基于BP神经网络的黄土侵蚀沟自动提取方法.pdf

2097-3012(2023)02-0193-09 Journal of Spatio-temporal Information 时空信息学报 收稿日期:2023-04-18；修订日期:2023-07-31 基金项目:国家自然科学基金面上项目（41671455）作者简介:周建，研究方向为环境地质。E-mail: 通信作者:闫超德，研究方向为地图制图和地理空间分析等。E-mail: 基于 BP 神经网络的黄土侵蚀沟自动提取方法 周建1，陈柯如2，闫絮3，徐吉坤2，闫超德2，冯虎贲1，李紫薇2 1.河南省第四地质矿产调查院有限公司，郑州 451464；2.郑州大学 黄河实验室，郑州 450001；3.河南工程学院 电气信息工程学院，郑州 451191 摘 要：黄土侵蚀沟信息是研究沟壑地貌土壤侵蚀的重要依据，而目前遥感影像提取方法中存在沟沿陡边的遮挡问题，由此，本文研究了一种基于反向传播神经网络的自动提取方法。首先，利用数字高程模型，基于黄土侵蚀沟的特征分析，选取横向坡度、坡度变率、坡向变率、地形起伏度、地表切割深度、高程变异系数和地表粗糙度作为地形特征因子，通过沟谷网络的计算，制作黄土侵蚀地貌的训练样本数据集；然后，基于反向传播神经网络模型的训练实验，选择 Trainbr 作为神经网络模型的学习算法；最后，应用侵蚀沟地貌的神经网络模型对测试数据集进行提取实验，并与随机森林和支持向量机方法进行比较。结果表明，本文方法的准确率好于其他方法，漏分情况相对较少，可以满足黄土冲沟信息的高效与准确提取需求。关键词：地貌识别；黄土侵蚀沟；BP 神经网络；地形特征因子；机器学习 引用格式：周建,陈柯如,闫絮,徐吉坤,闫超德,冯虎贲,李紫薇.2023.基于 BP 神经网络的黄土侵蚀沟自动提取方法.时空信息学报,30(2):193-201 Zhou J,Chen K R,Yan X,Xu J K,Yan C D,Feng H B,Li Z W.2023.Automatic extraction method of loess erosion gullies based on BP neural network.Journal of Spatio-temporal Information,30(2):193-201,doi:10.20117/j.jsti.202302005 1 引 言 地形的科学表达与分析是地理学的核心研究命题，也是测绘学、地图学及地貌学研究的热点（汤国安，2014）。地形分类对于表达相应的地形特征、揭示地貌形成机制、揭示地貌演化过程都具有重要作用（杜琳等，2020）。黄土侵蚀地貌由于其结构及演化的复杂性，一直是地貌研究的重点。黄土侵蚀沟是黄土侵蚀地貌中最有活力、最具变化的地貌单元，也是研究沟壑地貌土壤侵蚀的重要依据（那嘉明等，2016）。传统黄土侵蚀沟的提取大多基于地形图和航空影像的视觉解释与野外调查完成，但是这种方法依赖于专家知识，并且地貌的识别和分类耗时耗力且成本很高（Smith，2011；Wang 等，2010）。随着遥感技术的发展，遥感影像以多时相、低成本的特点被广泛应用于侵蚀沟相关研究中。蒲罗 曼等（2016）利用不同分辨率的多源遥感数据对侵蚀沟进行了定性分析，并结合野外调查实地验证；李镇等（2019）将高分遥感影像与地形数据相结合，采用目视解译法提取了侵蚀沟沟长、沟宽等形态参数值；陈单等（2016）基于 Pleiades 遥感影像建立侵蚀沟解译标志，提取细沟和浅沟，并分析了其分布特征及发育状况。随着高分辨率影像的普及，面向对象分析方法得到发展，在滑坡信息提取、地貌形态分类等诸多领域得到应用（Meng 等，2018；Mukul 等，2017），部分研究开始将面向对象方法应用于侵蚀沟信息的提取中（陈靖涛等，2022；王舒，2019）。但是，基于遥感影像数据提取侵蚀沟会受到沟沿陡边的遮挡影响，部分侵蚀沟的提取效果并不理想。同时，侵蚀沟提取的自动化程度和效率依然差强人意。近年来，机器学习已经成为地貌研究领域中主流的研究方向。机器学习算法具有从多个194 Journal of Spatio-temporal Information 时空信息学报 2023,30(2)数据源提取信息的能力，影像中提取的地表光谱和从数字高程模型中获得的形态特征，可以通过最大似然方法用于数据训练并进行融合，这种方法可以应用于地貌研究（Heung 等，2016；Jamieson 等，2004）。周访滨等（2021）提出了栅格 DEM 微地形分类的卷积神经网络方法；Li 等（2020）提出了一种基于数据链的网络结构，在黄土高原研究区内建立地貌特征数据集，通过训练来学习地形特征；丁浒（2019）基于深度学习的地形特征构建微地貌提取方法，以黄土微地貌提取为实例进行了研究。针对遥感提取方法中沟沿陡边的遮挡问题，考虑地貌形态特征和地貌过程之间存在的紧密的关系（汤国安等，2017；张鹏，2018），顾及数字高程模型（digital elevation model，DEM）数据具有空间连续、可靠性高、隐含丰富地貌特征的优势，结合反向传播（back propagation，BP）神经网络在沟谷提取方面的良好效果（陈楠等，2006），本文利用 DEM 数据，研究一种基于 BP 神经网络的黄土侵蚀沟地貌自动提取方法。2 研究区概况 研究区选择在陕西省延安市安塞区，该区域属陕北黄土高原丘陵沟壑区，地处内陆黄土高原腹地，鄂尔多斯盆地边缘，位于陕西省北部，延安市正北，西毗志丹县，北靠榆林市靖边县，东接子长市，南与甘泉县、宝塔区相连。介于 1085 10926E，36303719N 之间，总面积 2950 km2，约占延安市总面积的 8%。安塞区地貌复杂多样，境内沟壑纵横、川道狭长、梁峁遍布，由于受漫长的流水、风力、重力等侵蚀作用，加之不合理的土地利用，质地深厚的黄土地貌变成了由南向北呈梁、峁、塌、湾、坪、川等的复杂地貌，特点是山高、坡陡、沟深，相对高度约 200300 m。有大小峁 3169 个，最高海拔为1731.1 m（镰刀湾乡高峁山），最低海拔为 1012 m（沿河湾镇罗家沟），平均海拔为 1371.9 m，城区海拔为 1061 m（威巍，2020）。研究区地理位置及DEM，如图 1 所示。图 1 研究区地理位置及 DEM Fig.1 Location and DEM of the study area 3 研究方法 基于 BP 神经网络自动提取黄土侵蚀沟地貌的基本思想是：基于黄土侵蚀沟的特征分析选择黄土侵蚀沟识别的关键因子；通过黄土侵蚀地貌训练样本数据选取、BP 神经网络结构设计、BP 神经网络模型的训练获取侵蚀沟地貌的网络模型，并应用其 对黄土高原侵蚀沟地貌进行识别提取。3.1 黄土侵蚀沟的特征及其关键识别因子 3.1.1 黄土侵蚀沟的特征 黄土沟壑多呈树枝状或格状分布，底部狭窄，深可达数十米。冲沟长度在几十米到几百米不等，周建 等：基于 BP 神经网络的黄土侵蚀沟自动提取方法 195 沟谷纵比降上游陡，下游缓，上游横剖面多呈宽“V”形，中下游多呈“U”形，纵剖面与地形坡面完全不一致，多呈阶梯状，沟壁陡直，总剖面呈阶梯状。安塞区黄土沟谷在正射影像上多呈现出明显的楔状、巷状或掌状等，沟缘明显，整个冲沟内没有植被，或仅有当年生植物存在。3.1.2 黄土侵蚀沟识别的关键因子 地形因子是对黄土高原地貌形态进行定量化描述的基本参数，既与地貌形态相对应，又是其抽象表达形式，不同的地形条件则需要用多种地形特征因子来共同组合表达。基于黄土侵蚀沟的特殊形态特征，研究选取了横向坡度、坡度变率、坡向变率、地形起伏度、地表切割深度、地表粗糙度和高程变异系数7种关键因子作为BP神经网络的输入，构建黄土侵蚀沟的神经网络识别模型。3.2 BP 神经网络模型的构建 BP 神经网络是一种前馈型神经网络，按照误差逆向传播算法进行训练（刘晓，2020）。BP 神经网络通常由输入层、隐含层和输出层三层组成，如图 2 所示。在这三层结构中均分布有一定数量的神经元，每一层神经元之间互不相连，但相邻层中的神经元之间会以加权的方式相互连接（周访滨等，2019），最终构成网络。图 2 BP 神经网络结构图（Yan 等，2022）Fig.2 BP neural network structure 3.2.1 黄土侵蚀地貌训练样本数据选取 本文将侵蚀沟的提取抽象为二值分类，数字 1表示是侵蚀沟，数字 0 表示非侵蚀沟。由于现存的公开数据集缺乏精确定位的黄土侵蚀沟数据，为选取可靠样本，准确地给特征数据附标签，研究中首先基于先验知识，顾及沟沿特征提取沟谷网络，从而识别沟谷区域，辅助选取样本。将沟谷点附标签“1”，非沟谷点则附标签“0”，从侵蚀沟地形特征表现出发，选取并计算样本特征描述因子，作为 BP神经网络的输入。1）顾及沟沿特征的沟谷网络提取 根据水文学原理提取沟谷网络的算法已较为成熟，其基本思想是通过模拟地表径流的流动过程确定流域的汇水线，设置汇流阈值得到最终的沟谷网络（王厚玲，2022）。沟谷网络提取流程包括生成无洼地 DEM、计算水流方向、计算汇流累积量和生成沟谷网络四个主要内容。其中，阈值的设立是关键，通过分析安塞区侵蚀沟特征发现，当阈值设置为 500 时，细沟、浅沟较为明显，沟谷长度变化不显著，且平行河网有明显减少。按照水文学原理初步提取的研究区局部沟谷线结果，如图 3 所示。图 3 沟谷线初步提取结果局部示意图 Fig.3 Partial schematic of preliminary extracted results of valley lines 基于 DEM 的沟沿线提取方法中，利用坡面畸变邻域判断法进行沟沿线提取具有一定普适性，提取结果稳定且精度较高，因此，选用该方法提取沟沿线。坡面畸变邻域判断法的原理为：利用沟沿线两侧地形存在较大的高程变化和坡度转折现象，利用合适的分析窗口对原始 DEM 进行均值邻域分析，将原始 DEM 与均值邻域分析结果相减，提取值大于 0 的栅格，即正地形区域。进一步对正地形 196 Journal of Spatio-temporal Information 时空信息学报 2023,30(2)进行整饰，转换为线状数据，删除流域边界部分，即得到沟沿线，如图 4 所示。按照位置属性，不包含在沟沿线图层以内的沟谷线要素即为伪沟谷（图 5），将这些要素剔除，即得到相对精确的沟谷网络，如图 6 所示。经统计发现安塞区共有 8344条沟谷，剔除伪沟谷 285 条，最终提取出 8059 条沟谷，沟谷样本将从这些区域选取。2）沟谷样本的选择 根据顾及沟沿特征提取的沟谷网络，得到沟谷分布区域，在对应的DEM 栅格区域选择沟谷样本。选择研究区内3 个样本流域（图 7（a）。将其中两个流域内的像素点作为训练样本区 1、训练样本区 2，共计 21897个点，包括11897个沟谷点和10000个非沟谷点。将1 个流域作为测试样本区，如图7（d）所示，共计12087 个点，包括8087 个沟谷点和4000 个非沟谷点。图 4 沟沿线示意图 Fig.4 Schematic along gully lines 图 5 伪沟谷示意图 Fig.5 Diagram of the false gully 3.2.2 BP 神经网络结构设计 建立合适的 BP 神经网络结构模型包括确定网络层数、神经元数、传递函数和学习算法等，再将所选样本的特征数据和对应类别标签输入到所构建的模型，最后把具有学习经验的神经网络应用到研究区。1）网络层数 常见的 BP 神经网络由输入层、一个隐含层和输出层构成，BP 神经网络可以具有多个隐含层，模型的分类精度可能会随着层数增加而提高，但复杂的网络会导致较长的拟合周期，甚至存在过拟合 情况的发生（熊贤成等，2015）。结合本实验样本数据特点，最终选择标准的三层 BP 神经网络模型。2）神经元数目 输入层与输出层的神经元数目需要根据样本实际情况确定，将前文所述选择的 7 个侵蚀沟特征因子值作为输入，每一条输入数据均对应一个输出，即是否为侵蚀沟地貌（1 或 0），因此确定输入层神经元数目为 7，输出层神经元数目为 1。隐含层神经元数目关系到模型分类精度和训练速度。神经元数过少会导致模型效果差，增加神经元数目可以得到更理想的训练效果，但过多的神经元数会增 周建 等：基于 BP 神经网络的黄土侵蚀沟自动提取方法 197 图 6 最终提取沟谷网络 Fig.6 Final extraction of the gully network 加模型拟合时间甚至出现过拟合情况。针对神经元数目的确定目前尚无明确标准，研究以式（1）计 算得出的神经元数范围 313 展开多次实验，根据BP 神经网络模型性能最终确定神经元数目：,0,1,2,10mnl L （1）式中，m为隐藏层神经元数；n为输入层神经元数；l为输出层神经元数；为 010 的整数。3）传递函数 BP 神经网络的传递函数必须是处处可微的，通常使用 S 型对数函数或正切函数（如 LogSig、TanSig）和纯线性函数（如 Purelin）。3.2.3 BP 神经网络模型的训练 由于网络结构和学习算法与神经网络训练性能紧密相关，训练中采用控制变量法，测试不同学习算法、不同隐含层神经元数和传递函数的模型训练效果。其中，将其他参数都设为相同，如神经网络层数为 3、学习速率 0.05 等。对每种组合进行 10次实验，统计准确率、F1 得分与训练时间，并取 图 7 样本数据分布 Fig.7 Distributions of the sample data 198 Journal of Spatio-temporal Information 时空信息学报 2023,30(2)10 次结果的平均值。选择 13 种改进的学习算法，设置初始隐含层神经元数为 10，在隐含层使用TanSigmoid 作为传递函数，在输出层使用 Purelin作为传递函数。不同学习算法对应的训练结果，如表 1 所示。表 1 不同学习算法对应训练结果 Tab.1 Training results corresponding to different learning algorithms 算法名称 平均准确率/%平均 F1 得分 平均训练时间/sTrainlm 92.93 0.95 16.37 Traingd 92.31 0.92 205.79 Traingda 91.24 0.89 3.47 Traingdm 92.52 0.93 197.84 Traingdx 92.23 0.92 4.05 Trainrp 91.80 0.94 39.32 Traincgf 91.70 0.93 29.22 Traincgb 91.94 0.94 29.32 Trainscg 91.69 0.93 14.79 Trainbfg 92.17 0.93 15.22 Trainoss 92.25 0.93 31.50 Trainbr 93.49 0.95 9.35 Traincgp 92.50 0.93 30.14 Trainlm、Trainbr、Trainrp、Traincgb 这四种学习算法的 F1 得分在黄土冲沟的识别均达到 0.94 以上；在模型整体准确率方面，表现较好的算法是Trainbr、Trainlm和Traingdm；在耗时方面Traingda、Traingdx 和 Trainbr 的时长较短。综合分析，选择BP 神经网络模型的学习算法为 Trainbr。选择 Trainbr 算法对网络隐含层神经元个数进行优化实验，不同神经元数对应的 F1 得分和准确率，如表 2 所示。表 2 不同神经元数对应训练结果 Tab.2 Training results for different number of neurons 神经元个数 准确率/%F1 得分 3 92.30 0.92 4 92.58 0.94 5 91.57 0.91 6 92.47 0.93 7 92.56 0.94 8 93.50 0.94 9 92.59 0.94 10 93.60 0.95 11 93.16 0.94 12 93.05 0.94 13 93.55 0.95 当神经元数为 8、10、13 时，模型识别黄土冲沟的 F1 得分排在前面。相较于其他神经元数量，尤其在准确率方面，这三种神经元数目相对应的神经网络模型精度均达到 93.50%以上。因此基于神经元数目为 8、10 和 13 结合不同隐藏层传递函数的组合进行优化实验，确定最终网络模型的隐藏神经元个数及传递函数的选取。由表 3 可知，当神经元数为 10 时，神经网络模型在不同传递函数组合情况下均能达到较高的准确率，当神经元数为 13 时，虽然模型也有良好的训练效果，但是考虑到神经元个数增加必然导致模型训练时间变长，因此最终选择设定隐含层神经元个数为 10。学习算法为贝叶斯正则化算法，在隐含层和输出层均选择双曲正切Sigmoid 函数 TanSig 作为传递函数的三层 BP 神经网络结构，用尽量简单的结构获得最好的训练效果。基于 BP 神经网络的侵蚀沟自动提取模型结构，如图 8 所示。表 3 不同传递函数组合对应模型准确率 Tab.3 Model accuracy corresponding to different combinations of transfer functions 传递函数1传递函数2不同神经元数对应的准确率/%8 10 13 TanSig TanSig 93.35 93.53 93.26 Purelin 93.18 93.20 93.15 LogSig TanSig 93.04 93.37 93.69 LogSig 78.65 82.36 75.89 Purelin 92.56 92.76 93.20 图 8 基于 BP 神经网络侵蚀沟自动提取模型结构 W 为权重；b 为偏置项 Fig.8 Final structure of the BP neural network model 4 精度评价及讨论 将测试集分别运用于随机森林和支持向量机（support vector machine，SVM）两种常用方法中，对比本文方法识别黄土地貌的结果精度，三种方法提取结果的局部对比，如图 9 所示。三种方法与真实冲沟网络数据相比，均出现漏分情况，但本文方法在研究区侵蚀沟测试集的表现要好于其他方 周建 等：基于 BP 神经网络的黄土侵蚀沟自动提取方法 199 图 9 三种方法提取结果的局部对比 红色圆圈表示遗漏冲沟 Fig.9 Local comparison of three extraction methods 法，识别结果连续性与完整性更好，漏分情况相对较少。在进行精度评价时，本文采用总体准确率与 F1得分相结合的方法，总体准确率与 F1 得分越高，表明模型提取效果越好。计算不同方法的分类精度混淆矩阵，得到各个模型的精确率、召回率、总体准确率和 F1 得分情况，如表 4 所示。本文方法的总体准确率可达到 93.6%，F1 得分达 0.95，在研究区侵蚀沟的提取效果最好。基于 SVM 的侵蚀沟提取模型的精确率达 94.7%，略高于本文方法，但总体准确率为 91.5%，说明该模型识别研究区侵蚀沟的能力稍弱。表 4 三种方法的实验精度对比 Tab.4 Experimental accuracy comparison of three methods 精确率/%召回率/%总体准确率/%F1 得分本文方法 94.4 95.9 93.6 0.95 随机森林 88.9 93.2 88.3 0.91 SVM 94.7 92.8 91.5 0.94 研究表明，基于 BP 神经网络的侵蚀沟自动提取模型构建及训练中，本文构建的特征因子可以较好地表达黄土侵蚀沟的地形特征，同时，设计的网络结构较合理，选取的参数较为合适。但是，本文方法在测试集的精度稍高于训练集，可能是因为训练集选自两个不同流域，样本数量与地物组成结构存在一些差异，这表明 BP 神经网络的稳定性有待进一步加强，需要更多的样本进行训练，以提升稳定性。5 结 论 本文研究了基于 BP 神经网络的黄土侵蚀地貌自动提取的方法。首先，通过提取顾及沟沿特征的沟谷网络确定沟谷点的分布位置并选取样本数据，将 7 种特征描述因子计算值作为输入；然后，确定 BP 神经网络模型结构参数并对学习算法进行优选，通过参数调整等实验得到性能最优的侵蚀沟自动提取模型；最后，将所构建的模型迁移至测试集进行性能测试。结果表明，本文提出的侵蚀沟特征因子可以较好地反映侵蚀沟地形特征，构建的 BP神经网络模型可以较好地实现研究区侵蚀沟自动提取。后续将增加研究区域，将方法应用至其他研究区进行实验与优化，可考虑提取整个黄河中上游200 Journal of Spatio-temporal Information 时空信息学报 2023,30(2)的黄土侵蚀地貌，以实现对大范围的典型侵蚀沟变化监测与分析。参考文献 陈单,张树文,王让虎,蒲罗曼,常丽萍,杨久春.2016.基于Pleiades 影像的东北黑土区沟蚀分异特征研究.东北师大学报(自然科学版),48(4):138-144 陈靖涛,史明昌,罗志东,程复,杨瑾.2022.基于双向地形阴影法的黄土侵蚀沟自动提取技术.农业工程学报,38(7):127-135 陈楠,王钦敏,汤国安,赵元伟.2006.基于 BP 神经网络自动提取沟谷研究.中国水土保持科学,4(5):30-34 丁浒.2019.融合地形特征的影像深度分割方法研究以黄土微地貌为例.博士学位论文.南京:南京师范大学 杜琳,王光霞,李科.2020.基于深度学习的多模态地貌识别算法研究.测绘与空间地理信息,43(8):21-25 李镇,秦伟,齐志国,尚国琲,马庆涛,郭乾坤,殷哲.2019.东北漫川漫岗和山地丘陵黑土区侵蚀沟形态特征遥感分析.农业工程学报,35(14):133-140 刘晓.2020.基于机器学习的河网自动综合方法研究.硕士学位论文.郑州:郑州大学 那嘉明,杨昕,李敏,丁浒,汤国安.2016.黄土高原切沟地貌学研究述评.地理与地理信息科学,32(4):68-75 蒲罗曼,张树文,王让虎,常丽萍,杨久春.2016.多源遥感影像的侵蚀沟信息提取分析.地理与地理信息科学,32(1):90-94 汤国安.2014.我国数字高程模型与数字地形分析研究进展.地理学报,69(9):1305-1325 汤国安,那嘉明,程维明.2017.我国区域地貌数字地形分析研究进展.测绘学报,46(10):1570-1591 王厚玲.2022.基于 GIS 的干热河谷区侵蚀沟空间集聚分布及敏感性制图.硕士学位论文.南充:西华师范大学 王舒.2019.基于面向对象分析的无人机影像侵蚀沟提取研究.硕士学位论文.西安:西安科技大学 威巍.2020.黄土堆积坝渐进剪切破坏特性研究.硕士学位论文.西安:长安大学 熊贤成,杨春平,敖明武,郭晶,曾丹丹.2015.基于BP神经网络的云相态检测方法研究.遥感技术与应用,30(4):714-718 张鹏.2018.黄土丘陵沟壑区沟谷线提取及其区域差异性研究.硕士学位论文.西安:西北大学 周访滨,邹联华,刘学军,孟凡一.2021.栅格 DEM 微地形分类的卷积神经网络法.武汉大学学报(信息科学版),46(8):1186-1193 周访滨,邹联华,张晓炯,孟凡一.2019.栅格 DEM 微地形分类的BP 神经网络法.测绘通报,(10):101-104,132 Heung B,Ho H C,Zhang J,Knudby A,Bulmer C E,Schmidt M G.2016.An overview and comparison of machine-learning techniques for classification purposes in digital soil mapping.Geoderma,265:62-77 Jamieson S,Sinclair H D,Kirstein L A,Purves R S.2004.Tectonic forcing of longitudinal valleys in the Himalaya:Morphological analysis of the Ladakh Batholith,North India.Geomorphology,58:49-65 Li S J,Xiong L Y,Tang G A,Strobl J.2020.Deep learning-based approach for landform classification from integrated data sources of digital elevation model and imagery.Geomorphology,354:107045 Meng X,Xiong L Y,Yang X W,Yang B S,Tang G A.2018.A terrain openness index for the extraction of Karst Fenglin and Fengcong landform units from DEMs.Journal of Mountain Science,15(4):752-764 Mukul M,Srivastava V,Mukul M.2017.Out-of-sequence reactivation of the Munsiari thrust in the Relli River Basin,Darjiling Himalaya,India:Insights from Shuttle Radar Topography Mission digital elevation model-based geomorphic indices.Geomorphology,284:229-237 Smith M J.2011.Digital mapping:Visualisation,interpretation and quantification of landforms.Developments in Earth Surface Processes,15:225-251 Wang D M,Laffan S W,Liu Y,Wu L.2010.Morphometric characterisation of landform from DEMs.International Journal of Geographical Information Science,24(2):305-326 Yan C D,Liu X,Boota M W,Pan Z W.2022.A comparison of machine learning methods applied to the automated selection of river networks.The Cartographic Journal,59(3):187-202 Automatic extraction method of loess erosion gullies based on BP neural network ZHOU Jian1,CHEN Keru2,YAN Xu3,XU Jikun2,YAN Chaode2,FENG Huben1,LI Ziwei2 1.Henan Fourth Geological and Mineral Investigation Institute Co.,Ltd.,Zhengzhou 451464,China;2.Yellow River Laboratory,Zhengzhou University,Zhengzhou 450001,China;3.School of Electrical and Information Engineering,Henan University of Engineering,Zhengzhou 451191,China Abstract:Whether it pertains to soil and water conservation and management across the loess plateau or the formulation of scientific plans for ecological preservation within the Yellow River Basin,clarifying the spatial distribution and changes associated with loess erosion gullies remains imperative.Despite the existence of prior research regarding the extraction of loess erosion landforms,the 周建 等：基于 BP 神经网络的黄土侵蚀沟自动提取方法 201 accuracy and efficiency of erosion gully extraction processes continue to be unsatisfactory.This paper takes the loess erosion landform in Ansai District,Yanan China,situated in the upper reaches of the Yellow River,as a case study.The study focuses on a method of extracting loess erosion gullies based on BP neural network,with the goal of achieving automated extraction of loess erosion gully landform.The method uses digital elevation model(DEM)data as its foundational dataset and selects lateral slope,slope variation rate,aspect variation rate,terrain undulation,surface cutting depth,elevation variation coefficient,and surface roughness as terrain features.These features are selected through an analysis of the characteristics of loess erosion gullies.To produce the training sample data of loess erosion landform,the gully network is extracted based on the Hydrology principles.Subsequently,the thalweg line is extracted using the slope distortion neighborhood judgment method.By considering the spatial relationship between the gully line and the thalweg line,pseudo gullies are removed to obtain a relatively accurate gully network,which serves as the basis for selecting gully samples.This study selects three sample watersheds within the research area,utilizing the pixels in two of them as training samples.The two training samples have a total of 21897 points,including 11897 gully points and 10000 non gully points.Using one watershed as the test sample,a total of 12087 points were identified,including 8087 gully points and 4000 non gully points.The network layer of the BP neural network structure is designed as 3 layers.Through training experiments of the BP neural network model,considering F1 score,accuracy,and time-consuming performance,the function Trainbr is selected as the learning algorithm of the BP neural network model.After evaluating F1 scores and accuracy corresponding to different number of neurons,set the number of neurons in the hidden layer to 10,and select the hyperbolic tangent sigmoid function TanSig as the transfer function for both the hidden layer and the output layer.The neural network model of erosion gully landform is applied to extract loess erosion gully landform from the test data set,and its performance is compared with Random Forest and Support Vector Machine methods.Through the comparison of test sample extraction results,it is evident that all three models have missed points when compared to actual gully network data.However,the automatic extraction model based on the BP neural network performs better in the erosion gully test set of the research area than other methods,with better continuity and integrity of recognition results and relatively fewer missed points.The overall accuracy of the erosion gully automatic extraction model,utilizing the BP neural network,attains