栅格DEM微地形分类的BP神经网络法

doi:10.13474/j.cnki.11-2246.2019.0327

测绘通报 ›› 2019, Vol. 0 ›› Issue (10): 101-104,132.doi: 10.13474/j.cnki.11-2246.2019.0327

栅格DEM微地形分类的BP神经网络法

周访滨^1,2, 邹联华¹, 张晓炯¹, 孟凡一¹

1. 长沙理工大学交通运输工程学院, 湖南长沙 410114;
2. 长沙理工大学特殊环境道路工程湖南省重点实验室, 湖南长沙 410114

收稿日期:2018-11-08 出版日期:2019-10-25 发布日期:2019-10-26
作者简介:周访滨(1975-),男,博士,高级实验师,主要研究方向为数字地形分析。E-mail:Arthur1975@126.com
基金资助:
国家自然科学基金面上项目（41671446）；长沙理工大学特殊环境道路工程湖南省重点实验室开放基金（kfj140502）

Micro landform classification method of grid DEM based on BP neural network

ZHOU Fangbin^1,2, ZOU Lianhua¹, ZHANG Xiaojiong¹, MENG Fanyi¹

1. School of Traffic & Transportation Engineering, Changsha University of Science & Technology, Changsha 410114, China;
2. Key Laboratory of Special Environment Road Engineering of Hunan Province, Changsha University of Science & Technology, Changsha 410114, China

Received:2018-11-08 Online:2019-10-25 Published:2019-10-26

摘要/Abstract

摘要： 栅格DEM微地形分类是数字地形精细化应用的基础，基于规则化知识的栅格DEM微地形分类方法存在自动化程度低、分类残缺等问题。本文利用BP神经网络的优势构建了栅格DEM微地形分类的人工智能方法与实现途径。以山体部位分类为微地形分类典型样例进行试验验证与分析，试验结果表明，栅格DEM微地形分类的BP神经网络法较已有的地形因子叠加分析方法存在明显优势，不仅在流程上可避免烦琐的数据叠加分析过程，而且分类结果的完整性和错分率都得到有效改善；在山体部位分出的6种微地形中，冲积地对该方法适应性最强，准确率为100%，背坡的适应性最弱准确率为89.23%。

关键词: 栅格DEM, 地形分类, BP神经网络, 山体部位

Abstract: Micro landform classification of grid DEM is the foundation of digital landform refinement application. The micro landform classification method of grid DEM based on regular knowledge has problems such as low degree of automation and incomplete classification. With the advantages of BP neural network, an artificial intelligence method and implementation approach for micro landform classification of grid DEM are constructed. The experimental results show that the BP neural network method of micro landform classification of grid DEM has the advantages over the existing method of overlay analysis by landform factors. The BP neural network method of micro landform classification of grid DEM not only avoids the complicated data overlay analysis process, but also effectively improves the completeness and misclassification. Among the six kinds of micro landform classified from the hill-position, the alluvium has the strongest adaptability to this method, with accuracy of 100% and the weakest accuracy of 89.23% for the back-slope.

Key words: grid DEM, landform classification, BP neural network, hill-position

中图分类号:

P237

周访滨, 邹联华, 张晓炯, 孟凡一. 栅格DEM微地形分类的BP神经网络法[J]. 测绘通报, 2019, 0(10): 101-104,132.

ZHOU Fangbin, ZOU Lianhua, ZHANG Xiaojiong, MENG Fanyi. Micro landform classification method of grid DEM based on BP neural network[J]. 测绘通报, 2019, 0(10): 101-104,132.

