(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210566029.0 (22)申请日 2022.05.24 (65)同一申请的已公布的文献号 申请公布号 CN 114661744 A (43)申请公布日 2022.06.24 (73)专利权人 自然资源部第三 地理信息制图院 地址 610100 四川省成 都市龙泉驿区建 设 路2号附2号 (72)发明人 刘立　董先敏　刘娟　李维庆　 杨本勇　范亚军　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 王爱涛 (51)Int.Cl. G06F 16/23(2019.01) G06F 16/29(2019.01) G06F 16/51(2019.01) G06V 20/10(2022.01)G06V 20/70(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (56)对比文件 CN 112148820 A,2020.12.2 9 CN 114493856 A,2022.05.13 CN 103426061 A,2013.12.04 CN 110706340 A,2020.01.17 US 2014046949 A1,2014.02.13 CN 111125135 A,2020.0 5.08 JP 2018084904 A,2018.0 5.31 陈长红.浅 探城市基础矢量 地形数据库与增 量更新. 《万方数据》 .2021, MuratTasyurek.RN N-GWR: A geographical ly weighted regres sion approach for frequently updated data. 《ScienceDirect》 .2020, 审查员 欧骁 (54)发明名称 一种基于深度学习的地形数据库更新方法 及系统 (57)摘要 本发明提供一种基于深度学习的地形数据 库更新方法及系统， 属于地理信息数据更新技术 领域， 包括： 获取样本数据集并分别训练三个神 经网络， 得到三个模型； 基于地理文本关系抽取 模型， 根据目标网络数据确定目标地理实体及实 体间的依存关系， 并更新地形数据库中的目标地 理实体要素得到第一增量图层； 基于管线设施点 检测模型， 确定新时相影像中的管线设施点并更 新管线设施要素得到第二增量图层； 基于其他地 形要素类语义分割模型， 确定新时相影像中的地 形要素并更新其他地形要素得到第三增量图层； 根据三个增量图层形成新版地形数据库。 将自然 语言处理、 目标检测及语义分割相结合， 对不同 类型的地形要素进行自动更新， 提高了地形数据库的更新效率。 权利要求书5页 说明书17页 附图3页 CN 114661744 B 2022.09.09 CN 114661744 B 1.一种基于深度学习的地形数据库更新方法， 其特征在于， 所述基于深度学习的地形 数据库更新方法包括： 获取地理文本语料数据集、 管线设施点样本数据集及其他地形样本数据集； 所述地理 文本语料数据集中包括多个地理实体文本及各地理实体间的依存关系； 所述管线设施点样 本数据集中包括多张第一样本影像及各第一样本影像中样本管线设施点的外接矩形框和 样本管线设施点类型； 所述其他地形样本数据集中包括多张第二样本影像及各第二样本影 像中地形要素的空间几何轮廓及地形要素类别； 根据所述地理文本语料数据集， 对第一深度学习神经网络进行训练， 得到地理文本关 系抽取模型； 根据所述管线设施点样本数据集， 对第二深度学习神经网络进行训练， 得到管线设施 点检测模型； 根据所述其他地形样本数据集， 对第三深度学习神经网络进行训练， 得到其他地形要 素类语义分割模型； 获取存量 地形数据库、 目标网络数据、 第一 新时相影 像及第二 新时相影 像； 基于所述地理文本关系抽取模型， 根据所述目标网络数据， 确定多个目标地理实体及 各目标地理实体间的依存关系； 根据各目标地理实体及各目标地理实体间的依存关系， 对存量地形数据库中的目标地 理实体要素进行 更新， 得到第一增量图层； 基于所述管线设施点检测模型， 根据所述第一新时相影像， 确定所述第一新时相影像 中各管线设施点的外 接矩形框及管线设施点类型； 根据各管线设施点的外接矩形框及管线设施点类型， 对存量地形数据库中的管线设施 要素进行 更新， 得到第二增量图层； 基于所述其他地形要素类语义分割模型， 根据所述第二新时相影像， 确定所述第二新 时相影像中各地形要素的空间几何轮廓及地形要素类别； 根据各地形要素的空间几何轮廓及地形要素类别， 对存量地形数据库中的其他地形要 素进行更新， 得到第三增量图层； 根据所述第一增量图层、 所述第二增量图层及所述第三增量图层， 确定增量地形数据 库， 以形成新版地形 数据库。 2.根据权利要求1所述的基于深度学习的地形数据库更新方法， 其特征在于， 所述获取 地理文本语料 数据集、 管线设施点样本数据集及其 他地形样本数据集， 具体包括： 获取网络地理文本数据， 并筛选出引起地理实体空间变化和语义变化的地理事件， 得 到非结构化文本列表集 合； 将所述非结构化文本列表集 合中的文本分解 为多个词语， 得到词语集 合； 遍历所述词语集 合， 对各词语的词性进行 标注； 根据各词语的词性， 从所述词语集合中筛选出多个地理实体文本， 并确定各地理实体 间的相互依存关系； 获取多张第一样本影像， 并对各第一样本影像中的管线设施点的类型进行标注， 采用 外接矩形框对各第一样本影 像中的管线设施点的形状进行 标注； 获取多张第 二样本影像， 并对各第 二样本影像中的地形要素类的空间几何轮廓及类别权　利　要　求　书 1/5 页 2 CN 114661744 B 2进行标注。 3.根据权利要求1所述的基于深度学习的地形数据库更新方法， 其特征在于， 所述存量 地形数据库中包括地名要 素类及境界与政区要 素类； 所述地名要 素类及所述境界与政区要 素类中均包括多个地理实体要素； 所述根据 各目标地理实体及各目标地理实体间的依存关系， 对存量地形数据库中的目 标地理实体要素进行 更新， 得到第一增量图层， 具体包括： 采用逆地理编码服务引擎对各目标地理实体进行空间定位， 并将各目标地理实体映射 至所述地名要 素类和所述境界与政区要素类中， 确定与各目标地理实体对应的地理实体要 素； 基于各目标地理实体间的依存关系， 确定各目标地理实体的更新类型； 所述更新类型 为消失、 出现或修改； 针对任一目标地理实体， 若更新类型为消失， 则将所述地名要素类及境界与政区要素 类中对应的地理实体要素的记录删除； 若更新类型为出现， 则根据所述目标地理实体及各目标地理实体间的依存关系， 在所 述地名要 素类及境界与政区要 素类中新增一条地理实体要 素的记录， 并确定所述地理实体 要素的空间几何， 添加 属性信息； 若更新类型为修改， 则根据所述目标地理实体及各目标地理实体间依存关系， 修改所 述地名要素类及境界与政区要素类中对应的地理实体要素的空间几何或属性信息； 根据修改后的地名要素类及境界与政区要素类， 确定第一增量图层。 4.根据权利要求1所述的基于深度学习的地形数据库更新方法， 其特征在于， 所述管线 设施要素包括管线设施点要素及管线设施线要 素； 所述第二增量图层 包括管线设施点增量 图层及管线设施线增量图层； 所述存量地形数据库中包括管线设施点要 素类及管线设施线 要素类； 所述管线设施点要素类中包括多个管线设施点要素； 所述管线设施线要素类中包 括多个管线设施线 要素； 所述根据 各管线设施点的外接矩形框及管线设施点类型， 对存量地形数据库中的管线 设施要素进行 更新， 得到第二增量图层， 具体包括： 提取各管线设施点的外接矩形框的几何中心位置， 并根据 各管线设施点的几何中心位 置及管线设施点类型， 确定各 管线设施点的预测矢量数据； 根据各管线设施点的预测矢量数据， 对所述管线设施点要素类中对应的管线设施点要 素进行更新， 确定管线设施点增量图层； 遍历管线设施点增量图层， 按照邻 近关系， 将各管线设施点顺序连接， 得到多个新线状 要素； 根据各新线状要素， 对所述管线设施线要素类中对应的管线设施线要素进行更新， 确 定管线设施线增量图层。 5.根据权利要求4所述的基于深度学习的地形数据库更新方法， 其特征在于， 所述根据 各管线设施点的预测矢量数据， 对所述管线设施点要 素类中对应的管线设施点要 素进行更 新， 确定管线设施点增量图层， 具体包括： 对各管线设施点的预测矢量数据与所述管线设施点要素类中对应的管线设施点要素 进行缓冲分析， 确定各 预测矢量数据的更新类型； 所述更新类型为出现、 消失或修改；权　利　要　求　书 2/5 页 3 CN 114661744 B 3