[发明专利]基于随机森林分类算法的城市范围提取方法、装置及电子设备

权利要求书

1.一种基于随机森林分类算法的城市范围提取方法，其特征在于，包括如下步骤：

获取样本区域的夜间灯光遥感影像和植被指数影像；

获取样本区域的夜间灯光遥感数据和植被指数数据，并根据所述夜间灯光遥感数据和植被指数数据获取样本区域的夜间灯光城市指数；

根据样本区域的夜间灯光遥感数据和植被指数数据，获取所述样本区域中的城市像元和非城市像元，如果所述样本区域内某一像元中的夜间灯光遥感数据大于第一设定阈值，且该像元中的植被指数数据小于第二设定阈值，则该像元为城市像元，如果某一像元中的植被指数数据大于第二设定阈值，则该像元为非城市像元，其中，夜间灯光遥感数据较高的区域并且植被指数数据较低的区域为城市像元，植被指数数据较高的区域则为非城市像元；

从所述样本区域中的城市像元和非城市像元中选取训练样本，并根据所选举出的训练样本以及样本区域的夜间灯光遥感数据、植被指数数据和夜间灯光城市指数，建立并训练最优随机森林算法模型，其中，所选举出的训练样本以及样本区域的夜间灯光遥感数据、植被指数数据和夜间灯光城市指数作为所述训练最优随机森林算法模型的输入样本，所述样本区域的城市像元和非城市像元作为所述训练最优随机森林算法模型的输出样本；

获取待识别区域的夜间灯光遥感影像和植被指数影像；

将所述待识别区域的夜间灯光遥感影像和植被指数影像输入最优随机森林算法模型，判断该区域是否为城市范围。

2.根据权利要求1所述的基于随机森林分类算法的城市范围提取方法，其特征在于，从所述样本区域中的城市像元和非城市像元中选取训练样本，包括如下步骤：

基于行政区划边界分层采样训练样本。

3.根据权利要求2所述的基于随机森林分类算法的城市范围提取方法，其特征在于，基于行政区划边界分层采样训练样本，还包括如下步骤：

生成一值为0～1之间的随机数；

获取每一层中选中样本数量与所述城市像元与非城市像元总数量之间的比例值；

如果所述随机数小于所述比例值，则将该选中样本作为训练样本。

4.根据权利要求1所述的基于随机森林分类算法的城市范围提取方法，其特征在于，根据样本区域的夜间灯光遥感数据和植被指数数据，获取所述样本区域中的城市像元和非城市像元前，还包括如下步骤：

根据水体分布数据，移除所述夜间灯光遥感影像中的水体像元。

5.一种基于随机森林分类算法的城市范围提取装置，其特征在于，包括：

第一数据采集模块，用于获取样本区域的夜间灯光遥感影像和植被指数影像；

第二数据采集模块，用于获取样本区域的夜间灯光遥感数据和植被指数数据，并根据所述夜间灯光遥感数据和植被指数数据获取样本区域的夜间灯光城市指数；

样本处理模块，用于根据样本区域的夜间灯光遥感数据和植被指数数据，获取所述样本区域中的城市像元和非城市像元，其中，夜间灯光遥感数据较高的区域并且植被指数数据较低的区域为城市像元，植被指数数据较高的区域则为非城市像元，所述随机森林训练模块，包括：

像元区分单元，用于判断所述样本区域内的夜间灯光遥感数据是否大于第一设定阈值，且该像元中的植被指数数据是否小于第二设定阈值，如果是，则该像元为城市像元，如果某一像元中的植被指数数据大于第二设定阈值，则该像元为非城市像元；

随机森林训练模块，用于从所述样本区域中的城市像元和非城市像元中选取训练样本，并根据所选举出的训练样本以及样本区域的夜间灯光遥感数据、植被指数数据和夜间灯光城市指数，建立并训练最优随机森林算法模型，其中，所选举出的训练样本以及样本区域的夜间灯光遥感数据、植被指数数据和夜间灯光城市指数作为所述训练最优随机森林算法模型的输入样本，所述样本区域的城市像元和非城市像元作为所述训练最优随机森林算法模型的输出样本；

第三数据采集模块，用于获取待识别区域的夜间灯光遥感影像和植被指数影像；

城市范围判断模块，用于将所述待识别区域的夜间灯光遥感影像和植被指数影像输入最优随机森林算法模型，判断该区域是否为城市范围。