CN113158899A - 基于遥感夜光暗目标增强技术的村镇发展状态测度方法 - Google Patents
基于遥感夜光暗目标增强技术的村镇发展状态测度方法 Download PDFInfo
- Publication number
- CN113158899A CN113158899A CN202110436173.8A CN202110436173A CN113158899A CN 113158899 A CN113158899 A CN 113158899A CN 202110436173 A CN202110436173 A CN 202110436173A CN 113158899 A CN113158899 A CN 113158899A
- Authority
- CN
- China
- Prior art keywords
- data
- remote sensing
- area
- monthly
- surface temperature
- 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
Links
- 238000011161 development Methods 0.000 title claims abstract description 42
- 238000005516 engineering process Methods 0.000 title claims abstract description 17
- 238000000691 measurement method Methods 0.000 title claims abstract description 9
- 238000005259 measurement Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 36
- 230000015654 memory Effects 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 38
- 238000012216 screening Methods 0.000 claims description 22
- 238000012935 Averaging Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005728 strengthening Methods 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 description 32
- 230000006403 short-term memory Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000007787 long-term memory Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- DFPOZTRSOAQFIK-UHFFFAOYSA-N S,S-dimethyl-beta-propiothetin Chemical compound C[S+](C)CCC([O-])=O DFPOZTRSOAQFIK-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000005441 aurora Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Astronomy & Astrophysics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请公开了基于遥感夜光暗目标增强技术的村镇发展状态测度方法,包括:步骤1,对测度区域的月尺度遥感灯光数据进行暗目标加强处理;步骤2,根据测度区域中第一区域内、暗目标加强处理后的月尺度遥感灯光数据,结合第一区域对应的月尺度地表温度数据、月尺度植被指数数据,组成数据立方体;步骤3,对构建的长短期记忆网络进行训练和验证,当判定长短期记忆网络收敛时,根据收敛的长短期记忆网络和数据立方体,确定测度区域的村镇边界;步骤4,根据村镇边界,基于空间格局和趋势分析方法,对村镇发展状态进行测度分析。通过本申请中的技术方案,有效的提高村镇一级暗目标的识别能力,并保证了暗目标增强不会受明显噪声影响。
Description
技术领域
本申请涉及地理学和遥感科学的技术领域,具体而言,涉及一种基于遥感夜光暗目标增强技术的村镇发展状态测度方法。
背景技术
乡村振兴已成为国家重大战略,是中国解决“三农”问题的重要举措,正逐渐成为全社会的共同行动。乡村经济发展情况是探测乡村发展情况的重要指标之一。传统的乡村经济发展情况获取方法,主要是通过社会调查和统计手段,然而,这种获取方法通常需要耗费大量的时间、人员成本。
