
-
生物通官微
陪你抓住生命科技
跳动的脉搏
利用卷积神经网络提升泰国北部的地貌测绘精度
《Journal of Geovisualization and Spatial Analysis》:Enhancing Geomorphological Mapping in Northern Thailand Using Convolutional Neural Networks
【字体: 大 中 小 】 时间:2026年06月27日 来源:Journal of Geovisualization and Spatial Analysis 6.8
编辑推荐:
摘要传统专家解读仍是地貌制图的主要方法。然而,在大面积且地形复杂的区域应用该方法耗时较长,且易受解读差异的影响,尤其是在复杂的河流地貌中。本研究基于卷积神经网络开发了一套工作流程,利用多光谱和地形数据为泰国北部的气貌制图提供支持。该模型以专家解读的参考地貌图以及从Landsat
传统专家解读仍是地貌制图的主要方法。然而,在大面积且地形复杂的区域应用该方法耗时较长,且易受解读差异的影响,尤其是在复杂的河流地貌中。本研究基于卷积神经网络开发了一套工作流程,利用多光谱和地形数据为泰国北部的气貌制图提供支持。该模型以专家解读的参考地貌图以及从Landsat 8–9操作型陆地成像仪和航天雷达地形测绘任务数据中获取的十二个地理空间层作为训练数据,这些数据包括多光谱波段、归一化植被指数、高程、坡度、曲率、地形位置指数和地形湿度指数等。研究还采用了高分辨率边界U-Net模型,并通过平均交并比和宏观F1分数与选定的基准分割模型进行了比较。为降低空间自相关性和斑块重叠带来的误差,模型评估采用空间缓冲分层验证方案,同时通过各类别的交并比和F1分数进一步评估其性能。此外,还通过空间差异分析来区分基于CNN的地图与参考地图之间的完全一致、边界概括以及空间误分类情况。研究还利用无人机调查和土壤取芯等实地数据作为点状证据,以支撑地貌解读的准确性。结果表明,基于CNN的分割技术可作为一种可重复、半自动化的工具,用于区域地貌制图。所提出的工作流程通过提供定量空间评估、提升地图生成的一致性,以及为后续专家解读提供透明依据,从而弥补了依赖专家经验的制图方法的不足。
传统专家解读仍是地貌制图的主要方法。然而,在大面积且地形复杂的区域应用该方法耗时较长,且易受解读差异的影响,尤其是在复杂的河流地貌中。本研究基于卷积神经网络开发了一套工作流程,利用多光谱和地形数据为泰国北部的气貌制图提供支持。该模型以专家解读的参考地貌图以及从Landsat 8–9操作型陆地成像仪和航天雷达地形测绘任务数据中获取的十二个地理空间层作为训练数据,这些数据包括多光谱波段、归一化植被指数、高程、坡度、曲率、地形位置指数和地形湿度指数等。研究还采用了高分辨率边界U-Net模型,并通过平均交并比和宏观F1分数与选定的基准分割模型进行了比较。为降低空间自相关性和斑块重叠带来的误差,模型评估采用空间缓冲分层验证方案,同时通过各类别的交并比和F1分数进一步评估其性能。此外,还通过空间差异分析来区分基于CNN的地图与参考地图之间的完全一致、边界概括以及空间误分类情况。研究还利用无人机调查和土壤取芯等实地数据作为点状证据,以支撑地貌解读的准确性。结果表明,基于CNN的分割技术可作为一种可重复、半自动化的工具,用于区域地貌制图。所提出的工作流程通过提供定量空间评估、提升地图生成的一致性,以及为后续专家解读提供透明依据,从而弥补了依赖专家经验的制图方法的不足。