【技术实现步骤摘要】
本专利技术涉及遥感大数据解译，具体涉及耕地非粮化检测的遥感样本库构建及迁移学习解译方法。
技术介绍
1、耕地“非粮化”简而言之就是耕地变为了其它农用地。目前，国内基于遥感影像的耕地变化检测仍以人工解译为主，难以高质量高效地响应全国紧迫、繁重的耕地“非粮化”检测要求，开展自动检测方法研究很有必要。深度学习遥感影像变化检测取得了良好的效果，但是基于深度学习构建变化检测模型，需要以海量遥感样本数据为输入，样本的数量和质量决定了监测模型的检测精测，训练样本本身的质量对分类精度的影响比分类技术本身对测量精度的影响还要大。而且耕地“非粮化”类型多样复杂，缺乏“非粮化”遥感监测样本分类体系，同时由于“非粮化”是一个长期检测工作，不同时间段成像时间、成像质量会有所不同，因此亟需要一种遥感样本库构建及跨时序、跨区域的智能解译方法。
技术实现思路
1、本专利技术意在提供耕地非粮化检测的遥感样本库构建及迁移学习解译方法，用以解决传统训练样本准确性低和不同时间遥感成像质量不同影响非粮化监测结果的问题。
2、为达到上述目的，本专利技术采用如下技术方案：耕地非粮化检测的遥感样本库构建及迁移学习解译方法，包括以下步骤：
3、步骤1：构建“非粮化”样本分类体系，整理基础调查成果收集不同时段的国土变更调查成果，统计耕地转为其它农用地情况，统计变更调查成果中前期为耕地、后期为其它农用地的主要类型，生成耕地变化一对一对照表，并进行编码；
4、步骤2：制作源域和目标域的训练样本，基于国
5、步骤3：迁移学习模型搭建和训练，将源域样本输入到深度残差网络resnet50进行训练，将训练好的模型作为编码器，将unet解码器部分作为网络解码器，使用串联空洞卷积连接网络编码器和解码器，中间层采用跳跃连接，在每个跳跃连接的末端添加注意力门控模块，网络底端引入并联的空间注意力机制以及通道注意力机制，模型迁移完成后采用目标域样本进行训练；
6、步骤4：“非粮化”检测，基于训练好的模型完成待检测影像的分类，在后处理阶段，采用全连接条件随机场(crf)精准提取分类目标边界，采用小斑块处理法和主要分析法消除细小图斑。
7、优选的，作为一种改进，所述步骤2中基于多期国土的变更调查数据和相应的下发正射影像基于空间分析法完成源域样本的制作。
8、优选的，作为一种改进，所述步骤3中mish函数对unet解码器进行优化，采用新函数mish作为激活函数代替原relu函数，所述mish函数定义为f(x)＝xtanh(ln(1+ex))。mish函数在x<0时也允许较小的负梯度流入，可以减轻梯度爆炸的影响以及提高模型泛化能力。
9、优选的，作为一种改进，所述步骤3中采用组归一化法(cn)和mish函数对深度残差网络resnet50的第一层卷积神经网络进行优化，采用组归一化法(gn)代替第一层卷积神经网络中原有批归一化(bn)，将通道划分组计算每组内用于归一化的均值，采用新函数mish作为激活函数代替第一层卷积神经网络中原relu函数，所述mish函数定义为f(x)＝xtanh(ln(1+ex))。将通道划分组，计算每组内用于归一化的均值，使批处理尺寸在较小的情况下也能取得较好的训练成效；mish函数在x<0时也允许较小的负梯度流入，可以减轻梯度爆炸的影响以及提高模型泛化能力。
10、优选的，作为一种改进，所述其它农用地包括林地、园地、草地与坑塘水面。
11、优选的，作为一种改进，所述步骤2中基于国土变更调查数据及相应的下发正射影像基于空间分析法完成源域样本的制作具体包括：基于多期变更调查矢量数据库，基于制作的“非粮化耕地流出分类体系”筛选出耕转为其它农用地的图斑；将耕地变化图斑基于耕地流出分类体系添加编码属性；将前后两期波段相减得到的遥感影像采用256*256像素尺寸和256像素的步长采集样本，并只输出包含变化图斑的图像；样本根据旋转任意角度、随机水平移动图像和随机垂直移动进行数据增强，形成“非粮化”样本库。
12、优选的，作为一种改进，所述步骤2中基于获取的非粮化检测影像采用面向对象和人工目视相结合的方法完成目标域样本的制作具体包括：将获取的非粮化检测影像选择典型耕地变化区域作为目标域样本区；采用面向对象的方法对目标样本区的影像进行处理，生成初始分类图像；将两期分类成果生成耕地转移图像，并基于“非粮化”样本分类体系进行编码，再对图斑边界人工进行完善修改，得到人工处理后的变化图斑；样本图像的相同波段做减法，得到后处理图像；使用人工处理后的变化图斑样本，根据任意角度、随机水平移动图像和随机垂直移动进行数据增强，构建标签图像，形成目标域样本集。
