一种基于卫星遥感图像目标识别的城市内涝风险评估算法

1.本发明涉及城市内涝灾害影响因素分析技术，更具体地说，涉及一种城市内涝灾害风险研究和影响因素识别、分析的方法。


背景技术：

2.城市内涝灾害对城市影响巨大，给城市带来不可估量的损失：市区内涝积水，交通陷入瘫痪，房屋财产受到威胁，水资源受到污染，疾病迅速蔓延，建筑设施被毁，甚至可能造成人员伤亡；远城区山洪暴发，排水不畅；除城区内涝积水外，还会造成周边农田和村庄被淹，农作物严重减产，养殖牲畜及人民生命财产安全受到威胁，造成严重经济损失。
3.城市尺度下的内涝灾害风险研究方法，通常采用历史灾情数据、情景分析、遥感与gis、指标体系等进行风险研究。基于历史灾情数据的评价过程较为简单，但对于历史数据的依赖性强，因此需要不断引入新的灾情数据来保证研究结果的可靠性。基于情景分析的风险评价方法提高了风险评估结果的空间精度，但对于数据的时间尺度、精度、仿真建模的要求较高。基于遥感技术与gis相结合的风险评价方法，也存在研究尺度较大、制图精度低等问题。基于指标体系的评价方法是城市洪涝风险评价中普遍采用的方法，利用洪涝灾害风险指数，构建区域风险评价模型。


