一种基于机器学习的洪涝灾害遥感监测评估方法与流程

1.本发明涉及洪涝灾害监测评估技术领域，属于地图学与地理信息系统技术领域，尤其涉及一种基于机器学习的洪水监测及其风险评估方法。


背景技术：

2.洪涝灾害作为自然灾害的一种，往往是无法避免的。作为重要的非工程措施之一，洪涝灾害监测十分必要。目前，科学有效的洪水监测是防洪救灾的重要依据。遥感监测以其数据获取方便、影像分辨率较高、数据覆盖广等显著优点逐渐成为现代洪水灾害监测的主要手段。它能够有效弥补传统监测方法采样调查覆盖范围小，耗时耗力，花费大等不足，可为防洪决策和抗灾救灾工作提供重要支撑。遥感监测洪水的关键在于水体信息的提取，其主要使用传感器主动或被动的方式接受水体反射的信息，并利用灾前和灾后的水体信息进行叠加得到洪水淹没区域。
3.传统的遥感影像目标提取方法大多采用目视解译或基于像素信息进行处理，比如监督分类和非监督分类，其难以适用于高分辨率影像中的复杂场景。另外，基于传统光谱信息的水体提取未能考虑水体形状、纹理、大小、相邻关系等问题，且存在同物异谱、异物同谱现象，导致水体提取精度较低。
4.而当下基于机器学习方法能够有效解决这一问题，并且实现遥感影像水体的精细化提取分割和识别。机器学习是一类算法的总称，这些算法企图从大量历史数据中挖掘出其中隐含的规律，并用于预测或者分类，更具体的说，机器学习可以看作是寻找一个函数，输入是样本数据，输出是期望的结果，只是这个函数过于复杂，以至于不太方便形式化表达。需要注意的是，机器学习的目标是使学到的函数很好地适用于“新样本”，而不仅仅是在训练样本上表现很好。其中，当下最热门的就是机器学习中基于深度学习的遥感影像分类和识别，由于其分类精度要高于传统影像分类方法，因此备受大家的青睐。
5.基于深度学习的遥感影像水体解译，属于计算机视觉的语义分割领域，由于其对遥感影像识别和分类的精度优于传统的机器学习算法(支持向量机、最大似然法、面向对象法等算法)，其在近年来得到飞速的发展，被普遍应用于遥感影像的分类和检测领域。基于深度学习的遥感影像洪水水体识别在图像分类与目标检测任务上表现出了优异的性能，利用深度神经网络解决了目标检测中的目标分类与精确定位的问题。
6.在深度学习中，unet神经网络语义分割等的方法，可以针对小目标水体进行准确提取。针对遥感影像的传统人工目视解译分割方法效率低下和传统机器学习的遥感影像分割算法在复杂场景下准确率低、背景噪声多的问题，基于深度学习的方法可以有效提取背景复杂度较高的遥感图像特征，提高图像分割准确率，本发明利用unet神经网络分别对遥感影像进行洪水水体识别，完成神经网络模型的泛化性和验证，利用最优模型完成研究区无人机遥感影像洪水水体的快速且高精度的识别与提取，叠合研究区内的耕地、房屋、道路、水系等矢量数据，输出洪水灾害遥感专题图，并分析灾情信息，为应急救援提供地理信息数据支持。
7.随机森林是机器学习算法的一种，在当前的所有算法中，具有极好的准确率。随机森林(rf，random forest)是机器学习算法的一种，是基于决策树的一种改进算法。随机森林方法在样本和特征上进行随机选择，然后使用多个决策树进行运算，再将每个决策树的计算结果进行汇总，如果是分类，则是选择出现次数最多的类别，如果是回归，则计算所有结果的平均值。因此，随机森林可以在运算量没有显著提升的前提下提高预测的准确率。而且由于随机森林对多元线性不敏感，其对非平衡和有缺省值的数据也相对比较稳定。因此，基于气象数据、水文数据、地形、流域和河道的属性特征数据，通过训练随机森林模型的方法，用于预测洪水发生时，利用随机森林方法可以逐像元的判断其可能被洪水所覆盖的概率，从而估算出洪水可能淹没的范围。
8.本专利根据洪涝灾后地区的雷达遥感影像，经过数据预处理后，制作训练数据集样本库，针对遥感影像中的洪水水体，运用深度学习的方法，构建基于深度神经网络的洪水水体识别模型，自动化快速提取洪水水体。另外，依据气象、水文、地形和河道属性数据，利用机器学习中随机森林的方法，预测洪水发生后洪水的深度及其淹没的范围，并输出洪水灾害专题图以及评估灾情信息。


技术实现要素：

9.本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于机器学习的洪涝灾害遥感监测评估方法，旨在基于深度学习的方法对受洪灾的区域进行遥感监测，并且利用机器学习中随机森林的算法对洪水可能淹没的范围进行预测及灾情评估，可为防洪决策和抗灾救灾工作提供重要的数据和理论支撑。
10.为了达到上述目的，本发明采用以下技术方案予以实现：
11.一种基于机器学习的洪涝灾害遥感监测评估方法，
12.包含如下步骤：
13.步骤一：洪水淹没区范围提取的步骤；基于微波遥感的sentinel-1a sar数据，精确提取洪水淹没的区域；
14.步骤二：洪水覆盖区域水深估算的步骤；基于dem产品数据，用于估算洪水覆盖区域的水体深度；
15.步骤三：洪水范围预测及灾情评估的步骤；基于气象数据、地形数据、流域属性特征等的数据，用于预测洪水发生时的覆盖范围以及评估洪水带来的风险。
16.作为本发明公开的监测评估方法的一种优选实施方式：
17.所述步骤一为利用深度学习中的unet神经网络模型，提取洪水淹没的区域；所述洪水淹没区范围提取的步骤包含如下步骤：
18.步骤(1)：基于sentinel-1a sar数据洪水水体的样本选择，包括训练集、测试集和验证集；步骤(2)：基于步骤(1)的样本数据集，对unet神经网络模型构建、训练和优化；步骤(3)：利用验证样本数据集，对训练的模型进行验证和评估；步骤(4)：根据训练好的unet神经网络模型，对目标影像中的洪水区域进行识别和提取分割；
19.所述步骤二，洪水覆盖区域水深估算的步骤包含如下步骤：
20.步骤(10)：预处理洪水前后的影像以及洪水前后的矢量范围矢量边界；步骤(20)：海拔高度的提取模块，提取每个merit dem数据网格的海拔高度；步骤(30)：创建3d表面模
型模块，根据提取的海拔高度点，使用洪水边界点高程的插值方法创建3d表面模型；步骤(40)：洪水深度计算模块，通过对比dem产品和创建的洪水3d表面模型计算洪水深度；
21.所述步骤三，洪水范围预测及灾情评估的步骤包含如下步骤：
22.步骤(100)：基础数据变量的获取；所述基础数据变量包含气象数据、空间数据、水文数据和河道属性数据；所述气象数据包括历史及未来时段的降水、气温、相对湿度、风速、气压、短波辐射；所述空间数据包括数字高程模型、坡度、坡向、土壤属性、土地利用、土壤储水量和人口密度；所述水文数据包括流域边界、径流、河流水系矢量；所述河道属性数据包括河道深度及宽度、河道纹理特征、河道流通指数、水系动力指数；步骤(200)：利用spss统计分析各个变量之间的线性，去除变量之间的较强的线性关系；步骤(300)：基于以上数据构建随机森林分类模型算法；将以上所述基础数据作为x变量输入，洪水覆盖范围数据作为y因变量结果输入，训练随机森林模型，模拟出每个网格洪水发生的概率；步骤(400)：根据选取的洪水范围样本以评估模拟的洪水发生的概率结果；步骤(500)：根据模拟的洪水发生概率结果进行分类，筛选并聚类洪水发生概率较高的区域，确定洪水发生的范围；步骤(600)：根据步骤(500)的洪水淹没的范围情况，绘制区域的洪涝灾害范围图，并预估洪水淹没的耕地、道路以及城镇及乡村建设用地，精确估算出受灾人数，评估受灾情况。
23.作为本发明公开的监测评估方法的一种优选实施方式：所述步骤一包含模型样本数据集的制作的流程、unet神经网络模型进行构建及其训练的流程、洪水淹没区域的分割和提取的流程；
24.所述模型样本数据集的制作的流程为基于sentinel-1a sar遥感数据洪水水体的样本选择，最终选择的样本集包括训练集、测试集和验证集；
25.所述unet神经网络模型进行构建及其训练的流程基于上述的模型样本数据集，对unet神经网络模型进行构建及其训练和优化；
26.所述洪水淹没区域的分割和提取的流程根据训练好的unet神经网络模型，对目标影像中的洪水区域进行识别和提取分割。
27.作为本发明公开的监测评估方法的一种优选实施方式：采用unet网络将遥感图像进行水体与非水体分类，由下采样部分和上采样部分两部分组成；输入图像为3波段遥感图像，训练图片尺寸为256
×
256像素，输出图像为水体与非水体标注图；下采样部分主要由两个卷积3
×
3卷积层和两个relu层交叉组成，每一步下采样部分的输出结果都通过2
×
2步长的最大池化操作，再传输到下一个下采样部分；上采样部分为与编码部分对称的结构组成，只是编码部分中的结果要和同级解码部分进行连接，提升图片尺寸，不同的解码部分操作之间通过反卷积操作处理，实现图片尺寸的提高，最终获得与原始图片同尺寸的高维数特征；高维数特征再经过1次1
×
1卷积操作，获得对应类别数量的维数特征，最后经过softmax操作，输出图像为水体与非水体标注图。
28.作为本发明公开的监测评估方法的一种优选实施方式：洪水范围预测是基于未来气象、水文、地形、流域数据和河道的属性特征数据，通过训练随机森林模型的方法，用于预测洪水发生时，利用随机森林方法逐像元的判断其可能被洪水所覆盖的概率，从而估算出洪水可能淹没的范围；
29.随机森林的流程如下所示：
30.步骤s1：随机选择样本：假设样本集有n个样本，需要选择n个样本，则通过有放回
的形式每次从n个样本中选择1个样本，选择n次，作为每个决策树的根节点，n≤n；
31.步骤s2：随机选择特征计算：假设训练样本集有m个特征，则在每个节点分裂时选择m个特征，计算每个特征和特征值下的基尼系数，选择基尼系数最小值对应的特征和特征值对该节点进行分割，m《m；
32.步骤s3：重复步骤s2，直到所有节点不能够再分裂为止；
33.步骤s4：按照步骤s1—步骤s4训练大量的决策树，每个像元的类别根据每个决策树的分类结果进行投票，选择其中出现次数最多的类别作为该像元的属性。
34.作为本发明公开的监测评估方法的一种优选实施方式：所述步骤三的洪水范围预测及灾情评估的灾情评估是可能发生洪水区域的灾情评估；
35.所述可能发生洪水区域的灾情评估通过gis的方法，将洪水淹没范围与耕地数据，人口数据，道路数据，城市建设用地数据叠加进行灾情快速评估。分析洪水可能淹没的范围，定量的评估灾区范围内受灾的人口数量，计算出受灾的城镇及乡村的受灾面积，分析受洪水影响的道路，估算出耕地中受灾的面积，从而量化出受灾的情况。
36.作为本发明公开的监测评估方法的一种优选实施方式：所述步骤二中使用hsv和lab颜色空间的变换增强裁剪出的洪水覆盖区域的特征，得到增强影像；再通过预设阈值对前述增强影像进行过滤；对通过过滤的增强影像进行形态学处理，根据unet算法提取出洪水覆盖区域。
37.作为本发明公开的监测评估方法的一种优选实施方式：训练集样本的制作是基于python2.7的labelme工具进行训练集样本标注，并配合一些特定的python脚本进行训练集样本制作；主要过程如下：
38.步骤s10：数据准备和标注；选取研究区域的sentinel-1a sar、sentinel-2amsi各四幅，并采用融合算法进行融合处理，获得不同的融合图像，然后使用labelme工具进行标注处理，获得标注图；
