【技术实现步骤摘要】
本专利技术涉及地形地貌分析，具体涉及一种适用于高深峡谷地区地形类型自动化分类方法。
技术介绍
1、地形分析是测量地球表面形状以及这些形态对于人类和自然过程的影响的科学，已成为地球科学的核心学科之一。然而，传统的网格单元缺乏地形语义含义，难以建立与研究对象的匹配关系，导致分析结果受到空间分辨率变化的影响，不确定性较大。但是，通过将离散网格单元按照相似性规则聚合成语义含义明确的多边形对象，例如山脊、沟谷、陡坡、平台等，可以解决这一问题。地形单元是连续地表中局部相对独立且同质的地表起伏单元，具有相近的坡面几何形态特征，如图1所示。这些同质性特征包括相对高差、坡度、坡向和曲率，对斜坡坡长、坡度和坡形属性进行定量描述，形成了基本语义含义，例如山脊、坡肩、坡背、坡脚和沟谷等。常见的地形类型如陡崖、凹坡背、缓坡脚、陡直坡等，属于复合型同质地形单元。
2、每个地形单元具有不同的视觉几何形态特征，是具有显著内部同质性的功能区域，能够简化地表的表达并提高对地形特征的理解。同时，作为一种多特征融合的复合型地形因子，能够指示滑坡、生态环境、土壤分布等方面的倾向性，具有重要的价值。
3、由于不同地区地形的特殊性与多样性，例如黄土高原、高山峡谷区或南方丘陵等，不存在适用于所有地区完整、详尽的地形属性分类规则。传统地形类别赋值依赖于预定义的类别阈值区间，进行硬分类，但山脊、坡肩、坡背、坡脚、沟谷等基本地形类别通常表现为渐变过渡的空间分布特征，对真实渐变特征的欠缺考虑十分不利于产生高精度的分类结果。另外，不同地区的地形特殊性与多样性导致
技术实现思路
1、本专利技术为解决现有技术的不足，目的在于提供一种适用于高深峡谷地区地形类型自动化分类方法，采用本方案，仅需提供各地形类别最典型的类中心范围，而不再依赖完整详细的分类阈值设定，从而实现了全区域的地形分类。
2、本专利技术通过下述技术方案实现：
3、一种适用于高深峡谷地区地形类型自动化分类方法，包括以下步骤：
4、s1：获取地形图像并进行分割和提取，得到若干对象的地形单元图像；
5、s2：确定地形类别的属性与类中心范围，并构建协同模糊神经网络推理模型；
6、s3：输入地形单元图像，通过所述协同模糊神经网络推理模型输出地形分类结果；
7、所述协同模糊神经网络推理模型包括依次传递的模糊层、规则前置层、归一化层、去模糊层和输出层；所述模糊层、规则前置层、归一化层和去模糊层均包括有若干神经元节点；
8、所述模糊层用于将指定的地形要素变量和地形类型映射关系通过隶属度函数转变为0～1的模糊区域，并传递给规则前置层；
9、所述规则前置层基于模糊层模糊化后所有输出以乘积的组合形式，获取第j条规则相对隶属度；所述规则前置层内的每个神经元节点都为固定节点，且均各自代表一条模糊规则；
10、所述归一化层用于计算该节点上第j条规则相对隶属度与所有规则相对隶属度之和的比值；
11、所述去模糊化层用于接收归一化后的推理规则权重，并将模糊推理的结果转换为确定性的输出，并传递给输出层；
12、所述输出层用于计算每个地形属性的综合隶属度，并输出地形分类结果。
13、相对于现有技术中，传统的地形类型分类方法往往依赖于人工解译或单一属性分析，存在主观性高、效率低、分类精度不高等问题。特别是对于高深峡谷地区，由于地形复杂多变，传统方法难以满足自动化分类的需求等问题，本专利技术提供了一种适用于高深峡谷地区地形类型自动化分类方法，采用本方案，仅需提供各地形类别最典型的类中心范围，而不再依赖完整详细的分类阈值设定，从而实现了全区域的地形分类。具体方案中，由于获取某一类地形空间渐变的完整阈值区间是一项挑战，而确定该地形类型在空间分布中最典型位置却相对简便。因此，通过提供典型无争议的位置作为坡位类别的原型，并构建每个坡位与典型位置的综合相似度。当与某典型位置的相似度越高，则隶属于该坡位属性的可能性越大。该方法的优势在于，仅需提供各地形类别最典型的类中心范围，而不再依赖完整详细的分类阈值设定，从而实现了全区域的地形分类。例如，将0°～3°的坡度归类为平台，10°～15°归类为缓坡，20°～30°归类为斜坡，40°以上归类为陡坡，是一种简便易行的分类方式。这些类别的分布范围作为原型，而类中心范围以外的渐变过渡地区的坡度属性，则通过与典型坡度类别的综合相似性大小进行归类。因此，本专利技术不依赖明确清晰的类边界阈值，而是基于通用有限的类中心规则，建立了一种基于协同模糊神经网络相似度推理(canfis)的地形分类方法。这一方法将地形分类过程转化为由典型向非典型渐变过渡的模糊推理过程。与传统的模糊逻辑推理方法(fis)不同，我们不需要为每组属性指定隶属度函数和曲线参数，而是将其嵌入到人工神经网络模型中，通过误差反馈和自适应逼近来确定该位置地形要素组合条件与典型地形类型之间的综合相似度，并选取隶属度最高的类型作为该单元的地形属性。这是首次探索协同模糊神经网络推理算法在地形智能化分类中的应用。
