CN112580510A - 可渗透地面面积率的估算方法、装置、设备及存储介质 - Google Patents

可渗透地面面积率的估算方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112580510A
CN112580510A CN202011514978.1A CN202011514978A CN112580510A CN 112580510 A CN112580510 A CN 112580510A CN 202011514978 A CN202011514978 A CN 202011514978A CN 112580510 A CN112580510 A CN 112580510A
Authority
CN
China
Prior art keywords
permeable ground
building
water body
image
permeable
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011514978.1A
Other languages
English (en)
Other versions
CN112580510B (zh
Inventor
胡珊
岳晓琴
李骁
周晓穗
于萍萍
李飘燕
李浚宏
彭晋兴
胡均
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou City Planning And Design Institute
Original Assignee
Guangzhou City Planning And Design Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou City Planning And Design Institute filed Critical Guangzhou City Planning And Design Institute
Priority to CN202011514978.1A priority Critical patent/CN112580510B/zh
Publication of CN112580510A publication Critical patent/CN112580510A/zh
Application granted granted Critical
Publication of CN112580510B publication Critical patent/CN112580510B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Remote Sensing (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Geometry (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Astronomy & Astrophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及地理信息处理技术领域，公开了一种可渗透地面面积率的估算方法、装置、设备及存储介质，能够提高可渗透地面面积率的估算效率及准确率。所述方法包括：通过地图下载区获取高分辨率卫星影像的影响数据；基于影像数据创建可渗透地面面积率估算所需识别要素(可渗透地面、建筑及水体)的训练样本；基于训练样本构建深度学习模型并进行训练，随后根据训练好的模型，对整体影像数据进行分类，提取可渗透地面面积率估算所需识别要素的灰度图像；确定分割阈值，对灰度图像进行密度分割，得到目标要素的图斑栅格数据；根据目标要素的栅格数据估算个目标要素的占比数据，并估算可渗透地面面积率。

