CN117671165A - 一种基于图注意力网络的dem数据综合方法 - Google Patents
一种基于图注意力网络的dem数据综合方法 Download PDFInfo
- Publication number
- CN117671165A CN117671165A CN202311359807.XA CN202311359807A CN117671165A CN 117671165 A CN117671165 A CN 117671165A CN 202311359807 A CN202311359807 A CN 202311359807A CN 117671165 A CN117671165 A CN 117671165A
- Authority
- CN
- China
- Prior art keywords
- graph
- point
- tin
- attention
- nodes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001308 synthesis method Methods 0.000 title description 8
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 22
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 230000001788 irregular Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 14
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 7
- 230000010354 integration Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- NSHPHXHGRHSMIK-JRIKCGFMSA-N latrunculin B Chemical compound C([C@H]1[C@@]2(O)C[C@H]3C[C@H](O2)CC[C@@H](\C=C/CC\C(C)=C/C(=O)O3)C)SC(=O)N1 NSHPHXHGRHSMIK-JRIKCGFMSA-N 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本发明提供了一种基于图注意力网络(Graph Attention Network,GAT)的不规则三角网数字高程模型TIN的制图综合方法，包括步骤如下：首先以TIN的顶点作为图节点，以TIN的边作为节点之间的邻接边，构建一个基于图注意力机制的图卷积神经网络，其中，图节点的特征矩阵包括点的几何、统计和空间关系特征，边的注意力权重由TIN结构中邻接边的上下文关系确定。其次，使用三维道格拉斯扑克算法对TIN顶点进行综合，以此获取图节点的标签数据，并将其引入GAT网络用于学习节点的保留和舍弃。最后，基于TIN顶点的分类结果实现TIN的制图综合。本发明通过图卷积神经网络进行地形特征的学习，实现了领域知识和数据驱动相结合的智能化TIN综合。
Description
技术领域
本发明涉及制图综合领域，具体涉及DEM数据的制图综合方法。
背景技术
数字高程模型(Digital Elevation Model，DEM)主要用于描述地表或地球表面上各点的海拔高度信息，反应了现实世界中的地形起伏状况。为了满足不同领域的用户对DEM数据的不同分辨率需求，需要对DEM数据进行多尺度的制图综合。目前存在多种算法用于DEM数据的制图综合，Weibel(1992)将现有算法进行了分类，包括全局滤波、选择性滤波和启发式算法。Chen和Li(2013)将现有算法分为六类：规则网格、特征点、点加法、点减法、3DDouglas-Peucker算法和复合方法。然而，这些方法在处理复杂地形和大规模数据时具有一定的局限性。
近年来，随着深度学习技术的发展，图卷积神经网络作为一种强大的非线性模型引起了人们的广泛关注。在地图综合领域，这种技术已被应用于点要素选择、线要素简化、建筑物形状结构和模式分类中，并将地图综合从基于算法的时代推进到领域知识和数据驱动知识相结合的时代。然而，目前图卷积神经网络在地图综合领域的应用目前主要局限于二维空间中特定的地理实体，如点、线和面要素。这导致在三维数据方面的制图综合研究中，如特定的地理空间单元，还存在较大的空缺。不规则三角网络(TriangulatedIrregular Network，TIN)作为DEM数据中的其中一种数据结构，我们可以通过综合TIN节点进而综合DEM数据。因此，本发明将领域知识和数据驱动学习相结合，使用图卷积神经网络针对DEM数据制图综合展开了系列实验。
