河网专题制图综合就是将河网大比例尺地图缩编至小比例尺地图的过程,其目的在于让使用者在不同尺度下都尽可能清晰地辨别地图中的要素。综合的关键步骤是选取与化简,其中河网选取时需要考虑的因素众多,并且这些因素与河流取舍之间的关系是模糊且复杂的,很难用确定的模型去表达,而机器学习方法以其强大的知识获取能力为河网的自动综合提供了新的思路。近年来,机器学习方法在河网水系专题要素制图综合中的应用也逐渐增多,但是这些研究往往局限于一种机器学习方法,在特定的数据集中验证单个方法的可行之处。本文应用BP神经网络(BPNN)、支持向量机(SVM)和决策树三种机器学习方法,深入对比分析了不同方法在河网自动综合中的应用效果,并研究了河网线状要素的化简方法。主要包括以下研究工作:(1)河网特征分析以及选取指标确定。通过总结河网综合中的专家知识,参考相关研究成果,从空间特征、几何特征以及质量特征三个方面进行了概括。空间特征包括河流所属流域、河流等级、河流主支流信息等;几何特征包括河流长度、河流流向、河流夹角等;质量特征包括河流与水库、湖泊的连通关系、河流时令性和通航性等。结合本文的研究探索,确定河流长度、河流等级、河流间距、时令性、连通关系、汇水面积、下一级支流数、总支流数等8个参数作为河网选取的指标。(2)研究了河网数据的结构化表达方法。在地理空间数据库中,河网以河段形式存储,而制图综合是面对河流实体进行操作,因此首先对河段进行组织,建立河流实体;在此基础上,采用Horton方法对河流实体进行编码,该方法既能反映河流的等级关系,也可以描述河流深度。(3)研究并构建了基于三种机器学习方法的河网选取模型。研究了三种模型的构建方法,包括BPNN的层数、神经元个数和训练函数等参数的设计,SVM的核函数选择以及相关参数确定,决策树的生成与剪枝,根据上述方法采用真实河网数据对各个模型参数进行选择及优化。(4)对比分析了三种机器学习方法的优缺点及其适用性。采用国家基础地理信息中心公开发布的矢量河网数据,以1:25万比例尺到1:100万比例尺地图的综合为例,分别采用三种方法进行实验,并将综合结果与实际1:100万比例尺地图进行对比,从选取结果的正确率、数据处理、调参难度、样本数量敏感性、模型的解释性等多个方面综合评价了三种机器学习方法的性能。(5)研究了以弯曲为基本单元的河网线要素化简方法。针对传统方法对线要素地理特征保持方面的不足,参考近年来的相关研究成果,本文以弯曲为基本单元对线要素化简进行研究,提出了基于简单多边形内角和判断的弯曲识别方法,该方法以简单多边形内角和定理作为判别标准,对弯曲与基线围成的多边形内角和进行计算,判断弯曲的划分是否完整;对于弯曲识别结果,设计了考虑弯曲面积、弯曲基线长度的弯曲取舍方法。通过以上研究,结果表明本文采用的8个河网选取指标可以较为全面地反映河网特征,且河网的结构化表达能够满足河网综合的需要。另外,对三种机器学习方法进行实验及对比分析发现,SVM模型更适合于小样本下的河网选取;在数据处理及调参难度方面,BPNN与SVM模型较为严苛,决策树模型的实现相对简单;在模型解释性方面,决策树方法由于其可视化的树结构及可导出规则的特性而占据独特优势。最后,采用本文提出的弯曲识别方法对弯曲的划分在视觉上符合人们的认知,且化简结果较好地保持了线要素的地理特征。