Description

可渗透地面面积率的估算方法、装置、设备及存储介质
技术领域
本发明涉及地理信息处理技术领域，特别是涉及一种可渗透地面面积率的估算方法、装置、设备及存储介质。
背景技术
城市可渗透地面面积及分布情况对于了解海绵城市发展现状、评价城市环境质量具有重要意义。从国家、省到市层面的相关政策文件及技术标准都提出了城市可渗透地面面积比例的具体要求，这个指标也是考核海绵城市建设的一项重要指标。
目前，城市可渗透地面面积的估算研究成果寥寥无几，仅有的成果主要集中在利用多光谱卫星遥感影像数据进行对象切割，识别完全不透水地面(如路面、建筑物、停车场等)或可渗透地面(水体与植被)。现有成果的缺点如下：①精确度低，网络上可快速获取的多光谱卫星遥感影像数据的空间像素分辨率不高(多为19.5米、30米)，在可渗透地面材质的准确圈定中精度较差；②机动性差，多光谱卫星遥感影像数据服务商在提供免费数据服务时，多采用切片服务，切片的空间范围较大(一般为上千平方公里)且相对固定，不利于灵活划定小片区的研究范围。
发明内容
本发明实施例所要解决的技术问题是：提供一种可渗透地面面积率的估算方法、装置、设备及存储介质，基于高分辨率卫星影像对可渗透地面进行识别，并估算可渗透地面面积率。
为了解决上述技术问题，第一方面，本发明实施例提供一种可渗透地面面积率的估算方法，所述方法包括：
获取高分辨率卫星地图影像的影像数据；
根据所述影像数据创建可渗透地面训练样本、建筑训练样本以及水体训练样本；
根据所述可渗透地面训练样本构建可渗透地面识别模型；根据所述建筑样本构建建筑识别模型；根据所述水体样本构建水体识别模型；
使用所述可渗透地面识别模型对所述影像数据进行识别，提取可渗透地面灰度图像；使用所述建筑识别模型对所述影像数据进行识别，提取建筑灰度图像；使用所述水体识别模型对所述影像数据进行识别，提取水体灰度图像；
对所述可渗透地面灰度图像进行密度分割获取可渗透地面图斑栅格数据；对所述建筑灰度图像进行密度分割获取建筑图斑栅格数据；对所述水体灰度图像进行密度分割获取水体图斑栅格数据；
根据所述可渗透地面图斑栅格数据、所述建筑图斑栅格数据以及所述水体图斑栅格数据估算可渗透地面面积率。
在一个优选方案中，所述根据所述影像数据创建可渗透地面训练样本、建筑训练样本以及水体训练样本，具体包括：
可渗透地面训练样本的创建：
从所述影像数据中选取第一区域；其中，所述第一区域包括所述影像数据中所有可渗透地面要素类型；
根据所述第一区域创建第一ROI图层；其中，所述第一ROI图层勾选了所述第一区域中所有需要识别的可渗透地面要素；
根据所述第一ROI图层生成可渗透地面标签栅格，完成所述可渗透地面训练样本的创建；
建筑训练样本的创建：
从所述影像数据中选取第二区域；其中，所述第二区域包括所述影像数据中所有建筑要素类型；
根据所述第二区域创建第二ROI图层；其中，所述第二ROI图层勾选了所述第二区域中所有需要识别的建筑要素；
根据所述第二ROI图层生成建筑标签栅格，完成所述建筑训练样本的创建；
水体训练样本的创建：
从所述影像数据中选取第三区域；其中，所述第三区域包括所述影像数据中所有水体要素类型；
根据所述第三区域创建第三ROI图层；其中，所述第三ROI图层勾选了所述第三区域中所有需要识别的水体要素；
根据所述第三ROI图层生成水体标签栅格，完成所述水体训练样本的创建。
在一个优选方案中，所述根据所述可渗透地面训练样本构建可渗透地面识别模型，具体包括：
创建第一深度学习模型，并设置初始参数；
根据所述可渗透地面训练样本训练所述第一深度学习模型；
将训练好的第一深度学习模型作为所述可渗透地面识别模型；
所述根据所述建筑样本构建建筑识别模型，具体包括：
创建第二深度学习模型，并设置初始参数；
根据所述建筑训练样本训练所述第二深度学习模型；
将训练好的第二深度学习模型作为所述建筑识别模型；
所述根据所述水体样本构建水体识别模型，具体包括：
创建第三深度学习模型，并设置初始参数；
根据所述水体训练样本训练所述第三深度学习模型；
将训练好的第三深度学习模型作为所述水体识别模型。
在一个优选方案中，所述使用所述可渗透地面识别模型对所述影像数据进行识别，提取可渗透地面灰度图像，具体包括：
在遥感图像处理平台的深度学习向导中选择执行分类；
在弹出的对话框中选择所述影像数据以及所述可渗透地面识别模型；
设置可渗透地面栅格的输出路径，提取所述可渗透地面灰度图像；
所述使用所述建筑识别模型对所述影像数据进行识别，提取建筑灰度图像，具体包括：
在遥感图像处理平台的深度学习向导中选择执行分类；
在弹出的对话框中选择所述影像数据以及所述建筑识别模型；
设置建筑栅格的输出路径，提取所述建筑灰度图像；
所述使用所述水体识别模型对所述影像数据进行识别，提取水体灰度图像，具体包括：
在遥感图像处理平台的深度学习向导中选择执行分类；
在弹出的对话框中选择所述影像数据以及所述水体识别模型；
设置水体栅格的输出路径，提取所述水体灰度图像。
作为一个优选方案，所述对所述可渗透地面灰度图像进行密度分割获取可渗透地面图斑栅格数据，具体包括：
通过遥感图像处理平台的密度分割工具，人工拖动分割阈值条判断或者选择自动调整分割阈值对所述可渗透地面灰度图像进行密度分割；
将密度分割之后的可渗透地面灰度图像输出保存，得到所述可渗透地面图斑栅格数据；
所述对所述建筑灰度图像进行密度分割获取建筑图斑栅格数据，具体包括：
通过遥感图像处理平台的密度分割工具，人工拖动分割阈值条判断或者选择自动调整分割阈值对所述建筑灰度图像进行密度分割；
将密度分割之后的建筑灰度图像输出保存，得到所述建筑图斑栅格数据；
所述对所述水体灰度图像进行密度分割获取水体图斑栅格数据，具体包括：
通过遥感图像处理平台的密度分割工具，人工拖动分割阈值条判断或者选择自动调整分割阈值对所述水体灰度图像进行密度分割；
将密度分割之后的水体灰度图像输出保存，得到所述水体图斑栅格数据。
作为一个优选方案，所述根据所述可渗透地面图斑栅格数据、所述建筑图斑栅格数据以及所述水体图斑栅格数据估算可渗透地面面积率，具体包括：
根据所述可渗透地面图斑栅格数据获取可渗透地面占比；
根据所述建筑图斑栅格数据获取建筑占比；
根据所述水体图斑栅格数据获取水体占比；
根据所述可渗透地面占比、所述建筑占比以及所述水体占比估算所述可渗透地面面积率。
作为一个优选方案，所述获取高分辨率卫星地图影像的影像数据，具体包括：
通过地图下载器框选研究范围；
选择下载类型、影像级别以及数据类型；
下载数据，获取所述高分辨率卫星地图影像的影像数据。
为了解决上述技术问题，第二方面，本发明实施例提供一种可渗透地面面积率的估算装置，所述装置包括：
影像数据获取模块，用于获取高分辨率卫星地图影像的影像数据；
训练样本创建模块，用于根据所述影像数据创建可渗透地面训练样本、建筑训练样本以及水体训练样本；
识别模型构建模块，用于根据所述可渗透地面训练样本构建可渗透地面识别模型；以及根据所述建筑样本构建建筑识别模型；以及根据所述水体样本构建水体识别模型；
灰度图像提取模块，用于使用所述可渗透地面识别模型对所述影像数据进行识别，提取可渗透地面灰度图像；以及使用所述建筑识别模型对所述影像数据进行识别，提取建筑灰度图像；以及使用所述水体识别模型对所述影像数据进行识别，提取水体灰度图像；
图斑栅格数据获取模块，用于对所述可渗透地面灰度图像进行密度分割获取可渗透地面图斑栅格数据；以及对所述建筑灰度图像进行密度分割获取建筑图斑栅格数据；以及对所述水体灰度图像进行密度分割获取水体图斑栅格数据；
面积率估算模块，用于根据所述可渗透地面图斑栅格数据、所述建筑图斑栅格数据以及所述水体图斑栅格数据估算可渗透地面面积率。
为了解决上述技术问题，第三方面，本发明实施例提供一种终端设备，所述终端设备包括存储器、处理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，所述计算机程序由所述处理器执行时实现如第一方面任一项所述的可渗透地面面积率的估算方法。
为了解决上述技术问题，第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现如第一方面任一项所述的可渗透地面面积率的估算方法。
与现有技术相比，本发明实施例提供的一种可渗透地面面积率的估算方法、装置、设备及存储介质，其有益效果在于：
(1)基于高分辨率卫星地图影像识别、提取城市可渗透地面的图斑范围，较现有识别方法而言，数据获取手段更加灵活、数据分辨率更高、提取结果更加精确，解决了现有遥感监测技术中对可渗透地面识别、提取的错误率高、数据源要求高、精确度低、机动性差等问题等问题，使得对城市可渗透地面的监测更加自动化、智能化、专业化；
