本发明涉及遥感卫星信息，尤其涉及一种基于国产高分卫星的洪涝灾害三维信息提取方法。
背景技术：
1、由强降雨、冰雪融化、堤坝溃决、风暴潮等原因引起江河湖泊及沿海水量增加、水位上涨以及山洪暴发所造成的灾害称为洪涝灾害。本发明旨在提取由强降雨引起的洪涝灾害信息，其中洪涝灾害信息是指由洪涝水体淹没深度和动态淹没范围所构成的洪涝灾害三维信息，快速有效的提取洪涝灾害信息是应急响应和救援的重要支撑。结合已有的文献来看，目前还很少有人通过遥感手段直接获取洪涝灾害的三维信息。
2、以往主要依靠相关人员进行实地勘察以获取部分洪涝信息，而这种获取方式较为滞后，且需要大量人力、物力。利用河道、湖泊布设的水文、水位站，获取流域的水位、水速和其他水文数据，由于站点分布不均，影响洪涝信息的全面性和准确性。随着技术的发展，利用无人机获取洪涝区域影像，虽然提供高精度的水体边界和特征信息，但是覆盖区域较小，且受限于天气状况。利用地面视频获取洪涝信息，可以实时监测洪涝灾害情况，然而覆盖范围有限。利用遥感卫星数据，获取洪涝的淹没区域有以下方法但是同样存在着问题，主要有：(1)利用波段反射率构建水体指数提取洪涝水体的面积、轮廓。但是水体指数法通常基于特定的波段组合和光谱特征，对于不同地区、不同水体类型和光谱特性的情况适用性有限。(2)利用阈值法提取水体面积，但是这种方法通常基于像素的反射率或亮度值进行分类，不考虑地物的空间关系或上下文信息。(3)利用语义分割网络，如u-net、transformer等提取洪涝水体的面积，但是水体边界模糊难以确定。(4)利用不同的数据源获取水深，利用lidar数据融合光学遥感影像，提取水体深度。但是对于洪涝水体而言，浑浊度较高，激光雷达难以穿透，无法获取水下地形数据。
技术实现思路
1、本发明利用国产高分卫星数据成像特点，提出一种基于国产高分卫星的洪涝灾害三维信息提取方法。本方法基于语义分割网络结构，利用洪涝水体国产高分卫星数据，洪涝灾害空间地形数据、降雨事件的统计数据，提取洪涝水体的深度信息和淹没范围，实现快速、宏观获取大范围区域内洪涝水体三维信息，提高洪涝信息提取的精度和效率。
2、本发明的目的在于提供一种基于国产高分卫星的洪涝灾害三维信息提取方法，从而解决现有技术中存在的前述问题。
3、为了实现上述目的，本发明采用的技术方案如下：
4、一种基于国产高分卫星的洪涝灾害三维信息提取方法，包括以下步骤：
5、s100、构建基于密集空洞卷积的教师网络(context extractor teacher net，cetnet)，输入洪涝灾害空间地形数据、降雨事件的统计数据，利用编码器-解码器结构，得到洪涝水体淹没深度的概率分布pdepth；
6、s200、构建基于空间-光谱特征融合的学生网络(spatial-spectral fusionstudent network，ssfsnet)，输入高分二号全色和多光谱卫星遥感数据，得到国产高分卫星数据洪涝水体淹没范围的概率分布prange；
7、s300、将洪涝水体淹没深度的概率分布pdepth和洪涝水体淹没范围的概率分布prange一并输入到知识蒸馏策略模块中，利用知识蒸馏损失函数和逐像素损失函数得到洪涝水体的淹没深度和淹没范围，加快整体网络结构的收敛速度。
8、在其中一些具体实施例中，教师网络(context extractor teacher net，cetnet)具体包括：降雨特征提取模块、resnet-101编码器、密集空洞卷积模块(dense atrousconvolution，dac)、金字塔池化模块和deconvnet解码器；
9、s100具体步骤为：
10、s110、利用降雨特征提取模块将降雨事件的统计数据转化为降雨特征
11、s120、将所有的洪涝水体空间地形数据一并输入至resnet-101编码器网络，提取洪涝水体空间地形数据特征
12、s130、将洪涝水体空间地形数据特征输入至密集空洞卷积模块(denseatrous convolution，dac)，利用不同的感受野获取到不同尺寸的洪涝水体高级语义特征将其与步骤s110中得到的降雨特征进行concat，获得含有降水信息的空间地形特征
13、s140、将含有降水信息的空间地形特征输入至金字塔池化模块，得到含有上下文信息空间地形特征
14、s150、利用deconvnet解码器对含有上下文信息空间地形特征进行上采样，恢复特征图的尺寸，得到洪涝水体淹没深度的概率分布pdepth。
15、在其中一些具体实施例中，降雨特征包括:降雨的时空分布、降雨强度、降雨频率；
16、deconvnet解码器为反卷积网络，主要由最大池化的反池化操作(unpooling)和反卷积操作(deconvolution)构成；最大池化的反池化操作是最大池化的逆操作，在最大池化中，每个池化窗口选择该窗口内的最大值，进行反池化时，将这些最大值放回到它们在原始特征图中的位置，并在其他位置进行零填充。将特征值恢复到原来的位置，而在其他位置做零填充。
17、在其中一些具体实施例中，构建基于空间-光谱特征融合的学生网络(spatial-spectral fusion student network，ssfsnet)包括：基于resnet-101编码器的空间-光谱特征提取模块、空间-光谱特征交互模块、空间-光谱特征融合模块和解码器；
18、s200步骤具体为：
19、s210、利用网格单元法分别对高分二号全色影像(panimage)和多光谱影像(msimage)进行切片，得到大小为224×224的影像块；
20、s220、将全色影像和多光谱影像的相对应的每一个影像块依次输入至resnet-101编码器的空间-光谱特征提取模块，分别得到洪涝水体空间特征和洪涝水体光谱特征
21、s230、将步骤s220中的洪涝水体空间特征ispa和洪涝水体光谱特征ispe输入至空间-光谱特征交互模块，分别得到交互后的洪涝水体空间特征i′spa和洪涝水体光谱特征i′spe；
22、s240、将步骤s230中提取的交互后的洪涝水体空间特征i′spa和交互后的洪涝水体光谱特征i′spe输入至空间-光谱特征融合模块，得到融合后的特征ifuse，之后将其输入至senet中，得到加权后的洪涝水体特征ffuse；
23、s250、将加权后的洪涝水体特征ffuse输入至解码器，通过上采样和转置卷积来恢复特征图的尺寸，提高特征图的分辨率，得到国产高分卫星数据洪涝水体淹没范围的概率分布prange；
24、s260、重复步骤s210至步骤s250，将每一个影像块所获取的淹没范围概率分布进行合并，最终形成整个影像的洪涝水体的淹没范围概率分布。
25、在其中一些具体实施例中，在上述步骤s210中切片的步骤具体为：
26、将切片尺寸设置为224×224，以适应resnet-101编码器网络的输入尺寸，分别将整个全色影像和多光谱影像划分为规则网格，网格大小和切片尺寸一致，从左到右，从上到下遍历网格的行和列，在每个网格单元内提取影像块，得到大小为224×224的影像块，对于最后一个影像切片，如果超出了图像边界，则使用零填充，确保其满足网络输入要求。
27、在其中一些具体实施例中，空间-光谱特征交互模块(feature interactionblock，fib)的信息交互的方法具体为：
28、在空间分支中利用光谱信息时，首先将洪涝水体光谱特征ispe执行3×3卷积操作，然后将结果与洪涝水体空间特征ispa进行concat操作，之后将concat操作后的结果进行1×1卷积和relu激活函数，从而增强空间特征，最后将其与经过拉普拉斯卷积运算得到的含有边缘信息增强的空间特征进行逐元素相加，输出交互后的洪涝水体空间特征i′spa，
29、公式为：
30、
31、在光谱分支中利用空间信息时，首先将交互后的洪涝水体空间特征i′spa执行3×3卷积操作，然后将结果与洪涝水体光谱特征ispe进行concat操作，之后将concat操作后的结果进行1×1卷积和relu激活函数，从而增强光谱特征，最后将其与经过拉普拉斯卷积运算得到的含有边缘信息增强的光谱特征进行逐元素相加，输出交互后的洪涝水体光谱特征i′spe；
32、公式如下所示：
33、
34、在其中一些具体实施例中，空间-光谱特征融合模块的融合方法具体为：
35、首先利用1×1卷积分别对交互后的洪涝水体空间特征i′spa和交互后的洪涝水体光谱特征i′spe的通道数进行压缩，然后将压缩后的特征与步骤s220中得到的洪涝水体空间特征ispa和洪涝水体光谱特征ispe分别进行逐元素相加，生成特征i″spa和i″spe，最后对i″spa和i″spe执行concat操作，对concat操作后的特征使用1×1卷积压缩通道数，得到融合后的特征ifuse；
36、计算公式如下：
37、i″spa＝conv1×1(i′spa)+ispa
38、i″spe＝conv1×1(i′spe)+ispe
39、ifuse＝conv1×1(concat(i″spa,i″spe))
40、然后，将融合后的特征ifuse输入至挤压-激励注意力机制(squeeze-and-excitation attention，senet)中，得到加权后的洪涝水体特征ffuse；
41、ffuse＝senet(ifuse)。
42、在其中一些具体实施例中，senet计算步骤具体为：
43、压缩(squeeze)操作：对融合后的特征ifuse中每个通道进行全局平均池化(globalaverage pool ing，gap)操作，得到压缩特征isq；
44、激励(excitation)操作：将压缩特征isq输入至一个两层的网络中，学习每个通道的权重，生成每个通道的注意力权重向量wex，该网络包括一个带有relu激活函数的全连接层(fully convolution，fc)和一个sigmoid激活函数层；
45、计算公式如下：
46、wex＝sigmoid(relu(fc(isq)))
47、重新加权操作：使用注意力权重wex对融合后的特征ifuse进行逐通道加权，生成加权后的洪涝水体特征ffuse；
48、计算公式如下所示：
49、ffuse＝ifuse·wex。
50、在其中一些具体实施例中，知识蒸馏策略模块包括：知识蒸馏损失函数和逐像素损失函数；
51、将洪涝水体淹没深度的概率分布pdepth和洪涝水体淹没范围的概率分布prange输入到所述知识蒸馏策略模块中,使用所述知识蒸馏损失函数和所述逐像素损失函数得到洪涝水体的淹没深度和淹没范围，加快整体网络结构的收敛速度。
52、在其中一些具体实施例中，知识蒸馏损失函数如下：
53、
54、
55、其中，pdepth为洪涝水体淹没深度概率分布，由教师网络训练得到；prange为洪涝水体淹没范围概率分布，由学生网络训练得到；α是在交叉熵损失logprange和回归损失smoothl1(prange-pdepth)之间平衡的超参数，α＝0.5，n是类的数量；
56、逐像素损失函数如下：
57、
58、其中，是教师网络的洪涝水体淹没深度概率分布的平均值，而是第i个像素的二值化不确定性，通过对逐像素方差进行中值阈值处理获得；具体来说，如果像素的方差高于中值阈值，将该像素的二值化不确定性设为1，即：高不确定性；如果低于中值阈值，将该像素的二值化不确定性设为0，即:低不确定性。
59、在其中一些具体实施例中，
60、本发明的有益效果是：
61、本发明提供了一种基于国产高分卫星的洪涝灾害三维信息提取方法，具有以下有益效果：
62、(1)本专利充分利用高分遥感数据中多光谱影像固有的光谱特征，利用空间-光谱特征交互模块对空间特征和光谱特征进行交互处理，进一步加入了拉普拉斯微分算子增强洪涝水体的细节信息，提高了信息提取的精度和效果。
63、(2)利用本专利的网络模型处理洪涝灾害的空间地形数据、降雨事件的统计数据以及洪涝区域高分二号影像数据，本专利能同时获取洪涝水体的淹没深度和淹没范围，形成洪涝水体三维信息，有助于监测洪涝灾害演变过程。
64、(3)通过知识蒸馏策略模块，使用知识蒸馏损失函数度量洪涝水体淹没深度概率分布和洪涝水体淹没范围概率分布的相似性，使用逐像素损失函数减少像素预测的不确定性，加快整体网络结构的收敛速度。
1.一种基于国产高分卫星的洪涝灾害三维信息提取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于国产高分卫星的洪涝灾害三维信息提取方法，其特征在于，
3.根据权利要求2所述的基于国产高分卫星的洪涝灾害三维信息提取方法，其特征在于，
4.根据权利要求3所述的基于国产高分卫星的洪涝灾害三维信息提取方法，其特征在于，
5.根据权利要求4所述的基于国产高分卫星的洪涝灾害三维信息提取方法，其特征在于，
6.根据权利要5所述的基于国产高分卫星的洪涝灾害三维信息提取方法，其特征在于，
7.根据权利要6所述的基于国产高分卫星的洪涝灾害三维信息提取方法，其特征在于，
8.根据权利要7所述的基于国产高分卫星的洪涝灾害三维信息提取方法，其特征在于，
9.根据权利要8所述的基于国产高分卫星的洪涝灾害三维信息提取方法，其特征在于，
10.根据权利要9所述的基于国产高分卫星的洪涝灾害三维信息提取方法，其特征在于，
