[發明專利]一種基于深度學習的預測縣級單位時序GDP的方法

在審

• 申請號: 201910940640.3
• 申請日: 2019-09-30
• 公開（公告）號: CN110826689A
• 公開（公告）日: 2020-02-21
• 發明（設計）人: 孫杰;賴祖龍;余俊杰
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06Q10/04
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 易濱

1.一種基于深度學習的預測縣級單位時序GDP的方法，其特征在于：包括以下步驟：

S101：基于GEE平臺收集和管理待研究區域內的連續多年的多源遙感數據、縣級矢量邊界數據和年度縣級GDP數據，并對所述多源元遙感數據進行預處理，得到預處理后的多源元遙感數據；

S102：基于GEE平臺提出一種基于直方圖統計的特征提取方法，并采用該方法，根據所述預處理后的多源元遙感數據和所述縣級矢量邊界數據提取所述預處理后的多源元遙感數據的數據特征；根據所述年度縣級GDP數據和對應縣級行政區面積計算得到縣級GDP密度數據，并根據所述GDP密度數據得到標簽數據；所述數據特征包括張量數據；

S103：建立卷積神經網絡模型；

S104：將所述標簽數據和所述張量數據根據預設時間節點和縣級編碼進行對應整合，并根據預設時間節點將對應整合后的部分標簽數據和張量數據作為訓練數據對所述卷積神經網絡模型進行訓練，得到訓練好的卷積神經網絡模型；

S105：基于GEE平臺獲取研究區域的待預測年份的多元遙感數據和縣級矢量邊界數據，進而采用所述訓練好的卷積神經網絡模型對待預測年份的GDP密度進行預測。

2.如權利要求1所述的一種基于深度學習的預測縣級單位時序GDP的方法，其特征在于：步驟S101中，所述多源遙感數據包括MODIS地表反射率數據，Terra和Aqua組合的MODIS土地覆蓋數據、NPP/VIIRS月合成夜間燈光遙感影像數據；

對所述多遠遙感數據進行預處理包括：對所述MODIS地表反射率數據進行去云處理，對所述NPP/VIIRS月合成夜間燈光遙感影像數據依次進行重采樣、相對校正及去飽和校正處理。

3.如權利要求1所述的一種基于深度學習的預測縣級單位時序GDP的方法，其特征在于：步驟S102中，具體包括：

S201：分別計算所述預處理后的多源元遙感數據中的MODIS地表反射率數據和NPP/VIIRS月合成夜間燈光遙感影像數據的年平均綜合值，使其與所述年度縣級GDP數據具有相同的時間頻率；進而在GEE中對MODIS地表反射率數據和NPP/VIIRS月合成夜間燈光遙感影像數據的年平均綜合值以及所述MODIS土地覆蓋數據進行波段疊加，得到總計n個波段的數據，n為MODIS地表反射率數據和NPP/VIIRS月合成夜間燈光遙感影像數據的年平均綜合值以及所述MODIS土地覆蓋數據的波段之和，且這三個數據的具體波段需要根據具體使用的數據產品的型號確定；

S202：在GEE中導入所述縣級矢量邊界數據，進而對研究區域的所有特征帶進行全局統計，即分別計算研究區域下所有特征的最大值和最小值，并根據所述最大值和最小值確定波段特征數據數值的真實分布區間，為后續建立每個特征的32箱直方圖確定分布界限；

S203：基于步驟S202中確定的分布界限，將所述n個波段的數據中每個波段的數據都轉換成一個歸一化的32箱直方圖，一共有n個波段，每個縣對應生成一個形狀為1*32*n的張量；其中，1代表圖像高度、32代表圖像寬度，n代表圖像波段；

S204：將所述年度縣級GDP數據按照所述縣級矢量邊界數據進行劃分，并根據各縣級行政區的面積，計算GDP密度，然后進行對數計量，處理后得到各縣級市的GDP的標簽數據，具體計算公式如下：

上式中，y_i為第i個縣級市的GDP的標簽數據，g_i為第i個縣級市的年度GDP數據總量，a_i為第i個縣級市行政區域面積；其中，i代表縣級市序號，且i＝1，2，...，m；m為研究區域縣級市的總個數；

S205：根據縣級編碼將所有的標簽數據與所有的張量進行對應整合，并舍棄沒有對應的數據，將剩下的標簽數據和張量作為最終的中國縣級市的標簽數據和張量數據；其中，所述縣級編碼為信息處理標準代碼。