基于多源数据的高原湖泊提取方法技术

技术编号:39602606 阅读:15 留言:0更新日期:2023-12-03 20:02
本发明专利技术提供了一种基于多源数据的高原湖泊提取方法

【技术实现步骤摘要】
基于多源数据的高原湖泊提取方法、装置、设备及介质


[0001]本专利技术涉及遥感解译
,尤其是涉及一种基于多源数据的高原湖泊提取方法

装置

设备及介质


技术介绍

[0002]湖泊是陆地生态系统的重要组成部分,可以在一定程度上反映环境和气候的变化

高原湖泊以其独特的地理位置,在研究亚洲乃至全球的气候变化中,都具有十分重要的作用

伴随着全球气候变暖,高原冰川融化

高原冻土解冻等问题已不容忽视,而湖泊的变化可以侧面反映该类问题,同时湖泊面积的扩张和收缩,也会对周围的生态环境产生影响

因此,如何有效地进行高原湖泊的水体提取,对于分析高原生态环境和生态监管具有十分重要的意义

[0003]相较于传统现场实地考察的方式,基于遥感影像进行高原湖泊提取,具有低成本

高效率的优势,同时避免了野外苛刻条件下的作业风险

在基于遥感影像的水体识别方面,通常采用单波段阈值法

水体指数法

机器学习法

单波段阈值法主要利用水体和其他地物在近红外波段上的区别,来提取水体,该类方法较为简单,但仅适用水质均一的水体提取

水体指数法包括归一化水体指数(
Normalized Difference Water Index

NDVI

r/>改进的归一化植被指数(
Modified Normalized Difference Water Index

MNDWI


增强型水体指数(
Enhanced Water Index

EWI
)等等,可以较为准确的提取水体,但针对不同区域

不同背景环境,需要更换不同的水体指数和阈值,且阈值选取易受人主观因素影响

机器学习法包括支持向量机

随机森林

决策树等,并在遥感解译领域有较多成熟的应用,但其要求设计先验知识特征并组合,所以该类方法泛化能力较弱

[0004]近几年,随着计算机硬件的发展,深度学习技术开始广泛应用于各行各业中,并且在水体提取方面,具有较为理想的检测效果,然而基于深度学习的水体提取大多数基于单一数据源,导致噪声大

易受天气条件干扰,特别是高原湖泊,由于其特殊高海拔的地貌特征和气候条件,会出现雪



水等交融的复杂水体形态以及云遮挡,现有的方法难于解决应对这种情况


技术实现思路

[0005]有鉴于此,本专利技术的目的在于提供一种基于多源数据的高原湖泊提取方法

装置

设备及介质,以缓解高原湖泊提取精度低

难于应对复杂形态水体等问题,具备全天时全天候监测能力,能够为湖泊监测

生态保护

气候变化研究等领域提供技术支撑

[0006]第一方面,本专利技术实施例提供了一种基于多源数据的高原湖泊提取方法,包括:获取研究区域的多源数据;其中,所述多源数据包括
SAR
影像数据

多光谱影像数据和高程数据;对所述
SAR
影像数据和所述多光谱影像数据进行融合处理,得到单景多波段影像数据;其中,所述单景多波段影像数据包括
R
波段影像数据
、G
波段影像数据
、B
波段影像数

、NIR
波段影像数据和
VV
波段影像数据;通过目标水体分割模型,基于所述单景多波段影像数据确定所述研究区域对应的水体预测图斑;根据所述研究区域对应的高程数据和所述水体预测图斑,从所述研究区域中提取高原湖泊区域

[0007]在一种实施方式中,所述目标水体分割模型采用
MS

SegFormer
语义分割模型,所述
MS

SegFormer
语义分割模型的输入端包括
R
波段输入端
、G
波段输入端
、B
波段输入端
、NIR
波段输入端和
VV
波段输入端,所述方法还包括:获取预训练权重文件;其中,所述预训练权重文件包括
R
波段权重
、G
波段权重和
B
波段权重;对所述预训练权重文件中所述
R
波段权重

所述
G
波段权重和所述
B
波段权重的顺序进行调整,以使调整后所述预训练权重文件中的波段顺序与多源融合训练数据中的波段顺序一致;基于调整后所述预训练权重文件和所述多源融合训练数据,对所述
MS

SegFormer
语义分割模型进行训练,得到所述目标水体分割模型

[0008]在一种实施方式中,通过目标水体分割模型,基于所述单景多波段影像数据确定所述研究区域对应的水体预测图斑的步骤,包括:将所述单景多波段影像数据进行切片处理得到多个影像切片数据;通过所述目标水体分割模型,确定每个所述影像切片数据对应的水体分割结果;对每个所述水体分割结果进行拼接处理,得到与所述单景多波段影像数据尺寸一致的语义分割掩码;对所述语义分割掩码进行矢量化,得到所述研究区域对应的水体预测图斑

