CN103745191A - 一种基于地形分析的黄土地区塬梁峁自动识别方法 - Google Patents
一种基于地形分析的黄土地区塬梁峁自动识别方法 Download PDFInfo
- Publication number
- CN103745191A CN103745191A CN201310566694.0A CN201310566694A CN103745191A CN 103745191 A CN103745191 A CN 103745191A CN 201310566694 A CN201310566694 A CN 201310566694A CN 103745191 A CN103745191 A CN 103745191A
- Authority
- CN
- China
- Prior art keywords
- loess
- plateau
- hills
- loess hills
- closed contour
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于计算机数字图像处理与模式识别技术领域,本发明公开了一种基于地形分析的黄土地区塬梁峁自动识别方法,包括:通过DEM(Digital Elevation Model)数据提取山谷线与山脊线;同时获取研究区域的闭合等值线,并对闭合等值线根据相互之间的空间关系进行聚类。然后对聚类后的闭合等值线提取适合塬梁峁识别的特征值;另一方面,根据专家关于塬梁峁的知识形成规则库与推理机;结合提取的特征实现塬梁峁的识别。最后,为了更好地提高塬梁峁对象范围的确定,利用闭合等值线确定的边界作为初始边界,采用主动轮廓模型在DEM栅格数据上实现目标边界的精确化。本发明能有效地实现研究区域塬梁峁的自动提取,为地貌分析及黄土地区地貌演变等应用服务。
Description
技术领域
本发明属于交叉领域,即属于计算机数字图像处理与模式识别技术领域,也属于自然地理领域,主要涉及基于数字高程模型的特征提取、基于黄土地貌知识的专家系统和知识推理技术,具体涉及一种基于地形分析的黄土高原塬梁峁自动识别方法。
背景技术
黄土地貌是第四纪时期形成的土状堆积物,分布很广,从全球范围看,主要分布在中纬度干燥或半干燥的大陆性气候环境内。我国黄土集中分布在北起长城,南界秦岭,西从青海湖,东到太行山的范围内,地理上称为黄土高原。黄土地貌特征是沟谷众多、地面破碎;侵蚀方式独特、过程迅速;沟道流域内有多级地形面。类型主要有黄土沟间地、黄土沟谷和独特的黄土潜蚀地貌。我国黄土集中分布在北纬34~40°,东经102~114°之间,即北起长城,南界秦岭,西从青海湖,东到太行山面积约达30万平方公里的范围内,地理上称为黄土高原。本区除了一些基岩裸露的山地外,黄土基本上构成连续的盖层,厚度达100~200m,形成非常特殊的地貌。黄土沟间地,又称黄土谷间地,包括黄土塬、梁、峁、坪地等。黄土塬、梁、峁是黄土地貌的主要类型,它们是当地群众对桌状黄土高地、梁状和圆丘状黄土丘陵的俗称,黄秉维于1953年首先将其引入地理学文献,罗来兴于1956年给予科学定义。黄土塬为顶面平坦宽阔的黄土高地,又称黄土平台。其顶面平坦,边缘倾斜3°~5°,周围为沟谷深切,它代表黄土的最高堆积面。黄土梁为长条状的黄土丘陵。梁顶倾斜3°~5°至8°~10°者为斜梁。梁顶平坦者为平梁。丘与鞍状交替分布的梁称为峁梁。黄土峁为沟谷分割的穹状或馒头状黄土丘。峁顶的面积不大,以3°~ 10°向四周倾斜,并逐渐过渡为坡度15°~35°的峁坡。若干个峁大体排列在一条线上的为连续峁,单个的叫孤立峁。连续峁大多是河沟流域的分水岭,由黄土梁侵蚀演变而成;孤立峁或者是黄土堆积过程中侵蚀形成,或者是受黄土下伏基岩面形态控制生成。
黄土高原的土壤侵蚀问题举世瞩目,它不仅使本区生态环境受到严重威胁,而且来自黄河中游的粗泥沙一直威胁着下游广大平原地区的安全,一直是中华民族的心腹之患(梁广林,陈浩,2004)。因此,研究黄土高原地貌及其演变具有重大的意义。塬、梁、峁是黄土地区的主要类型,及时监测它们的分布与演化可以很好了解该地区地貌演化和生态环境状况,为制定地区可持续发展提供依据,同时可以依据目前塬、梁、峁分布情况实现有针对性地对当地环境进行治理。
20世纪50年代以后,黄土地貌研究进入蓬勃发展阶段。1953年黄秉维首次编制成1:400万黄河中游土壤侵蚀分区图,并发表相应的论文,奠定了黄土地貌研究的基础:1953~1958年,罗来兴等进行了黄土地貌分类和沟道流域侵蚀地貌制图工作,把黄土地貌研究与黄土区土壤侵蚀与水土保持工作紧密相联。1950年代中期到80年代中期,刘东生等不仅在黄土地层学研究中作出了贡献,为确定黄土地貌发育年龄打下了坚实基础,而且在黄土地貌发育的历史过程、黄土性质与现代侵蚀的关系、黄土地貌类型区域分布与黄土下伏原始地面起伏的关系等方面,都做了卓有成效的工作,代表性著作有《黄河中游黄土》(1964)、《(黄土与环境》(1985)。对于黄土高原地貌提取方面,国内外学者在此方面也进行了大量研究,陈燕,齐清文等(陈燕,齐清文等,2005)以黄土高原的遥感图像为基本信息源,利用数学形态学方法提取黄土高原地貌单元,提取面积、周长、形状指数等特征。