本發(fā)明涉及遙感圖像處理與地理信息，具體涉及一種基于深度學(xué)習(xí)語義分割算法的光伏電站矢量數(shù)據(jù)集構(gòu)建方法。該方法綜合利用衛(wèi)星遙感影像數(shù)據(jù)、空間分析和人工智能技術(shù)，為光伏電站的精準(zhǔn)識(shí)別與高效管理提供技術(shù)支持。

背景技術(shù)：

1、隨著全球能源轉(zhuǎn)型的加速推進(jìn)，光伏電站作為重要的可再生能源形式，在能源結(jié)構(gòu)優(yōu)化和碳中和目標(biāo)實(shí)現(xiàn)中扮演著重要角色。然而，傳統(tǒng)的光伏電站分布信息獲取方式主要依賴人工調(diào)查或簡(jiǎn)單的影像解譯，存在效率低、精度不足等問題，難以滿足大規(guī)模區(qū)域監(jiān)測(cè)和動(dòng)態(tài)管理的需求。

2、近年來，隨著深度學(xué)習(xí)和遙感技術(shù)的快速發(fā)展，語義分割算法在復(fù)雜地物識(shí)別中的應(yīng)用逐漸成為研究熱點(diǎn)。通過語義分割技術(shù)，能夠從衛(wèi)星遙感影像中自動(dòng)提取光伏電站的空間分布信息，顯著提升信息提取的效率和精度。然而，在大規(guī)模區(qū)域應(yīng)用中，現(xiàn)有方法仍面臨多重技術(shù)挑戰(zhàn)，包括：數(shù)據(jù)來源多樣性導(dǎo)致的數(shù)據(jù)預(yù)處理和融合復(fù)雜化；分割模型在小目標(biāo)區(qū)域或邊界復(fù)雜區(qū)域的識(shí)別精度不足；大規(guī)模分割結(jié)果的后處理以及向矢量數(shù)據(jù)格式轉(zhuǎn)化缺乏系統(tǒng)化方法，導(dǎo)致數(shù)據(jù)質(zhì)量不一致且難以滿足標(biāo)準(zhǔn)化要求。

3、為此，本發(fā)明提出了一種基于深度學(xué)習(xí)語義分割算法的光伏電站矢量數(shù)據(jù)集構(gòu)建方法。該方法以開源衛(wèi)星遙感影像為主要數(shù)據(jù)源，結(jié)合歷史光伏電站數(shù)據(jù)和人口分布密度數(shù)據(jù)，通過空間分層抽樣算法進(jìn)行區(qū)域優(yōu)化采樣，利用基于dsfa-swinnet網(wǎng)絡(luò)的語義分割技術(shù)對(duì)光伏電站進(jìn)行精準(zhǔn)識(shí)別，并通過形態(tài)學(xué)處理、矢量化轉(zhuǎn)化和數(shù)據(jù)組織等技術(shù)步驟，構(gòu)建高精度的光伏電站矢量數(shù)據(jù)集。該發(fā)明助力光伏電站的精確定位和分布信息獲取，為大規(guī)模光伏電站的動(dòng)態(tài)監(jiān)測(cè)、科學(xué)規(guī)劃、精準(zhǔn)評(píng)估和智能化管理提供幫助。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的技術(shù)解決問題是：提出一種基于深度學(xué)習(xí)語義分割算法的光伏電站矢量數(shù)據(jù)集構(gòu)建方法，對(duì)衛(wèi)星遙感影像數(shù)據(jù)進(jìn)行高效處理與光伏電站精準(zhǔn)提取，實(shí)現(xiàn)大規(guī)模區(qū)域光伏電站分布的自動(dòng)化、高精度和一致性建模。與此同時(shí)，本發(fā)明能夠顯著提升光伏電站動(dòng)態(tài)監(jiān)測(cè)、科學(xué)規(guī)劃與智能化管理的效率，助力可再生能源領(lǐng)域的數(shù)字化轉(zhuǎn)型。

