[发明专利]基于面向对象和深度学习的疑似污染场地空间识别方法

权利要求书

1.基于面向对象和深度学习的疑似污染场地空间识别方法，其特征在于：所述方法包括以下步骤：步骤I、遥感影像的选取；步骤II、训练集的建立；步骤III、面向对象分割技术；步骤VI、基于深度学习技术的疑似污染场地识别；步骤V、疑似污染场地动态数据库的建立。

2.根据权利要求1所述的基于面向对象和深度学习的疑似污染场地空间识别方法，其特征在于：所述步骤I遥感影像的选取过程为：1)确定研究区范围与所使用的遥感影像类型；2)在由中科院计算机网络信息中心科学数据中心建设并运营的地理空间云平台上，设定好云量、成像日期、经纬度范围条件，下载符合条件的遥感影像。

3.根据权利要求2所述的基于面向对象和深度学习的疑似污染场地空间识别方法，其特征在于：所述步骤II训练集的建立过程为：结合人工实地调查和网上POI数据进行定位，获取各类疑似污染场地的空间位置，并在原始的遥感影像数据上进行标注，构建样本库；随机抽取样本库中70％样本作为训练集，通过深度学习技术展开疑似污染场地空间范围识别研究，并利用剩余30％样本作为测试集，进行遥感影像目标识别模型的有效性评估，确定针对不同类型污染场地的最优识别模型。

4.根据权利要求3所述的基于面向对象和深度学习的疑似污染场地空间识别方法，其特征在于：所述步骤III利用面向对象分割技术的识别过程为：1)根据目标污染场地的光谱与几何特征，并结合相关论文与研究，进行特征工程，确定所要使用的特征类型；2)输入原始遥感影像，并通过SLIC算法将整幅输入的遥感影像分割为多个对象；3)利用随机森林机器学习方法作为分类器或采用规则集的方法确定不同污染物类型的特征值区间，从而对遥感图像上的多个对象进行分类，确定各个对象对应的类别，得到识别结果，确定各个对象是否属于污染场地以及其污染场地类型。

5.根据权利要求4所述的基于面向对象和深度学习的疑似污染场地空间识别方法，其特征在于：所述步骤VI基于深度学习技术的疑似污染场地识别过程为：1)利用训练集图像，对目标污染场地进行聚类分析，确定不同类型污染场地的空间范围大小，并作为用于目标识别的深度神经网络的超参数；2)将具有不同空间分辨率的遥感影像上采样到同一分辨率得到原始输入影像；3)采用Yolov3网络模型作为目标检测网络，根据污染物识别任务以及遥感影像特征修改其超信息，将上一步得到的输入作为原始数据输入；4)利用训练集数据训练Yolov3深度神经网络模型，并用测试集进行模型评估；5)将目标区域的遥感影像作为输入，输入到深度学习模型中，得到可能的目标污染场地区域。

6.根据权利要求5所述的基于面向对象和深度学习的疑似污染场地空间识别方法，其特征在于：所述步骤V疑似污染场地动态数据库的建立过程为：将由面向对象分割技术所得到的目标污染场地的识别结果与由深度学习模型得到的结果相融合，通过置信度加权方法，得到最终的污染场地分类结果；将已经分类出的各类污染地块，在地理信息分析软件中计算其面积、中心纬度、中心经度属性，通过数据库物理建库、数据导入的方式建立疑似污染场地信息数据库。