本發(fā)明涉及時空遙感、語義分割技術(shù)，具體涉及一種基于改進u-net網(wǎng)絡(luò)的復(fù)雜場景下光伏建成區(qū)提取的方法。

背景技術(shù)：

1、隨著全球?qū)稍偕茉葱枨蟮脑鲩L，太陽能光伏作為重要的可再生能源形式在全球范圍內(nèi)取得了顯著的發(fā)展。光伏發(fā)電作為清潔能源的代表之一，對全球應(yīng)對氣候變化和推動可持續(xù)能源發(fā)展具有重要意義。當前針對光伏建成區(qū)的傳統(tǒng)人工檢測方法往往需要大量資源投入，無法滿足短時周期內(nèi)的響應(yīng)需求，且難以實現(xiàn)對大范圍的精確監(jiān)測。因此，對遙感影像中的光伏建成區(qū)進行自動、準確的分割，顯得尤為迫切。然而，光伏建成區(qū)在遙感影像中存在尺寸差異大、分布密集度不均勻以及與周圍環(huán)境相似度高等問題，為光伏建成區(qū)的自動提取帶來了挑戰(zhàn)。

2、為此，本專利提出一種基于改進u-net網(wǎng)絡(luò)的復(fù)雜場景下光伏建成區(qū)提取的方法。該方法基于u-net網(wǎng)絡(luò)進行改進，對復(fù)雜場景下gf-2遙感影像數(shù)據(jù)進行光伏建成區(qū)特征識別，對不同行政劃分區(qū)域進行光伏建成區(qū)分割，計算相對應(yīng)的光伏建成區(qū)面積，實現(xiàn)區(qū)域光伏建成區(qū)動態(tài)監(jiān)測。該發(fā)明能夠有效掌握城市光伏建成區(qū)的變化情況，提高城市管理等部門針對城市光伏建成區(qū)的管理效率和準確性，助力城市新能源可持續(xù)發(fā)展。

技術(shù)實現(xiàn)思路

1、本發(fā)明的技術(shù)解決問題是：提出一種基于改進u-net網(wǎng)絡(luò)的光伏建成區(qū)提取的方法，對復(fù)雜場景下的遙感影像進行光伏建成區(qū)提取，實現(xiàn)城市光伏建成區(qū)動態(tài)監(jiān)測，與此同時，基于提取結(jié)果進行城市屋頂光伏碳潛力評估。

2、本發(fā)明的技術(shù)解決方案為：一種基于改進u-net網(wǎng)絡(luò)的光伏建成區(qū)提取的方法，首先獲取gf-2遙感數(shù)據(jù)，對數(shù)據(jù)進行存儲和預(yù)處理。然后基于改進后的u-net網(wǎng)絡(luò)對光伏建成區(qū)遙感數(shù)據(jù)集進行語義分割，構(gòu)建光伏建成區(qū)分割模型；基于光伏建成區(qū)分割模型對全部區(qū)域遙感影像數(shù)據(jù)集進行分割，存儲全部區(qū)域分割預(yù)測結(jié)果；最后根據(jù)衛(wèi)星單分辨率計算出研究區(qū)域光伏建成區(qū)面積，與研究區(qū)域的屋頂矢量數(shù)據(jù)取差集，進行基于光伏建成區(qū)影響的城市屋頂光伏碳潛力評估。其具體步驟如下：

3、(1)獲取gf-2遙感數(shù)據(jù)，對數(shù)據(jù)進行存儲和預(yù)處理。

4、步驟(1)中，對于獲取的gf-2遙感數(shù)據(jù)，采用標準數(shù)據(jù)結(jié)構(gòu)進行數(shù)據(jù)規(guī)約。

5、進一步，對gf-2遙感數(shù)據(jù)進行高效存儲。既可以采用關(guān)系型數(shù)據(jù)庫，通過結(jié)構(gòu)化方式，也可以采用nosql數(shù)據(jù)庫，通過非結(jié)構(gòu)化方式，進行數(shù)據(jù)的邏輯存儲與管理；既可以采用集中式高性能存儲設(shè)備，也可以采用分布式集群方式進行光伏建成區(qū)遙感影像數(shù)據(jù)的物理存儲與優(yōu)化。

6、更進一步，對gf-2遙感影像數(shù)據(jù)進行預(yù)處理，具體步驟包括：

7、(a)圖像配準。獲取研究區(qū)域的屋頂矢量數(shù)據(jù)，使用arcgis軟件將遙感影像tif數(shù)據(jù)和矢量數(shù)據(jù)進行地理校準。

8、(b)圖像切割。將原始高分辨率遙感影像切割為256*256像素的圖像。

9、(c)圖像清洗。將(b)中切割后的數(shù)據(jù)過濾掉無光伏建成區(qū)、光伏建成區(qū)大量被遮擋的影像，自此原始光伏建成區(qū)樣本數(shù)據(jù)庫構(gòu)建完成。