其分为黄土塬、黄土梁和黄土峁。对黄土高原地貌单元分类进行定量化方面的探讨和研究,取得了较理想的结果。张微微,武伟等(张微微,武伟等,2007)分析了不同比例尺DEM数据在提取坡度、坡向等地形信 息的比较。为合理选择DEM数据源提供了参考。陈永刚,汤国安等(陈永刚,汤国安等,2012)分析DEM数据,并以Logistic回归模型提取黄土高原正、负地形。岳健,穆桂金等(岳健,穆桂金等,2013)从黄土地貌区的位置、色调与色彩、大小、形状、阴影、水系和纹理、植被和土壤、相关体、相关资料和野外经验等方面总结了7项关于新疆黄土地貌的遥感判读依据,并归纳了新疆黄土地貌与风沙、干燥、流水、冰缘、雅丹等地貌类型之间以及与部分特殊情况之间的一些鉴别特征。采用地貌、遥感影像、植被、土壤及土地利用图综合实现黄土地貌的判读解译。
从以上分析看,目前对于塬梁峁识别上的技术现状如下:一方面一些学者试图通过提取与黄土地貌相关的特征达到地形信息的提取或塬梁峁的识别(陈燕,齐清文等,2005;陈永刚,汤国安等,2012);另一方面,一些学者借助遥感及相应的GIS信息,利用专家经验人工解译得到塬梁峁的识别(岳健,穆桂金等,2013)。本发明将结合两种方法,一方面分析DEM数据获得塬梁峁相关的地形特征,并在特征提取上充分利用等值线对地形描述的优势提取特征,同时总结一些专家关于塬梁峁地知识,实现有效的黄土地貌塬梁峁识别。
参考文献:
1)基于DEM的黄土地貌类型提取与制图--以黄土高原丘陵沟壑实验样区为例-地球信息科学-20035(4)
2)黄土地貌沟沿线类型划分-千旱区地理-200730(5)
3)全球气候变化下陕北黄土地貌的环境演变-安徽农业科学-201139(24)
4)卢智勇,梁光明,基于多边形拟合的细胞图像特征提取算法,计算机仿真,2009,26(11):268-271
5)董美霞,基于语义网模糊本题的知识推理研究,大连海事大学硕士论文,2011
6)Dave Reynolds.Jena2 lnferenee Support[EB/OL],2010
7)Stoilos et al.Fuzzy OWL:Uneertainty and the Semantie Web National Technical University of Athens,Zographou15780,Greece,2005
8)丁展春,顾德访.Jena在实现基于Ontology的语义检索中的应用研究[J].现代图书情报技术,2005,24(10):5-9
9)J.Carroll,1.Diekinson,C.Dollin et al.Jena:implementing the semantic web reeommendations[C].In Proeeedings of the13th International World Wide Web Conference on Alternate Track Papers&Posters.2004,74-83
10)Kass M.,Witkin A.,Terzopoulos D..Snakes:Active contour models.International Journal of Computer Vision,1988,1(4):321~331
11)Cohen L.D.,On active contour models and balloons.CVGlP:lmage Understanding,1991,53(2):211~218
12)Cohen L.D.,Cohen l..Finite2element methods for active contour models and balloons for22D and32D images.IEEE Transactions on Pattern Analysis and Machine Intelligence,1993,15(11):1131~1147
13)Xu ChenYang,Prince Jerry L..Snakes,shapes,and gradient vector flow.IEEE Transactions on lmage Processing,1998,7(3):359~369
14)侯志强,韩崇昭,基于力场分析的主动轮廓模型,计算机学报,2004,27(6):743-749
15)陶玲,钱志余,陈春晓,主动轮廓模型及其在医学体分割中的应用,华南 理工大学学报(自然科学版),2008,1(1):67-75
16)陈燕,齐清文等,数学形态学在黄土地貌单元分类学上的应用,山地学报,2005,23(1):96-100
17)张微微,武伟等,不同比例尺DEM提取地形信息的比较分析-以重庆市为例,西南大学学报(自然科学版),2007,29(7):153-157
18)陈永刚,汤国安等,基于多方位DEM地形晕渲的黄土地貌正负地形提取,地理科学,2012,32(1):105-109
19)周毅,汤国安,王春等.基于高分辨率DEM的黄土地貌正负地形自动分割技术研究[J].地理科学,2010,30(2):261-266.