(2)对可渗透地面面积率进行估算之后，有利于了解某城市或某地区海绵城市的发展情况，一是现状估算——估算现状可渗透地面面积率，与规划目标进行对比；二是分析研究——测算不同城市、不同区域的可渗透地面面积，分析对比；三是规划验收——建成后测评可渗透地面面积监测。
附图说明
为了更清楚地说明本发明实施例的技术特征，下面将对本发明实施例中所需要使用的附图做简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种可渗透地面面积率的估算方法的一个优选实施例的流程示意图；
图2是本发明提供的一种可渗透地面面积率的估算装置的一个优选实施例的结构示意图；
图3是本发明提供的一种终端设备的一个优选实施例的结构示意图。
具体实施方式
为了对本发明的技术特征、目的、效果有更加清楚的理解，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例仅用于说明本发明，但是不用来限制本发明的保护范围。基于本发明的实施例，本领域技术人员在没有付出创造性劳动的前提下所获得的其他实施例，都应属于本发明的保护范围。
在本发明的描述中，应当理解的是，本文中的编号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有顺序或者技术含义，不能理解为规定或者暗示所描述的对象的重要性。
为了准确定义概念，确保语言表述的正确性及便于本发明的实现，特在此对以下内容进行说明和定义。
(1)可渗透地面：
在进行可渗透地面要素识别前，有必要对卫星地图影像中易于识别的可渗透地面要素进行系统说明。目前，不同技术管理规定或相关文件对可渗透地面的定义不尽相同。不同政策文件在对可渗透地面的分类标准上既有基于功能的，也有基于材质的，不利于图像识别。
本发明以符合规范和便于图像识别为原则，如表1所示将可渗透地面按照材质划分为植被覆盖面、自然裸露地面、植草砖、聚氨酯透水路面、透水砖，雨量径流系数均小于0.5。
表1基于卫星地图影像的可渗透地面识别要素
Figure RE-GDA0002933454870000081
其中，雨量径流系数参照《室外排水设计规范》(GB50014-2006) 和《雨水控制与利用工程设计规范》(DB11/685)，径流系数值于0-1 之间，数值越大则代表降雨较不易被该类型地面吸收。
(2)可渗透地面面积率
相关政策与技术标准对可渗透地面面积率的定义大致相同，主要是指可渗透地面面积占硬化地面或室外地面总面积的比例。
基于上述概念的定义，本发明所称可渗透地面面积率，是指一定区域范围内，可渗透地面要素面积之和占室外地面总面积的比例，其中，室外地面总面积为研究范围用地面积减去水体与建筑占地面积。
即，城市可渗透地面面积率R估算公式：
Figure RE-GDA0002933454870000082
其中：
A为研究范围用地面积占比，B为建筑面积占比，P为可渗透地面要素(包括植被覆盖面、自然裸露地面、植草砖、聚氨酯透水路面、透水砖)面积占比，W为水体面积占比。
图1所示为本发明提供的一种可渗透地面面积率的估算方法的一个优选实施例的流程示意图。
如图1所示，所述方法包括：
S11：获取高分辨率卫星地图影像的影像数据；
S12：根据所述影像数据创建可渗透地面训练样本、建筑训练样本以及水体训练样本；
S13：根据所述可渗透地面训练样本构建可渗透地面识别模型；根据所述建筑样本构建建筑识别模型；根据所述水体样本构建水体识别模型；
S14：使用所述可渗透地面识别模型对所述影像数据进行识别，提取可渗透地面灰度图像；使用所述建筑识别模型对所述影像数据进行识别，提取建筑灰度图像；使用所述水体识别模型对所述影像数据进行识别，提取水体灰度图像；
S15：对所述可渗透地面灰度图像进行密度分割获取可渗透地面图斑栅格数据；对所述建筑灰度图像进行密度分割获取建筑图斑栅格数据；对所述水体灰度图像进行密度分割获取水体图斑栅格数据；
S16：根据所述可渗透地面图斑栅格数据、所述建筑图斑栅格数据以及所述水体图斑栅格数据估算可渗透地面面积率。
具体而言，首先通过地图下载器获取高分辨率卫星影像的影像数据。其次基于影像数据创建可渗透地面面积率估算所需识别要素(可渗透地面、建筑及水体)的训练样本。然后基于训练样本构建深度学习模型并进行训练，随后根据训练好的模型，对整体影像数据进行分类，提取可渗透地面面积率估算所需识别要素的灰度图像。接着确定分割阈值，对灰度图像进行密度分割，得到目标要素的图斑栅格数据。最后再根据目标要素的图斑栅格数据计算各个目标要素的占比数据，并估算可渗透地面面积率。
在一个优选实施例中，步骤S11具体包括：
S111：通过地图下载器框选研究范围；
S112：选择下载类型、影像级别以及数据类型；
S113：下载数据，获取所述高分辨率卫星地图影像的影像数据。
需要说明的是，不同电子地图平台服务商提供不同精度级别的地图影像，如百度地图的影像级别按像素分辨率从大到小分别是0.25米、 0.50米、1.00米、2.00米……等，Google地图的影像级别按像素分辨率从大到小分别是0.12米、0.24米、0.49米、0.97米、1.94米……等。
本实施例中通过Bigemap、91卫图助手等地图下载器，选取研究区域，选择GoogleMap影像地图，为了尽可能高精度识别对象，下载影像级别选择为最高第20级，像素分辨率为0.12米，下载时不叠加道路地名信息，并选择影像数据类型进行下载，获得高分辨率卫星地图影像的影像数据。
在一个优选实施例中，步骤S12具体包括：
S121：可渗透地面训练样本的创建：
S1211：从所述影像数据中选取第一区域；其中，所述第一区域包括所述影像数据中所有可渗透地面要素类型；
S1212：根据所述第一区域创建第一ROI(Region of Interest)图层；其中，所述第一ROI图层勾选了所述第一区域中所有需要识别的可渗透地面要素；
S1213：根据所述第一ROI图层生成可渗透地面标签栅格，完成所述可渗透地面训练样本的创建；
S122：建筑训练样本的创建：
S1221：从所述影像数据中选取第二区域；其中，所述第二区域包括所述影像数据中所有建筑要素类型；
S1222：根据所述第二区域创建第二ROI图层；其中，所述第二 ROI图层勾选了所述第二区域中所有需要识别的建筑要素；
S1223：根据所述第二ROI图层生成建筑标签栅格，完成所述建筑训练样本的创建；
S123：水体训练样本的创建：
S1231：从所述影像数据中选取第三区域；其中，所述第三区域包括所述影像数据中所有水体要素类型；
S1232：根据所述第三区域创建第三ROI图层；其中，所述第三 ROI图层勾选了所述第三区域中所有需要识别的水体要素；
S1233：根据所述第三ROI图层生成水体标签栅格，完成所述水体训练样本的创建。
具体而言，选取步骤S11中获取的整景影像数据中的典型区域(区域中包含整景影像范围内所识别要素的所有地物类型)，通过ENVI(可选用版本5.6，win10平台)的ROI工具分别在独立ROI图层中勾勒出三类所需识别要素，生成三类不同识别要素的标签栅格，完成训练样本的创建。
在一个优选实施例中，步骤S13具体包括：
S131：可渗透地面识别模型的构建：
S1311：创建第一深度学习模型，并设置初始参数；
S1312：根据所述可渗透地面训练样本训练所述第一深度学习模型；
S1313：将训练好的第一深度学习模型作为所述可渗透地面识别模型；
S132：建筑识别模型的构建：
S1321：创建第二深度学习模型，并设置初始参数；
S1322：根据所述建筑训练样本训练所述第二深度学习模型；
S1323：将训练好的第二深度学习模型作为所述建筑识别模型；
S133：水体识别模型的构建：
S1331：创建第三深度学习模型，并设置初始参数；
S1332：根据所述建筑训练样本训练所述第三深度学习模型；
S1333：将训练好的第三深度学习模型作为所述水体识别模型。
具体而言，在创建深度学习模型时，初始化目标要素深度学习模型，需要设置切片大小(patch size)、波段数量(Number of Bands)及类别数量(Number of Classes)。参数设置如下：
①切片是指传入深度学习模型进行训练的小图片，训练深度学习模型的过程就是将所述步骤S12中生成的标签栅格(即训练样本)切割为若干个小图片传入深度学习模型进行训练。ENVI所支持切片大小的设置范围为208-784个像素，切片越大，对电脑配置的要求越高，且切片大小不能大于标签栅格的栅格行列数大小。故本实施例中切片大小选择为208。
②波段数量是指卫星地图影像波段个数。电子地图下载器所提供的卫星影像波段数为3。
③类别数量是指识别的地物类型。单一类型的地物识别中，该参数设置为1。
其中，“可渗透地面”、“建筑”和“水体”的相关参数均一致，但本发明实施例不限于此。
