柵格DEM微地形分類的BP神經(jīng)網(wǎng)絡(luò)法

周訪濱,鄒聯(lián)華,張曉炯,孟凡一

(1.長(zhǎng)沙理工大學(xué)交通運(yùn)輸工程學(xué)院,湖南 長(zhǎng)沙 410114；2.長(zhǎng)沙理工大學(xué)特殊環(huán)境道路工程湖南省重點(diǎn)實(shí)驗(yàn)室，湖南 長(zhǎng)沙 410114)

地貌是地表高低起伏的形態(tài)，是內(nèi)、外力地質(zhì)作用對(duì)地殼綜合作用的結(jié)果。微觀地形地貌形態(tài)的劃分是宏觀地形地貌形態(tài)劃分的延續(xù)和深化[1]，同時(shí)也是數(shù)字地形分析的重要研究?jī)?nèi)容，在地學(xué)分析、環(huán)境工程、精細(xì)農(nóng)業(yè)、精細(xì)林業(yè)、城市規(guī)劃、自然災(zāi)害等領(lǐng)域有著廣泛的應(yīng)用前景和研究?jī)r(jià)值。

從Ruhe提出將山體地形劃分為山頂、山肩、背坡、麓坡、趾坡和沖積地6種類型開(kāi)創(chuàng)微觀地形分類體系研究后，文獻(xiàn)[2]在其分類體系基礎(chǔ)上利用坡度、平面曲率、剖面曲率為分類指標(biāo)制定出更為詳細(xì)的分類決策方案。文獻(xiàn)[3—4]以數(shù)字地形分析理論體系為框架，改進(jìn)了Dragut的山體部位分類決策方案，并以黃土高原柵格DEM(digital elevation model)為源數(shù)據(jù)，提取相關(guān)的微觀地形地貌因子，通過(guò)疊加分析實(shí)現(xiàn)了自動(dòng)分類。文獻(xiàn)[5]從地理學(xué)視角提出了一種模糊推理模型坡位劃分方法。文獻(xiàn)[6]將一種帶有窗口機(jī)制的隨機(jī)森林算法用于實(shí)現(xiàn)模糊坡位劃分。這些研究為微觀地形自動(dòng)分類開(kāi)辟了新思路，同時(shí)近年來(lái)，隨著人工智能和機(jī)器學(xué)習(xí)的快速發(fā)展，神經(jīng)網(wǎng)絡(luò)用于地學(xué)分類的研究成果層出不窮，尤其是深度神經(jīng)網(wǎng)絡(luò)用于高光譜圖像分類[7-10]及BP(back propagation)神經(jīng)網(wǎng)絡(luò)用于遙感影像分類[11-15]。這些成果證明了神經(jīng)網(wǎng)絡(luò)用于地學(xué)分類的有效性，借此本文研究嘗試將BP神經(jīng)網(wǎng)絡(luò)引入柵格DEM的微地形自動(dòng)分類，利用已有分類決策方案和先驗(yàn)知識(shí)確定典型樣本，經(jīng)樣本數(shù)據(jù)的訓(xùn)練、檢驗(yàn)與優(yōu)化，實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)對(duì)柵格DEM微地形自動(dòng)分類，力求在流程上避免煩瑣的數(shù)據(jù)疊加分析過(guò)程，并使分類結(jié)果的完整性和錯(cuò)分率都得到有效改善。

1 柵格DEM微地形分類的BP神經(jīng)網(wǎng)絡(luò)法

1.1 微地形分類決策方案

微觀地形地貌的劃分在不同學(xué)科領(lǐng)域?qū)W者的相關(guān)研究中形成了不同的分類體系，基于柵格DEM數(shù)字地形分析的微觀地形分類體系建立，通常采用在DEM上獲取微觀地形地貌因子，如坡度、坡向、平面曲率、剖面曲率、坡度變率和坡向變率等，再將這些地形地貌因子組合形成合理表達(dá)地形類別特征的分類決策方案。本研究采用文獻(xiàn)[4]中的山體部位分類決策方案，該方案以Ruhe的地形地貌分類體系為雛形，參考Dragut的表述形式并以坡度、平面曲率和剖面曲率為分類指標(biāo)克服了原有山體部位分類決策方案存在的缺陷，見(jiàn)表1。

表1 山體部位分類決策方案

1.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，分為輸入層、隱含層和輸出層，層與層之間采用全互連方式，層內(nèi)神經(jīng)元之間無(wú)連接，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)模型可分為信息的正向傳遞與誤差的反向傳播兩個(gè)部分。正向傳播是信息從輸入層經(jīng)隱含層逐層計(jì)算傳向輸出層。若是輸出層的輸出沒(méi)有達(dá)到期望，則計(jì)算輸出層的誤差變化值，通過(guò)反向傳播將誤差信號(hào)沿原來(lái)的連接通路反傳回來(lái)修改各層神經(jīng)元的權(quán)值直至達(dá)到期望目標(biāo)[13]。BP神經(jīng)網(wǎng)絡(luò)具有高度自學(xué)習(xí)能力和很強(qiáng)的泛化能力。然而，BP神經(jīng)網(wǎng)絡(luò)也存在易限入局部極小值、網(wǎng)絡(luò)收斂速度慢、隱含層神經(jīng)元個(gè)數(shù)無(wú)法確定等問(wèn)題[11]。這些因素會(huì)影響網(wǎng)絡(luò)的收斂和泛化能力。

1.3 基于BP網(wǎng)絡(luò)的微地形分類流程

首先確定BP神經(jīng)網(wǎng)絡(luò)模型的層數(shù)、最大收斂次數(shù)、收斂誤差及學(xué)習(xí)速率。選用柵格DEM為源數(shù)據(jù)，依據(jù)文獻(xiàn)[4]中山體部位分類決策方案及先驗(yàn)知識(shí)確定BP神經(jīng)網(wǎng)絡(luò)算法的輸入樣本，并歸一化處理后隨機(jī)地輸入到創(chuàng)建好的BP神經(jīng)網(wǎng)絡(luò)模型中，進(jìn)行網(wǎng)絡(luò)訓(xùn)練。然后使用測(cè)試數(shù)據(jù)對(duì)模型精度進(jìn)行評(píng)價(jià)，優(yōu)化初始權(quán)值和閾值，得到最優(yōu)的模型。為更進(jìn)一步驗(yàn)證該模型的適應(yīng)性，繼續(xù)利用該模型在包含樣本區(qū)的試驗(yàn)區(qū)內(nèi)完成了更多柵格DEM數(shù)據(jù)的山體部位自動(dòng)分類。最后對(duì)分類結(jié)果進(jìn)行了相關(guān)統(tǒng)計(jì)分析。該方法流程如圖1所示。

2 試驗(yàn)與結(jié)果分析

2.1 樣本數(shù)據(jù)的選取

本文選取黃土高原1∶10 000柵格DEM為源數(shù)據(jù)，任意裁切某區(qū)域?yàn)闃颖緟^(qū)，該區(qū)域最高點(diǎn)高程為1 031.6 m，最低點(diǎn)高程為889.8 m,相對(duì)高差為141.8 m，樣本區(qū)像元大小為5 m×5 m，共有16 800個(gè)像元。樣本區(qū)DEM暈渲圖如圖2(a)所示，確定的樣本數(shù)據(jù)分布如圖2(b)所示。依據(jù)文獻(xiàn)[4]的山體部位分類決策方案和先驗(yàn)知識(shí)選取了4749個(gè)典型樣點(diǎn)，各類型樣本數(shù)據(jù)分布見(jiàn)表2。

表2 各類型樣本數(shù)量分布

2.2 模型建立與精度評(píng)價(jià)

