CN117690029B - 一种基于自动生成样本的岩性识别方法、平台及介质 - Google Patents
一种基于自动生成样本的岩性识别方法、平台及介质 Download PDFInfo
- Publication number
- CN117690029B CN117690029B CN202410147290.6A CN202410147290A CN117690029B CN 117690029 B CN117690029 B CN 117690029B CN 202410147290 A CN202410147290 A CN 202410147290A CN 117690029 B CN117690029 B CN 117690029B
- Authority
- CN
- China
- Prior art keywords
- data
- lithology
- remote sensing
- optical remote
- features
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000003287 optical effect Effects 0.000 claims abstract description 83
- 238000002310 reflectometry Methods 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 13
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims description 27
- 230000003595 spectral effect Effects 0.000 claims description 22
- 230000010287 polarization Effects 0.000 claims description 17
- 238000007637 random forest analysis Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012876 topography Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 4
- 239000000470 constituent Substances 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000001103 thalamus Anatomy 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 230000005570 vertical transmission Effects 0.000 description 2
- 101100001674 Emericella variicolor andI gene Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种基于自动生成样本的岩性识别方法、平台及介质,涉及岩性识别技术领域,以解决现有岩性识别方法准确率低,识别效率低,且只能进行小尺度区域的岩性识别的问题。方法包括获取待识别区域的基础数据;对云量小于预设值的光学遥感地表反射率数据进行中值合成,得到目标数据;进行特征提取,得到特征数据;对至少两个地质图进行叠加分析,得到各岩性类别的稳定区域;基于预设领域规则,采用分层抽样策略对稳定区域中的特征数据进行处理,得到目标样本数据;基于目标样本数据进行岩性识别,得到待识别区域的岩性空间分布图。本发明提供的基于自动生成样本的岩性识别方法可以进行中大尺度区域的岩性识别,准确率高、识别效率高。
Description
技术领域
本发明涉及岩性识别技术领域,尤其涉及一种基于自动生成样本的岩性识别方法、平台及介质。
背景技术
岩性信息提取是遥感地质应用中一个重要的部分,对于地质勘探、矿产资源评估、环境监测和土地利用规划等领域具有重要价值。随着大数据平台、空间遥感技术和信息处理技术的飞速发展,遥感技术在定量化反演和岩矿信息识别中发挥更大的作用。不同的岩石类型在光谱上表现出特定的特征,如不同的反射率曲线和吸收带。因此,通过分析遥感数据,可以识别地表的岩性信息。
大多数岩性识别只能进行小尺度区域的岩性识别,且光学数据可利用率不足、单一传感器自身局限性、数据噪声和复杂地形等因素都可能影响岩性识别的准确性,另外通常采用人工确定训练样本数据的方法费时费力,导致岩性识别效率低。
发明内容
本发明的目的在于提供一种基于自动生成样本的岩性识别方法、平台及介质,用于解决现有岩性识别方法准确率低,识别效率低,且只能进行小尺度区域的岩性识别的问题。
为了实现上述目的,本发明提供如下技术方案:
第一方面,本发明提供一种基于自动生成样本的岩性识别方法,应用于基于自动生成样本的岩性识别平台,包括:
所述岩性识别平台获取待识别区域的基础数据,所述基础数据包括光学遥感地表反射率数据、雷达数据、数字高程模型数据以及至少两个地质图;
