基于弯曲序列注意力学习的复杂岸线段海图自适应综合方法

《Journal of Marine Science and Engineering》：An Adaptive Generalization Method for Complex Shoreline Segments in Nautical Charts Based on Bend Sequence Attention Learning

　　

为应对复杂岸线段内弯曲形态及其空间关系显著变化、单一综合算子与统一参数难以兼顾节点压缩与形态保持的挑战，研究人员提出一种基于弯曲序列注意力学习的岸线自适应综合方法。该方法以弯曲单元作为局部决策对象，融合几何形态、邻近距离与岸线类型特征，采用双向长短期记忆网络（BiLSTM）与自注意力机制学习每条岸线内弯曲之间的上下文关系，并预测局部综合算子及其参数。岸线间邻近链接支持基于约束校正期间的空间一致性检查。算子执行后，违反制图约束的候选几何进行参数回滚或算子重选；未解决的弯曲在输出前恢复至原始几何。在评估数据集、评分程序与压缩设置下，最终综合岸线取得86.43%的顶点压缩比与94.84%的弯曲保留比。上述结果支持在评估的压缩—保持操作点上开展弯曲级自适应算子选择的可行性；其他压缩设置与海图系列上的性能仍有待确定。

海图岸线是水文与陆地要素表达及近岸空间认知的几何基础，其表达方式控制岛屿、礁石、港口、河口与航道的空间关系。随海图比例尺减小，岸线综合须在减少几何细节的同时保留主要形态及支持导航定位的岸线特征。海图制图中位移方向具有非对称性：岸线向陆地位移会减少图载陆地面积、增加图载水域面积，可能夸大船舶可用净空；向海位移则增加图载陆地面积、减少图载水域面积，通常为保守方向，因此两类方向须分别记录与约束。港口入口、狭窄航道及与相邻要素关系还需额外约束。尤其在河口、狭窄航道、岛邻区与泻湖中，弯曲密集、岸线彼此靠近并形成局部封闭，独立处理单条岸线或采用统一参数易产生形态畸变与空间冲突，如弯曲过度删除、岸线越界、岛屿聚结与港口闭合。已有线性要素综合研究涵盖点选取、弯曲处理与空间关系约束，Douglas–Peucker（DP）算法、Visvalingam–Whyatt算法、混合线简化与基于曲折度的分段等方法为不同局部形态配置处理策略提供了途径；岸线研究亦将弯曲结构、地理特征、河口骨架层级表达、弯曲骨架线指标及多岸线层级三角网协同简化纳入过程，表明综合策略须适应局部形态与邻近关系。机器学习与深度学习进一步从样本学习形态特征与综合策略，部分工作聚焦识别与表示学习，如Gao et al.采用序列深度学习模型进行海岸线形状分类，Yu and Chen使用堆叠自编码器学习折线弯曲特征并生成简化表示，Chen et al.在图网络中结合顶点与边建模用于道路与岸线简化；另一类工作直接从影像或几何预测综合几何，如生成对抗网络生成山区道路图与多尺度电子地图瓦片，图模型将简化重构为图上节点移动或选择，无监督自编码器用于河网简化。这些方法表明几何细节可从数据复现，但其生成几何而非在海图生产已实现算子中选择。对需调用既有算子的任务，识别形态类别不足以完成局部单元的算子及参数选择。沿岸线弯曲具有序列相关性，处理一个弯曲会改变相邻弯曲组合形态，因此研究人员关注如何利用弯曲序列相关性学习局部算子与参数配置，而非用网络重绘线条。GeoAI多尺度制图综述亦指出集成化、知识感知的综合仍是开放问题。为此，研究人员提出基于弯曲序列注意力学习的复杂岸线段自适应综合方法。与已有工作相比有三点区别：其一，已有数据驱动方法多在全线、固定容差或生成几何层面决策，该方法对每个弯曲决策，同时输出保持在常规、规范合规算子内；其二，利用相邻弯曲序列依赖进行算子与参数选择，BiLSTM与自注意力层使非相邻弯曲参与局部决策；其三，岸线间邻近关系被显式表示，而非仅通过全局缓冲区，弯曲间岸线间隔低于尺度相关阈值时建立链接，最小距离作为特征输入，链接在校正阶段作为一致性检查；但在当前数据集上链接感知校正的实测效果较小，故作为设计特征而非已证明性能增益。该方法为每个弯曲预测局部综合算子及参数，并依据制图约束校正所得几何。其实际意义在于每次算子选择可追溯至具体弯曲，不可接受局部结果可单独回滚或重选而无需重处理整条岸线，使决策在生产流程中可审计、可局部编辑。

