土地利用类型提取方法及装置制造方法及图纸

本发明专利技术提供一种土地利用类型提取方法及装置，方法包括：将目标区域的遥感数据的时间序列分成多个帧；将各帧所述遥感数据按各帧所述遥感数据采集的正向时间顺序输入Bi‑LSTM网络中的前向LSTM，按各帧所述遥感数据采集的反向时间顺序输入所述Bi‑LSTM网络中的后向LSTM，分别在所述前向LSTM的最后一层隐藏层和所述后向LSTM的最后一层隐藏层获取遥感数据的特征向量；将两个所述特征向量输入所述Bi‑LSTM网络的逻辑回归层，输出所述目标区域的土地利用类型。本发明专利技术基于深度学习对土地利用类型进行分类，提高了分类精度。

Methods and devices for Extracting Land Use Types

The invention provides a land use type extraction method and device, the method includes: dividing the time series of remote sensing data in the target area into multiple frames; inputting the remote sensing data of each frame into the forward LSTM in the Bi \u2011 LSTM network according to the forward time sequence of the remote sensing data acquisition of each frame, inputting the forward LSTM in the Bi \u2011 LSTM network according to the reverse time sequence of the remote sensing data acquisition of each frame The backward LSTM obtains the feature vectors of remote sensing data in the last layer of the forward LSTM and the last layer of the backward LSTM respectively; inputs the two feature vectors into the logic regression layer of the Bi \u2011 LSTM network, and outputs the land use type of the target area. The invention classifies land use types based on deep learning and improves classification accuracy.

【技术实现步骤摘要】
土地利用类型提取方法及装置
本专利技术属于遥感数据处理
，尤其涉及一种土地利用类型提取方法及装置。
技术介绍
土地覆盖是指地球表面的植被覆盖物和人工覆盖物的总称，是自然植被与自然营造体和人工建造所覆盖的地表诸要素的综合反映。土地覆盖是人类认识自然、掌握自然规律必备的信息，也是各种资源管理和地理信息服务所需要的最基本数据。因此，土地覆盖信息的获取、分析和更新显得极其重要。遥感影像数据以其宏观性、实时性的特点，一直以来都是土地覆盖检测的重要手段。目前基于遥感数据的土地覆盖分类方法一般分为两种，一种是基于遥感原始图像作为目视解译的传统方法；另一种则是利用深度学习的思想基于遥感的数据产品，包括一级产品和更高级产品的智能分类。为了获取一级土地分类产品，目前一般是用遥感数据的反射率产品数据或NDVI(NormalizedDifferenceVegetationIndex，归一化植被指数)产品数据作为分类依据的分类模型。而随着遥感数据的高级产品的出现，特别是多种陆表参量产品，如代表性的GLASS(GlobalLandSurfaceSatellite，全球陆表特征参量)产品的出现，为现有的土地覆盖分类方法提高分类精度提供了可能。
技术实现思路
为克服上述现有的土地覆盖分类方法无法满足土地覆盖分类的精度要求问题或者至少部分地解决上述问题，本专利技术实施例提供一种土地利用类型提取方法及装置。根据本专利技术实施例的第一方面，提供一种土地利用类型提取方法，包括：将目标区域的遥感数据的时间序列分成多个帧；将各帧所述遥感数据按各帧所述遥感数据采集的正向时间顺序输入Bi-LSTM网络中的前向LSTM，按各帧所述遥感数据采集的反向时间顺序输入所述Bi-LSTM网络中的后向LSTM，分别在所述前向LSTM的最后一层隐藏层和所述后向LSTM的最后一层隐藏层获取所述遥感数据的特征向量；将两个所述特征向量输入所述Bi-LSTM网络的逻辑回归层，输出所述目标区域的土地利用类型。根据本专利技术实施例第二方面提供一种土地利用类型提取装置，包括：划分模块，用于将目标区域的遥感数据的时间序列分成多个帧；隐藏模块，用于将各帧所述遥感数据按各帧所述遥感数据采集的正向时间顺序输入Bi-LSTM网络中的前向LSTM，按各帧所述遥感数据采集的反向时间顺序输入所述Bi-LSTM网络中的后向LSTM，分别在所述前向LSTM的最后一层隐藏层和所述后向LSTM的最后一层隐藏层获取所述遥感数据的特征向量；分类模块，用于将两个所述特征向量输入所述Bi-LSTM网络的逻辑回归层，输出所述目标区域的土地利用类型。根据本专利技术实施例的第三个方面，还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的土地利用类型提取方法。根据本专利技术实施例的第四个方面，还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的土地利用类型提取方法。本专利技术实施例提供一种土地利用类型提取方法及装置，该方法通过对现有的LSTM网络进行改进，改进的LSTM网络Bi-LSTM包括前向LSTM和后向LSTM，将遥感数据按照正向时间顺序和反向时间顺序分别输入前向LSTM和后向LSTM中，将前向LSTM和后向LSTM的最后一层隐藏层输出的特征向量输入逻辑回归层来输出目标区域土地利用类型，从而使改进的基于LSTM网络的分类模型根据目标区域的遥感数据对目标区域进行分类，获取目标区域的土地利用类型，实现基于深度学习的土地利用类型提取，提高了分类精度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的土地利用类型提取方法整体流程示意图；图2为本专利技术实施例提供的土地利用类型提取方法中LSTM的隐藏层结构示意图；图3为本专利技术实施例提供的土地利用类型提取方法中基于LSTM的分类模型结构示意图；图4为本专利技术实施例提供的土地利用类型提取方法中构建的TensorFlow流图示意图；图5为本专利技术实施例提供的土地利用类型提取装置整体结构示意图；图6为本专利技术实施例提供的电子设备整体结构示意图。具体实施方式为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在本专利技术的一个实施例中提供一种土地利用类型提取方法，图1为本专利技术实施例提供的土地利用类型提取方法整体流程示意图，该方法包括：S101，将目标区域的遥感数据的时间序列分成多个帧；其中，目标区域为需要进行土地利用类型提取的区域，遥感数据为通过对目标区域的遥感图像进行分析获取的多种时间序列的定量数据，如叶面积指数(LAI)、蒸散指数(ET)，光合有效辐射吸收比(FAPAR)、蒸散指数(Albedo)和植物总初级生产力(GPP)等。其中，叶面积指数定义为单位土地面积上植物叶片总面积占土地面积的倍数，是一项描述植被冠层几何结构的特征参量。光合有效辐射吸收比即植物吸收的光合有效辐射在入射太阳辐射所占的比例。蒸散指数是指土壤蒸发和植物蒸腾的总和。地表反照率定义为目标地物的反射出射度与入射度之比。植物总初级生产力是指在单位时间和单位面积上，绿色植物通过光合作用所固定的有机碳总量。用时间序列来表示每个类别的LAI、ET、FAPAR、Albedo和GPP等遥感数据的时间特征，假设目标区域的遥感数据为X，则将遥感数据的时间序列分成多个帧，即X＝(x1，x2，x3，...xt...xT)；其中，T代表帧总数，xt表示第t帧遥感数据；其中，M代表遥感数据中的特征数目，如当遥感数据包括LAI、ET、FAPAR、albedo和GPP时，M为5，为xt中第1个数据，为xt中第2个数据，为xt中第3个数据，为xt中第M个数据。基于上述遥感数据的时间序列表示方法，遥感数据被表示成一个多元时间序列。类别分类问题就可以看作是对这些时间序列进行分类的一个问题，同时用已标注的类别来训练分类模型，并用训练好的模型对未标注的类别进行分类。S102，将各帧所述遥感数据按各帧所述遥感数据采集的正向时间顺序输入Bi-LSTM网络中的前向LSTM，按各帧所述遥感数据采集的反向时间顺序输入所述Bi-LSTM网络中的后向LSTM，分别在所述前向LSTM的最后一本文档来自技高网...