39.步骤s20：标注数值规范和上色处理；卷积神经网络经过一系列的训练过程，最终将图片像素划分为不同的类别标注；实际操作中发现，样本标注由0开始，随着种类增加，数值逐1增加，样本颜色也要一一对应，例如：标注0对应红色，标注1对应绿色；
40.步骤s30：图像剪裁和增强处理。为方便训练和减少设备负担，需要将原图像和相应标注图进行固定尺寸剪裁处理，按照256
×
256像素尺寸进行剪裁；然后对剪裁后图像集合进行增强处理；对已经剪裁好的图片进行翻转处理，对样本数量进行扩充；最终获得sar、msi和不同融合图像的训练集样本，训练集样本数量为400
±
10个左右，尺寸为256
×
256像素。
41.本发明有益效果是：
42.本发明公开的一种基于机器学习的洪涝灾害遥感监测评估方法,具有以下技术优点：
43.(1)基于免费开源的遥感卫星sentinel-1a sar数据，其分辨率可达10m，卫星重访周期短，且卫星影像不受复杂天气情况的影响。
44.(2)基于深度学习的unet神经网络模型，可以精准且高效快速的提取洪水淹没的区域，大大缩短了目视解译和监督分类的时间。
45.(3)基于基础数据，可根据机器学习中随机森林的算法对洪水可能淹没的范围进
行预测及灾情评估，并且迅速绘制区域的洪涝灾害范围图，并预估洪水淹没的耕地、道路以及城镇及乡村等的建设用地，更精确的估算出受灾人数，评估可能受灾情况。
附图说明
46.图1为unet神经网络模型结构图；
47.图2为建立好的unet神经网络模型图像分类计算过程示意图；
48.图3-1和图3-2为unet神经网络模型提取和分割的洪水区域的示意图；
49.图4-1、4-2、4-3、4-4为unet网络将遥感图像进水体与非水体分类示意图；
50.图5为机器学习中随机森林方法预测洪水淹没范围的流程示意图；
51.图6为随机森林方法预测的洪水淹没范围结果图；
52.图7为计算洪水深度的流程示意图；
53.图8为预估洪水可能淹没的范围、预估洪水淹没时受灾人数的示意图；
54.图9为预估洪水淹没时建设用地可能受灾情况的示意图；
55.图10为预估洪水淹没时道路可能受灾情况的示意图；
56.图11为预估洪水淹没时耕地可能受灾情况的示意图；
具体实施方式
57.下面结合附图及实施例描述本发明具体实施方式：
58.实施例1
59.一种基于机器学习的洪涝灾害遥感监测评估方法，主要包括洪水淹没区范围的提取、洪水覆盖区域的水深估算和洪水的覆盖范围预测及灾情评估三个模块。其中:所述洪水淹没区范围提取模块，基于微波遥感的sentinel-1a sar数据，精确提取洪水淹没的区域；所述洪水覆盖区域的水深估算模块，基于dem产品数据，用于估算洪水覆盖区域的水体深度；所述洪水的范围预测及风险评估模块，基于气象数据、地形数据、流域属性特征等的数据，用于预测洪水发生时的覆盖范围以及评估洪水带来的风险。数字高程模型(digitalelevationmodel)，简称dem，它是用一组有序数值阵列形式表示地面高程的一种实体地面模型。
60.本发明公开的一种基于机器学习的洪水监测评估方法利用深度学习中的unet神经网络模型，可以精准且高效快速的提取洪水淹没的区域，所述洪水淹没区范围提取模块具体包括：
61.步骤1：基于sentinel-1a sar数据洪水水体的样本选择，包括训练集、测试集和验证集。
62.步骤2：基于上一步骤中的样本数据集，对unet神经网络模型的构建及其训练和优化。unet是一种比较年轻的神经网络，其结构为u形，在卷积层一层一层提取特征的同时将首尾对称的两层联系起来；
63.步骤3：利用验证样本数据集，对训练的模型进行验证和评估。
64.步骤4：根据训练好的unet神经网络模型，对目标影像中的洪水区域进行识别和提取分割。
