一种基于交叉注意力的查询式测绘空间数据重构方法

摘要: 本技术涉及测绘地理信息,特别是涉及一种基于交叉注意力的查询式测绘空间数据重构方法,适用于数字高程模型构建、数字水深模型构建、点云数据空间加密、地表形变监测数据重...
一种基于交叉注意力的查询式测绘空间数据重构方法

本技术涉及测绘地理信息,特别是涉及一种基于交叉注意力的查询式测绘空间数据重构方法,适用于数字高程模型构建、数字水深模型构建、点云数据空间加密、地表形变监测数据重建以及多源测绘空间数据的统一网格化处理。

背景技术:

1、测绘空间数据是数字地形建模、工程测量、国土空间调查、城市三维建模、水下地形测量、地表形变监测及空间环境分析等工作的基础数据。受测量方式、设备视场、测线布设、作业条件及无效数据剔除等因素影响,实际获取的测绘空间数据通常并非完整、连续且均匀分布的数据,而是表现为不规则离散点、测线型采样点、稀疏点云、局部缺失栅格或多源异构数据。为满足数字高程模型、数字水深模型及其他连续空间数据产品的生成需求,需根据已有观测数据对未观测位置处的连续数值属性进行估计,从而完成离散数据规则网格化、缺失数据重建或空间加密。

2、现有测绘空间数据重构方法主要包括反距离加权插值、克里金插值、自然邻域插值、样条插值、径向基函数插值、趋势面插值和最小曲率插值等。上述传统方法具有较为明确的数学基础,但通常需要预先设定搜索邻域、邻域点数量、距离权重指数、变异函数类型、变程、光滑系数或正则化参数。当观测点分布不均匀、采样密度差异较大、测线间距发生变化或局部缺失区域范围较大时,采用固定搜索邻域或固定空间相关模型,难以针对不同待预测位置自适应确定有效观测信息。例如,在局部采样密集区域,固定搜索邻域可能包含大量信息重复的观测点,使局部数据对预测结果产生过度集中影响;在采样稀疏区域,可用观测点数量不足则导致预测结果稳定性下降;对于沿测线采集的数据,仅依据欧氏距离或统一变异函数确定权重,难以充分反映不同方向上的采样差异。

3、近年来,卷积神经网络、生成对抗网络、编码器-解码器网络等深度学习方法逐渐应用于数字高程模型空洞修复、点云补全和测绘栅格数据重建,能够从训练样本中学习较复杂的空间变化特征。然而,此类方法通常要求输入和输出具有预先确定的空间范围、网格分辨率及数据尺寸,当实际数据为数量可变的不规则离散点或非均匀点云时,需先进行网格化或体素化预处理,改变了原始点集表达形式且可能引入附加误差。部分点云处理网络虽能直接接收离散点集合,但多用于点云分类、语义分割或几何补全,而非连续数值属性的空间重构。注意力机制虽能自适应分配信息权重,但现有基于注意力的方法主要用于已有观测点或栅格特征的内部关系建模,输出位置通常与输入位置相对应或受限于固定输出结构,难以直接对任意指定位置进行预测。此外,离散数据规则网格化、缺失数据重建和空间加密虽同属空间重构问题,但现有技术通常针对不同任务分别设置数据格式和输入输出结构,缺少统一的处理方式。

4、综上,现有技术主要存在以下不足:传统插值方法对搜索邻域、距离权重、变异函数及光滑参数等人工设置依赖较强,难以针对不同待预测位置自适应选择有效观测信息;基于规则栅格的深度学习方法难以直接处理数量可变、分布不规则的多源测绘数据;现有注意力或点云处理方法主要针对已有位置进行特征处理,无法直接对任意指定位置进行连续数值属性预测;现有方法针对不同空间重构任务分别设置数据形式或处理流程,缺少面向任意查询位置的统一重构框架。

5、因此,相关技术中,亟需一种能够克服现有技术在处理不同空间重构任务时灵活性不足的问题,实现对任意指定位置的统一、自适应预测的方式。

技术实现思路

1、基于此,有必要针对上述技术问题,提供一种基于交叉注意力的查询式测绘空间数据重构方法。

2、所述方法包括:

3、获取目标区域内的测绘空间数据,所述测绘空间数据包括已知观测点的空间坐标以及与所述空间坐标相对应的连续数值属性,将全部已知观测点组织为观测点集合;