【技术保护点】
1.一种土地利用类型提取方法，其特征在于，包括：/n将目标区域的遥感数据的时间序列分成多个帧；/n将各帧所述遥感数据按各帧所述遥感数据采集的正向时间顺序输入Bi-LSTM网络中的前向LSTM，按各帧所述遥感数据采集的反向时间顺序输入所述Bi-LSTM网络中的后向LSTM，分别在所述前向LSTM的最后一层隐藏层和所述后向LSTM的最后一层隐藏层获取所述遥感数据的特征向量；/n将两个所述特征向量输入所述Bi-LSTM网络的逻辑回归层，输出所述目标区域的土地利用类型。/n

【技术特征摘要】
1.一种土地利用类型提取方法，其特征在于，包括：
将目标区域的遥感数据的时间序列分成多个帧；
将各帧所述遥感数据按各帧所述遥感数据采集的正向时间顺序输入Bi-LSTM网络中的前向LSTM，按各帧所述遥感数据采集的反向时间顺序输入所述Bi-LSTM网络中的后向LSTM，分别在所述前向LSTM的最后一层隐藏层和所述后向LSTM的最后一层隐藏层获取所述遥感数据的特征向量；
将两个所述特征向量输入所述Bi-LSTM网络的逻辑回归层，输出所述目标区域的土地利用类型。


2.根据权利要求1所述的土地利用类型提取方法，其特征在于，在将两个所述特征向量输入所述Bi-LSTM网络的逻辑回归层，输出所述目标区域的土地利用类型的步骤之前还包括：
将所述前向LSTM的最后一层隐藏层输出的特征向量输入所述前向LSTM中的平均池层，将所述后向LSTM的最后一层隐藏层输出的特征向量输入所述后向LSTM中的平均池层，获取两个所述平均池层的输出结果；
相应地，将两个所述特征向量输入所述Bi-LSTM网络的逻辑回归层，输出所述目标区域的土地利用类型的步骤具体包括：
将两个所述平均池层的输出结果输入所述Bi-LSTM网络的逻辑回归层，输出所述目标区域的土地利用类型。


3.根据权利要求2所述的土地利用类型提取方法，其特征在于，通过以下公式将所述前向LSTM的最后一层隐藏层输出的特征向量输入所述前向LSTM中的平均池层，将所述后向LSTM的最后一层隐藏层输出的特征向量输入所述后向LSTM中的平均池层，获取两个所述平均池层的输出结果：



其中，h为任一平均池层的输出结果，T为总帧数，ht为第t帧遥感数据xt输入所述前向LSTM或后向LSTM时输出的特征向量，为xt中第1个数据，为xt中第2个数据，为xt中第3个数据，为xt中第M个数据，M为xt中的数据总数。


4.根据权利要求1所述的土地利用类型提取方法，其特征在于，将两个所述特征向量输入所述Bi-LSTM网络的逻辑回归层，输出所述目标区域的土地利用类型的步骤具体包括：
将两个所述特征向量连接成新特征向量；
将所述新特征向量输入所述逻辑回归层中的softmax层，输出所述目标区域的...

【专利技术属性】
技术研发人员：赵祥，王昊宇，雷添杰，
申请(专利权)人：北京师范大学，
类型：发明
国别省市：北京;11