淹没范围的监测方法、装置、计算机设备和存储介质

1.一种淹没范围的监测方法，其特征在于，所述方法包括：针对监测时段内的目标监测区域的每一张合成孔径雷达卫星影像，基于所述合成孔径雷达卫星影像和预设的广义高斯混合模型，建立所述合成孔径雷达卫星影像的后向散射系数的概率模型；基于所述概率模型和期望最大化E-M算法，求解所述合成孔径雷达卫星影像对应的分类阈值；基于所述合成孔径雷达卫星影像中各个像元观测到的后向散射系数与所述分类阈值的比较结果，确定所述各个像元对应的目标类别；所述目标类别为水体和非水体中的一种；根据所述各个像元对应的目标类别，计算所述合成孔径雷达卫星影像对应的第一实时淹没面积；根据各所述合成孔径雷达卫星影像对应的第一实时淹没面积，确定所述目标监测区域的淹没面积监测结果；其中，所述基于所述概率模型和期望最大化E-M算法，求解所述合成孔径雷达卫星影像对应的分类阈值，包括：采用期望最大化E-M算法，对所述概率模型进行参数率定，得到所述合成孔径雷达卫星影像对应的率定后参数；基于所述率定后参数和预设的数值算法，求解所述合成孔径雷达卫星影像对应的分类阈值；所述数值算法为牛顿-拉夫逊Newton-Raphson算法；其中，所述采用期望最大化E-M算法，对所述概率模型进行参数率定，得到所述合成孔径雷达卫星影像对应的率定后参数，包括：针对第一张合成孔径雷达卫星影像，测试所述概率模型的待率定参数的多个初始值，选择第一最优初始值集合；所述第一最优初始值集合包括缩放参数的第一最优初始值、形状参数的第一最优初始值、均值的第一最优初始值和类别像元占比的第一最优初始值；采用期望最大化E-M算法和所述第一最优初始值集合，对所述概率模型进行参数率定，得到所述第一张合成孔径雷达卫星影像对应的率定后参数；针对监测时段内的后续合成孔径雷达卫星影像，将所述缩放参数的第一最优初始值、所述形状参数的第一最优初始值和所述类别像元占比的第一最优初始值，分别作为所述缩放参数的第二最优初始值、形状参数的第二最优初始值和所述类别像元占比的第二最优初始值，并测试所述概率模型的均值的多个初始值，选择所述均值的第二最优初始值；采用期望最大化E-M算法、所述缩放参数的第二最优初始值、所述形状参数的第二最优初始值、所述均值的第二最优初始值和所述类别像元占比的第二最优初始值，对所述概率模型进行参数率定，得到所述后续合成孔径雷达卫星影像对应的率定后参数；其中，所述根据各所述合成孔径雷达卫星影像对应的第一实时淹没面积，确定所述目标监测区域的淹没面积监测结果，包括：获取所述监测时段内的所述目标监测区域的光学卫星影像；所述合成孔径雷达卫星影像对应的第一影像时间与所述光学卫星影像对应的第二影像时间不同；针对每一张光学卫星影像，根据所述光学卫星影像和预设的随机森林算法，确定所述光学卫星影像对应的第二实时淹没面积；将各所述合成孔径雷达卫星影像对应的第一实时淹没面积和各所述光学卫星影像对应的第二实时淹没面积，构成所述目标监测区域的淹没面积监测结果。 2.根据权利要求1所述的方法，其特征在于，所述根据所述光学卫星影像和预设的随机森林算法，确定所述光学卫星影像对应的第二实时淹没面积，包括：根据所述目标监测区域的地理特征信息，在所述光学卫星影像中，确定所述光学卫星影像的训练样本点；基于所述训练样本点和预设的随机森林算法，建立所述光学卫星影像对应的随机森林模型；根据所述随机森林模型和所述光学卫星影像，确定所述光学卫星影像对应的第二实时淹没面积。 3.根据权利要求2所述的方法，其特征在于，所述根据所述目标监测区域的地理特征信息，在所述光学卫星影像中，确定所述光学卫星影像的训练样本点，包括：若所述目标监测区域的地理特征信息表示存在细小水体和/或田垄、且所述光学卫星影像的空间分辨率低于预设分辨率阈值，则根据所述光学卫星影像相邻的空间分辨率高于预设分辨率阈值的合成孔径雷达卫星影像和/或其他光学卫星影像中的细小水体和/或田垄的中心点的空间位置信息，确定所述光学卫星影像中细小水体和/或田垄的中心点，并生成包含所述光学卫星影像中细小水体和/或田垄的中心点的训练样本点；若所述目标监测区域的地理特征信息表示存在水流流速大于预设流速阈值、且所述光学卫星影像的水体浑浊度大于预设水体浑浊度阈值，则根据所述光学卫星影像相邻的水体浑浊度小于或等于预设水体浑浊度阈值的合成孔径雷达卫星影像和/或其他光学卫星影像中各点的空间位置信息，在所述光学卫星影像中，确定所述光学卫星影像的训练样本点；若所述目标监测区域的地理特征信息表示淹没面积占比小于预设占比阈值，则根据云阴影形状、以及相邻日期不同时刻的合成孔径雷达卫星影像和/或其他光学卫星影像的建筑物阴影，确定所述光学卫星影像的训练样本点的选取范围，并在所述选取范围内，确定所述光学卫星影像的训练样本点。 4.一种淹没范围的监测装置，其特征在于，所述装置包括：建模模块，用于针对监测时段内的目标监测区域的每一张合成孔径雷达卫星影像，基于所述合成孔径雷达卫星影像和预设的广义高斯混合模型，建立所述合成孔径雷达卫星影像的后向散射系数的概率模型；求解模块，用于基于所述概率模型和期望最大化E-M算法，求解所述合成孔径雷达卫星影像对应的分类阈值；第一确定模块，用于基于所述合成孔径雷达卫星影像中各个像元观测到的后向散射系数与所述分类阈值的比较结果，确定所述各个像元对应的目标类别；所述目标类别为水体和非水体中的一种；计算模块，用于根据所述各个像元对应的目标类别，计算所述合成孔径雷达卫星影像对应的第一实时淹没面积；第二确定模块，用于根据各所述合成孔径雷达卫星影像对应的第一实时淹没面积，确定所述目标监测区域的淹没面积监测结果；其中，所述求解模块，具体用于：采用期望最大化E-M算法，对所述概率模型进行参数率定，得到所述合成孔径雷达卫星影像对应的率定后参数；基于所述率定后参数和预设的数值算法，求解所述合成孔径雷达卫星影像对应的分类阈值；所述数值算法为牛顿-拉夫逊Newton-Raphson算法；其中，所述求解模块，具体用于：针对第一张合成孔径雷达卫星影像，测试所述概率模型的待率定参数的多个初始值，选择第一最优初始值集合；所述第一最优初始值集合包括缩放参数的第一最优初始值、形状参数的第一最优初始值、均值的第一最优初始值和类别像元占比的第一最优初始值；采用期望最大化E-M算法和所述第一最优初始值集合，对所述概率模型进行参数率定，得到所述第一张合成孔径雷达卫星影像对应的率定后参数；针对监测时段内的后续合成孔径雷达卫星影像，将所述缩放参数的第一最优初始值、所述形状参数的第一最优初始值和所述类别像元占比的第一最优初始值，分别作为所述缩放参数的第二最优初始值、形状参数的第二最优初始值和所述类别像元占比的第二最优初始值，并测试所述概率模型的均值的多个初始值，选择所述均值的第二最优初始值；采用期望最大化E-M算法、所述缩放参数的第二最优初始值、所述形状参数的第二最优初始值、所述均值的第二最优初始值和所述类别像元占比的第二最优初始值，对所述概率模型进行参数率定，得到所述后续合成孔径雷达卫星影像对应的率定后参数；其中，所述第二确定模块，具体用于：获取所述监测时段内的所述目标监测区域的光学卫星影像；所述合成孔径雷达卫星影像对应的第一影像时间与所述光学卫星影像对应的第二影像时间不同；针对每一张光学卫星影像，根据所述光学卫星影像和预设的随机森林算法，确定所述光学卫星影像对应的第二实时淹没面积；将各所述合成孔径雷达卫星影像对应的第一实时淹没面积和各所述光学卫星影像对应的第二实时淹没面积，构成所述目标监测区域的淹没面积监测结果。 5.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述的方法的步骤。 6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法的步骤。 7.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法的步骤。