一种基矢量引导的典型地表要素智能监测方法及系统技术方案

本发明专利技术公开了一种基矢量引导的典型地表要素智能监测方法及系统，包括如下步骤：获得典型地表要素历史矢量数据及坐标匹配的多源、多时相、多分辨率遥感影像；构建初始标注样本数据集；从样本集中抽样通过人工修正标注信息，构建精准子集；利用子集训练预分割模型；通过预分割模型修正初始样本标注，迭代优化标注，得到目标地物要素提取模型；获得即时遥感影像数据；选取提取模型对即时遥感影像解译，获得像素级分类置信度；获得基期矢量数据；根据基期矢量数据和像素级分类置信度，生成历史地类对象变化信息。本发明专利技术结合地物要素基矢量数据与即时遥感影像智能解译结果，实现对广域范围特定地物目标持续、周期性的高效、可靠智能化监测。能化监测。能化监测。

【技术实现步骤摘要】
一种基矢量引导的典型地表要素智能监测方法及系统


[0001]本专利技术涉及遥感影像智能解译
，具体涉及一种基矢量引导的典型地表要素智能监测方法及系统。

技术介绍

[0002]全面掌握全国耕地、园地、林地、草地、建设用地、交通运输、水域及水利设施用地等地类分布及利用状况；细化耕地调查，全面掌握耕地数量、质量、分布和构成情况；开展低效闲置土地调查，全面摸清城镇及开发区范围内的土地利用状况；建立互联共享的覆盖国家、省、地、县四级的集影像、地类、范围、面积、权属和相关自然资源信息为一体的国土调查数据库；健全国土及森林、草原、水、湿地等自然资源变化信息的调查、统计和全天候、全覆盖遥感监测与快速更新机制是国家开展全国国土调查的主要任务与最终目标。现有基于深度学习的智能提取与变化检测技术在面临广域范围遥感影像自动解译任务时，提取结果可靠性低，难以应用于实际工程中地物要素自动监测。现有地物覆盖要素信息提取仍大量依靠遥感影像人工判别与外业调查相结合的方式，无法满足大范围、高频次的遥感影像快速监测与更新需求。
[0003]但在实现本申请实施专利技术技术方案的过程中，发现上述技术至少存在如下技术问题：现有典型地物要素监测技术中存在人工判读方式效率低，不适用于高频次、大范围遥感影像解译；基于深度学习的广域范围多源遥感影像地物要素提取精度低；基于多时相遥感影像的变化监测受到不可避免的环境伪变化影响，识别结果可靠性低。无法满足大范围、周期性、高频次的地表要素高效、可靠监测与更新需求。