4、对所述观测点集合中各观测点的空间坐标和连续数值属性进行归一化处理;

5、根据空间重构任务确定需要预测连续数值属性的空间位置,将所述空间位置构造为查询位置集合;

6、采用与所述观测点相同的归一化参数对所述查询位置集合中各查询位置的空间坐标进行归一化处理;

7、将归一化后的所述观测点集合中各观测点的空间坐标和连续数值属性输入观测点特征映射网络,生成各观测点的观测点嵌入特征,全部观测点嵌入特征构成观测点特征矩阵;

8、将所述观测点特征矩阵输入空间相关性编码模块,通过多头自注意力机制对各观测点之间的空间关联关系进行编码,得到编码后的观测点空间特征矩阵;

9、将归一化后的所述查询位置集合中各查询位置的空间坐标输入查询点特征映射网络,生成各查询位置的查询位置嵌入特征,全部查询位置嵌入特征构成查询特征矩阵;

10、将所述查询特征矩阵作为查询矩阵,将所述编码后的观测点空间特征矩阵作为键矩阵和值矩阵,输入交叉注意力模块,通过多头交叉注意力机制计算各查询位置与各已知观测点之间的注意力权重,并根据所述注意力权重对各已知观测点的特征进行加权聚合,得到各查询位置的融合特征;

11、将各查询位置的融合特征输入场值预测模块,输出各查询位置处的连续数值属性预测值;

12、根据各查询位置的空间分布及其对应的连续数值属性预测值,生成所述空间重构任务对应的空间重构数据。

13、可选的,在本技术的一个实施例中,还包括模型训练过程:

14、获取完整参考数据,所述完整参考数据包含空间坐标及对应的连续数值属性真实值;

15、从所述完整参考数据中选取部分位置作为训练观测点,选取其余位置中的至少一部分作为训练查询位置,将所述训练查询位置处的连续数值属性真实值作为训练标签;

16、将所述训练观测点输入观测点特征映射网络和空间相关性编码模块,将所述训练查询位置输入查询点特征映射网络、交叉注意力模块和场值预测模块,得到所述训练查询位置处的连续数值属性预测值;

17、根据所述训练查询位置处的连续数值属性预测值与所述训练标签计算损失函数值,根据所述损失函数值更新网络参数。

18、可选的,在本技术的一个实施例中,从所述完整参考数据中选取部分位置作为训练观测点的具体方式包括随机散点采样、沿预设测线采样、局部区域剔除采样和空间加密采样中的任意一种或多种的组合,不同训练样本采用不同的采样方式和采样参数。

19、可选的,在本技术的一个实施例中,训练过程中,不同训练样本中的训练观测点数量和训练查询位置数量不相同;在同一训练批次中,将各训练样本中的训练观测点填充至当前批次最大观测点数量,并建立观测点有效性掩膜;将各训练样本中的训练查询位置填充至当前批次最大查询位置数量,并建立查询位置有效性掩膜;所述损失函数值根据所述查询位置有效性掩膜计算有效查询位置的预测误差。

20、可选的,在本技术的一个实施例中,所述空间相关性编码模块包括串联的多个空间编码层,每个空间编码层包括多头自注意力子层、第一残差连接层、第一层归一化层、前馈神经网络子层、第二残差连接层和第二层归一化层。

21、可选的,在本技术的一个实施例中,所述交叉注意力模块包括串联的多个交叉注意力层,每个交叉注意力层包括多头交叉注意力子层、第三残差连接层、第三层归一化层、前馈神经网络子层、第四残差连接层和第四层归一化层。

22、可选的,在本技术的一个实施例中,所述观测点特征映射网络包括依次连接的第一全连接层、第一非线性激活层、第二全连接层、第二非线性激活层、第三全连接层和层归一化层;所述查询点特征映射网络包括依次连接的第一全连接层、非线性激活层、第二全连接层和层归一化层;所述场值预测模块包括依次连接的第一全连接层、非线性激活层、第二全连接层和输出层。

23、可选的,在本技术的一个实施例中,所述空间重构任务为规则网格化任务时,所述查询位置集合为目标区域内按预定网格间距生成的规则网格节点,所述空间重构数据为将各查询位置处的连续数值属性预测值按照网格行列顺序重组后形成的规则栅格数据。

24、可选的,在本技术的一个实施例中,所述空间重构任务为缺失数据重建任务时,所述查询位置集合为原始测绘数据中连续数值属性缺失的空间位置,所述空间重构数据为将各查询位置处的连续数值属性预测值写入对应缺失位置后形成的完整数据。

25、可选的,在本技术的一个实施例中,所述空间重构任务为空间加密任务时,所述查询位置集合为原始观测点之间按目标间距生成的新增空间位置,所述空间重构数据为将各查询位置及其对应的连续数值属性预测值与原始观测点合并后形成的加密测绘空间数据。

26、上述一种基于交叉注意力的查询式测绘空间数据重构方法,与现有技术相比,具有以下有益效果:

27、第一,能够直接处理数量可变、分布不规则的测绘观测数据。本发明将已知观测点的位置坐标及其连续数值属性组织为观测点集合,不要求观测点按照规则网格排列,也不限定不同样本中的观测点数量相同。与需要预先将离散点转换为固定尺寸栅格的深度学习方法相比,本发明能够直接接收不规则离散点、测线型采样点、非均匀点集及局部稀疏数据,减少预先网格化或体素化造成的附加误差,提高模型对不同采样密度和数据规模的适应能力。

28、第二,能够对任意指定的查询位置进行连续数值属性预测。本发明将待预测空间位置单独构造为查询位置集合,并以查询位置特征作为交叉注意力机制中的查询信息,模型输出位置不再由固定栅格尺寸决定,而是由输入的查询位置集合决定。在模型主体结构和网络参数保持不变的情况下,可以根据需要改变查询点的数量、空间分布和分辨率,实现任意指定位置的连续数值属性预测,提高了空间重构位置设置的灵活性。

29、第三,实现规则网格化、缺失数据重建和空间加密的统一处理。离散数据规则网格化、局部缺失数据重建和空间加密,本质上均为根据已有观测数据预测指定位置连续数值属性的过程。本发明通过改变查询位置集合的构造方式,将上述任务统一到同一查询式空间重构框架中:当查询位置为规则网格节点时,生成规则网格化结果;当查询位置为数据缺失位置时,实现缺失数据重建;当查询位置为新增采样位置时,实现空间加密。无需针对不同空间重构任务分别设计网络结构或重新规定固定输入输出尺寸。

30、第四,能够同时利用观测点之间以及查询位置与观测点之间的空间关联。本发明首先通过空间相关性编码模块,对已知观测点之间的关联关系进行建模,使每个观测点特征能够融合其他观测点的空间位置和连续数值属性信息;随后通过交叉注意力模块,建立每个查询位置与编码后观测点之间的动态关联关系。与主要依据固定距离权重、固定搜索邻域或预设变异函数确定预测权重的传统方法相比,本发明能够针对不同查询位置形成不同的观测信息组合,使查询位置自适应地提取与其预测相关的观测特征,增强对非均匀采样和测线型数据空间关系的表达能力。

31、第五,降低对人工插值参数和固定空间模型的依赖。反距离加权、克里金、样条等传统方法通常需要设置搜索邻域、距离权重指数、变异函数、变程或平滑系数等参数,参数选择直接影响重构结果。本发明通过训练获得观测点之间以及查询点与观测点之间的关联规律,交叉注意力权重由观测点特征和查询位置特征共同计算,不需要针对每一个查询位置人工设置固定权重,减少不同观测点分布条件下对人工经验参数的依赖。

32、第六,提高对不同采样形式和缺失形式的适应能力。本发明在模型训练过程中动态构造随机散点、测线型采样、局部缺失和低密度采样等训练样本,并允许观测点数量和查询点数量在不同样本之间变化。通过上述动态训练方式,模型能够学习不同采样密度、不同测线间距和不同缺失位置条件下的空间映射关系,避免模型仅适用于某一种固定采样形式或固定缺失掩膜。

33、第七,能够在保留原始有效数据的基础上生成完整重构结果。在缺失数据重建任务中,本发明仅将缺失位置设置为查询点,并对缺失位置输出预测值,原始有效位置的实测属性值保持不变。通过将查询位置预测结果写回对应缺失位置,在不改变已有有效观测数据的情况下形成完整空间数据。在空间加密任务中,新增查询点及其预测值与原始观测点共同组成加密后的数据集,原始观测值同样予以保留,避免对有效实测值进行不必要的替换。