一种基于深度学习的梯田自动提取方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的梯田自动提取方法及装置，通过获取研究区的第一超高分辨率遥感影像、坡度校正数据和光谱校正数据；对第一超高分辨率遥感影像进行目视解译，得到并基于第一梯田训练样本合集对U

【技术实现步骤摘要】
一种基于深度学习的梯田自动提取方法及装置


[0001]本专利技术涉及卫星遥感地物分类
，特别是涉及一种基于深度学习的梯田自动提取方法及装置。

技术介绍

[0002]梯田是丘陵山坡地上沿等高线方向修筑的条状阶台式或波浪式断面的田地，目前许多学者对梯田自然价值、生态价值、农业价值、文化价值进行了大量的研究，并取得了重要的研究成果，对山区可持续发展启到了关键性作用；但是目前的研究仅集中在小区域、小流域，在大区域尺度上的研究存在不足，究其原因是因为缺乏梯田空间分布信息，因此在大区域尺度上提取梯田详尽的空间信息的方法对其相关研究，以及对土地资源保护和山区生态建设具有重要的意义。
[0003]目前关于梯田空间分布提取方法的研究较少，但也有部分科研人员做了较早的尝试和应用；这里主要包括以下四种梯田提取方法：(1)使用长时间序列的光谱特征，结合最先进的分类算法，如随机森林；(2)使用传统的计算机视觉方法，如图像阈值处理；(3)直接进行人工目视解释；(4)利用最先进的无人机搭载激光雷达对区域进行高精度的梯田提取。
[0004]虽然上述几种方法可以在一定程度上较好的提取梯田，但仍存在以下四个不足：(1)难以将梯田与坡耕地区分；梯田是根据其形态特征来定义的，其光谱特征较弱，因此，基于光谱特征进行的梯田提取，往往很难将其区分；(2)空间分辨率低，梯田主要分布在山地丘陵地区，由于受到地形的限制，梯田往往较为细碎，且田块面积较小，在30米分辨率的遥感数据中，混合像元和椒盐现象很明显，这将会带来较大的误差，并阻碍了对梯田的深入研究，包括对梯田撂荒的研究；(3)提取方法泛化能力弱，虽然传统的计算机视觉方法可以利用丰富的纹理细节来提取梯田，但由于不同地区梯田的多模态性和复杂性，人工阈值方法只能适应于特定区域，在大范围梯田提取中准确性不高；(4)经济和时间成本高，尽管人工视觉解读非常准确，但其需要巨大的经济和时间成本；利用无人机搭载激光雷达虽然可以提取高精度的梯田利用范围，但是由于其本身经济成本较大，且运输无人机较为繁琐，难以进行大面积的梯田制图。

技术实现思路

[0005]本专利技术要解决的技术问题是：提供一种基于深度学习的梯田自动提取方法及装置，通过地形特征和光谱特征，对获取的初次梯田分布范围进行修正，提高对梯田分布区域的提取精度。
[0006]为了解决上述技术问题，本专利技术提供了一种基于深度学习的梯田自动提取方法，包括：
[0007]获取研究区的超高分辨率遥感影像、DEM高程数据和土地覆被产品，对所述超高分辨率遥感影像的低质量像元进行像元预处理，得到第一超高分辨率遥感影像，基于所述DEM高程数据计算研究区坡度，并将所述研究区坡度作为坡度校正数据，并获取所述土地覆被
产品的产品属性值，对所述产品属性值进行重新赋值，得到并将土地覆被类别值作为光谱校正数据；
[0008]对所述第一超高分辨率遥感影像进行目视解译，得到梯田训练样本合集，其中，所述梯田训练样本合集包括梯田特征明显训练样本集、梯田特征模糊训练样本集、非梯田训练样本集、易错分非梯田特征训练样本集；
[0009]对所述梯田训练样本合集进行数据预处理，得到第一梯田训练样本合集，并基于所述第一梯田训练样本合集对预构建的U
‑
net++深度学习模型进行模型训练，得到训练好的第一U
‑
net++深度学习模型；
[0010]基于所述第一U
‑
net++深度学习模型，对所述第一超高分辨率遥感影像进行监督分类，得到高空间分辨率的初次梯田分布范围；
[0011]基于所述坡度校正数据和所述光谱校正数据对所述初次梯田分布范围进行修正，得到高空间分辨率的梯田空间分布图。
[0012]在一种可能的实现方式中，对所述第一超高分辨率遥感影像进行目视解译，得到梯田训练样本合集，具体包括：
[0013]选取所述第一超高分辨率遥感影像中的样本区域遥感影像，对所述样本区域遥感影像进行数据矢量化处理，得到梯田矢量数据集，并对所述梯田矢量数据集进行栅格转换，得到栅格数据，基于所述栅格数据对所述样本区域遥感影像进行影像标注，得到标注样本区域遥感影像；
[0014]基于预设的特征选取准则对所述标注样本区域遥感影像进行区域选取，得到遥感影像梯田区域数据，其中，所述特征选取准则包括颜色纹理特征、地形地貌特征和空间分布特征；
[0015]基于所述遥感影像梯田区域数据对所述标注样本区域遥感影像进行划分，得到梯田训练样本合集，其中，所述梯田训练样本合集包括梯田特征明显训练样本集、梯田特征模糊训练样本集、非梯田训练样本集、易错分非梯田特征训练样本集。
[0016]在一种可能的实现方式中，对所述超高分辨率遥感影像的低质量像元进行像元预处理，得到第一超高分辨率遥感影像，具体包括：
[0017]基于云检测光谱阈值算法，对所述超高分辨率遥感影像中的低质量像元区域进行掩膜处理，其中，所述低质量像元区域包括有云雾遮挡较的遥感影像区域；
[0018]选择所述超高分辨率遥感影像中的高质量像元区域对所述低质量像元区域进行填充或拼接处理，得到第一超高分辨率遥感影像，其中，所述高质量像元区域包括无云雾遮挡的遥感影像区域。
[0019]在一种可能的实现方式中，基于所述第一梯田训练样本合集对预构建的U
‑
net++深度学习模型进行模型训练前，还包括：
[0020]对所述预构建的U
‑
net++深度学习模型进行网络参数设定，其中，所述网络参数设定分为输入的影像图片大小、批次大小、学习率、迭代次数、目标函数、梯度下降策略、动量、衰减速率和激活函数。
[0021]在一种可能的实现方式中，基于所述第一U
‑
net++深度学习模型，对所述第一超高分辨率遥感影像进行监督分类，得到高空间分辨率的初次梯田分布范围，具体包括：
[0022]获取所述U
‑
net++深度学习模型中网络参数设定的影像图片大小，根据所述影像
图片大小设置滑动窗口；
[0023]基于所述滑动窗口，将所述第一超高分辨率遥感影像滑动输入到所述U
‑
net++深度学习模型中，以使所述U
‑
net++深度学习模型对每个滑动窗口输入的所述第一超高分辨率遥感影像进行解译，得到多个解译结果；
[0024]对所述多个解译结果进行拼接处理，得到高空间分辨率的初次梯田分布范围。
[0025]在一种可能的实现方式中，对所述梯田训练样本合集进行数据预处理，得到第一梯田训练样本合集，具体包括：
[0026]获取所述梯田训练样本合集中每个梯田训练样本的亮度、灰度和对比度，对所述亮度、所述灰度和所述对比度进行增强处理，得到增强梯田训练样本合集；
[0027]基于预设缩放比例和预设旋转度数，对所述增强梯田训练样本合集中的每个梯田训练样本进行缩放比例调整和旋转度数调整，得到第一梯田训练样本合集。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的梯田自动提取方法，其特征在于，包括：获取研究区的超高分辨率遥感影像、DEM高程数据和土地覆被产品，对所述超高分辨率遥感影像的低质量像元进行像元预处理，得到第一超高分辨率遥感影像，基于所述DEM高程数据计算研究区坡度，并将所述研究区坡度作为坡度校正数据，并获取所述土地覆被产品的产品属性值，对所述产品属性值进行重新赋值，得到并将土地覆被类别值作为光谱校正数据；对所述第一超高分辨率遥感影像进行目视解译，得到梯田训练样本合集，其中，所述梯田训练样本合集包括梯田特征明显训练样本集、梯田特征模糊训练样本集、非梯田训练样本集、易错分非梯田特征训练样本集；对所述梯田训练样本合集进行数据预处理，得到第一梯田训练样本合集，并基于所述第一梯田训练样本合集对预构建的U
‑
net++深度学习模型进行模型训练，得到训练好的第一U
‑
net++深度学习模型；基于所述第一U
‑
net++深度学习模型，对所述第一超高分辨率遥感影像进行监督分类，得到高空间分辨率的初次梯田分布范围；基于所述坡度校正数据和所述光谱校正数据对所述初次梯田分布范围进行修正，得到高空间分辨率的梯田空间分布图。2.如权利要求1所述的一种基于深度学习的梯田自动提取方法，其特征在于，对所述第一超高分辨率遥感影像进行目视解译，得到梯田训练样本合集，具体包括：选取所述第一超高分辨率遥感影像中的样本区域遥感影像，对所述样本区域遥感影像进行数据矢量化处理，得到梯田矢量数据集，并对所述梯田矢量数据集进行栅格转换，得到栅格数据，基于所述栅格数据对所述样本区域遥感影像进行影像标注，得到标注样本区域遥感影像；基于预设的特征选取准则对所述标注样本区域遥感影像进行区域选取，得到遥感影像梯田区域数据，其中，所述特征选取准则包括颜色纹理特征、地形地貌特征和空间分布特征；基于所述遥感影像梯田区域数据对所述标注样本区域遥感影像进行划分，得到梯田训练样本合集，其中，所述梯田训练样本合集包括梯田特征明显训练样本集、梯田特征模糊训练样本集、非梯田训练样本集、易错分非梯田特征训练样本集。3.如权利要求1所述的一种基于深度学习的梯田自动提取方法，其特征在于，对所述超高分辨率遥感影像的低质量像元进行像元预处理，得到第一超高分辨率遥感影像，具体包括：基于云检测光谱阈值算法，对所述超高分辨率遥感影像中的低质量像元区域进行掩膜处理，其中，所述低质量像元区域包括有云雾遮挡较的遥感影像区域；选择所述超高分辨率遥感影像中的高质量像元区域对所述低质量像元区域进行填充或拼接处理，得到第一超高分辨率遥感影像，其中，所述高质量像元区域包括无云雾遮挡的遥感影像区域。4.如权利要求1所述的一种基于深度学习的梯田自动提取方法，其特征在于，基于所述第一梯田训练样本合集对预构建的U
‑
net++深度学习模型进行模型训练前，还包括：对所述预构建的U
‑
net++深度学习模型进行网络参数设定，其中，所述网络参数设定分
为输入的影像图片大小、批次大小、学习率、迭代次数、目标函数、梯度下降策略、动量、衰减速率和激活函数。5.如权利要求4所述的一种基于深度学习的梯田自动提取方法，其特征在于，基于所述第一U
‑
net++深度学习模型，对所述第一超高分辨率遥感影像进行监督分类，得到高空间分辨率的初次梯田分布范围，具体包括：获取所述U
‑
net++深度学习模型中网络参数设定的影像图片大小，根据所述影像图...

【专利技术属性】
技术研发人员：卢亚晗，王学，辛良杰，李秀彬，
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：