【技术实现步骤摘要】
本专利技术属于遥感图像智能处理，尤其涉及一种居民房屋重置价值的遥感估算方法及其系统。
技术介绍
1、随着全球城市化进程的加速，居民房屋重置价值的准确估算成为了城市规划、房地产开发、社会经济福祉评估和灾后灾损评估等方面的重要环节。
2、传统的估算方法主要依赖于入户调查，例如于海龙等人基于房屋结构、配套设施、装饰装修等方面对房屋重置价值进行评估计算。该方法主要采用入户调查数据对小范围区域进行房屋重置价值估算，这种方法既耗时又耗力，而且由于信息的不对称性，往往无法得到准确的结果。此外，由于城市的快速发展和变化，传统的估算方法往往无法及时反映出房屋价值的实际变化。
3、与此同时，遥感技术的发展提供了一种新的解决方案。遥感可以提供大范围、连续的地表信息，能够从宏观的角度去观察和分析地表的变化。通过遥感数据，可以快速获取到房屋的物理特性，如面积、楼层高度等，以及房屋周边的环境信息，如绿化覆盖率、交通便利性等。例如陈桥驿等人，融合面向对象和深度置信网络方法，对农村房屋信息进行提取，能够有效得到农村房屋的数量、面积和位置等信息；李越帅等人，采用u-net模型对遥感影像数据中的房屋信息进行提取，计算出人均房屋占地面积、房屋的地理坐标、分布范围及分布特点等信息。已有的研究结果表明，遥感数据可以有效地提取房屋的部分信息。
4、综上可知，现有技术仍然无法实现大范围居民房屋重置价值遥感估算。
技术实现思路
1、为解决上述技术问题，本专利技术提出了一种居民房屋重置价值的遥感
2、为实现上述目的，本专利技术提供了一种居民房屋重置价值的遥感估算方法，包括：
3、s1、获取房屋样本的房屋重置价值；
4、s2、基于卫星遥感，得到所述房屋样本的遥感图像；构建边缘检测模型并训练，基于训练好的边缘检测模型对所述遥感图像进行边缘检测，得到房屋样本数据；
5、s3、基于随机森林智能算法，构建所述房屋样本数据与所述房屋重置价值的遥感估算模型；
6、s4、获取待测房屋样本数据，通过所述遥感估算模型对所述待测房屋样本数据进行智能估算，得到所述待测居民房屋的房屋重置价值。
7、优选地，获取房屋样本的房屋重置价值的过程包括：
8、采用入户抽样调查方式，得到房屋样本；
9、将所述房屋样本的室内财产、建筑财产进行估算合计，得到房屋样本的房屋重置价值；
10、得到房屋样本的房屋重置价值的计算公式为：
11、y＝k1+k2
12、其中，y为房屋样本的房屋重置价值，k1为单体房屋的室内财产，k2为单体房屋建筑财产。
13、优选地，所述边缘检测模型为残差网络模型，所述残差网络模型包括：卷积层、激活函数、池化层、残差块和全连接层。
14、优选地，训练所述边缘检测模型的过程包括：
15、s21、将所述遥感图像经过所述卷积层，得到所述遥感图像的局部特征图；
16、所述卷积层的卷积操作公式为：
17、
18、其中，xi+m，j+n为输入图像在(i+m，j+n)位置的像素值，yi，j为卷积后输出特征图的一个元素，km，n为卷积核在(m，n)位置的值；
19、s22、将所述局部特征图经过所述激活函数，得到激活特征图；
20、所述激活函数的公式为：y′i，j＝max(0，yi，j)；
21、s23、将所述激活特征图经过所述池化层，得到池化特征图；
22、所述池化层的最大池化公式：
23、
24、其中，n为池化窗口，m和n为池化窗口n中的元素的索引，y″i，j为池化后输出特征图的一个元素；
25、s24、将所述池化特征图经过所述残差块，得到每个残差块的输出图；
26、所述残差块的计算公式为：
27、z＝f(y″i，j，wi)+y″i，j
28、其中，f(y″i，j，wi)为残差映射，y″i，j为输入特征图，z为输出特征图，wi为权重集合；
29、s25、将每个残差块的输出图经过所述全连接层，得到最终输出图，基于所述最终输出图，得到所述房屋样本数据；
30、所述全连接层的计算公式为：
31、y＝f(wh+b)
32、其中，w为权重矩阵，b为偏置向量，f为激活函数，y为全连接层的输出；
33、s26、最后使用反向传播算法和梯度下降法训练所述边缘检测模型并优化损失函数。
34、优选地，基于训练好的边缘检测模型对所述遥感图像进行边缘检测的过程包括：
35、通过训练好的边缘检测模型对所述遥感图像进行边缘检测，得到房屋样本数据，所述房屋样本数据包括：影像特征值、房屋面积和房屋周长。
36、优选地，基于随机森林智能算法，构建所述房屋样本数据与所述房屋重置价值的遥感估算模型的过程：
37、s31，将房屋样本作为训练样本集x＝{xj1，xj2，...，xjn}，房屋样本重置价值作为目标集y＝{y1，y2，...，yn}，其中将所述房屋样本数据作为训练样本集x的特征值j，n为样本数；
38、s32、采用二分法对所述训练样本集x中的连续特征值进行离散化，对特征{xj1，xj2，...，xjn}的连续特征值进行排序，即当j＝1时的所有训练样本的特征值由小到大升序排列，记作{f1，f2，...，fn}，得到特征x1的n-1个切分点：
39、
40、其中，表示第i个训练样本的特征值，表示特征x1的n-1个切分点的集合；
41、s33、根据特征x1进行切分，得到n-1个切分点的集合sx＝{si|1≤i≤n-1}；
42、s34、采用具有k个叶子节点的回归树将训练样本集x划分为k个子集rk，1≤k≤k；
43、s35、选取第j个特征xj和第i个切分点si，得到训练样本集x中被切分的两个特征空间子集：
44、r1(j，s)＝{x|xj≤si}，r2(j，s)＝{x|xj＞si}
45、其中，x表示样本点；
46、s36、遍历训练样本集x中的所有特征，寻找最优切分特征xj和最优切分点s：
47、
48、其中，x(i)为第i个样本点的第j个特征值，y(i)为第i个样本点第j个特征对应的目标值；c1为选择切分特征xj和切分点s时，特征空间子集r1对应的所有目标的平均值；c2为选择切分特征xj和切分点s时，特征空间子集r2对应的所有目标的平均值；
49、s37、将每个特征空间子集所有目标的平均值作为该特征空间子集的输出值ck：
50、ck＝mean(y|x∈rk)
51、其中mean(·)表示平均值函数；
52、s38、重复上述步骤，直到算出步骤s36的平方误差最小，得本文档来自技高网...
【技术保护点】
1.一种居民房屋重置价值的遥感估算方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的居民房屋重置价值的遥感估算方法，其特征在于，获取房屋样本的房屋重置价值的过程包括：
3.根据权利要求1所述的居民房屋重置价值的遥感估算方法，其特征在于，所述边缘检测模型为残差网络模型，所述残差网络模型包括：卷积层、激活函数、池化层、残差块和全连接层。
4.根据权利要求3所述的居民房屋重置价值的遥感估算方法，其特征在于，训练所述边缘检测模型的过程包括：
5.根据权利要求1所述的居民房屋重置价值的遥感估算方法，其特征在于，基于训练好的边缘检测模型对所述遥感图像进行边缘检测的过程包括：
6.根据权利要求1所述的居民房屋重置价值的遥感估算方法，其特征在于，基于随机森林智能算法，构建所述房屋样本数据与所述房屋重置价值的遥感估算模型的过程：
7.根据权利要求1所述的居民房屋重置价值的遥感估算方法，其特征在于，还包括对所述遥感估算模型进行验证的过程包括：
8.根据权利要求7所述的居民房屋重置价值的遥感估算方法，其特征在于
9.一种居民房屋重置价值的遥感估算系统，其特征在于，用于实施权利要求1-8任一项所述居民房屋重置价值的遥感估算方法，系统包括：
...【技术特征摘要】
1.一种居民房屋重置价值的遥感估算方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的居民房屋重置价值的遥感估算方法，其特征在于，获取房屋样本的房屋重置价值的过程包括：
3.根据权利要求1所述的居民房屋重置价值的遥感估算方法，其特征在于，所述边缘检测模型为残差网络模型，所述残差网络模型包括：卷积层、激活函数、池化层、残差块和全连接层。
4.根据权利要求3所述的居民房屋重置价值的遥感估算方法，其特征在于，训练所述边缘检测模型的过程包括：
5.根据权利要求1所述的居民房屋重置价值的遥感估算方法，其特征在于，基于训练好的边缘检测...
【专利技术属性】
技术研发人员：江威，罗赣，川崎昭如，A·亚罗托，孙伟超，龙腾飞，E·亚当，宋文龙，庞治国，
申请(专利权)人：中国水利水电科学研究院，
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。