13、优选的，作为一种改进，所述步骤3中将源域样本随机分为80％训练集和20％测试集，再将样本输入到深度残差网络resnet50网络中进行训练。
14、优选的，作为一种改进，所述步骤3中将目标域样本分为80％训练集和20％测试集，并输入到迁移后的模型中进行训练。
15、优选的，作为一种改进，还包括采用准确率、召回率、并交比和kappa系数对模型进行评价。对模型进行评价优化，提高非粮化检测结果精度。
16、本方法充分利用国土变更调查成果的可靠性、全面性，构建海量“非粮化”样本分类数据库，并利用变更调查成果与非粮化检测分类体系的相似性，将基于变更调查得到的样本进行训练后，迁移到新的非粮化检测网络模型中去；在后续不同阶段、不同区域的“非粮化”监测过程中，只需要获取小样本、调用训练过的编码器参数、完成解码器的训练即可，既能加快网络速度又能提高精度，同时采用一系列的方法优化网络模型，可以更好地捕捉重要特征、减少数据冗余；在后处理阶段，基于crf精细化图斑边界，采用小斑块处理法和主要分析法消除细小图斑，保证图斑勾绘在《第三次全国土地调查技术规程》误差允许的范围。
本文档来自技高网...【技术保护点】
1.耕地非粮化检测的遥感样本库构建及迁移学习解译方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的耕地非粮化检测的遥感样本库构建及迁移学习解译方法，其特征在于：所述步骤2中基于多期国土的变更调查数据和相应的下发正射影像基于空间分析法完成源域样本的制作。
3.根据权利要求1所述的耕地非粮化检测的遥感样本库构建及迁移学习解译方法，其特征在于：所述步骤3中Mish函数对Unet解码器进行优化，采用新函数Mish作为激活函数代替原Relu函数，所述Mish函数定义为f(x)＝xtanh(ln(1+ex))。
4.根据权利要求3所述的耕地非粮化检测的遥感样本库构建及迁移学习解译方法，其特征在于：所述步骤3中采用组归一化法(CN)和Mish函数对深度残差网络ResNet50的第一层卷积神经网络进行优化，采用组归一化法(GN)代替第一层卷积神经网络中原有批归一化(BN)，将通道划分组计算每组内用于归一化的均值，采用新函数Mish作为激活函数代替第一层卷积神经网络中原Relu函数，所述Mish函数定义为f(x)＝xtanh(ln(1+ex))。
...【技术特征摘要】
1.耕地非粮化检测的遥感样本库构建及迁移学习解译方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的耕地非粮化检测的遥感样本库构建及迁移学习解译方法，其特征在于：所述步骤2中基于多期国土的变更调查数据和相应的下发正射影像基于空间分析法完成源域样本的制作。
3.根据权利要求1所述的耕地非粮化检测的遥感样本库构建及迁移学习解译方法，其特征在于：所述步骤3中mish函数对unet解码器进行优化，采用新函数mish作为激活函数代替原relu函数，所述mish函数定义为f(x)＝xtanh(ln(1+ex))。
4.根据权利要求3所述的耕地非粮化检测的遥感样本库构建及迁移学习解译方法，其特征在于：所述步骤3中采用组归一化法(cn)和mish函数对深度残差网络resnet50的第一层卷积神经网络进行优化，采用组归一化法(gn)代替第一层卷积神经网络中原有批归一化(bn)，将通道划分组计算每组内用于归一化的均值，采用新函数mish作为激活函数代替第一层卷积神经网络中原relu函数，所述mish函数定义为f(x)＝xtanh(ln(1+ex))。
5.根据权利要求1所述的耕地非粮化检测的遥感样本库构建及迁移学习解译方法，其特征在于：所述其它农用地包括林地、园地、草地与坑塘水面。
6.根据权利要求1所述的耕地非粮化检测的遥感样本库构建及迁移学习解译方法，其特征在于：所述步骤2中基于国土变更调查数据及相应的下发正射影像基于空间分析法完成源域样本的制作具体包括：基于多期变更调查矢量数据库，基于制作的“非粮化耕地流出分类体系”筛选出耕转为其它农用地的图斑；将耕地...
【专利技术属性】
技术研发人员：周珉羽，王宴会，张海龙，周瑜，田茂强，韩文友，杨作练，罗蓉，高强国，周鹏，刘成德，文军，
申请(专利权)人：重庆地质矿产研究院，
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。