一种基于分区隐式神经表示的连续水深场重构方法和装置

本技术涉及海洋测绘领域，尤其涉及一种基于分区隐式神经表示的连续水深场重构方法和装置。

背景技术：

1、在海洋测绘、电子海图构建及水下环境建模等领域，高精度数字水深模型是支撑船舶航行、海洋工程规划以及海底环境分析的重要基础。现有数字水深模型通常基于离散测深数据，通过插值方法生成连续水深曲面，常用方法包括反距离加权、克里金插值以及样条插值等。随着测深数据规模扩大以及海域地形复杂程度提高，如何准确表达不同区域的水深变化特征成为数字水深建模的重要需求。

2、然而，现有的水深建模系统通常通过对离散测深数据进行插值处理生成连续水深模型，在海山、海沟以及陆坡等水深变化剧烈区域，容易出现地形细节恢复不足、预测结果过度平滑的问题；在不同区域数据分布差异较大的情况下，由于采用统一的插值策略和参数配置，容易造成部分区域预测精度降低，特别是在大范围海域建模过程中，不同区域预测结果之间容易出现边界不连续现象，从而降低海底地形图绘制的准确性。

3、因此，亟需一种基于分区隐式神经表示的连续水深场重构方法和装置。

技术实现思路

1、本技术提供一种基于分区隐式神经表示的连续水深场重构方法和装置，解决了现有的水深建模系统对海底地形图的绘制准确性较低的问题。

2、在本技术的第一方面提供了一种基于分区隐式神经表示的连续水深场重构方法，方法包括：获取目标海域对应的全域非结构化水深点云，并基于预设分区结果对全域非结构化水深点云进行区域划分，得到多个子区域水深点云；基于多个子区域水深点云对应的地理边界构建自适应缓冲区，并基于自适应缓冲区获取相邻区域数据，生成各个子区域对应的分区训练数据集；构建包含随机傅里叶特征映射机制和深层全连接网络架构的bathyinr模型，并基于分区训练数据集对bathyinr模型进行训练，得到各子区域对应的局部inr模型；基于分区训练数据集，采用地形感知自适应复合损失函数对bathyinr模型进行参数优化，并根据模型训练过程中的损失变化状态调整训练参数，得到优化后的局部inr模型集合；基于局部inr模型集合构建空间掩码和缓冲区高斯权重图，并根据待预测空间位置对应的空间掩码确定候选局部inr模型；基于缓冲区高斯权重图对候选局部inr模型输出的水深预测结果进行融合，生成全域连续水深模型；基于全域连续水深模型输出目标海域对应的连续水深图，并基于连续水深图对目标海域进行海底地形分析、航行区域评估或水深变化检测。

3、可选地，获取目标海域对应的全域非结构化水深点云，并基于预设分区结果对全域非结构化水深点云进行区域划分，得到多个子区域水深点云，具体包括：获取全域非结构化水深点云对应的空间位置信息；空间位置信息包括各个水深点对应的经纬度坐标信息和空间索引信息；将空间位置特征与预设分区结果进行匹配，并确定各个水深点对应的分区标签；根据分区标签对全域非结构化水深点云进行分类组织，得到多个子区域水深点云。

4、可选地，构建随机傅里叶特征映射机制，具体包括：对空间位置信息进行归一化处理，得到归一化空间坐标信息；基于分区训练数据集对应的地形特征确定随机傅里叶特征映射机制对应的缩放因子，并基于缩放因子生成随机投影矩阵；地形特征包括水深范围特征、离岸位置特征以及数据密度特征；将归一化空间坐标与随机投影矩阵进行映射处理，得到投影特征；分别对投影特征进行正弦变换和余弦变换，生成傅里叶编码向量。

5、可选地，构建深层全连接网络架构，具体包括：构建由多个线性变换层、layernorm归一化层以及gelu非线性激活函数交替连接形成的深层全连接网络架构，并按照特征维度渐变方式设置深层全连接网络架构中的多个计算层；多个计算层包括前端计算层、中间计算层以及后端计算层；其中，前端计算层用于对高维特征进行扩展映射，中间计算层用于维持特征表达维度，后端计算层用于对特征维度进行压缩映射。

6、可选地，基于分区训练数据集，采用地形感知自适应复合损失函数对bathyinr模型进行参数优化，并根据模型训练过程中的损失变化状态调整训练参数，得到优化后的局部inr模型集合，具体包括：基于分区训练数据集对bathyinr模型进行训练，并采用由鲁棒损失项和极值强化损失项构成的地形感知自适应复合损失函数对bathyinr模型进行参数优化；基于地形感知自适应复合损失函数对应的损失变化状态，对bathyinr模型的训练参数进行调整，并根据预设评价指标对bathyinr模型进行收敛检测；预设评价指标包括确定系数评价指标、均方根误差评价指标、平均绝对误差评价指标、最大极端偏差评价指标以及峰值信噪比评价指标；在bathyinr模型满足收敛条件时，保存对应子区域的模型参数，得到优化后的局部inr模型集合。

