【技術實現步驟摘要】
本專利技術屬于機器學習和遙感智能制圖領域，尤其涉及一種聯合決策樹和深度學習的大區域光伏用地分類方法及系統。
技術介紹
1、光伏用地(photovoltaic?land，pvl)是指在裸地(戈壁、裸地、鹽堿地等)、植被(草地、林地、農田等)、水面和屋頂等下墊面土地利用/覆蓋背景中安裝光伏電板的新型土地利用方式。開展大區域光伏用地監測，可為光伏項目選址、光伏出力發電預測、光伏項目建設對生態環境影響以及綠色能源政策制定等提供數據支撐。
2、現有的光伏數據主要由能源及其相關智庫組織發布，統計單位為兆瓦(gw)，時間尺度為年。該類數據的優點是能夠反映國家或地區的光伏裝機容量和大型光伏設施的位置信息，缺點是缺乏面積等信息及小型光伏設施的位置信息。因此，該類數據對光伏用地動態監測的參考價值有限。
3、衛星遙感是實現大區域光伏用地動態監測的最有效手段。盡管當前已有不少利用傳統機器學習或深度學習方法從衛星或機載遙感影像中識別大區域光伏用地的成功案例，但目前研究尚缺乏顧及下墊面土地利用/覆蓋背景類型、光伏陣列安裝傾角、地理位置等全球精細樣本集，且少有領域知識的介入，也難以兼顧識別大區域pvl監測的速度和精度。因此，在構建全球代表性區域樣本集的基礎上，迫切需要發展一種基于開源衛星影像的具有時空遷移能力的大區域光伏用地快速精識別方法。
技術實現思路
1、本專利技術的目的在于解決現有技術中存在的大區域光伏用地遙感分類難以兼顧快速性和準確性的問題，并提供一種聯合決策樹和深度學習的大區域
2、為了實現上述專利技術目的，本專利技術具體采用如下技術方案：
3、第一方面，本專利技術提供了一種聯合決策樹和深度學習的大區域光伏用地分類方法，其包括以下步驟：
4、s1、從全球光伏用地的位置數據集和分類數據集中選取代表性光伏用地區域的數據，構建包含遙感影像、地理坐標、成像時間、下墊面土地覆蓋類型以及光伏陣列排列方式的光伏用地樣本數據集；
5、s2、將光伏用地樣本數據集輸入到構建好的決策樹分類器中進行粗分類，得到二值柵格圖形式的粗分割結果；
6、s3、對粗分割結果進行后處理，在經過后處理的粗分割結果周圍設定預設大小的緩沖區，在緩沖區外部框定外包絡矩形，由遙感影像中外包絡矩形內部的像元構成光伏用地粗分類區影像；
7、s4、通過人機交互為每個光伏用地粗分類區影像生成光伏用地真實標簽，并對光伏用地粗分類區影像和光伏用地真實標簽進行切片操作，由切片后的光伏用地粗分類區影像和光伏用地真實標簽構成光伏用地分類數據集；
8、s5、在光伏用地分類數據集上訓練多尺度融合光伏用地特征的光伏用地分類模型；
9、s6、將待進行光伏用地分類的光伏用地粗分類區影像輸入到訓練好的光伏用地分類模型中，得到光伏用地粗分類區影像的分割結果，實現光伏用地精細識別。
10、在上述方案基礎上，各步驟可以采用如下優選的具體方式實現。
11、作為上述第一方面的優選，步驟s2中，決策樹分類器的分類限定條件分為光伏用地指數條件和其他條件，光伏用地指數條件為第一光伏用地指數、第二光伏用地指數和藍紅波段比，其他條件為坡度、海拔、歸一化建筑指數和第一短波紅外波段的反射率。
12、作為上述第一方面的優選，第一光伏用地指數pvli1、第二光伏用地指數pvli2和藍紅波段比bdri、以及歸一化建筑指數ndbi的具體計算方式為：
13、
14、
15、其中，ρblue,ρred,ρnir,ρswir1,ρswir2分別表示藍色波段、紅色波段、近紅外波段、第一短波紅外波段、第二短波紅外波段的反射率。
16、作為上述第一方面的優選，步驟s2中，對光伏用地樣本數據集進行粗分類的依據設定為：同時滿足第一光伏用地指數pvli1∈[0.75,3.65]、第二光伏用地指數pvli1∈[0.30,3.60]、藍紅波段比bdri∈[0.56,1.21]、坡度slope∈[0,20°]、海拔altitude∈[0,3500m]、歸一化建筑指數ndbi∈[-0.03,0.46]和第一短波紅外波段的反射率ρswir1∈[0.07,0.58]。
17、作為上述第一方面的優選，步驟s3中，對粗分割結果進行后處理的具體過程為：首先對粗分割結果進行空間均值濾波處理，接著對空間均值濾波結果進行重分類去噪處理，其次對二值柵格圖形式的重分類去噪結果進行矢量化轉換，得到矢量化的二值圖像，最后將矢量化的二值圖像中所有面積大于預設面積閾值的要素去除，得到經過后處理的粗分割結果。
18、作為上述第一方面的優選，所述光伏用地分類模型為主-副雙分支結構，主分支包括一個輸入模塊、一個編碼器、一個空洞空間金字塔池化模塊、一個解碼器和一個輸出模塊，副分支包括一個輸入模塊、一個編碼器和五個指數空間注意力模塊，其中，主分支的編碼器、副分支的編碼器以及主分支的解碼器各包含四個殘差塊，主分支為u型對稱結構，主分支解碼器的各殘差塊與主分支編碼器同級的各殘差塊進行跳躍連接，副分支編碼器的各殘差塊的輸入和輸出之間進行密集連接，副分支中每個指數空間注意力模塊生成的指數特征空間權重與主分支編碼器同級的各殘差塊進行密集連接，副分支中每個指數空間注意力模塊生成的指數特征空間權重與后一個指數空間注意力模塊生成的指數特征空間權重進行密集連接后，再與主分支解碼器同級的各殘差塊進行密集連接。
19、作為上述第一方面的優選，在步驟s5光伏用地分類模型中，具體處理流程為：基于切片后的光伏用地粗分類區影像生成多光譜圖像和指數圖像，將多光譜圖像輸入到主分支的輸入模塊，得到第一光譜特征圖，將指數圖像輸入到副分支的輸入模塊，得到第一指數特征圖，將第一指數特征圖輸入到副分支的第一個指數空間注意力模塊，得到第一指數特征空間權重矩陣，將第一指數特征空間權重矩陣和第一光譜特征圖相乘得到第一融合特征圖；將第一融合特征圖輸入到主分支編碼器的第一個殘差塊中，得到第二光譜特征圖，將第一指數特征圖輸入到副分支編碼器的第一個殘差塊中，得到第二指數特征圖，將第一指數特征圖和第二指數特征圖進行密集連接，得到第一密集連接特征圖，將第一密集連接特征圖輸入到副分支的第二個指數空間注意力模塊，得到第二指數特征空間權重矩陣，將第二指數特征空間權重矩陣和第二光譜特征圖相乘得到第二融合特征圖；將第二融合特征圖輸入到主分支編碼器的第二個殘差塊中，得到第三光譜特征圖，將第一密集連接特征圖輸入到副分支編碼器的第二個殘差塊中，得到第三指數特征圖，將第三指數特征圖和第一密集連接特征圖進行密集連接，得到第二密集連接特征圖，將第二密集連接特征圖輸入到副分支的第三個指數空間注意力模塊，得到第三指數特征空間權重矩陣，將第三指數特征空間權重矩陣和第三光譜特征圖相乘得到第三融合特征圖；將第三融合特征圖輸入到主分支編碼器的第三個殘差塊中，得到第四光譜特征圖，將第二密集連接特征圖輸入到副分支編碼器的第三個殘差塊中，得到第四指數特征圖，將本文檔來自技高網...
【技術保護點】
1.一種聯合決策樹和深度學習的大區域光伏用地分類方法，其特征在于，包括以下步驟：
2.如權利要求1所述的一種聯合決策樹和深度學習的大區域光伏用地分類方法，其特征在于，步驟S2中，決策樹分類器的分類限定條件分為光伏用地指數條件和其他條件，光伏用地指數條件為第一光伏用地指數、第二光伏用地指數和藍紅波段比，其他條件為坡度、海拔、歸一化建筑指數和第一短波紅外波段的反射率。
3.如權利要求2所述的一種聯合決策樹和深度學習的大區域光伏用地分類方法，其特征在于，第一光伏用地指數PVLI1、第二光伏用地指數PVLI2和藍紅波段比BDRI、以及歸一化建筑指數NDBI的具體計算方式為：
4.如權利要求2或3所述的一種聯合決策樹和深度學習的大區域光伏用地分類方法，其特征在于，步驟S2中，對光伏用地樣本數據集進行粗分類的依據設定為：同時滿足第一光伏用地指數PVLI1∈[0.75,3.65]、第二光伏用地指數PVLI1∈[0.30,3.60]、藍紅波段比BDRI∈[0.56,1.21]、坡度SLOPE∈[0,20°]、海拔ALTITUDE∈[0,3500m]、歸一化建筑
5.如權利要求1所述的一種聯合決策樹和深度學習的大區域光伏用地分類方法，其特征在于，步驟S3中，對粗分割結果進行后處理的具體過程為：首先對粗分割結果進行空間均值濾波處理，接著對空間均值濾波結果進行重分類去噪處理，其次對二值柵格圖形式的重分類去噪結果進行矢量化轉換，得到矢量化的二值圖像，最后將矢量化的二值圖像中所有面積大于預設面積閾值的要素去除，得到經過后處理的粗分割結果。
6.如權利要求3所述的一種聯合決策樹和深度學習的大區域光伏用地分類方法，其特征在于，所述光伏用地分類模型為主-副雙分支結構，主分支包括一個輸入模塊、一個編碼器、一個空洞空間金字塔池化模塊、一個解碼器和一個輸出模塊，副分支包括一個輸入模塊、一個編碼器和五個指數空間注意力模塊，其中，主分支的編碼器、副分支的編碼器以及主分支的解碼器各包含四個殘差塊，主分支為U型對稱結構，主分支解碼器的各殘差塊與主分支編碼器同級的各殘差塊進行跳躍連接，副分支編碼器的各殘差塊的輸入和輸出之間進行密集連接，副分支中每個指數空間注意力模塊生成的指數特征空間權重與主分支編碼器同級的各殘差塊進行密集連接，副分支中每個指數空間注意力模塊生成的指數特征空間權重與后一個指數空間注意力模塊生成的指數特征空間權重進行密集連接后，再與主分支解碼器同級的各殘差塊進行密集連接。
7.如權利要求6所述的一種聯合決策樹和深度學習的大區域光伏用地分類方法，其特征在于，在步驟S5光伏用地分類模型中，具體處理流程為：基于切片后的光伏用地粗分類區影像生成多光譜圖像和指數圖像，將多光譜圖像輸入到主分支的輸入模塊，得到第一光譜特征圖，將指數圖像輸入到副分支的輸入模塊，得到第一指數特征圖，將第一指數特征圖輸入到副分支的第一個指數空間注意力模塊，得到第一指數特征空間權重矩陣，將第一指數特征空間權重矩陣和第一光譜特征圖相乘得到第一融合特征圖；將第一融合特征圖輸入到主分支編碼器的第一個殘差塊中，得到第二光譜特征圖，將第一指數特征圖輸入到副分支編碼器的第一個殘差塊中，得到第二指數特征圖，將第一指數特征圖和第二指數特征圖進行密集連接，得到第一密集連接特征圖，將第一密集連接特征圖輸入到副分支的第二個指數空間注意力模塊，得到第二指數特征空間權重矩陣，將第二指數特征空間權重矩陣和第二光譜特征圖相乘得到第二融合特征圖；將第二融合特征圖輸入到主分支編碼器的第二個殘差塊中，得到第三光譜特征圖，將第一密集連接特征圖輸入到副分支編碼器的第二個殘差塊中，得到第三指數特征圖，將第三指數特征圖和第一密集連接特征圖進行密集連接，得到第二密集連接特征圖，將第二密集連接特征圖輸入到副分支的第三個指數空間注意力模塊，得到第三指數特征空間權重矩陣，將第三指數特征空間權重矩陣和第三光譜特征圖相乘得到第三融合特征圖；將第三融合特征圖輸入到主分支編碼器的第三個殘差塊中，得到第四光譜特征圖，將第二密集連接特征圖輸入到副分支編碼器的第三個殘差塊中，得到第四指數特征圖，將第四指數特征圖和第二密集連接特征圖進行密集連接，得到第三密集連接特征圖，將第三密集連接特征圖輸入到副分支的第四個指數空間注意力模塊，得到第四指數特征空間權重矩陣，將第四指數特征空間權重矩陣和第四光譜特征圖相乘得到第四融合特征圖；將第四融合特征圖輸入到主分支編碼器的第四個殘差塊中，得到第五光譜特征圖，將第三密集連接特征圖輸入到副分支編碼器的第四個殘差塊中，得到第五指數特征圖，將第五指數特征圖和第...
【技術特征摘要】
1.一種聯合決策樹和深度學習的大區域光伏用地分類方法，其特征在于，包括以下步驟：
2.如權利要求1所述的一種聯合決策樹和深度學習的大區域光伏用地分類方法，其特征在于，步驟s2中，決策樹分類器的分類限定條件分為光伏用地指數條件和其他條件，光伏用地指數條件為第一光伏用地指數、第二光伏用地指數和藍紅波段比，其他條件為坡度、海拔、歸一化建筑指數和第一短波紅外波段的反射率。
3.如權利要求2所述的一種聯合決策樹和深度學習的大區域光伏用地分類方法，其特征在于，第一光伏用地指數pvli1、第二光伏用地指數pvli2和藍紅波段比bdri、以及歸一化建筑指數ndbi的具體計算方式為：
4.如權利要求2或3所述的一種聯合決策樹和深度學習的大區域光伏用地分類方法，其特征在于，步驟s2中，對光伏用地樣本數據集進行粗分類的依據設定為：同時滿足第一光伏用地指數pvli1∈[0.75,3.65]、第二光伏用地指數pvli1∈[0.30,3.60]、藍紅波段比bdri∈[0.56,1.21]、坡度slope∈[0,20°]、海拔altitude∈[0,3500m]、歸一化建筑指數ndbi∈[-0.03,0.46]和第一短波紅外波段的反射率ρswir1∈[0.07,0.58]。
5.如權利要求1所述的一種聯合決策樹和深度學習的大區域光伏用地分類方法，其特征在于，步驟s3中，對粗分割結果進行后處理的具體過程為：首先對粗分割結果進行空間均值濾波處理，接著對空間均值濾波結果進行重分類去噪處理，其次對二值柵格圖形式的重分類去噪結果進行矢量化轉換，得到矢量化的二值圖像，最后將矢量化的二值圖像中所有面積大于預設面積閾值的要素去除，得到經過后處理的粗分割結果。
6.如權利要求3所述的一種聯合決策樹和深度學習的大區域光伏用地分類方法，其特征在于，所述光伏用地分類模型為主-副雙分支結構，主分支包括一個輸入模塊、一個編碼器、一個空洞空間金字塔池化模塊、一個解碼器和一個輸出模塊，副分支包括一個輸入模塊、一個編碼器和五個指數空間注意力模塊，其中，主分支的編碼器、副分支的編碼器以及主分支的解碼器各包含四個殘差塊，主分支為u型對稱結構，主分支解碼器的各殘差塊與主分支編碼器同級的各殘差塊進行跳躍連接，副分支編碼器的各殘差塊的輸入和輸出之間進行密集連接，副分支中每個指數空間注意力模塊生成的指數特征空間權重與主分支編碼器同級的各殘差塊進行密集連接，副分支中每個指數空間注意力模塊生成的指數特征空間權重與后一個指數空間注意力模塊生成的指數特征空間權重進行密集連接后，再與主分支解碼器同級的各殘差塊進行密集連接。
7.如權利要求6所述的一種聯合決策樹和深度學習的大區域光伏用地分類方法，其特征在于，在步驟s5光伏用地分類模型中，具體處理流程為：基于切片后的光伏用地粗分類區影像生成多光譜圖像和指數圖像，將多光譜圖像輸入到主分支的輸入模塊，得到第一光譜特征圖，將指數圖像輸入到副分支的輸入模塊，得到第一指數特征圖，將第一指數特征圖輸入到副分支的第一個指數空間注意力模塊，得到第一指數特征空間權重矩陣，將第一指數特征空間權重矩陣和第一光譜特征圖相乘得到第一融合特征圖；將第一融合特征圖輸入到主分支編碼器的第一個殘差塊中，得到第二光譜特征圖，將第一指數特征圖輸入到副分支編碼器的第一個殘差塊中，得到第...
【專利技術屬性】
技術研發人員：陸麗珍，杜宇麒，徐印，徐嘉玉，谷靜雯，徐韻詞，
申請(專利權)人：浙江大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。