?

基于神经网络的地貌类型自动划分方法研究

2019-11-17 04:11:19 电脑知识与技术 2019年26期

张晶晶 党爽 万晨

摘要:针对我国复杂多变的地貌形态结构特点,深入研究了基于卷积神经网络的基本地貌类型的自动划分方法。从地貌类型的成因与影响地貌类型形成的特征描述因子为基础地貌划分原则,从选定的地形因子的定量化分析和定性描述出发,确定能描述地貌形态特征的选定影响因子,将其与DEM数据一起送入卷积神经网络,学习平原与山地的形态结构特征,得到初选平原与山地特征区。再结合决策表对初选特征区进行筛选,实现对中国平原和山地等基本地貌类型的自动划分。

关键词: 卷积神经网络;地貌划分;地形因子;平原;山地

中图分类号:TP18? ? ? ? 文献标识码:A

文章编号:1009-3044(2019)26-0188-03

开放科学(资源服务)标识码(OSID):

Abstract:Aiming at the complex and varied geomorphological structure characteristics of China, the automatic classification method of basic geomorphological types based on convolutional neural networks is deeply studied. Based on the formation factors of the geomorphological types and the eigen-descriptive factors that affect the geomorphological types, the basic geomorphological division principle is used. Based on the quantitative analysis and qualitative description of the selected topographic factors, the selected influencing factors that can describe the morphological characteristics of the geomorphology are determined. Together with the DEM data, it is sent to the convolutional neural network to learn the morphological and structural features of the plains and mountains, and to obtain the primary plain and mountain feature areas. Combined with the decision table, the primary selection feature area is screened to realize the automatic classification of basic landform types such as Chinese plains and mountains.

Key words:CNN;? landform classification;? topographic factors;? plain;? mountain

在各类地形特征中,区域地形属性(如坡度、曲率、单位汇水面积、地形湿度指数)、地形结构线(山脊与河网)等得到了长期、细致的算法研究,但地貌分类受限于语义模糊性和空间支撑域不确定等难点,自动提取方法远不及地形特征要素的提取方法成熟,成为数字地形分析研究新的生长点。对平原和山地自动划分关系到人们对地学知识的挖掘、地貌演化的认知,可有效指导水利建设、交通规划、景观设计等地形地貌的生产利用,对地学分析、地图制图、地理信息应用具有重要理论价值和现实意义。

目前,地貌自动划分方法较为多样。Jochen Schmidt和Allan Hewitt[1]采用模糊聚類方法,以坡度和曲率作为地貌类型划分的特征描述因子,实现对地貌的粗划分。Mayer以同一类型地貌单元之间的自相似性为建模准则,构建了基于DEM数据类型的地貌分形模型[2-4]。也有学者基于影像数据为基础数据源,借用数字图像处理领域的形态学处理以及不同地形因子组合,设计了能区分不停地貌类型的信息图谱,从而实现对地貌分析方法从定性描述到定量分析方法的进步。文献[5,6]则建立了面向对象级的多层次分类模型,从选定不同的地貌类型特征描述因子组合入手,以研究者的自身认知和数学建模方法为基础,构建不同层级结构的地貌类型划分方法,以试验获得的不同阈值范围作为对初选目标区的筛选标准,从而实现对基础地貌类型的准确划分。以上方法对地貌类型进行划分均需借助于研究者的认知能力进行人工特征描述因子的选择,存在结果的不确定性。

这里提出一种新的地貌类型自动划分方法,借助人工神经网络自动学习不同地貌类型的形态和空间特征,挖掘不同地貌类型的隐层语义,实现对复杂多变的平原和山地地貌的自动划分。

1 基于神经网络的地貌类型自动划分方法设计

众所周知,中国地域广阔,地貌类型形成了多样化的特点。但是对于基础地貌平原和山地类型的定性描述较为简单。平原地势平坦,丘陵起伏不定,坡度和缓,而山地地势陡峭,海拔较高。程维明在《中国1:100万地貌制图规范》采用地势起伏度和海拔高度对平原、丘陵和山地及其子类地貌进行了定量化描述[7]。以程维明制定的标准构造决策表可快速划分区域地貌,但这种决策表未说明地貌划分时适用的最小DEM单元尺度,因此对包含有平原和丘陵的区域可能只划分为丘陵一种地貌。同时,传统地貌分类方法多采用地形因子的不同组合对目标区进行分析,其效果依赖于窗口尺寸的设计,无法适应不同DEM比例尺下表现形态各异的地貌类型,往往造成目标区的特征不完备描述;也有学者采用模式识别对地貌类型进行识别,但这种方法依赖于人工选取特征因子(如坡度、地势起伏度、剖面曲率、平面曲率、面积)刻画目标区的语义信息,受限于研究者对要素的认知程度和特征选择的合理性,但是对于山地这种形态结构多变的地貌类型而言,传统、单一的特征表征方法不能囊括所有山地类型的特征。因此,这里选择海拔、地势起伏度、地表粗糙度、坡度、高程变异系数、地表切割深度、平面曲率、剖面曲率共八个地形因子作为神经网络自动划分地貌类型的指标组合[8]。

作為重要的地貌类型,山地脉络清晰,边缘信息众多;而平原内部则无明显脉络,仅含有少量边缘。因此,对平原和山地的自动划分可以归类为对不同特征图像目标区域的检测问题,即通过卷积神经网络学习山地和平原数据的边缘和形态结构特征。因此,为了提高DEM数据中对不同地貌类型自动划分的准确性,设计一种能自动挖掘地貌形态结构特征的人工神经网络,实现山地、平原的自动划分。

整个地貌自动分类方案由训练和测试两个阶段组成。在训练阶段,首先对网络进行预训练,保存此时的网络参数,再把已经裁剪好的带有山地、平原标签的DEM数据及选定的八个地形因子计算值作为特征向量一同送入神经网络中,对网络的不同层级参数进行调整,使网络达到稳定状态[9]。在测试阶段,输入形态各异的测试DEM数据到已经过预训练后达到稳定状态的网络中,实现对基础地貌类型的初划分,再结合决策表对初选的山地进一步的细分,具体的方案流程如图1所示。

3实验与分析

目前,基于DEM数据中的地貌类型划分未有学者采用深度学习的方法进行研究,因此也没有与地形数据相关的数据库可使用,需要从有限的资源中自行收集训练样本数据,并对其进行一定的数据预处理,使其成为能被深度网络模型接受的数据形式。首先从SRTM开源网站下载1:100万.tiff格式的图像数据,提取出其中的山地数据并转换为二维DEM搞成数据存在网络可接受的Excel格式,形成训练样本数据集。

实验中选定了DEM基础数据源,选择了92*92大小的最小地貌分析单元,采集1000个DEM数据,其中从我国的众多平原数据中选择了500个平原作为实验样本;另外的500是我国具有代表性的山地数据中截取出的山地样本数据为基础开展验证试验。另一方面,为了获得更加精确的分类结果将选定的八个地形因子的值域进行归一化处理,映射到[-1,1]之间。为了验证该实验模型的有效性分别选取了表2所示的DEM数据开展实验。

从实验结果可知,基于神经网络的地貌划分在青藏高原地区的识别效果,基本符合地貌学中对于该区域内不同地貌的定性描述。两广地区被划分为丘陵、小起伏低山和中起伏低山这3种类型的地貌,图3(a)的红色矩形框内平坦区域边缘有一小部分山地区域,经过网络学习过程中的不断下采样操作造成了特征信息的丢失,因此将平原误判为丘陵。由此可见,该方法在识别多样的地貌类型时仍存在“认知”不足的问题,这可能与训练数据量较少有一定的关系,因此在后续工作中可研究数据的增广策略。

4 结论

本文主要探讨了基于人工神经网络的地貌自动划分方法。该方法借助深度神经网络能自动挖掘不同地貌类型的隐含形态特征,通过网络层的特征提取与融合实现了对平原和山地的自动划分。实验表明,基于深度学习的地貌类型划分可摒弃传统方法中人工选择特征描述因子,有一定的可行性和普适性。

参考文献:

[1] Jochen Schmidt, Allan Hewitt. Fuzzy land element classification from DTMs based on geometry and terrain position[J]. Geoderma, 2004, 121(3): 243-256.

[2] Larry Mayer. Fractal characteristics of desert storm sequences and implications for geomorphic studies[J]. Geomorphology, 1992, 5(2): 167-183.

[3] 季宇虹. 地学信息图谱在城市生态信息表达中的应用——以南京市为例[D]. 南京:南京信息工程大学, 2011.

[4] Niels S.Anders, Arie C. Seijmonsbergen, Willem Bouten. Segmentation optimization and stratified object-based analysis for semi-automated geomorpho- logical mapping[J]. Remote Sensing of Environment, 2011, 115(12):2976-2985.

[5] CIARAN R,LAN W,NEIL A,et a1.A semi-automated method for mapping glacial geomorphology tested at Brei amerkurjkull,Iceland[J]. Remote Sensing of Environment, 2015, 163:80-90.

[6] 刘爱利. 基于1:100万DEM的我国地形地貌特征研究[D].西安:西北大学,2004.

[7] 程维明. 中国1∶100万数字地貌图研究[C]//中国地理学会百年庆典,2009.

[8] 高玄彧, 王青. 地貌分类指标的刚柔性探索[J].世界科技研究与发展,2015,28(2):79-85.

[9] He K, Zhang X, Ren S, et al. Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence,2015, 37(9):1904-1916.

【通联编辑:唐一东】

?
(function(){ var bp = document.createElement('script'); var curProtocol = window.location.protocol.split(':')[0]; if (curProtocol === 'https') { bp.src = 'https://zz.bdstatic.com/linksubmit/push.js'; } else { bp.src = 'http://push.zhanzhang.baidu.com/push.js'; } var s = document.getElementsByTagName("script")[0]; s.parentNode.insertBefore(bp, s); })();
246+天天好彩资料大全