CN117152561A - 一种洪涝灾害重置成本遥感样本集构建及更新方法 - Google Patents

Abstract

本发明公开了一种洪涝灾害重置成本遥感样本集构建及更新方法，针对当前洪涝重置成本遥感智能估算缺乏高质量可靠样本的问题，选取典型流域性洪涝区域，首先利用低空小型无人机和高分遥感卫星获取洪涝灾害受灾体高分辨率光学和激光雷达影像，接着采用极端梯度提升算法进行受损地物精细分类，进一步根据洪涝淹没地理空间特征差异，采用空间三明治模型确定洪涝受灾区空间采样样方位置，然后结合实地洪涝灾害损失调查数据，构建网格尺度洪涝灾害受灾体重置成本估算模型，开展洪涝灾害重置成本空间计算，最后通过变尺度网格剖分法，实现多尺度洪涝灾害重置成本遥感样本集构建和更新。

Description

一种洪涝灾害重置成本遥感样本集构建及更新方法

技术领域

本发明属于洪涝灾害遥感智能分析技术领域，具体涉及一种洪涝灾害重置成本遥感样本集构建及更新方法的设计。

背景技术

洪涝灾害重置成本估算是洪水应急管理和灾后救援的重要参考信息，目前多以行政区为单元进行统计，通过层层上报、统计汇总来估算洪涝灾害区域内受灾体的重置成本，这种统计方式会因统计口径差异和人为主观因素导致较大的误差，且难以展示行政边界内部因洪涝造成的重置成本空间差异性，难以满足洪涝灾害精准评估的需求。

随着人工智能和遥感成像技术发展，为开展大范围的洪涝灾害受灾体重置成本智能估算模型带来了新的契机，其中智能估算模型最大的瓶颈问题是获取真实可靠、客观准确和尺度匹配的洪涝灾害受灾体重置成本样本训练集。当前，德国地理中心构建了基于对象的洪涝灾害损失数据库，主要是基于单个物体对象的洪涝受灾体财产损失调查，而洪涝灾害受灾体重置成本估算模型一般是基于空间格网，将基于单体对象的洪涝灾害损失直接转换到空间网格中存在较大误差，且德国地物类型分类体系及受灾体重置成本也与我国情况差别较大，在我国的适用性有限。因此，如何利用多种遥感成像手段，获取高质量可靠的洪涝灾害重置成本遥感样本集，是洪涝遥感重置成本智能准确估算亟需突破的关键技术问题之一。

发明内容

本发明的目的是为了解决现有洪涝重置成本遥感智能估算方法缺乏高质量可靠样本的问题，提出了一种洪涝灾害重置成本遥感样本集构建及更新方法。

本发明的技术方案为：一种洪涝灾害重置成本遥感样本集构建及更新方法，包括以下步骤：

S1、采集流域性洪涝区域的数据并进行预处理，得到预处理数据。

S2、基于极端梯度提升算法对预处理数据进行受损地物精细分类，得到受损地物精细分类结果。

S3、基于空间三明治抽样模型对预处理数据进行多尺度嵌套样方设计，得到空间采样样方位置。

S4、结合受损地物精细分类结果和空间采样样方位置构建洪涝灾害重置成本遥感样本集，并定期对洪涝灾害重置成本遥感样本集进行更新。

进一步地，步骤S1中流域性洪涝区域的数据包括基于低空小型无人机和高分遥感卫星采集的高分雷达影像数据和高分光学影像数据，以及暴雨洪涝水文水动力模型模拟数据和实地洪涝灾害损失调查数据。

进一步地，高分雷达影像数据的预处理包括轨道校正、滤波处理、辐射定标、地形校正、地理编码、图像镶嵌和裁剪。

进一步地，高分光学影像数据的预处理包括辐射定标、大气校正、波段融合、几何校正和图像裁剪。

进一步地，暴雨洪涝水文水动力模型模拟数据的预处理包括验证校核和空间裁剪。

进一步地，步骤S1中的预处理数据包括洪水淹没历时、洪水流速、洪水淹没水深和土地利用情况。

进一步地，步骤S2包括以下分步骤：

S21、根据流域性洪涝区域的面积和洪水淹没水深构建有K个分类的集合{T₁(x_i，y_i)，T₂(x_i，y_i)，...，T_K(x_i，y_i)}，其中x_i表示第i个地物类型的面积，y_i表示第i个地物类型的洪水淹没水深，T_K(x_i，y_i)表示第K个地物类型面积和洪水淹没水深的集合。

