图Transformer支持下的河网模式识别

P208; 河网模式识别在地形地貌分析、地质矿物探测、河网数据多尺度变换等研究中发挥重要作用.为克服基于形态特征与几何特征的空间统计方法的稳健性不足问题,引进图卷积神经网络是当前的主要手段,然而图卷积方法仅关注河网形态的局部特征,仍未实现从全局视角出发的河网模式识别决策.因此,本文提出了一种图Transformer支持下的河网模式识别方法.该方法在河网几何形态知识支持下利用对偶图思想构建河网图结构,进一步通过GraphSAGE设计局部学习模块及Transformer设计全局学习模块.试验结果表明,相比已有的1s-ChebNet和GraphSAGE方法,本文方法能够结合局部河段组合特征与全局河网...

Full description

Saved in:
Bibliographic Details
Published in测绘学报 Vol. 53; no. 11; pp. 2075 - 2085
Main Authors 余华飞, 邱天奇, 周哲, 龚冲亚, 肖天元, 杨敏, 艾廷华
Format Journal Article
LanguageChinese
Published 武汉大学资源与环境科学学院,湖北武汉 430079 13.12.2024
地理信息系统教育部重点实验室,湖北武汉 430079%广州市城市规划勘测设计研究院有限公司,广东 广州 510060
Subjects
河网模式识别
Transformer
geometric knowledge
几何形态知识
GraphSAGE
drainage pattern recognition
Online AccessGet full text
ISSN1001-1595
DOI10.11947/j.AGCS.2024.20230582

Cover

More Information
Summary:P208; 河网模式识别在地形地貌分析、地质矿物探测、河网数据多尺度变换等研究中发挥重要作用.为克服基于形态特征与几何特征的空间统计方法的稳健性不足问题,引进图卷积神经网络是当前的主要手段,然而图卷积方法仅关注河网形态的局部特征,仍未实现从全局视角出发的河网模式识别决策.因此,本文提出了一种图Transformer支持下的河网模式识别方法.该方法在河网几何形态知识支持下利用对偶图思想构建河网图结构,进一步通过GraphSAGE设计局部学习模块及Transformer设计全局学习模块.试验结果表明,相比已有的1s-ChebNet和GraphSAGE方法,本文方法能够结合局部河段组合特征与全局河网形态特征,做出准确的河网模式识别决策,识别精度可达94％.这为实现智能化河网模式识别提供了一种技术途径.
ISSN:1001-1595
DOI:10.11947/j.AGCS.2024.20230582