基于大数据的长时序国土空间地域功能结构变化检测方法技术

本发明专利技术涉及一种基于大数据的长时序国土空间地域功能结构变化检测方法，方法如下：首先，构建以开发和保护功能两个维度为指向的功能用地分类体系，基于Google Earth Engine云平台采用随机森林算法对时间序列影像进行初始分类。其次，利用时空一致性双向检测方法，对初始分类结果进行一致性逻辑纠错处理，并在此基础上识别时间序列变化的突变点。最后，以建设用地、农业用地、生态用地比例关系为基本参数，测算区域不同时期点‑轴结构和核心‑边缘等地域功能结构。这种方法提高了长时序功能用地分类与变化检测精度，尤其适用于多种区域政策作用下导致的各类地物间的多次转变状况，能够直接应用于国土空间规划战略格局刻画以及区域政策的辅助决策。

【技术实现步骤摘要】
基于大数据的长时序国土空间地域功能结构变化检测方法
本专利技术涉及一种遥感大数据平台GoogleEarthEngine（GEE）支持下的长时序功能用地检测方法，特别是涉及一种基于像素级时空一致性双向检测的长时序城镇建设、农业、生态用地功能结构变化检测方法。
技术介绍
土地覆盖/利用功能是人类活动与地表自然生态系统长期相互作用的结果，其动态变化是社会-生态复合系统可持续与否的重要表征，常作为国家和地方政府城镇化发展、生态环境保护与监测、国土空间规划、可持续发展目标测度等基础数据和重要指标。利用多时相遥感影像数据进行地表土地覆盖/利用功能的分类制图及变化检测一直是长期应用的热点问题。随着遥感技术的发展以及各种类型遥感数据的历史积累，时间序列影像越来越丰富，使得借助于地物季节性、长期稳定性等遥感影像时间序列特征的长时序功能用地变化检测成为可能。近年来，新开发的地理空间数据分析云平台GoogleEarthEngine（GEE），改变了传统的遥感处理方法，其庞大的遥感影像数据集和高性能的计算能力，为长时期、大规模的遥感变化监测分析提供了一种新途径。借助于GEE平台进行长时序地表覆盖与土地利用功能分析已取得了一些突破性的进展，主要包括两类：一类是基于时间序列特征指数的单一地物或同类地物研究，通过重构地物生产过程或利用季节性、物候等时间序列特征进行识别与变化检测。如2019年Jin等在《InternationalJournalofRemoteSensing》撰文“MappingtheannualdynamicsofcultivatedlandintypicalareaoftheMiddle-lowerYangtzeplainusinglongtime-seriesofLandsatimagesbasedonGoogleEarthEngine”，通过增强时空自适应反射率融合模型(ESTRAFM)分别构建年度植被差异指数(NDVI)轨迹和合成NDVI，利用时序断点进行植被和耕地的制图与变化检测；2020年Francisco等在《IEEETransactionsonGeoscienceandRemoteSensing》撰文“EVITime-SeriesBreakpointDetectionUsingConvolutionalNetworksforOnlineDeforestationMonitoringinChacoForest”，利用时序增强植被指数（EVI）和卷积神经网络模型评估森林砍伐时间，进行森林制图与砍伐的变化检测。另一类是基于直接分类或数据平滑的全覆盖的功能谱系分类与变化检测。如2020年Nishanta在《RemoteSensing》撰文“AComparisonofThreeTemporalSmoothingAlgorithmstoImproveLandCoverClassification:ACaseStudyfromNEPAL”，对比了三种平滑方案傅里叶变换平滑、惠特克平滑和线性拟合，对尼布尔Nepal第一省2000-2018的土地覆被数据进行了平滑，将整体土地覆盖地图精度从79.18%提高到83.44%。在2020年Tzu-HsinKarenChen在《RemoteSensing》撰文“MappinghorizontalandverticalurbandensificationinDenmarkwithLandsattime-seriesfrom1985to2018:Asemanticsegmentationsolution”提出了基于像素级语义分割框架的卷积神经网络（CNNs），对1985-2018年间丹麦城市不透水面进行水平和垂直方向两个维度进行遥感识别，与完全卷积网络(FCN)和随机森林(RF)模型对比，在水平和垂直向，F1分数可以增加4个百分点和10个百分点。相对于单一地物或同类地物在利用季节性、物候等时间序列特征进行识别与变化检测取得突出进展的同时，全覆盖的功能谱系分类与变化检测在处理不同地物变化与冲突方面，仍有较大的探索空间。突出表现为：对于单向稳定变化的地物类型，比如城镇扩张、森林砍伐等，通常被认为是侵占耕地或森林生态系统的单向过程。这些研究采用的主要处理方式是，构建指数时间序列重构地物生长过程，通过检测时间突变点汇总地类转化情况。而现有的全覆盖分类与变化检测分析，通常是利用人工智能的相关算法进行直接分类，一部分研究直接忽略了不同地物间符合现实逻辑的转变方式，因此，分类的结果往往导致同一地物在时间序列上产生较大的逻辑错误，比如不同年度间建设用地规模存在较大的波动，且出现大面积的不合理的逆城市化过程，即最新年份的城镇建设用地面积反而小于较远年份的情况。另一部分研究简化了这种地物间转变过程，通过全地类要素的平滑过程，使其逻辑在某种程度上符合现实的情况，采用一种类似于单一地物类型变化检测的方法）。而更多的现实是，有些区域由于受各种政策的影响，存在耕地、林草等不同地物双向、多次转变的现象，甚至建设用地被恢复为生态用地的情况。对于这一类区域，以上这些方法就严重制约了其分类与变化检测的精度。对于监测时间跨度长、监测年份频率高的遥感影像时间序列来说，如何在消除分类误差对地物间转化过程干扰的同时，又合理保留地物间转化的趋势方向，往往成为决定功能用地分类制图与变化检测精度的关键。为了能够较为准确的检测不同土地覆盖类型存在的多次转变，本文提出了一种时空一致性双向检测支持下的长时序国土空间地域功能用地变化检测方法，对遥感影像时间序列初始分类结果进行一致性逻辑纠错处理，使时间序列的分类结果符合土地利用变化的逻辑，并在此基础上识别国土空间功能变化的突变点。该方法适用于长时序功能用地的分类制图与变化检测，尤其是多种区域政策作用下导致的各类地物的多次转变状况。
技术实现思路
本专利技术要解决技术问题是：针对长时间序列、高检测频率土地覆盖/利用功能数据出现的时间和空间维度的逻辑冲突问题，对全要素地物分类结果进行修正，以保证长时间序列功能用地的时空逻辑一致性，提高分类结果精度。为了解决上述技术问题，本专利技术提出基于大数据的长时序国土空间地域功能结构变化检测方法，包括以下步骤：步骤1、数据准备——借助大数据平台GoogleEarthEngine收集指定时间范围和研究范围的Landsat影像数据，并进行影像拼接和裁剪，以获得时间序列影像，其中每一年对应一幅影像；步骤2、样本点选取——通过实地采样或借助高分辨率影像选取指定时间范围内最后一年各类地物的样本点，并以此年为基准年，切换上一年参考影像，逐点比对，对地物类别发生改变的样本点进行修改，从而得到上一年的样本点，以此类推，直到完成全部年份的样本点选取；步骤3、影像初始分类——将每幅影像的样本点按比例随机划分为训练集和验证集，用历年训练集对大数据分类器进行训练，训练完成后，使用大数据分类器对对应年份的影像进行分类，获得初始分类结果，分类结果具有相同的分辨率;步骤4、分类预处理——使用众数滤波工具对每幅影像的分类结果进行迭代处理，去除碎小图斑；步本文档来自技高网...