2、本發(fā)明的技術(shù)解決方案為：一種基于深度學(xué)習(xí)語義分割算法的光伏電站矢量數(shù)據(jù)集構(gòu)建方法，首先獲取開源衛(wèi)星遙感影像數(shù)據(jù)、歷史光伏電站數(shù)據(jù)、研究區(qū)域矢量數(shù)據(jù)以及人口分布密度數(shù)據(jù)，進(jìn)行地理配準(zhǔn)和矢量數(shù)據(jù)的漁網(wǎng)劃分，結(jié)合空間分層抽樣算法生成采樣區(qū)，并對(duì)其進(jìn)行光伏電站的人工標(biāo)注以形成光伏電站數(shù)據(jù)集元數(shù)據(jù)；其次，通過數(shù)據(jù)增強(qiáng)和樣本平衡等預(yù)處理步驟，構(gòu)建訓(xùn)練和驗(yàn)證集，利用dsfa-swinnet網(wǎng)絡(luò)進(jìn)行語義分割模型訓(xùn)練；隨后，基于訓(xùn)練好的分割模型對(duì)剩余研究區(qū)域遙感影像進(jìn)行光伏電站提取；最后，通過形態(tài)學(xué)處理、噪聲過濾、地理參考信息匹配和矢量化轉(zhuǎn)化等步驟，將分割結(jié)果整合為高質(zhì)量的矢量數(shù)據(jù)集，并按行政區(qū)縣進(jìn)行組織與存儲(chǔ)。其具體步驟如下：

3、(1)采集多源異構(gòu)數(shù)據(jù)，構(gòu)建光伏電站數(shù)據(jù)集元數(shù)據(jù)。

4、步驟(1)中，對(duì)于獲取的開源衛(wèi)星遙感影像數(shù)據(jù)、歷史光伏電站數(shù)據(jù)、研究區(qū)域矢量數(shù)據(jù)以及人口分布密度數(shù)據(jù)等多源異構(gòu)數(shù)據(jù)，采用標(biāo)準(zhǔn)數(shù)據(jù)結(jié)構(gòu)進(jìn)行數(shù)據(jù)規(guī)約。

5、進(jìn)一步，對(duì)多源異構(gòu)數(shù)據(jù)進(jìn)行高效存儲(chǔ)。既可以采用關(guān)系型數(shù)據(jù)庫(kù)，通過結(jié)構(gòu)化方式，也可以采用nosql數(shù)據(jù)庫(kù)，通過非結(jié)構(gòu)化方式，進(jìn)行數(shù)據(jù)的邏輯存儲(chǔ)與管理；既可以采用集中式高性能存儲(chǔ)設(shè)備，也可以采用分布式集群方式進(jìn)行光伏電站遙感影像數(shù)據(jù)的物理存儲(chǔ)與優(yōu)化。

6、更進(jìn)一步，為獲取光伏電站數(shù)據(jù)集元數(shù)據(jù)，具體步驟包括：

7、數(shù)據(jù)整合與地理配準(zhǔn)。從天地圖官網(wǎng)獲得衛(wèi)星影像數(shù)據(jù)的密鑰，利用qgis的tianditu?tool插件導(dǎo)入最新時(shí)相的在線衛(wèi)星影像。獲取并導(dǎo)入歷史光伏電站矢量數(shù)據(jù)、研究區(qū)域矢量數(shù)據(jù)以及人口分布密度柵格數(shù)據(jù)，按照統(tǒng)一的坐標(biāo)系標(biāo)準(zhǔn)進(jìn)行空間投影轉(zhuǎn)換，確保矢量數(shù)據(jù)與衛(wèi)星遙感影像數(shù)據(jù)的空間一致性。

8、漁網(wǎng)劃分研究區(qū)域矢量數(shù)據(jù)。采用漁網(wǎng)劃分方法，將(a)中研究區(qū)域矢量劃分為10000*10000米的均勻網(wǎng)格。

