Orginal Article

A Method of Loess Landform Automatic Recognition Based on Slope Spectrum

  • LIU Shuanglin ,
  • LI Fayuan , * ,
  • JIANG Ruqiao ,
  • CHANG Ruixue ,
  • LIU Wei
Expand
  • 1. Key Laboratory of Virtual Geographical Environment, Ministry of Education, Nanjing Normal University, Nanjing 210023, China
  • 2. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China
*Corresponding author: LI Fayuan, E-mail:

Received date: 2015-01-28

  Request revised date: 2015-03-04

  Online published: 2015-10-10

Copyright

《地球信息科学学报》编辑部 所有

Abstract

As a research hot-spot of modern geomorphology, landform recognition and classification are important in various study areas such as ecological environment, hydrology and geological structure analysis. Traditional recognition methods, which are inadequate to solve the linear inseparable problem of pattern recognition, exhibit a low accuracy in landform recognition. As a dynamic information processing system, neural network is capable to deal with linear inseparable in landform recognition. Slope spectrum is an effective method to reflect the macro terrain features with quantitative micro-terrain-indicators. It has been receiving widespread attentions in geomorphology. This paper introduces an automatic recognition method based on slope spectrum and neural network. Using DEM data of eight sample areas with different loess landform types in Shaanxi Province, ten small watersheds and their slope spectrums are extracted for each of the eight sample areas. Then, we calculate the slope spectrum indices of these eighty small watersheds and use the indices to construct BP neural network for loess landform automatic recognition. Among the eighty small watersheds, 60% of them are randomly selected as training samples and 40% of them are selected as verification samples. Recognition results show that the accuracy rate is 70% on average for the eight sample areas, and it would be raised to 80% or 85% when the landform types of Loess Hilly-gully or Loess Hill-ridge are eliminated from the eight sample areas respectively. This study indicates that slope spectrum is capable of handling the linear inseparable problem in landform recognition.

Cite this article

LIU Shuanglin , LI Fayuan , JIANG Ruqiao , CHANG Ruixue , LIU Wei . A Method of Loess Landform Automatic Recognition Based on Slope Spectrum[J]. Journal of Geo-information Science, 2015 , 17(10) : 1234 -1242 . DOI: 10.3724/SP.J.1047.2015.01234

1 引言

地貌类型的自动识别是现代地貌学研究的热点之一,相较传统的人工识别方法而言,它具有客观性和科学性、识别精度不受先验知识、工作经验和认知偏差的影响等特点,被广泛地应用于数字地貌制图、地貌索引建立、海量数据筛选等领域。Hammond于1964年首次提出地貌类型划分的研究思路[1],Dikau以坡度梯度、局部起伏度和剖面类型作为变量,通过极值划分的方法实现了Hammond的思路[2]。Morgan、Dragut等在此基础上,引入了面向对象的分析方法和更多的地形因子,提高了地貌自动识别和分类的精度[3-7]。周成虎等在《中华人民共和国地貌图集》的编制研究中,提出中国陆地 1∶100万数字地貌的数值分类方法、中国陆地地貌基本形态类型的定量提取和分析方法,以及多尺度数字地貌等级分类方法,为中国陆地地貌解析、分类和识别研究提供了理论依据[8-10]。肖俊等在丘陵山地的识别中,引入了支持向量机方法[11-12],周增坡等提出了火山口识别模型,实现了火山口这类特殊地貌的识别[13]。描述地表起伏变化的地形因子(如地表起伏度、地表粗糙度、平均高程等)常被用以地貌类型的识别分类[14-16]。然而,这些地形因子间通常存在一定的相关性和相似性,在识别过程中一定程度上造成了识别依据的冗余。同时,不同地貌类型对这些地形因子的敏感度不尽相同,这也给识别结果带来较大的不确定性。坡谱是以微观地形定量因子——坡度的组合为基础,描述区域地形特征的方法[17]。坡谱与不同层次的地貌形态具有较强的耦合性,能够反映该区域地貌的发育特征[18],在地貌的研究中得到较多的应用[18-20]。以往对坡谱的研究中,学者们主要从坡谱提取[21]、坡谱分级[22-23]、坡谱量化[18]、坡谱信息的不确定性[24]、尺度转换[25-26]、空间分异[27]等方面探讨了坡谱的地学内涵。其中,李发源等从坡谱量化分析、坡谱特征指标空间分异,探讨了坡谱与地貌形态的空间变化之间的相关关系[18]
然而,利用坡谱实现黄土典型地貌类型的自动识别尚未得到尝试,坡谱在地貌定量化分析与地貌类型自动识别方面研究亦有待深入。同时,考虑到实际地形的复杂性,地貌类型识别、分类本身是一个复杂而线性不可划分的问题。本文提出了一种黄土地貌类型自动识别方法,该方法以坡谱作为黄土地貌特征的定量表达,结合BP神经网络数学模型,实现黄土地貌的自动识别。该方法融合了坡谱与黄土地貌形态类型良好的耦合性[18],以及BP神经网络的非线性映射性、自学习和自适应性、泛化性、容错性[28],降低了人为主观因素在地貌识别过程中的影响。