进一步的，在训练深度学习模型时，需要将标签栅格(训练样本) 反复地暴露在模型中。随着训练的进行，模型将学习把标签图像中的光谱和空间信息转换为“CAM灰度图”(Class Activation Map/Raster 类激活灰度图)，高亮显示所要提取的目标。在第一次训练过程中，模型尝试初始猜测并生成一个随机CAM灰度图，将其与标签图像中的掩膜波段进行对比。通过一个损失函数，模型可以知道它的随机猜测结果哪些地方是错误的。模型通过多次对照调整自身内部参数或权重，使其更加准确。
训练深度学习模型步骤具体为：选择ENVI深度学习模块中Input a New Model初始化一个新的模型，设置模型训练参数，分别训练步骤 S12中的三类训练样本，通过模型对研究区域中的另一子区域进校校验分类结果，若识别结果理想则模型训练完成(文件格式为“.h5”)，可进一步识别整景卫星地图影像；若不理想则需要再次训练模型。再次训练模型则需要另选取典型子区域勾勒所需要素的样本对象，并在原训练模型中增加训练数据，更新训练结果。
优选的，训练时的相关参数设置如下：
①Number of Epochs：指迭代次数，表示全部数据集传入训练模型的周期。为了得到识别精度较好的模型，需要多次迭代来充分训练模型。迭代次数取决于所需学习的特征集的多样性，没有确切的数字，一般情况下需要做足够多的迭代次数来调整模型。ENVI中迭代次数默认数为25，可视目标要素的复杂性与多样性建议把迭代次数设置在 16～32之间。
其中，“可渗透地面”、“建筑”要素复杂性与多样性较高，迭代次数建议为25～32；“水体”要素较为单一，迭代次数为16～20次即可。
②Number of Patches per Epoch：指每次迭代训练的总切片数(模型训练的量)。对于小的数据集此值可以设低，对于大的数据集建议此值设高，一般在200～1000之间。
③Number of Patches per Batch：指一次迭代同时处理的一组切片的切片数，Batches在一次迭代中运行，直到切片数量超过一次迭代设定的总切片数(及Number ofPatches per Epoch)。可缺省为空，ENVI将自动确定合适的值。
④Patch Sampling Rate：指切片采样比率，表示一次迭代中所采用切片占标签图像所有切片的比率。缺省值为16，当特征稀疏时或切片较小时，增加该值可以提升模型精度。
其中，“可渗透地面”、“建筑”要素在标签图像中分布较为密集，切片采样比率优选为16～30；“水体”在标签图像中分布较为稀疏，切片采样比率优选为50以上。
⑤Class Weight：指选择切片的类别权重大小。一般来说需要为训练样本分布较为稀疏的标签图像设置Class Weight最大值，其余情况缺省即可。为避免目标要素在标签图像中的分布过于稀疏的、ENVI自动选择切片时选择了完全由非目标要素组成的切片，可设置Class Weight 的最大值(默认为2，即所分析的切片中，目标栅格与背景栅格的比例为2:1)用于偏差切片选择，最大值有效范围为0.0～6.0。最小值设置为0，模型训练过程中选择Class weight值最大的切片依次减小到最小值，当切片中目标栅格与背景栅格无限趋近于0时结束该次迭代。
其中，“可渗透地面”、“建筑”要素在标签图像中分布较为密集，类别权重大小最小值0，最大值2.0；“水体”在标签图像中分布较为稀疏，类别权重大小最小值0，最大值6.0。
⑥Loss Weight：指偏差损失权重。此参数在特征目标稀疏分布或者没有标记所有特征时，增加Loss Weight会使得损失函数偏向于寻找特征像素，该参数有效范围值为0.0～3.0。
其中，“可渗透地面”、“建筑”要素在标签图像中分布较为密集，该值可缺省；“水体”在标签图像中分布较为稀疏，该值设置为3.0。
⑦Solid Distance：为实体距离，设置改参数应用于线状或者点状样本的训练(如汽车、集装箱等)，默认为0。
其中，“可渗透地面”、“建筑”和“水体”不适用，该值均设为0。
⑧Blur Distance：指模糊距离，通常应用于具有锐利边界目标的提取，例如房屋等，设置越大提取的边界越圆滑，越小提取的边界越尖锐。最大值缺省为10，所设置数值不超过70，最小值缺省为0。
为提取较为圆滑的对象边界，“可渗透地面”、“建筑”和“水体”的模糊距离最大值设为50，最小值设为5。
深度学习模型校验步骤具体为：将得到的深度学习模型应用于整景卫星地图影像的另一子区域，校验所提取的目标要素，若对结果满意(例如，所生成CAM图高亮区域与实际勾勒要素重合率达90％以上) 符合预期，则模型训练结束；若对结果不满(即提取要素存在偏差，重合率低于90％)，则需另选典型区域生成标签栅格，重复加载入步骤 S13所得学习模型中进行模型训练，重复校验。
在一个优选实施例中，步骤S14具体包括：
S141：可渗透地面灰度图像的识别提取：
S1411：在遥感图像处理平台的深度学习向导中选择执行分类；
S1412：在弹出的对话框中选择所述影像数据以及所述可渗透地面识别模型；
S1413：设置可渗透地面栅格的输出路径，提取所述可渗透地面灰度图像；
S142：建筑灰度图像的识别提取：
S1421：在遥感图像处理平台的深度学习向导中选择执行分类；
S1422：在弹出的对话框中选择所述影像数据以及所述建筑识别模型；
S1423：设置建筑栅格的输出路径，提取所述建筑灰度图像；
S143：水体灰度图像的识别提取：
S1431：在遥感图像处理平台的深度学习向导中选择执行分类；
S1432：在弹出的对话框中选择所述影像数据以及所述水体识别模型；
S1433：设置水体栅格的输出路径，提取所述水体灰度图像。
其中，遥感图像处理平台采用ENVI，但是本发明实施例不限于此。
具体而言，在ENVI深度学习向导中选择ClassifyRaster Using a TrainedModel，在弹出的对话框中选择待分类的整体影像数据和步骤 S13所得目标要素深度学习模型，设置分类激活栅格的输出路径，可进行影像数据要素分类。分类结果得到一个类激活灰度图，灰度图中每个像元大致表示属于目标类别的概率大小，阈值范围为0～1，数值越大表示识别为所需对象的概率越大。
在一个优选实施例中，步骤S15具体包括：
S151：可渗透地面图斑栅格数据的密度分割：
S1511：通过遥感图像处理平台的密度分割工具，人工拖动分割阈值条判断或者选择自动调整分割阈值；
S1512：将密度分割之后的可渗透地面灰度图像输出保存，得到所述可渗透地面图斑栅格数据；
S152：建筑图斑栅格数据的密度分割：
S1521：通过遥感图像处理平台的密度分割工具，人工拖动分割阈值条判断或者选择自动调整分割阈值；
S1522将密度分割之后的建筑灰度图像输出保存，得到所述建筑图斑栅格数据；
S153：水体图斑栅格数据的密度分割：
S1531：通过遥感图像处理平台的密度分割工具，人工拖动分割阈值条判断或者选择自动调整分割阈值；
S1532：将密度分割之后的水体灰度图像输出保存，得到所述水体图斑栅格数据。
其中，遥感图像处理平台采用ENVI，但是本发明实施例不限于此。
具体而言，灰度图中每个像元的值是ENVI深度学习的分类执行结果，整个图像的每一个栅格都有一个0～1值，数值越大表示识别为所需对象的概率越大。作为一个举例，在建筑识别的时候，栅格概率值为0.6以上的大部分都是我们所需要的识别对象，那么该过程就要就把阈值设为0.6，去除概率值为0.6以下的所有栅格。
至于这个值是如何调整，则可选取以下两者之一：
(1)拖动阈值条，通过人工观测判断；
(2)阈值设为0，选择Otsu平台自动调整分割阈值。
在一个优选实施例中，步骤S16具体包括：
S161：根据所述可渗透地面图斑栅格数据获取可渗透地面占比；
S162：根据所述建筑图斑栅格数据获取建筑占比；
S163：根据所述水体图斑栅格数据获取水体占比；
S164：根据所述可渗透地面占比、所述建筑占比以及所述水体占比估算所述可渗透地面面积率。
具体而言，在ENVI平台中右键点击步骤S15所得建筑、水体、可渗透地面三类要素图斑栅格数据文件，通过快速计算选项查看要素占比数据，计算图斑面积。作为一个举例，所得建筑占整景面积比例为45.5％，水体占整景面积比例为0.5％，可渗透地面占整景面积比例为21.0％，则最终所得可渗透地面面积率为：
Figure RE-GDA0002933454870000171
应当理解，本发明实现上述可渗透地面面积率的估算方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述可渗透地面面积率的估算方法的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U 盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
图2所示为本发明提供的一种可渗透地面面积率的估算装置的一个优选实施例的结构示意图，所述装置能够实现上述任一实施例所述的可渗透地面面积率的估算方法的全部流程。