20)岳健,穆桂金等,新疆黄土地貌的遥感判读问题,干旱区地理,2013,36(3):491-501
21)梁广林,陈浩,黄土高原现代地貌侵蚀演化研究进展,水土保持研究,2004,11(4):131-137
发明内容
(一)发明目的
本发明的目的是:利用黄土高原地区的DEM数据,结合黄土高原地貌的专家知识,提供一种基于地形分析的黄土高原塬梁峁自动识别方法,能快速获取研究区域塬梁峁分布情况,及时掌握黄土高原地区水土流失及地貌演变情况,为黄土高原治理与开发提供基础信息。
(二)技术解决方案
本发明提供了一种于地形分析的黄土高原塬梁峁自动识别方法,其方法流程包括以下步骤:
步骤10、首先通过DEM(Digital Elevation Model)数据提取山谷线与山脊线;
步骤20、通过DEM数据提取闭合等值线;
步骤30、将步骤20提取得到的闭合等值线进行聚类得到闭合等值线集;
步骤40、对步骤30得到闭合等值线集逐个计算特征值;
步骤50、根据步骤40计算得到的特征值和塬梁峁知识推理得到塬梁峁分类结果;
步骤60、对步骤50分类结果中无法识别的闭合等值线集合进一步分解为子集合重新计算特征值;
步骤70、重复进行步骤50和60直到所有的闭合等值线集合都处理完成。
步骤80、将步骤70得到的分类后的闭合等值线集合的外边界作为初始边界,然后利用主动轮廓模型(Active Contour Model)在DEM影像上进行处理得到每一种类型最终的边界。
所述步骤10中的山谷线与山脊线提取采用平面曲率与坡形组合法实现山谷线与山脊线的提取,具体的方法流程见图2。
所述步骤20中得到闭合等值线的关键在于确定等值线间隔,而间隔的确定取决于三个因素,其一是DEM的精度,其二是研究区域的整体的地形起伏情况,其三是研究区域塬梁峁的最小尺寸及相对高差情况。具体确定方法根据以上三因素通过经验确定。
所述步骤30中实现闭合等值线的聚类,即按照从低到高并按照闭合等值线的空间包含关系实现聚类,直至所有的闭合等值线都被分组。聚类采用图3所示的流程进行。
所述步骤40中闭合等值线特征值的计算的关键在于特征值的定义,本步骤涉及的特征值包括面积、长轴、垂轴、边缘平均梯度和闭合等值线内部DEM的直方图特征值。各特征的定义如下:
面积:闭合等值线集最大的闭合等值线的面积;
长轴:多变形上距离最大的两点连成的线段长度(卢智勇,梁光明,2009);
垂轴:垂轴是经过长轴中垂线与拟合多边形的交点连成的线段长度(卢智勇,梁光明,2009);
边缘平均梯度:即相邻等值线之间的面积变化值;
闭合等值线内部DEM的直方图特征值:包括均值、标准差、最大及最小值。
所述步骤50中根据特征值与塬梁峁知识进行推理获得分类结果,本步骤关键在于知识表示及推理算法,具体如下:
51:基于规则的专家系统:为了实现塬梁峁的分类,本发明采用 基于规则的专家系统。基于规则的专家系统是当前最普遍的专家系统,这类系统已经被开发并应用于科学、工程、商业等领域,同时出现的规则推理引擎也被广泛应用于各种推理中。规则库就是专家系统的关键部分,是专家知识系统的集中展现。
52:梁峁知识表示:本发明采用产生式表示法实现知识的表达。产生式通常用于表示有因果关系的知识,其基本形式是IfP Then Q。其中P是产生式的前提,用以指出该产生式是否是可用的条件,这个条件可以是简单条件,也可以是逻辑运算符连接起来的复杂条件;Q是一组结论或者操作,用以指出当前条件满足时得出的结论或执行的操作。
根据塬梁峁三者的自然语言表示为:
塬:又称黄土平台、黄土桌状高地,表部平坦,或微有起伏,黄土堆积厚度较大。
梁:平行于沟谷的长条状高地,梁长一般可达上千米,几公里或十几公里,梁顶宽阔略有起伏,宽几十米到几百米,呈鱼脊状往两面沟谷微倾。
峁:呈孤立的黄土丘,浑圆状形如馒头。大多数峁是由黄土梁进一步侵蚀切割形成的,但也有极少数是晚期黄土覆盖在古丘状高地上形成的。
在进行知识表示前,需要首先定义一下一些基本的特征:
(1)WidthMax:长轴
(2)WidthMin:垂轴
(3)Area:面积
(4)EdgeChange:边缘梯度变化
(5)Smoothness:内部平滑程度
(6)ValleyRegion:山谷线区域
(7)RidgelineRegion:山脊线区域
塬梁峁知识表示:
(1)IF EdgeChange>EdgeChange0Then Region may be塬、梁、峁
(2)IF Area<Area0Then Region may be峁
(3)IF Area0<Area<Area l Then Region may be梁
(4)IF Area>Areal Then Region may be塬
(5)IF WidthMax/WindthMin>L0Then Region may be梁
(6)IF Smoothness<Smoothness Then Region may be塬、梁
(7)IF Region In ValleyRegion Then Region may not be塬、梁、峁
(8)IF Region Include RidgelineRegion Then Region may be塬、梁
