中国地质大学(武汉)禹文豪教授|《测绘学报》专栏:融合欧氏空间邻近与拓扑邻接信息预训练模型的路网网格模式

本文内容来源于《测绘学报》专栏：数智时代地图学新理论与新方法，2026年第3期（审图号GS京(2026)0641号）

禹文豪^1,2, 曾子怡¹, 张一帆^1,3, 钱海忠⁴

1.中国地质大学（武汉）地理与信息工程学院，湖北　武汉　430078

2.自然资源部城市国土资源监测与仿真重点实验室，广东　深圳　518034

3.中国矿业大学环境与测绘学院，江苏　徐州　221116

4.信息工程大学地理空间信息学院，河南　郑州　450001

摘要：

作者简介 

基金项目

自然资源部城市国土资源监测与仿真重点实验室开放基金(KF-2025-09-07); 国家自然科学基金(42371446); 湖北省自然科学基金(2024AFD412); 武汉市重点研发计划(2025051202030412)

本文引用格式

阅读全文

http://xb.chinasmp.com/article/2026/1001-1595/1001-1595-2026-03-0415.shtml

城市路网是构成城市肌理、决定其功能效率的核心骨架^[1-2]。路网的空间模式，由道路在欧氏空间中的几何分布与其在拓扑结构上的连接关系共同定义，深刻影响着城市的通达性、韧性及发展活力。精准识别路网模式对地图综合^[3-4]、城市规划^[5]、交通管理^[6-7]和可持续发展^[8]具有至关重要的意义。然而，路网模式固有的多尺度性及其同时蕴含空间与拓扑双重信息的特性，使得其自动化识别成为一个长期的研究挑战。

传统的路网模式识别方法通常遵循“特征工程+分类器”的两阶段范式。早期研究侧重于从道路网络中提取手工定义的几何特征（如道路长度、曲率、方向等）^[9]与拓扑指标（如节点度、中心性、聚类系数等）^[10]，继而采用传统机器学习算法进行分类。如，文献[11]基于格式塔（Gestalt）原理提取形态指标，并采用C4.5决策树对路网模式进行分类；文献[12]则结合区域与线性特征，利用统计方法对路网图结构进行识别。尽管这类方法在一定程度上实现了自动化分类，但其性能严重依赖专家先验知识，且手工设计的特征往往难以捕捉路网中复杂的非线性结构与深层语义信息。因此，模型难以学习到具有广泛适应性的通用特征，导致其在跨区域、跨尺度场景下的泛化能力有限。

近年来，深度学习技术，特别是图神经网络（graph neural networks，GNNs）的发展，为端到端的路网模式识别提供了途径。GNNs通过消息传递机制能有效捕捉节点间的拓扑依赖关系。如，文献[13]将交叉口视为节点，道路视为边，利用图卷积网络识别出了正交网格模式。然而，此类方法常面临两大瓶颈，使其难以在实际地图生产系统中应用。一是模型泛化能力与标注数据依赖之间的冲突，当前大多数基于GNNs的方法采用监督学习范式，极度依赖大量高质量标注数据^[14]。而城市路网数据的精细化标注需领域专家介入，成本高昂，严重制约了模型在不同区域的泛化与应用。为应对标注数据稀缺的问题，文献[15]提出预训练自监督方法以降低对此类数据的依赖。然而，现有预训练方法主要针对规则栅格数据设计，难以直接适用于非规则结构的道路网络，因其模式识别需同时捕捉拓扑与空间视觉信息。二是空间-拓扑信息表征的不完整性，现有研究大多将路网抽象为纯粹的拓扑图结构，虽能有效建模节点间的非欧几里得连接关系，却普遍忽略了其作为地理实体在欧氏空间中的邻近性与几何约束^[16]。如，物理空间接近但拓扑非邻接的道路段间可能存在语义关联，这类信息在现有图模型中难以捕捉。尽管近期研究尝试通过引入与最短路径相关的空间偏置来增强注意力机制的空间感知能力^[17]，但如何构建一个能深度融合拓扑连接与欧氏邻近信息的预训练模型，仍是路网分析中一个亟待解决的关键问题。

