【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及遙感，尤其涉及一種結(jié)合混合像元分解與深度學(xué)習(xí)的耕地套種林木識別方法。
技術(shù)介紹
1、隨著遙感技術(shù)和地理信息系統(tǒng)的快速發(fā)展，耕地調(diào)查已成為土地資源管理的重要手段，特別是在國土變更調(diào)查中，耕地套種林木現(xiàn)象逐漸受到關(guān)注，耕地套種林木是一種復(fù)雜的地物類型，涉及果樹或喬木與農(nóng)作物的間種和套種，這種現(xiàn)象不僅影響耕地的準(zhǔn)確認(rèn)定，還可能導(dǎo)致耕地資源的潛在流失，直接威脅耕地保護(hù)紅線的實(shí)施和最嚴(yán)格耕地保護(hù)制度的落實(shí)。
2、目前，針對耕地套種林木現(xiàn)象的調(diào)查和判定主要依賴于傳統(tǒng)的遙感影像解譯方法和人工實(shí)地調(diào)查，這些方法在實(shí)際應(yīng)用中存在以下明顯的缺陷：
3、1、人工投入高且效率低下：傳統(tǒng)方法需要大量人力進(jìn)行遙感影像的解譯和實(shí)地調(diào)查，耗時(shí)耗力，且效率難以滿足大規(guī)模耕地調(diào)查的需求。
4、2、缺乏客觀性和穩(wěn)定性：遙感影像解譯過程中依賴人為主觀判斷，判定結(jié)果容易受到解譯人員經(jīng)驗(yàn)和知識水平的影響，缺乏統(tǒng)一標(biāo)準(zhǔn)，導(dǎo)致判定結(jié)果的穩(wěn)定性較差。
5、3、識別精度低：針對耕地套種林木現(xiàn)象的傳統(tǒng)識別方法對果樹覆蓋度、喬木郁閉度等關(guān)鍵指標(biāo)缺乏定量化分析能力，識別結(jié)果誤差較大，難以滿足耕地監(jiān)測任務(wù)對精度的要求。
6、4、難以應(yīng)對復(fù)雜場景：傳統(tǒng)方法在面對耕地套種林木的多樣化場景和復(fù)雜光譜特征時(shí)，表現(xiàn)出明顯的局限性，無法有效區(qū)分耕地、園地和林地類別。
7、因此，如何提供一種結(jié)合混合像元分解與深度學(xué)習(xí)的耕地套種林木識別方法是本領(lǐng)域技術(shù)人員亟需解決的問題。
技術(shù)實(shí)現(xiàn)思路>
1、本專利技術(shù)的一個(gè)目的在于提出一種結(jié)合混合像元分解與深度學(xué)習(xí)的耕地套種林木識別方法，本專利技術(shù)通過對遙感影像進(jìn)行混合像元分解增強(qiáng)樣本數(shù)據(jù)，在深度學(xué)習(xí)模型訓(xùn)練中動(dòng)態(tài)調(diào)整樣本優(yōu)化模型性能，并在識別精度評價(jià)中提供對比驗(yàn)證，具備人工成本低、識別準(zhǔn)確率高和適應(yīng)復(fù)雜場景的優(yōu)點(diǎn)。
2、根據(jù)本專利技術(shù)實(shí)施例的一種結(jié)合混合像元分解與深度學(xué)習(xí)的耕地套種林木識別方法，包括如下步驟：
3、s1、獲取遙感影像數(shù)據(jù)及歷史監(jiān)測成果，對遙感影像進(jìn)行正射校正、幾何校正、輻射大氣校正以及全色多光譜融合處理，結(jié)合耕地范圍矢量數(shù)據(jù)，生成基礎(chǔ)分類影像數(shù)據(jù)；
4、s2、基于生成的基礎(chǔ)分類影像數(shù)據(jù)以及歷史監(jiān)測成果的分類標(biāo)準(zhǔn)，建立耕地套種林木樣本標(biāo)簽，依據(jù)果樹覆蓋度、果樹株數(shù)、喬木郁閉度及種植密度參數(shù)，將地物樣本分類為耕地樣本、園地樣本和林地樣本，生成標(biāo)準(zhǔn)化樣本集；
5、s3、基于混合像元分解技術(shù)，使用非線性混合像元分解模型反演地物端元豐度，結(jié)合地物豐度計(jì)算區(qū)域內(nèi)樹苗種植株數(shù)及成林郁閉度，對標(biāo)準(zhǔn)化樣本集進(jìn)行類別初步判定，劃分為耕地、園地和林地類別；
6、s4、搭建深度神經(jīng)網(wǎng)絡(luò)遙感影像解譯模型，設(shè)計(jì)適用于耕地套種林木地物目標(biāo)多尺度和方向變化特性的深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)，使用標(biāo)準(zhǔn)化樣本集對模型進(jìn)行訓(xùn)練與參數(shù)優(yōu)化，通過全監(jiān)督學(xué)習(xí)方法優(yōu)化模型分類能力；
7、s5、利用深度神經(jīng)網(wǎng)絡(luò)遙感影像解譯模型自動(dòng)提取遙感影像的光譜、紋理和空間特征，融合不同層次的特征，生成耕地、園地及林地的分類結(jié)果，并使用驗(yàn)證集和測試集對模型性能進(jìn)行評估；
8、s6、將深度神經(jīng)網(wǎng)絡(luò)遙感影像解譯模型分類結(jié)果與混合像元分解分類結(jié)果進(jìn)行交叉驗(yàn)證，對比分類一致性及關(guān)鍵指標(biāo)，優(yōu)化標(biāo)準(zhǔn)化樣本集和深度神經(jīng)網(wǎng)絡(luò)遙感影像解譯模型。
9、可選的，所述s2具體包括：
10、s21、從歷史監(jiān)測成果中提取分類標(biāo)準(zhǔn)，依據(jù)果樹覆蓋度、果樹株數(shù)、喬木郁閉度及種植密度參數(shù)，定義耕地樣本、園地樣本和林地樣本的分類規(guī)則，其中：
11、耕地樣本：果樹覆蓋度≤50%或每畝果樹株數(shù)≤合理株數(shù)的70%,喬木郁閉度≤0.2；
12、園地樣本：果樹覆蓋度＞50%或每畝果樹株數(shù)＞合理株數(shù)的70%；
13、林地樣本：喬木郁閉度＞0.2；
14、s22、根據(jù)基礎(chǔ)分類影像數(shù)據(jù)中每個(gè)地物目標(biāo)的光譜特征、幾何特征和紋理特征，結(jié)合分類標(biāo)準(zhǔn)提取初步分類信息，判斷目標(biāo)是否滿足耕地樣本、園地樣本和林地樣本的分類條件；
15、s23、對于光譜特征無法明確分類的目標(biāo)，基于遙感影像的像元級分析結(jié)果，計(jì)算每個(gè)地物目標(biāo)的果樹覆蓋度、每畝果樹株數(shù)、喬木郁閉度及種植密度參數(shù)：
16、；
17、其中，為果樹覆蓋度，為果樹占地面積，為目標(biāo)總面積；
18、s24、根據(jù)分類條件中合理株數(shù)標(biāo)準(zhǔn)，結(jié)合地物目標(biāo)的占地面積和種植密度參數(shù)，計(jì)算每畝果樹株數(shù)，確認(rèn)地物目標(biāo)是否符合耕地樣本和園地樣本分類條件；
19、s25、針對具有喬木植被的地物目標(biāo)，通過影像中喬木端元反演郁閉度信息，計(jì)算喬木郁閉度并根據(jù)分類條件確定目標(biāo)是否符合耕地樣本和林地樣本分類條件；
20、s26、對符合分類條件的地物目標(biāo)賦予對應(yīng)標(biāo)簽，將樣本目標(biāo)分類為耕地樣本、園地樣本和林地樣本，生成包含分類標(biāo)簽的標(biāo)準(zhǔn)化樣本數(shù)據(jù)集，并將分類信息與影像特征數(shù)據(jù)關(guān)聯(lián)存儲(chǔ)。
21、可選的，所述s3具體包括：
22、s31、基于混合像元分解技術(shù)，構(gòu)建非線性混合像元分解模型，用于描述觀測像元的光譜反射率與端元豐度的關(guān)系：
23、；
24、其中，表示觀測混合光譜，表示第類端元的豐度比例，為第類端元的光譜反射率，為第端元間的二次散射貢獻(xiàn)比，為交叉端元反射率乘積，為誤差項(xiàng)；
25、s32、基于遙感影像數(shù)據(jù)，采用純凈像元指數(shù)法提取端元光譜數(shù)據(jù)，包括光照冠層端元、光照地表端元和陰影端元，使提取的端元光譜具有代表性和穩(wěn)定性，用于構(gòu)建非線性混合模型；
26、s33、利用最小二乘法對混合光譜進(jìn)行反演計(jì)算端元豐度，在反演過程中施加全約束條件和非負(fù)性條件，約束條件為：
27、；
28、其中，表示第類端元的豐度比例，為交叉端元的二次散射貢獻(xiàn)比，使所有端元的豐度比例非負(fù)且總和為1；
29、s34、基于反演得到的端元豐度值，結(jié)合目標(biāo)區(qū)域面積和單株占地面積計(jì)算樹苗種植株數(shù)
30、；
31、其中，為樹苗總株數(shù)，為目標(biāo)區(qū)域總面積，為單株占地面積，為第類端元的豐度比例，為第類端元的貢獻(xiàn)度系數(shù)；
32、s35、通過幾何光學(xué)模型的郁閉度反演算法，將光照地表端元豐度與太陽天頂角、觀測天頂角、太陽方位角和觀測方位角幾何信息相結(jié)合，輸入優(yōu)勢樹種的平均樹高和冠幅半徑，計(jì)算區(qū)域內(nèi)的郁閉度分布；
33、s36、結(jié)合計(jì)算得到的樹苗種植株數(shù)和郁閉度分布，對標(biāo)準(zhǔn)化樣本集中的地物目標(biāo)進(jìn)行類別判定，按照分類規(guī)則將目標(biāo)劃分為耕地類別、園地類別和林地類別。
34、可選的，所述s31具體包括：
35、s311、基于混合像元分解技術(shù)，構(gòu)建非線性混合像元分解模型，用于描述觀測像元的光譜反射率與端元豐度之間的關(guān)系，該模型包括線性反射分量和非線性散射分量；
36、s312、定義線性反射分量，用于表征每種端元對觀測光譜的直接貢獻(xiàn)，線性反射分量本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種結(jié)合混合像元分解與深度學(xué)習(xí)的耕地套種林木識別方法，其特征在于，包括如下步驟：
2.根據(jù)權(quán)利要求1所述的一種結(jié)合混合像元分解與深度學(xué)習(xí)的耕地套種林木識別方法，其特征在于，所述S2具體包括：
3.根據(jù)權(quán)利要求1所述的一種結(jié)合混合像元分解與深度學(xué)習(xí)的耕地套種林木識別方法，其特征在于，所述S3具體包括：
4.根據(jù)權(quán)利要求3所述的一種結(jié)合混合像元分解與深度學(xué)習(xí)的耕地套種林木識別方法，其特征在于，所述S31具體包括：
5.根據(jù)權(quán)利要求1所述的一種結(jié)合混合像元分解與深度學(xué)習(xí)的耕地套種林木識別方法，其特征在于，所述S33具體包括：
6.根據(jù)權(quán)利要求1所述的一種結(jié)合混合像元分解與深度學(xué)習(xí)的耕地套種林木識別方法，其特征在于，S4具體包括：
7.根據(jù)權(quán)利要求1所述的一種結(jié)合混合像元分解與深度學(xué)習(xí)的耕地套種林木識別方法，其特征在于，S5具體包括：
【技術(shù)特征摘要】
1.一種結(jié)合混合像元分解與深度學(xué)習(xí)的耕地套種林木識別方法，其特征在于，包括如下步驟：
2.根據(jù)權(quán)利要求1所述的一種結(jié)合混合像元分解與深度學(xué)習(xí)的耕地套種林木識別方法，其特征在于，所述s2具體包括：
3.根據(jù)權(quán)利要求1所述的一種結(jié)合混合像元分解與深度學(xué)習(xí)的耕地套種林木識別方法，其特征在于，所述s3具體包括：
4.根據(jù)權(quán)利要求3所述的一種結(jié)合混合像元分解與深度學(xué)習(xí)的耕地套種...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：高陽，張耀波，李寶，邵卿，劉思婷，戴文玉，孟飛，王睿，朱曉波，李明雷，
申請(專利權(quán))人：安徽省第三測繪院，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會(huì)獲得科技券。