土木在线论坛 \ 水利工程 \ 水土保持 \ 基本比例尺地形图图示符号认知实验

基本比例尺地形图图示符号认知实验

发布于:2022-08-10 14:07:10 来自:水利工程/水土保持 [复制转发]


作 者 信 息

 

朱国闯1, 2,成 毅1,葛 文1,陈经昊1,张蓝天3

1.信息工程大学,河南 郑州 450001;2.93920部队,陕西 西安 710061;3.61646部队,北京 100192

   

【摘要】 用户对地图符号表达含义的解译过程直接影响地图的认知效果,研究地图符号的认知程度可以指导地图符号的增强设计。本文从认知角度建立地图符号三元结构,根据事物特征与符号解译关系相似性将标准图示符号划分为联想型、推断型和学习型3类,通过问卷调查的方式验证各类符号的认知度差异,最后提出地图符号的增强设计方法。实验结果表明,本文提出的符号分类方法切实可行,3类符号的认知准确率呈现出明显的梯度趋势,可以确定符号阅读中的难点,进而有针对性地增强符号设计。

【关键词】 地图符号分类;标准图示;符号认知;问卷调查

【中图分类号】 P284

【文献标识码】

【文章编号】 1672-1586(2022)03-0066-05

引文格式: 朱国闯,成 毅,葛 文,等.基本比例尺地形图图示符号认知实验[J].地理信息世界,2022,29(3):66-70.


正文

0  引  言

增强现实技术通过外接显示设备附加虚拟要素信息的方法为地图的表达提供了新的思路,通过附加文字、图片、模型等内容使用户对地图空间有了更全面的认知。随着对增强地理要素表达的深入研究,不难发现哪些地理要素需要增强是更基本的问题,决定了地理要素设计的意义。随着地图的泛化,符号、注记和空间拓扑关系就能构建一幅大众地图,95%以上的地图用户表示地图符号对认知地理空间有重要意义,符号含义的解译是阅读地图的主要障碍之一。

明确哪些符号是增强设计的重点有利于提高增强地理要素的信息传输效率。地图符号作为一种专用的图解符号,采用便于空间定位的形式来表示各种物体与现象的性质和相互关系。面对众多的地图符号,许多专业地图设计人员也会感到难以辨识;且用户并非不理解所有的地图符号,用户对不同符号的认知程度尚缺乏相关实验数据。

地图符号可分为专题地图符号和标准图示符号两类,已有符号研究多从视觉变量的角度提高设计水平,较少从符号意义的角度出发,如应急专题地图的线状符号设计、网络地图的点状符号设计、安全应急符号的大规模调查,对标准图示符号的研究较少。作为地图符号设计的重要参考,国家标准地形图图式是国家有关部门对地形要素、注记的规范化管理成果,对标准图示符号的识别记忆是测绘专业人员的基础技能。

符号评价调查方面,较为流行的符号可用性定义包括易学性、交互效率、易记性、出错频率和严重性、用户满意度5个评价要素。基于此,曹亚妮等选取有效性、效率和用户满意程度作为地图可用性评价标准。

钟琳颖等从符号的易吸引性、易辨识性和易决策性3个方面进行评价。郑束蕾等则通过符号色彩实验评价符号设计与用户心理模型和记忆经验吻合程度。JOY等通过问卷填空方式调查了符号的理解程度,证明文化对符号识别有重要影响。

基于上述对符号分类和评价的研究现状,本文主要针对国家基本比例尺地形图图示符号选取最为直观的认知准确率这一评价标准,从增强认知的角度基于事物特征与符号解译关系相似性对标准图示符号进行分类,并通过认知实验证明适用性,进而指导符号设计和增强地理要素的选取。

1  符号分类理论的语义学基础

本文主要从地图符号的语义学角度进行相关研究。地图符号学由符号学发展而来,主要包括语义学、句法学和语用学,其中,地图语义学主要研究地图符号与客观对象的对应关系,在地图上表示为图例的设计。

皮尔士的符号学三元论由符号、对象和解释项构成,本文将其应用到地图符号领域,分别对应图1中的地图符号、地理信息和用户对符号的理解3部分。地图符号是对具有相同内在性质和不同外在表现的意象的提炼,其中意象是用户接受符号的视觉刺激通过联想建立对应事物的形象。在三元结构左侧,地理信息与地图符号之间的设计表达主要依赖视觉感受,按照事物特征与符号解译关系的相似性从强到弱,抽象方法依次为外在特征、内在联系和约定规则,地图图示规范则是由这一抽象方法得到的广泛接受的标准。在三元结构右侧,每一个地图符号都对应了图示标准中的一个最终解释项,即与其关联的标准含义;而用户对符号的理解则基于自身知识背景和环境因素,产生动态解释项,二者的一致性决定了用户认知的效果。在三元结构下侧,即地理信息传递的过程中,符号主要起到定位和定性的作用,其中定位由符号在地图上的数学位置决定,定性则是用户理解的难点,是符号认知问题的源头。

