CN117152561B - 一种洪涝灾害重置成本遥感样本集构建及更新方法 - Google Patents
一种洪涝灾害重置成本遥感样本集构建及更新方法 Download PDFInfo
- Publication number
- CN117152561B CN117152561B CN202311161540.3A CN202311161540A CN117152561B CN 117152561 B CN117152561 B CN 117152561B CN 202311161540 A CN202311161540 A CN 202311161540A CN 117152561 B CN117152561 B CN 117152561B
- Authority
- CN
- China
- Prior art keywords
- flood
- sample
- sampling
- representing
- remote sensing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000010276 construction Methods 0.000 title claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 67
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 12
- 238000011835 investigation Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 7
- 238000011084 recovery Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 14
- 238000012549 training Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Alarm Systems (AREA)
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
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(xi,yi),T2(xi,yi),...,TK(xi,yi)},其中xi表示第i个地物类型的面积,yi表示第i个地物类型的洪水淹没水深,TK(xi,yi)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,fk表示第k棵回归树的得分,ft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(ft):
其中表示洪水淹没水深预测值/>和真实值yi的微分损失函数,Ω(ft)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,ωj表示第j个叶子节点的权重。
S24、计算正则化目标函数L(ft)的一阶统计量gi和二阶统计量hi:
S25、根据一阶统计量.gi和二阶统计量hi对正则化目标函数L(ft)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,Ij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,nΩp表示Ω中被抽到所有知识单元样本量之和,nzp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yp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,yzp和yzq分别表示知识层的第p个样本和第q个样本,E[c(yzp,yzq)]表示yzp和yzq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Nrz表示空间三明治抽样模型中的知识层数量,Wrz表示第z个知识层在第r个报告单元中所占权重,Nrp表示报告层中的抽样数量,Nrzp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,...,Bb,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,...,Bb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,...Aa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,...Aa,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,...Aa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(xi,yi),T2(xi,yi),...,TK(xi,yi)},其中xi表示第i个地物类型的面积,yi表示第i个地物类型的洪水淹没水深,作为xi对应的二分类标签,TK(xi,yi)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,fk表示第k棵回归树的得分,ft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(ft):
其中表示洪水淹没水深预测值/>和真实值yi的微分损失函数,代表了预测值/>和真实值yi之间的差异,Ω(ft)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,ωj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(ft)。
S24、计算正则化目标函数L(ft)的一阶统计量gi和二阶统计量hi:
S25、根据一阶统计量gi和二阶统计量hi对正则化目标函数L(ft)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,Ij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,nΩp表示Ω中被抽到所有知识单元样本量之和,nzp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yp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,yzp和yzq分别表示知识层的第p个样本和第q个样本,E[c(yzp,yzq)]表示yzp和yzq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Nrz表示空间三明治抽样模型中的知识层数量,Wrz表示第z个知识层在第r个报告单元中所占权重,Nrp表示报告层中的抽样数量,Nrzp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,...,Bb,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,...,Bb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,...Aa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 (4)
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;
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;
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;
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(xi,yi),T2(xi,yi),…,TK(xi,yi)},其中xi表示第i个地物类型的面积,yi表示第i个地物类型的洪水淹没水深,TK(xi,yi)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,fk表示第k棵回归树的得分,ft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(ft):
其中表示洪水淹没水深预测值/>和真实值yi的微分损失函数,Ω(ft)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,ωj表示第j个叶子节点的权重;
S24、计算正则化目标函数L(ft)的一阶统计量gi和二阶统计量hi:
S25、根据一阶统计量gi和二阶统计量hi对正则化目标函数L(ft)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,Ij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;
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,nΩp表示Ω中被抽到所有知识单元样本量之和,nzp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yp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,yzp和yzq分别表示知识层的第p个样本和第q个样本,E[c(yzp,yzq)]表示yzp和yzq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Nrz表示空间三明治抽样模型中的知识层数量,Wrz表示第z个知识层在第r个报告单元中所占权重,Nrp表示报告层中的抽样数量,Nrzp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,…,Bb,其中b表示空间采样样方数量;
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,…,Bb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,…Aa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。
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。
3.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。
4.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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311161540.3A CN117152561B (zh) | 2023-09-08 | 2023-09-08 | 一种洪涝灾害重置成本遥感样本集构建及更新方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311161540.3A CN117152561B (zh) | 2023-09-08 | 2023-09-08 | 一种洪涝灾害重置成本遥感样本集构建及更新方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152561A CN117152561A (zh) | 2023-12-01 |
CN117152561B true CN117152561B (zh) | 2024-03-19 |
Family
ID=88884003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311161540.3A Active CN117152561B (zh) | 2023-09-08 | 2023-09-08 | 一种洪涝灾害重置成本遥感样本集构建及更新方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152561B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205369187U (zh) * | 2016-01-31 | 2016-07-06 | 陈东朝 | 一种水渠加固装置 |
CN112819340A (zh) * | 2021-02-04 | 2021-05-18 | 中国水利水电科学研究院 | 一种基于多源数据的城市洪涝灾害动态评估方法 |
CN113537177A (zh) * | 2021-09-16 | 2021-10-22 | 南京信息工程大学 | 一种基于视觉Transformer的洪涝灾害监测与灾情分析方法 |
CN113610009A (zh) * | 2021-08-10 | 2021-11-05 | 北京科技大学天津学院 | 一种洪涝灾害无人机影像信息提取系统 |
CN114444791A (zh) * | 2022-01-19 | 2022-05-06 | 国网新疆电力有限公司电力科学研究院 | 一种基于机器学习的洪涝灾害遥感监测评估方法 |
CN115376021A (zh) * | 2022-09-20 | 2022-11-22 | 广西电网有限责任公司电力科学研究院 | 一种混凝土电杆洪涝受灾卫星图像监测方法和系统 |
WO2023000158A1 (zh) * | 2021-07-20 | 2023-01-26 | 海南长光卫星信息技术有限公司 | 一种遥感影像超分辨率重建方法、装置、设备及存储介质 |
CN115907574A (zh) * | 2023-01-10 | 2023-04-04 | 中国水利水电科学研究院 | 一种流域性暴雨洪涝承灾体重置成本遥感模拟方法 |
CN116091937A (zh) * | 2022-12-24 | 2023-05-09 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 基于深度学习的高分辨率遥感影像地物识别模型计算方法 |
CN116151610A (zh) * | 2022-12-16 | 2023-05-23 | 中国水利水电科学研究院 | 一种非均质城市下垫面承灾体风险暴露空间模拟方法 |
CN116305902A (zh) * | 2023-03-09 | 2023-06-23 | 中国水利水电科学研究院 | 一种基于多模态遥感的洪涝最大淹没水深空间模拟方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10204193B2 (en) * | 2015-08-07 | 2019-02-12 | Qrisq Analytics, LLC | Large scale analysis of catastrophic weather damage |
CN113674099B (zh) * | 2021-08-27 | 2022-07-05 | 中国农业科学院农业环境与可持续发展研究所 | 苹果旱涝灾害综合风险评估方法 |
-
2023
- 2023-09-08 CN CN202311161540.3A patent/CN117152561B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205369187U (zh) * | 2016-01-31 | 2016-07-06 | 陈东朝 | 一种水渠加固装置 |