14、更进一步的，所述模糊层在转变过程中，使用高斯函数通过对每个输入变量设置两个初始前置参数实现模糊化表达，公式如下：
15、
16、式中：μ是高斯函数指示的输入变量，δ为方差参数，c是函数的标准偏差，n是输入的地形变量。
17、更进一步的，所述相对隶属度wl表示为：
18、
19、更进一步的，所述第j条规则相对隶属度与所有规则相对隶属度之和的比值为：
20、
21、所述归一化层内的神经元节点为固定节点，标记为n。
22、更进一步的，所述去模糊化层将模糊推理的结果转换为确定性的输出时，通过加权平均的方式进行，函数表示为：
23、
24、更进一步的，所述综合隶属度的表达式为：
25、
26、更进一步的，所述协同模糊神经网络推理模型内的传递路径包括前向传递和反向传递；
27、在首次前向传递中，前置参数固定，通过模糊层、规则前置层、归一化层和去模糊层依次传递，直至所述去模糊层结果参数由最小二乘法估计，当在进行最小二乘法的过程中达到误差收敛，则获得最佳参数；
28、获得最佳参数后，通过反向传递，使用梯度下降算法调整优化前置高斯函数参数。
29、更进一步的，所述协同模糊神经网络推理模型通过估计输出与实际输出错误率的比较，使用均方根误差评估训练迭代过程：
30、本文档来自技高网...
【技术保护点】
1.一种适用于高深峡谷地区地形类型自动化分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种适用于高深峡谷地区地形类型自动化分类方法，其特征在于，所述模糊层在转变过程中，使用高斯函数通过对每个输入变量设置两个初始前置参数实现模糊化表达，公式如下：
3.根据权利要求1所述的一种适用于高深峡谷地区地形类型自动化分类方法，其特征在于，所述相对隶属度wl表示为：
4.根据权利要求1所述的一种适用于高深峡谷地区地形类型自动化分类方法，其特征在于，所述第j条规则相对隶属度与所有规则相对隶属度之和的比值为：
5.根据权利要求1所述的一种适用于高深峡谷地区地形类型自动化分类方法，其特征在于，所述去模糊化层将模糊推理的结果转换为确定性的输出时，通过加权平均的方式进行，函数表示为：
6.根据权利要求1所述的一种适用于高深峡谷地区地形类型自动化分类方法，其特征在于，所述综合隶属度的表达式为：
7.根据权利要求1所述的一种适用于高深峡谷地区地形类型自动化分类方法，其特征在于，所述协同模糊神经网络推理模型内的传递路径包括
8.根据权利要求1所述的一种适用于高深峡谷地区地形类型自动化分类方法，其特征在于，所述协同模糊神经网络推理模型通过估计输出与实际输出错误率的比较，使用均方根误差评估训练迭代过程：
9.根据权利要求1所述的一种适用于高深峡谷地区地形类型自动化分类方法，其特征在于，在评估训练迭代过程时，还需使用综合评价指标F-Measure测试不同变量组合下分类准确率，F1最高值作为最佳的地形分类结果，F值计算公式如下：
10.根据权利要求1所述的一种适用于高深峡谷地区地形类型自动化分类方法，其特征在于，所述地形分类结果包括：
...【技术特征摘要】
1.一种适用于高深峡谷地区地形类型自动化分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种适用于高深峡谷地区地形类型自动化分类方法，其特征在于，所述模糊层在转变过程中，使用高斯函数通过对每个输入变量设置两个初始前置参数实现模糊化表达，公式如下：
3.根据权利要求1所述的一种适用于高深峡谷地区地形类型自动化分类方法，其特征在于，所述相对隶属度wl表示为：
4.根据权利要求1所述的一种适用于高深峡谷地区地形类型自动化分类方法，其特征在于，所述第j条规则相对隶属度与所有规则相对隶属度之和的比值为：
5.根据权利要求1所述的一种适用于高深峡谷地区地形类型自动化分类方法，其特征在于，所述去模糊化层将模糊推理的结果转换为确定性的输出时，通过加权平均的方式进行，函数表示为：
6.根据权利要求1所述的一种适用于高...
【专利技术属性】
技术研发人员：杨仲康，张世殊，纪海锋，李青春，杨静熙，冯学敏，冉从彦，孙稳，
申请(专利权)人：中国电建集团成都勘测设计研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。