System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种大尺度不透水面丰度提取方法、系统、介质及设备技术方案_技高网

一种大尺度不透水面丰度提取方法、系统、介质及设备技术方案

技术编号:44164593 阅读:17 留言:0更新日期:2025-01-29 10:37
本发明专利技术公开了一种大尺度不透水面丰度提取方法,属于遥感图像处理技术领域,本发明专利技术基于高分一号2米融合数据,结合面向对象图像分析与网格叠加生成不透水面丰度参考数据,并参考高分六号宽幅(GF‑6WFV)数据选择训练和测试样本区域,从而生成高质量样本集用于机器学习模型的训练与验证;并通过精度评估和视觉分析,比较并选出最优的不透水面丰度提取模型,实现高精度的大尺度不透水面丰度提取。本发明专利技术显著提高了大尺度不透水面丰度提取的准确性和细节识别能力,能够更准确地识别和分类城市中的道路、建筑物等不透水面,为城市规划和管理提供了可靠的数据支持。

【技术实现步骤摘要】

本专利技术属于遥感图像处理,具体涉及一种大尺度不透水面丰度提取方法、系统、介质及设备


技术介绍

1、随着城市化进程的加速,城市不透水面的比例显著增加。城市不透水面包括道路、建筑物、停车场等无法自然渗水的地表,这些地表覆盖物的增加对城市环境和生态系统产生了显著影响,如增加洪水风险、降低水体质量、提升城市热岛效应等。因此,准确监测和评估不透水面丰度对于城市规划和环境保护具有重要意义。

2、遥感数据因其覆盖范围广、获取方便,使得利用遥感技术研究不透水面(isa)变得越来越普遍,当前,isa提取的主要数据来源包括sar影像、landsat系列、dmsp-ols夜间灯光以及modis遥感数据,由于地表覆盖类型的多样性及气候和物候效应的复杂性,使得这些数据在应用过程中面临配准误差、图像分辨率低和质量受天气与光照条件影响等挑战,进而使得精准绘制大尺度不透水面仍具挑战性。在过去的几十年里,已经开发了许多技术来监测卫星遥感图像中的不透水面,包括指数法、回归法、光谱混合分析法(sma)等,指数法计算简单,多用于中低空间分辨率影像的不透水面提取,但受空间分辨率的限制,一方面影像中存在混合像元;另一方面,地物之间的光谱相似会导致地物误分。因此,针对不同的影像,很难构建适用性更强的指数模型。光谱混合分析法一定程度上解决了混合像元问题,但也存在不透水面低估、高估问题。此外,由于城市不透水面种类复杂,遥感数据分辨率有限,导致不透水面与其他类型地物难以区分,且提取步骤较为复杂,计算量大,提取结果易受样本像元精度影响。所以上述的方法在大尺度isa绘制中可靠性欠佳。相比之下,机器学习和深度学习方法因其强大的特征学习能力和高效利用遥感数据的能力,能够更好地区分不透水面与其他地表覆盖类型。例如,支持向量机(svm)、决策树和随机森林等方法已被广泛应用并取得显著效果,尤其是随机森林算法。

3、随机森林算法是一种集成学习方法,通过构建多个决策树并结合其结果来提高模型的预测性能和稳定性。随机森林的构成主要包括以下几个步骤:首先,通过bootstrap采样从原始训练数据集中有放回地随机抽取多个子集,每个子集中的样本可能重复且不同子集之间可能重叠。然后,对于每个子集,构建一棵决策树(cart),节点分裂时随机选择一部分特征来决定最佳分裂,每次分裂时使用用户指定数量的预测变量(mtry),以增加决策树之间的差异性。随机森林由多棵在不同子集和不同特征子集上训练的独立决策树组成,森林中的树数量由用户指定(ntree)。最后,对于分类任务,随机森林通过对所有决策树的预测结果进行投票决定最终分类结果;对于回归任务,则通过平均所有决策树的预测结果来得到最终回归值,如图1所示。随机森林具有较强的抗噪能力和高效的特征选择机制,能够处理高维数据和大量特征,并内置特征重要性评估功能,对缺失值和不平衡数据具有良好处理能力。这些优点使得随机森林在大尺度不透水面丰度制图中展现出强大的适应性和高效性,显著提升了制图的精度和可靠性。但是上述方法在生成不透水面训练和测试样本时,往往依赖于传统的分类方法,如基于像素的分类。这些方法在处理复杂的城市环境时,面临着许多挑战。城市环境中地表覆盖类型多样,存在大量的高楼、道路、绿地等不均匀分布的特征,传统方法难以捕捉到这些复杂性,导致生成的样本往往精度不足,代表性不强。特别是在训练数据的选取和标注过程中,人工干预较多,容易引入主观误差,进一步影响样本的质量。低质量的样本数据会导致模型训练效果不佳,最终提取结果的不稳定性和准确性不足,无法满足实际应用需求。


技术实现思路

1、本专利技术的目的在于克服现有技术的不足,提供一种大尺度不透水面丰度提取方法、系统、介质及设备。本专利技术利用高分一号2米融合数据,采用面向对象图像分析(obia)方法以及网格叠加生成丰度参考数据,并结合高分六号宽幅(gf-6wfv)数据选择训练样本区域与测试样本区域,从而生成了高质量的训练和测试样本数据。因此本专利技术能够提高样本的准确性和代表性,克服了传统方法在样本生成中的不足,确保了isp提取过程中的数据基础扎实可靠。

