚类。以居民点的人口密度属性与居民区面积属性作为权重,实现内部点集的自动选取。最终得到总体点群的自动选取结果,并对选取结果从统计信息、专题信息及度量信息三个方面进行评价。(2)以河系为例实现线状要素的自动选取。本文以1:150万比例尺丹江河系为实验数据,用河源向下追踪算法构建河流实体与河系树,再根据构建的河流实体与河系树计算每条河流的长度、层次及河流等级。然后,设计出能够同时顾及以上三种指标的亲和度函数。最后,利用免疫克隆选择算法通过编码、克隆选择、变异等操作,得到最优解即最优选取方案。并通过对比人工选取结果评判自动综合质量。本文的研究结论如下:(1)加入人口密度属性与居民区面积属性作为权重的居民点自动选取方法,更符合实际选取需要。(2)SOM算法可以很好地确定哪些点之间产生“竞争”,从而实现点群的选取。(3)将线状要素自动选取问题转化为最优化问题后,免疫算法非常适合求其最优解。