[0009]在一种实施方式中,根据所述研究区域对应的高程数据和所述水体预测图斑,从所述研究区域中提取高原湖泊区域的步骤,包括:对所述水体预测图斑进行去噪处理得到目标水体预测图斑;根据所述研究区域对应的高程数据和预设坡度阈值,对所述目标水体预测图斑进行筛选得到高原湖泊区域

[0010]在一种实施方式中,对所述水体预测图斑进行去噪处理得到目标水体预测图斑的步骤,包括:遍历所述水体预测图斑中每个子图斑,得到每个所述子图斑对应的要素几何;如果所述水体预测图斑采用非投影坐标系,则将每个所述子图斑对应的所述要素几何转换至投影坐标系下,得到每个所述子图斑对应的几何面积;对于每个所述子图斑,如果该子图斑对应的所述几何面积小于预设面积阈值,则将该子图斑剔除,以得到目标水体预测图斑

[0011]在一种实施方式中,根据所述研究区域对应的高程数据和预设坡度阈值,对所述目标水体预测图斑进行筛选得到高原湖泊区域的步骤,包括:根据所述目标水体预测图斑中的每个子图斑对应的范围,对所述研究区域对应的高程数据进行裁剪,得到每个所述子图斑对应的高程切片数据;确定所述高程切片数据中每个像元点匹配的临近像元点,并根据所述临近像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多源数据的高原湖泊提取方法,其特征在于,包括:获取研究区域的多源数据;其中,所述多源数据包括
SAR
影像数据

多光谱影像数据和高程数据;对所述
SAR
影像数据和所述多光谱影像数据进行融合处理,得到单景多波段影像数据;其中,所述单景多波段影像数据包括
R
波段影像数据
、G
波段影像数据
、B
波段影像数据
、NIR
波段影像数据和
VV
波段影像数据;通过目标水体分割模型,基于所述单景多波段影像数据确定所述研究区域对应的水体预测图斑;根据所述研究区域对应的高程数据和所述水体预测图斑,从所述研究区域中提取高原湖泊区域
。2.
根据权利要求1所述的基于多源数据的高原湖泊提取方法,其特征在于,所述目标水体分割模型采用
MS

SegFormer
语义分割模型,所述
MS

SegFormer
语义分割模型的输入端包括
R
波段输入端
、G
波段输入端
、B
波段输入端
、NIR
波段输入端和
VV
波段输入端,所述方法还包括:获取预训练权重文件;其中,所述预训练权重文件包括
R
波段权重
、G
波段权重和
B
波段权重;对所述预训练权重文件中所述
R
波段权重

所述
G
波段权重和所述
B
波段权重的顺序进行调整,以使调整后所述预训练权重文件中的波段顺序与多源融合训练数据中的波段顺序一致;基于调整后所述预训练权重文件和所述多源融合训练数据,对所述
MS

SegFormer
语义分割模型进行训练,得到所述目标水体分割模型
。3.
根据权利要求2所述的基于多源数据的高原湖泊提取方法,其特征在于,通过目标水体分割模型,基于所述单景多波段影像数据确定所述研究区域对应的水体预测图斑的步骤,包括:将所述单景多波段影像数据进行切片处理得到多个影像切片数据;通过所述目标水体分割模型,确定每个所述影像切片数据对应的水体分割结果;对每个所述水体分割结果进行拼接处理,得到与所述单景多波段影像数据尺寸一致的语义分割掩码;对所述语义分割掩码进行矢量化,得到所述研究区域对应的水体预测图斑
。4.
根据权利要求1所述的基于多源数据的高原湖泊提取方法,其特征在于,根据所述研究区域对应的高程数据和所述水体预测图斑,从所述研究区域中提取高原湖泊区域的步骤,包括:对所述水体预测图斑进行去噪处理得到目标水体预测图斑;根据所述研究区域对应的高程数据和预设坡度阈值,对所述目标水体预测图斑进行筛选得到高原湖泊区域
。5.
根据权利要求4所述的基于多源数据的高原湖泊提取方法,其特征在于,对所述水体预测图斑进行去噪处理得到目标水体预测图斑的步骤,包括:遍历所述水体预测图斑中每个子图斑,得到每个所述子图斑对应的要素几何;如果所述水体预测图斑采用非投影坐标系,则将每个所述子图斑对应的所述要素几何
转换至投影坐标系下,得到每个所述子图斑对应的几何面积;对于每个所述子图斑,如果该子图斑对应的所述几何面积小于预设面积阈值,则将该子图斑剔除,以得到目标水体预测图斑
。6.
根据权利要求4所述的基于多源数据的高原...

【专利技术属性】
技术研发人员:李旭田静国王宇翔王恒王鹏贾玮范磊王硕殷慧黄非
申请(专利权)人:航天宏图信息技术股份有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1