9、空間分層抽樣。以(a)中歷史光伏電站矢量數(shù)據(jù)和人口分布密度柵格數(shù)據(jù)為先驗(yàn)知識(shí)，統(tǒng)計(jì)(b)中每個(gè)網(wǎng)格要素的平均人口密度和歷史光伏電站面積。采用空間分層抽樣方法，在抽取指定數(shù)量的網(wǎng)格作為采樣區(qū)。

10、人工標(biāo)注光伏電站區(qū)域。使用ps軟件中多種選區(qū)工具手動(dòng)標(biāo)注(c)中采樣區(qū)衛(wèi)星遙感影像數(shù)據(jù)的光伏電站。利用python腳本統(tǒng)一標(biāo)簽顏色，將光伏電站標(biāo)注為白色(255，255，255)，非光伏電站標(biāo)注為黑色(0，0，0)，并將標(biāo)注結(jié)果保存為png格式，作為樣本標(biāo)簽數(shù)據(jù)。將標(biāo)簽數(shù)據(jù)與衛(wèi)星遙感影像數(shù)據(jù)一一對(duì)應(yīng)，命名相同，樣本標(biāo)簽數(shù)據(jù)和衛(wèi)星遙感影像數(shù)據(jù)初步構(gòu)成光伏電站數(shù)據(jù)集元數(shù)據(jù)。

11、(2)對(duì)步驟(1)中獲取的光伏電站數(shù)據(jù)集元數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理與增強(qiáng)，構(gòu)建光伏電站分割樣本數(shù)據(jù)集，具體步驟包括：

12、通道調(diào)整。去除衛(wèi)星遙感影像數(shù)據(jù)的alpha通道，復(fù)制標(biāo)簽數(shù)據(jù)的單通道以生成三通道標(biāo)簽數(shù)據(jù)，使兩者均為三通道格式。

13、影像數(shù)據(jù)優(yōu)化。對(duì)(a)中的衛(wèi)星遙感影像數(shù)據(jù)進(jìn)行直方圖均衡化和gamma校正以增強(qiáng)圖像對(duì)比度。

14、圖像切割。將(b)中的標(biāo)簽數(shù)據(jù)和衛(wèi)星遙感影像數(shù)據(jù)切割為256*256像素的不重疊瓦片。

15、圖像清洗。過濾(c)中切割后的樣本標(biāo)簽數(shù)據(jù)中非光伏電站區(qū)域占比小于5％或大于95％的樣本，以排除大部分無光伏區(qū)域的影像，為模型訓(xùn)練和精度評(píng)估提供均衡的正負(fù)樣本分布。自此原始光伏電站樣本數(shù)據(jù)庫(kù)構(gòu)建完成。

16、數(shù)據(jù)增強(qiáng)。將(d)中標(biāo)簽數(shù)據(jù)和衛(wèi)星遙感影像數(shù)據(jù)使用python腳本進(jìn)行五種數(shù)據(jù)增強(qiáng)，分別為水平翻轉(zhuǎn)、亮度減弱、亮度增強(qiáng)、疊加高斯噪點(diǎn)和隨機(jī)縮放，再和(d)中樣本數(shù)據(jù)庫(kù)拼接后得到數(shù)據(jù)增強(qiáng)后光伏電站樣本數(shù)據(jù)庫(kù)。

17、訓(xùn)練集與驗(yàn)證集劃分。將步驟(e)獲取的光伏電站樣本數(shù)據(jù)庫(kù)中樣本和樣本標(biāo)簽一一對(duì)應(yīng)按照8:2的比例分為訓(xùn)練集train和驗(yàn)證集val，得到光伏電站分割樣本數(shù)據(jù)集。

18、(3)對(duì)步驟(2)中獲取的光伏電站樣本數(shù)據(jù)庫(kù)進(jìn)行光伏電站語義分割，構(gòu)建光伏電站分割模型，具體步驟包括：