技术实现要素：

4.本发明提供一种基于卫星遥感图像目标识别的城市内涝风险评估算法，用以解决城市内涝灾害风险研究方法不全面的情况。
5.一种基于卫星遥感图像目标识别的城市内涝风险评估算法，包括：
6.城市积水点采集模块：通过社交媒体平台获取城市积水点数据，利用arcgis 软件获取积水点的经纬度信息，依据该经纬度信息分别从天地网、地理空间数据云平台上获取对应的卫星遥感图像和高程数据；
7.卫星遥感图像特征提取模块：将卫星遥感图像输入深度学习模型，识别卫星遥感图像中的目标类，并把识别出的各目标的像素点个数之和作为城市内涝影响因素的特征值；
8.高程数据提取模块：通过地理空间数据云平台下载，得到以积水点为中心的高程tif数据，然后提取积水点的高程值和相对高程值；
9.基于xgboost模型的预测分析模块：将所述获取到的特征值和高程值整合成数据集，对xgboost模型进行训练，并通过各指标权重来分析城市内涝风险的影响因素。
10.作为本发明的一种实施例，在于所述城市积水点采集模块包括：
11.积水点获取单元：通过爬取2017-2018年新闻报道中包含关键词“溺水/淹”或者“内涝/积水”的网页，对获取到的文本进行数据清理、删除重复和与洪涝灾害无关的信息，然后通过中文分词和去除停用词对文本进行预处理，获得了7 万多条信息。为了从文本内容中对城市内涝点进行地理定位，还下载了中国部分城市全国范围内的社区目录，包括社
区名称、地理位置等信息，这些信息来自于著名的住宅网站https://www.anjuke.com/。从帖子中提取了关于社区、道路和方向的术语。随后，使用了中国部分城市的社区目录来匹配这些术语，从而可以确定报道的积水点的地理位置。把这些地理位置导入arcgis软件，获取对应的经纬度坐标，方便获取积水点的卫星图像；
12.卫星遥感图像获取单元：通过运用国家地理信息公共服务平台天地图的地理编码与逆向地理编码，以积水点坐标为中心区域在天地图上截取分辨率为1024
ꢀ×
1024的卫星遥感图像。
13.作为本发明的一种实施例，在于所述卫星遥感图像特征提取模块包括：
14.标注数据单元：使用labelme工具对卫星遥感图像中的水体、道路、绿地等目标类进行标注，把标注好的数据作为深度学习模型的训练集，共标注了200 张卫星遥感图像，4个目标类；
15.深度学习训练单元：在pytorch框架下，使用训练集对语义分割u-net模型进行训练，并通过测试集进行验证与优化，最终均像素精度(mpa)达到了81.89％左右。
16.作为本发明的一种实施例，在于所述高程数据提取模块包括：
17.高程值提取单元：通过程序提取高程tif文件矩阵中心点的高程数据，即得到积水点的高程值；
18.相对高程值提取单元：由于不同城市之间的整体高程存在差异性，为了使各城市之间的高程数据放在一起研究有意义，通过使用高程tif图像中心点的高程减去四个顶点高程的平均高程作为样本点的相对高程。
19.作为本发明的一种实施例，在于所述基于xgboost模型的预测分析模块包括：
20.xgboost算法单元：通过预设的机器学习系统的xgboost算法，提供构建训练模型的基础，利用测试集对xgboost模型进行验证与优化，并评估该模型的性能，最终得出城市内涝风险因素的权重；
21.模型优化单元：运用网格调参方法，确定模型最优参数，最后利用测试集对模型进行验证，通过5折交叉验证最终auc的平均值达到了0.88左右。
22.本能发明的有益效果为：应用卫星遥感数据与深度学习进行城市内涝灾害风险研究。构建基于深度学习的算法模型，对卫星遥感图像中的水体、道路、绿地等要素进行特征提取，最终通过xgboost模型分析城市内涝灾害风险的主要影像因素，提供了更多对城市内涝风险因素的研究方法，也提高了研究效率。
23.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。
附图说明
24.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
25.图1为本发明实施例中一种基于卫星遥感图像目标识别的城市内涝风险评估算法的流程图；
26.图2为本发明实施例中一种基于卫星遥感图像目标识别的城市内涝风险评估算法中卫星遥感图特征提取的效果图。
具体实施方式
27.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
28.本发明实施例提供了一种基于卫星遥感图像目标识别的城市内涝风险评估算法，整体框架如图1所示：
29.本发明通过社交媒体平台收集了2017-2018年有关城市内涝的报道，定位积水点后获取其对应的卫星遥感图像和高程。然后制作训练数据集去训练语义分割模型并对模型进行性能评估，利用训练好的权重对获得的正样本和负样本的卫星遥感图像进行预测，预测后每张图片都会得到一张与之对应的标签图(如图2)。接下来通过程序对标签图上的每类像素点的个数进行累加，即得到的每类像素点的个数和，即每种类别的面积。其次把每张图片中每个类别的面积、对应图片的高程值、相对高程值以及对应正负样本的标记(“1”或“0”)整合在一起，以逗号分隔值(csv)文件格式保存形成最终的数据表。最后，把数据表送入极端梯度提升模型对城市内涝灾害因素进行分析并对模型进行性能评估
30.本发明实施例提供了一种基于卫星遥感图像目标识别的城市内涝风险评估算法，本发明包括：
31.城市积水点采集模块：通过社交媒体平台获取城市积水点数据，利用arcgis 软件获取积水点的经纬度信息，依据该经纬度信息分别从天地网、地理空间数据云平台上获取对应的卫星遥感图像和高程数据；
32.卫星遥感图像特征提取模块：将卫星遥感图像输入深度学习模型，识别卫星遥感图像中的目标类，并把识别出的各目标的像素点个数之和作为城市内涝影响因素的特征值；
33.高程数据提取模块：通过地理空间数据云平台下载，得到以积水点为中心的高程tif数据，然后提取积水点的高程值和相对高程值；
34.基于xgboost模型的预测分析模块：将所述获取到的特征值和高程值整合成数据集，对xgboost模型进行训练，并通过各指标权重来分析城市内涝风险的影响因素。
35.上述技术方案的工作原理为：本发将获得的城市内涝卫星影像图分为训练集和测试集，构建训练样本库；在pytorch框架下，将所述训练样本库的样本数据通过u-net网络进行训练，生成语义分割模型；将语义分割模型训练后得到的结果再整合淹没点的高程数据，导入xgboost模型，获取城市内涝灾害主要影响因素信息。
36.上述技术方案的有益效果为：通过应用与城市内涝灾害相关的卫星影像数据与深度学习进行洪涝灾害影响因素分析。构建基于深度学习的算法模型，对卫星图像中的水体、道路等要素进行特征提取，最终获得城市内涝的主要影响因素。本发明对于卫星影像中的水体、道路、绿地等目标的识别，总体的识别率极大提高(在实际实施时能够达到81.89％)，相对于现有的技术，具有更加精确的识别能力。表明卫星影像图片能够被本发明所使用的深度学习模型更好的识别，能够有效地自动提取卫星影像图片中的水体、道路等目标，能够准确分析城市洪涝灾害的主要影响因素。
37.在一个实施例中，所述城市积水点采集模块包括：
38.积水点获取单元：通过爬取2017-2018年新闻报道中包含关键词“溺水/淹”或者“内涝/积水”的信息，对获取到的文本进行数据清理、删除重复和与洪涝灾害无关的信息，
然后通过中文分词和去除停用词对文本进行预处理，获得了7 万多条信息，获得了6407个积水点。为了从文本内容中对城市内涝点进行地理定位，下载了中国部分城市全国范围内的社区目录，包括社区名称、地理位置等信息，这些信息来自于著名的住宅网站https://www.anjuke.com/。从帖子中提取了关于社区、道路和方向的术语。随后，使用了中国部分城市的社区目录来匹配这些术语，从而可以确定这些报道的积水点的地理位置。把这些地理位置导入 arcgis软件，获取对应的经纬度坐标，方便获取积水点的卫星图像；
39.卫星遥感图像获取单元：通过运用国家地理信息公共服务平台天地图的地理编码与逆向地理编码，以积水点坐标为中心区域在天地图上截取分辨率为1024
ꢀ×
1024的卫星遥感图像。
40.在一个实施例中，所述卫星遥感图像特征提取模块包括：
41.标注数据单元：使用labelme工具对卫星遥感图像中的水体、道路、绿地等目标类进行标注，每个类标注后填上对应的标签名称，每张图片标注完保存后会生成一个json文件，里面包含标签信息。最后将json文件转化成数据集用作深度学习模型的训练集，共标注了200张卫星遥感图像，包括水体、道路、绿地和其他4个目标类；
42.深度学习训练单元：在pytorch框架下，使用训练集对语义分割u-net模型进行训练，并通过测试集进行验证与优化，最终均像素精度(mpa)达到了81.89％左右。
43.在一个实施例中，所述高程数据提取模块包括：
44.高程值提取单元：通过程序提取高程tif文件矩阵中心点的高程数据，即得到积水点的高程值；
45.相对高程值提取单元：由于不同城市之间的整体高程存在差异性，为了使各城市之间的高程数据放在一起研究有意义，通过使用高程tif图像中心点的高程减去四个顶点高程的平均高程作为样本点的相对高程。
46.在一个实施例中，所述基于xgboost模型的预测分析模块包括：
47.xgboost算法单元：通过预设的机器学习系统的xgboost算法，提供构建训练模型的基础，利用测试集对xgboost模型进行验证与优化，并评估该模型的性能，最终得出城市内涝风险因素的权重；
48.模型优化单元：运用网格调参方法，确定模型最优参数，最后利用测试集对模型进行验证，通过5折交叉验证最终auc的平均值达到了0.88左右。