[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

说明书

本发明公开了基于面向对象和深度学习的疑似污染场地空间识别方法，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。本发明通过借助基于面向对象分割技术和深度学习技术获取我国建设用地中疑似污染场地的空间信息，识别疑似污染场地的空间位置，以及污染场地面积、污染物类别等重要属性信息，起到对网上或政府掌握的污染地块的数据进行查漏补缺的作用，更有利于政府对污染场地的管理。

技术领域

本发明涉及一种污染场地空间识别方法，尤其涉及一种基于面向对象和深度学习的疑似污染场地空间识别方法。

背景技术

伴随着社会经济的发展，我国存在潜在污染的建设用地数量巨大、分布广泛，并逐步显示出其危害性，与当前生态文明建设要求严重不符，亟需摸清污染场地详细信息，加强污染场地管理。

遥感是一门新兴的、年轻的科学与技术，如今卫星遥感已成为人类认识世界、理解人与自然相互关系、维护国家安全和促进可持续发展的不可或缺的手段。基于遥感数据的污染场地识别技术，从传统的目视解译，到基于像元的自动解译，以及新兴的面向对象分类、智能化专家系统和深度学习等，识别技术得到迅猛发展。且随着大数据时代来临，网络上形成了大量关于工业场地的历史数据、污染突发事件新闻、统计数据；各部门收集的污染场地数据以及水文气象、土地利用、土壤类型等。集成这些海量信息，借助云计算及模型模拟等大数据分析技术，分析影响污染场地空间分布格局的因素，能够为污染场地的识别提供技术支撑。但是目前，我国基于统计上报方式建立疑似污染场地名录存在名录建设工作不系统、名录范围不全面的问题。

发明内容

为了解决上述技术所存在的不足之处，本发明提供了一种基于面向对象和深度学习的疑似污染场地空间识别方法。

为了解决以上技术问题，本发明采用的技术方案是：基于面向对象和深度学习的疑似污染场地空间识别方法，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。