2 坡谱自动识别提取方法

本文以流域作为坡谱提取的基本单元,从坡度的数量特征和空间结构关系方面设计坡谱的量化分析指标,同时,结合BP神经网络的方法构建黄土地貌类型识别网络。其技术流程如图1所示。
Fig. 1 The flow chart of automatic recognition

图1 研究技术流程图

2.1 坡谱的提取和量化

坡谱提取过程主要包括坡度提取、流域提取、坡度分级统计3个步骤。其中,坡度提取利用的曲面拟合法,在3×3栅格分析窗口中计算。流域提取采用坡面径流模拟法,提取水文信息,进而扫描分割出符合实验要求的小流域单元。对每个小流域单元内的坡度进行分级统计得到小流域单元的坡谱。坡度分级的级差和坡度统计单元面积,对坡谱的形态具有重要影响[18]。本文设定以3°等差分级的方法对坡度进行分级统计,该方法能较为真实的表现地表坡度的分布特征[17,23]。另外,存在坡谱稳定的临界面积,是提取正确坡谱的必要条件,根据王春等在坡谱特征变异性分析的实验中,可知坡谱稳定的临界面积为30 km2[28]。因此,本文提取面积为30~60 km2的小流域作为坡谱统计单元,采用3°等差分级的方法提取小流域坡谱作为实验分析样本。
Tab. 1 Quantitative indictor of slope spectrum features

表1 坡谱特征量化指标

坡谱特征值 公式 含义
坡谱信息熵 H=-i=1mPiln Pi 坡谱的信息熵反映坡谱的均匀度或坡谱内各组数据频率的差异程度,频率分布越离散,其信息熵越小
坡谱偏度 S=16n i=1nPi-P̅σ3 坡谱偏度描述坡度分布的不对称性
坡谱平均值 X=i=1nXin 坡谱平均值表示该坡谱数据的平均坡度
坡谱标准差 σ=1Ni=1NXi-μ2 坡谱标准差反映坡谱数据的离散程度
终止坡度 Pmax=MAX(P1,P2,) 终止坡度反映坡谱达到的最大坡度
斑块密度 PD=ni×10 000×100/A 斑块密度反映坡度分级的破碎程度及其构成
坡谱特征可以用坡谱信息熵、坡谱偏度、平均坡度变率、坡度-面积积分、斑块密度、平均周长-面积比等多种指标进行量化表达。坡谱特征的量化指标设计需兼顾坡谱的数量特征与地面坡度的空间结构特征。经过反复尝试,在满足坡谱数量特征及空间结构特征的前提下,本文从信息论的角度,选用坡谱信息熵反映坡谱的均匀度或坡谱内各组数据频率的差异程度;从统计学角度选用偏度、平均值、标准差描述坡谱的统计特征,其中,坡谱偏度描述变量取值分布的对称性,坡谱平均值表示坡度值的整体趋势,坡谱标准差反映坡谱数据集的离散程度;从形态学的角度,以终止坡度反映坡谱描述的最大坡度分级;从坡面景观的角度,选用斑块密度定量分析坡谱的空间结构特征。

2.2 识别模型的构建

BP神经网络是一种按误差逆传播算法训练的多层前馈网络[29]。本文将坡谱作为BP神经网络的分析对象,构建以坡谱的黄土地貌类型自动识别的网络结构,并将坡谱特征量化指标及其对应的地貌类型信息输入识别网络,由识别网络自动完成对未知地貌类型的识别。
构建合适的BP神经网络结构模型,需确定网络层数、网络各层节点数、激活函数等。BP神经网络结构由输入层、隐层和输出层组成。Lippmann研究指出,2个隐层可解决任何形式的分类问题[30],因此,本文选取4层网络以满足识别精度要求(图2)。
Fig. 2 Recognition framework

