【技术实现步骤摘要】
本专利技术涉及土地资源管理，尤其涉及一种土地自然资源动态监管系统及方法。
技术介绍
1、土地自然资源是人类生存和经济发展的重要基础，其合理利用与保护关系到生态环境的可持续发展、粮食安全、城市化进程以及社会经济的稳步运行。传统的土地资源监管方法主要依赖于人工实地调查和人工解译遥感影像。这些方法存在以下弊端：效率低、成本高：人工实地调查需要大量的人力物力，成本高昂，且耗时较长，难以进行大范围、高频次的监测。人工解译遥感影像同样需要专业人员进行，效率较低，且容易受到人为因素的影响，导致结果不一致。难以对大面积土地资源进行动态监管：由于受到人力和时间的限制，传统方法难以对大面积的土地资源进行实时、动态的监测。对于一些偏远地区或交通不便的地区，进行实地调查更加困难。数据获取和处理手段落后：传统方法主要依靠人工记录和测量，数据获取手段落后，数据精度和可靠性难以保证。数据处理也主要依靠人工计算和统计，效率低，容易出错。
技术实现思路
1、基于此，有必要提供一种土地自然资源动态监管系统及方法，以解决至少一个上述技术问题。
2、为实现上述目的，一种土地自然资源动态监管方法，包括以下步骤：
3、步骤s1：对土地自然资源区域进行多源数据采集，得到原始遥感影像数据以及辅助数据集；根据原始遥感影像数据以及辅助数据集进行多源数据预处理，得到初始数据集；
4、步骤s2：根据初始数据集进行基于卷积神经网络的土地分类模型构建，得到土地分类模型；利用土地分类模型进行智能化土地分类处
5、步骤s3：根据土地分类图进行基于lstm的变化检测，得到lstm变化检测结果；对lstm变化检测结果进行面向对象的变化检测与细化，得到初步变化检测图；对初步变化检测图进行变化分析，得到变化分析结果；根据变化分析结果进行变化检测图生成，得到变化检测图；
6、步骤s4：根据初始数据集进行数字高程模型构建，得到数字高程模型；根据数字高程模型以及土地分类图进行基础三维模型构建，得到基础三维模型；根据变化检测图对基础三维模型进行模型精细化与属性赋予，得到三维土地资源模型；
7、步骤s5：对三维土地资源模型以及变化检测图进行指标动态监测，得到动态监测结果；根据预构建的预警规则库对动态监测结果进行预警触发处理，得到预警信息；根据预警信息进行资源监管信息推送，以实现土地自然资源动态监管任务。
8、本专利技术通过多平台、多传感器的数据采集和预处理，获取了包含丰富地表信息的高质量初始数据集，为后续的土地分类、变化检测和三维建模提供了可靠的数据基础，提高了整个流程的精度和可靠性。利用深度学习技术实现了土地资源的自动化、高精度分类，相比传统方法，效率更高，精度更高，尤其对复杂地形区域的分类效果更佳。多源数据特征融合和深度学习模型的应用，有效提高了分类精度和泛化能力。基于lstm和注意力机制的变化检测方法，能够有效捕捉土地利用类型变化的时间序列模式，并关注关键时间节点，实现了高精度、自动化变化检测，并结合面向对象分析方法进一步细化了变化区域，提高了结果的准确性和可靠性。同时，空间异质性分析能够深入理解土地利用变化的驱动机制。通过构建包含地形、植被高度、土地利用类型和变化信息的三维土地资源模型，实现了土地资源的可视化和空间分析，为土地资源的动态监管和分析提供了直观的工具。模型精细化和属性赋予，进一步提高了模型的真实性和信息量。通过指标动态监测、预警触发、报告生成和信息推送，实现了土地资源的自动化、智能化和动态化监管，能够及时发现并预警土地资源的异常变化，提高监管效率，并为相关部门的决策提供支持。基于数据驱动的预警规则库构建，提高了预警的准确性和有效性。因此，本专利技术提供了一种土地自然资源动态监管方法，基于多源数据、深度学习、时间序列分析和三维建模的土地自然资源动态监管方法，有效地解决了传统土地资源监管方法效率低、成本高、难以动态监管的问题，实现了土地资源监管的自动化、智能化和动态化。
9、优选地，步骤s1包括以下步骤：
10、步骤s11：对土地自然资源区域进行遥感影像获取，得到原始遥感影像数据；
11、步骤s12：对土地自然资源区域进行辅助数据收集，得到辅助数据集；
12、步骤s13：对原始遥感影像数据以及辅助数据集进行数据格式转换，并进行数据配准，得到配准数据集；
13、步骤s14：对配准数据集进行大气校正，并进行辐射校正，得到校正数据集；
14、步骤s15：对校正数据集进行数据融合，并进行数据裁剪，得到初始数据集。