发明内容
有鉴于此，本发明将领域知识和数据驱动学习相结合，利用图卷积神经网络进行DEM数据的制图综合，并进行了一系列实验。这一研究填补了使用图卷积神经网络进行三维数据的制图综合的研究空白，具有重要的理论和实际意义。
为实现上述目的，本发明采用了一种技术方案：一种基于图注意力网络的DEM数据综合方法，其特征在于，具体步骤如下：
步骤S1：根据DEM数据中的不规则三角网络(Triangulated Irregular Network，TIN)结构，以TIN的顶点作为图结构的节点，以TIN的边作为节点之间的邻接边，构建基于图注意力机制的图卷积神经网络。
步骤S2：构建每个图节点的特征矩阵。为每个节点初始化特征向量，主要包括TIN顶点的几何特征，统计属性和空间关系特征。
步骤S3：构建邻接边的注意力权重。包括邻接边的几何特征和空间关系特征。
步骤S4：获取每个图节点的标签值。使用三维道格拉斯扑克(three-dimensionalDouglas Poker，3D D-P)算法对TIN顶点进行综合，制图综合后仍保留的节点设置为标签1，被舍弃的节点设置为标签0。
步骤S5：引入GAT网络用于学习节点的保留和舍弃。
步骤S6：基于节点的分类结果，将节点回放至TIN数据中，实现DEM数据的制图综合。并对综合结果进行评价。
进一步地，所述步骤S1具体步骤如下：
步骤S11：获取图结构的节点。打开ArcGIS中的3D Analyst拓展，在工具箱中使用3D Analyst Tools->Conversion->From TIN->TIN Node工具，获取TIN数据的顶点作为图结构的节点。
步骤S12：获取图结构的边。在工具箱中使用3D Analyst Tools->Conversion->From TIN->TIN Edge工具，获取TIN数据的边作为图结构的邻接边。
进一步地，所述步骤S2具体步骤如下：
步骤S21：在ArcGIS中获取点的位置属性(X，Y，Z坐标)及其所处地形的高程曲率作为几何特征。
步骤S22：获取点与周围邻居点的高程差和坡度的最大值，最小值，总和值和标准差作为统计属性。
步骤S23：获取点周围的邻居节点数量，最近邻距离，最远距离以及距离总和作为空间关系指标。
进一步地，所述步骤S3具体步骤如下：
步骤S31：获取边的三维长度，高程差和坡度值作为几何属性。
步骤S32：获取TIN邻接边所在的方向作为空间关系特征，这里以空间中的八个象限来定义。
进一步地，所述步骤S4具体步骤如下：
步骤S41：在三维离散点中寻找一个原点和第一个基面(首基面)。当每个原始点都试过做原点O，且每次在剩余点集中选择两个点A，B，最终能获得最大矢量积OA×OB的绝对值时，点O，A，B就被确定，通过这三点的平面就是3D D-P算法的首基面。
步骤S42：将无序点集有序化。将点O作为P0，点A作为P1，B作为Pn存储到点列中。根据距离点A的三维距离大小对剩余点集进行排序，依次为P2、P3、…、Pn-1。
步骤S43：选出制图综合后的剩余点。在有序点集中，分别计算P2、P3、…、Pn-1到首基面的距离，如果这个距离小于初始阈值，则删除所有的点；否则取出具有最大点面距的点作为分裂点C，记为Pi。采用分而治之的方法，再次计算剩余点到基面OAC的距离，递归选取一个分裂点，直至选不出新的分裂点；然后分别计算剩余点到基面OBC的距离，同理递归选出所有分裂点，直至选不出新的分裂点。剩余的点即为制图综合后的点，将这些点的标签设置为1，即保留，其余的点为0，即舍弃。
进一步地，所述步骤S5具体步骤如下：
步骤S51：前向传播。输入图节点的特征维度，边的注意力权重，输入的特征维度和注意力头数(多头注意力机制)等参数，初始化GAT网络，将网络层应用到节点特征上进行前向传播。
步骤S52：注意力机制计算。网络层自动进行注意力机制的计算，为每个节点和其邻居节点计算注意力分数，并将注意力分数与邻居节点的特征进行加权求和，得到每个节点的上下文特征。
步骤S53：节点特征聚合。网络层根据计算得到的注意力分数，对邻居节点的特征进行加权聚合，得到每个节点整合了邻居信息的特征表示。
步骤S54：添加非线性激活函数ReLU和正则化Dropout参数，进行非线性映射并提高模型的泛化能力。
步骤S55：在网络层之后添加log_softmax层作为输出层。输出图结构中所有节点的分类类别概率，一共是0和1两种类别，0表示舍弃，1表示保留。将每个节点选取概率最大的类别作为预测结果。
步骤S56：在训练图卷积神经网络过程中，使用负对数似然损失函数计算预测值和真实标签之间的损失，通过最小化损失函数获得最优权重参数，同时采用Adam优化器提高优化效率。
