CN112163533B - 一种遥感监测自然灾害数据处理方法及*** - Google Patents
一种遥感监测自然灾害数据处理方法及*** Download PDFInfo
- Publication number
- CN112163533B CN112163533B CN202011067888.2A CN202011067888A CN112163533B CN 112163533 B CN112163533 B CN 112163533B CN 202011067888 A CN202011067888 A CN 202011067888A CN 112163533 B CN112163533 B CN 112163533B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- disaster
- detection
- sensing image
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种遥感监测自然灾害数据处理方法及***，涉及遥感监测与大数据处理技术领域。本发明通过获取当前采集阶段内遥感设备采集的已知检测点；进而确定原始遥感图像和待分析遥感图像；通过确定待分析遥感图像与历史灾害遥感图像，再得到目标灾害遥感图像，并确定目标灾害遥感图像的检测指标与待分析遥感图像的检测指标之间的第二映射矩阵，使得能够根据第二映射矩阵和待分析遥感图像中的检测点，对待分析遥感图像进行检测点预测，从而能够使得预测得到的灾害预测结果能够基于待分析遥感图像与历史灾害遥感图像进行确定，由此得到参考度更加可信的灾害预测结果。
Description
技术领域
本发明涉及遥感监测与大数据处理技术领域，具体而言，涉及一种遥感监测自然灾害数据处理方法及***。
背景技术
遥感测量技术作为一种远距离的测量技术，一般用于对地表地貌变化情况进行测量。遥感测量技术也涉及了有关自然灾害的监测，在发生例如泥石流、森林火灾和地震等自然灾害时，需要对自然灾害的发展进行监控，而在现有技术中，通过遥感技术对自然灾害进行实时监测已经较为成熟，但对于相关自然灾害发生后的预测并没有较好的方案，只能通过一些简单的指标进行预测，而预测得到的灾害预测结果可信度并不高，这为后续应对响应自然灾害的策略定制带来了困扰。
有鉴于此，如何提供一种能够得到参考度更加可信的灾害预测结果的遥感监测自然灾害数据处理方案，是本领域技术人员需要解决的。
发明内容
本发明提供一种遥感监测自然灾害数据处理方法及***。
第一方面，本发明实施例提供一种遥感监测自然灾害数据处理方法，应用于计算机设备，计算机设备与遥感设备通信连接，方法包括：
获取当前采集阶段内遥感设备采集的已知检测点；
基于当前采集阶段内的已知检测点确定原始遥感图像；
通过预设神经网络算法对原始遥感图像进行遥感信息处理，得到待分析遥感图像；
确定待分析遥感图像的检测指标与历史灾害遥感图像的检测指标之间的第一映射矩阵，包括：分别构建待分析遥感图像和历史灾害遥感图像中每一检测点的逻辑关系树，得到多个第一遥感特征轨迹图和多个第二遥感特征轨迹图，确定每一第一遥感特征轨迹图与每一第二遥感特征轨迹图之间的第一匹配置信度，得到第一映射矩阵，其中，历史灾害遥感图像基于样本阶段的灾害数据确定；
从历史灾害遥感图像中提取满足待分析遥感图像预设关联规则的候选检测点，得到第一候选检测点集合；
基于第一映射矩阵从第一候选检测点集合中确定第一目标检测点，并根据第一目标检测点对待分析遥感图像的检测点信息进行调整，得到目标灾害遥感图像；
确定目标灾害遥感图像的检测指标与待分析遥感图像的检测指标之间的第二映射矩阵，包括：分别构建待分析遥感图像和目标灾害遥感图像中每一检测点的逻辑关系树，得到多个第三遥感特征轨迹图和多个第四遥感特征轨迹图，确定每一第三遥感特征轨迹图与每一第四遥感特征轨迹图之间的第二匹配置信度，得到第二映射矩阵；
根据第二映射矩阵和待分析遥感图像中的检测点，对待分析遥感图像进行检测点预测，得到灾害预测结果。
可选地，待分析遥感图像的检测指标包括：待分析遥感图像中每一已知检测点的灾害趋势指数、及在待分析遥感图像中的灾害权重指数；历史灾害遥感图像的检测指标包括：历史灾害遥感图像中每一检测点的灾害趋势指数、及在历史灾害遥感图像中的灾害权重指数；
基于第一映射矩阵从第一候选检测点集合中确定第一目标检测点，并根据第一目标检测点对待分析遥感图像的检测点信息进行调整的步骤，包括：
基于第一匹配置信度，确定待分析遥感图像中每一检测点关于历史灾害遥感图像中每一检测点的第一映射函数，其中，第一映射函数用于反映待分析遥感图像中每一检测点对历史灾害遥感图像中每一检测点的关注度；
按照第一映射函数由高到低的顺序从第一候选检测点集合中确定相应的候选检测点，作为第一目标检测点；
根据第一目标检测点在历史灾害遥感图像中的灾害权重指数、及第一目标点对应的灾害趋势指数，在待分析遥感图像中的相应位置生成对应检测点。
可选地，根据第二映射矩阵和待分析遥感图像中的检测点，对待分析遥感图像进行检测点预测，得到灾害预测结果的步骤，包括：
获取检测点，并根据检测点获取对应的第二映射矩阵；
基于检测点，通过灾害预测模型所包括的第一特征提取网络获取检测特征集合，其中，检测特征集合包括预设数量检测特征；
基于第二映射矩阵，通过灾害预测模型所包括的第二特征提取网络获取参考特征集合，其中，参考特征集合包括预设数量参考特征；
基于检测特征集合，根据检测特征集合中的每帧检测特征，通过第一注意力机制所包括的最大池化层获取第一最大池化特征值，其中，第一注意力机制属于灾害预测模型；
根据检测特征集合中的每帧检测特征，通过第一注意力机制所包括的全局平均池化层获取第一平均池化特征值；
根据检测特征集合中的每帧检测特征，基于第一最大池化特征值以及第一平均池化特征值，通过第一注意力机制所包括的卷积层获取第一融合特征；
根据检测特征集合中的每帧检测特征，基于第一融合特征以及检测特征，通过第一注意力机制所包括的第一全局平均池化层获取第一特征向量，其中，每个第一特征向量对应于一个检测特征；
根据参考特征集合中的每帧参考特征，通过第二注意力机制所包括的最大池化层获取第二最大池化特征值，其中，第二注意力机制属于灾害预测模型；
根据参考特征集合中的每帧参考特征，通过第二注意力机制所包括的全局平均池化层获取第二平均池化特征值；
根据参考特征集合中的每帧参考特征，基于第二最大池化特征值以及第二平均池化特征值，通过第二注意力机制所包括的卷积层获取第二融合特征；
根据参考特征集合中的每帧参考特征，基于第二融合特征以及参考特征，通过第二注意力机制所包括的第二全局平均池化层获取第二特征向量，其中，每个第二特征向量对应于一个参考特征；
对预设数量第一特征向量以及预设数量第二特征向量进行融合，得到预设数量目标特征向量，其中，每个目标特征向量包括一个第一特征向量以及一个第二特征向量；
基于预设数量目标特征向量，通过灾害预测模型所包括的全连接层获取检测点所对应的灾害匹配分数；
根据灾害匹配分数确定待分析遥感图像的灾害预测结果。
可选地，基于预设数量目标特征向量，通过灾害预测模型所包括的全连接层获取检测点所对应的灾害匹配分数的步骤，包括：
基于预设数量目标特征向量，通过灾害预测模型所包括的注意力机制获取目标预测向量，其中，目标预测向量为根据预设数量目标特征向量以及预设数量预设参考系数确定的，每个目标特征向量对应于一个预设参考系数；
基于目标预测向量，通过灾害预测模型所包括的全连接层获取检测点所对应的灾害匹配分数。
可选地，通过预设神经网络算法对原始遥感图像进行遥感信息处理，得到待分析遥感图像的步骤，包括：
构建原始遥感图像中已知检测点的逻辑关系树；
根据已知检测点的逻辑关系树，确定原始遥感图像中已知检测点两两之间的匹配置信度；
基于已知检测点两两之间的匹配置信度，确定原始遥感图像内每一已知检测点关于其他已知检测点的第三映射函数，其中，第三映射函数用于反映原始遥感图像中每一检测点对其轨迹内其他已知检测点的关注度；
根据第三映射函数对原始遥感图像中的已知检测点的逻辑关系树进行调整，得到待分析遥感图像。
可选地，基于样本阶段的灾害数据确定历史灾害遥感图像的步骤，包括：
采集样本阶段的灾害数据；
按照指定采集阶段和灾害数据，构建多个样本灾害遥感图像；
将多个样本灾害遥感图像按时间整合，从整合后的多个样本灾害遥感图像中确定出同一时刻下出现频率最高的检测点，并根据同一时刻下出现频率最高的检测点构建得到目标样本灾害遥感图像；
构建目标样本灾害遥感图像中每一检测点的逻辑关系树；
根据每一检测点的逻辑关系树，确定目标样本灾害遥感图像中两两检测点之间的匹配置信度；
基于两两检测点之间的匹配置信度，确定目标样本灾害遥感图像中每一检测点关于其他检测点的第四映射函数，其中，第四映射函数用于反映目标样本灾害遥感图像中每一检测点对其轨迹内其他检测点的关注度；
根据第四映射函数对目标样本灾害遥感图像中的检测点的逻辑关系树进行调整，得到历史灾害遥感图像。
可选地，计算机设备还与灾害处理服务器通信连接，根据第一目标检测点对待分析遥感图像的检测点信息进行调整，得到目标灾害遥感图像的步骤，包括：
获取第一目标检测点、第一目标检测点对应的检测点信息及检测点信息的检测特征向量，其中，检测点信息的检测特征向量包括第一灾害数据及第一灾害数据的至少一个第二灾害数据；
将按照第一预设权重及第一预设灾害类型在检测点信息中配置的一个数据段域确定为第一灾害数据；
将按照第二预设权重及第二预设灾害类型在检测点信息中沿第一灾害数据的边缘配置的至少一个数据段域确定为第一灾害数据的第二灾害数据；
查找与第一目标检测点相匹配的目标灾害类型；
为第一目标检测点创建标记任务，其中，标记任务包括第一目标检测点的标识；
将标记任务推送至目标灾害处理服务器；
接收目标灾害处理服务器执行标记任务而发送的标记请求，标记请求携带第一目标检测点的标识；
根据第一目标检测点的标识将第一目标检测点对应的检测点信息及检测点信息的检测特征向量返回至目标灾害处理服务器，以使目标灾害处理服务器在检测点信息的各检测特征向量的第一灾害数据或第二灾害数据中进行标记得到检测点信息的标记特征向量，其中，检测点信息的标记特征向量包括检测特征向量中的标记对象及标记对象在检测特征向量中的第一序列；
接收目标灾害处理服务器提交的检测点信息的标记特征向量；
对标记对象在检测特征向量中的第一序列进行转换处理，得到标记对象在第一目标检测点中的第二序列；
根据标记对象在第一目标检测点中的第二序列在第一目标检测点中确定标记字段；
将标记对象在第一目标检测点中的第二序列及第一目标检测点中的标记字段确定为第一目标检测点的标记特征向量；
根据检测点信息的标记特征向量和第一目标检测点的标记特征向量从待分析遥感图像中确定目标灾害遥感图像。
第二方面，本发明实施例提供一种遥感监测自然灾害数据处理***，应用于计算机设备，计算机设备与遥感设备通信连接，***包括：
获取模块，用于获取当前采集阶段内遥感设备采集的已知检测点；基于当前采集阶段内的已知检测点确定原始遥感图像；通过预设神经网络算法对原始遥感图像进行遥感信息处理，得到待分析遥感图像；
确定模块，用于确定待分析遥感图像的检测指标与历史灾害遥感图像的检测指标之间的第一映射矩阵，包括：分别构建待分析遥感图像和历史灾害遥感图像中每一检测点的逻辑关系树，得到多个第一遥感特征轨迹图和多个第二遥感特征轨迹图，确定每一第一遥感特征轨迹图与每一第二遥感特征轨迹图之间的第一匹配置信度，得到第一映射矩阵，其中，历史灾害遥感图像基于样本阶段的灾害数据确定；从历史灾害遥感图像中提取满足待分析遥感图像预设关联规则的候选检测点，得到第一候选检测点集合；基于第一映射矩阵从第一候选检测点集合中确定第一目标检测点，并根据第一目标检测点对待分析遥感图像的检测点信息进行调整，得到目标灾害遥感图像；确定目标灾害遥感图像的检测指标与待分析遥感图像的检测指标之间的第二映射矩阵，包括：分别构建待分析遥感图像和目标灾害遥感图像中每一检测点的逻辑关系树，得到多个第三遥感特征轨迹图和多个第四遥感特征轨迹图，确定每一第三遥感特征轨迹图与每一第四遥感特征轨迹图之间的第二匹配置信度，得到第二映射矩阵；
预测模块，用于根据第二映射矩阵和待分析遥感图像中的检测点，对待分析遥感图像进行检测点预测，得到灾害预测结果。
可选地，待分析遥感图像的检测指标包括：待分析遥感图像中每一已知检测点的灾害趋势指数、及在待分析遥感图像中的灾害权重指数；历史灾害遥感图像的检测指标包括：历史灾害遥感图像中每一检测点的灾害趋势指数、及在历史灾害遥感图像中的灾害权重指数；
确定模块具体用于：
基于第一匹配置信度，确定待分析遥感图像中每一检测点关于历史灾害遥感图像中每一检测点的第一映射函数，其中，第一映射函数用于反映待分析遥感图像中每一检测点对历史灾害遥感图像中每一检测点的关注度；按照第一映射函数由高到低的顺序从第一候选检测点集合中确定相应的候选检测点，作为第一目标检测点；根据第一目标检测点在历史灾害遥感图像中的灾害权重指数、及第一目标点对应的灾害趋势指数，在待分析遥感图像中的相应位置生成对应检测点。
可选地，预测模块具体用于：
获取检测点，并根据检测点获取对应的第二映射矩阵；基于检测点，通过灾害预测模型所包括的第一特征提取网络获取检测特征集合，其中，检测特征集合包括预设数量检测特征；基于第二映射矩阵，通过灾害预测模型所包括的第二特征提取网络获取参考特征集合，其中，参考特征集合包括预设数量参考特征；基于检测特征集合，根据检测特征集合中的每帧检测特征，通过第一注意力机制所包括的最大池化层获取第一最大池化特征值，其中，第一注意力机制属于灾害预测模型；根据检测特征集合中的每帧检测特征，通过第一注意力机制所包括的全局平均池化层获取第一平均池化特征值；根据检测特征集合中的每帧检测特征，基于第一最大池化特征值以及第一平均池化特征值，通过第一注意力机制所包括的卷积层获取第一融合特征；根据检测特征集合中的每帧检测特征，基于第一融合特征以及检测特征，通过第一注意力机制所包括的第一全局平均池化层获取第一特征向量，其中，每个第一特征向量对应于一个检测特征；根据参考特征集合中的每帧参考特征，通过第二注意力机制所包括的最大池化层获取第二最大池化特征值，其中，第二注意力机制属于灾害预测模型；根据参考特征集合中的每帧参考特征，通过第二注意力机制所包括的全局平均池化层获取第二平均池化特征值；根据参考特征集合中的每帧参考特征，基于第二最大池化特征值以及第二平均池化特征值，通过第二注意力机制所包括的卷积层获取第二融合特征；根据参考特征集合中的每帧参考特征，基于第二融合特征以及参考特征，通过第二注意力机制所包括的第二全局平均池化层获取第二特征向量，其中，每个第二特征向量对应于一个参考特征；对预设数量第一特征向量以及预设数量第二特征向量进行融合，得到预设数量目标特征向量，其中，每个目标特征向量包括一个第一特征向量以及一个第二特征向量；基于预设数量目标特征向量，通过灾害预测模型所包括的全连接层获取检测点所对应的灾害匹配分数；根据灾害匹配分数确定待分析遥感图像的灾害预测结果。
相比现有技术，本发明提供的有益效果包括：本发明公开了一种遥感监测自然灾害数据处理方法及***，通过获取当前采集阶段内遥感设备采集的已知检测点；进而确定原始遥感图像和待分析遥感图像；通过确定待分析遥感图像与历史灾害遥感图像，再得到目标灾害遥感图像，并确定目标灾害遥感图像的检测指标与待分析遥感图像的检测指标之间的第二映射矩阵，使得能够根据第二映射矩阵和待分析遥感图像中的检测点，对待分析遥感图像进行检测点预测，从而能够使得预测得到的灾害预测结果能够基于待分析遥感图像与历史灾害遥感图像进行确定，由此得到参考度更加可信的灾害预测结果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定。对于本领域普通技术人员来讲，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相关的附图。
图1为本发明实施例提供的遥感监测自然灾害数据处理***的交互示意图；
图2为本发明实施例提供的遥感监测自然灾害数据处理方法的步骤流程示意图；
图3为本发明实施例提供的遥感监测自然灾害数据处理***的结构示意框图；
图4为本发明实施例提供的计算机设备的结构示意框图。
图标：10-。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要理解的是，术语“上”、“下”、“内”、“外”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，“设置”、“连接”等术语应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图，对本发明的具体实施方式进行详细说明。