65.所述洪水覆盖区域的水深估算模块具体步骤包括：
66.步骤1：预处理洪水前后的影像以及洪水前后的矢量范围矢量边界。
67.步骤2：海拔高度的提取模块，提取每个merit dem数据网格的海拔高度。
68.步骤3：创建3d表面模型模块，根据提取的海拔高度点，使用洪水边界点高程的插值方法创建3d表面模型。
69.步骤4：洪水深度计算模块，通过对比dem产品和创建的洪水3d表面模型计算洪水深度。
70.实施例2
71.如图所示，本发明公开的一种基于机器学习的洪涝灾害遥感监测评估方法，其执行步骤可概括为：
72.步骤一：模型样本数据集的制作；
73.1.基于sentinel-1a sar遥感数据洪水水体的样本选择，最终选择的样本集包括训练集、测试集和验证集。
74.训练集样本的制作是深度学习的基础环节，直接关系到训练过程能否正常进行。训练集样本主要是一些经过标注的图片。根据历史发生洪水的事件，搜寻一些包含有洪水区域的sentinel-1a sar和sentinel-2a msi遥感影像。
75.另外，利用sentinel-1a sar、sentinel-2a msi及其不同方法获得的融合图像作为数据源，自行标注和制作训练集样本。
76.本实施例使用基于python2.7的labelme工具进行训练集样本标注，并配合一些特定的python脚本进行训练集样本制作。主要过程如下：
77.(1)数据准备和标注。选取本实施例研究区域的sentinel-1a sar、sentinel-2a msi各四幅，并采用融合算法进行融合处理，获得不同的融合图像。然后使用labelme工具进行标注处理，获得标注图。
78.(2)标注数值规范和上色处理。卷积神经网络经过一系列的训练过程，最终将图片像素划分为不同的类别标注。实际操作中发现，样本标注由0开始，随着种类增加，数值逐1增加，样本颜色也要一一对应，例如：标注0对应红色，标注1对应绿色。
79.(3)图像剪裁和增强处理。为方便训练和减少设备负担，需要将原图像和相应标注图进行固定尺寸剪裁处理，本实施例按照256
×
256像素尺寸进行剪裁。然后对剪裁后图像集合进行增强处理，因为少量的图片，不足以使模型收敛，反而可能造成欠拟合现象，本实施例对已经剪裁好的图片进行翻转处理，对样本数量进行扩充。最终获得sar、msi和不同融合图像的训练集样本，训练集样本数量为400个左右，尺寸为256
×
256像素。
80.步骤二：unet神经网络模型进行构建及其训练；
81.基于步骤一中的样本数据集，对unet神经网络模型进行构建及其训练和优化。
82.unet神经网络是较早使用全卷积网络进行语义分割的算法之一，最初用于生物医学图像领域，unet神经网络创新性的使用了包含压缩路径(contracting path)和扩展路径(expansive path)的对称u形结构，左侧压缩路径负责特征提取，右侧扩展路径负责还原像素空间，unet神经网络是一个典型的没有全连接操作的全卷积网络，详见图1。
83.unet神经网络左侧的压缩路径是由卷积(convolution)和最大池化(max pooling)构成的下采样块(block)组成，总计包含4个下采样块，每个下采样块通过3个有效卷积和1个最大池化进行下采样操作，完成下采样操作后，其特征图(feature map)的个数
变成原来个数的2倍，详细计算过程见图2。unet神经网络右侧的扩展路径包含4个由反卷积(transposed convolution，又称转置卷积)构成的上采样块组成，特征图在经过每个上采样块之前，通过反卷积将其尺寸变为原来的2倍，同时将其个数减半，然后与左侧对称的压缩路径的特征图合并堆叠(concat)，经过扩展路径的上采样后，最终输出分割掩膜图。
