基于指定突出度检测路径下坡路段的峰谷交替异常问题

你遇到的核心问题是：设置prominence=10过滤微小峰谷时，仅对峰值做了突出度筛选，对应的谷值可能因不满足条件被过滤，导致出现连续峰值，进而破坏下坡路段（峰→谷区间）的判断逻辑。以下是几种实用的解决方法：

1. 同步对谷值应用相同的突出度筛选 #

谷值可以通过对高程数据取反后调用find_peaks检测，必须给谷值检测也加上相同的prominence参数，确保峰谷的筛选标准一致：

from scipy.signal import find_peaks
import numpy as np

# 假设你的高程数据是elevations数组
elevations = np.array([...])

# 筛选突出度≥10的峰值
peaks, _ = find_peaks(elevations, prominence=10)
# 筛选突出度≥10的谷值（取反后找峰值）
valleys, _ = find_peaks(-elevations, prominence=10)

这样能确保只有达到突出度要求的谷值才会被保留，从源头减少连续峰值的出现。

2. 对峰谷序列做后处理，强制交替 #

如果同步筛选后仍存在连续峰/谷，需要对合并后的峰谷序列进行遍历，保留严格交替的有效点：

# 合并峰谷索引并按从小到大排序
all_points = sorted(list(peaks) + list(valleys))
# 标记每个点的类型（峰/谷）
peak_set = set(peaks)
point_types = ['peak' if idx in peak_set else 'valley' for idx in all_points]

# 筛选交替的峰谷
filtered_points = []
filtered_types = []
prev_type = None
for idx, p_type in zip(all_points, point_types):
    if p_type != prev_type:
        filtered_points.append(idx)
        filtered_types.append(p_type)
        prev_type = p_type

处理后filtered_points就是严格交替的峰谷序列，基于它判断下坡路段（从peak到下一个valley的区间）就不会出现异常。

3. 补充宽度参数过滤密集峰值 #

如果连续峰值是因为相邻峰值间距过近，可以给find_peaks添加width参数，要求峰值的宽度（即峰值平台的长度）达到指定阈值，过滤掉过于密集的小峰值：

peaks, _ = find_peaks(elevations, prominence=10, width=5)  # width根据你的数据密度调整

这能进一步减少无效峰值，让峰谷更易形成交替结构。

修正下坡路段绘制 #

基于过滤后的交替峰谷序列，遍历每个峰值，找到对应的下一个谷值，将两者之间的路段标记为红色即可：

import matplotlib.pyplot as plt

plt.plot(elevations, 'b-')
# 遍历交替的峰谷序列，标记下坡路段
for i in range(len(filtered_points)-1):
    if filtered_types[i] == 'peak' and filtered_types[i+1] == 'valley':
        start_idx = filtered_points[i]
        end_idx = filtered_points[i+1]
        plt.plot(range(start_idx, end_idx+1), elevations[start_idx:end_idx+1], 'r-')
plt.show()

内容的提问来源于stack exchange，提问作者debsim