CN114398970A - 一种基于河网层次结构的平面形态分类方法和装置 - Google Patents
一种基于河网层次结构的平面形态分类方法和装置 Download PDFInfo
- Publication number
- CN114398970A CN114398970A CN202210015443.2A CN202210015443A CN114398970A CN 114398970 A CN114398970 A CN 114398970A CN 202210015443 A CN202210015443 A CN 202210015443A CN 114398970 A CN114398970 A CN 114398970A
- Authority
- CN
- China
- Prior art keywords
- river
- classification
- river network
- network
- frequency
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于河网层次结构的平面形态分类方法和装置,其中,该方法包括:基于河网,提取河网纹理、河段流向和流域形态三种指标的各指标量值;其中,河网纹理指标采用河网密度和河流频度,河段流向指标采用流向最大频率和频率变异系数,流域形态指标采用流域宽长比;基于各指标量值,将构建的分类树应用到河网平面形态分类中,以构建河网分类模型;基于河网分类模型,实现未知类型河网的分类。本发明实现河网平面形态的自动分类,为河网水系的控制条件、演变机制研究奠定基础。
Description
技术领域
本发明涉及数据分类技术领域,尤其涉及一种基于河网层次结构的平面形态分类方法和装置。
背景技术
地球表面分布着大量的水系,这些水系连通后形成河网,分割了地球表面的陆地。河网作为构造、气候等共同作用的重要载体,其平面形态记录了演化过程中的大量信息。河网平面形态分类为研究各类河网形成的地形、地质、气候等条件奠定基础,从而揭示不同类型河网分异机制。此外,河网结构对于流域水文响应过程起着控制作用。不同类型河网的汇流时间不同,从而影响流域的水文过程。河网分类有助于改进分布式水文模型。因此,建立河网分类方法具有重要的意义。
河网分类方法由最初的定性描述特征,通过一些经验性的方法分类发展为借助河网指标,通过机器学习的方式实现河网的自动分类。这些分类方法主要是针对树状、羽状、平行状、格状、矩形状5种基本类型提出的。一类方法从平面自相似性入手,提出了河网分类的3类指标。但这个方法仅应用于低起伏地区的河网中,没有考虑高起伏地区的河网。考虑高起伏地区的河网,将自相似性指标与垂向指标相结合,分类精度得到了提升。另一类方法从河网的几何特征入手,如入汇角、蜿蜒度、流域狭长度等指标进行河网分类。部分学者运用河流入汇角度的统计指标或将入汇角度与次级支流长度相结合进行河网分类。但在已有方法中,忽略了河网的层级结构。层级特性反映了河网内部结构关系,对于河网分类能起到重要作用。
综上所述,现有的分类方法虽然可以实现河网的分类,但大多是基于流域整体的特性,缺乏对河网内部结构的特性分析,分类精度不高且适用性不强。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的目的在于将流域特性与河网层次结构特性相结合,辨识出代表不同类型河网特性的指标,在分类树中采用这些具有代表性的指标构建一种河网平面形态的分类方法,实现河网的自动分类,增强河网分类方法的适用性,提高河网分类的精度,综上提出了一种基于河网层次结构的平面形态分类方法。
本发明的另一个目的在于提出基于河网层次结构的平面形态分类装置。
为达上述目的,本发明一方面提出了基于河网层次结构的平面形态分类方法,包括以下步骤:
基于河网,提取河网纹理、河段流向和流域形态三种指标的各指标量值;其中,所述河网纹理指标采用河网密度和河流频度,所述河段流向指标采用流向最大频率和频率变异系数,所述流域形态指标采用流域宽长比;
基于所述各指标量值,将构建的分类树应用到河网平面形态分类中,以构建河网分类模型;
基于所述河网分类模型,实现未知类型河网的分类。
本发明实施例的基于河网层次结构的平面形态分类方法,基于河网,提取河网纹理、河段流向和流域形态三种指标的各指标量值;其中,河网纹理指标采用河网密度和河流频度,河段流向指标采用流向最大频率和频率变异系数,流域形态指标采用流域宽长比;基于各指标量值,将构建的分类树应用到河网平面形态分类中,以构建河网分类模型;基于河网分类模型,实现未知类型河网的分类。本发明实现河网平面形态的自动分类,考虑了河网内部结构,提高了分类精度,为河网水系的控制条件、演变机制研究奠定了基础。
另外,根据本发明上述实施例的基于河网层次结构的平面形态分类方法还可以具有以下附加的技术特征:
进一步地,河网密度和河流频度,包括:
河网密度D和河流频度F的计算公式分别为:
其中,Ω是河网的最高级别,Lω为ω级河网中河段总长,A是流域面积,Nω为ω级河网中河段总数。
进一步地,流向最大频率和频率变异系数,包括:
流向最大频率f和频率变异系数fcv的计算公式分别为:
其中,ni为i方向河段数目,Li为i方向河段总长。
进一步地,流域宽长比,包括:
流域宽长比AR的计算公式为:
其中,Lm为干流长度。
进一步地,河网平面形态分类模型的构建,包括:
针对所述河网的平面形态分类,采用n倍交叉验证法得到模型,初始样本被分为n份子样本,其中n-1份用于训练,1份作为验证所述模型的数据。
进一步地,分类树的构建,包括:
在使用所述分类树对未知类型样本进行分类时,从根节点开始逐步对所述未知类型样本的属性进行测试,并沿着相应的分支向下行走,直至到达某个叶节点,则所述某个叶节点所代表的类型为所述未知类型样本的类型。
进一步地,构建分类树时的特征选择,包括:
构建所述分类树时采用CART分类树算法,使用基尼系数选择特征,预设k个类别,第j个类别的概率为pj,则所述基尼指数的计算公式如下:
为达到上述目的,本发明另一方面提出了一种基于河网层次结构的平面形态分类装置,包括:
提取模块,用于基于河网,提取河网纹理、河段流向和流域形态三种指标的各指标量值;其中,所述河网纹理指标采用河网密度和河流频度,所述河段流向指标采用流向最大频率和频率变异系数,所述流域形态指标采用流域宽长比;
构建模块,用于基于所述各指标量值,将构建的分类树应用到河网平面形态分类中,以构建河网分类模型;
分类模块,用于基于所述河网分类模型,实现未知类型河网的分类。
本发明实施例的基于河网层次结构的平面形态分类装置,基于河网,提取河网纹理、河段流向和流域形态三种指标的各指标量值;其中,河网纹理指标采用河网密度和河流频度,河段流向指标采用流向最大频率和频率变异系数,流域形态指标采用流域宽长比;基于各指标量值,将构建的分类树应用到河网平面形态分类中,以构建河网分类模型;基于河网分类模型,实现未知类型河网的分类。本发明实现河网平面形态的自动分类,考虑了河网内部结构,提高了分类精度,为河网水系的控制条件、演变机制研究奠定了基础。
本发明的有益效果:
(1)基于对不同类型河网特性的研究,在河网分类中将河网层次结构指标与流域指标相结合,采用3类重要指标。其中河段流向特性的描述采用最大流向频率和流向频率变异系数,一定程度上反映了流域内河流整体走向,与河网密度、河流频度等表征流域填充程度的河网纹理指标相结合,充分考虑了河网内部结构特性,增强了河网分类方法的适用性,提高了河网的分类精度,为河网水系的形成条件、演变机制研究奠定基础,为分布式水文模型的改进提供科学依据,对地貌学及流域水文学的研究具有重要的科学价值。
(2)将机器学习应用到河网平面形态分类中,利用分类树建立分类模型,结构清晰,计算效率高,实现了河网的自动分类。此外,由分类树构建的分类体系提供了分类特征在分类中的重要程度,为河网水系的产生条件、控制因素等研究提供了重要依据。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的基于河网层次结构的平面形态分类方法的流程图;
图2为根据本发明实施例的河网平面形态分类技术路线图;
图3为根据本发明实施例的基于河网层次结构的平面形态分类装置的结构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
下面参照附图描述根据本发明实施例提出的基于河网层次结构的平面形态分类方法及装置,首先将参照附图描述根据本发明实施例提出的基于河网层次结构的平面形态分类方法。
图1是本发明一个实施例的基于河网层次结构的平面形态分类方法的流程图。
如图1所示,该基于河网层次结构的平面形态分类方法包括以下步骤:
步骤S1,基于河网,提取河网纹理、河段流向和流域形态三种指标的各指标量值,其中,河网纹理指标采用河网密度和河流频度,河段流向指标采用流向最大频率和频率变异系数,流域形态指标采用流域宽长比。
具体地,部分学者的分级方法为研究河网内部拓扑结构奠定了理论基础。将分级河网指标与流域指标结合分析,既可以获取流域整体的特性,也可以获取各级别河网或河段的特性,细化河网内部信息,增加分类方法的适用性,提升河网分类的准确率。分级河网指标指各级别河网或河段的特征参数,包含河网纹理和河段流向两个方面。其中,河网纹理采用的是河网密度和河流频度,河段流向采用的是流向最大频率和频率变异系数,流域指标采用的是宽长比,各项指标如表1所示。各指标量值均可基于数字高程模型(DEM)提取河网后获得。
以下是对各指标的具体含义及相关阐释:
河网纹理;河网密度指单位面积内河道总长度,河流频度则是指单位面积内河段总数目。河网密度和河流频度表征了水系在河网中的填充程度,是表征河网结构的重要指标。河网纹理特性与气候、地形、下垫面等条件密切相关。具有相同的河网密度的流域,其河流频度相差可能较大。因此,选择各级别河网密度和河流频度为河网纹理指标。
河段流向;河段流向受到地形、构造、下垫面等条件的影响,河段流向能反映出河网的平面形态。相比河流入汇角,河段流向的分布情况更直观地反映出河流的走向。将河段流向与正北方向形成的夹角平均分成16组,从各级别河段和全流域河段的结果中提取最大频率和频率变异系数。统计全流域河段流向时,为了减少低级别河段数目过多带来的干扰,按照各级别河段长度在全流域河段长度的占比赋予权重。选择各级别河段和全流域河段流向最大频率及频率变异系数为河段流向指标。
流域形态;流域形态也是表征河网结构的重要指标。不同类型的河网往往展现出不同的流域形态。流域宽长比为流域面积与流域主河道长度的平方之比,流域越狭长,宽长比越小。选择流域宽长比为流域形态指标。
表1河网分类指标
步骤S2,基于各指标量值,将构建的分类树应用到河网平面形态分类中,以构建河网分类模型。
具体地,分类树是从一个无次序、无规则的实例集合中归纳出一组采用树形结构表示的分类规则,具有良好的分类稳定性和较高的数据处理效率。利用分类树处理分类问题通常分为两个步骤,一是基于训练集生成分类模型,二是利用该模型对类型未知样本进行分类。将分类树应用到河网平面形态分类中,具体步骤如下:
首先,训练集的构建,训练集的构建有多种方法,如有放回抽样、无放回抽样和n倍交叉验证法等。针对河网的平面形态分类,采用n倍交叉验证法,可以得到稳定可靠的模型。n倍交叉验证法,即初始样本被分为n份子样本,其中n-1份用于训练,1份作为验证模型的数据;
其次,特征选择,对于最高级别为Ω的河网,其河网纹理、河段流向、流域形状3类指标可计算出的参数个数为7Ω,这些参数反映了流域整体或各级别河网或各级别河段的特性。河网类型有多种,不同类型间的特性差异可能体现在特定级别的河网或河段上,而其余级别的河网或河段间的差异不大。因此,在构建分类树之前,需要进行分类特征的进一步选择,剔除冗余特征,选取对分类最重要的特征。归一化的基尼指数用以表征特征的重要程度,重要性指数越大,则该参数在分类中的作用越大。在河网平面形态分类的实际问题中,选择对河网分类有意义的特征,除了对提高分类算法的分类准确率有意义外,更重要的是选择出的特征对研究不同类型河网的产生条件、演变机制等具有重要的意义;
再是,分类树构建,在使用分类树对未知类型样本进行分类时,从根节点开始逐步对该样本的属性进行测试,并沿着相应的分支向下行走,直至到达某个叶节点,此时叶节点所代表的类型即为该样本的类型。构建分类树时采用CART分类树算法,使用基尼系数选择特征,基尼系数越小,不纯度越低,特征越好。假设k个类别,第j个类别的概率为pj,基尼指数的计算公式如下:
优选的,重复整个过程1000次,选取交叉验证精度最高的分类树为分类模型。
步骤S3,基于河网分类模型,实现未知类型河网的分类。
综上,本发明的河网平面形态分类技术路线图,如图2所示,基于河网,提取河网纹理、河段流向和流域形态三种指标的各指标量值,其中,河网纹理指标采用河网密度和河流频度,河段流向指标采用流向最大频率和频率变异系数,流域形态指标采用流域宽长比;基于各指标量值,将构建的分类树应用到河网平面形态分类中,以构建河网分类模型;基于河网分类模型,实现未知类型河网的分类。
通过本发明实施例基于河网层次结构的平面形态分类方法,实现河网平面形态的自动分类,考虑了河网内部结构,提高了分类精度,为河网水系的控制条件、演变机制研究奠定了基础。
需要说明的是,河网分类的方法实现方式有多种,但无论具体的实现方法如何,只要方法提高了河网分类的精度,能够考虑河网内部结构特性,都是针对现有技术问题的解决,并具有相应的效果。
为了实现上述实施例,如图3所示,本实施例中还提供了一种基于河网层次结构的平面形态分类装置10,该装置10包括:提取模块100、构建模块200和分类模块300。
提取模块100,用于基于河网,提取河网纹理、河段流向和流域形态三种指标的各指标量值;其中,河网纹理指标采用河网密度和河流频度,河段流向指标采用流向最大频率和频率变异系数,流域形态指标采用流域宽长比;
构建模块200,用于基于各指标量值,将构建的分类树应用到河网平面形态分类中,以构建河网分类模型;
分类模块300,用于基于河网分类模型,实现未知类型河网的分类。
进一步地,河网密度D和河流频度F的计算公式分别为:
其中,Ω是河网的最高级别,Lω为ω级河网中河段总长,A是流域面积,Nω为ω级河网中河段总数。
进一步地,流向最大频率f和频率变异系数fcv的计算公式分别为:
其中,ni为i方向河段数目,Li为i方向河段总长。
根据本发明实施例的基于河网层次结构的平面形态分类装置,基于河网,提取河网纹理、河段流向和流域形态三种指标的各指标量值,其中,河网纹理指标采用河网密度和河流频度,河段流向指标采用流向最大频率和频率变异系数,流域形态指标采用流域宽长比;基于各指标量值,将构建的分类树应用到河网平面形态分类中,以构建河网分类模型;基于河网分类模型,实现未知类型河网的分类。本发明实现河网平面形态的自动分类,考虑了河网内部结构,提高了分类精度,为河网水系的控制条件、演变机制研究奠定了基础。
需要说明的是,前述对基于河网层次结构的平面形态分类方法实施例的解释说明也适用于该实施例的基于河网层次结构的平面形态分类装置,此处不再赘述。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于河网层次结构的平面形态分类方法,其特征在于,包括以下步骤:
基于河网,提取河网纹理、河段流向和流域形态三种指标的各指标量值;其中,所述河网纹理指标采用河网密度和河流频度,所述河段流向指标采用流向最大频率和频率变异系数,所述流域形态指标采用流域宽长比;
基于所述各指标量值,将构建的分类树应用到河网平面形态分类中,以构建河网分类模型;
基于所述河网分类模型,实现未知类型河网的分类。
5.根据权利要求1所述的基于河网层次结构的平面形态分类方法,其特征在于,针对所述河网的平面形态分类,采用n倍交叉验证法得到模型,初始样本被分为n份子样本,其中n-1份用于训练,1份作为验证所述模型的数据。
6.根据权利要求1所述的基于河网层次结构的平面形态分类方法,其特征在于,在使用所述分类树对未知类型样本进行分类时,从根节点开始逐步对所述未知类型样本的属性进行测试,并沿着相应的分支向下行走,直至到达某个叶节点,则所述某个叶节点所代表的类型为所述未知类型样本的类型。
8.一种基于河网层次结构的平面形态分类装置,其特征在于,包括:
提取模块,用于基于河网,提取河网纹理、河段流向和流域形态三种指标的各指标量值;其中,所述河网纹理指标采用河网密度和河流频度,所述河段流向指标采用流向最大频率和频率变异系数,所述流域形态指标采用流域宽长比;
构建模块,用于基于所述各指标量值,将构建的分类树应用到河网平面形态分类中,以构建河网分类模型;
分类模块,用于基于所述河网分类模型,实现未知类型河网的分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210015443.2A CN114398970A (zh) | 2022-01-07 | 2022-01-07 | 一种基于河网层次结构的平面形态分类方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210015443.2A CN114398970A (zh) | 2022-01-07 | 2022-01-07 | 一种基于河网层次结构的平面形态分类方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114398970A true CN114398970A (zh) | 2022-04-26 |
Family
ID=81229862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210015443.2A Pending CN114398970A (zh) | 2022-01-07 | 2022-01-07 | 一种基于河网层次结构的平面形态分类方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114398970A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540830A (zh) * | 2024-01-05 | 2024-02-09 | 中国地质科学院探矿工艺研究所 | 基于断层分布指数的泥石流易发性预测方法、装置及介质 |
-
2022
- 2022-01-07 CN CN202210015443.2A patent/CN114398970A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540830A (zh) * | 2024-01-05 | 2024-02-09 | 中国地质科学院探矿工艺研究所 | 基于断层分布指数的泥石流易发性预测方法、装置及介质 |
CN117540830B (zh) * | 2024-01-05 | 2024-04-12 | 中国地质科学院探矿工艺研究所 | 基于断层分布指数的泥石流易发性预测方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Menardi et al. | An advancement in clustering via nonparametric density estimation | |
CN111582386A (zh) | 一种基于随机森林的地质灾害多灾种综合风险评价方法 | |
CN108399748B (zh) | 一种基于随机森林与聚类算法的道路旅行时间预测方法 | |
CN105184423B (zh) | 一种风电场集群风速预测方法 | |
Clymo | Preliminary survey of the peat-bog Hummell Knowe Moss using various numerical methods | |
CN108846527A (zh) | 一种光伏发电功率预测方法 | |
CN103699678B (zh) | 一种基于多阶段分层采样的层次聚类方法和系统 | |
CN112149314B (zh) | 一种基于虚拟库容修正的多沙水库库容冲淤模拟方法 | |
CN104252556B (zh) | 一种河流分类系统 | |
CN109767624B (zh) | 一种考虑路段交通流相关性的控制子区划分方法 | |
CN106909899A (zh) | 一种湿地景观演变过程的分析方法及分析系统 | |
CN110134907B (zh) | 一种降雨缺失数据填补方法、系统及电子设备 | |
CN111428936B (zh) | 一种基于分布式水节点的流域雨洪可利用性指标测算方法 | |
CN114398970A (zh) | 一种基于河网层次结构的平面形态分类方法和装置 | |
GB2612682A (en) | Basin similarity classification method and device | |
CN114648617A (zh) | 一种基于数字高程模型dem的水系提取方法 | |
CN110111561A (zh) | 一种基于som-pam聚类算法的路网动态划分方法 | |
CN114219370A (zh) | 一种基于社交网络的河流水质多维影响因素权重分析方法 | |
Parchure et al. | Probability distribution analysis of extreme rainfall events in a flood-prone region of Mumbai, India | |
CN114138926B (zh) | 一种人口分布格网大小确定方法及系统 | |
CN113673777B (zh) | 一种气候变化条件下的沙漠演替预测方法 | |
CN110110391A (zh) | 一种基于区域划分的缺实测径流资料流域的洪水估算方法 | |
CN113343565B (zh) | 顾及空间异质性的邻域效应模式构建与ca模拟方法及系统 | |
CN110837911B (zh) | 一种大尺度地表节肢动物空间分布模拟方法 | |
Assis et al. | A model-based site selection approach associated with regional frequency analysis for modeling extreme rainfall depths in Minas Gerais state, Southeast Brazil |
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 |