步骤S57：重复步骤S52-S56，不断迭代计算注意力系数和特征聚合，直至网络收敛，得到每个节点的最终表示。
进一步地，所述步骤S6具体步骤如下：
步骤S61：根据图注意力网络的分类结果，将所有预测标签为l的点数据回放至TIN数据结构。
步骤S62：在可视化层面对图卷积神经网络的预测结果和三维DP算法的结果进行定性评价。
步骤S63：根据精度，准确率，召回率以及F1指数对预测结果进行定量评价。
本发明与现有DEM制图综合技术相比，具体来讲具有以下有益效果：
1.本发明通过在神经网络中学习DEM数据的地形特征，空间关系、拓扑结构等信息，实现了领域知识和数据驱动学习的结合。领域知识提供了对地形的深入理解，而数据驱动学习则能够从大量数据中捕捉数据的模式和规律。结合这两种方法，神经网络能够从DEM数据中自动提取出丰富的细节特征，进而融合这些信息，生成DEM数据在多尺度下的制图综合结果。
2.本发明填补了使用图卷积神经网络进行三维数据的制图综合的研究空白，摆脱了传统DEM制图综合方法的人工限制，实现了地形特征的自动学习，具有重要的理论和实际意义。
附图说明
图1为本发明的步骤流程图；
图2为本发明实施例中训练集和测试集的示例图；
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
在以上所述的一种基于图注意力网络的DEM数据综合方法中，所述步骤S1先将研究区范围划分为训练集和测试集，获取研究区范围内的TIN数据，以TIN的顶点作为图结构的节点，并以TIN的边作为节点之间的邻接边，构建基于图注意力机制的图卷积神经网络。具体步骤如下：
步骤S11：获取图结构的节点。打开ArcGIS中的3D Analyst拓展，在工具箱中使用3D Analyst Tools->Conversion->From TIN->TIN Node工具，获取TIN数据的顶点作为图结构的节点。如图2所示，本实例的实验数据位于四川省绵阳市(图2b)，其中训练集为绵阳市平武县的TIN节点数据(59229个节点)，测试集为绵阳市北川无族自治州的TIN节点数据(31866个节点)。
步骤S12：获取图结构的边。在工具箱中使用3D Analyst Tools->Conversion->From TIN->TIN Edge工具，获取TIN数据的边作为图结构的邻接边。
在以上所述的一种基于图注意力网络的DEM数据综合方法中，所述步骤S2构建每个图节点的特征矩阵。为每个节点初始化特征向量，主要包括TiN顶点的几何特征，统计属性和空间关系特征。具体步骤如下：
步骤S21：获取TiN节点的位置属性(X，Y，Z坐标)和高程曲率。首先利用TIN数据结构中自带的位置属性来反映点属性的具体空间位置。高程曲率能够反映地形的起伏和陡峭程度，为了获得高程曲率，需要将TIN数据转换为栅格数据，这可以通过使用3DAnalystTools中的″Conversion″功能下的″TIN to Raster″工具来实现。一旦转换完成，可以利用Raster Surface工具中的″Curvature″功能来计算栅格数据的高程曲率。最后，将栅格数据和三维点数据进行叠加，以获取三维点数据的高程曲率。
步骤S22：获取点与周围邻居点的高程差和坡度的最大值，最小值，总和值和标准差作为统计属性。这些属性可以通过属性表邻接边ID中的summarize工具进行统计，其中坡度的计算如下：
式中，ZA和ZB分别表示A点和B点的高程，Δd表示两个点之间的水平距离，具体计算公式如下：
Δd＝R*arccos((1-(sin(latA)*sin(latB)*cos(lonA-lonB)+cos(latA)*cos(latB))))
其中Δd为点A和B之间的水平距离，单位为米；latA，lonA和latB，lonB分别为A点和B点的经纬度，这里用弧度表示；R是地球半径，为6371004。
步骤S23：获取点周围的邻居节点数量，最近邻距离，最远距离以及距离总和作为空间关系指标。与步骤S22类似，这些属性可以通过属性表邻接边ID中的summarize工具进行统计，其中这里的距离指的是实际的三维距离，计算公式如下：
其中Dactual为实际的三维距离，单位为米；Δd为步骤S22中计算得到的A和B两点之间的水平距离；ZA和ZB分别表示A点和B点的高程。
在以上所述的一种基于图注意力网络的DEM数据综合方法中，所述步骤S3构建邻接边的注意力权重。包括邻接边的几何特征和空间关系特征。具体步骤如下：