CN112819340A (zh) * | 2021-02-04 | 2021-05-18 | 中国水利水电科学研究院 | 一种基于多源数据的城市洪涝灾害动态评估方法 |
WO2023000158A1 (zh) * | 2021-07-20 | 2023-01-26 | 海南长光卫星信息技术有限公司 | 一种遥感影像超分辨率重建方法、装置、设备及存储介质 |
CN113610009A (zh) * | 2021-08-10 | 2021-11-05 | 北京科技大学天津学院 | 一种洪涝灾害无人机影像信息提取系统 |
CN113537177A (zh) * | 2021-09-16 | 2021-10-22 | 南京信息工程大学 | 一种基于视觉Transformer的洪涝灾害监测与灾情分析方法 |
US11521379B1 (en) * | 2021-09-16 | 2022-12-06 | Nanjing University Of Information Sci. & Tech. | Method for flood disaster monitoring and disaster analysis based on vision transformer |
CN114444791A (zh) * | 2022-01-19 | 2022-05-06 | 国网新疆电力有限公司电力科学研究院 | 一种基于机器学习的洪涝灾害遥感监测评估方法 |
CN115376021A (zh) * | 2022-09-20 | 2022-11-22 | 广西电网有限责任公司电力科学研究院 | 一种混凝土电杆洪涝受灾卫星图像监测方法和系统 |
CN116151610A (zh) * | 2022-12-16 | 2023-05-23 | 中国水利水电科学研究院 | 一种非均质城市下垫面承灾体风险暴露空间模拟方法 |
CN116091937A (zh) * | 2022-12-24 | 2023-05-09 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 基于深度学习的高分辨率遥感影像地物识别模型计算方法 |
CN115907574A (zh) * | 2023-01-10 | 2023-04-04 | 中国水利水电科学研究院 | 一种流域性暴雨洪涝承灾体重置成本遥感模拟方法 |
CN116305902A (zh) * | 2023-03-09 | 2023-06-23 | 中国水利水电科学研究院 | 一种基于多模态遥感的洪涝最大淹没水深空间模拟方法 |
Non-Patent Citations (6)
Title |
---|
Jiang Wei, Zhang Zhengjia, Pang Zhiguo, Jin Qingguang,Lv Juan,Xiong Zhenghui , Zhang Pengjie.Reservoir Dam Surface Deformation Monitoring Based on SBAS-InSAR Technology.2022 29th International Conference on Geoinformatics.2022,全文. * |
Topology-Aware Resilient Routing Protocol for FANETs: An Adaptive Q-Learning Approach;Yanpeng Cui,Qixun Zhang,Zhiyong Feng,Zhiqing Wei,Ce Shi,Heng Yang;IEEE INTERNET OF THINGS JOURNAL;20220329;第9卷(第19期);全文 * |
基于多源空间数据的淮河流域洪涝灾害监测评估;钱名开;郑伟;彭顺风;李凤生;;水文;20130425(02);全文 * |
基于机载L i D AR 数据的洞庭湖蓄滞洪区洪水;沈定涛;硕士电子期刊;20180615;全文 * |
基于遥感和地面测量的多尺度土壤水分产品验证分析;庞治国, 路京选, 卢奕竹, 付俊娥, 江威, 李琳;中国水利水电科学研究院学报;20190815(第4期);全文 * |
洪涝灾情评估研究综述;万金红,陈必真;防灾科技学院学报;20151215;第17卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117152561A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111737651B (zh) | 基于多源数据的空间网格化干旱灾情风险评估方法及系统 | |
CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
CN110458048A (zh) | 顾及城镇格局特征的人口分布时空演变与认知 | |
CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
CN109448361B (zh) | 居民交通出行流量预测系统及其预测方法 | |
CN108761574A (zh) | 基于多源信息融合的降雨量估算方法 | |
CN112800634B (zh) | 耦合干湿状态辨识与多源信息融合的降水估计方法及系统 | |
CN110263717A (zh) | 一种融入街景影像的土地利用类别确定方法 | |
CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
CN111625993A (zh) | 一种基于山区地形及降雨特征预测的小流域面雨量插值方法 | |
CN111310898A (zh) | 一种基于rnn的滑坡灾害易发性预测方法 | |
CN110555841A (zh) | 基于自注意图像融合和dec的sar图像变化检测方法 | |
CN112861072B (zh) | 一种星地多源降水自适应动态融合方法 | |
CN112700104B (zh) | 一种基于多模态分类的震区滑坡易发性评价方法 | |
CN106779067A (zh) | 基于多源遥感数据的土壤湿度重建方法和系统 | |
CN115393712B (zh) | 基于动态混合池化策略的sar图像道路提取方法及系统 | |
CN115423272A (zh) | 一种融合历史淹没强度的洪涝风险评估方法和系统 | |
CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
Qian et al. | Water quality monitoring and assessment based on cruise monitoring, remote sensing, and deep learning: A case study of Qingcaosha Reservoir | |
CN117152561B (zh) | 一种洪涝灾害重置成本遥感样本集构建及更新方法 | |
French et al. | Advanced technologies for earthquake risk inventories | |
CN110751201A (zh) | 基于纹理特征变换的sar装备任务失效成因推理方法 | |
CN109885808A (zh) | 一种近地表气象要素计算方法 | |
CN114063063A (zh) | 基于合成孔径雷达和点状传感器的地质灾害监测方法 | |
CN112101249A (zh) | 一种基于深度卷积记忆网络的sar目标类型识别方法 |
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 |