技术方法简述：研究采用多尺度中国海图岸线数据，按弯曲单元分割并提取弧长、弯曲高度、面积、曲率、曲率离散度、凹凸方向、至邻岸线最小距离与岸段类型编码等特征；以BiLSTM与自注意力进行序列编码，经分类与回归分支联合预测算子类别和参数；算子执行后按几何、面积、拓扑顺序检查制图约束并进行参数回滚或算子重选，未解决硬约束的弯曲恢复原几何并重新组装验证。样本来自多幅海图，按岸段类型分层并按图划分训练、验证与测试集。

研究结果如下。3.1 实验数据与样本构建：研究从中国多尺度海图提取2571个岸段，按局部曲率变化、极值与尺度相关阈值划分为104619个弯曲单元，覆盖河口分叉、狭窄航道收缩、岛邻、半封闭泻湖与普通曲折岸线五类；90幅源图按70%/15%/15%划分，训练、验证、测试集分别含1798、388、385个岸段及73377、15495、15747个弯曲单元；三名海图编绘专家独立标注岸段类型，讨论前Fleiss’ κ=0.86，190个样本（7.39%）需共同讨论后形成共识。由此建立覆盖五类场景且按图划分以降低同图样本泄漏风险的样本集。3.2 训练标签构建分析：海图尺度包括1:30,000至1:1,000,000，位移容差取图上0.03 cm，即目标比例尺分母×0.0003 m；DB以缓冲区半宽为参数，参考半宽为目标比例尺分母×0.00015 m；候选按顶点压缩比、长度保留比与弯曲面积保留比等权w_v=w_l=w_a=1/3评分并两阶段选择。结果表明DP在普通曲折岸线中占54.92%，DB在半封闭泻湖中占39.39%，算子偏好随岸段场景变化，为基于局部特征配置策略提供样本依据。3.3 模型训练与验证：模型按式（11）以Adam优化，初始学习率10^?3，验证损失连续15轮不降则停止；验证集分类准确率91.83±0.23%，宏平均F1为92.03±0.28%，各场景准确率89.45%至94.23%，参数回归合并MSE为0.0089，合并验证集R²为0.893。由此表明序列模型能以较高一致性复现监督标签。3.4 综合结果比较：测试集上比较提出方法与DP、DT、DB、MC单算子及统一阈值DP。提出方法顶点压缩比86.43%、弯曲保留比94.84%、平均位移17.12 m；局部校正后、最终回退前平均每次运行未解决拓扑事件为6.20±2.28（含自交2.40±1.14、岛陆合并0.80±0.45、不连续1.20±0.84、异常闭合1.80±0.84），最终输出中四类残余违规未检出。在86.43%至88.75%的窄压缩带内，未校正时提出方法弯曲保留率较三个基线高10.58至12.14个百分点，校正后高6.41至7.60个百分点；全局DT与DB压缩率仅40.05%与32.31%，仅列作参考。结论是在匹配压缩强度下形成不同压缩—保持操作点，而非全面优越。3.5 消融实验：完整模型分类准确率91.97%、参数回归R²为0.895；BiLSTM改为单向LSTM后准确率降至89.11%；去自注意力使准确率降4.77个百分点、弯曲保留率由94.84%降至90.53%；去岸段类型编码τ_j使准确率降3.40个百分点；去约束校正分类准确率不变，但未解决拓扑事件由6.20增至103.70；去邻近链接时准确率91.42±0.25%、宏F1 90.91±0.32%、弯曲保留94.21±0.31%、未解决事件7.00±1.58、平均位移17.35±0.22 m，变化较小；将最高平均注意力位置特征替换为场景内中位数较随机位置扰动更易改变算子预测（31.4%对12.6%）和参数（0.083对0.029，p<0.001）。由此表明编码方向、注意力和类型输入影响预测性能，约束校正主要影响算子执行后的几何，邻近链接影响较小。3.6 实验总结：偏好算法分布随海岸场景不同；提出方法顶点压缩比接近全局DP而保留更多弯曲细节；消融显示策略预测与结果校正作用于不同阶段，评价须同时考察预测性能与最终岸线质量；比较限于表4压缩水平而非全压缩范围。3.7 独立与专家验证：渤海湾—辽东湾区域作为地理留出集，含214个岸段、8742个弯曲，五次随机种子运行分类准确率89.76±0.41%、弯曲保留率92.88±0.52%、局部校正后最终回退前未解决事件7.40±1.52；外部比较用96个有官方小比例尺岸线的岸段，逐段顶点压缩率差1.8±3.6个百分点、弯曲保留率差2.3±4.1个百分点、平均位移差RMSE为4.6 m，调查日期相差约2至11年且源精度与编图目标不完全相同，故官方岸线仅作背景外部参考而非逐点真值；五名专家对60个测试岸段以五级量表盲评形态保持、导航可读性与目标比例尺可接受性，方法匿名随机呈现，并报告ICC(2,k)、配对置换检验及Holm–Bonferroni校正，但样本较小，结果应视为指示性。

