【技术实现步骤摘要】
本申请涉及地理信息系统应用，尤其涉及一种土地覆盖分类样本生成的方法。
技术介绍
1、随着全球遥感技术的不断进步，土地覆盖图成为了国家土地资源调查、空间规划以及众多与可持续性发展息息相关的核心数据。这些图像不仅提供了地表各类覆盖物的详细信息，还为政府决策、环境保护、城市规划以及农业管理等领域提供了关键数据支持。尤其是当现代遥感平台能够提供高空间分辨率的影像时，土地覆盖的监测和分类精度得到了前所未有的提升，从而能够更精细地捕捉地表地物的类别。传统的土地覆盖分类方法，如基于像素或对象的分类，往往依赖于手工设计的特征和选择合适的分类器。这不仅需要高度的专业知识，而且耗时耗力，尤其在大范围的土地覆盖分类任务中，其效率和准确性都受到了挑战。随着深度学习技术的兴起，尤其是卷积神经网络的广泛应用，为土地覆盖分类带来了新的机遇。卷积神经网络具有自动特征学习和提取的能力，能够在复杂的遥感影像中自动识别出关键特征，从而大大提高了分类的准确性和效率。
2、然而，深度学习模型的训练需要大量的标注数据，尤其是像素级的逐像素标注。这种级别的标注不仅需要大量的时间和人力，而且需要高度的专业知识，因此在大范围的土地覆盖分类中，高质量的标注数据往往非常稀缺。这成为了限制深度学习在土地覆盖分类中广泛应用的主要瓶颈。
3、一些研究开始探索利用现有的公共土地覆盖产品来自动生成标注数据。这些产品通常是通过将可公开获得的土地覆盖分类图，虽然存在一定的误差，但仍然可以作为训练深度学习模型的初步标注。这些将低分辨率的产品数据与高分辨率的遥感影像进行匹配，
4、首先，由于分辨率的不匹配，低分辨率产品中的对象在高分辨率影像中可能并不连续或完全缺失。这会导致生成的标注数据中存在大量的不准确信息，从而影响模型的训练效果。其次，由于时间和分类错误，现有的公共土地覆盖产品中往往存在语义错误。这些错误在训练过程中会被模型学习，从而导致分类器的收敛困难，甚至影响模型的泛化能力。此外，由于不同产品之间的时间差异和分类标准的不一致，直接使用这些产品作为训练标签还会引入额外的噪声和偏差。
5、如何更合理地利用跨分辨率、跨时间的已有产品生成低成本、高质量的标注数据，成为了当前土地覆盖分类领域亟待解决的问题。这不仅关乎到模型训练的效果，更直接影响到大范围土地覆盖图的更新和应用的准确性。
技术实现思路
1、为了解决上述问题，本申请实施例提供一种土地覆盖样本生成的方法，方法包括：确定遥感影像的i个先验产品；先验产品包括通过可公开获得的分类方法获得的分类图以及对分类图的精度评价结果；将i个先验产品进行正交和融合，得到遥感影像中的每一个像元各类别的综合概率；确定每一个像元各类别的综合概率的最大值，根据每一个像元各类别的综合概率的最大值确定遥感影像的每一个像元的土地覆盖类型；组合遥感影像的每一个像元的综合概率的最大值p(tp)得到一张信任程度图，组合遥感影像的每一个像元的土地覆盖类型得到一张土地覆盖图；信任程度图的每一个像元、土地覆盖图的每一个像元与遥感影像的每一个像元在空间位置上一一对应；根据信任程度图将土地覆盖图中p(tp)值低于设定的第一阈值的像元对应的土地覆盖类型筛选出来并去除，得到可信度符合要求的土地覆盖图；可信度符合要求的土地覆盖图为遥感影像的初始标签；将遥感影像和初始标签裁剪成多张切片影像和对应的切片标签，得到土地覆盖分类初始样本。
2、在一些实施方式中，将i个先验产品进行正交和融合，得到遥感影像的每一个像元各类别的综合概率，包括：根据i个先验产品中的精度评价结果分别将对应的产品1、产品2、…产品i的目标土地覆盖类型的基本概率指派为p1(tj)、p2(tj)……pi(tj)；其中，tj为第j种土地覆盖的类型，j为自然数；将i个目标土地覆盖类型tj的基本概率进行正交和融合，得到每一个像元各类别的综合概率pi(tj)，公式如下：
3、
4、
5、式中，代表正交和，p1(tj)、p2(tj)……pi(tj)分别是i个先验产品对于目标土地覆盖类型tj的基本概率指派，k是冲突系数，冲突系数k的值越大代表各先验产品之间越难以组合，k的值越小代表各产品容易组合。
6、在一些实施方式中，土地覆盖分类的初始样本中的标签包含噪声，方法还包括：采用两个基于概率的不确定性原则过滤土地覆盖分类样本中的标签包含噪声，包括：根据土地覆盖分类的初始样本中每张切片影像和深度学习模型预测每个像元的类概率分布；根据每个像元的类概率分布确定每个像元的最大概率值和第二大概率值；根据最大概率值和第二大概率值计算置信度；置信度包括可信度u1和可信度差值u2：
7、
8、
9、式中，为像元x置信概率最大的类别，u1为像元x最大置信概率对应的类别的可信度；u1越大表示该像元x最大置信概率对应的类别可信度越大；为像元x置信概率第二大的类别；u2为和两种类别的可信度的差值，u2反映了两种类别的相似度；根据可信度u1、可信度差值u2和设定的第二阈值过滤所述初始样本中标签的噪声，并更新像元对应的原始标签；第二阈值包括可信度阈值和相似度的阈值。
10、在一些实施方式中，根据可信度u1、可信度差值u2和设定的第二阈值确定过滤所述初始样本中标签的噪声，并更新所述像元对应的原始标签，，包括：将每批切片影像的u1和u2各自的平均值作为更新的第二阈值；对第二阈值进行了截断，得到每批训练样本的两个阈值：
11、
12、
13、如果当前切片影像每个像元的u1大于φ1且u2大于φ2，则将当前切片影像下模型预测的预测标签对应位置的类别视为正确的类别；如果当前切片影像对应的切片标签与正确的预测标签不一致，则将当前切片标签对应位置视为噪声，并将当前切片标签对应位置的类别校正为正确的预测标签对应位置的类别。
14、在一些实施方式中，土地覆盖分类样本中标签包含的噪声，方法还包括：基于归一化植被指数ndvi的原则对土地覆盖分类的初始样本中标签的噪声进行过滤，包括：计算切片影像中的每一像元对应的归一化植被指数ndvi的值在切片影像中当前像元的ndvi值符合设定的第三阈值时保留当前切片标签，在切片影像中当前像元的ndvi值不符合第三阈值时将当前像元的值改为背景值。
15、在一些实施方式中，方法还包括：对于初始训练集，通过深度学习模型训练更新和校正土地覆盖分类的样本中标签的噪声，包括：在第一阶段，使用初始样本的切片影像和对应的切片标签训练深度学习模型，以较大的初始学习率，迭代训练深度学习模型；当连续m个轮次最小训练损失不降低时，学习率缩放为之前的0.1倍；选取当前轮次之前第m+1个轮次的权重作为第二阶段深度学习模型的权重，对深度学习模型进行优化；在第二阶段，使用初始样本采用联合损失函数lnoise训练优化后深度学习模型，在训练过程中基于深度学习模型预测的置信概本文档来自技高网...
【技术保护点】
1.一种土地覆盖样本生成的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述i个先验产品进行正交和融合，得到所述遥感影像中每一个像元各类别的综合概率，包括：
3.根据权利要求1或2所述的方法，其特征在于，所述土地覆盖分类的初始样本中的标签含有噪声，所述方法还包括：采用两个基于概率的不确定性原则过滤所述土地覆盖分类初始样本中标签的噪声，包括：
4.根据权利要求3所述的方法，其特征在于，所述根据所述可信度U1、可信度差值U2和设定的第二阈值过滤所述初始样本中标签的噪声，并更新所述像元对应的原始标签，包括：
5.根据权利要求1或2所述的方法，其特征在于，所述土地覆盖分类的初始样本中的标签含有噪声，所述方法还包括：基于归一化植被指数(Normalized Difference VegetationIndex，NDVI)的原则对所述初始样本中标签的噪声进行过滤，包括：
6.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：对于初始训练集，通过深度学习模型训练校正和更新所述土地覆盖分类初始
7.根据权利要求5所述的方法，其特征在于，所述联合损失函数Lnoise为：
8.一种电子设备，包括：至少一个存储器，用于存储程序；至少一个处理器，用于执行存储器存储的程序，当存储器存储的程序被执行时，处理器用于执行如权利要求1-7中任意一项所述的方法。
9.一种计算机存储介质，计算机存储介质中存储有指令，当指令在计算机上运行时，使得计算机执行如权利要求1-7中任意一项所述的方法。
...【技术特征摘要】
1.一种土地覆盖样本生成的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述i个先验产品进行正交和融合，得到所述遥感影像中每一个像元各类别的综合概率，包括：
3.根据权利要求1或2所述的方法，其特征在于，所述土地覆盖分类的初始样本中的标签含有噪声，所述方法还包括：采用两个基于概率的不确定性原则过滤所述土地覆盖分类初始样本中标签的噪声，包括：
4.根据权利要求3所述的方法，其特征在于，所述根据所述可信度u1、可信度差值u2和设定的第二阈值过滤所述初始样本中标签的噪声，并更新所述像元对应的原始标签，包括：
5.根据权利要求1或2所述的方法，其特征在于，所述土地覆盖分类的初始样本中的标签含有噪声，所述方法还包括：基于归一化植被指数(n...
【专利技术属性】
技术研发人员：朱宏博，米晓飞，杨健，余涛，孟宪鸿，赵俊奇，陈雪珂，张周威，
申请(专利权)人：中国科学院空天信息创新研究院，
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。