为了应对上述挑战，本文借鉴自监督预训练在自然语言处理^[18]与图学习^[17，19]中的成功经验，旨在探索一种能同时融合路网欧氏空间邻近性与拓扑邻接信息的预训练模型，以降低对标注数据的依赖并学习更具泛化能力的路网表征。本文提出一种融合欧氏空间邻近与拓扑邻接信息的预训练架构。该架构的核心是一个空间感知的图注意力编码器，其主要包含两个方面：一方面，通过图卷积核网络计算图间的拓扑相似度，构建全局拓扑编码以引入并有效捕捉路网的结构一致性；另一方面，通过可学习的空间关系嵌入显式量化任意两道路段之间的地理关联，并将其作为偏置项融入注意力计算。由此，该框架可以实现拓扑连接与地理上下文的有机融合。在此架构基础上，本文进一步提出面向路网网格数据的掩码自监督预训练策略。该策略通过训练图注意力编码器，利用大规模无标注路网数据学习通用结构特征，从而降低了下游任务对昂贵标注数据的依赖。

1　本文模型

为有效融合路网的拓扑结构与空间上下文，本文提出一种两阶段学习框架（图1）。该框架旨在通过拓扑编码与欧氏编码模块显式地融合路网的非欧几里得拓扑特征与欧几里得空间特征，从而仅需少量标注样本即可实现高效的模式识别。该框架的核心思想是协同利用两种信息：首先，通过图卷积核网络在路径尺度上提取拓扑结构特征，为每个节点生成富含全局结构信息的初始特征嵌入；然后，通过空间注意力偏置将欧氏空间邻近性作为约束引入全局图结构，动态调整节点间信息聚合的权重。二者协同工作，实现了从局部拓扑特征到融合空间上下文的全局一体化表征的优化，从而综合发挥“拓扑关系”与“度量关系”在决策中的协同作用。具体而言，本框架包含以下关键组成部分。

图1

图1   基于自监督图学习的路网模式识别框架

Fig. 1   Road network pattern recognition framework based on self-supervised graph learning model

（1）拓扑邻接信息编码。采用图卷积核网络对拓扑邻接信息进行编码，目的是模拟在综合过程中对路网连通性、环路结构的拓扑认知。通过枚举、特征化并聚合节点为中心的局部路径，生成富含局部结构信息的节点特征映射，为模型注入全局拓扑结构感知能力。

（2）欧氏空间邻近编码。为了量化地图要素之间的空间邻近关系，设计了一种空间感知注意力机制，模拟道路群组、感知空间分布格局的视觉规律。通过引入由最短路径边编码与欧氏距离节点编码复合而成的空间偏置，动态调节注意力得分，显式地将地理邻近性融入特征聚合过程。

（3）自监督预训练和下游微调。首先，利用大规模无标注路网数据训练一个图自编码器，使模型在不依赖人工标注的条件下，自主学习数据中蕴含的结构性与空间性特征。然后，将预训练得到的路网编码器与一个简单的路网模式分类器结合，使用有限标注数据进行微调，最终用于路网模式的推断任务。该策略充分利用了易于获取的无标注地理空间数据，学习可泛化的路网特征，从而能够构建出稳健性强、样本效率高的分类模型。

1.1　拓扑邻接信息编码

传统图注意力网络（graph attention network，GAT）对节点特征的依赖性较高，但对图的拓扑邻接结构感知能力有限。图卷积核网络（graph convolutional kernel network，GCKN）为解决此问题提供了一种灵活途径，它通过学习一个映射函数，将图的局部子结构嵌入高维特征空间，使得结构相似的子图获得相似的表示。基于此，本文采用GCKN作为编码器来捕获以每个节点为中心的子结构，从而生成富含结构信息的节点特征映射。拓扑空间邻接编码如图2所示，首先，枚举以每个节点为中心的局部子结构。对于图中的每个节点u，枚举所有从u出发的、长度等于L的路径集合P_L（u），作为捕获拓扑连接和多跳关系的基本单元。然后将每条路径特征化，拼接路径上所有节点的特征，得到拼接后的路径特征h_P=ϕ（P），将离散的路径序列转化为可计算的数值表示。接下来通过和函数显示映射并聚合这些特征来聚合所有局部路径信息，形成节点的结构感知特征X（u）

(1)

式中，P_L（u）是从节点u出发的所有短路径集合；h_p是路径p的特征表示；ψ是一个可学习的神经网络，它将单条路径的特征映射到另一个空间；α（p）是路径p的权重，是可学习的参数。

图2

图2   拓扑空间邻接编码

Fig. 2   Topological space adjacency encoding

通过GCKN计算得到的节点特征映射X（u）包含了丰富的局部结构信息。最后，将这些聚合得到的结构感知特征与原始节点特征相加，共同作为后续注意力机制的输入。这使得模型在处理节点时，能够充分利用节点自身的拓扑邻接信息。

1.2　欧氏空间邻近编码

路网模式是指路网弧段在区域内排列布局所形成的规律性特征。其识别主要依赖于两大因素：图的拓扑上下文特征与欧氏空间中的邻近特征。然而，传统方法大多仅基于拓扑信息来识别路网模式，未能有效融合欧氏空间邻近信息。为解决这一局限，本文在模型中引入了空间感知注意力机制，将欧氏空间属性显式地融入模型计算中（图3）。该机制使模型能够在特征聚合过程中动态调节不同节点的重要性。具体而言，本文通过引入道路段间的空间距离信息对标准自注意力得分进行偏置，使模型能够学习到融合拓扑连接与地理上下文的更加全面的节点表示。

图3

图3   欧氏空间邻近编码

Fig. 3   Euclidean space proximity encoding

为此，本文设计了一种空间注意力偏置，在每层的注意力计算中注入欧氏空间邻近信息。对节点对（v_i，v_j），偏置由边编码e_ij与节点编码复合而成

式中，N_SPD是节点对（v_i，v_j）之间的最短路径包含的边的数量，n∈[1，N_SPD]；x_n是第n条边的特征向量，由该边的两个端点经过GCKN路径特征聚合后得到的特征向量拼接得到；是相应边的权重；φ（v_i，v_j）是（v_i，v_j）节点对的中点距离；是关于φ（v_i，v_j）的可学习变量；h_i和h_j分别是节点i和j的特征表示；W_Q和W_K分别是Q和K的权重矩阵；d是权重矩阵的维度。

边编码利用节点间最短路径上的边特征表征其在图上距离关系；节点编码则显式引入节点对间的欧氏距离，并为不同距离值分配可学习的偏置参数。最终，特征表示H的注意力得分为

(4)

式中，s_ij和e_ij分别是节点对（v_i，v_j）的节点编码和边编码；A_ij是（v_i，v_j）的欧氏空间邻近编码。

1.3　预训练-微调

大量研究证明，预训练-微调适用于目标领域数据稀缺的场景，通过初始化模型参数为预训练权重，不仅能提升模型性能与样本效率，也起到了正则化作用，有效抑制过拟合，这对标注成本高昂的地学数据分析尤为重要。大量易获取的无标注路网数据中包含丰富的语义与结构信息。为充分利用这些数据，本文采用自监督学习范式，以避免烦琐且成本高昂的人工标注过程，并减少可能引入的主观偏差。本文设计了一个空间感知的图自编码器，在大规模无标注路网数据上进行预训练，以学习可用于下游任务的基础数据分布特征。

具体预训练过程如下（图4）：基于图自编码器架构，目标是从编码器学习到的潜在表示中重构原始图的节点特征与邻接矩阵。编码器将输入图映射为稠密的节点嵌入。解码器基于编码器输出的潜在嵌入重构原始图结构，包含节点特征预测与邻接矩阵预测两个任务头。通过将重构任务作为自监督信号，驱动模型学习能够保持网络固有结构与特征信息的压缩嵌入表示。

图4

图4   预训练流程

Fig. 4   The flowchart of the pre-training process

此预训练过程既能捕捉非欧氏的拓扑依赖，又通过距离感知的注意力融入了欧氏空间关系知识，为下游地理模式识别任务学习得到了丰富、稳健的路网多维度。模型的预训练通过优化一个复合损失函数实现（式（5）），该函数结合了节点特征重构的均方误差损失和邻接矩阵重构的二元交叉熵损失

(5)

