基于多源数据的黄土高原淤地坝提取方法

1.本发明属于水土保持和国土资源监测技术，具体涉及一种基于高分辨率遥感影像和dem的淤地坝自动化提取方法。


背景技术：

2.黄河流域地形破碎，沟壑纵横，土层深厚，水土流失严重，且经过多年的淤地坝建设，已经形成了主沟坝系和子坝系，以其为样区建立的流域侵蚀基准体系具有一定的代表性。中国水资源丰富，尤其黄河流域，特殊的地貌条件和气候条件造成该区域沟床下切、沟头延伸，水土流失严重。为了解决水土流失这一世界难题，全球水利工作者们做了许多努力和尝试，淤地坝是极为有效的工程措施。淤地坝通过“拦、蓄、淤”，既能将洪水、泥沙就地拦蓄，有效防止水土流失，又能淤泥造地，充分利用水沙资源，改变农业生产基本条件，改善当地生态环境，是一项独特的水土保持工程措施。然而，随着淤地坝不断投入使用，大量的淤地坝却基本都是采用人工调查，这就需要一个统一的方案将各地淤地坝信息进行整合，进一步研究实现智能化和数字化管理，为数据信息的使用提供更加便捷的服务。


技术实现要素：

3.发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于高分辨率遥感影像和dem的多源数据的黄土高原淤地坝提取方法，为水土保持监测和国土资源调查等有关部门提供基础数据和决策支持。
4.技术方案：本发明的一种基于高分辨率遥感影像和dem的多源数据的黄土高原淤地坝提取方法，包括以下步骤：
5.(1)构建淤地坝样本数据集，包括若干高分辨率遥感影像数据及其对应的标签；
6.(2)构建淤地坝识别神经网络，利用步骤(1)中的淤地坝样本数据集，对神经网络进行训练，得到淤地坝识别模型；
7.(3)获取研究区域的高分辨率遥感影像数据和dem；使用步骤(2)中的淤地坝识别模型，对研究区域的高分辨率遥感影像数据中的淤地坝范围进行识别；
8.(4)对研究区域的dem进行填洼、流向计算，生成汇流累积量数据；
9.(5)用步骤(3)中识别出的淤地坝范围对步骤(4)中得到的汇流累积量数据进行裁剪，得到每个淤地坝范围内的流量数据；
10.(6)步骤(5)中得到的每个淤地坝范围内的流量数据的最大值对应的位置，即为淤地坝的位置。
11.进一步的，所述步骤(2)中所用的神经网络框架是u-net框架。
12.进一步的，所述步骤(4)中计算流向采用的是d8单流向模型。
13.进一步的，所述步骤(4)所述步骤(4)中计算流量得到的结果是上游区域的累积流量，上游每个像元的流量权重值均设为1。
14.进一步的，所述步骤(4)中累积流量基于流入输出栅格中每个像元的总像元数或
部分像元数。累积中不会考虑当前处理的像元。
15.进一步的，所述步骤(6)具体为：对每个淤地坝范围内的流量数据进行窗口分析，统计窗口中的最大值，并赋给中心栅格，得到最大汇流量统计栅格；将最大汇流量统计栅格减去步骤(5)中对应的淤地坝范围内流量数据，值为0的像元视为淤地坝的位置。
16.进一步的，所述窗口是矩形，矩形邻域是通过提供以像元或地图单位定义的宽度和高度进行指定的；仅将中心处于定义对象内的像元作为矩形邻域的一部分进行处理。
17.进一步的，所述窗口大小是25*25。
18.有益效果：本发明提供了自动化淤地坝提取方法，节省了野外调查的时间与人力物力的成本，能为水土保持监测和淤地坝的调查、布局、建设等工程提供更丰富、便利的基础数据。
附图说明
19.图1是本发明提供的淤地坝提取方法的流程图；
20.图2是实施例样区高分辨率遥感影像和dem；
21.图3是淤地坝范围训练样本数据(部分)；
22.图4是淤地坝范围提取结果；
23.图5是流量计算结果；
24.图6是淤地坝范围内的流量；
25.图7是淤地坝点位提取结果图。
具体实施方式
26.下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
27.如图1所示，本发明的一种基于高分辨率遥感影像和dem的淤地坝自动化提取方法，依次包括以下步骤：
28.(1)构建淤地坝样本数据集，包括若干高分辨率遥感影像数据及其对应的标签；
29.(2)构建淤地坝识别神经网络，利用步骤(1)中的淤地坝样本数据集，对神经网络进行训练，得到淤地坝识别模型；
30.(3)获取研究区域的高分辨率遥感影像数据和dem；使用步骤(2)中的淤地坝识别模型，对研究区域的高分辨率遥感影像数据中的淤地坝范围进行识别；
31.(4)对研究区域的dem进行填洼、流向计算，生成汇流累积量数据；
32.(5)用步骤(3)中识别出的淤地坝范围对步骤(4)中得到的汇流累积量数据进行裁剪，得到每个淤地坝范围内的流量数据；
33.(6)步骤(5)中得到的每个淤地坝范围内的流量数据的最大值对应的位置，即为淤地坝的位置。
34.实施例：
35.针对如图2所示的样区高分辨率遥感影像，采用以下步骤：
36.步骤一，首先获取高分辨率遥感影像，并利用已有的底图资料进行裁剪，得到陕西省绥德县韭园沟流域，该区域属于黄土丘陵沟壑第i副区，面积约为70km2。本例中使用的高
分辨率遥感影像为0.5m分辨率的google earth影像，裁剪后的影像如图2所示；使用的dem的影像分辨率为5米。
37.步骤二，先输入高分辨率遥感影像和样本标签数据构成的样本数据(如图3所示)，通过一系列卷积、池化等操作，构建并训练神经网络，该方法中使用的框架为u-net框架。
38.步骤三，使用步骤二构建的神经网络对遥感影像中的淤地坝范围进行识别，提取该流域的淤积范围(如图4所示)，并采用混淆矩阵和f值对提取结果进行定量评价。
39.步骤四，对研究区的dem进行填洼、流向计算，最后生成汇流累积量数据(如图5所示)。
40.步骤五，用步骤三中提取的淤积范围对步骤四中得到的汇流累积量进行裁剪，得到每个淤地坝范围内的流量数据(如图6所示)。
41.步骤六，对步骤五中得到的淤地坝范围内的流量数据进行窗口分析，统计窗口中的最大值，并赋给中心栅格，得到最大汇流量统计栅格。
42.步骤七，将步骤六中的到的得到最大汇流量统计栅格减去步骤五中对应淤地坝的流量数据，得到淤地坝的位置。
43.步骤八，栅格转点，将步骤七中得到的连接栅格转换成矢量点，即得到淤地坝。最终结果如图7所示，通过与原始影像叠加显示，可以发现其匹配精度较好，几乎所有的淤地坝均被成功的提取。
44.对于最终的黄土高原淤积面积和淤地坝提取结果，采用混淆矩阵和f值进行定量评价，公式如下：
45.precision精度＝tp/(tp+fp)
46.recall敏感度＝tp/(tp+fn)
47.f＝2*precision*recall/(precision+recall)
48.正确度＝正确点的个数/总点的个数
49.完整率＝提取的正确个数/真实值(真实值做邻域分析，小于50米(坝的平均宽度为50米，所以选取50米做)的为正确，大于50米的为错误)
50.其中实际淤积面积和实际淤地坝由人工目视解译得到。
51.定量评价结果如表1所示，本发明所提取的淤积范围，精度、敏感度均在70％以上，f值在80％左右；即本发明具有较高的精度和实用性。
52.表1
53.区域精度敏感度f支流173％70％72％支流292％85％89％支流387％86％87％支流480％93％86％支流575％84％80％
54.淤地坝的正确度为81％；完整率为89％。
55.应当指出，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也在本技术权利要求的保护范围内。