面向深度学习模型的海岸线分段方法、程序产品和介质

本发明涉及地理信息处理领域，尤其涉及一种面向深度学习模型的海岸线分段方法、程序产品和介质。

背景技术：

1、海岸线是陆海交互最直接的线状地理要素，在地图制图、海岸规划、生态监测等领域具有重要应用价值，多尺度表达是其核心研究问题。海岸线形态复杂、弯曲丰富、尺度敏感性强，化简时需兼顾细节压缩与整体轮廓、关键地貌特征保留，是地图制图综合的重点难题，而分段是海岸线化简的关键前提。

2、在线要素化简（或折线抽稀）领域，由道格拉斯-普克算法（douglaspeucker）、维斯瓦林加姆-怀亚特算法（visvalingwhyatt）等经典算法奠定了顶点取舍、弯曲简化的基础，后续逐步发展出基于关键点、弯曲单元的分段思路。关键点分段通过曲率极值、转角突变识别断点，侧重局部几何突变；弯曲单元分段以平直、连续弯曲等形态单元为划分依据，侧重局部形态一致性，二者为海岸线分段提供了基础思路。

3、深度学习兴起后，利用seq2seq、gru等序列模型进行线化简，样本组织成为核心环节，机械固定切分成为常用样本处理方式，即按照固定长度或点数拆分海岸线，为序列建模提供基础样本形式。但是，若按照固定长度或固定点数拆分海岸线，则会导致切分位置与岸线的真实地理特征（包括几何形态和结构特征）毫无关联，且大比例尺和小比例尺海岸线各自独立进行机械切分，切分位置互不相干，因此无法建立跨尺度对应关系，样本配对混乱（即大比例尺岸段与小比例尺岸段无法一一对应，相当于待输入深度学习模型的训练数据质量低下），严重影响模型学习稳定的映射规律，最终导致化简结果失真。

技术实现思路

1、本发明的目的在于提供一种面向深度学习模型的海岸线分段方法、程序产品和介质，用于解决现有技术对于海岸线进行切分的切分位置与海岸线的真实地理特征毫无关联，导致切分后无法建立跨尺度对应关系，使得大比例尺岸段与小比例尺岸段无法一一对应，从而严重影响模型学习稳定的映射规律，最终导致化简结果失真的问题。

2、为了实现上述目的，本发明提供了一种面向深度学习模型的海岸线分段方法，该方法包括：

3、获取大比例尺海岸线与对应的目标小比例尺海岸线；

4、通过对大比例尺海岸线进行等距离采样得到各顶点，并确定各顶点对应的转角变化量；若任意一个顶点对应的转角变化量超过预设的形态断点阈值，则判定该顶点为候选形态断点；

5、将预先构造的各顶点对应的滑动窗口内转角变化量的累积量，确定为各顶点的结构能量；若任意一个顶点与邻近顶点之间结构能量的一阶差分量超过预设的结构断点阈值，且在预设邻域内所有顶点中具有最大的一阶差分量，则判定该顶点为候选结构断点；

6、将目标小比例尺海岸线各顶点一一映射至大比例尺海岸线，得到各投影点；根据各投影点在大比例尺海岸线上的累计弧长，与大比例尺海岸线的总弧长，确定大比例尺海岸线各顶点与目标小比例尺海岸线各顶点的对应索引；若目标小比例尺海岸线任意一个顶点与其对应索引满足单调顺序约束，则判定该顶点为候选尺度一致断点；

7、根据预设的断点约束规则，从所述候选形态断点、候选结构断点与候选尺度一致断点中删除部分断点，得到各筛选断点；

8、根据各筛选断点、海岸线起点和海岸线终点，确定各边界顶点；

9、根据大比例尺海岸线的总弧长与各边界顶点在大比例尺海岸线上的累计弧长，确定各边界顶点的沿线相对位置；

10、将各边界顶点的沿线相对位置映射至目标小比例尺海岸线的总弧长上，确定各边界顶点的目标切分位置，并根据目标切分位置在小比例尺海岸线上确定各切分点；

11、根据所述各边界顶点将大比例尺海岸线切分为各大比例尺海岸段，并根据所述各切分点将目标小比例尺海岸线切分为各小比例尺海岸段。

12、有益效果：本发明提供了一种面向深度学习模型的海岸线分段方法。首先，本方法通过从大比例尺海岸线自身几何特征出发，计算各顶点转角变化量并识别候选形态断点；构造滑动窗口计算结构能量及其一阶差分量以识别候选结构断点；利用目标小比例尺海岸线顶点向大比例尺的映射关系识别候选尺度一致断点，实现了从局部形态、区域结构到尺度一致性三个层面的候选断点的全面识别，由此从根本上避免了仅依赖单一特征识别断点的不足，使分段结果能够贴合海岸线的真实地理特征，有效适配各种复杂岸线形态。

13、识别各候选断点后，基于预设的断点约束规则对三类候选断点进行筛选，并删除部分断点得到筛选断点（即最终确定的断点），有效抑制了断点过密和岸段过短的问题，避免了分段碎片化，保留了某些关键地貌（如岬角、海湾等）的完整性，提升了分段结果的几何合理性与结构稳定性。

14、本方法通过建立大比例尺海岸线边界顶点与目标小比例尺海岸线切分点之间基于沿线相对弧长位置的一一对应关系，实现了断点的跨尺度回传与同步切分，解决了现有技术无法建立跨尺度对应关系、样本配对混乱的核心问题，使大比例尺海岸段与小比例尺海岸段形成结构一致、尺度对应的数据对，为深度学习模型学习稳定的跨尺度映射规律提供了高质量的样本基础。

15、综上所述，采用本方法实现海岸线切分，不仅可避免将平直岸段与复杂弯曲岸段强行合并导致的样本特征混杂和信息干扰，还使得深度学习模型后续能够更有效地学习跨尺度化简规律，从而提升化简结果的稳定性与自然度，减少失真现象。

16、进一步地，根据预设的断点约束规则，从所述候选形态断点、候选结构断点与候选尺度一致断点中删除部分断点，得到各筛选断点，包括：

17、将所述候选形态断点、候选结构断点与候选尺度一致断点按照对应索引排序，并计算排序后各相邻断点间的累计弧长；

18、当任意两个相邻断点间的累计弧长小于预设的最小断点间距阈值时，包括：

19、若断点类型不同，则根据预设的优先级顺序在两个相邻断点中删除优先级较低的断点，保留优先级较高的断点；所述优先级顺序由高到低依次为：候选尺度一致断点、候选结构断点和候选形态断点；

20、若断点类型相同，则在两个相邻断点中删除强度值较低的断点，保留强度值较高的断点；

21、根据保留的断点划分各岸段，并计算各岸段的弧长；

22、若任意一个岸段的弧长小于预设的最小岸段长度阈值，则在该岸段两端的断点中删除强度值较低的断点，保留强度值较高的断点；

23、将弧长小于预设的最小岸段长度阈值的各岸段并入对应的相邻岸段，得到各重构岸段；

24、当各重构岸段的弧长均大于等于预设的最小岸段长度阈值时，确定各筛选断点。

25、进一步地，根据大比例尺海岸线的总弧长与各边界顶点在大比例尺海岸线上的累计弧长，确定各边界顶点的沿线相对位置，包括：

26、根据大比例尺海岸线各相邻顶点间欧氏距离的叠加和，确定大比例尺海岸线的总弧长；

27、根据海岸线起点至各边界顶点之间各相邻顶点间欧氏距离的叠加和，确定各边界顶点在大比例尺海岸线上的累计弧长；

28、将各边界顶点在大比例尺海岸线上的累计弧长与大比例尺海岸线的总弧长的比值，确定为各边界顶点的沿线相对位置。

29、进一步地，将各边界顶点的沿线相对位置映射至目标小比例尺海岸线的总弧长上，确定各边界顶点的目标切分位置，包括：

30、根据各边界顶点的沿线相对位置与目标小比例尺海岸线的总弧长的乘积，确定各边界顶点的目标切分位置。

31、进一步地，确定各顶点对应的转角变化量，包括：

32、将各两个相邻顶点间的纵向增量与横向增量代入预设的方向角函数，确定各顶点对应的方向角，并根据各顶点对应的方向角计算各顶点对应的转角变化量。

33、进一步地，根据各顶点对应的方向角计算各顶点对应的转角变化量，包括：

34、；

35、其中，为第i个顶点对应的转角变化量；为第i个顶点对应的方向角；为第i-1个顶点对应的方向角。

36、进一步地，根据各投影点在大比例尺海岸线上的累计弧长，与大比例尺海岸线各顶点的累计弧长，确定大比例尺海岸线各顶点与目标小比例尺海岸线各顶点的对应索引，包括：

37、；

38、其中，为大比例尺海岸线第i个顶点与目标小比例尺海岸线顶点的对应索引；为大比例尺海岸线第i个顶点的累计弧长；为小比例尺顶点的投影点在大比例尺海岸线上的累计弧长。

39、本发明还提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述的面向深度学习模型的海岸线分段方法的步骤。

40、本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的面向深度学习模型的海岸线分段方法的步骤。

41、本发明所提供的计算机程序产品与计算机可读存储介质均可执行本发明所提供的面向深度学习模型的海岸线分段方法，具备执行方法相应的功能模块和有益效果。