步骤S31：获取边的三维长度，高程差和坡度值作为几何属性。其中长度Dactual表示的是每条边所邻接的两点之间的实际三维距离，反映了点之间的接近程度。高程差ZA-ZB为无向图中两点之间的高程差异，反应了地形的变化程度。坡度slope为两个点之间的高程差除以它们之间的水平距离，反映了两点之间的地形陡峭程度。这些属性的计算公式见步骤S22。
步骤S32：获取TIN邻接边所在的方向作为空间关系特征，这里以空间中的八个象限来定义。每个象限代表着不同的方向。假设边属于x、y、z轴的正向，那么通过一个属性向量来表示方向，其中只有在相应的方向上为1，其他方向为0。在这种情况下，方向属性可以表示为[1，0，0，0，0，0，0，0]。
在以上所述的一种基于图注意力网络的DEM数据综合方法中，所述步骤S4获取每个图节点的标签值。使用3DD-P算法对TIN顶点进行综合，制图综合后仍保留的节点设置为标签1，被舍弃的节点设置为标签0。具体步骤如下：
步骤S41：在三维离散点中寻找一个原点和第一个基面(首基面)。当每个原始点都试过做原点O，且每次在剩余点集中选择两个点A，B，最终能获得最大矢量积OA×OB的绝对值时，点O，A，B就被确定，通过这三点的平面就是3D D-P算法的首基面。
步骤S42：将无序点集有序化。将点O作为P0，点A作为P1，B作为Pn存储到点列中。在原始点的剩余点集中，寻找并取出离开A点的三维距离最近的点作为P2插入点列。在剩余点集中，继续寻找并取出离P2点三维距离最近的点作为P3插入点列，直到取出最后一点作为Pn-1插在Pn之前。
步骤S43：选出经过制图综合后的剩余点。在有序点集中，分别计算P2、P3、…、Pn-1到首基面OAB的距离，如果这个距离小于初始阈值，则删除所有的点；否则取出具有最大点面距的点作为分裂点C，记为Pi。采用分而治之的方法，再次计算剩余点到基面OAC的距离，递归选取一个分裂点的原则如上所述，直至选不出新的分裂点；然后分别计算Pi+1，Pi+2，…，Pn-1到基面OBC的距离，同理递归选出所有分裂点，直至选不出新的分裂点。剩余的点即为制图综合后的点，将这些点的标签设置为1，即保留，其余的点为0，即舍弃。
在以上所述的一种基于图注意力网络的DEM数据综合方法中，所述步骤S5引入了GAT网络用于学习节点的保留和舍弃。具体步骤如下：
步骤S51：前向传播。输入图节点的特征维度，边的注意力权重，输入的特征维度和注意力头数(多头注意力机制)等参数，初始化GAT网络，包括网络层的数量和每个网络层的参数。将网络层应用到节点特征上进行前向传播。
步骤S52：注意力机制计算。对于每个节点以及其邻居节点，计算注意力分数。假设存在节点i和其邻居节点j，可以使用以下数学公式计算注意力分数：
αij＝softmax(LeakyReLU(ωT[Whi||Whj])) (3)
其中，αij表示注意力系数，||表示连接操作，W是权重矩阵，hi和hj分别是节点i和其邻居节点j的特征表示。通过权重矩阵W的变换，Whi表示节点i的特征在GAT层中的线性转换后的结果，Whj表示节点j的特征在GAT层中的线性转换后的结果，ωT是学习到的注意力权重。LeakyReLU是一个激活函数。对于具有多个头数的多头注意力机制，可以在每个头中使用不同的注意力权重。最后，将所有头的注意力分数进行拼接或求平均得到节点i的注意力特征。
步骤S53：节点特征聚合。利用注意力系数对邻居节点的特征进行加权聚合。将注意力分数与邻居节点的特征进行加权求和，得到每个节点i的上下文特征。计算公式如下：
ci＝σ(∑jαij*[Whi||Whj]) (4)
其中，ci表示节点i更新后的表示，δ是激活函数，αij是步骤S52中计算得到的注意力系数，Whi||Whj表示节点i的特征表示与节点j的特征表示的拼接。
步骤S54：添加非线性激活函数ReLU和正则化Dropout参数。为了引入非线性映射并提高模型的泛化能力，在节点特征聚合后，将节点的上下文特征输入到ReLU激活函数中进行非线性映射。另外，在模型的训练过程中，可以应用Dropout正则化技术，随机将一定比例的节点特征置为0，以减少过拟合风险。
步骤S55：在网络层之后，添加log_softmax层作为输出层。将每个节点的上下文特征输入到log_softmax层中，计算每个节点属于不同类别的概率。在本案例中设置了2个类别：舍弃(标签0)和保留(标签1)。将每个节点选取概率最大的类别作为预测结果。
步骤S56：在训练图卷积神经网络过程中，使用负对数似然损失函数计算预测值和真实标签之间的损失，通过最小化损失函数获得最优权重参数，同时采用Adam优化器提高优化效率。
步骤S57：重复进行步骤S52至S56，迭代计算注意力分数和进行特征聚合，直到网络收敛。每次迭代都会更新节点特征的表示，直到获得每个节点的最终表示。
在以上所述的一种基于图注意力网络的DEM数据综合方法中，所述步骤S6基于节点的分类结果，将其回放至TIN数据中，从而实现DEM数据的制图综合。并对综合结果进行评价。具体步骤如下：
步骤S61：根据图注意力网络的分类结果，选出所有预测标签为1的点数据，使用3DAnalyst Tools->Data Management->TIN->Create TIN工具将其回放至TIN数据结构。
步骤S62：在可视化层面对图卷积神经网络的预测结果和三维DP算法的结果进行定性评价。
步骤S63：根据准确率Accurary，精度Precision，召回率Recall以及F1指数F1score对预测结果进行定量评价。这些指标的计算公式分别如下：
其中TP表示实际为正类(1)且预测结果也为正类(1)的样本数目；FN指的是实际为正类(1)但是预测成负类(0)的样本数目；FP表示实际为负类(0)但是预测结果为正类(1)的样本数目；TN表示实际为负类且预测也为负类的样本数目。因此，准确率指的是所有实验结果中，分类正确的个数占总节点数量的百分比；精度指的是所有预测结果为正类(1)的样本中实际正类(1)样本所占的百分比；召回率指的是实际的正类(1)样本中有多少被预测成正类(1)；F1指数是综合考虑了精度和召回率的指标。一般来说，准确率越大，实验精度越高。
以上所述仅为本发明的较佳实施例，而并非用作对本发明的限定。凡是依据本发明的技术实质对上述实施例进行的变化、变形等均属于本发明的涵盖范围。
Claims (6)
1.一种基于图注意力网络的DEM综合方法，其特征在于，具体步骤如下：、
步骤S1：根据DEM数据中的不规则三角网络(Triangulated Irregular Network，TIN)结构，以TIN的顶点作为图结构的节点，以TIN的边作为节点之间的邻接边，构建基于图注意力机制的图卷积神经网络。
步骤S2：构建每个图节点的特征矩阵。为每个节点初始化特征向量，主要包括TIN顶点的几何特征，统计属性和空间关系特征。
步骤S3：构建邻接边的注意力权重。包括邻接边的几何特征和空间关系特征。
步骤S4：获取每个图节点的标签值。使用三维道格拉斯扑克(three-dimensionalDouglas Poker,3D D-P)算法对TIN顶点进行综合，制图综合后仍保留的节点设置为标签1，被舍弃的节点设置为标签0。
步骤S5：引入GAT网络用于学习节点的保留和舍弃。
步骤S6：基于节点的分类结果，将节点回放至TIN数据中，实现DEM数据的制图综合。并对综合结果进行评价。
2.根据权利要求1所述的一种基于图注意力网络的数字高程模型综合方法，其特征在于，所述步骤S2从节点几何特征，统计属性以及空间关系特征三个方面为每个图节点构建特征矩阵，一共包含了16种特征。具体步骤如下：
步骤S21：获取点的位置属性(X,Y,Z坐标)及其所处地形的高程曲率作为几何特征。
步骤S22：获取点与周围邻居点的高程差和坡度的最大值，最小值，总和值和标准差作为统计属性。
步骤S23：获取点周围的邻居节点数量，最近邻距离，最远距离以及距离总和作为空间关系指标。
3.根据权利要求1所述的一种基于图注意力网络的数字高程模型综合方法，其特征在于，所述步骤S3从几何特征，空间关系特征两个方面构建图中节点之间的注意力权重，一共包含了11种特征。具体步骤如下：
步骤S31：获取边的三维长度，高程差和坡度值作为几何属性。
步骤S32：获取TIN邻接边所在的方向作为空间关系特征，这里以空间中的八个象限来定义。
4.根据权利要求1所述的一种基于图注意力网络的数字高程模型综合方法，其特征在于，所述步骤S4具体步骤如下：
步骤S41：在三维离散点中寻找一个原点和第一个基面(首基面)。当每个原始点都试过做原点O，且每次在剩余点集中选择两个点A,B，最终能获得最大矢量积OA×OB的绝对值时，点O,A,B就被确定，通过这三点的平面就是3D D-P算法的首基面。
步骤S42：将无序点集有序化。将点O作为P0,点A作为P1，B作为Pn存储到点列中。根据距离点A的三维距离大小对剩余点集进行排序，依次为P2、P3、…、Pn-1。
步骤S43：选出制图综合后的剩余点。在有序点集中，分别计算P2、P3、…、Pn-1到首基面的距离，如果这个距离小于初始阈值，则删除所有的点；否则取出具有最大点面距的点作为分裂点C，记为Pi。采用“分而治之”的方法，再次计算剩余点到基面OAC的距离，递归选取一个分裂点，直至选不出新的分裂点；然后分别计算剩余点到基面OBC的距离，同理递归选出所有分裂点，直至选不出新的分裂点。剩余的点即为制图综合后的点，将这些点的标签设置为1，即保留，其余的点为0，即舍弃。
5.根据权利要求1所述的一种基于图注意力网络的数字高程模型综合方法，其特征在于，所述步骤S5具体步骤如下：
