地表水体制图方法、装置、电子设备及存储介质与流程

1.本技术涉及计算机技术领域，具体而言，涉及一种地表水体制图方法、装置、电子设备及存储介质。


背景技术：

2.随着气候变化和人类活动的影响，地表水体的空间分布和理化成分正在发生着巨大变化。对于水资源管理、水害防治和水环境保护等与水相关研究和规划，及时监测地表水动态具有重要意义。其中地表水体制图是监测地表水体动态变化的重要手段。
3.在相关技术中，地表水体制图主要包括水体指数法和监督分类法。水体指数法需要确定分割阈值，而应用于大尺度地表水制图时，难以确定全局最优阈值，导致制图结果不够精确。监督分类法需要人工选择训练样本，在选择大量训练样本的情况下，会导致人力和物力成本提高，在选择少量训练样本的情况下，又会影响制图结果的精确度。


技术实现要素：

4.本技术实施例的目的在于提供一种地表水体制图方法、装置、电子设备及存储介质，旨在解决目标地表水体制图方法中存在制图结果精确度低的问题。
5.第一方面，本技术实施例提供了一种地表水体制图方法，其特征在于，包括：
6.获取众包地图osm数据和归一化差异水体指数mndwi影像数据；
7.将osm数据和mndwi影像数据进行融合，构建第一mndwi特征集和第二mndwi特征集，第一mndwi特征集用于标记水体像元，第二mndwi特征集用于标记非水体像元；
8.剔除第一mndwi特征集中的虚假水体像元，得到候选水体像元集，剔除第二mndwi特征集中的虚假非水体像元，得到候选非水体像元集；
9.基于候选水体像元集和候选非水体像元集，对预设的随机森林决策树进行训练，直至随机森林决策树达到预设收敛条件，得到随机森林分类模型；
10.基于随机森林分类模型，对预先采集的研究区域的地表水体分类特征集进行分类，得到研究区域的地表水体图。
11.在本实施例中，通过获取众包地图osm数据和归一化差异水体指数mndwi影像数据，并将osm数据和mndwi影像数据进行融合，构建第一mndwi特征集和第二mndwi特征集，从而丰富mndwi影像数据的地理信息；再剔除第一mndwi特征集中的虚假水体像元，得到候选水体像元集，剔除第二mndwi特征集中的虚假非水体像元，得到候选非水体像元集，从而实现osm数据清理，提高水体样本和非水体样本的提取精度和速度；然后基于候选水体像元集和候选非水体像元集，对预设的随机森林决策树进行训练，直至随机森林决策树达到预设收敛条件，得到随机森林分类模型，以实现智能模型降低人工分类导致的误差；基于随机森林分类模型，对预先采集的研究区地表水体分类特征集进行分类，得到研究区域的地表水体图，实现大尺度地表水体的精准、快速提取。
12.在一实施例中，将osm数据和mndwi影像数据进行融合，构建第一mndwi特征集和第
二mndwi特征集，包括：
13.基于osm数据的图层要素属性，对osm数据进行分类，得到osm水体图层和osm非水体图层；
14.将osm水体图层和osm非水体图层上传至谷歌地球引擎gee平台；
15.基于gee平台，将osm水体图层叠加到mndwi影像数据中，得到第一mndwi特征集，将osm非水体图层叠加到mndwi影像数据，得到第二mndwi特征集。
16.在本实施例中，通过osm数据与gee平台结合，解决了大尺度地表水体精准、快速提取，将osm数据与mndwi影像数据结合，为栅格数据与矢量数据的协同应用提供有效的解决方案。
17.在一实施例中，基于osm数据的图层要素属性，对osm数据进行分类，得到osm水体图层和osm非水体图层，包括：
18.基于osm数据的图层要素属性，将osm数据分类为osm水体面要素、osm水体线要素和osm非水体要素；
19.将所有osm水体面要素合成osm水体面图层，将所有osm水体线要素合成osm水体线图层，将osm非水体要素合成osm非水体图层；
20.基于osm水体面图层，建立osm水体面图层缓冲区，使得osm水体面图层缓冲区的面积约等于osm水体面图层的面积；
21.将osm水体面图层缓冲区、osm水体面图层和osm水体线图层合成为osm水体图层。
22.在本实施例中，通过对osm数据分类，实现osm数据清洗，减少osm数据中的错误信息，提高osm数据的准确度。
23.在一实施例中，剔除第一mndwi特征集中的虚假水体像元，得到候选水体像元集，剔除第二mndwi特征集中的虚假非水体像元，得到候选非水体像元集，包括：
24.基于第一mndwi特征集，调用预设的最大类间方差ostu算法，确定osm数据的水体滤波阈值；
25.若第一mndwi特征集中第一像元的mndwi值小于水体滤波阈值，则剔除第一mndwi特征集中的第一像元，得到候选水体像元集；
26.若第二mndwi特征集中第二像元的mndwi值不小于水体滤波阈值，则剔除第二mndwi特征集中的第二像元，得到候选非水体像元集。
27.在本实施例中，通过ostu算法自动确定水体滤波阈值，并基于此实现虚假像元的剔除，提高训练样本的准确性，进而提高模型的识别精度。
28.在一实施例中，获取归一化差异水体指数mndwi影像数据，包括：
29.获取地表反射率影像数据；
30.调用预设函数，对地表反射率影像数据进行运算，得到mndwi影像数据，其中预设函数的计算公式：
[0031][0032]
sr
green
表示绿光波段的地表反射率影像数据，sr
mir
表示中红外波段的地表反射率影像数据。
[0033]
在一实施例中，基于随机森林分类模型，对预先采集的研究区地表水体分类特征
集进行分类，得到研究区域的地表水体制图之前，还包括：
[0034]
获取地表反射率影像数据，并基于地表反射率影像数据，提取归一化植被指数ndvi特征和第二mndwi影像数据；
[0035]
基于地表反射率影像数据，构造灰度共生矩阵，提取地表反射率影像数据的纹理特征；
[0036]
加载研究区域的预设数字高程模型，确定研究区的坡度特征；
[0037]
基于地表反射率影像数据、第二mndwi影像数据、ndvi特征、纹理特征和坡度特征，构建研究区域的地表水体分类特征集。
[0038]
在本实施例中，通过提取第二mndwi影像数据、ndvi特征、纹理特征和坡度特征，并构建研究区域的地表水体分类特征集，使得模型输入特征丰富，以使模型能够有效识别像元对应的地物类型。
[0039]
在一实施例中，基于随机森林分类模型，对预先采集的研究区地表水体分类特征集进行分类，得到研究区域的地表水体制图，包括：
[0040]
基于随机森林分类模型，对研究区地表水体分类特征集进行预测，确定研究区地表水体分类特征集中各个像元的最终分类结果，得到研究区域的地表水体图，其中最终分类结果的计算公式：
[0041][0042]
h(x)表示最终分类结果，h
i
(x)表示单个像元的单决策树预测结果，y表示预设输出变量，i(
·
)表示示性函数。
[0043]
在本实施例中，通过多数投票法确定各个像元的最终分类结果，以进一步提高像元对应地物类型的准确度，地物类型包括水体类型和非水体类型，水体类型包括河流、湖泊等多种水体类型。
[0044]
第二方面，本技术实施例提供了一种地表水体制图装置，包括：
[0045]
获取模块，用于获取众包地图osm数据和归一化差异水体指数mndwi影像数据；
[0046]
融合模块，用于将osm数据和mndwi影像数据进行融合，构建第一mndwi特征集和第二mndwi特征集，第一mndwi特征集用于标记水体像元，第二mndwi特征集用于标记非水体像元；
[0047]
剔除模块，用于剔除第一mndwi特征集中的虚假水体像元，得到候选水体像元集，剔除第二mndwi特征集中的虚假非水体像元，得到候选非水体像元集；
[0048]
训练模块，用于基于候选水体像元集和候选非水体像元集，对预设的随机森林决策树进行训练，直至随机森林决策树达到预设收敛条件，得到随机森林分类模型；
[0049]
分类模块，用于基于随机森林分类模型，对预先采集的研究区域的地表水体分类特征集进行分类，得到研究区域的地表水体图。
[0050]
第三方面，本技术实施例提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行第一方面所述的地表水体制图方法。
[0051]
第四方面，本技术实施例提供了一种计算机可读存储介质，其存储有计算机程序，
所述计算机程序被处理器执行时实现第一方面所述的地表水体制图方法。
[0052]
需要说明的是，上述第二方面至第四方面的有益效果可参见第一方面的相关描述，此处不再赘述。
附图说明
[0053]
为了更清楚地说明本技术实施例的技术方案，下面将对本技术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技术的某些实施例，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。
[0054]
图1为本技术实施例提供的地表水体制图方法的流程示意图；
[0055]
图2为本技术实施例提供的地表水体制图装置的结构示意图；
[0056]
图3为本技术实施例提供的电子设备的结构示意图。
具体实施方式
[0057]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。
[0058]
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。同时，在本技术的描述中，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。
[0059]
如背景技术相关记载，目前的地表水体制图主要包括水体指数法和监督分类法。水体指数法需要确定分割阈值，而应用于大尺度地表水制图时，难以确定全局最优阈值，导致制图结果不够精确。监督分类法需要人工选择训练样本，在选择大量训练样本的情况下，会导致人力和物力成本提高，在选择少量训练样本的情况下，又会影响制图结果的精确度。
[0060]
针对上述现有技术中的问题，本技术提供了一种地表水体制图方法，通过获取众包地图osm数据和归一化差异水体指数mndwi影像数据，并将osm数据和mndwi影像数据进行融合，构建第一mndwi特征集和第二mndwi特征集；再剔除第一mndwi特征集中的虚假水体像元，得到候选水体像元集，剔除第二mndwi特征集中的虚假非水体像元，得到候选非水体像元集，从而实现osm数据清理，提高水体样本和非水体样本的提取精度和速度；然后基于候选水体像元集和候选非水体像元集，对预设的随机森林决策树进行训练，直至随机森林决策树达到预设收敛条件，得到随机森林分类模型，以实现智能模型降低人工分类导致的误差；基于随机森林分类模型，对预先采集的研究区地表水体分类特征集进行分类，得到研究区域的地表水体图，实现大尺度地表水体的精准、快速提取。
[0061]
参见图1，图1示出了本技术实施例提供的一种地表水体制图方法的实现流程图。本技术实施例中下述的地表水体制图方法可应用于电子设备，电子设备包括但不限于智能手机、平板电脑、桌上型计算机、超级计算机、个人数字助理、物理服务器和云服务器等计算机设备。本技术实施例的地表水体制图方法，包括步骤s101至s105，详述如下：
[0062]
步骤s101，获取众包地图osm数据和归一化差异水体指数mndwi影像数据。
[0063]
在本实施例中，众包地图(openstreetmap，osm)数据是一种用户生成的街道地图，包含了丰富的地理信息，例如水体、建筑物等。归一化差异水体指数(modifiednormalized difference water index，mndwi)影像数据是用遥感影像的特定波段进行归一化差值处
理，以凸显影像中的水体信息的数据。
[0064]
在一实施例中，获取归一化差异水体指数mndwi影像数据，包括：获取地表反射率影像数据；调用预设函数，对地表反射率影像数据进行运算，得到mndwi影像数据，其中预设函数的计算公式：
[0065][0066]
sr
green
表示绿光波段的地表反射率影像数据，sr
mir
表示中红外波段的地表反射率影像数据。
[0067]
在本实施例中，可以采用gee内置的simplecomposite()算法合成研究时段最小云量合成的地表反射率影像数据。
[0068]
步骤s102，将osm数据和mndwi影像数据进行融合，构建第一mndwi特征集和第二mndwi特征集，第一mndwi特征集用于标记水体像元，第二mndwi特征集用于标记非水体像元。
[0069]
在本实施例中，像元为影像数据中的像素点或像元点。可选地，通过分类出osm数据中的水体图层和非水体图层，并将水体图层与mndwi影像数据合并得到第一mndwi特征集，将非水体图层与mndwi影像数据合并得到第二mndwi特征集。
[0070]
可选地，将osm数据与mndwi影像数据融合，再对融合后的影像进行分类，以得到第一mndwi特征集和第二mndwi特征集。
[0071]
在一实施例中，将osm数据和mndwi影像数据进行融合，构建第一mndwi特征集和第二mndwi特征集，包括：基于osm数据的图层要素属性，对osm数据进行分类，得到osm水体图层和osm非水体图层；将osm水体图层和osm非水体图层上传至谷歌地球引擎gee平台；基于gee平台，将osm水体图层叠加到mndwi影像数据中，得到第一mndwi特征集，将osm非水体图层叠加到mndwi影像数据，得到第二mndwi特征集。
[0072]
在本实施例中，谷歌地球引擎(googleearthengine，gee)是由google提供的对大量全球尺度地球科学资料(如卫星数据)进行在线可视化计算分析处理的平台，集成了大量的卫星遥感影像，如landsat系列卫星、modis卫星、哨兵二号卫星遥感影像等。
[0073]
可选地，获取研究区域的osm数据，并根据osm数据图层要素属性，将osm数据分类为osm水体面要素、osm水体线要素和osm非水体要素。其中，osm水体面要素包括但不限于landuse图层中的水库(reservoir)要素、natural图层中的水体(water)要素和河堤(riverbank)要素。osm水体线要素包括但不限于waterway图层中的河道(canal)要素、河流(river)要素和溪流(stream)要素。其它面要素和线要素均为osm非水体要素。
[0074]
在一实施例中，基于osm数据的图层要素属性，对osm数据进行分类，得到osm水体图层和osm非水体图层，包括：基于osm数据的图层要素属性，将osm数据分类为osm水体面要素、osm水体线要素和osm非水体要素；将所有osm水体面要素合成osm水体面图层，将所有osm水体线要素合成osm水体线图层，将osm非水体要素合成osm非水体图层；基于osm水体面图层，建立osm水体面图层缓冲区；将osm水体面图层缓冲区、osm水体面图层和osm水体线图层合成为osm水体图层。
[0075]
在本实施例中，合并所有的osm水体面要素生成osm水体面图层，合并所有的osm水体线要素生成osm水体线图层，合并所有的osm非水体要素生成osm非水体图层。
[0076]
示例性地，建立osm水体面图层缓冲区：以0.5米为步长，缓冲区面积与osm水体面图层面积差值的绝对值为目标函数，采用迭代试算的方式确定最佳缓冲区半径(r)，建立osm水体面图层缓冲区。计算公式：min d＝|s
b
‑
s
polygon
|；b＝{x|d(x，boundary)≤r}；
[0077]
其中，d表示缓冲区面积(s
b
)和osm水体面图层面积(s
polygon
)差值的绝对值；b表示缓冲区半径为r的osm水体面图层的缓冲区，即到面要素边界距离小于等于r的点的集合。
[0078]
步骤s103，剔除第一mndwi特征集中的虚假水体像元，得到候选水体像元集，剔除第二mndwi特征集中的虚假非水体像元，得到候选非水体像元集。
[0079]
在本实施例中，虚假水体像元为被标记为水体像元但实际上不属于水体像元的像素点，虚假非水体像元为被标记为非水体像元但实际上不属于非水体像元的像素点。本实施例可以通过确定水体滤波阈值，并基于水体滤波阈值识别虚假水体像元和虚假非水体像元。
[0080]
在一实施例中，剔除第一mndwi特征集中的虚假水体像元，得到候选水体像元集，剔除第二mndwi特征集中的虚假非水体像元，得到候选非水体像元集，包括：基于第一mndwi特征集，调用预设的最大类间方差ostu算法，确定osm数据的水体滤波阈值；若第一mndwi特征集中第一像元的mndwi值小于水体滤波阈值，则剔除第一mndwi特征集中的第一像元，得到候选水体像元集；若第二mndwi特征集中第二像元的mndwi值不小于水体滤波阈值，则剔除第二mndwi特征集中的第二像元，得到候选非水体像元集。
[0081]
在本实施例中，以标记水体像元的第一mndwi特征集为数据，采用ostu算法，确定osm水体滤波阈值(ts)。示例性地，剔除虚假的标记水体像元得到候选水体像元集，计算公式：vw
mndwi
<t
s
；
[0082]
其中，vw
mndwi
表示标记水体像元的mndwi值，即当标记水体像元的mndwi值小于osm水体滤波阈值(ts)时，认为该像元为虚假的标记水体像元，从标记水体像元集中剔除，剩余的标记水体像元构成候选水体像元集。
[0083]
剔除虚假的标记非水体像元得到候选非水体像元集,计算公式：vnw
mndwi
≥t
s
；
[0084]
其中，vnw
mndwi
表示标记非水体像元的mndwi值，即当标记非水体像元的mndwi值不小于osm水体滤波阈值(ts)时，认为该像元为虚假的标记非水体像元，从标记非水体像元集中剔除，剩余的标记非水体像元构成候选非水体像元集。
[0085]
步骤s104，基于候选水体像元集和候选非水体像元集，对预设的随机森林决策树进行训练，直至随机森林决策树达到预设收敛条件，得到随机森林分类模型。
[0086]
在本实施例，可选地，从候选水体像元集中随机选取20％作为水体训练样本，从候选非水体像元集中随机选取20％作为非水体训练样本。提取水体训练样本和非水体训练样本的分类特征，构造水体训练特征集和非水体训练特征集。可以设置随机森林决策树个数为200，分裂节点特征数目为4，构建随机森林分类模型框架，将水体训练特征集和非水体训练特征集代入随机森林分类模型框架进行模型训练，获得随机森林分类模型。
[0087]
本实施例利用已标注好的候选水体像元集和候选非水体像元集对随机森林决策树模型进行训练，直至模型达到预设收敛条件。预设收敛条件为表示模型训练完成的条件，例如损失函数得到的损失值小于预设损失阈值，则表示收敛。可以通俗理解为，损失值越小表示该模型提取到的特征向量越准确，这样才能根据提取到的特征向量还原到最接近样本的像元。示例性地，将候选水体像元集和候选非水体像元集输入到随机森林决策树模型中
进行处理，得到候选水体像元集或候选非水体像元对应的像元类型；计算输入的像元类型与候选水体像元集或候选非水体像元之间的损失值，当该损失值大于或等于预设损失阈值时，调整seq2seq模型中的模型参数，并返回指向将样本文本输入到随机森林决策树模型中进行处理，得到候选水体像元集或候选非水体像元对应的像元类型的步骤；当该损失值小于预设损失阈值时，表示随机森林决策树模型训练完成，得到训练好的随机森林分类模型。
[0088]
步骤s105，基于随机森林分类模型，对预先采集的研究区地表水体分类特征集进行分类，得到研究区域的地表水体图。
[0089]
在本实施例中，将研究区域的地表水体分类特征集输入到随机森林分类模型进行运算，模型对地表水体分类特征集中的每个像元进行分类，根据所有像元的分类结果，则可以得到地表水体图。
[0090]
在一实施例中，基于随机森林分类模型，对预先采集的研究区地表水体分类特征集进行分类，得到研究区域的地表水体制图，包括：基于随机森林分类模型，对研究区地表水体分类特征集进行预测，确定研究区地表水体分类特征集中各个像元的最终分类结果，得到研究区域的地表水体图，其中最终分类结果的计算公式：
[0091][0092]
h(x)表示最终分类结果，h
i
(x)表示单个像元的单决策树预测结果，y表示预设输出变量，i(
·
)表示示性函数。
[0093]
在本实施例中，通过多数投票法确定各个像元的最终分类结果，以进一步提高像元对应地物类型的准确度。
[0094]
在一实施例中，基于随机森林分类模型，对预先采集的研究区地表水体分类特征集进行分类，得到研究区域的地表水体制图之前，还包括：获取地表反射率影像数据，并基于地表反射率影像数据，提取归一化植被指数ndvi特征和第二mndwi影像数据；基于地表反射率影像数据，构造灰度共生矩阵，提取地表反射率影像数据的纹理特征；加载研究区域的预设数字高程模型，确定研究区的坡度特征；基于地表反射率影像数据、第二mndwi影像数据、ndvi特征、纹理特征和坡度特征，构建研究区域的地表水体分类特征集。
[0095]
在本实施例中，可以依托gee云平台计算光谱指数特征、纹理特征和坡度，构建地表水体分类特征集。示例性地，首先，基于地表反射率影像数据提取归一化植被指数(normalizeddifferentialvegetationindex，ndvi)特征。然后，基于地表反射率影像数据构造灰度共生矩阵(gray
‑
levelco
‑
occurrencematrix，glcm)，以提取遥感影像纹理特征，纹理特征包括但不限于熵(entropy)、二阶距(angularsecondmoment，asm)、同质性(homogeneity)和差异性(dissimilarity)。接着，加载研究区域的数字高程模型(digital elevation model，dem)，计算坡度特征(slope)。最后合并地表反射率影像数据的光谱波段、mndwi、ndvi、纹理特征和坡度特征，构建研究区地表水体分类特征集。
[0096]
为了执行上述方法实施例对应的方法，以实现相应的功能和技术效果，下面提供一种地表水体制图装置。参见图2，图2是本技术实施例提供的一种地表水体制图装置的结构框图。本实施例中该装置包括的各模块用于执行图1对应的实施例中的各步骤，具体参见图1以及图1所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部
分，本技术实施例提供的地表水体制图装置，包括：
[0097]
获取模块201，用于获取众包地图osm数据和归一化差异水体指数mndwi影像数据；
[0098]
融合模块202，用于将osm数据和mndwi影像数据进行融合，构建第一mndwi特征集和第二mndwi特征集，第一mndwi特征集用于标记水体像元，第二mndwi特征集用于标记非水体像元；
[0099]
剔除模块203，用于剔除第一mndwi特征集中的虚假水体像元，得到候选水体像元集，剔除第二mndwi特征集中的虚假非水体像元，得到候选非水体像元集；
[0100]
训练模块204，用于基于候选水体像元集和候选非水体像元集，对预设的随机森林决策树进行训练，直至随机森林决策树达到预设收敛条件，得到随机森林分类模型；
[0101]
分类模块205，用于基于随机森林分类模型，对预先采集的研究区地表水体分类特征集进行分类，得到研究区域的地表水体图。
[0102]
在一实施例中，融合模块202，包括：
[0103]
分类单元，用于基于osm数据的图层要素属性，对osm数据进行分类，得到osm水体图层和osm非水体图层；
[0104]
上传单元，用于将osm水体图层和osm非水体图层上传至谷歌地球引擎gee平台；
[0105]
叠加单元，用于基于gee平台，将osm水体图层叠加到mndwi影像数据中，得到第一mndwi特征集，将osm非水体图层叠加到mndwi影像数据，得到第二mndwi特征集。
[0106]
在一实施例中，上述分类单元，包括：
[0107]
分类子单元，用于基于osm数据的图层要素属性，将osm数据分类为osm水体面要素、osm水体线要素和osm非水体要素；
[0108]
第一合成子单元，用于将所有osm水体面要素合成osm水体面图层，将所有osm水体线要素合成osm水体线图层，将osm非水体要素合成osm非水体图层；
[0109]
建立单元，用于基于osm水体面图层，建立osm水体面图层缓冲区；
[0110]
第二合成子单元，用于将osm水体面图层缓冲区、osm水体面图层和osm水体线图层合成为osm水体图层。
[0111]
在一实施例中，剔除模块203，包括：
[0112]
确定单元，用于基于第一mndwi特征集，调用预设的最大类间方差ostu算法，确定osm数据的水体滤波阈值；
[0113]
第一剔除单元，用于若第一mndwi特征集中第一像元的mndwi值小于水体滤波阈值，则剔除第一mndwi特征集中的第一像元，得到候选水体像元集；
[0114]
第二剔除单元，用于若第二mndwi特征集中第二像元的mndwi值不小于水体滤波阈值，则剔除第二mndwi特征集中的第二像元，得到候选非水体像元集。
[0115]
在一实施例中，获取模块201，包括：
[0116]
获取单元，用于获取地表反射率影像数据；
[0117]
运算单元，用于调用预设函数，对地表反射率影像数据进行运算，得到mndwi影像数据，其中预设函数的计算公式：
[0118][0119]
sr
green
表示绿光波段的地表反射率影像数据，sr
mir
表示中红外波段的地表反射率
影像数据。
[0120]
在一实施例中，上述装置，还包括：
[0121]
计算模块，用于获取地表反射率影像数据，并基于地表反射率影像数据，计算归一化植被指数ndvi特征和第二mndwi影像数据；
[0122]
提取模块，用于基于地表反射率影像数据，构造灰度共生矩阵，提取地表反射率影像数据的纹理特征；
[0123]
加载模块，用于加载研究区域的预设数字高程模型，确定研究区的坡度特征；
[0124]
构建模块，用于基于地表反射率影像数据、第二mndwi影像数据、ndvi特征、纹理特征和坡度特征，构建研究区域的地表水体分类特征集。
[0125]
在一实施例中，分类模块205，包括：
[0126]
预测单元，用于基于随机森林分类模型，对研究区地表水体分类特征集进行预测，确定研究区地表水体分类特征集中各个像元的最终分类结果，得到研究区域的地表水体图，其中最终分类结果的计算公式：
[0127][0128]
h(x)表示最终分类结果，h
i
(x)表示单个像元的单决策树预测结果，y表示预设输出变量，i(
·
)表示示性函数。
[0129]
图3为本技术一实施例提供的电子设备的结构示意图。如图3所示，该实施例的电子设备3包括：至少一个处理器30(图3中仅示出一个)处理器、存储器31以及存储在所述存储器31中并可在所述至少一个处理器30上运行的计算机程序32，所述处理器30执行所述计算机程序32时实现上述任意方法实施例中的步骤。
[0130]
所述电子设备3可以是智能手机、平板电脑、桌上型计算机、超级计算机、个人数字助理、物理服务器和云服务器等计算设备。该电子设备可包括但不仅限于处理器30、存储器31。本领域技术人员可以理解，图3仅仅是电子设备3的举例，并不构成对电子设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
[0131]
所称处理器30可以是中央处理单元(central processing unit，cpu)，该处理器30还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0132]
所述存储器31在一些实施例中可以是所述电子设备3的内部存储单元，例如电子设备3的硬盘或内存。所述存储器31在另一些实施例中也可以是所述电子设备3的外部存储设备，例如所述电子设备3上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述存储器31还可以既包括所述电子设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序
的程序代码等。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
[0133]
另外，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述任意方法实施例中的步骤。
[0134]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时实现可实现上述各个方法实施例中的步骤。
[0135]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0136]
另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0137]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0138]
以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。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。
[0139]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。
[0140]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在
包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。