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.長沙理工大學(xué)交通運輸工程學(xué)院,湖南 長沙 410114；2.長沙理工大學(xué)特殊環(huán)境道路工程湖南省重點實驗室，湖南 長沙 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]，同時也是數(shù)字地形分析的重要研究內(nèi)容，在地學(xué)分析、環(huán)境工程、精細農(nóng)業(yè)、精細林業(yè)、城市規(guī)劃、自然災(zāi)害等領(lǐng)域有著廣泛的應(yīng)用前景和研究價值。

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種類型開創(chuàng)微觀地形分類體系研究后，文獻[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)制定出更為詳細的分類決策方案。文獻[3—4]以數(shù)字地形分析理論體系為框架，改進了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，通過疊加分析實現(xiàn)了自動分類。文獻[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[6]將一種帶有窗口機制的隨機森林算法用于實現(xiàn)模糊坡位劃分。這些研究為微觀地形自動分類開辟了新思路，同時近年來，隨著人工智能和機器學(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的微地形自動分類，利用已有分類決策方案和先驗知識確定典型樣本，經(jīng)樣本數(shù)據(jù)的訓(xùn)練、檢驗與優(yōu)化，實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)對柵格DEM微地形自動分類，力求在流程上避免煩瑣的數(shù)據(jù)疊加分析過程，并使分類結(jié)果的完整性和錯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地形類別特征的分類決策方案。本研究采用文獻[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部分。正向傳播是信息從輸入層經(jīng)隱含層逐層計算傳向輸出層。若是輸出層的輸出沒有達到期望，則計算輸出層的誤差變化值，通過反向傳播將誤差信號沿原來的連接通路反傳回來修改各層神經(jīng)元的權(quán)值直至達到期望目標(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)元個數(shù)無法確定等問題[11]。這些因素會影響網(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[4]中山體部位分類決策方案及先驗知識確定BP神經(jīng)網(wǎng)絡(luò)算法的輸入樣本，并歸一化處理后隨機地輸入到創(chuàng)建好的BP神經(jīng)網(wǎng)絡(luò)模型中，進行網(wǎng)絡(luò)訓(xùn)練。然后使用測試數(shù)據(jù)對模型精度進行評價，優(yōu)化初始權(quán)值和閾值，得到最優(yōu)的模型。為更進一步驗證該模型的適應(yīng)性，繼續(xù)利用該模型在包含樣本區(qū)的試驗區(qū)內(nèi)完成了更多柵格DEM數(shù)據(jù)的山體部位自動分類。最后對分類結(jié)果進行了相關(guān)統(tǒng)計分析。該方法流程如圖1所示。

2 試驗與結(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)域為樣本區(qū)，該區(qū)域最高點高程為1 031.6 m，最低點高程為889.8 m,相對高差為141.8 m，樣本區(qū)像元大小為5 m×5 m，共有16 800個像元。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[4]的山體部位分類決策方案和先驗知識選取了4749個典型樣點，各類型樣本數(shù)據(jù)分布見表2。

表2 各類型樣本數(shù)量分布

2.2 模型建立與精度評價

本研究應(yīng)用BP神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)了柵格DEM微地形的自動分類，為了取得更好的收斂效果，防止模型過擬合，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。利用試驗區(qū)內(nèi)選取的典型樣本數(shù)據(jù)進行BP神經(jīng)網(wǎng)絡(luò)算法山體部位自動分類試驗，試驗過程的BP神經(jīng)網(wǎng)絡(luò)混淆矩陣見表3。用典型樣點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)用在微觀地形自動分類上的精度可靠，也說明BP神經(jīng)網(wǎng)絡(luò)能夠很好地挖掘隱含知識，并識別地貌類型，證實了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6類微地形類別的適應(yīng)性表現(xiàn)不一致，其中沖積地對該方法適應(yīng)性最強，準(zhǔn)確率為100%，背坡的適應(yīng)性最弱準(zhǔn)確率為89.23%，其他類別對應(yīng)統(tǒng)計準(zhǔn)確率見表4。

表3 分類結(jié)果混淆矩陣

2.3 試驗結(jié)果對比分析

為驗證本文所提出的自動分類方法的有效性，以圖2樣本數(shù)據(jù)區(qū)域為試驗基礎(chǔ)擴大試驗區(qū)域，任意裁切某區(qū)域1∶10 000柵格DEM為試驗數(shù)據(jù)，如圖3(a)所示,試驗區(qū)像元大小為5 m×5 m，共有160 000個像元。以文獻[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)方法分別實現(xiàn)山體部位自動分類，分類結(jié)果如圖3(b)、(c)所示。

在試驗區(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)的方法對每個格網(wǎng)點的山體部位進行分類殘缺統(tǒng)計，見表5?？梢悦黠@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，疊加分析法是對于每個格網(wǎng)點的多因子體系的分類方法，對于不同區(qū)域，地形的復(fù)雜情況不一致，殘缺度范圍不確定；而BP神經(jīng)網(wǎng)絡(luò)法利用其反向傳播修正誤差的優(yōu)勢解決了分類殘缺問題。

表5 分類殘缺統(tǒng)計

3 結(jié) 語

柵格DEM作為重要的基礎(chǔ)地理信息數(shù)據(jù)，在測繪、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)勢將其引入柵格DEM的微地形分類，通過已有分類決策方案和先驗知識確定典型樣本，經(jīng)樣本數(shù)據(jù)的訓(xùn)練、檢驗與優(yōu)化，實現(xiàn)了對試驗區(qū)域山體部位自動分類并對分類結(jié)果進行了對比分析。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)疊加分析過程，也有效改善了分類結(jié)果殘缺問題。但該方法對不同山體部位的適應(yīng)性存在差異，這種差異的產(chǎn)生機理和誤差存在的原因則需更進一步的研究。