现代遥感技术,特别是夜间灯光数据的出现,为宏观尺度上探测社会经济发展提供了重要参考。已经有大量的研究将遥感夜间灯光数据应用于城市扩张及城市经济发展的探测中,此类遥感夜间灯光数据包括:DMSP/OLS、Suomi NPP/VIIRS以及基于VIIRS的火石地球夜光产品等。
然而,现有技术中鲜有研究将遥感夜间灯光数据应用于村镇一级暗目标的探测中,这主要有两个原因:一是,不同于城市地区灯光数据的灯光数值高、面积大、易探测等特点,村镇一级灯光数据的数值普遍较小、灯光面积相对较小、难以直接探测;二是,受城市高灯光数值影响,村镇一级灯光难以与无灯光区域进行区分,即在村镇一级的夜间灯光数据具有较低的信噪比,不易识别。
并且,由于遥感夜间灯光数据的适用范围、处理方法等限制,单独使用遥感夜间灯光数据也不足以直接对村镇一级暗目标的发展状态测度。
发明内容
本申请目的在于:提供基于遥感夜光暗目标增强技术的村镇发展状态测度方法,有效的提高村镇一级暗目标的识别能力,既可以识别出村镇一级暗目标,又可以提高产品的信噪比,保证暗目标不会受明显噪声影响。由此派生的乡村遥感产品可以直接为行业部门提供数据支撑及决策参考。
本申请的技术方案是:提供了基于遥感夜光暗目标增强技术的村镇发展状态测度方法,该方法包括:步骤1,对测度区域的月尺度遥感灯光数据进行暗目标加强处理;步骤2,根据测度区域中第一区域内、暗目标加强处理后的月尺度遥感灯光数据,结合第一区域对应的月尺度地表温度数据、月尺度植被指数数据,组成数据立方体,其中,第一区域为测度区域内月尺度遥感灯光数据的数值大于或等于预设阈值的区域;步骤3,对构建的长短期记忆网络进行训练和验证,当判定长短期记忆网络收敛时,根据收敛的长短期记忆网络和数据立方体,确定测度区域的村镇边界;步骤4,根据村镇边界,基于空间格局和趋势分析方法,对村镇发展状态进行测度分析。
上述任一项技术方案中,进一步地,测度区域至少包括第一区域和第二区域,预设阈值为0.25,步骤1中,对获取到的月尺度遥感灯光数据进行暗目标加强处理,具体包括:
根据条件函数模型,对月尺度遥感灯光数据进行条件筛选,对应的计算公式为:
上述任一项技术方案中,进一步地,步骤1中,具体还包括:
上述任一项技术方案中,进一步地,步骤2中,还包括:利用多年求平均方法,计算测度区域内多年平均8天的有效地表温度数据,记作第一地表温度数据;利用双线性插值方法,对第一地表温度数据中存在缺失的栅格点位进行插值,记作第二地表温度数据;基于第二地表温度数据,对当前年度每8天的地表温度原始数据中存在缺失的栅格点位进行插值,记作第三地表温度数据;对第三地表温度数据进行逐月尺度内累加求平均处理,生成逐年度每月的地表温度数据,记作第一区域对应的月尺度地表温度数据。
上述任一项技术方案中,进一步地,步骤2中,还包括:对测度区域内16天空间分辨率的归一化的植被指数数据进行去噪处理,记作第一归一化植被指数数据;基于第一归一化植被指数数据,进行逐月尺度内累加求平均处理,生成逐年度每月植被指数数据,记作第一区域对应的月尺度植被指数数据。
上述任一项技术方案中,进一步地,步骤1中还包括:根据预设栅格阈值,对测度区域内暗目标加强处理后的月尺度遥感灯光数据进行阈值筛选,当判定测度区域中栅格区域内、暗目标加强处理后的月尺度遥感灯光数据的有效值数目小于预设栅格阈值时,将该栅格区域记作第二区域。
本申请的有益效果是:
本申请中的技术方案,为了对村镇一级的目标进行发展状态测度,对测度区域的月尺度遥感灯光数据进行暗目标加强处理,采用基于阈值的条件筛选和数据重构,增强了遥感灯光数据中暗目标的亮度,有效的提高基于遥感灯光数据对村镇一级暗目标的识别能力,既可以识别出村镇一级暗目标,又可以提高产品的信噪比,保证暗目标增强不会受明显噪声影响。
并且,为了提高村镇边界划分的准确性和可靠性,将测度区域至少划分为第一区域和第二区域,其中,将第二区域作为NoDATA区域,有效地避免了无效数据对年尺度产品的噪声干扰。
本申请中,考虑到城市与村镇地区的地表温度及植被覆盖状况,通常存在较大的差异,将遥感探测的地表温度数据、植被指数数据与遥感灯光数据组成数据立方体,遥感灯光-地表温度-植被指数三者从不同的维度反映了城市与村镇的差异,因此,三者组成的数据立方体可以更好的增强村镇等暗目标的信号,进而达到稳健探测村镇一级暗目标的目的。
并且,分别对常规的遥感灯光、地表温度、植被指数进行处理,形成以月份尺度的时间序列数据,一方面消除了数据噪声的影响,保证了数据立方体中数据的可靠性,提高了村镇边界识别的准确性;另一方面,还能在保证数据量的前提下,减少测度过程中的运算量,提高村镇边界发展状态测度的效率。
附图说明
本申请的上述和/或附加方面的优点在结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本申请的一个实施例的基于遥感夜光暗目标增强技术的村镇发展状态测度方法的示意流程框图;