本研究應(yīng)用BP神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)了柵格DEM微地形的自動(dòng)分類，為了取得更好的收斂效果，防止模型過(guò)擬合，建立的BP神經(jīng)網(wǎng)絡(luò)為三層網(wǎng)絡(luò)模型，最大收斂次數(shù)為1000，收斂誤差確定為10-3，學(xué)習(xí)速率為0.01。利用試驗(yàn)區(qū)內(nèi)選取的典型樣本數(shù)據(jù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)算法山體部位自動(dòng)分類試驗(yàn)，試驗(yàn)過(guò)程的BP神經(jīng)網(wǎng)絡(luò)混淆矩陣見(jiàn)表3。用典型樣點(diǎn)建立的模型總體精度為0.954 2，Kappa系數(shù)為0.941 5，表明BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用在微觀地形自動(dòng)分類上的精度可靠，也說(shuō)明BP神經(jīng)網(wǎng)絡(luò)能夠很好地挖掘隱含知識(shí)，并識(shí)別地貌類型，證實(shí)了BP神經(jīng)網(wǎng)絡(luò)算法在地形分類中的適用性。但BP神經(jīng)網(wǎng)絡(luò)法對(duì)6類微地形類別的適應(yīng)性表現(xiàn)不一致，其中沖積地對(duì)該方法適應(yīng)性最強(qiáng)，準(zhǔn)確率為100%，背坡的適應(yīng)性最弱準(zhǔn)確率為89.23%，其他類別對(duì)應(yīng)統(tǒng)計(jì)準(zhǔn)確率見(jiàn)表4。

表3 分類結(jié)果混淆矩陣

2.3 試驗(yàn)結(jié)果對(duì)比分析

為驗(yàn)證本文所提出的自動(dòng)分類方法的有效性，以圖2樣本數(shù)據(jù)區(qū)域?yàn)樵囼?yàn)基礎(chǔ)擴(kuò)大試驗(yàn)區(qū)域，任意裁切某區(qū)域1∶10 000柵格DEM為試驗(yàn)數(shù)據(jù)，如圖3(a)所示,試驗(yàn)區(qū)像元大小為5 m×5 m，共有160 000個(gè)像元。以文獻(xiàn)[4]基于規(guī)則的疊加分析方法和本文建立的BP神經(jīng)網(wǎng)絡(luò)方法分別實(shí)現(xiàn)山體部位自動(dòng)分類，分類結(jié)果如圖3(b)、(c)所示。

在試驗(yàn)區(qū)用基于規(guī)則的疊加分析方法和基于BP神經(jīng)網(wǎng)絡(luò)的方法對(duì)每個(gè)格網(wǎng)點(diǎn)的山體部位進(jìn)行分類殘缺統(tǒng)計(jì)，見(jiàn)表5。可以明顯看出，基于規(guī)則的疊加分析方法殘缺度為42.39%，而基于BP神經(jīng)網(wǎng)絡(luò)的方法不存在殘缺。究其原因，疊加分析法是對(duì)于每個(gè)格網(wǎng)點(diǎn)的多因子體系的分類方法，對(duì)于不同區(qū)域，地形的復(fù)雜情況不一致，殘缺度范圍不確定；而B(niǎo)P神經(jīng)網(wǎng)絡(luò)法利用其反向傳播修正誤差的優(yōu)勢(shì)解決了分類殘缺問(wèn)題。

表5 分類殘缺統(tǒng)計(jì)

3 結(jié) 語(yǔ)

柵格DEM作為重要的基礎(chǔ)地理信息數(shù)據(jù)，在測(cè)繪、遙感、資源、環(huán)境、農(nóng)林、災(zāi)害、城市規(guī)劃與軍事等領(lǐng)域有廣泛應(yīng)用，柵格DEM的微地形分類則是這些應(yīng)用精細(xì)化發(fā)展的基礎(chǔ)研究工作。本文利用BP神經(jīng)網(wǎng)絡(luò)在地學(xué)分類中的優(yōu)勢(shì)將其引入柵格DEM的微地形分類，通過(guò)已有分類決策方案和先驗(yàn)知識(shí)確定典型樣本，經(jīng)樣本數(shù)據(jù)的訓(xùn)練、檢驗(yàn)與優(yōu)化，實(shí)現(xiàn)了對(duì)試驗(yàn)區(qū)域山體部位自動(dòng)分類并對(duì)分類結(jié)果進(jìn)行了對(duì)比分析。研究結(jié)果表明，柵格DEM微地形分類的BP神經(jīng)網(wǎng)絡(luò)法在實(shí)踐中是行之有效的，相較于疊加分析的分類方法，該方法可避免煩瑣的數(shù)據(jù)疊加分析過(guò)程，也有效改善了分類結(jié)果殘缺問(wèn)題。但該方法對(duì)不同山體部位的適應(yīng)性存在差異，這種差異的產(chǎn)生機(jī)理和誤差存在的原因則需更進(jìn)一步的研究。