【技术实现步骤摘要】
本专利技术涉及遥感影像处理，具体为一种融合多源数据产品的土地覆盖分类的方法。
技术介绍
1、土地覆盖是指地球表层覆盖的自然或人为要素，包括有水体、植被、建筑、沙地、裸地、土壤等。不同区域(经纬度、国家、海拔、气候类型……)的地表要素存在差异，土地覆盖产品的生成可以反映地表覆盖状况，可为水资源变化、荒漠化演变、生态服务功能计算等研究服务，遥感图像处理技术是实现大幅宽、多时相的土地覆盖分类产品获取的主要手段。
2、利用遥感技术的土地覆盖分类方法主要有人工标注、非监督分类、监督分类三种；人工标注即目视解译，是利用地物的影像特征进行分类的一种技术手段，分类精度高，但是耗时耗力，很难大范围开展；人工标注手段是通过人工对全国国土进行调查；非监督分类是指不进行人工标注样本，利用影像的不同特征通道(波段)，在特征空间中进行迭代自分类的过程，使得在一定指标下的损失最小的过程。在遥感领域中，常见的非监督学习的方法有k-means、isodata等。但是这种分类方式在不同场景中的分类效果差异明显，也存在大范围场景难以适用的问题。
3、监督分类与非监督分类的差异在于其采用了先验的样本知识对分类器进行训练，利用统计方法获取地物特征与样本之间的关系。监督分类的效果往往由样本的数量以及监督分类器对于目标地物的区分上限决定。监督分类方法又有传统的机器学习方法(最小距离法、最大似然法、平行管道法……)以及深度学习方法之分，传统的机器学习方法可以有效利用专家知识。随着深度学习的发展，各类网络模型爆发式得到地增长，卷积神经网络(convolu
4、现有的公开土地覆盖产品数量庞大，但是存在分辨率不一致，数据量大却难以综合利用，分类体系不统一，不同产品间难以相互比较等问题，现有方法的土地覆盖数据产品的制作需要大量人工标签样本的制作，时间和人工成本较高。
技术实现思路
1、本专利技术的目的在于提供一种融合多源数据产品的土地覆盖分类的方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种融合多源数据产品的土地覆盖分类的方法，该融合多源数据产品的土地覆盖分类的方法的具体步骤流程如下：
3、s1：利用谷歌地球引擎构建特征图像和融合多源数据产品的标签图
4、(1)特征图像构建：输入的特征图像包括遥感影像数据、经纬度数据以及数字高程模型(digital elevation model,dem)共12个通道，其中，遥感影像数据选择sentinel-2的多光谱反射率影像，影像id号为copernicus/s2_sr_harmonized，筛选其中第2、3、4、5、6、7、8、11、12通道作为输入特征，其次，利用gee自带的经纬度网格生成函数获取经纬度栅格，选择其中的longitude、latitude作为输入特征，最后，考虑不同地形对于地表覆盖的影响，选择dem作为输入特征；
5、(2)基于多源数据的标签图像构建：根据波罗的海三国的地表覆盖实际情况，将区域的土地覆盖类型划分为水体、林地、草地、湿地、耕地、灌木、建筑、裸地、雪/冰、苔原共10类，选择dynamic world、esa worldcover、esri global lulc、globeland30以及生物群落分布图进行标签图像融合，由于数据产品间的分类体系的差异，首先需要按照目标分类体系的需求进行分类体系的映射，融合方式为计算各像元一致在上述分类产品中的一致性，如果每个产品在该像元的标签一致，那么保留该像元值，否则标记为0；
6、(3)投影转换和重采样：由于波罗的海三国位于地球北部，传统的经纬度格网对于两极的形变较大，因此需要采用投影转换的方式减小误差，另一方面，对于不同通道和不同数据产品的分辨率的差异，需要将其统一重采样为10米分辨率；
7、s2：训练样本的获取
8、利用谷歌地球引擎(google earth engine,gee)，在研究区内生成3000多个随机分布的训练样点，以训练样点为中心生成1000尺寸的缓冲区，对s1所构建的特征图像和标签图落在缓冲区外接矩形范围内的数据进行下载，存储在本地；
9、s3：模型的构建及训练
10、(1)各类标签数量统计及权重分配：获取得到的土地覆盖类型共有10类，每类地物的数量有所差异，直接带入模型训练会导致模型更倾向于学习类别多的标签的特征而忽略类别少的标签，当标签数量差异达到一定量级，即使不学习小标签样本，模型的训练精度也可以很高，因此，需要采用损失权重分配的方式解决该问题，遍历获取的3000多个标签数据，分别统计每个类别的数目ci，计算得到各类型标签的损失权重；
11、
12、
13、其中，ci为各类别的像素数量，wi为各类别的损失权重(i＝1,2,…,10)；
14、(2)模型训练：模型参考dynamic world模型，将其中的输入的9个通道进行修改，模型的输入尺寸为180*180*12，为sentinel-2的2、3、4、5、6、7、8、11、12通道，经纬度格网，以及数字高程数据共12个通道，模型输出尺寸为180*180*10，10个通道分别对应于水体、林地、草地、湿地、耕地、灌木、建筑、裸地、雪/冰、苔原10个类别的概率，损失函数选择经s3(1)分配权重后的加权交叉熵损失函数，首先批量导入训练影像和对应的标签图，将二维标签图映射三维空间(即将二维标签图的值映射到one hot索引空间中)，再对获取的影像及其对应标签进行迭代训练，批处理数量为12，迭代次数为800次，精度达到99.9％，损失为0.008，保存该模型，用于后期土地覆盖产品的预测；
15、s4：土地覆盖产品的生产
16、(1)待分类年份影像获取：待分类年份选择2022年，特征影像构建方式见s1(1)，首先，在arcmap软件中构建面状渔网，坐标系对应epsg:3575为wgs_1984_north_pole_laea_europe，渔网大小为500*500，单位为米，接着将面状渔网上传到gee存储库中，利用矢量数据中的system:index索引遍历渔网瓦片，并对特征影像进行裁剪，保存在本地，为了提高影像获取的速度，采用多线程方式获取影像，每张瓦片12个通道计11.5mb；
17、(2)影像预测及后处理：2022年土地覆盖产品的生产，将训练好的模型应用在瓦片影像中进行预测，预测后得到的概率图进行最大索引值提取，即获得土地覆盖的瓦片数据，再利用arcmap或者arcpy自带的镶嵌至新栅格(mosaic to new raster)功能对预测后的土地覆盖瓦片影像进行镶嵌以及裁剪操作，得到2022年波罗的海三国的10米分辨率的土地覆盖数据产品。
18、优选的，所述s1(2)中，水体、本文档来自技高网...
【技术保护点】
1.一种融合多源数据产品的土地覆盖分类的方法，其特征在于，该融合多源数据产品的土地覆盖分类的方法的具体步骤流程如下：
2.根据权利要求1所述的一种融合多源数据产品的土地覆盖分类的方法，其特征在于：所述S1(2)中，水体、林地、草地、湿地、耕地、建筑、裸地、雪/冰采用2020年的DynamicWorld、ESA WorldCover和Esri Global LULC融合得到，灌木采用2020年的Dynamic World、ESA WorldCover和GlobeLand30融合得到。
3.根据权利要求1所述的一种融合多源数据产品的土地覆盖分类的方法，其特征在于：所述S1(3)中，根据所选研究区域，选择EPSG:3575进行投影，该投影为等距离投影计量单位是米，EPSG:3575用于北半球的极地研究，以及对北欧北极地区的研究，因此适用于波罗的海三国。
4.根据权利要求1所述的一种融合多源数据产品的土地覆盖分类的方法，其特征在于：所述S3(2)中，标签样本较少的雪/冰、灌木、裸地等的损失权重较高，标签样本较多的地类的损失权重较少，这样可在一定程度上协
...【技术特征摘要】
1.一种融合多源数据产品的土地覆盖分类的方法，其特征在于，该融合多源数据产品的土地覆盖分类的方法的具体步骤流程如下：
2.根据权利要求1所述的一种融合多源数据产品的土地覆盖分类的方法，其特征在于：所述s1(2)中，水体、林地、草地、湿地、耕地、建筑、裸地、雪/冰采用2020年的dynamicworld、esa worldcover和esri global lulc融合得到，灌木采用2020年的dynamic world、esa worldcover和globeland30融合得到。
【专利技术属性】
技术研发人员：李凯，王卷乐，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。