基于神经网络的地面坡度与其他地形定量因子关联性分析——以黄土高原丘陵沟壑区实验为例

《基于神经网络的地面坡度与其他地形定量因子关联性分析——以黄土高原丘陵沟壑区实验为例》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、22卷4期415〜420页2004年7月Vol.22,No.4pp415-420Julyf2004山地学报JOURNALOFMOUNTAINSCIENCE文章编号:1008-2786(2004)04-0415-06基于神经网络的地面坡度与其他地形定量因子关联性分析以黄土高原丘陵沟壑区实验为例张肌汤国护，王旳陈护任春1(1•西北大学城市与资源学系，陕西西安710069;2.南京师范大学江苏省地理信息科学重点实验室，江苏南京210097;3•西北大学计算机科学系，陕西西安710069)摘要:不同的地形因子从不同侧面反映地面的起伏特征或空间变异，各因

2、子之间所存在的相互关联、相互制约、相互形响的程度与特征，在很大程度上掲示了地形发育与空间变异的内在本质，因而是地形学研究的重要内容。他以黄土高原丘陵沟壑区的16个样本地区为实验样区，以高分辨率、高精度的1:1万比例尺DEM为基准数据，应用BP神经网络模型，探讨地面坡度与其他地形因子之间的关联性特征。实验结果表明，利用神经网络分析方法可以有效评价地形因子对地面平均坡度的关联性。该研究方法为进行地貌多定量指标的的选择和多因子之间关联性的量化提供了一种新的方法。关键词:神经网络;地面坡度;地形因子;DEM;关联性中图分类号:P283.1文献标识码:A

3、当前，基于DEM的数字地形分析在地貌学研究中发挥着越来越重要的作用，并使之有可能实现对多地形要素相互关系的量化研究。不同地形因子以不同的侧面反映地面起伏或变异特征，然而，各因子之间存在着明显的关联性，对这种关联性的分析,是地形学研究的重要内容。一个地区的平均坡度是该地区地形起伏特征的重要指标，利用数字高程模型(DEM)为信息源，自动提取地面坡度和平均坡度，已得到广泛的应用M2〕。然而，地面平均坡度并不是描述区域地形复杂程度的唯一指标，平均海拔、地面平均曲率、地面起伏度及地面粗糙度等多个地形因子都从不同方面反映地形的起伏与变异特征。研究不同地形因

4、子间所存在的关系，特别是建立各因子间的定量模型,对地形地貌学的研究,具有重要的意义。目前，对多因子之间的关联性研究多采用线性方法予以描述。王秀红以中国土地利用程度和效益分区为例，将多元统计分析的方法应用于主要地理区划的分区研究⑶。张元明等应用数量分类和排序方法，对新疆塔里木河中游地区植被进行了多元统计分析，并对其规律建立了回归模型⑷。线性方法在一定程度上能够解释因子间的关联性，但由于自然界的各因素间往往是一种复杂的非线性关系,单凭线性描述并不能达到研究目标。神经两络技术方法近年在地学界得到诸多有效的应用，展示了对复杂对象、模糊信息分析与建模的优

5、势。地面起伏度、平均海拔、平均剖面曲率等地形因子从不同侧面影响着地面平均坡度，它们之间是一种复杂的非线性关系，用传统的分析方法难以进行模拟。同时，地学分析具有海量数据的特征，工作量大，信息隐含,收稿日期(Receiveddate):2004-01-10;改回日期(Accepted)：2004-04-15o墓金项目(Foundationitem):国家自然科学基金资助项目(40271089).国家高技术研究发展计划课®(2001AA130023);教育部科研基金重/?、项H(01111);南汗师范大学髙层次人才科研启动基金项目[Foundatio

6、nitem：NationalNatureScienceFoundationofChina.No・40271089{NationalHighTechniqueResearchDevelopmentPioject.No.2001AA130023;ChinaEducationMinistryScienceandTechniqueKeyResearchProject,No.01ll;NanjingNormalUniversityHigh-levelTalentResearchStartupFundItem.]作者简介(Biography):张婷(19

7、81-)t女■地图学与地理信息系统专业研究生■主要从事地理信息系统方面的研究工作。E-mail：dearfoUlipop@sina.com[ZhangTing(1981一),Female•bominXi*an»China.MasterofNorthwestUniversitytResearchfieldsmainlycoverupGeographicalInformationSystem.E-mail：dearlollipop@sina.com.]416山地学报22卷若实际输出与目标输出之间的误差在给定误差范传统的分析方法也难以实现对这些数据间

8、关系的分析。神经网络待别适合于数据量庞大、结构复杂的非线性系统,它用类似于黑箱操作的方法,通过对样本的不断学习，学会这些数据间的模式，从而实现对未知样