本發(fā)明屬于但不限于圖像分割及圖像分類，尤其涉及一種基于隨機森林的集中式光伏電站自動識別方法及系統(tǒng)。

背景技術(shù)：

1、太陽能光伏發(fā)電對我國能源結(jié)構(gòu)的轉(zhuǎn)型至關(guān)重要，是推動我國實現(xiàn)雙碳目標的有效途徑，分為集中式光伏和分布式光伏兩種形式，目前集中式光伏幾乎覆蓋了中國光伏總裝機容量的90％以上，如何準確估算集中式光伏電站面積對于評估太陽能發(fā)電潛力至關(guān)重要。傳統(tǒng)的方法主要集中在實地勘察和目視檢查，即根據(jù)遙感影像進行人工標注以劃定位置或邊界，然而，這種方法耗時且效率低下。隨著遙感技術(shù)和計算機技術(shù)的發(fā)展，利用機器學習的圖像識別技術(shù)可以大大節(jié)約時間成本和人力成本。常見的基于像素的圖像分析方法(pbia)是對每一個像素點進行獨立的判斷，識別結(jié)果中會不可避免的存在“椒鹽效應”，通過各類后處理方法進行過濾椒鹽噪聲后，又會丟失許多面積較小的光伏區(qū)域，降低識別精度。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提供了一種基于隨機森林的集中式光伏電站自動識別方法及系統(tǒng)。

2、本發(fā)明是這樣實現(xiàn)的，一種基于隨機森林的集中式光伏電站自動識別方法，該方法包括：

3、在圖像預處理階段，首先獲取特定季節(jié)的遙感影像，經(jīng)過去云處理、多尺度分割等操作，將圖像由像素組成轉(zhuǎn)換成由對象組成，得到大量分割斑塊；

4、在隨機森林模型訓練階段，首先目視解譯這些斑塊，手工標注出集中式光伏電站斑塊，制作集中式光伏電站數(shù)據(jù)集，結(jié)合選取的特征訓練隨機森林模型，經(jīng)過驗證和測試，得到完整的性能良好的隨機森林模型；

5、在隨機森林模型應用階段，將待預測圖像經(jīng)過圖像預處理過程后輸入到隨機森林模型中，即可自動識別集中式光伏電站。

6、該方法詳細步驟，具體如下：

7、s1、基于云平臺獲取影像，包括但不限于歐洲航天局哥白尼計劃提供的10m分辨率的sentinel-1與sentinel-2影像，若有更高精度的影像，依然適用；在下載影像時，定義時間窗口，即指定下載的影像的季節(jié)、月份等，不同季節(jié)的天氣狀況和植被覆蓋情況不同，均會影響到集中式光伏電站的識別；對下載的原始影像進行初步預處理；

8、s2、得到初步處理后的影像，選取用于分割的影像波段并設置各波段構(gòu)成比例和最佳分割參數(shù)、尺度參數(shù)控制分割斑塊的大小，對影像進行多尺度分割操作，得到大量斑塊；

9、s3、根據(jù)光伏分布數(shù)據(jù)庫和土地類型分布數(shù)據(jù)庫對圖像進行逐對象手工標注，即目視解譯步驟s2獲得的分割斑塊，識別并標注出集中式光伏電站，建立訓練隨機森林模型的數(shù)據(jù)集，并按照一定比例劃分為訓練集、驗證集和測試集；

10、s4、根據(jù)影像分割斑塊的特點，設計多種不同的特征組合方案，包括光譜、指數(shù)、幾何、紋理等特征的多種組合；

11、s5、采用隨機森林分類器作為機器學習方法，從多維特征空間對集中式光伏電站進行預測；隨機森林可以看作是一個由大量決策樹組成的集成分類器，其中分類結(jié)果將由每個決策樹的投票決定，對噪聲和異常值具有魯棒性；利用訓練集數(shù)據(jù)和步驟s4選取的多種特征組合，訓練多個隨機森林分類器，得到多個初始的隨機森林模型；

12、s6、將驗證集樣本圖像同時輸入步驟s5獲得的多個初始隨機森林模型，通過對比驗證集圖像的預測結(jié)果與其標簽分類結(jié)果，來評估各個模型的精度，對比分析確定最佳的特征組合以及性能最好的隨機森林模型；

13、s7、用步驟s6獲得的性能最好的模型識別測試集圖像中的集中式光伏電站斑塊和非集中式光伏電站斑塊，以測試隨機森林模型性能，得到一個完整的能自動識別集中式光伏電站的隨機森林模型；

14、s8、對待預測區(qū)域影像進行多尺度分割操作，得到大量的待預測斑塊；

15、s9、將待預測斑塊輸入訓練好的隨機森林模型，識別出集中式光伏電站斑塊和非集中式光伏電站斑塊；

16、s10、將預測后的相鄰斑塊進行合并，生成研究區(qū)域的集中式光伏電站分布圖。

17、進一步，所述s1中對下載的原始影像進行初步預處理，具體包括：

18、s11、去云處理：遙感影像在獲取時都不可避免的會存在一些被云覆蓋的局部區(qū)域，云的存在會降低遙感影像的利用率和解譯準確性，通常利用同態(tài)濾波和小波變換等方法去除云層；

19、s12、求均值：計算均值可以反映圖像像元輻射能量值的統(tǒng)計分布特征及可解信息量的多少，直接影響遙感圖像的顯示效果和目視可解性。由于研究區(qū)域位于不同的衛(wèi)星拍攝條帶，根據(jù)云覆蓋率篩選與去云處理，每個位置上的影像數(shù)量不同，求均值可以簡化數(shù)據(jù)量并在一定程度上保持各區(qū)域間色彩與亮度的統(tǒng)一；

20、s13、色彩校正：為了使不同拍攝條帶之間的影像均處于統(tǒng)一色調(diào)，利用灰度直方圖匹配等色彩校正方法處理原始影像。

21、進一步，所述s2中的最佳分割參數(shù)包括尺度參數(shù)，光譜因子和形狀因子、平滑度和緊致度，其中光譜因子與形狀因子和為1，平滑度和緊致度相加為1，通常只設置兩組參數(shù)中的一個參數(shù)即可。

22、進一步，所述s2中，一致性組合參數(shù)定義影像分割斑塊的總體相對均質(zhì)性，包括4個準則：光譜因子和形狀因子、平滑度和緊致度，每一對準則的組合的加權(quán)值為1；

23、所述光譜因子控制分割斑塊的光譜值，形狀因子反映分割斑塊的紋理一致性，形狀因子又包括平滑度和緊致度兩個參數(shù)；通過對比不同參數(shù)分割的結(jié)果尋找最佳分割參數(shù)并設置，然后根據(jù)均質(zhì)標準基于像素開始逐步向上合并相鄰像素直至達到分割參數(shù)的要求，實現(xiàn)影像分割，得到大量斑塊，即分割對象，這樣可以將由像素構(gòu)成的圖像轉(zhuǎn)換成由大量對象組成的圖像，即利用基于對象的圖像分析方法來識別集中式光伏電站。

24、進一步，所述s3中數(shù)據(jù)集由樣本圖像和標簽組成，標簽表示樣本所屬的類別，即集中式光伏電站或非集中式光伏電站。

25、進一步，所述s4中的特征包括但不限于光譜特征、指數(shù)特征和幾何特征；

26、所述光譜特征包括但不限于平均值和中位數(shù)，無需標準差特征，因為基于對象的圖像分析方法圖像分割的斑塊是基于相鄰像素相似程度來劃分的；

27、所述指數(shù)特征包括但不限于歸一化差異植被指數(shù)，歸一化水體指數(shù)；

28、所述幾何特征包括但不限于面積，形狀因子，密度，緊致度。

29、進一步，所述s6中的精度評估包括但不限于生產(chǎn)者精度、用戶精度。

30、本發(fā)明另一目的在于提供一種基于所述基于隨機森林的集中式光伏電站自動識別方法的基于隨機森林的集中式光伏電站自動識別系統(tǒng)，該系統(tǒng)具體包括：

31、影像獲取模塊，基于云平臺獲取影像，包括但不限于歐洲航天局哥白尼計劃提供的10m分辨率的sentinel-1與sentinel-2影像，若有更高精度的影像，依然適用；在下載影像時，定義時間窗口，即指定下載的影像的季節(jié)、月份等，不同季節(jié)的天氣狀況和植被覆蓋情況不同，均會影響到集中式光伏電站的識別；對下載的原始影像進行初步預處理；

32、影像分割模塊，與影像獲取模塊連接，得到初步處理后的影像，選取用于分割的影像波段并設置各波段構(gòu)成比例和最佳分割參數(shù)、尺度參數(shù)控制分割斑塊的大小，對影像進行多尺度分割操作，得到大量斑塊；

33、圖像手工標注模塊，與影像分割模塊連接，根據(jù)光伏分布數(shù)據(jù)庫和土地類型分布數(shù)據(jù)庫對圖像進行逐對象手工標注，即目視解譯影像分割模塊獲得的分割斑塊，識別并標注出集中式光伏電站，建立訓練隨機森林模型的數(shù)據(jù)集，并按照一定比例劃分為訓練集、驗證集和測試集；

34、特征方案設計模塊，與圖像手工標注模塊連接，根據(jù)影像分割斑塊的特點，設計多種不同的特征組合方案，包括光譜、指數(shù)、幾何、紋理等特征的多種組合；

35、模型訓練模塊，與特征方案設計模塊連接，采用隨機森林分類器作為機器學習方法，從多維特征空間對集中式光伏電站進行預測；隨機森林可以看作是一個由大量決策樹組成的集成分類器，其中分類結(jié)果將由每個決策樹的投票決定，對噪聲和異常值具有魯棒性；利用訓練集數(shù)據(jù)和步驟s4選取的多種特征組合，訓練多個隨機森林分類器，得到多個初始的隨機森林模型；

36、對比分析模塊，與模型訓練模塊連接，將驗證集樣本圖像同時輸入模型訓練模塊獲得的多個初始隨機森林模型，通過對比驗證集圖像的預測結(jié)果與其標簽分類結(jié)果，來評估各個模型的精度，對比分析確定最佳的特征組合以及性能最好的隨機森林模型；

37、測試模塊，與對比分析模塊連接，用對比分析模塊獲得的性能最好的模型識別測試集圖像中的集中式光伏電站斑塊和非集中式光伏電站斑塊，以測試隨機森林模型性能，得到一個完整的能自動識別集中式光伏電站的隨機森林模型；

38、分布圖獲取模塊，與測試模塊連接，對待預測區(qū)域影像進行多尺度分割操作，得到大量的待預測斑塊；將待預測斑塊輸入訓練好的隨機森林模型，識別出集中式光伏電站斑塊和非集中式光伏電站斑塊；將預測后的相鄰斑塊進行合并，生成研究區(qū)域的集中式光伏電站分布圖。

39、本發(fā)明另一目的在于提供一種計算機設備，所述計算機設備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述計算機程序被所述處理器執(zhí)行時，使得所述處理器執(zhí)行所述基于隨機森林的集中式光伏電站自動識別方法的步驟。

40、結(jié)合上述的技術(shù)方案和解決的技術(shù)問題，本發(fā)明所要保護的技術(shù)方案所具備的優(yōu)點及積極效果為：

41、第一、本發(fā)明利用多尺度分割算法對圖像進行預處理，是一種基于對象的圖像分類方法(obia)，消除了基于像素分類產(chǎn)生的“椒鹽效應”。

42、傳統(tǒng)的利用基于像素的圖像分析方法(pbia)識別集中式光伏電站的方法會丟失面積較小的區(qū)域，而本發(fā)明在面積較小，地形復雜的情況下仍然適用。

43、本發(fā)明通過建立隨機森林分類器來識別集中式光伏電站，可以進一步繪制全國太陽能電站分布圖，彌補當前太陽能數(shù)據(jù)庫缺失的問題，以量化現(xiàn)有集中式光伏潛力，便于相關(guān)政策的制定。

44、第二，本發(fā)明的技術(shù)方案在產(chǎn)業(yè)應用中解決了現(xiàn)有技術(shù)在集中式光伏電站自動識別方面的以下幾個關(guān)鍵問題，并取得了顯著的技術(shù)進步：

45、1.精度和效率提升問題：

46、現(xiàn)有技術(shù)在利用遙感影像識別集中式光伏電站時，通常依賴于簡單的影像處理方法或傳統(tǒng)的機器學習模型，容易受到光照、天氣、植被覆蓋等因素的影響，導致識別精度較低。此外，手工標注數(shù)據(jù)集耗時費力，且模型的訓練和預測速度較慢，難以滿足大規(guī)模應用的需求。本發(fā)明通過引入隨機森林分類器，結(jié)合多維特征組合(如光譜、幾何、紋理特征等)，大幅提高了識別的準確性和效率。隨機森林模型能夠有效處理大規(guī)模數(shù)據(jù)，并對噪聲和異常值具有強魯棒性，顯著改善了在復雜場景下的識別能力。

47、2.自動化程度不足問題：

48、傳統(tǒng)方法在集中式光伏電站識別過程中，通常需要大量的人為干預，例如影像分割和手動分類等，導致自動化程度低、識別效率差。本發(fā)明通過設計一整套自動化識別流程，包括影像獲取、分割、特征提取、模型訓練、驗證及測試，極大地減少了手動操作的步驟。通過訓練和驗證多個隨機森林模型，系統(tǒng)能夠自動選擇最佳模型，并在測試階段自動識別光伏電站的分布情況，實現(xiàn)了高效、全自動的光伏電站識別流程。

49、3.多源數(shù)據(jù)融合與適應性問題：

50、現(xiàn)有的集中式光伏電站識別技術(shù)在處理不同影像來源和多種地理條件時，適應性較差，往往需要為每種數(shù)據(jù)源設計不同的算法和模型。本發(fā)明通過多尺度分割技術(shù)和多維特征組合方案，適應了來自不同傳感器(如sentinel-1和sentinel-2)以及不同分辨率的影像數(shù)據(jù)。即使未來出現(xiàn)更高分辨率的影像，該系統(tǒng)仍然能夠兼容，從而提高了技術(shù)方案的擴展性和適應性，能夠廣泛應用于各種影像數(shù)據(jù)源和不同地理區(qū)域。

51、4.數(shù)據(jù)處理與應用場景廣泛性問題：

52、在現(xiàn)有的光伏電站識別技術(shù)中，處理大規(guī)模數(shù)據(jù)時容易受到計算資源的限制，導致無法高效處理大范圍影像數(shù)據(jù)。通過引入基于云平臺的影像獲取和處理方案，本發(fā)明能夠有效處理大規(guī)模遙感影像，并在云平臺上進行數(shù)據(jù)的分割和分析。這種云端與本地結(jié)合的數(shù)據(jù)處理方式不僅提高了系統(tǒng)的靈活性，還拓展了其應用場景，不僅可以應用于集中式光伏電站的識別，還可以推廣到其他遙感監(jiān)測領域，如農(nóng)業(yè)、林業(yè)等。

53、綜上所述，本發(fā)明在解決現(xiàn)有技術(shù)瓶頸的同時，顯著提高了集中式光伏電站識別的精度、效率和自動化程度，具備廣泛的產(chǎn)業(yè)應用價值。