河流网络经常被比作地球的骨架或指纹。受构造运动、地质过程、土壤植被等多种因素的影响，河网将呈现独特而复杂的空间形态。河网格局是指在这些复杂因素作用下形成的河网规则的空间形态。因此，这些模式特征与地形、岩石、矿产等地理信息密切相关[1]。这种关系使得河网模式识别成为水文学、地貌学、地质学、地图学等领域的研究热点，并在地形分析和岩石矿物检测中发挥着关键作用。例如，识别网格状和矩形河网可以帮助发现断裂带和褶皱山脉[2]，为金矿勘探提供基础[3]。同时，河网模式识别对于河网数据多尺度转换过程中保持空间结构一致性和地理特征完整性也至关重要[4]。
早期，河网模式识别研究从地质、地貌和空间几何的角度出发，通过专家解读初步界定了河网模式的类型[1]。例如，分布在坡度均匀、地形平行、细长的平原地区、支流同向流动、汇流角度多为锐角的河网形状，定义为平行河网形状。分布在受断层影响的地形中，河段弯曲角度大，方向随机，以近直角汇聚，呈现不定方向的河网形状定义为矩形[5-6]。
为了提高河网模式识别的自动化水平，引入数理统计模型来描述这种认知行为是重要方法之一。该方法根据河流的形态特征和地形特征，结合数理统计设定特征阈值来确定格局类型[6-7]。具体来说，建立了曲流指数、支流与干流长度比、汇流角、支流长度和密度、流域面积、源出水口距离等形态特征[6,8-9]，并从数字高程模型中推导出来。 。将高程、坡度、曲率、坡面积比等地形参数[7,10]结合分类决策树[11]、主成分分析和判别分析[12]、模糊逻辑[6]等方法进行统计每个河网格局类型。划分门槛。但该方法受水文特征的复杂性、主观认知的猜想以及模式类别的嵌套展开等影响，缺乏鲁棒性[13-14]。
近年来，深度学习方法为河网模式识别提供了新的手段。文献[15]首次引入卷积神经网络以监督学习的方式识别树突河网络。此外，为了应对矢量河网的不规则数据结构，通过河网的图结构化表达，一阶切比雪夫图卷积网络（1st-ChebNet）、图采样和图卷积神经网络等图样本和聚合（GraphSAGE）可以基于图分类的思想实现不同河网模式的分类和识别[13,16-17]。然而，上述图卷积方法通常只使用2~3层图卷积层（参考文献[18]验证了使用这个层数时模型效果最优云开·全站体育app登录，层数过多会降低模型拟合能力）。图卷积的每一层仅聚合其一阶邻域信息。因此，目前应用于河网模式识别的图卷积方法只能捕获图节点及其二阶或三阶邻居节点的上下文信息，尚未基于格式塔认知心理学的整体原理发展起来。全球视角下的河网模式识别.
目前，Transformer[19]依靠其强大的全局上下文信息挖掘能力，克服了循环神经网络和长短期记忆网络在挖掘长距离上下文信息方面的缺点。它已被广泛应用于地理知识提取[20-21]和轨迹数据处理[22-23]、遥感图像处理[24-25]等领域得到广泛应用。本文提出一种图Transformer支持的河网模式识别方法。一方面，该方法使用图卷积网络来捕获河段之间的局部上下文信息。另一方面，它利用Transformer在局部信息的基础上挖掘全局上下文信息，从而结合局部和全局上下文信息来进行河网模式识别决策并克服现有的图体。产品方法在学习全局上下文信息方面存在缺陷。基本流程为：首先从层次结构、水文几何和图连接三个角度提取河网的几何形态知识，构建无向河网对偶图的特征矩阵来表示“河段-河道”的层次结构。 -河网”关系、几何特征和连通机制；然后，利用河流交汇关系构建邻接矩阵；最后，设计图Transformer的网络结构，包括基于GraphSAGE的局部学习模块和基于Transformer的全局学习模块。
1 种方法
图Transformer支持的河网模式识别框架如图1所示，包括图结构建模和图Transformer网络结构设计两个模块。图结构建模旨在整合几何形式知识，实现河网的图结构表达。以图结构的特征矩阵作为几何形式知识的载体，以图结构的邻接矩阵记录河段的连接关系。 Graph Transformer的网络结构设计旨在从局部和全局角度挖掘河网形态信息，为河网模式识别提供准确、充分的决策信息。
图1
图1 Transformer支持的河网模式识别框架
图1 图Transformer支持的排水模式识别框架
1.1 图结构构建
为了克服矢量河网数据组织不规则的问题，本文借鉴[13]的方法，利用对偶图的思想构建河网图结构。首先，提取河段中点作为河网图结构的节点，并存储几何形式知识，记录为特征矩阵M（图2（a））。然后，将河段连接关系转换为河网图结构的边开yun体育app官网网页登录入口，记为邻接矩阵A（图2（b））。本文将这种图结构称为河网无向对偶图（UDG-RN）（图2（c）），用作图Transformer的输入。
图2
图2 基于河段中点的UDG-RN构建
