一種基于夜光遙感的像元級電力普及率估算方法及裝置制造方法及圖紙

一種基于夜光遙感的像元級電力普及率估算方法及裝置，包括獲取研究區域在研究時間內的年平均夜間燈光影像、每日夜間燈光影像、對應年份的人口數據以及人口與健康調查電力普及率數據，對影像和數據進行預處理，對預處理后的每日夜間燈光影像計算其灰度直方圖并轉換為夜光影像的灰度頻率信息，對預處理后年平均夜間燈光影像提取空間上大范圍區域年平均夜間燈光影像蘊含的與電力普及率相關的多維特征，基于上述特征建立深度學習模型，計算所有像元處的電力普及率并利用像元級的電力普及率獲取研究區域整體的電力普及率。本發明專利技術結合了夜光影像中長時間序列和空間上大范圍鄰域內電力普及率相關的特征，提出的電力普及率的估算方法精度較高。的估算方法精度較高。的估算方法精度較高。

【技術實現步驟摘要】
High
?
Frequency Satellite Images to Measure Power Supply Irregularity(June 29,2017).World Bank Policy Research Working Paper,2017(8131).
[0009][3]Tingzon I,Orden A,Sy S,et al.Mapping poverty in the Philippines using machine learning,satellite imagery,and crowd
?
sourced geospatial information[C]//AI for Social Good ICML 2019Workshop.2019.
[0010][4]Dhorne M,Nicolas C,Arderne C,et al.Tracking Advances in Access to Electricity Using Satellite
?
Based Data and Machine Learning to Complement Surveys[J].2021.

技術實現思路

[0011]根據現有技術的不足，本專利技術的目的是提供一種基于夜光遙感的像元級電力普及率估算方法與裝置，本方法同時結合了長時間序列相關的特征和空間上大范圍鄰域相關的特征，本專利技術提出的方法對于電力普及率的估算精度較高。
[0012]為了解決上述技術問題，本專利技術采用的技術方案為：
[0013]一種基于夜光遙感的像元級電力普及率估算方法，包括以下步驟：
[0014]步驟1、獲取研究區域在研究時間內的年平均夜間燈光影像、每日夜間燈光影像、對應年份的人口數據以及人口與健康調查電力普及率數據；
[0015]步驟2、對研究區域的年平均夜間燈光影像、每日夜間燈光影像進行預處理，所述預處理包括幾何校正和重采樣，對于每個人口與健康調查電力普及率數據樣本所在的位置，根據對應年份的人口數據提取該位置鄰域內的年平均夜間燈光影像和人口分布地圖；
[0016]步驟3、對步驟2預處理后的每日夜間燈光影像，得到維度等于夜光數據有效天數的輻亮度時間序列信息后，計算其灰度直方圖并基于其提取夜光影像的灰度頻率信息，后續將基于深度學習模型從上述灰度頻率信息中提取深層特征信息；
[0017]步驟4、對步驟2預處理后的研究區域的年平均夜間燈光影像，提取空間上大范圍區域年平均夜間燈光影像蘊含的與電力普及率相關的多維特征；
[0018]步驟5、以步驟2預處理后的年平均夜間燈光影像，步驟3灰度頻率信息提取的深層特征信息，步驟4所得的多維特征為輸入數據，各個位置的電力普及率為輸出值，建立深度學習模型，進行訓練；
[0019]步驟6、利用步驟5訓練好的深度學習模型計算所有像元級的電力普及率，利用像元級的電力普及率計算研究區域整體的電力普及率。
[0020]進一步地，步驟2具體包括：
[0021]步驟2.1、通過選取分布均勻的控制點來實現人口分布地圖、年平均夜間燈光影像、每日夜間燈光影像數據間的地理坐標配準，并統一空間分辨率；
[0022]步驟2.2、根據每個人口與健康調查電力普及率數據所在的位置、年份，提取其所在像元附近225
×
225像元鄰域內的年平均夜間燈光影像、該年份所有日期的3
×
3像元鄰域內每日夜間燈光影像和該像元處的人口分布地圖；
[0023]所述步驟3中，提取灰度頻率信息的方法為：
[0024]計算一年內每日夜間燈光影像中輻亮度處于各個灰度區間的頻率，將輻亮度信息轉換為n個維度的各輻亮度區間的頻率信息，對于某個像元，根據其當年的每日夜光影像，
一年內屬于第i個維度的灰度頻率T
i
的計算公式如下：
[0025]T
i
＝NTL
i
/NTL
V
[0026]其中，NTL
V
是該年內強制質量標志標識為數據有效的總天數，NTL
i
是該年內強制質量標志標識為數據有效、該數據B0波段的值屬于第i個區間的天數，1≤i≤n；
[0027]將T1,T2,T3,...,T
n
連接起來形成新的特征T，T代表了該像元處的各輻亮度區間的頻率信息，將人口與健康調查電力普及率數據樣本所在像元的3
×
3像元鄰域內每個像元處的特征T作為灰度頻率信息，將這些信息用作后續深度學習模型的輸入；
[0028]所述步驟4具體包括：
[0029]步驟4.1、通過預訓練的VGG
?
16模型處理估算位置附近225
×
225像元的年平均夜光數據，這使得專利技術提出的估算模型充分考慮大范圍空間內的夜光數據包含的信息，輸出1000維空間相關的特征；
[0030]步驟4.2、特征選擇，分別計算1000維特征與電力普及率間的相關系數，從這些特征中保留10維與電力普及率相關性最高的特征，將保留的特征用于估算電力普及率；
[0031]所述步驟5具體包括：
[0032]步驟5.1、通過卷積層I從步驟3提供的灰度頻率信息提取出與電力普及率相關的深層特征信息，將卷積層I模板尺寸設為3
×
3并將輸出波段的維數設為5，通過卷積層1和激活層將輸出特征維度數降至5；
[0033]步驟5.2、將步驟5.1的輸出和步驟4提供的多維特征在波段維度進行連接，為每個位置生成15維特征，基于上述15維特征，構建線性回歸模型以擬合該像元處的電力普及率，構建該回歸模型主要通過卷積層II，卷積層II模板尺寸設為1
×
1，卷積層II的輸出波段維數是1；
[0034]步驟5.3、對估算位置附近的平均年均夜光值進行對數化處理，建立一層全連接層，基于區域內的平均年均夜光值對前一層神經網絡的估算結果進行修改，最終估算出相應位置處的電力普及率；
[0035]步驟5.4、通過五折交叉驗證確定模型的超參數，將樣本隨機均勻分為5部分，每次使用其中4部分進行訓練，保留剩下1部分用于驗證，確定的超參數如下，批量大小定為10，學習率定為0.003，權重衰減定為1E
?
9，選擇Adam優化器用于優化，選用L1范數損失函數作為的損失函數；
[0036]所述步驟6中，使用步驟5確定的超參數，根據五折交叉驗證計算估算方法在訓練集和驗證集上的平均絕對誤差，平均絕對誤差E
絕對
的計算如公式：
[0037][0038]其中，EA1是統計數據給出的電力普及率，EA2是本專利技術得到的電力普及率，該公式也可用作衡量深度學習過程的L1范數損失，n是樣本數量。
[0039]一種基于夜光遙感的像元級電力普及率估算裝置，包括：
[0040]數據獲取模塊，用于獲取研究區域在研究時間內的年平均夜間燈本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于夜光遙感的像元級電力普及率估算方法，其特征在于，包括以下步驟：步驟1、獲取研究區域在研究時間內的年平均夜間燈光影像、每日夜間燈光影像、對應年份的人口數據以及人口與健康調查電力普及率數據；步驟2、對研究區域的年平均夜間燈光影像、每日夜間燈光影像進行預處理，所述預處理包括幾何校正和重采樣，對于每個人口與健康調查電力普及率數據樣本所在的位置，根據對應年份的人口數據提取該位置鄰域內的年平均夜間燈光影像和人口分布地圖；步驟3、對步驟2預處理后的每日夜間燈光影像，得到維度等于夜光數據有效天數的輻亮度時間序列信息后，計算其灰度直方圖并基于其提取夜光影像的灰度頻率信息，后續將基于深度學習模型從上述灰度頻率信息中提取深層特征信息；步驟4、對步驟2預處理后的研究區域的年平均夜間燈光影像，提取空間上大范圍區域年平均夜間燈光影像蘊含的與電力普及率相關的多維特征；步驟5、以步驟2預處理后的年平均夜間燈光影像，步驟3灰度頻率信息提取的深層特征信息，步驟4所得的多維特征為輸入數據，各個位置的電力普及率為輸出值，建立深度學習模型，進行訓練；步驟6、利用步驟5訓練好的深度學習模型計算所有像元級的電力普及率，利用像元級的電力普及率計算研究區域整體的電力普及率。2.根據權利要求1所述的基于夜光遙感的像元級尺度電力普及率估算方法，其特征在于，步驟2具體包括：步驟2.1、通過選取分布均勻的控制點來實現人口分布地圖、年平均夜間燈光影像、每日夜間燈光影像數據間的地理坐標配準，并統一空間分辨率；步驟2.2、根據每個人口與健康調查電力普及率數據所在的位置、年份，提取其所在像元附近225
×
225像元鄰域內的年平均夜間燈光影像、該年份所有日期的3
×
3像元鄰域內每日夜間燈光影像和該像元處的人口分布地圖；所述步驟3中，提取灰度頻率信息的方法為：計算一年內每日夜間燈光影像中輻亮度處于各個灰度區間的頻率，將輻亮度信息轉換為n個維度的各輻亮度區間的頻率信息，對于某個像元，根據其當年的每日夜光影像，一年內屬于第i個維度的灰度頻率T
i
的計算公式如下：T
i
＝NTL
i
/NTL
V
其中，NTL
V
是該年內強制質量標志標識為數據有效的總天數，NTL
i
是該年內強制質量標志標識為數據有效、該數據B0波段的值屬于第i個區間的天數，1≤i≤n；將T1,T2,T3,...,T
n
連接起來形成新的特征T，T代表了該像元處的各輻亮度區間的頻率信息，將人口與健康調查電力普及率數據樣本所在像元的3
×
3像元鄰域內每個像元處的特征T作為灰度頻率信息，將這些信息用作后續深度學習模型的輸入；所述步驟4具體包括：步驟4.1、通過預訓練的VGG
?
16模型處理估算位置附近225
×
225像元的年平均夜光數據，這使得發明提出的估算模型充分考慮大范圍空間內的夜光數據包含的信息，輸出1000維空間相關的特征；步驟4.2、特征選擇，分別計算1000維特征與電力普及率間的相關系數，從這些特征中保留10維與電力普及率相關性最高的特征，將保留的特征用于估算電力普及率；
所...

【專利技術屬性】
技術研發人員：李熙，許強，
申請(專利權)人：武漢大學，
類型：發明
國別省市：