基于DEM的内流区河网提取算法研究

摘要

内流区作为一种独特的地理区域类型，分布范围广泛。因特殊地理环境导致其与外流区存在种种差异，使内流区域具有重要的研究价值。流域汇流河网不仅是地形地貌的重要骨架，也对地表能量、物质的分布具有重要的控制作用。因此，内流区河网提取是进行内流区水文及地形地貌相关研究的重要步骤。而目前基于数字高程模型，以外流区汇流模式为理论基础的河网提取方法并不适用于内流区。填洼及平地处理等一系列数据预处理步骤破坏了内流区独特的地形结构，导致无法提取准确合理的汇流网络。鉴于以上问题，本文以地形自适应的河网提取算法为基础，针对内流区河网提取的相关问题，提出改进方法，以满足内流区河网提取的需要。本文具体研究内容及结论如下:
　　1.内流区河网提取算法的设计与实现
　　内流区与外部环境没有水文联系，其成因复杂（地形与气候等）。但内流区洼地特征决定了内部河流无法流至海洋，只能最终汇集于洼地形成尾闾湖。而以填洼为前提的传统河网提取算法显然无法应用于内流区。因此，本文基于R&N算法提出了能够自适应处理洼地的改进算法。通过理论分析及实验，证明R&N算法存在提取结果依赖于栅格遍历顺序的问题，影响提取结果的稳定性。因此，本文提出基于水量同步更新策略的改进算法（SU-TFM-md算法）。通过将水量更新延迟的方法，使所有栅格同步更新水量，消除水量即时更新带来的计算不一致性。实验结果表明，本文改进方法能够有效的消除栅格遍历顺序对提取结果的影响。本文选择多个青藏高原内流流域为实验样区，与D8及MFD-md算法提取结果对比表明，本文算法能够较为准确地表达内流区湖泊，提取平坦地形区域的河道，生成的河网也更符合地形特征。
　　2.基于GPU的并行算法设计与实现
　　SU-TFM-md算法需要大量迭代模拟水流的不断流动，计算耗时巨大，因此需要并行计算提高效率。本文选择适宜数据并行的GPU作为本研究并行计算硬件平台。通过SU-TFM-md算法的水量同步更新策略，解决了因CUDA线程的随机调度机制与R&N算法中栅格遍历顺序冲突而导致的提取结果不一致及边界效应问题。本文根据线程块配置、寄存器及共享内存优化核函数性能，结果表明:使用GTX1080ti显卡，当线程块配置为16×16时，并行程序速度最快;核函数性能受延迟限制，通过减少寄存器使用而增大占用率的方法，反而会因寄存器溢出到本地内存而使性能受损。选择不同数据量DEM进行并行效率测试，结果表明，并行算法效率优势明显。使用3584个GPU核心的并行算法对比使用CPU单核心串行算法，能够达到300左右的加速比，
　　3.算法参数选取方法
　　初始水量及迭代终止条件是影响SU-TFM-md算法提取结果的重要因素。实验结果表明，初始水量对算法在内流区提取结果没有显著影响，相对来说，迭代终止条件更为重要。与外流区不同，内流区不应采用固定水量作为迭代终止条件，内流区洼地地形会造成水量无法快速收敛。实验结果表明，迭代次数大于500时，提取河网区域稳定。

目录

声明

摘要

图目录

表目录

第1章 绪论

1．1．1 选厦背景

1．1．2 研究意义

1．2 国内外研究现状

1．2．1 流向算法

1．2．2 特殊地形预处理

1．2．3 数据无预处理的河网提取方法

1．2．4 并行河网提取算法

1．2．5 研究现状小结

1．3 研究目标与内容

1．3．1 研究目标

1．3．2 研究内容

1．4 研究方法与技术路线

1．4．1 技术路线

1．4．2 实验平台

1．5 论文组织结构

第2章 研究基础

2．1 研究样区概况及实验数据

2．1．1 研究样区概况

2．1．2 实验数据说明

2．2 本章小结

第3章 内流区流域地形特征及河网提取算法

3．1 内流区地形及汇流特征分析

3．2 算法设计与实现

3．2．1 算法原理

3．2．2算法设计

3．2．3算法实现

3．3 参数设定方法

3．3．1 迭代终止条件

3．3．2 初始水量

3．4 提取结果分析

3．5 本章小结

第4章 内流区河网提取并行算法研究

4．1．2 CUDA平台并行计算特征

4．2 SU-TFM-md算法并行性分析

4．3 并行算法实现与性能优化

4．3．1 并行SU-TFM-md算法设计与实现

4．3．2 性能分析及优化

4．4 实验结果分析

4．4．1 并行算法稳定性

4．4．2 并行算法效率

4．5 本章小结

第5章 实验结果分析与评价

5．1 不同算法提取结果对比分析

5．2 不同分辨率对算法提取结果的影响

5．3 本章小结

第6章 结论与展望

6．1 主要工作及结论

6．2 研究展望

附录

参考文献

在读期间科研成果

致谢