一种基于改进U-Net网络的复杂场景下光伏建成区提取的方法

本发明涉及时空遥感、语义分割技术，具体涉及一种基于改进u-net网络的复杂场景下光伏建成区提取的方法。

背景技术：

1、随着全球对可再生能源需求的增长，太阳能光伏作为重要的可再生能源形式在全球范围内取得了显著的发展。光伏发电作为清洁能源的代表之一，对全球应对气候变化和推动可持续能源发展具有重要意义。当前针对光伏建成区的传统人工检测方法往往需要大量资源投入，无法满足短时周期内的响应需求，且难以实现对大范围的精确监测。因此，对遥感影像中的光伏建成区进行自动、准确的分割，显得尤为迫切。然而，光伏建成区在遥感影像中存在尺寸差异大、分布密集度不均匀以及与周围环境相似度高等问题，为光伏建成区的自动提取带来了挑战。

2、为此，本专利提出一种基于改进u-net网络的复杂场景下光伏建成区提取的方法。该方法基于u-net网络进行改进，对复杂场景下gf-2遥感影像数据进行光伏建成区特征识别，对不同行政划分区域进行光伏建成区分割，计算相对应的光伏建成区面积，实现区域光伏建成区动态监测。该发明能够有效掌握城市光伏建成区的变化情况，提高城市管理等部门针对城市光伏建成区的管理效率和准确性，助力城市新能源可持续发展。

技术实现思路

1、本发明的技术解决问题是：提出一种基于改进u-net网络的光伏建成区提取的方法，对复杂场景下的遥感影像进行光伏建成区提取，实现城市光伏建成区动态监测，与此同时，基于提取结果进行城市屋顶光伏碳潜力评估。

2、本发明的技术解决方案为：一种基于改进u-net网络的光伏建成区提取的方法，首先获取gf-2遥感数据，对数据进行存储和预处理。然后基于改进后的u-net网络对光伏建成区遥感数据集进行语义分割，构建光伏建成区分割模型；基于光伏建成区分割模型对全部区域遥感影像数据集进行分割，存储全部区域分割预测结果；最后根据卫星单分辨率计算出研究区域光伏建成区面积，与研究区域的屋顶矢量数据取差集，进行基于光伏建成区影响的城市屋顶光伏碳潜力评估。其具体步骤如下：

3、(1)获取gf-2遥感数据，对数据进行存储和预处理。

4、步骤(1)中，对于获取的gf-2遥感数据，采用标准数据结构进行数据规约。

5、进一步，对gf-2遥感数据进行高效存储。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光伏建成区遥感影像数据的物理存储与优化。

6、更进一步，对gf-2遥感影像数据进行预处理，具体步骤包括：

7、(a)图像配准。获取研究区域的屋顶矢量数据，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256*256像素的图像。

9、(c)图像清洗。将(b)中切割后的数据过滤掉无光伏建成区、光伏建成区大量被遮挡的影像，自此原始光伏建成区样本数据库构建完成。

10、(d)人工标注光伏建成区区域。利用labelme软件打开切割好的样本图像手动标注光伏建成区。利用python脚本修改标签的默认颜色，将光伏建成区标注为白色(255，255，255)，非光伏建成区标注为黑色(0，0，0)，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光伏建成区样本数据库。

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光伏建成区样本数据库。

12、(f)图片分类。将步骤(f)获取的光伏建成区样本数据库中样本和样本标签一一对应按8:2的比例分为训练集train和验证集val。

13、(2)对步骤(1)中获取的光伏建成区样本数据库进行光伏建成区语义分割，构建光伏建成区分割模型，具体步骤包括：

14、(a)构建光伏建成区分割模型。trifs-unet模型主要基于开源的u-net神经网络进行改进，为了提升准确率和效率对该神经网络模型的网络结构做出优化。模型主干采用swin-transformer对光伏建成区特征进行提取，利用其优秀的窗口和分层思想来弥补传统cnn分割方法局部感受野受限于卷积运算的不足，以更充分地捕捉高分辨率遥感图像中的长程依赖关系。同时，在精细化跳跃连接策略中增加trif特征融合模块，并将编码器下两层的输出特征图连接至atrif瓶颈结构，从空间、频率和通道三个维度进行多尺度特征融合。最后，采用深度监督策略，将编码器最后四层的输出特征图用于计算辅助损失，以监督模型学习更多的特征表示，编码器最顶层的输出特征图作为主损失，用于最终的预测任务，使模型能够更有效地捕捉到不同尺度的光伏建成区特征信息。

15、(b)损失函数优化。trifs-unet模型使用二进制交叉熵损失(bce)、dice损失和lovasz-softmax loss损失结合作为损失函数。二进制交叉熵损失的定义如下：

16、

17、其中yn是第n个像素的真实值，是第n个像素的预测值，n为图像的像素总数，ω0是图像中阳性样本的比例。

18、为了处理阴阳性样本不平衡的问题，本模型在bce损失中引入了一个小于1的平衡参数，使其对不同样本具有更均衡的权重。然而，这样做会使得bce损失的梯度变得更为缓慢，从而影响模型的收敛速度。为了加快trifs-unet模型的收敛速度，并综合考虑模型对每个像素分割结果的空间一致性，本模型结合了梯度较大的dice损失，其定义如下:

19、

20、其中，y是第n个像素的真实值，是第n个像素的预测值。

21、iou(intersection-over-union，也叫jaccard index)是图像分割中常用的一个衡量分割效果的评价指标，lovasz-softmax loss采用lovasz extension数学工具将离散的jaccard loss变得光滑化，从而可以直接求导，因此相当于直接对iou进行优化，会有较好的效果。由于lovasz loss存在着训练过程中的不稳定的特性，而且其优化的iou指标效果好，并不一定能说明模型的性能较优，因此本模型采用二进制交叉熵损失、dice损失和lovasz-softmax loss损失三种损失函数的加权组合。对于从模型解码器中输出的特征图si，其损失函数定义如下：

22、lossi＝αlwbce+βldice+γlls

23、其中，α、β、γ分别为lwbce、ldice、lls的权重参数。

24、最终，trifs-unet模型训练的总体损失定义如下：

25、

26、其中，wi为每个解码器输出的损失权重。

27、(c)模型超参数调优。本模型使用ray tune自动化调参工具，结合网格搜索和贝叶斯优化算法，对trifs-unet模型进行超参数调优。本模型关注了训练批次、损失函数权重超参数、学习率超参数以及dropout率。从光伏建成区样本数据库中随机抽取1250张样本进行参数搜索实验，样本和样本标签一一对应按照75％/25％划分训练集和验证集，其中训练集1000张，验证集250张。每个实验进行30轮次并保存实验搜索到的最优超参数结果。

28、(3)基于(2)所得光伏建成区分割模型和最优超参数结果对研究区域遥感影像数据集进行分割，构建区域光伏建成区面积估算数据集，具体步骤包括：

29、(a)将遥感影像数据集按行政边界进行分割，获得全部区域遥感影像数据集。

30、(b)将全部区域遥感影像数据集放入模型测试集中，利用光伏建成区分割模型对测试集进行光伏建成区特征分割，并存储光伏建成区预测结果tif图。

31、(4)结合研究区域的屋顶矢量数据，利用卫星单分辨率计算研究区域的光伏建成区面积，进行基于光伏建成区影响的城市屋顶光伏碳潜力评估，具体步骤包括：

32、(a)将光伏建成区预测结果与研究区域的屋顶矢量数据做差集，得到区域屋顶光伏待改造像素点数。

33、(b)利用卫星影像的单位分辨率和(a)中获得的区域屋顶光伏待改造像素点数，计算研究区域的屋顶光伏待改造面积(spv)。

34、(c)根据区域的屋顶光伏待改造面积(spv)和屋顶光伏面板的额定功率得出区域屋顶光伏潜在装机容量(wpv)。

35、(d)根据(c)中获得的区域屋顶光伏潜在装机容量(wpv)、光伏系统总效率(η)和当地峰值小时数(h)估算得出区域屋顶光伏潜在可发电量(l)。

36、(e)根据同年中国国家能源局发布的全国供电标准煤耗数据(gama)和(d)中获得的区域屋顶光伏潜在可发电量(l)估算得出区域屋顶光伏潜在标准节煤量(qtr)。

37、(f)根据(e)中获得的区域屋顶光伏潜在标准节煤量(qtr)和同年二氧化碳排放因子估算得出区域屋顶光伏潜在二氧化碳减排量

38、本发明与现有技术相比的优点在于：

39、1、提供了一种基于改进u-net网络的复杂场景下光伏建成区提取方法，相较现有的技术，trifs-unet模型分割耗时更短，分割结果更准确，能同时满足单片光伏和光伏阵列的检测需求。

40、2、提出了trif特征融合模块和atrif瓶颈结构。该模块在通道和空间注意力机制的基础上，将通道注意力机制进一步扩展到频率域，并引入了门控单元以动态生成注意力权重信息，从而实现模型在空间、通道和频率三个维度上对特征图的深度融合，减少背景信息的干扰，并突出光伏建成区的细节特征，弥补视觉transformer模型提取特征中内部信息不足的问题。在该模块的基础上提出的atrif瓶颈结构加入了多条不同空洞率的空洞卷积平行路径，对编码器输出的高级特征进行多尺度特征融合，最大化利用特征的内部信息。

41、3、光伏建成区检测作为一个小目标检测任务，由于背景像素数量过多，传统的交叉熵损失会将大量背景像素分类为负样本，这会导致模型学习出大量错误的分类决策。本模型使用了二进制交叉熵损失、dice损失和lovasz-softmax loss损失三种损失函数的加权组合，解决了在复杂场景下二分类样本类别不均衡导致的分类准确性低的问题，同时通过深度监督策略，提高了模型对遥感数据分割的性能。

42、4、提出了一种基于光伏建成区影响的屋顶光伏碳潜力评估方法。光伏铺设是一个政策性全国范围内的改造运动，对其进行降碳潜力评估十分有意义。然而当前评估方法普遍忽视了已建成光伏区域的影响。相较于现有研究，本发明考虑到光伏建成区对碳潜力评估的影响,得到了更为精确的碳潜力估算结果。