CN117746239A - 一种环境要素提取与预评估方法、系统、设备和存储介质 - Google Patents
一种环境要素提取与预评估方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN117746239A CN117746239A CN202311755762.8A CN202311755762A CN117746239A CN 117746239 A CN117746239 A CN 117746239A CN 202311755762 A CN202311755762 A CN 202311755762A CN 117746239 A CN117746239 A CN 117746239A
- Authority
- CN
- China
- Prior art keywords
- change
- deformation
- data
- radar
- mask
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 62
- 238000011156 evaluation Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000008859 change Effects 0.000 claims abstract description 147
- 238000000034 method Methods 0.000 claims abstract description 74
- 238000011160 research Methods 0.000 claims abstract description 50
- 230000003287 optical effect Effects 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000013135 deep learning Methods 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000012800 visualization Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000007613 environmental effect Effects 0.000 claims description 42
- 238000004458 analytical method Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000011158 quantitative evaluation Methods 0.000 claims description 7
- 238000012946 outsourcing Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005305 interferometry Methods 0.000 description 2
- 238000002044 microwave spectrum Methods 0.000 description 2
- 238000012732 spatial analysis Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明提出一种环境要素提取与预评估方法、系统、设备和存储介质。其中，方法包括：获取两期光学遥感环境要素变化数据和雷达时序形变信息数据进行预处理；提取变化区域掩膜得到预变化掩膜，将待分类的影像数据和预变化掩膜输入深度学习网络模型进行预测，得到两期的研究区土地覆盖分类结果，计算土地覆盖变化率并进行变化矩阵转换，完成光学遥感环境要素变化提取；对预处理后的雷达时序形变信息数据进行差分干涉处理，进行时序形变反演操作，拟合得到形变年速率值，并进行形变结果可视化，进行光学—雷达环境要素综合预评估。本发明能够有效结合光学“可见”及微波“可测”不同优势，为生态环境的协调发展和文化景观可持续保护提供技术方案。
Description
技术领域
本发明属于卫星遥感技术与文化遗产保护领域，尤其涉及一种环境要素提取与预评估方法、系统、设备和存储介质。
背景技术
当前，传统光学变化检测为“可视不可测”，只能得到地表覆盖变化信息，无法获取地物随时间的形变程度及未来趋势。而雷达时序干涉处理为“可测不可视”，仅可得到该地区离散点位的变形情况，无法直观监测地表的覆盖类型变化。目前将遥感技术应用于文化遗产景观廊道保护的研究较少，更缺乏结合光学和雷达遥感两种技术对其环境要素的动态检测和综合分析。面向文化遗产一体化监测与评估现实需求，以及监测评估工作相对不足和环境要素变迁机制相对不明的现状，亟需将光学遥感“可视”信息与雷达干涉“不可视”信息相结合，总结一套光学—雷达遥感文化遗产景观廊道环境要素提取与预评估方法，为生态环境协调发展和文化景观可持续保护提供技术解决方案。
发明内容
为解决上述技术问题，本发明提出一种环境要素提取与预评估方法、系统、设备和存储介质的技术方案，以解决上述技术问题。
本发明第一方面公开了一种环境要素提取与预评估方法，方法包括：
步骤S1、获取文化遗产景观廊道的两期光学遥感环境要素变化数据和雷达时序形变信息数据，并进行预处理；
步骤S2、根据预处理后的两期光学遥感环境要素变化数据提取变化区域掩膜得到预变化掩膜，将待分类的影像数据和预变化掩膜输入深度学习网络模型进行预测，得到两期的研究区土地覆盖分类结果，根据研究区土地覆盖分类结果计算土地覆盖变化率并进行变化矩阵转换，完成光学遥感环境要素变化提取；对预处理后的雷达时序形变信息数据进行差分干涉处理，完成差分干涉处理后，进行时序形变反演操作，根据形变序列作最小二乘线性拟合得到形变年速率值，并进行形变结果可视化，完成雷达时序形变信息提取；
步骤S3、根据光学遥感环境要素变化提取和雷达时序形变信息提取的结果，进行光学—雷达环境要素综合预评估。
根据本发明第一方面的方法，在步骤S2中，根据预处理后的两期光学遥感环境要素变化数据提取变化区域掩膜得到预变化掩膜的方法包括：
使用步骤S1中获取的影像，提取变化区域掩膜，若文化遗产景观廊道的尺度的小于预设值，则直接将两期影像进行变化向量分析操作以提取预变化掩膜；若文化遗产景观廊道的尺度的大于预设值则通过棋盘分割的方式，将研究区进行分块处理，再将各对应的影像斑块分别进行变化向量分析处理，得到分块掩膜结果。
根据本发明第一方面的方法，在步骤S2中，将待分类的影像数据和预变化掩膜输入深度学习网络模型进行预测，得到两期的研究区土地覆盖分类结果的方法包括：
如有适合研究区的遥感影像及标签样本集，则直接使用其进行模型训练及影像分类预测，若无，则需手动制作样本集，手动制作方法如下，
首先，根据研究区的土地覆盖分类需求，确定具体类别及数量；根据影像数据人工判定地物类别并进行类别矢量勾画，将得到的矢量类别结果转换为栅格数据，即对应标签后，将影像及标签同步对应切割为较小像素尺寸的样本集合；
样本集就绪后，选择搭建合适的深度学习网络模型，输入样本进行多次训练，直至模型的精度与损失达到较佳效果后，保存该模型结果；
将待分类的影像输入模型结果，同时加入预变化掩膜，进行预测，输出研究区土地覆盖分类结果。
根据本发明第一方面的方法，在步骤S2中，计算土地覆盖变化率的方法包括：
根据两期的研究区土地覆盖分类结果，假设前后两时相分别为t1和t2，分类结果共有m种，则以灰度值0～(m-1)代表各类别，将两时相结果进行差分：若像素值为0，代表前后类别相同，未产生变化；若前后类别不同，则重新赋值为1，代表发生变化；计算变化区域占总研究区的百分比即为土地覆盖变化率，即
δ＝nv＝1/(nv＝0+nv＝1)
式中：δ为土地覆盖变化率；ν为灰度值；n为像素个数。
根据本发明第一方面的方法，在步骤S2中，对预处理后的雷达时序形变信息数据进行差分干涉处理的方法包括：干涉图生成、去除平地及地形相位、干涉图滤波处理、相位解缠和生成平均相干系数图中的一种或多种组合。
根据本发明第一方面的方法，在步骤S2中，进行形变结果可视化的方法包括：
通过地理软件绘制景观廊道外包矢量范围，提取折点要素并导出属性信息文本，再由程序读取文本位置信息生成多边形；同时输入形变点大文本，按行读取形变点信息并提取位置，判断该点是否位于矢量范围多边形内，是则写入新文本文件，反之舍弃；移步下一行重复以上操作，直至进行到最末行停止，保存提取后的新文本后结束。
根据本发明第一方面的方法，在步骤S3中，进行光学—雷达环境要素综合预评估的方法包括，分别从定量的角度、空间相关的角度以及多方综合性的角度进行分析，其中：
从定量的角度进行分析的方法包括，由于各数据结果来源不同，数值量级有较大差异，为了便于比较其大小情况、发现光学—雷达不同数据间的关联性，对每类数值求取平均值后，再计算原值与均值的比值大小，定义为β，用于衡量样本接近本组样本均值的程度；计算公式如下：
其中，xi为目标样本值，n为该组样本的个数；
和/或，从空间相关进行分析的方法包括：对光学相关的数据结果和雷达相关的数据结果中与研究目标高度相关的对象或要素进行提取，叠加后以位置相交条件作为空间相关性的准则，并统计各要素中符合位置相交关系的图斑所占比例进行定量评估；假设提取的数据类型为k种，获得多源数据结果要素叠加比例矩阵，表征各结果间的空间相关程度。
本发明第二方面公开了一种环境要素提取与预评估系统；系统包括：
第一处理模块，被配置为，获取文化遗产景观廊道的两期光学遥感环境要素变化数据和雷达时序形变信息数据，并进行预处理；
第二处理模块，被配置为，根据预处理后的两期光学遥感环境要素变化数据提取变化区域掩膜得到预变化掩膜，将待分类的影像数据和预变化掩膜输入深度学习网络模型进行预测，得到两期的研究区土地覆盖分类结果，根据研究区土地覆盖分类结果计算土地覆盖变化率并进行变化矩阵转换，完成光学遥感环境要素变化提取；对预处理后的雷达时序形变信息数据进行差分干涉处理，完成差分干涉处理后，进行时序形变反演操作，根据形变序列作最小二乘线性拟合可得到形变年速率值，并进行形变结果可视化，完成雷达时序形变信息提取；
第三处理模块，被配置为，根据光学遥感环境要素变化提取和雷达时序形变信息提取的结果，进行光学—雷达环境要素综合预评估。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本公开第一方面中任一项的一种环境要素提取与预评估方法中的步骤。
本发明第四方面公开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执行时，实现本公开第一方面中任一项的一种环境要素提取与预评估方法中的步骤。
可见，本发明提出的方案，面向文化遗产景观廊道环境要素监测与评估的现实需求，以及遥感技术中不同分支领域的应用现状。从光学——雷达结合角度出发，总结并创造性提出一套文化遗产景观廊道环境要素变化提取与预评估适应性方法。发明涵盖集成面向对象变化向量分析与深度学习影像分类的光学变化检测方法、雷达干涉测量形变信息提取手段，以及多源数据结果综合预评估方法。能够有效结合光学“可见”及微波“可测”不同优势，覆盖可见光、微波谱段，更为全面、定量化地提取、刻画文化遗产景观廊道环境要素变化情况，为其生态环境的协调发展和文化景观的可持续保护提供全新技术方案。
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为根据本发明实施例的环境要素提取与预评估方法的流程图；
图2为根据本发明实施例的环境要素提取与预评估方法的总体流程示意图；
图3为根据本发明实施例的光学遥感环境要素变化提取方法示意图；
图4为根据本发明实施例的雷达时序形变信息提取方法示意图；
图5为根据本发明实施例的光学—雷达环境要素综合预评估方法的集合关系图；
图6为根据本发明实施例的一种环境要素提取与预评估系统的结构图；
图7为根据本发明实施例的一种电子设备的结构图。
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，所描述的实施例只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。
现阶段遥感技术研究与应用中，光学与雷达遥感依托于不同的电磁波段，探测地物所获取的信息侧重也有较大差异。光学遥感多利用较为丰富的可视化信息掌握地物的时序变化情况、反演地面要素定量指标等，而雷达遥感则集中于微波波段对精细距离的测量，进而获取重点目标厘米—毫米级别的变形与趋势。二者结合的研究较为缺少，无法覆盖更全的光谱信息，更缺乏对于文化遗产环境要素的全面监测与评估，亟需一套光学—雷达协同的提取与预评估方法。
基于上述原因，本发明提供了一种环境要素提取与预评估方法，如图2所述该方法主要包括：1、对文化遗产景观廊道进行光学遥感环境要素变化提取；2、对文化遗产景观廊道进行雷达时序形变信息提取；3、结合以上两个步骤的结果，进行光学—雷达环境要素综合预评估。
具体地，如图1所示，本实施例中的环境要素提取与预评估方法包括：
步骤S1、获取文化遗产景观廊道的两期光学遥感环境要素变化数据和雷达时序形变信息数据，并进行预处理；
其中，光学遥感环境要素变化数据方面：首先，获取需要的影像数据。光学遥感环境要素的提取需要可以覆盖研究区的多波段光学影像，波段数量和空间分辨率取决于具体的研究目标(如，为提取北京地区明长城两侧各两千米的景观廊道中人工用地、水体、耕地等要素类别，可选取分辨率较高的两米真彩色影像)，且影像获取时间需与研究时相需求相对应。
影像应为经过几何校正与辐射定标等操作的卫星产品，以避免变形以及色彩差异等对提取精度所产生的影响。研究两期环境要素间的变化情况，需使得两时相影像之间严格配准。
雷达时序形变信息数据方面：首先，获取用于雷达时序形变反演所需要的影像数据。形变反演需要覆盖研究区范围的、跨越两时相的雷达时序影像，可采用永久散射体、小基线集等方法进行处理。本方法以小基线集为例：预处理操作主要包括：主影像选择、主辅影像精确配准、影像序列研究区裁剪、短基线干涉数据集的生成与时空基线估计，为后续差分干涉处理与整体小基线干涉对的最小二乘形变解算作数据准备。关于主影像的选取，应尽量位于时间基线与空间基线所构成的二维空间的中心位置，可削减时空失相干影响，进而提高差分干涉图的质量。
步骤S2、根据预处理后的两期光学遥感环境要素变化数据提取变化区域掩膜得到预变化掩膜，将待分类的影像数据和预变化掩膜输入深度学习网络模型进行预测，得到两期的研究区土地覆盖分类结果，根据研究区土地覆盖分类结果计算土地覆盖变化率并进行变化矩阵转换，完成光学遥感环境要素变化提取；对预处理后的雷达时序形变信息数据进行差分干涉处理，完成差分干涉处理后，进行时序形变反演操作，根据形变序列作最小二乘线性拟合得到形变年速率值，并进行形变结果可视化，完成雷达时序形变信息提取；
在步骤S2中，根据预处理后的两期光学遥感环境要素变化数据提取变化区域掩膜得到预变化掩膜的方法包括：
使用步骤S1中获取的影像，提取变化区域掩膜。根据文化遗产景观廊道的尺度大小，分为两种情况：
(1)若为小尺度区域(文化遗产景观廊道的尺度的小于预设值)，则直接将两期影像进行变化向量分析操作以提取预变化掩膜；
(2)若尺度较大(文化遗产景观廊道的尺度的大于预设值)则通过棋盘分割的方式，将研究区进行分块处理，再将各对应的影像斑块分别进行变化向量分析处理，得到分块掩膜结果。
在步骤S2中，将待分类的影像数据和预变化掩膜输入深度学习网络模型进行预测，得到两期的研究区土地覆盖分类结果的方法包括：
步骤S1的分块掩膜结果待用，此步骤使用深度学习方法进行遥感影像分类。如有适合研究区的遥感影像及标签样本集，可直接使用其进行模型训练及影像分类预测等，若无，则需手动制作样本集，手动制作方法如下：
首先，根据研究区的土地覆盖分类需求，确定具体类别及数量。根据影像数据人工判定地物类别并进行类别矢量勾画，将得到的矢量类别结果转换为栅格数据(即对应标签)后，需将影像及标签同步对应切割为较小像素尺寸的样本集合(如常用的256×256像素)。为了提高模型学习的鲁棒性，可通过旋转、翻转、改变对比度等方式对样本集进行增广和扩充。
样本集就绪后，选择搭建合适的深度学习网络模型(如全连接神经网络U-net)，输入样本进行多次训练，直至模型的精度与损失达到较佳效果后，保存该模型结果。
将待分类的影像输入模型结果，同时加入步骤1.2所提取的预变化掩膜，进行预测，即可输出研究区土地覆盖分类结果，可通过混淆矩阵等方式验证分类精度情况。为获取两个不同时相间的变化情况，需根据以上方法获取此两期的分类结果。
在步骤S2中，计算土地覆盖变化率及变化矩阵的方法包括：
根据两期的研究区土地覆盖分类结果，假设前后两时相分别为t1和t2，分类结果共有m种，则以灰度值0～(m-1)代表各类别，将两时相结果进行差分：若像素值为0，代表前后类别相同，未产生变化；若前后类别不同，则重新赋值为1，代表发生变化；计算变化区域占总研究区的百分比即为土地覆盖变化率，即
δ＝nv＝1/(nv＝0+nv＝1)
式中：δ为土地覆盖变化率；ν为灰度值；n为像素个数。土地覆盖变化率综合反映自然过程及人为活动影响下地表覆盖变化的强度。
如表1和表2所示，变化矩阵由分类后各类别的转换情况构成，为m×m的矩阵，代表各类别转换的数量及占比情况，能够较为清晰地表达地表覆盖的转换过程。
表1土地覆盖变化矩阵——数量(示例)
表2土地覆盖变化矩阵——占比(示例)
在步骤S2中，对预处理后的雷达时序形变信息数据进行差分干涉处理的方法包括：干涉图生成、去除平地及地形相位、干涉图滤波处理、相位解缠和生成平均相干系数图等中的一种或多种组合。其中，需要根据具体选用的雷达数据特点等设定相应的时空基线阈值，以筛选干涉影像对。相位解缠即将干涉图相位所丢失的2nπ相位差还原，是干涉处理中直接影响着高程信息提取准确度的重要步骤。通过相邻像素间的缠绕相位差分计算得到的相位，与实际距离差分存在比例关系，可通过基于残差点确定积分路线的枝切法、基于缠绕相位梯度估计的最小二乘法、基于网络流相位解缠法或结合神经网络等新型算法来实现相位差2nπ的还原。
完成差分干涉处理后，进行时序形变反演操作。除参考椭球、地形、地表形变所引起的干涉相位之外，实际获取的相位观测值中还含有：卫星轨道不准确性引起的误差、雷达系统噪声、地物失相干和时间失相干引起的噪声相位以及雷达信号在大气中传输时折射的不均匀性所产生的信号延迟。若研究目标景观廊道的山区面积较大，则需在时序形变反演中进行山区大气相位校正处理，以削弱其对地表形变信息的掩盖效应。对已去除轨道误差、噪声相位、大气效应的系列解缠相位图进行时序形变反演，解算高程误差、形变参数在最小范数意义上的最小二乘解，即可获取研究区众形变点雷达视线向时序形变量。根据形变序列作最小二乘线性拟合可得到形变年速率值。
在步骤S2中，进行形变结果可视化的方法包括：
根据前述步骤所的到的形变年速率值结果，进行形变结果可视化。形变反演的直接数据结果以文本格式储存所有形变点的位置及形变时间序列等信息，数据量极为庞大，可达数百万行。为便于统计分析，可通过算法实现位于景观廊道外包矢量范围内形变点的自动提取。通过地理软件绘制景观廊道外包矢量范围，提取折点要素并导出属性信息文本，再由程序读取文本位置信息生成多边形；同时输入形变点大文本，按行读取形变点信息并提取位置，判断该点是否位于矢量范围多边形内，是则写入新文本文件，反之舍弃；移步下一行重复以上操作，直至进行到最末行停止，保存提取后的新文本后结束。
将程序重新生成的提取后的点位信息文件批量转为矢量点要素，再根据其形变年速率属性信息，进行插值处理并取绝对值，即可得到文化遗产景观廊道t1至t2时相之间的形变速率大小及空间分布情况。形变速率插值结果可以根据具体实验需求进行分级评估，如以20mm/year、40mm/year为阈值，分为较稳定、轻度形变、较显著形变三级，以进行整体区域形变稳定程度的评估与定量统计。
步骤S3、根据光学遥感环境要素变化提取和雷达时序形变信息提取的结果，进行光学—雷达环境要素综合预评估。
在步骤S3中，进行光学—雷达环境要素综合预评估的方法包括三种不同的评估方法，分别从定量的角度、空间相关的角度以及多方综合性的角度进行分析，每种方法详细描述如下：
多源数据结果定量评估：从定量的角度进行分析，由于各数据结果来源不同，数值量级有较大差异，为了便于比较其大小情况、发现光学—雷达不同数据间的关联性，对每类数值求取平均值后，再计算原值与均值的比值大小，定义为β，用于衡量样本接近本组样本均值的程度；计算公式如下：
其中，xi为目标样本值，n为该组样本的个数；计算得到多源数据结果对应衡量值后，即可进行统一的数据对比分析。
多源数据空间分析：从空间相关进行分析(从空间分布的角度进行评估)，以便于研究不同尺度下多源数据结果的空间相关性。具体为，对光学相关的数据结果和雷达相关的数据结果中与研究目标高度相关的对象或要素进行提取，叠加后以位置相交条件作为空间相关性的准则，并统计各要素中符合位置相交关系的图斑所占比例进行定量评估；假设提取的数据类型为k种，获得如表3所示的多源数据结果要素叠加比例矩阵，表征各结果间的空间相关程度。
表3多源数据结果要素叠加比例矩阵(示例)
综合风险指数分析：具体为从多方综合性的角度进行分析，为了综合宏观可见扰动及微波可测变化各自优势，本发明对文化遗产景观廊道环境发展风险做综合性定量评估与预测，定义环境综合风险指数Cr，具体公式如下：
上式中：Ti，j为像素点(i，j)处土地覆盖变化情况，取值0(未变化)或1(变化)；Di，j则为该像素点形变速率值大小；Si，j为补充要素指标，如该点近年来夜间灯光亮度变化值(指示经济社会活动的活跃程度)。fi为三者权重值，且f1+f2+f3＝1，其设定需结合实验数据的具体情况而定。Cri，j即为该点处融合三者评价的环境综合风险指数，取值范围0～1。指数越接近1，则表示该处环境变形、受到干扰等的风险程度越大。
根据具体实验需求，可设置适当阈值将环境综合风险情况分为三级，如：
1)Cr<0.2：为低风险区域，代表景观廊道环境要素总体较为稳定，土地覆盖变化、地表形变、人类活动痕迹等作用较弱；
2)0.2<Cr<0.4：为轻度风险区域，表征景观廊道存在轻度地表形变、要素改变等，需要适当关注；
3)Cr>0.4：为较高风险区域，指示该处环境存在较为显著形变或明显地表覆盖变化、较活跃的人类经济活动等，或需重点监测与保护。
综上，本发明提出了一种集成了面向对象的变化向量分析和深度学习模型分类的遥感动态监测方法；能够有效抑制分类散点噪声、实现对景观廊道重点区域环境要素的精准动态刻画；适用于文化遗产地表覆盖监测现实需求；本发明总结了景观廊道雷达时序形变信息提取方法，针对形变点信息数据量问题，提供有效实验结果提取及可视化方案，能够获取“可量测”的毫米-厘米级地表形变信息，便于甄别并评估潜在地质灾害等对文化景观的影响；本发明提出了一套光学—雷达环境要素综合预评估方法，包含多源数据结果的定量评估、空间分析以及综合风险指数评估方法。通过衡量值、环境综合风险指数以及数据矩阵等，可更为定量化地实现文化遗产景观廊道环境要素变化的预评估工作。
本发明面向文化遗产景观廊道环境要素监测与评估的现实需求，以及遥感技术中不同分支领域的应用现状。从光学—雷达结合角度出发，总结并创造性提出一套文化遗产景观廊道环境要素变化提取与预评估适应性方法。发明涵盖集成面向对象变化向量分析与深度学习影像分类的光学变化检测方法、雷达干涉测量形变信息提取手段，以及多源数据结果综合预评估方法。能够有效结合光学“可见”及微波“可测”不同优势，覆盖可见光、微波谱段，更为全面、定量化地提取、刻画文化遗产景观廊道环境要素变化情况，为其生态环境的协调发展和文化景观的可持续保护提供全新技术方案。
本发明第二方面公开了一种环境要素提取与预评估系统。图6为根据本发明实施例的一种环境要素提取与预评估系统的结构图；如图6所示，所述系统100包括：
第一处理模块101，被配置为，获取文化遗产景观廊道的两期光学遥感环境要素变化数据和雷达时序形变信息数据，并进行预处理；
第二处理模块102，被配置为，根据预处理后的两期光学遥感环境要素变化数据提取变化区域掩膜得到预变化掩膜，将待分类的影像数据和预变化掩膜输入深度学习网络模型进行预测，得到两期的研究区土地覆盖分类结果，根据研究区土地覆盖分类结果计算土地覆盖变化率并进行变化矩阵转换，完成光学遥感环境要素变化提取；对预处理后的雷达时序形变信息数据进行差分干涉处理，完成差分干涉处理后，进行时序形变反演操作，根据形变序列作最小二乘线性拟合可得到形变年速率值，并进行形变结果可视化，完成雷达时序形变信息提取；
第三处理模块103，被配置为，根据光学遥感环境要素变化提取和雷达时序形变信息提取的结果，进行光学—雷达环境要素综合预评估。
根据本发明第二方面的系统，所述第二处理模块102具体被配置为，根据预处理后的两期光学遥感环境要素变化数据提取变化区域掩膜得到预变化掩膜的方法包括：
使用第一处理模块101中获取的影像，提取变化区域掩膜，若文化遗产景观廊道的尺度的小于预设值，则直接将两期影像进行变化向量分析操作以提取预变化掩膜；若文化遗产景观廊道的尺度的大于预设值则通过棋盘分割的方式，将研究区进行分块处理，再将各对应的影像斑块分别进行变化向量分析处理，得到分块掩膜结果。
将待分类的影像数据和预变化掩膜输入深度学习网络模型进行预测，得到两期的研究区土地覆盖分类结果的方法包括：
如有适合研究区的遥感影像及标签样本集，则直接使用其进行模型训练及影像分类预测，若无，则需手动制作样本集，手动制作方法如下，
首先，根据研究区的土地覆盖分类需求，确定具体类别及数量；根据影像数据人工判定地物类别并进行类别矢量勾画，将得到的矢量类别结果转换为栅格数据，即对应标签后，将影像及标签同步对应切割为较小像素尺寸的样本集合；
样本集就绪后，选择搭建合适的深度学习网络模型，输入样本进行多次训练，直至模型的精度与损失达到较佳效果后，保存该模型结果；
将待分类的影像输入模型结果，同时加入预变化掩膜，进行预测，输出研究区土地覆盖分类结果。
计算土地覆盖变化率的方法包括：
根据两期的研究区土地覆盖分类结果，假设前后两时相分别为t1和t2，分类结果共有m种，则以灰度值0～(m-1)代表各类别，将两时相结果进行差分：若像素值为0，代表前后类别相同，未产生变化；若前后类别不同，则重新赋值为1，代表发生变化；计算变化区域占总研究区的百分比即为土地覆盖变化率，即
δ＝nv＝1/(nv＝0+nv＝1)
式中：δ为土地覆盖变化率；ν为灰度值；n为像素个数。
对预处理后的雷达时序形变信息数据进行差分干涉处理的方法包括：干涉图生成、去除平地及地形相位、干涉图滤波处理、相位解缠和生成平均相干系数图中的一种或多种组合。
进行形变结果可视化的方法包括：
通过地理软件绘制景观廊道外包矢量范围，提取折点要素并导出属性信息文本，再由程序读取文本位置信息生成多边形；同时输入形变点大文本，按行读取形变点信息并提取位置，判断该点是否位于矢量范围多边形内，是则写入新文本文件，反之舍弃；移步下一行重复以上操作，直至进行到最末行停止，保存提取后的新文本后结束。
根据本发明第二方面的系统，所述第三处理模块103具体被配置为，进行光学—雷达环境要素综合预评估的方法包括，分别从定量的角度、空间相关的角度以及多方综合性的角度进行分析，其中：
从定量的角度进行分析的方法包括，由于各数据结果来源不同，数值量级有较大差异，为了便于比较其大小情况、发现光学—雷达不同数据间的关联性，对每类数值求取平均值后，再计算原值与均值的比值大小，定义为β，用于衡量样本接近本组样本均值的程度；计算公式如下：
其中，xi为目标样本值，n为该组样本的个数；
和/或，从空间相关进行分析的方法包括：对光学相关的数据结果和雷达相关的数据结果中与研究目标高度相关的对象或要素进行提取，叠加后以位置相交条件作为空间相关性的准则，并统计各要素中符合位置相交关系的图斑所占比例进行定量评估；假设提取的数据类型为k种，获得多源数据结果要素叠加比例矩阵，表征各结果间的空间相关程度。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本发明公开第一方面中任一项的一种环境要素提取与预评估方法中的步骤。
图7为根据本发明实施例的一种电子设备的结构图，如图7所示，电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、近场通信(NFC)或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本公开的技术方案相关的部分的结构图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本发明第四方面公开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执行时，实现本发明公开第一方面中任一项的一种环境要素提取与预评估方法中的步骤。
请注意，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种环境要素提取与预评估方法，其特征在于，所述方法包括：
步骤S1、获取文化遗产景观廊道的两期光学遥感环境要素变化数据和雷达时序形变信息数据，并进行预处理；
步骤S2、根据预处理后的所述两期光学遥感环境要素变化数据提取变化区域掩膜得到预变化掩膜，将待分类的影像数据和所述预变化掩膜输入深度学习网络模型进行预测，得到两期的研究区土地覆盖分类结果，根据所述研究区土地覆盖分类结果计算土地覆盖变化率并进行变化矩阵转换，完成光学遥感环境要素变化提取；对预处理后的所述雷达时序形变信息数据进行差分干涉处理，完成差分干涉处理后，进行时序形变反演操作，根据形变序列作最小二乘线性拟合得到形变年速率值，并进行形变结果可视化，完成雷达时序形变信息提取；
步骤S3、根据所述光学遥感环境要素变化提取和所述雷达时序形变信息提取的结果，进行光学—雷达环境要素综合预评估。
2.根据权利要求1所述的一种环境要素提取与预评估方法，其特征在于，在所述步骤S2中，所述根据预处理后的两期所述光学遥感环境要素变化数据提取变化区域掩膜得到预变化掩膜的方法包括：
使用所述步骤S1中获取的影像，提取变化区域掩膜，若所述文化遗产景观廊道的尺度的小于预设值，则直接将两期所述影像进行变化向量分析操作以提取预变化掩膜；若所述文化遗产景观廊道的尺度的大于预设值则通过棋盘分割的方式，将研究区进行分块处理，再将各对应的影像斑块分别进行变化向量分析处理，得到分块掩膜结果。
3.根据权利要求2所述的一种环境要素提取与预评估方法，其特征在于，在所述步骤S2中，将待分类的影像数据和所述预变化掩膜输入深度学习网络模型进行预测，得到两期的研究区土地覆盖分类结果的方法包括：
如有适合研究区的遥感影像及标签样本集，则直接使用其进行模型训练及影像分类预测，若无，则需手动制作样本集，手动制作方法如下，
首先，根据研究区的土地覆盖分类需求，确定具体类别及数量；根据影像数据人工判定地物类别并进行类别矢量勾画，将得到的矢量类别结果转换为栅格数据，即对应标签后，将影像及标签同步对应切割为较小像素尺寸的样本集合；
样本集就绪后，选择搭建合适的深度学习网络模型，输入样本进行多次训练，直至模型的精度与损失达到较佳效果后，保存该模型结果；
将待分类的所述影像输入所述模型结果，同时加入所述预变化掩膜，进行预测，输出所述研究区土地覆盖分类结果。
4.根据权利要求3所述的一种环境要素提取与预评估方法，其特征在于，在所述步骤S2中，所述计算土地覆盖变化率的方法包括：
根据两期的所述研究区土地覆盖分类结果，假设前后两时相分别为t1和t2，分类结果共有m种，则以灰度值0～(m-1)代表各类别，将两时相结果进行差分：若像素值为0，代表前后类别相同，未产生变化；若前后类别不同，则重新赋值为1，代表发生变化；计算变化区域占总研究区的百分比即为所述土地覆盖变化率，即
δ＝nv＝1/(nv＝0+nv＝1)
式中：δ为土地覆盖变化率；ν为灰度值；n为像素个数。
5.根据权利要求1所述的一种环境要素提取与预评估方法，其特征在于，在所述步骤S2中，所述对预处理后的所述雷达时序形变信息数据进行差分干涉处理的方法包括：干涉图生成、去除平地及地形相位、干涉图滤波处理、相位解缠和生成平均相干系数图中的一种或多种组合。
6.根据权利要求5所述的一种环境要素提取与预评估方法，其特征在于，在所述步骤S2中，所述进行形变结果可视化的方法包括：
通过地理软件绘制景观廊道外包矢量范围，提取折点要素并导出属性信息文本，再由程序读取文本位置信息生成多边形；同时输入形变点大文本，按行读取形变点信息并提取位置，判断该点是否位于矢量范围多边形内，是则写入新文本文件，反之舍弃；移步下一行重复以上操作，直至进行到最末行停止，保存提取后的新文本后结束。
7.根据权利要求1所述的一种环境要素提取与预评估方法，其特征在于，在所述步骤S3中，所述进行光学—雷达环境要素综合预评估的方法包括，分别从定量的角度、空间相关的角度以及多方综合性的角度进行分析，其中：
所述从定量的角度进行分析的方法包括，由于各数据结果来源不同，数值量级有较大差异，为了便于比较其大小情况、发现光学—雷达不同数据间的关联性，对每类数值求取平均值后，再计算原值与均值的比值大小，定义为β，用于衡量样本接近本组样本均值的程度；计算公式如下：
其中，xi为目标样本值，n为该组样本的个数；
和/或，从所述空间相关进行分析的方法包括：对光学相关的数据结果和雷达相关的数据结果中与研究目标高度相关的对象或要素进行提取，叠加后以位置相交条件作为空间相关性的准则，并统计各要素中符合位置相交关系的图斑所占比例进行定量评估；假设提取的数据类型为k种，获得多源数据结果要素叠加比例矩阵，表征各结果间的空间相关程度。
8.一种用于环境要素提取与预评估系统，其特征在于，所述系统包括：
第一处理模块，被配置为，获取文化遗产景观廊道的两期光学遥感环境要素变化数据和雷达时序形变信息数据，并进行预处理；
第二处理模块，被配置为，根据预处理后的两期所述光学遥感环境要素变化数据提取变化区域掩膜得到预变化掩膜，将待分类的影像数据和所述预变化掩膜输入深度学习网络模型进行预测，得到两期的研究区土地覆盖分类结果，根据所述研究区土地覆盖分类结果计算土地覆盖变化率并进行变化矩阵转换，完成光学遥感环境要素变化提取；对预处理后的所述雷达时序形变信息数据进行差分干涉处理，完成差分干涉处理后，进行时序形变反演操作，根据形变序列作最小二乘线性拟合可得到形变年速率值，并进行形变结果可视化，完成雷达时序形变信息提取；
第三处理模块，被配置为，根据所述光学遥感环境要素变化提取和所述雷达时序形变信息提取的结果，进行光学—雷达环境要素综合预评估。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现权利要求1至7中任一项所述的一种环境要素提取与预评估方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至7中任一项所述的一种环境要素提取与预评估方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311755762.8A CN117746239A (zh) | 2023-12-19 | 2023-12-19 | 一种环境要素提取与预评估方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311755762.8A CN117746239A (zh) | 2023-12-19 | 2023-12-19 | 一种环境要素提取与预评估方法、系统、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117746239A true CN117746239A (zh) | 2024-03-22 |
Family
ID=90277033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311755762.8A Pending CN117746239A (zh) | 2023-12-19 | 2023-12-19 | 一种环境要素提取与预评估方法、系统、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117746239A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110136170A (zh) * | 2019-05-13 | 2019-08-16 | 武汉大学 | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 |
| CN110956207A (zh) * | 2019-11-22 | 2020-04-03 | 苏州中科天启遥感科技有限公司 | 一种光学遥感影像全要素变化检测方法 |
| CN112949989A (zh) * | 2021-02-02 | 2021-06-11 | 中国科学院空天信息创新研究院 | InSAR微形变文化遗产影响定量刻画方法 |
| CN113885025A (zh) * | 2021-09-03 | 2022-01-04 | 宁夏大学 | 一种滑坡形变监测方法与可视化服务平台 |
-
2023
- 2023-12-19 CN CN202311755762.8A patent/CN117746239A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110136170A (zh) * | 2019-05-13 | 2019-08-16 | 武汉大学 | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 |
| CN110956207A (zh) * | 2019-11-22 | 2020-04-03 | 苏州中科天启遥感科技有限公司 | 一种光学遥感影像全要素变化检测方法 |
| CN112949989A (zh) * | 2021-02-02 | 2021-06-11 | 中国科学院空天信息创新研究院 | InSAR微形变文化遗产影响定量刻画方法 |
| CN113885025A (zh) * | 2021-09-03 | 2022-01-04 | 宁夏大学 | 一种滑坡形变监测方法与可视化服务平台 |
Non-Patent Citations (1)
| Title |
|---|
| FULONG CHEN ET AL.: "Remote sensing-based deformation monitoring of pagodas at the Bagan cultural heritage site, Myanmar", 《INTERNATIONAL JOURNAL OF DIGITAL EARTH》, vol. 15, no. 1, 22 April 2022 (2022-04-22), pages 2 - 3 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vos et al. | CoastSat: A Google Earth Engine-enabled Python toolkit to extract shorelines from publicly available satellite imagery | |
| Cheng et al. | A spatial and temporal nonlocal filter-based data fusion method | |
| Chen et al. | Analysis of regional economic development based on land use and land cover change information derived from Landsat imagery | |
| Zhai et al. | An improved geographically weighted regression model for PM2. 5 concentration estimation in large areas | |
| Zhang et al. | Estimating daily air temperatures over the Tibetan Plateau by dynamically integrating MODIS LST data | |
| CN113885025A (zh) | 一种滑坡形变监测方法与可视化服务平台 | |
| Lechner et al. | Remote sensing of small and linear features: Quantifying the effects of patch size and length, grid position and detectability on land cover mapping | |
| CN110186820A (zh) | 多源数据融合与环境污染源及污染物分布分析方法 | |
| Gonga-Saholiariliva et al. | Techniques for quantifying the accuracy of gridded elevation models and for mapping uncertainty in digital terrain analysis | |
| Marzban et al. | Optical flow for verification | |
| Saura et al. | Scaling functions for landscape pattern metrics derived from remotely sensed data: Are their subpixel estimates really accurate? | |
| Tang et al. | Downscaling remotely sensed imagery using area-to-point cokriging and multiple-point geostatistical simulation | |
| Yin et al. | Mapping urban expansion using night-time light images from Luojia1-01 and International Space Station | |
| Wang et al. | Image misregistration error in change measurements | |
| Li et al. | Combining kriging interpolation to improve the accuracy of forest aboveground biomass estimation using remote sensing data | |
| Propastin et al. | Reducing uncertainty in modeling the NDVI-precipitation relationship: a comparative study using global and local regression techniques | |
| Tao et al. | Improving the spatiotemporal fusion accuracy of fractional vegetation cover in agricultural regions by combining vegetation growth models | |
| Uhl et al. | Exposing the urban continuum: Implications and cross-comparison from an interdisciplinary perspective | |
| Mi et al. | Impact of geometric misregistration in GlobeLand30 on land-cover change analysis, a case study in China | |
| Stein et al. | Handling uncertainties in image mining for remote sensing studies | |
| Lin et al. | High-resolution forest age mapping based on forest height maps derived from GEDI and ICESat-2 space-borne lidar data | |
| CN109726679B (zh) | 一种遥感分类误差空间分布制图方法 | |
| CN117746239A (zh) | 一种环境要素提取与预评估方法、系统、设备和存储介质 | |
| Kumari et al. | Machine learning based modeling for forest aboveground biomass retrieval | |
| Singh et al. | Land deformation monitoring using optical remote sensing and PS-InSAR technique nearby Gangotri glacier in higher Himalayas |
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 |