10、(d)人工標注光伏建成區(qū)區(qū)域。利用labelme軟件打開切割好的樣本圖像手動標注光伏建成區(qū)。利用python腳本修改標簽的默認顏色，將光伏建成區(qū)標注為白色(255，255，255)，非光伏建成區(qū)標注為黑色(0，0，0)，并將標注結(jié)果保存為png格式，作為樣本標簽數(shù)據(jù)。將標簽數(shù)據(jù)圖像與原始數(shù)據(jù)圖像一一對應(yīng)，命名相同，樣本標簽數(shù)據(jù)和原始數(shù)據(jù)初步構(gòu)成光伏建成區(qū)樣本數(shù)據(jù)庫。

11、(e)數(shù)據(jù)增強。將(d)中樣本標簽數(shù)據(jù)和原始數(shù)據(jù)使用python進行五種數(shù)據(jù)增強，分別為水平翻轉(zhuǎn)、亮度減弱、亮度增強、疊加高斯噪點和隨機縮放，再和(d)中樣本數(shù)據(jù)庫拼接后得到數(shù)據(jù)增強后光伏建成區(qū)樣本數(shù)據(jù)庫。

12、(f)圖片分類。將步驟(f)獲取的光伏建成區(qū)樣本數(shù)據(jù)庫中樣本和樣本標簽一一對應(yīng)按8:2的比例分為訓(xùn)練集train和驗證集val。

13、(2)對步驟(1)中獲取的光伏建成區(qū)樣本數(shù)據(jù)庫進行光伏建成區(qū)語義分割，構(gòu)建光伏建成區(qū)分割模型，具體步驟包括：

14、(a)構(gòu)建光伏建成區(qū)分割模型。trifs-unet模型主要基于開源的u-net神經(jīng)網(wǎng)絡(luò)進行改進，為了提升準確率和效率對該神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)做出優(yōu)化。模型主干采用swin-transformer對光伏建成區(qū)特征進行提取，利用其優(yōu)秀的窗口和分層思想來彌補傳統(tǒng)cnn分割方法局部感受野受限于卷積運算的不足，以更充分地捕捉高分辨率遙感圖像中的長程依賴關(guān)系。同時，在精細化跳躍連接策略中增加trif特征融合模塊，并將編碼器下兩層的輸出特征圖連接至atrif瓶頸結(jié)構(gòu)，從空間、頻率和通道三個維度進行多尺度特征融合。最后，采用深度監(jiān)督策略，將編碼器最后四層的輸出特征圖用于計算輔助損失，以監(jiān)督模型學(xué)習(xí)更多的特征表示，編碼器最頂層的輸出特征圖作為主損失，用于最終的預(yù)測任務(wù)，使模型能夠更有效地捕捉到不同尺度的光伏建成區(qū)特征信息。

15、(b)損失函數(shù)優(yōu)化。trifs-unet模型使用二進制交叉熵損失(bce)、dice損失和lovasz-softmax?loss損失結(jié)合作為損失函數(shù)。二進制交叉熵損失的定義如下：

16、

17、其中yn是第n個像素的真實值，是第n個像素的預(yù)測值，n為圖像的像素總數(shù)，ω0是圖像中陽性樣本的比例。

18、為了處理陰陽性樣本不平衡的問題，本模型在bce損失中引入了一個小于1的平衡參數(shù)，使其對不同樣本具有更均衡的權(quán)重。然而，這樣做會使得bce損失的梯度變得更為緩慢，從而影響模型的收斂速度。為了加快trifs-unet模型的收斂速度，并綜合考慮模型對每個像素分割結(jié)果的空間一致性，本模型結(jié)合了梯度較大的dice損失，其定義如下:

19、

20、其中，y是第n個像素的真實值，是第n個像素的預(yù)測值。

21、iou(intersection-over-union，也叫jaccard?index)是圖像分割中常用的一個衡量分割效果的評價指標，lovasz-softmax?loss采用lovasz?extension數(shù)學(xué)工具將離散的jaccard?loss變得光滑化，從而可以直接求導(dǎo)，因此相當于直接對iou進行優(yōu)化，會有較好的效果。由于lovasz?loss存在著訓(xùn)練過程中的不穩(wěn)定的特性，而且其優(yōu)化的iou指標效果好，并不一定能說明模型的性能較優(yōu)，因此本模型采用二進制交叉熵損失、dice損失和lovasz-softmax?loss損失三種損失函數(shù)的加權(quán)組合。對于從模型解碼器中輸出的特征圖si，其損失函數(shù)定義如下：

22、lossi＝αlwbce+βldice+γlls

23、其中，α、β、γ分別為lwbce、ldice、lls的權(quán)重參數(shù)。

24、最終，trifs-unet模型訓(xùn)練的總體損失定義如下：

25、

26、其中，wi為每個解碼器輸出的損失權(quán)重。

27、(c)模型超參數(shù)調(diào)優(yōu)。本模型使用ray?tune自動化調(diào)參工具，結(jié)合網(wǎng)格搜索和貝葉斯優(yōu)化算法，對trifs-unet模型進行超參數(shù)調(diào)優(yōu)。本模型關(guān)注了訓(xùn)練批次、損失函數(shù)權(quán)重超參數(shù)、學(xué)習(xí)率超參數(shù)以及dropout率。從光伏建成區(qū)樣本數(shù)據(jù)庫中隨機抽取1250張樣本進行參數(shù)搜索實驗，樣本和樣本標簽一一對應(yīng)按照75％/25％劃分訓(xùn)練集和驗證集，其中訓(xùn)練集1000張，驗證集250張。每個實驗進行30輪次并保存實驗搜索到的最優(yōu)超參數(shù)結(jié)果。

