【技术实现步骤摘要】
本专利技术涉及制图综合领域，具体涉及dem数据的制图综合方法。
技术介绍
1、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。
2、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，本专利技术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。
技术实现思路
1、有鉴于此，本专利技术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。
2、为实现上述目的，本专利技术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：
3、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。
4、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。
5、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。
6、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。
7、步骤s5：引入gat网络用于学习节点的保留和舍弃。
8、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。
9、进一步地，所述步骤s1具体步骤如下：
10、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。
11、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。
12、进一步地，所述步骤s2具体步骤如下：
13、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。
14、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。
15、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。
16、进一步地，所述步骤s3具体步骤如下：
17、步骤s31：获取边的三维长度，高程差和坡度值作为几何属性。
18、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。
19、进一步地，所述步骤s4具体步骤如下：
20、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。
21、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。
22、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。
23、进一步地，所述步骤s5具体步骤如下：
24、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。
25、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。
26、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。
27、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。
28、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。
29、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。
30、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，直至网络收本文档来自技高网...
【技术保护点】
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：、
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：
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：
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：
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：
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：
【技术特征摘要】
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：、
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：
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...
【专利技术属性】
技术研发人员：李精忠，毛凯楠，闫浩文，禄小敏，高晓蓉，李蓬勃，
申请(专利权)人：兰州交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。