一种基于深度学习的地形数据库更新方法及系统技术方案

本发明专利技术提供一种基于深度学习的地形数据库更新方法及系统，属于地理信息数据更新技术领域，包括：获取样本数据集并分别训练三个神经网络，得到三个模型；基于地理文本关系抽取模型，根据目标网络数据确定目标地理实体及实体间的依存关系，并更新地形数据库中的目标地理实体要素得到第一增量图层；基于管线设施点检测模型，确定新时相影像中的管线设施点并更新管线设施要素得到第二增量图层；基于其他地形要素类语义分割模型，确定新时相影像中的地形要素并更新其他地形要素得到第三增量图层；根据三个增量图层形成新版地形数据库。将自然语言处理、目标检测及语义分割相结合，对不同类型的地形要素进行自动更新，提高了地形数据库的更新效率。库的更新效率。库的更新效率。

【技术实现步骤摘要】
一种基于深度学习的地形数据库更新方法及系统


[0001]本专利技术涉及地理信息数据更新领域，特别是涉及一种基于深度学习的地形数据库更新方法及系统。

技术介绍

[0002]基础地理信息数据库是区域统一空间基准框架下反映地物要素分布的基础信息数据，是空间规划、国土整治、资源开发、环境保护、防灾减灾、突发应急和各项工程建设最基础的地理空间信息资料。随着经济社会的快速发展，作为基础地理信息数据库的重要组成部分——地形数据库，变化较快，尤其是道路、居民地、电力线等要素的变化更新较快，为了满足各种应用的数据现势性需求，亟需通过常态化更新不同比例尺地形数据库来保持数据的现势性和有效性，增强其应用价值。
[0003]目前，地形数据库更新主要采用基于航天遥感影像的数字摄影测量方式开展，在原有旧版矢量要素数据的基础上，基于最新数字正射影像图或按像对恢复的立体模型，参考地名、水利、电力、通信、交通等专业资料，对数据进行整合，采用人工室内解译结合野外调绘与核查的技术手段，实现地形数据库的更新，根据测区基础控制等资料的完整性情况，主要有“内
‑
外
‑
内”和“外
‑
内
‑
外
‑
内”两种作业模式，其主要工艺流程包括现势资料收集、遥感影像内业预判更新、外业调绘核查更新、内业编辑整理建库等，整个数据更新过程人工工作量大，耗时长，效率低。
[0004]基于上述问题，亟需一种新的更新方法以提高地形数据库的更新效率。

技术实现思路

[0005]本专利技术的目的是提供一种基于深度学习的地形数据库更新方法及系统，可提高地形数据库的更新效率。
[0006]为实现上述目的，本专利技术提供了如下方案：一种基于深度学习的地形数据库更新方法，包括：获取地理文本语料数据集、管线设施点样本数据集及其他地形样本数据集；所述地理文本语料数据集中包括多个地理实体文本及各地理实体间的依存关系；所述管线设施点样本数据集中包括多张第一样本影像及各第一样本影像中样本管线设施点的外接矩形框和样本管线设施点类型；所述其他地形样本数据集中包括多张第二样本影像及各第二样本影像中地形要素的空间几何轮廓及地形要素类别；根据所述地理文本语料数据集，对第一深度学习神经网络进行训练，得到地理文本关系抽取模型；根据所述管线设施点样本数据集，对第二深度学习神经网络进行训练，得到管线设施点检测模型；根据所述其他地形样本数据集，对第三深度学习神经网络进行训练，得到其他地形要素类语义分割模型；
获取存量地形数据库、目标网络数据、第一新时相影像及第二新时相影像；基于所述地理文本关系抽取模型，根据所述目标网络数据，确定多个目标地理实体及各目标地理实体间的依存关系；根据各目标地理实体及各目标地理实体间的依存关系，对存量地形数据库中的目标地理实体要素进行更新，得到第一增量图层；基于所述管线设施点检测模型，根据所述第一新时相影像，确定所述第一新时相影像中各管线设施点的外接矩形框及管线设施点类型；根据各管线设施点的外接矩形框及管线设施点类型，对存量地形数据库中的管线设施要素进行更新，得到第二增量图层；基于所述其他地形要素类语义分割模型，根据所述第二新时相影像，确定所述第二新时相影像中各地形要素的空间几何轮廓及地形要素类别；根据各地形要素的空间几何轮廓及地形要素类别，对存量地形数据库中的其他地形要素进行更新，得到第三增量图层；根据所述第一增量图层、所述第二增量图层及所述第三增量图层，确定增量地形数据库，以形成新版地形数据库。
[0007]为实现上述目的，本专利技术还提供了如下方案：一种基于深度学习的地形数据库更新系统，包括：样本数据采集单元，用于获取地理文本语料数据集、管线设施点样本数据集及其他地形样本数据集；所述地理文本语料数据集中包括多个地理实体文本及各地理实体间的依存关系；所述管线设施点样本数据集中包括多张第一样本影像及各第一样本影像中样本管线设施点的外接矩形框和样本管线设施点类型；所述其他地形样本数据集中包括多张第二样本影像及各第二样本影像中地形要素的空间几何轮廓及地形要素类别；第一训练单元，与所述样本数据采集单元连接，用于根据所述地理文本语料数据集，对第一深度学习神经网络进行训练，得到地理文本关系抽取模型；第二训练单元，与所述样本数据采集单元连接，用于根据所述管线设施点样本数据集，对第二深度学习神经网络进行训练，得到管线设施点检测模型；第三训练单元，与所述样本数据采集单元连接，用于根据所述其他地形样本数据集，对第三深度学习神经网络进行训练，得到其他地形要素类语义分割模型；数据获取单元，用于获取存量地形数据库、目标网络数据、第一新时相影像及第二新时相影像；目标地理实体确定单元，分别与所述第一训练单元及所述数据获取单元连接，用于基于所述地理文本关系抽取模型，根据所述目标网络数据，确定多个目标地理实体及各目标地理实体间的依存关系；目标地理实体更新单元，分别与所述目标地理实体确定单元及所述数据获取单元连接，用于根据各目标地理实体及各目标地理实体间的依存关系，对存量地形数据库中的目标地理实体要素进行更新，得到第一增量图层；管线设施确定单元，分别与所述第二训练单元及所述数据获取单元连接，用于基于所述管线设施点检测模型，根据所述第一新时相影像，确定所述第一新时相影像中各管线设施点的外接矩形框及管线设施点类型；
管线设施更新单元，分别与所述管线设施确定单元及所述数据获取单元连接，用于根据各管线设施点的外接矩形框及管线设施点类型，对存量地形数据库中的管线设施要素进行更新，得到第二增量图层；其他地形确定单元，分别与所述第三训练单元及所述数据获取单元连接，用于基于所述其他地形要素类语义分割模型，根据所述第二新时相影像，确定所述第二新时相影像中各地形要素的空间几何轮廓及地形要素类别；其他地形更新单元，分别与所述其他地形确定单元及所述数据获取单元连接，用于根据各地形要素的空间几何轮廓及地形要素类别，对存量地形数据库中的其他地形要素进行更新，得到第三增量图层；新版地形数据库确定单元，分别与所述目标地理实体更新单元、所述管线设施更新单元及所述其他地形更新单元连接，用于根据所述第一增量图层、所述第二增量图层及所述第三增量图层，确定增量地形数据库，以形成新版地形数据库。
[0008]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：根据地理文本语料数据集，对第一深度学习神经网络进行训练，得到地理文本关系抽取模型，基于地理文本关系抽取模型，对目标网络数据自然语言处理，确定目标地理实体的变化并对存量地形数据库中的目标地理实体要素进行更新；根据管线设施点样本数据集，对第二深度学习神经网络进行训练，得到管线设施点检测模型，基于管线设施点检测模型，对第一新时相影像中的管线设施点进行目标检测，并对存量地形数据库中的管线设施要素进行更新；根据其他地形样本数据集，对第三深度学习神经网络进行训练，得到其他地形要素类语义分割模型，基于其他地形要素类语义分割模型，对第二新时相影像进行语义分割，确定地形要素的空间几何轮廓及地形要素类别，并对存量地形数据库中的其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的地形数据库更新方法，其特征在于，所述基于深度学习的地形数据库更新方法包括：获取地理文本语料数据集、管线设施点样本数据集及其他地形样本数据集；所述地理文本语料数据集中包括多个地理实体文本及各地理实体间的依存关系；所述管线设施点样本数据集中包括多张第一样本影像及各第一样本影像中样本管线设施点的外接矩形框和样本管线设施点类型；所述其他地形样本数据集中包括多张第二样本影像及各第二样本影像