28、(3)基于(2)所得光伏建成區(qū)分割模型和最優(yōu)超參數(shù)結(jié)果對研究區(qū)域遙感影像數(shù)據(jù)集進行分割，構(gòu)建區(qū)域光伏建成區(qū)面積估算數(shù)據(jù)集，具體步驟包括：

29、(a)將遙感影像數(shù)據(jù)集按行政邊界進行分割，獲得全部區(qū)域遙感影像數(shù)據(jù)集。

30、(b)將全部區(qū)域遙感影像數(shù)據(jù)集放入模型測試集中，利用光伏建成區(qū)分割模型對測試集進行光伏建成區(qū)特征分割，并存儲光伏建成區(qū)預(yù)測結(jié)果tif圖。

31、(4)結(jié)合研究區(qū)域的屋頂矢量數(shù)據(jù)，利用衛(wèi)星單分辨率計算研究區(qū)域的光伏建成區(qū)面積，進行基于光伏建成區(qū)影響的城市屋頂光伏碳潛力評估，具體步驟包括：

32、(a)將光伏建成區(qū)預(yù)測結(jié)果與研究區(qū)域的屋頂矢量數(shù)據(jù)做差集，得到區(qū)域屋頂光伏待改造像素點數(shù)。

33、(b)利用衛(wèi)星影像的單位分辨率和(a)中獲得的區(qū)域屋頂光伏待改造像素點數(shù)，計算研究區(qū)域的屋頂光伏待改造面積(spv)。

34、(c)根據(jù)區(qū)域的屋頂光伏待改造面積(spv)和屋頂光伏面板的額定功率得出區(qū)域屋頂光伏潛在裝機容量(wpv)。

35、(d)根據(jù)(c)中獲得的區(qū)域屋頂光伏潛在裝機容量(wpv)、光伏系統(tǒng)總效率(η)和當?shù)胤逯敌r數(shù)(h)估算得出區(qū)域屋頂光伏潛在可發(fā)電量(l)。

36、(e)根據(jù)同年中國國家能源局發(fā)布的全國供電標準煤耗數(shù)據(jù)(gama)和(d)中獲得的區(qū)域屋頂光伏潛在可發(fā)電量(l)估算得出區(qū)域屋頂光伏潛在標準節(jié)煤量(qtr)。

37、(f)根據(jù)(e)中獲得的區(qū)域屋頂光伏潛在標準節(jié)煤量(qtr)和同年二氧化碳排放因子估算得出區(qū)域屋頂光伏潛在二氧化碳減排量

38、本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點在于：

39、1、提供了一種基于改進u-net網(wǎng)絡(luò)的復(fù)雜場景下光伏建成區(qū)提取方法，相較現(xiàn)有的技術(shù)，trifs-unet模型分割耗時更短，分割結(jié)果更準確，能同時滿足單片光伏和光伏陣列的檢測需求。

40、2、提出了trif特征融合模塊和atrif瓶頸結(jié)構(gòu)。該模塊在通道和空間注意力機制的基礎(chǔ)上，將通道注意力機制進一步擴展到頻率域，并引入了門控單元以動態(tài)生成注意力權(quán)重信息，從而實現(xiàn)模型在空間、通道和頻率三個維度上對特征圖的深度融合，減少背景信息的干擾，并突出光伏建成區(qū)的細節(jié)特征，彌補視覺transformer模型提取特征中內(nèi)部信息不足的問題。在該模塊的基礎(chǔ)上提出的atrif瓶頸結(jié)構(gòu)加入了多條不同空洞率的空洞卷積平行路徑，對編碼器輸出的高級特征進行多尺度特征融合，最大化利用特征的內(nèi)部信息。

41、3、光伏建成區(qū)檢測作為一個小目標檢測任務(wù)，由于背景像素數(shù)量過多，傳統(tǒng)的交叉熵損失會將大量背景像素分類為負樣本，這會導(dǎo)致模型學(xué)習(xí)出大量錯誤的分類決策。本模型使用了二進制交叉熵損失、dice損失和lovasz-softmax?loss損失三種損失函數(shù)的加權(quán)組合，解決了在復(fù)雜場景下二分類樣本類別不均衡導(dǎo)致的分類準確性低的問題，同時通過深度監(jiān)督策略，提高了模型對遙感數(shù)據(jù)分割的性能。

42、4、提出了一種基于光伏建成區(qū)影響的屋頂光伏碳潛力評估方法。光伏鋪設(shè)是一個政策性全國范圍內(nèi)的改造運動，對其進行降碳潛力評估十分有意義。然而當前評估方法普遍忽視了已建成光伏區(qū)域的影響。相較于現(xiàn)有研究，本發(fā)明考慮到光伏建成區(qū)對碳潛力評估的影響,得到了更為精確的碳潛力估算結(jié)果。