图对比学习支撑下的矢量建筑物形状相似性度量

建筑物作为基础地理要素的重要组成部分和空间研究的主要对象，其形状相似性度量为建筑物空间模式识别、查询、匹配、检索和制图综合提供技术支撑。然而，现有的矢量建筑物相似性计算方法还存在以下不足：

（1） 传统的矩变换和傅里叶变换方法通常捕获建筑物几何轮廓的全局特征，但可能忽略局部特征，而转角函数专注于局部特征却忽略形状的整体信息；

（2） 目前的基于监督学习的建筑物相似度计算方法需要大量的标注数据，成本较高。

本文提出一种图对比学习模型支撑下的建筑物形状相似性度量方法，将建筑物形状映射为图进行相似性度量，结合建筑物几何轮廓的语义信息，提高了相似性度量的准确性，实现了建筑物形状的描述。具体包括以下步骤：首先，构建特征图以描述建筑物形状的结构特征；然后，利用编码器将建筑物形状转换为特征向量表示；最后，通过余弦值度量建筑物形状之间的相似性。具体框架如下图所示：

建筑物相似性度量框架

本文基于图对比学习模型，依赖于图增强方式下的形状特征编码表示，以形状编码间的余弦值来度量建筑物形状之间的相似。因此，本实验从模型图增强方式和特征贡献度和节点方向等方面对模型的性能进行了讨论和分析。为了进一步验证本文方法在建筑物形状分类和相似性度量的可行性，在OSM选取香港3个地区的部分建筑物作为试验区域进行验证。

图增强是图对比学习框架中非常重要的组成部分，可以为图提供更加丰富的上下文信息，有助于学习高质量的表征。本文通过对不同的图增强方式进行组合实验，得到了不同的数据增强方式对实验结果的影响。不可否认的是，数据增强方案带来了效果的显著改进。具体的图增强方式组合实验结果如下图所示。

图增强方式组合的结果

（2）特征贡献度和节点方向分析

特征和节点方向分析

形状分类结果统计

对矢量建筑物形状进行分类和相似性计算可以更好地理解和认知地理空间实体。本文提出了一种基于图对比学习模型的建筑物形状相似性度量方法，利用图结构和图增强策略实现建筑物形状的深层次信息获取，从而为建筑物形状相似性度量带来更好的认知支撑。研究结果表明：

（1） 本文方法的试验准确率达到96.7%，优于传统方法；同时本文图对比学习方法优于自编码GCAE方法，能够提取建筑物形状的深层次特征，适用于较复杂形状分类。

（2） 图增强方式使得图对比学习模型可以学习到形状的上下文信息，有助于学习高质量的表征。并进行了特征贡献度实验分析，得到了不同特征对矢量建筑物相似性计算的贡献度。

（3） 选取了香港3个典型建筑物形状试验区进行形状分类和形状匹配试验，整体的形状分类准确率为95.7%，并对9个典型形状进行相似性匹配，结果显示同类形状的相似值远大于非同类形状，体现了本文方法对于形状的深度信息提取更准确，形状间的相似性大小与形状类别具有较高的一致性。