CN109543583B - 一种峡谷地貌实体的自动化识别方法 - Google Patents

Abstract

本发明公开了一种峡谷地貌实体的自动化识别方法，包括：(1)从水系图层中读取一水系要素，创建缓冲区，并提取缓冲区在水系要素两侧的边界线leftline、rightline；(2)分别采用边界线leftline、rightline对DEM作堆栈剖面，从而得到边界线所经过的格网单元的高程序列LE、RE；(3)分别提取高程序列LE、RE的波峰集合LP、RP；(4)对于波峰集合LP、RP中的波峰进行配对，并基于配对的两个波峰所确定区域，生成一个外包络矩形，所述外包络矩形即为识别出的一个峡谷所在区域；(5)返回循环执行步骤(1)到(4)，直至水系图层中每一水系要素都被处理；(6)将所生成的外包络矩形集合，生成峡谷实体专题图层。本发明可以自动识别出峡谷地貌。

Description

一种峡谷地貌实体的自动化识别方法

技术领域

本发明涉及地理信息技术应用领域，尤其涉及一种峡谷地貌实体的自动化识别方法。

背景技术

地貌作为生态与环境复杂物质体系中的一项最基本要素，明显控制着地球表层水分与热量的地域再分配，并间接影响着土壤、植被，以及物质迁移和生态系统的演替与发展。自20世纪60年代以来，遥感、地理信息系统和全球定位系统的迅速发展，为地貌科学研究提供了丰富的数据源和研究方法，国内外学者也尝试开展了一定的地貌自动化提取方法研究。

峡谷是指谷坡陡峻、深度大于宽度的山谷。它通常发育在构造运动抬升和谷坡由坚硬岩石组成的地段。当地面抬升速度与下切作用协调时，最易形成峡谷。峡谷作为一种典型的地貌类型，是修建水库大坝的理想部位，并在地球表面形成了众多独特的自然景观。开展峡谷地貌实体的自动识别方法研究，在地貌学研究、地貌景观资源开发与利用、水资源开发与利用等诸多方面，具有一定的研究意义和实用价值。

目前，峡谷地貌的识别，主要是地貌专家结合野外勘测数据对地质遥感影像进行目视解译，但其解译速度慢、自动化程度低，不能满足大范围峡谷地貌快速识别的要求。

发明内容

发明目的：本发明针对现有技术存在的问题，提供一种峡谷地貌实体的自动化识别方法。

技术方案：本发明所述的峡谷地貌实体的自动化识别方法包括：

(1)从水系图层中读取一水系要素，创建缓冲区，并提取缓冲区在水系要素两侧的边界线leftline、rightline；

(2)分别采用边界线leftline、rightline对DEM作堆栈剖面，从而得到边界线所经过的格网单元的高程序列LE、RE；

(3)分别提取高程序列LE、RE的波峰集合LP、RP；

(4)对于波峰集合LP、RP中的波峰进行配对，并将配对的两个波峰所确定区域，生成一个外包络矩形，所述外包络矩形即为识别出的一个峡谷所在区域；

(5)返回循环执行步骤(1)到(4)，直至水系图层中每一水系要素都被处理；

(6)将所生成的外包络矩形集合，生成峡谷实体专题图层。

进一步的，所述步骤(1)具体包括：

(1-1)从水系图层中读取一水系要素w_k，其中，k∈{1,2,…，N}，N为水系图层中水系线要素的个数；

(1-2)创建一距离为d的缓冲区buffer；

(1-3)提取buffer在水系要素w_k两侧的边界线，分别记为leftline、rightline。

进一步的，步骤(2)具体包括：

(2-1)采用边界线leftline对DEM作堆栈剖面，从而得到高程序列LE＝{l_i|i＝1,2,…,LN}，其中，l_i为边界线leftline所经过的第i个格网单元的高程值，LN为序列LE元素的个数；

(2-2)采用边界线rightline对DEM作堆栈剖面，从而得到高程序列RE＝{r_j|j＝1,2,…,RN}，其中，r_j为边界线rightline所经过的第j个格网单元的高程值，RN为序列RE元素的个数。

进一步的，步骤(3)具体包括：

(3-1)分别计算序列LE、RE的包络线序列LEV＝{lev_i|i＝1,2,…,LN}、REV＝{rev_j|j＝1,2,…,RN}；

(3-2)根据以下公式计算LE的累计均值线序列LA＝{la_i|i＝1,2,…,LN}，以及RE的累计均值线序列RA＝{ra_j|j＝1,2,…,RN}：

式中，l_i和r_j分别为序列LE、RE的元素；

(3-3)获取包络线序列LEV在累计均值线序列LA上方的序列LEV’＝{lev’_i|i＝1,2,…,LN}，以及包络线序列REV在累计均值线序列RA上方的序列REV’＝{rev’_j|j＝1,2,…,RN}；其中：