步骤S51：前向传播。输入图节点的特征维度，边的注意力权重，输入的特征维度和注意力头数(多头注意力机制)等参数，初始化GAT网络，将网络层应用到节点特征上进行前向传播。
步骤S52：注意力机制计算。网络层自动进行注意力机制的计算，为每个节点和其邻居节点计算注意力分数，并将注意力分数与邻居节点的特征进行加权求和，得到每个节点的上下文特征。
步骤S53：节点特征聚合。网络层根据计算得到的注意力分数，对邻居节点的特征进行加权聚合，得到每个节点整合了邻居信息的特征表示。
步骤S54：添加非线性激活函数ReLU和正则化Dropout参数，进行非线性映射并提高模型的泛化能力。
步骤S55：在网络层之后添加log_softmax层作为输出层。输出图结构中所有节点的分类类别概率，一共是0和1两种类别，0表示舍弃，1表示保留。将每个节点选取概率最大的类别作为预测结果。
步骤S56：在训练图卷积神经网络过程中，使用负对数似然损失函数计算预测值和真实标签之间的损失，通过最小化损失函数获得最优权重参数，同时采用Adam优化器提高优化效率。
步骤S57：重复步骤S52-S56，不断迭代计算注意力系数和特征聚合，直至网络收敛，得到每个节点的最终表示。
6.根据权利要求1所述的一种基于图注意力网络的数字高程模型综合方法，其特征在于，所述步骤S6具体步骤如下：
步骤S61：根据图注意力网络的分类结果，将所有预测标签为1的点数据回放至TIN数据结构。
步骤S62：在可视化层面对图卷积神经网络的预测结果和三维DP算法的结果进行定性评价。
步骤S63：根据精度，准确率，召回率以及F1指数对预测结果进行定量评价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311359807.XA CN117671165A (zh) | 2023-10-19 | 2023-10-19 | 一种基于图注意力网络的dem数据综合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311359807.XA CN117671165A (zh) | 2023-10-19 | 2023-10-19 | 一种基于图注意力网络的dem数据综合方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117671165A true CN117671165A (zh) | 2024-03-08 |
Family
ID=90068934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311359807.XA Pending CN117671165A (zh) | 2023-10-19 | 2023-10-19 | 一种基于图注意力网络的dem数据综合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117671165A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114329232A (zh) * | 2022-01-06 | 2022-04-12 | 河海大学 | 一种基于科研网络的用户画像构建方法和系统 |
| WO2023087558A1 (zh) * | 2021-11-22 | 2023-05-25 | 重庆邮电大学 | 基于嵌入平滑图神经网络的小样本遥感图像场景分类方法 |
| WO2023126914A2 (en) * | 2021-12-27 | 2023-07-06 | Yeda Research And Development Co. Ltd. | METHOD AND SYSTEM FOR SEMANTIC APPEARANCE TRANSFER USING SPLICING ViT FEATURES |
-
2023
- 2023-10-19 CN CN202311359807.XA patent/CN117671165A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023087558A1 (zh) * | 2021-11-22 | 2023-05-25 | 重庆邮电大学 | 基于嵌入平滑图神经网络的小样本遥感图像场景分类方法 |
| WO2023126914A2 (en) * | 2021-12-27 | 2023-07-06 | Yeda Research And Development Co. Ltd. | METHOD AND SYSTEM FOR SEMANTIC APPEARANCE TRANSFER USING SPLICING ViT FEATURES |