S22、通过在极端梯度提升算法中逐渐加入回归树，计算洪水淹没水深的预测值：

其中表示第t次生成的第i个地物类型的洪水淹没水深的预测值，f_k表示第k棵回归树的得分，f_t表示第t棵回归树的得分。

S23、根据洪水淹没水深的预测值和真实值构建正则化目标函数L(f_t)：

其中表示洪水淹没水深预测值/>和真实值y_i的微分损失函数，Ω(f_t)表示正则化项，公式为：

其中γ和λ为控制正则化程度的常数，T表示回归树叶子的个数，ω_j表示第j个叶子节点的权重。

S24、计算正则化目标函数L(f_t)的一阶统计量g_i和二阶统计量h_i：

S25、根据一阶统计量.g_i和二阶统计量h_i对正则化目标函数L(f_t)进行优化，得到优化目标函数L^(t)：

其中n表示流域性洪涝区域的地物类型数量。

S26、计算优化目标函数的最优解

其中q表示样本，I_j表示地物类型集合。

S27、将最优解作为回归树的叶子分数，当叶子分数小于预设阈值时，停止回归树增长叶子深度，得到受损地物精细分类结果。

进一步地，步骤S3包括以下分步骤：

S31、将洪水淹没历时、洪水流速、洪水淹没水深和土地利用情况的图层数据进行空间叠加嵌套，并采用归一化方法，将其归一化到0-1之间，得到抽样样本。

S32、将抽样样本分配到空间三明治抽样模型的知识层的各知识单元中：

其中Ω表示整个抽样区域，表示样本分配的权重系数，n_Ωp表示Ω中被抽到所有知识单元样本量之和，nz_p表示每个知识样本单元内的样本量。

S33、根据每个知识样本单元内的样本量计算知识层抽样均值

其中y_p表示第p个样本数据。

S34、计算知识层抽样均值的总体均值方差/>和超总体均值方差/>

其中E(·)表示数学期望，表示观测总体均值，/>表示超总体均值，三表示恒等于，σ表示标准差，y_zp和y_zq分别表示知识层的第p个样本和第q个样本，E[c(y_zp，y_zq)]表示y_zp和y_zq的空间自相关系数，计算公式为：

S35、从知识层计算报告层抽样均值

其中N_rz表示空间三明治抽样模型中的知识层数量，W_rz表示第z个知识层在第r个报告单元中所占权重，N_rp表示报告层中的抽样数量，N_rzp表示第z个知识层在第r个报告层中抽样的数量。

S36、计算报告层抽样均值的总体均值方差/>和超总体均值方差/>

其中表示总体相对误差，/>表示超总体相对误差。

S37、根据知识层总体均值方差和超总体均值方差/>以及报告层总体均值方差/>和超总体均值方差/>进行空间多尺度分层抽样，得到空间采样样方位置B₁，B₂，...，B_b，其中b表示空间采样样方数量。

进一步地，步骤S4包括以下分步骤：

S41、结合受损地物精细分类结果和不同地物类型脆弱性曲线，估算不同受灾范围的重置成本。

S42、根据空间采样样方位置B₁，B₂，...，B_b进行对流域性洪涝区域进行空间多尺度剖分裁剪，并通过变尺度网格剖分进行样本的动态划分和更新。

S43、根据实地洪涝灾害损失调查数据对重置成本估算结果进行验证，保证估算结果的可靠性和准确性。

S44、在无人机获取影像的区域A₁，A₂，...A_a进行空间三明治抽样并进行重置成本量化，得到a*b个样方，其中a表示无人机获取影像的区域数量。

S45、整合a*b个样方的多维属性和重置成本估算结果构建多维属性表，得到洪涝灾害重置成本遥感样本集，并定期对洪涝灾害重置成本遥感样本集进行更新。

本发明的有益效果是：

(1)本发明通过低空小型无人机和高分遥感卫星采集的多模态遥感数据，构建多尺度洪涝灾害受灾体重置成本遥感样本集，突破了洪涝灾害损失遥感智能估算模型缺乏高质量训练样本的瓶颈问题。

(2)本发明采用梯度提升算法进行高分遥感受损地物精细分类，算法具有精度高且普适性强等优势。

(3)本发明采用空间三明治抽样模型实现空间多尺度嵌套样方设计，解决了洪涝灾害受损空间样方选取均质性问题，所抽样的样方更具空间代表性。

(4)本发明通过变尺度网格剖分方法，能够形成满足不同尺度的洪涝灾害受灾体重置成本估算要求，并实现样本集自动更新。

附图说明

图1所示为本发明实施例提供的一种洪涝灾害重置成本遥感样本集构建及更新方法流程图。

图2所示为本发明实施例提供的流域性洪涝区域空间示意图。

图3所示为本发明实施例提供的低空小型无人机成像示意图。

具体实施方式

现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。

本发明实施例提供了一种洪涝灾害重置成本遥感样本集构建及更新方法，如图1所示，包括以下步骤S1～S4：

S1、采集流域性洪涝区域的数据并进行预处理，得到预处理数据。

本发明实施例中，如图2所示，选取洪涝灾害频发、损失较大的区域为流域性洪涝区域，流域性洪涝区域的数据包括基于低空小型无人机和高分遥感卫星采集的高分雷达影像数据和高分光学影像数据，以及暴雨洪涝水文水动力模型模拟数据和实地洪涝灾害损失调查数据。

其中，高分雷达影像数据的预处理包括轨道校正、滤波处理、辐射定标、地形校正、地理编码、图像镶嵌和裁剪。

高分光学影像数据的预处理包括辐射定标、大气校正、波段融合、几何校正和图像裁剪。

暴雨洪涝水文水动力模型模拟数据的预处理包括验证校核和空间裁剪。

最终得到的预处理数据包括洪水淹没历时、洪水流速、洪水淹没水深和土地利用情况。

本发明实施例中，如图2所示，基于流域性洪涝区域的洪水淹没水深和土地利用情况，甄选不同地貌类型和下垫面财产类型的洪水淹没区作为无人机获取影像区，将无人机获取影像区分别命名为A₁，A₂，...A_a，其中a表示无人机获取影像的区域数量。基于低空小型无人机对A₁，A₂，...A_a区域进行光学和激光雷达数据采集，如图3所示。

S2、基于极端梯度提升算法(XGBoost)对预处理数据进行受损地物精细分类，得到受损地物精细分类结果。

XGBoost将多个弱分类器一起组合成一个强的分类器，是梯度提升决策树(GBDT)的一种实现。算法的基本思想是选择部分的特征和样本生成一个简单的模型(如决策树)作为基本分类器，通过学习前一个模型的残差并最小化目标函数来生成新模型，重复执行此过程直到满足终止条件，最终生成大量简单模型并组合为准确率较高的综合模型。其核心在于新的模型在相应损失函数梯度方向建立，修正“残差”的同时控制复杂度。

步骤S2包括以下分步骤S21～S27：

S21、根据流域性洪涝区域的面积和洪水淹没水深构建有K个分类的集合{T₁(x_i，y_i)，T₂(x_i，y_i)，...，T_K(x_i，y_i)}，其中x_i表示第i个地物类型的面积，y_i表示第i个地物类型的洪水淹没水深，作为x_i对应的二分类标签，T_K(x_i，y_i)表示第K个地物类型面积和洪水淹没水深的集合。

S22、通过在极端梯度提升算法中逐渐加入回归树(CART)，计算洪水淹没水深的预测值：

其中表示第t次生成的第i个地物类型的洪水淹没水深的预测值，f_k表示第k棵回归树的得分，f_t表示第t棵回归树的得分。

S23、根据洪水淹没水深的预测值和真实值构建正则化目标函数L(f_t)：

其中表示洪水淹没水深预测值/>和真实值y_i的微分损失函数，代表了预测值/>和真实值y_i之间的差异，Ω(f_t)表示正则化项，公式为：

其中γ和λ为控制正则化程度的常数，T表示回归树叶子的个数，ω_j表示第j个叶子节点的权重。

本发明实施例中，如果叶子的节点太多，模型的过拟合风险就会增大。因此，为避免过拟合现象，在XGBoost的目标函数中加入了正则化项Ω(f_t)。

S24、计算正则化目标函数L(f_t)的一阶统计量g_i和二阶统计量h_i：

S25、根据一阶统计量g_i和二阶统计量h_i对正则化目标函数L(f_t)进行优化，得到优化目标函数L^(t)：

其中n表示流域性洪涝区域的地物类型数量。

S26、计算优化目标函数的最优解

其中q表示样本，I_j表示地物类型集合。

S27、将最优解作为回归树的叶子分数，树的结构随着分数的增加而优异，当叶子分数小于预设阈值时，停止回归树增长叶子深度，得到受损地物精细分类结果。

采用XGBoost算法原理进行受损地物精细分类并提取不同地物洪水淹没深度，精度高，为受灾体重置成本准确估算提供基础。

S3、基于空间三明治抽样模型对预处理数据进行多尺度嵌套样方设计，得到空间采样样方位置。

空间抽样方法克服了传统抽样方法在处理地理相关对象的假设其独立问题，考虑了空间因子自相关性和空间异质性等特征，在抽样过程中通过分层的方法解决空间异质性带来的问题。空间三明治抽样模型在空间分层抽样基础上，将研究区划分为多个分区，这些分区组成了知识层，即空间分层；其次，根据调查者对抽样精度要求计算所有层总的样本抽样量，并且按照分层抽样样本分配理论，将样本分配到每个知识层。调查并计算各个的样本均值和方差。最后，将知识层的样本均值和方差传递到报告层中得到每个报告层的均值和方差。所谓报告层就是调查者感兴趣的空间报告单元。知识层是指依据抽样对象空间异质性进行的空间抽样，样本层是基于知识层考虑的研究区抽样框布设，与报告单元的大小形状没有关系。

步骤S3包括以下分步骤S31～S37：

S31、将洪水淹没历时、洪水流速、洪水淹没水深和土地利用情况的图层数据进行空间叠加嵌套，并采用归一化方法，将其归一化到0-1之间，得到抽样样本。

S32、将抽样样本分配到空间三明治抽样模型的知识层的各知识单元中：

其中Ω表示整个抽样区域，表示样本分配的权重系数，n_Ωp表示Ω中被抽到所有知识单元样本量之和，nz_p表示每个知识样本单元内的样本量。

S33、根据每个知识样本单元内的样本量计算知识层抽样均值

其中y_p表示第p个样本数据。

S34、计算知识层抽样均值的总体均值方差/>和超总体均值方差/>

其中E(·)表示数学期望，表示观测总体均值，/>表示超总体均值，≡表示恒等于，σ表示标准差，y_zp和y_zq分别表示知识层的第p个样本和第q个样本，E[c(y_zp，y_zq)]表示y_zp和y_zq的空间自相关系数，计算公式为：

S35、从知识层计算报告层抽样均值

其中N_rz表示空间三明治抽样模型中的知识层数量，W_rz表示第z个知识层在第r个报告单元中所占权重，N_rp表示报告层中的抽样数量，N_rzp表示第z个知识层在第r个报告层中抽样的数量。

S36、计算报告层抽样均值的总体均值方差/>和超总体均值方差/>

其中表示总体相对误差，/>表示超总体相对误差。

S37、根据知识层总体均值方差和超总体均值方差/>以及报告层总体均值方差/>和超总体均值方差/>进行空间多尺度分层抽样，得到空间采样样方位置B₁，B₂，...，B_b，其中b表示空间采样样方数量。

S4、结合受损地物精细分类结果和空间采样样方位置构建洪涝灾害重置成本遥感样本集，并定期对洪涝灾害重置成本遥感样本集进行更新。

步骤S4包括以下分步骤S41～S45：

S41、结合受损地物精细分类结果和不同地物类型脆弱性曲线，估算不同受灾范围的重置成本。

S42、根据空间采样样方位置B₁，B₂，...，B_b进行对流域性洪涝区域进行空间多尺度剖分裁剪，如10m×10m、30m×30m、90m×90m等，并通过变尺度网格剖分进行样本的动态划分和更新。

S43、根据实地洪涝灾害损失调查数据对重置成本估算结果进行验证，保证估算结果的可靠性和准确性。

S44、在无人机获取影像的区域A₁，A₂，...A_a进行空间三明治抽样并进行重置成本量化，得到a*b个样方，其中a表示无人机获取影像的区域数量。

S45、整合a*b个样方的多维属性和重置成本估算结果构建多维属性表，得到洪涝灾害重置成本遥感样本集，并定期对洪涝灾害重置成本遥感样本集进行更新。

本发明实施例中，洪涝灾害重置成本遥感样本集中包含的属性数据包括洪水淹没历时、洪水流速、洪水受损地物类型面积、洪水淹没水深、洪涝单类别受损重置价值以及总体样本的受损重置价值，该样本集可作为洪涝重置成本智能估算模型训练和验证数据。

通过模型的训练与检验，在模型的可靠度以及精度达到要求的情况下，将整个洪水淹没区的洪水淹没历时、洪水流速、淹没水深、土地利用等空间网格数据代入模型，即可实现网格化洪涝灾害受灾体重置成本空间模拟结果。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (9)

1.一种洪涝灾害重置成本遥感样本集构建及更新方法，其特征在于，包括以下步骤：

S1、采集流域性洪涝区域的数据并进行预处理，得到预处理数据；

S2、基于极端梯度提升算法对预处理数据进行受损地物精细分类，得到受损地物精细分类结果；

S3、基于空间三明治抽样模型对预处理数据进行多尺度嵌套样方设计，得到空间采样样方位置；

S4、结合受损地物精细分类结果和空间采样样方位置构建洪涝灾害重置成本遥感样本集，并定期对洪涝灾害重置成本遥感样本集进行更新。

2.根据权利要求1所述的洪涝灾害重置成本遥感样本集构建及更新方法，其特征在于，所述步骤S1中流域性洪涝区域的数据包括基于低空小型无人机和高分遥感卫星采集的高分雷达影像数据和高分光学影像数据，以及暴雨洪涝水文水动力模型模拟数据和实地洪涝灾害损失调查数据。

3.根据权利要求2所述的洪涝灾害重置成本遥感样本集构建及更新方法，其特征在于，所述高分雷达影像数据的预处理包括轨道校正、滤波处理、辐射定标、地形校正、地理编码、图像镶嵌和裁剪。

4.根据权利要求2所述的洪涝灾害重置成本遥感样本集构建及更新方法，其特征在于，所述高分光学影像数据的预处理包括辐射定标、大气校正、波段融合、几何校正和图像裁剪。

5.根据权利要求2所述的洪涝灾害重置成本遥感样本集构建及更新方法，其特征在于，所述暴雨洪涝水文水动力模型模拟数据的预处理包括验证校核和空间裁剪。

6.根据权利要求2所述的洪涝灾害重置成本遥感样本集构建及更新方法，其特征在于，所述步骤S1中的预处理数据包括洪水淹没历时、洪水流速、洪水淹没水深和土地利用情况。

7.根据权利要求6所述的洪涝灾害重置成本遥感样本集构建及更新方法，其特征在于，所述步骤S2包括以下分步骤：

S21、根据流域性洪涝区域的面积和洪水淹没水深构建有K个分类的集合{T₁(x_i,y_i),T₂(x_i,y_i),…,T_K(x_i,y_i)}，其中x_i表示第i个地物类型的面积，y_i表示第i个地物类型的洪水淹没水深，T_K(x_i,y_i)表示第K个地物类型面积和洪水淹没水深的集合；

S22、通过在极端梯度提升算法中逐渐加入回归树，计算洪水淹没水深的预测值：

其中表示第t次生成的第i个地物类型的洪水淹没水深的预测值，f_k表示第k棵回归树的得分，f_t表示第t棵回归树的得分；

S23、根据洪水淹没水深的预测值和真实值构建正则化目标函数L(f_t)：

其中表示洪水淹没水深预测值/>和真实值y_i的微分损失函数，Ω(f_t)表示正则化项，公式为：

其中γ和λ为控制正则化程度的常数，T表示回归树叶子的个数，ω_j表示第j个叶子节点的权重；

S24、计算正则化目标函数L(f_t)的一阶统计量g_i和二阶统计量h_i：

S25、根据一阶统计量g_i和二阶统计量h_i对正则化目标函数L(f_t)进行优化，得到优化目标函数L^(t)：

其中n表示流域性洪涝区域的地物类型数量；

S26、计算优化目标函数的最优解

其中q表示样本，I_j表示地物类型集合；

S27、将最优解作为回归树的叶子分数，当叶子分数小于预设阈值时，停止回归树增长叶子深度，得到受损地物精细分类结果。

8.根据权利要求6所述的洪涝灾害重置成本遥感样本集构建及更新方法，其特征在于，所述步骤S3包括以下分步骤：

S31、将洪水淹没历时、洪水流速、洪水淹没水深和土地利用情况的图层数据进行空间叠加嵌套，并采用归一化方法，将其归一化到0-1之间，得到抽样样本；

S32、将抽样样本分配到空间三明治抽样模型的知识层的各知识单元中：

其中Ω表示整个抽样区域，表示样本分配的权重系数，/>表示Ω中被抽到所有知识单元样本量之和，n_zp表示每个知识样本单元内的样本量；

S33、根据每个知识样本单元内的样本量计算知识层抽样均值

其中y_p表示第p个样本数据；

S34、计算知识层抽样均值的总体均值方差/>和超总体均值方差/>

其中E(·)表示数学期望，表示观测总体均值，/>表示超总体均值，≡表示恒等于，σ表示标准差，y_zp和y_zq分别表示知识层的第p个样本和第q个样本，E[c(y_zo,y_zq)]表示y_zp和y_zq的空间自相关系数，计算公式为：

S35、从知识层计算报告层抽样均值

其中N_rz表示空间三明治抽样模型中的知识层数量，W_rz表示第z个知识层在第r个报告单元中所占权重，N_rp表示报告层中的抽样数量，N_rzp表示第z个知识层在第r个报告层中抽样的数量；

S36、计算报告层抽样均值的总体均值方差/>和超总体均值方差/>

其中表示总体相对误差，/>表示超总体相对误差；

S37、根据知识层总体均值方差和超总体均值方差/>以及报告层总体均值方差/>和超总体均值方差/>进行空间多尺度分层抽样，得到空间采样样方位置B₁,B₂,…,B_b，其中b表示空间采样样方数量。

9.根据权利要求8所述的洪涝灾害重置成本遥感样本集构建及更新方法，其特征在于，所述步骤S4包括以下分步骤：

S41、结合受损地物精细分类结果和不同地物类型脆弱性曲线，估算不同受灾范围的重置成本；

S42、根据空间采样样方位置B₁,B₂,…,B_b进行对流域性洪涝区域进行空间多尺度剖分裁剪，并通过变尺度网格剖分进行样本的动态划分和更新；

S43、根据实地洪涝灾害损失调查数据对重置成本估算结果进行验证，保证估算结果的可靠性和准确性；

S44、在无人机获取影像的区域A₁,A₂,…A_a进行空间三明治抽样并进行重置成本量化，得到a*b个样方，其中a表示无人机获取影像的区域数量；

S45、整合a*b个样方的多维属性和重置成本估算结果构建多维属性表，得到洪涝灾害重置成本遥感样本集，并定期对洪涝灾害重置成本遥感样本集进行更新。