技术实现思路

[0004]为解决现有技术中存在的问题，本专利技术提供了一种基矢量引导的典型地表要素智能监测方法及系统，实现了通过结合可靠的地物提取模型与基础矢量数据库(如地理国情调查成果数据)，为典型地表要素提取及变化监测任务提供智能分析，为人工核查提供可靠的线索，提高解译可靠性的同时，显著提升效率，适用于大范围、高频次、周期性的动态监测工程化应用，具有可推广的技术效果；解决了现有技术中存在的人工判读工作量繁重，效率低下，自动判别方法不可靠，且难以实现大范围、持续性的地表要素高效、可靠监测等技术问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基矢量引导的典型地表要素智能监测方法，包括如下步骤：
[0006]S10、获得开源典型地表要素历史矢量数据及与历史矢量数据坐标匹配的多源、多时相、多分辨率遥感影像；
[0007]S20、构建以基矢量数据提供的边界信息作为初始标注的海量地表要素初始标注样本数据集；
[0008]S30、从构建的初始标注样本集中抽样，通过人工修正标注信息，构建精准子集；
[0009]S40、基于精准子集，训练轻量化样本修正预分割模型；
[0010]S50、通过预分割模型修正初始样本标注，训练地表要素提取模型并迭代优化标注，最终得到可靠的目标地物要素提取模型；
[0011]S60、获得满足监测任务需求的即时遥感影像数据；
[0012]S70、选取可靠的目标地物要素提取模型对即时遥感影像自动解译，获得像素级分类置信度；
[0013]S80、获得监测任务影像数据对应的基期矢量数据；
[0014]S90、根据基期矢量数据和像素级分类置信度，生成历史地类对象变化信息。
[0015]优选的，所述典型地表要素包括但不限于耕地、园地、林地、草地、水域、建筑物以及道路的典型地表覆盖要素；所述历史矢量数据是指准确标注特定历史时间地表覆盖要素几何边界及属性的数据；所述多源、多时相、多分辨遥感影像数据包括但不限于星载卫星、机载航空、无人机平台在不同年月、不同地域获取的多分辨率光学遥感影像数据；所述坐标匹配是指多源、多时相、多分辨率遥感影像数据能通过坐标转换与历史矢量数据配准。
[0016]优选的，所述初始标注样本数据集的构建是指先将基矢量数据转换成对应影像相同分辨率的栅格数据，目标类别像素值设置为1，其它像素值设置为0，通过滑动窗口采样策略对影像和标注裁剪，自动获得该类别的影像和标签对，完成数据集构建。
[0017]优选的，所述基矢量数据是指覆盖监测任务范围的历史地表要素矢量数据，用于作为变化判别的参照；所述监测任务包括对特定地表覆盖要素的信息提取和变化识别。
[0018]优选的，所述步骤S50具体包括：
[0019]S51、预分割模型分别对初始标注样本影像解译，生成像素级置信度S；
[0020]S52、以上限阈值Tu和下限阈值Td分别判定可靠的正、负样本，并修正标注信息，得到修正的海量样本标注信息；
[0021]S53、基于修正的海量样本标注信息，训练地表要素提取模型；
[0022]S54、每经n次训练后，再利用训练后的提取模型解译全部初始标注样本影像，生成像素分类置信度，并纠正相应的标注信息，最终得到海量精准样本数据集；
[0023]S55、根据海量精准样本训练提取模型，得到可靠的目标地物要素提取模型。
[0024]优选的，所述步骤S52中包括：先定义上限阈值Tu和下限阈值Td，Tu取值接近1，Td取值接近0，对于预分割模型解译生成的像素级置信度S，将S＞Tu的对应标签修改为正样本，将S＜Td的对应标签修正为负样本，其它标注不做修改。
[0025]优选的，所述基期矢量数据是指当前监测任务需要参照的特定历史时间点的地物覆盖信息。
[0026]优选的，所述步骤S90具体包括：
[0027]S91、获取影像范围在基期矢量数据包含的特定地类要素对象；
[0028]S92、将包含的要素矢量边界转换为图像坐标，用于分析变化，生成历史地类对象变化信息：如步骤S93
‑
步骤S95；
[0029]S93、统计各历史地物要素范围置信度，评估该地物类别可靠性；
[0030]S94、以潜在变化判别阈值T1对各历史要素范围二值化，生成地物变化范围及概率；
[0031]S95、以疑似新增判别阈值T2对历史要素范围外二值化，生成地物新增范围及概
率。
[0032]另外，为实现上述目的，本专利技术还提供了如下技术方案：一种基矢量引导的典型地表要素智能监测系统，所述系统用于实现所述的监测方法，所述系统具体包括：
[0033]第一获得单元：所述第一获得单元用于获得开源典型地表要素历史矢量数据及与历史矢量数据坐标匹配的多源、多时相、多分辨率遥感影像；
[0034]第一构建单元：所述第一构建单元用于构建以基矢量数据提供的边界信息作为初始标注的海量地表要素初始标注样本数据集；
[0035]第二构建单元：所述第二构建单元用于从第一构建单元构建的初始标注样本集中抽样，通过人工修正标注信息，构建精准子集；
[0036]第三构建单元：所述第三构建单元利用构建好的精准子集，训练轻量化样本修正预分割模型；
[0037]第四构建单元：所述第四构建单元用于通过预分割模型修正初始样本标注，训练地表要素提取模型并迭代优化标注，最终得到可靠的目标地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基矢量引导的典型地表要素智能监测方法，其特征在于，包括如下步骤：S10、获得开源典型地表要素历史矢量数据及与历史矢量数据坐标匹配的多源、多时相、多分辨率遥感影像；S20、构建以基矢量数据提供的边界信息作为初始标注的海量地表要素初始标注样本数据集；S30、从构建的初始标注样本集中抽样，通过人工修正标注信息，构建精准子集；S40、基于精准子集，训练轻量化样本修正预分割模型；S50、通过预分割模型修正初始样本标注，训练地表要素提取模型并迭代优化标注，最终得到可靠的目标地物要素提取模型；S60、获得满足监测任务需求的即时遥感影像数据；S70、选取可靠的目标地物要素提取模型对即时遥感影像自动解译，获得像素级分类置信度；S80、获得监测任务影像数据对应的基期矢量数据；S90、根据基期矢量数据和像素级分类置信度，生成历史地类对象变化信息。2.根据权利要求1所述的基矢量引导的典型地表要素智能监测方法，其特征在于：所述典型地表要素包括但不限于耕地、园地、林地、草地、水域、建筑物以及道路的典型地表覆盖要素；所述历史矢量数据是指准确标注特定历史时间地表覆盖要素几何边界及属性的数据；所述多源、多时相、多分辨遥感影像数据包括但不限于星载卫星、机载航空、无人机平台在不同年月、不同地域获取的多分辨率光学遥感影像数据；所述坐标匹配是指多源、多时相、多分辨率遥感影像数据能通过坐标转换与历史矢量数据配准。3.根据权利要求1所述的基矢量引导的典型地表要素智能监测方法，其特征在于：所述初始标注样本数据集的构建是指先将基矢量数据转换成对应影像相同分辨率的栅格数据，目标类别像素值设置为1，其它像素值设置为0，通过滑动窗口采样策略对影像和标注裁剪，自动获得该类别的影像和标签对，完成数据集构建。4.根据权利要求1所述的基矢量引导的典型地表要素智能监测方法，其特征在于：所述基矢量数据是指覆盖监测任务范围的历史地表要素矢量数据，用于作为变化判别的参照；所述监测任务包括对特定地表覆盖要素的信息提取和变化识别。5.根据权利要求1所述的基矢量引导的典型地表要素智能监测方法，其特征在于：所述步骤S50具体包括：S51、预分割模型分别对初始标注样本影像解译，生成像素级置信度S；S52、以上限阈值Tu和下限阈值Td分别判定可靠的正、负样本，并修正标注信息，得到修正的海量样本标注信息；S53、基于修正的海量样本标注信息，训练地表要素提取模型；S54、每经n次训练后，再利用训练后的提取模型解译全部初始标注样本影像，生成像素分类置信度，并纠正相应的标注信息，最终得到海量精准样本数据集；S55、根据海量精准样本训练提取模型，得到可靠的目标地物要素提取模型。6.根据权利要求5所述的基矢量引导的典型地表要素智能监测方法...

【专利技术属性】
技术研发人员：胡翰，廖成，丁雨淋，朱庆，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：