参考文献 15

[1]	王彦文, 秦承志. 地貌形态类型的自动分类方法综述[J].地理与地理信息科学, 2017, 33(4):16-21.
[2]	DRAGUT L, BLASCHKE T. Automated classification of landform elements using object-based image analysis[J]. Geomorphology, 2006, 81(3):330-344.
[3]	周访滨, 刘学军. 基于DTA山体部位分类决策方案的改进与微观地形自动分类研究[J].西北农业学报, 2008, 17(3):343-346.
[4]	周访滨, 刘学军. 基于栅格DEM自动划分微观地貌形态的研究[J]. 武汉理工大学学报(信息与管理工程版), 2008, 30(2):172-175.
[5]	QIN CZ, ZHU AX, SHI X. Quantification of spatial gradation of slope positions[J]. Geomorphology, 2009, 110(3):152-161.
[6]	王磊, 马风华, 武伟, 等. 基于随机森林算法的模糊坡位分类[J]. 西南师范大学学报(自然科学版), 2018, 43(1):10-17.
[7]	LI N, WANG C, ZHAO H, et al. A novel deep convolutional neural network for spectral-spatial classification of hyperspectral data[J]. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2018, 14(3):897-900.
[8]	侯飞, 胡召玲. 地形信息辅助下的全极化SAR数据土地覆盖分类[J]. 测绘通报, 2016(3): 40-43.
[9]	YUKSEL M E, BASTURK N S, BADEM H, et al. Classification of high resolution hyperspectral remote sensing data using deep neural networks[J]. Journal of Intelligent & Fuzzy Systems, 2018, 34(4): 2273-2285.
[10]	薛梦姣, 陈刚, 张笑,等. 面向对象的资源三号卫星影像分类研究[J]. 测绘通报, 2015(7): 42-45.
[11]	赵丽娟. 基于BP神经网络的遥感影像分类研究[D]. 南昌:东华理工大学, 2014.
[12]	张小伟, 解智强, 侯至群,等. 一种基于BP神经网络耦合排水管线信息的城市河道风险评价研究[J].测绘通报, 2014(12): 93-96.
[13]	杨希. 基于BP神经网络的高分辨率遥感影像分类处理[J]. 铁道勘测与设计, 2011(3): 37-40.
[14]	张辉. 基于BP神经网络的遥感影像分类研究[D].济南:山东师范大学, 2013.
[15]	段连飞, 黄国满, 荣伟,等. 基于BP神经网络的机载高分辨率SAR图像分类方法研究[J]. 测绘通报, 2009(2): 14-17, 27.

栅格DEM微地形分类的BP神经网络法

Micro landform classification method of grid DEM based on BP neural network

可视化

摘要/Abstract

引用本文

使用本文

参考文献 15

相关文章 15

编辑推荐

Metrics

本文评价

[1]	刘璐, 罗年学, 赵前胜. 基于历史数据的黄海浒苔爆发规模预测[J]. 测绘通报, 2022, 0(7): 7-11.
[2]	冯俊俊, 周立, 欧阳犬平, 周珍. 优化短期余水位组合预测模型[J]. 测绘通报, 2022, 0(3): 96-100.
[3]	丁仁军, 王友昆, 张君华, 刘晨. 基于BP神经网络的昆明天顶湿延迟模型[J]. 测绘通报, 2022, 0(3): 107-110.
[4]	毛斌, 韩文泉, 谢宏全, 吕海扬. 基于北京二号影像辅助nDSM的建筑物自动提取[J]. 测绘通报, 2022, 0(3): 132-137.
[5]	李紫微, 马庆勋, 吕杰. BP神经网络的近地面臭氧估算及时空特征分析[J]. 测绘通报, 2021, 0(6): 28-32,126.
[6]	宋宝, 柯福阳, 赵兴旺. 面向LiDAR/Radar松组合的迭代加权IEKF-BP组合算法精度分析[J]. 测绘通报, 2021, 0(2): 44-48.
[7]	鲁小红. 最优权组合预测法在采煤沉陷变形预测中的应用[J]. 测绘通报, 2020, 0(4): 111-115.
[8]	郭云开, 许敏, 张晓炯, 刘雨玲. 结合PRO-4SAIL和BP神经网络的叶绿素含量高光谱反演[J]. 测绘通报, 2020, 0(3): 21-24.
[9]	冯绍权, 花向红, 陶武勇, 宣伟, 吴伟, 续东. 一种基于GA-BP-MC神经网络的高铁桥墩沉降预测模型[J]. 测绘通报, 2019, 0(7): 50-53,82.
[10]	韩红超. 量子粒子群BP神经网络在GNSS高程转换中的应用分析[J]. 测绘通报, 2019, 0(1): 85-88.
[11]	杨丁亮, 刘志平, 仲崇武. 百度地图坐标解密方法精度分析[J]. 测绘通报, 2018, 0(7): 43-47.
[12]	丰秋林, 郑南山. 机器学习算法辅助的GPS信噪比观测值土壤湿度反演[J]. 测绘通报, 2018, 0(7): 106-111.
[13]	黄凯, 陈渠森, 鞠博晓. GNSS自动化监测系统的大坝变形预测方法研究[J]. 测绘通报, 2018, 0(1): 147-150.
[14]	沈震, 徐良骥, 刘潇鹏, 秦长才, 王振兵. 机器学习辅助下的概率积分法参数预计模型寻优[J]. 测绘通报, 2016, 0(10): 35-38.
[15]	孙茂存, 李俊锋, 李飞, 刘宝锋, 周波, 刘帅. 基于BP人工神经网络的震前电离层VTEC异常扰动研究[J]. 测绘通报, 2015, 0(6): 16-19.