一种基于夜光遥感的像元级电力普及率估算方法及装置制造方法及图纸

一种基于夜光遥感的像元级电力普及率估算方法及装置，包括获取研究区域在研究时间内的年平均夜间灯光影像、每日夜间灯光影像、对应年份的人口数据以及人口与健康调查电力普及率数据，对影像和数据进行预处理，对预处理后的每日夜间灯光影像计算其灰度直方图并转换为夜光影像的灰度频率信息，对预处理后年平均夜间灯光影像提取空间上大范围区域年平均夜间灯光影像蕴含的与电力普及率相关的多维特征，基于上述特征建立深度学习模型，计算所有像元处的电力普及率并利用像元级的电力普及率获取研究区域整体的电力普及率。本发明专利技术结合了夜光影像中长时间序列和空间上大范围邻域内电力普及率相关的特征，提出的电力普及率的估算方法精度较高。的估算方法精度较高。的估算方法精度较高。

【技术实现步骤摘要】
High
‑
Frequency Satellite Images to Measure Power Supply Irregularity(June 29,2017).World Bank Policy Research Working Paper,2017(8131).
[0009][3]Tingzon I,Orden A,Sy S,et al.Mapping poverty in the Philippines using machine learning,satellite imagery,and crowd
‑
sourced geospatial information[C]//AI for Social Good ICML 2019Workshop.2019.
[0010][4]Dhorne M,Nicolas C,Arderne C,et al.Tracking Advances in Access to Electricity Using Satellite
‑
Based Data and Machine Learning to Complement Surveys[J].2021.

技术实现思路

[0011]根据现有技术的不足，本专利技术的目的是提供一种基于夜光遥感的像元级电力普及率估算方法与装置，本方法同时结合了长时间序列相关的特征和空间上大范围邻域相关的特征，本专利技术提出的方法对于电力普及率的估算精度较高。
[0012]为了解决上述技术问题，本专利技术采用的技术方案为：
[0013]一种基于夜光遥感的像元级电力普及率估算方法，包括以下步骤：
[0014]步骤1、获取研究区域在研究时间内的年平均夜间灯光影像、每日夜间灯光影像、对应年份的人口数据以及人口与健康调查电力普及率数据；
[0015]步骤2、对研究区域的年平均夜间灯光影像、每日夜间灯光影像进行预处理，所述预处理包括几何校正和重采样，对于每个人口与健康调查电力普及率数据样本所在的位置，根据对应年份的人口数据提取该位置邻域内的年平均夜间灯光影像和人口分布地图；
[0016]步骤3、对步骤2预处理后的每日夜间灯光影像，得到维度等于夜光数据有效天数的辐亮度时间序列信息后，计算其灰度直方图并基于其提取夜光影像的灰度频率信息，后续将基于深度学习模型从上述灰度频率信息中提取深层特征信息；
[0017]步骤4、对步骤2预处理后的研究区域的年平均夜间灯光影像，提取空间上大范围区域年平均夜间灯光影像蕴含的与电力普及率相关的多维特征；
[0018]步骤5、以步骤2预处理后的年平均夜间灯光影像，步骤3灰度频率信息提取的深层特征信息，步骤4所得的多维特征为输入数据，各个位置的电力普及率为输出值，建立深度学习模型，进行训练；
[0019]步骤6、利用步骤5训练好的深度学习模型计算所有像元级的电力普及率，利用像元级的电力普及率计算研究区域整体的电力普及率。
[0020]进一步地，步骤2具体包括：
[0021]步骤2.1、通过选取分布均匀的控制点来实现人口分布地图、年平均夜间灯光影像、每日夜间灯光影像数据间的地理坐标配准，并统一空间分辨率；
[0022]步骤2.2、根据每个人口与健康调查电力普及率数据所在的位置、年份，提取其所在像元附近225
×
225像元邻域内的年平均夜间灯光影像、该年份所有日期的3
×
3像元邻域内每日夜间灯光影像和该像元处的人口分布地图；
[0023]所述步骤3中，提取灰度频率信息的方法为：
[0024]计算一年内每日夜间灯光影像中辐亮度处于各个灰度区间的频率，将辐亮度信息转换为n个维度的各辐亮度区间的频率信息，对于某个像元，根据其当年的每日夜光影像，
一年内属于第i个维度的灰度频率T
i
的计算公式如下：
[0025]T
i
＝NTL
i
/NTL
V
[0026]其中，NTL
V
是该年内强制质量标志标识为数据有效的总天数，NTL
i
是该年内强制质量标志标识为数据有效、该数据B0波段的值属于第i个区间的天数，1≤i≤n；
[0027]将T1,T2,T3,...,T
n
连接起来形成新的特征T，T代表了该像元处的各辐亮度区间的频率信息，将人口与健康调查电力普及率数据样本所在像元的3
×
3像元邻域内每个像元处的特征T作为灰度频率信息，将这些信息用作后续深度学习模型的输入；
[0028]所述步骤4具体包括：
[0029]步骤4.1、通过预训练的VGG
‑
16模型处理估算位置附近225
×
225像元的年平均夜光数据，这使得专利技术提出的估算模型充分考虑大范围空间内的夜光数据包含的信息，输出1000维空间相关的特征；
[0030]步骤4.2、特征选择，分别计算1000维特征与电力普及率间的相关系数，从这些特征中保留10维与电力普及率相关性最高的特征，将保留的特征用于估算电力普及率；
[0031]所述步骤5具体包括：
[0032]步骤5.1、通过卷积层I从步骤3提供的灰度频率信息提取出与电力普及率相关的深层特征信息，将卷积层I模板尺寸设为3
×
3并将输出波段的维数设为5，通过卷积层1和激活层将输出特征维度数降至5；
[0033]步骤5.2、将步骤5.1的输出和步骤4提供的多维特征在波段维度进行连接，为每个位置生成15维特征，基于上述15维特征，构建线性回归模型以拟合该像元处的电力普及率，构建该回归模型主要通过卷积层II，卷积层II模板尺寸设为1
×
1，卷积层II的输出波段维数是1；
[0034]步骤5.3、对估算位置附近的平均年均夜光值进行对数化处理，建立一层全连接层，基于区域内的平均年均夜光值对前一层神经网络的估算结果进行修改，最终估算出相应位置处的电力普及率；
[0035]步骤5.4、通过五折交叉验证确定模型的超参数，将样本随机均匀分为5部分，每次使用其中4部分进行训练，保留剩下1部分用于验证，确定的超参数如下，批量大小定为10，学习率定为0.003，权重衰减定为1E
‑
9，选择Adam优化器用于优化，选用L1范数损失函数作为的损失函数；
[0036]所述步骤6中，使用步骤5确定的超参数，根据五折交叉验证计算估算方法在训练集和验证集上的平均绝对误差，平均绝对误差E
绝对
的计算如公式：
[0037][0038]其中，EA1是统计数据给出的电力普及率，EA2是本专利技术得到的电力普及率，该公式也可用作衡量深度学习过程的L1范数损失，n是样本数量。
[0039]一种基于夜光遥感的像元级电力普及率估算装置，包括：
[0040]数据获取模块，用于获取研究区域在研究时间内的年平均夜间灯本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于夜光遥感的像元级电力普及率估算方法，其特征在于，包括以下步骤：步骤1、获取研究区域在研究时间内的年平均夜间灯光影像、每日夜间灯光影像、对应年份的人口数据以及人口与健康调查电力普及率数据；步骤2、对研究区域的年平均夜间灯光影像、每日夜间灯光影像进行预处理，所述预处理包括几何校正和重采样，对于每个人口与健康调查电力普及率数据样本所在的位置，根据对应年份的人口数据提取该位置邻域内的年平均夜间灯光影像和人口分布地图；步骤3、对步骤2预处理后的每日夜间灯光影像，得到维度等于夜光数据有效天数的辐亮度时间序列信息后，计算其灰度直方图并基于其提取夜光影像的灰度频率信息，后续将基于深度学习模型从上述灰度频率信息中提取深层特征信息；步骤4、对步骤2预处理后的研究区域的年平均夜间灯光影像，提取空间上大范围区域年平均夜间灯光影像蕴含的与电力普及率相关的多维特征；步骤5、以步骤2预处理后的年平均夜间灯光影像，步骤3灰度频率信息提取的深层特征信息，步骤4所得的多维特征为输入数据，各个位置的电力普及率为输出值，建立深度学习模型，进行训练；步骤6、利用步骤5训练好的深度学习模型计算所有像元级的电力普及率，利用像元级的电力普及率计算研究区域整体的电力普及率。2.根据权利要求1所述的基于夜光遥感的像元级尺度电力普及率估算方法，其特征在于，步骤2具体包括：步骤2.1、通过选取分布均匀的控制点来实现人口分布地图、年平均夜间灯光影像、每日夜间灯光影像数据间的地理坐标配准，并统一空间分辨率；步骤2.2、根据每个人口与健康调查电力普及率数据所在的位置、年份，提取其所在像元附近225
×
225像元邻域内的年平均夜间灯光影像、该年份所有日期的3
×
3像元邻域内每日夜间灯光影像和该像元处的人口分布地图；所述步骤3中，提取灰度频率信息的方法为：计算一年内每日夜间灯光影像中辐亮度处于各个灰度区间的频率，将辐亮度信息转换为n个维度的各辐亮度区间的频率信息，对于某个像元，根据其当年的每日夜光影像，一年内属于第i个维度的灰度频率T
i
的计算公式如下：T
i
＝NTL
i
/NTL
V
其中，NTL
V
是该年内强制质量标志标识为数据有效的总天数，NTL
i
是该年内强制质量标志标识为数据有效、该数据B0波段的值属于第i个区间的天数，1≤i≤n；将T1,T2,T3,...,T
n
连接起来形成新的特征T，T代表了该像元处的各辐亮度区间的频率信息，将人口与健康调查电力普及率数据样本所在像元的3
×
3像元邻域内每个像元处的特征T作为灰度频率信息，将这些信息用作后续深度学习模型的输入；所述步骤4具体包括：步骤4.1、通过预训练的VGG
‑
16模型处理估算位置附近225
×
225像元的年平均夜光数据，这使得发明提出的估算模型充分考虑大范围空间内的夜光数据包含的信息，输出1000维空间相关的特征；步骤4.2、特征选择，分别计算1000维特征与电力普及率间的相关系数，从这些特征中保留10维与电力普及率相关性最高的特征，将保留的特征用于估算电力普及率；
所...

【专利技术属性】
技术研发人员：李熙，许强，
申请(专利权)人：武汉大学，
类型：发明
国别省市：