本发明涉及遥感，具体为一种基于多源遥感数据的城市数字底座快速构建方法。
背景技术：
1、在数字经济迅速发展的背景下，城市化进程带来了前所未有的挑战和机遇，传统的城市规划和管理方式在应对这些变化时显得力不从心。数字孪生技术的出现，为解决这些问题提供了新的思路。数字孪生技术能够更加精准和高效地捕捉城市的空间和结构特征，对于城市规划、管理以及决策提供了强有力的数据支持。
2、城市数字孪生技术的应用基础是城市数字底座的构建，目前，城市三维数字底座构建主要包括基于bim模型集成、3d软件建模、无人机遥感测绘(包括三维激光扫描和倾斜摄影测量)和卫星遥感等多种方式。各种方式都有其优缺点，如基于bim模型集成的方式具有技术成熟、模型精度高，但是模型数据量大，渲染速度慢，缺乏数据积累，生产周期长，难以满足大区域的城市数字孪生应用的需求。其他几种方式，包括基于3d软件建模、基于无人机测绘(三维激光扫描、倾斜摄影测量)也都存在生产成本高、生产周期长、工作量大，难以实现周期性的监测的缺点。而基于卫星遥感的方式，能够利用卫星遥感影像覆盖范围广、更新周期短、数据资源丰富的特点，能够实现大区域的城市数字数据底座快速构建，为城市数字孪生应用提供支撑；并且，基于卫星遥感的城市数字底座构建方案相对于其他方式来说具有生产成本低、效率高、能够实现周期性更新的优势，因此基于多源遥感数据的城市数字底座构建技术具有广阔的应用前景。
技术实现思路
1、本发明的目的在于提供一种基于多源遥感数据的城市数字底座快速构建方法，以解决上述背景技术中提出的问题。
2、为了解决上述技术问题，本发明提供如下技术方案：
3、一种基于多源遥感数据的城市数字底座快速构建方法，其特征在于：所述方法包括以下步骤：
4、步骤s1.获取多源遥感数据并进行预处理，所述多源遥感数据包括高分辨率正射遥感影像、高分辨率立体像对、osm路网数据以及研究区域的poi数据；
5、步骤s2.将osm道路网数据与研究区域进行叠加，将研究区域按照osm道路网数据进行线切割面操作，生成地块单元，得到研究区域现状用地地块单元数据；
6、步骤s3.将步骤s1中的研究区域的poi数据与步骤s2中的研究区域现状用地地块单元数据进行叠加分析，通过设定分类规则对现状用地地块单元数据进行分类，得到研究区域用地分类数据；
7、步骤s4.利用基于深度学习的实例分割模型对步骤s1中预处理后的高分辨率正射遥感影像进行建筑提取，得到影像切片集合对应的建筑提取结果集合；对建筑提取结果集合进行分析，得到研究区域建筑轮廓矢量数据；
8、步骤s5.对步骤s1中的研究区域的poi数据与步骤s4中的研究区域建筑轮廓矢量数据进行叠加分析，通过设定分类规则对研究区域的建筑进行建筑功能分类，得到研究区域建筑功能分类数据；
9、步骤s6.基于步骤s1中的高分辨率立体像对，提取数字表面模型，滤波生成数字高程模型，通过差分获得归一化数字表面模型，并结合步骤s4中的建筑轮廓矢量数据进行分析，从而获取研究区域内的建筑高度信息；
10、步骤s7.基于研究区域的建筑轮廓矢量数据与建筑高度信息，进行三维模型重建，得到研究区域的建筑三维模型数据；结合高分正射遥感影像、osm路网数据、poi数据、研究区域用地分类数据、研究区域建筑功能分类数据以及研究区域的建筑三维模型数据，进行配准、集成，从而得到研究区域的城市数字底座数据集。
11、结合高分辨率遥感影像与城市多源时空数据，综合利用遥感、大数据分析和人工智能等技术，快速构建城市数字底座，提高数据的精度和实用性；同时，采用最新的深度学习和机器学习算法，有效提升数据处理的效率和准确性；此外，探索城市数字底座在城市规划、管理应用等领域的广泛使用，将为相关领域的研究和实践提供新的视角和工具，进一步探索和发挥遥感数据的价值，该方法具有成本低、性能好、能够实现大区域城市数字底座快速构建，易于在大尺度范围推广应用。
12、进一步的，步骤s1包括：
13、s1-1.获取高分辨率遥感影像并进行预处理，预处理过程包括但不限于辐射定标、大气校正、几何校正和裁剪，从而获得预处理后高分辨率正射遥感影像；
14、s1-2.获取高分辨率立体卫星的高分辨率立体像对并进行预处理，得到研究区域预处理后的高分辨率立体像对；其中，立体像对的预处理包括但不限于辐射校正、大气校正、几何校正、裁剪等；