讨论部分总结：实验回应了单一算子与统一参数难以适应弯曲形态及岸线邻近变化的问题。标签分布显示无单一算子占主导，DP在普通曲折弯曲中占多数、DB在泻湖弯曲中占比最大、DT与MC在河口和岛邻场景占相当份额；学习策略以91.83%验证准确率复现这种分化，但仅表明输入与评分程序生成的算子标签相关，不证明其因果决定独立最优制图算子。提出方法在接近全局DP的压缩水平下取得94.84%弯曲保留率，平均位移17.12 m低于可比全局DP与MC的38.96 m与38.32 m；全局DT平均位移16.59 m但顶点压缩仅40.05%，不属同水平比较。校正后全局MC弯曲保留88.43%，低6.41个百分点；校正后全局DT保留94.05%，仅低0.79个百分点但顶点压缩39.72%；提出方法局部校正后未解决事件6.20并非最低（校正DB为5.40）。可辩护解释是不同压缩—保留操作点，而非全面优于所有校正基线。可迁移性受国家制图实践约束，不同海图系列的可允许位移、最小保留弯曲及航道港口入口处理不同，模型编码训练系列的标签评分与约束惯例；架构不特定于海图，但用于其他线性要素须重定义算子集、参数范围与约束阈值，并重新推导标签与验证阈值。未来工作包括扩大候选算子与参数范围并将标签评分敏感性分析扩展至完整评分单纯形的全重训练；扩展地理与跨系列验证至更多区域及至少一个非中国海图系列；以自动预分类替代或补充岸段类型输入；使校正阶段更显式学习约束绑定关系。

研究结论部分翻译：研究人员提出一种基于弯曲序列注意力学习的复杂岸线段自适应综合方法。该方法以弯曲单元作为局部决策基础，通过依据制图约束筛选候选结果并采用两阶段选择程序构建配对的算子类别与参数标签；融合几何描述符、邻近距离与岸段类型特征，结合双向序列编码与自注意力为每个弯曲预测局部综合策略，再由常规算子执行并由校正阶段调整。在评估设置下，该流程报告顶点压缩比86.43%、弯曲保留比94.84%与单向平均位移17.12 m；验证分类准确率91.83%，参数回归R²为0.893。无约束校正时，385个测试岸段算子执行后未解决拓扑事件平均每次运行为103.70；局部校正后、最终回退前为6.20，二者为不同处理阶段的诊断量。经回退替换、岸线重组与最终拓扑验证后，评估的最终岸线中未检出四类受检拓扑类型的残余违规；报告的几何指标与专家评估分数均据这些最终岸线计算。所报告比较界定了当前评分程序、数据集与简化设置内的性能，不证明独立制图质量或普遍优越性。该方法还受限于评估仅覆盖中国海图系列与所考察五类复杂岸段形态，且推理时仍须提供岸段类型。扩展至其他海图系列、以自动分类器替代专家类型属性、拓宽算子与参数空间是后续步骤。