CN113762150B - 一种尾矿库特征分析及模型构建方法及系统 - Google Patents
一种尾矿库特征分析及模型构建方法及系统 Download PDFInfo
- Publication number
- CN113762150B CN113762150B CN202111044335.XA CN202111044335A CN113762150B CN 113762150 B CN113762150 B CN 113762150B CN 202111044335 A CN202111044335 A CN 202111044335A CN 113762150 B CN113762150 B CN 113762150B
- Authority
- CN
- China
- Prior art keywords
- data
- feature
- tailing
- tailings
- analysis
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 128
- 238000010276 construction Methods 0.000 title claims abstract description 40
- 230000003595 spectral effect Effects 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 58
- 238000000034 method Methods 0.000 claims description 37
- 238000012360 testing method Methods 0.000 claims description 33
- 238000001228 spectrum Methods 0.000 claims description 29
- 230000004927 fusion Effects 0.000 claims description 16
- 239000000463 material Substances 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005065 mining Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 239000004576 sand Substances 0.000 claims description 7
- 239000013049 sediment Substances 0.000 claims description 7
- 238000005192 partition Methods 0.000 claims description 6
- 230000008021 deposition Effects 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000011160 research Methods 0.000 description 7
- 238000012512 characterization method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种尾矿库特征分析及模型构建方法及系统。该方案包括通过遥感摄像进行尾矿区数据获取;对尾矿区数据进行数据预处理,生成尾矿基础分析数据;对尾矿基础分析数据进行数据驱动的尾矿库结构重要度分析,获得第一数据特征;对尾矿基础分析数据进行尾矿库结构光谱特征分析,获得第二数据特征;对尾矿基础分析数据进行尾矿库结构空间特征分析,获得第三数据特征;根据第一数据特征、第二数据特征、第三数据特征构建尾矿区结构特征,设置尾矿区识别模型。该方案采用构建本体论概念模型,解决了尾矿库概念和影像表现存在语义鸿沟,通过遥感数据建立了关于尾矿库的概念,获得正确的尾矿库的先验知识。
Description
技术领域
本发明涉及遥感图像识别技术领域,更具体地,涉及一种尾矿库特征分析及模型构建方法及系统。
背景技术
基于遥感的地类识别方法已经在地理、地质、测绘、气象、海洋、农林、石油、水利、军事等多个领域发挥了重要的作用。研究者们根据自身研究和应用特点,结合像素、对象和深度学习等不同类型的识别方法,开展了大量的研究,积累了丰富的科研成果和实践经验。尾矿库的遥感影像自动识别与其他基于遥感的地类识别工作存在很大的共同点,也有自己的独特性。
遥感影像可以看作是将真实地理空间依照一定的规则进行的数字化表达,遥感目标识别则是以该规则为依据,重建真实地理空间信息的手段。然而真实地理空间是无限连续的,而遥感影像是有限离散的,造成影像空间只能保留有限的真实地理信息。这使得仅依靠遥感影像对真实地理空间进行反演存在一定的局限性,这种局限性需要借助其他信息进行弥补,而这些信息就是人类基于真实地理空间学习到的先验知识。遥感自动识别方法没有人机交互的过程,计算机无法利用先验知识,影响了模型或算法的识别能力。
发明内容
鉴于上述问题,本发明提出了一种尾矿库特征分析及模型构建方法及系统,采用构建本体论概念模型,解决了尾矿库概念和影像表现存在语义鸿沟,通过遥感数据建立了关于尾矿库的概念,获得正确的尾矿库的先验知识。
根据本发明实施例第一方面,提供一种尾矿库特征分析及模型构建方法。
在一个或多个实施例中,优选地,所述的一种尾矿库特征分析及模型构建方法包括:
通过遥感摄像进行尾矿区数据获取;
对所述尾矿区数据进行数据预处理,生成尾矿基础分析数据;
对所述尾矿基础分析数据进行数据驱动的尾矿库结构重要度分析,获得第一数据特征;
对所述尾矿基础分析数据进行尾矿库结构光谱特征分析,获得第二数据特征;
对所述尾矿基础分析数据进行尾矿库结构空间特征分析,获得第三数据特征;
根据所述第一数据特征、所述第二数据特征、所述第三数据特征构建尾矿区结构特征;
根据所述尾矿区结构特征、所述第一数据特征、所述第二数据特征、所述第三数据特征设置尾矿区识别模型。
在一个或多个实施例中,优选地,所述通过遥感摄像进行尾矿区数据获取,具体包括:
获取全部的试验分区,对所述试验分区进行信息提取,获得建造、运营和使用情况;
获取所述试验分区的植被情况、子坝情况、边坝形态;
获取所有的尾矿的材质信息,所述尾矿的材质信息具体包括初期坝材质、沉积滩材质、尾沙材质。
在一个或多个实施例中,优选地,所述数据预处理,具体包括:
对尾矿数据进行周期提取,获得所述试验分区的数据;
对所述试验分区的数据进行辐射校正和正射校正,生成校正数据;
对所述校正数据进行全色波动数据融合,生成第一融合数据;
对所述第一融合数据进行多光谱波段的数据融合,生成第二融合数据。
在一个或多个实施例中,优选地,所述对所述尾矿基础分析数据进行数据驱动的尾矿库结构重要度分析,获得第一数据特征,具体包括:
获取全部的所述尾矿基础分析数据,确认特征范围;
根据所述特征范围,对所述尾矿基础分析数据生成每一个单维度特征;
对所有的单维度特征进行重要度打分,使用InfoGain算法和FCBF算法生成重要度排序表;
在所述重要度排序表中剔除位置特征和异常形状特征,生成第一数据特征。
在一个或多个实施例中,优选地,所述对所述尾矿基础分析数据进行尾矿库结构光谱特征分析,获得第二数据特征,具体包括:
根据所述尾矿基础分析数据,将田地识别作为分界点,将可分性大于田地的视为通过光谱进行区分的第一地类;
将可分性与田地相同作为无法通过光谱区分的地类的第二地类;
将可分性小于田地的作为无法通过光谱进行区分的地类的第三地类;
从光谱特征的角度分析,获取沉积滩和初期坝,生成第二特征数据。
在一个或多个实施例中,优选地,所述对所述尾矿基础分析数据进行尾矿库结构空间特征分析,获得第三数据特征,具体包括:
根据所述尾矿基础分析数据,获取数据分类,所述数据分类包括水体光谱、沉积滩光谱、堆积坝、初期坝;
对所述数据分类进行形状信息,其中,所述形状信息包括紧致度、长度、平均边长;
获取初期坝的空间特征曲线,保存为第一特征曲线;
获取堆积坝的空间特征曲线,保存为第二特征曲线;
对无法利用光谱特征进行识别空间特征区分,利用所述第一特征曲线和所述第二特征曲线生成第三数据特征。
在一个或多个实施例中,优选地,所述根据所述第一数据特征、所述第二数据特征、所述第三数据特征构建尾矿区结构特征,具体包括:
将所述第一数据特征、所述第二数据特征和所述第三数据特征结合为中间特征;
以所述中间特征为基础,当相对面积提取光谱特征与不透水面的相似度高于预设相似度,保存为初级坝标签;
以所述中间特征为基础,当阶梯状制备覆盖和线状覆盖,保存为堆积坝标签;
以所述中间特征为基础,当表面平整度和含水量均超过预设定值,保存为沉积滩标签。
在一个或多个实施例中,优选地,所述根据所述尾矿区结构特征、所述第一数据特征、所述第二数据特征、所述第三数据特征设置尾矿区识别模型,具体包括:
获取全部特征参量,其中,所述全部特征参量包括所述尾矿区结构特征、所述第一数据特征、所述第二数据特征、所述第三数据特征;
对所述全部特征参量,提取影响图斑为平整高亮裸地,识别为初期坝,其中,所述平整高亮裸地特征为亮度高于第一预设、植被覆盖指数低于第二预设、所述归一化水指数低于第三预设、面积小于第四预设、纹理类型为光滑;
对所述全部特征参量,提取影响图斑为平行线纹理植被,识别为堆积坝,其中,所述平行线纹理植被特征为所述植被覆盖指数高于所述第二预设、所述面积大于所述第四预设且小于第五预设、所述纹理类型为平行线;
对所述全部特征参量,提取影响图斑为平整高亮含水裸地,识别为沉积滩,其中,所述平整高亮含水裸地特征为亮度高于所述第一预设、所述植被覆盖指数低于所述第二预设、所述归一化水指数高于所述第三预设且低于第六预设、所述面积大于所述第五预设、所述纹理类型为光滑;
对所述全部特征参量,提取影响图斑为水体,识别为水体分类,其中,所述水体的特征为所述归一化水指数高于所述第三预设。
根据本发明实施例第二方面,提供一种尾矿库特征分析及模型构建系统。
在一个或多个实施例中,优选地,所述一种尾矿库特征分析及模型构建系统包括:
数据获取子模块,用于通过遥感摄像进行尾矿区数据获取;
基础数据生成子模块,用于对所述尾矿区数据进行数据预处理,生成尾矿基础分析数据;
第一特征提取模块,用于对所述尾矿基础分析数据进行数据驱动的尾矿库结构重要度分析,获得第一数据特征;
光谱特征分析模块,用于对所述尾矿基础分析数据进行尾矿库结构光谱特征分析,获得第二数据特征;
空间特征分析模块,用于对所述尾矿基础分析数据进行尾矿库结构空间特征分析,获得第三数据特征;
结构特征分析模块,用于根据所述第一数据特征、所述第二数据特征、所述第三数据特征构建尾矿区结构特征;
尾矿识别模型生成模块,用于根据所述尾矿区结构特征、所述第一数据特征、所述第二数据特征、所述第三数据特征设置尾矿区识别模型。
根据本发明实施例第三方面,提供一种计算机可读存储介质,其上存储计算机程序指令,所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
本发明的实施例提供的技术方案可以包括以下有益效果:
1)本发明实施例中,通过数据驱动进行尾矿结构的光谱和空间特征分析,从尾矿构造方法和结构进行属性条件和组合特征的提取。
2)本发明实施例中,提供了概念模型在遥感目标识别上的应用,通过结合真实地理特征和遥感影像表现构建尾矿模型。
3)本发明实施例中,提供了不同土地覆盖被类型的特定组合方式的特征提取方法,基于此利用神经网络进行多层次特征提取,获取土地的内部特征。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中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讲,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是本发明一个实施例的一种尾矿库特征分析及模型构建方法的流程图。
图2是本发明一个实施例的一种尾矿库特征分析及模型构建方法中的通过遥感摄像进行尾矿区数据获取的流程图。
图3是本发明一个实施例的一种尾矿库特征分析及模型构建方法中的尾矿数据获取的示意图。
图4是本发明一个实施例的一种尾矿库特征分析及模型构建方法中的数据预处理的流程图。
图5是本发明一个实施例的一种尾矿库特征分析及模型构建方法中的对所述尾矿基础分析数据进行数据驱动的尾矿库结构重要度分析,获得第一数据特征的流程图。
图6是本发明一个实施例的一种尾矿库特征分析及模型构建方法中的对所述尾矿基础分析数据进行尾矿库结构光谱特征分析,获得第二数据特征的流程图。
图7是本发明一个实施例的一种尾矿库特征分析及模型构建方法中的对所述尾矿基础分析数据进行尾矿库结构空间特征分析,获得第三数据特征的流程图。
图8是本发明一个实施例的一种尾矿库特征分析及模型构建方法中的根据所述第一数据特征、所述第二数据特征、所述第三数据特征构建尾矿区结构特征的流程图。
图9是本发明一个实施例的一种尾矿库特征分析及模型构建方法中的根据所述尾矿区结构特征、所述第一数据特征、所述第二数据特征、所述第三数据特征设置尾矿区识别模型的流程图。
图10是本发明一个实施例的一种尾矿库特征分析及模型构建方法中的结构图。
图11是本发明一个实施例的一种尾矿库特征分析及模型构建系统的结构图。
具体实施方式
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
基于遥感的地类识别方法已经在地理、地质、测绘、气象、海洋、农林、石油、水利、军事等多个领域发挥了重要的作用。研究者们根据自身研究和应用特点,结合像素、对象和深度学习等不同类型的识别方法,开展了大量的研究,积累了丰富的科研成果和实践经验。尾矿库的遥感影像自动识别与其他基于遥感的地类识别工作存在很大的共同点,也有自己的独特性。
遥感影像可以看作是将真实地理空间依照一定的规则进行的数字化表达,遥感目标识别则是以该规则为依据,重建真实地理空间信息的手段。然而真实地理空间是无限连续的,而遥感影像是有限离散的,造成影像空间只能保留有限的真实地理信息。这使得仅依靠遥感影像对真实地理空间进行反演存在一定的局限性,这种局限性需要借助其他信息进行弥补,而这些信息就是人类基于真实地理空间学习到的先验知识。遥感自动识别方法没有人机交互的过程,计算机无法利用先验知识,影响了模型或算法的识别能力。
本发明实施例中,提供了一种尾矿库特征分析及模型构建方法及系统。该方案采用构建本体论概念模型,解决了尾矿库概念和影像表现存在语义鸿沟,通过遥感数据建立了关于尾矿库的正确概念,获得正确的尾矿库的先验知识。
根据本发明实施例第一方面,提供一种尾矿库特征分析及模型构建方法。
图1是本发明一个实施例的一种尾矿库特征分析及模型构建方法的流程图。
如图1所示,在一个或多个实施例中,优选地,所述的一种尾矿库特征分析及模型构建方法包括:
S101、通过遥感摄像进行尾矿区数据获取;
S102、对所述尾矿区数据进行数据预处理,生成尾矿基础分析数据;
S103、对所述尾矿基础分析数据进行数据驱动的尾矿库结构重要度分析,获得第一数据特征;
S104、对所述尾矿基础分析数据进行尾矿库结构光谱特征分析,获得第二数据特征;
S105、对所述尾矿基础分析数据进行尾矿库结构空间特征分析,获得第三数据特征;
S106、根据所述第一数据特征、所述第二数据特征、所述第三数据特征构建尾矿区结构特征;
S107、根据所述尾矿区结构特征、所述第一数据特征、所述第二数据特征、所述第三数据特征设置尾矿区识别模型。
在本发明实施例中,具体提供了一种基于数据驱动的尾矿数据特征提取和尾矿识别模型,通过自动分析多层次的特征,获取尾矿数据的光谱、空间、结构等特征,进而利用特征结合的方式,实现多类型的尾矿区识别。
图2是本发明一个实施例的一种尾矿库特征分析及模型构建方法中的通过遥感摄像进行尾矿区数据获取的流程图。
如图2所示,在一个或多个实施例中,优选地,所述通过遥感摄像进行尾矿区数据获取,具体包括:
S201、获取全部的试验分区,对所述试验分区进行信息提取,获得建造、运营和使用情况;
S202、获取所述试验分区的植被情况、子坝情况、边坝形态;
S203、获取所有的尾矿的材质信息,所述尾矿的材质信息具体包括初期坝材质、沉积滩材质、尾沙材质。
在本发明实施例中,通过对试验试验区的尾矿库的进行在线调研,收集大量一手资料,了解尾矿库实际建造、运营、使用情况,对该库植被情况、子坝及边坡形态、初期坝材质、沉积滩及尾沙质地、尾矿库附属建筑等信息。
图3是本发明一个实施例的一种尾矿库特征分析及模型构建方法中的尾矿数据获取的示意图。
以三座尾矿库为试验区,结合尾矿库解译的专家知识,开展了尾矿库特征分析工作。其中,位于试验区A进行了野外实地调研工作。试验区A是矿业大省,也是中国尾矿库最多的省份,试验区A尾矿库治理工作一直是历年尾矿库综合治理行动的重点。试验区A由于其特殊的地理位置,尾矿库的建造、运营、监测等相关规定执行情况较好,试验区A能够体现现阶段运行中尾矿库的总体特征。同时试验区A是一座翻修库,对已有尾矿库内的尾沙进行去除毒害化处理,在此基础上进行覆土和种植植被,并在原堆积坝上新建了一座初期坝,并按照规定进行尾矿库的建设和运营工作。因此,试验区A一方面特征显著,便于开展尾矿库识别方法研究;另一方面该库具备两个初期坝和两个堆积坝,这一特殊性对于抽取更具一般化的尾矿库特征具有积极意义。
试验区B形态特征更符合尾矿库的一般特点,初期坝较小、堆积坝较大、子坝较长的特点能够在控制尾矿库初期建造投入的情况下,增大尾矿库库容。较小的初期坝造成了识别困难,同时由于厂房及排沙管线的设施往往距离初期坝较近,容易对计算机识别造成混淆。该尾矿库的特殊特征是,为了控制干滩长度、加固细粒尾矿库,对尾矿库进行了加筋加固操作,即在尾矿库近水端附近,按照设计坡度要求修建拦沙小坝,促使尾沙沉淀在规定范围内,造成沉积滩与水体存在互相切割的现象。该特征表明尾矿库四种结构虽然整体上具有固定的排列顺序,在局部可能存在与该顺序不符的情况,提出的方法需要涉及到上述情况。同时为了收集不同季节的尾矿库特征,试验区B的影像为冬季采集。
试验区C尾矿库总量较少,但具有尾矿库规模较小,分布较密的特点。试验区C包含一座典型的运行中的尾矿库,试验区C与中国绝大多数尾矿库规模相当,是一座较小的四等或五等库。而试验区C气候物暖多雨,植被生长迅速,试验区植被覆盖程度非常高,能够与试验区B在光谱特征上进行比较,抽象出更为统一的特征。
图4是本发明一个实施例的一种尾矿库特征分析及模型构建方法中的数据预处理的流程图。
如图4所示,在一个或多个实施例中,优选地,所述数据预处理,具体包括:
S401、对尾矿数据进行周期提取,获得所述试验分区的数据;
S402、对所述试验分区的数据进行辐射校正和正射校正,生成校正数据;
S403、对所述校正数据进行全色波动数据融合,生成第一融合数据;
S404、对所述第一融合数据进行多光谱波段的数据融合,生成第二融合数据。
在本发明实施例中,对全部的尾矿数据进行周期性的数据处理,处理后的文件将会用于后续的特征分析过程。其中,在数据处理时,通过辐射校正使得原始图谱清晰度提升,进而通过色段的调整生成了新的融合图像。
图5是本发明一个实施例的一种尾矿库特征分析及模型构建方法中的对所述尾矿基础分析数据进行数据驱动的尾矿库结构重要度分析,获得第一数据特征的流程图。
如图5所示,在一个或多个实施例中,优选地,所述对所述尾矿基础分析数据进行数据驱动的尾矿库结构重要度分析,获得第一数据特征,具体包括:
S501、获取全部的所述尾矿基础分析数据,确认特征范围;
S502、根据所述特征范围,对所述尾矿基础分析数据生成每一个单维度特征;
S503、对所有的单维度特征进行重要度打分,使用InfoGain算法和FCBF算法生成重要度排序表;
S504、在所述重要度排序表中剔除位置特征和异常形状特征,生成第一数据特征。
在本发明实施例中,尾矿库4种主要组成结构光谱特征存在显著差异,但各结构均与背景中的部分地类存在光谱相似性:其中初期坝表现为不透水面的光谱特征,堆积坝表现为人工植被的光谱特征,沉积滩表现为裸地的光谱特征,水体的光谱特征与普通水体基本一致。为了选择适宜分类的特征,分别使用InfoGain算法和FCBF算法对特征重要性进行排序。为了保证结构特征不受到其他地类干扰,以对象为单位,人工采集了植被、水体、裸地、不透水面、建筑屋顶、初期坝、堆积坝、沉积滩8个地类的样本,并对常用的200个特征进行排序。其中,具体的,数据挖掘算法为Info-Gain算法、FCBF(Fast correlation basedfeature selection)算法。
图6是本发明一个实施例的一种尾矿库特征分析及模型构建方法中的对所述尾矿基础分析数据进行尾矿库结构光谱特征分析,获得第二数据特征的流程图。
如图6所示,在一个或多个实施例中,优选地,所述对所述尾矿基础分析数据进行尾矿库结构光谱特征分析,获得第二数据特征,具体包括:
S601、根据所述尾矿基础分析数据,将田地识别作为分界点,将可分性大于田地的视为通过光谱进行区分的第一地类;
其中,具体的,可分性评价算法可以为FSO算法,FSO算法的中文为特征空间优化,其英文全称是Feature Space Optimization,进行尾矿数据的分析,获取对应的光谱数据。
S602、将可分性与田地相同作为无法通过光区分的地类的第二地类;
S603、将可分性小于田地的作为无法通过光谱进行区分的地类的第三地类;
S604、从光谱特征的角度分析,获取沉积滩和初期坝,生成第二特征数据。
在本发明实施例中,将田地识别作为分界点,将可分性大于田地的视为可以通过光谱进行区分的地类,将可分性与田地相当的视为难以通过光谱区分的地类,将可分性小于田地的视为无法通过光谱进行区分的地类。因此,对于上述三种尾矿库结构,沉积滩可以通过光谱进行较为有效的识别,堆积坝难以通过光谱进行识别,而初期坝的识别能力需要进行进一步的分析。
图7是本发明一个实施例的一种尾矿库特征分析及模型构建方法中的对所述尾矿基础分析数据进行尾矿库结构空间特征分析,获得第三数据特征的流程图。
如图7所示,在一个或多个实施例中,优选地,所述对所述尾矿基础分析数据进行尾矿库结构空间特征分析,获得第三数据特征,具体包括:
S701、根据所述尾矿基础分析数据,获取数据分类,所述数据分类包括水体光谱、沉积滩光谱、堆积坝、初期坝;
S702、对所述数据分类进行形状信息,其中,所述形状信息包括紧致度、长度、平均边长;
S703、获取初期坝的空间特征曲线,保存为第一特征曲线;
S704、获取堆积坝的空间特征曲线,保存为第二特征曲线;
S705、对无法利用光谱特征进行识别空间特征区分,利用所述第一特征曲线和所述第二特征曲线生成第三数据特征。
在本发明实施例中,通过数据驱动的尾矿库结构特征分析工作,尾矿库四种主要结构中,水体光谱特征较为显著,不再做专门的特征分析;沉积滩光谱特征较为显著,能够通过光谱特征进行识别;堆积坝、初期坝均无法利用光谱特征进行识别,也无法利用基于统计的空间特征进行识别。即仅利用遥感数据本身进行尾矿库结构识别存在较大的困难,无法实现构建尾矿库概念模型的需求,需要先验知识的辅助。
图8是本发明一个实施例的一种尾矿库特征分析及模型构建方法中的根据所述第一数据特征、所述第二数据特征、所述第三数据特征构建尾矿区结构特征的流程图。
如图8所示,在一个或多个实施例中,优选地,所述根据所述第一数据特征、所述第二数据特征、所述第三数据特征构建尾矿区结构特征,具体包括:
S801、将所述第一数据特征、所述第二数据特征和所述第三数据特征结合为中间特征;
S802、以所述中间特征为基础,当相对面积提取光谱特征与不透水面的相似度高于预设相似度,保存为初级坝标签;
S803、以所述中间特征为基础,当阶梯状制备覆盖和线状覆盖,保存为堆积坝标签;
S804、以所述中间特征为基础,当表面平整度和含水量均超过预设定值,保存为沉积滩标签。
在本发明实施例中,初期坝的光谱特征与不透水面类似,且相对面积较小;堆积坝呈现明显的阶梯状,有植被覆盖,且分布有道路及水渠等线状地物;沉积滩具有一个光滑平整的表面,且相对面积较大,含水量较高;初期坝和堆积坝构成的坝体,受到山体走势影响,一般会由低到高呈现倒梯形或三角形;初期坝、堆积坝、沉积滩及水体呈顺序排列。因此,从上述特征出发,建立了尾矿库的标签。
图9是本发明一个实施例的一种尾矿库特征分析及模型构建方法中的根据所述尾矿区结构特征、所述第一数据特征、所述第二数据特征、所述第三数据特征设置尾矿区识别模型的流程图。
如图9所示,在一个或多个实施例中,优选地,所述根据所述尾矿区结构特征、所述第一数据特征、所述第二数据特征、所述第三数据特征设置尾矿区识别模型,具体包括:
S901、获取全部特征参量,其中,所述全部特征参量包括所述尾矿区结构特征、所述第一数据特征、所述第二数据特征、所述第三数据特征;
S902、对所述全部特征参量,提取影响图斑为平整高亮裸地,识别为初期坝,其中,所述平整高亮裸地特征为亮度高于第一预设、植被覆盖指数低于第二预设、所述归一化水指数低于第三预设、面积小于第四预设、纹理类型为光滑;
S903、对所述全部特征参量,提取影响图斑为平行线纹理植被,识别为堆积坝,其中,所述平行线纹理植被特征为所述植被覆盖指数高于所述第二预设、所述面积大于所述第四预设且小于第五预设、所述纹理类型为平行线;
S904、对所述全部特征参量,提取影响图斑为平整高亮含水裸地,识别为沉积滩,其中,所述平整高亮含水裸地特征为亮度高于所述第一预设、所述植被覆盖指数低于所述第二预设、所述归一化水指数高于所述第三预设且低于第六预设、所述面积大于所述第五预设、所述纹理类型为光滑;
S905、对所述全部特征参量,提取影响图斑为水体,识别为水体分类,其中,所述水体的特征为所述归一化水指数高于所述第三预设。
在本发明实施例中,方框中为资源或概念;圆框中为属性约束;线段表示动作或属性类型,其中单箭头表示从属,双箭头表示相等,无箭头表示属性。通过上述方式,可以直接获取具体的每个特征是否为被探测的数据类型,并生成具体的输出。
图10是本发明一个实施例的一种尾矿库特征分析及模型构建方法中的结构图。如图10所示,在本发明实施例中,方框中为资源或概念;圆框中为属性约束;线段表示动作或属性类型,其中单箭头表示从属,双箭头表示相等,无箭头表示属性。通过上述方式,可以直接获取具体的每个特征是否为被探测的数据类型,并生成具体的输出。
根据本发明实施例第二方面,提供一种尾矿库特征分析及模型构建系统。
图11是本发明一个实施例的一种尾矿库特征分析及模型构建系统结构图。
如图11所示,在一个或多个实施例中,优选地,所述一种尾矿库特征分析及模型构建系统包括:
数据获取子模块1101,用于通过遥感摄像进行尾矿区数据获取;
基础数据生成子模块1102,用于对所述尾矿区数据进行数据预处理,生成尾矿基础分析数据;
第一特征提取模块1103,用于对所述尾矿基础分析数据进行数据驱动的尾矿库结构重要度分析,获得第一数据特征;
光谱特征分析模块1104,用于对所述尾矿基础分析数据进行尾矿库结构光谱特征分析,获得第二数据特征;
空间特征分析模块1105,用于对所述尾矿基础分析数据进行尾矿库结构空间特征分析,获得第三数据特征;
结构特征分析模块1106,用于根据所述第一数据特征、所述第二数据特征、所述第三数据特征构建尾矿区结构特征;
尾矿识别模型生成模块1107,用于根据所述尾矿区结构特征、所述第一数据特征、所述第二数据特征、所述第三数据特征设置尾矿区识别模型。