53:jena推理机:所谓推理机是指从已有的知识推出新知识的算法。它应该和知识库的形式化表示语言相适应。目前的推理机工作方式有以下三种:向前链接:从工作存储集的任一给定状态进行规则的推导。向后链接:它决定应该提出什么样的问题才能向一个固定的目标推导。混合链接:把上面两种方式结合起来。推理的过程是由已知事实推出新事实。而一个事实可以有以下三种状态:
A.“已知”指事实已有确定的值,对布尔型的事实是真假确定,对符号型是已代表的某个字符串,对数值型是已表示具体的数值。
B.“未知”指没有向事实指派具体的值,也没有询问过它的值。
C.“不确定”指已询问过该事实的值,但回答是“不知道”,这时它有可能有具体值,也可能无具体值。
本发明采用Jena推理机。Jena推理机(丁展春等,2005;J.Carroll等,2004)是HP实验室开发的开源资源,它可以实现对OWL最简单子集OWLLit。的不确定信息推理,目前的Jena2(Dave Reynolds,2010)是Jena的第二个版本,它主要是对RDFS和OWL语言进行推理,允许从实例数据和类描述中推断出额外的事实。Jena推理机包括一个基于推理引擎的产生式规则,它允许一系列推理引擎插入Jena,这样的引擎被用来获取额外的RDF断言。Jena是用于语义网的开发系统,它是语义网中内容较全面的应用程序开发包,推理机只是Jean功能中的一部分。Jena提供的推理机也和RACER、FaCT++、Pellet等一样,是用于本体推理机的一种。但Jena本身并不是“推理机设计专家”,它自身包含的推理机基本上就是一种基于CLIPS的前向链的规则与本体领域结合的推理系统。它的实现机制如图4所示。
所述步骤60、70是一个递归过程,其特点是将不可识别的类型去掉最外层闭合等值线重新分组识别。
所述步骤80是利用主动轮廓模型进行识别类型的边界确定,其特点是采用外围等值线作为初始边界,在DEM影像上确定最终边界。针对本专利特殊的应用对象,在使用主动轮廓模型过程中有针对性地使用了,即GVF Snake模型(Xu ChenYang,1998),它是一种改进型主动轮廓模型,具体如下:
主动轮廓模型:主动轮廓模型又称为Snake模型,是由Kass等人(Kass M,1988)首先提出的。该方法将图像中感兴趣目标轮廓提取问题转换为能量最小化问题。在求取感兴趣目标轮廓时,定义了一条由一组参数约束的曲线。这条曲线在内部力、外部力和约束力的作用下,主动地向感兴趣目标轮廓附近移动,当曲线能量最小时,该曲线就是感兴趣目标轮廓。由于该方法利用了感兴趣目标轮廓的全局信息,获得 的轮廓是一条封闭的曲线,又不需要得知感兴趣目标的任何先验知识,因此在边缘检测、图像分割、目标跟踪和三维重构等方面得到了广泛应用。Snake算法的主要思想是定义一个能量函数,定义的能量函数如下:
式中:V(v0,v1,...vn)为离散化的轮廓曲线;λ[0,1]为能量函数的权值参数。在确定好图像的初始轮廓后,将目标的边缘看作是在内力Eint和外力Eext作用下不断变形的弹性轮廓,当内力和外力达到平衡时,得到物体边缘的最佳轮廓。
但是,传统的Snake模型存在着两个严重的缺点。首先,初始轮廓必须靠近感兴趣目标的真实边缘,否则就会得到错误的结果;其次,传统的Snake模型不能进入感兴趣目标的深凹部分。而这两个缺点在本专利是需要克服的问题。针对这些缺点,人们已经提出了很多改进方法。这些方法总体上是通过设计一个外部力来实现的,主要有主动轮廓线的气球模型(Cohen L.D.,1991)、距离势能模型(Cohen L.D.,1993)、GVF Snake(Gradient Vector Flow Snake)模型(Xu ChenYang,1998)等。GVF Snake模型不仅具有较大的捕获区域,同时也解决了传统Snake模型的第二个缺点,能够很容易地进入感兴趣目标的深凹部分,因此本发明采用此方法实现对象边界的确定。
(三)技术效果
本发明现有的技术方案相比具有如下的优点及有益效果:
(1)本发明提出的基于地形分析的黄土地区塬梁峁识别自动方法在识别过程中不需要过多人工干预,另一方面, 所需要的主要数据源仅仅是可以方便获得的DEM数据。同时,塬、梁、峁识别特征集直接来源于专家知识对于各自然目标的描述,可以准确、定量化定义塬、梁、峁对象,因此,本方法可有效识别塬、梁、峁。
(2)本发明很好地将专家对黄土高原塬、梁、峁三种特定的自然对象自然语言的描述很好地进行了量化的知识表达,并用于最终的对象识别。另外,推理规则明确简明。
(3)本发明可以比较清楚地确定塬、梁、峁对象的边界。根据塬、梁、峁对象定义,通过特定数学工具(GVF Snake模型),克服了自然对象边界模糊的特点,针对特定的塬、梁、峁对象,实现了边界的确定。
实验结果表明:本发明提出的基于地形分析的黄土地区塬梁峁识别自动方法在自动化水平、塬梁峁识别精度和塬梁峁边界确定等方面度较传统方法有明显的提高,且能为更好地为后续土地区塬梁峁识别与分析打下基础。
附图说明
图1 基于地形分析的黄土地区塬梁峁自动识别方法流程图
图2 山谷线与山脊线提取方法示意图
图3 闭合等值线聚类方法流程图