19、(a)構(gòu)建光伏電站分割模型。dsfa-swinnet模型的主干采用swin-transformer提取光伏電站特征，利用其優(yōu)秀的窗口和分層思想，克服傳統(tǒng)cnn分割方法在局部感受野方面的限制，從而更有效地捕捉衛(wèi)星遙感影像中的長(zhǎng)程依賴關(guān)系。為緩解swin-transformer主干網(wǎng)絡(luò)固定窗口大小的局限性，本發(fā)明基于物理要素的約束條件，設(shè)計(jì)一種動(dòng)態(tài)窗口調(diào)整策略，力求在提取精度方面取得優(yōu)異表現(xiàn)的同時(shí)，提升模型的計(jì)算效率，增強(qiáng)模型在光伏目標(biāo)檢測(cè)任務(wù)中的適應(yīng)性和實(shí)用性。模型采用精細(xì)化跳躍連接策略，集成了dsfa注意力機(jī)制，并將編碼器下兩層的輸出特征圖連接至par瓶頸結(jié)構(gòu)，通過動(dòng)態(tài)解耦空間域與頻率域的多尺度特征表征，進(jìn)一步豐富其對(duì)特征內(nèi)部細(xì)節(jié)的理解，提升模型在細(xì)粒度光伏電站檢測(cè)中的能力。最終，構(gòu)建一個(gè)多級(jí)上采用頭將瓶頸結(jié)構(gòu)和四層解碼器的輸出特征圖進(jìn)行二分類，并上采樣為輸入數(shù)據(jù)的逐像素結(jié)果，作為網(wǎng)絡(luò)的輸出序列。

20、(b)模型超參數(shù)調(diào)優(yōu)。使用ray?tune自動(dòng)化調(diào)參工具，結(jié)合網(wǎng)格搜索和貝葉斯優(yōu)化算法，對(duì)(a)中的dsfa-swinnet模型進(jìn)行超參數(shù)調(diào)優(yōu)。調(diào)優(yōu)實(shí)驗(yàn)關(guān)注損失函數(shù)權(quán)重超參數(shù)、學(xué)習(xí)率超參數(shù)以及dropout率。從光伏電站分割樣本數(shù)據(jù)集的訓(xùn)練集train中隨機(jī)抽取1250張樣本進(jìn)行參數(shù)搜索實(shí)驗(yàn)，樣本和樣本標(biāo)簽一一對(duì)應(yīng)按照3:1的比例劃分訓(xùn)練集和驗(yàn)證集，其中訓(xùn)練集1000張，驗(yàn)證集250張。每個(gè)參數(shù)實(shí)驗(yàn)進(jìn)行30輪次，按照學(xué)習(xí)率超參數(shù)、損失函數(shù)權(quán)重超參數(shù)以及dropout率依次調(diào)參，保存每個(gè)超參數(shù)的最優(yōu)結(jié)果并修改初始值。訓(xùn)練過程中采用深度監(jiān)督策略，網(wǎng)絡(luò)的輸出序列中來自瓶頸結(jié)構(gòu)和后三層解碼器的輸出特征圖用于計(jì)算輔助損失，以監(jiān)督模型學(xué)習(xí)更多的特征表示，解碼器最頂層的輸出特征圖作為主損失，使模型能夠更有效地捕捉到不同尺度的光伏電站特征信息。

21、(c)模型訓(xùn)練與保存。使用(b)中優(yōu)化超參數(shù)組合訓(xùn)練模型，保存包含最優(yōu)權(quán)重的分割模型。

22、(3)基于(2)所得光伏電站分割模型和最優(yōu)超參數(shù)結(jié)果對(duì)研究區(qū)域遙感影像數(shù)據(jù)集進(jìn)行分割，構(gòu)建研究區(qū)域光伏電站預(yù)測(cè)結(jié)果數(shù)據(jù)集，具體步驟包括：

23、(a)衛(wèi)星遙感影像數(shù)據(jù)預(yù)處理。對(duì)剩余研究區(qū)域遙感影像進(jìn)行通道處理、直方圖均衡化和gamma校正以及填充和剪裁。