15、s1-3.获取osm路网数据并进行预处理，包括但不限于数据修正、配准，得到预处理后的研究区域的osm道路网数据；其中，osm路网数据是指开放街景地图(openstreetmap，简称osm)平台上的道路网数据；其属性信息包括道路名称、类型、宽度、长度等。osm路网数据可以用于城市地块单元的划分；
16、s1-4，获取poi数据并进行预处理，包括但不限于数据修正、配准，得到预处理后的研究区域的poi数据；其中，poi数据是指兴趣点数据，将生活中的城市功能抽象为空间点状形式的地理信息数据，除了包含地理实体的经纬度坐标、地址等空间信息之外，还连接了各项属性信息。如poi名称、类别、行政区划等。poi数据能够赋能时空行为、城市规划、地理信息等研究。
17、进一步的，步骤s3中通过设定分类规则对现状用地地块单元数据进行分类，得到研究区域用地分类数据，具体过程如下：
18、依据城市建设用地分类体系，将poi数据类别重新分类为可用于标记地块单元功能的类别，并基于专家打分对每种类型的poi数据点设置不同的权重；将研究区域现状用地地块单元数据与重分类后的poi数据进行叠加分析，根据地块单元中不同种类poi数据点的数量、类型及权重，基于词频-逆文本频率指数法对研究区域现状用地地块单元进行功能分类。
19、进一步的，步骤s4包括：
20、s4-1.将预处理后的高分辨正射遥感影像按照固定大小进行切片，得到影像切片数据集合；
21、s4-2.将影像切片数据集合输入到基于深度学习的实例分割模型中进行建筑提取，得到影像切片集合对应的建筑提取结果集合；
22、s4-3.将建筑提取结果集合进行矢量化，得到研究区域的建筑顶部轮廓矢量数据；
23、s4-4.将研究区域的建筑顶部轮廓矢量数据的图形进行规则化，得到研究区域规则化的建筑顶部轮廓矢量数据；
24、s4-5，将研究区域规则化的建筑顶部轮廓矢量数据进行纠正，将建筑顶部轮廓纠正到建筑底部足迹，得到研究区域的建筑轮廓矢量数据。
25、进一步的，s4-2中的基于深度学习的实例分割模型以mask r-cnn模型为基础，并基于遥感影像的特点进行改进，得到改进后的实例分割模型rs-mask r-cnn；其中具体的改进过程包括在模型输入阶段同时输入影像切片的rgb三通道数据及高程通道数据，以及在特征提取骨干网络后添加双重注意力模块，其中双重注意力模块包括位置注意力分支和通道注意力分支。
26、进一步的，步骤s5中通过设定分类规则对研究区域的建筑进行建筑功能分类，得到研究区域建筑功能分类数据；具体过程如下：
27、参照poi分类规则，并进行归纳合并，建立3大类、12小类的城市建筑功能分类体系；依据城市建筑功能分类体系，将poi数据类别重新分类为可用于标记建筑功能的类别，并基于专家打分对每种类型的poi点设置不同的权重；将研究区域建筑轮廓数据与重分类后的poi数据进行叠加分析，根据建筑轮廓中不同种类poi点的数量、类型及权重，词频-逆文本频率指数法对研究区域建筑轮廓数据进行建筑功能分类。
28、且基于词频-逆文本频率指数法是指tf-idf指数法，所述tf-idf指数法，其公式为：
29、
30、
31、tf-idfi,j＝tfi,j×idfi
32、其中，i表示词语，j表示文档；ni,j表示i在文档j中出现的频率；∑knk,j表示文档j中所有词语出现总次数，其中k表示表示文档j中所有词项的索引；tfi,j表示表示文档j中词项i的词频；idfi表示词项i的逆文档频率d表示文档总量；{j:ti∈dj}表示包含词语i的文档总数，即ni,j≠0的文件数目；tf-idfi,j表示词项i在文档j中的tf-idf值。
33、进一步的，步骤s3以及步骤s5中设定分类规则是利用词频-逆文本频率指数法进行功能分类，具体分类步骤如下：
34、收集研究区域内的poi数据，且每个poi数据都包括poi的类型和位置信息；将研究区域划分为若干地块单元或建筑轮廓，并记为空间单元；根据空间单元的划分，记录每个空间单元内每种类型poi的数量，针对每个空间单元的每种poi类型，根据公式，计算词频tfi,j以及相应的逆文本频率idfi，从而得到tf-idfi,j；根据专家打分，对每种类型的poi设置不同的权重，对相应的tf-idf值进行加权处理；对于每个空间单元，聚合所有poi类型的加权tf-idf值，得到一个综合得分；根据综合得分，将综合得分相等的空间单元归为一类，遍历至所有空间单元，从而实现功能分类。