图4 Jena推理机的工作原理图
图5 研究区域DEM数据
图6 提取得到的山谷线(A)与山脊线(B)
图7 研究区域闭合等值线(A)与闭合等值线局部放大(B)
图8 闭合等值线分类结果
图9最终得到的塬梁峁分类图
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施案例用于说明本发明,但不用来限制本发明的范围。
如图1所示,是本发明实施例的方法流程图,本实施例包括如下步骤:
步骤10:首先通过DEM(Digital E1evation Model)数据提取山谷线与山脊线;
本实施例利用研究区域的DEM数据,见图5,提取得到区域的山脊线与山谷线,见图6。
步骤20:通过DEM数据提取闭合等值线;
本实施例通过设置合理的等值线间距生成研究区域得等值线,然后分析每条等值线的闭合性,删除非闭合的等值线,最终得到本发明所需的闭合等值线,见图7。
步骤30:将步骤20提取得到闭合等值线进行聚类。
本实施例根据闭合等值线之间的空间包含关系进行聚类,方法简单明了。
步骤40:对步骤30得到闭合等值线集逐个计算特征值;
本实施例对每个闭合等值线集计算其面积、长轴、垂轴、边缘平均梯度、闭合等值线内部DEM的直方图特征值,各特征值的计算方法如下:
41:面积:聚类后的闭合等值线集中最外围的等值线的面积。
42:长轴:聚类后的闭合等值线集中最外围的等值线多变形上距离最大的两点连成的线段长度。
43:垂轴:经过长轴中垂线与拟合多边形的交点连成的线段长度。
44:边缘平均梯度:聚类后的闭合等值线集中最外围的两条闭合等值线的面积之差/聚类后的闭合等值线集中最外围的闭合等值线的面积。
45:闭合等值线内部DEM的直方图特征值:闭合等值线内部DEM的直方图特征值,具体包括均值、标准差、最大值与最小值等。
步骤50:根据步骤40计算得到的特征值和塬梁峁知识推理得到塬梁峁分类结果;
本实施例对塬梁峁的识别技术细节如下:
51:将专家知识规则库添加知识
52:根据识别对象及目标数据设置阈值
53:根据专家知识对每一等值线分组进行分类识别
然后根据定义的自然描述形成步骤40计算得到的特征值的规则描述,从而形成知识。根据知识即可进行分类,结果见图8。
步骤60:对步骤50分类结果中无法识别的闭合等值线集合进一步分解为子集合重新计算特征值。
步骤70:重复进行步骤50直到所有的闭合等值线集合都处理完成。
步骤80:将步骤70得到的分类后的闭合等值线集合的外边界作为初始边界,然后利用主动轮廓模型(Active Contour Model)在DEM影像上进行处理得到每一种类型最终的边界。具体结果见图9。
实验结果表明,通过本技术方案,可以在研究区域自动化比较高地实现梁峁精确的定位和识别。相比现有的相关算法,本发明在保证精确率的同时,可以大大减少人工干预,同时也不需要太多的数据源。
本发明很好地利用了专家的知识,并有效地实现了知识表达,并用于最终的对象识别。另外,在此框架下,当专家有新的知识时,可以方便加入本方法框架之中。
以上所述仅是本发明的流程与方法框架,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术框架的前提下,还可 以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (9)
1.一种基于地形分析的黄土地区塬梁峁自动识别方法流程,其特征包括:
步骤10、首先通过DEM(Digital Elevation Model)数据提取山谷线与山脊线;
步骤20、通过DEM数据提取闭合等值线;
步骤30、将步骤20提取得到的闭合等值线进行聚类得到闭合等值线集;
步骤40、对步骤30得到闭合等值线集逐个计算特征值;
步骤50、根据步骤40计算得到的特征值和塬梁峁知识推理得到塬梁峁分类结果;
步骤60、对步骤50分类结果中无法识别的闭合等值线集合进一步分解为子集合重新计算特征值;
步骤70、重复进行步骤50和60直到所有的闭合等值线集合都处理完成。
步骤80、将步骤70得到的分类后的闭合等值线集合的外边界作为初始边界,然后利用主动轮廓模型(Active Contour Model)在DEM影像上进行处理得到每一种类型最终的边界。
2.一种塬、梁、峁地貌知识库构建与知识推理方法,其特征在于塬、梁、峁特征集定义和基于塬、梁、峁特征集的知识推理机制。
3.如权利要求1所述的基于地形分析的黄土地区塬梁峁自动识别方法流程,所述步骤10中通过DEM数据提取山谷线与山脊线的方法采用平面曲率与坡形组合法提取的山脊线与山谷线。此方法简便,效果好。
4.如权利要求1所述的基于地形分析的黄土地区塬梁峁自动识别方法流程,其特征在于,所述步骤20提取闭合等值线中等值线间隔的确定是其中的关键。
5.如权利要求1所述的基于地形分析的黄土地区塬梁峁自动识别方法流程,其特征在于,所述步骤30中闭合等值线的聚类方法的主要思想是从低到高并按照闭合等值线的空间包含关系实现聚类。
6.如权利要求1所述的基于地形分析的黄土地区塬梁峁自动识别方法流程,其特征在于,所述步骤40中特征值的计算包括面积、长轴、短轴、圆度、边缘坡度和面的平滑情况等。
