Page 26 - 《武汉大学学报（信息科学版）》2025年第6期

1048 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 6 月

练，提高识别训练效率，从而提高识别精度。 计算如下：
3.3 山顶点提取 ( ê ê ê éZ 11 ⋯ Z 1j ù ú ú )
ê
使用训练后的模型对研究区域进行预测，研 Z ( ) = MAX ê ⋮ ⋱ ⋮ ú ú ú ú （3）
ê
i,j
ê ê
究区域尺寸与训练数据尺寸相同或小于时为小 ëZ i1 ⋯ Z ij û
区域，反之为大区域，小区域可直接预测和提取， 式中， Z ( i，j ) 为区域内高程最大值，即山顶点； Z ij 为
大区域与训练数据尺寸相差过大时直接预测效 i × j 范围内某坐标下的高程值。
果并不理想，为了能使其预测与提取效果更加精
确，本文以大区域为例，展现其处理方法。
使用滑动窗口将大区域裁剪成与训练时数
据相同尺寸的小区域分别预测。在预测过程中
存在部分山顶区域被裁剪分开的情况：（1）分开
各部分均被识别成山顶点；（2）分开各部分均未
被识别成山顶点。在所有区域预测完成后进行
坐标转换与合并，形成大区域预测结果，并针对

以上两种错误情况分别进行合并与标识，如图 8
所示。得到大区域的正确山顶区域预测框后，将
标框映射到原始 DEM 数据中，运用局部极大值
方法计算标框内区域的高程矩阵，进行山顶点提
图 8 大区域处理
取，并记录山顶点坐标，最终得到区域内的山顶 Fig. 8 Large Area Treatment
点集合，流程图如图 9 所示。区域内高程最大值

图 9 山顶点提取流程图
Fig. 9 Flowchart of Peak Points Extraction

4 实验与分析 准确具体，并能够明显区分大、中、小 3 种山顶区

域。使用滑动窗口将 DEM 数据裁剪为 512×512
4.1 实验环境与参数设置 尺 寸 栅 格 数 据 制 作 数 据 集 ，裁 剪 区 域 重 叠 度 为
训练用样本特征数据集使用四川省及周边 20%。如果裁剪尺寸不满足 512×512，则使用填
山区 DEM 数据，数据源自地理空间数据云发布 补灰条的方式使其满足条件，共计 1 504 张。
的 ASTER GDEM V3 数 据 集（http：//www. gs‑ 预测使用四川省雅安地区 20 km 山区 DEM
cloud.cn），初始数据为 30 m 分辨率，通过插值算法 数据，因预测范围较大，使用滑动窗口将 DEM 数
分别生成 20 m 和 10 m 分辨率数据，并生成 200 m、 据同样处理为 512×512 栅格，对小区域分别进行
100 m、50 m 的等高线数据，通过制作不同分辨率和 预测，得到带有预测山顶区域的结果后，根据像
等高距进行对比分析，结果如图 10 所示。图 10（a） 素坐标进行坐标转换，将预测山顶区域与小区域
使用 30 m 分辨率和 200 m 等高距时山顶区域边界 进行合并，得到整体预测区域预测情况。针对部
模糊，损失较多细节特征；经过图 10（b）的改进后， 分裁剪边缘的山顶点区域会被分开的情况，对裁
细节更为丰富；最终使用图 10（c）中的 10 m 分辨率 剪边缘进行检查，如果存在山顶点区域，将不计
和 50 m 等高距，细节特征最为丰富，区域边界更加 入对比分析中。