84.unet网络的样本训练实验在个人计算机上进行，其配置情况如下：
85.操作系统为windows10和ubuntu18.04，模型训练过程在ubuntu18.04系统下进行，主要驱动和功能包括anaconda3.5.1，cuda8.0，cudnn7，pytorch0.4.1等。
86.步骤三：洪水淹没区域的分割和提取；
87.根据训练好的unet神经网络模型，对目标影像中的洪水区域进行识别和提取分割。
88.本发明采用unet网络将遥感图像进行水体与非水体分类，主要由下采样部分(down-sampling block)和上采样部分(up-sampling block)两部分组成，具体结构如图3所示。输入图像为3波段遥感图像，训练图片尺寸为256
×
256像素，输出图像为水体与非水体标注图。下采样部分对应图中蓝色部分，主要由两个卷积3
×
3卷积层和两个relu层交叉组成，每一步下采样部分的输出结果都通过2
×
2步长的最大池化操作，再传输到下一个下采样部分。上采样部分为与编码部分对称的结构组成，只是编码部分中的结果要和同级解码部分进行连接，提升图片尺寸，不同的解码部分操作之间通过反卷积(up-conv)操作处理，实现图片尺寸的提高，最终获得与原始图片同尺寸的高维数特征。高维数特征再经过1次1
×
1卷积操作，获得对应类别数量的维数特征，最后经过softmax操作，输出图像为水体与非水体标注图，见图4。
89.步骤四：洪水淹没区域范围的预测；
90.基于未来气象、水文、地形、流域数据和河道的属性特征数据，通过训练随机森林模型的方法，用于预测洪水发生时，利用随机森林方法可以逐像元的判断其可能被洪水所覆盖的概率，从而估算出洪水可能淹没的范围，具体流程见图5。
91.随机森林算法需要生成很多决策树，然后根据这些决策树的结果进行投票预测最终结果。由于有很多决策树组成，所以需要让这些决策树有所差异。产生差异的地方主要在两个地方：一是在选择样本时，每个决策数据都随机有放回的选择部分样本，一般来说会抽取样本的1/3左右，这样每个决策树都拥有着不完全一样的训练样本；二是每个决策树只随机选择部分特征，一般来说假如有m个特征，则随机选择m个特征进行分类。如此一来就生成了多种不同的决策树。
92.随机森林的流程如下所示：
93.(1)随机选择样本：假设样本集有n个样本，需要选择n(n≤n个样本，则通过有放回的形式每次从n个样本中选择1个样本，选择n次，作为每个决策树的根节点。
94.(2)随机选择特征计算：假设训练样本集有m个特征，则在每个节点分裂时选择m(m《m)个特征，计算每个特征和特征值下的基尼系数，选择基尼系数最小值对应的特征和特征值对该节点进行分割。
95.(3)重复步骤(2)，直到所有节点不能够再分裂为止。
96.(4)按照步骤(1)—步骤(3)训练大量的决策树，每个像元的类别根据每个决策树的分类结果进行投票，选择其中出现次数最多的类别作为该像元的属性。
97.对随机森林来说，影响其分类效果的主要因素有以下两个：
98.(1)森林中每颗树之间的相关性：每棵树与每棵树相关性越强，则每颗树的分类结果越具有相似性，导致随机森林的分类结果类似于单个决策树的分类结果，从而形成分类效果较差。
99.(2)森林中每棵树的分类效果：每棵树的分类效果越好，预测越准确，则综合每棵树的分类结果对数据进行预测，分类效果更好，泛化能力更强。由于在大场景下，数据计算较大，基于随机森林极好的准确率、容易实现并行化、计算速度较快以及可以评价各特征的重要程度等因素考虑，因此，本专利选择使用该方法开展sar图像大范围水体信息提取研究。
100.随机森林模型生成的洪水可能发生的概率分为五类，从非常低(0)到非常高(1)类。分级方法分别有等间隔、标准偏差、自然间断法等多种概率划分方法。本实施例使用相等间隔分类方法，因为它们分类均衡，没有级别的差距。
101.概率级别0-0.20.2-0.40.4-0.60.6-0.80.8-1概率分类非常低较低中等较高非常高
102.基于气象数据、水文数据、地形、流域和河道的属性特征数据，通过训练随机森林模型的方法，用于预测洪水发生时，利用随机森林方法可以逐像元的判断其可能被洪水所覆盖的概率，从而估算出洪水可能淹没的范围，详见图6。
103.步骤五：洪水可能淹没区域的水深估算；
104.洪水覆盖区域的水深估算及其淹没区域范围的预测模块具体步骤包括以下5步，如图7：
105.(1)预处理洪水前后的影像以及洪水前后的矢量范围矢量边界。
106.(2)海拔高度的提取模块，提取每个merit dem数据网格的海拔高度。
107.(3)创建3d表面模型模块，根据提取的海拔高度点，使用洪水边界点高程的插值方法创建3d表面模型。
108.(4)洪水深度计算模块，通过对比dem产品和创建的洪水3d表面模型计算洪水深度。
109.步骤六：可能发生洪水区域的灾情评估；
110.通过gis的方法，将洪水淹没范围与耕地数据，人口数据，道路数据，城市建设用地数据叠加进行灾情快速评估。分析洪水可能淹没的范围，定量的评估灾区范围内受灾的人口数量(见图8)，计算出受灾的城镇及乡村的受灾面积(见图9)，分析受洪水影响的道路(见图10)，估算出耕地中受灾的面积(见图11)，从而量化出受灾的情况。
111.评估结果有助于提高灾害应急响应能力，满足灾害监测应用需求和科学决策具有重要的意义。sar图像水体信息提取以及灾情评估。实现了当降水发生时，快速进行实时遥感数据获取，并对洪涝灾害遥感监测范围进行预测和评估；在灾情发生时，可高效开展洪涝信息提取和洪涝灾情的快速评估，实现洪水灾害的快速监测和应急处理。
112.实施例3
113.本实施例公开的一种基于机器学习的洪涝灾害遥感监测评估方法，实施例3与实施例2的基本流程一致，主要包括洪水淹没区范围的提取、洪水覆盖区域的水深估算和洪水的覆盖范围预测及灾情评估三个模块。在步骤二中，实施例3使用hsv和lab颜色空间的变换
增强裁剪出的洪水覆盖区域的特征，得到增强影像；再通过预设阈值对前述增强影像进行过滤；对通过过滤的增强影像进行形态学处理，根据unet算法提取出洪水覆盖区域。
114.综上，本发明包括洪水淹没区范围的提取、洪水覆盖区域的水深估算和洪水的覆盖范围预测及灾情评估三个模块。根据未来气象数据、水文数据、土地利用数据和流域、河道的属性特征数据，通过随机森林方法预测出洪水发生时可能淹没的范围和洪水的深度，从而进行受灾情况的分析和预估。其具体提取步骤与见于上述的实施例1的具体描述；
115.实施例4
116.本实施例公开了一种计算机可读介质，所述计算机可读介质存储有程序代码，当所述计算机程序代码在计算机上运行时，使计算机执行上述实施例一中的基于遥感的智能化的对洪水进行监测，并对受灾风险进行估算，具体提取步骤与前述实施例一相同，不再赘述。
117.在本技术各实施例中的各步骤过程可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。
118.上面结合附图对本发明优选实施方式作了详细说明，但是本发明不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化，这些变化涉及本领域技术人员所熟知的相关技术，这些都落入本发明专利的保护范围。
119.不脱离本发明的构思和范围可以做出许多其他改变和改型。应当理解，本发明不限于特定的实施方式，本发明的范围由所附权利要求限定。