7.如权利要求1所述的基于地形分析的黄土地区塬梁峁自动识别方法流程,其特征在于,步骤50中所述的知识推理采用基于专家知识的正向推理。
8.如权利要求1所述的基于地形分析的黄土地区塬梁峁自动识别方法流程,其特征在于,所述步骤60和70采用递归的方法实现等值线集的逐步识别。
9.如权利要求2所述的一种塬、梁、峁地貌知识库构建与知识推理方法,其特征在于,所述的塬、梁、峁知识建模方法采用产生式规则形式表达;推理机通过决定哪些规则满足事实,确定哪个规则被触发执行,通过执行规则来进行推理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310566694.0A CN103745191B (zh) | 2013-11-15 | 2013-11-15 | 一种基于地形分析的黄土地区塬梁峁自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310566694.0A CN103745191B (zh) | 2013-11-15 | 2013-11-15 | 一种基于地形分析的黄土地区塬梁峁自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103745191A true CN103745191A (zh) | 2014-04-23 |
CN103745191B CN103745191B (zh) | 2017-03-22 |
Family
ID=50502208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310566694.0A Expired - Fee Related CN103745191B (zh) | 2013-11-15 | 2013-11-15 | 一种基于地形分析的黄土地区塬梁峁自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103745191B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915717A (zh) * | 2015-06-02 | 2015-09-16 | 百度在线网络技术(北京)有限公司 | 数据处理方法、知识库推理方法及相关装置 |
WO2016106958A1 (zh) * | 2014-12-30 | 2016-07-07 | 华中科技大学 | 一种基于山脊能量校正的山地中带状地下目标的探测方法 |
CN107861129A (zh) * | 2017-10-31 | 2018-03-30 | 中国铁路设计集团有限公司 | 一种山地地貌遥感提取方法 |
CN108021878A (zh) * | 2017-11-30 | 2018-05-11 | 长江空间信息技术工程有限公司(武汉) | 一种等高线负向地貌智能识别方法 |
CN108257142A (zh) * | 2018-01-11 | 2018-07-06 | 中国科学院、水利部成都山地灾害与环境研究所 | Dem中斜坡单元提取方法 |
CN110188398A (zh) * | 2019-05-06 | 2019-08-30 | 南京泛在地理信息产业研究院有限公司 | 基于均值邻域的黄土地貌沟沿线提取方法 |
CN110276453A (zh) * | 2019-05-29 | 2019-09-24 | 武汉大学 | 一种利用基于特征的知识表示进行推理的方法 |
CN111178372A (zh) * | 2019-12-19 | 2020-05-19 | 中国科学院南京地理与湖泊研究所 | 基于遥感影像和地形数据的大区域尺度黄土塬面提取方法 |
CN112073441A (zh) * | 2020-11-10 | 2020-12-11 | 中国人民解放军国防科技大学 | 基于本体推理的网络空间关键地形生成方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6173067B1 (en) * | 1998-04-07 | 2001-01-09 | Hughes Electronics Corporation | System and method for rapid determination of visibility-based terrain properties over broad regions |
CN102567702A (zh) * | 2010-12-08 | 2012-07-11 | 中国科学院地理科学与资源研究所 | 一种基于嫦娥dem数据的自动识别山谷和山脊线的方法 |
CN103177258A (zh) * | 2013-03-29 | 2013-06-26 | 河南理工大学 | 一种根据矢量等高线数据自动提取地性线的方法 |
-
2013
