道路作为地图中的关键要素,无论在社会生活还是军事领域中都扮演着重要作用。由于道路形状的差异性、等级和种类的多样性、空间结构和关系的复杂性,导致其自动选取问题成为了制图综合中的重点和难点,因此研究道路网自动选取问题具有重要的理论和实际意义。从理论层面来说,研究道路网的自动选取将有益于丰富自动制图综合方法理论,同时可以为地图中其他线要素的自动选取提供新思路。从实际应用层面来说,实现道路网的自动选取可以减少大量的人力物力,提高地图的更新速度和制作效率,满足人们更加复杂多变的应用需求。目前来看,道路网选取的自动化程度不高,依赖人工的主观因素较多。基于图论的自动选取需要深入了解道路各个特征之间的相互作用并人为制定选取规则。基于传统神经网络的方法需要人为对道路的空间信息进行提取,大大增大了选取过程的复杂性和主观性,导致了空间信息不能被充分利用。图卷积网络(GCNs)把图论与神经网络进行了有效结合,能够通过图卷积来自动提取道路的空间信息,减少了人工构建空间特征的过程,实现了在图上端到端的学习。基于道路网本质也是一种图数据结构考虑,本文把道路网选取问题转化为图上的节点分类问题,应用GCNs来进行道路网的自动选取。本文的主要研究包括:(1)图卷积网络的深度化。GCNs的过平滑性使得叠加的图卷积层通常不能太深,这大大限制了GCNs利用道路空间信息的能力。本文研究了基于跳跃知识网络(JK-Nets)、残差连接和密集连接的深度化方法,并通过对比实验对这些深度化方法在道路网选取问题上的有效性和适用性进行了深入分析。(2)模型的构建。随着近年来GCNs的迅速发展,衍生出了众多的图卷积方法。本文首先从图信号处理出发,介绍了各种图卷积方法的基本原理。然后基于图卷积原理和深度化策略设计了模型的架构,并在实验阶段对不同的深度化图卷积模型进行了实现、训练、预测和评价。(3)选取结果的评价。本文对模型的预测结果进行了两个方面的评价。一是评价了不同模型的泛化能力,考虑到正负样本的不平衡性,本文使用了不受样本类别分布影响的AUC(Area Under ROC Curve)作为评价指标。二是评价选取结果的合理性,以专家选取结果为标准,计算道路线密度、准确率等评价指标。研究结果表明,图卷积不仅能利用道路已有的语义几何特征,并且能有效提取道路的空间信息,从而在道路具有较少信息情况下做出更加准确的预测。深度化方法可以使得模型叠加更深的图卷积层,从而提取更广范围的空间信息。本文对不同深度化图卷积网络模型在小比例尺道路网上进行了对比试验,其中图注意力网络(GAT)相比其他GCNs模型选取效果更好,JK-Nets相比其他深度化方法提升效果更为显著,准确率最高达到了88.12%。