CN108460422A - 基于深度分布特征的海底地貌类型识别方法 - Google Patents

基于深度分布特征的海底地貌类型识别方法 Download PDF

Info

Publication number
CN108460422A
CN108460422A CN201810213214.5A CN201810213214A CN108460422A CN 108460422 A CN108460422 A CN 108460422A CN 201810213214 A CN201810213214 A CN 201810213214A CN 108460422 A CN108460422 A CN 108460422A
Authority
CN
China
Prior art keywords
landforms
depth
standard
seabed
identified
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
Application number
CN201810213214.5A
Other languages
English (en)
Other versions
CN108460422B (zh
Inventor
王微微
吴琼
吴一琼
王大伟
吴时国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Zhiyong New Material Technology Co ltd
Institute of Deep Sea Science and Engineering of CAS
Original Assignee
Qingdao Zhiyong New Material Technology Co ltd
Institute of Deep Sea Science and Engineering of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Zhiyong New Material Technology Co ltd, Institute of Deep Sea Science and Engineering of CAS filed Critical Qingdao Zhiyong New Material Technology Co ltd
Priority to CN201810213214.5A priority Critical patent/CN108460422B/zh
Publication of CN108460422A publication Critical patent/CN108460422A/zh
Application granted granted Critical
Publication of CN108460422B publication Critical patent/CN108460422B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/285Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种基于深度分布特征的海底地貌类型识别方法。包括如下步骤:1)根据海底深度测量数据计算深度分布特征,包括偏度、峰度、海底深度标准差、海底深度差异熵、海底粗糙度和海底深度变异系数;2)将深度分布特征作为模糊判别变量,针对标准地貌类型建立隶属度函数集;3)采用最大隶属度原则识别地貌类型。本发明具有方法简单、计算量小、识别准确率高、节约人力等优点。本发明适用于海底地貌类型识别。

Description

基于深度分布特征的海底地貌类型识别方法
技术领域
本发明涉及海洋测绘、海洋工程、海洋油气资源等技术领域,具体涉及一种基于深度分布特征的海底地貌类型识别方法。
背景技术
地貌是地球表面各种起伏形态的总称。海底地貌在地壳生成过程中,通过平移、俯冲、褶皱、断裂、地震、火山活动、潮流、海流、浊流和生物作用等内、外营力作用形成。海底地形地貌的类型包括古河道、冲刷槽、海底峡谷、深水水道、海山、碳酸盐台地、陡崖、滑坡等。海底地貌类型的研究与海底地形的空间分布、内部结构、形成演化等方面的研究密切相关,是进行深层地学知识挖掘的关键。
多波束测深系统能探测宽覆盖、高分辨率的海底地形地貌精细特征。该系统采用条带式测量,能同时测得与航线方向垂直的平面内几十甚至几百个海底被测点的水深值,或者一条一定宽度的全覆盖水深条带,可精确并快速测得沿航线一定宽度内的水下目标的大小、形状以及高低变化。
地貌参数是对地貌的数字描述,用来表征地貌的空间分布特征。地貌参数很多,不同学科和领域对其理解和分类也不同。地貌参数可划分为微观参数和宏观参数两大类。微观参数所描述和反映的是具体位置的地貌特征。常用的微观参数主要有:坡度、坡向、坡长、平面曲率、剖面曲率等。宏观参数所描述和反映的是较大区域内的地貌特征。常用的宏观参数主要有:地形深度标准差、地形差异熵、地形粗糙度、高程变异系数等。
海底地形地貌比较复杂,目前,对海底地貌类型的认识有限,大量的地貌类型分析主要依靠人工完成,通过技术人员的观察及经验来区分识别。这种方法可以充分利用技术人员的知识,灵活性好,但需要技术人员具有丰富的地学知识和观察判断经验,具有很大的主观性,存在时效性差、劳动强度大等缺点。特别是由于海底数据具有海量级别,仅仅依靠技术人员的人工能力远远无法承担海量数据的处理任务。
发明内容
本发明将地形深度分布特征作为模糊判别变量,设计隶属度函数集,建立地貌类型分类器,实现地貌类型辨识。具有方法简单、计算量小、识别准确率高、节约人力等优点。适用于海底地貌类型识别。
本发明包括如下步骤:
(1)海底深度分布特征计算:
分别根据 计算待识别区域的海底深度标准差m1、偏度m2、峰度m3、差异熵m4、粗糙度m5、变异系数m6,其中,zi为待识别区域内第i个测量点处的海底深度值,为海底深度平均值,i=1,2,3,……,n,n为待识别区域内测量点数;
(2)模糊分类器设计:
模糊判别变量为m1、m2、m3、m4、m5和m6,标准地貌为Ai,i=1,2,3,……,k,隶属度函数为正态模糊分布函数,k个标准地貌与6个模糊判别变量的隶属度函数集为待识别地貌Ax相对于k个标准地貌的隶属度为其中,k为地貌类型数,根据训练数据确定,mij为k个标准地貌所对应的6个模糊判别变量,βij、σij为隶属度函数的参数,mij根据训练数据计算得到,βij、σij根据训练数据由非线性最小二乘法确定,i=1,2,3,……,k,j=1,2,3,4,5,6;
(3)地貌识别:
计算待识别地貌Ax的深度分布特征值m1、m2、m3、m4、m5和m6,并计算Ax相对于k个标准地貌的隶属度的最大值所对应的标准地貌类型即为待识别地貌的类型。
附图说明
图1(a)至图1(e)分别为海底台地、冲沟、滑坡、隆起、水道这5种地貌类型的地形图;
图2为5种地貌的深度变异系数与深度差异熵交汇图;
图3为5种地貌的深度变异系数与地形粗糙度交汇图;
图4为5种地貌的深度差异熵与深度标准差交汇图;
图5为5种地貌的地形粗糙度与深度标准差交汇图;
图6为5种地貌的深度变异系数与深度标准差交汇图;
图7为5种地貌的深度标准差与峰度交汇图;
图8为本实施例中地貌类型的辨识结果。
具体实施方式
本实施例根据多波束海底测深数据,计算地形深度分布特征,包括海底深度标准差、偏度、峰度、差异熵、粗糙度和变异系数,并设计隶属度函数集,建立地貌类型分类器,实现海底台地、冲沟、滑坡、隆起、水道这5种地貌类型的识别。
具体识别步骤如下:
(1)海底深度分布特征计算:
分别根据 计算待识别区域的海底深度标准差m1、偏度m2、峰度m3、差异熵m4、粗糙度m5、变异系数m6,其中,zi为待识别区域内第i个测量点处的海底深度值,为海底深度平均值,i=1,2,3,……,n,n为待识别区域内测量点数。
在本实施例中,海底深度数据由多波束方法测量得到,地貌类型数为k=5,图1(a)至图1(e)分别为海底台地、冲沟、滑坡、隆起、水道这5种地貌类型的地形图;图2至图7分别为5种地貌的深度变异系数与深度差异熵交汇图、深度变异系数与地形粗糙度交汇图、深度差异熵与深度标准差交汇图、地形粗糙度与深度标准差交汇图、深度变异系数与深度标准差交汇图、深度标准差与峰度交汇图。
本实施例中的5种地貌的深度分布特征值的范围差异较大。图2至图7中,冲沟和台地的特征值基本分布在不同的区域内,可较准确识别出来;其他地貌类型的深度分布特征差异较小,在图中重叠较严重,需将图中多种深度分布特征进行合理组合来辨识。
(2)模糊分类器设计:
模糊判别变量为m1、m2、m3、m4、m5和m6,标准地貌为Ai,i=1,2,3,……,k,隶属度函数为正态模糊分布函数,k个标准地貌与6个模糊判别变量的隶属度函数集为待识别地貌Ax相对于k个标准地貌的隶属度为其中,k为地貌类型数,根据训练数据确定,mij为k个标准地貌所对应的6个模糊判别变量,βij、σij为隶属度函数的参数,mij根据训练数据计算得到,βij、σij根据训练数据由非线性最小二乘法确定,i=1,2,3,……,k,j=1,2,3,4,5,6。
在本实施例中,待识别地貌Ax相对于5个标准地貌的隶属度为:
根据训练数据确定的隶属度参数为:
(3)地貌识别:
计算待识别地貌Ax的深度分布特征值m1、m2、m3、m4、m5和m6,并计算Ax相对于k个标准地貌的隶属度的最大值所对应的标准地貌类型即为待识别地貌的类型。
图8为本实施例中地貌类型的辨识结果。

Claims (1)

1.一种基于深度分布特征的海底地貌类型识别方法,其特征包括如下具体步骤:
(1)海底深度分布特征计算:
分别根据 计算待识别区域的海底深度标准差m1、偏度m2、峰度m3、差异熵m4、粗糙度m5、变异系数m6,其中, zi为待识别区域内第i个测量点处的海底深度值,为海底深度平均值,i=1,2,3,……,n,n为待识别区域内测量点数;
(2)模糊分类器设计:
模糊判别变量为m1、m2、m3、m4、m5和m6,标准地貌为Ai,i=1,2,3,……,k,隶属度函数为正态模糊分布函数,k个标准地貌与6个模糊判别变量的隶属度函数集为待识别地貌Ax相对于k个标准地貌的隶属度为其中,k为地貌类型数,根据训练数据确定,mij为k个标准地貌所对应的6个模糊判别变量,βij、σij为隶属度函数的参数,mij根据训练数据计算得到,βij、σij根据训练数据由非线性最小二乘法确定,i=1,2,3,……,k,j=1,2,3,4,5,6;
(3)地貌识别:
计算待识别地貌Ax的深度分布特征值m1、m2、m3、m4、m5和m6,并计算Ax相对于k个标准地貌的隶属度x=1,2,3,……,k,则x=1,2,3,……,k的最大值所对应的标准地貌类型即为待识别地貌的类型。
CN201810213214.5A 2018-03-15 2018-03-15 基于深度分布特征的海底地貌类型识别方法 Active CN108460422B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810213214.5A CN108460422B (zh) 2018-03-15 2018-03-15 基于深度分布特征的海底地貌类型识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810213214.5A CN108460422B (zh) 2018-03-15 2018-03-15 基于深度分布特征的海底地貌类型识别方法

Publications (2)

Publication Number Publication Date
CN108460422A true CN108460422A (zh) 2018-08-28
CN108460422B CN108460422B (zh) 2019-10-01

Family

ID=63236467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810213214.5A Active CN108460422B (zh) 2018-03-15 2018-03-15 基于深度分布特征的海底地貌类型识别方法

Country Status (1)

Country Link
CN (1) CN108460422B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376629A (zh) * 2018-10-12 2019-02-22 广州海洋地质调查局 一种海底泥火山识别方法
CN110245877A (zh) * 2019-06-27 2019-09-17 中国地质科学院地质力学研究所 一种快速选找砂岩型铀矿矿区的方法
CN112907615A (zh) * 2021-01-08 2021-06-04 中国石油大学(华东) 基于区域生长的海底地貌单元轮廓及细节识别方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376629A (zh) * 2018-10-12 2019-02-22 广州海洋地质调查局 一种海底泥火山识别方法
CN110245877A (zh) * 2019-06-27 2019-09-17 中国地质科学院地质力学研究所 一种快速选找砂岩型铀矿矿区的方法
CN112907615A (zh) * 2021-01-08 2021-06-04 中国石油大学(华东) 基于区域生长的海底地貌单元轮廓及细节识别方法

Also Published As

Publication number Publication date
CN108460422B (zh) 2019-10-01

Similar Documents

Publication Publication Date Title
Allouis et al. Stem volume and above-ground biomass estimation of individual pine trees from LiDAR data: Contribution of full-waveform signals
CN105740464B (zh) 一种基于dem的河谷形态参数自动提取方法
CN108460422B (zh) 基于深度分布特征的海底地貌类型识别方法
CN108520271B (zh) 基于因子分析的海底地貌类型分类器设计方法
CN107067012A (zh) 基于图像处理的海底地貌单元边缘智能识别方法
CN108629364B (zh) 基于多重分形谱特征的非高斯型海底地貌类型识别方法
Janowski et al. Exploration of glacial landforms by object-based image analysis and spectral parameters of digital elevation model
CN104820826B (zh) 一种基于数字高程模型的坡形提取与识别方法
CN108320291A (zh) 基于大津算法的海底地貌边界提取方法
Jordan Digital terrain analysis in a GIS environment. Concepts and development
CN108427741A (zh) 一种基于大量高精度控制点的dem相对误差评价方法
CN117330040B (zh) 一种基于水上测绘无人船的滩涂地形测绘方法及系统
Hilton et al. River reconstruction using a conformal mapping method
CN112907615B (zh) 基于区域生长的海底地貌单元轮廓及细节识别方法
Zhang et al. Building footprint and height information extraction from airborne LiDAR and aerial imagery
CN104063614B (zh) 一种基于odp的海底沙波特征自动识别方法
CN106023178A (zh) 一种基于梯度方向聚类的遥感数据中单棵树的检测方法
CN112907567B (zh) 基于空间推理方法的sar图像有序人造构筑物提取方法
Pike et al. Terrain analysis for locating erosion channels: Assessing LiDAR data and flow direction algorithm
CN114743059A (zh) 一种综合地形地貌特征的海底地理实体自动分类方法
CN114565657A (zh) 基于边缘梯度和方向纹理提取遥感影像中河宽方法
CN113344866A (zh) 一种点云综合精度评价方法
CN112613464A (zh) 一种基于无人机影像匹配点云的高原梯田提取方法
Rettelbach et al. From images to hydrologic networks-understanding the arctic landscape with graphs
Su et al. The estimation of tree height based on LiDAR data and QuickBird imagery

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant