风能作为一种清洁能源，是我国实现碳达峰、碳中和目标的重要支撑。随着风力发电行业的快速发展，基于遥感图像快速获取风力发电设施（风机）的数量、掌握空间分布对电力行业和有关监管部门具有重要意义。传统遥感目标识别的算法由于对风机影像特征表达不足，无法满足大区域风机提取的要求。实验室研究人员提出了一种联合深度学习目标检测与目标分类的风机提取方法，在FasterRCNN对风机目标识别的基础上，利用RestNet网络实现二次分类，风机目标提取准确度达97.5％。基于此模型完成了全国范围风力发电设施提取。
1.遥感风力发电设施训练样本采集
在遥感影像上风机目标属于小目标，特征信息的缺少是导致风机自动提取精度低的主要原因，加入阴影特征可有效克服这一缺点（图1C）。遥感影像和风机目标矢量并不能直接用于模型训练，需要转换切片为训练样本标签，由于切片会破坏目标的完整性，因而在样本生成过程中还需要结合地理空间分析对样本范围内的目标进行完整性判断，过滤在样本中的无效目标，最终形成有效训练样本集。
图1风机样本标注
2.深度学习风力发电设施提取模型设计
小目标的特征会随着深度神经网络的层数增加而逐渐消失，因此采用较少层数的特征提取骨干网络；同时由于特征深度的不够，会导致大区域范围内复杂遥感背景中无法正确区分干扰目标与真实目标。基于此，实验室研究人员提出一种深度学习目标检测与目标判别联合训练的框架流程（如图2所示）。首先以少量风机正样本作为输入实现FasterR-CNN初步目标检测，舍弃最后一层金字塔特征，只用3层特征（如图3所示），采用融合不同层次卷积特征（图3特征层C系列）的融合特征（图3特征层P系列）作为风机特征提取的骨干网络，可以更好地保留风机目标特征，并在上述检测结果的基础上建立基于ResNet的正负样本判别分类网络（采用ResNet34网络结构），完成一次迭代过程。将易混淆风机目标的伪目标作为负样本，连同之前的风机正样本，再次输入FasterR-CNN进行风力发电设施二次迭代训练，进而提高目标检测网络的精度，使其不仅能够正确识别真实目标，还能够区别伪风机目标。
图2遥感风机目标自动提取算法流程图
图3目标提取特征的金字塔网络结构
3.实验区提取结果验证
考虑全国年度区域卫星遥感影像覆盖的完整性，选择2米分辨率的国产卫星遥感影像，并以北京周边区域的一个百万分幅影像及区域内的风机目标作为验证区域，对实验区的遥感影像进行分目标推演，得到正确风机目标和伪风机目标，分别如图中的绿色和红色所示，经验证，提取精度达到97.5%。
图4实验区遥感影像目标推演结果
4.全国风力发电设施提取
利用全国2米级空间分辨率的国产卫星遥感影像，基于发展的风机自动提取模型进行了全国范围风机提取。图5分别显示了草原、山区和临海地区的风机目标空间分布细节。
图5典型区域风力发电设施空间分布图
预览时标签不可点收录于话题#个上一篇下一篇