24、(b)光伏電站分割。將(a)中瓦片數(shù)據(jù)放入模型測(cè)試集中，利用光伏電站分割模型對(duì)測(cè)試集進(jìn)行光伏電站特征分割，并存儲(chǔ)光伏電站預(yù)測(cè)結(jié)果為tif格式。

25、(4)對(duì)步驟(3)中獲取的全部區(qū)域分割預(yù)測(cè)結(jié)果進(jìn)行優(yōu)化和矢量化處理，構(gòu)建研究區(qū)光伏電站矢量數(shù)據(jù)集，具體步驟包括：

26、(a)柵格拼接與剪裁。按照文件名編號(hào)將瓦片拼接為完整的柵格影像。按照填充記錄剪裁還原數(shù)據(jù)大小。

27、(b)噪聲過濾與邊界優(yōu)化。使用canny邊緣檢測(cè)算法對(duì)(a)中拼接后的柵格數(shù)據(jù)進(jìn)行噪聲過濾，去除由于分割模型誤識(shí)別產(chǎn)生的孤立點(diǎn)或小區(qū)域噪聲。結(jié)合形態(tài)學(xué)處理技術(shù)(如膨脹、腐蝕等)優(yōu)化光伏電站邊界，提升邊界的平滑度與精度，確保光伏電站的空間邊界完整且準(zhǔn)確。

28、(c)地理參考信息匹配。提取衛(wèi)星遙感影像數(shù)據(jù)中的地理坐標(biāo)系信息和投影參數(shù)復(fù)制給(b)中對(duì)應(yīng)柵格數(shù)據(jù)，確保光伏電站分割結(jié)果與真實(shí)地理空間的精確對(duì)接。

29、(d)矢量轉(zhuǎn)化與組織。根據(jù)行政區(qū)縣劃分，使用專業(yè)地理信息處理軟件arcmap將(c)中處理后的柵格數(shù)據(jù)進(jìn)行逐分辨率的矢量化轉(zhuǎn)化。對(duì)生成的光伏電站矢量數(shù)據(jù)進(jìn)行地理信息整合，結(jié)合研究區(qū)的行政區(qū)縣劃分進(jìn)行組織和存儲(chǔ)，形成符合標(biāo)準(zhǔn)化要求的光伏電站矢量數(shù)據(jù)集。

30、本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于：

31、1、提供了一種基于深度學(xué)習(xí)語義分割算法的光伏電站提取方法，相較現(xiàn)有的技術(shù)，dsfa-swinnet模型采用集成動(dòng)態(tài)窗口調(diào)整策略的swin-transformer主干網(wǎng)絡(luò)，提出了dsfa注意力機(jī)制和par瓶頸結(jié)構(gòu)，分別從局部和全局圖像級(jí)別提取特征，使得dsfa-swinnet更好的融合上下文信息，在光伏電站的特征提取上表現(xiàn)出更高的精度和效率。與傳統(tǒng)方法相比，該模型分割耗時(shí)更短，能夠有效減少計(jì)算資源消耗。同時(shí)，模型通過優(yōu)化的深度監(jiān)督策略，確保了分割結(jié)果更準(zhǔn)確，能夠滿足大規(guī)模區(qū)域光伏電站自動(dòng)化檢測(cè)的需求，為智能化管理提供了有力支持。

32、2、該方法通過結(jié)合空間分層抽樣和數(shù)據(jù)增強(qiáng)等預(yù)處理手段，構(gòu)建了高質(zhì)量的光伏電站分割樣本數(shù)據(jù)庫(kù)。利用dsfa-swinnet模型對(duì)衛(wèi)星遙感影像進(jìn)行高效的光伏電站提取，精度高且計(jì)算效率顯著提升。與傳統(tǒng)的圖像處理方法相比，本發(fā)明不僅大大降低了人工干預(yù)需求，還提高了大范圍光伏電站檢測(cè)的自動(dòng)化水平。該方法能夠滿足快速、精準(zhǔn)檢測(cè)的需求，適用于大規(guī)模光伏電站區(qū)域的監(jiān)測(cè)與分析。