如图2所示，所述装置包括：
影像数据获取模块，用于获取高分辨率卫星地图影像的影像数据；
训练样本创建模块，用于根据所述影像数据创建可渗透地面训练样本、建筑训练样本以及水体训练样本；
识别模型构建模块，用于根据所述可渗透地面训练样本构建可渗透地面识别模型；以及根据所述建筑样本构建建筑识别模型；以及根据所述水体样本构建水体识别模型；
灰度图像提取模块，用于使用所述可渗透地面识别模型对所述影像数据进行识别，提取可渗透地面灰度图像；以及使用所述建筑识别模型对所述影像数据进行识别，提取建筑灰度图像；以及使用所述水体识别模型对所述影像数据进行识别，提取水体灰度图像；
图斑栅格数据获取模块，用于对所述可渗透地面灰度图像进行密度分割获取可渗透地面图斑栅格数据；以及对所述建筑灰度图像进行密度分割获取建筑图斑栅格数据；以及对所述水体灰度图像进行密度分割获取水体图斑栅格数据；
面积率估算模块，用于根据所述可渗透地面图斑栅格数据、所述建筑图斑栅格数据以及所述水体图斑栅格数据估算可渗透地面面积率。
优选的，所述影像数据获取模块具体包括：
框选单元，用于通过地图下载器框选研究范围；
选择单元，用于选择下载类型、影像级别以及数据类型；
下载单元，用于下载数据，获取所述高分辨率卫星地图影像的影像数据。
优选的，所述训练样本创建模块具体包括：
第一样本创建单元，用于创建可渗透地面训练样本；其中，所述第一创建单元具体包括：
第一区域选择子单元，用于从所述影像数据中选取第一区域；其中，所述第一区域包括所述影像数据中所有可渗透地面要素类型；
第一ROI图层创建子单元，用于根据所述第一区域创建第一ROI 图层；其中，所述第一ROI图层勾选了所述第一区域中所有需要识别的可渗透地面要素；
第一标签栅格生成子单元，用于根据所述第一ROI图层生成可渗透地面标签栅格，完成所述可渗透地面训练样本的创建；
第二样本创建单元，用于创建建筑训练样本；其中，所述第二创建单元具体包括：
第二区域选择子单元，用于从所述影像数据中选取第二区域；其中，所述第二区域包括所述影像数据中所有建筑要素类型；
第二ROI图层创建子单元，用于根据所述第二区域创建第二ROI 图层；其中，所述第二ROI图层勾选了所述第二区域中所有需要识别的建筑要素；
第二标签栅格生成子单元，用于根据所述第二ROI图层生成建筑标签栅格，完成所述建筑训练样本的创建；
第三样本创建单元，用于创建水体训练样本；其中，所述第三创建单元具体包括：
第三区域选择子单元，用于从所述影像数据中选取第三区域；其中，所述第三区域包括所述影像数据中所有水体要素类型；
第三ROI图层创建子单元，用于根据所述第三区域创建第三ROI 图层；其中，所述第三ROI图层勾选了所述第三区域中所有需要识别的水体要素；
第三标签栅格生成子单元，用于根据所述第三ROI图层生成水体标签栅格，完成所述水体训练样本的创建。
优选的，所述识别模型构建模块具体包括：
第一模型构建单元，用于构建可渗透地面识别模型；其中，所述第一模型构建单元具体包括：
第一模型创建子单元，用于创建第一深度学习模型，并设置初始参数；
第一模型训练子单元，用于根据所述可渗透地面训练样本训练所述第一深度学习模型；
第一模型选择子单元，用于将训练好的第一深度学习模型作为所述可渗透地面识别模型；
第二模型构建单元，用于构建建筑识别模型；其中，所述第二模型构建单元具体包括：
第二模型创建子单元，用于创建第二深度学习模型，并设置初始参数；
第二模型训练子单元，用于根据所述建筑训练样本训练所述第二深度学习模型；
第二模型选择子单元，用于将训练好的第二深度学习模型作为所述建筑识别模型；
第三模型构建单元，用于构建水体识别模型；其中，所述第三模型构建单元具体包括：
第三模型创建子单元，用于创建第三深度学习模型，并设置初始参数；
第三模型训练子单元，用于根据所述水体训练样本训练所述第三深度学习模型；
第三模型选择子单元，用于将训练好的第三深度学习模型作为所述水体识别模型。
优选的，所述灰度图像提取模块具体包括：
第一图像提取单元，用于提取可渗透地面灰度图像；其中，所述第一提取单元具体包括：
第一执行分类子单元，用于在遥感图像处理平台的深度学习向导中选择执行分类；
第一数据选择子单元，用于在弹出的对话框中选择所述影像数据以及所述可渗透地面识别模型；
第一提取子单元，用于设置可渗透地面栅格的输出路径，提取所述可渗透地面灰度图像；
第二图像提取单元，用于提取建筑灰度图像；其中，所述第二提取单元具体包括：
第二执行分类子单元，用于在遥感图像处理平台的深度学习向导中选择执行分类；
第二数据选择子单元，用于在弹出的对话框中选择所述影像数据以及所述建筑识别模型；
第二提取子单元，用于设置建筑栅格的输出路径，提取所述建筑灰度图像；
第三图像提取单元，用于提取水体灰度图像；其中，所述第三提取单元具体包括：
第三执行分类子单元，用于在遥感图像处理平台的深度学习向导中选择执行分类；
第三数据选择子单元，用于在弹出的对话框中选择所述影像数据以及所述水体识别模型；
第三提取子单元，用于设置水体栅格的输出路径，提取所述水体灰度图像。
优选的，所述图斑栅格数据获取模块具体包括：
第一栅格获取单元，用于获取可渗透地面图斑栅格数据；其中，所述第一栅格获取单元具体包括：
第一密度分割子单元，用于通过遥感图像处理平台的密度分割工具，人工拖动分割阈值条判断或者选择自动调整分割阈值；
第一栅格获取子单元，用于将密度分割之后的可渗透地面灰度图像输出保存，得到所述可渗透地面图斑栅格数据；
第二栅格获取单元，用于获取建筑图斑栅格数据；其中，所述第二栅格获取单元具体包括：
第二密度分割子单元，用于通过遥感图像处理平台的密度分割工具，人工拖动分割阈值条判断或者选择自动调整分割阈值；
第二栅格获取子单元，用于将密度分割之后的建筑灰度图像输出保存，得到所述建筑图斑栅格数据；
第三栅格获取单元，用于获取水体图斑栅格数据；其中，所述第三栅格获取单元具体包括：
第三密度分割单元，用于通过遥感图像处理平台的密度分割工具，人工拖动分割阈值条判断或者选择自动调整分割阈值；
第三栅格获取子单元，用于将密度分割之后的水体灰度图像输出保存，得到所述水体图斑栅格数据。
优选的，所述面积率估算模块具体包括：
第一占比获取单元，用于根据所述可渗透地面图斑栅格数据获取可渗透地面占比；
第二占比获取单元，用于根据所述建筑图斑栅格数据获取建筑占比；
第三占比获取单元，用于根据所述水体图斑栅格数据获取水体占比；
面积率估算单元，用于根据所述可渗透地面占比、所述建筑占比以及所述水体占比估算所述可渗透地面面积率。
图3所示为本发明提供的一种终端设备的一个优选实施例的结构示意图，所述设备能够实现上述任一实施例所述的可渗透地面面积率的估算方法的全部流程。
如图3所示，所述设备包括存储器、处理器；其中，所述存储器中存储有计算机程序，所述计算机程序被配置为由所述处理器执行，且被所述处理器执行时实现如上述任一实施例所述的可渗透地面面积率的估算方法。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor， DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD) 卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
需要说明的是，上述终端设备包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图3结构示意图仅仅是上述终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多部件，或者组合某些部件，或者不同的部件。
与现有技术相比，本发明实施例提供的一种可渗透地面面积率的估算方法、装置、设备及存储介质，其有益效果在于：
(1)基于高分辨率卫星地图影像识别、提取城市可渗透地面的图斑范围，较现有识别方法而言，数据获取手段更加灵活、数据分辨率更高、提取结果更加精确，解决了现有遥感监测技术中对可渗透地面识别、提取的错误率高、数据源要求高、精确度低、机动性差等问题等问题，使得对城市可渗透地面的监测更加自动化、智能化、专业化；
(2)对可渗透地面面积率进行估算之后，有利于了解某城市或某地区海绵城市的发展情况，一是现状估算——估算现状可渗透地面面积率，与规划目标进行对比；二是分析研究——测算不同城市、不同区域的可渗透地面面积，分析对比；三是规划验收——建成后测评可渗透地面面积监测。
以上所述，仅是本发明的优选实施方式，但本发明的保护范围并不局限于此，应当指出，对于本领域技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干等效的明显变型方式和/或等同替换方式，这些明显变型方式和/或等同替换方式也应视为本发明的保护范围。