【技术保护点】
1.一种基于大数据的长时序国土空间地域功能结构变化检测方法，包括以下步骤：/n步骤1、数据准备——借助遥感大数据平台Google Earth Engine收集指定时间范围和研究范围的Landsat影像数据，并进行影像拼接和裁剪，以获得时间序列影像，其中每一年对应一幅影像；/n步骤2、样本点选取——通过实地采样或借助高分辨率影像选取指定时间范围内最后一年各类地物的样本点，并以此年为基准年，切换上一年参考影像，逐点比对，对地物类别发生改变的样本点进行修改，从而得到上一年的样本点，以此类推，直到完成全部年份的样本点选取；/n步骤3、影像初始分类——将每幅影像的样本点按比例随机划分为训练集和验证集，用历年训练集对分类器进行训练，训练完成后，使用分类器对对应年份的影像进行分类，获得初始分类结果，分类结果具有相同的分辨率;/n步骤4、分类预处理——使用众数滤波工具对每幅影像的分类结果进行迭代处理，去除碎小图斑；/n步骤5、分类结果合成——将所有年份的影像分类结果叠加，构建分类结果的时间序列栅格数据集，时间序列即为取该栅格数据集中某一行某一列像素的多年集合；/n步骤6、双向时空一致性检测——在每个时间序列中分别构造两个种子窗口...

【技术特征摘要】
1.一种基于大数据的长时序国土空间地域功能结构变化检测方法，包括以下步骤：
步骤1、数据准备——借助遥感大数据平台GoogleEarthEngine收集指定时间范围和研究范围的Landsat影像数据，并进行影像拼接和裁剪，以获得时间序列影像，其中每一年对应一幅影像；
步骤2、样本点选取——通过实地采样或借助高分辨率影像选取指定时间范围内最后一年各类地物的样本点，并以此年为基准年，切换上一年参考影像，逐点比对，对地物类别发生改变的样本点进行修改，从而得到上一年的样本点，以此类推，直到完成全部年份的样本点选取；
步骤3、影像初始分类——将每幅影像的样本点按比例随机划分为训练集和验证集，用历年训练集对分类器进行训练，训练完成后，使用分类器对对应年份的影像进行分类，获得初始分类结果，分类结果具有相同的分辨率;
步骤4、分类预处理——使用众数滤波工具对每幅影像的分类结果进行迭代处理，去除碎小图斑；
步骤5、分类结果合成——将所有年份的影像分类结果叠加，构建分类结果的时间序列栅格数据集，时间序列即为取该栅格数据集中某一行某一列像素的多年集合；
步骤6、双向时空一致性检测——在每个时间序列中分别构造两个种子窗口Ws和两个滑动检测窗口Wd，两个种子窗口Ws的初始位置位于时间序列的首末端，两个滑动检测窗口Wd的初始位置位于紧邻于对应的种子窗口Ws，按照以下步骤进行处理：
a）、将种子窗口和滑动检测窗口置于初始位置，并设置滑动检测窗口尺寸；
b）、将滑动窗口置于种子窗口紧邻的内侧；
c）、统计滑动窗口内的主导地类Kd，窗口内某地类出现频率高于60%则称其为该窗口的主导地类Kd；若窗口内所有地类出现频率均低于60%，则该窗口没有主导地类；
d）、判断种子窗口Ws内地物类型Ks与紧邻的滑动检测窗口Wd内的主导地类Kd是否一致，若一致，则将滑动检测窗口Wd内首尾主导地类栅格之间所有地类均置为Kd，将种子窗口位置移动到滑动窗口内最后出现主导地类Kd的栅格位置，转至步骤b)直到两个滑动检测窗口相遇；若不一致，则将种子窗口向内移动一位，并转至步骤b)直到两个滑动检测窗口相遇；
e）、当两个滑动检测窗口相遇时，两种子窗口之间的所有像素合并为一个大窗口，大窗口内与左侧种子窗口的像素地类一致的像素向左侧种子窗口方向移动，大窗口内与右侧种子窗口的像素地类一致的像素向右侧种子窗口方向移动，若还有其他地类像...

【专利技术属性】
技术研发人员：王亚飞，申振宇，
申请(专利权)人：中国科学院地理科学与资源研究所，
类型：发明
国别省市：北京;11