数字高程模型(digital elevation model,DEM)是地表形态的数字化表达
[1]
,在国民生
产实践中发挥着重要的作用。基于栅格 DEM 的微观地形分类是数字地形分析的重要研究
内容
[2]
,在土壤学、城市规划、土木工程、军事、外交等方面有着广阔的应用前景。
文献[3]利用纵坡面的坡度、坡长和坡宽将山体地形划分为山顶、山肩、背坡、麓坡、
趾坡和冲积地,开创了山体微观地形分类体系,文献[4]根据文献[3]的分类体系利用坡度和
曲率制定更为详细的分类方案
[3-4]
。周访滨等
[5-6]
依据数字地形分析理论框架,考虑地貌类型
的空间结构特征,改进了文献[4]的分类决策方案,并以黄土高原栅格 DEM 数据通过叠加
分析实现了微地形的自动分类。但是,这种传统规则化知识的栅格 DEM 微地形分类方法
存在自动化程度低、分类残缺等缺陷。近年来,人工智能(artificial intelligence,AI)在测绘
学科领域备受关注,李德仁
[7]
呼吁面对大数据时代的到来,急需增强地球空间信息学数据
处理的时效性与智能化水平;龚健雅
[8]
认为在人工智能迅速发展的大环境下,测绘遥感既
是机遇又是挑战;刘经南等
[9]
从人工智能的内涵、历程和趋势出发,分析了智能时代测绘
与位置服务领域面临的挑战与机遇;熊伟
[10]
从人工智能技术发展趋势及其对测绘科技发展
已有影响的基础上,阐述了人工智能与传统测绘技术融合发展下的未来智能化测绘发展趋
势。同时,人工智能引发的智能化测绘模式正逐渐蔓延
[11]
,深度学习领域中的卷积神经网
络发展迅速,因其具有的特殊结构,已广泛应用于遥感图像分类
[12]
、地貌识别和情感分类
[13]
等领域。在地形地貌分类方面,秦承志等
[14-16]
从地理学视角提出了一种基于相似度的模
糊坡位分类方法,并综合分析了已有的地貌自动分类方法
[17]
,王磊等
[18]
利用随机森林算法
实现模糊坡位分类,这些研究为人工智能应用于地形地貌自动分类提供了新思路。
本文尝试将卷积神经网络算法引入栅格 DEM 的微地形自动分类,以改善分类结果的
完整性,并尝试减少传统地形分类繁琐的叠加分析过程及提高地形自动分类的泛化能力。
1. 微地形分类相关知识
1.1 微地形分类决策方案
分类体系和分类指标是微观地形分类的基础和核心,分类体系的完备性和分类指标的
科学性直接影响着分类的质量。微观地形分类在不同的学科领域中形成了不同的分类体系
和分类指标,基于栅格 DEM 的微观地形分类中应用最为广泛的是文献[3]的地形分类体
系,该体系从 DEM 上提取微观地形因子诸如坡度、坡向、平面曲率、剖面曲率、坡度变
率和坡向变率等为分类指标,再根据分类指标组合形成科学合理表达微地形类别特征的分
类决策方案。本研究采用文献[5]中的山体部位分类决策方案,该方案以文献[3]的地形地貌
分类体系为雏形,参考文献[4]的表述形式,并以坡度、平面曲率和剖面曲率为分类指标,
改进了原有山体部位分类决策方案存在的缺陷
[5]
。
1.2 微地形分类可用的 AI 方法