对所述光学遥感地表反射率数据中云量小于预设值的光学遥感地表反射率数据进行中值合成,得到目标光学遥感地表反射率数据;
对所述目标光学遥感地表反射率数据、雷达数据和数字高程模型数据进行特征提取,得到特征数据,所述特征数据包括光谱特征、纹理特征、目标成分分量、极化特征以及地形特征;
对至少两个所述地质图进行叠加分析,得到各岩性类别的稳定区域;
基于预设领域规则,采用分层抽样策略对所述稳定区域中的特征数据进行处理,得到目标样本数据;
基于所述目标样本数据对所述待识别区域进行岩性识别,得到待识别区域的岩性空间分布图。
第二方面,本发明提供一种基于自动生成样本的岩性识别平台,所述基于自动生成样本的岩性识别平台采用上述一种基于自动生成样本的岩性识别方法进行岩性识别;所述基于自动生成样本的岩性识别平台包括:
基础数据获取模块,用于获取待识别区域的基础数据,所述基础数据包括光学遥感地表反射率数据、雷达数据、数字高程模型数据以及至少两个地质图;
中值合成模块,用于对所述光学遥感地表反射率数据中云量小于预设值的光学遥感地表反射率数据进行中值合成,得到目标光学遥感地表反射率数据;
特征提取模块,用于对所述目标光学遥感地表反射率数据、雷达数据和数字高程模型数据进行特征提取,得到特征数据,所述特征数据包括光谱特征、纹理特征、目标成分分量、极化特征以及地形特征;
叠加分析模块,用于对至少两个所述地质图进行叠加分析,得到各岩性类别的稳定区域;
目标样本数据自动生成模块,用于基于预设领域规则,采用分层抽样策略对所述稳定区域中的特征数据进行处理,得到目标样本数据;
岩性识别模块,用于基于所述目标样本数据对所述待识别区域进行岩性识别,得到待识别区域的岩性空间分布图。
第三方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令被运行时,实现上述一种基于自动生成样本的岩性识别方法。
与现有技术相比,本发明提供的一种基于自动生成样本的岩性识别方法,应用于基于自动生成样本的岩性识别平台,该平台可以便捷的访问海量地理空间数据集,可以进行中大尺度地区的岩性制图,能够实现大面积区域的岩性识别,同时具有方便、快捷、高效的特点。本方法通过对光学遥感地表反射率数据中云量小于预设值的光学遥感地表反射率数据进行中值合成,得到目标光学遥感地表反射率数据,可以避免云雨的影响,并实现大面积区域的光学遥感地表反射率数据的处理;通过对目标光学遥感地表反射率数据、雷达数据和数字高程模型数据进行特征提取,得到特征数据,目标光学遥感地表反射率数据、雷达数据和数字高程模型数据等多源遥感数据可以互补,改善了单一传感器自身的局限性,提高了岩性识别的准确性;对至少两个地质图进行叠加分析,得到各岩性类别的稳定区域,可以提高最终确定的样本数据的准确性;基于预设领域规则,采用分层抽样策略对稳定区域中的特征数据进行处理,可以快速得到大量高质量且具有代表性的样本数据,解决了训练样本数据确定困难和耗时耗力的问题,同时引入了领域信息规则可以提高获取的目标样本数据的准确性,提高岩性识别的准确率以及识别效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明提供的一种基于自动生成样本的岩性识别方法的原理图;
图2为本发明提供的一种基于自动生成样本的岩性识别方法流程图;
图3为本发明提供的一种基于自动生成样本的岩性识别平台的结构示意图。
具体实施方式
为了便于清楚描述本发明实施例的技术方案,在本发明的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如,第一阈值和第二阈值仅仅是为了区分不同的阈值,并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
需要说明的是,本发明中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本发明中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,a和b的结合,a和c的结合,b和c的结合,或a、b和c的结合,其中a,b,c可以是单个,也可以是多个。
现有的岩性识别研究一般基于单机分类,数据获取困难、预处理复杂、分类时间冗长,导致岩性识别只能在小尺度区域进行,极大限制了岩性制图的应用价值,且识别准确率低、识别效率低。
为解决上述问题,本发明提供一种基于自动生成样本的岩性识别方法、平台及介质,参见图1,本基于自动生成样本的岩性识别方法的原理是先对光学遥感地表反射率数据进行去云处理,然后对雷达数据、DEM数据以及去云后的光学遥感地表反射率数据进行时序数据处理,即特征提取,得到光谱特征、纹理特征、目标成分特征、极化特征以及地形特征等特征数据,同时对1:20万地质图、1:50万地质图以及其他岩性数据进行形态学处理和叠加分析得到各岩性类别的稳定区域,然后基于领域信息规则对稳定区域中的特征数据进行分层抽样得到最终的样本池,基于特征数据的类别对样本池中的样本进行特征组合分析后输入到随机森林模型中,将随机森林模型作为岩性识别模型,得到最终岩性制图结果,最后对该岩性识别模型进行精度评价。接下来进行详细说明。
图2为本发明提供的一种基于自动生成样本的岩性识别方法流程图,本基于自动生成样本的岩性识别方法应用于基于自动生成样本的岩性识别平台,其中基于自动生成样本的岩性识别平台是在(Google Earth Engine)GEE遥感大数据平台的基础上搭建的平台;蒙自市到丘北县地段位于云南省红河州,以山地为主,地形复杂,地块破碎,为典型喀斯特地貌,本发明以蒙自市到丘北县地段作为待识别区域为例。如图2所示,岩性识别方法包括:
步骤201:所述岩性识别平台获取待识别区域的基础数据;
基础数据包括光学遥感地表反射率数据、雷达数据、数字高程模型数据以及至少两个地质图;
其中,在基于自动生成样本的岩性识别平台中使用filterDate()函数筛选得到待识别区域的光学遥感地表反射率数据。
步骤202:对所述光学遥感地表反射率数据中云量小于预设值的光学遥感地表反射率数据进行中值合成,得到目标光学遥感地表反射率数据;
在基于自动生成样本的岩性识别平台中使用Filter.lt('CLOUDY_PIXEL_PERCENTAGE',20)函数在待识别区域的光学遥感地表反射率数据中筛选目标年份云量小于预设值的目标光学遥感地表反射数据,预设值可以为20%或21%等;使用median()函数对云量小于预设值的光学遥感地表反射数据进行中值合成。目标光学遥感地表反射率数据为待识别区域清晰无云的影像。
步骤203:对所述目标光学遥感地表反射率数据、雷达数据和数字高程模型数据进行特征提取,得到特征数据;所述特征数据包括光谱特征、纹理特征、目标成分分量、极化特征以及地形特征;
首先,对目标光学遥感地表反射率数据进行特征提取,得到光学遥感特征,光学遥感特征包括光谱特征、纹理特征以及目标成分分量;
具体的,提取目标光学遥感地表反射率数据中的光谱特征,光谱特征包括红波段、绿波段、蓝波段、近红外波段、短波红外波段以及热红外波段;
根据目标光学遥感地表反射率数据,计算得到纹理特征,纹理特征包括对比度、角
二阶矩、相关性和熵;根据公式(1)计算得到对比度,根据公式(2)得到角二阶矩,根据公式(3)计算得到熵,根据公式(4)、公式(5)以及公式(6)计算得到相关性,计算公式如下所示:
(1);
(2);
(3);
(4);
(5);
(6);
其中,是目标光学遥感地表反射率数据对应的图像中像素的行列式坐标,是灰度联合概率矩阵,代表灰度共生矩阵的顺序,为像素均值,和为像
素的方差。
根据光谱特征确定目标成分分量:将光谱特征映射到预设多个维度上,得到多个维度分量;对多个维度分量进行协方差矩阵求解,得到多个目标成分分量。目标成分分量是待识别区域中在光谱特征上差异性最大的几个岩性成分的分量。
然后,在基于自动生成样本的岩性识别平台上对雷达数据进行特征提取,得到极化特征;极化特征为垂直发射水平接收的雷达数据统计特征和垂直发射垂直接收的雷达数据统计特征;
最后,在基于自动生成样本的岩性识别平台上对数字高程模型DEM数据进行特征提取,得到地形特征;地形特征包括高程、坡度以及坡向。
步骤204:对至少两个所述地质图进行叠加分析,得到各岩性类别的稳定区域;地质图可以为比例尺相同或比例尺不同的地质图,示例性的,采用1:20万、1:50万的地质图和其他岩性数据进行叠加分析。其他岩性数据为与地质图同一类型的数据,叠加分析可以若干个地质图进行叠加,也可以若干个地质图与其他岩性数据一起进行叠加分析。
稳定区域为不同数据中相同类别岩性的交集区域,即该区域在所有数据中均为同一岩性类别。叠加分析指使用多个地质图进行形态学处理提取边界范围,对多个数据的同一类别地理位置进行叠加,最后交集部分定义为稳定区域。
以对两个地质图进行叠加分析为例进行具体说明,首先对两个地质图分别进行形态学处理,得到多个边界;然后将两个地质图中相同岩性类别地理位置进行叠加,根据所述边界确定叠加后的交集区域,所述交集区域为稳定区域,对各个岩性类别地理位置进行叠加分析处理,得到各岩性类别的稳定区域。
步骤205:基于预设领域规则,采用分层抽样策略对所述稳定区域中的特征数据进行处理,得到目标样本数据;
具体的,采用分层抽样函数stratifiedSample()函数,按照预设的比例分别对不同岩性类别的稳定区域对应的特征数据进行随机自动采样,最后集合所有岩性类别的样本数据得到待识别区域高质量且具有代表性的目标样本数据,目标样本数据满足预设领域规则;预设领域规则为目标样本数据中的每个像素与周围3×3领域范围内的其他像素为同一岩性类别,预设领域规则如公式(7)所示:
(7);
其中,中3×3为预设领域范围,表示约束的位置为领域,为最终
生成的目标样本数据。的含义为,如果3×3领域范围内的9个像素均为相同岩性
类别的像素。示例性的,基于领域规则和分层抽样策略对蒙自市到丘北县地段对应的数据
进行处理,共获得了12972个样本数据,包括13个岩性类别,最终分层抽样共13次。
步骤206:基于所述目标样本数据对所述待识别区域进行岩性识别,得到待识别区域的岩性空间分布图。
目标样本数据中包含光谱特征、纹理特征、目标成分分量、极化特征以及地形特征等特征数据:将目标样本数据按照预设特征类别组合规则进行组合,得到不同分类场景;预设特征类别组合规则是两个特征类别为一组或三个特征类别为一组进行组合;基于不同分类场景下的目标样本数据构建得到样本数据库;其中,样本数据库是将各个稳定区域的光学遥感特征、极化特征和地形特征作为样本输入,将各个稳定区域的岩性类别作为样本输出的。基于样本数据库训练随机森林模型,获得训练后的随机森林模型;将目标样本数据输入到训练后的随机森林模型中,即将待识别区域的各个位置的光学遥感特征、极化特征和地形特征数据输入到训练后的随机森林模型中,获得待识别区域的各个位置的岩性类别,从而得到待识别区域的岩性空间分布图。
本发明提供的一种基于自动生成样本的岩性识别方法,应用于基于自动生成样本的岩性识别平台,该平台可以提供全球范围内的光学和雷达数据,便捷的访问海量地理空间数据集,可以进行中大尺度地区的岩性制图,能够实现大面积区域的岩性识别,解决了目前岩性识别研究只能进行小尺度区域的岩性识别的问题,小尺度区域为区域面积小的区域,提高了大尺度岩性制图的应用价值,同时具有方便、快捷、高效的特点。本方法通过对光学遥感地表反射率数据中云量小于预设值的光学遥感地表反射率数据进行中值合成,得到目标光学遥感地表反射率数据,可以避免云雨的影响,减少数据噪声,提高特征提取的准确性,并实现中大尺度区域的光学遥感地表反射率数据的处理;通过对目标光学遥感地表反射率数据、雷达数据和数字高程模型数据进行特征提取,得到特征数据,目标光学遥感地表反射率数据、雷达数据和数字高程模型数据等多源遥感数据可以互补,改善了单一传感器自身的局限性,提高了岩性识别的准确性;对至少两个地质图进行叠加分析,得到各岩性类别的稳定区域,可以提高最终确定的样本数据的准确性;基于预设领域规则,采用分层抽样策略对稳定区域中的特征数据进行处理,可以快速得到大量高质量且具有代表性的样本数据,提高目标样本数据获取的准确性,解决了训练样本数据确定困难和耗时耗力的问题,提高了岩性识别的准确率以及识别效率。
图3为本发明提供的一种基于自动生成样本的岩性识别平台的结构示意图,基于自动生成样本的岩性识别平台采用上述一种基于自动生成样本的岩性识别方法进行岩性识别,如图3所示,本基于自动生成样本的岩性识别平台包括:
基础数据获取模块301,用于获取待识别区域的基础数据,所述基础数据包括光学遥感地表反射率数据、雷达数据、数字高程模型数据以及至少两个地质图;
中值合成模块302,用于对所述光学遥感地表反射率数据中云量小于预设值的光学遥感地表反射率数据进行中值合成,得到目标光学遥感地表反射率数据;
特征提取模块303,用于对所述目标光学遥感地表反射率数据、雷达数据和数字高程模型数据进行特征提取,得到特征数据,所述特征数据包括光谱特征、纹理特征、目标成分分量、极化特征以及地形特征;
叠加分析模块304,用于对至少两个所述地质图进行叠加分析,得到各岩性类别的稳定区域;
目标样本数据自动生成模块305,用于基于预设领域规则,采用分层抽样策略对所述稳定区域中的特征数据进行处理,得到目标样本数据;
岩性识别模块306,用于基于所述目标样本数据对所述待识别区域进行岩性识别,得到待识别区域的岩性空间分布图。
可选的,所述基于自动生成样本的岩性识别平台还包括:
第一筛选模块,用于使用filterDate函数筛选待识别区域的光学遥感地表反射率数据;
第二筛选模块,用于使用Filter函数筛选待识别区域中云量小于预设值的光学遥感地表反射率数据。
可选的,目标样本数据自动生成模块305具体可以用于:
采用分层抽样函数,按照预设的比例对不同岩性类别的稳定区域对应的特征数据进行随机采样,得到目标样本数据,所述目标样本数据满足预设领域规则;所述预设领域规则为所述目标样本数据与周围3×3领域范围内的其他像素为同一岩性类别,所述预设领域规则为:
;
其中,中3×3为预设领域范围,表示约束的位置为领域,为最终
生成的目标样本数据。
可选的,特征提取模块303可以包括:
光学遥感特征提取单元,用于对所述目标光学遥感地表反射率数据进行特征提取,得到光学遥感特征,所述光学遥感特征包括光谱特征、纹理特征以及目标成分分量;
极化特征提取单元,用于对所述雷达数据进行特征提取,得到极化特征;所述极化特征为垂直发射水平接收的雷达数据统计特征和垂直发射垂直接收的雷达数据统计特征;
地形特征提取单元,用于对所述数字高程模型数据进行特征提取,得到地形特征;所述地形特征包括高程、坡度以及坡向。
可选的,所述光学遥感特征提取单元具体可以用于:
提取所述目标光学遥感地表反射率数据中的光谱特征,所述光谱特征包括红波段、绿波段、蓝波段、近红外波段、短波红外波段以及热红外波段;
根据所述目标光学遥感地表反射率数据,计算得到纹理特征,所述纹理特征包括对比度、角二阶矩、相关性和熵;
根据所述光谱特征确定目标成分分量。
可选的,所述光学遥感特征提取单元还可以用于:
将所述光谱特征映射到预设多个维度上,得到多个维度分量;
对多个维度分量进行协方差矩阵求解,得到多个目标成分分量。
可选的,地质图为两个比例尺不同的地质图;所述叠加分析模块304可以包括:
形态学处理单元,用于对两个所述地质图分别进行形态学处理,得到多个边界;
叠加单元,用于将两个所述地质图中相同岩性类别地理位置进行叠加,根据所述边界确定叠加后的交集区域,所述交集区域为稳定区域。
可选的,所述岩性识别模块306可以包括:
分类单元,用于将所述目标样本数据按照预设组合规则进行组合,得到不同分类场景;
样本数据库构建单元,用于基于不同分类场景下的目标样本数据构建得到样本数据库;
训练单元,用于基于所述样本数据库训练随机森林模型,获得训练后的随机森林模型;
岩性识别单元,用于将所述目标样本数据输入到训练后的随机森林模型中,得到待识别区域的岩性空间分布图。
上述主要从各个模块之间交互的角度对本发明实施例提供的方案进行了介绍。可以理解的是,为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本发明能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
一方面,提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当指令被运行时,实现上述基于自动生成样本的岩性识别方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行所述计算机程序或指令时,全部或部分地执行本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、终端、用户设备或者其它可编程装置。所述计算机程序或指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,例如,软盘、硬盘、磁带;也可以是光介质,例如,数字视频光盘(digital video disc,DVD);还可以是半导体介质,例如,固态硬盘(solid state drive,SSD)。
尽管在此结合各实施例对本发明进行了描述,然而,在实施所要求保护的本发明过程中,本领域技术人员通过查看附图、公开内容、以及所附权利要求书,可理解并实现公开实施例的其他变化。在权利要求中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
尽管结合具体特征及其实施例对本发明进行了描述,显而易见的,在不脱离本发明的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明,且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (8)
1.一种基于自动生成样本的岩性识别方法,其特征在于,应用于基于自动生成样本的岩性识别平台,所述岩性识别平台是在遥感大数据平台的基础上搭建的平台,用于提供全球范围内的光学和雷达数据以及访问海量地理空间数据集,所述方法包括:
所述岩性识别平台获取待识别区域的基础数据;所述基础数据包括光学遥感地表反射率数据、雷达数据、数字高程模型数据以及至少两个地质图;地质图为两个比例尺不同的地质图;
对所述光学遥感地表反射率数据中云量小于预设值的光学遥感地表反射率数据进行中值合成,得到目标光学遥感地表反射率数据;
对所述目标光学遥感地表反射率数据、雷达数据和数字高程模型数据进行特征提取,得到特征数据;所述特征数据包括光谱特征、纹理特征、主成分特征、极化特征以及地形特征;
对两个所述地质图分别进行形态学处理,得到多个边界;将两个所述地质图中相同岩性类别地理位置进行叠加,根据所述边界确定叠加后的交集区域,所述交集区域为稳定区域;
基于预设领域规则,采用分层抽样策略对所述稳定区域中的特征数据进行处理,得到目标样本数据;
基于所述目标样本数据对所述待识别区域进行岩性识别,得到待识别区域的岩性空间分布图;
所述基于预设领域规则,采用分层抽样策略对所述稳定区域中的特征数据进行处理,得到目标样本数据包括:采用分层抽样函数,按照预设的比例对不同岩性类别的稳定区域对应的特征数据进行随机采样,得到目标样本数据,所述目标样本数据满足预设领域规则;所述预设领域规则为所述目标样本数据与周围3×3领域范围内的其他像素为同一岩性类别,所述预设领域规则为:
;
其中,中3×3为预设领域范围,/>表示约束的位置为领域,/>为最终生成的目标样本数据。
2.根据权利要求1所述基于自动生成样本的岩性识别方法,其特征在于,所述对所述目标光学遥感地表反射率数据、雷达数据和数字高程模型数据进行特征提取,得到特征数据包括:
对所述目标光学遥感地表反射率数据进行特征提取,得到光学遥感特征,所述光学遥感特征包括光谱特征、纹理特征以及目标成分分量;
对所述雷达数据进行特征提取,得到极化特征;所述极化特征为垂直发射水平接收的雷达数据统计特征和垂直发射垂直接收的雷达数据统计特征;
对所述数字高程模型数据进行特征提取,得到地形特征;所述地形特征包括高程、坡度以及坡向。
3.根据权利要求2所述基于自动生成样本的岩性识别方法,其特征在于,所述对所述目标光学遥感地表反射率数据进行特征提取,得到光学遥感特征包括:
提取所述目标光学遥感地表反射率数据中的光谱特征,所述光谱特征包括红波段、绿波段、蓝波段、近红外波段、短波红外波段以及热红外波段;
根据所述目标光学遥感地表反射率数据,计算得到纹理特征,所述纹理特征包括对比度、角二阶矩、相关性和熵;
根据所述光谱特征确定目标成分分量。
4.根据权利要求3所述基于自动生成样本的岩性识别方法,其特征在于,所述根据所述光谱特征确定目标成分分量包括:
将所述光谱特征映射到预设多个维度上,得到多个维度分量;
对多个维度分量进行协方差矩阵求解,得到多个目标成分分量。
5.根据权利要求1所述基于自动生成样本的岩性识别方法,其特征在于,所述基于所述目标样本数据对所述待识别区域进行岩性识别,得到待识别区域的岩性空间分布图包括:
将所述目标样本数据按照预设组合规则进行组合,得到不同分类场景;
基于不同分类场景下的目标样本数据构建得到样本数据库;
基于所述样本数据库训练随机森林模型,获得训练后的随机森林模型;
将所述目标样本数据输入到训练后的随机森林模型中,得到待识别区域的岩性空间分布图。
6.一种基于自动生成样本的岩性识别平台,其特征在于,所述岩性识别平台是在遥感大数据平台的基础上搭建的平台,用于提供全球范围内的光学和雷达数据以及访问海量地理空间数据集,所述基于自动生成样本的岩性识别平台采用权利要求1-5任意一项所述一种基于自动生成样本的岩性识别方法进行岩性识别;所述基于自动生成样本的岩性识别平台包括:
基础数据获取模块,用于获取待识别区域的基础数据,所述基础数据包括光学遥感地表反射率数据、雷达数据、数字高程模型数据以及至少两个地质图;地质图为两个比例尺不同的地质图;
中值合成模块,用于对所述光学遥感地表反射率数据中云量小于预设值的光学遥感地表反射率数据进行中值合成,得到目标光学遥感地表反射率数据;
特征提取模块,用于对所述目标光学遥感地表反射率数据、雷达数据和数字高程模型数据进行特征提取,得到特征数据,所述特征数据包括光谱特征、纹理特征、主成分特征、极化特征以及地形特征;
叠加分析模块,用于对两个所述地质图分别进行形态学处理,得到多个边界;将两个所述地质图中相同岩性类别地理位置进行叠加,根据所述边界确定叠加后的交集区域,所述交集区域为稳定区域;
目标样本数据自动生成模块,用于基于预设领域规则,采用分层抽样策略对所述稳定区域中的特征数据进行处理,得到目标样本数据;
岩性识别模块,用于基于所述目标样本数据对所述待识别区域进行岩性识别,得到待识别区域的岩性空间分布图;
所述目标样本数据自动生成模块具体用于,采用分层抽样函数,按照预设的比例对不同岩性类别的稳定区域对应的特征数据进行随机采样,得到目标样本数据,所述目标样本数据满足预设领域规则;所述预设领域规则为所述目标样本数据与周围3×3领域范围内的其他像素为同一岩性类别,所述预设领域规则为:
;
其中,中3×3为预设领域范围,/>表示约束的位置为领域,/>为最终生成的目标样本数据。
7.根据权利要求6所述一种基于自动生成样本的岩性识别平台,其特征在于,所述基于自动生成样本的岩性识别平台还包括:
第一筛选模块,用于使用filterDate函数筛选待识别区域的光学遥感地表反射率数据;
第二筛选模块,用于使用Filter函数筛选待识别区域中云量小于预设值的光学遥感地表反射率数据。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令被运行时,实现权利要求1~5任一项所述一种基于自动生成样本的岩性识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410147290.6A CN117690029B (zh) | 2024-02-02 | 2024-02-02 | 一种基于自动生成样本的岩性识别方法、平台及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410147290.6A CN117690029B (zh) | 2024-02-02 | 2024-02-02 | 一种基于自动生成样本的岩性识别方法、平台及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117690029A CN117690029A (zh) | 2024-03-12 |
CN117690029B true CN117690029B (zh) | 2024-05-10 |
Family
ID=90130346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410147290.6A Active CN117690029B (zh) | 2024-02-02 | 2024-02-02 | 一种基于自动生成样本的岩性识别方法、平台及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117690029B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3176610A1 (en) * | 2015-12-04 | 2017-06-07 | Services Pétroliers Schlumberger | Method and system for formation texture and rock type identification |
CN109283148A (zh) * | 2018-09-30 | 2019-01-29 | 核工业北京地质研究院 | 一种基于光谱信息自动识别岩石矿物的方法 |
CN114662626A (zh) * | 2022-05-26 | 2022-06-24 | 湖北省国土测绘院 | 多源遥感数据多特征融合的岩性自动分类方法及*** |
CN116385867A (zh) * | 2023-02-20 | 2023-07-04 | 中国石油大学(华东) | 生态地块监测识别与分析方法、***、介质、设备及终端 |
-
2024
- 2024-02-02 CN CN202410147290.6A patent/CN117690029B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3176610A1 (en) * | 2015-12-04 | 2017-06-07 | Services Pétroliers Schlumberger | Method and system for formation texture and rock type identification |
CN109283148A (zh) * | 2018-09-30 | 2019-01-29 | 核工业北京地质研究院 | 一种基于光谱信息自动识别岩石矿物的方法 |
CN114662626A (zh) * | 2022-05-26 | 2022-06-24 | 湖北省国土测绘院 | 多源遥感数据多特征融合的岩性自动分类方法及*** |
CN116385867A (zh) * | 2023-02-20 | 2023-07-04 | 中国石油大学(华东) | 生态地块监测识别与分析方法、***、介质、设备及终端 |
Non-Patent Citations (7)
Title |
---|
gis图形图像功能在铁路工程地质中的应用;王其合;;铁道勘察;20131015(05);43-45页 * |
基于航空高光谱遥感岩性识别技术研究;秦凯;陈建平;赵英俊;孙雨;周家晶;杨国防;;矿产勘查;20150928(05);594-599页 * |
基于高光谱数据的河北滦平地区岩性信息提取方法试验研究;项甜甜;陈圣波;刘彦丽;周超;;遥感信息;20130415(第02期);82-87 * |
基于高分辨率DEM数据的分形几何岩性识别方法初探;尹力;潘蔚;田青林;;铀矿地质;20140310(02);122-126页 * |
无人机航空遥感地质解译在岩石地层单元识别中的应用――以1∶50000西南岩溶区填图试点为例;山克强;潘明;林宇;;地质力学学报;20161215(04);933-941页 * |
桂林-阳朔地区DEM地形特征与岩性相关性分析及分类研究;陈霄燕;潘军;邢立新;蒋立军;孙也涵;仲伟敬;范博文;;地球信息科学学报;20191225(第12期);47-56 * |
遥感岩性识别研究进展与展望;刘超群;马祖陆;莫源富;;广西科学院学报;20070515(02);120-124页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117690029A (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vos et al. | CoastSat: A Google Earth Engine-enabled Python toolkit to extract shorelines from publicly available satellite imagery | |
Zhang et al. | GLC_FCS30: Global land-cover product with fine classification system at 30 m using time-series Landsat imagery | |
Zhong et al. | Landslide mapping with remote sensing: challenges and opportunities | |
Davis | Object‐based image analysis: a review of developments and future directions of automated feature detection in landscape archaeology | |
Sinha et al. | Assessing the spatial sensitivity of a random forest model: Application in gridded population modeling | |
Davis et al. | Automated mound detection using lidar and object-based image analysis in Beaufort County, South Carolina | |
Kuang et al. | A 30 m resolution dataset of China's urban impervious surface area and green space, 2000–2018 | |
Zhang et al. | A progressive morphological filter for removing nonground measurements from airborne LIDAR data | |
Falkowski et al. | The influence of conifer forest canopy cover on the accuracy of two individual tree measurement algorithms using lidar data | |
Liu | Airborne LiDAR for DEM generation: some critical issues | |
Lundblad et al. | A benthic terrain classification scheme for American Samoa | |
Münzinger et al. | Mapping the urban forest in detail: From LiDAR point clouds to 3D tree models | |
Guan et al. | DEM generation from lidar data in wooded mountain areas by cross-section-plane analysis | |
US9159132B1 (en) | Process and system for identifying damage | |
CN113887515A (zh) | 一种基于卷积神经网络的遥感滑坡识别方法及*** | |
Lemercier et al. | Multiscale evaluations of global, national and regional digital soil mapping products in France | |
Wei et al. | Vegetation filtering algorithm for UAV-borne lidar point clouds: a case study in the middle-lower Yangtze River riparian zone | |
Fekete et al. | Tree segmentation and change detection of large urban areas based on airborne LiDAR | |
Liu et al. | A novel entropy-based method to quantify forest canopy structural complexity from multiplatform lidar point clouds | |
Wang et al. | Hybrid model for estimating forest canopy heights using fused multimodal spaceborne LiDAR data and optical imagery | |
Notti et al. | Semi-automatic mapping of shallow landslides using free Sentinel-2 images and Google Earth Engine | |
Martinez-Sanchez et al. | Skyline variations allow estimating distance to trees on landscape photos using semantic segmentation | |
Oliveira et al. | The use of remote sensing tools for accurate charcoal kilns’ inventory and distribution analysis: Comparative assessment and prospective | |
Firmansyah et al. | Building typology classification using convolutional neural networks utilizing multiple ground-level image process for city-scale rapid seismic vulnerability assessment | |
CN117690029B (zh) | 一种基于自动生成样本的岩性识别方法、平台及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
OL01 | Intention to license declared |