基于深度学习的土地利用分类方法及系统技术方案

本发明专利技术公开一种基于深度学习的土地利用分类方法及系统，所述方法包括：制作土地覆盖类型训练样本及对应的土地利用类型训练样本；构建深度学习语义分割网络模型，并通过土地覆盖类型训练样本训练；以地理空间关联关系特征提取单元为基本单元，建立编码‑解码结构的类型转换网络模型；将土地利用类型训练样本分别按行与列进行划分，生成图像序列输入到类型转换网络模型中进行训练；将深度学习语义分割网络模型与类型转换网络模型串联整合，生成端到端土地利用分类模型；将待分类的遥感影像数据输入端到端土地利用分类模型，得到土地利用分类产品。本发明专利技术基于深度学习技术实现了土地覆盖地物类型向土地利用类型的转换，提高了土地利用分类精度。

【技术实现步骤摘要】
基于深度学习的土地利用分类方法及系统
本专利技术涉及遥感影像分类
，具体涉及一种基于深度学习的土地利用分类方法。
技术介绍
基于高分辨率遥感影像的土地利用分类技术已广泛用于大尺度范围土地利用调查工作中，但传统的土地利用分类技术仍旧存在地物分类特征难提取、噪声干扰因子多、分类结果不够精细等问题；此外，土地利用类型多样且划分依据复杂，部分类别由多种不同地物组成，导致其内部结构复杂，一般依赖于遥感图像特征的分类方法不能对组成复杂的土地利用类型进行准确分类。相对于传统的分类方法，深度学习语义分割技术能够自动学习提取具有代表性的分类特征，获得更加精确的像素级分类结果。关于基于高分辨率遥感影像的土地利用分类，大多研究方法通过分析遥感影像数据的光谱和纹理信息，提取各类型的分类特征，采用监督分类方法进行分类，该方法虽然能够有效提取多数纹理清晰组成简单的地物（如房屋、耕地、林地等），但对于组成复杂的土地利用类型分类效果较差。因为单纯的利用遥感影像图像信息而忽略了土地利用类型复杂的内部组成结构和各类型之间的地理空间关联关系，无法明确地反映人类对土地自本文档来自技高网...

【技术保护点】
1.一种基于深度学习的土地利用分类方法，其特征在于，所述方法包括：/n获取历史遥感影像数据及对应的土地矢量数据，制作土地覆盖类型训练样本及对应的土地利用类型训练样本；/n构建深度学习语义分割网络模型，通过土地覆盖类型训练样本训练所述深度学习语义分割网络模型；/n基于门控机制构建地理空间关联关系特征提取单元，以地理空间关联关系特征提取单元为基本单元，引入注意力模块，建立编码-解码结构的类型转换网络模型，用于实现土地覆盖类型向土地利用类型的转换；/n将土地利用类型训练样本分别按行与列进行划分，再按正反顺序分别进行排列，生成四组图像序列输入到类型转换网络模型中进行训练；/n将深度学习语义分割网络模型...

【技术特征摘要】
1.一种基于深度学习的土地利用分类方法，其特征在于，所述方法包括：
获取历史遥感影像数据及对应的土地矢量数据，制作土地覆盖类型训练样本及对应的土地利用类型训练样本；
构建深度学习语义分割网络模型，通过土地覆盖类型训练样本训练所述深度学习语义分割网络模型；
基于门控机制构建地理空间关联关系特征提取单元，以地理空间关联关系特征提取单元为基本单元，引入注意力模块，建立编码-解码结构的类型转换网络模型，用于实现土地覆盖类型向土地利用类型的转换；
将土地利用类型训练样本分别按行与列进行划分，再按正反顺序分别进行排列，生成四组图像序列输入到类型转换网络模型中进行训练；
将深度学习语义分割网络模型与类型转换网络模型进行串联整合，生成端到端土地利用分类模型；
将待分类的遥感影像数据输入所述端到端土地利用分类模型，得到像素级土地利用分类产品。


2.根据权利要求1所述的基于深度学习的土地利用分类方法，其特征在于，所述获取历史遥感影像数据及对应的土地矢量数据，制作土地覆盖类型训练样本及对应的土地利用类型训练样本具体为：
收集历史遥感影像数据、历史土地利用矢量数据和历史土地覆盖矢量数据，采用扫描线算法获取各矢量数据的边界区域，对各矢量数据进行矢量栅格化处理，生成相应的标注底图，同时通过人工辅助的方式对部分边界不正确的区域进行纠正；
采用人工标注的方式，对土地覆盖类型标注底图中具有代表性的人造地物进行单独标注，得到精细的土地利用类型标注图与土地覆盖类型标注图；
对历史遥感数据影像及其对应的土地覆盖类型标注图进行切片处理，产生标准尺寸的土地覆盖类型训练样本；
对土地覆盖类型标注图及其对应的土地利用类型标注图进行切片处理，产生标准尺寸的土地利用类型训练样本。


3.根据权利要求1所述的基于深度学习的土地利用分类方法，其特征在于，所述类型转换网络模型包括编码部分、注意力模块和解码部分；
所述编码部分中，多个地理空间关联关系特征提取单元组成多个特征提取层，不同特征提取层之间采用跨层特征组合模块对提取的特征进行特征跨层组合；
所述注意力模块连接类型转换网络模型的编码部分和解码部分，通过注意力模块内部学习不同土地覆盖地物在各土地利用类型中所占权重；
所述解码部分中，多个地理空间关联关系特征提取单元组成多个特征提取层，不同特征提取层之间采用跨层特征组合模块对提取的特征进行特征跨层组合，输出层经过softmax函数输出最终分类结果。


4.根据权利要求3所述的基于深度学习的土地利用分类方法，其特征在于，所述地理空间关联关系特征提取单元具体结构为：
通过一个卷积计算与sigmoid激活函数组合成第一门控单元，用于计算当前单元的地理空间关联关系系数矩阵；
通过两个卷积计算和不同的激活函数组合成第二门控单元，用于获得当前单元的局部空间关联关系矩阵；
采用三个空洞率不同的空洞卷积核组合成多尺度空间特征提取单元，用于生成当前单元的分类特征；
将第一门控单元、第二门控单元、多尺度空间特征提取单元组合，构成地理空间关联关系特征提取单元，用于提取包含有地理空间关联关系的分类特征；
所述地理空间关联关系特征提取单元的输入为上一层地理空间关联关系特征提取单元的输出和当前层前一个地理空间关联关系特征提取单元的输出以及当前层全局空间关联关系。


5.根据权利要求4所述的基于深度学习的土地利用分类方法，其特征在于，设当前地理空间关联关系特征提取单元的输入为上一层地理空间关联关系特征提取单元输出的分类特征、当前层前一个地理空间关联关系特征提取单元的输出的分类特征以及当前层全局地理空间关联关系矩阵，其中i代表第i个特征提取层，t代表特征提取层中第t个地理空间关联关系特征提取单元；
第一门控单元计算当前单元的地理空间关联关系系数矩阵的公式如下：

【专利技术属性】
技术研发人员：杜志强，李罗凯，
申请(专利权)人：武汉思众空间信息科技有限公司，
类型：发明
国别省市：湖北;42