地理信息科学专业本科生综合性创新实验设计

权赫春， 房金鹏， 许 镇， 林哲浩

（1.延边大学地理与海洋科学学院，吉林延吉133002；2.黄河河务局，济南250011）

0 引 言

地理信息系统（Geographical Information System，GIS）学科是一门实践性很强的高新技术学科，因此，理论教学与实验教学的共同发展是GIS学科发展和人才培养的必由途径［1-2］；是集计算机科学、地理科学、测绘学、遥感学、环境科学等多学科为一体的新兴边缘学科。它不但与全球定位系统（GPS）和遥感（RS）相结合，构成3S集成系统，而且与CAD、多媒体、通信、因特网、办公自动化、虚拟现实等多种技术相结合，构成了综合的信息技术。地理信息科学专业跨自然、人文和技术三大领域，具有较强的综合性和专业技术性。

随着我国经济、社会和科学技术的发展，各企业对大学生的实践和创新能力提出了新的要求。《国家中长期教育改革和发展规划纲要（2010—2020年）》中指出：“优化知识结构，丰富社会实践，强化能力培养。着力提高学生的学习能力、实践能力、创新能力”。基于创新实验的创新实践教学对于提高学生综合素质、培养学生的创新精神与实践能力具有特殊的作用［3］。而高校对学生的培养历来以课堂教育为主，对学生创新和实践能力的重视不够［4］。学生在校所学知识和创新实践能力与企业、科研机构等要求相差甚远，经过一定的培训和再教育才能适应企业要求。

为了有效培养本科生创新实践能力，本文根据地理信息科学专业的特点，设计了基于无人机与3S技术的创新实验。试图通过该项创新实验的操作与完成，培养地理信息科学专业学生的创新与实践能力。

1 实验目的

掌握摄影测量学理论知识、无人机的拍摄和专用软件使用方法，了解相机校正、像点位移、控制点校正等处理及4D产品生成过程［5］；掌握GPS的使用方法、控制点和灾害点的定位方法；了解利用RS技术获取灾害信息、监督和无监督分类方法及土地利用图的制作过程，并掌握RS相关软件使用方法；掌握GIS的缓冲、地形分析、重分类、叠加等分析功能，了解利用GIS技术制作灾害因子图层和危险性区划图的过程；提高学生创新实践能力、动手能力和解决问题能力。

2 实验方案

以吉林省延边州为研究区域（见图1），基于无人机与3S技术，利用BP神经网络、信息量法等数学模型，进行泥石流灾害危险性评价。该实验主要包括：①利用无人机制作DOM（数字正射影像）、DEM（数字高程模型）等4D产品；②选择、量化及归一化处理泥石流灾害因子；③基于模型的危险性评价；④ 精度评价及绘制危险性区划图等4个部分，实验流程如图2所示。

图1 研究区域及泥石流灾害点分布图

图2 实验流程图

3 实验仪器和软件

仪器：雷凌SL700高精度航测无人机（见图3）、GPS、GIS数据采集仪、全站仪、计算机等。

图3 雷凌SL700高精度航测无人机

软件：Arcgis10.2（GIS数据处理软件）、PGSTEAMER（遥感数据处理软件）、Skyphoto-Super（无人机数据处理软件）、SkyPhoto-Map3D（三维测图软件）等。

4 实验步骤

4.1 利用无人机制作DOM和DEM

首先对局部地区进行地面像控点的布设，根据参考文献及实践经验，一般需要布设5～12个控制点。并利用全站仪或GPS对像控点进行联测。布设像控点之后，利用高精度航测无人机对研究区域进行拍摄。拍摄时主要考虑精度、拍摄比例尺、航摄分区的划分、航线敷设、航摄时间等问题［6］。其次，利用Skyphoto-Super软件对无人机相片进行处理，制作DEM和DOM。处理过程主要包括：相机、像控点、创建航带参数设置；控三匹配、评差解算、更新元数据；模型定向、影像自动匹配、匹配编辑、生成及拼接DEM；控三编辑、点云加密、DOM生成、DOM纠正及编辑［7］。

4.2 基于RS和GIS制作泥石流灾害因子图层

通过文献考察和灾害分析，选择高程、坡度、坡向、降水量、河流、地层岩性、土地利用类型、土壤类型、断层9个因子作为泥石流灾害的影响因子。其中高程、坡度和坡向图利用GIS空间分析功能和DEM数据生成。土地利用图利用RS技术中的监督分类法进行分类，分成森林、居民地、农业用地及河流4个种类［8-10］，并利用无人机影像生成的DEM和DOM数据进行编辑和纠正。其他数据从延边州数据库中获取。

通过ArcGIS10.2软件对9种影响因子进行状态等级划分，利用GIS分析功能统计各状态等级的泥石流灾害点比例，依据泥石流灾害点比例对影响因子的各状态等级赋值。

4.3 基于模型的泥石流灾害危险性计算

利用BP神经网络和信息量模型计算各影响因子间的相对权重。其中BP神经网络利用70%的随机训练数据进行训练，确定各因子的最佳权重［11-13］。本文以9种灾害相关因子作为输入变量，输入层节点个数为9。是否发生泥石流灾害为输出层，输出层节点个数为1，若发生泥石流灾害，输出因子为1，未发生泥石流灾害，输出因子为2。神经元之间的传递函数采用的是正弦S型传递函数，选取16组不同数据作为本研究输入层、隐藏层和输出层间的连接强度。利用RMSE分析各预测模型，寻找误差最小的的连接强度及隐藏层节点数。由误差分析图表明：误差最小的隐藏层节点数为18（见图4），误差最小的连接强度为0.3/0.7，确定最优模型为9-18-1结构。

图4 连接强度误差分析图

信息量模型不需要对影响因子的各状态等级赋值，直接计算各灾害相关因子不同状态等级的信息量值［14-15］。单独计算各因素对泥石流灾害发生事件提供的信息量Ixi（y，xi），在实际运算过程中可采取频率进行条件概率的估算，

式中：S为研究区内栅格单元总数；N为研究区内分布有泥石流灾害点的栅格单元数量；Si为研究区内含有评价因素xi的栅格单元数量；Ni为分布在因素xi内含有泥石流灾害点的栅格单元数量。通过上述公式计算各单元在各影响因子分别作用下的信息量值后，求和得到各栅格单元的信息量值。

4.4 基于GIS技术绘制泥石流灾害危险性区划图

为了泥石流灾害危险性区划，本研究根据BP神经网络计算的权重和信息量模型计算的信息量值，采用栅格数据叠置分析法进行了计算和分析。在栅格数据内部，叠加运算是通过像元之间的各种运算来实现的。设x1，x2，…，xn分别表示第1～n层上同一坐标属性值，f函数表示各层上属性与用户需求之间的关系，E为叠置后属性输出层的属性值，则

叠加操作的输出结果是各层属性数据的算术运算结果。在本研究中x1，x2，…，x9分别是高程、坡度、坡向、降水量、河流、地层岩性、土地利用类型、土壤类型、断层等灾害因子图层中栅格的属性值，f的运算方式是权重叠加运算法，结果E是泥石流灾害危险性值。结合信息量法和BP神经网络模型与GIS技术绘制的危险性区划图如图5和6所示。利用自然断点法将泥石流灾害危险性分为Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ5个等级，级别越高表明危险性越高。

图5 泥石流灾害危险性区划图（信息量模型）

图6 泥石流灾害危险性区划图（BP神经网络）

5 结果与讨论

5.1 信息量模型评价结果

由信息量值表明：在延边州当高程＜600 m，坡度为10°～45°，地层岩性为软弱岩层，年平均降水量在665～991 mm，距离断裂带距离小于4 000 m，距离河流距离小于500 m时，这部分影响因子的状态等级对泥石流灾害的发生贡献较大。总体而言，高降水量、软弱岩层以及临近断层、河流的区域泥石流灾害发生频率较高。

统计延边州泥石流灾害危险性各等级面积占延边州面积比例分别为18%、23%、20%、23%、16%。各危险等级泥石流灾害点比例分别为3%、5%、9%、27%、56%，各等级面积及灾害点比例图见图7。此结果与延边州历史泥石流灾害发生区域较为吻合，说明本次评价结果精确度较高。

图7 各等级面积及灾害点比例

5.2 BP神经网络模型评价结果

由人工BP神经网络模型分析得出的相对权重值表明：9种影响因子对泥石流灾害的影响为河流＞高程＞坡度＞坡向＞降水量＞土地利用类型＞断层＞土壤类型＞地层岩性。

各等级面积及泥石流比例如图8所示。危险性等级较高的区域主要分布在安图县北部、汪清县西部、敦化市北部、敦化市南部、和龙市东部、图们市北部、珲春市中部。

图8 各等级面积及泥石流比例

延边州泥石流灾害危险性等级图与泥石流灾害点相叠加并分析其吻合程度，延边州Ⅳ级危险区、Ⅴ级危险区与延边州泥石流灾害点吻合程度达到81%，这说明人工BP神经网络模型对于延边州地区的泥石流灾害危险性评价较为精确。

5.3 模型对比分析

两种模型的各等级灾害点与面积的比例如图9所示。通过两种模型预测的危险区域大致相同，但也存在着细微的区别。两种模型得到的高危险区域都为安图县北部、汪清县西部、敦化市北部及南部地区、和龙市东部和图们市北部。珲春市中部地区在人工BP神经网络模型的预测中为Ⅴ级危险区，在信息量模型的预测中主要为Ⅳ级危险区。分析其原因主要是，人工BP神经网络模型侧重于分析不同影响因子之间的关联，而信息量模型则主要考察同一个影响因子各分级状态之间的关联，这也是两种模型的内在区别。

图9 各等级灾害点与分级面积比例

6 结 语

通过无人机与3S技术设计的创新实验，学生们在完成整个实验过程中，了解到无人机的拍摄及4D产品的生成过程、控制点布设及GPS在控制点测量中的应用、基于遥感技术绘制灾害相关图层的过程、利用数学模型和GIS的空间分析功能相结合评价灾害危险性的整个流程。在实际操作过程中学生们还可以自主选择不同的数学模型、遥感分类方法以及选择多种类型的灾害相关图层，试图提高灾害危险性评价精度。该项试验使学生们对GIS、RS、GPS及摄影测量等所学专业知识的综合应用有了更深层次的了解，有效提高了地信科学专业学生的创新能力、动手能力和解决问题的能力，同时也引起了学生们对科研创新和专业知识的浓厚兴趣。