地图制图综合，是指在大比例尺空间数据缩编为小比例尺空间数据时，对空间数据进行抽象、概括的工程、技术和科学，它是空间数据尺度变换、集成与融合、分析与挖掘等的基本手段之一。因其复杂性和求解的困难性，无论过去、现在或将来，制图综合都是现代地图学中最具挑战性和创新性的研究领域。

制图综合的概念1921年由Eckert首次提出^[1]，经历了由把制图综合作为“主观过程”到作为客观的科学制图方法，由制图综合的定性描述到定量描述，由地图模型到基于模型、算法和知识的自动制图综合，由追求制图综合的全自动化到人机协同，由孤立零散的模型算法研究到把自动综合作为一个整体的过程控制^[1]等一系列的变革与发展。近百年的历程中，国内外学者针对制图综合这一地图学领域的核心问题已经开展了大量的研究工作，并取得了丰富的研究成果，对推动制图综合的发展做出了重要贡献。这一过程大致分为两个阶段：手工纸质地图制图时期制图综合理论与方法的形成^[2-3]、完善和系列编绘规范的制定，为后继的自动制图综合开展奠定了理论和方法的基础；而20世纪60年代计算机数字制图的全面开展，将自动制图综合的研究推上了快速发展的道路。

本文旨在对近50年来制图综合的发展历程进行梳理，试图从制图综合知识的分类与获取、制图综合的算子与算法、制图综合的质量评价、制图综合的过程建模与控制4个方面，对自动制图综合发展的研究脉络进行回顾和总结，并对未来的发展方向进行探讨。

1 制图综合知识的分类与获取

制图综合的难度和复杂性集中体现在它对人类思维活动的高度依赖，而人类在实施制图综合时的思维活动又具有主观性、灵活性，其判断标准具有模糊性，因此，制图综合中的问题并非都能模型化和算法化，建立制图综合的指标体系和知识法则成为必然。

1.1 制图综合知识获取

制图综合的知识，是对制图综合中处理某些问题的规范化描述，是一种序列化的共性与隐性综合规则的集合^[9]。制图综合经过多年发展，经历了从“几何视角→计算视角→功能视角”的转变^[4-6]，知识和语义信息越来越受到重视^[7-8]。计算机条件下的自动综合，本质上是一个高度智能化的系统，就是在制图综合知识等的支持下，通过大量的循环和自动判断来寻求满意解，对知识重新表达和抽象的过程，从而达到制图综合的目的。因此，知识是制图综合过程的基础^[9]，可为制图综合的算法提供参数支持，为质量评价提供约束条件，为制图综合过程控制提供依据。

地图制图和编绘规范以及教材、著作和学术论文、各种综合样图等，都是制图综合的主要知识来源。制图综合知识的分类、获取和形式化表达至关重要，如何获取综合知识进而形式化表达是其中的难点和重点。

制图综合知识的分类是整理与描述的基础，有多种划分方法。例如，知识依据其覆盖范围可以划分为全局型、局部型和单目标知识，按照其来源可以分为逻辑型和经验型知识等。对于制图综合知识而言，许多研究者认为，约束条件是制图综合知识的重要存在形式。根据性质不同，制图综合约束条件可以被划分为4个部分，即图形约束、拓扑约束、结构约束和过程约束等^[10-12]；从操作过程来看，制图综合知识可分为5类，即地物的地理特征描述性知识、操作项选择知识规则、算法选择知识规则、面向专门地理要素和制图综合知识规则、面向区域综合知识规则^[13]。

制图综合知识的获取问题早有研究^[14]。总的来说，尽管制图综合知识获取具有很大的难度，但国内外专家学者仍做出了不少卓有成效的工作。目前，制图综合知识的获取途径主要有：专家会面交流法^[15]、逆向工程法^[16]、观察记录法^[17-19]、机器学习法^[20-24]等。一般情况，地理目标和现象的描述都可以归入制图综合知识的范畴，如曲线形态描述、等高线簇的空间关系、点群/线群/面群的分布特征识别等。

知识的形式化表达方式很多，如面向对象、产生式、语义网络、框架、Petri网、元组等，运用最多的是产生式规则和元组。例如，将制图综合规则由一个六元组(〈层代码〉，〈操作算子〉，〈属性码〉，〈指标项〉，〈指标下限〉，〈指标上限〉)表达，用以描述所有的综合规则^[25]；将制图综合知识分类获取，用产生式规则描述结构化知识和知识属性，建立知识库，用于制图综合过程控制与推理，并可进行知识库与XML文件的互换，使得访问远程知识非常方便^[9]。

