刘呈熠，武 芳，巩现勇，行瑞星，杜佳威

信息工程大学地理空间信息学院，河南 郑州 450001

以湖泊、岛屿为代表的自然面群是地图的重要组成部分，其形状、尺寸、方向等几何特征存在较大差异，而且具有整体分散、局部聚集、聚集程度不一的分布特征。自然面群的空间分布特征是影响地图综合的重要因素[1-2]，识别、挖掘空间聚集特征是研究的难点之一[3]。当前，面群的空间聚类方法已有不少成果[4]，根据算法类型主要可分为：①划分聚类算法。通过不断优化目标函数来达到预设聚类要求，如k-means算法[5]、SOM算法[6]等。这类算法通过多次迭代得到最优的聚类结果，但易陷入局部最优问题，且受预设值制约。②层次聚类算法。在面群邻近关系的基础上，采用分割或聚合的策略获得聚类结果，如最小生成树法[7]、Delaunay三角网法[8-12]、图卷积神经网络算法[13]、MSSCP算法[14]、缓冲区法[15]等。这类算法多适用于相似度高、分布规则的面群聚类问题，但对于几何特征差异大、分布特征复杂的自然面群聚类不适用。③密度聚类算法。以密度为核心参数，不断聚合邻域范围内满足预设规则的对象来获得聚类结果，如DBSCAN算法[16]、似最小生成树法[17]、密度峰值算法[18-19]等。这类算法能够识别异形簇，但多用于点簇聚类。

分布密度作为描述地物聚集程度的一项重要指标，其背后往往隐含某种地理意义，如湖泊群密度反映区域降水量，岛屿群密度反映地质构造[20]等。根据Gestalt原理的邻近性和相似性原则[21-22]，围绕自然面要素的邻近距……