根据本发明实施例第三方面,提供一种计算机可读存储介质,其上存储计算机程序指令,所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
本发明的实施例提供的技术方案可以包括以下有益效果:
1)本发明实施例中,通过数据驱动进行尾矿结构的光谱和空间特征分析,从尾矿构造方法和结构进行属性条件和组合特征的提取。
2)本发明实施例中,提供了概念模型在遥感目标识别上的应用,通过结合真实地理特征和遥感影像表现构建尾矿模型。
3)本发明实施例中,提供了不同土地覆盖被类型的特定组合方式的特征提取方法,基于此利用神经网络进行多层次特征提取,获取土地的内部特征。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种尾矿库特征分析及模型构建方法,其特征在于,该方法包括:
通过遥感摄像进行尾矿区数据获取;
对所述尾矿区数据进行数据预处理,生成尾矿基础分析数据;
对所述尾矿基础分析数据进行数据驱动的尾矿库结构重要度分析,获得第一数据特征;
对所述尾矿基础分析数据进行尾矿库结构光谱特征分析,获得第二数据特征;
对所述尾矿基础分析数据进行尾矿库结构空间特征分析,获得第三数据特征;
根据所述第一数据特征、所述第二数据特征、所述第三数据特征构建尾矿区结构特征;
根据所述尾矿区结构特征、所述第一数据特征、所述第二数据特征、所述第三数据特征设置尾矿区识别模型;
其中,所述根据所述第一数据特征、所述第二数据特征、所述第三数据特征构建尾矿区结构特征,具体包括:
将所述第一数据特征、所述第二数据特征和所述第三数据特征结合为中间特征;
以所述中间特征为基础,当相对面积提取光谱特征与不透水面的相似度高于预设相似度,保存为初级坝标签;
以所述中间特征为基础,当阶梯状制备覆盖和线状覆盖,保存为堆积坝标签;
以所述中间特征为基础,当表面平整度和含水量均超过预设定值,保存为沉积滩标签;
其中,所述根据所述尾矿区结构特征、所述第一数据特征、所述第二数据特征、所述第三数据特征设置尾矿区识别模型,具体包括:
获取全部特征参量,其中,所述全部特征参量包括所述尾矿区结构特征、所述第一数据特征、所述第二数据特征、所述第三数据特征;
对所述全部特征参量,提取影响图斑为平整高亮裸地,识别为初期坝,其中,所述平整高亮裸地特征为亮度高于第一预设、植被覆盖指数低于第二预设、归一化水指数低于第三预设、面积小于第四预设、纹理类型为光滑;
对所述全部特征参量,提取影响图斑为平行线纹理植被,识别为堆积坝,其中,所述平行线纹理植被特征为所述植被覆盖指数高于所述第二预设、所述面积大于所述第四预设且小于第五预设、所述纹理类型为平行线;
对所述全部特征参量,提取影响图斑为平整高亮含水裸地,识别为沉积滩,其中,所述平整高亮含水裸地特征为亮度高于所述第一预设、所述植被覆盖指数低于所述第二预设、所述归一化水指数高于所述第三预设且低于第六预设、所述面积大于所述第五预设、所述纹理类型为光滑;
对所述全部特征参量,提取影响图斑为水体,识别为水体分类,其中,所述水体的特征为所述归一化水指数高于所述第三预设。
2.如权利要求1所述的一种尾矿库特征分析及模型构建方法,其特征在于,所述通过遥感摄像进行尾矿区数据获取,具体包括:
获取全部的试验分区,对所述试验分区进行信息提取,获得建造、运营和使用情况;
获取所述试验分区的植被情况、子坝情况、边坝形态;
获取所有的尾矿的材质信息,所述尾矿的材质信息具体包括初期坝材质、沉积滩材质、尾沙材质。
3.如权利要求2所述的一种尾矿库特征分析及模型构建方法,其特征在于,所述数据预处理,具体包括:
对尾矿数据进行周期提取,获得所述试验分区的数据;
对所述试验分区的数据进行辐射校正和正射校正,生成校正数据;
对所述校正数据进行全色波动数据融合,生成第一融合数据;
对所述第一融合数据进行多光谱波段的数据融合,生成第二融合数据。
4.如权利要求1所述的一种尾矿库特征分析及模型构建方法,其特征在于,所述对所述尾矿基础分析数据进行数据驱动的尾矿库结构重要度分析,获得第一数据特征,具体包括:
获取全部的所述尾矿基础分析数据,确认特征范围;
根据所述特征范围,对所述尾矿基础分析数据生成每一个单维度特征;
对所有的单维度特征进行重要度打分,使用InfoGain算法和FCBF算法生成重要度排序表;
在所述重要度排序表中剔除位置特征和异常形状特征,生成第一数据特征。
5.如权利要求1所述的一种尾矿库特征分析及模型构建方法,其特征在于,所述对所述尾矿基础分析数据进行尾矿库结构光谱特征分析,获得第二数据特征,具体包括:
根据所述尾矿基础分析数据,将田地识别作为分界点,将可分性大于田地的视为通过光谱进行区分的第一地类;
将可分性与田地相同作为无法通过光谱区分的地类的第二地类;
将可分性小于田地的作为无法通过光谱进行区分的地类的第三地类;
从光谱特征的角度分析,获取沉积滩和初期坝,生成第二特征数据。
6.如权利要求1所述的一种尾矿库特征分析及模型构建方法,其特征在于,所述对所述尾矿基础分析数据进行尾矿库结构空间特征分析,获得第三数据特征,具体包括:
根据所述尾矿基础分析数据,获取数据分类,所述数据分类包括水体光谱、沉积滩光谱、堆积坝、初期坝;
对所述数据分类进行形状信息,其中,所述形状信息包括紧致度、长度、平均边长;
获取初期坝的空间特征曲线,保存为第一特征曲线;
获取堆积坝的空间特征曲线,保存为第二特征曲线;
对无法利用光谱特征进行识别空间特征区分,利用所述第一特征曲线和所述第二特征曲线生成第三数据特征。
7.一种尾矿库特征分析及模型构建系统,其特征在于,该系统包括:
数据获取子模块,用于通过遥感摄像进行尾矿区数据获取;
基础数据生成子模块,用于对所述尾矿区数据进行数据预处理,生成尾矿基础分析数据;
第一特征提取模块,用于对所述尾矿基础分析数据进行数据驱动的尾矿库结构重要度分析,获得第一数据特征;
光谱特征分析模块,用于对所述尾矿基础分析数据进行尾矿库结构光谱特征分析,获得第二数据特征;
空间特征分析模块,用于对所述尾矿基础分析数据进行尾矿库结构空间特征分析,获得第三数据特征;
结构特征分析模块,用于根据所述第一数据特征、所述第二数据特征、所述第三数据特征构建尾矿区结构特征;
尾矿识别模型生成模块,用于根据所述尾矿区结构特征、所述第一数据特征、所述第二数据特征、所述第三数据特征设置尾矿区识别模型;
其中,所述根据所述第一数据特征、所述第二数据特征、所述第三数据特征构建尾矿区结构特征,具体包括:
将所述第一数据特征、所述第二数据特征和所述第三数据特征结合为中间特征;
以所述中间特征为基础,当相对面积提取光谱特征与不透水面的相似度高于预设相似度,保存为初级坝标签;
以所述中间特征为基础,当阶梯状制备覆盖和线状覆盖,保存为堆积坝标签;
以所述中间特征为基础,当表面平整度和含水量均超过预设定值,保存为沉积滩标签;
其中,所述根据所述尾矿区结构特征、所述第一数据特征、所述第二数据特征、所述第三数据特征设置尾矿区识别模型,具体包括:
获取全部特征参量,其中,所述全部特征参量包括所述尾矿区结构特征、所述第一数据特征、所述第二数据特征、所述第三数据特征;
对所述全部特征参量,提取影响图斑为平整高亮裸地,识别为初期坝,其中,所述平整高亮裸地特征为亮度高于第一预设、植被覆盖指数低于第二预设、归一化水指数低于第三预设、面积小于第四预设、纹理类型为光滑;
对所述全部特征参量,提取影响图斑为平行线纹理植被,识别为堆积坝,其中,所述平行线纹理植被特征为所述植被覆盖指数高于所述第二预设、所述面积大于所述第四预设且小于第五预设、所述纹理类型为平行线;
对所述全部特征参量,提取影响图斑为平整高亮含水裸地,识别为沉积滩,其中,所述平整高亮含水裸地特征为亮度高于所述第一预设、所述植被覆盖指数低于所述第二预设、所述归一化水指数高于所述第三预设且低于第六预设、所述面积大于所述第五预设、所述纹理类型为光滑;
对所述全部特征参量,提取影响图斑为水体,识别为水体分类,其中,所述水体的特征为所述归一化水指数高于所述第三预设。
8.一种计算机可读存储介质,其上存储计算机程序指令,其特征在于,所述计算机程序指令在被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111044335.XA CN113762150B (zh) | 2021-09-07 | 2021-09-07 | 一种尾矿库特征分析及模型构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111044335.XA CN113762150B (zh) | 2021-09-07 | 2021-09-07 | 一种尾矿库特征分析及模型构建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113762150A CN113762150A (zh) | 2021-12-07 |
CN113762150B true CN113762150B (zh) | 2024-04-02 |
Family
ID=78793495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111044335.XA Active CN113762150B (zh) | 2021-09-07 | 2021-09-07 | 一种尾矿库特征分析及模型构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762150B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699889A (zh) * | 2014-01-06 | 2014-04-02 | 成都理工大学 | 一种基于高光谱遥感技术的尾矿识别方法及系统 |
CN108304536A (zh) * | 2018-01-29 | 2018-07-20 | 中国科学院地理科学与资源研究所 | 一种耦合地缘环境要素的地缘环境模拟与预测平台 |
CN113049530A (zh) * | 2021-03-17 | 2021-06-29 | 北京工商大学 | 一种基于近红外高光谱的单粒玉米种子水分含量检测方法 |
-
2021
- 2021-09-07 CN CN202111044335.XA patent/CN113762150B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699889A (zh) * | 2014-01-06 | 2014-04-02 | 成都理工大学 | 一种基于高光谱遥感技术的尾矿识别方法及系统 |
CN108304536A (zh) * | 2018-01-29 | 2018-07-20 | 中国科学院地理科学与资源研究所 | 一种耦合地缘环境要素的地缘环境模拟与预测平台 |
CN113049530A (zh) * | 2021-03-17 | 2021-06-29 | 北京工商大学 | 一种基于近红外高光谱的单粒玉米种子水分含量检测方法 |