(3-4)分别提取出序列LEV’、REV’中波峰高度大于设定阈值PT的波峰，并分别加入波峰的三元组集合LP＝({lp_u|u＝1,2,…,LM}、RP＝{rp_v|v＝1,2,…,RM}中；其中，波峰lp_u＝(lp_u(start),lp_u(peak),lp_u(end))，波峰rp_v＝(rp_v(start),rp_v(peak),rp_v(end))，start为对应波峰左侧平衡位置、peak为对应波峰位置、end为对应波峰右侧的平衡位置，LM、RM分别为序列LEV’、REV’中波峰高度大于PT的波峰的个数；

进一步的，步骤(4)具体包括：

(4-1)若集合LP或RP均非空，执行步骤(4-2)；否则，执行步骤(5)；

(4-2)在集合RP中，查找与元素lp_u配对的波峰rp_nearest；

(4-3)针对lp_u的三个元素lp_u(start)、lp_u(peak)、lp_u(end)和其配对波峰rp_nearest的三个元素rp_nearest(start)、rp_nearest(peak)、rp_nearest(end)，在每个元素所对应网格单元的中心位置创建一个点；

(4-4)生成6个点的外包络矩形，所述外包络矩形即为识别出的一个峡谷所在区域；

(4-5)返回循环执行步骤(4-2)至(4-4)，直至集合LP中所有元素都被配对处理。

进一步的，步骤(4)具体包括：步骤(4-2)具体包括：

(4-2-1)计算lp_u(peak)与rp_v(peak)的差值near_v，并存入集合Near＝{near_v|v＝1,2,…,RM}；

(4-2-2)获取集合Near中的最小值near_nearest，若near_nearest小于设定阈值NT，则判定波峰rp_nearest与lp_u配对，即rp_nearest与lp_u位于同一峡谷两侧，并从集合RP中剔除rp_nearest，执行步骤(4-3)；否则，执行步骤(4-5)。

有益效果：本发明与现有技术相比，其显著优点是：本发明以DEM和水系数据为数据源，通过构建水系要素缓冲区、获取缓冲区边界线堆栈剖面的高程序列、高程序列的波峰提取、基于波峰配对的结果外包络矩形以及峡谷实体的专题图生成等环节，实现峡谷实体的自动化识别。

附图说明

图1为本发明一种峡谷实体自动化识别方法的流程图；

图2为本实施例中采用的实验数据图；

图3为水系要素的缓冲区边界线的示意图；

图4是堆栈剖面的高程序列曲线示意图；

图5是包络线和累计均线的示意图；

图6是基于配对波峰创建点集的示意图；

图7为波峰位置的外包络矩形的示意图；

图8为本实施例生成的峡谷实体的专题图。

具体实施方式

本实施例提供了一种峡谷地貌实体的自动化识别方法，如图1所示。该实施例采用的实验数据是30M分辨率的三峡区域DEM数据以及相应的水系数据，具体如图2所示。本实施例包括以下步骤：

(1)从水系图层中读取一水系要素，创建缓冲区，并提取缓冲区在水系要素两侧的边界线leftline、rightline。具体包括：

(1-1)从水系图层中读取一水系要素w_k，其中，k∈{1,2,…，N}，N为水系图层中水系线要素的个数；在本实施例中，N＝12；

(1-2)创建一距离为d的缓冲区buffer；在本实施例中，d＝1650；

(1-3)提取buffer在水系要素w_k两侧的边界线，分别记为leftline、rightline，边界线如图3所示。

(2)分别采用边界线leftline、rightline对DEM作堆栈剖面，从而得到边界线所经过的格网单元的高程序列LE、RE。

该步骤具体包括：

(2-1)采用边界线leftline对DEM作堆栈剖面，从而得到高程序列LE＝{l_i|i＝1,2,…,LN}，其中，l_i为边界线leftline所经过的第i个格网单元的高程值，LN为序列LE元素的个数；

(2-2)采用边界线rightline对DEM作堆栈剖面，从而得到高程序列RE＝{r_j|j＝1,2,…,RN}，其中，r_j为边界线rightline所经过的第j个格网单元的高程值，RN为序列RE元素的个数。高程序列如图4所示，在本实施例中，对于水系要素w₁，LN＝2131，RN＝2281，LE＝{172.34,174.38,176.87,…},RE＝{256.59,258.00,259.41,…}。

(3)分别提取高程序列LE、RE的波峰集合LP、RP。

该步骤具体包括：

(3-1)分别计算序列LE、RE的包络线序列LEV＝{lev_i|i＝1,2,…,LN}、REV＝{rev_j|j＝1,2,…,RN}；在本实施例中，对于水系要素w₁，LEV＝{250.49,274.44,258.76,…}，REV＝{286.97,250.52,272.49,…}；包络线计算方法见文件(夏志林,薛亦渝,赵利,张幼陵.2003.基于包络线法的薄膜光学常数分析.武汉理工大学学报,25(5):73-76.)中。

(3-2)根据以下公式计算LE的累计均值线序列LA＝{la_i|i＝1,2,…,LN}，以及RE的累计均值线序列RA＝{ra_j|j＝1,2,…,RN}：

式中，l_i和r_j分别为序列LE、RE的元素；在本实施例中，对于水系要素w₁，LA＝{250.49,262.47,262.23,…}；RA＝{286.97,268.75,269.99,…}；

(3-3)获取包络线序列LEV在累计均值线序列LA上方的序列LEV’＝{lev’_i|i＝1,2,…,LN}，以及包络线序列REV在累计均值线序列RA上方的序列REV’＝{rev’_j|j＝1,2,…,RN}；其中：

在本实施例中，对于水系要素w₁，LEV’＝{250.47,274.44,0,…},REV’＝{286.97,0,272.49,…},高程序列、包络线序列、累计均值线序列的对比如图5所示。

(3-4)分别提取出序列LEV’、REV’中波峰高度大于设定阈值PT的波峰，并分别加入波峰的三元组集合LP＝({lp_u|u＝1,2,…,LM}、RP＝{rp_v|v＝1,2,…,RM}中；其中，波峰lp_u＝(lp_u(start),lp_u(peak),lp_u(end))，波峰rp_v＝(rp_v(start),rp_v(peak),rp_v(end))，start为对应波峰左侧平衡位置、peak为对应波峰位置、end为对应波峰右侧的平衡位置，LM、RM分别为序列LEV’、REV’中波峰高度大于PT的波峰的个数。在本实施例中，PT＝50，LM＝4，LP＝{(172,189,204),(450,507,532),…}，RM＝5，RP＝{(446,499,531),(695,733,818),…}。

(4)对于波峰集合LP、RP中的波峰进行配对，并将配对的两个波峰所确定区域，生成一个外包络矩形，所述外包络矩形即为识别出的一个峡谷所在区域。

步骤(4)具体包括：

(4-1)若集合LP或RP均非空，执行步骤(4-2)；否则，执行步骤(5)；

(4-2)在集合RP中，查找与元素lp_u配对的波峰rp_nearest；进行配对的过程具体包括：(4-2-1)计算lp_u(peak)与rp_v(peak)的差值near_v，并存入集合Near＝{near_v|v＝1,2,…,RM}；例如在本实施例中，当u＝2时，lp₂(peak)＝507，Near＝{8,226,263,928,1336}；(4-2-2)获取集合Near中的最小值near_nearest，若near_nearest小于设定阈值NT，则判定波峰rp_nearest与lp_u配对，即rp_nearest与lp_u位于同一峡谷两侧，并从集合RP中剔除rp_nearest，执行步骤(4-3)；否则，执行步骤(4-5)。例如在本实施例中，NT＝100；nearest＝1,near_nearest＝8小于100，从集合RP中剔除rp₁；

(4-3)分别在lp_u的三元组lp_u(peak)、lp_u(end)、lp_u(start)和其配对波峰rp_nearest的三元组rp_nearest(start)、rp_nearest(peak)、rp_nearest(end)所在网格单元的中心位置创建一个点；在本实施例中，对于配对波峰lp₂、rp₁，分别在l₄₅₀、l₅₀₇、l₅₃₂、r₄₄₆、r₄₉₉、r₅₃₁所经过的格网单元的中心位置创建一个点，为点p₁-p₆，如图6所示；

(4-4)生成6个点的外包络矩形，如图7所示，所述外包络矩形即为识别出的一个峡谷所在区域；

(4-5)返回循环执行步骤(4-2)至(4-4)，直至集合LP中所有元素都被配对处理。

(5)返回循环执行步骤(1)到(4)，直至水系图层中每一水系要素都被处理。

(6)将所生成的外包络矩形集合，生成峡谷实体专题图层，如图8所示。

最后识别结果显示，本实施例识别出的18个峡谷实体中，共有1处漏判，1处虚判，虚警概率和误警概率均为5.8％。实验表明，本识别方法自动化程度高，识别效果较好，能够满足峡谷地貌实体自动化识别的工作需要。

以上所揭露的仅为本发明一种较佳实施例而已，不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (4)

1.一种峡谷地貌实体的自动化识别方法，其特征在于该方法包括：

(1)从水系图层中读取一水系要素，创建缓冲区，并提取缓冲区在水系要素两侧的边界线leftline、rightline；

(2)分别采用边界线leftline、rightline对DEM作堆栈剖面，从而得到边界线所经过的格网单元的高程序列LE、RE；

(3)分别提取高程序列LE、RE的波峰集合LP、RP；具体包括：

(3-1)分别计算序列LE、RE的包络线序列LEV＝{lev_i|i＝1,2,…,LN}、REV＝{rev_j|j＝1,2,…,RN}，LN、RN分别为序列LE、RE元素的个数；

(3-2)根据以下公式计算LE的累计均值线序列LA＝{la_i|i＝1,2,…,LN}，以及RE的累计均值线序列RA＝{ra_j|j＝1,2,…,RN}：

式中，l_i和r_j分别为序列LE、RE的元素；

(3-3)获取包络线序列LEV在累计均值线序列LA上方的序列LEV’＝{lev’_i|i＝1,2,…,LN}，以及包络线序列REV在累计均值线序列RA上方的序列REV’＝{rev’_j|j＝1,2,…,RN}；其中：

(3-4)分别提取出序列LEV’、REV’中波峰高度大于设定阈值PT的波峰，并分别加入波峰的三元组集合LP＝({lp_u|u＝1,2,…,LM}、RP＝{rp_v|v＝1,2,…,RM}中；其中，波峰lp_u＝(lp_u(start),lp_u(peak),lp_u(end))，波峰rp_v＝(rp_v(start),rp_v(peak),rp_v(end))，start为对应波峰左侧平衡位置、peak为对应波峰位置、end为对应波峰右侧的平衡位置，LM、RM分别为序列LEV’、REV’中波峰高度大于PT的波峰的个数；

(4)对于波峰集合LP、RP中的波峰进行配对，并基于配对的两个波峰所确定区域，生成一个外包络矩形，所述外包络矩形即为识别出的一个峡谷所在区域；具体包括：

(4-1)若集合LP或RP均非空，执行步骤(4-2)；否则，执行步骤(5)；

(4-2)在集合RP中，查找与元素lp_u配对的波峰rp_nearest；

(4-3)针对lp_u的三个元素lp_u(start)、lp_u(peak)、lp_u(end)和其配对波峰rp_nearest的三个元素rp_nearest(start)、rp_nearest(peak)、rp_nearest(end)，在每个元素所对应网格单元的中心位置创建一个点；

(4-4)生成6个点的外包络矩形，所述外包络矩形即为识别出的一个峡谷所在区域；

(4-5)返回循环执行步骤(4-2)至(4-4)，直至集合LP中所有元素都被配对处理；

(5)返回循环执行步骤(1)到(4)，直至水系图层中每一水系要素都被处理；

(6)基于所生成的外包络矩形集合，生成峡谷实体专题图层。

2.根据权利要求1所述的峡谷地貌实体的自动化识别方法，其特征在于：所述步骤(1)具体包括：

(1-1)从水系图层中读取一水系要素w_k，其中，k∈{1,2,…，N}，N为水系图层中水系线要素的个数；

(1-2)创建一距离为d的缓冲区buffer；

(1-3)提取buffer在水系要素w_k两侧的边界线，分别记为leftline、rightline。

3.根据权利要求1所述的峡谷地貌实体的自动化识别方法，其特征在于：步骤(2)具体包括：

(2-1)采用边界线leftline对DEM作堆栈剖面，从而得到高程序列LE＝{l_i|i＝1,2,…,LN}，其中，l_i为边界线leftline所经过的第i个格网单元的高程值，LN为序列LE元素的个数；

(2-2)采用边界线rightline对DEM作堆栈剖面，从而得到高程序列RE＝{r_j|j＝1,2,…,RN}，其中，r_j为边界线rightline所经过的第j个格网单元的高程值，RN为序列RE元素的个数。

4.根据权利要求1所述的峡谷地貌实体的自动化识别方法，其特征在于：步骤(4)具体包括：步骤(4-2)具体包括：

(4-2-1)计算lp_u(peak)与rp_v(peak)的差值near_v，并存入集合Near＝{near_v|v＝1,2,…,RM}；

(4-2-2)获取集合Near中的最小值near_nearest，若near_nearest小于设定阈值NT，则判定波峰rp_nearest与lp_u配对，即rp_nearest与lp_u位于同一峡谷两侧，并从集合RP中剔除rp_nearest，执行步骤(4-3)；否则，执行步骤(4-5)。

Images