7、可选地，基于局部inr模型集合构建空间掩码和缓冲区高斯权重图，并根据待预测空间位置对应的空间掩码确定候选局部inr模型，具体包括：基于局部inr模型集合中各个局部inr模型对应的子区域范围和缓冲区范围，构建与各局部inr模型对应的空间掩码；基于局部inr模型对应的缓冲区范围与待预测空间位置之间的距离关系，构建局部inr模型对应的缓冲区高斯权重图；获取待预测空间位置对应的空间位置信息，并基于空间掩码确定包含待预测空间位置的候选局部inr模型。

8、可选地，基于缓冲区高斯权重图对候选局部inr模型输出的水深预测结果进行融合，生成全域连续水深模型，具体包括：基于待预测空间位置对应的候选局部inr模型确定待预测空间位置对应的预测方式；当待预测空间位置对应的候选局部inr模型为一个时，基于单个候选局部inr模型输出待预测空间位置对应的第一水深预测结果；当待预测空间位置对应的候选局部inr模型为多个时，分别获取各候选局部inr模型输出的多个水深预测结果，并基于缓冲区高斯权重图确定各候选局部inr模型对应的融合权重；根据融合权重对多个水深预测结果进行融合，输出待预测空间位置对应的第二水深预测结果；基于第一水深预测结果或第二水深预测结果生成全域连续水深模型。

9、在本技术的第二方面提供了一种基于分区隐式神经表示的连续水深场重构装置，装置包括获取模块以及处理模块，其中，

10、获取模块，用于获取目标海域对应的全域非结构化水深点云，并基于预设分区结果对全域非结构化水深点云进行区域划分，得到多个子区域水深点云。

11、获取模块，用于基于多个子区域水深点云对应的地理边界构建自适应缓冲区，并基于自适应缓冲区获取相邻区域数据，生成各个子区域对应的分区训练数据集。

12、处理模块，用于构建包含随机傅里叶特征映射机制和深层全连接网络架构的bathyinr模型，并基于分区训练数据集对bathyinr模型进行训练，得到各子区域对应的局部inr模型。

13、处理模块，用于基于分区训练数据集，采用地形感知自适应复合损失函数对bathyinr模型进行参数优化，并根据模型训练过程中的损失变化状态调整训练参数，得到优化后的局部inr模型集合。

14、处理模块，用于基于局部inr模型集合构建空间掩码和缓冲区高斯权重图，并根据待预测空间位置对应的空间掩码确定候选局部inr模型。

15、处理模块，用于基于缓冲区高斯权重图对候选局部inr模型输出的水深预测结果进行融合，生成全域连续水深模型。

16、处理模块，用于基于全域连续水深模型输出目标海域对应的连续水深图，并基于连续水深图对目标海域进行海底地形分析、航行区域评估或水深变化检测。

17、在本技术的第三方面提供了一种电子设备，包括处理器、存储器、用户接口及网络接口，存储器用于存储指令，用户接口和网络接口用于与其他设备通信，处理器用于执行存储器中存储的指令，以使电子设备执行如上述任意一项的方法。

18、在本技术的第四方面提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储有计算机程序，计算机程序被处理器执行如上述任意一项的方法。

19、本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

20、1、通过获取目标海域对应的全域非结构化水深点云，并基于预设分区结果划分多个子区域水深点云；基于所述子区域水深点云构建自适应缓冲区，生成分区训练数据集；构建包含随机傅里叶特征映射机制和深层全连接网络架构的bathyinr模型，并训练得到局部inr模型集合；基于地形感知自适应复合损失函数优化所述局部inr模型集合，构建空间掩码和缓冲区高斯权重图；根据所述缓冲区高斯权重图融合水深预测结果，生成全域连续水深模型，并输出连续水深图，从而提高复杂海域水深预测精度和海底地形图绘制准确性。

21、2、通过基于局部inr模型集合中各个局部inr模型对应的子区域范围和缓冲区范围，构建与各局部inr模型对应的空间掩码；基于局部inr模型对应的缓冲区范围与待预测空间位置之间的距离关系，构建局部inr模型对应的缓冲区高斯权重图；获取待预测空间位置对应的空间位置信息，并基于空间掩码确定包含待预测空间位置的候选局部inr模型，从而实现待预测空间位置与局部inr模型之间的空间匹配，为后续水深预测结果融合提供模型选择依据。