一种土地分类提取方法、系统、设备及存储介质技术方案

本申请公开了一种土地分类提取方法、系统、设备及存储介质，方法包括：获取遥感图像数据；预处理所述遥感图像数据，得到特征数据；将所述特征数据输入预先训练好的土地分类提取模型中进行识别预测；其中，所述土地分类提取模型是基于引入的卷积深度学习网络及循环深度学习网络和自动编码器，实现特征的深度提取和降维的，在模型的训练过程中结合了GIS技术和主动学习的方法，自动识别并剔除受环境因素干扰的样本，并动态调整样本集；输出土地分类结果，并进行可视化展示。通过整合深度学习技术与自适应学习策略，提高了分类的精度和效率，适用于自然资源管理、城市规划、环境保护等多个领域。

【技术实现步骤摘要】

本申请涉及深度学习，尤其涉及一种土地分类提取方法、系统、设备及存储介质。

技术介绍

1、在土地利用分类领域，主要是利用卫星遥感技术完成的。随着遥感技术的发展，获取的图像数据量日益庞大且复杂多样，这给分类精度和模型的泛化能力带来了挑战。例如，在复杂的土地利用场景下，如何准确区分不同类型的地物成为了一个亟待解决的问题。

2、传统的机器学习方法：包括支持向量机k-近邻等，这些方法通常依赖于手工特征工程来提取遥感图像中的有用信息。虽然这些方法易于理解和实现，但在面对高维数据时容易陷入维度灾难，并且对于非线性关系的捕捉能力有限，导致分类效果不佳。近年来，深度学习模型如卷积神经网络(cnn)因其强大的特征提取能力和非线性映射能力，在遥感图像分类中取得了显著成绩。然而，深度学习模型通常需要大量的标注数据来训练，而且模型结构复杂，训练耗时长，容易造成资源浪费。此外，深度学习模型往往被视为黑盒模型，缺乏透明性和可解释性。

3、当前的土地分类方法在处理高分辨率遥感影像时面临的主要问题之一是如何有效地融合多种特征信息，以提高分类精度。传统的基于单一特征的本文档来自技高网...

【技术保护点】

1.一种土地分类提取方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的一种土地分类提取方法，其特征在于，所述步骤S1中，遥感图像数据是基于卫星、无人机或航空摄影获取的，数据覆盖了目标区域的不同时间段，包含多光谱、高光谱以及合成的地形特征。

3.根据权利要求1所述的一种土地分类提取方法，其特征在于，所述步骤S2，具体包括：

4.根据权利要求1所述的一种土地分类提取方法，其特征在于，所述步骤S3中，模型训练过程，具体包括：

5.根据权利要求4所述的一种土地分类提取方法，其特征在于，构建决策树的过程，具体包括以下步骤：

...

【技术特征摘要】

1.一种土地分类提取方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的一种土地分类提取方法，其特征在于，所述步骤s1中，遥感图像数据是基于卫星、无人机或航空摄影获取的，数据覆盖了目标区域的不同时间段，包含多光谱、高光谱以及合成的地形特征。

3.根据权利要求1所述的一种土地分类提取方法，其特征在于，所述步骤s2，具体包括：

4.根据权利要求1所述的一种土地分类提取方法，其特征在于，所述步骤s3中，模型训练过程，具体包括：

5.根据权利要求4所述的一种土地分类提取方法，其特征在于，构建决策...

【专利技术属性】
技术研发人员：杨征义，史卫中，王壮，樊思萌，方亮，
申请(专利权)人：山东智洋上水信息技术有限公司，
类型：发明
国别省市：

全部详细技术资料下载 我是这个专利的主人