基于Delaunay三角网与Voronoi图的建筑群邻近关系相似性计算方法

本文主要探讨了建筑群邻近关系相似性计算的方法，针对空间对象的邻近关系在地图综合中的重要性，特别是在处理建筑群这一对象群体时。研究者以2012年的论文《建筑群邻近关系相似性计算》为背景，该论文发表在武汉大学学报·信息科学版上，作者孟妮娜、艾廷华和周校东分别来自长安大学地质工程与绘学院、武汉大学资源与环境科学学院和西安测绘研究所。 论文的核心内容建立在相似性理论基础上，通过运用计算几何中的Delaunay三角网和Voronoi图这两种工具。Delaunay三角网是一种空间划分方法，它将空间中的点组织成一个三角形网络，每个三角形都包围着一个点，确保任意两点间的最短距离到最近的边。Voronoi图则是Delaunay三角网的对偶，它表示的是每个点对应的空间区域，其边界是由该点与其他所有点之间的最短距离决定的。 论文提出了两个邻近关系相似性模型：一是基于相同特征量的模型，这个模型关注的是建筑群在共享特征（如建筑类型、规模、功能等）上的相似性；二是基于等距离关系曲线的模型，这个模型更侧重于通过测量建筑群之间的实际空间距离来评估邻近程度。这两种模型旨在提供一种量化的方式来判断和比较建筑群在空间位置上的邻近性变化，这对于地图综合中的空间关系一致性至关重要。 在地图综合过程中，通常能够较好地保持拓扑关系的不变，但几何邻近关系的定义和变化却容易受到环境影响，不确定性较大。因此，通过邻近关系相似性的定量计算，可以有效评估在移位操作后空间关系的变化程度，这对于选择合适的综合方案，确保综合前后空间关系的一致性具有实际价值。 此外，论文还引用了心理学家的观点，强调相似性判断在人类认知中的核心地位，暗示在地理信息系统（GIS）中，理解并准确量化建筑群邻近关系的相似性有助于提高用户对地图数据的理解和应用效率。 这篇论文为解决地图综合中的空间关系问题提供了实用的数学工具和理论框架，对于地理信息科学领域，特别是城市规划和地理数据分析有着重要的实践意义。