Detection of craters is important not only for planetary research but also for engineering applications. Although the existing crater detection approaches (CDAs) based on terrain analysis consider the topographic information of craters, they do not take into account the spatial structural information of real craters. In this article, we propose an automatic crater detection approach by training random forest classifiers with data from legacy crater map and spatial structural information of craters derived from digital terrain analysis. In the proposed two-stage approach, first, the cells in a legacy crater map are used as samples to train the random forest classifier at a cell level based on multiscale landform element information. This trained classifier is then applied to identify crater candidates in the areas of interest. Second, an object-level random forest classifier is trained with radial elevation profiles of craters and is subsequently applied to evaluate whether each crater candidate is real. A case study using the Lunar Orbiter Laser Altimeter crater map and lunar digital elevation model with 500-m resolution showed that the proposed approach performs better than AutoCrat (a representative CDA), and can mine the implicit expert knowledge on the spatial structures of real craters from legacy crater maps. The proposed approach could be extended to extract other geomorphologic types in similar application situations.

陨石坑的探测不仅对行星研究很重要，对工程应用也很重要。现有的基于地形分析的火山口检测方法（CDA）虽然考虑了火山口的地形信息，但没有考虑真实火山口的空间结构信息。在本文中，我们提出了一种自动火山口检测方法，通过使用来自遗留火山口地图的数据和来自数字地形分析的火山口空间结构信息训练随机森林分类器。在所提出的两阶段方法中，首先，将遗留火山口地图中的单元格作为样本，基于多尺度地形元素信息在单元级别上训练随机森林分类器。然后应用这个经过训练的分类器来识别感兴趣区域中的陨石坑候选者。第二，对象级随机森林分类器使用陨石坑的径向高程剖面进行训练，随后用于评估每个候选陨石坑是否真实。使用月球轨道器激光测高仪陨石坑图和 500 米分辨率的月球数字高程模型的案例研究表明，该方法的性能优于 AutoCrat（具有代表性的 CDA），并且可以挖掘关于真实陨石坑空间结构的隐含专家知识来自遗留的火山口地图。所提出的方法可以扩展到在类似的应用情况下提取其他地貌类型。使用月球轨道器激光测高仪陨石坑图和 500 米分辨率的月球数字高程模型的案例研究表明，该方法的性能优于 AutoCrat（具有代表性的 CDA），并且可以挖掘关于真实陨石坑空间结构的隐含专家知识来自遗留的火山口地图。所提出的方法可以扩展到在类似的应用情况下提取其他地貌类型。使用月球轨道器激光测高仪陨石坑图和 500 米分辨率的月球数字高程模型的案例研究表明，该方法的性能优于 AutoCrat（具有代表性的 CDA），并且可以挖掘关于真实陨石坑空间结构的隐含专家知识来自遗留的火山口地图。所提出的方法可以扩展到在类似的应用情况下提取其他地貌类型。