图2 识别网络结构图

输入层节点数目等于坡谱特征指标的数目,本文经过量化坡谱得到6个坡谱特征指标,故该识别网络结构的输入层节点数目为6。输出层的节点数目由识别的地貌类型个数确定,因选用8种地貌类型进行识别,所以输出层节点数为8个。对隐层的节点数目没有科学和普遍的确定方法,本文选取凑试法确定隐层的节点数目。激活函数选择常用的Sigmoid函数。
学习算法的步骤如下:
(1)设置网络最大训练次数 epo c h s ,期望误差 errors ,并初始化识别网络的权值矩阵;
(2)将量化后的坡谱特征值及对应的地貌类型输入识别网络,并将数据进行归一化处理,作为识别网络的输入样本和期望输出;
(3)按式(1)计算网络输出,并计算输出层单元期望输出与实际输出间的误差 ε ;
y = f ( i = 1 n w i x i - θ ) , i = 1,2 , , n (1)
式中,所有和隐层单元 i 相连接的权值构成向量 w i ; θ 为阈值常数。
(4)如果 ε < errors 或训练次数大于 epo c h s ,则说明地貌类型识别结束,输出样本;否则,更新权值和阈值,重复步骤(3),直至满足停止条件。

3 以坡谱识别黄土地貌类型的实验及分析

3.1 实验样区与实验数据

本文以陕北黄土高原为实验样区,选用国家基础地理信息中心25 m分辨率的DEM数据为实验数据,以陕西省1:300万地貌分区图作为实验样区选取的参考依据,结合黄土地貌的形态特征,选择8个典型的黄土地貌类型区为实验样区(图3)。每个实验样区选择10个完整流域,作为地貌类型的识别对象,以分层随机抽样的方式选取60%的数据为训练样本,40%为测试样本。
Fig. 3 Study areas

图3 实验样区分布图

3.2 坡谱分析

地貌形态特征与坡谱之间存在较强的耦合关系,地貌的差异决定了坡谱曲线的差异性,同一地貌类型样本的坡谱曲线具有很高的相似度。坡谱的几何特征、变化趋势、统计分布特征,能在一定程度上反映地势的起伏规律和地貌的形态特征。从坡谱的几何特征分析,地势较为平坦的黄土塬和黄土台塬,在坡谱曲线形态特征上表现为S型和L型(图4(a)-(b)),而黄土平梁、黄土长梁、峁状丘陵沟壑、峁梁状丘陵沟壑、侵蚀剥蚀的黄土低山、流水侵蚀的中山,地势起伏更为强烈,在坡谱曲线形态上表现为钟型(图4(c)-(h))。从坡谱的变化趋势分析,黄土塬和黄土台塬在坡度<3°时,曲线单调递减且变化剧烈,而其他地貌类型区在坡度<3°时,均呈单调递增的变化形式,这反映了黄土塬和黄土台塬在平缓地形的起伏规律上,与其他地貌类型存在较为明显的差异(图4)。从统计分布特征角度分析,在单一指标中,各地貌类型所在指标区间具有一定的重叠性,如黄土长梁和黄土塬的终止坡度区间几乎一致,然而将各坡谱特征值组合后,在各地貌类型中所表现出的差异变得较为明显,如黄土长梁和黄土塬在终止坡度、坡谱信息熵的指标区间上较为接近,但在坡谱平均值、坡谱标准差、坡谱偏度、斑块密度的指标区间上有一定差异,因此,整体指标组合存在一定差异(表2)。综上所述,坡谱在几何特征、变化趋势、统计分布特征3个方面的差异能较好地区分不同黄土地貌类型。
Fig. 4 Slope spectrums in different landform areas

图4 实验样区中不同地貌类型样本的坡谱

3.3 识别结果分析与评价

本文提取8个样区共80个完整流域的坡谱作为实验样本,在此基础上,计算各坡谱的信息熵、偏度、平均值、标准差、终止坡度和斑块密度6个指标,其中将60%作为训练样本,用于黄土地貌自动识别网络构建,40%作为测试样本进行黄土地貌类型自动识别检验。实验结果如表3所示,第1次实验识别对象为8种地貌类型,其中,峁状丘陵沟壑和峁梁状丘陵沟壑正确识别率较低,仅25%和0%,正确识别率平均为70%。实验表明,因峁状丘陵沟壑与峁梁状丘陵沟壑地貌类型接近,使其坡谱相似,致使实验整体识别精度不高。第2次和第3次实验中,分别将峁状丘陵沟壑或峁梁状丘陵沟壑去除,其整体正确识别率明显提升,正确识别率平均为80%和85%。由图5的地貌类型识别结果堆积柱状图可知,剔除峁状丘陵沟壑或峁梁状丘陵沟壑后,整体识别精度提高的同时,其识别结果也趋于集中。分析认为,可能是峁状丘陵沟壑和峁梁状丘陵沟壑地貌特征相似,增加了黄土地貌识别难度,对各地貌类型的认知模糊性,以致分类结果的混乱和分散。
Fig. 5 Stacked column charts indicating the result of automatic landform recognition

图5 地貌类型识别结果堆积柱状图

从视觉特征、坡谱曲线形态和坡谱特征值3个角度对比,对峁状丘陵沟壑和峁梁状丘陵沟壑分析其识别的精度差异。视觉特征是对比峁状丘陵沟壑与峁梁状丘陵沟壑的光照晕渲地貌相似度,最为直观简单的分析方法,它是选择峁状丘陵沟壑与峁梁状丘陵沟壑中比例尺相同、形状相似的2个小流域,放置在一起对比其光照晕渲图和坡度图的差异。图6中的峁状丘陵沟壑与峁梁状丘陵沟壑的光照晕渲图相似。对比图7中峁状丘陵沟壑与峁梁状丘陵沟壑坡度图,图中坡度最大值接近,坡度变化趋势相似。坡谱形态是对比2个小流域的坡谱曲线走势,峁状丘陵沟壑与峁梁状丘陵沟壑的曲线皆呈现先上升后下降的形态,曲线的终止位置基本一致,波峰出现在坡度9°左右的位置,最大频率约为0.13。坡谱特征值对比即将2个小流域坡谱量化后的特征值相对比,从表4可看出,坡谱信息熵、坡谱标准差、坡谱偏度等指标相似度高,与表2中数据进行对比,峁状丘陵沟壑与峁梁状丘陵沟壑的坡谱特征值组合的数值区间相互重叠,并无明显的区分。坡谱与地貌之间的耦合关系具有一定的尺度依赖性,而在当前数据尺度和分析尺度下,坡谱不能良好地描述这2种地貌类型的差异。实验认为,在其数据尺度和分析尺度条件下,以坡谱的黄土地貌类型识别方法,不能有效区分峁状丘陵沟壑和峁梁状丘陵沟壑。
Tab. 2 Quantitative indicators of slope spectrum

表2 坡谱特征量化指标

地貌类型 坡谱平均值 坡谱标准差 坡谱偏度 终止坡度(°) 坡谱信息熵 斑块密度
峁梁状丘陵沟壑 23.48-25.81 9.35-10.34 -0.29- -0.11 18~20 2.56-2.62 639-702
峁状丘陵沟壑 22.30-26.83 9.85-10.34 -0.41-0.003 16~19 2.47-2.51 673-745
黄土平梁 22.01-24.93 10.40-11.20 -0.45- -0.25 17~19 2.61-2.64 681-731
黄土长梁 23.26-25.26 8.93-9.55 -0.44- -0.35 16~17 2.47-2.53 640-715
黄土塬 15.57-19.27 11.49-12.78 0.06-0.39 16~18 2.48-2.64 473-551
黄土台塬 5.87-11.29 7.35-10.30 0.89-2.14 15~17 1.43-2.27 171-441
侵蚀剥蚀的黄土低山 18.10-19.62 6.81-8.19 -0.22- -0.006 14~15 2.25-2.38 407-463
流水侵蚀的中山 26.14-28.90 8.98-10.73 -0.63- -0.45 18~21 2.48-2.64 558-665
Fig. 6 Hillshade comparison figures between Loess Hilly-gully and Loess Hill-ridge

图6 峁状丘陵沟壑和峁梁状丘陵沟壑光照晕渲对比图

Fig. 7 Slope comparison figures between Loess Hilly-gully and Loess Hill-ridge

图7 峁状丘陵沟壑和峁梁状丘陵沟壑坡度对比

本文引入Kappa系数作为精度评价指标,Kappa系数能从空间位置、数量及综合信息方面,对识别精度进行评价。Kappa系数的计算如式(2)所示。
Kappa = N i = 1 m x ii - i = 1 m x i + x + i N 2 - i = 1 m x i + x + i (2)
式中,N为样本的总数;m为每个样区的样本数; X ii 为识别正确的样本数; X i + X + i 分别为识别为第i类地貌类型的样本总数和实际为第i类地貌类型的样本总数。Kappa系数越大表明识别结果精度越好。
Tab. 3 Recognition accuracy of each landform

表3 每种地貌类型的正确识别率

实验编号 实验样区 黄土平梁(%) 黄土长梁(%) 黄土塬(%) 黄土台塬(%) 峁状丘陵沟壑(%) 峁梁状丘陵沟壑(%) 流水侵蚀中山(%) 侵蚀剥蚀低山(%)
1 8种地貌类型区 100 75 100 100 25 0 100 75
2 7种地貌类型区
(无峁状丘陵沟壑)
100 25 100 100 50 100 100
3 7种地貌类型区
(无峁梁状丘陵沟壑)
100 100 100 100 25 100 100
Tab. 4 Quantitative indicators of slope spectrum for Loess Hilly-gully and Loess Hill-ridge

表4 峁状丘陵沟壑和峁梁状丘陵沟壑坡谱特征量化指标

地貌类型 坡谱信息熵 坡谱平均值 坡谱标准差 坡谱偏度 终止坡度 斑块密度
峁状丘陵沟壑 2.48 26.83 10.34 -0.21 16 716
峁梁状丘陵沟壑 2.56 24.75 9.53 -0.29 17 690
Tab. 5 The accuracy of automatic landform recognition

表5 地貌类型识别的算法精度

识别样区 Kappa系数(%)
8种地貌类型区 67.9
7种地貌类型区(无峁状丘陵沟壑) 87.1
7种地貌类型区(无峁梁状丘陵沟壑) 87.5
根据式(2)分别计算3种不同实验样区识别结果的Kappa系数值。对8种地貌类型自动识别结果的Kappa系数为67.9%,表明坡谱与BP神经网络的识别方法的有效性。对分别剔除黄土峁状丘陵沟壑和峁梁状丘陵沟壑后的7种地貌类型识别结果的Kappa系数分别为87.1%和87.5%,说明本文提出的黄土地貌识别方法,在7种地貌类型的识别结果较为理想,并说明峁状丘陵沟壑和峁梁状丘陵沟壑地貌特征相似。
Fig. 8 Slope spectrum comparison figures between Loess Hilly-gully and Loess Hill-ridge

图8 峁状丘陵沟壑和峁梁状丘陵沟壑坡谱曲线图

4 结论

本文所提出的黄土地貌类型的坡谱自动识别方法,以小流域坡谱作为黄土地貌形态特征的抽象表达,利用BP神经网络数学模型进行学习、识别,降低了人为主观因素,在地貌识别分类中的影响。该方法从模式识别的角度,一定程度上验证了坡谱与黄土地貌形态类型之间良好的耦合性、地貌发育过程中形态的相似性。这也为解决情况复杂多变、非线性的地貌识别分类问题,提供了一种相对可靠、高效的新思路。
本文对8种典型黄土地貌类型进行识别测试,正确识别率平均为70%,分别剔除黄土峁状丘陵沟壑和黄土峁梁状丘陵沟壑其中一种地貌类型的样本后,正确识别率平均提升为80%和85%。针对各地貌类型的自动识别中,黄土平梁、黄土塬、黄土台塬及流水侵蚀中山的识别精度最高。实验中黄土峁状丘陵沟壑和黄土峁梁状丘陵沟壑2种地貌类型,在本实验的尺度条件下,因坡谱难以描述二者差异,致使这2两种地貌类型的样本同时作为识别对象时,平均正确识别率有一定下降。
黄土地貌类型的坡谱自动识别方法,具有非线性、泛化性和融合性的特点,考虑实际地形的复杂性,利用DEM数据、遥感数据和地质勘探数据等多元地学数据作为复杂地形识别依据,自动识别地貌类型是今后的研究方向。

The authors have declared that no competing interests exist.

[1]
Hammond E H.Analysis of properties in land form geography: An application to broad-scale land form mapping[J]. Annals of the Association of American Geographers, 1964,54(1):11-19.

[2]
Dikau R, Brabb E E, Mark R M.Landform classification of New Mexico by computer[M]. US Department of the Interior, US Geological Survey, 1991.

[3]
Morgan J M, Lesh A M.Developing landform maps using ESRI'S Model-Builder[R]. Towson, MD: Towson University-Center for Geographic Information Sciences, 2005.

[4]
Drăguţ L, Blaschke T.Automated classification of landform elements using object-based image analysis[J]. Geomorphology, 2006,81(3):330-344.

[5]
曹伟超,陶和平,孔博,等.利用最佳地形特征空间进行地貌形态自动识别——以西南地区为例[J]. 武汉大学学报(信息科学版),2011,36(11):1376-1380.

[6]
曹伟超,陶和平,孔博,等.青藏高原地貌形态总体特征的GIS识别分析[J].水土保持通报,2011,31(4):163-167.

[7]
周访滨,刘学军.基于栅格DEM自动划分微观地貌形态的研究[J].武汉理工大学学报(信息与管理工程版),2008,30(2):172-175.

[8]
周成虎,程维明,钱金凯,等.中国陆地1:100万数字地貌分类体系研究[J].地球信息科学学报, 2009,11(6):707-724.

[9]
程维明,周成虎,柴慧霞,等.中国陆地地貌基本形态类型定量提取与分析[J].地球信息科学学报,2009,11(6):725-736.

[10]
程维明,周成虎.多尺度数字地貌等级分类方法[J].地理科学进展,2014(1):23-33.

[11]
肖俊,吴飞,庄越挺,等.基于支持向量机与细节层次的三维地形识别与检索[J].计算机辅助设计与图形学学报,2003(4):410-415.

[12]
肖俊,庄越挺,吴飞.基于细节层次与最小生成树的三维地形识别与检索[J].软件学报,2003(11):1955-1963.

[13]
周增坡,程维明,周成虎,等.基于DEM的火山口地貌识别方法探讨[J].地球信息科学学报,2009,11(6):773-777.

[14]
曹伟超,陶和平,孔博,等.基于DEM数据分割的西南地区地貌形态自动识别研究[J].中国水土保持,2011(3):38-41.

[15]
刘爱利,汤国安.中国地貌基本形态DEM的自动划分研究[J].地球信息科学学报,2006,8(4):8-14.

[16]
张永民,周成虎,张旸.图像数据融合的地貌类型识别分类与制图[J].地球信息科学学报, 2006,8(2):131-136.

[17]
汤国安. 黄土高原地面坡谱及其空间分异[J]. 认识地理过程关注人类家园——中国地理学会 2003 年学术年会文集,2003.

[18]
李发源. 黄土高原地面坡谱及空间分异研究[D].成都:中国科学院水利部成都山地灾害与环境研究所,2007.

[19]
陈芬,陈文惠.基于GIS的福建省地形分析[J].东华理工大学学报:自然科学版,2009,32(2):185-188.

[20]
王一舟,张会平,俞晶星,等.祁连山洪水坝河流域地貌特征及其构造指示意义[J].第四纪研究,2013,33(4):737-745.

[21]
王春,汤国安,李发源,等.坡谱提取与应用的基本地域条件[J].地理科学,2007(4):587-592.

[22]
赵牡丹,汤国安,陈正江,等.黄土丘陵沟壑区不同坡度分级系统及地面坡谱对比[J].水土保持通报,2002(4):33-36.

[23]
朱梅,李发源.坡度分级对地面坡谱的影响研究[J].测绘科学,2009(6):165-167.

[24]
王春,汤国安,李发源,等.基于DEM提取坡谱信息的不确定性[J].地球信息科学学报,2008,10(4): 539-544.

[25]
詹蕾,汤国安,张婷,等.基于直方图匹配的地面坡谱尺度下推模型研究——以陕北韭园沟样区为例[J].干旱区地理,2008(5): 772-778.

[26]
王春. 基于DEM的陕北黄土高原地面坡谱不确定性研究[D].西安:西北大学, 2005.

[27]
李发源,汤国安,贾旖旎,等.坡谱信息熵尺度效应及空间分异[J].地球信息科学学报,2007,9(4):13-18.

[28]
杨晓帆,陈延槐.人工神经网络固有的优点和缺点[J].计算机科学,1994,21(2):23-26.

[29]
周开利,康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京:清华大学出版社, 2005.

[30]
范佳妮,王振雷,钱锋. BP人工神经网络隐层结构设计的研究进展[J].控制工程,2005,12(1):105-109.

Outlines

/