图2 基于河段中点的UDG-RN构建
1.1.1 构建特征矩阵存储河网几何知识
UDG-RN的特征矩阵用于记录河网的几何形态知识。这种几何形式知识（即认知参数）可以从层次结构、水文几何、图连接三个角度提取：层次结构视角基于格式塔认知心理学，记录“河段-河流-河网”之间的关系局部与整体的层级关系；水文几何视角基于水文学和计算几何构建河段、河流、河网图解几何的认知参数；图连接视角根据图论性别、可达性等信息，量化河网图中节点的重要性和邻近度。本文结合了文献[13]验证的河网几何形态知识，包括从层次结构角度看的Strahler编码[26]、从水文几何角度看参考点距离差[13]、参考点角度[13]、河段长度、最小外接矩形[9]的长宽比和最小外接矩形[27]的长边方向，以及图连接视角的节点度。将上述几何形态学知识作为UDG-RN的节点特征来构造特征矩阵M。
1.1.2 考虑河段关系的邻接矩阵构建
邻接矩阵用于记录河段的连接关系。考虑到在识别河网形态的过程中，地图阅读者不易直接判断河网流向信息，但可以更快速地识别河段的连接关系。因此，本文仅考虑河段连接关系来构建河网图结构。无向边（图2（b）），邻接矩阵A表示为
(1)
1.2 图Transformer网络结构设计
为了从局部角度捕获河段之间的交互信息并从全局角度进行河网模式识别决策，本研究设计了基于局部学习模块和全局学习模块的图Transformer。其网络结构如图3所示。可表示为
(2)
式中，Y∈R1×5为各河网模式类型的概率。首先，网络以UDG-RN结构（M，A）为输入，通过基于图卷积的局部学习模块Local_GCN（·）收集相邻河段信息（具体参见1.2.1节），并将其表示为图节点嵌入向量。然后，将每个图节点嵌入向量与该节点的原始特征向量拼接，构造新的图节点嵌入向量。最后，将新的图节点嵌入向量传递给基于Transformer的全局学习模块Global_transformer(·)（具体参见1.2.2节），根据局部的交互信息学习河网形态的全局信息。河段，并通过全连接网络计算每种河网模式类型的概率Y。其中，网络以监督学习的形式进行训练，并基于交叉熵损失函数进行反向传播。
图3
图3 Transformer的网络结构
注：m为图卷积计算后图节点的特征维度。
图3 图Transformer网络的架构
1.2.1 基于图卷积的局部学习模块
基于图卷积的局部学习模块旨在挖掘河段之间交叉产生的局部信息。矩形河网与骨架河网的直角相交、平行河网的统一流向等显式局部信息和隐式局部信息 公式的局部信息依赖于图用于学习的卷积网络。本研究使用 GraphSAGE [28] 构建本地学习模块。该网络在河网模式识别[17]、综合河网选择[14]和构建功能分区[29]等任务中表现出强大的挖掘相邻上下文信息的能力。主要包括采样和聚合两个计算环节。
采样环节旨在克服UDG-RN节点邻接图节点数量不一致的问题，通过邻域图节点采样获得邻接图节点数量一致。采样机制如图4所示。首先确定采样数量、目标图节点及其相邻图节点。然后根据邻接图中节点数量的差异采用不同的采样策略。当邻接图中的节点数小于样本数时，使用重采样（图4（b））。当邻接图中的节点数等于样本数时，采用全采样（图4（c））），当邻接图节点数大于样本数时，采用欠采样（图4） (d))。
图4
图4 GraphSAGE的采样机制
笔记：
表示图节点i的第j个相邻图节点。
图4 GraphSAGE的采样机制
聚合链路的目的是融合采样到的邻接图节点信息来更新目标图节点信息，从而学习河段之间的局部特征。聚合方法包括长期和短期记忆聚合、最大聚合和均值聚合。先前的研究表明，均值聚合方法通常可以取得更好的学习效果[14,17]。因此，本文采用均值方法对采样的邻接图节点信息进行聚合，表达式为
(3)
式中，xi'∈R1×m为图节点i经过聚合处理后的嵌入向量，m为图卷积计算得到的图节点的特征维度； V(i)是通过采样图节点i作为目标图节点得到的。图节点的集合；
是基于图节点i采样的相邻图节点j的特征； mean(·)为均值聚合方法； W1和W2是学习权重矩阵kaiyun全站网页版登录，在所有图节点的聚合计算中共享。因此，采样和聚合的执行次数决定了图节点的嵌入向量所覆盖的邻域信息。例如，经过两轮采样和聚合后，图节点的嵌入向量合并一阶邻接图节点和二阶邻接图节点。功能信息。
1.2.2 基于Transformer的全局学习模块
基于Transformer的全局学习模块基于局部学习得到的图节点嵌入向量，从全局角度挖掘河网的几何形态信息。借鉴Transformer的全局上下文信息学习能力，本文设计了基于Transformer的全局学习模块，利用多头注意力机制捕获所有河流断面图节点的嵌入向量信息，并更新节点i的嵌入向量的河网图。
可以表示为
