论文部分内容阅读
地理标记语言（Geography Markup Language，GML）是由开放式地理信息系统协会（Open Geospatial Consortium，OGC）提出的一种以文本方式表示地理空间信息的语言，它能够表达和传递地理空间对象的空间数据和非空间属性数据。但是，在对空间知识的表达中，不可避免的会存在许多模糊的信息，特别是对于那些在文本模式下的表达式，这种模糊性也变得更加广泛。因此，本文采取将模糊数学中的Vague软集理论和GML相结合的思路提出基于Vague软集的GML模糊扩展方法，以解决GML模糊信息的表达问题。本文研究工作主要包括： （1）研究GML基本知识及GML解析方法。GML具有纯文本、可扩展、可共享、易集成、易编辑、易转换、易读取、易传输、可粒状更新等特征，而要素模式、几何模式、拓扑模式和时态模式等四种模式为GML的基本模式；研究解析GML文档的方法，主要为Java中四种主流的解析方法，包括DOM、SAX、JDOM和DOM4J，并对这四种解析模型在读取方式、优势及劣势上的异同点进行了比较分析。 （2）研究Vague软集基本知识及Vague软集相似度量。引入Vague软集模糊理论以实现GML的模糊扩展；运用Vague软集相似度量以实现选址决策模型的构建。 （3）构建Vague软集GML模型。使用Vague软集来表示地理空间信息的模糊性，引入与Vague软集相关联的VagueSoftSets、Field、SoftSet、VagueSet和Distribution五个自定义元素，并相应地修改这些自定义元素的DTD、Schema以适应这些自定义元素。当GML提供的类gml:AbstractFeatureType不能满足实际建模的需要时，需要自定义新的基类。Vague软集GML DTD和Schema模型的建立，为解决GML模糊信息的问题提供了一条途径。 （4）将构建的Vague软集GML模型应用于选址决策中。结合Vague软集GML模型，得到选址决策模型的GML表达一般形式。在ATM网点选址和地震移民选址决策应用中，根据选址的评价因素权重，通过Vague软集相似度量计算候选方案与理想方案之间的相似度量，然后利用构建的基于Vague软集的选址决策模型计算候选方案的综合评价值，从而得出最优选址方案。对比实验结果验证表明，该模型有效、可行。