[发明专利]一种融合属性与结构的山洪灾害区划方法

权利要求书

1.一种融合属性与结构的山洪灾害区划方法，其特征在于，包括以下步骤：

步骤1、预处理栅格形式的山洪灾害相关的降雨和地形因子，并将提取的降雨和地形因子空间聚合到各多边形格式的小流域，作为小流域属性，小流域属性包括小流域的降雨和地形属性；

步骤2、根据多边形格式的小流域边界数据，以小流域中心代表小流域并作为图的节点，相邻的小流域构建节点之间的边，以此构建图结构代表小流域空间结构；

步骤3、以步骤1的小流域属性和步骤2的小流域空间结构为输入，利用三个图卷积神经网络模块构建图自编码器以同时对小流域属性和小流域空间结构进行特征表达学习；

步骤4、根据步骤3中每个图卷积神经网络模块的输出，建立图解码器以同时实现小流域空间结构的重建和小流域聚类，获得小流域最佳聚类结果，作为小流域单元初始的聚类结果；

步骤5、根据步骤4中的小流域最佳聚类结果，合并同类别的小流域得到最终的山洪灾害区划方案。

2.根据权利要求1所述的一种融合属性与结构的山洪灾害区划方法，其特征在于：步骤2中，构建图结构得到的图结构数据的表达式为：

G＝(V,E,X)

其中，V＝{v₁,...,v_n}表示图中n个节点的集合(即小流域中心集合)；E＝{e_ij}表示节点之间边的集合；G的结构可以用节点的邻接矩阵A表示；A_ij＝1表示节点i与节点j之间存在边，否则A_ij＝0；X＝{x₁,...,x_n}表示图中n个节点的属性(即小流域的降雨和地形属性)。

3.根据权利要求2所述的一种融合属性与结构的山洪灾害区划方法，其特征在于：步骤3中，每个图卷积神经网络模块包括图卷积神经网络层、批标准化层和激活层。

4.根据权利要求3所述的一种融合属性与结构的山洪灾害区划方法，其特征在于：步骤3中，自编码器是利用三个图卷积神经网络模块实现输入小流域属性和小流域空间结构进行特征学习表达，如下公式所示：

其中，Z^l+1是第l层特征Z^l通过图卷积神经网络模块计算得到的在第l+1层特征；是邻接矩阵A与单位矩阵I之和；是度矩阵，其中W^l是图神经网络第l层需要学习的参数；σ是图神经网络的激活函数；当l＝0时，则Z⁰＝X，即为输入的小流域属性。

5.根据权利要求2所述的一种融合属性与结构的山洪灾害区划方法，其特征在于：步骤4中，图解码器采用如下公式利用特征内乘和激活函数来对小流域空间结构进行重建，公式为：

其中，Z是图自编码器的输出；是重建的小流域空间结构邻接矩阵，使其接近小流域原始的邻接矩阵A。

6.根据权利要求5所述的一种融合属性与结构的山洪灾害区划方法，其特征在于：图解码器在进行图聚类时，构建节点i的特征z_i和聚类中心μ_u之间的相似性指标q_iu，通过如下公式的图聚类Q分布函数计算，公式为：

对相似指标q_iu构建一个目标值，即将同一类别的节点靠近，让不同类别的节点远离，以增强不同类别之间的区别，利用q_iu的二次方构建一个P分布函数作为目标分布，使q_iu尽可能靠近聚类中心，以实现具有聚类导向的图特征监督学习，如下公式所示：

图解码器构建的图聚类Q分布函数要尽可能接近P分布函数，使KL函数值尽可能小来实现，如下公式所示：

其中，KL是一个散度函数，用来描述P和Q分布函数的差异。