图2是根据本申请的一个实施例的具体方法的示意流程图;
图3是根据本申请的一个实施例的原始月尺度灯光数据产品因受杂光等影响而导致数据缺失现象的示意图;
图4是根据本申请的一个实施例的年尺度遥感灯光数据预处理的变换效果仿真图;
图5是根据本申请的一个实施例的某地区的地表温度数据、遥感夜间灯光数据、植被指数数据统计示意图;
图6是根据本申请的一个实施例的模型仿真训练的示意图;
图7是根据本申请的一个实施例的未处理图像和处理图像对比的示意图;
图8是根据本申请的一个实施例的村镇一级暗目标增强边界与较高分辨率可见光产品比较结果的示意图。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点,下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互结合。
在下面的描述中,阐述了很多具体细节以便于充分理解本申请,但是,本申请还可以采用其他不同于在此描述的其他方式来实施,因此,本申请的保护范围并不受下面公开的具体实施例的限制。
如图1和图2所示,本实施例提供了基于遥感夜光暗目标增强技术的村镇发展状态测度方法,该方法包括:
步骤1,对测度区域的月尺度遥感灯光数据进行暗目标加强处理;
本实施例中,进行暗目标加强处理的过程至少包括基于阈值的条件筛选和数据重构,通过暗目标加强处理,有效的提高村镇一级暗目标的识别能力,既可以识别出村镇一级暗目标,又可以提高产品的信噪比,保证暗目标增强不会受明显噪声影响。
并且,本实施例为了利用深度学习模型进行村镇发展状态测度,基于年度灯光数据派生了月尺度灯光数据,并结合月尺度植被、地表温度数据,保证了深度学习模型输入数据时间序列一致。
需要说明的是,本实施例中的测度区域可根据栅格法划分为多个栅格,每个栅格都对应一个数据立方体,该数据立方体至少由暗目标加强处理后的月尺度遥感灯光数据、月尺度地表温度数据、月尺度植被指数数据组成,其中,地表温度数据为每8天数据,为了突出城市与乡村地区温度热力差异,同时减少并统一时间序列数据量,本实施例对年内的每8天的数据进行了逐月累加求平均处理,以得到月尺度地表温度数据。同理,为了突出城市与乡村地区植被覆盖的差异,同时减少并统一时间序列数据量,本实施例对年内植被数据进行了逐月累加求平均处理,得到月尺度植被指数数据。
通过数据立方体确定栅格尺度上的村镇边界,再基于空间格局和趋势分析方法,即可完成对村镇发展状态进行测度分析。
本实施例中对空间格局和趋势分析方法的实现并不限定。
本实施例中,将测度区域至少划分为第一区域和第二区域,其中,第一区域为测度区域内月尺度遥感灯光数据的数值大于或等于预设阈值的区域,即需要进行正常处理的有效数据区域,而第二区域则为测度区域内月尺度遥感灯光数据的数值小于预设阈值的区域,设置为NoDATA区域。通过设置NoDATA区域(第二区域),可有效地避免了无效数据对年尺度产品的噪声干扰,其中,设定预设阈值为0.25。
进一步的,步骤1中,对获取到的月尺度遥感灯光数据进行暗目标加强处理,具体包括:
根据条件函数模型,对月尺度遥感灯光数据进行条件筛选,对应的计算公式为:
具体的,基于条件函数模型对月尺度遥感灯光数据进行条件筛选。将条件函数模型中的最大亮度值设定200、最小亮度值(预设阈值)设定为0.25,最大、最小亮度值的选取为基于常年无灯光地区数值统计获得经验阈值,在保证村镇发展测度精度的前提下,能够减少常年无灯光地区对月尺度遥感灯光数据的影响以及整体的运算量。
因此,通过最大亮度值和最小亮度值范围,限制月尺度遥感灯光数据的有效值范围,其中,数值小于0.25的区域利用条件函数模型统一设置为NoDATA区域;将数值大于200的区域,利用条件函数模型,将其对应的月尺度遥感灯光数据的取值统一设置为200,实现对月尺度遥感灯光数据的条件筛选,有助于后续的月尺度遥感灯光数据重构。
通过上述处理,能够对测度区域范围内,局部异常地区(如黑龙江地区)进行处理,这部分地区因杂光(如极光)影响,将导致该区域对应的月尺度遥感灯光数据丢失,如图3所示,通过条件函数模型的条件筛选处理,将这些区域设置为第二区域,即NoDATA区域,不参与年尺度产品推导运算,条件筛选处理也避免了无效数据对年尺度产品的干扰。
需要说明的是,上述过程还可以通过最大值函数max()和最小值函数min()对月尺度遥感灯光数据进行规范,当判定数值小于0.25时,利用函数SetNull()函数将对应数值设置为“空”。
更进一步的,步骤1中,具体还包括:
基于第一区域对应的、条件筛选后的月尺度遥感灯光数据进行数据重构,将重构后的月尺度遥感灯光数据记作暗目标加强处理后的月尺度遥感灯光数据,用于与第一区域对应的月尺度地表温度数据、月尺度植被指数数据结合,组成数据立方体,其中,数据重构对应的计算公式为:
具体的,如图4所示,在数据重构的过程中,首先利用对数函数log10()对条件筛选后的月尺度遥感灯光数据进行变换,并归一化处理,再利用均方根函数SQRT()对归一化后的月尺度遥感灯光数据进一步处理,放大暗目标亮度,以完成测度区域月尺度遥感灯光数据的暗目标加强处理,获得新重构的月尺度遥感灯光数据有效的增强了暗目标的亮度,对于进一步识别乡村地区具有重要作用。
优选的,步骤1中还包括:根据预设栅格阈值,依次对测度区域中,各个栅格区域内暗目标加强处理后的月尺度遥感灯光数据进行阈值筛选,当判定测度区域中栅格区域内、暗目标加强处理后的月尺度遥感灯光数据的有效值数目小于预设栅格阈值时,将该栅格区域记作第二区域,即NoDATA区域,其中,有效值为月尺度遥感灯光数据大于预设阈值0.25的数据。
具体的,理论上测度区域内每个栅格上、暗目标加强处理后的月尺度遥感灯光数据的有效值数目最大值为12,但实际情况受各种干扰,有效值数目最大值往往小于12,因此设定预设栅格阈值,如数值3,当某栅格内有效值数目小于预设栅格阈值时,即便该区域有一或者两个月的月尺度遥感灯光数据,仍将该栅格所在区域记作第二区域,即NoDATA区域,不参与年尺度产品推导运算,这种处理主要为了减少噪声对年度产品的影响。
步骤2,定义测度区域内月尺度遥感灯光数据的数值大于或等于预设阈值的区域为第一区域,根据测度区域中第一区域内、暗目标加强处理后的月尺度遥感灯光数据,结合第一区域对应的月尺度地表温度数据、月尺度植被指数数据,组成数据立方体;
具体的,由于第二区域中的月尺度遥感灯光数据的数值为0,为NoDATA区域,因此在构建数据立方体时,选取测度区域中第一区域内、经过暗目标加强处理后的月尺度遥感灯光数据以及对应的月尺度地表温度数据、月尺度植被指数数据,以该区域的经纬度分别作为是两个横轴X和Y,时间轴为纵轴Z。通过数据立方体,可以统计每个栅格在时间轴上的有效值数目,进而基于有效值数目、月尺度有效数据及中位数算法Median(),获取年尺度遥感夜间灯光数据。
某地区的地表温度数据、遥感灯光数据、植被指数数据依次如图5(a)、5(b)、5(c)所示,为了提高对某些地区(如城乡结合部)边界识别的准确性,充分利用数据间的差异性,本实施例将月尺度遥感灯光数据、月尺度地表温度数据、月尺度植被指数数据组成数据立方体,一方面对数据时间尺度格式进行规范,便于深度学习模型数据输入;另一方面,还有助于突出数据间的时间尺度特性、以及数据间的差异性,提高村镇边界识别的准确性,进而保证村镇发展测度的可靠性。
进一步的,步骤2中,还包括:利用多年每8天对应时刻求平均方法,计算测度区域内多年平均8天的有效地表温度数据,记作第一地表温度数据;如多年平均的每8天数据仍有缺省,则利用双线性插值方法,对第一地表温度数据进行空间插值处理,记作第二地表温度数据;基于第二地表温度数据,对年度每8天地表温度原始数据中存在缺失的栅格点位进行插(补)值,记作第三地表温度数据;对第三地表温度数据进行累加求平均处理,生成逐月地表温度数据,记作第一区域对应的月尺度地表温度数据。
更进一步的,步骤2中,还包括:根据测度区域内16天空间分辨率的归一化植被指数数据,首先利用修订的Savitzky-Golay滤波算法(mSG)对归一化植被指数进行去噪声,目的是降低或消除因为云污染等噪声对数据时间序列的影响,记作第一归一化植被指数数据;
基于第一归一化植被指数数据,进行逐月尺度内累加求平均处理,生成逐年度每月植被指数数据,记作第一区域对应的月尺度植被指数数据。
具体的,本实施例中将月尺度的地表温度数据、植被指数数据作为村镇分类的辅助数据,选用植被指数的和地表温度的主要原因在于:
一是相比于城市地区,村镇地区有相对更好的植被覆盖度;
二是考虑到城市热岛效应,村镇地区的地表温度通常要远低于城市地区。
但是,考虑到MODIS提供的8天的地表温度通常缺失情况比较严重,本实施例中利用多年(2000-2020)求平均的方法,获取多年平均每8天的有效数据,这样获取一个每8天都有有效数据的年内地表温度数据集,即第一地表温度数据。
另外,由于地表温度数据是1km空间分辨率,为了与月尺度遥感灯光数据及植被指数数据具有相同的空间分辨率,运用了Nibble算法和双线性插值方法,将1km的第一地表温度数据插(补)值为500m的第二地表温度数据。
同时,为了减少长短期记忆网络(LSTM)中输入层的数据量,并提高深度学习算法学习效率,将每8天的第二地表温度数据,通过逐月累加求平均的方式,获取月尺度地表温度数据,通过月尺度时间序列地表温度的方式,也可以进一步放大城市与村镇地表温度数据的差异特征。
基于同样的理由,植被指数数据也是通过将16天空间分辨率的数据逐月累积求平均到获取月尺度植被指数数据,具体过程不再赘述。
步骤3,对构建的长短期记忆网络进行训练和验证,当判定所述长短期记忆网络收敛时,根据收敛的长短期记忆网络和所述数据立方体,确定所述测度区域的村镇边界;
具体的,本实施例通过深度学习中的长短期记忆网络(LSTM)和阈值法确定村镇边界,构建的长短期记忆网络(LSTM)包括了一个序列输入层、四个短期记忆网络(LSTM)层、四个数据丢弃层(dropout)、一个全链接层、一个柔性最大值传输层(softmax)和一个决策分类层,其中,输入层包括了由月尺度夜间灯光数据、月尺度地表温度数据、月尺度植被指数数据组成的数据立方体。
每个长短期记忆网络(LSTM)层包含了100个隐含层,每个数据丢弃层数据丢弃率设置为50%,特别说明的是,最后一个长短期记忆网络(LSTM)层输出模式设置为Last。全连接层输出类型为2类,即城市和村镇。柔性最大值传输层和决策分类层用于最终的分类决策。在训练选项中,设置了求解器(solver)的最大训练次数为100次,学习率为千分之一,其他参数均为默认值。
数据立方体中用于分类的训练和验证数据,是基于Google Earth高分辨率影像,通过人工目视选择的方式,标记出模型训练和验证的参考点(城市为标记1,村镇为标记2),其中,数据立方体中70%的随机样本数据用于网络的训练,30%的数据用于训练模型的验证。基于Google Earth采样数据,对构建的长短期记忆网络进行训练和验证,当该长短期记忆网络收敛时,认为模型已经训练好利用训练好的长短期记忆网络算法和构建好的地表温度-植被-灯光数据立方体,确定测度区域的村镇边界。
前10次模型训练的仿真结果如图6所示,并通过十折法交叉验证构建出的长短期记忆网络的准确度,通过验证,该模型平均总体精度超过80%,准确度较为稳定。
本实施例中,基于2019年村镇分类结果及2019年年度夜间灯光数据产品,提取村镇像元,并利用基于空间统计方法获取村镇边界的提取阈值,基于阈值的方法便于直接推广应用到其他年度产品中。
步骤4,根据村镇边界,基于空间格局和趋势分析方法,对村镇发展状态进行测度分析,该村镇边界为年度边界。
具体的,通过长短期记忆网络(LSTM)确定村镇边界后,将经过暗目标加强处理后的月尺度遥感灯光数据进行反函数变换,转换为原始亮度数据并结合已经确定的年度村镇边界,基于空间格局和趋势分析方法,可以实现对村镇发展状态的测度分析。
本实施例中,村镇边界为年度边界,根据获得的逐年度的村镇边界,进行数据叠加分析,采用空间格局和趋势分析方法,一方面,可以得出村镇发展的模式,包括圈层式拓展、边缘不均匀拓张、萎缩式发展等;另一方面,还可以基于逐年拓张边界区域的面积大小,探究村镇发展的速度及变化趋势,包括增速型发展、减速型发展、缓慢萎缩式发展等。
为了对本实施例中的测度方法进行验证,如图7所示,将经过暗目标加强处理后的月尺度遥感灯光数据与原始数据进行效果对比,其中,图7(c)、图7(d)为图7(a)、图7(b)中白色方框所在区域的放大视图,经过上述过程处理得到的年度产品已经可以清晰看到村镇一级别的暗目标。
如图8所示,将识别出的村镇一级暗目标边界与高分辨率可见光遥感产品对比,其中,图8(c)、图8(d)为图8(a)、图8(b)中白色方框所在区域的放大视图。可以发现,经本实施例处理后的影像可以较好的识别村镇一级暗目标。
与传统统计方法和已有的常规方法相比,本实施例中提供的基于遥感夜光暗目标增强技术的村镇发展状态测度方法,经试验证明,既可以为村镇一级别暗目标识别提供方法参考,同时,基于该方法提取的数据产品也可以直接为乡村地理与乡村发展研究提供新的数据支撑。
以上结合附图详细说明了本申请的技术方案,本申请提出了基于遥感夜光暗目标增强技术的村镇发展状态测度方法,包括:步骤1,对测度区域的月尺度遥感灯光数据进行暗目标加强处理;步骤2,定义测度区域内月尺度遥感灯光数据的数值大于或等于预设阈值的区域为第一区域,根据测度区域中第一区域内暗目标加强处理后的月尺度遥感灯光数据,结合第一区域对应的月尺度地表温度数据、月尺度植被指数数据,组成数据立方体;步骤3,基于Google Earth采样数据,对构建的长短期记忆网络进行训练和验证,当判定长短期记忆网络收敛时,根据收敛的长短期记忆网络和数据立方体,确定测度区域的村镇边界;步骤4,根据村镇边界,基于空间格局和趋势分析方法,对村镇发展状态进行测度分析。通过本申请中的技术方案,有效的提高村镇一级暗目标的识别能力,保证暗目标增强不会受明显噪声影响。
本申请中的步骤可根据实际需求进行顺序调整、合并和删减。
本申请装置中的单元可根据实际需求进行合并、划分和删减。
尽管参考附图详细公开了本申请,但应理解的是,这些描述仅仅是示例性的,并非用来限制本申请的应用。本申请的保护范围由附加权利要求限定,并可包括在不脱离本申请保护范围和精神的情况下针对发明所作的各种变型、改型及等效方案。
Claims (6)
1.基于遥感夜光暗目标增强技术的村镇发展状态测度方法,其特征在于,所述方法包括:
步骤1,对测度区域的月尺度遥感灯光数据进行暗目标加强处理;
步骤2,根据所述测度区域中第一区域内暗目标加强处理后的月尺度遥感灯光数据,结合所述第一区域对应的月尺度地表温度数据、月尺度植被指数数据,组成数据立方体,其中,所述第一区域为所述测度区域内月尺度遥感灯光数据的数值大于或等于预设阈值的区域;
步骤3,对构建的长短期记忆网络进行训练和验证,当判定所述长短期记忆网络收敛时,根据收敛的长短期记忆网络和所述数据立方体,确定所述测度区域的村镇边界;
步骤4,根据所述村镇边界,基于空间格局和趋势分析方法,对村镇发展状态进行测度分析。
4.如权利要求1所述的基于遥感夜光暗目标增强技术的村镇发展状态测度方法,其特征在于,所述步骤2中,还包括:
利用多年求平均方法,计算所述测度区域内多年平均8天的有效地表温度数据,记作第一地表温度数据;
利用双线性插值方法,对所述第一地表温度数据中存在缺失的栅格点位进行插值,记作第二地表温度数据;
基于所述第二地表温度数据,对当前年度每8天的地表温度原始数据中存在缺失的栅格点位进行插值,记作第三地表温度数据;
对所述第三地表温度数据进行逐月尺度内累加求平均处理,生成逐年度每月的地表温度数据,记作所述第一区域对应的所述月尺度地表温度数据。
5.如权利要求4所述的基于遥感夜光暗目标增强技术的村镇发展状态测度方法,其特征在于,所述步骤2中,还包括:
对所述测度区域内16天空间分辨率的归一化的植被指数数据进行去噪处理,记作第一归一化植被指数数据;
基于所述第一归一化植被指数数据,进行逐月尺度内累加求平均处理,生成逐年度每月植被指数数据,记作所述第一区域对应的所述月尺度植被指数数据。
6.如权利要求2所述的基于遥感夜光暗目标增强技术的村镇发展状态测度方法,其特征在于,所述测度区域被划分为多个栅格,所述步骤1中,还包括:
根据预设栅格阈值,依次对所述测度区域中各个栅格区域内暗目标加强处理后的月尺度遥感灯光数据进行阈值筛选;
当判定所述栅格区域内的月尺度遥感灯光数据的有效值数目小于所述预设栅格阈值时,将所述栅格区域记作所述第二区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110436173.8A CN113158899B (zh) | 2021-04-22 | 2021-04-22 | 基于遥感夜光暗目标增强技术的村镇发展状态测度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110436173.8A CN113158899B (zh) | 2021-04-22 | 2021-04-22 | 基于遥感夜光暗目标增强技术的村镇发展状态测度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113158899A true CN113158899A (zh) | 2021-07-23 |
CN113158899B CN113158899B (zh) | 2022-07-29 |
Family
ID=76869480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110436173.8A Active CN113158899B (zh) | 2021-04-22 | 2021-04-22 | 基于遥感夜光暗目标增强技术的村镇发展状态测度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158899B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782255A (zh) * | 2022-06-16 | 2022-07-22 | 武汉大学 | 一种基于语义的夜光遥感影像高分辨率重建方法 |
CN115294606A (zh) * | 2022-08-05 | 2022-11-04 | 杭州电子科技大学 | 一种毫米波图像暗目标增强方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930867A (zh) * | 2016-04-19 | 2016-09-07 | 中国科学院遥感与数字地球研究所 | 一种基于时间序列夜光遥感影像的数据挖掘方法 |
CN107016403A (zh) * | 2017-02-23 | 2017-08-04 | 中国水利水电科学研究院 | 一种基于夜间灯光数据提取城市建成区阈值的方法 |
CN107085662A (zh) * | 2017-05-12 | 2017-08-22 | 首都师范大学 | 一种基于夜间灯光数据提取地震烈度的方法 |
CN108334838A (zh) * | 2018-01-30 | 2018-07-27 | 天津中科智能识别产业技术研究院有限公司 | 基于灯光遥感数据国家宏观经济指标估测方法 |
CN108399399A (zh) * | 2018-03-23 | 2018-08-14 | 武汉大学 | 一种基于夜光遥感影像的城市范围提取方法 |
CN109522788A (zh) * | 2018-09-30 | 2019-03-26 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
CN109598273A (zh) * | 2018-12-03 | 2019-04-09 | 中国矿业大学 | 一种融合地表温度和建筑指数的城市实体边界识别方法 |
CN109858450A (zh) * | 2019-02-12 | 2019-06-07 | 中国科学院遥感与数字地球研究所 | 一种十米级空间分辨率遥感影像城镇提取方法及系统 |
CN112348758A (zh) * | 2020-11-12 | 2021-02-09 | 中国电子科技集团公司第五十四研究所 | 一种光学遥感图像数据增强方法及目标识别方法 |
CN112508796A (zh) * | 2020-12-02 | 2021-03-16 | 东华理工大学 | 基于地表覆盖信息的夜光遥感影像去饱和校正方法及系统 |
-
2021
- 2021-04-22 CN CN202110436173.8A patent/CN113158899B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930867A (zh) * | 2016-04-19 | 2016-09-07 | 中国科学院遥感与数字地球研究所 | 一种基于时间序列夜光遥感影像的数据挖掘方法 |
CN107016403A (zh) * | 2017-02-23 | 2017-08-04 | 中国水利水电科学研究院 | 一种基于夜间灯光数据提取城市建成区阈值的方法 |
CN107085662A (zh) * | 2017-05-12 | 2017-08-22 | 首都师范大学 | 一种基于夜间灯光数据提取地震烈度的方法 |
CN108334838A (zh) * | 2018-01-30 | 2018-07-27 | 天津中科智能识别产业技术研究院有限公司 | 基于灯光遥感数据国家宏观经济指标估测方法 |
CN108399399A (zh) * | 2018-03-23 | 2018-08-14 | 武汉大学 | 一种基于夜光遥感影像的城市范围提取方法 |
CN109522788A (zh) * | 2018-09-30 | 2019-03-26 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
WO2020063461A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
CN109598273A (zh) * | 2018-12-03 | 2019-04-09 | 中国矿业大学 | 一种融合地表温度和建筑指数的城市实体边界识别方法 |
CN109858450A (zh) * | 2019-02-12 | 2019-06-07 | 中国科学院遥感与数字地球研究所 | 一种十米级空间分辨率遥感影像城镇提取方法及系统 |
CN112348758A (zh) * | 2020-11-12 | 2021-02-09 | 中国电子科技集团公司第五十四研究所 | 一种光学遥感图像数据增强方法及目标识别方法 |
CN112508796A (zh) * | 2020-12-02 | 2021-03-16 | 东华理工大学 | 基于地表覆盖信息的夜光遥感影像去饱和校正方法及系统 |
Non-Patent Citations (2)
Title |
---|
罗新晨: "基于随机森林模型的建成区提取分析", 《测绘》 * |
陈颖彪: "夜间灯光遥感数据应用综述和展望", 《地理科学进展》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782255A (zh) * | 2022-06-16 | 2022-07-22 | 武汉大学 | 一种基于语义的夜光遥感影像高分辨率重建方法 |
CN114782255B (zh) * | 2022-06-16 | 2022-09-02 | 武汉大学 | 一种基于语义的夜光遥感影像高分辨率重建方法 |
CN115294606A (zh) * | 2022-08-05 | 2022-11-04 | 杭州电子科技大学 | 一种毫米波图像暗目标增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113158899B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021258758A1 (zh) | 一种基于多因素的海岸线变化识别方法 | |