图1是本公开一种实施例提供的遥感监测自然灾害数据处理***的交互示意图。遥感监测自然灾害数据处理***可以包括计算机设备100以及与计算机设备100通信连接的遥感设备200。图1所示的遥感监测自然灾害数据处理***仅为一种可行的示例，在其它可行的实施例中，该遥感监测自然灾害数据处理***也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
本实施例中，遥感监测自然灾害数据处理中的计算机设备100和遥感设备200可以通过配合执行以下方法实施例所描述的遥感监测自然灾害数据处理方法，具体计算机设备100和遥感设备200的执行步骤部分可以参照以下方法实施例的详细描述。
为了解决前述背景技术中的技术问题，图2为本公开实施例提供的遥感监测自然灾害数据处理方法的流程示意图，本实施例提供的遥感监测自然灾害数据处理方法可以由图1中所示的计算机设备100执行，下面对该遥感监测自然灾害数据处理方法进行详细介绍。
步骤201，获取当前采集阶段内遥感设备200采集的已知检测点。
步骤202，基于当前采集阶段内的已知检测点确定原始遥感图像。
步骤203，通过预设神经网络算法对原始遥感图像进行遥感信息处理，得到待分析遥感图像。
步骤204，确定待分析遥感图像的检测指标与历史灾害遥感图像的检测指标之间的第一映射矩阵。
包括：分别构建待分析遥感图像和历史灾害遥感图像中每一检测点的逻辑关系树，得到多个第一遥感特征轨迹图和多个第二遥感特征轨迹图，确定每一第一遥感特征轨迹图与每一第二遥感特征轨迹图之间的第一匹配置信度，得到第一映射矩阵，其中，历史灾害遥感图像基于样本阶段的灾害数据确定。
步骤205，从历史灾害遥感图像中提取满足待分析遥感图像预设关联规则的候选检测点，得到第一候选检测点集合。
步骤206，基于第一映射矩阵从第一候选检测点集合中确定第一目标检测点，并根据第一目标检测点对待分析遥感图像的检测点信息进行调整，得到目标灾害遥感图像。
步骤207，确定目标灾害遥感图像的检测指标与待分析遥感图像的检测指标之间的第二映射矩阵。
包括：分别构建待分析遥感图像和目标灾害遥感图像中每一检测点的逻辑关系树，得到多个第三遥感特征轨迹图和多个第四遥感特征轨迹图，确定每一第三遥感特征轨迹图与每一第四遥感特征轨迹图之间的第二匹配置信度，得到第二映射矩阵。
步骤208，根据第二映射矩阵和待分析遥感图像中的检测点，对待分析遥感图像进行检测点预测，得到灾害预测结果。
在本发明实施例中，预设神经网络算法可以是自注意力机制，通过上述步骤，能够得到参考值较大的灾害预测结果。
在此基础上，待分析遥感图像的检测指标包括：待分析遥感图像中每一已知检测点的灾害趋势指数、及在待分析遥感图像中的灾害权重指数；历史灾害遥感图像的检测指标包括：历史灾害遥感图像中每一检测点的灾害趋势指数、及在历史灾害遥感图像中的灾害权重指数；
作为一种可替换的实施例，前述步骤206可以由下面的具体实施方式实现。
子步骤206-1，基于第一匹配置信度，确定待分析遥感图像中每一检测点关于历史灾害遥感图像中每一检测点的第一映射函数。
其中，第一映射函数用于反映待分析遥感图像中每一检测点对历史灾害遥感图像中每一检测点的关注度。
子步骤206-2，按照第一映射函数由高到低的顺序从第一候选检测点集合中确定相应的候选检测点，作为第一目标检测点。
子步骤206-3，根据第一目标检测点在历史灾害遥感图像中的灾害权重指数、及第一目标点对应的灾害趋势指数，在待分析遥感图像中的相应位置生成对应检测点。
在此基础上，为了能够更加清楚地对本发明的方案进行描述，下面提供前述步骤208的一种详细实施步骤。
子步骤208-1，获取检测点，并根据检测点获取对应的第二映射矩阵。
子步骤208-2，基于检测点，通过灾害预测模型所包括的第一特征提取网络获取检测特征集合。
其中，检测特征集合包括预设数量检测特征。
子步骤208-3，基于第二映射矩阵，通过灾害预测模型所包括的第二特征提取网络获取参考特征集合。
其中，参考特征集合包括预设数量参考特征。
子步骤208-4，基于检测特征集合，根据检测特征集合中的每帧检测特征，通过第一注意力机制所包括的最大池化层获取第一最大池化特征值。
其中，第一注意力机制属于灾害预测模型。
子步骤208-5，根据检测特征集合中的每帧检测特征，通过第一注意力机制所包括的全局平均池化层获取第一平均池化特征值。
子步骤208-6，根据检测特征集合中的每帧检测特征，基于第一最大池化特征值以及第一平均池化特征值，通过第一注意力机制所包括的卷积层获取第一融合特征。
子步骤208-7，根据检测特征集合中的每帧检测特征，基于第一融合特征以及检测特征，通过第一注意力机制所包括的第一全局平均池化层获取第一特征向量，其中，每个第一特征向量对应于一个检测特征。
子步骤208-8，根据参考特征集合中的每帧参考特征，通过第二注意力机制所包括的最大池化层获取第二最大池化特征值。
其中，第二注意力机制属于灾害预测模型。
子步骤208-9，根据参考特征集合中的每帧参考特征，通过第二注意力机制所包括的全局平均池化层获取第二平均池化特征值。
子步骤208-10，根据参考特征集合中的每帧参考特征，基于第二最大池化特征值以及第二平均池化特征值，通过第二注意力机制所包括的卷积层获取第二融合特。
子步骤208-11，根据参考特征集合中的每帧参考特征，基于第二融合特征以及参考特征，通过第二注意力机制所包括的第二全局平均池化层获取第二特征向量。
其中，每个第二特征向量对应于一个参考特征。
子步骤208-12，对预设数量第一特征向量以及预设数量第二特征向量进行融合，得到预设数量目标特征向量。
其中，每个目标特征向量包括一个第一特征向量以及一个第二特征向量。
子步骤208-13，基于预设数量目标特征向量，通过灾害预测模型所包括的全连接层获取检测点所对应的灾害匹配分数。
子步骤208-14，根据灾害匹配分数确定待分析遥感图像的灾害预测结果。
除此之外，待分析遥感图像的检测指标包括：待分析遥感图像中每一已知检测点的灾害趋势指数、及在待分析遥感图像中的灾害权重指数；目标灾害遥感图像的检测指标包括：目标灾害遥感图像中每一检测点的灾害趋势指数、及在目标灾害遥感图像中的灾害权重指数。前述步骤208还可以有譬如以下的具体实施方式来确定灾害匹配分数。
基于第二匹配置信度，确定待分析遥感图像中每一检测点关于目标灾害遥感图像中每一检测点的第二映射函数，其中，第二映射函数用于反映待分析遥感图像中每一检测点对目标灾害遥感图像中每一检测点的关注度；根据第二映射函数和目标灾害遥感图像中检测点的灾害权重指数，从目标灾害遥感图像中确定候选检测点，得到第二候选检测点集合；基于待分析遥感图像中的已知检测点，从第二候选检测点集合中确定第二目标检测点；基于第二目标检测点对应的灾害趋势指数，在待分析遥感图像中的相应位置生成对应检测点，以对待分析遥感图像进行检测点预测，得到灾害预测结果。
在此基础上，前述子步骤208-13可以通过以下的具体实施方式实现。
（1）基于预设数量目标特征向量，通过灾害预测模型所包括的注意力机制获取目标预测向量。
其中，目标预测向量为根据预设数量目标特征向量以及预设数量预设参考系数确定的，每个目标特征向量对应于一个预设参考系数。
（2）基于目标预测向量，通过灾害预测模型所包括的全连接层获取检测点所对应的灾害匹配分数。
为了能够更加清楚地对本发明进行解释，譬如，上述子步骤209-13中的（1）可以由以下的具体实施方式实现。
基于预设数量目标特征向量，通过注意力机制所包括的第一子网络获取预设数量第一子特征向量，其中，注意力机制属于灾害预测模型； 基于预设数量第一子特征向量，通过注意力机制所包括的第二子网络获取预设数量第二子特征向量；根据预设数量第二子特征向量确定预设数量预设参考系数，其中，每个预设参考系数对应于一个目标特征向量；根据预设数量目标特征向量以及预设数量预设参考系数，确定目标预测向量。
除此之外，前述步骤208-12还可以有譬如以下的具体实施方式来确定灾害匹配分数。
基于检测特征集合，通过灾害预测模型所包括的第一全局平均池化层获取预设数量第一特征向量，其中，每个第一特征向量对应于一个检测特征； 基于参考特征集合，通过灾害预测模型所包括的第二全局平均池化层获取预设数量第二特征向量，其中，每个第二特征向量对应于一个参考特征； 对预设数量第一特征向量以及预设数量第二特征向量进行融合，得到预设数量目标特征向量，其中，每个目标特征向量包括一个第一特征向量以及一个第二特征向量； 基于预设数量目标特征向量，通过灾害预测模型所包括的注意力机制获取目标预测向量，其中，目标预测向量为根据预设数量目标特征向量以及预设数量预设参考系数确定的，每个目标特征向量对应于一个预设参考系数； 基于目标预测向量，通过灾害预测模型所包括的全连接层获取检测点所对应的灾害匹配分数。
作为一种可替换的具体实施方式，前述步骤203可以通过以下具体步骤实现。
子步骤203-1，构建原始遥感图像中已知检测点的逻辑关系树。
子步骤203-2，根据已知检测点的逻辑关系树，确定原始遥感图像中已知检测点两两之间的匹配置信度。
子步骤203-3，基于已知检测点两两之间的匹配置信度，确定原始遥感图像内每一已知检测点关于其他已知检测点的第三映射函数。
其中，第三映射函数用于反映原始遥感图像中每一检测点对其轨迹内其他已知检测点的关注度。
子步骤203-4根据第三映射函数对原始遥感图像中的已知检测点的逻辑关系树进行调整，得到待分析遥感图像。
在前述基础上，在前述步骤204中，基于样本阶段的灾害数据确定历史灾害遥感图像可以通过以下步骤实现。
子步骤204-1，采集样本阶段的灾害数据。
子步骤204-2，按照指定采集阶段和灾害数据，构建多个样本灾害遥感图像。
子步骤204-3，将多个样本灾害遥感图像按时间整合，从整合后的多个样本灾害遥感图像中确定出同一时刻下出现频率最高的检测点，并根据同一时刻下出现频率最高的检测点构建得到目标样本灾害遥感图像。
子步骤204-4，构建目标样本灾害遥感图像中每一检测点的逻辑关系树。
子步骤204-5，根据每一检测点的逻辑关系树，确定目标样本灾害遥感图像中两两检测点之间的匹配置信度。
子步骤204-6，基于两两检测点之间的匹配置信度，确定目标样本灾害遥感图像中每一检测点关于其他检测点的第四映射函数。
其中，第四映射函数用于反映目标样本灾害遥感图像中每一检测点对其轨迹内其他检测点的关注度。
子步骤204-7，根据第四映射函数对目标样本灾害遥感图像中的检测点的逻辑关系树进行调整，得到历史灾害遥感图像。
除此之外，又譬如以下的具体实施方式，前述步骤204还可以通过下述步骤实现。
采集样本阶段的灾害数据；按照指定采集阶段和灾害数据，构建多个样本灾害遥感图像；通过注意力机制将多个样本灾害遥感图像进行处理，得到历史灾害遥感图像。
在前述基础上，计算机设备100还与灾害处理服务器通信连接，为了能够更加清楚地描述本发明的方案，前述步骤206具体可以由以下步骤实现。
子步骤206-4，获取第一目标检测点、第一目标检测点对应的检测点信息及检测点信息的检测特征向量。
其中，检测点信息的检测特征向量包括第一灾害数据及第一灾害数据的至少一个第二灾害数据。
子步骤206-5，将按照第一预设权重及第一预设灾害类型在检测点信息中配置的一个数据段域确定为第一灾害数据。
子步骤206-6，将按照第二预设权重及第二预设灾害类型在检测点信息中沿第一灾害数据的边缘配置的至少一个数据段域确定为第一灾害数据的第二灾害数据。
子步骤206-7，查找与第一目标检测点相匹配的目标灾害类型。
子步骤206-8，为第一目标检测点创建标记任务。
其中，标记任务包括第一目标检测点的标识。
子步骤206-9，将标记任务推送至目标灾害处理服务器。
子步骤206-10，接收目标灾害处理服务器执行标记任务而发送的标记请求。
其中，标记请求携带第一目标检测点的标识。
子步骤206-11，根据第一目标检测点的标识将第一目标检测点对应的检测点信息及检测点信息的检测特征向量返回至目标灾害处理服务器，以使目标灾害处理服务器在检测点信息的各检测特征向量的第一灾害数据或第二灾害数据中进行标记得到检测点信息的标记特征向量。
其中，检测点信息的标记特征向量包括检测特征向量中的标记对象及标记对象在检测特征向量中的第一序列。
子步骤206-12，接收目标灾害处理服务器提交的检测点信息的标记特征向量。
子步骤206-13，对标记对象在检测特征向量中的第一序列进行转换处理，得到标记对象在第一目标检测点中的第二序列。
子步骤206-14，根据标记对象在第一目标检测点中的第二序列在第一目标检测点中确定标记字段。
子步骤206-15，将标记对象在第一目标检测点中的第二序列及第一目标检测点中的标记字段确定为第一目标检测点的标记特征向量。
子步骤206-16，根据检测点信息的标记特征向量和第一目标检测点的标记特征向量从待分析遥感图像中确定目标灾害遥感图像。
除了前述提出的方案，本发明实施例还提供譬如以下的实施例来确定检测特征向量。
若接收到目标灾害处理服务器发送的根据第一灾害数据的变更请求，获取变更后的第一灾害数据，并重新确定变更后的第一灾害数据的至少一个第二灾害数据； 按照变更后的第一灾害数据及变更后的第一灾害数据的至少一个第二灾害数据更新检测点信息的检测特征向量。
为了能够提高数据处理的效率，本发明实施例还提供譬如以下的实施例来。
将第一目标检测点及第一目标检测点的标记特征向量进行关联存储；将关联存储的第一目标检测点及第一目标检测点的标记特征向量作为样本数据输入至机器学习模型中以进行机器学习。
本发明实施例提供一种遥感监测自然灾害数据处理***110，应用于计算机设备100，计算机设备100与遥感设备200通信连接，如图3所示，遥感监测自然灾害数据处理***110包括：
获取模块1101，用于获取当前采集阶段内遥感设备200采集的已知检测点；基于当前采集阶段内的已知检测点确定原始遥感图像；通过预设神经网络算法对原始遥感图像进行遥感信息处理，得到待分析遥感图像。
确定模块1102，用于确定待分析遥感图像的检测指标与历史灾害遥感图像的检测指标之间的第一映射矩阵，包括：分别构建待分析遥感图像和历史灾害遥感图像中每一检测点的逻辑关系树，得到多个第一遥感特征轨迹图和多个第二遥感特征轨迹图，确定每一第一遥感特征轨迹图与每一第二遥感特征轨迹图之间的第一匹配置信度，得到第一映射矩阵，其中，历史灾害遥感图像基于样本阶段的灾害数据确定；从历史灾害遥感图像中提取满足待分析遥感图像预设关联规则的候选检测点，得到第一候选检测点集合；基于第一映射矩阵从第一候选检测点集合中确定第一目标检测点，并根据第一目标检测点对待分析遥感图像的检测点信息进行调整，得到目标灾害遥感图像；确定目标灾害遥感图像的检测指标与待分析遥感图像的检测指标之间的第二映射矩阵，包括：分别构建待分析遥感图像和目标灾害遥感图像中每一检测点的逻辑关系树，得到多个第三遥感特征轨迹图和多个第四遥感特征轨迹图，确定每一第三遥感特征轨迹图与每一第四遥感特征轨迹图之间的第二匹配置信度，得到第二映射矩阵。
预测模块1103，用于根据第二映射矩阵和待分析遥感图像中的检测点，对待分析遥感图像进行检测点预测，得到灾害预测结果。
进一步地，待分析遥感图像的检测指标包括：待分析遥感图像中每一已知检测点的灾害趋势指数、及在待分析遥感图像中的灾害权重指数；历史灾害遥感图像的检测指标包括：历史灾害遥感图像中每一检测点的灾害趋势指数、及在历史灾害遥感图像中的灾害权重指数。
确定模块1102具体用于：
基于第一匹配置信度，确定待分析遥感图像中每一检测点关于历史灾害遥感图像中每一检测点的第一映射函数，其中，第一映射函数用于反映待分析遥感图像中每一检测点对历史灾害遥感图像中每一检测点的关注度；按照第一映射函数由高到低的顺序从第一候选检测点集合中确定相应的候选检测点，作为第一目标检测点；根据第一目标检测点在历史灾害遥感图像中的灾害权重指数、及第一目标点对应的灾害趋势指数，在待分析遥感图像中的相应位置生成对应检测点。
进一步地，预测模块1103具体用于：
获取检测点，并根据检测点获取对应的第二映射矩阵；基于检测点，通过灾害预测模型所包括的第一特征提取网络获取检测特征集合，其中，检测特征集合包括预设数量检测特征；基于第二映射矩阵，通过灾害预测模型所包括的第二特征提取网络获取参考特征集合，其中，参考特征集合包括预设数量参考特征；基于检测特征集合，根据检测特征集合中的每帧检测特征，通过第一注意力机制所包括的最大池化层获取第一最大池化特征值，其中，第一注意力机制属于灾害预测模型；根据检测特征集合中的每帧检测特征，通过第一注意力机制所包括的全局平均池化层获取第一平均池化特征值；根据检测特征集合中的每帧检测特征，基于第一最大池化特征值以及第一平均池化特征值，通过第一注意力机制所包括的卷积层获取第一融合特征；根据检测特征集合中的每帧检测特征，基于第一融合特征以及检测特征，通过第一注意力机制所包括的第一全局平均池化层获取第一特征向量，其中，每个第一特征向量对应于一个检测特征；根据参考特征集合中的每帧参考特征，通过第二注意力机制所包括的最大池化层获取第二最大池化特征值，其中，第二注意力机制属于灾害预测模型；根据参考特征集合中的每帧参考特征，通过第二注意力机制所包括的全局平均池化层获取第二平均池化特征值；根据参考特征集合中的每帧参考特征，基于第二最大池化特征值以及第二平均池化特征值，通过第二注意力机制所包括的卷积层获取第二融合特征；根据参考特征集合中的每帧参考特征，基于第二融合特征以及参考特征，通过第二注意力机制所包括的第二全局平均池化层获取第二特征向量，其中，每个第二特征向量对应于一个参考特征；对预设数量第一特征向量以及预设数量第二特征向量进行融合，得到预设数量目标特征向量，其中，每个目标特征向量包括一个第一特征向量以及一个第二特征向量；基于预设数量目标特征向量，通过灾害预测模型所包括的全连接层获取检测点所对应的灾害匹配分数；根据灾害匹配分数确定待分析遥感图像的灾害预测结果。
进一步地，预测模块1103更进一步用于：
基于预设数量目标特征向量，通过灾害预测模型所包括的注意力机制获取目标预测向量，其中，目标预测向量为根据预设数量目标特征向量以及预设数量预设参考系数确定的，每个目标特征向量对应于一个预设参考系数；基于目标预测向量，通过灾害预测模型所包括的全连接层获取检测点所对应的灾害匹配分数。
进一步地，获取模块1101具体用于：
构建原始遥感图像中已知检测点的逻辑关系树；根据已知检测点的逻辑关系树，确定原始遥感图像中已知检测点两两之间的匹配置信度；基于已知检测点两两之间的匹配置信度，确定原始遥感图像内每一已知检测点关于其他已知检测点的第三映射函数，其中，第三映射函数用于反映原始遥感图像中每一检测点对其轨迹内其他已知检测点的关注度；根据第三映射函数对原始遥感图像中的已知检测点的逻辑关系树进行调整，得到待分析遥感图像。
进一步地，基于样本阶段的灾害数据确定历史灾害预测模块1103具体用于：
采集样本阶段的灾害数据；按照指定采集阶段和灾害数据，构建多个样本灾害遥感图像；将多个样本灾害遥感图像按时间整合，从整合后的多个样本灾害遥感图像中确定出同一时刻下出现频率最高的检测点，并根据同一时刻下出现频率最高的检测点构建得到目标样本灾害遥感图像；构建目标样本灾害遥感图像中每一检测点的逻辑关系树；根据每一检测点的逻辑关系树，确定目标样本灾害遥感图像中两两检测点之间的匹配置信度；基于两两检测点之间的匹配置信度，确定目标样本灾害遥感图像中每一检测点关于其他检测点的第四映射函数，其中，第四映射函数用于反映目标样本灾害遥感图像中每一检测点对其轨迹内其他检测点的关注度；根据第四映射函数对目标样本灾害遥感图像中的检测点的逻辑关系树进行调整，得到历史灾害遥感图像。
进一步地，计算机设备100还与灾害处理服务器通信连接，确定模块1102具体用于：
获取第一目标检测点、第一目标检测点对应的检测点信息及检测点信息的检测特征向量，其中，检测点信息的检测特征向量包括第一灾害数据及第一灾害数据的至少一个第二灾害数据；将按照第一预设权重及第一预设灾害类型在检测点信息中配置的一个数据段域确定为第一灾害数据；将按照第二预设权重及第二预设灾害类型在检测点信息中沿第一灾害数据的边缘配置的至少一个数据段域确定为第一灾害数据的第二灾害数据；查找与第一目标检测点相匹配的目标灾害类型；为第一目标检测点创建标记任务，其中，标记任务包括第一目标检测点的标识；将标记任务推送至目标灾害处理服务器；接收目标灾害处理服务器执行标记任务而发送的标记请求，标记请求携带第一目标检测点的标识；根据第一目标检测点的标识将第一目标检测点对应的检测点信息及检测点信息的检测特征向量返回至目标灾害处理服务器，以使目标灾害处理服务器在检测点信息的各检测特征向量的第一灾害数据或第二灾害数据中进行标记得到检测点信息的标记特征向量，其中，检测点信息的标记特征向量包括检测特征向量中的标记对象及标记对象在检测特征向量中的第一序列；接收目标灾害处理服务器提交的检测点信息的标记特征向量；对标记对象在检测特征向量中的第一序列进行转换处理，得到标记对象在第一目标检测点中的第二序列；根据标记对象在第一目标检测点中的第二序列在第一目标检测点中确定标记字段；将标记对象在第一目标检测点中的第二序列及第一目标检测点中的标记字段确定为第一目标检测点的标记特征向量；根据检测点信息的标记特征向量和第一目标检测点的标记特征向量从待分析遥感图像中确定目标灾害遥感图像。
需要说明的是，前述在遥感监测自然灾害数据处理***110的实现原理可以参考前述遥感监测自然灾害数据处理方法的实现原理，在此不再赘述。应理解以上***的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，获取模块1101可以为单独设立的处理元件，也可以集成在上述***的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述***的存储器中，由上述***的某一个处理元件调用并执行以上获取模块1101的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，ASIC)，或，一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessing unit，CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上***(system-on-a-chip，SOC)的形式实现。
本发明实施例提供一种计算机设备100，计算机设备100包括处理器及存储有计算机指令的非易失性存储器，计算机指令被处理器执行时，计算机设备100执行前述的遥感监测自然灾害数据处理***110。如图4所示，图4为本发明实施例提供的计算机设备100的结构框图。计算机设备100包括在遥感监测自然灾害数据处理***110、存储器111、处理器112及通信单元113。
为实现数据的传输或交互，存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接。例如，可通过一条或多个通讯总线或信号线实现这些元件相互之间电性连接。在遥感监测自然灾害数据处理***110包括至少一个可以软件或固件（firmware）的形式存储于存储器111中或固化在计算机设备100的操作***（operatingsystem，OS）中的软件功能模块。处理器112用于执行存储器111中存储的遥感监测自然灾害数据处理***110，例如在遥感监测自然灾害数据处理所包括的软件功能模块及计算机程序等。
本发明实施例提供一种可读存储介质，可读存储介质包括计算机程序，计算机程序运行时控制可读存储介质所在计算机设备100执行前述的遥感监测自然灾害数据处理方法。
综上，本发明公开了一种遥感监测自然灾害数据处理方法及***，通过获取当前采集阶段内遥感设备200采集的已知检测点；进而确定原始遥感图像和待分析遥感图像；通过确定待分析遥感图像与历史灾害遥感图像，再得到目标灾害遥感图像，并确定目标灾害遥感图像的检测指标与待分析遥感图像的检测指标之间的第二映射矩阵，使得能够根据第二映射矩阵和待分析遥感图像中的检测点，对待分析遥感图像进行检测点预测，从而能够使得预测得到的灾害预测结果能够基于待分析遥感图像与历史灾害遥感图像进行确定，由此得到参考度更加可信的灾害预测结果。
出于说明目的，前面的描述是参考具体实施例而进行的。但是，上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导，众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用，从而使本领域技术人员最佳地利用本公开，并利用具有不同修改的各种实施例以适于预期的特定应用。出于说明目的，前面的描述是参考具体实施例而进行的。但是，上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导，众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用，从而使本领域技术人员最佳地利用本公开，并利用具有不同修改的各种实施例以适于预期的特定应用。
Claims (10)
1.一种遥感监测自然灾害数据处理方法，其特征在于，应用于计算机设备，所述计算机设备与遥感设备通信连接，所述方法包括：
获取当前采集阶段内所述遥感设备采集的已知检测点；
基于当前采集阶段内的已知检测点确定原始遥感图像；
通过预设神经网络算法对原始遥感图像进行遥感信息处理，得到待分析遥感图像；
确定所述待分析遥感图像的检测指标与历史灾害遥感图像的检测指标之间的第一映射矩阵，包括：分别构建所述待分析遥感图像和历史灾害遥感图像中每一检测点的逻辑关系树，得到多个第一遥感特征轨迹图和多个第二遥感特征轨迹图，确定每一第一遥感特征轨迹图与每一第二遥感特征轨迹图之间的第一匹配置信度，得到所述第一映射矩阵，其中，所述历史灾害遥感图像基于样本阶段的灾害数据确定；
从所述历史灾害遥感图像中提取满足所述待分析遥感图像预设关联规则的候选检测点，得到第一候选检测点集合；
基于所述第一映射矩阵从所述第一候选检测点集合中确定第一目标检测点，并根据所述第一目标检测点对所述待分析遥感图像的检测点信息进行调整，得到目标灾害遥感图像；
确定所述目标灾害遥感图像的检测指标与所述待分析遥感图像的检测指标之间的第二映射矩阵，包括：分别构建所述待分析遥感图像和目标灾害遥感图像中每一检测点的逻辑关系树，得到多个第三遥感特征轨迹图和多个第四遥感特征轨迹图，确定每一第三遥感特征轨迹图与每一第四遥感特征轨迹图之间的第二匹配置信度，得到所述第二映射矩阵；
根据所述第二映射矩阵和所述待分析遥感图像中的检测点，对所述待分析遥感图像进行检测点预测，得到灾害预测结果。
2.根据权利要求1所述的方法，其特征在于，所述待分析遥感图像的检测指标包括：待分析遥感图像中每一已知检测点的灾害趋势指数、及在待分析遥感图像中的灾害权重指数；所述历史灾害遥感图像的检测指标包括：历史灾害遥感图像中每一检测点的灾害趋势指数、及在历史灾害遥感图像中的灾害权重指数；
所述基于所述第一映射矩阵从所述第一候选检测点集合中确定第一目标检测点，并根据所述第一目标检测点对所述待分析遥感图像的检测点信息进行调整的步骤，包括：
基于所述第一匹配置信度，确定所述待分析遥感图像中每一检测点关于所述历史灾害遥感图像中每一检测点的第一映射函数，其中，第一映射函数用于反映所述待分析遥感图像中每一检测点对所述历史灾害遥感图像中每一检测点的关注度；
按照第一映射函数由高到低的顺序从所述第一候选检测点集合中确定相应的候选检测点，作为第一目标检测点；
根据所述第一目标检测点在所述历史灾害遥感图像中的灾害权重指数、及第一目标点对应的灾害趋势指数，在所述待分析遥感图像中的相应位置生成对应检测点。
3.根据权利要求1所述的方法，其特征在于，所述根据所述第二映射矩阵和所述待分析遥感图像中的检测点，对所述待分析遥感图像进行检测点预测，得到灾害预测结果的步骤，包括：
获取检测点，并根据所述检测点获取对应的第二映射矩阵；
基于所述检测点，通过灾害预测模型所包括的第一特征提取网络获取检测特征集合，其中，所述检测特征集合包括预设数量检测特征；
基于所述第二映射矩阵，通过所述灾害预测模型所包括的第二特征提取网络获取参考特征集合，其中，所述参考特征集合包括预设数量参考特征；
基于所述检测特征集合，根据所述检测特征集合中的每帧检测特征，通过第一注意力机制所包括的最大池化层获取第一最大池化特征值，其中，所述第一注意力机制属于所述灾害预测模型；
根据所述检测特征集合中的每帧检测特征，通过所述第一注意力机制所包括的全局平均池化层获取第一平均池化特征值；
根据所述检测特征集合中的每帧检测特征，基于所述第一最大池化特征值以及所述第一平均池化特征值，通过所述第一注意力机制所包括的卷积层获取第一融合特征；
根据所述检测特征集合中的每帧检测特征，基于所述第一融合特征以及所述检测特征，通过所述第一注意力机制所包括的第一全局平均池化层获取第一特征向量，其中，每个第一特征向量对应于一个检测特征；
根据所述参考特征集合中的每帧参考特征，通过第二注意力机制所包括的最大池化层获取第二最大池化特征值，其中，所述第二注意力机制属于所述灾害预测模型；
根据所述参考特征集合中的每帧参考特征，通过所述第二注意力机制所包括的全局平均池化层获取第二平均池化特征值；
根据所述参考特征集合中的每帧参考特征，基于所述第二最大池化特征值以及所述第二平均池化特征值，通过所述第二注意力机制所包括的卷积层获取第二融合特征；
根据所述参考特征集合中的每帧参考特征，基于所述第二融合特征以及所述参考特征，通过所述第二注意力机制所包括的第二全局平均池化层获取第二特征向量，其中，每个第二特征向量对应于一个参考特征；
对所述预设数量第一特征向量以及所述预设数量第二特征向量进行融合，得到预设数量目标特征向量，其中，每个目标特征向量包括一个第一特征向量以及一个第二特征向量；
基于所述预设数量目标特征向量，通过所述灾害预测模型所包括的全连接层获取所述检测点所对应的灾害匹配分数；
根据所述灾害匹配分数确定所述待分析遥感图像的灾害预测结果。
4.根据权利要求3所述的方法，其特征在于，所述基于所述预设数量目标特征向量，通过所述灾害预测模型所包括的所述全连接层获取所述检测点所对应的灾害匹配分数的步骤，包括：
基于所述预设数量目标特征向量，通过所述灾害预测模型所包括的注意力机制获取目标预测向量，其中，所述目标预测向量为根据所述预设数量目标特征向量以及预设数量预设参考系数确定的，每个目标特征向量对应于一个预设参考系数；
基于所述目标预测向量，通过所述灾害预测模型所包括的所述全连接层获取所述检测点所对应的灾害匹配分数。
5.根据权利要求1所述的方法，其特征在于，所述通过预设神经网络算法对原始遥感图像进行遥感信息处理，得到待分析遥感图像的步骤，包括：
构建所述原始遥感图像中已知检测点的逻辑关系树；
根据已知检测点的逻辑关系树，确定所述原始遥感图像中已知检测点两两之间的匹配置信度；
基于已知检测点两两之间的匹配置信度，确定所述原始遥感图像内每一已知检测点关于其他已知检测点的第三映射函数，其中，第三映射函数用于反映所述原始遥感图像中每一检测点对其轨迹内其他已知检测点的关注度；
根据所述第三映射函数对所述原始遥感图像中的已知检测点的逻辑关系树进行调整，得到待分析遥感图像。
6.根据权利要求1所述的方法，其特征在于，基于样本阶段的灾害数据确定历史灾害遥感图像的步骤，包括：
采集样本阶段的灾害数据；
按照指定采集阶段和所述灾害数据，构建多个样本灾害遥感图像；
将所述多个样本灾害遥感图像按时间整合，从整合后的多个样本灾害遥感图像中确定出同一时刻下出现频率最高的检测点，并根据同一时刻下出现频率最高的检测点构建得到目标样本灾害遥感图像；
构建所述目标样本灾害遥感图像中每一检测点的逻辑关系树；
根据每一检测点的逻辑关系树，确定所述目标样本灾害遥感图像中两两检测点之间的匹配置信度；
基于两两检测点之间的匹配置信度，确定所述目标样本灾害遥感图像中每一检测点关于其他检测点的第四映射函数，其中，第四映射函数用于反映所述目标样本灾害遥感图像中每一检测点对其轨迹内其他检测点的关注度；
根据所述第四映射函数对所述目标样本灾害遥感图像中的检测点的逻辑关系树进行调整，得到历史灾害遥感图像。
7.根据权利要求1所述的方法，其特征在于，所述计算机设备还与灾害处理服务器通信连接，所述根据所述第一目标检测点对所述待分析遥感图像的检测点信息进行调整，得到目标灾害遥感图像的步骤，包括：
获取所述第一目标检测点、所述第一目标检测点对应的检测点信息及所述检测点信息的检测特征向量，其中，所述检测点信息的检测特征向量包括第一灾害数据及所述第一灾害数据的至少一个第二灾害数据；
将按照第一预设权重及第一预设灾害类型在所述检测点信息中配置的一个数据段域确定为第一灾害数据；
将按照第二预设权重及第二预设灾害类型在所述检测点信息中沿所述第一灾害数据的边缘配置的至少一个数据段域确定为所述第一灾害数据的第二灾害数据；
查找与所述第一目标检测点相匹配的目标灾害类型；
为所述第一目标检测点创建标记任务，其中，所述标记任务包括所述第一目标检测点的标识；
将所述标记任务推送至目标灾害处理服务器；
接收所述目标灾害处理服务器执行所述标记任务而发送的标记请求，所述标记请求携带所述第一目标检测点的标识；
根据所述第一目标检测点的标识将所述第一目标检测点对应的检测点信息及所述检测点信息的检测特征向量返回至所述目标灾害处理服务器，以使所述目标灾害处理服务器在所述检测点信息的各检测特征向量的第一灾害数据或第二灾害数据中进行标记得到所述检测点信息的标记特征向量，其中，所述检测点信息的标记特征向量包括所述检测特征向量中的标记对象及所述标记对象在所述检测特征向量中的第一序列；
接收所述目标灾害处理服务器提交的所述检测点信息的标记特征向量；
对所述标记对象在所述检测特征向量中的第一序列进行转换处理，得到所述标记对象在所述第一目标检测点中的第二序列；
根据所述标记对象在所述第一目标检测点中的第二序列在所述第一目标检测点中确定标记字段；
将所述标记对象在所述第一目标检测点中的第二序列及所述第一目标检测点中的标记字段确定为所述第一目标检测点的标记特征向量；
根据所述检测点信息的标记特征向量和所述第一目标检测点的标记特征向量从所述待分析遥感图像中确定目标灾害遥感图像。
8.一种遥感监测自然灾害数据处理***，其特征在于，应用于计算机设备，所述计算机设备与遥感设备通信连接，所述***包括：
获取模块，用于获取当前采集阶段内所述遥感设备采集的已知检测点；基于当前采集阶段内的已知检测点确定原始遥感图像；通过预设神经网络算法对原始遥感图像进行遥感信息处理，得到待分析遥感图像；
确定模块，用于确定所述待分析遥感图像的检测指标与历史灾害遥感图像的检测指标之间的第一映射矩阵，包括：分别构建所述待分析遥感图像和历史灾害遥感图像中每一检测点的逻辑关系树，得到多个第一遥感特征轨迹图和多个第二遥感特征轨迹图，确定每一第一遥感特征轨迹图与每一第二遥感特征轨迹图之间的第一匹配置信度，得到所述第一映射矩阵，其中，所述历史灾害遥感图像基于样本阶段的灾害数据确定；从所述历史灾害遥感图像中提取满足所述待分析遥感图像预设关联规则的候选检测点，得到第一候选检测点集合；基于所述第一映射矩阵从所述第一候选检测点集合中确定第一目标检测点，并根据所述第一目标检测点对所述待分析遥感图像的检测点信息进行调整，得到目标灾害遥感图像；确定所述目标灾害遥感图像的检测指标与所述待分析遥感图像的检测指标之间的第二映射矩阵，包括：分别构建所述待分析遥感图像和目标灾害遥感图像中每一检测点的逻辑关系树，得到多个第三遥感特征轨迹图和多个第四遥感特征轨迹图，确定每一第三遥感特征轨迹图与每一第四遥感特征轨迹图之间的第二匹配置信度，得到所述第二映射矩阵；
预测模块，用于根据所述第二映射矩阵和所述待分析遥感图像中的检测点，对所述待分析遥感图像进行检测点预测，得到灾害预测结果。
9.根据权利要求8所述的***，其特征在于，所述待分析遥感图像的检测指标包括：待分析遥感图像中每一已知检测点的灾害趋势指数、及在待分析遥感图像中的灾害权重指数；所述历史灾害遥感图像的检测指标包括：历史灾害遥感图像中每一检测点的灾害趋势指数、及在历史灾害遥感图像中的灾害权重指数；
所述确定模块具体用于：
基于所述第一匹配置信度，确定所述待分析遥感图像中每一检测点关于所述历史灾害遥感图像中每一检测点的第一映射函数，其中，第一映射函数用于反映所述待分析遥感图像中每一检测点对所述历史灾害遥感图像中每一检测点的关注度；按照第一映射函数由高到低的顺序从所述第一候选检测点集合中确定相应的候选检测点，作为第一目标检测点；根据所述第一目标检测点在所述历史灾害遥感图像中的灾害权重指数、及第一目标点对应的灾害趋势指数，在所述待分析遥感图像中的相应位置生成对应检测点。
10.根据权利要求8所述的***，其特征在于，所述预测模块具体用于：
获取检测点，并根据所述检测点获取对应的第二映射矩阵；基于所述检测点，通过灾害预测模型所包括的第一特征提取网络获取检测特征集合，其中，所述检测特征集合包括预设数量检测特征；基于所述第二映射矩阵，通过所述灾害预测模型所包括的第二特征提取网络获取参考特征集合，其中，所述参考特征集合包括预设数量参考特征；基于所述检测特征集合，根据所述检测特征集合中的每帧检测特征，通过第一注意力机制所包括的最大池化层获取第一最大池化特征值，其中，所述第一注意力机制属于所述灾害预测模型；根据所述检测特征集合中的每帧检测特征，通过所述第一注意力机制所包括的全局平均池化层获取第一平均池化特征值；根据所述检测特征集合中的每帧检测特征，基于所述第一最大池化特征值以及所述第一平均池化特征值，通过所述第一注意力机制所包括的卷积层获取第一融合特征；根据所述检测特征集合中的每帧检测特征，基于所述第一融合特征以及所述检测特征，通过所述第一注意力机制所包括的第一全局平均池化层获取第一特征向量，其中，每个第一特征向量对应于一个检测特征；根据所述参考特征集合中的每帧参考特征，通过第二注意力机制所包括的最大池化层获取第二最大池化特征值，其中，所述第二注意力机制属于所述灾害预测模型；根据所述参考特征集合中的每帧参考特征，通过所述第二注意力机制所包括的全局平均池化层获取第二平均池化特征值；根据所述参考特征集合中的每帧参考特征，基于所述第二最大池化特征值以及所述第二平均池化特征值，通过所述第二注意力机制所包括的卷积层获取第二融合特征；根据所述参考特征集合中的每帧参考特征，基于所述第二融合特征以及所述参考特征，通过所述第二注意力机制所包括的第二全局平均池化层获取第二特征向量，其中，每个第二特征向量对应于一个参考特征；对所述预设数量第一特征向量以及所述预设数量第二特征向量进行融合，得到预设数量目标特征向量，其中，每个目标特征向量包括一个第一特征向量以及一个第二特征向量；基于所述预设数量目标特征向量，通过所述灾害预测模型所包括的全连接层获取所述检测点所对应的灾害匹配分数；根据所述灾害匹配分数确定所述待分析遥感图像的灾害预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011067888.2A CN112163533B (zh) | 2020-10-07 | 2020-10-07 | 一种遥感监测自然灾害数据处理方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011067888.2A CN112163533B (zh) | 2020-10-07 | 2020-10-07 | 一种遥感监测自然灾害数据处理方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112163533A CN112163533A (zh) | 2021-01-01 |
| CN112163533B true CN112163533B (zh) | 2022-05-06 |
Family
ID=73862282
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011067888.2A Active CN112163533B (zh) | 2020-10-07 | 2020-10-07 | 一种遥感监测自然灾害数据处理方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112163533B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115203594B (zh) * | 2022-09-16 | 2022-11-29 | 成都国星宇航科技股份有限公司 | 多时相遥感数据显示方法、装置、设备和介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103150718A (zh) * | 2011-12-06 | 2013-06-12 | 中国科学院电子学研究所 | 基于变化矢量分析与分类后比较的遥感图像变化检测方法 |
| CN110942039A (zh) * | 2019-11-29 | 2020-03-31 | 中国农业科学院农业资源与农业区划研究所 | 一种主要农作物高温灾害遥感监测预报***及方法 |
| CN111222466A (zh) * | 2020-01-08 | 2020-06-02 | 武汉大学 | 一种基于三维空间-通道注意力机制的遥感影像滑坡自动探测方法 |
| CN111476191A (zh) * | 2020-04-15 | 2020-07-31 | 陈建 | 基于智慧交通的人工智能图像处理方法及大数据云服务器 |
-
2020
- 2020-10-07 CN CN202011067888.2A patent/CN112163533B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103150718A (zh) * | 2011-12-06 | 2013-06-12 | 中国科学院电子学研究所 | 基于变化矢量分析与分类后比较的遥感图像变化检测方法 |
| CN110942039A (zh) * | 2019-11-29 | 2020-03-31 | 中国农业科学院农业资源与农业区划研究所 | 一种主要农作物高温灾害遥感监测预报***及方法 |
| CN111222466A (zh) * | 2020-01-08 | 2020-06-02 | 武汉大学 | 一种基于三维空间-通道注意力机制的遥感影像滑坡自动探测方法 |
| CN111476191A (zh) * | 2020-04-15 | 2020-07-31 | 陈建 | 基于智慧交通的人工智能图像处理方法及大数据云服务器 |
Non-Patent Citations (1)
| Title |
|---|
| Waterbody information extraction from remote-sensing images after disasters based on spectral information and characteristic knowledge;Xin Zhao et al.;《International Journal of Remote Sensing 》;20170131;第38卷(第5期);第1-2页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112163533A (zh) | 2021-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109682382B (zh) | 基于自适应蒙特卡洛和特征匹配的全局融合定位方法 | |
| Shufelt et al. | Fusion of monocular cues to detect man-made structures in aerial imagery | |
| Li et al. | A tutorial review on point cloud registrations: principle, classification, comparison, and technology challenges | |
| US11238307B1 (en) | System for performing change detection within a 3D geospatial model based upon semantic change detection using deep learning and related methods | |
| CN110569856A (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
| CN111652929A (zh) | 一种视觉特征的识别定位方法及*** | |
| CN112163533B (zh) | 一种遥感监测自然灾害数据处理方法及*** | |
| Manninen et al. | Toward automatic condition assessment of high-voltage transmission infrastructure using deep learning techniques | |
| CN113963240A (zh) | 多源遥感图像融合目标综合检测方法 | |
| Sun et al. | Geographic, geometrical and semantic reconstruction of urban scene from high resolution oblique aerial images. | |
| CN116543283B (zh) | 一种考虑模态不确定性的多模态目标检测方法 | |
| CN112560902A (zh) | 基于书脊视觉信息的图书识别方法及*** | |
| Hu et al. | Airport Detection for Fixed-Wing Unmanned Aerial Vehicle Landing Using a Hierarchical Architecture | |
| CN115346110A (zh) | 餐盘识别方法、***、电子设备和存储介质 | |
| CN115147591A (zh) | 一种变电设备红外图像电压致热型缺陷诊断方法及*** | |
| CN114332674A (zh) | 一种用于智能运检的现场作业辅助装置 | |
| CN114663751A (zh) | 一种基于增量学习技术的输电线路缺陷识别方法和*** | |
| CN118115591B (zh) | 功率预测模型训练方法、光伏电站运维方法及相关装置 | |
| Gerke et al. | Automated update of road databases using aerial imagery and road construction data | |
| CN112927291B (zh) | 三维物体的位姿确定方法、装置及电子设备和存储介质 | |
| CN115481671A (zh) | 图像识别辅助装置、图像识别辅助方法及记录介质 | |
| Huai et al. | Intelligent Interpretation of High-resolution Remote Sensing Images based on Deep Learning | |
| Zang et al. | Deep Localization of Static Scans in Mobile Mapping Point Clouds. Remote Sens. 2021, 13, 219 | |
| Liu et al. | Forest point cloud registration: a review | |
| CN117079040A (zh) | 一种基于YOLOv5s和CSRT算法融合的双余度视觉算法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210518 Address after: No.258 Nantong street, Nangang District, Harbin City, Heilongjiang Province Applicant after: Zhang Tingting Address before: 510700 Room 601, 16 Kehui 1st Street, Huangpu District, Guangzhou City, Guangdong Province Applicant before: Zhiboyun information technology (Guangzhou) Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220415 Address after: Room 410, 4th floor, building 35, Erlizhuang, Haidian District, Beijing 100083 Applicant after: Beijing Huatong Xingyuan Technology Co.,Ltd. Address before: No.258 Nantong street, Nangang District, Harbin City, Heilongjiang Province Applicant before: Zhang Tingting |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |