一种基于深度学习的地形特征线智能提取方法及系统与流程

本发明属于地形特征线，特别是涉及一种基于深度学习的地形特征线智能提取方法及系统。

背景技术：

1、随着数字地形分析技术的发展，数字高程模型（digital elevation model，dem）已成为获取地形特征信息的核心数据源，从dem中自动、准确地提取地形特征线，是实现数字地形精准分析的核心前提。

2、现有地形特征线提取技术中，传统方法以局部微分几何分析为核心，通过计算dem格网点的剖面曲率、平面曲率、坡度变率等几何属性，筛选曲率极值点作为特征候选点，再借助追踪算法或区域生长算法连接特征候选点形成山脊线与山谷线，局部微分几何分析方法易受局部数据波动干扰，提取结果普遍存在噪声点多、特征遗漏的问题。针对局部微分几何分析法的缺陷，一类引入地形表面流水物理模拟信息，通过计算地表水流向、汇水面积等物理量辅助识别山谷线与山脊线，一定程度上缓解了噪声与特征遗漏问题，另一类采用条件生成对抗网络等深度学习技术，将特征线提取转化为逐像素的图像分割或生成问题，有效提升了局部识别精度。

3、然而，上述方法，无论局部微分几何分析法还是深度学习方法，均将特征线提取简化为纯几何形态的模式识别问题，丢失了关键的地貌成因信息，即山谷线不仅是高程局部最低点的集合，更是地表径流汇集的天然路径，其形态与走向受水文过程严格约束，而山脊线的拓扑结构则直接决定地表径流分叉模式与流域边界划分。此外，部分方法即便引入水文模拟，也与特征线提取为独立运行模块，缺乏双向信息交互与约束，未体现山谷线与水流路径的相互作用关系。真实dem受植被遮挡、采集误差、地形平坦等因素影响，特征候选点常稀疏不连续，传统方法依赖距离阈值规则或人工干预修复断裂，复杂地形区域易出现错误连接，而深度学习方法也未从根本上解决特征线网络的拓扑生成问题，缺乏在数据稀疏区域推断合理连接关系的能力。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种几何形态特征和水文过程特征通过交替的消息传递机制相互约束、协同收敛的基于深度学习的地形特征线智能提取方法及系统。

2、第一方面，本申请提供了一种基于深度学习的地形特征线智能提取方法，包括：

3、基于获取到的目标区域的数字高程模型，计算各格网点的几何特征向量和过程特征向量，并将几何特征向量和过程特征向量分别作为形态通道初始特征和过程通道初始特征；

4、基于各格网点的形态通道初始特征和过程通道初始特征，构建以格网点为节点的空间图结构，并通过预训练的地形-水文协同演化层对空间图结构中的各节点的形态通道初始特征和过程通道初始特征进行迭代更新，直至收敛至不动点，得到各节点的形态通道收敛特征和过程通道收敛特征；其中，地形-水文协同演化层包括形态通道和过程通道，形态通道和过程通道之间通过双向耦合门控进行特征交换和相互修正；地形-水文协同演化层通过分别在形态通道、过程通道内执行空间消息传递，实现对形态通道初始特征和过程通道初始特征的迭代更新；

5、对各节点的形态通道收敛特征进行分类识别，得到各节点对应的地形特征类型标签；

6、基于各节点的形态通道收敛特征，计算空间图结构中相邻节点对在特征空间中的测地线距离，并针对存在拓扑断裂的相邻节点对执行虚拟节点插值和连接边建立，得到地形结构线网络；存在拓扑断裂的相邻节点对满足测地线距离小于预设特征距离阈值，且相邻节点对中两个节点对应的地形特征类型标签相同。

7、第二方面，本申请还提供了一种基于深度学习的地形特征线智能提取系统，包括：

8、特征计算模块，用于基于获取到的目标区域的数字高程模型，计算各格网点的几何特征向量和过程特征向量，并将几何特征向量和过程特征向量分别作为形态通道初始特征和过程通道初始特征；

9、协同演化模块，用于基于各格网点的形态通道初始特征和过程通道初始特征，构建以格网点为节点的空间图结构，并通过预训练的地形-水文协同演化层对空间图结构中的各节点的形态通道初始特征和过程通道初始特征进行迭代更新，直至收敛至不动点，得到各节点的形态通道收敛特征和过程通道收敛特征；其中，地形-水文协同演化层包括形态通道和过程通道，形态通道和过程通道之间通过双向耦合门控进行特征交换和相互修正；地形-水文协同演化层通过分别在形态通道、过程通道内执行空间消息传递，实现对形态通道初始特征和过程通道初始特征的迭代更新；

10、分类识别模块，用于对各节点的形态通道收敛特征进行分类识别，得到各节点对应的地形特征类型标签；

11、拓扑重建模块，用于基于各节点的形态通道收敛特征，计算空间图结构中相邻节点对在特征空间中的测地线距离，并针对存在拓扑断裂的相邻节点对执行虚拟节点插值和连接边建立，得到地形结构线网络；存在拓扑断裂的相邻节点对满足测地线距离小于预设特征距离阈值，且相邻节点对中两个节点对应的地形特征类型标签相同。

12、第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一基于深度学习的地形特征线智能提取方法的步骤。

13、第四方面，本申请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，所述计算机程序被处理器执行时实现上述任一基于深度学习的地形特征线智能提取方法的步骤。

14、上述基于深度学习的地形特征线智能提取方法及系统，通过对目标区域的数字高程模型的每个格网点分别计算表征几何形态信息的几何特征向量和表征水文汇流信息的过程特征向量，为协同演化提供了形态与过程双重信息基础；地形-水文协同演化层通过形态通道和过程通道内部各自的空间消息传递实现邻域信息的局部聚合，同时借助双向耦合门控在两个通道之间进行特征交换与相互修正，使形态特征在过程信息的物理约束下被调整、过程特征在形态信息的几何约束下被校正，经迭代更新收敛至不动点后所得到的形态通道收敛特征已同时蕴含了地形的几何形态属性和水文过程属性，从而解决了纯几何方法无法理解地貌成因语义的问题，使得分类识别能够依据更加丰富和物理合理的信息来判定各节点属于山脊线、山谷线或坡折线，提升了模型对复杂地貌单元的辨识能力；基于形态通道收敛特征计算相邻节点对在特征空间中的测地线距离，反映两个节点在形态特征流形上的真实连通代价，再结合两个节点地形特征类型标签相同这一条件来判定拓扑断裂，使得断裂检测不再依赖固定距离阈值或人工经验，而是基于特征空间中的连续性和语义一致性进行智能推断，并在判定断裂的位置插入虚拟节点建立连接边，最终获得的地形结构线网络不仅保持了特征线在空间上的连续性和在特征空间中的平滑性，而且从根本上修复了原始数据中因植被遮挡、采集误差或地形平坦导致的断裂缺陷，实现了从离散特征点到完整拓扑网络的自动重建。

1.一种基于深度学习的地形特征线智能提取方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述过程特征向量通过以下步骤计算得到：

3.根据权利要求1所述的方法，其特征在于，所述通过预训练的地形-水文协同演化层对所述空间图结构中的各节点的所述形态通道初始特征和所述过程通道初始特征进行迭代更新，直至收敛至不动点，得到各节点的形态通道收敛特征和过程通道收敛特征，包括：

4.根据权利要求1所述的方法，其特征在于，所述基于各节点的所述形态通道收敛特征，计算所述空间图结构中相邻节点对在特征空间中的测地线距离，并针对存在拓扑断裂的所述相邻节点对执行虚拟节点插值和连接边建立，得到地形结构线网络，包括：

5.根据权利要求1所述的方法，其特征在于，所述地形-水文协同演化层通过以下步骤训练得到：

6.根据权利要求5所述的方法，其特征在于，所述在特征空间中，对各样本节点的所述样本形态通道收敛特征进行局部主方向分析，得到各样本节点的特征线方向，并基于相邻样本节点之间的所述特征线方向的一致性度量构建拓扑一致性损失函数，包括：

7.根据权利要求5所述的方法，其特征在于，所述通过反向传播法迭代训练所述地形-水文协同演化层的可训练参数直至所述总损失函数收敛，得到预训练完毕的所述地形-水文协同演化层，包括：

8.一种基于深度学习的地形特征线智能提取系统，其特征在于，所述系统包括：

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。