基于监督学习算法的卫星遥感影像分块分类水体识别方法

本发明属于遥感技术及地表水体识别领域，涉及基于监督学习算法的卫星遥感影像分块分类水体识别方法。

背景技术：

1、近年来，气候变化和人类活动影响下极端气候频发，常造成大范围的洪涝、干旱等灾害事件，给社会经济发展和生态环境保护带来了极大困扰。地表水体特性是表征水旱灾害的重要方面，掌握地表水体的动态变化信息对洪涝干旱灾害监测及风险分析和社会发展规划具有重要意义。

2、利用高时空分辨率的遥感卫星影像，可实现快速、自动化的水体识别及提取。目前，常用遥感影像主要包括光学卫星影像和雷达卫星影像。其中，sar(synthetic apertureradar)传感器不受云层遮挡、阴雨天气等因素的影响，可全天候捕捉地面影像。例如，sentinel-1卫星可提供空间分辨率为10m的sar影像，重访周期为12天，可为大尺度地表水体识别监测提供数据基础，对分析地表水体长时序演变、洪水淹没监测、干旱特征等方面具有广阔的应用前景。

3、此外，机器学习算法具有较高的可移植性和计算效率，在大尺度遥感影像地物特性识别方面表现出极大的潜力。例如，利用sentinel-1sar影像分析洪涝灾害方面，wang等采用支持向量机分类算法探究了2020年汛期长江中下游流域的洪水淹没情况。dong等构建了基于transformer的变化检测模型，绘制了2020年鄱阳湖水体演变和洪水淹没图。roth等利用tu wien算法处理影像，绘制了巴基斯坦2022年8月至9月的水体变化动态图，进一步捕捉分析了洪水的最大淹没范围。尽管目前利用机器学习算法处理sentinel-1sar影像是识别大尺度水体的常用手段，但兼具普适性强和分类精度高的水体识别方法仍然十分欠缺，尤其在大尺度区域的情况下，更是难以实现水体的有效识别。

技术实现思路

1、由于当前缺少兼具普适性强和分类精度高的水体识别方法，为实现大尺度范围的水体精确识别，本发明提供了一种基于监督学习算法的卫星遥感影像分块分类水体识别方法，以提高水体识别的精度，特别是提高大尺度范围水体识别的精度。

2、为实现上述发明目的，本发明采用的技术方案如下：

3、基于监督学习算法的卫星遥感影像分块分类水体识别方法，包括以下步骤：

4、(1)影像预处理

5、获取目标时段内待分类区域的sentinel-1sar level-1 grd数据集，记作目标sar数据集，该目标sar数据集中包括若干张sar影像，对目标sar数据集中的每一张sar影像进行预处理，得到若干张预处理后的sar影像；预处理包括筛选波段、边缘噪声校正、地形校正、噪声滤波以及hand指数掩膜；

6、筛选波段是指，去除sar影像中的hh、hv波段信息，保留sar影像中的vv、vh和angle波段信息；边缘噪声校正是指，对经过筛选波段的sar影像进行边缘噪声校正；地形校正是指，利用待分类区域的dem(digital elevation model，即数字高程模型)数据掩膜经过边缘噪声校正的sar影像中的叠掩和阴影区域；噪声滤波是指，利用refined lee滤波器处理算法对经过地形校正的sar影像进行处理，降低sar影像中的杂波；hand指数掩膜是指，以经过噪声滤波的sar影像为基础计算hand指数，将hand指数大于20的区域掩膜掉；

7、(2)特征数据制备

8、以各预处理后的sar影像为基础，计算vv/vh和sum，vv/vh是vv与vh的比值，sum是vv与vh之和；以各预处理后的sar影像的vv、vh、angle、vv/vh和sum作为特征数据；

9、(3)样本点制备

10、以预处理后的sar影像的vv、vh、vv/vh设置rgb通道，将每一张预处理后的sar影像可视化，对可视化后的各sar影像进行影像镶嵌得到底图，在底图中随机选择若干水体样本点和非水体样本点，将所有样本点划分为训练数据集和验证数据集；

11、(4)分类模型的构建及识别

12、采用分块计算对步骤(3)底图进行分块，生成完全覆盖待分类区域的若干分块单元，在每个分块单元内构建一个局部分类模型，所述局部分类模型是以随机森林算法作为分类器构建的，对每个局部分类模型在各自的分块单元内及其相邻分块单元内进行训练；训练时，将所述特征数据作为局部分类模型的特征数据输入，将所述训练数据集中的数据作为训练数据输入；采用训练完成后的各局部分类模型对其所在的分块单元内的水体和非水体进行识别，得到初步识别结果影像；

13、(5)影像后处理

14、获取目标时段内待分类区域的所有云像元百分比低于10％的sentinel-2msi光学影像，采用去云函数移除各sentinel-2msi光学影像中的云像元，计算各移除了云像元的sentinel-2msi光学影像的mndwi指数和evi指数，构建mndwi最大值影像和evi最小值影像，mndwi最大值影像中mndwi最大值＜0的像元或者evi最小值影像中evi最小值＞0的像元即为非水体像元，结合非水体像元的空间坐标，去除步骤(4)所得初步识别结果影像中的非水体像元，得到经过非水像元滤波处理后的影像；再去除经过非水像元滤波处理后的影像中相邻像元数量小于预设值的水体像元，得到待分类区域的水体分布影像，即完成水体识别。

15、上述技术方案的步骤(4)中，每个局部分类模型的决策树数量优选为60～100。

16、上述技术方案的步骤(4)中，分块单元优选为正六边形分块单元。进一步地，步骤(4)中正六边形分块单元的边长优选为0.4°～0.5°，这里的单位“°”是指地理坐标系单位。

17、上述技术方案的步骤(3)中，通常可以按照(7～8):(3～2)的划分比将所有样本点划分为训练数据集和验证数据集。

18、上述技术方案的步骤(5)中，在去除经过非水像元滤波处理后的影像中相邻像元数量小于预设值的水体像元时，相邻像元数量的预设值根据实际应用需求进行确定，当需要获取待分类区域中较大尺度的水体分布信息时，可以选择相对较大的预设值，例如，当需要识别带分类区域中面积大于0.3公顷的水体时，可以将预设值设定为30，即需要去除经过非水像元滤波处理后的影像中面积不超过0.3公顷的水体的影像。

19、本发明所述方法特别适用于对大尺度范围水体的识别，可以产生较高的识别精度，这里的大尺度通常是面积超过3000平方公里的区域。

20、与现有技术相比，本发明的技术方案产生了以下有益的技术效果：

21、本发明提供了一种基于监督学习算法的卫星遥感影像分块分类水体识别方法，该方法以sentinel-1sar影像作为基础数据，经过影像预处理、特征数据制备、样本点制备、分类模型构建及识别、影像后处理步骤之后，即实现了基于卫星遥感影像的水体识别。本发明通过优选sar影像的vv、vh、angle、vv/vh和sum波段作为分类模型的训练特征输入，有利于提高分类结果的准确性，分类结果的高准确率也印证了训练特征的有效性，可为sar影像水体识别技术提供参考。本发明以六边形作为最小分块单元，对大尺度影像进行分块计算，六边形分块单元有利于消除分块计算时容易出现的边缘效应，可提高分类识别结果的一致性；同时，分块计算可在局部尺度上更精准地捕捉地物的特征，进而克服大尺度空间异质性的问题；此外，分块计算可明显减小单个局部分类模型的计算量，提高分类计算的速度。本发明在影像后处理步骤中，利用mndwi最大值或evi最小值影像有效消除了分类影像中非水体的噪声像元，可有效减弱植被、建筑等噪声影响。相对于现有技术，本发明所述方法具有分类识别精度高的特点，其适用于对面积超过3000平方公里的区域的大尺度范围水体的识别，为流域尺度、国家尺度或洲际尺度的洪水、干旱等灾害监测提供了可靠技术方案，对防灾减灾和政策制定等工作开展具有重要意义。