利用监督分类和人工神经网络开发与优化山区形态多样性模型

山体形态为何重要

当我们思考保护自然时，通常会想到珍稀动植物。但承载它们的地表——悬崖、峡谷、山脊与河谷——在无声中决定了生命的分布。本文探讨如何以精确且自动化的方式衡量这种物理多样性，即形态多样性。以波兰皮耶宁山脉为研究对象，作者展示了包括人工神经网络在内的现代计算技术如何将高精度高程数据转换为可靠的地图，从而为保护与土地利用规划提供指导。

作为景观多样性试验场的山区

皮耶宁山脉横跨波兰与斯洛伐克边界，是一处面积紧凑却极具多样性的山地。陡峭的石灰岩悬崖、如著名的多奈茨河峡谷般的深切峡谷、较为平缓的弗利什（flysch）坡面、火山岩，以及平坦的盆地地带并置相邻。岩性与地形类型的混合形成了从阳光曝晒的峭壁到阴翳峡谷的多样栖息地，进而支持丰富的生物多样性。由于该地区已有详尽的测绘与研究，它成为测试新方法的理想“实验室”，能够量化地图或观景点难以直观判断的景观多样性。

从原始高程到可量化的地形多样

研究以高分辨率数字高程模型为起点，对地表进行细致的三维描述。从中导出七个基本地形要素：高程、坡度、坡向（坡面朝向）、两类曲率（表面弯曲方式）、局部高差以及岩石裸露情况。随后在区域上覆盖数千个规则六边形网格单元。在每个单元内，计算机衡量这些地形要素在像素间的变化程度。方法不是简单统计存在多少种“地貌类型”，而是把变化本身作为信号：单元内高度、陡峭程度或朝向的变化越大，该单元的形态多样性越可能更高。

训练数字分类器识别复杂地形

为了将这些数值转换为有意义的地图，研究采用监督分类与人工神经网络——这类计算模型受大脑学习模式的启发。专家首先标注示例单元为明确的“形态多样”（崎岖峰顶、岩质山脊、深切峡谷、壮观的峡壁）或“非形态多样”（平坦的河谷底、湖面、宽广缓坡）。这些带标签的样本教会神经网络哪些高程、坡度与其它要素的组合通常对应复杂地形。训练完成后，网络会为区域内每个单元分配一个概率值，表示其属于形态多样类别的可能性。结果是一幅连续的地图，随后可按直观等级将其分为从极低到极高的形态多样性类别。

修剪数据以保留真正重要的因素

早期方法常将许多地形指标简单相加，导致相同信息被重复计入，模糊了实际差异。本文通过将神经网络与全局敏感性分析相结合来应对这一问题，这种技术检验每个输入对预测精度的实际贡献。通过逐步“关闭”变量并追踪模型误差的变化，作者识别出哪些要素提供了实质信息、哪些则大多冗余。优化后的模型表明，仅少数因素——单元内高度差、整体高程、坡度、坡向格局以及岩石裸露情况——就足以捕捉形态多样性的基本结构。即便去除低价值输入，简化模型仍能与完整模型高度一致，相关系数高达0.96–0.98。

结果对自然保护的意义

精炼后的模型，尤其是 RCMSC–ANN–M 版本，生成的地图与地貌学家对皮耶宁景观的理解高度一致。它不仅突出了壮观的高脊与峡壁，还标识出山谷侧坡与前山中可能被忽视的形态复杂区域。由于该方法基于广泛可得的高程数据和一组精简的关键变量，它可以推广到世界其他山地地区。对于保护规划者而言，这提供了一种客观方式来定位和比较支撑生物多样性与景观价值的“地质富集”区域，有助于确定保护、旅游管理或详细野外调查应优先关注的地点。

引用: Bartuś, T. Development and optimization of a morphodiversity model for mountainous areas using supervised classification and artificial neural networks. Sci Rep 16, 6009 (2026). https://doi.org/10.1038/s41598-026-36326-3

关键词: 地貌多样性, 形态多样性, 山地景观, 神经网络, 地质保护