Baker et al. | Evapotranspiration in the Amazon: spatial patterns, seasonality, and recent trends in observations, reanalysis, and climate models | |
CN113158899B (zh) | 基于遥感夜光暗目标增强技术的村镇发展状态测度方法 | |
CN102279973B (zh) | 基于高梯度关键点的海天线检测方法 | |
CN104764868B (zh) | 一种基于地理加权回归的土壤有机碳预测方法 | |
CN103063202A (zh) | 基于遥感影像的蓝藻生物量时空变化监测与可视化方法 | |
CN110134907B (zh) | 一种降雨缺失数据填补方法、系统及电子设备 | |
Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
US20220067553A1 (en) | Method for predictive soil mapping based on solar radiation in large flat area | |
CN104268581A (zh) | 一种基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法 | |
Wang et al. | Spatial-temporal variations of surface urban heat island: An application of local climate zone into large Chinese cities | |
CN110852243A (zh) | 一种基于改进YOLOv3的道路交叉口检测方法及装置 | |
CN108647826B (zh) | 一种土壤重金属环境风险预测模型的构建方法和装置 | |
Pan et al. | Spatiotemporal dynamics of electricity consumption in China | |
CN112329265A (zh) | 卫星遥感降水精细化空间估算方法及系统 | |
CN103699809A (zh) | 一种基于克里金插值方程的水土流失空间监测方法 | |
CN110569733B (zh) | 基于遥感大数据平台的湖泊长时序连续水域变化重建方法 | |
Kamal et al. | Comparison of Google Earth Engine (GEE)-based machine learning classifiers for mangrove mapping | |
Ren et al. | Detection of SST fronts from a high-resolution model and its preliminary results in the south China sea | |
CN102208027B (zh) | 基于间隙度维数的土地利用空间格局评价方法 | |
Yu et al. | Synergistic data fusion of satellite observations and in-situ measurements for hourly PM2. 5 estimation based on hierarchical geospatial long short-term memory | |
Liu et al. | Spatial-temporal hidden Markov model for land cover classification using multitemporal satellite images | |
Lou et al. | Recognition of thaw slumps based on machine learning and UAVs: A case study in the Qilian Mountains, northeastern Qinghai-Tibet Plateau | |
CN111539297B (zh) | 一种高分辨率遥感影像道路信息半自动提取方法 | |
Jin et al. | Continuous remote sensing ecological index (CRSEI): A novel approach for multitemporal monitoring of eco-environmental changes on large scale |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |