[發(fā)明專利]喀斯特石漠化的遙感制圖方法及裝置

有效

• 申請?zhí)枺?/td>: 202110181725.5
• 申請日: 2021-02-08
• 公開（公告）號: CN113076796B
• 公開（公告）日: 2022-09-23
• 發(fā)明（設計）人: 許爾琪
• 申請（專利權）人: 中國科學院地理科學與資源研究所
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/26;G06V10/774;G06V10/764;G06V10/82;G06F16/29;G06N3/04;G06N20/00
• 代理公司: 北京恒律知識產(chǎn)權代理有限公司 11416
• 代理人: 龐立巖;顧珊

1.一種喀斯特石漠化的遙感制圖方法，其特征在于，包括步驟：

獲取研究區(qū)的遙感影像數(shù)據(jù)和專題數(shù)據(jù)；其中，所述專題數(shù)據(jù)包括巖性數(shù)據(jù)、海拔數(shù)據(jù)和土地利用數(shù)據(jù)；所述遙感影像數(shù)據(jù)為8月份的Landsat 8OLI遙感影像數(shù)據(jù)；所述巖性數(shù)據(jù)包括不同比例碳酸鹽巖和碎屑巖組合數(shù)據(jù)；所述土地利用數(shù)據(jù)包括耕地數(shù)據(jù)、草地數(shù)據(jù)、林地數(shù)據(jù)、水體數(shù)據(jù)和建設用地數(shù)據(jù)；

根據(jù)所述遙感影像數(shù)據(jù)計算植被指數(shù)、建筑指數(shù)和水體指數(shù)，并根據(jù)所述海拔數(shù)據(jù)計算坡度；

所述根據(jù)所述遙感影像數(shù)據(jù)計算植被指數(shù)、建筑指數(shù)和水體指數(shù)的過程，如下式：

其中，NDVI為所述植被指數(shù)，NDBI為所述建筑指數(shù)，MNDWI為所述水體指數(shù)，Green為遙感影像數(shù)據(jù)的綠波段，Red為遙感影像數(shù)據(jù)的紅波段，Nir為遙感影像數(shù)據(jù)的近紅外波段，Mir為遙感影像數(shù)據(jù)的短波紅外波段；

根據(jù)所述巖性數(shù)據(jù)剔除所述研究區(qū)內(nèi)的非喀斯特石漠化區(qū)域，獲得喀斯特石漠化待分級區(qū)域；

根據(jù)所述遙感影像數(shù)據(jù)對所述喀斯特石漠化待分級區(qū)域進行面向?qū)ο蟮亩喑叨确指睿瑢⒍喑叨扔跋穹指罱Y(jié)果中最優(yōu)影像分割結(jié)果作為喀斯特石漠化的待分級單元；

確定所述多尺度影像分割結(jié)果中最優(yōu)影像分割結(jié)果的過程，如下式：

其中，IV為內(nèi)部一致性，LV為外部差異性，OST為最優(yōu)分割指標，C_OST為最優(yōu)分割指標變化率，N為分割對象的數(shù)量，A_i為每個分割對象的面積，SD_i為每個對象屬性特征值的標準偏差，a_i為任意一個對象的屬性特征值，為所有對象屬性特征值的平均值，所述屬性特征值為所述遙感影像數(shù)據(jù)各波段的平均值；

其中，OST_i為在多尺度影像分割的目標尺度參數(shù)水平的OST數(shù)值，OST_i-1為OST_i的上一個參數(shù)水平的OST數(shù)值；

其中，在OST數(shù)值達到最大時，將對應的影像分割結(jié)果作為所述最優(yōu)影像分割結(jié)果；

獲取所述待分級單元在各喀斯特石漠化等級的參照樣本，獲得參照樣本集；

根據(jù)各所述待分級單元數(shù)據(jù)的最大值、最小值、平均值和方差建立所述待分級單元的特征數(shù)據(jù)集；其中，所述待分級單元數(shù)據(jù)包括遙感影像波段數(shù)據(jù)、海拔、坡度、植被指數(shù)、建筑指數(shù)和水體指數(shù)；

將所述參照樣本集作為機器學習算法的訓練樣本，并將所述特征數(shù)據(jù)集作為所述機器學習算法的輸入?yún)?shù)，通過機器學習算法進行所述研究區(qū)的石漠化分級，以繪制石漠化空間分布；

將參照樣本集作為機器學習算法的訓練樣本的過程，包括步驟：

通過樣本分類算法對參照樣本集進行分類處理，獲得多個分類準確率和參照樣本權重；

根據(jù)分類準確率和參照樣本權重獲得各參照樣本的參考權重；

將參照樣本集中參考權重大于預設權重的參照樣本作為機器學習算法的訓練樣本；

所述機器學習算法包括隨機森林算法；

所述的通過樣本分類算法對參照樣本集進行分類處理，獲得多個分類準確率和參照樣本權重，包括如下步驟：

基于神經(jīng)網(wǎng)絡基礎模型進行凍結(jié)相關層權重、設置優(yōu)化器以及設置學習率處理；

通過上述處理后的神經(jīng)網(wǎng)絡基礎模型對參照樣本進行卷積處理、池化處理和激活函數(shù)處理，以獲得全連接層，以使原始圖片的尺寸成為目標尺寸；

通過多次迭代獲得相應的權重，基于優(yōu)化器的損失函數(shù)計算每次迭代的分類準確率。

2.根據(jù)權利要求1所述的喀斯特石漠化的遙感制圖方法，其特征在于，在所述根據(jù)所述遙感影像數(shù)據(jù)計算植被指數(shù)、建筑指數(shù)和水體指數(shù)，并根據(jù)所述海拔數(shù)據(jù)計算坡度的過程之前，還包括步驟：對所述遙感影像數(shù)據(jù)和所述專題數(shù)據(jù)進行數(shù)據(jù)預處理。

3.根據(jù)權利要求1所述的喀斯特石漠化的遙感制圖方法，其特征在于，確定所述喀斯特石漠化等級的過程，包括步驟：

根據(jù)所述坡度、所述土地利用數(shù)據(jù)和所述遙感影像數(shù)據(jù)，并應用影像分割結(jié)果確定所述喀斯特石漠化等級；其中，所述喀斯特石漠化等級包括石漠化分類和易混淆地類分類。

4.根據(jù)權利要求3所述的喀斯特石漠化的遙感制圖方法，其特征在于，還包括步驟：

在所述機器學習算法完成初始分類后，將所述易混淆地類分類歸為所述石漠化分類。