一种耕地洪涝受灾分析方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种耕地洪涝受灾分析方法、装置、设备及存储介质，方法包括获取耕地洪涝受灾区域的多源遥感数据；将多光谱遥感影像和DEM数据输入耕地要素提取网络中，得到耕地要素空间分布结果；基于卷积神经网络分别对灾前雷达影像和灾后雷达影像进行提取，得到新增水体区域；对耕地要素空间分布结果和新增水体区域进行叠加，得到耕地全淹没区域；基于泰森多边形方法对DEM数据中的河道数据进行划分，得到子汇水区域；对耕地全淹没区域和子汇水区域进行叠加，计算每一子汇水区域中的耕地全淹没区域的平均高程；分别对每一子汇水区域进行高程对比，将低于平均高程的耕地确定为耕地半淹没区域。本方法能够提取半淹区，提高了洪涝灾害监测的准确度。害监测的准确度。害监测的准确度。

【技术实现步骤摘要】
一种耕地洪涝受灾分析方法、装置、设备及存储介质


[0001]本专利技术涉及灾害监测
，尤其涉及一种耕地洪涝受灾分析方法、装置、设备及存储介质。

技术介绍

[0002]目前，洪涝灾害是农业的主要自然灾害之一，具有破坏力强，经济损失巨大的特点。为了保证农业灾后迅速做出应急响应，需要及时快速的统计受灾区域的地点、区域、面积等信息。相比于野外抽样调查的方式，遥感技术在洪涝灾害应急监测中具有低成本、大面积、高效率的特点，已经成为洪涝灾害应急监测的主要技术手段之一。
[0003]在现有技术中，耕地洪涝灾害监测主要包括耕地提取、新增水体提取、耕地洪涝受灾分析。其中，耕地提取主要采用多光谱遥感影像，提取耕地的光谱和空间纹理特征，利用随机森林、支持向量机等分类器进行分类；新增水体提取主要以合成孔径雷达(Synthetic Aperture Radar,SAR)影像为主，利用水体在SAR影像中后向散射系数相对较低的特点，采用阈值分割或监督分类的方法提取水体，通过数字高程模型(Digital Elevation Model,DEM)去除山体阴影的影响，将灾害发生时SAR影像提取水体减去灾前SAR影像提取的水体作为新增水体；耕地洪涝受灾分析通过将新增水体叠加在提取的耕地，将两者的重叠区域作为耕地受灾区域。
[0004]但是，当耕地种植的作物处于生长后期且种植较为密集时，耕地存在一定程度的积水(作物半淹区)，在上述SAR影像中仍主要表现为植被特征。现有的监测方法直接将SAR影像提取的新增水体叠加在耕地上，无法提取作物半淹区，导致提取的受灾面积小于真实的受灾面积，从而影响洪涝灾害监测的准确度。

