1.一种基于DEM和深度学习的虚拟喀斯特地貌场景构建方法，其特征在于：包括以下步骤：S1、获取喀斯特地貌的DEM数据，对DEM进行洼地填充、流向计算以及汇流量计算，然后选择流量阈值提取山谷线；

S2、使用高程最大值与原始DEM相减得到反地形数据，然后进行洼地填充、流向计算以及汇流量计算，然后选择流量阈值提取山脊线；

S3、通过判断山脊线和山谷线的交点提取鞍部点；

S4、使用最大值邻域窗口分析法提取研究区域内的山顶点；

S5、计算研究区内DEM地形的正、负开度，将两者相减，基于最佳分割阈值对差值结果进行分割获得二值图像，提取其界线，即为坡脚线；

S6、将步骤S1至S5获取的鞍部点、山顶点以及坡脚线数据重分类为0‑1两个数值，即背景值为0，前景值为1；

S7、对DEM进行归一化处理，将DEM灰度值转化到0 255区间；

~

S8、将步骤S6中获得的二值化鞍部点、山顶点以及坡脚线与上一步骤中获得的DEM进行相乘，获得被赋予了相对高程特征的三维地形特征要素，即灰度值在0 255区间内的三维鞍~部点、山顶点以及坡脚线；

S9、将上一步骤中获得的三维鞍部点、山顶点以及坡脚线按照RGB三个波段进行合成，得到研究区的三维地形特征要素，构成三维地形特征训练集；

S10、将上一步骤中得到的三维地形特征训练集以及步骤S7中获得的DEM数据使用滑动窗口进行裁切，裁切为256×256大小的图像；

S11、将上一步骤中获得的三维地形特征要素和对应位置的DEM图像进行水平拼接，得到三维地形要素训练样本集；

S12、利用上一步骤中获得的三维地形要素训练样本集训练CGANs网络，让CGANs网络学习喀斯特地貌特征及其与鞍部点、山顶点以及坡脚线的映射关系；

S13、根据实际开发需要，手绘三维鞍部点、山顶点以及坡脚线，并按照RGB三个波段进行合成；

S14、将手绘的鞍部点、山顶点以及坡脚线输入步骤S12中训练好的CGANs网络，生成所需的虚拟喀斯特地貌场景；

步骤S5中，研究区内DEM地形正、负开度的计算方法具体为：由中心像元向0°、45°、90°、

135°、180°、225°、270°以及315°这八个方向作出八条射线，选取这八条射线上距离中心像元小于等于分析半径的像元参与运算；

通过计算各方向上分析半径内的正向最大高度角和负向最大高度角，得到各个方向分析半径内的最小天顶角和最小天底角，取八个方向最小天顶角的均值即为该位置的正开度，取八个方向最小天底角的均值即为负开度，具体公式如下：其中， 表示该点的正开度， 表示该点的负开度， 、 分别表示各个方向分析半径内的最小天顶角和最小天底角，其中n=0、45、90、135、180、225、270、315，且； 表示在n方向上中心点与分析半径内灰度值最高像元连线与水平方向的夹角， 表示在n方向上中心点与分析半径内灰度值最低像元连线与水平方向的夹角；

步骤S5中，对研究区内DEM地形正、负开度进行差值运算，设置最佳分割阈值为9°，差值结果大于最佳分割阈值的为正地形，反之则为负地形；按照最佳分割阈值将地形正、负开度差值结果重分类为二值化图像，将正地形区域赋值为1，负地形区域赋值为0，随后将正地形区域转化为矢量数据，通过提取正地形区域的边界获得坡脚线。

2.根据权利要求1所述的基于DEM和深度学习的虚拟喀斯特地貌场景构建方法，其特征在于：所述步骤S1和S2中，采用D8单流向模型进行流向计算。

3.根据权利要求2所述的基于DEM和深度学习的虚拟喀斯特地貌场景构建方法，其特征在于：所述步骤S1和S2中，流向计算得到的结果为累积流量，流量阈值设为2000。

4.根据权利要求1所述的基于DEM和深度学习的虚拟喀斯特地貌场景构建方法，其特征在于：所述步骤S4中，对DEM进行最大值邻域窗口分析，设置窗口大小为11×11，步长大小设置为1，统计类型为最大值，生成包含每个分析窗口内最大值点的栅格数据；将生成的栅格数据与原始DEM进行差值运算，提取差值结果为0的点为山顶点。

5.根据权利要求1所述的基于DEM和深度学习的虚拟喀斯特地貌场景构建方法，其特征在于：所述步骤S7中，对DEM进行归一化处理，将DEM灰度值转化到0 255区间，归一化处理的~公式为：

其中，O(i,j)表示输出灰度值，I(i,j)表示DEM图像第i行第j列灰度值，Imin表示DEM图像最小灰度值，Imax表示DEM图像最大灰度值。

6.根据权利要求1所述的基于DEM和深度学习的虚拟喀斯特地貌场景构建方法，其特征在于：所述步骤S10中，滑动窗口大小设置为256×256，步长大小设置为64个像元大小，从DEM图像左上角沿水平方向开始滑动，水平遍历一整行后，窗口沿垂直方向移动一段步长距离并返回至图像最左侧继续遍历，直到遍历完整张图像为止。

7.根据权利要求1所述的基于DEM和深度学习的虚拟喀斯特地貌场景构建方法，其特征在于：所述步骤S12中，CGANs网络的生成器采用U‑Net结构，CGANs网络的生成器和判别器的卷积核大小采用4×4，步长设置为2。

8.根据权利要求7所述的基于DEM和深度学习的虚拟喀斯特地貌场景构建方法，其特征在于：所述步骤S12中，CGANs网络使用Adam优化器，学习率设置为0.0002，动量为0.5。