- 2013-11-15 CN CN201310566694.0A patent/CN103745191B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6173067B1 (en) * | 1998-04-07 | 2001-01-09 | Hughes Electronics Corporation | System and method for rapid determination of visibility-based terrain properties over broad regions |
CN102567702A (zh) * | 2010-12-08 | 2012-07-11 | 中国科学院地理科学与资源研究所 | 一种基于嫦娥dem数据的自动识别山谷和山脊线的方法 |
CN103177258A (zh) * | 2013-03-29 | 2013-06-26 | 河南理工大学 | 一种根据矢量等高线数据自动提取地性线的方法 |
Non-Patent Citations (4)
Title |
---|
朱红春 等: "基于DEM的黄土地貌类型提取与制图", 《地球信息科学》 * |
肖晨超 等: "黄土地貌沟沿线类型划分", 《干旱区地理》 * |
芮小平等: "一种适合山区道路拓扑结构权重的模糊推理方法", 《武汉大学学报信息科学版》 * |
贺力: "基于"DEM"的月球撞击坑判识方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016106958A1 (zh) * | 2014-12-30 | 2016-07-07 | 华中科技大学 | 一种基于山脊能量校正的山地中带状地下目标的探测方法 |
US9625611B2 (en) | 2014-12-30 | 2017-04-18 | Huazhong University Of Science And Technology | Method for detecting zonal underground target in mountain land based on ridge heat radiation correction |
CN104915717A (zh) * | 2015-06-02 | 2015-09-16 | 百度在线网络技术(北京)有限公司 | 数据处理方法、知识库推理方法及相关装置 |
CN104915717B (zh) * | 2015-06-02 | 2017-11-14 | 百度在线网络技术(北京)有限公司 | 数据处理方法、知识库推理方法及相关装置 |
CN107861129A (zh) * | 2017-10-31 | 2018-03-30 | 中国铁路设计集团有限公司 | 一种山地地貌遥感提取方法 |
CN108021878B (zh) * | 2017-11-30 | 2021-05-25 | 长江空间信息技术工程有限公司(武汉) | 一种等高线负向地貌智能识别方法 |
CN108021878A (zh) * | 2017-11-30 | 2018-05-11 | 长江空间信息技术工程有限公司(武汉) | 一种等高线负向地貌智能识别方法 |
CN108257142A (zh) * | 2018-01-11 | 2018-07-06 | 中国科学院、水利部成都山地灾害与环境研究所 | Dem中斜坡单元提取方法 |
CN108257142B (zh) * | 2018-01-11 | 2022-02-18 | 中国科学院、水利部成都山地灾害与环境研究所 | Dem中斜坡单元提取方法 |
CN110188398A (zh) * | 2019-05-06 | 2019-08-30 | 南京泛在地理信息产业研究院有限公司 | 基于均值邻域的黄土地貌沟沿线提取方法 |
CN110276453A (zh) * | 2019-05-29 | 2019-09-24 | 武汉大学 | 一种利用基于特征的知识表示进行推理的方法 |
CN110276453B (zh) * | 2019-05-29 | 2022-06-14 | 武汉大学 | 一种利用基于特征的知识表示进行推理的方法 |
CN111178372A (zh) * | 2019-12-19 | 2020-05-19 | 中国科学院南京地理与湖泊研究所 | 基于遥感影像和地形数据的大区域尺度黄土塬面提取方法 |
CN111178372B (zh) * | 2019-12-19 | 2023-05-12 | 中国科学院南京地理与湖泊研究所 | 基于遥感影像和地形数据的大区域尺度黄土塬面提取方法 |
CN112073441A (zh) * | 2020-11-10 | 2020-12-11 | 中国人民解放军国防科技大学 | 基于本体推理的网络空间关键地形生成方法 |
CN112073441B (zh) * | 2020-11-10 | 2021-01-29 | 中国人民解放军国防科技大学 | 基于本体推理的网络空间关键地形生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103745191B (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103745191A (zh) | 一种基于地形分析的黄土地区塬梁峁自动识别方法 | |