中地形要素的空间几何轮廓及地形要素类别；根据所述地理文本语料数据集，对第一深度学习神经网络进行训练，得到地理文本关系抽取模型；根据所述管线设施点样本数据集，对第二深度学习神经网络进行训练，得到管线设施点检测模型；根据所述其他地形样本数据集，对第三深度学习神经网络进行训练，得到其他地形要素类语义分割模型；获取存量地形数据库、目标网络数据、第一新时相影像及第二新时相影像；基于所述地理文本关系抽取模型，根据所述目标网络数据，确定多个目标地理实体及各目标地理实体间的依存关系；根据各目标地理实体及各目标地理实体间的依存关系，对存量地形数据库中的目标地理实体要素进行更新，得到第一增量图层；基于所述管线设施点检测模型，根据所述第一新时相影像，确定所述第一新时相影像中各管线设施点的外接矩形框及管线设施点类型；根据各管线设施点的外接矩形框及管线设施点类型，对存量地形数据库中的管线设施要素进行更新，得到第二增量图层；基于所述其他地形要素类语义分割模型，根据所述第二新时相影像，确定所述第二新时相影像中各地形要素的空间几何轮廓及地形要素类别；根据各地形要素的空间几何轮廓及地形要素类别，对存量地形数据库中的其他地形要素进行更新，得到第三增量图层；根据所述第一增量图层、所述第二增量图层及所述第三增量图层，确定增量地形数据库，以形成新版地形数据库。2.根据权利要求1所述的基于深度学习的地形数据库更新方法，其特征在于，所述获取地理文本语料数据集、管线设施点样本数据集及其他地形样本数据集，具体包括：获取网络地理文本数据，并筛选出引起地理实体空间变化和语义变化的地理事件，得到非结构化文本列表集合；将所述非结构化文本列表集合中的文本分解为多个词语，得到词语集合；遍历所述词语集合，对各词语的词性进行标注；根据各词语的词性，从所述词语集合中筛选出多个地理实体文本，并确定各地理实体间的相互依存关系；获取多张第一样本影像，并对各第一样本影像中的管线设施点的类型进行标注，采用外接矩形框对各第一样本影像中的管线设施点的形状进行标注；获取多张第二样本影像，并对各第二样本影像中的地形要素类的空间几何轮廓及类别
进行标注。3.根据权利要求1所述的基于深度学习的地形数据库更新方法，其特征在于，所述存量地形数据库中包括地名要素类及境界与政区要素类；所述地名要素类及所述境界与政区要素类中均包括多个地理实体要素；所述根据各目标地理实体及各目标地理实体间的依存关系，对存量地形数据库中的目标地理实体要素进行更新，得到第一增量图层，具体包括：采用逆地理编码服务引擎对各目标地理实体进行空间定位，并将各目标地理实体映射至所述地名要素类和所述境界与政区要素类中，确定与各目标地理实体对应的地理实体要素；基于各目标地理实体间的依存关系，确定各目标地理实体的更新类型；所述更新类型为消失、出现或修改；针对任一目标地理实体，若更新类型为消失，则将所述地名要素类及境界与政区要素类中对应的地理实体要素的记录删除；若更新类型为出现，则根据所述目标地理实体及各目标地理实体间的依存关系，在所述地名要素类及境界与政区要素类中新增一条地理实体要素的记录，并确定所述地理实体要素的空间几何，添加属性信息；若更新类型为修改，则根据所述目标地理实体及各目标地理实体间依存关系，修改所述地名要素类及境界与政区要素类中对应的地理实体要素的空间几何或属性信息；根据修改后的地名要素类及境界与政区要素类，确定第一增量图层。4.根据权利要求1所述的基于深度学习的地形数据库更新方法，其特征在于，所述管线设施要素包括管线设施点要素及管线设施线要素；所述第二增量图层包括管线设施点增量图层及管线设施线增量图层；所述存量地形数据库中包括管线设施点要素类及管线设施线要素类；所述管线设施点要素类中包括多个管线设施点要素；所述管线设施线要素类中包括多个管线设施线要素；所述根据各管线设施点的外接矩形框及管线设施点类型，对存量地形数据库中的管线设施要素进行更新，得到第二增量图层，具体包括：提取各管线设施点的外接矩形框的几何中心位置，并根据各管线设施点的几何中心位置及管线设施点类型，确定各管线设施点的预测矢量数据；根据各管线设施点的预测矢量数据，对所述管线设施点要素类中对应的管线设施点要素进行更新，确定管线设施点增量图层；遍历管线设施点增量图层，按照邻近关系，将各管线设施点顺序连接，得到多个新线状要素；根据各新线状要素，对所述管线设施线要素类中对应的管线设施线要素进行更新，确定管线设施线增量图层。5.根据权利要求4所述的基于深度学习的地形数据库更新方法，其特征在于，所述根据各管线设施点的预测矢量数据，对所述管线设施点要素类中对应的管线设施点要素进行更新，确定管线设施点增量图层，具体包括：对各管线设施点的预测矢量数据与所述管线设施点要素类中对应的管线设施点要素进行缓冲分析，确定各预测矢量数据的更新类型；所述更新类型为出现、消失或修改；
针对任一预测矢量数据，若更新类型为出现，则根据所述预测矢量数据，在所述管线设施点要素类中新增一条管线设施点要素的数据记录；若更新类型为消失，则将所述管线设施点要素类中对应的管线设施点要素的记录逻辑删除；若更新类型为修改，则根据所述预测矢量数据，修改所述管线设施点要素类中对应的管线设施点要素的数据记录；根据修改后的管线设施点要素类，确定管线设施点增量图层。6.根据权利要求4所述的基于深度学习的地形数据库更新方法，其特征在于，所述根据各新线状要素，对所述管线设施线要素类中对应的管线设施线要素进行更新，确定管线设施线增量图层，具体包括：针对任一新线状要素，对所述新线状要素与所述管线设施线要素类中对应的管线设施线要素进行几何相似性分析，确定所述新线状要素的更新类型；所述更新类型为出现、消失及修改；若更新类型为出现，则根据所述新线状要素，在所述管线设施线要素类中新增一条管线设施线要素的数据记录；若更新类型为消失，则将所述管线设施线要素类中对应的管线设施线要素的记录逻辑删除；若变化情况为修改，则根据所述新线状要素，修改所述管线设施线...

【专利技术属性】
技术研发人员：刘立，董先敏，刘娟，李维庆，杨本勇，范亚军，
申请(专利权)人：自然资源部第三地理信息制图院，
类型：发明
国别省市：