【技术实现步骤摘要】
本专利技术涉及深度学习、地图学、地理信息系统等领域，具体地说，涉及一种基于改进unet模型的dem谷底线提取方法。
技术介绍
1、在地理学中，通过提取和分析谷底线，可以揭示地貌的成因和演化过程，推断地质构造和地形变化；在水资源管理和水文分析中，谷底线的提取和分析有助于确定水流路径和河流网络，评估流域的水文特征；在地理信息系统中，谷底线是重要的地形要素，是空间分析和地理建模的重要对象；在自然灾害评估中，通过分析谷底线的分布、形态和特征，可以识别潜在的灾害风险区域，为灾害预警和应急响应提供依据。
2、按照数据来源的不同，谷底线提取方法分为基于dem的谷底线提取、基于遥感影像的谷底线提取、基于等高线的谷底线提取和基于不规则三角网的谷底线提取等。其中，基于dem的谷底线提取方法最为常见，传统的方法包括基于地表几何形态分析的方法、基于地表流水分析的方法以及基于图像处理的方法等。近年来，深度学习在地理信息系统领域得到了广泛的应用，使得采用深度学习的方法从dem数据提取谷底线成为可能。为克服传统谷底线提取方法中存在的缺陷，本专利技术采用改进的深度学习语义提取方法，对dem数据进行谷底线提取。该方法可以有效地提取不同地貌类型、不同尺度特征的谷底线，具有计算简单、结果直观、适用范围广等优点。
技术实现思路
1、本专利技术提出一种改进的unet模型，即attention_aspp_unet模型，从注意力机制、类别平衡性以及多尺度特征融合等方面改善模型性能，使之适用于dem谷底线提取。首先，
2、主要包括以下步骤：
3、s1:基于多通道融合构建特征工程；
4、s2:构建谷底线标签数据集；
5、s3:构建attention_aspp_unet谷底线提取模型；
6、s4:模型评价；
7、s5:attention_aspp_unet谷底线提取模型训练与泛化。
8、本专利技术专利中涉及到的关键问题如下：
9、1.在特征工程方面，基于高程信息提取地形起伏度和地表切割深度特征，并将这些特征进行融合形成多通道融合增强特征，使得模型能够综合考虑多重信息，以克服单一特征的局限性，提高谷底线提取的鲁棒性。
10、2.在数据集标签方面，基于“均值变点法”获取谷底线提取时的汇流累计量阈值关键参数。使用均值变点法可找到谷底线密度变化程度由大到小的拐点，该拐点所对应的汇流累计量阈值就是提取谷底线的最佳汇流累计量阈值。
11、3.在基于深度学习的谷底线特征提取模型方面，对原始的unet网络进行改进。通过引入注意力机制以适应多通道融合数据的特征提取，通过引入aspp模块作为跳跃连接以消除浅层特征和深层特征之间的语义差异，从而捕捉不同尺度的上下文信息。
12、4.在模型训练方面，采用focalloss作为损失函数，引入可调参数γ(称为焦点因子)、α(平衡因子)和一个模型预测的概率分布p，以解决谷底线提取过程中正负类别不平衡的问题。
13、在上述利用attention_aspp_unet模型提取dem谷底线的步骤1中，基于多通道融合构建特征工程的步骤如下：
14、步骤1.1，对高程数据进行焦点统计，分别获取3×3邻域范围内的最高点海拔数据、最低点海拔数据、平均海拔数据；
15、步骤1.2，将步骤1.2获取得到的dem邻域内最高、最低点海拔数据进行相减，生成地形起伏度数据；
16、步骤1.3，将步骤1.2获取得到的dem邻域内平均、最低点海拔数据进行相减，生成地表切割深度数据；
17、步骤1.4，将步骤1.1，1.2，1.3获取的高程特征、地形起伏度特征、地表切割深度特征进行通道叠加，生成多通道融合增强特征。
18、在上述利用attention_aspp_unet模型提取dem谷底线的步骤2中，构建谷底线标签数据集的步骤如下：
19、步骤2.1，对dem数据进行坑洼填充，生成无洼点dem数据；
20、步骤2.2，对步骤2.1获取得到的无洼点dem进行流向分析，计算每个像元到其最陡坡降相邻像元的方向，生成流向数据；
21、步骤2.3，对步骤2.2获取得到的流向数据计算每个像元的累计流量，生成汇流量数据；
22、步骤2.4，利用“均值变点法”计算谷底线提取时的汇流累计量最佳阈值；
23、步骤2.5，提取步骤2.3汇流累积量数据中汇流量大于步骤2.4获取得到的汇流量最佳阈值的栅格，即为谷底线；
24、对于上述步骤2.4，利用“均值变点法”提取谷底线数据的步骤如下：
25、步骤2.4.1，基于给定的汇流量阈值n(100,200,300,...,1000)，将步骤2.3汇流累计量数据中汇流量大于给定阈值的栅格像元设为1，其他栅格设为nodata，生成谷底线标签数据；
26、步骤2.4.2，计算步骤2.4.1给定的每个阈值下的谷底线长度值，并计算相应的沟谷密度值t；
27、步骤2.4.3，对于计算得到的沟谷密度值t序列，取对数(in t)，得到非线性样本序列{x}，其中i＝1,2,...,n，n为样本数；
28、步骤2.4.4，对于每个k(k≥2)，将非线性样本序列{x}划分为两段，即x1,x2,...,xk-1和xk,xk+1,...,xn，分别计算前后两段样本序列的算术平均值和同时计算总体样本的统计量和s，其中为总样本的平均值，s为总样本的离差平方和，计算公式为：
29、
30、步骤2.4.5，计算统计量sk，sk为前后两段样本的离差平方和之和，找到s和sk差值最大的点对应的汇流阈值，该汇流阈值即为该样区的最佳汇流阈值，计算公式为：
31、
32、在上述利用attention_aspp_unet模型提取dem谷底线的步骤3中，构建attention_aspp_unet谷底线提取模型的步骤如下：
33、步骤3.1，构建模型编码器，构建两个3x3的卷积层和一个2x2的最大池化层(maxpooling)，每个卷积层后面跟随一个激活函数(relu)以引入非线性；上述为一层编码层，重复上述编码层构建4层，进而构建编码器；
34、步骤3.2，构建解码器，构建一个反卷积层(上采样层)、特征拼接concat和两个3x3的卷积层，每个卷积层后会跟随一个激活函数(rel本文档来自技高网...
【技术保护点】
1.本专利技术提出了一种基于改进UNet模型的DEM谷底线提取方法，步骤如下：
【技术特征摘要】
1.本发明提出了一种基于改进unet模...
【专利技术属性】
技术研发人员：李精忠，李国稳，闫浩文，杨树文，李文德，禄小敏，李蓬勃，
申请(专利权)人：兰州交通大学，
类型：发明
国别省市：
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。