Claims (10)

1.一种可渗透地面面积率的估算方法，其特征在于，包括：
获取高分辨率卫星地图影像的影像数据；
根据所述影像数据创建可渗透地面训练样本、建筑训练样本以及水体训练样本；
根据所述可渗透地面训练样本构建可渗透地面识别模型；根据所述建筑样本构建建筑识别模型；根据所述水体样本构建水体识别模型；
使用所述可渗透地面识别模型对所述影像数据进行识别，提取可渗透地面灰度图像；使用所述建筑识别模型对所述影像数据进行识别，提取建筑灰度图像；使用所述水体识别模型对所述影像数据进行识别，提取水体灰度图像；
对所述可渗透地面灰度图像进行密度分割获取可渗透地面图斑栅格数据；对所述建筑灰度图像进行密度分割获取建筑图斑栅格数据；对所述水体灰度图像进行密度分割获取水体图斑栅格数据；
根据所述可渗透地面图斑栅格数据、所述建筑图斑栅格数据以及所述水体图斑栅格数据估算可渗透地面面积率。
2.根据权利要求1所述的可渗透地面面积率的估算方法，其特征在于，所述根据所述影像数据创建可渗透地面训练样本、建筑训练样本以及水体训练样本，具体包括：
可渗透地面训练样本的创建：
从所述影像数据中选取第一区域；其中，所述第一区域包括所述影像数据中所有可渗透地面要素类型；
根据所述第一区域创建第一ROI图层；其中，所述第一ROI图层勾选了所述第一区域中所有需要识别的可渗透地面要素；
根据所述第一ROI图层生成可渗透地面标签栅格，完成所述可渗透地面训练样本的创建；
建筑训练样本的创建：
从所述影像数据中选取第二区域；其中，所述第二区域包括所述影像数据中所有建筑要素类型；
根据所述第二区域创建第二ROI图层；其中，所述第二ROI图层勾选了所述第二区域中所有需要识别的建筑要素；
根据所述第二ROI图层生成建筑标签栅格，完成所述建筑训练样本的创建；
水体训练样本的创建：
从所述影像数据中选取第三区域；其中，所述第三区域包括所述影像数据中所有水体要素类型；
根据所述第三区域创建第三ROI图层；其中，所述第三ROI图层勾选了所述第三区域中所有需要识别的水体要素；
根据所述第三ROI图层生成水体标签栅格，完成所述水体训练样本的创建。
3.根据权利要求1所述的可渗透地面面积率的估算方法，其特征在于，所述根据所述可渗透地面训练样本构建可渗透地面识别模型，具体包括：
创建第一深度学习模型，并设置初始参数；
根据所述可渗透地面训练样本训练所述第一深度学习模型；
将训练好的第一深度学习模型作为所述可渗透地面识别模型；
所述根据所述建筑样本构建建筑识别模型，具体包括：
创建第二深度学习模型，并设置初始参数；
根据所述建筑训练样本训练所述第二深度学习模型；
将训练好的第二深度学习模型作为所述建筑识别模型；
所述根据所述水体样本构建水体识别模型，具体包括：
创建第三深度学习模型，并设置初始参数；
根据所述水体训练样本训练所述第三深度学习模型；
将训练好的第三深度学习模型作为所述水体识别模型。
4.根据权利要求1所述的可渗透地面面积率的估算方法，其特征在于，所述使用所述可渗透地面识别模型对所述影像数据进行识别，提取可渗透地面灰度图像，具体包括：
在遥感图像处理平台的深度学习向导中选择执行分类；
在弹出的对话框中选择所述影像数据以及所述可渗透地面识别模型；
设置可渗透地面栅格的输出路径，提取所述可渗透地面灰度图像；
所述使用所述建筑识别模型对所述影像数据进行识别，提取建筑灰度图像，具体包括：
在遥感图像处理平台的深度学习向导中选择执行分类；
在弹出的对话框中选择所述影像数据以及所述建筑识别模型；
设置建筑栅格的输出路径，提取所述建筑灰度图像；
所述使用所述水体识别模型对所述影像数据进行识别，提取水体灰度图像，具体包括：
在遥感图像处理平台的深度学习向导中选择执行分类；
在弹出的对话框中选择所述影像数据以及所述水体识别模型；
设置水体栅格的输出路径，提取所述水体灰度图像。
5.根据权利要求1所述的可渗透地面面积率的估算方法，其特征在于，所述对所述可渗透地面灰度图像进行密度分割获取可渗透地面图斑栅格数据，具体包括：
通过遥感图像处理平台的密度分割工具，人工拖动分割阈值条判断或者选择自动调整分割阈值对所述可渗透地面灰度图像进行密度分割；
将密度分割之后的可渗透地面灰度图像输出保存，得到所述可渗透地面图斑栅格数据；
所述对所述建筑灰度图像进行密度分割获取建筑图斑栅格数据，具体包括：
通过遥感图像处理平台的密度分割工具，人工拖动分割阈值条判断或者选择自动调整分割阈值对所述建筑灰度图像进行密度分割；
将密度分割之后的建筑灰度图像输出保存，得到所述建筑图斑栅格数据；
所述对所述水体灰度图像进行密度分割获取水体图斑栅格数据，具体包括：
通过遥感图像处理平台的密度分割工具，人工拖动分割阈值条判断或者选择自动调整分割阈值对所述水体灰度图像进行密度分割；
将密度分割之后的水体灰度图像输出保存，得到所述水体图斑栅格数据。
6.根据权利要求1所述的可渗透地面面积率的估算方法，其特征在于，所述根据所述可渗透地面图斑栅格数据、所述建筑图斑栅格数据以及所述水体图斑栅格数据估算可渗透地面面积率，具体包括：
根据所述可渗透地面图斑栅格数据获取可渗透地面占比；
根据所述建筑图斑栅格数据获取建筑占比；
根据所述水体图斑栅格数据获取水体占比；
根据所述可渗透地面占比、所述建筑占比以及所述水体占比估算所述可渗透地面面积率。
7.根据权利要求1所述的可渗透地面面积率的估算方法，其特征在于，所述获取高分辨率卫星地图影像的影像数据，具体包括：
通过地图下载器框选研究范围；
选择下载类型、影像级别以及数据类型；
下载数据，获取所述高分辨率卫星地图影像的影像数据。
8.一种可渗透地面面积率的估算装置，其特征在于，包括：
影像数据获取模块，用于获取高分辨率卫星地图影像的影像数据；
训练样本创建模块，用于根据所述影像数据创建可渗透地面训练样本、建筑训练样本以及水体训练样本；
识别模型构建模块，用于根据所述可渗透地面训练样本构建可渗透地面识别模型；以及根据所述建筑样本构建建筑识别模型；以及根据所述水体样本构建水体识别模型；
灰度图像提取模块，用于使用所述可渗透地面识别模型对所述影像数据进行识别，提取可渗透地面灰度图像；以及使用所述建筑识别模型对所述影像数据进行识别，提取建筑灰度图像；以及使用所述水体识别模型对所述影像数据进行识别，提取水体灰度图像；
图斑栅格数据获取模块，用于对所述可渗透地面灰度图像进行密度分割获取可渗透地面图斑栅格数据；以及对所述建筑灰度图像进行密度分割获取建筑图斑栅格数据；以及对所述水体灰度图像进行密度分割获取水体图斑栅格数据；
面积率估算模块，用于根据所述可渗透地面图斑栅格数据、所述建筑图斑栅格数据以及所述水体图斑栅格数据估算可渗透地面面积率。
9.一种终端设备，其特征在于，所述终端设备包括存储器、处理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，所述计算机程序由所述处理器执行时实现如权利要求1至7任一项所述的可渗透地面面积率的估算方法。
10.一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中存储有计算机程序，所述计算机程序被执行时实现如权利要求1至7任一项所述的可渗透地面面积率的估算方法。
CN202011514978.1A 2020-12-18 2020-12-18 可渗透地面面积率的估算方法、装置、设备及存储介质 Active CN112580510B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011514978.1A CN112580510B (zh) 2020-12-18 2020-12-18 可渗透地面面积率的估算方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011514978.1A CN112580510B (zh) 2020-12-18 2020-12-18 可渗透地面面积率的估算方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112580510A true CN112580510A (zh) 2021-03-30
CN112580510B CN112580510B (zh) 2024-05-21