上述研究从不同角度探讨了自动综合过程的综合规则与知识，对推动制图综合系统的智能化研究研制奠定了基础，而不断进步的人工智能技术，也将制图综合知识的获取、表达和应用等推上快速发展的道路。

1.2 空间分布结构特征的识别

从某种意义上说，地图要素空间分布模式的识别与挖掘，也是获取知识或知识增强的一种手段。

地图空间模式是核心地理要素在空间分布形态上表现出的可以明确命名且能够识别的形状或排列^[12]，其探测和分析是地理信息科学的基本问题之一，是挖掘隐含的空间知识、增强现有数据的重要手段。

目前国内外关于地图空间结构模式识别的研究尚处于起步阶段，提出的识别方法较少。点模式特征属于空间统计范畴，目前地图制图学界针对地图空间结构模式的研究主要是线要素模式和面要素模式。

线要素模式的研究以道路网为代表。基于图论定量描述城镇道路网结构，可将其分为具有代表性的Stroke、Grid、Star、Ring等4类^[26-27]。Stroke因能很好地保持道路的整体连贯性而成为最基本的模式，并可用于探测其他模式，因此该模式的研究居多。提取道路Stroke的判断标准主要有属性、方向和趋势等的一致性^[28-30]。网格模式形状趋于矩形，由一组近似平行的道路与另一组近似平行的道路，以近似垂直的方式相交构成。网格模式的经典方法是综合考虑网眼间的相似性，通过相邻网眼的排列一致性、形状相似性和网眼自身形状指标等，完成网格模式的识别^[26-31]。网格模式还有采用Hough变换^[31]、空间句法和网络中心性度量评价^[32]、顾及上下文关系的形状参数分类^[33]、自组织映射^[34]等的识别方法。星形模式由一个近似源点及辐射路段组成，可基于Dijkstra算法识别^[26]。环形模式由呈闭合环路的Stroke组成，可基于Tukey深度和几何仿射不变量来进行识别^[27]。对于大比例尺道路数据中的双行道、环状路口、立交桥等复杂结构，主要通过对其复杂结构进行特征识别来处理^[31-35]。应用上，许多学者通过识别道路网的分布模式进行路网简化、综合与匹配^[36-42]。

面群要素模式的识别以建筑群为代表，其模式分为线型(直线型、曲线型和沿道路型)、非线型(网格型和不规则型)。从研究内容和成果看，主要集中于建筑群分组和线型模式识别等两类。方法上，国内外多以Gestalt视觉分组原理、图论和计算几何为基础。近年来，许多文献[43-52]大都首先基于Gestalt视觉完形原则的邻接性、相似性、闭合性、方向性等法则，提取面要素的形状描述参数，如建筑物的密度、大小、方向等；然后，利用Delaunay三角网或Voronoi图探测捕获空间相接、邻近等关系，生成空间邻近图；最后，基于最小支撑树、图匹配、图聚类等图论算法，划分建筑物的聚类分组情况。

制图区域的地理特征是决定制图综合的客观依据之一。上述方法挖掘出的空间分布模式，反映的就是要素分布的地理特征。

2 制图综合的算子与算法

要想实现自动综合，那么制图综合的各种方法必须转化为一系列计算机可执行的步骤，这些步骤即由制图综合算子来定义，如选取、化简、合并、位移等。每个制图综合算子，都必须由制图综合算法来实现。通常一个制图综合算子可以由多种算法来实现，这些算法所要达到的目的是相同的，但实现的方法却各具特色。

制图综合算法是几何变换的工具，因而必须是精确的、清晰的、可以被计算机执行的。

2.1 制图综合中几何变换的算子

制图综合算子用来定义制图综合中几何变换的各种方法或操作^[53]。制图综合过程中的操作步骤分解越细(当然要合理)，自动制图综合的实现相对地越容易。因此自动综合过程是一系列有序算子的联合，各个算子之间既有联系，又相对独立，完备的自动综合算子集合要涵盖整个制图综合过程。

传统的制图综合，主要是通过选取、化简、合并、概括(数量、质量上的分类分级及图形等级转换)和位移等方法实现，特定情况下辅以夸大和分割^[3]的方法。基于此，不同学者对制图综合的过程提出了不同的算子分解模式，例如：分类、归纳、化简和符号化的4算子模式^[54]，聚合、合并、化简、移位和选择性删除的5算子模式^[55]等。由于这几种算子过于抽象且不便于在计算机上实现，人们期待着更为具体的综合算子的提出。

