申请/专利权人：珠江水利委员会珠江流域水土保持监测中心站;贵州省水土保持监测站;珠江水利委员会珠江水利科学研究院

申请日：2023-10-19

公开（公告）日：2024-07-05

公开（公告）号：CN117455149B

主分类号：G06Q10/0631

分类号：G06Q10/0631;G06Q10/10;G06Q50/04;G06N3/0464;G06N3/048

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2024.02.13#实质审查的生效;2024.01.26#公开

摘要：本发明公开了生产建设项目建设全周期变化检测方法、介质，通过现有的工作成果基础数据，能够获取特定区域项目建设阶段变化检测指标，得到项目建设阶段判别模型，进而通过非接触非现场的遥感数据即可了解特定区域某生产建设项目当前的建设状态，可为水行政管理部门对生产建设项目监督管理提供强有力的技术支撑，避免对建设周期较长的生产建设项目的监管遗漏等问题。该方法能够根据多期遥感影像数据，自动识别生产建设项目建设状态、变化情况，并能够自动更新项目建设状态和建设日期，实现生产建设项目建设周期全过程自动化智慧化管理。

主权项：1.生产建设项目建设全周期变化检测方法，其特征在于，具体如下：步骤1：获取监管区域卫星遥感影像及数字高程模型DEM，以及生产建设项目防治责任范围矢量文件；所述防治责任范围矢量文件属性信息包含项目名称、责任面积、建设状态、当前建设状态时间；步骤2：确定项目建设阶段变化检测阈值，从遥感影像和DEM两个方面建立生产建设项目阶段变化监测方法判断项目建设阶段是否发生变化；步骤2确定项目建设阶段变化监测指标的方法具体如下：步骤2.1：收集到项目P第i期遥感影像数据Image_i和DEM数据Dem_i；第i+1期遥感影像数据Image_i+1和DEM数据Dem_i+1，那么项目P建设阶段变化监测指标CHi_i+1计算方法如下：步骤2.1.1：读取遥感影像Image_i和Image_i+1红绿蓝三个波段的原始矩阵数组，分别为ri、gi、bi和ri+1、gi+1、bi+1；读取DEM数据Dem_i和Dem_i+1单波段的原始矩阵数组，分别为di和di+1，其中ri、gi、bi和ri+1、gi+1、bi+1六个矩阵维度均完全相同；di和di+1矩阵维度相同；步骤2.1.2：CHi_i+1计算实际上是第i期和第i+1期遥感数据，包括遥感影像和数字高程模型DEM在空间上的距离，如果差异度越小，两期间空间距离越小，反之越大；采用统计学中5种计算方法衡量空间距离：分别为欧式空间距离CHi_i+1_euc、曼哈顿距离CHi_i+1_man、切比雪夫距离CHi_i+1_che、闵可夫斯基距离CHi_i+1_mik和余弦相似度CHi_i+1_cos；最后将上述5种方法计算的结果求平均值得到第i期到第i+1期两期遥感影像差异度值CHi_i+1_image：5种衡量空间距离的计算方法具体如下：计算遥感影像Image_i和Image_i+1红绿蓝三个波段上述5种方法的波段差异值，设置遥感影像红绿蓝三个波段差异度CH权重值确定为wr:wg:wb＝0.3:0.4:0.3；采用欧式空间距离方法计算遥感影像Image_i和Image_i+1红光波段差异值CHi_i+1_r_euc＝feucri,ri+1，绿光波段差异值CHi_i+1_g_euc＝feucgi,gi+1和蓝光波段差异度值CHi_i+1_b_euc＝feucbi,bi+1；最终第i期到第i+1期遥感影像差异度值为：CHi_i+1_euc＝0.3*CHi_i+1_r_euc+0.4*CHi_i+1_g_euc+0.3*CHi_i+1_b_euc3；采用曼哈顿距离方法计算遥感影像Image_i和Image_i+1红光波段差异值CHi_i+1_r_man＝fmanri,ri+1，绿光波段差异值CHi_i+1_g_man＝fmangi,gi+1和蓝光波段差异度值CHi_i+1_b_man＝fmanbi,bi+1；最终第i期到第i+1期遥感影像差异度值为：CHi_i+1_man＝0.3*CHi_i+1_r_man+0.4*CHi_i+1_g_man+0.3*CHi_i+1_b_man4；采用切比雪夫距离方法计算遥感影像Image_i和Image_i+1红光波段差异值CHi_i+1_r_che＝fcheri,ri+1，绿光波段差异值CHi_i+1_g_che＝fchegi,gi+1和蓝光波段差异度值CHi_i+1_b_che＝fchebi,bi+1；最终第i期到第i+1期遥感影像差异度值为：CHi_i+1_che＝0.3*CHi_i+1_r_che+0.4*CHi_i+1_g_che+0.3*CHi_i+1_b_che5；采用闵可夫斯基距离方法计算遥感影像Image_i和Image_i+1红光波段差异值CHi_i+1_r_mik＝fmikri,ri+1，绿光波段差异值CHi_i+1_g_mik＝fmikgi,gi+1和蓝光波段差异度值CHi_i+1_b_mik＝fmikbi,bi+1；最终第i期到第i+1期遥感影像差异度值为：CHi_i+1_mik＝0.3*CHi_i+1_r_mik+0.4*CHi_i+1_g_mik+0.3*CHi_i+1_b_mik6；采用余弦相似度方法计算遥感影像Image_i和Image_i+1红光波段差异值CHi_i+1r_cos＝fcosri,ri+1，绿光波段差异值CHi_i+1_g_cos＝fcosgi,gi+1和蓝光波段差异度值CHi_i+1_b_cos＝fcosbi,bi+1，最终第i期到第i+1期遥感影像差异度值为：CHi_i+1_cos＝0.3*CHi_i+1_r_cos+0.4*CHi_i+1_g_cos+0.3*CHi_i+1_b_cos7步骤2.1.3：项目数字高程模型DEM差异度CHi_i+1_dem基于项目第i期和第i+1期数字高程模型DEM数据Dem_i和Dem_i+1计算项目P第i期到第i+1期数字高程模型DEM差异度CHi_i+1_dem指标；采用欧式空间距离方法计算结果为CHi_i+1_dem_euc＝feucdi,di+1；采用曼哈顿距离方法计算结果为CHi_i+1_dem_man＝fmandi,di+1；采用切比雪夫距离方法计算结果为CHi_i+1_dem_che＝fchedi,di+1；采用闵可夫斯基距离方法计算结果为CHi_i+1_dem_mik＝fmikdi,di+1；采用余弦相似度方法计算结果为CHi_i+1_dem_cos＝fcosdi,di+1；其中，feuc、fman、fche、fmik和fcos为计算函数，最后将上述5种方法计算的结果求平均值得到第i期到第i+1期两期DEM数据差异度：CHi_i+1_dem＝CHi_i+1_dem_euc+CHi_i+1_dem_man+CHi_i+1_dem_che+CHi_i+1_dem_mik+CHi_i+1_dem_cos5；1步骤2.1.4：基于步骤2.1.2和步骤2.1.3的计算结果，采用算数平均法的方法计算得到项目从第i期到第i+1期差异度CHi_i+1值，取该区域多个项目中的CHi_i+1最小值即认为是项目建设阶段变化检测阈值CHthreshold；CHi_i+1＝0.5*CHi_i+1_imge+0.5*CHi_i+1_dem2；步骤2.1.5：收集该项目两期ti和ti+1遥感数据，计算得到该项目从ti到ti+1的变化差异度CHk_t_t+1，如果CHk_t_t+1≥CHthreshold，则表明该项目从ti到ti+1的建设阶段已经发生了变化；反之亦然；步骤3：确定项目建设阶段判别指标，建立项目建设阶段判定样本库，从而构建项目建设阶段判别模型；步骤3确定项目建设阶段判别指标方法具体如下：所述项目建设阶段分为5个，分别为未开工、施工早期、施工高峰期、施工后期和完工，分别用0、1、2、3、4编码表示，记为Y；所述项目建设阶段判别指标包括地表扰动面积占比、项目区绝对高程均方差、项目区林草植被覆盖恢复率和项目区硬化面积占比；1地表扰动面积占比X1_i_j＝SST，其中S表示i项目j建设阶段地表扰动面积，ST表示i项目设计占地总面积；ST数据来源于建设项目信息库，S数据基于i项目j建设阶段高分辨率遥感影像计算获取；2项目区绝对高程均方差X2_i_j：基础数据源为项目i的建设阶段j时期的数字高程模型DEM；假设项目i范围边界覆盖的DEM数据有N个像元，各像元值为dk，那么项目i的建设阶段j绝对高程均值DEMmean可由下式计算得到：DEMmean＝d1+d2+d3+...+dk+…+dNN8则项目i的建设阶段j绝对高程均方差X2_i_j可表示为：X2_i_j＝[d1-DEMmean2+d2-DEMmean2+d3-DEMmean2+…+dN-DEMmean2]N0.593项目区林草植被覆盖恢复率X3_i_j：从建设项目信息库获取项目i水土保持方案水行政管理部门行政许可批复中的林草植被覆盖率，该值记为Vc；基于i项目j建设阶段高分辨率遥感影像，计算提取得到i项目当前阶段林草植被覆盖率，该值记为Vd；那么X3_i_j＝VdVc；4项目区硬化面积占比X4_i_j：基于i项目j建设阶段高分辨率遥感影像获取当前阶段项目区硬化面积，该值记为E；那么X4_i_j＝EST；步骤3构建项目建设阶段判别模型的方法如下：基于4个项目建设阶段判别指标确定生产建设项目所属建设阶段，基于建立好的样本数据库，采用人工神经网络模型中的多层感知机MLP用于构建项目建设阶段判别模型，具体如下：基于Tensorflow2.0框架，借助多层感知机MLP搭建项目建设阶段判别模型，判别模型包含3层全连接层Dense，其中前2层神经元节点个数分别为16和8，激活函数均采用Relu，第三层神经元节点个数与目标多分类个数相同为4个，激活函数采用Softmax；模型训练优化器采用自适应梯度优化算法Adam；采用多分类交叉熵损失函数categorical_crossentropy表征和记录模型训练过程中的损失；步骤4：将样本库输入所述项目建设阶段判别模型进行训练，直至建模精度不低于95％、验证精度不低于90％认为建模成功，然后将步骤1采集的数据利用生产建设项目阶段变化监测方法和模型进行周期变化检测。

全文数据：

权利要求：

百度查询： 珠江水利委员会珠江流域水土保持监测中心站 贵州省水土保持监测站 珠江水利委员会珠江水利科学研究院 生产建设项目建设全周期变化检测方法、介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD