基于深度学习的遥感影像房屋数据空间化方法研究

///'遥感影像建筑物自动提取方法的发展是基于遥感技术的进步和深度学习算法的应用。传统方法主要基于人工设计特征，通过对影像的形状、纹理、颜色等底层特征进行提取和表示来实现建筑物的自动提取。然而，这些方法在处理遥感影像数据量大、维度高、场景复杂等问题时存在一定的局限性。//n//n基于深度学习的方法，特别是卷积神经网络（CNN）的方法，通过使用深度神经网络模型的强大特征表达和自动学习能力，能够有效地提高建筑物的提取准确性和速度。基于深度学习的方法主要分为基于候选区域的方法和端到端训练的方法。基于候选区域的方法通过将影像的底层特征用神经网络表示，并利用这些特征进行语义分割和分类来实现建筑物的提取。这类方法的代表包括R-CNN、Fast R-CNN、Faster R-CNN和Mask R-CNN等。这些方法在建筑物提取中取得了很好的效果，但是它们依赖于预先选择的候选区域。//n//n端到端训练的方法通过对训练样本像素级别的真值进行训练，对图像的所有像素进行分类来实现建筑物的提取。这类方法主要基于全卷积神经网络（FCN）框架，包括SegNet和U-Net等。这些方法在一定程度上解决了建筑物尺度变化和空间信息损失的问题，但是它们在获取多尺度特征方面仍然存在一定的不足。//n//n为了克服以上问题，一些研究者提出了一种轮廓引导和结构感知的编解码器全卷积神经网络（CGSANet）模型。该模型通过保留与建筑物轮廓相关的低级空间特征，并利用ASPP模块获取多尺度上下文信息，实现了建筑物边缘语义信息与多尺度区域语义信息的互补。该模型在武大建筑物数据集上的精度能达到95%以上，具有很好的性能。//n//n房屋数据空间化方法主要包括基于单体房屋的数据普查和利用大范围的房屋统计数据进行模拟。然而，前者工作量大，后者数据精确度不高。一些学者提出了利用抽样的房屋数据来建立房屋分布模型的方法。这些方法通过结合人口数据、实地调查数据和土地利用数据等，建立房屋数据空间化模型，以提高房屋数据的精确度和时效性。//n//n为了提高房屋数据的精确度和地震灾害快速评估的准确性，本文以湖北省黄梅县为研究区域，利用CGSANet模型从高分辨率遥感影像中提取房屋矢量数据，并通过分区域等尺度网格抽样建立房屋数据空间分布模型。最后，对房屋数据空间化结果进行精度评价，以验证该方法的有效性和准确性。///