一种干旱状态下应急水源地提取方法及系统技术方案

本发明专利技术公开了一种干旱状态下应急水源地提取方法及系统。所述方法包括：获取全色遥感训练影像和全色遥感测试影像；构建隐含狄利克雷分布主题模型；隐含狄利克雷分布主题模型为狄利克雷先验参数待确定的主题模型；将全色遥感训练影像输入至隐含狄利克雷分布主题模型中，采用定点迭代方法对狄利克雷先验参数进行估计，确定隐含狄利克雷分布主题模型中的狄利克雷先验参数；将狄利克雷先验参数确定后的主题模型确定为应急水源地提取模型；将全色遥感测试影像输入至应急水源地提取模型中，得到全色遥感测试影像中的水源地。本发明专利技术能提高应急水源地提取的准确度，且能避免消耗极大的人力成本，便于提取。

【技术实现步骤摘要】
一种干旱状态下应急水源地提取方法及系统
本专利技术涉及水源提取
，特别是涉及一种干旱状态下应急水源地提取方法及系统。
技术介绍
我国水资源时空分布受降水的影响，降水在空间上从东南沿海向西北内陆逐渐减少，导致我国水资源分布东多西少、南多北少。最近几年，西北区连年干旱，西北地区资源性缺水日益严重。其中西北干旱地区的降水主要由西风环流和南亚季风提供，西风和季风两种气流的激荡进退，决定了西北干旱区降水分布的主要特征和历史上多次重大干湿变化，受海拔高度、地形及水汽输送条件等因素的影响，西北干旱区年降水分布极不均匀。西北干旱地区平均只有25.2％的降水转化为河川径流，地表水资源总量在1000×108m3左右。我国西北干旱区由世界上著名高山环绕和大大小小的断陷盆地所构造成，该干旱区水资源分布的地区性差异显著，并且受季风的影响水资源分布变化明显。因此，如何在受旱地区快速对应急水源地分布进行提取，准确找到这些应急水源地是急需解决的技术难题，对水源的勘查保护以及调水救灾具有重要意义。传统的水源地识别方法主要有基于光学遥感影像的方法、采用“先分割后识别”的面向对象影像分类技术识别水体的方法、基于机器学习的方法。基于光学遥感影像的方法有单波段阈值法、多波段阈值法等，该类方法基本原理是利用水体在近红外波段上反射率低，容易与其它地物区分开来的特点，是提取水体比较简单易行的方法。“先分割后识别”的面向对象影像分类技术，传统方法是首先采用分形网络演化算法对高分辨率遥感影像分割，再结合分割对象的多维特征，如光谱特征、纹理特征、空间特征等，利用Adaboost算法进行分类，得到基于像素方法的分类精度。基于机器学习的方法主要包括监督和非监督分类的方法，该类方法不用设定阈值，利用相关的数理统计方法和合适的分类器便可达到分类的目的，监督/非监督分类方法，典型方法如支持向量机和随机森林等。但是，由于很多建筑物的反射率和水体的反射率在某些波段上表现一样，表现出“异物同谱”的现象，因此传统只基于光学遥感影像的方法会产生很大的提取误差，达不到较高的水体识别准确率。“先分割后识别”的面向对象分析技术的缺陷为尺度的划分难以把握，因而识别效率较低，并且识别常采用人工目视解译方法，虽然可以取得较高的解译精度，但是其费时费力，需要消耗极大的人力成本，且难以满足实时性的要求。采用机器学习监督分类模式的缺陷主要为：训练样本的选择必须依赖于分割结果，而影像分析前在野外调绘收集训练样本十分不便；训练样本需要在对象层面给定，因而像素层面的监督信息将无法直接被利用。因此，亟待一种便于实现且识别准确度高的干旱状态下应急水源地提取方法的出现。
技术实现思路
基于此，有必要提供一种干旱状态下应急水源地提取方法及系统，以提高应急水源地提取的准确度，且避免消耗极大的人力成本，便于提取。为实现上述目的，本专利技术提供了如下方案：一种干旱状态下应急水源地提取方法，包括：获取全色遥感训练影像和全色遥感测试影像；所述全色遥感训练影像为水源地已知的全色遥感影像，所述全色遥感测试影像为待提取水源地知的全色遥感影像；构建隐含狄利克雷分布主题模型；所述隐含狄利克雷分布主题模型为狄利克雷先验参数待确定的主题模型；将所述全色遥感训练影像输入至所述隐含狄利克雷分布主题模型中，采用定点迭代方法对所述狄利克雷先验参数进行估计，确定所述隐含狄利克雷分布主题模型中的狄利克雷先验参数；将狄利克雷先验参数确定后的主题模型确定为应急水源地提取模型；将所述全色遥感测试影像输入至所述应急水源地提取模型中，得到全色遥感测试影像中的水源地。可选的，所述将所述全色遥感训练影像输入至所述隐含狄利克雷分布主题模型中，采用定点迭代方法对所述狄利克雷先验参数进行估计，确定所述隐含狄利克雷分布主题模型中的狄利克雷先验参数，具体包括：将所述全色遥感训练影像划分为多个训练子影像块；确定所述隐含狄利克雷分布主题模型的标量参数和初始化所述隐含狄利克雷分布主题模型的狄利克雷先验参数，得到初始隐含狄利克雷分布主题模型；所述标量参数包括全色遥感训练影像中地物类别数目、训练子影像块的尺寸、控制训练子影像块选择的先验概率参数和对称的狄利克雷超参数；将各所述训练子影像块输入至当前迭代次数下的隐含狄利克雷分布主题模型中，对各所述训练子影像块中的每个位置进行Gibbs采样，确定地物类别的概率分布和训练子影像块的概率分布；所述当前迭代次数下的隐含狄利克雷分布主题模型为当前迭代次数下的狄利克雷先验参数对应的隐含狄利克雷分布主题模型；由像素的概率分布、所述地物类别的概率分布和所述训练子影像块的概率分布确定全色遥感训练影像上观测量和隐变量的联合概率分布；判断所述联合概率分布确定后的隐含狄利克雷分布主题模型是否收敛；若是，则将当前次数下的狄利克雷先验参数作为所述隐含狄利克雷分布主题模型中的狄利克雷先验参数；若否，则更新当前次数下的狄利克雷先验参数，令当前迭代次数加1，并将更新后的狄利克雷先验参数作为当前迭代次数下的狄利克雷先验参数，返回所述将各所述多个训练子影像块输入至当前迭代次数下的隐含狄利克雷分布主题模型中，对各所述训练子影像块中的每个位置进行Gibbs采样，确定地物类别的概率分布和训练子影像块的概率分布。可选的，所述地物类别的概率分布为：其中，p(dt|D-t,W,Z)为地物类别的概率分布，dt为训练子影像块d的第t个位置的像素坐标索引，D-t为除第t个位置以外的像素坐标索引所对应的二维矩阵，W为全色遥感训练影像对应的像素矩阵，Z为地物类别坐标索引所对应的二维矩阵，为训练子影像块d的第t个位置的像素坐标索引对应的像素的横坐标，为训练子影像块d的第t个位置的像素坐标索引对应的像素的纵坐标，xt为邻域内的像素的横坐标，yt为邻域内的像素的纵坐标，δ为控制训练子影像块选择的先验概率参数，为训练子影像块d内除去第t个位置以外的第k类地物类别被观测到的次数，αk是狄利克雷先验参数中第k类地物类别对应的向量元素，为训练子影像块d内除去第t个位置以外，且除去第k类地物类别外，其他地物类别被观测到的次数，αk‘是狄利克雷先验参数中除去αk以外的向量元素，K为除去第k类地物类别外，其他地物类别的数目。可选的，所述训练子影像块的概率分布为：p(zt|Z-t,D,W)其中，p(zt|Z-t,D,W)为训练子影像块的概率分布，Z-t为除第t个位置以外的地物类别坐标索引所对应的二维矩阵，zt为地物类别坐标索引所对应的二维矩阵，D为像素坐标索引所对应的二维矩阵，αk是狄利克雷先验参数的第k个向量元素，wt为第t个位置对应的像素值，为训练子影像块内除去第t个位置以外的wt与zt一起被观测到的次数，v′是除去第v个训练子影像块外的其他的训练子影像块，V是除去第v个训练子影像块外，其他训练子影像的数目，为训练子影像块内除去第t个位置以外，且除去第v个训练子影像块外，其他训练子影像块被观测到的次数，β为对称的狄利克雷超参数。本文档来自技高网...

【技术保护点】
1.一种干旱状态下应急水源地提取方法，其特征在于，包括：/n获取全色遥感训练影像和全色遥感测试影像；所述全色遥感训练影像为水源地已知的全色遥感影像，所述全色遥感测试影像为待提取水源地知的全色遥感影像；/n构建隐含狄利克雷分布主题模型；所述隐含狄利克雷分布主题模型为狄利克雷先验参数待确定的主题模型；/n将所述全色遥感训练影像输入至所述隐含狄利克雷分布主题模型中，采用定点迭代方法对所述狄利克雷先验参数进行估计，确定所述隐含狄利克雷分布主题模型中的狄利克雷先验参数；/n将狄利克雷先验参数确定后的主题模型确定为应急水源地提取模型；/n将所述全色遥感测试影像输入至所述应急水源地提取模型中，得到全色遥感测试影像中的水源地。/n

【技术特征摘要】
1.一种干旱状态下应急水源地提取方法，其特征在于，包括：
获取全色遥感训练影像和全色遥感测试影像；所述全色遥感训练影像为水源地已知的全色遥感影像，所述全色遥感测试影像为待提取水源地知的全色遥感影像；
构建隐含狄利克雷分布主题模型；所述隐含狄利克雷分布主题模型为狄利克雷先验参数待确定的主题模型；
将所述全色遥感训练影像输入至所述隐含狄利克雷分布主题模型中，采用定点迭代方法对所述狄利克雷先验参数进行估计，确定所述隐含狄利克雷分布主题模型中的狄利克雷先验参数；
将狄利克雷先验参数确定后的主题模型确定为应急水源地提取模型；
将所述全色遥感测试影像输入至所述应急水源地提取模型中，得到全色遥感测试影像中的水源地。


2.根据权利要求1所述的一种干旱状态下应急水源地提取方法，其特征在于，所述将所述全色遥感训练影像输入至所述隐含狄利克雷分布主题模型中，采用定点迭代方法对所述狄利克雷先验参数进行估计，确定所述隐含狄利克雷分布主题模型中的狄利克雷先验参数，具体包括：
将所述全色遥感训练影像划分为多个训练子影像块；
确定所述隐含狄利克雷分布主题模型的标量参数和初始化所述隐含狄利克雷分布主题模型的狄利克雷先验参数，得到初始隐含狄利克雷分布主题模型；所述标量参数包括全色遥感训练影像中地物类别数目、训练子影像块的尺寸、控制训练子影像块选择的先验概率参数和对称的狄利克雷超参数；
将各所述训练子影像块输入至当前迭代次数下的隐含狄利克雷分布主题模型中，对各所述训练子影像块中的每个位置进行Gibbs采样，确定地物类别的概率分布和训练子影像块的概率分布；所述当前迭代次数下的隐含狄利克雷分布主题模型为当前迭代次数下的狄利克雷先验参数对应的隐含狄利克雷分布主题模型；
由像素的概率分布、所述地物类别的概率分布和所述训练子影像块的概率分布确定全色遥感训练影像上观测量和隐变量的联合概率分布；
判断所述联合概率分布确定后的隐含狄利克雷分布主题模型是否收敛；
若是，则将当前次数下的狄利克雷先验参数作为所述隐含狄利克雷分布主题模型中的狄利克雷先验参数；
若否，则更新当前次数下的狄利克雷先验参数，令当前迭代次数加1，并将更新后的狄利克雷先验参数作为当前迭代次数下的狄利克雷先验参数，返回所述将各所述多个训练子影像块输入至当前迭代次数下的隐含狄利克雷分布主题模型中，对各所述训练子影像块中的每个位置进行Gibbs采样，确定地物类别的概率分布和训练子影像块的概率分布。


3.根据权利要求2所述的一种干旱状态下应急水源地提取方法，其特征在于，所述地物类别的概率分布为：



其中，p(dt|D-t,W,Z)为地物类别的概率分布，dt为训练子影像块d的第t个位置的像素坐标索引，D-t为除第t个位置以外的像素坐标索引所对应的二维矩阵，W为全色遥感训练影像对应的像素矩阵，Z为地物类别坐标索引所对应的二维矩阵，为训练子影像块d的第t个位置的像素坐标索引对应的像素的横坐标，为训练子影像块d的第t个位置的像素坐标索引对应的像素的纵坐标，xt为邻域内的像素的横坐标，yt为邻域内的像素的纵坐标，δ为控制训练子影像块选择的先验概率参数，为训练子影像块d内除去第t个位置以外的第k类地物类别被观测到的次数，αk是狄利克雷先验参数中第k类地物类别对应的向量元素，为训练子影像块d内除去第t个位置以外，且除去第k类地物类别外，其他地物类别被观测到的次数，αk‘是狄利克雷先验参数中除去αk以外的向量元素，K为除去第k类地物类别外，其他地物类别的数目。


4.根据权利要求3所述的一种干旱状态下应急水源地提取方法，其特征在于，所述训练子影像块的概率分布为：



其中，p(zt|Z-t,D,W)为训练子影像块的概率分布，Z-t为除第t个位置以外的地物类别坐标索引所对应的二维矩阵，zt为地物类别坐标索引所对应的二维矩阵，D为像素坐标索引所对应的二维矩阵，αk是狄利克雷先验参数的第k个向量元素，wt为第t个位置对应的像素值，为训练子影像块内除去第t个位置以外的wt与zt一起被观测到的次数，v′是除去第v个训练子影像块外的其他的训练子影像块，V是除去第v个训练子影像块外，其他训练子影像的数目，为训练子影像块内除去第t个位置以外，且除去第v个训练子影像块外，其他训练子影像块被观测到的次数，β为对称的狄利克雷超参数。


5.根据权利要求4所述的一种干旱状态下应急水源地提取方法，其特征在于，所述联合概率分布为：



其中，p(W,Z,D)为联合概率分布，为全色遥感训练影像经Gibbs采样后得到的遥感影像网格，p(wt|W-t,Z,D)为像素的概率分布。


6.一种干旱状态下应急水源...

【专利技术属性】
技术研发人员：雷添杰，陈曦，任棐，金菊良，李小涵，李杨，黄锦涛，闻建光，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：北京;11