技术实现思路

[0005]本专利技术提供了一种耕地洪涝受灾分析方法、装置、设备及存储介质，以解决现有技术无法提取作物半淹区，导致提取的受灾面积小于真实的受灾面积，从而影响洪涝灾害监测准确度的问题。
[0006]第一方面，为了解决上述技术问题，本专利技术提供了一种耕地洪涝受灾分析方法，包括：
[0007]获取耕地洪涝受灾区域的多源遥感数据；其中，所述多源遥感数据包括多光谱遥感影像、DEM数据、灾前雷达影像和灾后雷达影像；
[0008]将所述多光谱遥感影像和所述DEM数据输入预先训练的耕地要素提取网络中，得到耕地要素空间分布结果；
[0009]基于预先训练的卷积神经网络分别对所述灾前雷达影像和所述灾后雷达影像进行提取，得到新增水体区域；
[0010]对所述耕地要素空间分布结果和所述新增水体区域进行叠加，得到耕地全淹没区域；
[0011]基于泰森多边形方法对所述DEM数据中的河道数据进行划分，得到子汇水区域；
[0012]对所述耕地全淹没区域和所述子汇水区域进行叠加，并计算每一所述子汇水区域中的耕地全淹没区域的平均高程；
[0013]分别对每一所述子汇水区域进行高程对比，将低于所述平均高程的耕地确定为耕地半淹没区域。
[0014]优选地，所述基于泰森多边形方法对所述DEM数据中的河道数据进行划分，得到子汇水区域，包括：
[0015]根据河流流向栅格数据得到属于同一流域盆地的所有已连接像元组，并定位窗口边缘的倾泻点和凹陷点；
[0016]识别每一所述倾泻点上的汇流区域，构建初始子汇水区域；
[0017]对所述DEM数据进行提取，得到未填洼条件下的水流方向图层，并确定各个所述初始子汇水区域的出水口；其中，水流方向栅格变化幅度小于或等于45
°
的所有倾斜点中地面高程最低的点或者相反水流方向指向的点为各个子汇水区域出水口；
[0018]根据所述初始子汇水区域的出水口，将所有相邻所述出水口连成三角形，并对三角形各边作垂直平分线，将每个出水口周围的若干垂直平分线围成的多边形确定为子汇水区域。
[0019]优选地，所述基于预先训练的卷积神经网络分别对所述灾前雷达影像和所述灾后雷达影像进行提取，得到新增水体区域，包括：
[0020]基于预先训练的卷积神经网络分别对所述灾前雷达影像和所述灾后雷达影像进行提取，得到初始水体区域；
[0021]获取卫星过境时方位信息，并根据所述方位信息和所述DEM数据模拟得到卫星过境时的山体阴影区域；
[0022]根据所述山体阴影区域对所述初始水体区域进行筛除，得到新增水体区域。
[0023]优选地，所述耕地要素提取网络的训练过程，包括：
[0024]基于所述多光谱遥感影像，构建深度空谱融合的耕地要素提取网络；
[0025]基于所述多光谱遥感影像、所述DEM数据和预设的耕地标注矢量图，构建耕地遥感影像的标注数据集；
[0026]根据所述标注数据集对所述耕地要素提取网络进行训练。
[0027]优选地，所述耕地要素提取网络的编码器包括全局上下文聚合模块，所述全局上下文聚合模块包括全局上下文建模、通道依赖关系转换和特征融合。
[0028]优选地，所述卷积神经网络的训练过程，包括：
[0029]基于所述灾前雷达影像进行水体标注，构建雷达遥感影像的水体标注数据集；
[0030]以标记像素为中心、周围邻域像素组成的图像空间块为输入构建卷积神经网络；
[0031]根据所述水体标注数据集对所述卷积神经网络进行训练。
[0032]优选地，所述山体阴影区域的计算公式包括：
[0033]Hs＝255
×
((cos(Z)
×
cos(S))+(sin(Z)
×
sin(S)
×
cos(Az_math
‑
As)))
[0034][0035]式中，Z是卫星过境时的天顶角，即雷达卫星发射信号的方向和当地地平面之间的夹角；S是由高精度DEM数据算出的地面某一点坡度和坡向数据；Hs为0时表示雷达卫星过境时信号无法覆盖的山体阴影区域；Az_math是卫星轨道的地理方位角Az转为的数学方位角。
[0036]第二方面，本专利技术提供了一种耕地洪涝受灾分析装置，包括：
[0037]数据获取模块，用于获取耕地洪涝受灾区域的多源遥感数据；其中，所述多源遥感数据包括多光谱遥感影像、DEM数据、灾前雷达影像和灾后雷达影像；
[0038]要素提取模块，用于将所述多光谱遥感影像和所述DEM数据输入预先训练的耕地要素提取网络中，得到耕地要素空间分布结果；
[0039]水体提取模块，用于基于预先训练的卷积神经网络分别对所述灾前雷达影像和所述灾后雷达影像进行提取，得到新增水体区域；
[0040]全淹分析模块，用于对所述耕地要素空间分布结果和所述新增水体区域进行叠加，得到耕地全淹没区域；
[0041]河道划分模块，用于基于泰森多边形方法对所述DEM数据中的河道数据进行划分，得到子汇水区域；
[0042]高程计算模块，用于对所述耕地全淹没区域和所述子汇水区域进行叠加，并计算每一所述子汇水区域中的耕地全淹没区域的平均高程；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种耕地洪涝受灾分析方法，其特征在于，包括：获取耕地洪涝受灾区域的多源遥感数据；其中，所述多源遥感数据包括多光谱遥感影像、DEM数据、灾前雷达影像和灾后雷达影像；将所述多光谱遥感影像和所述DEM数据输入预先训练的耕地要素提取网络中，得到耕地要素空间分布结果；基于预先训练的卷积神经网络分别对所述灾前雷达影像和所述灾后雷达影像进行提取，得到新增水体区域；对所述耕地要素空间分布结果和所述新增水体区域进行叠加，得到耕地全淹没区域；基于泰森多边形方法对所述DEM数据中的河道数据进行划分，得到子汇水区域；对所述耕地全淹没区域和所述子汇水区域进行叠加，并计算每一所述子汇水区域中的耕地全淹没区域的平均高程；分别对每一所述子汇水区域进行高程对比，将低于所述平均高程的耕地确定为耕地半淹没区域。2.根据权利要求1所述的耕地洪涝受灾分析方法，其特征在于，所述基于泰森多边形方法对所述DEM数据中的河道数据进行划分，得到子汇水区域，包括：根据河流流向栅格数据得到属于同一流域盆地的所有已连接像元组，并定位窗口边缘的倾泻点和凹陷点；识别每一所述倾泻点上的汇流区域，构建初始子汇水区域；对所述DEM数据进行提取，得到未填洼条件下的水流方向图层，并确定各个所述初始子汇水区域的出水口；其中，水流方向栅格变化幅度小于或等于45
°
的所有倾斜点中地面高程最低的点或者相反水流方向指向的点为各个子汇水区域出水口；根据所述初始子汇水区域的出水口，将所有相邻所述出水口连成三角形，并对三角形各边作垂直平分线，将每个出水口周围的若干垂直平分线围成的多边形确定为子汇水区域。3.根据权利要求1所述的耕地洪涝受灾分析方法，其特征在于，所述基于预先训练的卷积神经网络分别对所述灾前雷达影像和所述灾后雷达影像进行提取，得到新增水体区域，包括：基于预先训练的卷积神经网络分别对所述灾前雷达影像和所述灾后雷达影像进行提取，得到初始水体区域；获取卫星过境时方位信息，并根据所述方位信息和所述DEM数据模拟得到卫星过境时的山体阴影区域；根据所述山体阴影区域对所述初始水体区域进行筛除，得到新增水体区域。4.根据权利要求1所述的耕地洪涝受灾分析方法，其特征在于，所述耕地要素提取网络的训练过程，包括：基于所述多光谱遥感影像，构建深度空谱融合的耕地要素提取网络；基于所述多光谱遥感影像、所述DEM数据和预设的耕地标注矢量图，构建耕地遥感影像的标注数据集；根据所述标注数据集对所述耕地要素提取网络进行训练。5.根据权利要求4所述的耕地洪涝受灾分析方法，其特征在于，所述耕地要素提取网络
的编码器包括全...

【专利技术属性】
技术研发人员：刘洋，胡鑫，黄淑娟，张佶，张明，张啸，李冠耀，程晓晖，
申请(专利权)人：广州市城市规划勘测设计研究院，
类型：发明
国别省市：