一种基于卫星遥感观测技术的地表水多要素提取方法技术

本发明专利技术公开了一种基于卫星遥感观测技术的地表水多要素提取方法，首先，获取卫星遥感影像数据；之后，通过adboost方法实现多深度学习模型U

【技术实现步骤摘要】
一种基于卫星遥感观测技术的地表水多要素提取方法


[0001]本专利技术涉及卫星遥感观测
，具体来说，涉及一种基于卫星遥感观测技术的地表水多要素提取方法。

技术介绍

[0002]遥感卫星作为对地观测的重要手段，是实现大范围、长时序稳定而真实的地表要素观察检测的重要平台。卫星遥感数据具有时空分辨率高、长时间连续观测等优势，可以弥补传统地面观测手段的不足，近年来被广泛运用于大气环境检测、地表环境检测
[2]等各种领域。因此，基于卫星遥感观测技术，可以对地表水的形态进行长时间序列的检测，结合其他技术，便可以对地表水形态进行提取。
[0003]目前，基于卫星遥感影像的水体提取理论主要包含目视解译法、单波段法、水体指数法、谱间关系法等。为准确得到水体信息，各个国家的学者进行了许多相关研究。单波段法根据遥感影像中水体在近红外波段或中红外波段的强吸收特征，设定阈值提取水体信息，但结果中往往存在较多混淆信息，识别精度相对较低。波段比值法通过绿光波段与近红外波段的比值运算，能够较好抑制植被信息，增强水体信息，但无法彻底抑制与水体无关的背景信息。在此基础上，一些学者发现多波段算法能使水体范围更加清晰，主要包括水体指数法和谱间关系法。归一化差异水体指数(NDWI)根据水体在近红外波段几乎无反射，而植被则在该波段反射率最强的特点，利用绿波段和近红外波段的反差，最大程度地抑制植被信息，突出水体信息。水体的演变是由多种因素综合引起的，其中既包括内力因素也包括外力因素，既包括人为因素也包括自然因素。通过对气候因子的整理分析，证实湖泊面积及周围的生态系统的变化主要归因于气候的改变，阐明了这些变化对生物多样性及其功能的影响。人类社会的不断发展也导致人为因素对水体的影响逐渐加深。由于大规模的围垦等人类活动的发生，湖泊面积在逐渐减少。各地区水体形态变化的原因各不相同，综合来看，人为因素的影响主要是在水利工程的修建、农田的围垦等，而自然因素主要是从降水量和蒸发量方面对水体面积产生影响。
[0004]正如上文所言，传统水体面积提取方法会将与水体无关的背景信息，诸如建筑物、山区等识别为水体，从而影响水体提取结果的精度。针对上述问题，如何提高水体提取结果的准确度成为人们亟须解决的技术问题。