从20世纪90年代开始，研究者便试图提出更为具体的综合操作，例如，9算子模式^[56]、12算子模式^[57]、基于ARC/INFO建立的Gentool中的7算子模式^[58]、MGE中的9算子模式^[59]和20算子模式^[60]等。国内学者也对该问题进行了相关探讨^[61-63]，都提出了相应的算子模式。

由于人们对综合算子的划分认识还很不统一，有些作者用不同的词语定义相同的算子，而有的作者则用不同的定义来说明一个相同的词语，对交互综合的制图工作者进行的一项调查也发现，综合算子的定义和分类并没有统一的意见^[64]。作为最详细的综合算子划分，表 1的工作最具代表性^[53]，其中还包括了三维要素的综合算子。

每一个制图综合任务往往都需要多个算子协同工作，制图综合算子的关联性和有序性有着重要的作用。算子的关联性主要表现在综合过程中算子作用效果的互补；有序性是指不同的地图要素，综合算子的运用顺序有所不同，而且同一综合对象，综合算子运用的顺序不同，综合结果也会不同^[60]。为此，有学者开始尝试不同算子协同的方法进行综合^[65-66]，以提高自动综合的效率。由此可以看出，加强算子的有效协调和协同，提高算子的使用效果，设置合理的算子执行顺序，是制图综合得以正确进行的前提。

2.2 选取算子

选取通常是制图综合最先进行的步骤，是在对地物进行分布特征、重要性评价的基础上，根据载负量等计算选取数量并对大量地物进行取舍的过程。

选取研究的重点是考虑上下文的复杂群组要素的取舍，此类研究包括3类：点群状、线网状和面群状要素分布的选取。

2.2.1 点群状要素的选取

点群状要素分布的代表是居民地记号房和水深注记的选取，研究大多集中于此。

选取首先要解决的问题是选取多少，主要由地图比例尺界定的地图载负量所决定。选取有比较严密的数量的规定性，选取数量指标的计算方法，常用的有相关分析和回归分析方法^[67]、开方根规律法^[68]、地图适宜面积载负量法、等比数列法^[69]等。其中，点群状地物的选取以开方根规律法及其改进居多。

确定选取数量后，选取哪些成为关键。取舍时主要以保持点群的空间分布特征为重点，如整体分布数量指标、分布范围、分布结构特征和分布密度等参考特征。在点群状居民地的选取中，代表性成果有：圆增长算法^[70-71]，模糊综合评判方法^[72]，遗传算法方法^[73]，弹性力学方法^[74]，Kohonen网络方法^[75]，采用Rough集简化属性知识的方法^[76-77]，基于Vorinoi图用于结构化简的方法^[78-79]，凸壳方法^[80]，及基于三角网用于区域化的方法^[81]等。这些方法大多侧重于获取点群分布的密度中心、外围轮廓形态等，以便保持综合前后空间分布特征的一致性。

水深是地图上用于表示海底地形走势的离散点群，是采用“以点代面”反映海底地形的一种方式。不同于一般地图中的点状要素，水深综合需要顾及的因素更多，既要考虑密度、空间分布的整体性和结构化特性，也要考虑特征点选取、通航能力、海底地形正确显示、特殊海域的地形走势和范围等，因此，“取浅舍深”“深浅兼顾”, 尽量保持菱形分布、反映分布密度和分布结构特征是其取舍的基本原则，对航行安全有重要影响的水深点要优先选取。顾及这些基本原则和要求，水深选取近年来也取得了较多的成果，典型的如人工神经元网络^[82]、专家系统^[83]、Delaunay三角网^[84-85]、深度影响圆^[86]、地形分区^[87]等方法，此外，顾及等深线协调^[88]、水深控浅^[89]等方法，使得研究更加细致和深入。

2.2.2 面群状要素的选取

面群状要素又分为离散的和连续的两类。离散面群(典型如呈景观分布的小湖泊群)的选取多可看作是点群状，采用与点群状类似的选取方法。连续面群(典型如大比例尺图上的城市街区、植被、土地类型等)通常不取舍，而是合并，其方法参见2.3节。

2.2.3 线网状要素的选取

线网的典型代表是道路网和河(渠)网。

道路网的选取，从处理手段上看，除语义信息完整情况下的简单选取^[90]外，主要有两类：一是基于几何、拓扑以及图论的选取，关注的是道路网的整体形态。如综合考虑道路网眼密度的选取^[91]，基于拓扑相似描述的选取^[92]，基于图论的选取^[93-95]，基于Stroke的选取^{[28, 96-97]}等。这里，在Stroke基础上的改进方法最多，如：将Stroke与道路网结构特征识别、极化变换三者结合以弥补零散道路选取不足^[98]，改进传统的Stroke资格排序并加入等级和空间邻近关系约束的道路抽样删除^[40]，Stroke与中心性结合的路划功能评价^[39]，计算Stroke中介中心性进而划分Stroke层次的^[42]道路网选取方法等。二是考虑到道路网选取的复杂性，将智能模型尝试引入到道路网的选取中。如基于遗传算法^[99-100]、基于案例类比及案例归纳推理^{[24, 101]}等道路网智能选取方法。在案例学习的道路网选取方法中，记录制图专家的综合结果作为案例库，采取自主学习、推理的方式生成规则，再依据获取的案例模型和推理出的规则，对相同或相近类型道路网进行类比和推理选取。这些都有利推动了自动综合智能化的发展。

地图上河系的空间分布是多种多样的，具有不同的空间形态和空间关系表达方式。河系的结构化是获取河系知识的基础和选取的前提。传统的河系结构化算法^[102-105]基本上都以河系视觉形态效果为目标，结构化的对象通常都是形态比较简单的单线河河系。由于地图中的河系非常复杂，单线河与双线河、河流与湖泊水库等面状水系要素必须一体化考虑，这样结构化的河系数据才能满足自动综合的需要^[106]。河系网的综合方法主要有：基于河系树和网络特征的河网选取法^[107-108]、逐层分解选取指标的河系简化方法^[109]、基于知识推理的河网选取法^{[102, 110-112]}、考虑多因子影响的河网选取法^[113]、基于遗传算法的河系选取^[114-115]等。

2.3 化简算子

化简是简化物体的内部结构和外部轮廓，去掉制图对象轮廓形状的碎部而代之以总的图形特征的一种方法，尽量保持与地图比例尺的表示能力相适应的基本地理特征是化简的基本原则，采用的基本方法是删除、夸大、合并和分割。

2.3.1 线要素化简

线要素化简是自动制图综合中的重要研究内容和经典研究问题之一。

早期线化简方法主要以节点作为化简的基本单元，通过节点数量压缩实现线要素简化^[116-119]。随着对制图综合中尺度效应研究的深入，比例尺取代节点压缩率成为线化简中节点取舍的主要控制条件^[120-122]，曲线化简开始区别于单纯的数据压缩而逐渐服务于制图综合应用。节点压缩式的曲线化简方法的效率相对较高、稳定性好，合理改进后^[123-126]化简效果还能进一步优化，至今仍是诸多制图软件中的重要化简工具。除节点压缩外，插值变换^[127]、光滑^[128-129]等也能够实现线要素化简。早期线化简研究以单一线要素为化简对象，以开发通用化简算法为主。

对线要素结构特点的深入研究发现，线要素蕴含地理特征上的结构化信息主要通过弯曲进行表现^[130]，以弯曲作为线要素化简基本单元既符合认知规律又利于地理特征保持。基于弯曲的线化简方法在弯曲单元划分^[131-134]的基础上依尺度需要对弯曲进行取舍、夸大、插值、光滑、压缩等^[135-138]来实现线要素形态的简化，这类化简方法摆脱了单纯的数据压缩，开始探索模拟人工综合的过程。基于该思想的线要素化简，或针对不同地理线要素如海岸线^[135]、等高线^[136]、建筑物轮廓线(见下文)、道路^[139]等的几何、语义差异研究专门的方法，或针对同一线要素的不同应用需求、尺度范围、分段区间等研究特定的方法。线化简对象也不再局限于单一线要素，线簇化简^[140-141]、顾及与其他要素关系的线化简^{[66, 139-142]}也成为近些年研究的热点，线要素化简方法逐渐具有更高的实用性。

然而，线化简很大程度上依赖于人的主观意识，仅利用规则或函数并不能很好地模拟这一非线性过程，研究人员尝试利用人工智能方法实现线要素自动化简，如人工神经元网络^[143]、遗传算法^[144]、SOM^[145]、蚁群算法^[146]、模拟退火^[147]、多智能体^[148]等。智能方法的引入使线化简结果得到优化，化简对象也扩展至混合线要素^[149]甚至全要素。但是，当前研究智能化水平不高且缺少大数据量的试验与验证，方法稳定性、可控性都较弱，距离实现真正“智能化”的线要素自动化简还有较长的路要走。

2.3.2 多边形化简

多边形化简包括内部结构的化简和外围轮廓的化简。内部结构化简的基本方法是合并，特殊情况下辅以分割的方法。多边形合并与化简(外围轮廓)是自动综合最常用算子之一，居民地、植被等地图要素的综合都离不开它，多数研究工作以大比例尺居民地作为研究对象。

多边形化简的实现方法大体有3类：栅格方法、矢量方法和栅-矢结合方法。

栅格方法用于多边形化简的典型代表是基于数学形态学的方法^[44-150]，通过数学形态学的膨胀、腐蚀、开运算、闭运算等各种基本运算及其组合，设计一系列栅格算法，用于面要素多边形的合并^[151-153]与外围轮廓的化简^[152]。

矢量模式下的多边形化简，应用较多的是Delaunay三角剖分(或Voronoi图)，通过构建三角网再逐个判别三角形类型获取多边形邻近区域进行合并^{[44, 81, 154-158]}。另外，渐进式^[159]、降维^[160]、最小二乘^[161]、邻近四点法^[162]、模板匹配^[163-164]等方法也有用来进行建筑物多边形的化简。而考虑多因子影响的地图居民地自动聚群^[165]，则在遵循Gestalt的邻近性、相似性和方向性原则基础上，用6个因子描述居民地结构、形态及其关系，进而进行建筑群的综合。

利用栅-矢数据各自特点进行多边形的合并与化简也有相关研究，如根据建筑物间的两种邻近关系，针对多边形之间拓扑邻近的建筑物多边形矢量合并、视觉邻近建筑物多边形栅格扩展合并，以及矩形差分组合的建筑物多边形层次化化简^[166]，基于数学形态学和模式识别的建筑物多边形化简^[167]等。

2.4 移位算子

比例尺的缩小，使得地图上的目标逐渐变得拥挤，从而出现地图符号之间的压盖、重叠等现象，这些符号间的占位性空间冲突，直接影响空间关系的正确性，破坏地图的清晰性和地图目标之间的可读性；同时，制图综合过程中很多算子的执行，都有可能产生空间冲突。移位即是解决地图要素间的冲突，尤其是占位性空间冲突的最基本也是最主要的算子。

位移的实现主要解决两大问题：冲突检测(定位空间冲突的位置和目标)和冲突消解(即移位，移动次要目标位置至无冲突)。为了更好地解决空间冲突，综合后的冲突检测非常必要，可以进一步判定有无位移后冲突的传播，必要时，还会对冲突目标进行取舍。因此，空间冲突的解决，通常并非可以一步完成，它往往会是一个循环、迭代的过程。

空间冲突探测方法主要有两类，一类是矢量方法，主要是通过符号的定位信息及符号集中符号尺寸信息，计算出目标间有无冲突的发生，例如直线求交、多边形求交等^[168]；另一类是栅格方法，通常是把矢量数据转换成栅格形式^{[150, 169-170]}，再用叠置分析的方法进行要素符号间的冲突探测。

目前常用的移位方法大致可以分为最优化方法和几何方法两类，也有学者将其分为增量移位和整体移位^[171]。最优化方法对应于增量移位方法，它迭代计算相邻目标之间的冲突并进行移位，直到所有冲突被化解。代表性方法有模拟退火方法、有限元法、弹性力学模型、能量最小的Beams模型、Ductile Truss模型、Snake算法、遗传算法等，例如：利用Beams模型对线、面要素进行移位^[172-175]，利用改进的Snake算法解决道路网冲突^[176-177]，利用遗传算法进行建筑群移位^[178]等。几何方法对应于整体移位方法，是指通过分析冲突区域内地图目标的环境上下文，利用几何方法一次性计算要素移动的距离和方向，并一次性执行几何变换，代表性的有：线线移位方法^[179]、建筑物移位模型^[180]及基于数学形态学^[170]、场论^[181-183]、三角网^{[154, 184]}、多层次移位^[185]、仿射变换^[186]的移位算法等。

然而，移位的方法仍有不足，比如多数的最优化方法中，原理和过程复杂，实现困难；模型效率较低，需要大量的计算资源，例如涉及大量的矩阵方程解算等；参数设置难以定量化，某些参数甚至没有直观意义，导致用户对参数设置比较盲目；而几何算法的收敛性不好，不能控制位移的传播，不可避免地会产生新的冲突。

3 制图综合的质量评价

随着算法和模型的积累，近年来逐步开始了空间数据尺度变换过程的智能化控制、综合结果的质量评定等深层次问题的研究。作为自动制图综合研究中一个重要而又薄弱的环节，综合质量控制的研究对于有效提高自动制图综合系统的正确率具有重要的意义。因此，从完整的角度来看，自动综合的基本功能至少应包括两个方面：一是能够进行空间数据不同比例尺间的制图综合变换，二是能够提供相应的质量控制标准，能对质量严加控制^[187]。评价的内容至少包括综合之前的启动条件评价、综合过程中的过程控制评价和综合后结果的评价^[188]。

制图综合质量研究在国内外也都处于起步阶段，主要研究进展体现在：自动综合的不确定性^[189-192]、自动综合质量评价策略与标准^[193-198]、自动综合算法质量评估^[199-206]、自动综合质量控制机制^{[7, 207]}和自动综合结果评估^[208-209]。

上述研究中，质量评价策略是制图综合质量研究的重点和难点所在，最具代表性的成果是由AGENT项目组归纳和总结的各种要素综合质量评价的标准体系^[193]。现阶段，质量评价策略的制定还主要停留在针对某一要素或者某一操作的研究上，其基本思想都是基于相互比较的观点，将综合后的结果与量化标准进行比较。但综合的有些内容如拓扑关系等，则是很难建立量化标准的，而且经过选取、合并、典型化等综合算子综合后，使得综合前后要素的对应关系变得异常复杂，评价综合前的原始数据与综合结果之间的要素对应关系就会非常困难。

综合算法的质量评估国内研究较多，基本都是通过几何精度、空间关系、结构形态、层次信息量等多种约束条件，建立定量的评价指标，对算法本身进行精度、形态、参数、适应性等方面的评价与改进。而综合结果的质量评价，除目前的一些基于约束的自动评价方法外，还应综合利用专家评价、可视化检查对比等，多方面对综合结果进行评定^[209-210]。对于自动综合软件的实现来说，建立顾及邻域要素上下文和适时质量评价的综合机制，则能有效支持综合过程结构和顺序的自动化与智能化，质量评价的优先级从高到低可按度量(参数)、算法、算子、地理特征和用途来区分^[7]。也有学者认为，建立自动综合的监控模型对综合行为进行监测与控制，是获得满意综合结果的有力保障，也是对综合过程的有效监督^[211]。

在质量评价中，制图综合规范的形式化对支持综合过程及其评价非常重要，但现有地图规范有些内容很难形式化和评价，因此需要尽可能精确、定量地描述如形状、模式、密度等地理分布特征，定量度量制图约束的变化范围，这实质上就是前述的制图综合知识获取和要素空间分布模式的识别问题。

4 制图综合的过程建模与控制

很长一个时期，自动综合研究大都关注于模型和算法，众多的综合算法只能处理特定环境下的特定问题且相互之间缺乏整体配合，处于零乱无序状态；专家系统在自动综合中的应用处于低谷，很难让人们看到其整体应用和全面解决的前景。究其原因，是没有把自动综合作为一个全要素、全过程、可控制的整体来研究。要实现把自动综合作为一个整体来研究，必须解决过程建模与控制问题。

4.1 制图综合的过程概念抽象与过程建模

制图综合的过程概念抽象模型(过程框架)是制图综合系统建设的核心指导思想和灵魂。这其实就是对“制图综合是一个什么过程”以及“如何描述该过程”这一制图综合概念层次上问题的研究。基于不同理论，不同研究背景的学者给出了各种不同的概念模型，也对应着不同的综合算子设计、综合约束分析、综合过程控制以及综合结果评价等。

制图综合过程框架的文献较多，面向过程模式的制图综合过程框架模型^[212]最具代表性，其主要过程包括：① 结构识别：识别制图对象聚合体及其空间关系；② 过程识别：选择并确定制图综合的操作项，选择数据操作的参数；③ 过程模拟：从“过程库”中选出并编辑知识规则和操作，利用规则和参数将不同的具体的综合算法链接到一起；④ 过程执行：执行综合操作的过程链，生成目标数据库或目标地图。有学者认为Brassel和Weibel模型是适用于制图综合专家系统的最好的模型^[213]。随着研究的深入，不断有新的模型提出，2W+H模型^[57]、三级结构化综合模型^[61]、基于知识和地理目标^[214]、系统式^[62]、协同式^[215]、模型综合^[216]、空间映射^[217]等制图综合过程框架，都是在过程模式框架模型上的进一步完善和丰富。

制图综合过程建模，要考虑的因素很多，例如：目标所在群组的整体环境，多算子算法的协同，算法的评估与选择，结果的评估、调整与反馈等。通过分析制图综合过程的概念模型，近年有学者认为，制图综合过程可以看作是一个两维的数据处理会话：数据维和过程维。数据维关注要素之间的关系，重点研究如何建立尺度内、尺度间和更新等3种数据关系^[218]。尺度内关系支持自动综合过程，并被尺度间关系关联衔接，共同用于自动增量更新。过程维则重点关注算子、算法等之间的关系。制图综合按功能层次可划分为会话、过程和操作。会话是指一个执行要素集变换的综合任务；过程通常是指明确定义的一个或者一组能够协同工作的综合算子；算子作为基础的原子功能单元，在数据维的层次上进一步分解综合过程，最终具体到综合算法上^[219-220]。

过程建模与控制的最终目的，是尽量达到制图综合的最优解。

4.2 制图综合过程控制

制图综合是一个极其复杂的过程。制图综合需要有一套能从全局把握制图综合整个过程的理论和方法，来控制制图综合的综合环境、综合算法和工作流程。只有充分合理地利用所有的模型、算子、算法和知识等，形成科学系统的运行流程，并对流程实行智能控制，自动综合系统的能力才能得到质的飞跃。这一过程就是自动综合的过程控制。

过程控制是实现制图综合最优解的关键。自动综合的过程模型——爬山模型^{[199, 221]}，从理论角度阐述了制图综合通过循环匹配来获取最优解的过程。这是一个较成功的制图综合模型，已被广泛接受。其他采用知识(约束)进行过程研究的项目，如欧洲的Clarity中，采用了Agent等技术开发制图综合系统，并把上述“爬山算法”引入系统的过程处理中，初步实现了对制图综合过程的处理和控制^[222]。

基于“自动综合链”的自动综合过程控制^[223]，通过自动综合链把所有自动综合算子、算法、模型、参数进行有机集成和融合，基于知识库和自动综合的质量评价，建立了自动综合过程控制理论体系，实现了自动综合过程的监测、循环、优化与控制，其中自动综合链的可视化编辑与回溯^[224]，可方便用户调试与交互，以获取任何区域被认为是满足用户需求的、逼近理想结果的最优综合链。甚至不同地理特征的区域，经过大量的试验和调试后，还可以建立分门别类的可视化自动综合链库，作为知识规则使用。“自动综合链”模型的提出，可以说是自动综合智能化发展的一个有益尝试。

5 制图综合的新变化

制图综合的思想贯穿整个地图制作过程。自制图综合概念提出至今已将近一百年，制图综合的对象、环境、目的和任务等都在发生变化。随着科学范式的发展和转变，制图综合已经超越了其最初的内涵，逐渐外延为空间信息综合，甚至在很多应用场景中以数据特征抽取的形式发挥作用。在大数据背景下，制图综合面临着研究范式的转变。

5.1 制图综合对象的转变

地图承载媒介、表达形式和数据来源越来越多样化。在地图形式上，传统地图衍生出数字地图、网络电子地图、导航地图、示意地图(如地铁地图、网络虚拟位置图)、故事地图、室内地图、虚拟现实、VGI众源地图、智能驾驶、机器人地图等多种形式。制图综合的对象也不再仅限于传统的地图和地图要素，制图综合出现了示意图生产、三维综合、网络渐进传输、VGI众源地理信息变化检测与集成更新、全息位置地图表达与综合等新的研究内容。

从地图承载媒介来看，传统地图主要是“硬”地图，地图内容在纸张、布皮、石板等固定媒介上表达；而今地图主要以数字地图、网络电子地图、虚拟现实地图等“软”地图形式存在，甚至在某些应用场合如智能驾驶、机器人自动巡航中，读图者由“人”变成了“机器”，地图根本不需要显示，地图表达的信息量已不再是主要制约因素。地图媒介的变化必然会影响制图综合的研究，包括综合任务和目的、综合算子、综合标准等。

5.2 制图综合观念的转变

制图综合对象、环境、目的和任务的转变需要制图综合观念的更新。制图综合的传统方法主要有选取、化简、合并、概括和位移等，其目的是图形简化和数据压缩。而在大数据背景下，制图综合对象与领域知识的联系更紧，上下文关联更强，结构特征提取、知识发现、宏观决策等成为制图综合新的任务。

从研究目的和研究对象来看，将由传统制图综合强调的“图形综合”，向数据密集型的时空特征综合和知识发现转变。传统的制图综合，对象是纸质地图，受载负量的限制，地图上难以清晰地表达足够多的信息量，因此尺度变化时，地图内容的制图综合尤为重要。而今，地图的内涵和外延都发生了变化，人们使用较多的是数字环境的电子地图甚至是无需显示的隐性地图，制图综合的概念和侧重点也应该随着制图综合对象的改变而改变。新时代的空间数据综合不仅要关注图形的综合，更需要将传统面向图形的制图综合和空间数据挖掘与知识发现相结合，从单纯的空间思维外延至空间-时间-语义3种维度的联合。制图综合已经沿着“图形综合→时空数据的综合→大数据的综合”的路线迈进。

从研究视角来看，现在的制图综合研究大多数都是从人的角度出发，自上而下地去看待制图综合问题，即从人类空间认知的角度出发，试图让计算机能够模拟人脑的空间认知能力，模拟人的思维去组织空间关系、识别空间结构、设计算子和算法，智能、自动且带有学习能力地进行制图综合。然而，地图内容千变万化，比机器翻译还要复杂。受机器翻译、结构模式识别和基于统计语言模型的自然语言处理等的启发，自上而下和自下而上策略相结合将是可行的。以数据分析为基础的制图综合从地图的角度出发，可以自下而上地去反观人的制图综合行为，即根据数据的空间结构等特征去选择所需算子和算法。

5.3 制图综合方法的拓宽

自动综合方法的研究还会继续深化，新的综合方法依然会层出不穷。从上述制图综合的发展不难看出，自动制图综合的实现遵循了一个由简单到复杂、由局部到整体、由数字化到智能化的客观发展过程，而且这个过程还远未完结，由于制图综合问题本身的复杂性和研究方法的制约，当前离真正的自动化、智能化的要求还有不小的距离。随着人们认知水平的不断提高和新技术的层出不穷，自动综合的方法和过程还会不断改进和优化，计算方法也逐渐并行化、高性能计算平台化。提高自动制图综合的自动化、智能化水平，仍是制图综合研究的主要方面。

知识获取的手段更加丰富，智能化综合方法会大幅提升综合过程的智能化程度。当前自动综合研究的瓶颈在于制图综合很多方法本身不易准确定义，半结构化特征明显，对领域知识和经验的依赖性很强。传统基于专家知识库的制图综合方式，受制图综合知识获取瓶颈的制约无法有效利用。迫切需要机器学习等智能方法，对制图综合知识的来源、表现形式以及自学方式进行系统性研究。例如，从现有的大量制图综合成果出发，通过深度神经网络等机器学习技术，通过“深度模型”的建立，提取特征，发现规律，指导新的制图综合任务。

在制图综合方法上面，制图综合经历了经验范式(试验归纳)、理论范式(模型推演)、模拟范式(数字制图综合)等，目前正在向着以数据分析为基础的科学范式发展。大数据时代的到来，今天和未来的科学研究将以数据密集型范式为主要特征。即以时空大数据为基础，以互联网、物联网、云计算等为新的技术手段，通过大数据分析和大数据挖掘，去发现过去的科学方法发现不了的新模式、新知识和新规律，这正是地理信息科学要解决的问题。

6 结束语

综合是人类对现实世界的科学抽象和归纳，是学习的基本手段之一。本文评述了近50年来制图综合的发展历程和取得的主要成就。随着技术的发展，制图综合的思想和方法已经不限于地图制图，将之与不同领域的核心任务密切结合，应用范围已经拓展至多尺度表达、空间数据集成与融合、渐进式传输、认知心理学、类脑计算、人工智能等领域。近20年以来，制图综合的对象、环境和任务发生了新的变化，特别是经典的制图综合面临时空大数据时，制图综合必须转变研究观念。在新的科学范式下，需要借助时空大数据促进本领域既有观念、研究范畴、技术等的革新，如将制图综合的研究对象扩展至室内地图、VGI众源数据、虚拟现实甚至是无需显示的隐形地图，对制图综合的技术进行拓宽和外延，如时空大数据的尺度变换、可视分析，时空流数据的特征提取与挖掘等。