CN115860975B - 一种基于卫星遥感的盐湖锂矿项目产能监测方法与装置 - Google Patents
一种基于卫星遥感的盐湖锂矿项目产能监测方法与装置 Download PDFInfo
- Publication number
- CN115860975B CN115860975B CN202310114326.6A CN202310114326A CN115860975B CN 115860975 B CN115860975 B CN 115860975B CN 202310114326 A CN202310114326 A CN 202310114326A CN 115860975 B CN115860975 B CN 115860975B
- Authority
- CN
- China
- Prior art keywords
- salt
- target
- learning model
- remote sensing
- sensing image
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明提供了一种基于卫星遥感的盐湖锂矿项目产能监测方法与装置，涉及矿产遥感监测的技术领域，包括：获取样本遥感影像，并对样本遥感影像进行预处理，得到目标遥感影像；利用目标遥感影像，对初始深度学习模型进行训练，得到目标深度学习模型；利用预设算法，对盐湖锂矿盐田区域进行目标处理，得到盐池斑块；利用盐池斑块，对初始机器学习模型进行训练，得到目标机器学习模型；在获取到待监测区域的遥感影像之后，利用目标深度学习模型、目标机器学习模型和盐田产能模型，确定出待监测区域内的盐田的产能，解决了现有技术难以对正在进行的盐湖锂矿项目产能进行监测的技术问题。
Description
技术领域
本发明涉及矿产遥感监测的技术领域，尤其是涉及一种基于卫星遥感的盐湖锂矿项目产能监测方法与装置。
背景技术
锂矿资源被称为“白色石油”，是一种具备战略意义的“能源金属”。锂矿是新能源锂电池材料种锂盐的重要供应，近年来锂离子电池在电子产品、新能源汽车和储能领域展现出巨大的价值和潜力。全球盐湖卤水型锂矿资源占比70%，是最重要的锂矿资源赋存和生产地。利用遥感大数据对国内外的锂、钾等矿产资源的开发调查和监测已成为快速准确把握矿产资源开发秩序和产能评估的重要手段，为国内寻找锂资源供给来源地，获取质优价廉的锂资源有重要意义。
传统的矿产遥感监测主要是针对矿山项目前期的地质填图或资源潜力评价，或者是对矿业项目开发完成后的生态修复进行监测评价，鲜少有对正在进行中的矿业项目产能实施遥感监测。而针对盐田的提取研究也很少，已有的研究对象都是海盐盐田的提取，其纹理、颜色、形状、盐田生产过程等都与锂盐湖盐田有非常大的区别，导致无法对正在进行的盐湖锂矿项目产能进行监测。
针对上述问题，还未提出有效的解决方案。
发明内容
有鉴于此，本发明的目的在于提供一种基于卫星遥感的盐湖锂矿项目产能监测方法与装置，以缓解了现有技术难以对正在进行的盐湖锂矿项目产能进行监测的技术问题。
第一方面，本发明实施例提供了一种基于卫星遥感的盐湖锂矿项目产能监测方法，包括：获取样本遥感影像，并对所述样本遥感影像进行预处理，得到目标遥感影像；利用所述目标遥感影像，对初始深度学习模型进行训练，得到目标深度学习模型，其中，所述目标深度学习模型用于提取处所述样本遥感影像中的盐湖锂矿盐田区域；利用预设算法，对所述盐湖锂矿盐田区域进行目标处理，得到盐池斑块；利用所述盐池斑块，对初始机器学习模型进行训练，得到目标机器学习模型，其中，所述目标机器学习模型用于确定所述盐池斑块对应的盐田晒盐阶段；在获取到待监测区域的遥感影像之后，利用所述目标深度学习模型、所述目标机器学习模型和盐田产能模型，确定出所述待监测区域内的盐田的产能。
进一步地，对所述样本遥感影像进行预处理，得到目标遥感影像，包括：提取出所述样本遥感影像中目标波段的波段影像；对所述波段影像进行大气校正处理、重采样处理和裁剪处理，得到中间遥感影像；为所述中间遥感影像中的像素添加标注，得到所述目标遥感影像，其中，所述标注包括第一标注和第二标注，所述第一标注用于表征所述像素对应的区域是否为盐田，所述第二标注用于表征所述像素对应的区域为盐田时，盐田对应的盐田晒盐阶段。
进一步地，利用所述目标遥感影像，对初始深度学习模型进行训练，得到目标深度学习模型，包括：对所述目标波段的波段影像中第一目标波段的波段影像进行分割，得到第一训练数据集；利用所述训练数据集，对所述初始深度学习模型进行训练，得到目标深度学习模型。
进一步地，利用预设算法，对所述盐湖锂矿盐田区域进行目标处理，得到盐池斑块，包括：计算所述盐湖锂矿盐田区域的目标比值盐田指数，其中，所述目标比值盐田指数为第三波段与第八波段的比值；基于所述目标比值盐田指数，构建所述盐池斑块对应的灰度图；利用所述灰度图、滤波处理算法、canny边缘检测算法和Suzuki85边界跟踪算法，提取所述盐湖锂矿盐田区域的边界信息；利用所述边界信息，对所述盐湖锂矿盐田区域进行规则化处理，得到所述盐池斑块。