技术实现思路

[0005]针对相关技术中的上述技术问题，本专利技术提出一种基于卫星遥感观测技术的地表水多要素提取方法，能够克服现有技术的上述不足。
[0006]为实现上述技术目的，本专利技术的技术方案是这样实现的：
[0007]一种基于卫星遥感观测技术的地表水多要素提取方法,包括如下步骤:
[0008]S1获取卫星遥感影像数据；
[0009]S2通过adboost方法实现多深度学习模型U
‑
Net、SegNet融合，进行水体面积的识
别提取；
[0010]S2的具体操作步骤如下：
[0011]S21将U
‑
Net和SegNet作为基础网络结构，通过卷积层获取样本的特征图，并分别通过池化层保留典型特征、通过反卷积层恢复特征图原有的尺度；
[0012]S22通过adboost将相对于上一轮的错误分类结果调整两者的权重比例，直至训练精度达到收敛，具体步骤如下：
[0013]S221初始化基础模型权值w
i
＝1/N，i＝1,2,3
‑
N，N为基础模型个数，利用式计算每轮训练的误差率(error rate，E
rrm
)，G
m
(x
i
)表示第m轮第i个基础模型的预测分类结果，I(y
i
≠G
m
(x
i
))表示第m轮训练第i个基础模型预测分类错误的概率；
[0014]S222在步骤S221的基础上计算重分配系数α
m
，通过公式对权值实现合理估算；
[0015]S223按照公式w
i
(update)＝w
i
·
exp(
‑
α
m
·
I(y
i
≠G
m
(x
i
)))更新基础模型权值，开始下一轮训练；
[0016]S3通过结合地面站以及激光测高卫星数据，实现长时间序列对某流域内水体水位高度分米级变化监测，并提取流域内水体面积、水位高度及水储量信息。
[0017]进一步地，所述S21中所述卷积层用于不断挖掘云的深层特征，获取更复杂的细节特征，并通过迭代更新、共享权值传递特征。
[0018]进一步地，所述S21中所述池化层用于通过简单的非线性操作减小所获取特征的大小、减小模型所需学习参数的数量。
[0019]进一步地，水位高度是指自由水面高出固定高程基准面的高程，计算公式如下：
[0020][0021]H
ortho
＝h
Alt
‑
h
Range
‑
h
Geoid
‑
(Δ
iono
+Δ
dry
+Δ
wet
+Δ
set
+Δ
pol
)
[0022]式中，h
Range
为卫星质心到水面的距离；c为光速，取值为常数；Δt为发射脉冲与接收脉冲的时间差；H
ortho
为湖泊水位正常高；h
alt
为测高仪的椭球高；h
Geoid
为大地水准面相对于参考椭球面的高程；Δ
iono
为电离层修正项；Δ
dry
为干对流层修正项；Δ
wet
为湿对流层修正项；Δ
set
为固体潮修正项；Δ
pol
为极潮修正项。
[0023]进一步地，水储量的估计公式如下：
[0024][0025]式中，ΔV表示第n年到n+1年之间的水储量变化，A表示对应年份所提取的水体面积，H表示对应年份的水位正常高。
[0026]本专利技术的有益效果：本专利技术通过获取卫星遥感影像数据，运用adboost方法实现多深度学习模型U
‑
Net、SegNet融合进行水体的识别，然后通过结合地面站以及激光测高卫星数据，实现长时间序列对某流域内水体水位高度分米级变化监测，并提取流域内水体面积、
水位高度及蓄水量等信息。与传统提取方法相比，本方法提取结果能准确识别水体轮廓、总体识别精度达到90％以上，且所提取水体轮廓保留了更多细节特征。
附图说明
[0027]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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。...

【技术保护点】

【技术特征摘要】
1.一种基于卫星遥感观测技术的地表水多要素提取方法,其特征在于，包括如下步骤:S1获取卫星遥感影像数据；S2通过adboost方法实现多深度学习模型U
‑
Net、SegNet融合，进行水体面积的识别提取；S2的具体操作步骤如下：S21将U
‑
Net和SegNet作为基础网络结构，通过卷积层获取样本的特征图，并分别通过池化层保留典型特征、通过反卷积层恢复特征图原有的尺度；S22通过adboost将相对于上一轮的错误分类结果调整两者的权重比例，直至训练精度达到收敛，具体步骤如下：S221初始化基础模型权值w
i
＝1/N，i＝1,2,3
‑
N，N为基础模型个数，利用式计算每轮训练的误差率(error rate，E
rrm
)，G
m
(x
i
)表示第m轮第i个基础模型的预测分类结果，I(y
i
≠G
m
(x
i
))表示第m轮训练第i个基础模型预测分类错误的概率；S222在步骤S221的基础上计算重分配系数α
m
，通过公式对权值实现合理估算；S223按照公式w
i
(update)＝w
i
·
exp(
‑
a
m
·
I(y
i
≠G
m
(x
i
)))更新基础模型权值，开始下一轮训练；S3通过结合地面站以及激光测高卫星数据，实现长时间序列对某流域内水体水位高度分米级变化监测，并提取流域内水体面积、水位高度及水储量信息。2.根据权利要求1所述的基于卫星遥感观测技术的地表水多要...

【专利技术属性】
技术研发人员：曹永强，么嘉棋，王梦然，
申请(专利权)人：天津师范大学，
类型：发明
国别省市：