35、上述空间单元表示地块单元或建筑轮廓，步骤s3与步骤s5中的设定的分类规则是相同的，但应用的数据是不同的，且在步骤s3中，分类规则用于对现状用地地块单元数据进行分类，得到研究区域用地分类数据；在步骤s5中，分类规则用于对研究区域的建筑进行建筑功能分类，得到研究区域建筑功能分类数据。
36、进一步的，步骤s6包括：
37、s6-1.基于s1-2得到的高分辨率立体像对，通过图像密集匹配算法提取研究区域的数字表面模型dsm数据；
38、s6-2.针对步骤s6-1得到的研究区域的数字表面模型dsm数据进行滤波得到研究区域的数字高程模型dem数据；
39、s6-3.将提取得到的数字表面模型dsm数据与数字高程模型dem数据进行差分，获取研究区域表征地表各类地物高度的归一化数字表面模型ndsm数据；
40、s6-4.将步骤s4得到的研究区域的建筑轮廓矢量数据与上述研究区域表征地表地物高度的归一化数字表面模型ndsm数据进行套合，并进行面统分析，根据所述归一化数字表面模型ndsm数据中位于所述建筑轮廓矢量数据的像素所指示的高度信息，获取研究区域内的建筑高度信息。
41、与现有技术相比，本发明所达到的有益效果是：
42、通过综合利用高分辨率遥感影像、立体像对、osm路网数据和poi数据等多源数据，能够有效提升城市数字底座数据的精度和完整性，各种数据源的交叉验证和融合，可以弥补单一数据源的不足，从而获得更准确的城市空间信息；利用深度学习模型进行建筑提取和分类，结合改进后的mask r-cnn算法，大幅提高了城市数字底座的构建效率，相比传统的人工建模方法，该方法能够更快速地生成城市的三维数字模型，为城市规划和管理提供及时的支持；通过设定分类规则，结合poi数据和tf-idf指数法进行功能分类，使得城市数字底座数据更加全面和丰富，不仅能够反映建筑物的形态特征，还可以提供建筑物的功能属性，为城市管理和发展提供更多元化的数据支持；将深度学习模型与遥感影像和高程数据相结合，通过双重注意力模块等改进，使得模型更好地适应遥感影像的特点，从而提高了建筑提取的适应性和准确性，这种适应性优化能够更好地适用于不同类型和质量的遥感数据；通过数字表面模型和建筑轮廓矢量数据的差分计算，结合高程数据进行建筑高度的提取，最终实现了真实而精确的三维模型构建，这种方法能够更真实地反映城市的地形和建筑特征，提高了数据的真实性和可信度；通过多种数据源的配准和集成，得到完整的城市数字底座数据集，确保了数据的一致性和准确性，这种综合集成方法能够为城市管理和规划提供一套全面而可靠的数字底座数据，促进了城市智慧化发展。
1.一种基于多源遥感数据的城市数字底座快速构建方法，其特征在于：所述方法包括以下步骤：
2.根据权利要求1所述的一种基于多源遥感数据的城市数字底座快速构建方法，其特征在于：所述步骤s1包括：
3.根据权利要求1所述的一种基于多源遥感数据的城市数字底座快速构建方法，其特征在于：所述步骤s3中通过设定分类规则对现状用地地块单元数据进行分类，得到研究区域用地分类数据，具体过程如下：
4.根据权利要求1所述的一种基于多源遥感数据的城市数字底座快速构建方法，其特征在于：所述步骤s4包括：
5.根据权利要求4所述的一种基于多源遥感数据的城市数字底座快速构建方法，其特征在于：所述s4-2中的基于深度学习的实例分割模型以mask r-cnn模型为基础，并基于遥感影像的特点进行改进，得到改进后的实例分割模型rs-mask r-cnn；其中具体的改进过程为：在模型输入阶段同时输入影像切片的rgb三通道数据及高程通道数据，以及在特征提取骨干网络后添加双重注意力模块，其中双重注意力模块包括位置注意力分支和通道注意力分支。
6.根据权利要求4所述的一种基于多源遥感数据的城市数字底座快速构建方法，其特征在于：所述步骤s5中通过设定分类规则对研究区域的建筑进行建筑功能分类，得到研究区域建筑功能分类数据；具体过程如下：
7.根据权利要求6所述的一种基于多源遥感数据的城市数字底座快速构建方法，其特征在于：所述词频-逆文本频率指数法，其公式为：
8.根据权利要求1所述的一种基于多源遥感数据的城市数字底座快速构建方法，其特征在于：所述步骤s3以及步骤s5中设定分类规则是利用词频-逆文本频率指数法进行功能分类，具体分类步骤如下：
9.根据权利要求1所述的一种基于多源遥感数据的城市数字底座快速构建方法，其特征在于：所述步骤s6包括：
