一种基于制造技术

本发明专利技术涉及一种基于

【技术实现步骤摘要】
一种基于GEE云平台和随机森林算法的水体提取方法


[0001]本专利技术属于计算机
，涉及一种基于
GEE
云平台和随机森林算法的水体提取方法
。

技术介绍

[0002]Google Earth Engine(GEE)
是一个基于
Google
云服务基础设施的遥感大数据分析平台，它结合
Google
强大的云计算能力与
NASA、ESA、NOAA
等机构的空间数据，用于在全球尺度解决一些重要的社会问题
。
[0003]词汇解释：
[0004]VV
极化波段：
"VV
极化
"
表示垂直
‑
垂直极化方式，也称为双极化方式，指雷达发射和接收信号都采用垂直方向的极化；
[0005]出光谱指数
MNDWI
：一种用于遥感图像中水体检测的指数，通常使用近红外
NIR
波段和短波红外
SWIR
波段的数据计算得出；
[0006]WIBI
：一种用于遥感图像中水体检测的指数，由
NDWI
指数减去
NDBI
指数计算得出；
[0007]accuracy
：描述测量结果与实际值之间的接近程度，指的是模型在测试数据集上正确分类的样本数与总样本数之间的比例；
[0008]kappa
系数：一种用于衡量分类器
、
模型或人类观察者在分类问题中的性能的统计指标
。
它考虑了分类结果中因随机性而产生的一致性，并将分类的正确性与纯粹的随机分类进行比较；
[0009]Green
：遥感图像中的绿色光谱波段，它是在可见光谱范围内的一个特定波长范围，对应于大约
500
纳米到
570
纳米的波长范围，这是绿色光的波长范围；
[0010]NIR
：近红外波段
。
近红外波段是电磁波谱中紧邻可见光谱红色端的一部分，波长略长于可见光谱的红光波长，通常在
700
纳米到
1400
纳米之间；
[0011]SWIR
：短波红外波段
。
短波红外波段是电磁波谱中位于可见光谱和近红外光谱之间的一部分，波长介于约
1400
纳米到
3000
纳米之间；
[0012]TP:True Positive(TP)
实际为正类，被正确预测为正类的样本数；
[0013]TN:True Negative(TN)
实际为负类，被正确预测为负类的样本数；
[0014]FP:False Positive(FP)
实际为负类，被错误预测为正类的样本数
(
误报
)
；
[0015]FN:False Negative(FN)
实际为正类，被错误预测为负类的样本数
(
漏报
)
；
[0016]Po
：观测到的分类一致性，即总体分类精度
。
[0017]Pe
：是随机分类的期望一致性，计算方法取决于实际情况
。
在最简单的情况下，假设类别分布是均匀的，
Pe
就是每个类别的预测比例的乘积之和
。
[0018]当前，普遍采用的水体提取技术主要基于传统的遥感影像处理技术，例如阈值分割
、
光谱分析
、
归一化水指数
(NDWI)
等方法
。
另一方面，有一些研究者尝试通过机器学习或者深度学习的方法来提取水体信息，这些方法通常需要大量的训练样本，并且计算复杂度相对较高
。
此外，也有一些研究者通过多源数据融合的方式来提取水体，例如将
Landsat、
MODIS、
哨兵等不同遥感数据融合使用
。
[0019]现有的水体提取技术虽然在一定程度上取得了成功，但仍存在一些问题和挑战
。
一方面，传统的水体提取方法在面对复杂的城市环境时，往往会出现噪声过多
、
误差大的问题
。
另一方面，虽然机器学习和深度学习方法在提取精度上有所提高，但需要大量的训练样本，并且计算复杂度相对较高，限制了其在大规模
、
实时的应用中的使用
。
而现有的多源数据融合方法，虽然能够利用多种遥感数据的优点，但是如何有效地融合这些数据，仍然是一个未解决的问题
。
[0020]鉴于以上问题，本专利技术提出了一种基于
GEE
多源遥感影像融合和
OTSU
分割的监督分类水体提取方法
。
该方法旨在利用
GEE
平台强大的遥感数据处理能力，以及
OTSU
分割和监督分类等方法的优点，以期解决现有水体提取方法在城市环境下的噪声过多
、
误差大的问题，同时也尝试通过有效的数据融合和分类策略，减少对大量训练样本的依赖，降低计算复杂度
。
此外，该方法也考虑了小水体的提取问题，以期在保证总体提取精度的同时，也能够准确地提取出小范围的水体信息
。

技术实现思路

[0021]有鉴于此，本专利技术的目的在于提供一种基于
GEE
云平台和随机森林算法的水体提取方法，以解决水体提取方法在城市环境下噪声过多
、
误差大的问题，减少对大量训练样本的依赖，降低计算复杂度
。
[0022]为达到上述目的，本专利技术提供如下技术方案：
[0023]一种基于
GEE
云平台和随机森林算法的水体提取方法，该方法包括以下步骤：
[0024]S1
：在
GEE
平台中提取
Sentinel
‑1影像中的
VV
极化波段，
Landsat8
提取对影像集合数据进行预处理，包括去云和缩放，并计算出光谱指数
MNDWI、WIBI
，并将波段融合至一个影像中；
[0025]S2
：通过最大类间方差法
OTSU
对
Sentinel
‑1影像
VV
波段进行水体图像分割，反向掩膜后随机采样非水体样本
3000
个；对
Sentinel
‑1影像
VV
波段经验阈值法提取水体作为参考，手动提取水体样本
800
个；
[0026]S3
：数据集切分为训练集和验证集，比例为8：2；
[0027]S4
：采用随机森林作为分类器进行监督分类；在
G本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
GEE
云平台和随机森林算法的水体提取方法，其特征在于：该方法包括以下步骤：
S1
：在
GEE
平台中提取
Sentinel
‑1影像中的
VV
极化波段，
Landsat8
提取对影像集合数据进行预处理，包括去云和缩放，并计算出光谱指数
MNDWI、WIBI
，并将波段融合至一个影像中；
S2
：通过最大类间方差法
OTSU
对
Sentinel
‑1影像
VV
波段进行水体图像分割，反向掩膜后随机采样非水体样本
3000
个；对
Sentinel
‑1影像
VV
波段经验阈值法提取水体作为参考，手动提取水体样本
800
个；
S3
：数据集切分为训练集和验证集，比例为8：2；
S4
：采用随机森林作为分类器进行监督分类；在
Google Earth Engine
云平台构建随机森林模型，设定生长树的数目
100
个和节点分裂时输入的特征变量5个；
S5
：验证结果的混淆矩阵，选取评价系数
accuracy
和
kappa
系数进行精度评价
、
采用噪声指标对结果进行噪声情况评价并导出影像
。2.
根据权利要求1所述的一种基于
GEE
云平台和随机森林算法的水体提取方法，其特征在于：所述光谱指数为
WIBI
，光谱指数方程为
NDWI
‑
NDBI
；光谱指数为
MNDWI
，光谱指数方程为
(Green
‑
SWIR)/(Gre...

【专利技术属性】
技术研发人员：朱盼盼，刘伟豪，万梓豪，谭仁俊，冯均成，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：