| CN114329232A (zh) * | 2022-01-06 | 2022-04-12 | 河海大学 | 一种基于科研网络的用户画像构建方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| FU, HONGHAO等: "SGCN: A multi-order neighborhood feature fusion landform classification method based on superpixel and graph convolutional network", 《INTERNATIONAL JOURNAL OF APPLIED EARTH OBSERVATION AND GEOINFORMATION》, 31 August 2023 (2023-08-31), pages 1 - 11 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110120097B (zh) | 大场景机载点云语义建模方法 | |
| CN106909924B (zh) | 一种基于深度显著性的遥感影像快速检索方法 | |
| Krishnapuram et al. | Content-based image retrieval based on a fuzzy approach | |
| US9348877B2 (en) | Methods, systems, and data structures for performing searches on three dimensional objects | |
| CN112101430B (zh) | 用于图像目标检测处理的锚框生成方法及轻量级目标检测方法 | |
| CN111489358A (zh) | 一种基于深度学习的三维点云语义分割方法 | |
| CN112347550B (zh) | 耦合式室内三维语义建图及建模方法 | |
| CN107967463B (zh) | 一种基于合成图像和深度学习的虚拟人脸识别方法 | |
| CN108171780A (zh) | 一种基于激光雷达构建室内真实三维地图的方法 | |
| CN110188228A (zh) | 基于草图检索三维模型的跨模态检索方法 | |
| CN111931505A (zh) | 一种基于子图嵌入的跨语言实体对齐方法 | |
| CN112767405A (zh) | 一种基于图注意力网络的三维网格模型分割方法及系统 | |
| CN111814658A (zh) | 基于语义的场景语义结构图检索方法 | |
| CN112348867A (zh) | 基于LiDAR点云数据的城市高精度三维地形构建方法及系统 | |
| WO2022125787A1 (en) | Determining 3d structure features from dsm data | |
| Ruhnke et al. | Unsupervised learning of compact 3d models based on the detection of recurrent structures | |
| CN112241676A (zh) | 一种地形杂物自动识别的方法 | |
| CN116720632B (zh) | 基于gis和bim的工程建设智能管理方法及系统 | |
| CN113850304B (zh) | 一种高准确率的点云数据分类分割改进方法 | |
| CN110866838A (zh) | 基于转移概率预处理的网络表示学习算法 | |
| CN117671165A (zh) | 一种基于图注意力网络的dem数据综合方法 | |
| Ong et al. | Machine learning for human design: Sketch interface for structural morphology ideation using neural networks | |
| CN113032372B (zh) | 一种基于ClickHouse数据库的空间大数据管理方法 | |
| Zhang et al. | Color clustering using self-organizing maps | |
| CN114565774A (zh) | 基于局部几何与全局结构联合学习的3d图卷积分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |