一种基于卷积自编码的潜在风沙源识别方法

本发明涉及风沙源识别，尤其涉及一种基于卷积自编码的潜在风沙源识别方法。

背景技术：

1、潜在风沙源区域是指受到风、水两营力作用的、间歇性出露沙体的地区，潜在风沙源是导致沙尘暴和其他风沙灾害的主要原因之一，故潜在风沙源的控制和管理有助于减轻水土流失、预防风沙灾害。

2、近年来，随着rs(遥感技术)、gis技术(地理信息系统)的长足发展，利用高分辨率的环境遥感信息资料，对区域河谷微地貌特征以及潜在风沙源进行更深入的研究，成为重要的研究方向之一。

3、同时，随着人工智能、深度学习算法的不断发展与优化，深度学习算法与遥感技术结合的方式提取所需信息，已成为当前的重要手段。神经网络对深层次隐含结构特征的学习能力，使其在河谷微地貌特征提取及潜在风沙源识别领域引起了广泛的关注。

4、已有研究证明，深度玻尔兹曼、深度置信网络等神经网络模型在复杂地质环境的异常识别中表现不俗。然而，由于风沙活动强烈的区域，如河谷微地貌特征不断演化，导致潜在风沙源时空表征不稳定，时空变化特征提取困难，潜在风沙源时空分布特征识别参数训练难度较大，准确率较低。

5、总之，目前缺乏综合考虑复杂的地质背景空间差异且训练较为准确的河谷微地貌特征提取及潜在风沙源识别方法。

技术实现思路

1、为解决上述问题，本发明提供一种基于卷积自编码的潜在风沙源识别方法，兼顾区域内的空间特征和时间上的变化特征，从而可有效提高河谷微地貌特征提取及潜在风沙源识别的准确性，为复杂地质条件下，利用遥感影像进行河谷微地貌特征提取及潜在风沙源识别，提供了较为实用可靠的科学方法。

2、为实现上述目的，本发明提供了一种基于卷积自编码的潜在风沙源识别方法，包括以下步骤：

3、s1、获取研究区域的遥感影像；

4、s2、对遥感影像进行预处理，并将预处理后的遥感影像，作为卷积自编码器训练所用的输入数据；

5、s3、通过量化曲线确定卷积自编码器神经网络模型的卷积核尺寸，以训练卷积自编码器神经网络模型；

6、s4、构建卷积自编码器神经网络模型，将经步骤s2预处理后的遥感影像输入卷积自编码器神经网络模型进行训练，并利用训练完毕的卷积自编码器神经网络模型对研究区域进行共性特征提取及背景重建；

7、s5、通过计算每个卷积自编码器神经网络模型的输入数据与卷积自编码器神经网络模型重构背景之间的差值，得到样本异常得分，并将样本异常值映射到样本所在地理位置，生成表达整个研究区域的空间结构异常分布图；

8、s6、对空间结构异常分布图进行分析，识别时间、空间尺度下的潜在风沙源。

9、优选的，在步骤s1中，由usgs获取研究区域的遥感影像，且遥感影像的可见光波段、近红外波段以及短波红外波段的空间分辨率均为30m，全色波段的空间分辨率为15m。

10、优选的，步骤s2具体包括以下步骤：

11、s21、通过envi软件对输入数据依次进行如下预处理：辐射定标、大气校正、边缘裁剪、图像融合、图像镶嵌、影像裁剪、归一化水体指数运算；

12、其中由于进行了归一化水体指数运算，对绿波段和近红外波段进行了处理，故使得预处理后的遥感影像包含的波段数量为1；

13、s22、通过arcgis软件进行影像的再次裁剪，将由步骤s21预处理后的遥感影响裁剪为大小均为2250×1154的四幅图像。

14、优选的，步骤s3具体包括以下步骤：

15、s31、针对每个输入数据，利用多个不同的卷积核尺寸构建多个卷积自编码器神经网络模型，并利用样本数据进行训练，得到训练结果；

16、s32、对训练结果进行处理，用各个等级的重构值所占的面积比评价训练结果的拟合优度，并计算面积比得到量化曲线；

17、s33、将卷积核尺寸位于曲线拐点之后和曲线总和最小作为评估标准，对量化曲线进行筛选，选取卷积核尺寸。

18、优选的，步骤s32具体包括以下步骤：

19、将重构值分为不同的等级，计算各等级重构值与总体的比值大小，再利用各个等级的重构值所占的比值评价训练结果的拟合优度，并对比值进行统计分析得到量化曲线；

20、

21、式中，r为重构值与总体的比值；l为各等级重构值的面积；t为总体的面积；

22、在步骤s33中，选取的卷积核尺寸为50×50。

23、优选的，步骤s4具体包括以下步骤：

24、s41、针对多个年份的研究区域数据，分别构建多个卷积自编码器神经网络模型；

25、s42、基于步骤s3设置卷积自编码器神经网络模型的模型参数；

26、s43、将经步骤s2预处理后的遥感影像输入卷积自编码器神经网络模型中进行训练直至收敛，得到重构数据，以此实现背景重建。

27、优选的，步骤s5所述的卷积自编码器神经网络模型的输入数据为经步骤s2预处理后的遥感影像；

28、步骤s5所述的样本异常得分的计算公式如下：

29、

30、式中，l为样本异常得分；xk为遥感影像原始数据值；xk′为卷积自编码器神经网络模型输出数据中的数据值；n为元素个数。

31、优选的，在步骤s6中，识别出的年际尺度上空间特征的异常得分高于设定值的区域为潜在风沙源区域。

32、本发明具有以下有益效果：

33、1)将遥感影像与卷积自编码器模型相结合，兼顾不同时间遥感影像间的空间分布特征，从而有效提高潜在风沙源时空分布特征提取的准确性，为复杂地质条件下利用遥感影像进行异常识别提供了较为实用可靠的科学方法；

34、2)利用卷积自编码器神经网络模型进行自监督学习，可以提取复杂地质环境下的河谷微地貌的主要特征，识别潜在风沙源的空间分布，减少人为干预，从而为异常值计算提供有效基础；

35、3)采用完全数据驱动的异常识别以及潜在风沙源识别方式，避免了寻找河谷微地貌特征及潜在风沙源识别过程中，由于过多人工干预而导致的不确定性，即优于传统的遥感解译的潜在风沙源识别。

36、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

技术特征：

1.一种基于卷积自编码的潜在风沙源识别方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于卷积自编码的潜在风沙源识别方法，其特征在于：在步骤s1中，由usgs获取研究区域的遥感影像，且遥感影像的可见光波段、近红外波段以及短波红外波段的空间分辨率均为30m，全色波段的空间分辨率为15m。

3.根据权利要求2所述的一种基于卷积自编码的潜在风沙源识别方法，其特征在于：步骤s2具体包括以下步骤：

4.根据权利要求3所述的一种基于卷积自编码的潜在风沙源识别方法，其特征在于：步骤s3具体包括以下步骤：

5.根据权利要求4所述的一种基于卷积自编码的潜在风沙源识别方法，其特征在于：步骤s32具体包括以下步骤：

6.根据权利要求5所述的一种基于卷积自编码的潜在风沙源识别方法，其特征在于：步骤s4具体包括以下步骤：

7.根据权利要求6所述的一种基于卷积自编码的潜在风沙源识别方法，其特征在于：步骤s5所述的卷积自编码器神经网络模型的输入数据为经步骤s2预处理后的遥感影像；

8.根据权利要求7所述的一种基于卷积自编码的潜在风沙源识别方法，其特征在于：在步骤s6中，识别出的年际尺度上空间特征的异常得分高于设定值的区域为潜在风沙源区域。

技术总结本发明公开了一种基于卷积自编码的潜在风沙源识别方法，属于风沙源识别领域，包括以下步骤：S1、获取研究区域的遥感影像；S2、对遥感影像进行预处理；S3、确定卷积核尺寸；S4、构建卷积自编码器神经网络模型，进行训练；S5、生成表达整个研究区域的空间结构异常分布图；S6、识别时间、空间尺度下的潜在风沙源。本发明采用上述基于卷积自编码的潜在风沙源识别方法，兼顾区域内的空间特征和时间上的变化特征，从而可有效提高河谷微地貌特征提取及潜在风沙源识别的准确性，为复杂地质条件下，利用遥感影像进行河谷微地貌特征提取及潜在风沙源识别，提供了较为实用可靠的科学方法。技术研发人员：武可聪,陈丽蓉,韩中鹏受保护的技术使用者：中国地质大学（北京）技术研发日：技术公布日：2024/9/2