图 1 地图符号认知的三元结构

Fig.1 Ternary structure of map symbol cognition

基于上述结构分析本文符号认知的问题,可以发现用户识别符号的过程主要依据事物特征与符号解译关系的相似性,即用户运用联想、逻辑、记忆等功能充分参与符号特征与用户储备的事物特征的融合响应过程。本文将符号分为联想型、推断型和学习型3类(图2)。黄色矩形代表用户对符号自身特征的观察能力,绿色矩形代表用户调动思维参与认知的能力,随着相似性降低,认知过程对符号观察和用户思维的要求也越来越高。

图 2 基于事物特征与符号解译关系相似性的符号分类

Fig.2 Symbol classification based on the similarity of relations between object features and symbol interpretation

参考皮尔士的标志分类原则,本文的联想型符号指根据生活常识或地图知识便可与其含义建立起联系的符号,多采用象形、透视或颜色关联的方法表示。形式包括因果关系联想,如由地貌联想到等高线;图形与现实联想,如由蓝色联想到湖泊;相互联系联想,如由桥梁联想到河流等。特征为符号与现实事物间是否存在直观的外在特征或内在联系,如绝大多数独立地物符号、医院、停车场等。推断型符号具备两个或两个以上的基础符素,可依靠逻辑推理出符号含义,形如由A、B推断出AB的模式。特征为是否具备利于用户逻辑推理的基础符素,如由针叶林、阔叶林符号推断出针阔混交林符号含义的过程。学习型符号则需要用户主动学习才能建立相关联系,这类符号多为几何符号,用于描述人文要素、现实生活中不存在的事物或事物的属性。虽然不如象形符号利于建立联系,但却具有丰富的表现形式。特征为符号与事物间的联系遵守若干约定规则,如表示不同公路等级的线状符号。除了上述3类符号,注记一直充当着独立的元素,是最直观、易接受的信息,对符号的理解起着关键的辅助作用。

2  标准图示符号认知实验设计

认知理论与实验方法并行才能更好地理解符号认知的现状。基于上一节的符号分类方法,鉴于实验主要考查用户对符号的第一认知反应,故不考虑时间因素,选取认知准确率这一基本指标,并假设符号类别和注记对认知准确率有一定影响。

实验目的是了解用户对各类图示符号的认知程度。在实验设计上,采用非概率抽样方法,使用滚雪球抽样广泛选取身边可通过网络媒介联系的人员作为被试,要求被试具有一定文化程度,且群体涵盖专业用户和普通用户。在问卷设计上,采用问卷调查的方法进行标准图示符号认知实验,实验问卷包括被试基本信息和30道选择题。基本信息区分了被式是否具有地图专业背景;选择题形式为单项选择,根据符号在4个选项中选择正确的含义。实验符号选自2017年10月14日发布的《国家基本比例尺地图图式第3部分:1∶25 000 1∶50 000 1∶100 000 地形图图式》。且参考《河南省地势图》和图式样图等多幅地图实例,综合考虑各个符号的使用频率,选取联想型、推断型和学习型符号各30个,同时保证其中有注记符号和无注记符号各15个。部分实验符号如图3所示:

图 3 实验选取的若干符号

Fig.3 Several symbols selected in the experiment

3  实验结果及分析

3.1  统计分析

实验共计回收问卷175份,剔除无效问卷9份,共计166份有效问卷参与分析。从专业背景来看,实验具有地图专业背景与不具有地图专业背景的人数约为8∶2。符号整体的认知准确率为69.9%,达到了及格标准。

图4将实验中30个符号的认知准确率按符号类别进行了划分,可以发现 3 类符号的认知平均准确率存在明显的差异,联想型、推断型和学习型的准确率平均值依次为86.39%、69.64%和53.73%,如图4红线所示,且单个符号准确率的离散程度呈递增趋势。

在3种符号类型中,认知准确率最低的符号依次是科学试验站、沙洲和学校。分析错误原因,从有无注记来看,3个符号均属于无注记符号。从符号类型来看,符号“学校”的设计源自学校的内在属性,非外在客观,而被试往往习惯于首先建立最直观的外在联想,故大多错误地选择了选项“文物碑石”;符号“沙洲”属于推断型符号,由沙滩和海岛构成,大部分被试选择了“水中洲”,忽视了沙滩的属性;符号“科学试验站”由于概念较为抽象,且外在的建筑风格不统一,在生活中使用较少,属于典型的学习型符号。

图 4 符号认知准确率分类散点图

Fig.4 Classification scatter of symbol cognitive accuracies

3.2  是否具有地图专业背景的多项分析

通过对30个符号和是否具有地图专业背景的交叉分析可知,是否具有地图专业背景对学校、地面河流、抽水站等符号表现出显著差异,部分分析结果见表1。166人的答卷中具备地图专业背景的有134人。X2为卡方值,p值用于判断地图专业背景对30个符号的认知准确率是否呈现出显著性,常见的p<0.05 和p<0.01分别表示结果有95%或99%的可信度认为存在差异。

将准确率汇总后进行符号类别的方差分析,可以发现是否地图专业对联想型和推断型符号表现出显著差异(表2)。F是方差分析过程中的统计量,为组间均方与组内均方的商,F值越大,差异越显著。依据对地图基础知识的熟悉和符号设计的逻辑,专业被试在这两类符号的认知上提供了更高的准确率。但对于较难记忆的学习型符号,地图专业人员的准确率并未体现出过多优势。

表 1 符号认知准确率与是否具有专业背景的交叉分析(部分结果) 

Tab.1 Cross analysis of symbol cognitive accuracy and professional background(partial results)

表 2 3 类符号认知准确率与是否具有专业背景的方差分析

Tab.2 Cross analysis of three symbols cognitive accuracy and professional background

3.3  符号类型的方差分析

为排除随机性导致的符号类别认知差异,在统计分析的基础上,进行单因素方差分析进一步研究符号类型对于准确率的差异性(表3)。可以看出,不同类型样本对于准确率均呈现出显著性(p<0.05)。具体分析可知,类型对于准确率呈现出0.01水平显著性(F=7.366, p=0.003);对比差异,学习型的平均值(0.54)明显低于联想型的平均值(0.86)。综合统计分析结果可以明确学习型符号应是增强用户认知的重点类型,而推断型可增强基础符素的组合过程来提高记忆。

表 3 3 类符号的认知准确率方差分析

Tab.3 Variance analysis of three symbols cognitive accuracy

结合3.2的结果分析可知是否地图专业对认知准确率的影响未产生显著性差异,但是3类符号的认知准确率存在显著性差异,表明符号自身特征较为重要,用户专业背景作用较小。

3.4  有无注记的方差分析

利用单因素方差分析研究有无注记对于准确率的差异性,从表4可以看出,有无注记样本对于准确率呈现出显著性(p<0.05)。具体分析可知,类型对于准确率呈现出0.01水平显著性(F=29.150,p=0.000);对比差异,无注记的平均值(0.54)明显低于有注记的平均

值(0.86)。结果表明用户更易于认知带有注记的符号,故应考虑增强符号的名称注记以提高对含义的认知,增强说明注记以提高对属性的认知。

表 4 有无注记的认知准确率方差分析

Tab.4 Variance analysis of cognition rate

4  结  论

本文基于事物特征与符号解译关系相似性给出了3类符号的特征标准,通过实验证明符号分类在认知准确率上有差异性,基本遵循由易到难的等级划分,适用于增强符号的内容选取和设计,可得出以下结论。

1)地图符号设计应以联想型和推断型为主,尽可能使符号与事物特征建立外在特征和内在联系,约定规则应多用于设计现实世界中不存在的事物或抽象属性的表达。依据本文的符号分类标准,考察国家基本比例尺地图图式第3部分246个符号,发现其中联想型符号85个,推断型符号65个,学习型符号96个。图示中学习型符号的比例较大,故思考如何把学习型符号改进为推断型符号,推断型符号改进为联想型符号,可以显著提高符号认知率。

2)进一步实现符号类别升级,一是更改已有图示或符号系统,二是可使用增强现实、虚拟现实等手段实现。以增强现实技术为例,用户难以认知的符号,可通过增强符号的外在形状、内在属性、基础符素等内容,建立新的外在特征和内在联系,进而强化认知和记忆。同时,扩展注记与符号的交互表达,推动地图认知交互方式升级。注记可以对符号未能表述的内容进行简要补充说明,以往的地图产品碍于显示技术往往要在表达要素上进行取舍,而在现实世界中附加注记,可以绕过这一矛盾提高用户的环境认知能力。

对于本文的后续研究,可进一步调查不同民族文化对不同国家标准地图图示的认知情况,或者对比专题地图符号与标准图示符号的认知情况,进而辅助不同民族背景的人阅读不同文化下的地图。


作者简介: 朱国闯(1992―),男,山东章丘人,测绘工程专业硕士研究生,主要研究方向为地理信息系统

E -mail: zhuguochuang@yeah.net

全部回复(0 )

只看楼主 我来说两句抢沙发

水土保持

返回版块

4.33 万条内容 · 184 人订阅

猜你喜欢

阅读下一篇

东北地理所在区域尺度土壤有机碳遥感预测研究中取得新进展

在全球碳循环中,土壤有机碳(SOC)是最大的陆地碳库,约占陆地总碳的50-80%,其含量是大气或植被的三倍以上,并决定了景观的碳源、碳汇能力。了解土壤有机碳含量对环境可持续性和碳中和至关重要。随着遥感数据和预测模型的发展,融合多源遥感数据预测SOC含量是一个有趣而富有挑战性的课题。为此,中国科学院东北地理与农业生态研究所农业遥感学科组的科研人员基于区域能量权重的离散小波变换和谱带分割方法,融合了2009-2019年10个场景的陆地卫星多光谱图像数据的时相信息、地形数据的空间信息和高分5号高光谱图像的光谱信息。然后,利用偏最小二乘回归、随机森林和卷积神经网络算法,开发一种提取时-空-谱(TSS)融合信息的新方法,验证TSS信息是否能够更好地代表土壤信息,提高土壤有机碳含量预测的准确性,并验证模型的可移植性,评估时相、空间和光谱信息在预测SOC含量中的作用。 

回帖成功

经验值 +10