CN108416686B (zh) | 一种基于煤炭资源开发的生态地质环境类型划分方法 | |
Jasiewicz et al. | A new GRASS GIS toolkit for Hortonian analysis of drainage networks | |
CN103236086B (zh) | 一种顾及地表水文上下文的多尺度dem建模方法 | |
Qin et al. | Quantification of spatial gradation of slope positions | |
CN107330422A (zh) | 一种基于高精度数字高程模型对半干旱地区进行微地形分类的方法 | |
CN107657618B (zh) | 基于遥感影像和地形数据的区域尺度侵蚀沟自动提取方法 | |
CN112465332A (zh) | 一种城市人工湿地公园生态地质环境稳定性的评价方法 | |
Zhu et al. | Loess terrain segmentation from digital elevation models based on the region growth method | |
Mao et al. | Landslide hazards mapping using uncertain Naïve Bayesian classification method | |
Haag et al. | Development of a data model to facilitate rapid watershed delineation | |
Fekete et al. | Tree segmentation and change detection of large urban areas based on airborne LiDAR | |
Zheng et al. | Accuracy comparison and driving factor analysis of LULC changes using multi-source time-series remote sensing data in a coastal area | |
CN105095591A (zh) | 一种多尺度城市扩张关联规则提取方法 | |
Xu et al. | Building function classification in Nanjing, China, using deep learning | |
Straumann et al. | Delineation of valleys and valley floors | |
Sun et al. | Deep learning for check dam area extraction with optical images and digital elevation model: A case study in the hilly and gully regions of the Loess Plateau, China | |
CN110796340A (zh) | 一种宏观尺度的小流域综合治理优先级评估方法 | |
CN114565730A (zh) | 地图矢量样本的处理方法、设备和计算机可读存储介质 | |
Brema et al. | Estimation of the soil erosion in cauvery watershed (Tamil Nadu and Karnataka) using USLE | |
Lyu et al. | Terrain hazard risk analysis for flood disaster management in Chaohu basin, China, based on two-dimensional cloud | |
CN111178372B (zh) | 基于遥感影像和地形数据的大区域尺度黄土塬面提取方法 | |
CN113627166A (zh) | 文化生态因子的识别与提取方法及设备和存储介质 | |
Lin et al. | Employment of Continuous Slope Cumulative Frequency Spectrum in geomorphology quantitative analysis–a case study on Loess Plateau | |
Siervo et al. | Geomorphic analysis and semi-automated landforms extraction in different natural landscapes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170322 Termination date: 20191115 |