本發(fā)明涉及遙感目標(biāo)識別的，特別是一種基于高精度遙感影像的小型水庫批量提取方法。

背景技術(shù)：

1、小型水庫對地表徑流有顯著影響。首先，很多模型從業(yè)者提出小型水庫蓄水是影響模型精度的因素之一；其次，小型水庫提供了大量的供水和灌溉能力，第三，小型水庫更容易發(fā)生潰壩，可能導(dǎo)致山洪、泥石流等災(zāi)害，造成損失。全球有大量以水庫為代表的水利工程，其中大型水庫名錄和分布相對清晰，但小型水庫位置、數(shù)量則不太明確。另一方面，隨著水庫運(yùn)行年限增加，不少水庫會有序報(bào)廢，實(shí)際使用的水庫數(shù)量是動態(tài)變化的。因此，快速及時(shí)獲取在用小型水庫信息，對山洪災(zāi)害預(yù)測、中小河流洪水預(yù)報(bào)等工作具有重要價(jià)值。

2、目前認(rèn)可度較高的水庫數(shù)據(jù)集包括hydrolakes、osm、gdat、the?global?damtracker、goodd、grand、geodar、aquastat、世界水壩登記冊?（wrd）等，但這些數(shù)據(jù)產(chǎn)品主要記錄了大型水庫和部分中型水庫,?缺乏對小型水庫的整理和記錄。

3、申請?zhí)枮閏n110826394a的發(fā)明專利申請公開了基于卷積神經(jīng)網(wǎng)絡(luò)算法的水庫識別方法和裝置，該方法包括以下步驟：步驟1、預(yù)先建立結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的水庫分類神經(jīng)網(wǎng)絡(luò)模型，并利用制作的水庫和非水庫遙感圖像對水庫分類神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；步驟2、對于新輸入的原始有遙感影像，利用水體敏感波段，提取出影像中水體的區(qū)域，再利用形態(tài)學(xué)操作，鎖定塊狀水體區(qū)域，并將該區(qū)域在原始影像中進(jìn)行裁剪；步驟3、將裁剪后的影像統(tǒng)一縮小為相同的正方形大小；步驟4、影像統(tǒng)一放入水庫分類神經(jīng)網(wǎng)絡(luò)模型進(jìn)行判別，識別出水庫區(qū)域。該方法的缺點(diǎn)是只采用單期遙感影像進(jìn)行水庫提取，而單期遙感影像存在水庫干涸或水面過小而無法提取水體的情況，尤其在長期干旱情況下大量小水庫無水面或水面過小是非常普遍的問題，因此會漏掉很多水庫，尤其是小型水庫。

4、申請?zhí)枮閏n109754025a的發(fā)明專利申請公開了一種結(jié)合水文模擬和連續(xù)遙感影像的無資料小水庫參數(shù)識別方法，包括以下步驟：步驟1、確定無資料小水庫庫區(qū)及上游流域范圍；步驟2、確定水庫泄流參數(shù)及泄流曲線；步驟3、驗(yàn)證水庫泄流參數(shù)及泄流曲線；步驟4、識別水庫運(yùn)行模式。該方法的缺點(diǎn)是首先要確定小水庫的位置，在此基礎(chǔ)上識別小水庫的庫區(qū)范圍以及提取水庫參數(shù)，無法實(shí)現(xiàn)在未知小水庫位置和分布的情況下，實(shí)現(xiàn)大范圍小水庫對象的識別與提取。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述的技術(shù)問題，本發(fā)明提出的一種基于高精度遙感影像的小型水庫批量提取方法，融合多年高分辨率土地利用數(shù)據(jù)，利用水面出現(xiàn)頻率和土地利用、植被、人口分布等環(huán)境數(shù)據(jù)排除湖泊、河流等水體數(shù)據(jù)，利用機(jī)器學(xué)習(xí)圖像識別算法，從大量水體面中提取出小型水庫。

2、本發(fā)明的目的是提供一種基于高精度遙感影像的小型水庫批量提取方法，包括收集多年的高分辨率土地分類數(shù)據(jù)，還包括以下步驟：

3、步驟1：融合所述高分辨率土地分類數(shù)據(jù)；

4、步驟2：利用多源數(shù)據(jù)從水體多邊形中去除無水庫分布區(qū)域的多邊形；

5、步驟3：利用水體多邊形從高清遙感影像中截取圖片并標(biāo)注；

6、步驟4：構(gòu)建并訓(xùn)練機(jī)器學(xué)習(xí)圖像分類模型，對圖片進(jìn)行分類。

7、優(yōu)選的是，所述高分辨率土地分類數(shù)據(jù)為柵格圖層，柵格屬性值為數(shù)字，不同數(shù)字表示不同的土地利用類型。

8、在上述任一方案中優(yōu)選的是，所述步驟1包括以下子步驟：

9、步驟11：提出其中的水體類型，形成新的逐年的柵格圖層，并將柵格的屬性值統(tǒng)一賦值為1；

10、步驟12：對所有年份的柵格進(jìn)行加和處理，得到一個(gè)新的柵格圖層：

11、

12、其中， n為年份數(shù)， v i為第 i年的柵格值， v為加和運(yùn)算之后的柵格值， v在0- n之間；

13、步驟13：根據(jù) v值，生成兩個(gè)新的柵格圖層，利用arcgis軟件中的rastertopolygon工具，將兩個(gè)柵格圖層轉(zhuǎn)換為兩個(gè)矢量圖層，分別為polygon1和polygon2；

14、步驟14：根據(jù)兩個(gè)矢量圖層中多邊形的面積，提取得到兩個(gè)新的矢量圖層。

15、在上述任一方案中優(yōu)選的是，所述步驟13包括當(dāng) v≥1時(shí)，為第一個(gè)柵格圖層；當(dāng) v≥2時(shí)，為第二個(gè)柵格圖層。

16、在上述任一方案中優(yōu)選的是，所述步驟14包括從polygon1中提取面積大于第一面積閾值的多邊形，生成layer1；從polygon2中提取面積大于第而面積閾值的多邊形，生成layer2。

17、在上述任一方案中優(yōu)選的是，所述步驟14還包括利用arcgis軟件的空間選擇工具，從polygon2中選擇和polygon1中交叉的多邊形，并從polygon2中去除。

18、在上述任一方案中優(yōu)選的是，所述步驟2包括以下子步驟：

19、步驟21：在所述polygon2基礎(chǔ)上，收集流域圖層屬性，每個(gè)流域的面積小于第一面積閾值，按照流域圖層屬性要求分別提取三個(gè)流域圖層，并分別對這三個(gè)圖層進(jìn)行dissolve處理，并去除離散的流域；

20、步驟22：利用三個(gè)所述流域圖層與polygon2疊加，選擇有交叉的多邊形，并從polygon2中去除。

21、在上述任一方案中優(yōu)選的是，所述流域圖層屬性包括平均坡度、人口數(shù)量和積雪覆蓋屬性。

22、在上述任一方案中優(yōu)選的是，所述流域圖層屬性要求為：

23、1）平均坡度小于2度；

24、2）人口數(shù)量為0；

25、3）積雪覆蓋率大于80%。

26、在上述任一方案中優(yōu)選的是，所述離散的流域的判斷標(biāo)準(zhǔn)為鄰接在一起的流域單元少于5個(gè)。

27、在上述任一方案中優(yōu)選的是，所述步驟3包括以下子步驟：

28、步驟31：在水體多邊形圖層下疊加在線高清影像，逐個(gè)導(dǎo)出多邊形的高清圖片；

29、步驟32：利用隨機(jī)算法，選擇不少于1%的圖片，利用人工判讀方法，對選擇的圖片進(jìn)行人工分類，分為是水庫和不是水庫兩組，形成圖片樣本庫。

30、在上述任一方案中優(yōu)選的是，所述步驟4包括以下子步驟：

31、步驟41：利用所述圖片樣本庫的圖片樣本，通過圖像色彩分析，得到各圖片樣本的感興趣區(qū)域；

32、步驟42：將所述感興趣區(qū)域進(jìn)行標(biāo)準(zhǔn)化和裁剪，獲得訓(xùn)練學(xué)習(xí)標(biāo)準(zhǔn)化樣本；

33、步驟43：利用該樣本，基于cnn卷積神經(jīng)網(wǎng)絡(luò)，對圖片中的特征進(jìn)行學(xué)習(xí)和訓(xùn)練，生成機(jī)器學(xué)習(xí)圖像分類模型；

34、步驟44：將圖片導(dǎo)入所述機(jī)器學(xué)習(xí)圖像分類模型，輸出分類結(jié)果。

35、本發(fā)明提出了一種基于高精度遙感影像的小型水庫批量提取方法，基于多期分辨率土地利用數(shù)據(jù)和高精度遙感影像，綜合運(yùn)用人工標(biāo)識和機(jī)器學(xué)習(xí)的優(yōu)勢，實(shí)現(xiàn)大范圍小型水庫的快速識別，且避免了因干旱或用水導(dǎo)致水庫水面過小從而漏掉部分小型水庫的問題。

36、rastertopolygon工具是一種將柵格數(shù)據(jù)轉(zhuǎn)換為矢量數(shù)據(jù)的工具。