进一步地，利用所述盐池斑块，对初始机器学习模型进行训练，得到目标机器学习模型，包括：基于所述盐池斑块中第二目标波段的波段影像，构建第二训练数据集；利用所述第二训练数据集，对所述初始机器学习模型进行训练，得到目标机器学习模型。
进一步地，在获取到待监测区域的遥感影像之后，利用所述目标深度学习模型、所述目标机器学习模型和盐田产能模型，确定出所述待监测区域内的盐田的产能，包括：在获取到待监测区域的遥感影像之后，利用所述目标深度学习模型、所述目标机器学习模型，确定出所述待监测区域的盐池斑块和所述待监测区域的盐池斑块对应的盐田晒盐阶段；基于所述待监测区域的盐池斑块、所述待监测区域的盐池斑块对应的盐田晒盐阶段和所述盐田产能模型，确定出所述待监测区域内的盐田的产能。
进一步地，所述盐田产能模型的表达式为：Y = Yt+Yc，其中，Y为盐田实际产量，Yt为盐田趋势产量，Yc 为盐田气象产量。
第二方面，本发明实施例还提供了一种基于卫星遥感的盐湖锂矿项目产能监测装置，包括：获取单元，用于获取样本遥感影像，并对所述样本遥感影像进行预处理，得到目标遥感影像；第一训练单元，用于利用所述目标遥感影像，对初始深度学习模型进行训练，得到目标深度学习模型，其中，所述目标深度学习模型用于提取处所述样本遥感影像中的盐湖锂矿盐田区域；处理单元，用于利用预设算法，对所述盐湖锂矿盐田区域进行目标处理，得到盐池斑块，其中，所述目标处理包括：边缘提取及规则化处理和分割处理；第二训练单元，用于利用所述盐池斑块，对初始机器学习模型进行训练，得到目标机器学习模型，其中，所述目标机器学习模型用于确定所述盐池斑块对应的盐田晒盐阶段；监测单元，用于在获取到待监测区域的遥感影像之后，利用所述目标深度学习模型、所述目标机器学习模型和盐田产能模型，确定出所述待监测区域内的盐田的产能。
第三方面，本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序。
在本发明实施例中，通过获取样本遥感影像，并对所述样本遥感影像进行预处理，得到目标遥感影像；利用所述目标遥感影像，对初始深度学习模型进行训练，得到目标深度学习模型，其中，所述目标深度学习模型用于提取处所述样本遥感影像中的盐湖锂矿盐田区域；利用预设算法，对所述盐湖锂矿盐田区域进行目标处理，得到盐池斑块；利用所述盐池斑块，对初始机器学习模型进行训练，得到目标机器学习模型，其中，所述目标机器学习模型用于确定所述盐池斑块对应的盐田晒盐阶段；在获取到待监测区域的遥感影像之后，利用所述目标深度学习模型、所述目标机器学习模型和盐田产能模型，确定出所述待监测区域内的盐田的产能，达到了对正在进行的盐湖锂矿项目产能进行监测的目的，进而解决了现有技术难以对正在进行的盐湖锂矿项目产能进行监测的技术问题，从而实现了对盐湖锂矿的盐田进行监测的技术效果。
本发明的其他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在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，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为本发明实施例提供的一种基于卫星遥感的盐湖锂矿项目产能监测方法的流程图；
图2为本发明实施例提供的样本遥感影像的示意图；
图3为本发明实施例提供的比值盐田指数图；
图4为本发明实施例提供的盐湖锂矿盐田区域的边界的示意图；
图5为本发明实施例提供的盐湖产能预测结果示意图；
图6为本发明实施例提供的一种基于卫星遥感的盐湖锂矿项目产能监测装置的示意图；
图7为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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，本领域普通技术人员在没有做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。
实施例一：
根据本发明实施例，提供了一种基于卫星遥感的盐湖锂矿项目产能监测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种基于卫星遥感的盐湖锂矿项目产能监测方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取样本遥感影像，并对所述样本遥感影像进行预处理，得到目标遥感影像；
步骤S104，利用所述目标遥感影像，对初始深度学习模型进行训练，得到目标深度学习模型，其中，所述目标深度学习模型用于提取处所述样本遥感影像中的盐湖锂矿盐田区域；
步骤S106，利用预设算法，对所述盐湖锂矿盐田区域进行目标处理，得到盐池斑块；
步骤S108，利用所述盐池斑块，对初始机器学习模型进行训练，得到目标机器学习模型，其中，所述目标机器学习模型用于确定所述盐池斑块对应的盐田晒盐阶段；
步骤S110，在获取到待监测区域的遥感影像之后，利用所述目标深度学习模型、所述目标机器学习模型和盐田产能模型，确定出所述待监测区域内的盐田的产能。
在本发明实施例中，通过获取样本遥感影像，并对所述样本遥感影像进行预处理，得到目标遥感影像；利用所述目标遥感影像，对初始深度学习模型进行训练，得到目标深度学习模型，其中，所述目标深度学习模型用于提取处所述样本遥感影像中的盐湖锂矿盐田区域；利用预设算法，对所述盐湖锂矿盐田区域进行目标处理，得到盐池斑块；利用所述盐池斑块，对初始机器学习模型进行训练，得到目标机器学习模型，其中，所述目标机器学习模型用于确定所述盐池斑块对应的盐田晒盐阶段；在获取到待监测区域的遥感影像之后，利用所述目标深度学习模型、所述目标机器学习模型和盐田产能模型，确定出所述待监测区域内的盐田的产能，达到了对正在进行的盐湖锂矿项目产能进行监测的目的，进而解决了现有技术难以对正在进行的盐湖锂矿项目产能进行监测的技术问题，从而实现了对盐湖锂矿的盐田进行监测的技术效果。
在本发明实施例中，步骤S102包括如下步骤：
提取出所述样本遥感影像中目标波段的波段影像；
对所述波段影像进行大气校正处理、重采样处理和裁剪处理，得到中间遥感影像；
为所述中间遥感影像中的像素添加标注，得到所述目标遥感影像，其中，所述标注包括第一标注和第二标注，所述第一标注用于表征所述像素对应的区域是否为盐田，所述第二标注用于表征所述像素对应的区域为盐田时，盐田对应的盐田晒盐阶段。
在本发明实施例中，根据盐湖锂矿地理信息分布获取不同时间的全球范围的哨兵2光学卫星数据，主要包括盐湖含盐田的影像，从而得到样本遥感影像，如图2所示。
选择样本遥感影像的波段2-8、8a、11、12作为主要应用波段（即，目标波段），得到波段影像，其中波段2、3、4、8为10m分辨率，其余6个波段为20m分辨率。首先对2-8三个波段进行flash大气校正；然后对5、6和7三个波段，重采样到10m分辨率；最后以盐湖的分布范围为基础缓冲2000m,并以最大外接矩形进行裁剪，得到中间遥感影像。
对中间遥感影像中的像素进行标注，共进行两种标记：盐田和非盐田；原卤阶段、钠盐阶段、钾盐阶段、老卤阶段4类，从而得到目标遥感影像。
在本发明实施例中，步骤S104包括如下步骤：
对所述目标波段的波段影像中第一目标波段的波段影像进行分割，得到第一训练数据集；
利用所述训练数据集，对所述初始深度学习模型进行训练，得到目标深度学习模型。
在本发明实施例中，盐田信息与盐湖锂矿的开采情况息息相关，然而盐田在不同生产进程中由于水深、矿物质浓度、高时空动态等差异表现出来的光谱特征比较多样，难以只依靠光谱特征进行提取，因此需要结合盐田的纹理信息，进行盐田提取。一共分为3个步骤，具体如下：
构建盐田与非盐田数据和由波段8、3和2（即，第一目标波段）作为RGB生成的遥感影像图片。为了改进训练样本，将影像分割为512*512像素大小，重叠率为50%，增加数据样本量和上下文特征，得到第一训练数据集，用来加强对边界区域的预测。
本申请中采用基于U-Net模型进行训练，U-Net模型是基于全卷积网络拓展和修改而来的，网络由两部分组成：一个收缩路径来获取上下文信息以及一个对称的扩张路径用以精确定位，可以支持少量的数据训练模型且可以保留较好的边缘信息，与盐田数据特征比较相符。该网络采用带边界权值的损失函数：
其中，
是softmax损失函数，1是像素点的标签值，/>
是像素点的权值，可以给图像中贴近边界点的像素更高的权值。
其中，
是平衡类别比例的权值，/>
是像素点到距离其最近盐田的距离，/>
是像素点到距离其第二近盐田的距离，/>
和/>
是常数值，本申请中分别取值为10和5。
在训练步骤中，训练120个epoch，连续学习率从0.01衰减到0，从而得到目标深度学习模型。
在本发明实施例中，步骤S106包括如下步骤：
计算所述盐湖锂矿盐田区域的目标比值盐田指数，其中，所述目标比值盐田指数为第三波段与第八波段的比值；
基于所述目标比值盐田指数，构建所述盐池斑块对应的灰度图；
利用所述灰度图、滤波处理算法、canny边缘检测算法和Suzuki85边界跟踪算法，提取所述盐湖锂矿盐田区域的边界信息；
利用所述边界信息，对所述盐湖锂矿盐田区域进行规则化处理，得到所述盐池斑块。
在本发明实施例中，对盐田区域内的盐池边缘进行提取，同时对于盐池的边缘进行规则化处理后，对盐田区域进行分割得到盐池斑块。其主要步骤如下：
利用盐田区域的多光谱数据，构建差分盐度指数计算得到归一化盐田指数，根据盐田光谱的特征，在Band2到Band4随着波长的增加反射率增加，在Band4处形成一个小的反射峰，Band 5～Band 7间光谱反射率曲线呈凹形曲线, 数值变化平缓, Band 8处会出现一个反射峰。Band 8a、Band 11、Band 12光谱反射率变化不大, 光谱曲线平缓。
因此，为了对盐田信息进行增强，构建了较多的归一化差分盐指数和比值盐指数，如（Band4-Band8）/(Band4+Band8)、（Band4-Band8a）/(Band4+Band8a)、（Band3-Band8a）/(Band3+Band8a)、（Band4-Band6）/(Band4+Band6)、Band3/Band8、Band4/Band8、Band4/Band6等，最终选择效果最好的Band3/Band8比值盐指数（即，目标比值盐田指数）来增强盐田区域，如图3所示，图3为目标比值盐田指数图。
接着，主要利用Opencv图像处理工具，首先将目标比值盐指数转为灰度图，并进行中值滤波运算，去除由于比值运算等引起的噪声；然后进行canny边缘检测，转化为二值图；利用Suzuki85边界跟踪算法进行二值图像的拓扑结果分析，获取盐田二值图像的边界信息，如图4所示。
除了盐田边缘会被提取出来以外，还会有小的水域等扰乱信息掺杂其中，因此先进行小斑块滤除，考虑盐田的最小面积，小于10像素的小斑被滤除掉。由于绝大部分盐田都是较为规整的直线边界，因此对边界信息进行霍夫变化，不仅可以连通分断掉的边缘线，同时可以对非盐田边缘进行滤除，最终得到规则化的盐池斑块。
在本发明实施例中，步骤S108包括如下步骤：
基于所述盐池斑块中第二目标波段的波段影像，构建第二训练数据集；
利用所述第二训练数据集，对所述初始机器学习模型进行训练，得到目标机器学习模型。
在本发明实施例中，不同的盐池所具有的多光谱特征最为明显，因此将每个盐池的平均多光谱数据（波段2-8，即，第二目标波段）作为输入（即，第二训练数据集），以原卤阶段、钠盐阶段、钾盐阶段、老卤阶段的盐池4分类作为目标值，构建初始机器学习模型。本申请中采用随机森林作为分类器，其训练设置的主要参数：决策树的个数为100，对样本集进行有放回抽样来构建决策树，同时，构建决策树最优模型时考虑的最大特征数为8，节点可分的最小样本数为2，叶子节点含有的最少样本为6，利用第二训练数据集，对初始机器学习模型进行训练，得到目标机器学习模型。
在本发明实施例中，步骤S110包括如下步骤：
在获取到待监测区域的遥感影像之后，利用所述目标深度学习模型、所述目标机器学习模型，确定出所述待监测区域的盐池斑块和所述待监测区域的盐池斑块对应的盐田晒盐阶段；
基于所述待监测区域的盐池斑块、所述待监测区域的盐池斑块对应的盐田晒盐阶段和所述盐田产能模型，确定出所述待监测区域内的盐田的产能。
在本发明实施例中，在获取到待监测区域的遥感影像之后，首先，对待监测区域的遥感影像行预处理，得到待监测区域的目标遥感影像。
接着，将待监测区域的目标遥感影像输入目标深度学习模型，将目标遥感影像拆分为512*512像素块，重叠率为80%，通过将每个分块旋转到四个方向执行4次预测，并计算每个像素四次预测的总权重。最终的影像预测结果，为不同分块中像素权重最高的类别，从而得到待监测区域的盐湖锂矿盐田区域。
最后，由于盐田的产能除了受盐田面积、晒盐技术流程制约以外，主要受卤水蒸发量的影响，卤水蒸发量可表示为：
E卤=E淡* f, 式中：E淡为盐田场地气象站蒸发皿淡水蒸发量；f表示卤水蒸发系数，经过理论研究和数据分析，发现f主要受温度、饱和水汽压、风速等影响，因此本申请中将盐田的实际产量进行如下分解：
Y = Yt+Yc
式中，Y是盐田实际产量，基于各盐田的历史生产数据得到总产量和基于卫星提取得到盐田面积，计算出单产，Yt为盐田趋势产量，反映的是一定历史时期的盐田晒盐技术的发展水平，Yc 为盐田气象产量，是气象因子波动对产量的影响。
一般来说，盐田趋势产量的变化遵循logical函数变化规律，可以用其来进行模拟，即：
Yt= K*P0ert/ (K+ P0(ert-1))
其中，Yt为趋势产量，K为盐田单产极限；P0为初始产量，r为增长速率，t为时间，K、P0、r都为待定参数，根据历史产量数据通过最小二乘法拟合，分别为46.32835097，7.62987381，0.61633877。
气象产量主要考虑对盐田蒸发影响较大的关键时期的气象因子，再利用逐步回归方法建立气象产量模型。考虑到技术水平对产量的影响效果不同，为消除这种差异，引入相对气象产量，即气象产量与趋势产量的百分比，气象产量模型如下：
Y’C=Yc/ Yt*100%=b0 + b1*E淡+b2*T+b3*Rh
其中， Y’c为相对气象产量，Yt为趋势产量，Yc为气象产量。由于盐田中卤水的蒸发主要发生在高温季节，而这个期间的降水量相对于蒸发量可以忽略不记，而风速、日照的年际变化极小，因此我们选择4-10月的淡水平均日蒸发量E淡、平均日最高温度T、平均日相对湿度Rh作为影响卤水蒸发量关键气象因子，从实测站点数据中获取, b0、b1、b2、b3为待定参数，通过最小二乘法回归得到，分别为1.140566、0.0263、 0.0423、-0.0665。
利用上述模型可以得出盐田的产量，从而构建如图5所示盐湖产能预测结果示意图。
在本发明实施例中，根据锂矿盐田的光学、纹理等特征，构建深度学习模型，首次实现对盐湖锂矿的盐田进行提取；构建基于机器学习的盐湖锂矿盐池分类模型，对盐池的种类进行监测，继而对盐田的产能进行监测；提出了一种锂矿盐田的产能估算模型，可以用来监测和对比不同盐矿不同时期的生产能力。从而可以支持全球锂矿开采的进度和变化研究，具有更好的业务实用价值。
实施例二：
本发明实施例还提供了一种基于卫星遥感的盐湖锂矿项目产能监测装置，该基于卫星遥感的盐湖锂矿项目产能监测装置用于执行本发明实施例上述内容所提供的基于卫星遥感的盐湖锂矿项目产能监测方法，以下是本发明实施例提供的基于卫星遥感的盐湖锂矿项目产能监测装置的具体介绍。
如图6所示，图6为上述基于卫星遥感的盐湖锂矿项目产能监测装置的示意图，该基于卫星遥感的盐湖锂矿项目产能监测装置包括：
获取单元10，用于获取样本遥感影像，并对所述样本遥感影像进行预处理，得到目标遥感影像；
第一训练单元20，用于利用所述目标遥感影像，对初始深度学习模型进行训练，得到目标深度学习模型，其中，所述目标深度学习模型用于提取处所述样本遥感影像中的盐湖锂矿盐田区域；
处理单元30，用于利用预设算法，对所述盐湖锂矿盐田区域进行目标处理，得到盐池斑块，其中，所述目标处理包括：边缘提取及规则化处理和分割处理；
第二训练单元40，用于利用所述盐池斑块，对初始机器学习模型进行训练，得到目标机器学习模型，其中，所述目标机器学习模型用于确定所述盐池斑块对应的盐田晒盐阶段；
监测单元50，用于在获取到待监测区域的遥感影像之后，利用所述目标深度学习模型、所述目标机器学习模型和盐田产能模型，确定出所述待监测区域内的盐田的产能。
在本发明实施例中，通过获取样本遥感影像，并对所述样本遥感影像进行预处理，得到目标遥感影像；利用所述目标遥感影像，对初始深度学习模型进行训练，得到目标深度学习模型，其中，所述目标深度学习模型用于提取处所述样本遥感影像中的盐湖锂矿盐田区域；利用预设算法，对所述盐湖锂矿盐田区域进行目标处理，得到盐池斑块；利用所述盐池斑块，对初始机器学习模型进行训练，得到目标机器学习模型，其中，所述目标机器学习模型用于确定所述盐池斑块对应的盐田晒盐阶段；在获取到待监测区域的遥感影像之后，利用所述目标深度学习模型、所述目标机器学习模型和盐田产能模型，确定出所述待监测区域内的盐田的产能，达到了对正在进行的盐湖锂矿项目产能进行监测的目的，进而解决了现有技术难以对正在进行的盐湖锂矿项目产能进行监测的技术问题，从而实现了对盐湖锂矿的盐田进行监测的技术效果。
实施例三：
本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
参见图7，本发明实施例还提供一种电子设备100，包括：处理器60，存储器61，总线62和通信接口63，所述处理器60、通信接口63和存储器61通过总线62连接；处理器60用于执行存储器61中存储的可执行模块，例如计算机程序。
其中，存储器61可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口63（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器61用于存储程序，所述处理器60在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器60中，或者由处理器60实现。
处理器60可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-ProgrammableGate Array，简称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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61，处理器60读取存储器61中的信息，结合其硬件完成上述方法的步骤。
实施例四：
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (7)
1.一种基于卫星遥感的盐湖锂矿项目产能监测方法，其特征在于，包括：
获取样本遥感影像，提取出所述样本遥感影像中目标波段的波段影像并对所述波段影像进行预处理，得到目标遥感影像，其中，所述预处理包括：大气校正处理，重采样处理，裁剪处理和标注处理；
利用所述目标遥感影像，对初始深度学习模型进行训练，得到目标深度学习模型，其中，所述目标深度学习模型用于提取处所述样本遥感影像中的盐湖锂矿盐田区域；
利用预设算法，对所述盐湖锂矿盐田区域进行目标处理，得到盐池斑块；
利用所述盐池斑块，对初始机器学习模型进行训练，得到目标机器学习模型，其中，所述目标机器学习模型用于确定所述盐池斑块对应的盐田晒盐阶段；
在获取到待监测区域的遥感影像之后，利用所述目标深度学习模型、所述目标机器学习模型和盐田产能模型，确定出所述待监测区域内的盐田的产能；
其中，利用所述目标遥感影像，对初始深度学习模型进行训练，得到目标深度学习模型，包括：
对所述目标波段的波段影像中第一目标波段的波段影像进行分割，得到第一训练数据集；
利用所述训练数据集，对所述初始深度学习模型进行训练，得到目标深度学习模型；
其中，利用预设算法，对所述盐湖锂矿盐田区域进行目标处理，得到盐池斑块，包括：
计算所述盐湖锂矿盐田区域的目标比值盐田指数，其中，所述目标比值盐田指数为第三波段与第八波段的比值；
基于所述目标比值盐田指数，构建所述盐池斑块对应的灰度图；
利用所述灰度图、滤波处理算法、canny边缘检测算法和Suzuki85边界跟踪算法，提取所述盐湖锂矿盐田区域的边界信息；
利用所述边界信息，对所述盐湖锂矿盐田区域进行规则化处理，得到所述盐池斑块；
其中，利用所述盐池斑块，对初始机器学习模型进行训练，得到目标机器学习模型，包括：
基于所述盐池斑块中第二目标波段的波段影像，构建第二训练数据集；
利用所述第二训练数据集，对所述初始机器学习模型进行训练，得到目标机器学习模型。
2.根据权利要求1所述的方法，其特征在于，对所述波段影像进行预处理，得到目标遥感影像，包括：
对所述波段影像进行大气校正处理、重采样处理和裁剪处理，得到中间遥感影像；
为所述中间遥感影像中的像素添加标注，得到所述目标遥感影像，其中，所述标注包括第一标注和第二标注，所述第一标注用于表征所述像素对应的区域是否为盐田，所述第二标注用于表征所述像素对应的区域为盐田时，盐田对应的盐田晒盐阶段。
3.根据权利要求1所述的方法，其特征在于，在获取到待监测区域的遥感影像之后，利用所述目标深度学习模型、所述目标机器学习模型和盐田产能模型，确定出所述待监测区域内的盐田的产能，包括：
在获取到待监测区域的遥感影像之后，利用所述目标深度学习模型、所述目标机器学习模型，确定出所述待监测区域的盐池斑块和所述待监测区域的盐池斑块对应的盐田晒盐阶段；
基于所述待监测区域的盐池斑块、所述待监测区域的盐池斑块对应的盐田晒盐阶段和所述盐田产能模型，确定出所述待监测区域内的盐田的产能。
4.根据权利要求3所述的方法，其特征在于，
所述盐田产能模型的表达式为：Y = Yt+Yc，其中，Y为盐田实际产量，Yt为盐田趋势产量，Yc 为盐田气象产量。
5.一种基于卫星遥感的盐湖锂矿项目产能监测装置，其特征在于，包括：
获取单元，用于获取样本遥感影像，提取出所述样本遥感影像中目标波段的波段影像，并对所述波段影像进行预处理，得到目标遥感影像，其中，所述预处理包括：大气校正处理，重采样处理，裁剪处理和标注处理；
第一训练单元，用于利用所述目标遥感影像，对初始深度学习模型进行训练，得到目标深度学习模型，其中，所述目标深度学习模型用于提取处所述样本遥感影像中的盐湖锂矿盐田区域；
处理单元，用于利用预设算法，对所述盐湖锂矿盐田区域进行目标处理，得到盐池斑块，其中，所述目标处理包括：边缘提取及规则化处理和分割处理；
第二训练单元，用于利用所述盐池斑块，对初始机器学习模型进行训练，得到目标机器学习模型，其中，所述目标机器学习模型用于确定所述盐池斑块对应的盐田晒盐阶段；
监测单元，用于在获取到待监测区域的遥感影像之后，利用所述目标深度学习模型、所述目标机器学习模型和盐田产能模型，确定出所述待监测区域内的盐田的产能；
其中，利用所述目标遥感影像，对初始深度学习模型进行训练，得到目标深度学习模型，包括：
对所述目标波段的波段影像中第一目标波段的波段影像进行分割，得到第一训练数据集；
利用所述训练数据集，对所述初始深度学习模型进行训练，得到目标深度学习模型；
其中，利用预设算法，对所述盐湖锂矿盐田区域进行目标处理，得到盐池斑块，包括：
计算所述盐湖锂矿盐田区域的目标比值盐田指数，其中，所述目标比值盐田指数为第三波段与第八波段的比值；
基于所述目标比值盐田指数，构建所述盐池斑块对应的灰度图；
利用所述灰度图、滤波处理算法、canny边缘检测算法和Suzuki85边界跟踪算法，提取所述盐湖锂矿盐田区域的边界信息；
利用所述边界信息，对所述盐湖锂矿盐田区域进行规则化处理，得到所述盐池斑块；
其中，利用所述盐池斑块，对初始机器学习模型进行训练，得到目标机器学习模型，包括：
基于所述盐池斑块中第二目标波段的波段影像，构建第二训练数据集；
利用所述第二训练数据集，对所述初始机器学习模型进行训练，得到目标机器学习模型。
6.一种电子设备，其特征在于，包括存储器以及处理器，所述存储器用于存储支持处理器执行权利要求1至4任一项所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
7.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，计算机程序被处理器运行时执行上述权利要求1至4任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310114326.6A CN115860975B (zh) | 2023-02-15 | 2023-02-15 | 一种基于卫星遥感的盐湖锂矿项目产能监测方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310114326.6A CN115860975B (zh) | 2023-02-15 | 2023-02-15 | 一种基于卫星遥感的盐湖锂矿项目产能监测方法与装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115860975A CN115860975A (zh) | 2023-03-28 |
| CN115860975B true CN115860975B (zh) | 2023-05-23 |
Family
ID=85658054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310114326.6A Active CN115860975B (zh) | 2023-02-15 | 2023-02-15 | 一种基于卫星遥感的盐湖锂矿项目产能监测方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115860975B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116228599B (zh) * | 2023-05-08 | 2023-07-21 | 山东省地质测绘院 | 基于遥感影像增强的矿产资源动态监测方法 |
| KR102656376B1 (ko) * | 2023-08-18 | 2024-04-11 | (주)유에스티21 | 인공위성 영상 이미지 분석을 통한 리튬 광산 모니터링 시스템 및 그 방법 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111742329B (zh) * | 2020-05-15 | 2023-09-12 | 安徽中科智能感知科技股份有限公司 | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 |
| CN111931709B (zh) * | 2020-09-17 | 2021-01-05 | 航天宏图信息技术股份有限公司 | 遥感影像的水体提取方法、装置、电子设备及存储介质 |
| CN112784806A (zh) * | 2021-02-04 | 2021-05-11 | 中国地质科学院矿产资源研究所 | 一种基于全卷积神经网络的含锂伟晶岩脉提取方法 |
| CN113096746A (zh) * | 2021-04-02 | 2021-07-09 | 中国地质科学院矿产资源研究所 | 一种基于LightGBM的盐湖锂浓度反演方法及系统 |
| CN114078213A (zh) * | 2021-11-23 | 2022-02-22 | 航天宏图信息技术股份有限公司 | 一种基于生成对抗网络的农田轮廓检测方法和装置 |
| DE202022101590U1 (de) * | 2022-03-25 | 2022-04-12 | Rajashree Tukaram Gadhave | Ein System zur Klassifizierung von Fernerkundungsbildern unter Verwendung fusionierter Faltungsmerkmale mit maschinellem Lernen |
| CN115147721A (zh) * | 2022-07-04 | 2022-10-04 | 航天宏图信息技术股份有限公司 | 一种森林蓄积量的遥感反演方法及装置 |
| CN115561828A (zh) * | 2022-09-21 | 2023-01-03 | 中国科学院新疆生态与地理研究所 | 一种伟晶岩型锂矿识别方法 |
-
2023
- 2023-02-15 CN CN202310114326.6A patent/CN115860975B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115860975A (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115860975B (zh) | 一种基于卫星遥感的盐湖锂矿项目产能监测方法与装置 | |
| CN108020511B (zh) | 一种浅水草型湖泊水质参数遥感监测方法与装置 | |
| CN111666918A (zh) | 一种基于多因素的海岸线变化识别方法 | |
| Tornos et al. | Assessment of MODIS spectral indices for determining rice paddy agricultural practices and hydroperiod | |
| CN113040034B (zh) | 一种节水灌溉控制系统及控制方法 | |
| US9064151B2 (en) | Device and method for detecting plantation rows | |
| González-Yebra et al. | Methodological proposal to assess plastic greenhouses land cover change from the combination of archival aerial orthoimages and Landsat data | |
| CN106650812A (zh) | 一种卫星遥感影像的城市水体提取方法 | |
| CN110287953B (zh) | 水位自动识别方法及装置 | |
| Peters et al. | Synergy of very high resolution optical and radar data for object-based olive grove mapping | |
| Zhang et al. | Mapping photovoltaic power plants in China using Landsat, random forest, and Google Earth Engine | |
| Zhang et al. | Integrating remote sensing, irrigation suitability and statistical data for irrigated cropland mapping over mainland China | |
| Sun et al. | Mapping China’s coastal aquaculture ponds expansion with sentinel-2 images during 2017–2021 | |
| CN112801109A (zh) | 一种基于多尺度特征融合的遥感图像分割方法及系统 | |
| CN116090674A (zh) | 草地退化早期预警方法、装置及系统 | |
| Ai et al. | Mapping of native plant species and noxious weeds to investigate grassland degradation in the Three-River Headwaters region using HJ-1A/HSI imagery | |
| CN114332546B (zh) | 一种物候匹配策略的大尺度迁移学习作物分类方法及系统 | |
| Deng et al. | Assessing urban wetlands dynamics in Wuhan and Nanchang, China | |
| Imran et al. | Image-Based Automatic Energy Meter Reading Using Deep Learning | |
| CN114550005A (zh) | 一种自然保护区内建筑物识别方法及系统 | |
| CN110689549B (zh) | 对象提取方法、装置和设备 | |
| CN113989673A (zh) | 基于国产高分数据和深度学习模型的海岸线自动提取方法 | |
| CN114332144A (zh) | 样本粒度检测方法、系统、电子设备及存储介质 | |
| Wang et al. | Remote sensing monitoring and environmental pollution load assessment of coastal aquaculture area based on GF-2 | |
| CN117315470B (zh) | 基于地空全谱段高光谱数据的水质参数反演系统 |
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 |