Family

ID=75136357

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011514978.1A Active CN112580510B (zh) 2020-12-18 2020-12-18 可渗透地面面积率的估算方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112580510B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114743096A (zh) * 2022-03-21 2022-07-12 东华理工大学 一种区域滑坡识别方法、装置及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060262963A1 (en) * 2005-05-23 2006-11-23 Digitalglobe, Inc. Method and Apparatus for Determination of Water Pervious Surfaces
US20180017710A1 (en) * 2016-07-18 2018-01-18 2NDNATURE Software Inc. Systems and Methods for Event-based Modeling of Runoff and Pollutant Benefits of Sustainable Stormwater Management
CN107727078A (zh) * 2017-09-29 2018-02-23 北京工商大学 一种城市不透水层覆盖率遥感估算方法
CN108846832A (zh) * 2018-05-30 2018-11-20 理大产学研基地(深圳)有限公司 一种基于多时相遥感影像与gis数据的变化检测方法及系统
CN109190481A (zh) * 2018-08-06 2019-01-11 中国交通通信信息中心 一种遥感影像道路材质提取方法和系统
CN109446992A (zh) * 2018-10-30 2019-03-08 苏州中科天启遥感科技有限公司 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备
CN110516539A (zh) * 2019-07-17 2019-11-29 苏州中科天启遥感科技有限公司 基于对抗网络的遥感影像建筑物提取方法、系统、存储介质及设备
CN110990511A (zh) * 2019-11-29 2020-04-10 南京信息工程大学 一种顾及城市二维和三维形态的局部气候区分类方法
CN111028255A (zh) * 2018-10-10 2020-04-17 千寻位置网络有限公司 基于先验信息与深度学习的农田区域预筛选方法及装置
CN111058353A (zh) * 2020-01-16 2020-04-24 沈阳原创科技有限公司 一种海绵城市生态路面
CN111160127A (zh) * 2019-12-11 2020-05-15 中国资源卫星应用中心 一种基于深度卷积神经网络模型的遥感影像处理及检测方法
CN111274968A (zh) * 2020-01-20 2020-06-12 广州市城市规划自动化中心 面向对象的道路信息提取方法、装置及电子设备

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060262963A1 (en) * 2005-05-23 2006-11-23 Digitalglobe, Inc. Method and Apparatus for Determination of Water Pervious Surfaces
US20180017710A1 (en) * 2016-07-18 2018-01-18 2NDNATURE Software Inc. Systems and Methods for Event-based Modeling of Runoff and Pollutant Benefits of Sustainable Stormwater Management
CN107727078A (zh) * 2017-09-29 2018-02-23 北京工商大学 一种城市不透水层覆盖率遥感估算方法
CN108846832A (zh) * 2018-05-30 2018-11-20 理大产学研基地(深圳)有限公司 一种基于多时相遥感影像与gis数据的变化检测方法及系统
CN109190481A (zh) * 2018-08-06 2019-01-11 中国交通通信信息中心 一种遥感影像道路材质提取方法和系统
CN111028255A (zh) * 2018-10-10 2020-04-17 千寻位置网络有限公司 基于先验信息与深度学习的农田区域预筛选方法及装置
CN109446992A (zh) * 2018-10-30 2019-03-08 苏州中科天启遥感科技有限公司 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备
CN110516539A (zh) * 2019-07-17 2019-11-29 苏州中科天启遥感科技有限公司 基于对抗网络的遥感影像建筑物提取方法、系统、存储介质及设备
CN110990511A (zh) * 2019-11-29 2020-04-10 南京信息工程大学 一种顾及城市二维和三维形态的局部气候区分类方法
CN111160127A (zh) * 2019-12-11 2020-05-15 中国资源卫星应用中心 一种基于深度卷积神经网络模型的遥感影像处理及检测方法
CN111058353A (zh) * 2020-01-16 2020-04-24 沈阳原创科技有限公司 一种海绵城市生态路面
CN111274968A (zh) * 2020-01-20 2020-06-12 广州市城市规划自动化中心 面向对象的道路信息提取方法、装置及电子设备

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
MANDVI MISRA等: "Assessing Machine Learning Based Supervised Classifiers For Built-UpImpervious Surface Area Extraction From Sentinel-2 Images", 《URBAN FORESTRY & URBAN GREENING》, vol. 53, 20 May 2020 (2020-05-20), pages 1 - 14, XP086241400, DOI: 10.1016/j.ufug.2020.126714 *
TAO ZHANG等: "Monitoring of Urban Impervious Surfaces UsingTime Series of High-Resolution Remote SensingImages in Rapidly Urbanized Areas: A CaseStudy of Shenzhen", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》, 28 February 2018 (2018-02-28), pages 1 - 18 *
李晓磊: "基于遥感技术的滏阳河东武仕水库水体污染信息提取", 《中国资源综合利用》, vol. 36, no. 5, 31 May 2018 (2018-05-31), pages 171 - 174 *
李贤江等: "卷积神经网络在高分辨率影像分类中的应用", 《农业大数据学报》, vol. 1, no. 1, 31 March 2019 (2019-03-31), pages 67 - 77 *
黄巧能等: "海绵城市理论视角下的居住建筑景观设计分析", 《山西建筑》, vol. 44, no. 30, 31 October 2018 (2018-10-31), pages 15 - 16 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114743096A (zh) * 2022-03-21 2022-07-12 东华理工大学 一种区域滑坡识别方法、装置及系统

Also Published As

Publication number Publication date
CN112580510B (zh) 2024-05-21

Similar Documents

Publication Publication Date Title
US9430499B2 (en) Automated feature extraction from imagery
WO2022032329A1 (en) System and method for image-based remote sensing of crop plants
CN111028255B (zh) 基于先验信息与深度学习的农田区域预筛选方法及装置
Bayr et al. Automatic detection of woody vegetation in repeat landscape photographs using a convolutional neural network
US10509987B1 (en) Learning method and learning device for object detector based on reconfigurable network for optimizing customers' requirements such as key performance index using target object estimating network and target object merging network, and testing method and testing device using the same
US10402692B1 (en) Learning method and learning device for fluctuation-robust object detector based on CNN using target object estimating network adaptable to customers' requirements such as key performance index, and testing device using the same
CN112101309A (zh) 基于深度学习分割网络的地物目标识别方法和装置
CN112580511A (zh) 道路面积率的估算方法、装置、设备及存储介质
CN113096129B (zh) 高光谱卫星影像中的云量检测方法和装置
CN116012364A (zh) Sar图像变化检测方法和装置
CN112580510B (zh) 可渗透地面面积率的估算方法、装置、设备及存储介质
CN107835998B (zh) 用于识别数字图像中的表面类型的分层平铺方法
US11668857B2 (en) Device, method and computer program product for validating data provided by a rain sensor
CN113516060B (zh) 基于多时相高分辨率数据的建筑空间融合判别方法及装置
CN113298042B (zh) 遥感影像数据的处理方法及装置、存储介质、计算机设备
CN117095299B (zh) 破碎化耕作区的粮食作物提取方法、系统、设备及介质
CN113240340B (zh) 基于模糊分类的大豆种植区分析方法、装置、设备和介质
CN117035174A (zh) 一种木麻黄单木地上生物量的估算方法与系统
Roque et al. OBIA flood delimitation assisted by threshold determination with principal component analysis
CN110132966B (zh) 一种土壤污染源空间位置风险评价方法及系统
CN115601655A (zh) 基于卫星遥感的水体信息识别方法、装置和可读介质
JP2005106744A (ja) 画像解析装置
CN115272314B (zh) 农业低空遥感测绘方法、装置
CN116824157B (zh) 采样点确定、遥感产品真实性校验方法、装置及电子设备
CN112530011B (zh) 一种消纳场环境级别确定方法、装置及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 510030 6th floor, archive building, 80 Jixiang Road, Yuexiu District, Guangzhou City, Guangdong Province

Applicant after: Guangzhou urban planning and Design Co.,Ltd.

Address before: 510030 6th floor, archive building, 80 Jixiang Road, Yuexiu District, Guangzhou City, Guangdong Province

Applicant before: Guangzhou city planning and Design Institute

CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Hu Shan

Inventor after: Du Rui

Inventor after: Yue Xiaoqin

Inventor after: Li Xiao

Inventor after: Zhou Xiaosui

Inventor after: Yu Pingping

Inventor after: Peng Jinxing

Inventor after: Li Junhong

Inventor after: Li Piaoyan

Inventor after: Hu Jun

Inventor before: Hu Shan

Inventor before: Yue Xiaoqin

Inventor before: Li Xiao

Inventor before: Zhou Xiaosui

Inventor before: Yu Pingping

Inventor before: Li Piaoyan

Inventor before: Li Junhong

Inventor before: Peng Jinxing

Inventor before: Hu Jun

GR01 Patent grant
GR01 Patent grant