Non-Patent Citations (1)
Title |
---|
面向对象的高分一号铁尾矿遥感信息提取与分析;曹兰杰;吴兵;汪金花;张博;;测绘与空间地理信息;20190425(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113762150A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian et al. | Large-scale deep learning based binary and semantic change detection in ultra high resolution remote sensing imagery: From benchmark datasets to urban application | |
Ochoa et al. | A framework for the management of agricultural resources with automated aerial imagery detection | |
González-Yebra et al. | Methodological proposal to assess plastic greenhouses land cover change from the combination of archival aerial orthoimages and Landsat data | |
CN107330422A (zh) | 一种基于高精度数字高程模型对半干旱地区进行微地形分类的方法 | |
CN111028255A (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 | |
CN113971769B (zh) | 基于多源大数据的海岸带地域功能长时序识别方法 | |
CN107977677A (zh) | 一种应用于大规模城区重建中的多标签像素分类方法 | |
CN104239890A (zh) | 高分1号卫星的沿岸陆地土地覆被信息自动提取的方法 | |
CN105809194A (zh) | 一种sar影像翻译为光学影像的方法 | |
CN115880487A (zh) | 基于深度学习方法的林木激光点云枝叶分离方法 | |
CN112329706A (zh) | 一种基于遥感技术的采矿用地识别方法 | |
CN115641412A (zh) | 基于高光谱数据的三维语义地图的生成方法 | |
Dong et al. | New quantitative approach for the morphological similarity analysis of urban fabrics based on a convolutional autoencoder | |
CN111611960A (zh) | 一种基于多层感知神经网络大区域地表覆盖分类方法 | |
Wei et al. | Coffee flower identification using binarization algorithm based on convolutional neural network for digital images | |
CN112711985B (zh) | 基于改进solo网络的果实识别方法、装置及机器人 | |
CN101887522A (zh) | 基于多点同时快速行进的遥感影像道路提取方法 | |
CN115858840B (zh) | 基于场景的遥感影像镶嵌方法 | |
CN113762150B (zh) | 一种尾矿库特征分析及模型构建方法及系统 | |
Tiwari et al. | A deep learning approach for automatic identification of ancient agricultural water harvesting systems | |
Stark | Using deep convolutional neural networks for the identification of informal settlements to improve a sustainable development in urban environments | |
Zhang et al. | A multi-task convolutional neural network for mega-city analysis using very high resolution satellite imagery and geospatial data | |
US20220415022A1 (en) | Systems and methods for categorizing image pixels | |
Zhang et al. | Pixel–Scene–Pixel–Object Sample Transferring: A Labor-Free Approach for High-Resolution Plastic Greenhouse Mapping | |
CN116206210A (zh) | 一种基于NAS-Swin的遥感影像农业大棚提取方法 |
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 |