特殊地貌分布范围识别方法、装置及设备与流程

1.本发明涉及一种特殊地貌分布范围识别方法、装置及设备。


背景技术：

2.喀斯特地貌景观(karst landscape)是地球上较为突出的地质景观，世界各地分布着不同种类和形态的喀斯特地貌。喀斯特地貌的形成与地质构造运动的关系密切，喀斯特地区大多出露可溶性碳酸盐岩，在不同的地质环境中，经过长时间不同的地质构造运动和喀斯特作用，可塑造出包括石林喀斯特、锥状喀斯特、天坑喀斯特、塔状喀斯特、峡谷喀斯特等多种显著的喀斯特地貌景观，因此具有极高的科学研究价值。其中，锥状喀斯特地貌具有典型的两坡对称、锥体浑圆的锥峰，而且具有丰富的正负地貌组合形态，包括峰丛洼地和峰丛谷地等。一些典型锥状喀斯特地貌(贵州荔波)包括两处独立存在的区域，缓冲区面积巨大，部分地区存在水资源缺乏、环境脆弱等问题，因此需要进行科学考察，从而方便对这类地貌所在地区进行管理和保护。
3.现有的科考方式大多是人工进行野外实地考察，因此不仅需要耗费大量人力、物力以及时间成本，还不能宏观的对地貌的发育及演化过程进行研究。另外，对于一些人类难以到达的地区，野外实地考察也很难开展，因此具有很大的局限性。同时，这类地貌大多成因复杂，且几何形态极不规则，因此现有的基于光谱信息的遥感影像分类方法或基于数字高程模型数据的分类方法效果也不理想。可见，如何对锥状喀斯特地貌进行合理地开发及保护，并在管理过程中实现生态保护和经济发展的平衡是需要深入研究的问题。而若要有效地保护这些地貌，则需要获取其精准的景观分布信息，从而为实现可持续发展提供科学前提。
4.以卫星遥感为核心的空间对地观测技术为一种可以全面、准确地提取各类地貌特征的技术手段，但根据上述可知，由于喀斯特地貌景观的形态特征的几何形态的不规则性和空间分布的复杂性，再加上南方喀斯特地区茂密的植被覆盖度，给利用卫星遥感影像高精度、高效率地提取大区域范围喀斯特地貌的形态特征和空间分布信息带来了巨大挑战。另外，完整的喀斯特地貌系统应包括地面锥体及锥体之间的岩溶平原(或岩溶洼地、漏斗等)，而由于其形成多受地质构造运动的影响，海拔高程及坡度也是对其进行研究的重要因素，因此单纯依靠遥感影像所蕴含的光谱信息进行分类也不能实现理想的效果。
5.对此，深度学习方法可以有效改善这一问题，该方法是一种含有多个隐藏层的机器学习方法，其利用深层次的神经网络模型对样本进行学习和训练，利用计算机自动识别和提取输入影像的多种特征，并以此为依据实现对待分类影像目标信息的精确自动提取。其中，深度学习的分类过程完全依靠深度神经网络模型(deep neural network model)的自我学习能力提取目标特征，并通过不断最小化损失函数(loss function)告知神经网络模型停止学习的时机。整个训练过程不需要人为干预，非常适合用来处理数据量级庞大、数据种类繁多的自然数据，且具有很强的泛化能力。并且，深度学习模型可以针对图像的每个像素进行分类，从而不仅可以识别图像中目标地物的种类和位置，而且可以精确勾画出目
标地物的轮廓，这就是所谓的图像语义分割(semantic segmentation)，可用于实现锥状喀斯特地貌分布范围的自动识别和提取。


技术实现要素：

6.本发明的目的在于提供一种特殊地貌分布范围识别方法、装置及设备。
7.为实现上述发明目的，本发明提供一种特殊地貌分布范围识别方法、装置及设备，方法包括以下步骤：
8.a、获取存在特殊地貌的区域的光学遥感影像和高程数据，并进行预处理；
9.b、基于高程数据生成坡度数据，对光学遥感影像、高程数据和坡度数据进行融合，得到训练样本；
10.c、对训练样本进行标注以获得标签文件，利用训练样本和标签文件训练识别模型；
11.d、获取待识别区域的光学遥感影像和高程数据，并进行融合裁剪后得到待识别数据；
12.e、利用识别模型对待识别数据进行识别，得到待识别区域的特殊地貌分布范围。
13.根据本发明的一个方面，在所述步骤(a)中，所述预处理包括通道融合、拼接、裁剪和校正。
14.根据本发明的一个方面，在所述步骤(b)中，利用高程数据或坡度数据替换原始光学遥感影像的红、绿、蓝三通道之一，生成新的三通道数据；
15.或者，
16.将高程数据或坡度数据作为第四个通道与原始光学遥感影像的三个通道进行融合，得到新的四通道数据。
17.根据本发明的一个方面，在所述步骤(c)中，所述识别模型为深度神经网络模型karst-dcnn，具有编码器和解码器。
18.根据本发明的一个方面，所述编码器的骨干网络为resnet-101，并配合有一组具有不同扩张率的空洞空间金字塔池化操作；
19.所述解码器对所述编码器得到的特征图进行4倍以上的采样，并与残差网络下采样前获得的特征图进行串联融合，再进行4倍以上的采样至输入图像的尺寸；
20.所述深度神经网络模型karst-dcnn还具有条件随机场。
21.根据本发明的一个方面，空洞空间金字塔池化操作中的空洞卷积扩张率的设置采用混合扩张卷积。
22.根据本发明的一个方面，在所述步骤(c)中，在linux系统下利用 labelme程序对训练样本中的地貌边缘进行勾勒，获得标签文件。
23.根据本发明的一个方面，所述特殊地貌为锥状喀斯特地貌。
24.一种特殊地貌分布范围识别装置，包括：
25.预处理模块，用于获取存在特殊地貌的区域的光学遥感影像和高程数据，并进行预处理；
26.融合模块，用于基于高程数据生成坡度数据，并对光学遥感影像、高程数据和坡度数据进行融合，得到训练样本；
27.模型训练模块，用于对训练样本进行标注以获得标签文件，并利用训练样本和标签文件训练识别模型；
28.数据生成模块，用于获取待识别区域的光学遥感影像和高程数据，并进行融合裁剪后得到待识别数据；
29.识别模块，用于利用识别模型对待识别数据进行识别，得到待识别区域的特殊地貌分布范围。
30.一种设备，包括存储介质和处理器，所述存储介质存储有计算机程序，所述计算机程序被所述处理器执行时实现特殊地貌分布范围识别方法。
31.根据本发明的构思，针对锥状喀斯特地貌，提出一种基于深度学习神经网络模型的地貌景观空间分布信息(遥感影像信息)自动识别与提取的方案，结合锥状喀斯特地貌的地表形态特征，将卫星遥感三通道光学遥感影像与地表高程数据进行融合，从而在普通光学遥感影像中融入地表高程信息，以生成高质量的四通道训练样本数据，为后续相关领域的研究提供数据基础。将样本输入深度神经网络模型karst-dcnn进行训练，实现锥状喀斯特地貌景观空间分布范围的精确自动识别和提取。如此，本方法在典型区域和大范围区域均取得较好的识别效果，不需要人工提炼待识别地物的特征或设定判别准则，真正实现了利用空间对地观测技术准确、高效地自动识别和提取大面积区域内空间分布复杂、几何形态不规则的锥状喀斯特地貌景观的空间分布信息，可以有效地解决现有技术利用卫星遥感影像提取大区域范围具有不规则形态特征的复杂地貌景观的空间分布信息时，精度和效率低下的难题，从而为利用空间对地观测技术全面、准确提取各类地貌特征及刻画喀斯特地貌景观信息提供了一种具有较大潜力的研究方法和技术手段。
32.根据本发明的一个方案，利用深层次的神经网络模型对样本进行学习和训练，利用计算机自动识别和提取输入影像的多种特征，并以此为依据实现对待分类影像目标信息的精确自动提取。深度学习模型可以针对图像的每个像素进行分类，可以识别图像中目标地物的种类和位置，并精确勾画出目标地物的轮廓，从而实现锥状喀斯特地貌分布范围的自动识别和提取，有效地解决了现有技术利用光学遥感影像对具有不规则几何形态的复杂地物特征自动识别与提取中效率低下、精度不高的难题，可以为特殊地貌区域的科学管理保护和可持续发展提供有力的技术支撑，还可以扩展至其他类型典型地貌分布范围的识别，如丹霞地貌、花岗岩地貌等。
附图说明
33.图1示意性表示本发明的一种实施方式的特殊地貌分布范围识别方法的流程图；
34.图2表示本发明的一种实施方式的训练数据集和标签文件的示意图；
35.图3示意性表示本发明的一种实施方式的karst-dcnn深度神经网络模型的结构图；
36.图4示意性表示本发明的一种实施方式的karst-dcnn深度神经网络模型在测试样本集中的锥状喀斯特地貌分布离散区域的识别结果图；
37.图5示意性表示本发明的一种实施方式的karst-dcnn深度神经网络模型在测试样本集中的锥状喀斯特地貌边界区域的识别结果图；
38.图6示意性表示本发明的一种实施方式的基于karst-dcnn深度神经网络模型自动
识别的锥状喀斯特地貌分布范围图（图中涉及的地图为我国局部地图）。
具体实施方式
39.为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
40.下面结合附图和具体实施方式对本发明作详细地描述，实施方式不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施方式。
41.参见图1，本发明的特殊地貌分布范围识别方法，属于以卫星遥感为核心的空间对地观测技术，具体为基于深度学习方法的遥感影像的自动化信息提取方法，适用于对锥状喀斯特地貌(本实施方式以贵州荔波和广西环江两处区域为例)的分布范围进行自动提取。本方法中，首先获取已知存在喀斯特地貌的区域的landsat光学遥感影像和其对应范围的地表高程数据(数字高程模型，dem，digital elevation model)。然后，对光学遥感影像和高程数据进行通道融合、拼接(或称镶嵌)、裁剪和校正等一系列预处理，得到500*500大小的子样本数据。再基于预处理后的高程数据生成坡度数据(slope)，同样裁剪成500*500大小的子样本数据。
42.随后，分别采用不同的通道组合方式对光学遥感影像、高程数据和坡度数据进行融合，得到一批锥状喀斯特地貌的训练样本数据。本发明中，可采用两种方法对同一区域范围的遥感影像数据和高程数据或坡度数据进行融合，分别为：1)利用高程数据或坡度数据替换原始光学遥感影像的红、绿、蓝(r、g、b)三通道之一，生成新的三通道数据；2)将高程数据或坡度数据作为第四个通道与原始光学遥感影像的三个通道进行融合，得到新的四通道数据。如此，得到融合光学遥感影像和dem数据的四通道数据作为训练样本输入识别模型，从而对模型进行训练。
43.具体的，在下载得到的landsat遥感影像中寻找同时包括锥状喀斯特地貌景观(作为正样本)和非锥状喀斯特地貌景观(作为背景)的区域，均裁剪成500
×
500像素大小的子样本，波段设置为标准假彩色，标记为 432，如图2中(1)所示。设置标准假彩色波段的原因是，锥状喀斯特地貌多覆盖植被，标准假彩色波段则可以有效区分植被和其他地貌类型。根据所有子样本的范围对dem数据和坡度数据进行裁剪，如图2中(2)和(3)所示，分别标记为dem和slope，最后生成3组基础训练样本集。随后即可获取三通道融合训练样本集，即，将普通光学遥感影像的红、绿、蓝通道分别替换为dem和坡度数据，得到6组新的三通道训练样本集：
①
用dem 数据代替光学遥感图像的红色通道生成d32样本集，如图2中(4)所示，其中d代表dem；
②
用dem数据代替光学遥感图像的绿色通道生成4d2样本集，如图2中(5)所示；
③
用dem数据代替光学遥感图像的蓝色通道生成 43d样本集，如图2中(6)所示；
④
用坡度数据代替光学遥感图像的红色通道生成s32样本集，如图2中(7)所示，其中s代表坡度；
⑤
用坡度数据代替光学遥感图像的绿色通道生成sd2样本集，如图2中(8)所示；
⑥
用坡度数据代替光学遥感图像的蓝色通道生成43s样本集，如图2中(9)所示。最后，生成四通道rgb-d训练样本集，即，以dem数据作为第四通道和光学遥感影像红、绿、蓝三个通道进行融合，得到第十组训练样本集，标记为 432d，同样包含898个训练样本，如图2中(10)所示。如此，共生成10组
训练样本集，分别表示为：432；dem；slope；d32；4d2；43d；s32；4s2； 43s；432d。每一组训练样本集中包含898张子样本图像，训练样本和测试样本数量按照4:1设置。
44.然后，对训练样本进行标注以获得对应的标签文件，具体的，标签文件的标注为，在linux系统下利用labelme程序对训练样本数据中的锥状喀斯特地貌景观边缘进行勾勒，获得训练样本对应的标签文件，如图2所示。
45.参见图3，本发明中，识别模型为深度神经网络模型karst-dcnn(参考deeplab v3+网络设计)，采用编码器(encoder)和解码器(decoder) 结构。编码器的骨干网络(深度卷积神经网络)为resnet-101，其后连接有一组具有不同扩张率的空洞空间金字塔池化(atrous spatial pyramidpooling，aspp)操作。并且，为保证模型针对不同尺度大小的锥状喀斯特地貌模块的识别效果，本发明的空洞空间金字塔池化操作中的空洞卷积扩张率的设置采用混合扩张卷积(hybrid dilated convolution，hdc)方法，即，设置为一组相互之间没有公约数的扩张率的数字组合。在解码器部分，首先对编码器得到的特征图进行4倍以上的采样，并与残差网络下采样前获得的特征图进行串联融合，再进行4倍以上的采样至输入图像的尺寸，并在深度神经网络模型karst-dcnn最后加入条件随机场(conditionalrandom field，crf)，以提升针对锥状喀斯特地貌边界的识别精度。
46.随后，将训练样本数据和标签文件作为输入训练识别模型，模型在测试样本集的识别结果如图4和图5所示。并获取待识别区域的光学遥感影像和地表高程数据，并依照上述制作训练样本的方法进行融合裁剪等数据处理后得到待识别数据(影像)。其中，待识别区域的范围基于锥状喀斯特地貌形成的因素确定。本实施方式中，根据秦岭-淮河线获取热带与亚热带分布区域，依据各气象站点年均降水量数据获取年均降水量分布结果，提取其中800-3000mm的范围，与热带与亚热带分布区域进行叠加，得到南方范围。如此，获取该范围内的landsat光学遥感影像和dem数据，按照前述方法融合裁剪后得到待识别数据即可。最后，利用训练好的识别模型对待识别数据(即待识别区域的影像)进行自动识别，得到锥状喀斯特地貌的分布范围，识别结果如图6所示。
47.本发明的特殊地貌分布范围识别装置，包括：预处理模块，用于获取存在特殊地貌的区域的光学遥感影像和高程数据，并进行预处理；融合模块，用于基于高程数据生成坡度数据，并对光学遥感影像、高程数据和坡度数据进行融合，得到训练样本；模型训练模块，用于对训练样本进行标注以获得标签文件，并利用训练样本和标签文件训练识别模型；数据生成模块，用于获取待识别区域的光学遥感影像和高程数据，并进行融合裁剪后得到待识别数据；识别模块，用于利用识别模型对待识别数据进行识别，得到待识别区域的特殊地貌分布范围。
48.本发明的设备，包括存储介质和处理器，存储介质存储有计算机程序，计算机程序被处理器执行时实现特殊地貌分布范围识别方法。
49.综上所述，本发明基于深度学习的锥状喀斯特地貌景观自动识别与提取的方法，将卫星遥感三通道光学影像与地表高程数据进行融合，生成四通道训练样本数据，并通过karst-dcnn深度学习神经网络模型实现锥状喀斯特地貌景观分布范围的自动识别和精确提取。如此，本方法充分结合待识别地貌的形态特征，融合光学遥感影像和数字高程模型，制作一批高质量的锥状喀斯特地貌机器学习训练数据集，设计并训练适合提取锥状喀斯特地貌的深度神经网络模型karst-dcnn，以全自动识别锥状喀斯特地貌的分布范围，以有效
获取空间分布复杂且具有不规则形态特征的锥状喀斯特地貌景观的形态特征和空间分布信息，从而解决现有技术利用卫星遥感影像提取大区域范围具有不规则形态特征的复杂地貌景观的空间分布信息时，精度和效率低下的难题，为利用空间对地观测技术全面、准确地提取各类地貌特征提供了研究方法和技术手段。
50.以上所述仅为本发明的一个实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。