15、本专利技术通过获取高分辨率、多光谱的遥感影像数据，为后续土地资源分类、变化检测和三维建模提供基础数据源，确保数据质量，从而提高后续分析的精度和可靠性。高分二号卫星数据的应用，保证了影像的高空间分辨率和丰富的光谱信息，能够更精细地识别地物特征。收集多样的辅助数据，包括气象、地形、土壤和历史土地利用数据，能够补充遥感影像信息，提供更全面的地表信息，有助于提高土地分类精度，并为变化分析和预警提供更丰富的参考依据。例如，气象数据可以用于大气校正，地形数据可以用于地形校正和三维建模，土壤数据和历史土地利用数据可以用于辅助土地分类和变化分析。将不同来源、不同格式的数据转换为统一的格式和坐标系，确保数据的一致性和可比性，为后续的多源数据融合和分析奠定基础。精确的配准保证了不同数据之间的空间对应关系，避免了因配准误差导致的分析偏差。通过大气校正消除大气散射和吸收对地物反射率的影响，并通过辐射校正将传感器记录的dn值转换为地表反射率，从而提高影像数据的真实性和可靠性，为后续的土地分类和变化检测提供更准确的输入数据。这使得不同时间或不同传感器获取的影像数据具有可比性。通过数据融合，将全色影像的高空间分辨率和多光谱影像的光谱信息结合起来，生成高分辨率多光谱影像，提高了地物识别的精度。数据裁剪则去除了研究区域以外的冗余数据，减少了数据处理量，提高了处理效率，并使后续分析更加集中于目标区域。
16、优选地，步骤s2包括以下步骤：
17、步骤s21：对初始数据集进行样本数据集构建，得到训练样本集以及验证样本集；
18、步骤s22：利用卷积神经网络对训练样本集进行高光谱特征提取，得到高光谱特征；利用pointnet技术对训练样本集进行lidar特征提取，得到lidar特征；
19、步骤s23：对高光谱特征以及lidar特征进行特征融合，得到融合特征；基于融合特征以及训练样本集进行分类器构建，并进行土地分类模型训练，得到土地分类模型；
20、步骤s24：利用土地分类模型对初始数据集进行特征提取与分类，得到分类结果；
21、步骤s25：对分类结果进行结果后处理，得到后处理分类结果；
22、步骤s26：利用验证样本集对后处理分类结果进行精度评价，得到土地分类图。
23、本专利技术通过构建高质量、具有代表性的训练样本集和验证样本集，为深度学习模本文档来自技高网...
【技术保护点】
1.一种土地自然资源动态监管方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的土地自然资源动态监管方法，其特征在于，步骤S1包括以下步骤：
3.根据权利要求1所述的土地自然资源动态监管方法，其特征在于，步骤S2包括以下步骤：
4.根据权利要求1所述的土地自然资源动态监管方法，其特征在于，步骤S3包括以下步骤：
5.根据权利要求4所述的土地自然资源动态监管方法，其特征在于，步骤S33包括以下步骤：
6.根据权利要求4所述的土地自然资源动态监管方法，其特征在于，步骤S35包括以下步骤：
7.根据权利要求1所述的土地自然资源动态监管方法，其特征在于，步骤S4包括以下步骤：
8.根据权利要求1所述的土地自然资源动态监管方法，其特征在于，步骤S5包括以下步骤：
9.根据权利要求8所述的土地自然资源动态监管方法，其特征在于，步骤S52包括以下步骤：
10.一种土地自然资源动态监管系统，其特征在于，用于执行如权利要求1所述的土地自然资源动态监管方法，该土地自然资源动态监管系统包括
...【技术特征摘要】
1.一种土地自然资源动态监管方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的土地自然资源动态监管方法，其特征在于，步骤s1包括以下步骤：
3.根据权利要求1所述的土地自然资源动态监管方法，其特征在于，步骤s2包括以下步骤：
4.根据权利要求1所述的土地自然资源动态监管方法，其特征在于，步骤s3包括以下步骤：
5.根据权利要求4所述的土地自然资源动态监管方法，其特征在于，步骤s33包括以下步骤：
6.根据权利要求4所述的土地自...
【专利技术属性】
技术研发人员：樊思玮，胡正强，王皎，黄泳睿，马思源，
申请(专利权)人：大连优联科近海工程有限公司，
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。