基于神經網絡的地貌類型自動劃分方法研究

張晶晶 黨爽 萬晨

摘要：針對我國復雜多變的地貌形態結構特點，深入研究了基于卷積神經網絡的基本地貌類型的自動劃分方法。從地貌類型的成因與影響地貌類型形成的特征描述因子為基礎地貌劃分原則，從選定的地形因子的定量化分析和定性描述出發，確定能描述地貌形態特征的選定影響因子，將其與DEM數據一起送入卷積神經網絡，學習平原與山地的形態結構特征，得到初選平原與山地特征區。再結合決策表對初選特征區進行篩選，實現對中國平原和山地等基本地貌類型的自動劃分。

關鍵詞： 卷積神經網絡;地貌劃分;地形因子;平原;山地

中圖分類號：TP18? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2019）26-0188-03

開放科學（資源服務）標識碼（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

在各類地形特征中，區域地形屬性（如坡度、曲率、單位匯水面積、地形濕度指數）、地形結構線（山脊與河網）等得到了長期、細致的算法研究，但地貌分類受限于語義模糊性和空間支撐域不確定等難點，自動提取方法遠不及地形特征要素的提取方法成熟，成為數字地形分析研究新的生長點。對平原和山地自動劃分關系到人們對地學知識的挖掘、地貌演化的認知，可有效指導水利建設、交通規劃、景觀設計等地形地貌的生產利用，對地學分析、地圖制圖、地理信息應用具有重要理論價值和現實意義。

目前，地貌自動劃分方法較為多樣。Jochen Schmidt和Allan Hewitt[1]采用模糊聚類方法，以坡度和曲率作為地貌類型劃分的特征描述因子，實現對地貌的粗劃分。Mayer以同一類型地貌單元之間的自相似性為建模準則，構建了基于DEM數據類型的地貌分形模型[2-4]。也有學者基于影像數據為基礎數據源，借用數字圖像處理領域的形態學處理以及不同地形因子組合，設計了能區分不停地貌類型的信息圖譜，從而實現對地貌分析方法從定性描述到定量分析方法的進步。文獻[5，6]則建立了面向對象級的多層次分類模型，從選定不同的地貌類型特征描述因子組合入手，以研究者的自身認知和數學建模方法為基礎，構建不同層級結構的地貌類型劃分方法，以試驗獲得的不同閾值范圍作為對初選目標區的篩選標準，從而實現對基礎地貌類型的準確劃分。以上方法對地貌類型進行劃分均需借助于研究者的認知能力進行人工特征描述因子的選擇，存在結果的不確定性。

這里提出一種新的地貌類型自動劃分方法，借助人工神經網絡自動學習不同地貌類型的形態和空間特征，挖掘不同地貌類型的隱層語義，實現對復雜多變的平原和山地地貌的自動劃分。

1 基于神經網絡的地貌類型自動劃分方法設計

眾所周知，中國地域廣闊，地貌類型形成了多樣化的特點。但是對于基礎地貌平原和山地類型的定性描述較為簡單。平原地勢平坦，丘陵起伏不定，坡度和緩，而山地地勢陡峭，海拔較高。程維明在《中國1：100萬地貌制圖規范》采用地勢起伏度和海拔高度對平原、丘陵和山地及其子類地貌進行了定量化描述[7]。以程維明制定的標準構造決策表可快速劃分區域地貌，但這種決策表未說明地貌劃分時適用的最小DEM單元尺度，因此對包含有平原和丘陵的區域可能只劃分為丘陵一種地貌。同時，傳統地貌分類方法多采用地形因子的不同組合對目標區進行分析，其效果依賴于窗口尺寸的設計，無法適應不同DEM比例尺下表現形態各異的地貌類型，往往造成目標區的特征不完備描述;也有學者采用模式識別對地貌類型進行識別，但這種方法依賴于人工選取特征因子（如坡度、地勢起伏度、剖面曲率、平面曲率、面積）刻畫目標區的語義信息，受限于研究者對要素的認知程度和特征選擇的合理性，但是對于山地這種形態結構多變的地貌類型而言，傳統、單一的特征表征方法不能囊括所有山地類型的特征。因此，這里選擇海拔、地勢起伏度、地表粗糙度、坡度、高程變異系數、地表切割深度、平面曲率、剖面曲率共八個地形因子作為神經網絡自動劃分地貌類型的指標組合[8]。

作為重要的地貌類型，山地脈絡清晰，邊緣信息眾多;而平原內部則無明顯脈絡，僅含有少量邊緣。因此，對平原和山地的自動劃分可以歸類為對不同特征圖像目標區域的檢測問題，即通過卷積神經網絡學習山地和平原數據的邊緣和形態結構特征。因此，為了提高DEM數據中對不同地貌類型自動劃分的準確性，設計一種能自動挖掘地貌形態結構特征的人工神經網絡，實現山地、平原的自動劃分。

整個地貌自動分類方案由訓練和測試兩個階段組成。在訓練階段，首先對網絡進行預訓練，保存此時的網絡參數，再把已經裁剪好的帶有山地、平原標簽的DEM數據及選定的八個地形因子計算值作為特征向量一同送入神經網絡中，對網絡的不同層級參數進行調整，使網絡達到穩定狀態[9]。在測試階段，輸入形態各異的測試DEM數據到已經過預訓練后達到穩定狀態的網絡中，實現對基礎地貌類型的初劃分，再結合決策表對初選的山地進一步的細分，具體的方案流程如圖1所示。

3實驗與分析

目前，基于DEM數據中的地貌類型劃分未有學者采用深度學習的方法進行研究，因此也沒有與地形數據相關的數據庫可使用，需要從有限的資源中自行收集訓練樣本數據，并對其進行一定的數據預處理，使其成為能被深度網絡模型接受的數據形式。首先從SRTM開源網站下載1：100萬.tiff格式的圖像數據，提取出其中的山地數據并轉換為二維DEM搞成數據存在網絡可接受的Excel格式，形成訓練樣本數據集。

實驗中選定了DEM基礎數據源，選擇了92*92大小的最小地貌分析單元，采集1000個DEM數據，其中從我國的眾多平原數據中選擇了500個平原作為實驗樣本;另外的500是我國具有代表性的山地數據中截取出的山地樣本數據為基礎開展驗證試驗。另一方面，為了獲得更加精確的分類結果將選定的八個地形因子的值域進行歸一化處理，映射到[-1，1]之間。為了驗證該實驗模型的有效性分別選取了表2所示的DEM數據開展實驗。

從實驗結果可知，基于神經網絡的地貌劃分在青藏高原地區的識別效果，基本符合地貌學中對于該區域內不同地貌的定性描述。兩廣地區被劃分為丘陵、小起伏低山和中起伏低山這3種類型的地貌，圖3（a）的紅色矩形框內平坦區域邊緣有一小部分山地區域，經過網絡學習過程中的不斷下采樣操作造成了特征信息的丟失，因此將平原誤判為丘陵。由此可見，該方法在識別多樣的地貌類型時仍存在“認知”不足的問題，這可能與訓練數據量較少有一定的關系，因此在后續工作中可研究數據的增廣策略。

4 結論

本文主要探討了基于人工神經網絡的地貌自動劃分方法。該方法借助深度神經網絡能自動挖掘不同地貌類型的隱含形態特征，通過網絡層的特征提取與融合實現了對平原和山地的自動劃分。實驗表明，基于深度學習的地貌類型劃分可摒棄傳統方法中人工選擇特征描述因子，有一定的可行性和普適性。

參考文獻：

[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. 地學信息圖譜在城市生態信息表達中的應用——以南京市為例[D]. 南京：南京信息工程大學， 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] 劉愛利. 基于1：100萬DEM的我國地形地貌特征研究[D].西安：西北大學，2004.

[7] 程維明. 中國1∶100萬數字地貌圖研究[C]//中國地理學會百年慶典，2009.

[8] 高玄彧， 王青. 地貌分類指標的剛柔性探索[J].世界科技研究與發展，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.

【通聯編輯：唐一東】