一种基于多源数据融合的黑土地冷灾监测方法

本发明涉及时空遥感、数学建模分析、多源数据融合技术，具体涉及一种基于多源数据融合的黑土地冷灾监测方法。

背景技术：

1、在中国东北，冷灾是常见的自然灾害，尤其在高寒地区，大量降雪和持续低温天气会对农业造成严重危害。为了对东北地区冷灾进行有效监测和评估，遥感技术作为一种新兴的技术手段，提供了实时获取大范围地面信息的能力。然而，如何将遥感数据与地面观测数据相结合，以实现对东北地区冷灾的有效监测和评估，仍是一个亟待解决的问题。

2、近年来，一些研究工作开始探索利用遥感技术进行东北区冷灾监测评估的方法。研究利用遥感资料进行灾情监测，结合地面观测数据，提出了一些模型和方法，如灾情判别模型、预测模型和评估模型。这些模型和方法在一定程度上提高了灾情监测评估的准确性。

3、然而，这些研究工作也存在一定的局限性。首先，模型的参数选取和标准主要依赖于人工经验，缺乏系统性。其次，模型参数体系不够完善，需要进一步优化。因此，如何改进和完善现有方法，以实现对灾情的准确监测和评估，仍是一个值得进一步研究的课题。

4、本发明旨在提供一种改进的灾情监测评估方法，以解决现有方法中存在的问题，提高监测评估的准确性和实用性。

技术实现思路

1、本发明的技术解决问题是：提出一种基于多源数据融合的东北黑土地冷灾监测方法，通过分析遥感图像数据与气象数据，多源数据融合进行建模分析，对灾情等级、发展趋势及损失情况进行预测评估，辅助城市应急管理等部门及时处理灾情，降低损失。

2、本发明的技术解决方案为：一种基于多源数据融合的东北黑土地冷灾监测方法，首先获取遥感图像数据及气象观测数据，对数据进行存储和预处理，将数据融合以更新背景数据库。然后根据数据进行冷灾的识别监测；根据监测结果与空间位置，设计判别模型，对灾情等级作出判别；选择灾情因子，设计灾情预测模型；确定合适的评估指标体系以评估造成的损失。其具体步骤如下：

3、（1）获取遥感图像数据及气象观测数据，对数据进行存储和预处理。

4、步骤（1）中，对于获取的遥感数据和气象观测数据，采用标准数据结构进行数据规约。

5、进一步，对遥感数据及气象观测数据进行高效存储。既可以采用关系型数据库，通过结构化方式，也可以采用nosql数据库，通过非结构化方式，进行数据的逻辑存储与管理；既可以采用集中式高性能存储设备，也可以采用分布式集群方式进行物理存储与优化。

6、更进一步，对遥感影像数据进行预处理，具体步骤包括：

7、（a）图像配准。使用arcgis软件将遥感影像tif数据和矢量数据进行地理校准。

8、（b）图像切割。将原始高分辨率遥感影像切割为500*500像素的图像。

9、（c）图像清洗。将（b）中切割后的数据过滤掉无灾情影像，自此原始样本数据库构建完成。

10、（d）人工标注灾情区域。利用photoshop软件打开样本图像和矢量图结合矢量图半自动化标注灾情区域。使用白色(255，255，255)标注灾情区域，黑色(0，0，0)标注非灾情区域，并将标注结果保存为png格式，作为样本标签数据。将标签数据图像与原始数据图像一一对应，命名相同，样本标签数据和原始数据初步构成样本数据库。

11、（e）数据增强。将（d）中样本标签数据和原始数据使用python进行五种数据增强，分别为水平翻转、亮度减弱、 亮度增强、叠加高斯噪点和随机缩放，再和（d）中样本数据库拼接后得到数据增强后样本数据库。

12、（f）图片分类。按8:2的比例分为训练集train和验证集val。

13、（2）对步骤（1）中获取的背景数据库进行冷灾的识别监测，具体步骤包括：

14、（a）模型主要基于开源的deeplabv3+神经网络提取冷灾范围及面积，模型主干采用mobilenetv2对图像特征进行提取；

15、（b）根据气象数据归纳积雪深度、积雪日数及气温等数据，方便建模分析。

16、（3）基于监测结果和空间分析设计判别模型，对于灾情等级进行判定，具体步骤包括：

17、（a）判别模型采用逐步分析方法，其形式为：

18、 （1）

19、g为1,2,…，g

20、（b）x为判别因子矩阵，选择地面最大积雪深度（x1）、积雪日数（x2）、大于年平均值积雪深度的延续天数（x3）、最低气温（x4）、低于年平均值气温的延续天数（x5）及一次降水的降水总量（x6）；

21、（c）cog为常参数，cg为判别系数，g为灾害等级，pg为灾情等级划分的先验概率，其计算方法为：

22、（2）

23、i=1,2，…l；g=1,2，……，g

24、（3）

25、（4）基于积雪深度和日均气温的预测及步骤（3）中的判别模型，设计灾情发展趋势预测模型，具体步骤包括：

26、（a）通过判别模型分析，最大积雪深度与最低气温是直接决定灾情发展变化的关键因素，因此设计二次回归分析预测模型，应用最小二乘法估算出二次需求图像的参数at，bt，ct；

27、（b）将历史资料中对于积雪深度或日均气温假设为{x1，x2,…xt}，方程的表达式为：

28、（4）

29、求解系数at，bt，ct的过程使误差平方和最小

30、（5）

31、（c）基于灰色系统理论，利用连续的灰色微分模型，采用拓扑预测，对一段时间内行为特征数据波形进行预测，具体为使用gm（1,1）模型，即一阶单变量微分方程模型，结合雪灾因子的变化与遥感判别模型进行预测。

32、（5）针对造成的灾情损失建立损失评估模型，结合判别模型与预测模型，具体步骤包括：

33、（a）按评估因素和各因素间的相互关系把参与评价的指标体系进行分层，建立多层次的分析结构，使指标体系条理化；

34、（b）在每一层次中按已确定的准则对该层元素进行判断，构造判断矩阵；

35、（c）通过求解各判断矩阵的特征值，确定出各元素的排序权重进行层次排序；

36、（d）进一步计算各层元素对目标层的组合权重为灾情等级的综合评价提供量化依据，形成层次分析模型；

37、（e）选择受灾面积、成灾时间、积雪深度、积雪日数、最低气温、日最大降雪量及低温持续天数等因素作为评价指标，并从历史灾情记录中选取评价样本通过评分和加权的方法形成模糊集，应用模糊聚类进行类型划分。

38、本发明与现有技术相比的优点在于：

39、1、利用遥感技术与深度学习算法deeplabv3+对遥感图像数据进行提取，该方法耗时更短，分析结果更准确。

40、2、建立冷灾遥感监测评估模型，通过逐步判别分析法，并分析大量历史灾情资料，构建判别因子矩阵，选择多重因子进行分析，其结果更为精确，计算方法更为简单。

41、3、通过判别模型分析，选择最大积雪深度与最低气温为两个关键直接因素，更为直观的预测灾情趋势变化，再结合判别模型得出的其他判别因子值，可对当天及其后一天或多天成灾与否及灾情等级进行判别，进而对连续几天灾情等级的对比，达到发展趋势的预测。

42、4、采用一种新的定性分析与定量分析相结合的决策评价方法来设计层次分析模型，将各因素间的复杂关系进行层次划分排序，简化分析过程，为灾情等级的综合评价提供量化依据。

43、5、对于灾情损失的诸多因素及彼此间的不确定关系，应用模糊聚类法按灾情类别所具有的共性为灾情的分类评价提供依据，当灾情损失程度划分或评价指标之间存在模糊性时，此方法更客观地对灾情造成的损失做出评估。