2、本专利技术通过高分辨率数据和多光谱数据的结合提高了制图和分类精度,克服地物分类混淆的问题,实现准确的大规模isa制图。具体的:高分一号(gf-1)和高分六号(gf-6)卫星分别通过提供丰富的信息内容和广泛成像宽度,有效提升了大规模isa信息的提取精度。gf-1卫星携带有两台2米分辨率全色/8米分辨率多光谱(pms)相机,实现了60公里以上的成像宽度。pms数据包括蓝、绿、红、近红外四个波段。其高空间分辨率的2米全色数据和8米多光谱数据能够捕捉城市内部的精细结构,有助于区分不同地物类型并进行土地覆盖分类。gf-6卫星配备有16米多光谱中分辨率宽幅(wfv)相机,观测幅宽达800公里,适用于大尺度的地表覆盖监测和变化检测。wfv数据除了常见的蓝、绿、红、近红外四个波段外,还增加了两个红边波段和紫、黄波段,共八个波段,提供了丰富的光谱信息,有助于区分不同类型的地表覆盖。gf-1和gf-6的组合充分利用了丰富的信息内容和广泛的成像宽度,提供了更准确的大规模不透水面信息。

3、本专利技术的第一个目的是提供一种大尺度不透水面丰度提取方法,包括以下步骤:

4、步骤1、分别对高分一号遥感卫星全色/多光谱(gf-1pms)数据和高分六号遥感卫星宽幅(gf-6wfv)数据进行正射校正,得到处理后的gf-1pms数据和gf-6wfv数据;

5、步骤2、对处理后的gf-1pms数据和gf-6wfv数据分别进行配准,得到配准后的gf-1pms数据和gf-6wfv数据,对配准后的gf-1pms数据进行全色锐化,得到高分一号2米融合数据;

6、步骤3、基于高分一号2米融合数据,生成不透水面丰度参考数据集;

7、步骤4、基于不透水面丰度参考数据集和配准后的gf-6wfv数据,选择训练样本区域与测试样本区域,随机生成训练样本集和测试样本集;

8、步骤5、将训练样本集分别输入到多个机器学习模型中进行模型训练,得到多个训练好的不透水面丰度(isp)模型;

9、步骤6、通过测试样本集分别对多个训练好的isp模型利用精度评估指数进行精度验证,得到多个模型的精度评估指数结果;

10、步骤7、将测试样本区域图像分别输入到多个训练好的isp模型中进行不透水面丰度提取,对比高分六号真彩色合成图像中的实际地物情况,对多个提取结果分别进行视觉分析;

11、步骤8、对比多个isp模型的精度评估指数结果和视觉分析结果,选择出效果最佳的isp模型;

12、步骤9、将目标gf-6wfv遥感影像输入到效果最佳的isp模型中进行不透水面丰度提取,得到大尺度不透水面丰度提取结果。

13、优选的,步骤2包含以下步骤:

14、步骤2.1、将处理后的高分一号遥感卫星全色/多光谱(gf-1pms)数据中的全色2米数据和处理后的高分六号遥感卫星16米宽幅(gf-6wfv)数据采用本文档来自技高网...

【技术保护点】

1.一种大尺度不透水面丰度提取方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的大尺度不透水面丰度提取方法,其特征在于,步骤2包含以下步骤:

3.根据权利要求1所述的大尺度不透水面丰度提取方法,其特征在于,步骤3包含以下步骤:

4.根据权利要求3所述的大尺度不透水面丰度提取方法,其特征在于,步骤3.2包含以下步骤:

5.根据权利要求1所述的大尺度不透水面丰度提取方法,其特征在于,步骤4包含以下步骤:

6.根据权利要求1所述的大尺度不透水面丰度提取方法,其特征在于,步骤5中,多个所述机器学习模型分别为随机森林、支持向量机、决策树、XGBoost、LightGBM、CatBoost、U-net和Deeplabv3+。

7.根据权利要求1所述的大尺度不透水面丰度提取方法,其特征在于,步骤6包含以下步骤:

8.一种大尺度不透水面丰度提取系统,通过权利要求1-7任一项所述的方法实现,其特征在于,包括:

9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1-7任一项所述的大尺度不透水面丰度提取方法的步骤。

10.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如权利要求1-7任一项所述的大尺度不透水面丰度提取方法的步骤。

...

【技术特征摘要】

1.一种大尺度不透水面丰度提取方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的大尺度不透水面丰度提取方法,其特征在于,步骤2包含以下步骤:

3.根据权利要求1所述的大尺度不透水面丰度提取方法,其特征在于,步骤3包含以下步骤:

4.根据权利要求3所述的大尺度不透水面丰度提取方法,其特征在于,步骤3.2包含以下步骤:

5.根据权利要求1所述的大尺度不透水面丰度提取方法,其特征在于,步骤4包含以下步骤:

6.根据权利要求1所述的大尺度不透水面丰度提取方法,其特征在于,步骤5中,多个所述机器学习模型分别为随机森林、支持向量机、决策树、xgboost、lightgbm、catboost、u-net和deep...

【专利技术属性】
技术研发人员:刘建涛张灿孟飞李静娴杨楷岳玉琴张燕
申请(专利权)人:山东建筑大学
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