式中，L_feat和L_adj分别是特征重建的损失和邻接矩阵重建的损失，特征重建采用的是均方误差损失，而邻接矩阵重建采用的是二元交叉熵损失；λ_feat和λ_adj分别是特征重建和邻接矩阵重建的损失权重。

本文将预训练模型应用于路网模式分类任务，需要使用标签数据进行微调（图5）。由于预训练编码器生成的是节点级表示，而模式识别是图级分类任务，因此需要引入一个图读出函数，将节点嵌入聚合为整个图的全局表示向量，从而全面捕捉路网的结构与空间特征。在此基础上，连接一个任务专用分类头，将图特征映射到不同模式类别的概率分布上。利用有限的标注数据，对整个复合模型进行端到端的联合优化。微调过程使模型能够基于预训练表示，有针对性地调整参数，从而以极少量的标注样本实现高效收敛与高精度分类。

图5   微调流程

Fig. 5   The flowchart of the fine-tuning

微调过程以标准交叉熵损失为优化目标L（x，y）

(6)

式中，N是样本总数；C是总目标类别数量，本试验中C为2；x_n是样本n在C个类别上的概率张量；y_n是样本n的真实分类；是样本n所属类别对应的权重。

同时，为解决路网模式类别间的数据不平衡问题，本文在交叉熵损失中引入了与类别样本数成反比的权重

(7)

式中,表示样本n所属类别的总样本量。

2　试验与讨论

2.1　网格类路网模式识别试验

2.1.1　试验数据与设置

试验采用开放街道地图（OpenStreetMap，OSM）提供的全球多个城市路网数据，所有数据均获取于2025年3月，以确保时序一致性。原始数据包含道路几何信息、道路标识、名称及等级属性。本文从中选取38个城市路网构建基础数据集。

为便于进行距离计算与空间分析，首先对路网数据进行了坐标投影转换。然后进行了拓扑纠错处理，主要修正以下3类错误：①交叉点错误，在道路相交处进行分段处理；②伪节点错误，采用融合操作合并相邻路段；③悬挂线错误，删除无连接关系的孤立路段。

为统一样本的空间尺度，以步长1000 m对拓扑修正后的路网进行随机游走采样，生成初始样本集合。随后，由专业人员依据定义，根据样本路网中的主导模式（网格型是指主干道以正交形式相交，其分割出的区域单元在宏观上呈规整矩形形态的路网结构；非网格型包含树状、放射状或不规则状等结构）^[20-22]对总样本的40%进行模式标注。经过划分最终获得预训练样本12 073个、微调样本6718个及测试样本1739个。表1给出了标注样本的详细统计信息。

表1标注路网数据集数量统计

Tab. 1  Statistics of annotated road network dataset

按6∶3.2∶0.8的比例将样本划分为预训练集、微调集和测试集。采用Adam优化器进行模型训练，主要超参数设置为：批量大小64、学习率0.001、Dropout率0.1、训练轮次100。为验证模型有效性，在统一的参数设置下与5种基准方法进行对比试验。

（1）基于彩色道路层级图像的方法（colored road hierarchical diagram，CRHD）：该方法利用CRHD在城市路网系统的网格化表征中对道路特征进行编码，并引入邻域相似性指数以探究不同城市路网模式间的相似性，进而实现多尺度街道网络模式的预测^[20]。在对比试验中，本文将测试数据转换为CRHD栅格，并使用作者公开的预训练模型进行测试。

（2）K-均值（K-means）：该方法旨在通过最小化簇内方差将数据集划分为若干类别^[23]。本文使用预训练与微调数据的组合对该模型进行训练，并将聚类结果映射到格网模式和非格网模式两个类别中，最终在测试集上完成评估。

（3）高斯混合模型（Gaussian mixture model，GMM）：该方法通过建立参数化概率密度函数对数据进行建模，该函数由多个高斯分量密度加权组合而成^[24]。GMM常用于对连续特征的概率分布进行参数化表示，其参数通常通过期望最大化算法从训练数据中迭代估计，或在已有良好先验模型时通过最大后验概率估计得到。本试验中聚类结果与K-means同样被映射至格网和非格网两类，并在测试集上进行验证。

（4）支持向量机（support vector machine，SVM）：该方法通过栅格化路网数据，然后基于支持向量机实现路网模式分类，最后结合格式塔原则实现结果优化^[12]。本试验将道路网络转换为无等级分类的特征图，参数设置与其他模型保持一致。

（5）半监督卷积自编码器（semi-supervised convolutional autoencoder，SECA）：该方法基于卷积神经网络架构，可同时处理标注与未标注数据^[25]。标注数据通过自编码器进行编码，而未标注数据则经卷积分类器处理。训练数据中未标注样本占比为67.5%，其余参数及输入规格均保持一致以确保试验可比性。

2.1.2　试验结果与讨论

各方法性能指标对比见表2。本文模型在准确率、精确率、召回率和F₁值4项核心指标上均全面领先，其中最高的F₁值表明本文模型在正样本识别与误报控制之间取得了更好的平衡，综合性能最优。该性能优势主要源于模型融合架构对路网双重属性的协同建模能力。如1.1与1.2节所述，拓扑编码专注于捕捉连接关系与路径结构，有助于识别拓扑连接模式；空间编码则增强了模型对欧氏空间中几何规整性的感知。二者融合使得模型在复杂真实场景中能够综合利用拓扑连接逻辑与空间布局信息，从而获得更全面、稳健的表征能力。这验证了融合架构在本任务中的有效性。各项指标的全面提升证明，本文架构能够更有效地学习城市路网中复杂的空间结构特征，充分验证了本文提出的融合空间编码和拓扑编码的架构的创新性和有效性。

表2不同方法的性能指标对比

Tab. 2  Comparison of performance metrics among different methods

尽管本文模型展现出良好的整体性能，其在试验中仍然展现出一定的局限性。图6展示了部分典型样本的分类结果。图6（a）－（d）为错误分类样本，图6（e）－（l）为正确分类样本分析其中的错误样本，可以发现本文模型将部分网格模式样本识别为非网格模式，可能的原因是网格内部具有不规则的局部模式（样本1）或者网格有部分缺损（样本2），展现出模糊的网格特征，导致误判；模型将一些非网格模式样本识别为网格模式（样本3、4），这是因为尽管城市路网的主导模式存在扭曲或“又”字形布局，是非格网的不规则模式，但是其中存在局部小范围呈现格网模式的特点，容易导致误判。值得注意的是，同样具有混合特征的样本8、10被本文模型正确分类，表明本文模型在一定程度上具备学习宏观全局特征的能力，能够抵抗局部网格特征的干扰。综上所述，本文模型优势在于对结构规则的网格区域识别准确率高且标注数据效率高，实用性强。然而，面对结构高度不规则或数据严重缺失的区域，本文模型仍可能失效。这反映了当前融合机制在处理极端异质情况时的局限性。未来工作可探索动态或自适应的信息编码与融合策略，以提升本文模型对复杂结构的分辨能力。

图6

图6   部分样本分类结果

Fig. 6   Classification results of some samples

2.2　消融试验

2.2.1　试验数据与设置

为验证本文提出的拓扑邻接编码与欧氏空间邻近编码模块的有效性，并量化评估二者对模型性能的贡献，本文进行了系统的消融试验。所有试验均在相同的参数设置、训练测试数据集划分下进行，以确保结果的公平性。本文设计了以下4种简化模型与本文提出的完整模型进行对比。

（1）无预训练方法：模型权重随机初始化，不进行预训练，直接使用2.1节所述的微调集与测试集进行端到端的监督训练，用于验证预训练范式的必要性。

（2）预训练方法：仅使用无标签数据进行自监督预训练，但模型中去除了拓扑编码与空间编码模块，用于检验预训练策略学习可泛化特征的能力。

（3）拓扑编码方法：在预训练基础上，引入拓扑编码模块，但禁用空间编码模块，用于单独评估拓扑编码的贡献。

（4）空间编码方法：在预训练基础上，引入空间编码模块，但禁用拓扑编码模块，用于单独评估空间编码的贡献。

试验采用与2.1节相同的数据集及划分。对于需预训练的模型，使用无标签的预训练集进行预训练；所有模型的最终性能均在相同的测试集上，以准确率、精确率、召回率和F₁值进行评估。

2.2.2　试验结果与讨论

消融试验的结果见表3，由表3可知，所有采用预训练的方法各项性能指标均显著优于无预训练的方法。这说明，通过在无标签数据上进行预训练，模型能够学习到通用的路网表征，从而获得更优的初始化权重。这极大地降低了下游任务对标注数据的依赖，证明了预训练策略所学习表征具有良好的泛化能力。单独引入拓扑编码后，准确率从80.68%提升至81.31%，精确率亦有显著提高；单独引入空间编码后，准确率提升至81.77%，F₁值达到0.813 0。这说明两种编码模块均能独立带来性能增益。具体而言，拓扑编码通过聚焦于路径连接关系，有助于区分那些几何布局看似规则但缺乏典型网格连接结构的路网，减少误判；空间编码通过感知欧氏空间中的规整性，有助于识别那些具有网格拓扑连接但几何形态扭曲或不规则的路网。值得注意的是，拓扑编码方法与空间编码方法虽然在准确率上优于基础预训练方法，但其召回率却略低于后者。这是因为单一编码模块仅从拓扑或空间一个维度进行判断，其判别标准更为严格和单一，因此在面对特征不典型的样本时会趋于“保守”，倾向于不预测为网格，导致了召回率的轻微下降。相较于单一编码模块，融合二者后的完整模型在各项指标上均达到最优，充分证明了本文模型的整体有效性。该模型整合了预训练、拓扑编码与空间编码的优势：预训练提供了通用的特征基础；拓扑编码保障了对连接结构的深层理解；空间编码则增强了对几何规整性的感知。这种融合使得模型能够从拓扑与空间两个互补维度协同理解路网。当某一维度的特征因数据噪声或变形而模糊时，另一维度能提供关键的互补信息，从而做出更为稳健的决策。这也解释了为何本文模型能在有限的标注数据下取得优异的性能。

表3不同训练策略和编码方法的性能指标对比

Tab. 3  Comparison of performance metrics among methods with different training strategies and encodings

3　结论

本文针对城市路网模式识别中两大核心挑战——标注数据获取成本高昂及空间与拓扑信息未能充分融合，提出了一种融合欧氏空间邻近性与拓扑邻接信息的预训练模型。该模型通过空间感知的图注意力编码器实现拓扑与欧氏信息的有机融合：一方面利用图卷积核函数构建全局拓扑编码，捕捉路网的结构一致性；另一方面引入可学习的地理关系嵌入对注意力机制进行增强，将欧氏邻近性作为偏置融入节点特征聚合。在此基础上，采用自监督预训练策略，利用大规模无标注路网数据学习通用特征表征，有效降低了对标注数据的依赖。

在多个真实城市路网数据集上的试验结果表明，本文模型在网格路网模式分类任务中达到了88.03%的准确率，性能优于现有各类基线方法。试验结果验证了融合双重空间信息在提升路网表征泛化能力方面的有效性，同时也证明了自监督预训练策略在降低标注依赖方面的优势。本文模型能为地图增强、道路变化检测等下游任务提供可靠基础。

本文的核心贡献在于构建了一个能够协同学习空间实体度量邻近与拓扑连接关系的基础性模型框架。这一特性赋予了该模型理论迁移潜力，使其可应用于其他空间结构特征的识别任务，如居民地街区模式识别、水系网络模式识别等。通过融合土地利用、交通流量等多源数据，还可以拓展本框架在精细化城市分析中的应用，支持公共交通优化、基础设施评估与拥堵预测等城市规划任务。另外，通过优化模型架构，采用更先进的图编码器以更好地捕捉路网复杂依赖关系，可以进一步提升表征与下游任务性能。

初审：张   琳

复审：余易举

终审：宋启凡

往期推荐

资讯

南京师范大学吴明光教授|《测绘学报》专栏：顾及使用场景的绿色地图颜色生成方法研究

前沿论坛 | 张继贤研究员：地理空间智能技术体系初探与实践

地图杂志上新 | 2026年第2期

招聘信息 | 清华大学无锡应用技术研究院招聘启事

关于举行第四届遥感科学与技术本科专业建设研讨会的一号通知